AI晶片越做越貴，出廠前的測試越捨不得省。Teradyne守住的，是晶片產業鏈最後一道質量防線。

一塊價值上萬美元的AI晶片，在裝進伺服器之前，必須先過一場“體檢”。

頻率、功耗、核心和介面都要測。漏掉一個缺陷，損失的可能不只是一塊晶片，還包括整塊加速卡和伺服器停機時間。

做這套體檢裝置的Teradyne，周五上漲8.00%，收於449.04美元。半導體指數當天上漲2.18%，Teradyne明顯跑得更快。

市場正在重新認識一門藏在晶片出廠口的生意。

傳統晶片測試已經足夠精密。AI加速器把難度又抬高了一層：更多核心、更高功耗、更複雜的高速介面，還要和HBM等記憶體協同工作。

測試機需要在很短時間裡模擬大量工作狀態，找出那些平時看不見、滿負荷時才會暴露的缺陷。晶片越複雜，測試項目越多，測試時間和裝置價值也跟著上升。

這就像普通汽車年檢和賽車下賽道前的檢查。後者貴得多，因為一個小故障可能毀掉整場比賽。

公司第二季度收入13.29億美元，同比增加104%。其中半導體測試業務貢獻11.22億美元，佔總收入約84%。

增長最快的環節之一來自記憶體測試。公司披露，第二季度記憶體測試收入達到創紀錄水平，DRAM需求延續強勢，NAND終測也重新回暖。

淨利潤達到3.75億美元，去年同期只有約7800萬美元。收入翻倍，利潤增長接近四倍，說明測試裝置商正在吃到明顯的經營槓桿。

工廠多賣一台測試機，新增收入不需要同步複製一套總部和研發體系。訂單一旦跨過盈虧平衡點，利潤會比收入跑得更快。

測試裝置在整條AI晶片產業鏈裡佔比不算最大，卻很難被跳過。

一塊低價晶片出現瑕疵，損失可能只是幾十美元。高端AI晶片若帶著缺陷進入伺服器，返工、停機和客戶索賠會把代價放大很多倍。

因此，晶片公司面對測試預算時，算的是保險帳。裝置貴一點可以接受，漏檢一次可能更貴。

這也構成了Teradyne的定價權。客戶採購的不是一台會亮燈的機器，而是一道不讓壞晶片流出去的防線。

Teradyne今年已經積累了很大漲幅。股價走到449.04美元後，市場對AI測試需求的期待不低。

接下來要驗證兩件事。第一，第三季度收入能否達到公司給出的12億至13億美元區間。第二，記憶體測試收入能否連續保持在高位，而不是客戶集中採購形成的一次高峰。

若AI資本開支放緩，晶片廠推遲新平台，測試裝置訂單會跟著延後。裝置行業的訂單有周期，客戶也可能在大採購後進入消化期。

對投資者來說，判斷這類“賣鏟人”不能只看AI晶片出貨量，還要看測試強度和單台裝置價值有沒有同步提高。Teradyne講清了AI產業鏈裡一個容易被忽略的規律：晶片越貴，最後一道質檢越值錢。

賣鏟子的人很多。守在礦石出門前、決定它能不能交貨的人，更少。  (MM向上)

當晶片走向 3D 封裝、chiplet 和複雜異構整合，誰能更快、更準、更無損地發現缺陷，誰就能更快提升良率、釋放產能，並掌握供應鏈話語權。

據 eeNews 報導，歐盟委員會批准德國向 QuantumDiamonds GmbH 提供 7600 萬歐元國家援助，用於在慕尼黑建設歐盟首個基於量子感測器的半導體測試裝置生產設施 IPF-ATEST 項目。該項目將開發和製造新型量子感測計量與檢測系統，用於現代半導體器件的高解析度、三維、非破壞性檢測。

