这两年关于“AI 会不会取代模拟 IC 工程师”的讨论越来越多。从工程师论坛到面试闲聊再到 IEEE 的线上研讨会这个问题被反复拿出来问。在这些讨论里最值得关注的不是“会”或“不会”这种二选一答案而是一场由模拟 IC 领域经典教材作者 Behzad Razavi 教授参与的深度剖析。他的很多学生和读者都发现这场研讨会没有在“AI 能写代码”的表层打转而是回到模拟电路设计本身的物理约束、自动化边界和工程判断上。先说结论AI 会改变模拟 IC 工程师的工作方式会压缩一部分重复性工作但在可预见的阶段里它不会取代一个真正合格的模拟 IC 工程师。Razavi 教授的剖析方向更接近“AI 是更强的新工具而不是新的设计者”。这篇文章不讨论“AI 会不会取代”这种口号而是把模拟 IC 设计拆开看哪些环节容易被自动化哪些环节必须靠人以及现在就可以上手的 AI 辅助方法。适合谁看模拟 IC 初学者、在校研究生、正在准备模拟 IC 面试的候选人以及已经在做模拟设计但担心职业边界的工程师。你会看到一套判断标准而不是一个安慰。1. 模拟 IC 设计的“反自动化”特征决定 AI 只能做辅助模拟 IC 设计一直有一种“反自动化”的气质。很多人第一次接触模拟电路时会觉得它比数字 IC 更依赖经验同样的增益指标有人会偏置到过驱动有人会优先保证噪声有人会为了稳定性牺牲带宽。这些选择没有绝对对错但都会影响最终流片结果。1.1 数字设计能自动化模拟设计为什么不能完全照搬数字 IC 设计能高度自动化是因为它的抽象层级很清晰RTL、逻辑综合、布局布线、时序收敛每一步都有标准格式和明确检查项。电平是 0/1逻辑函数可以用布尔表达式描述EDA 工具可以穷举和优化。模拟 IC 设计不一样。设计对象是一个连续量系统电压、电流、相位、噪声、增益、带宽、失真相互耦合。一个运放拓扑的偏差会同时改变十几个性能参数一个版图走线方式会带来几 fF 寄生电容直接影响主极点位置。这类问题很难用一个“损失函数”完整描述因为工程中的约束常常是隐性的。另一个问题是工艺偏差。数字电路只要满足建立时间和保持时间逻辑功能基本可靠。模拟电路最怕的就是 corner 变化TT、SS、FF、SF、FS不同工艺角下同一颗电路的功耗、速度、增益可能相差很大。再加上失配、温度漂移、封装寄生设计者必须理解底层物理才能判断仿真结果是否可信。所以再强的 AI 模型也要先面对一个现实模拟 IC 的设计空间里很多“常识”没有写在任何文档里而是散落在有经验的工程师脑子里。1.2 工艺偏差、版图寄生和多重约束都是 AI 难以独立处理的经验层AI 擅长的是从大量数据里找到统计规律。但模拟 IC 设计里有大量问题是“数据不足、约束不清、责任重大”的组合。举个例子一个 LDO 的稳定性和瞬态响应需要在环路增益、相位裕度、负载电容、压差电压之间反复权衡。AI 可以帮你生成一组初始参数但无法替你判断这组参数在灌入封装电感、键合线电阻之后是否还成立。这些判断依赖对物理机制的理解而不是统计数据。版图设计更是如此。同样的电路结构版图画得好不好直接影响失配、串扰和寄生。版图工程师的很多经验是“只看不一定能记住的教训”哪一层走线会在高温下改变阈值哪个区域的衬底噪声会串到敏感节点。这种知识往往没有形成结构化数据AI 想学也没有高质量样本。Razavi 教授的剖析里把边界画得很清楚模拟 IC 的自动化不是“给 AI 一个规格它就自己出 GDS”而是“让 AI 在确定的设计框架里承担重复性工作”。注意AI 生成的脚本和参数本质是“建议初稿”。在进入批量仿真之前一定要先跑通一条单任务样例再检查路径、工艺库和输出格式。不要直接把整个流程交给 AI。2. Razavi 教授这场剖析的核心判断AI 是工具不是设计者“AI 会取代模拟 IC 工程师吗”是一个带焦虑的提问。Razavi 教授在网络研讨会上给出的回答框架实际上把这个问题拆成了两个更具体的问题AI 能自动完成哪些设计任务AI 能否承担模拟 IC 工程师的最终责任2.1 先分清“自动执行”和“自动决策”AI 在模拟 IC 设计中的能力经常被两种感受混淆。一种是“它能自动生成脚本、自动整理数据、自动给建议”这是自动执行。另一种是“它能在多个方案之间做正确选择并且对后果负责”这是自动决策。从这场研讨会的讨论框架来看Razavi 教授的立场更偏向把 AI 放在自动执行层面。它在资料检索、脚本生成、参数搜索、仿真结果整理这些环节确实比人快。但一个 AI 生成的放大电路方案能不能保证在高温、低电压、强噪声环境下仍然稳定它自己无法给出可靠保证。这不是说 AI 不能优化电路参数。事实上基于仿真的自动化优化已经有多年历史工具可以在给定拓扑和约束条件下自动调整宽长比、偏置电流找到一组满足指标的解。但问题往往在于仿真环境本身并不是真实芯片。