隨著更先進的電子組件集成到汽車中，汽車制造商和芯片制造商視角和需求的不同導致兩者出現摩擦和爭論。

近年來，越來越多的電子產品集成到自動駕駛等級越來越高的汽車中，但是它的進展并不像各大廠商宣傳的那么順利。事實上，電子和汽車之間的一些差異可能需要數年的時間才能磨合和統一。

業界向完全自主駕駛推進的步伐依然如故，但是汽車制造商和芯片制造商接近終極目標的路徑卻有著顯著的不同。汽車制造商及其1級和2級供應商要求進行硬數據檢查、物理檢查和測試。而領先的芯片公司和晶圓廠卻認為只進行模擬和統計分析就足夠了。這兩種觀點的差異主要體現在如何證明和預測電子產品的的可靠性、導致功能降級和故障的老化及其它原因，以及對汽車中使用的IP和各種電子元件進行認證需要滿足哪些條件。

這些問題包括：

①汽車制造商希望獲得和惡劣駕駛條件下的性能以及這些組件的長期可靠性相關的一些實際數據，但在許多情況下，電子元件本身并沒有這種真實世界的數據，因為自主駕駛完全是一個新課題。而且即便有一些數據，它仍然是不完整的，或者置于芯片制造商和代工廠的嚴密保護之下。

②如果輔助駕駛和自動駕駛汽車出現故障，汽車制造商將面臨巨大的責任，隨著自主駕駛等級的提高，這種責任風險也會相應增加。振動試驗、溫度交變試驗可以模擬電子器件在機械或熱應力下的工作方式。但是汽車公司對產品的信念應該選擇新的判斷標準，多年來，汽車公司一直依賴于物理觀察和記錄機械故障，這顯然不能適用于電子產品。

③今天，很多涉足汽車業務的電子公司幾乎在汽車可靠性要求上沒什么經驗，反之，許多汽車公司對先進工藝半導體產品也沒多少概念。畢竟，用于汽車應用的180nm芯片與7nm AI芯片的差別很大。

現在，雖然可以使用現有的半導體工具和設備解決防止故障的問題，但汽車制造商還希望能夠獲得能夠預測故障的數據。今天的芯片特別是在AI系統中，完全是黑盒子。

福特汽車公司高級可靠性工程師Keith Hodgson說：“福特一直在使用可靠性物理分析，但是當產品老化到接近其壽命的80%時，我們并不能提前得到提醒。就是說，你還沒有失效，但是正處于失效的邊緣。”

這種數據對許多行業板塊都很有價值，因為它允許所有類型的系統供應商平衡風險和成本。但是，它在安全關鍵市場尤為重要，因為風險可能會導致嚴重的傷害，所以需要在各種各樣的部件上進行預測性維護。

“通常你需要五到六年時間就能知道芯片是否存在問題，”Dfr Solutions技術委員會高級成員Jim McLeish說。 “但是我們在5nm或者7nm上沒有什么經驗，我們不知道變化會如何影響可靠性。SAE制定了安全失效標準，提供了計算故障率的公式。我們正在努力適應SAE標準（J3168），但是我們需要一些數據來運行模型并找出變化曲線。”

這些數據包括芯片尺寸、厚度、模具材料、Z軸翹曲、封裝內的芯片偏移、焊球的直徑和高度等，大多數芯片制造商都不會向汽車行業提供這些數據。

“汽車制造商和芯片制造商看待可靠性有著不同的視角，”Arm物理設計事業部營銷副總裁Kelvin Low說。 “我們需要在芯片和IP方面接受更多的教育，汽車OEM也需要弄清楚芯片和IP領域正在發生的事情。供應鏈中的每個人都會受到影響。 目前，代工廠并不會分享所有器件的代工數據，你在最終產品上只能進行少量的仿真。結果，芯片制造商的的利潤率更高了，因為他們實際上不需要處理也看不到那么多數據。”

設計和制造的轉變

領先的芯片廠商通常會將數據開放給代工廠和EDA供應商，以便能夠以足夠高的良率制造出所設計的產品。自FinFET問世以來，三星、格羅方德、臺積電等代工廠一直都在提供有關工藝變化和其它影響的數據，這些數據會影響其頂級客戶、EDA廠商和IP公司的產品可靠性。不過，為汽車應用開發7nm AI芯片還有一系列新的問題。

應用材料公司蝕刻產品戰略副總裁Uday Mitra說：“每個節點的問題都在累加，增加了工藝升級過程中出錯的可能性。現在的工藝升級不再是一個簡單的尺寸縮小了。隨著工藝節點的升級，EPE（邊緣放置誤差）容差變小，光刻對準誤差和工藝變化誤差也在增加。目前最大允許的EPE是四分之一節距，間距更小，從而變得更糟。除非增加間距，否則即使重新流片也無法解決問題。”

汽車行業又在這些問題之上增加了嚴格的認證和可靠性標準。今天并沒有用于汽車的7nm AI芯片，因此芯片廠商還沒有提供這些數據。制造后會出現什么樣的問題現在也無法預料。

