摘要：AI 工具的激增似乎恰好能填补人才短缺的缺口，但深入分析便会发现，AI 的能力与实际需求并非完全匹配。在电子设计自动化（EDA）流程中，部分环节仍需人类工程师参与，且在可预见的未来，这一现状大概率不会改变。
AI 工具的激增似乎恰好能填补人才短缺的缺口，但深入分析便会发现，AI 的能力与实际需求并非完全匹配。在电子设计自动化（EDA）流程中，部分环节仍需人类工程师参与，且在可预见的未来，这一现状大概率不会改变。
模拟设计这门“难以掌握的技艺”、安全关键型功能安全的最终决策、高层级架构设计、产品创新及创造性问题解决，仍是人类工程师的核心优势领域。
尽管有观点预测 AI 将全面取代人类岗位，但 AI 对工程类工作的影响实则更为复杂，具体取决于任务性质、工作复杂度，以及 AI 工具在各领域的当前成熟度。
“创造性、开放性及场景特定性任务 —— 如模拟设计与概念性工作 —— 难以被 AI 完全替代。” 新思科技（Synopsys）产品管理高级总监阿南德・蒂鲁文卡达姆（Anand Thiruvengadam）表示，“在复杂领域，AI 更可能成为设计师的辅助工具而非替代品，其作用是提升生产效率，而非完全取代人类。”
跨领域架构 / 概念设计：高层级架构决策、创新性产品设计及创造性方向规划，需依赖人类的直觉、洞察力及跨领域推理能力。
架构与规格定义：确定芯片的目标、功能及约束条件，需深入理解市场、客户需求及技术细节。人类的洞察力能确保设计符合业务需求、法规要求及长期战略。
模拟电路设计：该领域需深厚的专业知识、创造性问题解决能力，以及对权衡取舍（如噪声、线性度、匹配度）的细致理解。AI 工具可辅助进行仿真与布局建议，但由于模拟设计的复杂性与场景特定性，实现完全自动化仍面临挑战。
安全关键型与高可靠性设计决策：此类设计一旦出错可能导致灾难性故障，因此必须由人类验证安全功能、冗余设计及容错能力。
验证 signoff与质量保障：尽管 AI 可自动化诸多验证任务，但最终 signoff仍需人类判断—— 解读结果、评估风险、确保完整性，尤其是在边缘案例与异常场景中。
物理设计收敛与量产准备：关于良率、可制造性及工艺偏差的决策，需依赖人类专业知识。工程师需监督最终的可制造性设计（DFM），负责流片签核，并评估代工厂反馈。
应对新问题与异常情况：未预见的设计挑战、漏洞或工艺问题，需创造性解决能力与跨学科知识，这是 AI 无法完全自动化的。
未来，一种类似“达尔文进化式” 的 AI 系统或能通过随机尝试大量方案、筛选最优思路，从而熟练解决新问题。但 Cadence 验证软件产品管理高级总监马修・格雷厄姆（Matthew Graham）认为：“我不确定这种情况是否会发生，但即便实现，效率也必然低下。人类工程师的工作方式是：‘我需要解决这个新问题，先思考所有可能有用的方法，然后有选择地尝试不同路径。’而目前的 AI 尚无法做到这种自主筛选与决策。”
图 1:人类大脑与 AI 协同协作，可更高效地解决问题 来源:Cadence 公司
AI 可为设计提供起点，缩短设计周期、加速优化进程、提升产品上市速度，但仍需人类理解设计的核心目标与意义。
“场景语境至关重要。”Baya Systems 首席商务官南丹・纳亚姆帕利（Nandan Nayampally）表示，“尽管 AI 在理解语境方面持续进步，但仍无法完全掌握所有相关信息。人类拥有许多机器不具备的语境认知，因此 AI 需要人类的指导。”
目前，多数企业都在考虑将 AI 应用于硬件研发。“我们已在该领域投入资源，这显然是行业的发展方向。”Arm 公司基础设施业务高级副总裁兼总经理穆罕默德・阿瓦德（Mohamed Awad）指出 ，“但问题在于：是否会完全依赖 AI？只需按下按钮就能生成芯片吗？这涉及软件层面的问题。在 AI 应用初期，其主要作用将集中在高层级功能，比如简化普通工程师的基础或低复杂度任务。但若认为 AI 不会加速核心设计原则与流程（尤其是重复性工作）的发展，则过于天真。”
人类工程师需掌握两项关键能力：一是向 AI 系统输入准确有用的知识，二是验证 AI 输出结果的正确性。