AI 在仿真环境里跑出来的“最优解”只是在这个抽象模型里最优不等同于在硅片上最优。2.2 模拟工程师最重要的能力恰恰是 AI 最薄弱的环节模拟 IC 工程师每天在做的事情包括定义问题、解读异常、判断风险、承担责任。这些能力很难被“训练数据”覆盖。定义问题意味着在客户只有含糊需求时把技术指标写出来。比如“低功耗放大器”到底要多少功耗带宽是 10MHz 还是 50MHz输入失调多少 mV 以内这些决策影响拓扑选择也影响后续所有工作。AI 可以基于历史规格生成一个指标草案但最终拍板的一定是工程师。解读异常更难自动化。仿真不收敛、后仿性能与预期差 30%、流片回来后测试曲线不对这些现象背后的原因可能是模型版本、版图寄生、测试板电磁干扰、工艺角差异。AI 可以列出常见原因但从现象反推物理机制需要的是工程直觉和现场排查能力。Razavi 教授在剖析中一直强调理解底层原理。模拟 IC 设计不是调用一个现成模块就结束的工作性能边界、失效机理、工艺限制都需要人脑去建模。AI 可以加速这个过程但它不是一个能为你承担责任的设计者。3. AI 在模拟 IC 设计里能落地的具体环节比想象中要窄很多人把 AI 和模拟 IC 放到一起立刻想到“自动设计一个运放”“自动生成版图”。实际落地时你会发现能做的、值得做的、能安全进入生产流程的范围要窄得多。3.1 适合先试的辅助点脚本、文档、文献检索和参数初筛如果你是模拟 IC 方向的工程师或研究生最容易上手的 AI 辅助点不是“自动设计电路”而是把日常重复工作交给它。第一类是脚本生成。用 Spectre、HSPICE、GoldenGate 做仿真时经常会写重复性很强的网表、参数扫描脚本、蒙特卡洛脚本。可以给大模型描述清楚目标让它生成脚本框架然后自己补充工艺库路径、器件模型和测试条件。如果你平时已经在用 Cursor 这类 AI 编程工具可以直接用它来维护仿真脚本效率提升很明显。第二类是文档整理。写设计报告、整理仿真结论、对比工艺角测试结果时可以用 AI 快速组织语言和表格。关键是不要直接粘贴 AI 生成的数据分析必须自己核对每个数字。第三类是文献和规格检索。遇到不熟悉的电路拓扑可以用 AI 快速了解基本原理、常见变体和设计考虑但最终要回到论文原文和设计手册确认。第四类是参数初筛。如果已经有一个明确的拓扑比如五管 OTA可以让 AI 根据目标增益、带宽、功耗给出初始宽长比范围。它给的数值不一定准但能大幅缩短手动摸索时间。我做这类工作时一般会先用一个小样例验证脚本能否跑通再放到完整电路上跑。不要一上来就让 AI 写一个几百行的自动化流程出错后很难排查是模型问题还是参数问题。3.2 批量仿真和结果统计AI 最大的短期价值在这里模拟 IC 设计里最耗时、最枯燥的部分是批量仿真和结果统计。典型场景是 PVT 扫描多个工艺角、多个电压、多个温度加上不同负载条件组合数量轻松超过几百组。工程师需要提交仿真任务等待结果然后汇总成表格分析哪些 corner 不满足指标再调整设计。这个过程非常适合 AI 辅助。AI 可以帮你生成批量任务脚本、提取仿真日志、解析结果文件、生成汇总报告。它不需要理解太多模拟电路细节只要格式规范、路径正确就能完成大量重复工作。如果想做更高级的自动化可以把参数扫描和结果回读封装成一套简单流程定义好输入参数工艺角、温度、电源电压、负载电容。用脚本批量生成网表和仿真任务。仿真结束后用文本解析脚本提取增益、带宽、相位裕度等指标。把结果汇总成表格由工程师判断哪些 corner 需要修改。这里最关键的一点是AI 生成的结果报告只能作为“更快的表格”不能作为“自动决策依据”。如果一个 corner 失效AI 能告诉你“VDD0.9V、温度 125℃ 时相位裕度只有 35°”但为什么失效、要怎么改需要你自己去查偏置、看管子工作区、分析极点位置。3.3 版图、后仿真和流片决策仍然以人工判断为主很多科普会拿“AI 自动布局布线”来吸引眼球。真实情况是模拟版图自动化在工业界虽然有但远没有达到“输入电路自动出 GDS 且保证可流片”的程度。模拟版图里大量依赖人工经验的环节AI 很难替代。比如匹配管要放在同一温度梯度下关键信号线要远离噪声源敏感模块要加 guard ring大电流路径要足够宽。这些规则很多写不进数据库只能靠版图工程师对工艺和电路的理解来权衡。后仿真环节AI 可以辅助分析寄生参数报告但最终的功耗、速度、稳定性和面积 trade-off还是要工程师拍板。流片更是高风险动作一次流片费用动辄几十万到几百万没有哪个负责任的公司会把最终决策完全交给一个统计模型。所以我的建议是AI 辅助的边界应该画在“不影响流片安全”的位置。它可以帮你写脚本、整理数据、准备报告但涉及工艺库选择、版图风险判断、测试方案设计都要有工程师复核。4. 