2026 年 7 月 31 日一场以“AI 会取代模拟 IC 工程师吗”为主题的 IEEE 网络研讨会让不少设计工程师和在校研究生重新审视自己的职业路径。主讲人是 UCLA 教授 Behzad Razavi。这个名字在模拟集成电路领域几乎等同于教科书级的存在他编写的《Design of Analog CMOS Integrated Circuits》被全球高校和半导体公司反复使用他本人长期研究时钟与数据恢复、高速串行链路、低噪声放大器和锁相环设计。当这样一位研究模拟电路设计方法论几十年的学者把话题中心放到 AI 与模拟 IC 工程师的关系上时问题就不再只是“AI 能不能帮我校验一下电路”而是影响人才成长、EDA 工具演进和芯片设计流程变革的技术命题。这篇文章不会替你下“模拟 IC 工程师马上全部失业”或“AI 完全无用”的极端结论。更值得做的是把问题拆开模拟 IC 工程师每天在解决什么困难AI 在哪些环节真正做得好哪些环节只是表面热闹以及工程师用什么样的知识结构与工作习惯才能在新一轮工具变革里保持不可替代性。内容以 Razavi 的教学与研究方法论作为背景视角结合模拟设计流程中的真实技术细节展开适合从事模拟 IC 设计、准备进入该方向的在校学生以及关注 EDA 智能化趋势的工程师阅读。1. 先理解为什么“AI 取代模拟 IC 工程师”会成为真问题1.1 数字 IC 设计被 EDA 与 AI 改写的经验讨论模拟 IC 是否会被取代避不开数字 IC 的历史。数字芯片设计高度依赖 EDA 工具RTL 逻辑综合、布局布线、时序收敛、功耗优化本质上都是“在有限规则空间中寻找满足约束的解”。这些环节非常适合写成算法也适合用机器学习模型去预测时序和拥塞。随着综合工具和物理实现工具不断成熟一部分曾经由人完成的重复性工作确实被自动化取代了。近年来生成式 AI 进一步加速编码和脚本编写。AI 编程助手能自动补全 SystemVerilog、UVM 验证代码和 Tcl 脚本也出现了基于强化学习做数字后端布局优化的研究。这给工程师一个直观印象既然数字设计可以实现高度自动化和智能化模拟 IC 设计为什么不能走同一条路把这个问题作为讨论起点才能真正理解模拟设计的特殊性。1.2 模拟 IC 仍然大量存在且难度集中在“物理直觉”尽管数字信号处理和 SoC 集成度越来越高模拟 IC 并没有消失。恰恰相反射频前端、电源管理、传感器接口、时钟电路、高速 SerDes、数据转换器和生物电信号检测等大量应用仍然重度依赖模拟设计。模拟 IC 工程师处理的对象是连续电压和电流而不是 0/1 逻辑。噪声、失配、温漂、工艺偏差和寄生参数都直接参与电路行为设计空间不是离散的布尔状态而是连续的高维参数空间。Razavi 在课程和著作中反复强调模拟设计不只是“算偏置点”和“写公式”而是建立在物理直觉之上的工程决策为什么这个电流选择 10 微安而不是 1 安为什么在这个节点采用共源共栅结构为什么环路带宽必须留出多少相位裕量为什么版图上两个管子要匹配摆放。这些判断依赖经验、工艺理解和系统级取舍。AI 擅长从大量数据里找统计规律但模拟设计的困难常常在于数据太少、物理约束太强而工程师的直觉恰恰是解决这类问题的关键。1.3 “取代”这个词隐含了一个错误前提“AI 会取代模拟 IC 工程师”这一提法隐含的前提是模拟 IC 工程师的核心价值就是把电路图设计出来。但实际上设计电路图只是一整套复杂流程中的一环。工程师还需要完成规格定义、架构选择、建模、仿真验证、版图指导、后仿问题定位、流片测试和产品落地的闭环。每一个环节都有责任边界而责任最终要落到具体的人身上。芯片一旦流片任何设计失误都会造成真实损失。