在AI算力爆發(fā)與后摩爾時代疊加的背景下，半導(dǎo)體系統(tǒng)的復(fù)雜度正被不斷推高，更高帶寬的光互連、更高頻率的信號鏈路，以及多芯片異構(gòu)集成的系統(tǒng)級協(xié)同設(shè)計，持續(xù)抬升著測試與測量的門檻。與之形成反差的是，傳統(tǒng)以單一功能儀器為核心的實驗室架構(gòu)卻日益顯露疲態(tài)，效率受限、擴展困難，也愈發(fā)難以支撐復(fù)雜系統(tǒng)級驗證的需求。

這種技術(shù)需求與測試工具的錯位，在2026年3月的上海慕尼黑光博會上體現(xiàn)得尤為直觀。展會現(xiàn)場，圍繞光通信、硅光技術(shù)、先進封裝等產(chǎn)業(yè)鏈關(guān)鍵方向，各企業(yè)紛紛亮出下一代技術(shù)路徑與創(chuàng)新成果；而這些更復(fù)雜、更精密的系統(tǒng)，也在反向倒逼測試測量工具突破能力邊界，尋求更高效、更靈活的解決方案。

在本屆光博會上，精密軟件定義儀器公司Liquid Instruments為行業(yè)帶來了最新一代硬件平臺Moku:Delta，其將示波器、鎖相放大器、頻譜分析儀等多種常用儀器整合進單一平臺，并依托FPGA與軟件定義架構(gòu)，實現(xiàn)按需生成儀器的核心能力，從底層重構(gòu)了測試系統(tǒng)的使用方式。

展會現(xiàn)場，半導(dǎo)體行業(yè)觀察與Liquid Instruments CEO Daniel Shaddock展開了深度交流，圍繞測試測量設(shè)備的演進路徑，以及其如何更好適配半導(dǎo)體產(chǎn)業(yè)前沿需求進行了深入探討。

從太空實驗室到測試測量行業(yè)

和不少知名企業(yè)一樣，Liquid Instruments 的誕生，也源于對一項技術(shù)的深耕。Daniel Shaddock表示：“這家公司脫胎于我在NASA與澳大利亞國立大學(xué)帶領(lǐng)的科研團隊，我們當時主攻全球頂尖的高精密探測技術(shù)——引力波探測。”

引力波是愛因斯坦在上世紀初預(yù)言的時空漣漪，由黑洞合并等極端天體事件引發(fā)。探測它意味著測量極其微小的距離變化——強引力波經(jīng)過地球時，對地日距離造成的形變甚至不及一個氫原子直徑。

Shaddock在NASA噴氣推進實驗室任職期間，參與了LISA（激光干涉儀空間天線）任務(wù)的干涉儀研發(fā)，以及GRACE Follow-On衛(wèi)星項目，將這些太空任務(wù)與商業(yè)儀器連接起來的，是一塊FPGA芯片。為滿足LISA探測器的性能指標，團隊選擇了基于FPGA的相位計架構(gòu)——這是當時唯一可行的技術(shù)路徑。但在實際使用中他們發(fā)現(xiàn)，同一塊芯片通過重新配置，可以在示波器、頻譜分析儀等不同儀器功能之間自由切換。

“我們意識到，手里的這項技術(shù)，其實比實驗室里任何一臺單獨的儀器都要強大得多，”Shaddock說道，“在科研中，我們已經(jīng)驗證這類能力是可以實現(xiàn)的，但為什么在工程領(lǐng)域卻幾乎沒有人嘗試這樣去做呢？”

這個問題，最終催生了Liquid Instruments。Shaddock將這套源自引力波探測的精密測量技術(shù)體系帶出了太空實驗室，轉(zhuǎn)向一個同樣亟需變革的領(lǐng)域：覆蓋電子與半導(dǎo)體產(chǎn)業(yè)的測試測量領(lǐng)域。

和許多工程師想象的不一樣，測試實驗臺上往往堆滿了來自不同廠商的專用儀器，示波器、鎖相放大器、PID控制器、頻譜分析儀各自為政，通過繁瑣的線纜連接，彼此之間存在時序誤差與信號干擾。一旦測試需求改變，就意味著重新采購、重新布線、重新配置，時間與金錢空耗在這種碎片化環(huán)境中。

