使用生成人工智能实验室联系工厂测试

执行官的洞察力:托马斯•本杰明首席技术官国家仪器与半导体工程,坐下来,讨论一种新的方式看待测试,使用数据作为起点和生成AI不同功能之间的桥梁。

SE:你看到有什么很大的变化,是如何影响运动的关键数据从实验室到工厂吗?

本杰明:如果你走进任何制造或实验室环境,你有测试,测量硬件和系统,以及一个软件在电脑或平板电脑上运行虚拟仪器。所有的这些产品创建一个测试序列。测试表明是否一个产品——一个半导体芯片,晶圆片或电动机,执行或偏离规格。但它们都运行在孤岛,你可能有成百上千的这些在世界各地的工厂。现在,随着连接成为无处不在的在高带宽和低价格点,如果你了解一个异常从一台机器和理解它的根源,你可以跨多个系统民主化。这非常类似于谷歌地图是如何工作的。谷歌地图手机上运行,云中的一个中心。当你遇到交通堵塞时,它会将你自动通过自主hyper-automated系统的系统。同样,我们相信,未来的测试不是一个工具,而是一种自治hyper-automated系统系统,汇集了硬件、软件、数据、工作流和情报。然后,最终生成AI将用于创建、部署和执行序列测试,甚至可能根本原因分析的测试。

SE:你在做什么这是生成AI和使用各种功能联系在一起?

本杰明:这是正确的。但这是基于一个悠久的历史。我们虚拟测试仪器,这些仪器能够连接在一起。我们已经做了很多投资于先进的分析。下一个逻辑层次的进化是使用人工智能。我们正在继续使用新功能,技术创新是释放使事情更简单和更有效。

SE:你工作多久在AI块吗?

本杰明:今年我们开始,但我们已经在数据方面工作了几年。NVIDIA是使用我们先进的分析软件合同制造,因为所有的芯片制造业是分散在多个世界各地的合同制造商。我们讨论了一个虚拟的概念与倪软件工程师补充物理工程师,这有助于为他们提供产量提高。

SE:它如何从实验室搬到工厂?在其他领域应用程序吗?

本杰明:我们谈到了NVIDIA完全参与生产。你在实验室1000年5月测量参数和测试它。我们调整测量一组有意义的参数生产,然后我们将它带回实验室,因为它是相同的基础设施运行在这两个地方。我们可以回去甚至改造设计和改进生产基于我们所看到的。这只是其中的一部分。它的设计,验证,生产,好了。我们从实验室开始,我们相互渗透到生产。我们还需要能够跟踪造成的数据,并重新验证和调整设计完整的循环。圣杯,我们会分阶段后,随着工业和市场的成熟。

SE:很多,推动了汽车行业吗?

本杰明:是的,我们可以把它进一步在汽车行业。我们结合硬件和软件能力和扩大这个循环从设计,验证,生产好了整个半导体行业,汽车行业,航空航天和国防工业,以及edu节,这是一个广泛的领域。

SE:你如何看待汽车市场变化?

本杰明:第一件事是,汽车现在是由一台电脑,和电脑将不得不解决任何场景是计划内或计划外。计划场景的一个示例是如何遍历一个十字路口。计划外的情况是如何阅读部分屏蔽的路标。车辆不断地做决定,这样做需要大量的测试和测量。如果决定做准确,你开始相信这辆车,因为它带你去你的目的地。这意味着你需要大量的数据的不同的场景测试系统。通常在过去,你有刺激/响应测试。现在你要做的基于场景的测试。你必须确定所有这些复杂的场景,您可以测试,本质上是基于你收集的数据。我们必须做很多的自主驾驶和测试。 Now, as we look at the 6G space, we are trying to essentially replicate some of these patterns, because we think most of these patterns are cross-pollinated from autonomous driving into 6G. But in the 6G auto space there are a couple of things that are table stakes. One is a good standardized way to collect, manage, and store data. We don’t have a standard spec. So under the auspices of a DARPA initiative and a National Science Foundation, NI and Northeastern University have been working on a project called RF Data Factory, which comes up with a set of automated tools to collect, manage, and store data in a standardized format called SigMF. We just released the RF Data Recording API to the open-source community so researchers and others can use this infrastructure to collect data from these different tests. We have a lot of NI USRP (Universal Software Radio Peripheral) devices out in the field to be able to do this, and we open-sourced a platform for researchers to take this API and record and test data. So once you collect this data, you have the infrastructure to create these infinite scenarios, like in the automotive driving space. For example, with 6G, what are the interference scenarios? How do you keep your cell towers? How do you organize all these things so that communications are more effective and efficient? If we can come up with a low-cost version that is usable by everyone it will accelerate the adoption of test and measurement for the 6G space.

