AI会取代模拟IC工程师吗Razavi教授在IEEE研讨会上给出了他的判断最近两年大模型席卷了几乎所有技术领域。代码生成、文档撰写、版图初步规划AI在数字IC设计流程里已经渗透得相当深。于是很多做模拟IC的工程师心里开始打鼓数字后端有AI布线验证有AI查覆盖率模拟这边的电路尺寸调整和版图绘制会不会哪一天也被AI一键搞定甚至有看过几篇AI自动化论文的人直接断言模拟IC工程师会像当年的许多重复性岗位一样被大模型和强化学习逐步吞掉。但真实情况远没有这么简单。模拟IC设计与数字IC设计有本质差异它依赖的很多能力恰恰是当前AI最不擅长的。2026年7月31日IEEE举办了一场专门的网络研讨会邀请到了UCLA教授、模拟集成电路领域最知名的学者之一Behzad Razavi来谈AI对模拟IC工程师职业和设计方法的真实影响。Razavi教授的很多观点和我们平时在技术社区看到的“AI要取代某某工程师”的论调完全不同。这篇文章会从模拟IC设计的核心特点出发结合Razavi教授在研讨会中提到的关键判断分析AI到底能在模拟IC流程中做什么、不能做什么。同时也会给正在做模拟方向或者准备入行模拟IC的工程师提供一个更务实的视角与其焦虑被取代不如看清楚什么能力才是真正的护城河。1. 为什么模拟IC工程师的焦虑和数字IC完全不同先看一个最常见的场景。你在做一颗SerDes收发机里的连续时间线性均衡器CTLE需要在给定的工艺和功耗预算下把高频增益峰值调到目标值。这个过程要来回调偏置电流、调电阻电容阵列、看波特图、看眼图、跑PVT角。调完之后把它放到整个接收链路里又会因为输入共模点、寄生电容、版图耦合产生新的偏差。这种工作听起来很适合交给AI。输入设计指标AI输出最优器件尺寸这不是很多论文已经在做的事情吗但模拟IC真正难的地方恰恰不在于一个单体电路模块的尺寸搜索。Razavi教授在研讨会上反复强调的一个点是一个模拟芯片的设计质量极大程度上取决于工程师对器件物理、电路拓扑、版图效应和系统架构的综合理解。AI可以搜索搜索空间但它很难理解“为什么这个拓扑在这个场景下会失效”的深层原因。比如一个比较器失调电压超标AI搜索之后可能会给出一个加大输入对管面积的方案但真正的原因也许是时钟馈通影响了参考电压或者是版图上不对称引入了系统性失调。这些问题需要的是物理直觉和debug能力而不是参数优化能力。数字IC和模拟IC的根本差异就在这里。数字电路的行为可以通过逻辑门和时序模型准确描述搜索空间大但规则明确AI在规则明确、反馈快速的领域非常擅长。模拟电路则充满了连续值、非线性和工艺偏差而且很多关键问题不是数值问题是结构问题。结构层面的判断和创造是目前AI没有很好解决方案的部分。所以模拟IC工程师的焦虑本质上不是“AI能不能帮我完成设计”而是“AI能不能替代那些建立直觉、积累经验的过程”。Razavi教授的观点很明确工具会进化但工程师的判断力依然是稀缺资源。2. Razavi教授是谁为什么他的观点值得认真读Behzad Razavi教授是UCLA的电气与计算机工程教授也是模拟与混合信号集成电路领域公认的顶级学者之一。他在高速通信电路、数据转换器、时钟与频率合成等方向有大量开创性工作。他的经典教材比如《Design of Analog CMOS Integrated Circuits》和《RF Microelectronics》是全世界很多高校微电子专业的标准教科书。Razavi教授在IEEE ISSCC、JSSC、CICC等顶级会议和期刊上的论文和讲义被业界工程师广泛引用。他对模拟电路设计的很多论断往往都很直接甚至会挑战行业内的流行叙事。所以这场由IEEE组织的网络研讨会天然适合用来回答“AI会不会取代模拟IC工程师”这个热点问题。从材料中可以看到这次研讨会的背景是在AI技术加速进入EDA工具的时期。AI辅助版图布线、AI辅助时序优化、AI辅助电路尺寸搜索等研究越来越多一些公司也在尝试把强化学习引入模拟版图生成。