作者：Anne Meixner

原文：https://semiengineering.com/hybrid-approach-emerges-for-edge-cloud-inspection-of-chips/

檢測圖像與計量測量數據呈爆炸式增長，給芯片制造商及其設備供應商帶來了一系列復雜需求。一方面，他們需要云端的海量存儲與計算資源，以運行基于人工智能（AI）/ 機器學習（ML）的模型；另一方面，為在工具層面實現調整，他們又需要邊緣計算提供更快的響應速度。

平衡這些需求是一項艱巨且高成本的挑戰。要實現這一點，不僅需要獲取上下游數據，還依賴于成熟的機器學習模型。其核心目標是：僅將高質量數據傳輸至云端，借助機器學習算法高效處理海量數據；進而讓決策模型能夠提供高速檢測與計量所需的精度和準確度。與此同時，這還要求在檢測 / 計量設備層面、工廠層面及跨設施層面，加大對數據存儲與計算資源的投入。

PDF

ML的應用進展：

從技術滲透到數據整合起步

過去幾年，機器學習已逐步滲透至檢測與計量領域，但云端與邊緣端數據的整合才剛剛起步。實踐證明，機器學習在多種半導體工藝中均能發揮效用，涵蓋光學、電子束、X 射線、紅外及聲學檢測，可用于多種襯底的計量與檢測工作。

廠商實踐：檢測系統的 AI 賦能案例

KLA 公司發言人表示：“我們的檢測系統能夠捕捉并識別晶圓、掩模版、封裝件、IC 襯底及 PCB 上的缺陷。這些檢測設備借助 AI，從周圍的圖形與工藝噪聲中區分出細微的缺陷信號，并能適配不斷變化的檢測需求。通過集成 AI，這些檢測系統可提供對關鍵缺陷的詳細洞察，幫助制造商加速研發進程、優化生產流程，并縮短創新電子設備的上市時間。”

Microtronic 總裁Reiner Fenske指出：“針對宏觀缺陷的自動光學檢測（AOI）技術，采用特定角度的同軸與離軸照明組合來捕捉各類缺陷。計算機處理能力的持續提升、用于提高套刻精度的精密硬件、機器學習技術及軟件算法的不斷改進，均對該技術的檢測能力產生了顯著影響。”

PDF

業內視角：云端與邊緣計算的平衡邏輯

盡管基于 ML 的決策在檢測環節完成，但邊緣端計算算法實則由云端 ML 算法衍生而來。行業內對二者的平衡及混合方案的應用，形成了多維度共識：

Nordson Test & Inspection 先進技術解決方案產品工程高級總監 Charlie Zhu表示：“AI/ML 在檢測領域的應用已從‘是否用’轉向‘如何用’，云端與邊緣計算存在明確權衡 —— 邊緣端負責 100% 在線檢測（響應更快），云端承擔模型訓練（需 GPU 算力），訓練完成后推理所需算力大幅降低。”

yieldWerx 首席執行官 Aftkhar Aslam表示：“設備供應商需云端數據排查故障，IDM 需云端數據做跨制造關聯分析，建議混合方案：將早期技術導入、NPI 階段（數據重疊度高）及良率關聯數據存儲于云端，而非邊緣端。”

普迪飛（PDF Solutions）技術產品管理總監 Steve Zamek表示：“不存在‘一刀切’的方案。采用具備企業級平臺的混合架構，允許將模型部署至邊緣端，這種方案或許能提供最優解。這些考量并非僅適用于 AI/ML 模型 —— 多年前，我們的許多客戶就已采用類似方案部署基于規則的模型。然而，如今模型規模不斷擴大，部分大型模型的訓練必須依賴可擴展的集中式基礎設施，即云端。”

表 1：不同部署方案的優缺點（綠色代表“良好”，黃色代表“可接受”，紅色代表“較差”） 來源：PDF Solutions

PDF

云端層面：算力支撐、數據整合與模型開發

云端是處理復雜圖像分析、開發 ML 模型及整合多源數據的核心載體，其價值體現在三大維度：

1、海量算力與模型開發優勢

面對復雜圖像分析任務，先進 ML 算法可顯著提升缺陷檢測能力。開發 ML 模型需數十萬張相關圖像，云端憑借高效 GPU 算力，成為處理海量數據、支撐模型訓練的關鍵—— 這是邊緣端難以替代的核心優勢。

2、數據整合趨勢與質量要求

當前行業趨勢是：將檢測 / 計量數據與上下游數據結合，以發現細微缺陷。這一趨勢推動更多計算向云端轉移，也要求構建可整合多數據源的基礎設施平臺，而數據質量是確保分析有效性的前提。

3、廠商實踐與成本優化

Onto Innovation產品營銷總監 Woo Young Han指出：基于 ML 的檢測依賴預訓練缺陷模型，算法從多類訓練圖像提取特征，適配部分管芯與晶圓邊緣檢測；缺陷分類與檢測同步進行，提升效率與準確性。

Nordson高級總監Charlie Zhu表示：客戶采用 AI 的最大障礙是數據收集精力成本，通過提供 “通用模型”（如覆蓋QFP、QFN 封裝的PCB 元件模型），廠商承擔數據訓練工作，大幅降低客戶應用門檻。