這件事的重點不在“量子”這個概念本身，而在半導體產業的一個新變化：先進晶片越來越難造，也越來越難驗。

過去外界談晶片供應鏈，最容易盯著晶圓廠、光刻機、先進製程和封裝產能。但晶片進入 2.5D / 3D 封裝、chiplet、HBM 堆疊和異構整合之後，一個更隱蔽的瓶頸開始浮出水面：你不僅要能把晶片做出來，還要能知道那裡出了問題。

一、先進封裝時代，晶片最怕“看不見”

傳統晶片製造更像二維平面上的精密加工。製程縮小、裝置升級、材料改進，都可以圍繞晶圓製造本身展開。

但 AI 晶片時代的複雜度已經不止在晶圓上。

算力晶片、HBM、矽中介層、TSV、微凸點、封裝基板和高速互連，被壓縮排一個高價值系統中。單顆晶片可能沒問題，HBM 可能沒問題，封裝基板也可能沒問題，但它們組合在一起後，只要某個微凸點、某條電流路徑、某個連接介面出現異常，整個封裝都可能報廢。

這就是先進封裝帶來的新問題：

晶片越立體，缺陷越隱蔽；系統越昂貴，檢測越關鍵。

傳統電測、X-ray、熱成像、切片分析、電子顯微鏡等方法仍然重要，但在複雜三維結構面前，它們會遇到新的邊界：有的看不清電流路徑，有的定位效率低，有的成本高，有的本身具有破壞性。

你可以把晶片切開看，但切開以後，它已經不再是原來的晶片。

因此，先進封裝競爭不只是封裝產能之爭，也是檢測工具之爭、失效分析能力之爭、良率學習速度之爭。

二、量子感測的價值：給晶片裝上“透視眼”

很多人看到“量子”，第一反應是量子計算。但 QuantumDiamonds 做的不是量子計算晶片，而是基於量子感測的半導體檢測工具。

它的核心技術方向，是利用鑽石中的氮-空位中心，也就是 NV center，對微弱磁場進行高靈敏度測量。

簡單理解，晶片執行階段，電流流動會產生磁場。如果能夠高精度讀取這些磁場，就有機會反推出電流路徑，並定位異常位置。

這類技術的最大價值在於：非破壞性。

對於複雜先進封裝來說，理想情況不是把晶片拆開、切開、磨開之後再找問題，而是在不破壞結構的情況下，看見內部電流是怎麼走的，那裡存在異常，那裡可能隱藏短路、漏電或開路。

這就是量子感測檢測的產業意義。

它不是要替代所有傳統檢測裝置，而是補上傳統工具在複雜三維結構、電性失效和隱藏電流路徑上的短板。

歐盟這次批准德國提供 7600 萬歐元援助，表面上是在支援一個半導體測試裝置設施，背後其實是歐洲半導體戰略的一次延伸。

歐洲當然需要晶圓製造能力，但如果只盯著晶圓廠，競爭會非常殘酷。台積電、三星、英特爾，以及美國、韓國、日本、台灣等地的產業叢集，已經形成巨大慣性。

歐洲更現實的打法，是在關鍵“卡點”上建立不可替代性。

先進計量和檢測裝置，可能是另一個例子。

半導體產業不是只有製造環節，還包括設計、裝置、材料、晶圓製造、封裝測試、計量檢測和供應鏈管理。一個地區未必要在每個環節都做到最大，但只要在關鍵節點擁有不可替代能力，就能獲得產業話語權。

這也是 QuantumDiamonds 項目的戰略意義。

歐盟不是只想多建幾座廠，而是在補一塊更底層的能力：讓歐洲在先進晶片檢測裝置上擁有自己的生產設施、技術人才和產業協作網路。

四、不直接增加產線，卻釋放有效產能

量子感測檢測不會直接增加一條封裝產線，也不會直接製造更多 AI 晶片。

但它可能通過另一種方式影響產能：提高良率，減少返工，縮短失效分析時間，加快工藝爬坡。

在先進封裝時代，良率問題已經從“單顆晶片良率”變成“系統級良率”。越是高價值晶片，越怕最後階段出問題。因為一旦封裝失敗，損失的不只是一個小零件，而是整個昂貴系統。