行业对AI的期待值很高但Razavi教授给出的回应是基于模拟电路设计的本质规律而不是跟随热点。他没有简单地说“AI很强”或“AI没用”而是把AI的能力边界和模拟IC设计的核心需求放在一起做对比。这种对比的结论对工程师判断AI能做什么、不能做什么非常有参考价值。3. 模拟IC设计的本质为什么它是一门“非直觉”的学问要理解AI为什么很难取代模拟IC工程师首先得理解模拟IC设计本身的工作方式。模拟电路设计有一个特点它不像写代码那样运行一次就能立刻看到逻辑是否通过。一个最终量产的高性能模拟芯片通常需要在原理图设计、前仿真、版图设计、后仿真、流片测试、系统调试这些环节之间反复迭代。每一个环节出现的问题都可能追溯到非常隐蔽的原因。举几个实际工程中非常典型的例子。第一版图敏感性问题。同样的电路网表版图画法不同性能可能差百分之三十以上。信号线间距、衬底耦合、电源分布、ESD结构的位置都会影响最终性能。AI即使能生成一个DRC/LVS干净的版图也很难保证这个版图在寄生提取之后仍然满足设计指标。AI优化版图时通常只考虑面积和布线长度但在模拟领域中寄生对称性、电流方向和热分布往往比单纯布通更重要。第二工艺波动的统计效应。模拟电路对工艺偏差高度敏感。同样的设计在TT角下工作正常在SS角下可能振荡在FF角下可能功耗超标。AI模型训练时如果只覆盖了稀疏的PVT组合很容易给出一个看似最优、实际不稳健的尺寸。优秀的模拟工程师会主动做蒙特卡洛分析并针对关键指标做冗余设计这个层面需要的是对统计和电路原理的双重理解。第三跨层级调试。一颗芯片最终测试失败问题可能出在任何一个环节。可能是顶层架构的问题可能是某一个小模块的偏置电路在特定温度下启动失败可能是封装寄生导致了电源噪声恶化。模拟工程师需要像侦探一样排查问题。这种能力建立在大量流片和调试经验上靠的是对电路行为模式的深层记忆而不是对训练数据的类比。Razavi教授在研讨会上指出AI在“给定问题搜索解决方案”这个层面上很有用。但模拟IC设计中的很多关键决策其实是在“为什么性能不达标”这个诊断过程中产生的。诊断和搜索是两种完全不同的思维模式。4. AI在模拟IC设计中的实际进展能做什么不能做什么虽然AI不能取代工程师的整体判断但在模拟IC的某些流程环节AI已经能够起到很实际的辅助作用。Razavi教授并没有否认这一点他认可AI在特定任务上的效率提升潜力。目前比较成熟的方向主要有以下几个方面。4.1 器件尺寸的智能搜索模拟电路设计里有一个非常费时间的工作叫做电路尺寸优化。给一个运放拓扑确定宽长比、偏置电流、补偿电容这些参数使得增益、带宽、功耗满足指标。传统方式靠工程师经验和多轮仿真迭代AI方式则可以把这个过程转化为一个优化问题。基于贝叶斯优化、遗传算法、强化学习的方法在近几年的论文中已经比较常见。它们能在给定拓扑的前提下以较少的仿真次数找到较优的尺寸组合。对于标准单元类的设计比如LDO、Bandgap、OTA这类方法已经有一定的工程可用性。但要注意这类AI工具的输出边界非常清楚。它优化的是“已知拓扑下的一组参数”不能帮你决定“用折叠共源共栅还是用两级Miller结构”更不能处理“这个设计在极端共模输入下会失效”这种结构性问题。4.2 版图的自动化生成与检查模拟版图一直是自动化程度最低的设计环节。近几年机器学习被尝试用于模拟版图自动生成比如生成匹配晶体管阵列、自动布局对称结构、预测寄生参数等。这些方向还处于研究到早期落地的过渡阶段。AI在这方面能做的是快速生成一些相对标准化的版图模块减少设计师在重复模块上消耗的时间。同时AI也可以用于版图质量评估比如识别潜在的不匹配风险、高寄生敏感区域。但现实的挑战是模拟版图的约束高度依赖具体设计场景。不同的运放拓扑对版图对称性的要求不同不同工艺的design rule也不同。AI生成的版图很多时候还是需要资深版图工程师进行大量手动调整和验证。