1kW功率，芯片验证迎来大考

在规格说明书上，1千瓦的最大功率看起来只是单一工作工况。但在实际场景中，两项不同的工作负载可以让AI加速器维持相同功耗水平，却驱动着不同的计算模块、内存接口以及供电路径。功率数值保持不变，但实际功率分布会发生变化，热量也随之改变。

这就意味着，验证工作不能只复现额定功率。芯片只是这套承载、耗散功率的物理系统的其中一环。“在这类千瓦级功率条件下，我们实际不仅要验证芯片本身，还要验证整个封装、散热方案，乃至整套测试生态系统。”CyberOptics首席技术工程师Christopher Rand表示，“这套生态中所使用的各类测试工具，本身也是整套系统的一部分，同样需要完成鉴定与验证。”

验证工作向来离不开覆盖度。工程师编写测试向量，用来暴露故障、覆盖各类工作工况，将器件推向性能极限。但当持续负载接近1千瓦的时候，即便电气测试结果合格，也不能保证芯片是在实际运行工况下完成的测试。

“这是AI领域出现的新趋势。” 爱德万测试（Advantest）测试技术总监Brent Bullock说道，“以往我们只关注故障覆盖度，但现在我们必须思考如何将故障覆盖度与热覆盖度关联起来。不能只单独看故障覆盖度，故障覆盖度与热覆盖度需要结合评估。”

这使得测试验证的工作量大幅增加。一项测试可以驱动正确的逻辑单元，却无法复现真实负载下同等位置的发热，或是无法维持足够时长，让对应的电气、热学效应充分显现。

问题早在芯片还未上测试机的瞬态分析阶段就已经出现。工程师必须对加速器随工作负载动态变化的行为建立模型，而不只是针对固定电流与固定温度做仿真。芯片不同模块会在不同时刻激活；某一种组合条件下可以通过测试的工作负载，在另一组条件下就会暴露出不同的性能裕量。

“对于状态切换场景，核心问题依旧是覆盖度。” 新思科技首席产品经理Lang Lin称，“芯片在某一类负载下失效，在另一类负载下却可以通过，但此时芯片实际已经处于非常恶劣的状态。从可靠性角度看，这类芯片后续大概率会出现失效。”

这正是1千瓦功率工况值得深入研究的原因，而并非只是关注数字本身。一次简短测试仅能证明器件在某一条件下可以安全运行，却无法证明测试复现了最终决定可靠性极限的工作负载、发热位置、温度、电压与时间的组合。需要关注的不再仅仅是特定工作点会发生什么，而是工况切换过程中会发生什么。

现如今，什么才算有效的测试覆盖度？验证大功率加速器，一个直观思路就是把所有模块拉满负载，观察器件表现。但 “全部模块同时满载” 并不等同于芯片在实际业务中的工作状态，而且不少测试方法论多年来都在朝着相反的方向优化。

扫描测试就是典型例子。具备功耗感知的扫描测试愈发重要，因为过多单元同时翻转会产生现实业务中不会出现的工况。扫描测试很适合发现结构性故障，但如果目标是复现特定大功率热工况，它的作用就十分有限。任务模式测试与内置自测试可以更贴近器件真实工作状态，但依旧需要复现能够产生目标验证条件的工作负载。

某项工作负载从整体指标看很有代表性，却仍可能在错误位置给芯片施加压力。极限功耗可以用来界定设计边界，但仅靠封装层面的总功耗数值，无法判断热点会集中在哪些区域。加大设计裕量可以抵消一部分不确定性，但对于AI加速器来说，增大裕量往往要以牺牲性能为代价。

“工程师不能再默认‘该温度下的极限功耗’就是芯片安全签核的评判标准。”Lang Lin表示，“需要搞清楚这1000瓦功耗在芯片裸片上是如何分布的，总功耗数字本身没有意义。”

这就要求验证工作不能只看整体极限指标，而要关注真实负载下芯片局部发生的变化。芯片表面温度看似合格，但一小块局部区域温度已经高到足以影响时序或者长期可靠性。“现在只靠电子表格已经不够。”Lang Lin说，“需要使用真实设计，运行实际工作负载，施加激励信号，并且采集全区域温度数据。必须依靠数据来支撑系统设计质量。”

不同现象对应不同时间尺度

器件维持高功率的时长，取决于工程师想要复现的故障现象。部分问题几乎瞬间就会出现，另一些问题则要等到测试接口本身受热、特性发生改变之后才会显现。在封装测试环节，组装完成器件的功耗远高于晶圆分选阶段的单个小芯片，第一类故障现象可能会极快出现。

“芯片可以在几百微秒内就发生热失控。”Bullock说道，“测试系统必须具备极快响应能力。我们可以监测探针触点上的电压压降；一旦电流出现飙升，这就是热失控的信号，系统就要立刻断电。需要在器件发生严重损坏之前终止测试。”