SE:这就是人工智能的咒语,对吧?降低成本的一切。

本杰明:是的,那正是我们想要进来。但这只是其中的一部分,因为一旦你有无限数量的测试场景,如何测试它?举个例子,如果你去ChatGPT,问,“什么字母E的位置在这个词的厨房,“它会告诉你是没有字母E的厨房。原因是机器学习模型是不接受这样的场景。当你得到这些无限的场景,它不是人为可以测试这些场景。所以你能使用一个AI引擎测试AI本身?这是另一个我们开始研究领域。这是一个概念我们玩过不少在汽车空间。我们现在试图融合到6克空间,把这些经验和不断发展,个性化,中将6克。

SE:谁拥有数据作为我们前进?的担忧之一chatGPT或任何生成人工智能程序,是数据合并来自很多不同的地方。

本杰明:我们还通过。第一个目标是收集数据,保持正确的控制结构。Azure上有基础设施提供了在这个时间点上,你可以得到一个本地化的实例,您可以使用培训。我们正在玩它,但它仍然是早期。我们必须想出一些模型,以及一个行业协会之类的,以确保正确的所有权的数据定义。但更重要的是,保护敏感信息必须的护栏。有像同态加密之类的概念。但是有很多工作要做在这可以简化和准备实际消费。

SE: 6克将会以同样的方式可用4 g LTE是什么?和是一个手机终端设备,或点对点连接到一个公寓吗?

本杰明:6克的承诺是有大约10 Gbps-plus带宽的能力。这将使计算更加身临其境的,因为在过去的40年我们与电脑只有一个键盘和一个鼠标,也许一个平板电脑这些天。我们可以更加身临其境的水平。什么,时间会告诉我们。我们有自主的汽车。汽车可以与道路或信号?有所有这些不同的用例可以出现的,和6 g的一块垫脚石。有这么多的网络带宽,还不被用于兆赫/毫米波段。有很多的事情需要收敛。如果你回顾20年前,我们质疑5 g真的会发生。 It’s the same with 6G. There’s a lot of evolution over the past 20 years, and it happened quite rapidly.

SE:但这不是如果你在手机上得到5 g和期望它提供大量的数据能力一直当你开车,对吗?也许是一个点对点连接,而不是一个移动设备在一辆车吗?

本杰明:这是现货。会有机器对机器通信,它可以促进我们前进。如果你看1 g和2 g,这是关于语音电话。今天,它是比这更多。会有更多的,如果这种级别的可用带宽和弹性有一个关联的安全网。

SE:无线测试5 g和6 g解决?你寻找的是有多强大的信号,但是是硬件的问题,软件,或者信号本身?

本杰明:我们还没有解决它。我们通过这一过程。这就是不同的场景要去打,因为这将是一个组合的地面站,无线信号,和其他构件。有这些不同的特征,可以干扰信号,尤其是当你在体育场、机场或拥挤的位置,消费更大的密度,需要在不同的场景。将会有不同的特征可能需要解决的问题出现,基于上下文。

SE:这将需要大量的中继器?