真正值得关注的不是“取代”而是工作方式会怎么变“AI 会不会取代模拟 IC 工程师”这个问题其实不够准确。更准确的问题是AI 会让模拟 IC 工程师的工作内容发生什么变化哪些能力变得更加值钱4.1 模拟 IC 岗位会从“做电路”变成“定义问题判断结果”过去二十年的模拟 IC 工程师很大一部分精力花在重复性劳动上搭建仿真环境、手动调参数、整理图表、写报告。这些工作占用时间长但因为必须懂电路所以也构成了岗位门槛。当 AI 工具开始能写脚本、生成初始参数、整理仿真数据之后这些门槛会降低。一个会用 AI 辅助的工程师完成这些周边工作的时间可能从三天缩短到半天。这会带来一个很现实的变化同样的工作量团队需要的“纯执行型工程师”会变少。但另一边需求会向更高层移动。工程师把更多时间放在问题定义和结果判断上规格到底怎么定这个拓扑为什么值得采用当前设计在哪个 corner 下存在风险测试数据异常时是版本问题还是设计问题这些问题没有标准答案需要理解电路、工艺和物理。4.2 面试、晋升和项目协作中AI 相关能力会变成加分项模拟 IC 工程师如果完全拒绝 AI可能在未来几年感觉到压力。不是被 AI 裁员而是被“会用 AI 的同事”拉开效率差距。面试环节已经开始变化。除了常规的运放设计、Bandgap 原理、失配分析面试官会问如果你有一个能生成网表脚本和参数建议的 AI 工具你会怎么用你怎么判断它的输出是否可信如果 AI 给出的方案在某个 corner 失效你会怎么排查这些问题没有标准答案但能筛掉两类人一类是完全不懂 AI只愿意按老方法干活另一类是盲目相信 AI把所有输出直接当成最终方案。真正有竞争力的是中间状态能用 AI 加速工作又知道它的边界。这里不建议“零基础从编程开始学 AI”也不建议“机械记忆 AI 提示词”。更稳妥的方式是把 AI 当成新同事告诉它背景、目标、约束让它给出初稿然后你逐项复核。如果你对产品方向感兴趣模拟 IC 的 AI 辅助工具设计本身也是一个切入点。懂电路的人去做这类场景的 AI 产品经理比不懂电路的人更有优势。4.3 新人和转行者应该怎么学 AI又不用转行如果你是模拟 IC 方向的研究生或者刚入职的 junior 工程师可以给自己分一个优先级。第一优先级还是电路基础。模拟 IC 设计的学习路径没有捷径运放、Bandgap、LDO、PLL、ADC/DAC 这些基础模块必须真正理解。AI 工具可以帮你查阅资料、生成报告但它不会替你形成对电路工作原理的直觉。第二优先级才是 AI 工具。可以先从最容易的入手用大模型生成 Spectre/HSPICE 脚本用代码工具整理仿真日志用 AI 辅助写周报和文档。如果你对数据比较敏感也可以先尝试本地部署 AI 模型把脚本辅助和文档整理放在本地环境里跑。这个过程会让你逐渐理解 AI 在哪些地方可靠、哪些地方不可靠。第三优先级是流程自动化。如果你已经能独立跑通一个电路模块的设计可以尝试把参数扫描、corner 仿真、结果汇总做成半自动流程。这个过程中你会自然用到脚本、文件解析、数据统计这些都是 AI 落地时最常用到的周边能力。我给新人的建议很具体不要一上来就学“用 AI 做 layout”也不要把精力花在“做个 AI 设计芯片的大项目”上。先把 AI 用进每天 80% 的重复劳动里再一点点扩大边界。新手最容易犯的错是把 AI 当成答案机器。模拟 IC 更适合把 AI 当成“效率工具”让它写初稿让它做统计但最终判断必须自己来。5. 用一套任务清单实测自己会不会被 AI 影响“AI 会不会取代你”这件事与其看新闻不如用自己的工作任务做一次排查。下面这套清单可以拿来对照你的日常工作。5.1 五个具体问题判断你的工作处于哪个风险层问题一你的工作是否以“执行固定流程”为主比如按照模板搭仿真环境、按固定格式整理报告、手动填写参数表。如果是这部分被自动化的概率很高。问题二你的工作是否频繁遇到“结果不符合预期”比如仿真不收敛、后仿指标偏移、测试曲线异常。这类问题依赖异常诊断能力AI 暂时只能给候选原因不能替你定位。问题三你的工作是否需要和工艺、器件、版图直接打交道理解 threshold voltage、mismatch、parasitic、latch-up 这些底层机制的人被替代的风险更低。问题四你的工作是否需要做多目标权衡比如功耗、速度、增益、面积每个项目都要在这几个维度里折中。AI 能搜索参数空间但哪个权重更重要最终要人来定。问题五你的工作是否牵涉“责任”流片前确认、项目交付、客户规格评审这些环节一旦出错成本极高。只要涉及责任就不可能完全交给 AI。如果五个问题里前两个回答“是”后三个回答“否”那你现在的工作结构偏执行风险相对高。如果前两个答案是“否”后三个“是”说明你已经在做高判断力的工作AI 更多是辅助。5.2 判断标准问题定义、异常处理、多约束权衡、流片责任上面五个问题背后是四个真正的判断维度。