模拟IC工程师会不会被AI取代？这个问题从大模型真正进入工程领域之后就一直在发酵。尤其到了2026年，AI Agent、AI编程工具、大模型辅助EDA已经一步步渗入芯片设计流程，连专利检索、面试辅导、版图检查这类周边工作都有了AI版本。于是，模拟电路设计这个更依赖经验和直觉的方向，成了很多人眼里“下一个被攻破的堡垒”。2026年7月底，IEEE举办了一场网络研讨会，Behzad Razavi教授专门围绕这个题目做了深度剖析。我完整听下来之后的第一感觉是：这不是一场“AI危机会不会来”的辩论，而是一次关于“模拟设计到底是怎么被做出来的”的再解释。AI当然会改变很多东西，但它真正改变的，可能不是谁取代谁，而是“模拟IC工程师”这四个字的职责半径。
我自己的经历也印证了这一点。前阵子团队里来了一位新工程师，第一天就兴冲冲地拿一个AI辅助布线工具跑了一版差分对的版图，跑完跟我说：“以后我们只要做设计评审就行了。”我没说话。后来这版版图做完寄生提取，性能差得离谱，他又花了整整两天在AI生成的方案上修修补补，最后发现是管子的沟道长度调制效应和相邻走线的耦合电容共同导致的，而这些信息在AI给输出结果时根本不会自动出现。这件事让我越发觉得，AI在模拟IC里真正的位置，不是取代人，而是把“人”推到一个更需要判断力的位置。
1. 为什么模拟IC设计师会是AI焦虑的重灾区
1.1 数字设计被AI化之后，所有人的目光自然转向模拟
过去几年，数字IC设计流程已经大规模拥抱AI和机器学习：逻辑综合里的时序优化、布局布线里的拥塞预测、形式验证里的等价性检查加速、功耗分析里的模型拟合，都能看到基于大模型或者强化学习的影子。尤其在后端物理实现上，工具厂商在EDA流程里加入了很多“AI助手”，让原本需要资深后端工程师反复迭代的floorplan和时钟树综合，变成了一个可以在较短时间内收敛的自动化脚本任务。
这种趋势自然会带来一个联想：既然数字方向那么多环节都能被AI辅助甚至部分替代，模拟方向为什么不可以？模拟电路同样有网表、有仿真、有版图，甚至有比数字更明确的性能指标——增益、带宽、功耗、噪声、失调。在旁观者看来，这不过是一个多维优化问题，把指标写进奖励函数，让AI去搜参不就行了？
这种类比在逻辑上很有吸引力，但它忽略了一个重要前提：数字设计的问题空间，是一个已经被高度抽象化、离散化、可计算化的空间。数字电路的行为可以被逻辑门和时序模型完整描述，每一个环节都有清晰的输入输出和验证标准。而模拟设计的核心工作，恰恰发生在“网表→版图→硅片”这条链路上充满不确定性的地方。
1.2 模拟设计的黑盒感放大了“AI可以接管”的想象
模拟IC设计一直以来都有很强的“黑盒感”。外部看到的是一个复杂的电路图、一堆曲线、几十个工艺角仿真结果，内部真正发生的事，却是靠工程师在器件物理、版图效应、寄生参数和调试经验之间反复权衡。对没有真正做过模拟设计的人来说，这个过程很容易被简化成“给定输入，自动找到最优参数”。于是，AI大模型一出现，大家第一反应就是：训练一个模型，输入Spec，输出电路网表和器件尺寸，问题不就解决了吗？
Razavi教授在那场研讨会上重点剖析的一点，就是这种简化是危险的。模拟电路设计从来不是“根据指标去搜一组参数”这么简单。每一个指标背后都有物理约束：你提高增益，带宽就会下降；你降低噪声，功耗就会往上走；你调整一个管子的宽长比，整个环路的稳定裕度可能立刻变差。更麻烦的是，同样的电路拓扑，换一个工艺节点，可能连最基础的Mismatch行为都完全不同。
这些约束不是静态的，它们会随着温度、电压、工艺偏差、版图寄生、老化情况发生动态漂移。AI如果只看到表面的仿真曲线，很难理解这些曲线背后的物理机制；而一旦脱离物理机制，再好的优化算法也只能在一个虚构的“代理空间”里自嗨。
1.3 EDA工具和AI大模型的双重进展加剧了焦虑
最近两年，EDA厂商和AI创业公司确实做了很多尝试。有一类工具用强化学习做器件尺寸自动优化，有一类工具用图神经网络预测版图寄生，还有一类工具用大模型辅助编写Spice网表骨架、解释仿真报错、生成设计文档。加上AI编程工具的成熟，确实让“写一段脚本跑批量仿真”的门槛大大降低。