“AI 不应成为工程师的职业威胁，因为本质上，仍需人类验证 AI 生成的系统是否最优。” 西门子 EDA（Siemens EDA）混合物理与虚拟系统副总裁、汽车及军民航空领域负责人戴维・弗里茨（David Fritz）表示，“AI 并非像大型语言模型那样‘阅读论文、消化 PDF 文件’，它需要的是‘隐性知识’—— 比如知晓 A 与 B 之间存在某种依赖关系，而这种关系可能未被文献记载。工程师的关键作用在于，帮助 AI 系统达到能为经验不足者提供有效支持的水平；同时，随着技术发展，工程师仍需监控系统、训练系统。工程领域的未来依然光明，但从业者需理解 AI 的角色 —— 它不只是命令行工具的自然语言接口，目前 90% 的 AI 应用仍停留在这一层面，而我们需要的远不止于此。”
验证是避免高成本错误的关键，也是设计流程中最耗时、最昂贵的环节。如今，半导体设计的各环节成本均在攀升：芯片制造中的掩模版与流片成本极高，PCB 板（印制电路板）也需大量投入。
“在这一领域，风险控制与上市时间是核心。” 是德科技（Keysight）高级总监亚历山大・彼得（Alexander Petr）表示，“企业希望一次设计就成功，以节省成本并抢占市场先机。若某团队宣称‘用 AI 重构整个流程、生成解决方案’，你会信任 AI 来处理价值数百万美元的项目吗？必须梳理工作流程，明确人类参与的节点、安全措施的嵌入点及验证步骤的设置点。信任固然重要，但验证是必不可少的环节。按此逻辑，所需人员数量可能减少，但这是为了填补技能缺口，而非替代岗位 —— 工作内容会发生变化，工程师将从‘设计’更多转向‘验证’。”
目前，已有多家初创企业聚焦 RTL 验证领域。“比如分析信号、判断信号来源，他们已开发出 AI 工具并用于流片，但这些工具远未达到量产就绪状态。” 彼得指出，“人类对 AI 系统的信任度仍不足，建立这种信任可能需要数年甚至数十年，且需经过多次迭代。此外，部分 AI 技术的开发采用‘敏捷模式’—— 快速试错、反复迭代，但这会导致初期版本存在问题，比如‘幻觉输出’（生成错误却自认为正确的结果）。最近就有报道称，某 AI 删除了整个数据库，这显然不是好的开端。我们需要回归本质：明确验证 AI 输出所需的技能，开发相应工具，再确定可自动化、可重构及可替代的环节。总体而言，从人员数量角度看，AI 不会带来显著变化。”
模拟设计的难度不仅在于“用 AI/ML 工具解决”，其本身就是更复杂的领域。“模拟领域的难度更高，因为现实世界中的一切都是模拟信号。” 西门子 EDA 产品负责人萨蒂什库马尔・巴拉苏布拉马尼亚姆（Sathishkumar Balasubramanian）表示，“模拟设计贴近物理本质，存在抽象性；而数字设计的抽象性体现在 0、1、X（不确定状态），以及系统、软件等层面，相对更易标准化。”
对于模拟 / 混合信号设计，AI 可用于分析、优化与调试，也可作为自然语言训练工具降低学习门槛，但 AI 工具的应用也带来了一些隐患。
“我过去通过读书学习解决问题的方法，然后在实验室实操 —— 做面包板、设计电路，专注于解决具体问题。” 巴拉苏布拉马尼亚姆说，“但现在，人们与问题本身的距离越来越远：他们先学习‘能辅助解决问题的工具’，包括工具的使用方法、相关语言，却未聚焦问题核心 —— 比如如何为特定工艺节点设计最优运算放大器或锁相环（PLL）。”
模拟 / 混合信号设计的难度还源于工程师引入的复杂性：定制化工具、定制化技能与定制化数据库。“我们在本就复杂的领域之上，又增加了一层复杂性，导致如今的设计难度进一步攀升。” 巴拉苏布拉马尼亚姆补充道。
其他专家也认同模拟 / 混合信号（AMS）领域的特殊性。“部分工程师仍将其视为‘技艺’—— 他们会手绘设计图，观察后判断‘这看起来不对’，而这通常意味着‘设计不美观，也无法工作’。” 彼得表示，“这类问题的维度显著更高，因为不存在可遵循的标准或规则，而这主要源于模拟信号的特性：模拟信号是动态的，而非离散的二进制信号，因此要在该领域实现‘设计无误’，需耗费更长时间。”
AMS 领域的 AI 企业常宣称可实现 “设计综合”，认为 AI 工具能生成模拟电路。“但深入分析便会发现，他们是通过‘设定规则’来实现这一目标，而这极大限制了设计的自由度。” 彼得指出，“要在保持当前设计自由度的前提下，用 AI 实现探索、发现与自动化，需耗费极长时间。当然，你可以简化问题、解决小范围任务，让成果看起来令人印象深刻，但这种应用的范围非常有限。”
