AI 开始自己设计芯片了，而且画出来的东西人类根本看不懂？

小甲鱼

AI 开始自己设计芯片了，而且画出来的东西人类根本看不懂？

先来想象一个场景。

假如有一天，你突然穿越回了三十多年前。

手机没有网络，家里没有 Wi-Fi，蓝牙耳机不能用，出门打车只能站在路边招手，就连行李丢了，也没有 AirTag 可以帮你定位。

你只能守着家里的固定电话，眼巴巴地等航空公司打过来。

是不是瞬间感觉，整个世界都不方便了？


而我们今天之所以能够躺在床上刷视频、开直播、导航、打游戏，靠的不只是互联网。

在这些无线设备的背后，还藏着一种非常关键的芯片：

射频集成电路，也就是 RFIC。

它负责处理高频无线信号。

简单来说，你的手机想把信息发送给远处的基站，或者从基站接收信号，都需要经过这类芯片。


但问题来了。

这么重要的芯片，设计起来却非常麻烦。

麻烦到什么程度呢？

在芯片行业里，射频芯片设计长期被人称作一门 ——「黑魔法」。

因为这玩意儿太依赖经验了！！！

很多东西教科书里说不清，软件也不能自动完成，只能靠一些经验丰富的老师傅，根据自己多年来形成的直觉，一点一点地调。


然而现在，AI 也开始学习这门「黑魔法」了。

而且，它设计出来的芯片，不仅长得非常奇怪，有些性能甚至超过了人类设计的传统方案。




射频芯片为什么这么难设计？

我们平时说到芯片，很容易想到 CPU 和 GPU。

CPU 里面有大量晶体管，设计过程当然也很复杂。

但经过几十年的发展，数字芯片已经形成了一套比较成熟的自动化设计流程。

工程师可以用硬件描述语言写出电路逻辑，再让各种 EDA 工具帮忙完成综合、布局和布线。

虽然也不能说轻松，但至少已经形成了一条相对标准化的生产线。


射频芯片就不一样了。

它不只是要考虑晶体管之间怎么连接，还要考虑电磁波在芯片里面怎么跑、信号会不会反射、能量会不会损耗、芯片会不会发热，以及温度变化后材料会不会膨胀或者收缩。

也就是说，设计师不只是一个电路工程师。

他还要同时兼职电磁学家、热力学家、建筑师和水管工……



好家伙，一个人同时打四份工。

更麻烦的是，这些问题还不是相互独立的。

你把一个地方调整好了，另一个地方可能马上又出问题……


IEEE Spectrum 的文章用了一个非常形象的比喻：

这就像你要把一张过大的地毯塞进一间很小的房间。

你把左边的角按下去了，右边的角又翘起来了；你再去按右边，后面又鼓起来了。

射频芯片的设计，大概就是这种感觉。


芯片里面，怎么还需要 “水管”？

我们不妨把一颗射频芯片想象成一座房子。

晶体管相当于房间里的各种设备。

有的负责放大信号，有的负责切换信号，还有的负责混合不同频率。

但只有设备还不够。

设备之间还需要走廊，需要管道，需要把信号从一个地方送到另一个地方。

这些负责引导电磁能量的金属结构，包括电感、传输线、匹配网络、功率分配器等等，就像芯片里面的 “水管”。

而且它们占用的面积，往往比晶体管还大。


等等。

芯片不是越小越好吗？

为什么还要在里面修这么多弯弯绕绕的管道？


原因是射频信号的频率实在太高了。

5G 毫米波可能工作在 28GHz 或者 39GHz 附近，汽车雷达可以达到 77GHz，部分卫星通信和亚太赫兹系统使用的频率还会更高。

到了这个级别，电路里面一段看似不起眼的金属线，都可能表现出非常复杂的电磁特性。

如果管道没有接好，信号就会反弹回来。