4.3 仿真数据分析和自动诊断在仿真数据后处理方面AI有比较明显的价值。一个复杂的模拟芯片前后仿真可以产生海量的波形和数据。工程师需要从中快速定位异常点。利用机器学习做异常检测、相关性分析可以在一定程度上加快这个流程。例如当某个性能指标在不同的工艺角下出现异常波动时AI可以通过分析各节点电压电流数据给出可能存在问题的子电路模块。这种辅助分析能力对提高设计效率是有实际意义的。Razavi教授对这种辅助应用的态度是正面的。他认为AI作为一种工具可以为工程师提供更多的设计洞察减少繁琐的数据处理时间。但它并没有改变一个核心事实最终对电路行为负责的依然是工程师。5. 数据稀缺AI在模拟IC领域最大的天花板前面说的AI应用大多是基于强化学习或优化搜索不需要海量标注数据。但如果我们想象中的AI是像大模型一样通过学习大量设计案例自动生成新的电路拓扑那就绕不开一个核心问题数据从哪来。这也是Razavi教授在研讨会上划出的一条非常清晰的边界。数字IC领域有大量公开的RTL代码、综合脚本和设计文档AI可以基于这些数据学习设计规律。但模拟IC设计数据的情况完全不同。一个公司的模拟IP往往高度保密包含核心的工艺信息、器件模型、版图工艺细节和测试经验。这些数据不会公开也难以共享。即使在同一家公司内部不同项目之间的模拟设计数据也常常因为格式不统一而难以直接复用。更关键的是模拟设计的有效数据量非常少。一枚模拟芯片的完整设计数据也就是那么几十个成功案例几百个失败案例。与自然语言处理中动辄几十亿条语料相比这些数据量根本不足以支撑一个大模型的训练。还有一个维度是标注成本。数字电路的数据标注相对清晰逻辑正确与否是明确的。模拟电路设计数据则充满了模糊的权衡。同样的设计A和设计B在性能、功耗、面积上各有取舍很难定义一个“正确”标签。没有质量稳定的标注AI模型的训练效果就难以保证。所以Razavi教授的观点是AI在模拟IC领域会更多地以“辅助工具”的形式出现而不是真正的“设计智能”。它可以缩小搜索范围、指出潜在风险、加快后处理但它不会成为那个在架构层面提出新方案的角色。这个判断对于工程师来说很重要。它意味着哪怕AI工具越来越先进模拟IC工程师的核心竞争力——对电路行为的理解、对问题的诊断能力、对架构的创造力——仍然无法被外包给模型。6. 一个更真实的预期AI是“高级助手”不是“替代者”如果把AI和模拟IC工程师的关系做一个比较贴切的类比可以这样理解AI更像一个能力很强、知识面很广的初级工程师它可以在明确指令下完成特定的模块任务比如在一组约束下搜索尺寸、检查版图潜在风险、整理仿真报告但它不具备独立负责一颗芯片的能力。为什么这样说因为一颗模拟芯片的成功流片依赖大量没有写进工具脚本的经验。比如在启动阶段如何设计一个可靠的porPower On Reset电路避免在电源缓慢上升时出现误触发在ESD设计中如何布局防护结构而不影响高速信号质量在电源网络上如何预留足够的去耦电容又不浪费面积在温度变化剧烈的场景下如何让Bandgap的温漂保持在可接受范围。这些能力在当前AI体系中很难被高效建模。它们不是单一目标优化问题而是在多个相互制约的维度之间做权衡并且要结合芯片整体架构来做判断。所以更现实的趋势是AI会推动模拟IC工程师的工作方式向更高价值的方向迁移。重复性的尺寸试错、常规版图布线、数据分析可能会更多地由AI辅助完成。工程师可以将时间投入到更核心的架构设计、系统建模、疑难问题诊断和创新方法研究中。Razavi教授在研讨会最后表达的核心观点也与此一致模拟IC技术的进步依然需要人类的创造力。AI可以成为极好的辅助工具但它无法替代工程师对电路的理解以及从问题中发现新方向的能力。7. 模拟IC工程师如何应对AI时代如果你正在做模拟IC或者准备进入这个领域最需要关心的不是“AI会不会让我失业”而是“我应该如何利用AI提升自己的设计能力”。以下几点建议可以参考。第一强化对电路原理的深层理解。不要因为有了仿真工具就跳过对电路工作原理的分析。