因此，檢測能力會直接影響三件事：

第一，良率爬坡速度。誰能更快定位缺陷，誰就能更快最佳化工藝。

第二，成本控制能力。誰能更早發現異常，誰就能減少報廢和返工。

第三，客戶認證能力。誰能證明自己擁有更強的檢測和質量控制能力，誰就更容易進入高端晶片供應鏈。

所以 QuantumDiamonds 的想像空間，不是成為台積電，也不是成為輝達，而是成為先進晶片製造裡的“半導體醫生”。

這類公司不站在產業鏈最顯眼的位置，但在高端製造內部非常關鍵。它們不直接決定晶片性能，卻決定問題能否被看見；不直接增加名義產能，卻可能通過提升良率釋放有效產能。

量子感測檢測不是萬能工具，也不會徹底替代 X-ray、電子顯微鏡、光學檢測、電測、熱成像、聲學顯微等傳統方法。半導體檢測本來就是一個工具箱，不同工具解決不同問題。

QuantumDiamonds 真正要證明的，不是“量子感測萬能”，而是它能在傳統工具看不清、看得慢或破壞性太強的場景中，提供更好的答案。

這也是整個市場的新機會。 (Agent的自我修養)

🎯把握台股限時打折入場券→佈局下半年主升股！

「老師，台股多頭是不是結束了？」

真正的資金派對，下半年才要開始！

🚨看懂這5個硬道理，你就知道現在跌下來全是黃金：

台灣GDP直接上看10%，沒我們世界AI就癱瘓！

今年EPS看100~110元、明年挑戰140元，本益比根本便宜。

科技巨頭下半年基礎建設大進駐，資金絕對回頭狂啃台灣AI股！

🔥最近外資、投信、千張大戶逆勢加碼的方向非常一致，

包括AI材料、半導體測試、先進封裝、

載板、記憶體、被動元件以及台積電供應鏈，

像6213聯茂、2449京元電子、8046南電獲得外資持續布局；

2344華邦電、2492華新科、2404漢唐、2472立隆電受到投信認養；

3374精材、6672騰輝電子-KY、2426鼎元、2369菱生、6683雍智科等，

更看到大股東、千張大戶持股快速增加。

已經開始為下一波主升段做準備。

🔥結論：行情永遠在半信半疑中成長，

真正的機會，往往藏在大家最害怕的時候。

最有機會接棒AI主升段的重點名單。

接下來我們會在粉絲團持續幫大家鎖定+追蹤，

那建議你務必要鎖定江江在Line @，

將有更進一步的訊息給大家了解。

🔴想了解還未起漲的市場主流，

同步了解大盤多空轉折點及學習預測技術分析，

江江YT節目都會持續追蹤+預告。

********************************************************

有持股問題或想要飆股→請加入Line：

江江的Youtube【點股成金】解盤：

*********************************************************

(本公司所推薦分析之個別有價證券 無不當之財務利益關係

以往之績效不保證未來獲利 投資人應獨立判斷 審慎評估並自負投資風險)

當今，晶片產業正經歷一系列深刻的變革：設計複雜性日益增加、向埃米時代的跨越、1000倍的功率目標減少、multi-die的挑戰，還有很重要的人才短缺問題。根據BCG ananlysis的分析，到2030年，據預測，美國的設計工作者需求將高達89,000人，相比現在預計將有接近50%的增長。但遺憾的是，到那時供應量預計只有66,000人，且這一數字每年僅增長不到1%。這意味著到2030年，設計業面臨的人才短缺達到23,000人，而這個數字預計每年還會以3,000人的速度持續成長，缺口高達35%。