這種困境在英特爾實驗室硅光研究中也有體現(xiàn)：為硅基光電異質(zhì)集成芯片上的多個相位調(diào)制器尋找最優(yōu)偏置條件，需要多維掃描與復(fù)雜測試流程。研究人員Guan-lin Su博士描述過這種無奈：傳統(tǒng)方案依賴多臺臺式儀器堆疊，布線復(fù)雜、占用空間巨大，“通常需要數(shù)百個步驟來進行收斂”——而整個過程缺少直觀的可視化界面，協(xié)作效率極低。

事實上，測試測量這個行業(yè)最早可以追溯到1930年代惠普開始生產(chǎn)振蕩器，但其在過去數(shù)十年里幾乎沒有發(fā)生真正意義上的創(chuàng)新，一個在1970年代使用過示波器的工程師，走進今天的實驗室，會發(fā)現(xiàn)這些設(shè)備依然如此熟悉。這與其他高科技行業(yè)的飛速演進形成了鮮明反差。

用軟件定義一切

Liquid Instruments給出的解法，來自于引力波探測中磨礪出的技術(shù)直覺。

“所有傳統(tǒng)儀器歸根結(jié)底都依賴電壓輸入與電壓輸出這一底層共性，既然如此，為什么不用一塊高性能FPGA取代那一張張布滿分立器件的專用電路板？”Shaddock在交流中一針見血地指出。

這正是Moku平臺“可重構(gòu)硬件 + 軟件定義儀器”架構(gòu)的本質(zhì)。FPGA的實時數(shù)字信號處理能力，使同一套硬件能夠在數(shù)毫秒內(nèi)切換運行模式；而軟件層則將復(fù)雜的儀器配置抽象為可視化操作，大幅降低使用門檻。

最新一代旗艦Moku:Delta將這一理念推向新高度：搭載Xilinx UltraScale+ RFSoC FPGA，提供2GHz瞬時帶寬與5GSa/s采樣速率，配備8通道模擬輸入輸出與32路數(shù)字DIO通道，本底噪聲低于10 nV/√Hz。單臺設(shè)備支持15種以上儀器功能同時運行多達8種，儀器組合可能性超過20億種——而這一切被壓縮在一個不到2U高度的機箱中。

平臺內(nèi)部，一條高達160 Gb/s的數(shù)字總線讓信號在不同儀器槽位間無縫流轉(zhuǎn)，徹底消除了外部物理線纜引入的相位偏移與寄生效應(yīng)。這不只是參數(shù)層面的提升，而是一種測試架構(gòu)思路的根本轉(zhuǎn)變——從“多設(shè)備拼接”走向“單平臺內(nèi)生”。

這種架構(gòu)優(yōu)勢，已經(jīng)逐步被復(fù)雜的半導(dǎo)體制造與檢測環(huán)節(jié)中采用。在英特爾實驗室的硅光研究中，借助Moku的多儀器并行模式，研究團隊在同一硬件上同時運行兩個鎖相放大器與兩個PID控制器，配合內(nèi)部無損數(shù)字互連，“在幾次迭代中就能完成傳統(tǒng)方案需要數(shù)百步才能收斂的工作”。

而在AMD晶圓缺陷檢測的實踐中，可重構(gòu)性的意義更為深刻。面對如何在復(fù)雜背景噪聲下提取極微弱故障信號這一挑戰(zhàn)，AMD團隊充分利用了Moku平臺既作測試儀器、又作可編程信號處理架構(gòu)的雙重身份：在頻域映射條件下使用鎖相放大器進行快速掃描，而遇到復(fù)雜信號背景時則切換至雙Boxcar平均器提取時域分量。團隊在FPGA內(nèi)部署的實時移動平均濾波器在312.5 MHz時鐘下運行，延遲僅224納秒，將信噪比提升了約16倍。

更進一步，他們還將預(yù)訓(xùn)練的四層自編碼器神經(jīng)網(wǎng)絡(luò)直接部署到FPGA信號鏈路中，實現(xiàn)了對目標信號的實時特征恢復(fù)與深度降噪——這已不是傳統(tǒng)意義上的測試儀器，而是一個具備在線AI推理能力的智能測量節(jié)點。

一款按需生成的儀器

如果說可重構(gòu)硬件解決了靈活性問題，那么Liquid Instruments在本屆光博會上發(fā)布的“生成式儀器”（Generative Instrumentation），則直指測試領(lǐng)域一個更根本的痛點——定制化儀器的開發(fā)周期。