AI可以帮助你搜索参数但不能替代你理解为什么这个参数会起作用。真正建立“看到电路就大概知道优缺点”的能力依然是核心壁垒。第二主动学习AI辅助设计工具。现在很多EDA厂商和学术项目都在推动AI辅助设计工具落地比如Cadence、Synopsys以及一些初创公司的工具。尽早接触这些工具了解它们的能力边界和最佳使用方式可以让你在实际项目中比同事更高效。第三重视流片和测试环节。这是AI最难模拟的部分。一颗芯片从设计到流片再到测试中间的反馈循环是建立工程直觉的关键。尽量参与完整的流片项目记录每一次设计决策背后的原因这些经验会成为未来工作中真正的分水岭。第四发展跨领域知识。模拟IC和系统设计、封装、PCB设计、算法实现之间的接口越来越多。理解系统层面的需求能让你设计出的模拟模块更符合整体架构。这种系统级视角也是AI很难取代的。第五对AI工具保持开放但审慎的心态。看到论文或厂商宣传AI自动化设计时不要盲目相信“什么都能做”也不要一棒子打死。最好的验证方法是在具体的设计任务中亲自测试用结果判断它在哪些环节真正有效哪些环节只是演示效果。8. 总结与下一步思考回到开头的那个问题AI会取代模拟IC工程师吗从Razavi教授的观点来看短期和中期内答案基本是否定的。AI会成为越来越强大的辅助工具在尺寸优化、版图辅助、数据分析等领域显著提高效率但它并不具备独立完成一颗高端模拟芯片设计所需的物理直觉、工程判断和经验积累。更值得关注的变化是AI正在改变模拟IC工程师的工作内涵。传统的“调管子的工程师”确实面临工具升级带来的冲击。但那些能够掌握系统架构、电路核心原理和全流程验证能力的工程师反而会因为AI的帮助而变得更加强大。这次IEEE网络研讨会给我们最大的启示不是“模拟IC工程师安全了”或者“模拟IC工程师危险了”而是在一个工具快速进化的时代什么能力才是真正稀缺的。理解了这一点就不会被各种AI取代论带偏节奏。 AI会取代模拟IC工程师吗？Razavi教授：工具会进化，判断力仍是稀缺资源
AI会取代模拟IC工程师吗Razavi教授在IEEE研讨会上给出了他的判断最近两年大模型席卷了几乎所有技术领域。代码生成、文档撰写、版图初步规划AI在数字IC设计流程里已经渗透得相当深。于是很多做模拟IC的工程师心里开始打鼓数字后端有AI布线验证有AI查覆盖率模拟这边的电路尺寸调整和版图绘制会不会哪一天也被AI一键搞定甚至有看过几篇AI自动化论文的人直接断言模拟IC工程师会像当年的许多重复性岗位一样被大模型和强化学习逐步吞掉。但真实情况远没有这么简单。模拟IC设计与数字IC设计有本质差异它依赖的很多能力恰恰是当前AI最不擅长的。2026年7月31日IEEE举办了一场专门的网络研讨会邀请到了UCLA教授、模拟集成电路领域最知名的学者之一Behzad Razavi来谈AI对模拟IC工程师职业和设计方法的真实影响。Razavi教授的很多观点和我们平时在技术社区看到的“AI要取代某某工程师”的论调完全不同。这篇文章会从模拟IC设计的核心特点出发结合Razavi教授在研讨会中提到的关键判断分析AI到底能在模拟IC流程中做什么、不能做什么。同时也会给正在做模拟方向或者准备入行模拟IC的工程师提供一个更务实的视角与其焦虑被取代不如看清楚什么能力才是真正的护城河。1. 为什么模拟IC工程师的焦虑和数字IC完全不同先看一个最常见的场景。你在做一颗SerDes收发机里的连续时间线性均衡器CTLE需要在给定的工艺和功耗预算下把高频增益峰值调到目标值。这个过程要来回调偏置电流、调电阻电容阵列、看波特图、看眼图、跑PVT角。调完之后把它放到整个接收链路里又会因为输入共模点、寄生电容、版图耦合产生新的偏差。这种工作听起来很适合交给AI。输入设计指标AI输出最优器件尺寸这不是很多论文已经在做的事情吗但模拟IC真正难的地方恰恰不在于一个单体电路模块的尺寸搜索。