本杰明:这可能是正确的。

SE:所有到目前为止我们已经讨论过需要很多芯片,和越来越多,chiplets。我们如何管理这些?

本杰明:对于每个chiplet或组件,你可以标记一个租户ID,所以你有租户所有权和一个特定的输入加密密钥?我们必须使用这些技术。ERP人在一定程度上解决了这个。作为一个组织的经理,你可以看看你的组织内员工的工资。但是你不能看你的同行的组织。这是一个规模小得多,但也有一些模式推断。我们需要把基础护栏来实现这一点成功。

SE:备份到60000英尺,你认为AI的巨大的挑战?和你看到的机会大吗?

本杰明:AI的巨大的挑战,特别是在6克空间,得到场景的数据和创建一个临界质量的意义。这是第一个大的挑战,这是我们必须设计工作与几个合作伙伴,实际的航空公司,或半制造商,制造商或部分,能够促进这一点。这是第一部分。第二部分是如何保障和保护这些数据,并做消费品的价格点。计算的成本不应超过所带来的商业价值。如何遍历这两个,仔细和精致,是我们需要弄清楚的。有很多的学习要做在未来12到18个月随着这些功能开始收敛。

SE:倪总是与德州大学紧密合作,和现在其他大学和研究团体达到更远的地方。这有助于弥补人才危机已经压缩芯片行业吗?

本杰明:我们要看的研究正在发生,而不是发生在我们附近。所以我们利用全球基础设施开发。和我们是一个全球组织在这一点上的时间。

SE:大新的机遇在哪里?

本杰明:汽车的空间,当然,特别是电动汽车。但是很多这也可以外推到航天和国防的球员,因为这将所有的工作作为一个连接的系统。未来的测试不是一个乐器。它是一个自治,hyper-automated系统的系统。这不仅仅是一个系统在隔离工作。这是一个网共同努力得到的最终输出最终客户的业务或产品性能。

SE:你现在看测试随着时间的推移,而不仅仅是一系列测试在生产和准备进入市场?

本杰明:看着它随着时间的推移来检测异常,异常表面什么什么时候可以使用的函数特征和系统上的负载。这些是我们还没看传统的维度。思考一个新年的庆祝,当人们在一个地方的密度增加,改变系统的行为特征。这些特征出现在批量时,密度增加,随着时间的推移,当你看到在这些系统的因素,导致异常——因为很少做异常发生瞬间退化模式。你可以检测的斜率退化模式之前异常。

SE:它变得更加难以预测这些异常与异构集成和凹凸不平的老化?

本杰明:系统越来越复杂得多。有更多的移动部件一起使系统与一个庞然大物。有更多的子模块,组装在一起,不同的排列和组合。这就是为什么测试和测量的机会仍然是越来越强。

SE:所以是终极目标弹性?

本杰明:是的,这是你看到的发生在软件行业。在黑色星期五,当数以百万计的用户要做他们的购物,如果一台机器或容器下降自动重新路由,但你的服务不中断。现在的问题是你是否能带来同样的功能硬件空间,并确保最终客户产品的性能恶化。

SE:案件现在比以往任何时候都有更多的角落,我们需要更快地识别和处理它们。我们如何做呢?

本杰明:这就是基于场景的测试,和大量的测试场景是宝贵的金粉。你需要一个场景,你可以玩任何网络。这就是我们民主化测试和测量作为一个合乎逻辑的发展。

SE:什么是你正在寻找更快的上市时间和更少的失败,对吗?

本杰明:是的,它将会花一些时间。但是我们可以帮助促进,因为测试和测量无所不在地穿过不同的构建块的这些功能。

SE:所有这一切创造了更多的数据。如何管理这些数据?你保留多少,多久你商店吗?

本杰明:我们的想法是不存储所有的数据存储。找到关键模式,导致异常和聚合,然后冷藏库压缩它,甚至归档,或根据需要清洗它。你不需要每一行项目的数据。诀窍就是找出的关键是什么总存储和扔掉。