半导体行业正处于结构性转型之中。正如近期一份行业分析报告所言：“先进封装已取代工艺节点微缩，成为提升半导体性能的主要驱动力。”这一转变不仅限于设计和组装环节，更直接影响到了测试环节以及测试所产生的数据。
在单片架构时代，测试优化虽然困难，但范围是有限的。只需对单个集成芯片进行验证，相关数据和决策边界也相对可控。基于芯片片的架构打破了这种可控性。它们使封装中的组件数量、工艺步骤之间的转换次数，以及收集测试信息并据此采取行动的机会数量都成倍增加。
因此，核心问题正在发生变化。问题不再是某个流程能生成多少测试数据，而是这些数据能否在分布式供应链中，于恰当的时间送达正确的位置，并被应用于实际的生产决策。这正是“数据前馈”（DFF）旨在解决的问题。
本文将阐述基于芯片片的封装技术为何打破了传统的测试模式 ，解释什么是“数据前馈”（Data Feed Forward）及其架构原理，并说明当基于生产级平台构建时，DFF 如何在效率、质量和性能方面带来可量化的价值。
此处，“上游”指前期工序，如晶圆代工和晶圆分选；“下游”指后期工序，如封装测试、最终测试和系统级测试（SLT）。
1. 为什么“芯片片”会改变测试的挑战？
基于芯片片的器件并非仅经过一次验证。其验证过程贯穿多个晶圆、多个装配与集成阶段，以及多次测试环节。目前，一个典型的流程涵盖了晶圆厂操作以及PCM→晶圆分选→装配与键合→封装测试→最终测试→老化测试/SLT。每个测试环节都会产生有用的信号，但每个环节也是对上游过程结果的进一步验证。
随后将进行两项结构调整：
- 更多芯片和更多接口。每个微芯片都有其自身的测试要求，而接口的增加既导致了失效模式的增多，也增加了测试覆盖率的需求。
- 相互依存的决策。晶圆分选环节的结果会直接影响封装测试、最终测试或SLT环节的后续处理。若未及时纠正错误，这些错误将在整个流程中不断累积。
传统的、循序渐进的模型对此处理不力，因为每次插入操作往往只针对其自身的本地数据。如果在晶圆分选阶段获得了重要信息，通常缺乏机制能在后续阶段利用这些信息。因此，挑战并不仅仅在于数据量增加，而在于下游的有效决策本可以越来越多地利用上游的背景信息，但目前通常并未做到这一点。
2. 为什么分布式供应链才是真正的障碍？
更深层次的障碍在于结构性问题。半导体制造和测试高度分散，涉及不同的工厂、国家和组织：设计公司 → 晶圆厂 → OSAT/ATMP → 最终OEM → 现场。每个站点都运行着自己的数据栈。
原则上，大多数团队都明白上游数据具有价值。但在实际操作中，当需要做出下游决策时，这些数据往往处于分散、延迟或根本无法获取的状态。一旦出现这种情况，工程师们就会退而求其次，采用一种更简单、更孤立的决策模型，而此时有三方面会同时受到影响：
- 由于下游团队无法获取完整的设备历史记录，导致可视性受到影响。
- 可追溯性会减弱，因为最终结果更难与之前的测试周期建立联系。
- AI/ML的部署受到限制，因为边缘模型只能访问其运行所在位置立即可用的数据。
因此，在自适应测试、优化或高级建模能够创造价值之前，还有一个更基础的运营问题需要解决：如何在分布式供应链中，将正确的数据在正确的时间传递到正确的位置？
3. 什么是数据前馈（DFF）？
“数据前馈”（Data Feed Forward，简称DFF）正是对这一问题的解答，其关键区别在于：DFF是一个运营概念，而非存储概念。其目的并非为了保存数据以供日后分析，而是为了使上游数据能够为下游的实时决策提供支持。
实际上，早期工序（如晶圆分选）的处理结果会被转换为后续工序可利用的形式：工程特征、推断出的器件属性、模型预测、质量指标或布线建议。这些输出结果随后会被传递给下游工艺，而这些工艺可能位于远程设施或外部供应链节点中。
其作用是将上游测试结果转化为下游流程智能，从而在原本彼此脱节的各个阶段之间建立起连续性。一旦这种连续性建立起来，便能够实现一种更加智能且适应性更强的测试方法。
4. 数据前馈架构的结构是怎样的？
最佳实践的 DFF 实施方案可理解为五个运营层，从原始数据逐步过渡到闭环智能：
- 收集。从晶圆分选、探针测试和早期测试环节中采集数据：参数数据、检测结果、分级数据、波形特征以及工艺上下文信息。
- 转换。通过特征工程、规则生成、模型推理或决策阈值，将原始数据转化为可操作的信息。原始数据通常过于庞大且结构松散，无法直接用于下游处理，因此这一层至关重要，绝非可有可无。