AI 可以提出一个候选电路却不能替工程师回答这个方案在目标工艺的 -40 摄氏度 corner 下是否还能成立在最差失配统计下系统是否还能保持收敛产品量产十年后同样电路换到新工艺平台会不会失效。这些问题的回答恰恰需要模拟 IC 工程师最重要的能力理解电路为什么工作以及理解它在什么条件下会失效。2. 模拟 IC 工程师到底在解决哪些数字 IC 不存在的难题2.1 从规格到硅片的完整链条一个典型模拟模块的设计流程可以拆成下面几个阶段规格定义明确输入输出范围、增益/带宽/噪声/功耗/面积等指标。架构选择在系统层面决定采用何种拓扑比如 LNA 用共栅级还是电感退化共源级。电路设计选择合适的器件尺寸、偏置电流和反馈结构使指标在多个工艺角下满足要求。版图设计考虑器件匹配、寄生、热效应、ESD 保护和布线屏蔽。验证迭代进行前仿真、版图寄生参数提取、后仿真、蒙特卡洛分析和可靠性检查。流片与测试实际芯片回到实验室用示波器、频谱仪、信号源验证真实性能。每一个阶段都离不开经验判断。现代数字 EDA 流程已经能完成大量自动化而模拟设计流程中工程师在架构阶段要做的判断非常密集。这个“从规格到硅片”的链路是理解 AI 角色变化的基本框架。2.2 噪声、失配、偏置与工艺角模拟的“灵魂”难被数据驱动所取代模拟设计里最核心的几个概念每一个都是多年研究成果和工程经验的结晶也是 AI 最难以直接替代的地方。第一是噪声。电路中的热噪声、闪烁噪声和散粒噪声会影响最小可检测信号。低噪声放大器设计需要对噪声系数做手写推导再在仿真里验证不同工艺角的偏移。噪声模型高度依赖工艺和温度训练数据很难覆盖所有真实场景。第二是失配。同一颗晶圆上两个完全相同的晶体管其阈值电压、氧化层厚度和几何尺寸都会存在随机偏差。模拟电路依赖精确匹配的电流镜和差分对工作。失配分析需要统计建模和蒙特卡洛仿真AI 可以辅助拟合统计分布但无法替代工程师对版图匹配规则的判断。第三是偏置与温度。偏置电流几乎决定所有电路指标增益、带宽、摆率、功耗和噪声。温度变化会造成迁移率、阈值电压和电阻值同时漂移。工程师需要在设计早期就决定偏置结构是否对温度和电源不敏感而不是等仿真失败后再补救。第四是工艺角。Foundry 提供的 corner 模型包括典型、慢快、快慢、快快、慢慢等组合。目标必须是所有 corner 下都能运行而不仅仅在典型条件下满足性能。数据驱动方法最怕这种多 corner 博弈因为每次工艺更新都可能改变模型参数训练数据很快失效。2.3 版图与寄生AI 可以生成但验证责任仍在人版图绘制是模拟设计中最容易被误解为“体力活”的部分。实际上模拟版图的每一个决定都可能改变电路性能。例如差分输入对需要采用共质心布局来抑制工艺梯度敏感信号线要避开开关节点以减少串扰电源地网络要考虑电流密度和电迁移约束关键高速路径要控制寄生电容和电感衬底噪声隔离需要合理使用 guard ring。AI 辅助版图生成的研究已经出现比如用强化学习自动布局器件和走线。生成结果可能在面积和拥塞指标上表现不错甚至可以超过初级版图工程师的速度。但模拟版图真正的难点是物理与电路行为的耦合一个走线带来的 10 飞法寄生电容在一个 5 GHz 的 LNA 输入匹配电路里可能直接改变输入回波损耗一个方向的电流拥挤可能造成局部温度升高进而加剧失配。这些后果只有经历过流片测试的工程师才会有足够敏感的“危险信号感知”。AI 生成的版图可以高效却很难确保在所有物理条件下都安全。最终签核验证和流片责任必须由人承担。2.4 多目标权衡给 AI 定“损失函数”本身就很难电路设计几乎都是多目标约束优化。