问题定义能力能不能把模糊需求翻译成可验证的技术指标。AI 没有需求上下文它不知道客户要的是成本优先还是性能优先。异常处理能力仿真和测试中 80% 的时间会在处理异常。AI 可以枚举原因但实测排障需要理解物理机制需要动手对比不同条件下波形变化。多约束权衡能力模拟设计里很少只有一个正确答案。AI 擅长在给定约束下找局部最优但全局约束经常不写进脚本里。流片责任能力最后签核和流片决策直接跟钱和项目周期挂钩。这种责任必须有人承担而承担者一定是工程师。一个更简洁的判断标准如果你的工作价值主要来自“知道怎么做”的流程知识那么 AI 影响会比较大。如果你的工作价值更多来自“知道为什么这样做、出了问题怎么判断”那么 AI 大概率只是个更好用的工具。5.3 一个可执行的三个月自查计划如果你担心自己的方向可以给自己定一个三个月计划。第一个月记录自己的时间分配。统计一周里有多少小时花在“重复执行”上多少小时花在“异常诊断和决策”上。如果重复执行占比超过 60%这就是接下来优先自动化的对象。第二个月挑一个最耗时的重复任务用 AI 辅助做一次改造。比如把手动编辑仿真脚本改成 AI 生成初稿把人工汇总仿真结果改成脚本解析把复制粘贴周报改成 AI 生成大纲。目标不是“全面数字化”而是让某一条流程能稳定跑通。第三个月复盘效果。看节省了多少时间再把节省出的时间投入到异常诊断或新电路学习中。坚持三个月你对“AI 到底能做什么”会有更准确的感受。注意这个自查计划不需要一开始就做宏大改造。先记录时间再选一个小任务最后看结果。许多人失败是因为第一周就想把整个设计流程重写一遍结果遇到报错就放弃了。6. 我的个人判断哪些人风险高哪些人反而更值钱最后说一些偏主观的判断不是预测而是给同行一个参考。6.1 这三类岗位最容易被动第一类是只做“固定模块变体”的工程师。公司里常年做同一个运放或同一个 LDO 的不同版本流程高度标准化规格变化不大。这类工作一旦积累足够数据AI 工具会比较快地学会。第二类是只做“测试和版图搬运”的工程师。如果只是按规则检查、跑 DRC/LVS、把版图从一个工艺搬到另一个工艺AI 辅助的自动化工具会逐步接管一部分重复环节。第三类是“只会用工具不理解原理”的工程师。他们能跑仿真、能看报告但解释不了为什么这个结果是对的。这种能力容易被 AI 生成的“看起来正确的报告”掩盖最终失去判断力。这里要说明不是只要岗位落在这些类别就马上失业。而是说这些岗位的工作内容会变薄如果不往上走一层议价能力会下降。6.2 这两类工程师反而会受益第一类是“能定义问题”的工程师。规格讨论、系统架构、模块拆分这些环节 AI 帮不上太多忙但一个懂电路全貌的人可以把 AI 安排到最合适的环节让整个团队效率大幅提升。第二类是“能定位异常”的工程师。芯片回来测试曲线不对仿真和实测不一致这类问题需要现场排查、对比波形、怀疑版图、验证测试环境。一个能把三天排查时间缩短到一天的人在任何公司都有价值。Razavi 教授经常强调模拟设计里最重要的事情是理解电路原理而不是背结论。这句话放在 AI 时代反而更成立。因为 AI 可以帮你产生大量结论但判断结论是否成立仍然需要你自己理解原理。6.3 落到行动层面工具、流程和验证闭环如果你想现在就做点什么建议按下面顺序推进。先整理工具链。如果你还没开始用 AI 编程工具或大模型助手可以挑一个适合本地或云端的工具从写脚本、整理文档开始。不用追求最复杂的功能。再整理流程。把仿真任务、参数扫描、结果汇总做成可重复跑的半自动流程。这一步的核心不是“用 AI 写出完美代码”而是“先让你自己清楚每一步输入输出是什么”。最后建立验证闭环。AI 给的任何参数、脚本、报告都要有复核机制。比对自己跑过的 baseline对比工艺角结果确认数据来源。没有验证闭环的 AI 辅助在生产环境里只是个玩具。现在大家喜欢谈 AI agent 自动完成整个任务但在模拟 IC 设计里先把一个环节做成可验证的半自动流程比追求 Agent 化更实际。如果只是学习默认配置够用如果要长期使用就要把日志、输出目录和任务队列提前整理好。这套经验对模拟 IC 设计中的 AI 辅助同样适用先让流程结构清晰再谈自动化最后才谈智能化。关于“AI 会取代模拟 IC 工程师吗”我的答案和 Razavi 教授这场剖析传递出的整体判断基本一致AI 会接管一部分重复性工作但模拟 IC 工程师的核心价值反而会变得更加明显。因为芯片设计从来不只是“把参数跑出来”而是“在无数个看不见的边界里找到一条能流片、能量产、能在真实环境里工作的路”。这条路目前没有一个 AI 能自己走完。真正会走的人是那些愿意把 AI 当工具、又不把判断权交给 AI 的工程师。把底层原理搞懂把重复流程交给工具把时间和精力留给异常和权衡。这就是我认为最稳妥的应对方式。 AI不会取代模拟IC工程师，但将重塑工作方式