这些进展给了工程师很直接的体感：过去需要一周才能完成的蒙特卡洛数据分析，现在用一段Python脚本加AI辅助的异常检测，可能两小时就能得到结论；过去需要翻几十页datasheet才能确认的ESD防护要求，现在问一下大模型就能得到一份整理好的清单。于是很多人开始怀疑：既然AI能把这么多“体力活”做掉，那模拟工程师的核心价值是不是马上要被抽干？
这种焦虑是可以理解的，但它把“AI能处理部分环节”和“AI能取代整个岗位”混为一谈了。Razavi教授在那场研讨会里反复强调的是，模拟设计是一连串“决策”的组合，而不是一个个“任务”的堆叠。任务可以自动化，决策不行。
2. Razavi剖析的关键：模拟设计不是寻找全局最优解
2.1 模拟电路的本质是约束下的多目标折中
如果你打开一本模拟IC设计教科书，尤其Razavi的经典教材，会发现里面几乎没有哪一章是在教“怎么让某个指标最大化”。相反，每一章都在讲折中：噪声和功耗的折中、增益和带宽的折中、速度和精度的折中、稳定性和响应速度的折中。
这种折中不是数学上那种可以写成一个凸优化问题的约束，而是一种“在多个不可完全替代的维度之间做取舍”的工程决策。比如做一个低噪声运放，你可以把输入对管面积加大来降低失配，但面积变大之后，寄生电容增加，带宽下降，版图布局也更复杂；你可以用斩波技术来消除失调，但斩波时钟带来的电荷注入和纹波又需要额外电路来抑制。这些取舍之间没有绝对的“最优解”，只有“在特定应用场景下的最合适解”。
AI在解决“给定目标函数，找到满足约束的最优参数”这类问题上确实很强。但模拟设计的困难恰恰在于，目标函数在项目早期往往不是完全清晰的。你需要根据系统需求、工艺限制、测试方案、成本预算甚至客户验收标准，先自己定义“什么才是这个设计真正要优化的东西”。这个定义过程，是典型的工程师判断力，而不是搜索能力。
2.2 工艺、寄生、失配、温度——难以数据化的隐性知识
模拟IC设计最让AI头疼的地方，不是电路原理，而是电路原理在真实物理世界里的“走样”。同一个电路，在TT工艺角和SS工艺角下可能性能差一半；同一个版图，多画一根地线和一个深N阱，噪声特性就可能完全变化。这些规律很少被写在教科书里，而是以“工艺文档+工程师笔记+流片经验”的形式存在于资深工程师的脑子里。
Razavi教授在研讨会上讲到这个问题时，举了一个很直觉的例子：一个看似简单的电流镜，如果版图上两根管子没有做center-cross布局，失配就可能让电流精度直接超差。AI能不能学到这个规律？理论上可以，条件是喂给它足够多的“版图→流片→测试”数据。但现实中，一家公司愿意把这些数据开放出来训练模型的概率极低，而公开数据集又远不足以覆盖不同工艺节点、不同电压域、不同温度范围的复杂组合。
这就形成了一个很现实的数据壁垒：AI模型训练依赖高质量标注数据，模拟设计的高质量标注数据恰恰是各家公司最核心的资产，也是最不愿意共享的部分。于是，AI能用的，更多是仿真数据；但仿真数据和实际硅片行为之间的gap，恰恰是模拟工程师经验价值最集中的地方。
2.3 从“电路直觉”到“AI辅助决策”：边界的判断标准
那AI到底能在多大程度上参与设计决策？Razavi教授给出的其实不是一条“可以做/不能做”的界线，而是一套判断标准：当一个问题可以转化为“有明确输入、有明确评估函数、有足够样本空间”的搜索任务时，AI有资格参与；当一个问题需要“在缺乏完整信息时做出可接受的判断”时，AI只能起辅助作用，而且越是接近流片前的关键决策，AI的参考价值越要打折。
这个标准很有用。比如，给一个已经确定的运放拓扑，去搜索一组最合适的管子尺寸，让增益和带宽的乘积最大化，这可以算作一个搜索问题，AI可以做。但如果要决定“这个设计是采用单级还是多级结构”，AI就没法替你拍板，因为这个选择牵涉到系统架构、电源电压、负载类型、工艺适配性、甚至项目进度和团队成员的能力。这些因素很难全部量化进一个奖励函数。
从这个角度看，AI取代模拟IC工程师的真正前提，是先取代“定义问题”这件事。而这个前提在可见的未来并不成立。模拟设计的每一次流片，都是带着对未知的敬畏去验证假设。机器擅长在已知空间里高速寻找，但很难知道“这个设计值得冒多大的风险去追求那2dB增益”。这个判断，属于工程师，属于一个对物理世界有敬畏感的人。