Razavi教授在研讨会上反复强调的一个点是一个模拟芯片的设计质量极大程度上取决于工程师对器件物理、电路拓扑、版图效应和系统架构的综合理解。AI可以搜索搜索空间但它很难理解“为什么这个拓扑在这个场景下会失效”的深层原因。比如一个比较器失调电压超标AI搜索之后可能会给出一个加大输入对管面积的方案但真正的原因也许是时钟馈通影响了参考电压或者是版图上不对称引入了系统性失调。这些问题需要的是物理直觉和debug能力而不是参数优化能力。数字IC和模拟IC的根本差异就在这里。数字电路的行为可以通过逻辑门和时序模型准确描述搜索空间大但规则明确AI在规则明确、反馈快速的领域非常擅长。模拟电路则充满了连续值、非线性和工艺偏差而且很多关键问题不是数值问题是结构问题。结构层面的判断和创造是目前AI没有很好解决方案的部分。所以模拟IC工程师的焦虑本质上不是“AI能不能帮我完成设计”而是“AI能不能替代那些建立直觉、积累经验的过程”。Razavi教授的观点很明确工具会进化但工程师的判断力依然是稀缺资源。2. Razavi教授是谁为什么他的观点值得认真读Behzad Razavi教授是UCLA的电气与计算机工程教授也是模拟与混合信号集成电路领域公认的顶级学者之一。他在高速通信电路、数据转换器、时钟与频率合成等方向有大量开创性工作。他的经典教材比如《Design of Analog CMOS Integrated Circuits》和《RF Microelectronics》是全世界很多高校微电子专业的标准教科书。Razavi教授在IEEE ISSCC、JSSC、CICC等顶级会议和期刊上的论文和讲义被业界工程师广泛引用。他对模拟电路设计的很多论断往往都很直接甚至会挑战行业内的流行叙事。所以这场由IEEE组织的网络研讨会天然适合用来回答“AI会不会取代模拟IC工程师”这个热点问题。从材料中可以看到这次研讨会的背景是在AI技术加速进入EDA工具的时期。AI辅助版图布线、AI辅助时序优化、AI辅助电路尺寸搜索等研究越来越多一些公司也在尝试把强化学习引入模拟版图生成。行业对AI的期待值很高但Razavi教授给出的回应是基于模拟电路设计的本质规律而不是跟随热点。他没有简单地说“AI很强”或“AI没用”而是把AI的能力边界和模拟IC设计的核心需求放在一起做对比。这种对比的结论对工程师判断AI能做什么、不能做什么非常有参考价值。3. 模拟IC设计的本质为什么它是一门“非直觉”的学问要理解AI为什么很难取代模拟IC工程师首先得理解模拟IC设计本身的工作方式。模拟电路设计有一个特点它不像写代码那样运行一次就能立刻看到逻辑是否通过。一个最终量产的高性能模拟芯片通常需要在原理图设计、前仿真、版图设计、后仿真、流片测试、系统调试这些环节之间反复迭代。每一个环节出现的问题都可能追溯到非常隐蔽的原因。举几个实际工程中非常典型的例子。第一版图敏感性问题。同样的电路网表版图画法不同性能可能差百分之三十以上。信号线间距、衬底耦合、电源分布、ESD结构的位置都会影响最终性能。AI即使能生成一个DRC/LVS干净的版图也很难保证这个版图在寄生提取之后仍然满足设计指标。AI优化版图时通常只考虑面积和布线长度但在模拟领域中寄生对称性、电流方向和热分布往往比单纯布通更重要。第二工艺波动的统计效应。模拟电路对工艺偏差高度敏感。同样的设计在TT角下工作正常在SS角下可能振荡在FF角下可能功耗超标。AI模型训练时如果只覆盖了稀疏的PVT组合很容易给出一个看似最优、实际不稳健的尺寸。优秀的模拟工程师会主动做蒙特卡洛分析并针对关键指标做冗余设计这个层面需要的是对统计和电路原理的双重理解。第三跨层级调试。一颗芯片最终测试失败问题可能出在任何一个环节。可能是顶层架构的问题可能是某一个小模块的偏置电路在特定温度下启动失败可能是封装寄生导致了电源噪声恶化。模拟工程师需要像侦探一样排查问题。这种能力建立在大量流片和调试经验上靠的是对电路行为模式的深层记忆而不是对训练数据的类比。