这两年关于“AI 会不会取代模拟 IC 工程师”的讨论越来越多。从工程师论坛到面试闲聊再到 IEEE 的线上研讨会这个问题被反复拿出来问。在这些讨论里最值得关注的不是“会”或“不会”这种二选一答案而是一场由模拟 IC 领域经典教材作者 Behzad Razavi 教授参与的深度剖析。他的很多学生和读者都发现这场研讨会没有在“AI 能写代码”的表层打转而是回到模拟电路设计本身的物理约束、自动化边界和工程判断上。先说结论AI 会改变模拟 IC 工程师的工作方式会压缩一部分重复性工作但在可预见的阶段里它不会取代一个真正合格的模拟 IC 工程师。Razavi 教授的剖析方向更接近“AI 是更强的新工具而不是新的设计者”。这篇文章不讨论“AI 会不会取代”这种口号而是把模拟 IC 设计拆开看哪些环节容易被自动化哪些环节必须靠人以及现在就可以上手的 AI 辅助方法。适合谁看模拟 IC 初学者、在校研究生、正在准备模拟 IC 面试的候选人以及已经在做模拟设计但担心职业边界的工程师。你会看到一套判断标准而不是一个安慰。1. 模拟 IC 设计的“反自动化”特征决定 AI 只能做辅助模拟 IC 设计一直有一种“反自动化”的气质。很多人第一次接触模拟电路时会觉得它比数字 IC 更依赖经验同样的增益指标有人会偏置到过驱动有人会优先保证噪声有人会为了稳定性牺牲带宽。这些选择没有绝对对错但都会影响最终流片结果。1.1 数字设计能自动化模拟设计为什么不能完全照搬数字 IC 设计能高度自动化是因为它的抽象层级很清晰RTL、逻辑综合、布局布线、时序收敛每一步都有标准格式和明确检查项。电平是 0/1逻辑函数可以用布尔表达式描述EDA 工具可以穷举和优化。模拟 IC 设计不一样。设计对象是一个连续量系统电压、电流、相位、噪声、增益、带宽、失真相互耦合。一个运放拓扑的偏差会同时改变十几个性能参数一个版图走线方式会带来几 fF 寄生电容直接影响主极点位置。这类问题很难用一个“损失函数”完整描述因为工程中的约束常常是隐性的。另一个问题是工艺偏差。数字电路只要满足建立时间和保持时间逻辑功能基本可靠。模拟电路最怕的就是 corner 变化TT、SS、FF、SF、FS不同工艺角下同一颗电路的功耗、速度、增益可能相差很大。再加上失配、温度漂移、封装寄生设计者必须理解底层物理才能判断仿真结果是否可信。所以再强的 AI 模型也要先面对一个现实模拟 IC 的设计空间里很多“常识”没有写在任何文档里而是散落在有经验的工程师脑子里。1.2 工艺偏差、版图寄生和多重约束都是 AI 难以独立处理的经验层AI 擅长的是从大量数据里找到统计规律。但模拟 IC 设计里有大量问题是“数据不足、约束不清、责任重大”的组合。举个例子一个 LDO 的稳定性和瞬态响应需要在环路增益、相位裕度、负载电容、压差电压之间反复权衡。AI 可以帮你生成一组初始参数但无法替你判断这组参数在灌入封装电感、键合线电阻之后是否还成立。这些判断依赖对物理机制的理解而不是统计数据。版图设计更是如此。同样的电路结构版图画得好不好直接影响失配、串扰和寄生。版图工程师的很多经验是“只看不一定能记住的教训”哪一层走线会在高温下改变阈值哪个区域的衬底噪声会串到敏感节点。这种知识往往没有形成结构化数据AI 想学也没有高质量样本。Razavi 教授的剖析里把边界画得很清楚模拟 IC 的自动化不是“给 AI 一个规格它就自己出 GDS”而是“让 AI 在确定的设计框架里承担重复性工作”。注意AI 生成的脚本和参数本质是“建议初稿”。在进入批量仿真之前一定要先跑通一条单任务样例再检查路径、工艺库和输出格式。不要直接把整个流程交给 AI。2. Razavi 教授这场剖析的核心判断AI 是工具不是设计者“AI 会取代模拟 IC 工程师吗”是一个带焦虑的提问。Razavi 教授在网络研讨会上给出的回答框架实际上把这个问题拆成了两个更具体的问题AI 能自动完成哪些设计任务AI 能否承担模拟 IC 工程师的最终责任2.1 先分清“自动执行”和“自动决策”AI 在模拟 IC 设计中的能力经常被两种感受混淆。一种是“它能自动生成脚本、自动整理数据、自动给建议”这是自动执行。另一种是“它能在多个方案之间做正确选择并且对后果负责”这是自动决策。从这场研讨会的讨论框架来看Razavi 教授的立场更偏向把 AI 放在自动执行层面。它在资料检索、脚本生成、参数搜索、仿真结果整理这些环节确实比人快。但一个 AI 生成的放大电路方案能不能保证在高温、低电压、强噪声环境下仍然稳定它自己无法给出可靠保证。这不是说 AI 不能优化电路参数。事实上基于仿真的自动化优化已经有多年历史工具可以在给定拓扑和约束条件下自动调整宽长比、偏置电流找到一组满足指标的解。但问题往往在于仿真环境本身并不是真实芯片。