3. AI在模拟IC流程里到底能帮上什么忙
3.1 当前可以落地验证的AI应用场景
讨论完边界，我们回到接地气的问题：AI现在到底能在模拟IC流程里帮上什么忙？根据我自己和一些同行实验的结果，有几个场景是已经能跑通、值得花时间验证的。
- 器件尺寸的多目标搜索：在给定拓扑和关键性能约束下，用贝叶斯优化或强化学习替代人工手动调尺寸，可以快速覆盖更多参数组合。
- 仿真结果异常检测：用机器学习模型对批量蒙特卡洛结果做聚类和异常识别，比人工一张张看波形更高效。
- 版图寄生预测：基于历史版图和后仿结果的训练数据，可以在前仿阶段预测某些走线的寄生电容，提前规避风险。
- Spice网表骨架生成：大模型可以根据自然语言描述生成常见电路结构的网表初稿，帮助新工程师更快搭起第一版。
- 文档与资料问答：大模型辅助阅读工艺文档、IP规格书和项目管理文档，减少信息检索时间。
这些场景有两个共同特征：第一，它们的输出都不是“最终设计”，而是“中间结果”或“候选方案”；第二，它们都需要工程师做最后验证和判断。比如AI生成的网表骨架，大概率存在接法疏漏或偏置问题，直接拿去跑仿真的话，错误会一堆。
3.2 一套AI辅助模拟验证的最小闭环
如果你想在当前阶段就把AI请进模拟设计流程，我有一个适合从单次验证开始的建议：不要试图让AI做完整设计，而是让它做“输入准备”和“结果分析”这两端。
最小闭环可以这样搭：
- 第一步：先由工程师手写一个电路拓扑和初步尺寸，作为基准Design。
- 第二步：用一批有限的仿真跑一遍，把不同工艺角、电压、温度条件下的性能数据整理成结构化表格。
- 第三步：把表格和设计目标喂给AI模型，让AI用聚类、回归或强化学习的方法，建议一组新的器件尺寸或补偿参数。
- 第四步：工程师审查AI的建议，根据电路原理筛选其中合理的部分，手工修改后重新仿真。
- 第五步：对比修改前后的性能分布，记录哪些建议有效、哪些建议完全不可用，把“AI建议的命中率”作为后续迭代的重要反馈。
这个闭环的核心不是压缩步骤，而是让AI回到它最擅长的位置：在高维参数空间里做快速检索，同时把“判断”留给人。实际跑一轮之后你会明显感觉到，真正花时间的不是AI搜索，而是定义搜索空间、评估搜索结果和判断哪些结果值得相信。
注意：不要一上来就让AI直接生成完整设计。先让它生成候选参数，你再人工筛选，等确认这套流程稳定后，再逐步扩大AI参与范围。
3.3 AI辅助结果异常时的排查链路
AI工具一旦接入设计流程，就会带来新问题：它给出一个看似合理但结果错误的结果。这时候不要急着骂模型，也不要直接弃用，按照一条固定链路去排查会更高效。
- 先看输入数据：是不是工艺库版本不对？仿真温度范围填错了？网表里是不是有浮空节点？很多AI建议的失效，其实是原始输入有问题。
- 再看模型边界：这个AI功能是不是只在TSMC某个工艺节点上训练过？你把另一个工艺的模型参数丢进去，结果自然不可信。
- 再看评估函数：AI优化的目标函数是什么？它可能为了最大化增益，把功耗推到了不可接受的范围，但显示结果时没有把功耗约束放进去。
- 最后看现象与物理直觉是否冲突：如果AI给出的尺寸方向和你对器件工作区的理解完全相反，不要轻易相信。先用DC工作点仿真确认一下管子的Vgs、Vds是否落在合理区间。
这套排查链路的本质，是把AI当成一个不太成熟的新同事。新同事会犯错，但一个懂得排查错误原因的人，能很快让新同事变成老手。
3.4 实际落地中的四个坑
- 坑一：幻觉式建议。大模型生成的解释性内容，经常读起来头头是道，但仔细核对具体数值时会发现与工艺库不相符。不要直接采用任何带具体参数的AI输出。
- 坑二：过拟合到仿真数据。很多AI工具用仿真数据训练，仿真模型和真实硅片之间本来就有偏差，AI只会把仿真里的规律学到极致，不会自动修正模型偏差。
- 坑三：忽略了环境依赖。AI跑出来的方案，往往依赖于特定工具版本和PDK配置。换一个环境再跑，结论可能完全改变。
- 坑四：把AI建议当成评审依据。如果内部设计评审时只是拿AI报告做支撑，而不讲清楚背后的取舍逻辑，那么一旦流片出问题，整个项目都会陷入被动。
4. 准备迎接“人机协同”的模拟IC工程师，该做什么