这有点像你把消防车上的高压水管，直接接到一根细细的花园水管上。

接口对不上，水不但过不去，还会从连接处往回喷。

在射频电路中，这类问题叫作：阻抗不匹配。


于是，工程师需要在芯片里面设计各种微型 “转接头”，让信号能够顺利地从一个元件流向另一个元件。

这些结构有时候还要负责分流、合流和控制不同信号的时间关系。

所以，咱们看到的射频芯片版图，表面上只是一些金属线。

实际上，那是一整套给电磁波修建的地下交通系统。




传统方法：从老师傅留下的户型图里挑一个

过去，工程师设计射频芯片，通常不会直接从一张白纸开始。

他会先从已有的设计模板中，挑选一种看起来比较合适的电路结构。

这就像盖房子之前，先从一堆现成的户型图里面挑一个：

三室两厅行不行？

要不要改成两室一厅？

厨房放左边还是右边？

射频芯片也一样。

工程师会先决定需要多少级放大器、信号经过哪些路径、被动结构采用什么形状，然后再调整晶体管尺寸、金属线宽度和各个元件之间的距离。


但模板只能给出一个大概方向。

有的模板增益比较高，但是不够稳定；

有的频率范围比较宽，但是效率比较低；

还有的比较省电，输出功率却不够。

所以设计师只能不断修改、仿真、检查，再修改、再仿真。

有时一个小地方没有匹配好，整套方案就要重新调整。

最关键的是，这些模板本身也是人类设计出来的。

大家用得久了，就会产生一种非常自然的错觉：

既然历代高手都是这么画的，那么优秀的射频芯片大概就应该长成这个样子。


但真的是这样吗？

未必。

我们熟悉的设计，可能只是人类能够理解和画出来的设计。

它不一定是最好的设计。


AI 不参考人类答案，自己玩芯片设计游戏

普林斯顿大学的 Kaushik Sengupta 团队换了一种思路。

他们没有让 AI 在人类设计好的模板上修修改改，而是希望 AI 从几乎空白的状态出发，自己探索电路结构。

这个过程，有点像 AlphaGo Zero 学习围棋。

早期的围棋 AI，主要学习人类棋手留下的棋谱。

但 AlphaGo Zero 不依赖人类棋谱，而是自己跟自己下棋。

赢了，就说明刚才的策略可能不错。

输了，就回去调整。

下得足够多之后，它逐渐发现了一些人类棋手从来没有认真考虑过的走法。


射频芯片设计也可以变成类似的游戏。

AI 每设计出一个方案，就根据增益、带宽、效率、输出功率和稳定性等指标获得一个 “分数”。

分数高，说明这条路值得继续探索。

分数低，就换一种结构重新尝试。

通过这种强化学习方式，AI 可以逐渐摸清电路架构、元件连接方式和性能之间的关系。

研究团队表示，这个训练过程可能需要几天到一周，但完成训练后，系统就能非常快速地生成新的电路设计。

它不是在背诵人类的标准答案。

它是在不断试错的过程中，自己总结规律。


可是，仿真一次就要很久啊？

这里还有一个问题。

AI 最大的优势，是不怕试错。

你让它尝试一万次、十万次，它也不会抱怨加班。

但芯片的电磁仿真非常耗费计算资源。

传统电磁仿真软件需要求解麦克斯韦方程组。

一次复杂结构的仿真，可能需要几分钟，甚至几个小时。


假如 AI 每换一个像素，就要重新计算一次完整的物理过程，那么别说尝试十万次了，尝试一千次可能都要算到天荒地老。

怎么办？

研究人员又训练了一个专门负责 “看图猜性能” 的 AI 模型。

他们先生成大量随机的像素化电磁结构，再使用传统仿真工具计算这些结构的真实表现，把结果作为训练数据。

