英飞凌用AI大模型将芯片测试程序开发周期缩短至数天

在慕尼黑新比贝格（Neubiberg）的英飞凌总部园区内，进入核心测试实验室有着近乎苛刻的规定。即便是拥有权限的员工，也必须通过额外的安全考核才能踏入这片区域。原因在于，微尘和静电足以损毁价值数百万欧元的设备或脆弱的芯片。只有当穿着蓝色防护服、佩戴接地手环的人员彻底消除静电风险后，实验室的闸门才会开启。

进入实验室后，映入眼帘的是在绿色灯光下逐一接受检测的拇指大小芯片。这些电子元件需经受极端环境考验：温度被加热至150摄氏度或冷却至零下40摄氏度，同时承受电压、电流和电阻等多重参数测试。英飞凌测试工程总监Frank Fischer指出：“每款产品都需定制专属测试程序。”

AI“手术刀”精准切割研发成本

开发这些测试程序是半导体行业Zui大的成本驱动因素之一，约占芯片生产支出的20%至30%。面对数万种产品及数百个检测步骤，传统的人工编码方式耗时费力。英飞凌试图通过一种全新的方法改变这一现状：在“功率与传感器系统”（PSS）部门，利用AI语言模型结合接口协议，实现了部分测试程序创建的自动化。

这一创新并非简单地将大型语言模型（LLM）用于代码审查，而是将AI智能体与人类专家知识深度交织。英飞凌并未进行无差别的全盘自动化，而是像使用“AI手术刀”一样，精准切入那些能显著降低成本的关键环节。这种“人机协作”模式既保留了工程师的经验智慧，又发挥了AI的高效处理能力。

项目负责人Adrian Schmid强调：“我们利用了专家团队25年积累的知识，这是其他竞争对手难以复制的。”此前，团队曾尝试开发内部聊天机器人，但因缺乏差异化而效果平平。随后，他们将目光锁定在测试程序开发这一耗时Zui长的环节，旨在通过深度介入流程实现效率飞跃。

从手动编码到一键生成

传统的测试程序开发通常包含五个步骤：概念定义、代码编写、程序初始化、错误修复及代码优化。其中，初始化阶段往往需要工程师手动编写数百甚至上千行代码，耗时数小时。英飞凌AI工程师Sebastian Konrad团队开发的新解决方案，通过整合GitHub Copilot等辅助工具及内部知识库，实现了模块化的“一键生成”。

Konrad演示了该系统的运作：只需输入少量指令，系统即可自动生成复杂的代码框架。这一过程将原本需要数小时的初始化工作缩短至几分钟。虽然目前尚未实现全流程自动化，但工程师得以从繁琐的基础编码中解放出来，专注于更具价值的调试与优化环节。长期目标是将整个测试程序开发流程全面自动化。

英飞凌内部设定了明确的ROI（投资回报率）目标：数字化投入每1欧元需产生3欧元收益，而在AI专项开发中，这一比例甚至追求达到1:5。对于Frank Fischer而言，效率提升固然重要，但加速产品上市更为关键。特别是在汽车领域，随着研发周期大幅缩短，英飞凌必须加快响应速度。

通过部署更多生成式AI应用，英飞凌正试图构建一个良性循环：利用AI加速开发，从而释放资源以支持更多的AI创新项目。这种从“辅助工具”到“核心驱动力”的转变，正在重塑半导体行业的研发范式。