“導致汽車IC可靠性故障的潛在缺陷和隨機缺陷直接相關，”KLA-Tencor高級主管Rob Cappel表示。 “如果使用適當的檢查工具、采樣策略和方法來發現和減少隨機缺陷，那么，晶圓廠捕獲這些可靠性問題的概率要高得多。”

這也是由汽車集成先進電子技術而推動的一個重大轉變。在汽車中，這些電子器件需要在沒有任何故障的情況下使用長達18年，因此電路監測是必不可少的。當然，時間計算公式還要取決于無人駕駛出租車的行駛里程，不過，這些無人駕駛汽車在失效前需要一種更換零件或模塊的方法。

“汽車制造商希望親眼看到可以證實可靠性的證據，”Moortec首席技術官Oliver King說。“預測分析和模擬當然也很棒，但是汽車廠商還是希望眼見為實。我們真的知道FinFET是怎樣老化的嗎？未必！是的，我們是有一些模型，但是FinFET和平面型芯片不同。這是我們第一次面對發生在汽車中的嚴重的電子升級問題。當你把復雜SoC放在汽車中時，你會看到通常與復雜SoC相關的各種問題。”

這些問題的范圍極廣，從完全失效到更微妙的時序問題都可能涵蓋在內。

“業界已經開展了預測性維護工作，”UltraSoC首席執行官Rupert Baines表示。 “像恩智浦、意法半導體、英飛凌和英特爾這樣的芯片公司正在片上編寫復雜的代碼，像博世和德爾福這樣的汽車電子零部件公司正在分層開發更多的軟件。他們需要驗證、認證和分析，以便在芯片公司的保障之外再添加一層防火墻。如果有一個bug，你肯定想要捕獲它并確保它不會導致問題。如果系統被黑客入侵，您肯定想得到通知和提醒。但是你需要在芯片運行的同時檢測出bug、黑客攻擊和安全問題。”

通常情況下，智能手機或服務器中的這些問題都會在若干年內通過包括軟件更新在內的諸多方法得到解決，自動駕駛汽車也可能復制這種路徑。不過，目前整個汽車行業正在全力以赴追趕或超越特斯拉，唯一的超車方式就是使用電子產品。

“可靠性的典型學習周期是一年兩次，”PDF Solutions新產品和解決方案副總裁Klaus Schuegraf說。 “首先，你需要制造出來產品，這需要兩到四個月的時間，然后封裝它，給它燒錄軟件，這又需要一個季度。所以，從開始制造到燒錄軟件需要歷時半年，你每年大約會經歷兩次學習周期。這是將這些高性能、高可靠性技術推向市場以實現高性能計算的一部分挑戰。你可能會遇到一兩個ppm故障率問題，使得無法提供和先前節點一樣的質量。這些故障都延長了處理時間，當然，發現這些難題并定位它們也需要時間。”

生產中的變化也是導致可能出錯的一個原因。

“你當然可以保證生產質量，但實現起來非常困難，”聯華電子營銷總監John Chen說。 “和8英寸晶圓相比，12英寸晶圓將在中心提供更好的均勻性，但在晶圓邊緣比8英寸晶圓更加難以保持均勻性。所以你可以改回200mm晶圓，以降低故障率并最大限度地減少產品變化。問題在于你不一定知道如何將其用于汽車行業，有時你必須在工藝上向后退一步而不是轉向最先進的節點。”

所有人都在關注AI

在輔助駕駛和自主駕駛汽車領域，最受關注的一個熱點是如何讓汽車通過意料之中和意料之外的障礙，適應不斷變化的道路狀況，滿足不同的交通規則。由于汽車行業的設計周期較長，為了避免過時，汽車制造商現在正在研究7nm AI芯片。此外，他們還在考量各種封裝方案，比如多芯片模塊以及22,18,12nm的FD-SOI。他們正在權衡需要把多少邏輯集中到一起，為了盡量避免數據傳輸，可以在更接近傳感器的位置進行多少處理。

無論采用什么樣的方法，都有許多變量和移動部件使得很難收集到足夠的數據。

“你認為車內的人工智能器件溫度都得到了良好控制，”三星代工營銷高級總監Bob Stear表示。“但是，更多的智能應該在終端節點上實現。我們現在正在對汽車進行特征化，現在面向汽車芯片有28nm和18nm FD-SOI，和‘1級合格’的14nm，預計到今年年底還會提供7nm。”

工藝只是控制溫度的一個手段。其它因素還包括內存，溫度也和這些芯片的封裝形式有關，封裝對溫度的影響可能會成為一個獨立的問題。

格羅方德產品線管理高級主管Jamie SchaeFFer表示：“我們已經發現，當你在一個MCU上堆疊NVM時，封裝的接口會在高溫下失效。這里的關鍵要求之一是存儲器和嵌入式MRAM必須能夠承受150°C的結溫，這個溫度滿足汽車級別1。”（汽車級別0需要在175°C下認證。）

