一颗光学引擎拖垮5万美元GPU，测试预算被彻底改写

一颗便宜的光学引擎，可能拖垮一颗价值 4万到5万美元 的GPU或ASIC。这个数字来自爱德万测试（Advantest America）研究兼投资副总裁 Ira Leventhal 的判断，也直接改写了共封装光学（CPO）的测试账本。

在半导体工程（Semiconductor Engineering）组织的一场圆桌讨论中，来自泰瑞达（Teradyne）、爱德万、益芯科技（ISE Labs，日月光集团子公司）和是德科技（Keysight）的四位专家，围绕光电系统的失效定位、CPO与近封装光学（NPO）的诊断难度差异，以及测试成本如何被重新计算展开了对话。

失效到底出在哪一层

是德科技的硅光子研究员 Kazuo Yamaguchi 给出的方法是先看参考面。测试中的参考面，是每个测量平面上物理、电气和光学的边界——这条边界落在裸片焊盘、封装焊球、连接器还是光纤接口上，需要先确定下来。

确定边界之后，还要处理边界之间所有引入环节的去嵌入问题，包括探针、插座、走线、连接器、跳线。Yamaguchi 强调，第1、2、3次测试插入必须使用同一套边界，边界条件也要对齐。测试单个光学引擎时，做法是用已知特性的替代件替换掉相邻部分，比如一个“黄金参考”激光源。

泰瑞达光电子测试高级产品经理 Matt Griffin 提到，客户正在把监控光电二极管加进光路。一旦发射或接收路径出现意外结果，可以顺着它往回追。做环回测试的客户还希望具备分光能力，把信号引到表征仪器上，或者单纯监测光功率。

Griffin 也点出了代价：如果只做环回或任务模式测试，一旦误码率不达标或程序出现功能问题，可能根本不知道为什么。这时候能不能从环回路径里分出一路信号，就变得重要。

“黄金参考”该不该算测试项

Leventhal 对“黄金参考激光源”这个说法提出了不同看法。他认为，测试的最终任务并不是测激光源本身，而是找到测试器件的方法。激光源在功能上相当于电气侧的设备电源，没人会把设备电源叫作黄金参考——它被默认为应该正常工作，就像测试系统里的其他部分一样。

客户倾向于把激光源从等式里拿掉，直接使用任务模式下同一个激光源。但 Leventhal 指出，那个激光源并不是自动测试设备（ATE）的仪器，事情还需要演进。失效分析（FA）就像顺着气味找源头，要能分辨哪些东西该被列入嫌疑名单，哪些因为已知良好而可以直接排除。

CPO比NPO难在哪

Griffin 先提醒，NPO 和 CPO 并没有统一的定义标准。两者的共同挑战在于模块测试需要对准多个光学连接器，同时还得给器件供电。

有客户说，NPO 可以把光学引擎拆下来。这算一个关键区别——如果失效由坏的光学引擎引起，拆掉换一个就行，那么贴装之前的测试覆盖似乎没那么值钱。但 Griffin 也听到客户抱怨，下游的返工和重新贴装是实打实的痛点，所以不管能不能拆，他们仍然需要已知良好的光学引擎。

Leventhal 补充，CPO 把更多东西集成到封装上，必须有办法把它们解耦。可测试性设计（DFT）在这里能帮上忙：先弄清楚单个部件测试要提取哪些信息，再把这些信息与封装层面会出现的失效关联起来。

Yamaguchi 用两种 NPO 做了对比。带重定时器的 NPO 有自己的 DSP，光学引擎可以像可插拔模块一样单独做合规测试，失效容易定位。线性驱动 NPO 去掉了 DSP，由主机 ASIC 的 SerDes 通过线性驱动器和跨阻放大器（TIA）直接驱动光学部分，电与光形成一条信号路径，链路失效后很难判断问题出在哪一侧。这种测试复杂度和 CPO 相同。

ISE Labs 的 Dave Armstrong 还提到高功耗问题。CPO 的电信号传不远，NPO 则希望传得更远，传输距离上去之后就必须管好这件事。所有光学部件的散热，是另一个大问题。

测试预算的算法变了

Leventhal 把账算得很直白：不能让便宜的光学引擎把4万到5万美元的GPU或ASIC弄废。行业习惯把测试成本看作芯片制造成本的某个百分比，这个框架在这里被彻底打破。围绕大 ASIC 的那些芯片，几乎等于拥有无限的测试预算。

降本的努力当然还在，但前期可以过度测试，确保不把真正昂贵的芯片扔掉。随着规模扩大，良率学习的数据会慢慢积累起来。

Yamaguchi 列出了同向变化的几个量：器件价值在涨，报废成本在涨，测试复杂度在涨，封装复杂度也在涨。在这种情况下，增加晶圆测试或做光学引擎级测试变得更合理，经济性正从传统的封装测试转向装配前筛选。

Griffin 补充了终端客户的动机：AI 加速器和网络交换设备的买家，有强烈意愿把尽可能多的产品部署进数据中心，好生成更多 token。这些是有史以来最复杂的半导体器件之一。单看一颗光学引擎的成本，和看它将要集成进去的复杂封装、以及它提供的核心功能，得出的答案完全不同——它降低功耗，支撑解耦的计算架构，地位极其关键。

能不能量产，是生态问题

Leventhal 说，证明 CPO 能用，对行业已经不是挑战。Meta 今年早些时候公布了可靠性数据，显示它相当可靠，确实能用。现在的问题是，怎么把今天的东西带到高量产。

短期办法是依赖更多测试、筛选、老化、更多测试插入和更多工程控制，同时等生态成熟。NPO 在这里扮演重要角色，跨过它的门槛更低，从中得到的经验会为 CPO 走向高量产铺路。但这不会是轻松的一步。

他点出了此前没被提到的一环：标准。行业跑得太快，标准组织跟不上。标准的作用不是发明技术，而是支撑规模化制造，让零部件有多个供应来源。

Yamaguchi 表示，行业正在推进标准和多源协议（MSA），标准不改变测量科学本身，但能对齐平台，这是行业最能出力的地方。部分测试标准还涉及需要传输多少光功率、需要施加什么样的偏置，这些有助于准备制造需求和交付物。

Griffin 观察到，几乎每家客户内部都有两个群体：一直测器件、但通常没达到半导体高量产规模的光子团队，和半导体高量产测试团队。后者关心正常运行时间、软件支持、服务支持，关心能不能在高量产下部署大量测试单元。为了灵活性、模块化和可维护性做的很多决定，可能会在光学性能上带来取舍。

这两个背景差异巨大的群体必须对话，才能对可接受的取舍做出有依据的判断。Griffin 说，随着量产爬坡开始，这种对话刚刚出现。

Armstrong 引用了 IPSR 的调查数据：测试一颗光学组件的成本正在逼近制造成本，随着复杂度上升，还可能超过制造成本。行业必须接受为质量和已知良好的裸片付费。按百分比算，测试 GPU 的成本和测试光学组件的成本相比只是零头，经济结构得挪一挪，参与的公司也可能不同。这件事需要一个社区，每家公司都要和伙伴合作，搭出一套可扩展、能支撑高量产的结构。