- 传输。将转换后的输出数据安全地传输至各站点和合作伙伴。在分布式环境中，可靠且安全的传输是一项硬性要求。
- 应用。将输出结果输入到下游操作中，以推动具体行动：更智能的筛选、自适应限值、修边目标预测、路由或测试套件选择。实际上，这会转化为诸如“归类”、“跳过”、“调整”或“标记”等决策。
- 进行反馈。记录结果，以确保系统具有可追溯性并能持续改进。随后可将预测结果与实际结果进行对比，并据此逐步优化算法、重新训练模型。
正是这个最终的闭环，使得DFF具备可扩展性并在实际运营中具有重要意义。智能并非一次性推送，而是系统会不断学习。
5. 哪些基础设施能使 DFF 具备投入生产的能力？
一个框架需要具备适用于数据传输和模型部署的生产级基础架构。以下两项能力使 DFF 成为现实：
- Exensio Test Operations负责安全数据采集、数据管理、流程监控、质量控制、边缘部署以及供应链互联。由于该系统通常直接与测试设备对接，因此能够采集保真度最高、最及时的测试数据源，并可应用规则对流程进行监控，及时发现可能影响数据质量的异常情况。
- Exensio StudioAI在此基础上进一步扩展，提供了贯穿机器学习全生命周期（包括模型构建、训练、部署和治理）的完整模型运维能力，用户既可选用开源算法，也可自带算法。由于该平台依托于 Exensio 系统中已有的、经过校准且值得信赖的制造数据，数据科学家便能专注于建模工作，而非耗费精力收集数据或设计部署方案。
正如英特尔的一位客户所指出的，StudioAI 允许数据科学家使用开源或自定义算法，并支持持续集成与部署，因此团队能够构建他们真正需要的解决方案。这两款产品相结合，将 DFF 从一个构想转变为边缘端的实际部署。
6. DFF 在哪些方面创造价值？
回报涵盖三个类别。
效率。许多下游测试的设计都较为保守，因为下游环节无法获知上游已获得的信息，因此只能采取“一刀切”的做法。如果能将这些信息可靠地向前传递，就可以针对每款器件优化测试覆盖率。 一个常被引用的例子是选择性避免老化测试：当预测置信度较高且工艺控制良好时，预测为合格的器件可以跳过不必要的应力测试步骤，在确保产品目标的同时节省时间和成本，并为真正存在早期失效风险的器件腾出老化测试容量。一种无风险的变体是将特性搜索（如Vmin）范围缩小到上游已确定的边界内，从而在不增加风险的情况下缩短测试时间。 此处的效率并非单纯追求粗放式的成本削减，而是要在正确的时间对正确的器件执行正确的测试。
质量。这一点可能比效率更为重要。在步骤执行前预测修整目标，可以减少修整偏差，这正是上游信息直接改善下游操作的典型案例。通过监测各插入点和测试点的特征信号，可以及早发现漂移现象，从而识别测试不稳定性，或者更严重的情况下，识别因过早老化或应力导致的器件变化，这些变化预示着长期可靠性风险。在各工厂和合作伙伴之间统一阈值，可获得更一致的结果；而更完善的上游筛选则能减少漏检。 更广泛的观点是：整体质量是供应链的属性，而非单一测试结果；而DFF正是实现端到端质量管理的关键，它将质量管理从被动应对转变为主动预测。
性能。这是 DFF 与人工智能驱动方法最直接的关联点，这里的“性能”指的是更高性能的决策，而不仅仅是更快的设备。最先进的内联模型往往受到限制，因为它们只能看到当前步骤的数据。通过将晶圆分选特征与封装级观测结果相结合，或将工艺历史数据与测试测量结果融合，为这些模型补充上游或历史背景信息，预测结果将变得更加准确且更具情境感知能力。 这有助于对昂贵的高端封装进行更智能的分级和路由——鉴于其高昂成本，这类封装不能简单地报废，而必须经过特性分析并分级，以匹配合适的应用场景。SLT 测试同样受益：前馈数据可动态引导 SLT 测试套件聚焦于特定器件功能。同样的逻辑也适用于组装优化，即将子组件的性能与其目标应用相匹配，从而最大化成品器件的性价比。
7. 有哪些关键要点？
- 基于芯片片的封装需要供应链全链路的数据互联。数据方面的挑战已不再仅限于单次插装环节。
- DFF 是大规模人工智能驱动测试的运营支柱。它为上游信息转化为下游决策支持开辟了一条路径。
- 真正的价值在于让上游数据在下游环节得以有效利用，其带来的好处涵盖效率、质量和性能等方面。
- 数据传输正变得与测试测量同样重要。在先进封装时代，竞争优势越来越不再取决于你能收集多少数据，而是取决于你能否有效地将智能信息向前传递，并将其应用于关键领域。
归根结底，这是从数据积累向数据激活的转变，与生产相契合。
参考文献