本文核心要点
设计复杂度正快速攀升，为半导体设计与制造领域带来严峻挑战，在 3D 创新与全球供应链场景下，该挑战尤为显著。
普迪飞 Exensio 大数据智能分析平台与 DEX 数据交换网络两款核心产品，全面增强半导体制造与测试全流程的数据采集、分析及管理能力。
文中引入 “数据前馈（Data Feed Forward，DFF）” 技术概念，通过在供应链中实现数据的采集、转换与分发，为先进测试方法的应用提供支撑。
普迪飞的技术升级迭代，更聚焦 “安全性” 与 “可扩展性”，旨在为半导体制造测试环节构建更稳定、更灵活的技术底座。
行业挑战：设计与供应链的双重压力
当前半导体行业的设计复杂度已从 “难题” 升级为 “近乎无解” 的状态 —— 尽管设计与验证环节的挑战常被热议，但实际问题范畴远不止于此。一方面，3D 创新技术的落地要求重新适配设计与制造流程；另一方面，全球供应链的协同难度持续增加。而AI 应用的普及更带来新的命题：并非 “如何设计 AI 芯片”，而是 “如何用 AI 提升芯片设计的成功率”。
“数据如同新型石油，不仅是稀缺的‘资源’，更构成了人工智能（AI）运转的核心动力基础。”这一观点在半导体行业尤为贴切。要破局上述挑战，关键在于从复杂的全球供应链上游高效采集数据，并从中提炼洞察，进而指导供应链下游的决策与行动。要在复杂供应链中实现这一目标，就需要一个具备高安全性与高可扩展性的技术平台。普迪飞此前已悄然完成这一平台的技术布局，其针对性的制造与测试解决方案正逐步落地，持续重塑行业标准。
技术底座：两大核心产品构建数据闭环
要应对半导体行业的复杂挑战，搭建稳固的技术基础是关键。普迪飞的这两款核心产品，共同构成了覆盖 “数据采集 - 传输 - 分析 - 应用” 的全链路体系。
1. Exensio 大数据智能分析平台：数据价值挖掘的核心引擎
Exensio 大数据智能分析平台的核心，在于突破地域限制 —— 无论制造测试、封装环节位于全球何处，该平台均能自动采集并分析这些环节的数据，精准识别可能对产品良率、质量或可靠性造成负面影响的统计异常。
该产品包含一系列功能模块，可满足不同类型企业的需求：Fabless、IDM、Foundry及 OSAT 均可通过该平台实现安全管理测试数据，保障出厂产品质量、在边缘端部署机器学习模型，提升实时决策效率、建立测试流程的标准化管控，优化整个制造供应链的运转效率。
目前，Exensio 已在全球制造与测试环节实现广泛应用，而其内置的机器学习能力，更成为后续技术升级的核心支撑。
2. DEX 数据交换网络：全球数据互联的 “管道”
要让 Exensio 平台的巨量数据分析有效运转，需要全球供应链中多维度数据源的支撑—— DEX 数据交换网络正是为此而生。作为一套部署于全球 OSAT 站点的基础设施，DEX 可连接全球供应链中几乎所有测试单元与测试组装设备，实现两大核心功能：
下行传输：自动向测试设备下发测试规则、算法模型及流程方案；
上行反馈：将所有测试数据实时回传至 Exensio 平台，并通过普迪飞的语义模型完成数据标准化处理，确保数据的完整性、一致性，直接满足分析需求。
从行业实践来看，半导体测试数据的对接曾是一大难题 —— 即便在测试设备数量较少的早期，实现数据精准采集与实时传输也需投入大量精力。而如今，DEX 通过 “软硬件结合” 的方案，实现了全数据源对接、数据有效性验证与定向传输，成功解决了这一复杂问题。目前，该系统支持 PB 级数据的云端管理，为 Exensio 平台提供稳定的数据输入。
DEX 向 Exensio 平台传输关键数据
技术升级：数据前馈（DFF）与 AI 驱动测试
Exensio 与 DEX 的落地，已为半导体行业带来显著价值。而普迪飞将聚焦于“数据前馈（Data Feed Forward，DFF）” 概念—— DFF 能提供一套企业级解决方案，在客户供应链中实现数据采集、转换与分发的全链路流转，为先进测试方法的应用提供支撑。
数据前馈的核心逻辑
数据前馈并非全新概念，此前已在半导体物理实现环节得到应用（通过早期数据优化后期流程评估）。而在制造测试领域，借助普迪飞的全球技术基础设施，可将上游采集的测试数据传输至边缘端，为下游测试策略的优化提供依据—— 这一逻辑，恰好适配芯粒（chiplet）与先进封装时代的测试需求。
目前，普迪飞推出的 “AI 驱动测试解决方案” 聚焦三大方向，核心目标是 “降本、提效、提质”。
AI 驱动测试的三大落地场景
为深入了解该技术的实践价值，普迪飞副总裁 Zhang Ming 博士结合行业痛点，对三大场景进行了详细解读：
1. 预测性测试：精准优化测试流程
当前半导体测试多采用 “统一程序”，即对所有芯片应用相同的测试方案 —— 但这种方式存在明显浪费：性能稳定的芯片无需重复测试，而潜在薄弱点则可能因测试不足引发质量风险。借助数据前馈技术，可识别芯片设计中 “性能稳定” 与 “潜在薄弱” 的部分，并针对性制定测试程序：对已验证稳定的部分简化或省略测试，对潜在薄弱部分强化测试。最终，在测试时长基本不变的前提下，可显著提升 “合格 / 不合格芯片” 的筛选精度，实现 “质量提升” 与 “成本持平（或降低）” 的双重目标。
2. 预测性分箱：提前规避无效测试成本
预测性分箱的核心是“成本节约”。通过早期测试数据，可提前识别出 “可能在后续测试环节失败” 的芯片，并将其提前剔除或分箱隔离 —— 这一操作能直接避免 “失败芯片的后续测试成本”，从源头降低整体测试支出。
3. 预测性老化测试：省去不必要的流程消耗
老化测试是半导体制造中的高成本环节 —— 需使用昂贵的测量设备与环境控制设备，且耗时长达数百至数千小时。通过预测性老化测试技术，可识别出 “性能稳定” 的器件，判定其无需进行老化测试，从而在不影响质量的前提下，显著节约流程成本。
Zhang Ming博士强调，这三大场景的落地，均依赖 “先进AI 算法 + 全球制造海量数据库” 的支撑：初始 AI 模型由普迪飞开发；同时，针对部分客户“定制专属模型”的需求，提供模型开发环境，支持客户自主构建测试用 AI 模型与算法，进一步提升其市场竞争力。
行业愿景：全链条协作的规模化落地
对于该技术体系的长期价值，普迪飞总裁、CEO 兼联合创始人John Kibarian 博士提出了更宏观的视角。他表示： “如今，推出新产品需要从系统公司到设备供应商的全链条协作——这一点至关重要。而产品上市后，要维持生产流程的稳定运转，所需的协作投入则会更多。未来，行业对协作的需求将持续提升，而这种协作的规模化落地，唯有在全行业共同推动下才能实现。”
普迪飞通过“安全性 + 可扩展性”的技术升级，不仅为当下半导体制造测试的难题提供了切实解法，更勾勒出行业全链条协同的未来图景，为半导体行业的持续创新注入了新动能。
文章作者：Mike Gianfagna
文章转自SemiWiki，如有侵权请及时联系我们
END