Razavi教授在研讨会上指出AI在“给定问题搜索解决方案”这个层面上很有用。但模拟IC设计中的很多关键决策其实是在“为什么性能不达标”这个诊断过程中产生的。诊断和搜索是两种完全不同的思维模式。4. AI在模拟IC设计中的实际进展能做什么不能做什么虽然AI不能取代工程师的整体判断但在模拟IC的某些流程环节AI已经能够起到很实际的辅助作用。Razavi教授并没有否认这一点他认可AI在特定任务上的效率提升潜力。目前比较成熟的方向主要有以下几个方面。4.1 器件尺寸的智能搜索模拟电路设计里有一个非常费时间的工作叫做电路尺寸优化。给一个运放拓扑确定宽长比、偏置电流、补偿电容这些参数使得增益、带宽、功耗满足指标。传统方式靠工程师经验和多轮仿真迭代AI方式则可以把这个过程转化为一个优化问题。基于贝叶斯优化、遗传算法、强化学习的方法在近几年的论文中已经比较常见。它们能在给定拓扑的前提下以较少的仿真次数找到较优的尺寸组合。对于标准单元类的设计比如LDO、Bandgap、OTA这类方法已经有一定的工程可用性。但要注意这类AI工具的输出边界非常清楚。它优化的是“已知拓扑下的一组参数”不能帮你决定“用折叠共源共栅还是用两级Miller结构”更不能处理“这个设计在极端共模输入下会失效”这种结构性问题。4.2 版图的自动化生成与检查模拟版图一直是自动化程度最低的设计环节。近几年机器学习被尝试用于模拟版图自动生成比如生成匹配晶体管阵列、自动布局对称结构、预测寄生参数等。这些方向还处于研究到早期落地的过渡阶段。AI在这方面能做的是快速生成一些相对标准化的版图模块减少设计师在重复模块上消耗的时间。同时AI也可以用于版图质量评估比如识别潜在的不匹配风险、高寄生敏感区域。但现实的挑战是模拟版图的约束高度依赖具体设计场景。不同的运放拓扑对版图对称性的要求不同不同工艺的design rule也不同。AI生成的版图很多时候还是需要资深版图工程师进行大量手动调整和验证。4.3 仿真数据分析和自动诊断在仿真数据后处理方面AI有比较明显的价值。一个复杂的模拟芯片前后仿真可以产生海量的波形和数据。工程师需要从中快速定位异常点。利用机器学习做异常检测、相关性分析可以在一定程度上加快这个流程。例如当某个性能指标在不同的工艺角下出现异常波动时AI可以通过分析各节点电压电流数据给出可能存在问题的子电路模块。这种辅助分析能力对提高设计效率是有实际意义的。Razavi教授对这种辅助应用的态度是正面的。他认为AI作为一种工具可以为工程师提供更多的设计洞察减少繁琐的数据处理时间。但它并没有改变一个核心事实最终对电路行为负责的依然是工程师。5. 数据稀缺AI在模拟IC领域最大的天花板前面说的AI应用大多是基于强化学习或优化搜索不需要海量标注数据。但如果我们想象中的AI是像大模型一样通过学习大量设计案例自动生成新的电路拓扑那就绕不开一个核心问题数据从哪来。这也是Razavi教授在研讨会上划出的一条非常清晰的边界。数字IC领域有大量公开的RTL代码、综合脚本和设计文档AI可以基于这些数据学习设计规律。但模拟IC设计数据的情况完全不同。一个公司的模拟IP往往高度保密包含核心的工艺信息、器件模型、版图工艺细节和测试经验。这些数据不会公开也难以共享。即使在同一家公司内部不同项目之间的模拟设计数据也常常因为格式不统一而难以直接复用。更关键的是模拟设计的有效数据量非常少。一枚模拟芯片的完整设计数据也就是那么几十个成功案例几百个失败案例。与自然语言处理中动辄几十亿条语料相比这些数据量根本不足以支撑一个大模型的训练。还有一个维度是标注成本。数字电路的数据标注相对清晰逻辑正确与否是明确的。模拟电路设计数据则充满了模糊的权衡。同样的设计A和设计B在性能、功耗、面积上各有取舍很难定义一个“正确”标签。没有质量稳定的标注AI模型的训练效果就难以保证。所以Razavi教授的观点是AI在模拟IC领域会更多地以“辅助工具”的形式出现而不是真正的“设计智能”。