捕捉这类异常需要高速检测，但器件扛过最初几百微秒，并不代表供电路径的电气特性会一直稳定。持续流过的电流会加热触点，使得接触电阻上升，逐步改变器件所处的测试工况。

“持续数秒通入电流，会使探针引脚温度升高，接触电阻随之变大，进而降低触点的载流能力。”Modus Test测试与表征总监Glenn Cunningham称，“即便通入电流的时间缩短至毫秒级，该现象同样会发生，只是变化速度更慢。”

图1：环境温度升高，会压缩测试触点的热裕量，降低触点达到额定温度上限之前所能承受的电流。来源：Modus Test

因此，测试初期触点状态一切正常，但通入真实大小的工作电流后就会发生失效。“只要探针引脚同时接触印刷电路板（PCB）与被测器件（DUT），依据测试程序设定的判据，器件可以顺利通过初始连通性、开路 / 短路测试。”Cunningham说，“但通入工作电流之后，失效就会出现。”

除此之外，验证还存在现实条件约束。部分可靠性相关失效需要反复运行工作负载，或是需要远长于量产测试可实现的时长才会显现。加速鉴定测试可以压缩一部分老化周期，但厂商仍需要在器件测试时长与量产交付速度之间做权衡。

那么，封测厂商（OSAT）现实中能够对千瓦级器件施加多长时间的测试？“时间远远不够。”NLM Photonics的CEO Brad Booth表示，“封测厂商完成基础测试、老化测试之后，就会判定‘器件结构应该没有问题’，但交付速度优先级很高。没有人会无休止运行测试，来保证器件可以永久稳定工作。”

也就是说，验证工作需要覆盖极大的时间跨度。部分故障风险在几百微秒内就会爆发；有些故障需要持续数秒通电，触点充分发热、电阻改变后才会显现；还有一部分问题，会在反复运行负载、经历多次热循环，甚至产品已经完成鉴定、投入实际使用之后才暴露。

不存在某一个固定的持续测试时长，可以覆盖全部场景。关键在于搞清楚待验证失效机理对应的时间尺度、该时间尺度下会出现哪些表征，以及当其余硬件发生热响应之后，测试结果是否还具备参考价值。

而这又引出另一项难题。在该功率等级下，承受压力的不只有AI加速器本身。负载板、探针触点、温控硬件、自动测试设备（ATE）都存在自身极限，且特性会随时间发生变化。工程师确认某一次失效现象时，越来越需要定位故障究竟来自整个测试链路的哪一环。

整套测试链路都需要纳入考量

达到一定功率之后，千瓦级功耗就不再仅仅是被测器件的问题。功率需要经由测试通路才能抵达芯片，而这条通路本身并非电气、热学中性，通路上任意位置发生变化，都会改变被测器件实际承受的工况。

“过去，我们可以把负载板、测试机、探针台或机械手拆分开，各个部分独立看待。” 爱德万测试的Bullock说，“但现在我们面对的功耗等级已经到了新的阶段，必须完整审视整套测试链路。”

在该功率等级下，测试硬件本身就属于实验的一部分。测试硬件自身的电气、热学变化，会改变被测器件的实际工况。因此工程师需要充分观测能力，用来区分异常现象根源是芯片硅片本身，还是供电路径上的其他环节。这就更加重视带载条件下对测试系统的表征，确认传递到芯片端的真实信号。

“现在更像是三方协同的博弈。” 泰瑞达功率与热学仪器解决方案产品经理Damian Megna表示，“终端客户向我们寻求解决方案，但我们必须和掌握封装散热技术的机械手、探针台厂商合作。各方协同才能提供完整方案。但行业发展速度还跟不上先进封装对热管理提出的快速迭代需求。”

带载条件下，被测器件与测试接口之间还会互相影响。相同的功率触点之间，电流并不会平均分配。微小的电阻差异就会让更多电流流向某一条通路，进一步使其升温，再次改变电流分布。

“电流会分配到全部触点，但分配并不均等，每一个触点的电阻都存在差异。”Modus Test的Cunningham解释道。如果多个触点电阻升高，唯独一个触点电阻偏低，绝大部分电流就会集中流经该通路。“这就会造成电过应力（EOS），会对探针触点、测试插座以及被测器件带来毁灭性损伤。”

封装层面带来的遗留影响

封装让问题又多了一层复杂度。大电流带来局部发热，热量又会改变器件周边的电气特性与物理结构。原本可以拆分分析的各类效应，在持续负载条件下会互相耦合反馈。

“无论工作负载如何变化，各类物理效应之间依旧会互相耦合。” 新思科技的Lang Lin称，“应力变化会改变晶体管迁移率，进而改变器件性能。这形成一个复杂闭环：功耗、热效应、时序、应力互相影响。”

现实需要关注的重点是：这些瞬态变化何时会演变为永久性损伤。来去短暂的热点也许不会留下永久破坏；但反复加热，如果造成接口、互连结构发生无法复原的改变，即便工作负载已经消失，损伤依旧留存，后果就会变得严重。

