2026年03月電子報
這兩年在 2.5D/3D advanced packaging 走得越深，很多團隊會有同一個感受：真正麻煩的失效，越來越不是外觀看得到的，而是藏在封裝裡面的「看不見的缺陷」。micro-bump 越做越小、Cu-Cu hybrid bonding 成為主流、TSV (Through-Silicon Via)、RDL (Redistribution Layer)、interposer 結構越堆越複雜，單靠 optical inspection 其實很難把關到位。這也是為什麼 AXI（Automated X-ray Inspection）近年在先進封裝的地位，從“可選配”逐步變成“標準配備”。
先說結論：先進封裝的失效型態，正在往「invisible defects」集中。這類缺陷不是你想看就看得到，很多時候只有 X-ray 才能在不破壞樣品的情況下，把內部狀態看清楚。對量產來說，這件事的意義不只是“多一台設備”，而是你能不能把風險前移、把良率損失壓在前段製程。
以 micro-bump 與 hybrid bonding 來說，常見的問題像是 void、non-wet opens、misalignment、partial bonding defects。這些在 CoW（Chip-on-Wafer）、WoW（Wafer-on-Wafer）或 Die-to-Die bonding 的流程裡，一旦漏掉，後段報廢成本很高，若進到後端可靠度才爆雷，代價更大。TSV 也是類似邏輯：TSV 填充孔洞 (TSV Filling Voids)、seam defects、mis-etch 或 incomplete fill，甚至 thermal cycling 後的 crack，外觀不一定有線索，但內部缺陷會直接影響後續電性與壽命。RDL 與 interposer 則常見 layer mis-registration、shorts/opens、line continuity 的疑慮，或是被結構遮住的 hidden delamination，這些都讓 X-ray 變得更像“必要檢查”。
然而，AXI 的應用並非毫無挑戰。真正令製程工程師與製造端頭痛的，在於其物理特性的本質：解析度（Resolution）與產能（Throughput）之間存在難以兩全的權衡。 若要精準捕捉 micro-bumps、Cu-Cu hybrid bonds 或 TSV 縫隙等微細缺陷，通常必須採用更小的 X-ray 焦點（Focal Spot）、更高的放大倍率以及更長的曝光時間；若進一步導入 CT 或斷層掃描（Laminography），則需要更多的投影數據。這意味著檢測精準度的提升，往往必須以犧牲生產節奏為代價。
目前業界最為務實且主流的應對方式，是採取「兩段式 AXI 檢測策略」以兼顧產能與風險控管：首先在 Inline端，利用相對低解析度進行快速篩檢，在第一時間攔截重大缺陷與明顯異常；隨後於 Offline端，針對高風險批次或特定異常進行高解析度 AXI/CT 深度掃描，用於失效分析與製程驗證。這種策略在極致的解析度需求與大規模量產的節奏（Throughput）之間取得了精準平衡。
AI 技術與 AXI 的深度整合，轉化為解決產線實務痛點的核心工具。透過 AI 進行自動化孔洞定量分析（Automated Void Quantification）與鍵合異常圖形識別（Bonding Anomaly Pattern Recognition），不僅大幅降低了誤判率（False Calls / Over-rejection），也減少了對資深判讀人員的經驗依賴。隨著封裝結構越趨複雜，「AXI + AI」的智慧檢測組合將不再是加選項，而是確保產線效率與良率穩定性的數位基石。
總結來說，隨著先進封裝步入多層化，隱形缺陷已非光學檢測所能企及，AXI 因而從輔助工具躍升為標配設施。面對解析度與效率的權衡，業界正推行「Inline 篩選 ＋ Offline 剖析」的策略，並在 AI 發展下，使AXI 不僅降低了判讀誤差，更為複雜的封裝演進提供了不可或缺的良率保障。
