人工智能的力量
在过去 9,000 多年来，结核病 (TB) 始终是人类面临的巨大健康挑战，无数人为此深受困扰。数百年来人们一直在寻找治愈或治疗方法，但它仍然是全球最致命的传染病之一，每年导致150多万人死亡。尽管人们投入了巨大的努力，但大多收效甚微，仍然无法彻底根除此疾病。然而，韩国的 Standigm 公司正与韩国巴斯德研究所的药物发现平台合作，并利用其人工智能平台和深度学习预测模型，设计并合成治疗结核病的新型化合物。所得到的结果随后会提供给 Standigm 的人工智能（AI）系统，以进一步优化学习模型。通过此次合作，双方已经成功筛选出针对耐药结核病的前导化合物。
我们相信，人工智能技术将为结核病和在低收入和中等收入国家流行的其他疾病开发新的、低成本和有效的治疗方法方面发挥重要作用。
—Standigm联合创始人兼首席研究官Sangok Song博士
人工智能技术的发展速度远超以往任何技术或工具，例如 ChatGPT 仅用两个月就达到了1 亿的月活跃用户。然而，技术的迅猛发展及惊人的能力背后，也暗藏着出错的风险。为了充分释放人工智能和机器学习的巨大潜力，我们必须确保系统和防护措施完备，能够精准识别不准确的结果。实际上，有两个核心要素要密切关注–“数据”和“学习模型”。
垃圾进，垃圾出（Garbage In, Garbage Out）
不难想象，不可靠的数据会导致不可靠的结果，但具体的表现可能多种多样。如你所知，ChatGPT停止使用2021年9月之后的数据，其中的一些信息显然存在误导性。如果询问 ChatGPT 梅西是否有能力赢得世界杯，系统会根据梅西的个人能力和团队合作的重要性给出回答。ChatGPT 算法会强调梅西接近胜利的可能性，却不知道到梅西实际上在 2022 年赢得了世界杯。
不仅仅是原始数据，上下文同样至关重要。像度量单位这样的简单疏忽可能会产生灾难性后果。1998 年 12 月，耗资 1.25 亿美元的美国宇航局火星气候探测者号发射升空，执行调查火星大气层、气候和地表的任务。探测者号原定于 1999 年 12 月到达运行轨道，1999 年 9 月 23 日，它开始按计划进入火星轨道。在经过火星后方后，探测者号本应与地球重新建立联系，但却始终未能如愿。这次失败的原因是地球发出的指令使用了英制单位（磅-秒），而没有转换为公制单位（牛顿-秒），导致探测者号偏离预定轨道，最终坠入火星大气层并解体。
数据对于取得良好结果至关重要，同时学习模型也非关键。在新冠疫情期间，一个欧盟国家决定对所有足球赛事进行直播，让所有球迷无需亲身进入场馆便能观赛。他们甚至利用人工智能算法来负责摄像，免去了在现场安排摄像人员的需求。他们使用的人工智能已经过训练，能够追踪屏幕上的足球，以时刻捕捉比赛的动态，但正如视频中所示，用于人工智能算法的模型与数据本身一样关键。在这个案例中，虽然人工智能被专门训练用于追踪足球，但其训练精度却未达到有效区分足球与场上裁判光头的程度，导致摄像机错误地锁定了裁判的头部而非足球。这虽然并未引发灾难性后果（虽然对狂热球迷来说或许是个打击），但不难想象，在其他更为关键的情境中，一个训练不当的模型可能会造成的后果。
充分挖掘人工智能的真正价值
正如我们所见，数据的高度完整性和能够准确反映系统的学习模型，对于取得成功至关重要。事实是，人工智能尚未发展到能够完全取代人类判断的地步–我们应当将人工智能视为一种辅助工具，而非替代品。因此，不妨重新思考人工智能英文缩写 AI 的另一种含义–加速洞察（accelerated insights），将其视为一个具备高度数据完整性和有效模型的系统，使您能够更快地获得具有高可信度的学习成果。这样的系统需要具备以下特征的数据：