训练完成后，只要给这个 AI 看一张电磁结构图，它就可以直接预测信号通过这个结构时的散射参数。

说白了，这相当于给芯片设计 AI 配了一位 “模拟考试老师”。

真正的电磁仿真是正式考试，虽然准确，但速度慢。

AI 模拟器则是平时刷题，速度极快。

原本需要几分钟或者几个小时的计算，现在可能只需要几毫秒。

于是，设计 AI 终于可以在巨大的设计空间里撒开腿狂奔了。


这个设计空间，到底有多大？

研究人员曾经把一块电磁结构划分成 25×25 个像素。

每个像素只有两种状态：

有金属，或者没有金属。

看起来好像不复杂，对吧？

但 25×25 等于 625 个像素。

每个像素都有两种选择，那么一共会产生多少种组合？

答案是：$2^625$

大约相当于 $10^188$ 次方种不同设计。

这个数字已经大到基本失去了日常意义。

别说人类工程师一个一个尝试，就算把地球上所有电脑都叫过来加班，也不可能采用穷举的方法检查完。

而这恰恰是 AI 擅长的事情……

它并不需要遍历所有可能性，而是根据已经学到的规律，不断朝着更有希望的方向搜索。

研究论文显示，这套方法能够在训练数据之外找到性能更好的结构，并把部分过去需要数周进行的设计和优化缩短到几分钟。


AI 画出来的芯片，怎么像一张二维码？



当研究人员真正把 AI 设计的电磁结构展示出来时，很多工程师的第一反应可能是：

这是什么东西？

人类设计的射频结构，通常比较规整。

左右对称，线条清晰，一眼就能看出电路的大概走向。

因为人类喜欢有规律的东西。

对称的结构容易计算，容易检查，也容易向其他工程师解释。


但 AI 根本不在乎好不好看。

它也不在乎你能不能一眼看懂。

只要这个形状符合物理规律，能够让信号以正确的方式传播，它就敢画。

于是，AI 设计出来的电路，有些像二维码，有些像迷宫，还有些像一幅不小心打翻墨水后形成的抽象画。


在 2023 年公布的一项概念验证中，研究团队使用这种方法设计了一款覆盖 30GHz 到 100GHz 的宽带功率放大器。

最终制造出的芯片，在带宽、输出功率和效率的综合表现上达到了当时非常突出的水平，而它的电磁通道布局与传统人类设计明显不同。

2024 年发表在《Nature Communications》上的研究，则进一步展示了多端口射频和亚太赫兹结构的逆向设计。

系统可以根据目标性能，在几分钟内生成滤波器、功率分配器、耦合器、双工器和天线等复杂结构，并制造实物进行测量验证。


这就像人类盖桥时，习惯使用横平竖直的钢梁。

AI 却突然递过来一团歪歪扭扭的钢筋，并告诉你：

“别看它长得奇怪，承重能力更强。”

你肯定会有点怀疑。

但把它真的造出来一测……

欸，还真能用！！


逆向设计：你只管提要求，AI 负责倒推结构

传统芯片设计通常是这样的：

先画出一个结构，再计算它能产生什么性能。

而研究团队采用的 “逆向设计”，正好反过来。

工程师先告诉 AI：

“我希望信号在这个频率顺利通过。”

“那个频率必须被挡住。”

“能量到这里以后，平均分成两路。”

“其中一路还要比另一路晚四分之一个周期。”

然后，AI 根据这些目标，反推出能够实现相应电磁特性的物理结构。


这有点像你不再拿着户型图问设计师：

“这套房子住起来怎么样？”

而是直接告诉设计师：

“我要三个房间、一个大客厅、全天采光，而且卧室必须安静。”