在傳統(tǒng)路徑下，工程師需要編寫硬件描述語言（HDL）代碼才能在FPGA上實現(xiàn)自定義算法，這一門檻將絕大多數(shù)終端用戶拒之門外。一個專用測試儀器的開發(fā)，往往以月為單位。即便是基于現(xiàn)成平臺的二次開發(fā)，從需求描述到驗證部署，也需要數(shù)周時間。

生成式儀器的做法是：用自然語言代替HDL。用戶只需描述測量需求，AI系統(tǒng)便能自動完成架構(gòu)設(shè)計、HDL代碼生成、功能驗證，直至將定制化儀器部署到硬件中。以卡爾曼濾波器開發(fā)為例，這一流程在分鐘級內(nèi)即可完成，涵蓋完整的架構(gòu)設(shè)計與20項功能測試。

值得關(guān)注的是，傳統(tǒng)儀器的軟件僅停留在表層，不過是依附于固有硬件架構(gòu)的簡易操作界面，無法觸及核心底層。而Moku平臺從設(shè)計之初就打通了全鏈路：軟件能夠深度嵌入設(shè)備核心，從根源實現(xiàn)硬件架構(gòu)的重構(gòu)與配置。這正是Liquid Instruments能夠?qū)崿F(xiàn)生成式儀器的關(guān)鍵前提——當軟件與硬件之間沒有不可逾越的壁壘，AI才能真正改變儀器本身，而不只是改變一個對話框。

這與當前市面上大多數(shù)儀器AI助手有著本質(zhì)區(qū)別。后者更像是一個知識庫問答系統(tǒng)，幫助用戶查詢操作手冊；而生成式儀器直接輸出可運行的硬件配置，將工程師從代碼編寫中解放出來，讓他們的精力集中在真正需要人類判斷的問題上。

談到AI與精密測量的結(jié)合，Shaddock表現(xiàn)得頗為克制：“我們讓AI參與儀器的設(shè)計與實現(xiàn)過程，由它生成和驗證代碼，降低編程門檻，承擔大量復(fù)雜且重復(fù)的工作，而工程師則專注于測試目標的定義，兩者協(xié)同配合，在保證測量可信度的同時，也顯著提升了整體測試效率。”這種分工邏輯，與他在引力波研究中對測量可信度的執(zhí)念一脈相承。

參數(shù)之外，體驗本身就是競爭力

在測試測量行業(yè)，討論儀器往往從規(guī)格表開始：帶寬、采樣率、動態(tài)范圍……這些數(shù)字固然重要，但Liquid Instruments越來越清晰地認識到，性能參數(shù)只是起點，最終落地的價值是工程師的效率。

Shaddock在交流中說得非常直接：“我們真正的用戶不是公司，是工程師。他們每天在解決真實的技術(shù)難題，我們的工作是不讓儀器本身成為額外的障礙。”

這種視角決定了Moku平臺的產(chǎn)品邏輯：保存/加載配置功能讓團隊間共享測試方案成為一鍵操作；多儀器并行模式消除了設(shè)備間的時序誤差；可編程信號處理架構(gòu)讓復(fù)雜算法的迭代從重新采購硬件變?yōu)楦萝浖?/p>

從宏觀上看，這場變革的意義不止于某一家公司。測試測量是一個運行超過50年的成熟硬件市場，但軟件定義與可重構(gòu)架構(gòu)正在重塑它的底層邏輯，就像傳統(tǒng)汽車企業(yè)在向電動化轉(zhuǎn)型時所遭遇的挑戰(zhàn)一樣，那些深度綁定于固有硬件架構(gòu)的巨頭，將很難以同樣的敏捷度完成這種范式遷移。

而對于工程師個體而言，這場遷移帶來的是更直接的解放。生成式儀器將定制測量系統(tǒng)的開發(fā)周期從數(shù)月壓縮至數(shù)分鐘量級，讓即便沒有HDL背景的工程師也能按需構(gòu)建專屬儀器。這不是一個可選項，而是面對CPO、先進封裝、量子計算等新興前沿領(lǐng)域日益碎片化測試需求時的必然應(yīng)答。

*免責(zé)聲明：本文由作者原創(chuàng)。文章內(nèi)容系作者個人觀點，半導(dǎo)體行業(yè)觀察轉(zhuǎn)載僅為了傳達一種不同的觀點，不代表半導(dǎo)體行業(yè)觀察對該觀點贊同或支持，如果有任何異議，歡迎聯(lián)系半導(dǎo)體行業(yè)觀察。

今天是《半導(dǎo)體行業(yè)觀察》為您分享的第4370內(nèi)容，歡迎關(guān)注。

加星標??第一時間看推送

求推薦