「時間就是金錢」是半導體產業中的生動演繹。為了應對這一系列的挑戰，半導體產業必須不斷尋找新的方法來提高生產效率和品質。近些年，EDA「左移」策略在晶片設計中逐漸被廣大業界所採納。實體設計、測試與驗證等環節越來越多地被提前到RTL設計階段。值得關注的是，AI的逐漸參與，也成為一道亮麗風景線。現在，AI技術不僅滲透到了晶片設計、驗證和製造，還開始滲透到測試中，為測試這項傳統流程注入了前所未有的活力和精確性。

晶片測試複雜度攀升，亟需更先進的ATPG技術

隨著晶片不斷邁向先進製程節點技術及其設計規模的擴張，測試領域遭遇了前所未有的複雜度和挑戰。採用先進製程的設備導致了測試設備（ATE）成本的急劇上升，主要受到高引腳數、快速介面和深度模式記憶體對高效能測試硬體的需求影響。此外，隨著晶片的功能不斷擴展，也帶來了對更多邏輯的測試需求，進而需要更多的模式和測試器內存，導致測試成本的持續成長。

在晶片測試中，"pattern count" 是一個很重要的概念。它通常指的是測試向晶片應用的測試模式的數量。簡單地說，這些pattern是一系列的輸入訊號，用於檢查晶片上的各種功能和結構是否按預期工作。每一個pattern都會模擬一個特定的工作場景或操作條件，以確定晶片在該場景或條件下是否正常運作。

pattern count與測試成本直接相關。因為高pattern count可能意味著更詳盡和全面的測試，但也可能意味著更長的測試時間和更高的成本。相反，一個低的pattern count可能減少了測試的時間和成本，但可能遺漏某些關鍵的測試場景。所以，對於pattern count需要找到一個平衡，既能確保晶片在各種場景下都經過充分測試，又能保持效率。在晶片測試中，優化pattern的數量至關重要。

為了產生這些pattern count，自動測試模式產生（ATPG）流程應用而生。ATPG的主要目標是確保晶片或硬體系統的高品質、低成本、快速運作和高生產率。在品質方面，它需要檢測所有的有缺陷的部件，從而確保較低的DPPM（每百萬件的缺陷部件數），並支援先進的故障模型。從成本的角度考慮，ATPG要努力最小化測試pattern或測試週期，同時也減少測試的資料量。在運行時間方面，它強調快速的pattern生成和品質結果分析。為了提高生產率，ATPG工具需要有開箱即用的自動化功能。

典型的ATPG流程往往比較複雜，它包含多個相互依賴的參數，而且主要依賴手動迭代和微調測試配置來優化測試結果品質(QoR) ，但手動估計參數可能會導致不準確的結果或效率低下。工程師需投入大量時間進行迭代以確保測試品質。而且ATPG流程的不可預測性增加了管理難度，這可能需要經驗豐富的工程師來支援。這些問題可能會導致專案延誤和資源浪費，也延長了流片的專案時間線，增加矽片測試成本。

所以，現在的ATPG技術已經不足夠滿足當前的需求，工程師也不能再依賴這種方法來滿足最後期限或達到最佳結果。業界亟需更先進和高效的ATPG解決方案來滿足未來晶片在測試領域的挑戰。

新思科技TSO.ai工具為半導體測試注入AI動力

面對複雜的半導體測試挑戰，AI展現了其潛在的價值。與傳統的方法相比，AI能夠更快、更準確地產生測試pattern，確保高覆蓋率，同時也能大幅減少所需的時間和資源。

作為將AI引入EDA工具領域的先行者，新思科技的TSO.ai（測試空間優化AI）是業界首款用於半導體測試的自主人工智慧(AI) 應用程序，它有如下四大主要特點或優勢：