AI 在仿真环境里跑出来的“最优解”只是在这个抽象模型里最优不等同于在硅片上最优。2.2 模拟工程师最重要的能力恰恰是 AI 最薄弱的环节模拟 IC 工程师每天在做的事情包括定义问题、解读异常、判断风险、承担责任。这些能力很难被“训练数据”覆盖。定义问题意味着在客户只有含糊需求时把技术指标写出来。比如“低功耗放大器”到底要多少功耗带宽是 10MHz 还是 50MHz输入失调多少 mV 以内这些决策影响拓扑选择也影响后续所有工作。AI 可以基于历史规格生成一个指标草案但最终拍板的一定是工程师。解读异常更难自动化。仿真不收敛、后仿性能与预期差 30%、流片回来后测试曲线不对这些现象背后的原因可能是模型版本、版图寄生、测试板电磁干扰、工艺角差异。AI 可以列出常见原因但从现象反推物理机制需要的是工程直觉和现场排查能力。Razavi 教授在剖析中一直强调理解底层原理。模拟 IC 设计不是调用一个现成模块就结束的工作性能边界、失效机理、工艺限制都需要人脑去建模。AI 可以加速这个过程但它不是一个能为你承担责任的设计者。3. AI 在模拟 IC 设计里能落地的具体环节比想象中要窄很多人把 AI 和模拟 IC 放到一起立刻想到“自动设计一个运放”“自动生成版图”。实际落地时你会发现能做的、值得做的、能安全进入生产流程的范围要窄得多。3.1 适合先试的辅助点脚本、文档、文献检索和参数初筛如果你是模拟 IC 方向的工程师或研究生最容易上手的 AI 辅助点不是“自动设计电路”而是把日常重复工作交给它。第一类是脚本生成。用 Spectre、HSPICE、GoldenGate 做仿真时经常会写重复性很强的网表、参数扫描脚本、蒙特卡洛脚本。可以给大模型描述清楚目标让它生成脚本框架然后自己补充工艺库路径、器件模型和测试条件。如果你平时已经在用 Cursor 这类 AI 编程工具可以直接用它来维护仿真脚本效率提升很明显。第二类是文档整理。写设计报告、整理仿真结论、对比工艺角测试结果时可以用 AI 快速组织语言和表格。关键是不要直接粘贴 AI 生成的数据分析必须自己核对每个数字。第三类是文献和规格检索。遇到不熟悉的电路拓扑可以用 AI 快速了解基本原理、常见变体和设计考虑但最终要回到论文原文和设计手册确认。第四类是参数初筛。如果已经有一个明确的拓扑比如五管 OTA可以让 AI 根据目标增益、带宽、功耗给出初始宽长比范围。它给的数值不一定准但能大幅缩短手动摸索时间。我做这类工作时一般会先用一个小样例验证脚本能否跑通再放到完整电路上跑。不要一上来就让 AI 写一个几百行的自动化流程出错后很难排查是模型问题还是参数问题。3.2 批量仿真和结果统计AI 最大的短期价值在这里模拟 IC 设计里最耗时、最枯燥的部分是批量仿真和结果统计。典型场景是 PVT 扫描多个工艺角、多个电压、多个温度加上不同负载条件组合数量轻松超过几百组。工程师需要提交仿真任务等待结果然后汇总成表格分析哪些 corner 不满足指标再调整设计。这个过程非常适合 AI 辅助。AI 可以帮你生成批量任务脚本、提取仿真日志、解析结果文件、生成汇总报告。它不需要理解太多模拟电路细节只要格式规范、路径正确就能完成大量重复工作。如果想做更高级的自动化可以把参数扫描和结果回读封装成一套简单流程定义好输入参数工艺角、温度、电源电压、负载电容。用脚本批量生成网表和仿真任务。仿真结束后用文本解析脚本提取增益、带宽、相位裕度等指标。把结果汇总成表格由工程师判断哪些 corner 需要修改。这里最关键的一点是AI 生成的结果报告只能作为“更快的表格”不能作为“自动决策依据”。如果一个 corner 失效AI 能告诉你“VDD0.9V、温度 125℃ 时相位裕度只有 35°”但为什么失效、要怎么改需要你自己去查偏置、看管子工作区、分析极点位置。3.3 版图、后仿真和流片决策仍然以人工判断为主很多科普会拿“AI 自动布局布线”来吸引眼球。真实情况是模拟版图自动化在工业界虽然有但远没有达到“输入电路自动出 GDS 且保证可流片”的程度。模拟版图里大量依赖人工经验的环节AI 很难替代。比如匹配管要放在同一温度梯度下关键信号线要远离噪声源敏感模块要加 guard ring大电流路径要足够宽。这些规则很多写不进数据库只能靠版图工程师对工艺和电路的理解来权衡。后仿真环节AI 可以辅助分析寄生参数报告但最终的功耗、速度、稳定性和面积 trade-off还是要工程师拍板。流片更是高风险动作一次流片费用动辄几十万到几百万没有哪个负责任的公司会把最终决策完全交给一个统计模型。所以我的建议是AI 辅助的边界应该画在“不影响流片安全”的位置。它可以帮你写脚本、整理数据、准备报告但涉及工艺库选择、版图风险判断、测试方案设计都要有工程师复核。4. 