以放大器设计为例需要同时权衡增益单位增益带宽相位裕量噪声电源电压范围功耗面积温度与工艺鲁棒性压摆率建立时间这些指标之间经常互相矛盾提高增益往往牺牲带宽降低功耗会增加噪声缩小面积会恶化失配。工程师在多年训练中积累的是“在多个目标之间做权衡”的能力。机器学习优化器可以对参数空间做搜索前提是给出明确的损失函数。但模拟设计里很多指标无法写成简单数值可靠性风险、可制造性、测试覆盖率和长期稳定性都属于需要工程判断的软约束。更关键的是搜索空间不连续很多指标受模型精度限制存在误差。优化器计算出的解可能损失很小但仿真模型一换 corner 就完全不成立。3. AI 在模拟 IC 领域已经能做到什么又卡在哪里3.1 当前已经落地的 AI 辅助场景讨论 AI 在模拟 IC 中的作用不应一概否定。实际工程中已经有一些被验证可行的辅助方向。第一器件级行为建模。用机器学习方法建立功率器件、GaN 器件或高速晶体管的紧凑模型能够比传统拟合方法更快适配测试数据。这里 AI 的角色是“建模工具”不改变电路设计方法但能提升模型精度和开发速度。第二仿真结果分析与参数调优。工程师可以把扫描参数和仿真结果交给 Python 脚本或机器学习代理模型快速定位影响指标的敏感参数缩小手工调节范围。这本质上是把优化器当作辅助搜索工具最坏情况仍然要由仿真器确认。第三版图简单结构的自动生成。规则的电源网络走线、部分时钟树布线和标准单元辅助布局已经具备较高自动化程度。工程师可以在框架内加入人工约束再让工具自动完成重复性工作。第四设计文档与脚本生成。AI 编程助手可以生成 Cadence Skill、Python 或 Tcl 脚本帮助工程师批量处理测试文件的准备、结果提取和报告格式化。这类工具带来的效率提升非常明显也是最容易落地的场景。3.2 模拟设计数据稀缺与分布漂移AI 的应用依赖数据而模拟 IC 领域的训练数据存在两个天然问题。第一个问题是数据量少。一个设计团队在项目周期里可能只完成几百次完整仿真和几次流片。相比之下数字图像识别或自然语言处理有百万级甚至十亿级样本。模拟电路设计样本昂贵很多数据还分散在不同团队和不同工艺下难以形成统一数据集。第二个问题是分布漂移。半导体工艺迭代频繁同一家公司不同制程节点的器件参数差异很大。一次流片的数据只能反映特定工艺、特定温度和特定版图的结果。AI 模型在旧工艺数据上训练出的规律迁移到新工艺时往往失效。工程师可以带着经验跨工艺平台工作但模型很难完成这种迁移。3.3 可解释性与流片风险高风险流片场景不允许黑箱决策。模拟电路一旦发现性能不达标不仅要知道“哪里不对”还要定位“为什么不对”。如果是噪声偏大要判断是偏置电流太小、输入管尺寸不合适还是电源耦合引入干扰如果是相位裕量不足要分析主极点位置、次极点频率和 RHP 零点来源。传统设计流程天然具备可解释性工程师在图纸上可以看到每个管子的尺寸和偏置条件可以从公式推导出性能趋势可以在仿真里做灵敏度分析。AI 模型如果只输出一个最终版图或一组参数却无法解释为什么选择这个拓扑工程师就难以接受。当设计依赖被隐藏排错、改版和平台迁移都会变得非常困难。3.4 AI 与工程师的合理分工边界总结 AI 在模拟 IC 设计中的边界可以用一个简洁框架来理解AI 更适合做“搜索与拟合”工程师更适合做“定义问题与承担验证责任”。AI 高效的部分是在一个足够明确的目标函数下做参数扫描、结构组合搜索、数据拟合和重复性脚本编写。工程师应该把时间放在高层次决策上明确问题约束、判断方案可行性、设计验证计划、处理仿真与测试差异、分析故障根因。AI 并不是“入侵者”而是一种新的工具。真正的风险是工程师把工具输出当作结论丢失了理解和验证的环节。