在航空航天、国防与汽车领域，功能安全工程师的作用尤为关键。“假设我们需要 8-10 名全职安全工程师，但市场上只能找到 4-5 名，那么我们会尝试‘让 4-5 名工程师借助机器学习，实现原本 8-10 人的工作效果’。”Imagination Technologies 公司工程技术负责人、系统与功能安全工程专家安德鲁・约翰逊（Andrew Johnson）表示，“这一目标或许可行，但需注意：留下的 4-5 名工程师不能是初级人员，而必须是该领域经验丰富的高级技术专家 —— 这类人才本就稀缺。引入 AI 后，需要有足够智慧与经验的人来理解 AI 模型、判断输出结果，甚至否决 AI 的建议。若工程师经验不足，只会盲目认同‘计算机说可行，那就推进’，这将带来巨大风险。”
航空航天 / 国防领域的 AI 替代岗位速度，可能慢于其他行业。“本质上，部分行业的 AI adoption 速度较慢，既有合理原因，也有文化层面的因素。”Cadence 的格雷厄姆表示，“更可能的情况是‘工具适应行业’—— 我们会开发适配这类领域的 AI 工具，确保其安全性或能在安全环境中有效运行，而非行业完全排斥 AI。毕竟，行业已没有‘不采用 AI’的选择。”
这些行业需谨慎推进，但无法忽视 AI 的必然性。“工具会主动适应行业需求。” 格雷厄姆补充道，“特定工具或工具的特定版本将适配这类领域，而非领域拒绝工具。”
对于数字原生代的 Z 世代与阿尔法世代（Gen-Z/Gen Alpha），他们在 AI 应用与新角色探索方面具有天然优势，尤其是从小接触编程的人群。“我有个正在上大学的孩子，他对 AI 有明确看法：他对‘AI 能做的编码工作’毫无兴趣，因为那是‘枯燥的基础编码’，甚至不需要计算机学位就能完成。”Arteris 公司首席营销官米哈乌・希温斯基（Michal Siwinski）表示，“他更关注‘如何协调 AI、用 AI 做更有意义的事’—— 比如开发机器人系统、探索电气与机械领域的协同工作。这类更具吸引力的领域才刚刚起步，这是一种演进。我家里还有两个儿子，他们会编程且持续学习，但他们的思路是‘不重复 GitHub 上已有的代码’，因为那些内容早已存在。因此，编程的重要性依然存在，只是应用方向在变化。”
也有专家警示“无监督 AI 代码” 的风险。“我自己也犯过‘过度依赖 AI’的错误。”ChipAgents 公司创始 AI 工程师丹尼尔・罗斯（Daniel Rose）表示，“单纯依赖 AI，有时能成功，但也会出现‘AI 幻觉输出’导致问题 —— 若你不了解底层逻辑、不熟悉编程语言，便无法排查错误。因此，必须理解 AI 生成的代码，AI 的作用只是‘加速代码生成’，而非‘替代人类理解’。”
“氛围编码”（Vibe Coding，通过自然语言指令让 AI 生成功能代码）的 popularity 正不断提升，但技术仍不完善。“AI 确实会产生‘幻觉输出’，因此你需要兼具领域知识与理解力，确保 AI 输出的内容可行且符合需求。”Baya Systems 的纳亚姆帕利表示，“这种迭代模式速度更快，因此你需要加快节奏，但同时也要聚焦核心目标 —— 明确‘需要完成什么’。”
AI/ML 正逐步渗透半导体设计领域，但具体将哪些任务交给 AI，需由设计团队与设计基础设施管理者根据实际情况判断。
AI 最易接管的任务包括功能验证、回归测试与覆盖率分析 —— 这些领域的自动化程度正不断提升。“AI 驱动的工具能生成测试平台、预测覆盖率漏洞，甚至提出新的测试场景。” 新思科技的蒂鲁文卡达姆指出，“因为这些任务基于规则、具有重复性，且涉及大量数据，非常适合 AI 自动化。此外，自动化布局布线工具已较为成熟，AI 增强型工具正进一步提升其效率，常规数字布局任务的自动化程度也在提高。”
最后，我们不妨设想一种极端情况：若电网、互联网与 AI 系统发生长期中断，而现有劳动力仅掌握 “使用 AI 的技能”，该如何应对？“全球各地都发生过停电，因此必须有‘不依赖 AI 也能完成工作’的人。”ChipAgents 的罗斯表示。
Cadence 的格雷厄姆则持乐观态度，认为人类总能找到解决方案。“我是乐观主义者，不认为会出现上述极端情况。但‘需求是发明之母’—— 若真陷入这种困境，我们必然会找到解决办法。”
他进一步补充：“人类具备‘学习如何学习’的能力，因此能回溯并理解过去的流程。即便‘设计综合’的概念突然消失，我们需要‘手工绘制掩模版’，也能重新掌握这一技能。我们有过一次经验，就一定能再次做到。更何况，我们已积累了大量数据，无需像第一次那样通过试错探索。无论起点如何，聪明的人总能找到路径。”
EETOP编译整理自semiengineering
来源：EETOP半导体社区