真正值得关注的不是“取代”而是工作方式会怎么变“AI 会不会取代模拟 IC 工程师”这个问题其实不够准确。更准确的问题是AI 会让模拟 IC 工程师的工作内容发生什么变化哪些能力变得更加值钱4.1 模拟 IC 岗位会从“做电路”变成“定义问题判断结果”过去二十年的模拟 IC 工程师很大一部分精力花在重复性劳动上搭建仿真环境、手动调参数、整理图表、写报告。这些工作占用时间长但因为必须懂电路所以也构成了岗位门槛。当 AI 工具开始能写脚本、生成初始参数、整理仿真数据之后这些门槛会降低。一个会用 AI 辅助的工程师完成这些周边工作的时间可能从三天缩短到半天。这会带来一个很现实的变化同样的工作量团队需要的“纯执行型工程师”会变少。但另一边需求会向更高层移动。工程师把更多时间放在问题定义和结果判断上规格到底怎么定这个拓扑为什么值得采用当前设计在哪个 corner 下存在风险测试数据异常时是版本问题还是设计问题这些问题没有标准答案需要理解电路、工艺和物理。4.2 面试、晋升和项目协作中AI 相关能力会变成加分项模拟 IC 工程师如果完全拒绝 AI可能在未来几年感觉到压力。不是被 AI 裁员而是被“会用 AI 的同事”拉开效率差距。面试环节已经开始变化。除了常规的运放设计、Bandgap 原理、失配分析面试官会问如果你有一个能生成网表脚本和参数建议的 AI 工具你会怎么用你怎么判断它的输出是否可信如果 AI 给出的方案在某个 corner 失效你会怎么排查这些问题没有标准答案但能筛掉两类人一类是完全不懂 AI只愿意按老方法干活另一类是盲目相信 AI把所有输出直接当成最终方案。真正有竞争力的是中间状态能用 AI 加速工作又知道它的边界。这里不建议“零基础从编程开始学 AI”也不建议“机械记忆 AI 提示词”。更稳妥的方式是把 AI 当成新同事告诉它背景、目标、约束让它给出初稿然后你逐项复核。如果你对产品方向感兴趣模拟 IC 的 AI 辅助工具设计本身也是一个切入点。懂电路的人去做这类场景的 AI 产品经理比不懂电路的人更有优势。4.3 新人和转行者应该怎么学 AI又不用转行如果你是模拟 IC 方向的研究生或者刚入职的 junior 工程师可以给自己分一个优先级。第一优先级还是电路基础。模拟 IC 设计的学习路径没有捷径运放、Bandgap、LDO、PLL、ADC/DAC 这些基础模块必须真正理解。AI 工具可以帮你查阅资料、生成报告但它不会替你形成对电路工作原理的直觉。第二优先级才是 AI 工具。可以先从最容易的入手用大模型生成 Spectre/HSPICE 脚本用代码工具整理仿真日志用 AI 辅助写周报和文档。如果你对数据比较敏感也可以先尝试本地部署 AI 模型把脚本辅助和文档整理放在本地环境里跑。这个过程会让你逐渐理解 AI 在哪些地方可靠、哪些地方不可靠。第三优先级是流程自动化。如果你已经能独立跑通一个电路模块的设计可以尝试把参数扫描、corner 仿真、结果汇总做成半自动流程。这个过程中你会自然用到脚本、文件解析、数据统计这些都是 AI 落地时最常用到的周边能力。我给新人的建议很具体不要一上来就学“用 AI 做 layout”也不要把精力花在“做个 AI 设计芯片的大项目”上。先把 AI 用进每天 80% 的重复劳动里再一点点扩大边界。新手最容易犯的错是把 AI 当成答案机器。模拟 IC 更适合把 AI 当成“效率工具”让它写初稿让它做统计但最终判断必须自己来。5. 用一套任务清单实测自己会不会被 AI 影响“AI 会不会取代你”这件事与其看新闻不如用自己的工作任务做一次排查。下面这套清单可以拿来对照你的日常工作。5.1 五个具体问题判断你的工作处于哪个风险层问题一你的工作是否以“执行固定流程”为主比如按照模板搭仿真环境、按固定格式整理报告、手动填写参数表。如果是这部分被自动化的概率很高。问题二你的工作是否频繁遇到“结果不符合预期”比如仿真不收敛、后仿指标偏移、测试曲线异常。这类问题依赖异常诊断能力AI 暂时只能给候选原因不能替你定位。问题三你的工作是否需要和工艺、器件、版图直接打交道理解 threshold voltage、mismatch、parasitic、latch-up 这些底层机制的人被替代的风险更低。问题四你的工作是否需要做多目标权衡比如功耗、速度、增益、面积每个项目都要在这几个维度里折中。AI 能搜索参数空间但哪个权重更重要最终要人来定。问题五你的工作是否牵涉“责任”流片前确认、项目交付、客户规格评审这些环节一旦出错成本极高。只要涉及责任就不可能完全交给 AI。如果五个问题里前两个回答“是”后三个回答“否”那你现在的工作结构偏执行风险相对高。如果前两个答案是“否”后三个“是”说明你已经在做高判断力的工作AI 更多是辅助。5.2 判断标准问题定义、异常处理、多约束权衡、流片责任上面五个问题背后是四个真正的判断维度。