“那些后续会引发实际故障、尤其经过大量热负载与热循环后暴露的缺陷，往往都是微小缺陷。”Nordson旗下CyberOptics的Rand说道，“并不是那种上电就直接造成器件报废的重大显性缺陷。”

这类早期损伤特征包含空洞、早期分层、界面开裂。空洞会缩小热传导通路，形成局部热点，进一步恶化热问题。部分这类缺陷在初始电气测试中完全无法被发现。

机械形变带来另一重麻烦。大尺寸封装受热会发生翘曲，冷却后形变消失，但内部某些接口已经产生应力损伤。

“一旦撤掉负载、热量消散，封装翘曲现象会随之消失。”Rand表示，“翘曲看不见了，但它带来的损伤痕迹会实实在在留存下来。”

这就凸显基线比对的重要性。在施加应力前完成封装的无损检测，记录初始状态；之后再做持续负载或循环负载下的检测，判断缺陷是否发生扩展。声学检测与X射线检测可以从不同角度观测该过程；当工程师已经锁定潜在问题方向时，还可以开展破坏性分析进一步确认。

关联分析成为难点

观测能力提升，并不会自动简化验证工作。现代加速器会产生海量数据，且各类数据对应的时间尺度各不相同。更大的难点在于，如何把测量结果与产生该结果的实际工作负载、工作工况建立对应关系。

“系统中很多因素都会影响时序裕量。”proteanTecs工程与客户成功执行副总裁Alex Burlak表示，“包含电压压降（IR‑drop）、温度、工艺偏差以及器件老化退化。”

因此时序裕量应当被当作观察器件状态的窗口，而不是一项孤立指标。工程师可以比对时序裕量发生变化的时刻，对应当时芯片逻辑的运行状态，以此区分真正的器件薄弱点与正常随机波动。

但单条测量数据本身的参考价值有限。轻微热异常、微小空洞、时序偏移或是电阻变化，单独出现时或许属于正常现象；但多个参数同步发生偏移，就具备更高的警示意义。

“并不是简单看到某一项现象，就能断定后续一定会发生故障。”Rand称，“往往是多种现象组合，从统计层面预示未来可能发生失效。我们要做的就是识别这类趋势。”

这些关联关系，也为建模仿真提供更有价值的输入。如果异常结果揭示了仿真未曾预判的工况与交互效应，那么它就不再只是一个异常离群点。“我们现在更加重视仿真建模，希望在硬件设计完成前，就在开发早期发现并重点处理这类问题。”Bullock说道。仿真模型越贴近真实失效对应的工况，每一轮验证就越能为下一代产品设计提供参考。

验证需要跟随器件走到实际应用

加速器终究要离开实验室。没有任何鉴定测试，能够复现器件未来生命周期中遇到的全部工作负载与系统工况，而且产品开发迭代节奏太快，也不允许这么做。部分本该在发布前拿到的信息，往往要等到下一代产品已经启动开发时，才逐步收集完成。

“想要投入研发资源，提前去探索技术边界、挖掘极端工况案例，成本很高。但这件事至关重要，尤其对于千瓦级GPU、CPU这类芯片。”NLM Photonics的Booth表示。

一部分极端场景只会出现在实际现场，加速器作为大型整机系统的组成部分运行的时候。看似属于芯片层面的失效，根源却可能来自芯片外部，或是只有经过鉴定测试无法复现的多部件耦合交互之后才会出现。

“现场总会发生各类问题，既有前期没有识别出来的缺陷，也有需要较长时间才显现的系统性问题。”proteanTecs的Burlak说道，“芯片与系统之间、系统与数据中心之间还存在大量交互效应，这些都很难在验证阶段完整复现。”

这就限定了有限测试窗口能够获取的信息量。因此，一部分验证阶段使用的监测能力，需要跟随器件进入实际运行阶段。

“首先要大规模掌握芯片内部发生的状态，并且持续监测。”Burlak称，“仅仅采集芯片或者系统层面的电压、温度还远远不够，还需要采集时序裕量、IR压降、电压骤降信息以及周期抖动。”

总结

看到一款1千瓦级加速器，人们很容易认为验证只需要把各项条件拉满：更大电流、更强散热、更高应力、更长测试时间、更多测试用例。以上条件固然需要，但这并没有抓住问题的核心。

千瓦功率上限对应的不是单一工况；不存在某一项测试，能够兼顾足够时长、足够温度、足够应力，复现该功率等级下的全部现象。部分失效前兆数百微秒就会出现，另一些则随着触点与电路板逐步升温才慢慢显现；工作负载会在封装整体达到热平衡之前就移动热点位置；测试硬件本身特性也会在测量过程中发生改变；还有一部分效应，要等到成千上万颗产品积累了实验室无法模拟的使用历史之后才会暴露。

真正的改变，在于我们对 “覆盖度” 定义的更新。电气故障覆盖度依旧重要，但它越来越需要和热覆盖度、工作负载覆盖度、空间覆盖度相结合，同时搭配充足的时域信息，确认测试实际复现的是哪一类失效机理。