圖 1：AOI PCB圖像分割 （利用AI對圖像中的特征進行分割/標記） 來源： Nordson Test & Inspection

模型的訓練閉環與迭代：模型構建中，檢測圖像數據與電學測試數據結合已成標準做法。這些額外信息可為模型提供輸入，幫助區分干擾性缺陷與影響性缺陷。模型部署到邊緣端后，直接應用于檢測環節，但需通過多工廠、多工具數據反饋至云端持續優化，再重新部署至現場工具，形成迭代閉環。

普迪飛（PDF Solutions）Steve Zamek表示：“以簡單的圖像分類任務為例，在模型訓練過程中，我們可將電學測試作為判斷缺陷是‘致命缺陷’還是‘干擾性缺陷’的‘基準依據’。要實現這一點，需從晶圓分選、封裝級測試、老化測試等多個生產環節收集電學測試數據，且這些數據需覆蓋不同生產站點；為便于后續調用與分析，數據最好集中存儲在云端。此外，模型訓練需海量圖像支撐，以覆蓋不同工藝技術、檢測方法與設備、檢測工藝參數等場景，而這類大規模數據處理需要可擴展的計算資源—— 這也再次推動行業選擇云端解決方案，以滿足算力與存儲需求。”

PDF

多源數據整合：跨環節關聯與全局優化的基礎

整合多源數據是突破 “單設備 / 單工廠數據局限”、實現全局優化的關鍵，其核心價值與實踐路徑如下：

數據整合的核心價值工程團隊可通過多源數據開發先進 ML 模型，揭示上游設備參數與下游圖像、電學測試數據的關聯，快速識別異常并定位根本原因，提升跨環節問題解決效率。

實踐應用與數據流程

普迪飛（PDF Solutions）Steve Zamek ：晶圓廠與代工廠的在線計量和檢測工作，面臨一項關鍵挑戰：設備端訓練與部署的模型，受限于該設備可獲取的數據類型，而這類數據本身存在顯著局限性。我們始終在提供系統平臺，可將所有生產運營環節、所有站點的數據整合至同一平臺。同時，我們也觀察到，越來越多的應用場景中，企業正通過構建并部署模型，實現計量數據與工藝控制監測（PCM）數據、在線檢測數據與良率的關聯分析。

Onto Innovation 總監 Melvin Lee Wei Heng表示：AI/ML 模型提升了數據可追溯性，工廠可關聯前后端工序信息，在部件進入后端前部署預測模型，縮短響應時間、提高決策準確性，優化缺陷管理。

圖 2：典型制造數據傳輸流程

（數據傳輸至云端，用于跨工廠構建模型）來源：PDF Solutions

PDF

邊緣端層面：

實時決策、本地算力部署與產線保障

邊緣端是確保產線連續性、實現實時決策的關鍵，其核心定位與實踐圍繞 “低延遲”和“本地算力” 展開：

1、邊緣端的核心作用

模型在云端構建、在邊緣端應用—— 若依賴云端決策，數據傳輸延遲可能導致產線停滯，邊緣端可實現“檢測 - 決策 - 調整” 的實時閉環，快速采取糾正措施，評估在制品（WIP）的影響。

2、實踐應用

正如測試系統會在自動測試設備（ATE）旁增配計算盒一樣，如今檢測與計量設備供應商也會提供獨立的本地 GPU 計算資源。

YieldWerx 的 Aslam 表示：需基于檢測與計量數據快速決策，明確缺陷工藝步驟、返工需求及對 WIP 的影響；單純依賴云端存在安全、延遲、訪問障礙等問題，數據不可用會導致停產及高額成本損失。

Onto Innovation 總監 Melvin Lee Wei Heng：基于機器學習的檢測需配獨立 GPU，與傳統檢測技術并行運行，既能保障吞吐量不受影響，又能提升缺陷檢測與分類能力。

KLA 公司發言人：AI 已將圖像處理、數據提取的工作負載轉移至 GPU，提升圖像計算機效率與性能；這類 GPU 架構屬邊緣端系統，支持實時數據處理與 AI 算法應用，可縮短半導體制造商的結果獲取時間、提高良率。

3、邊緣端的 “兜底” 價值

單純依賴云端存在安全、延遲、訪問障礙等風險，邊緣端可離線運行預部署模型，避免網絡中斷導致的批次與設備暫停，減少產線損失。

PDF

結論：AI/ML 落地檢測領域的關鍵要素與良率優化方向

成功將 AI/ML 應用于檢測領域，需滿足三大核心條件，且其價值需通過全局優化實現：

核心條件：需云端與邊緣端的協同算力；需積累海量圖像數據（模型構建環節，云端至少需 10 萬張，通常超 100 萬張）；需構建集中式數據湖，整合檢測與其他設備數據以支撐可擴展云端算力訪問。

良率優化邏輯：從 “缺陷與工藝環節的孤立優化”，轉向 “相互關聯因素構成的整體良率空間優化”，通過 AI/ML 識別復雜模式、結合場景分析，最大化全局良率。

明確價值：ML 已被驗證可積極提升制造工廠的良率與質量，是工藝復雜度提升、數據量激增背景下的核心技術支撐。