注意使用 AI 辅助设计的关键判断标准是“异常情况是否有人能解释”。如果 AI 给出一个从未见过的拓扑团队里却没有人能推演它的工作原理这个结果就不应该进框架。4. 剖析 Razavi 视角下“取代与辅助”的关键脉络4.1 为什么由 Razavi 来谈这个问题Razavi 并不是一个传统的“学院派书呆子”。他的大量研究直接服务于高速有线通信和无线收发系统对实际工艺、版图和测试环境非常熟悉。他在教学中强调的“design intuition”不是玄学而是一套可以训练的分析方式先建立简化的物理模型再做渐进分析获得直觉最后用仿真验证精确结果。这种方法论与今天生成式 AI 的“从数据中学习”形成鲜明对比。数据驱动思路追求统计相关性而 Razavi 的经典模拟设计思路追求因果推导。当一位长期用方程和物理图像推导电路行为的学者在 IEEE 网络研讨会上引导大家思考 AI 的冲击时他更关心的其实不是 AI 能不能画电路而是工程师还能不能完成物理层面的因果推理。4.2 “取代”与“辅助”之间真正的分界线网络研讨会如果只停留在“AI 会不会取代”的二元讨论价值有限。更有意义的问题应该是AI 进入模拟设计流程后哪些职位角色会变哪些能力会升值。会显著变化的角色是大量重复性验证和脚本编写岗位。以前需要人工完成的蒙特卡洛数据整理、corner 扫描报告和版图 DRC 错误清点会逐步被自动化工具接管。个人效率差距会缩小初级岗位的“熟练工”部分容易被替代。会升值的角色是具备系统理解、工艺敏感性和流片经验的工程师。AI 可以给出候选方案但最终选择哪个方案进入版图由哪个方案承担最高风险仍然需要工程师判断。一个能解释为什么选 A 而不选 B、能预判量产良率风险、能在测试失败时定位根因的工程师价值不降反升。4.3 对工程师、学生、EDA 厂商的三重含义从这个角度看AI 带来的并不是“模拟 IC 工程师消失”而是能力结构的重建。对工程师不能再只满足于会跑仿真和做后仿。需要掌握 AI 工具以便把它放在合适的环节更需要加固电路原理、版图物理和测试分析能力保持“责任在人”的位置。对学生课程学习依然要重视 Razavi 教材中的手算、草图、渐近分析和拓扑对比。这些基本功是使用 AI 工具的前提。一个不会手算增益的学生拿到 AI 生成的电路时也无法判断结果合理与否。对 EDA 厂商未来工具竞争点在于“可控自动化”和“可解释辅助”。谁能把 AI 的搜索能力封装成工程师能理解、能验证、能设置约束的流程谁才能真正改变模拟设计效率。5. 模拟 IC 工程师如何把 AI 变成生产力工具5.1 把 AI 当工具而不是当结论实际项目里可以这样设定使用原则AI 的输出一律被视为候选方案而不是最终方案。候选电路、候选参数、候选版图都必须经过完整仿真验证、corner 检查、后仿验证和人工审查后才可进入下一步。以放大器偏置设计为例AI 可以帮助搜索满足目标带宽和功耗的初始参数但工程师要用渐近分析判断主极点是否在预期位置然后扫描温度检查不同温度下的 Gm 变化。这个“信任但验证”的闭环是避免 AI 工具破坏设计质量的核心。5.2 重新加固物理直觉和手算能力AI 时代最容易丢失的是手算能力。很多工程师习惯了仿真器“跑出来看结果”却不习惯在设计前先估算性能和确定方向。手算的价值不是得到精确数字而是获得设计方向的判断目标噪声应分配到哪一级功耗预算如何分摊极点放哪个频率范围最合适。建议每周至少选择一个小模块做一次完整的设计推导从规格出发画原理图手写增益/带宽/噪声公式再与仿真结果对比。这种练习能快速提升对仿真数据的“异常敏感度”也有助于形成可迁移的方法论。5.3 建立“仿真验证 版图闭环 流片复盘”的完整能力AI 工具可以在局部环节提升效率但不能替代工程师对完整流程的掌控。