- 有助于预测期望的学习成果
- 具有适当的上下文
- 结构合理，可供系统充分利用
- 安全，未被篡改或操纵
同时，学习模型应具备以下特征：
- 设定明确的目标
- 使用适合的模型类型
- 采用适合的技术
- 包含有效的数据可视化系统
- 具有将学习成果付诸实践的方法
- 能在需要时实时应用学习成果
加速洞察：真实案例
汽车行业一直对元器件质量要求极高，并力求减少测试逃逸。行业内常使用“芯片部件平均测试”（DPAT）技术来寻找异常值，通过发现偏离正态分布的芯片来减少测试逃逸。如果结合有关待测芯片的其他信息，会发现对许多芯片和晶圆进行的某项特定测试的分布范围比预期的变化要大。IDDQ 的实际预期结果取决于芯片的具体特性。可使用人工智能模型生成一个源于其他芯片测量值的预期值，以缩小待测芯片的范围，然后将其与实际测量的 IDDQ 进行比较。结果显示，在所有部件的广泛分布范围内，有些部件的性能已不再符合预期，很可能在实际使用中发生故障。在汽车等对质量要求极高的市场中，这种解决方案提供了一种实现加速洞察的手段。
另一个快速发展的领域是用于生成代码的辅助智能技术。与为每个芯片单独从头构建测试程序相比，更高效的方法是将特定于芯片的测试计划与一系列代码库结合起来。这一过程可以借助人工智能程序生成器来完成，但仍然需要工程师的监督。通过利用人工智能，工程师可以专注于流程中更重要的环节–程序审查，从而发挥测试工程师特有的专业技能，显著提升工作效率。此外，我们还可以更进一步，将测试时间、测试重复性等参数回传至人工智能引擎，以优化代码库。最终目标是运用来自现实世界的高质量数据来改进整体的产品出厂质量，同时尽可能降低成本。
人工智能将推动新工艺节点的生产力提升
尽管新闻媒体上频频出现关于人工智能可能夺走人类工作岗位的讨论，然而在现阶段，更可能发生的情况是，我们的工作内容将会经历变革。在人工智能时代，数据的重要性变得至关重要。可以预见，未来的工作重点很可能会放在提高制造过程中收集到的数据质量和多样性上，从而改善半导体工艺。
而这背后的一大关键动机是控制先进工艺节点的开发成本。一个新的 5nm 设计的成本可能超过 5 亿美元，而建造一个 5nm 晶圆厂则需投入 50 多亿美元。这些先进节点的复杂度在不断增加，如果我们不能推动整个行业向前发展，很难为这类投资提供充分的理由。尽管半导体行业历来发展稳健，克服了诸多技术挑战，不断地提升性能和降低成本，但我们现在正处在一个关键的转折点上，需要新的突破才能确保行业的持续发展。人工智能在提升生产力方面展现出显著优势，这对于确保先进工艺节点的经济性至关重要。对于晶圆制造商和设计公司来说，人工智能无疑是一个值得考虑的投资方向。然而，要实现这一目标，价值链中的各个环节必须紧密合作。
毫无疑问，人工智能可以带来一定的成效，但其影响大小完全取决于所开发的系统质量。若数据完整性不足或学习模型未能真实反映目标系统，那么结果可能蕴藏超高风险。反之，若我们精益求精，持续监测并优化–性能、成本、生产力等，人工智能的潜力必将能引发一场深远的变革。
Regan Mills 是泰瑞达半导体测试事业部的 SOC 产品营销副总裁兼总经理。在加入泰瑞达之前，Regan 曾在 Automation Engineering Incorporated 和 Arctic Sand Technologies 担任管理职务。他拥有美国麻省理工大学电气工程和计算机科学学士学位，以及美国波士顿大学电气工程、控制系统、数字信号处理和模拟设计硕士学位。