現在的問題是，用于自動駕駛汽車的AI芯片并沒有唯一的最佳架構或制造方案，也沒有公認的將傳感器封裝在一起，或者確定哪些數據該在哪里的最佳方法。而且，關于哪里才是汽車邊緣，每個架構之間以及每個制造商之間也沒有統一的概念。

還缺少什么？

那么，汽車OEM和半導體制造商這兩個世界該如何充分鏈接？一種方法是交叉教育，不論需要耗費多少時間，這種方法都是必須的。

Coventor首席技術官David Fried說，“大概30多年前，我們經歷了一次演變，當時可不是現在這種無晶圓廠的情況。那時候，每家公司都制造自己設計的產品，然后我們變革了半導體行業，走向無晶圓廠和代工廠模式。一切都朝著不同的方向發展了。無晶圓廠的人說，他們甚至都不想知道晶圓廠到底是怎么樣制造他們設計的芯片的。‘你只需要給我設計規則，我設計好它，就應該有較高的良率，如果做不到，那就是你們晶圓廠的問題。’可是現在情況變得更加復雜了，無晶圓廠和代工廠的邊界越來越小了。現在無晶圓廠的人必須了解晶圓廠中發生的許多事情，他們已經接受了這一點而且希望這么做。從某種程度上來說，半導體行業正以這種方式重新聚合在一起。當然，這些無晶圓廠公司購買或建造晶圓廠的情況未必出現，但是他們已經開始走到了一起。有些硅片生產專家現在在無晶圓廠設計公司工作，因為無晶圓廠公司必須知道芯片是怎樣制造出來的，才會拿出更好的設計，讓他們的產品更好地發揮作用。”

Fried并不是唯一看到這種趨勢的人。事實上，從設計前端到后端制造，人們都慢慢達成了共識。

“這畢竟是兩個不同的專業知識領域，”Synopsys汽車戰略副總裁Burkhard Huhnke表示。“從本質上來說，汽車仍然是以機械科學為主導的行業。但是現在，突然一切都電動化了，你需要逆變器、IGBT等高壓元件，你需要模擬一切瞬態特性，這些東西可能是汽車公司未來的核心競爭力。不過現在，這種變化才剛剛開始，智能手機行業和其它臨近行業的許多新人正在進入汽車領域。”

不過，我們需要以不同于半導體行業的方式看待從設計到制造整個鏈條的汽車供應鏈。

“汽車行業之前遵循的是一種瀑布模型，”弗勞恩霍夫自適應系統部工程設計方法部門主管Roland Jancke說。“汽車制造商會向博世或者海拉這樣的一級供應商提供技術規格，這些一級供應商設計并生產安全氣囊或電機控制系統這些汽車上的系統。一級供應商選擇二級供應商，比如哪個提供芯片，那么提供阻容等。每一級供應商都會把技術規格提供給下一級，決定如何劃分系統，并給子系統提供更深一層的規范。但是現在這個模型不再奏效了，因為它傳導得太慢了，而且鏈條上給出的信息確實不夠。這個傳導鏈條太長，有些信息也沒有反饋上來。因此，汽車制造商并不完全了解他們當他們想了解汽車中的某些技術時會得到哪些信息。”

另一方面，汽車公司需要了解模擬時數據是怎么使用的，需要依賴使得半導體行業蓬勃發展的各種數據。

ANSYS的首席技術專家JoaoGeada說：“當有現實世界的數據時，并非所有數據都是被模擬出來的。還有一些來自強制老化的數據，強制老化是指將芯片/設計處于極端條件（高溫、高電壓、快速工藝角）下測試，并延長時間以最大化老化效應。它們提供了一些驗證模擬數據的真實數據。我們（EDA）在模擬方面做得非常好，非常準確。一旦有一些數據點能夠確認模擬結果可以匹配上觀測結果，人們就會相信模擬的力量。”

然而，這些對汽車行業來說都是新課題，而且在某些領域并不存在和所有這些電子系統相關的標準。

“是有一些標準，如JEDEC標準、ISA規范、IEEE標準，”Fraunhofer的Jancke說。“但其中一些是在30年前確定的。在功能安全域中，您需要為這些標準設置組件的故障率。但是這些供應商提供的故障率來自大約30年前建立起來的表格，因此它們不再有效或不再有意義了。這些標準需要進行改進，以適應我們現在的技術。”

結論

上面這些方法最終如何融合到一起，現在還很難判斷。不過它們足夠讓車輛中很多功能電動化，更不用說讓它們在可接受的參數范圍內運行了。數據將是決定這種進展的關鍵要素，但是進展速度有多快，向哪個方向發展目前還不完全清楚。

“幾十年來，汽車行業一直在獲取IC的可靠性數據，”西門子子公司Mentor總裁兼首席執行官Wally Rhines表示。“但是焊球、凸塊以及其他類型的制造數據仍然相當有限，因為出貨單位和包含先進封裝的設計仍然很少。工業和制造業需要足夠的數據點來保證質量和可靠性，但他們需要的數據量可能與過去不同。我們仍處于對所有這些數據進行分類的階段。”

這個階段何時完成，所有這些不同世界整合起來后會是什么樣子，這些答案依然只能存在于人們的猜測中。