一个可复用的做法是把设计流程固化成脚本和文档并用小型自动化脚本辅助批量分析。下面是一段通用思路的 Python 示例说明如何从仿真结果 CSV 中读取蒙特卡洛数据并计算关键指标分布辅助判断电路鲁棒性。实际项目需要根据 PDK、仿真器输出格式和公司环境调整。import pandas as pd df pd.read_csv(monte_carlo_results.csv) target_metric gain_db spec_min 20.0 spec_max 30.0 # 计算分布 mean df[target_metric].mean() std df[target_metric].std() violation ((df[target_metric] spec_min) | (df[target_metric] spec_max)).mean() * 100 print(f{target_metric}: mean{mean:.2f} dB, std{std:.2f} dB) print(fout-of-spec ratio: {violation:.2f}%) # 输出关键分位点 print(df[target_metric].quantile([0.01, 0.05, 0.5, 0.95, 0.99]))这段代码的意义不在于处理多复杂的数据而在于把验证过程半自动化让工程师把时间放在分析“为什么失配样本出现在低增益端”而不是手动统计上。生产环境还应该把这类脚本纳入版本管理并在新工艺平台验证后更新阈值。5.4 面向模拟工程师的 AI 进阶学习路径如果你决定把 AI 工具引入自己的工作流建议按顺序补齐以下能力掌握 Python 基础与 NumPy/Pandas 数据操作至少能批量读取和统计仿真结果。理解最优化基础包括梯度下降、贝叶斯优化和遗传算法能够判断什么场景值得用优化器。熟悉机器学习基本概念包括过拟合、交叉验证、代理模型和主动学习避免把仿真噪声当规律。在简单模拟模块上做一次“AI 辅助设计”实验用代理模型拟合指标与参数的关系再用仿真器验证最优参数。最终把 AI 工具嵌入既有设计流程而不是单独建立一套脱离验证的“黑箱流程”。注意如果项目时间紧张优先级应该是“先把流程固化和验证闭环做扎实”再引入 AI 优化。没有一个可靠的验证闭环AI 优化只会加速错误结果的生成。6. 常见判断误区与错误做法6.1 误区一数字自动化证明模拟也会自动化这是讨论中最常出现也最容易被反驳的误区。数字 IC 的自动化建立在抽象层次分明、逻辑行为可以形式化验证的基础上。模拟 IC 中每个晶体管、每条布线都直接连接到连续物理量很多效应没有统一抽象层。版图上相邻一根线都可能改变关键节点电容。数字 EDA 的自动化成功并不能推演出模拟设计同样适合 AI 黑箱化。避免方式在讨论任何“自动生成模拟电路”的成果时先问三个问题——它用的是哪个工艺节点跨越几个工艺角是否经过完整后仿与流片验证如果没有这些条件只能算研究原型不能作为工程判断依据。6.2 误区二把 AI 生成的电路当作最终答案有些初学者看到 AI 工具生成了看起来“合理”的电路就认为设计完成。这是高风险做法。生成式模型可能从训练数据中学到了某些拓扑模式的统计规律但其输入输出之间没有物理保证。仿真器和实际芯片之间也存在模型精度差距。正确的流程是把 AI 结果作为候选快速手算确认基本原理再做全 corner 仿真和版图验证。Razavi 在教学中对这种“不检查原理就接受结果”的做法一直持批判态度。