人工智能检测芯片——从制造到智造

芯片，作为电子设备中最重要的部分，承担着运算和存储的功能，影响整个系统性能的发挥，是电子设备的灵魂。芯片的制造厂商在完成大批量的芯片生产后，最重要的一步就是对芯片进行检测，把控出厂品质，在去除坏片后，才能将完好的芯片交付给客户。

随着芯片制造的技术不断发展，芯片检测技术也在不断迭代。最久远的芯片检测可以被想象为这样的一个流程：拿起芯片，放在检测台上；用肉眼观察芯孔；用大脑判断是否存在坏点。

后来，生产自动化解放了人们的双手，可将芯片自动“呈现”在人们的眼前，人们无需动手，便可完成芯片检测。

随着高清成像技术的发展，人们借助高清照片和肉眼观察坏点。但始终无法脱离“观察”和对人类大脑判断的依赖，芯片检测的人工成本居高不下。目前，大多数厂商使用的芯片检测技术就处在这个阶段，止步不前。

如何真正解放人们的双眼和大脑，实现真正的生产自动化，智能化？这是大多数芯片厂商最为关注的问题。

一、用计算机视觉技术解放大脑

计算机技术的稳步向前，为芯片制造厂商带来了一位“经验丰富”的芯片检测专家——专家系统。基于专家检测系统，制造厂商可初步解放人们的大脑，并借助高速发展的高清成像技术，让芯片检测逐渐实现解放双手、双眼和大脑。

但这还远远不够，专家系统在判断坏片上固然“经验丰富”，但遇到设定程序外的芯片问题时，便被打回原形，手足无措。这时，人工智能和大数据，又为芯片检测带来了Computing Virtualization（CV），即计算机视觉技术。

二、如何教计算机理解图像

说起计算机视觉技术（CV），首先需了解计算机如何理解图像。去年，计算机视觉领域大牛——斯坦福计算机视觉实验室的李飞飞，为大家带来了一段关于计算机如何理解图片的演讲。

李飞飞：我们如何教计算机理解图像（视频）

首先，计算机理解图片最难的一点在于——“看到”却未“看见”。

“看见”是什么？是理解图片的内容。视觉始于眼睛，而实际发生的地方却在大脑。

为了让计算机能够“看见”，结合一个三岁孩童的学习经验，李飞飞及团队决定先教会机器看物体。给计算机一些特定物体的训练图像，例如——猫。再设计一个模型，让计算机可从这些训练图像中学习。

具体流程如下：

采集大量数据——十亿张图片。

借助五万人的力量，为这些数据进行清理、分类、标记。最重要的是——为有猫的图片打上“猫”的标签。

搭建训练模型。李飞飞及团队选择了“卷积神经网络”模型，卷积神经网络中的基本运算单元，是类似人类神经元的节点，这些节点能从其他节点接受输入，并输出到其他节点。而这些数以百万计的节点，会分层有序组织，和人类的大脑很像。在李飞飞的这个用于物体识别模型训练的神经网络中，有2400万节点，1.4亿参数和150亿连接。

采用最现代的CPU和GPU，训练这个庞大的模型，让它能够辨别哪张图片是“猫”。

该项技术的成果，已被运用到数以百万计的谷歌街景图像上，覆盖了数百座美国城市。计算机开始学习理解图片，并取得了一定成果，但大数据和机器学习算法的结合，还需再进一步——学习人类自然语言，生成人类的句子。

三、用人工智能技术检测芯片

回到计算机理解图片技术，我们可以将其理解为一次训练，这个教育的过程为：

同理，数理大数据基于神经网络，用大量的芯片图像数据，训练神经网络模型，让该模型可迅速检测出芯片上的坏点，判别芯片质量，形成一套完整的解决方案。

该解决方案基于AI判断，让芯片检测从依赖人类大脑，到将高清成像技术和计算机视觉判断技术结合，实现从Level2到level5的飞跃。

除了能用人工智能技术检测芯片，实现快速品控，高效质检，降低人力成本。该项解决方案还具有以下价值：

可基于坏品做出聚类分析，寻找在“人员-机器-物料-方法-生产”这几个环节中的问题点和改进方法。

实现芯片检测的数据可视化，提升生产管理的效率。

正如李飞飞采集十亿张图片，借助五万人的力量为其打上标签，人工智能的发展，就是一个直面挑战的过程。随着大数据和算法的不断演进，第四次工业革命悄然到来，人工智能的发展速度呈几何增长，一旦时机成熟，便势如破竹般落地生根。

而承担着运算和存储功能的电子芯片，在推进这场革命时，也在被这场革命颠覆重塑。究竟谁能在这场弯道竞赛中脱颖而出？

敬请期待。

更多行业资讯，敬请关注微信订阅号：数理大数据