利用人工智慧技術，以更少的pattern實現更高的測試覆蓋率。

提供可重複且可預測的流程，以滿足設計進度的需求。

透過有效的迭代和並行運行加速週轉時間。

無需專門的工具知識，即可在大規模上實現專家級的生產力。

那麼，TSO.ai是如何借助AI的力量來實現這些優勢的呢？

為了提高效率，TSO.ai透過並行ATPG運作學習並確定這些因子之間的關聯性，根據學習結果智慧地調整設置，並透過連續的運作不斷減少搜尋空間，以達到最優值。TSO.ai工具會盡可能的產生最少數量的測試pattern，來降低測試的週期，並適應有限的測試器記憶體。雖然TSO.AI可以最小化pattern數量，但它是以最大化測試覆蓋率為目標。

具體到TSO.ai運作上，有兩種設定策略：包括冷啟動和熱啟動。沒有先前關於設計和參數的學習的初始TSO.ai運行稱為冷啟動。熱啟動利用從先前運行中學到的知識，用於在小型設計或ATPG修改後節省時間。為了減少TSO.ai的周轉時間，可以先對故障樣本進行冷啟動，然後對完整的故障集合進行熱啟動。

在這兩種啟動模式中，使用者可以自訂並行的TestMAX ATPG運行數量和學習迭代次數，這些並行運行被視為在多台機器上運行的「工作人員（Workers）」（如下圖所示），而每台機器上的迭代次數被稱為「乘數（multiplier）」。根據可用的計算資源，使用者可以選擇使用更多的工作人員與較低的乘數以快速得到結果，或者使用較少的工作人員與較高的乘數來在運行時進行權衡。

具體到實際操作，為了縮短TSO.ai的周轉時間，我們可以先對一個小的故障樣本執行冷啟動，配置為使用12個工作人員和3個乘數。接著，對完整的故障集合進行熱啟動，這時的配置可以調整為使用5個工作人員和1個乘數。

系統學習與重複使用的模型：ML模型在整個設計週期中不斷訓練

目前在早期客戶參與的結果中，TSO.ai在多個領域有持續的測試成本降低。在許多情況下，pattern數量平均減少了20-25%。其中在某些最佳案例中，有超過50%的pattern減少。具體可參見下圖。

新思科技建議的TSO.ai使用流程如下：

缺陷覆蓋率、pattern count以及運行時間是評估ATPG工具結果時需要考慮的三個關鍵指標。TSO.ai工具是未來晶片測試領域的寶藏。它不僅透過自動優化pattern數量降低了測試成本，還透過消除冗長且隨機的ATPG迭代大大縮短了測試時間。最令人印象深刻的是，無論是資深工程師還是初入行的新手，都能透過它實現專家級的工作效率。

AI驅動晶片設計的時代已經來臨

早在2020年，新思科技推出了全球首個用於晶片設計的AI應用程式DSO.ai；2021年該公司創下了一個世界生產力記錄，一個工程師完成了10個模組的設計，而且總功率降低了9%；2022年，DSO.ai取得了前所未有的採用記錄，半導體產業的TOP10中有9家公司採用​​了這項技術。與傳統設計方法相比，使用AI設計的晶片在性能上有了100%的提升，且DSO.ai已經使得超過100種商業產品通過了設計驗證。

2023年，新思科技推出了業界首個AI驅動的電子設計自動化(EDA)整體解決方案Synopsys.ai，該全流程解決方案涵蓋了設計、測試、驗證和製造等多個面向。它包括用於下一代設計的DSO.ai，用於驗證的VSO.ai以及本文所講的用於測試的TSO.ai。

可以說，AI已經滲透到晶片產業鏈的各個過程，從設計、製造到測試，都展現了巨大的潛力。這種滲透使得工程師能夠更專注於晶片的品質和差異化，而不是繁瑣的重複任務。未來，隨著AI和深度學習與EDA工具的深度磨合和優化，將進一步推動半導體技術的革新。（半導體產業觀察）

彙整鉅亨號中所有使用「半導體測試」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

Teradyne大漲：AI晶片越貴，出廠前的“體檢費”越捨不得省

歐盟援德7600萬歐元：半導體戰爭，打到“驗晶片”環節

AI時代下的半導體測試革命