他认为模拟设计的关键不是“做出能工作的电路”而是“知道为什么工作以及知道它在什么条件下不工作”。6.3 误区三只学工具不学原理很多工程师花大量时间学习新版版图工具和 AI 脚本却忽略了核心电路原理。工具升级换代很快物理规律和电路理论相对稳定。一个能快速定位 LNA 噪声源在哪个管子的工程师远比一个只会运行自动化噪声扫描脚本的工程师更难得。推荐做法是“工具更新服务于设计深度”。遇到新 AI 工具第一件事是弄清楚它能不能提高验证效率、能不能帮助检查失配和 corner而不是为了学工具而学工具。6.4 误区四恐惧 AI 就业冲击而不是培养稀缺能力职业焦虑容易让人忽略一个事实AI 进入各领域后市场上最缺的并不是基础操作员而是能引领工具使用、承担失败责任、解决极端问题的资深工程师。模拟 IC 设计的责任边界在流片测试那一刻变得极其清晰一次失败可能带来数万美元甚至更高的成本损失。真正应该焦虑的是长期停留在重复劳动、缺乏物理认知和系统判断能力的人。一个能在 AI 辅助流程中定义问题、审查结果、处理异常数据的工程师反而是 AI 时代的受益者。7. 面向模拟 IC 工程师的可复用行动清单7.1 当前阶段最值得做的五件事完整重做一次经典放大器设计推导包含噪声、增益、带宽、建立时间和稳定性的手算。建立自己的仿真结果处理模板把蒙特卡洛、corner 扫描和参数扫描的分析流程脚本化。每条 AI 辅助生成的结果都在工装上完成至少三类验证典型 corner、最差 corner、蒙特卡洛失配。在团队分享一个你亲手排查过的流片失败案例包括现象、假设、验证和最终结论。每月使用一个 AI 工具做辅助任务并记录它对效率的真实影响不要停留在试用层面。7.2 判断一个 AI 设计方案是否可用的检查表检查项具体操作判断标准拓扑可解释性请 AI 或工程师画出小信号等效图并写出关键增益公式能推导出主要极点与零点位置而不是只有仿真曲线工艺角覆盖在 ss、ff、sf、fs、tt 五个 corner 下仿真所有指标都留有裕量不能只满足典型值失配分析运行 1000 次蒙特卡洛仿真关键指标离散度在可接受范围且有明确的物理原因版图依赖用提取寄生参数做后仿真对比前后结果前后仿真偏差有合理解释且不影响核心规格可靠性风险检查 IR drop、电迁移、ESD 路径和热分布最差条件下仍然安全异常预案明确“仿真不收敛”或“测试不达标”的排查路径负责人能快速定位问题而不是依赖黑箱输出7.3 给在校学生和转行者的学习路径建议如果想进入模拟 IC 设计方向并希望不被 AI 浪潮边缘化建议按这个顺序积累阶段一扎实掌握 Razavi 教材的核心内容完成每章关键习题手算和仿真结合。阶段二使用真实或开放 PDK 完成一到两次小型流片或 MPW 项目体验版图和后仿的完整闭环。阶段三把 Python 数据分析和工程脚本列入必修提升批量处理和工具链自动化的效率。阶段四系统学习 PLL、ADC、LNA、SerDes 等典型系统中的一个达到能从头设计到版图的水平。阶段五把 AI 工具作为辅助手段在现有设计流程中做优化实验并形成自己的验证清单。7.4 判断职业方向的长期视角AI 会改变模拟 IC 工程师的一部分工作方式但不会改变这个职业的本质在真实物理约束下用可靠的方法设计出能承受量产、温度和工艺波动的电路。工具可以越来越聪明但“定义什么是正确的问题”“验证结果是否真的正确”“在失败时找到原因”这三件事仍然需要具备深度物理认知的工程师完成。Razavi 的研讨会真正值得记住的不是“AI 会不会取代我”这个焦虑型问题而是它提示所有从业者在工具变强的时代学会驾驭工具、保持对电路原理的理解、建立完整的验证责任意识才是一名模拟 IC 工程师最稳妥的护城河。