问题定义能力能不能把模糊需求翻译成可验证的技术指标。AI 没有需求上下文它不知道客户要的是成本优先还是性能优先。异常处理能力仿真和测试中 80% 的时间会在处理异常。AI 可以枚举原因但实测排障需要理解物理机制需要动手对比不同条件下波形变化。多约束权衡能力模拟设计里很少只有一个正确答案。AI 擅长在给定约束下找局部最优但全局约束经常不写进脚本里。流片责任能力最后签核和流片决策直接跟钱和项目周期挂钩。这种责任必须有人承担而承担者一定是工程师。一个更简洁的判断标准如果你的工作价值主要来自“知道怎么做”的流程知识那么 AI 影响会比较大。如果你的工作价值更多来自“知道为什么这样做、出了问题怎么判断”那么 AI 大概率只是个更好用的工具。5.3 一个可执行的三个月自查计划如果你担心自己的方向可以给自己定一个三个月计划。第一个月记录自己的时间分配。统计一周里有多少小时花在“重复执行”上多少小时花在“异常诊断和决策”上。如果重复执行占比超过 60%这就是接下来优先自动化的对象。第二个月挑一个最耗时的重复任务用 AI 辅助做一次改造。比如把手动编辑仿真脚本改成 AI 生成初稿把人工汇总仿真结果改成脚本解析把复制粘贴周报改成 AI 生成大纲。目标不是“全面数字化”而是让某一条流程能稳定跑通。第三个月复盘效果。看节省了多少时间再把节省出的时间投入到异常诊断或新电路学习中。坚持三个月你对“AI 到底能做什么”会有更准确的感受。注意这个自查计划不需要一开始就做宏大改造。先记录时间再选一个小任务最后看结果。许多人失败是因为第一周就想把整个设计流程重写一遍结果遇到报错就放弃了。6. 我的个人判断哪些人风险高哪些人反而更值钱最后说一些偏主观的判断不是预测而是给同行一个参考。6.1 这三类岗位最容易被动第一类是只做“固定模块变体”的工程师。公司里常年做同一个运放或同一个 LDO 的不同版本流程高度标准化规格变化不大。这类工作一旦积累足够数据AI 工具会比较快地学会。第二类是只做“测试和版图搬运”的工程师。如果只是按规则检查、跑 DRC/LVS、把版图从一个工艺搬到另一个工艺AI 辅助的自动化工具会逐步接管一部分重复环节。第三类是“只会用工具不理解原理”的工程师。他们能跑仿真、能看报告但解释不了为什么这个结果是对的。这种能力容易被 AI 生成的“看起来正确的报告”掩盖最终失去判断力。这里要说明不是只要岗位落在这些类别就马上失业。而是说这些岗位的工作内容会变薄如果不往上走一层议价能力会下降。6.2 这两类工程师反而会受益第一类是“能定义问题”的工程师。规格讨论、系统架构、模块拆分这些环节 AI 帮不上太多忙但一个懂电路全貌的人可以把 AI 安排到最合适的环节让整个团队效率大幅提升。第二类是“能定位异常”的工程师。芯片回来测试曲线不对仿真和实测不一致这类问题需要现场排查、对比波形、怀疑版图、验证测试环境。一个能把三天排查时间缩短到一天的人在任何公司都有价值。Razavi 教授经常强调模拟设计里最重要的事情是理解电路原理而不是背结论。这句话放在 AI 时代反而更成立。因为 AI 可以帮你产生大量结论但判断结论是否成立仍然需要你自己理解原理。6.3 落到行动层面工具、流程和验证闭环如果你想现在就做点什么建议按下面顺序推进。先整理工具链。如果你还没开始用 AI 编程工具或大模型助手可以挑一个适合本地或云端的工具从写脚本、整理文档开始。不用追求最复杂的功能。再整理流程。把仿真任务、参数扫描、结果汇总做成可重复跑的半自动流程。这一步的核心不是“用 AI 写出完美代码”而是“先让你自己清楚每一步输入输出是什么”。最后建立验证闭环。AI 给的任何参数、脚本、报告都要有复核机制。比对自己跑过的 baseline对比工艺角结果确认数据来源。没有验证闭环的 AI 辅助在生产环境里只是个玩具。现在大家喜欢谈 AI agent 自动完成整个任务但在模拟 IC 设计里先把一个环节做成可验证的半自动流程比追求 Agent 化更实际。如果只是学习默认配置够用如果要长期使用就要把日志、输出目录和任务队列提前整理好。这套经验对模拟 IC 设计中的 AI 辅助同样适用先让流程结构清晰再谈自动化最后才谈智能化。关于“AI 会取代模拟 IC 工程师吗”我的答案和 Razavi 教授这场剖析传递出的整体判断基本一致AI 会接管一部分重复性工作但模拟 IC 工程师的核心价值反而会变得更加明显。因为芯片设计从来不只是“把参数跑出来”而是“在无数个看不见的边界里找到一条能流片、能量产、能在真实环境里工作的路”。这条路目前没有一个 AI 能自己走完。真正会走的人是那些愿意把 AI 当工具、又不把判断权交给 AI 的工程师。把底层原理搞懂把重复流程交给工具把时间和精力留给异常和权衡。这就是我认为最稳妥的应对方式。