4.1 从会用工具到会定义问题
很多工程师焦虑的第一反应，是赶紧去学Prompt Engineering，或者研究怎么本地部署一个大模型。这些动作不是没用，但方向偏了。真正值得练的，是“把模糊需求转化为AI可以执行的子任务”的能力。
同样是写一个自动化仿真脚本，初级工程师可能会说“帮我在每个工艺角下跑一下环路稳定性”，资深工程师会定义得更具体：“帮我在所有corner下扫描负载电容，输出相位裕度最低的前五个case，并给出对应的频率和增益曲线。”这种差距，不是懂不懂AI造成的，而是对问题的拆解能力造成的。
所以与其焦虑“AI会不会取代我”，不如先问问自己：我能不能把一个复杂的设计问题，拆成几个边界清晰、指标明确、验证方式清楚的子问题？如果还不能，那么即使AI再强，你也不知道该让它做什么。
4.2 基础能力依然是护城河
Razavi教授在多个场合反复强调基础物理和电路理论的重要性，这场研讨会也不例外。模拟IC设计的核心能力，是理解“电流如何流动、电荷如何积累、信号如何被调制”的能力。AI可以帮你跑一百次仿真，但它不会替你判断“为什么这个偏置点选在亚阈值区会导致大信号响应变差”。
所以，器件物理、信号与系统、反馈控制理论、CMOS模拟电路设计、版图基础，这些课程一点都不能丢。一个可以熟练使用AI辅助调研的工程师，如果连最基本的Cascode结构为什么能提高输出阻抗都解释不清楚，那他在面对AI给出的异常结果时，是完全没有分辨能力的。
在可见的未来，AI做出的任何“聪明”建议，都需要有一个足够聪明的人去“愿意相信”或者“敢于否定”。这个人的判断力，只能来自扎实基础和对物理规律的理解。
4.3 一个可复用的AI协同设计框架
如果你要把AI系统性地纳入自己的日常工作，我建议走这样一个三层框架：
- 第一层，用AI做信息处理：资料检索、文档总结、代码生成、语法检查，把它当助理。这一层没有太多风险，适合所有人都先用起来。
- 第二层，用AI做方案生成：让它生成候选电路结构、器件尺寸组合、仿真脚本、版图优化方向。这一层必须配合人工验证。
- 第三层，用AI做决策推断：让它根据历史项目数据推测某个设计路线是否可行，某个工艺选择是否可能导致良率问题。这一层目前只能作为参考，不能作为唯一依据。
每一层之间有明确的“人机接口”：你要审查AI的输出，要保留你的判断依据，要记录AI建议与最终结果的偏差。长期积累后，这套日志会成为你评估AI工具是否可靠的第一手数据。
4.4 不同阶段工程师的应对路径
在校学生，不要被“AI已经能设计电路”的演示迷惑。你可以去试各种AI工具，但核心任务依然是吃透基础理论，并且要有意识地用仿真验证书本上的公式。最好能完整流一次片，哪怕是一个很小的测试芯片，体验从设计到测试的真实循环。
初级模拟工程师，最应该做的是把重复性工作AI化，把省下来的时间用来做“为什么”分析。比如AI帮你生成了批量仿真报告，你要追问：这组数据为什么会在这个corner下出现极点？这种现象背后的机制是什么？这些问题的答案，才是你下一阶段进阶的资本。
资深工程师，不再需要证明自己会跑多少仿真，而是要把精力放在建立设计方法论和团队质量体系上。你要判断哪些环节可以引入AI，哪些环节必须人工复核，哪些设计规范要固化为代码块或检查清单。AI越普及，这种“定义边界”的工作越值钱。
4.5 长期判断：模拟IC工程师不会消失，消失的是只会按脚本跑仿真的人
回到开头的问题。AI会取代模拟IC工程师吗？我的回答是：不会取代一类人，但会重新划分一类人的构成。那些只会照着模板定尺寸、跑仿真、贴报告，却说不清每个电路决策背后物理本质的人，确实会越来越被动，因为这类工作很容易被AI工具替代。但那些能够运用AI快速扩大搜索空间，同时用物理直觉守住设计边界的人，会获得比以前更大的杠杆。
Razavi教授那场研讨会的最后，给出了一个很耐人寻味的判断：模拟IC设计之所以让我们着迷，正是因为它永远存在教科书之外的问题。AI可以读完全部教科书，但真实芯片制造过程中的不确定性和无穷尽的工程折中，没有办法被写进任何一本教科书。这个判断，我同意。而作为工程师，我们要做的不是因为AI而退缩，而是借助它去触碰那些以前没有时间触碰的更深层问题。
