模拟电路进入魔法时代|拓扑|模拟电路|比较器|波形

来源：内容转自公众号【张托肯用AI】，作者：张托肯，谢谢。

大家好，我是张托肯。

最近，我把 AI 跑通的模拟电路“小玩具”，比较器、采样电路、SAR ADC、LDO 等，扔进了工业级 EDA 环境。

当全链路真的在服务器里跑通，AI 开始自主调用 Spectre 仿真器、解析网表、甚至在 Virtuoso 里翻箱倒柜时——

我感觉自己像是真的掌握了魔法。

新手需要学习和操练一星期的内容，熟练工程师要折腾一两个小时的工作，在 agent 驱动下，变成了几分钟的算力吞吐。

更震撼的是，AI 不再是一个盲目跑仿真的“计算器”，它更像个极好用的实习生。它能像人一样理解电路语义、响应指令，甚至能梳理复杂的历史设计，将其转化为可理解、可复用的数字资产。

模拟设计，正从“古法手艺”跨越到“语义驱动”的新阶段。

AI 能理解比较器吗？

本文不铺大摊子，先拿 StrongArm 比较器开刀。

比较器是模拟与混合信号芯片设计中的“麻雀”，结构经典、指标多维且相互牵制（噪声、速度、功耗、回踢），非常适合用来展示设计师（含AI）处理复杂权衡的能力。

首先找一个标准的比较器测试台，用 spectre 进行pss+pnoise 仿真。导出网表喂给 Agent。

Agent 进行了大量的工具调用和思考，创建任务列表，并逐步完成。

随前面消息喂给 AI 的图片是来自 Virtuoso 的截图，是人类设计师关心的信号和表达式。

人看什么，AI 就看什么。

要求 AI 根据对拓扑结构的理解，将网表中的所有元件按功能起名。

AI 不在乎你是哪家的工艺，它只需要像设计师一样，认出谁是输入管、谁是尾电流管、谁是锁存器。

下面是 AI 的理解。

理解了结构，AI 就拥有了“常识”。接下来的单点验证和全链路打通，不再是盲目的试错，而是基于拓扑逻辑的精准操作。

无论是 coding agent 还是 Openclaw，都可以接入这条链路。这条流程不依赖特定模型，在 Claude、GPT 和 Minimax 等不同模型上都可以跑通。

理解结构后，AI 读取多个技能包和工具说明。

把网表送入 spectre 做仿真。

编写 python 代码解析仿真结果。

这个过程并非一帆风顺，中间出现了多次 bug，但 AI 大部分都能自主修复。

引导它先做单点验证，确认全链路打通，再开始后面的设计。

链路打通之后，产物不只是一句“跑完了”，而是一整套东西。

它创建了若干网表、代码，产出波形图、噪声谱、指标文档。

清晰、美观的 StrongArm 复位与比较阶段的时域波形。

模拟设计师的日常，经常被困在“调尺寸、看波形”的琐碎磨损中。

这并非模拟设计中最具创造性的高光时刻，但它确实占据了设计师极大的日常精力。

这种反复迭代本质上是一个低效的人肉闭环：

手动改 → 等仿真 → 搬数据 → 肉眼判断。

现在，我只需要给一句“扫描输入管尺寸对所有指标的影响”，AI 就能实现全盘托管，形成语义闭环：

一句话 → 自动执行 → 自动分析 → 输出看板。

它并没有进行无意义的暴力计算，而是调节晶体管的 finger 数量，选择了 8、16、24、32、64 这几个常见且合理的尺寸进行扫描。

最终产出的不只是一句“跑完了”，而是一整套美观的时域波形、噪声谱和综合指标看板。

当噪声、速度、功耗和 FOM 被直观地拉齐在同一张图表上时，设计师的工作属性发生了变化。

不再是调尺寸的工具人，而是看结论、判断 trade-off、定方向的裁决者。

门槛在下降，难题被直接暴露

很多人听到门槛下降，第一反应是：以后是不是不用学了？

恰恰相反，设计本身永远冷酷地等在那儿，变的是你接近更佳设计的成本。

在传统模式下，模拟设计师的安全感是靠大量的碎片化验证堆出来的。

以比较器为例，噪声、延时和功耗并非全部，让人头疼的还可能有回踢效应（Kickback）。

定量分析这事儿倒也不是说有多难，但略显麻烦：需要手动去保存电流，定义积分窗口，再费点劲地把差分量和共模量分离出来。

这些活儿以前全靠你亲自上手点鼠标、敲键盘。

这是一种高昂的时间成本、精力成本。

现在的变化是：这些麻烦的操作，AI 已经能接过去了。

你不再需要死磕那些琐碎的配置，只要语义约束给清楚，AI 就能把整条链路拼起来。

甚至当约束不够详尽时，它也能按照电路常理自动补全。

总之，自然语言不再只是讨论，它开始变成任务入口。

仅需一句话：“我还希望统计一个东西，对输入的回踢电流”。

AI 就能够在看板上添加回踢电流（差模、共模）以及回踢电荷的统计。

到这里，AI 还只是执行者。真正的变化在下一步。

模拟设计师天生是不相信现成结果的。

我们缺乏安全感，什么都需要反复确认。

在以前，这种确认意味着你要钻进浩如烟海的波形和文件里反复横跳。

现在的 AI 不仅是执行者，更是最耐心的核验员。它不仅能跑仿真，还能在面对拷问时，当场自证清白。

“你这个回踢电流是给谁的？你统计的哪个端口？输入栅极端口吗？”