设计师再根据这些要求，反过来生成户型。


IEEE Spectrum 的文章还介绍了一种基于扩散模型的方法。

扩散模型原本常被用来生成图片。

你可以让它画油画、漫画或者水彩画。

而在这里，输入不再是一段文字，输出也不是猫猫狗狗，而是满足特定散射参数的电磁结构。


设计师甚至可以调整一个类似 “画风” 的旋钮。

旋钮调低，AI 生成的结构比较传统、规整，也更容易被工程师理解。

旋钮调高，结构就会逐渐变成迷宫甚至像素块，但可能拥有更大的探索空间。

研究人员报告，从输入目标到生成结构，整个过程大约只需要 6 分钟。




所以，射频工程师要失业了吗？

目前的 AI 还远没有达到输入一句话，就能自动吐出一颗完美芯片的程度。

AI 生成的设计也可能 “幻觉”。

也就是说，它可能给出一个看起来性能很好，实际上制造出来却不能正常工作的结构。

而芯片可不像生成图片。

图片里多长一根手指，我们笑一笑也就过去了。

芯片里面多出一条错误的信号路径，整颗芯片可能直接报废。


因此，AI 生成的设计仍然需要经过严格的物理仿真、制造规则检查、实物测试和人工验证。

特别是在芯片调试阶段，如果工程师完全看不懂 AI 为什么这样设计，一旦出现故障，就可能连从哪里下手检查都不知道。

这也是研究人员专门探索 “可解释结构” 的原因。


另外，想要训练真正通用的射频芯片设计模型，还需要海量数据。

问题是，全世界的芯片公司和实验室每天都在进行大量电磁仿真，但这些数据往往属于商业机密，被锁在企业内部或者保密协议后面。

数据明明很多，却无法集中起来使用。

所以，AI 暂时不是来取代射频工程师的。

它更像是给工程师增加了一种新的能力：

让人类不再只能围着几十年来熟悉的模板打转，而是能够进入过去根本无法搜索的设计空间。


人类不是不会设计，而是想不到那里去

这项研究真正有意思的地方，并不只是把芯片设计从几个星期缩短到几分钟。

速度当然很重要。

但更重要的是，AI 可能会发现一些人类从来不会主动尝试的结构。

人类设计东西，总会受到经验的影响。

经验能够帮助我们避开错误，但经验也会悄悄画出一道边界。

我们会下意识地认为，电路应该对称，走线应该整齐，芯片应该像过去那些优秀芯片一样。


可是，物理规律从来没有规定：

性能优秀的电路，必须长得漂亮。

AI 没有人类的审美，也没有老师傅留下来的固定套路。

在满足麦克斯韦方程和制造条件的前提下，它可以在一片巨大而陌生的设计空间里乱跑。

跑着跑着，可能就跑到了人类从未到达过的地方。

当然，现在的它仍然会迷路，需要人类在旁边监督，也需要工程师检查它找到的路线究竟通不通。

但这一次，我们或许正在见证一种新的工程设计方式。


以前是人类先想出结构，再让计算机帮忙验证。

未来可能是人类提出目标，AI 负责探索，人类再从结果中理解新的规律。

所以，AI 设计芯片最值得关注的，并不是它会不会抢走工程师的饭碗。

而是它正在提醒我们：

有些东西，并不是人类设计不出来。

而是我们以前根本想不到，它还可以这样设计。

FishC

当然，这个问题问到了近两年芯片设计领域一个很有意思的进展。简单来说：**是的，AI 确实开始自己设计芯片了，而且它画出来的电路结构，人类工程师经常看不懂。** 这不是科幻，而是已经发表在《自然·通讯》等期刊上的真实研究。

我们先捋一下背景。射频芯片（RFIC）负责处理无线信号（比如手机里的5G信号）。它的设计非常难，因为电磁波在高频率下会表现出很多“玄学”行为——教科书难以解释，软件也不能自动完成，全靠有经验的老工程师一点点调，所以业内戏称这是“黑魔法”。

传统的设计方法是：工程师拿一套已有的模板（比如某种放大器结构），然后反复修改、仿真、再改。这种办法依赖人类的直觉和审美——人类喜欢对称、整齐、清晰的走线。但物理规律并没有规定性能好的芯片必须长得“好看”。

AI 的做法完全不同。普林斯顿大学的研究团队让 AI 从一张“空白画布”出发，不参考人类模板。他们把芯片电磁结构看成一张像素图（比如25×25像素，每个像素有金属或没有金属）。AI 通过强化学习（类似 AlphaGo 自己和自己下棋）不断尝试不同的排列组合，每试一个方案就根据增益、带宽、效率等指标打分。分数高就继续探索类似结构，分数低就换一条路。为了加速，他们还训练了一个“看图猜性能”的AI模型，能在几毫秒内预测电磁特性，替代原本需要几小时的精准仿真。这样一来，AI 就可以在巨大的设计空间里疯狂搜索——那个设计空间有多大？约 $10^{188}$ 种可能，人类根本不可能穷举。

经过几天到一周的训练后，AI 能够快速生成新的电路结构。这些结构长什么样？完全不像人类画的那样规整、对称，反而像二维码、迷宫、打翻墨水的抽象画。人类看了第一反应是：“这是什么东西？”但制造出来一测试，发现性能可能比传统人类设计更好（比如带宽更宽、输出功率更高、效率更优）。

这种设计方法叫**逆向设计**：工程师只需要提出性能目标（比如“信号在30GHz顺利通过，在40GHz被阻挡”），AI 就反向推导出能达到这个目标的物理结构。有点像你告诉设计师“我要三室两厅、全天采光”，设计师根据要求生成户型图，而不是先画好户型再问你是否满意。

当然，目前AI设计还没有完全取代人类。AI生成的方案可能有“幻觉”导致无法制造或工作不正常，需要人类工程师进行严格的物理仿真、制造规则检查和实测验证。而且很多数据属于商业机密，难以共享训练。所以AI更像是一个“探索助手”，帮助人类跳出几十年来的经验模板，进入以前根本不敢想的设计空间。

总结：
- AI用强化学习和逆向设计自动搜索射频芯片结构。
- 它输出的结构看起来不规整、不对称，人类难以理解。
- 但这些“奇怪”的结构在性能上往往能超越人类传统设计。
- 关键意义在于：人类想不到还能这样设计，AI打破了经验边界。

所以，不是AI要抢饭碗，而是它帮我们推开了新世界的大门。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。