它可以缩小搜索范围、指出潜在风险、加快后处理但它不会成为那个在架构层面提出新方案的角色。这个判断对于工程师来说很重要。它意味着哪怕AI工具越来越先进模拟IC工程师的核心竞争力——对电路行为的理解、对问题的诊断能力、对架构的创造力——仍然无法被外包给模型。6. 一个更真实的预期AI是“高级助手”不是“替代者”如果把AI和模拟IC工程师的关系做一个比较贴切的类比可以这样理解AI更像一个能力很强、知识面很广的初级工程师它可以在明确指令下完成特定的模块任务比如在一组约束下搜索尺寸、检查版图潜在风险、整理仿真报告但它不具备独立负责一颗芯片的能力。为什么这样说因为一颗模拟芯片的成功流片依赖大量没有写进工具脚本的经验。比如在启动阶段如何设计一个可靠的porPower On Reset电路避免在电源缓慢上升时出现误触发在ESD设计中如何布局防护结构而不影响高速信号质量在电源网络上如何预留足够的去耦电容又不浪费面积在温度变化剧烈的场景下如何让Bandgap的温漂保持在可接受范围。这些能力在当前AI体系中很难被高效建模。它们不是单一目标优化问题而是在多个相互制约的维度之间做权衡并且要结合芯片整体架构来做判断。所以更现实的趋势是AI会推动模拟IC工程师的工作方式向更高价值的方向迁移。重复性的尺寸试错、常规版图布线、数据分析可能会更多地由AI辅助完成。工程师可以将时间投入到更核心的架构设计、系统建模、疑难问题诊断和创新方法研究中。Razavi教授在研讨会最后表达的核心观点也与此一致模拟IC技术的进步依然需要人类的创造力。AI可以成为极好的辅助工具但它无法替代工程师对电路的理解以及从问题中发现新方向的能力。7. 模拟IC工程师如何应对AI时代如果你正在做模拟IC或者准备进入这个领域最需要关心的不是“AI会不会让我失业”而是“我应该如何利用AI提升自己的设计能力”。以下几点建议可以参考。第一强化对电路原理的深层理解。不要因为有了仿真工具就跳过对电路工作原理的分析。AI可以帮助你搜索参数但不能替代你理解为什么这个参数会起作用。真正建立“看到电路就大概知道优缺点”的能力依然是核心壁垒。第二主动学习AI辅助设计工具。现在很多EDA厂商和学术项目都在推动AI辅助设计工具落地比如Cadence、Synopsys以及一些初创公司的工具。尽早接触这些工具了解它们的能力边界和最佳使用方式可以让你在实际项目中比同事更高效。第三重视流片和测试环节。这是AI最难模拟的部分。一颗芯片从设计到流片再到测试中间的反馈循环是建立工程直觉的关键。尽量参与完整的流片项目记录每一次设计决策背后的原因这些经验会成为未来工作中真正的分水岭。第四发展跨领域知识。模拟IC和系统设计、封装、PCB设计、算法实现之间的接口越来越多。理解系统层面的需求能让你设计出的模拟模块更符合整体架构。这种系统级视角也是AI很难取代的。第五对AI工具保持开放但审慎的心态。看到论文或厂商宣传AI自动化设计时不要盲目相信“什么都能做”也不要一棒子打死。最好的验证方法是在具体的设计任务中亲自测试用结果判断它在哪些环节真正有效哪些环节只是演示效果。8. 总结与下一步思考回到开头的那个问题AI会取代模拟IC工程师吗从Razavi教授的观点来看短期和中期内答案基本是否定的。AI会成为越来越强大的辅助工具在尺寸优化、版图辅助、数据分析等领域显著提高效率但它并不具备独立完成一颗高端模拟芯片设计所需的物理直觉、工程判断和经验积累。更值得关注的变化是AI正在改变模拟IC工程师的工作内涵。传统的“调管子的工程师”确实面临工具升级带来的冲击。但那些能够掌握系统架构、电路核心原理和全流程验证能力的工程师反而会因为AI的帮助而变得更加强大。这次IEEE网络研讨会给我们最大的启示不是“模拟IC工程师安全了”或者“模拟IC工程师危险了”而是在一个工具快速进化的时代什么能力才是真正稀缺的。理解了这一点就不会被各种AI取代论带偏节奏。