当我质疑 AI 给出的回踢指标到底测的是哪个端口时，它并没有含糊其辞，而是立刻回溯了网表结构，列出公式。

AI 已经不再是一个只会吐结果的黑盒，而是一个可以被审计、被质疑、且能自证清白的数字搭档。

这种随时核验、随地回溯的能力，把设计师的安全感从一种模糊的直觉，变成了结构化的证据链。

你不再需要去猜 AI 在干什么，而是随时可以从海量信息中揪出一个细节，让它从底层逻辑上说服你。

门槛的降低释放了巨大的生产力，让我们有精力去搞点不一样的。

以前，想对比经典电路的各种变体，也需要时间成本和精力成本。

比如想给比较器加点“料”，比如对比加不加 MOS 电容、要不要差分复位开关。虽然每一步操作都不算复杂，但重搭测试台、对齐仿真口径的过程会消磨灵感。

但在魔法时代，这种麻烦可以被降到零。

你只需要动动嘴，AI 就能拉起几十个仿真进程，完成从网表修改到数据解析的全过程。

最终呈献给你的，不再是散乱的表格或需要人肉拼凑的波形，而是一张清晰的架构决策看板。

你可以盯着噪声、延时、功耗和性能指标的联动曲线，做出那个最符合系统需求的判断。

门槛降了，不是难题消失了。

而是你“进入难题、洞察规律”的路径被重写了。

这里有一个残酷的效率对比：

这个活儿交给一个 985 相关专业的新手，从看懂电路到上手工具、分析出结果，没一个礼拜下不来。

即便老手去折腾，搬运数据、画周报，一套迭代也得耗掉一两个小时。

而在“魔法时代”，这个过程缩短到了几句话。

AI 就像一个永远不累、且极其好用的实习生。

从人肉闭环到语义闭环的拐点

我们正在见证一个历史性拐点。

模拟电路终于能听懂人话了。

以前要靠多层翻译、手口相传才能传递的 know-how，如今可以直接被语义表达、被系统执行、被结果验证。

它不是玄学，而是工程化后的奇迹。

传统的手工设计模拟电路，既不能充分利用数据，也无法有效利用算力。

本质上，我们一直还停留在手工作坊阶段：靠老师傅的笔记、靠一代代人肉眼盯着波形去积累直觉。

现在，LLM-agent 具有能够把这两者接通的能力。

以前，算力只在最后大规模仿真时才被动调用。

现在，由于有了这种自然语言接口，算力可以变成设计师的“实时直觉”。

如果 AI 拿到模拟设计的“底层控制权”，它完全有能力操纵复杂的 EDA 工具链。

模拟设计的‘废墟’里埋着最贵的财富。

那些前任留下的、命名逻辑鬼斧神工、连 Testbench 都跑不通的历史 Cell，以前谁动谁抓瞎。

AI 能钻进这些“废墟”里翻箱倒柜。它自己写 Skill 脚本去扒底层逻辑，第一次把这种“考古”活儿干成了自动化。

那些原本没人敢动的死数据，被它捡起来，变成可读、可检索、可利用的数据资产。

AI 真能帮你把废弃的东西捡起来，变成即插即用的数字资产。

多个 Agent 可以并行探索不同方案，把原本串行的设计过程变成并行搜索。

个体设计师不再受限于单条路径试错，而是在并行探索中展开设计空间。

以上仅仅是几个切片式的实例，不过是冰山上的一角、深海之上的微澜。

但已经足以为模拟设计的未来展现出足够广阔的想象空间。

生产力并轨：模拟设计如何分享 AI 红利

Coding Agent 的范式变革已经在软件开发领域掀起翻天覆地的变化。

程序员不再“古法编程”，而是定义意图，让智能体集群自动驾驶。

相比之下，模拟设计一直像是一块孤岛，守着最硬的门槛，干着最古法的活。

这一行，到底能不能分享到这一轮 AI 爆发的工业红利？

能不能与全球最先进的生产力范式并轨？

要让这块孤岛接入现代工业的算力总线，我们需要两个底座：

工具链的开放（CLI/可编程化）：EDA 工具必须从封闭的 GUI 走向开放的 CLI。只有工具链彻底接口化，自然语言的意图才能无缝转化为机器动作。
知识的流动（开源/显性化）：过去大家把 know-how 当成秘方锁在保险柜里。但在魔法时代，谁能把隐性经验写成可复用的语义约束，谁就能在 AI 链路中获得复利。

甚至可以说得更直白一点：

你不开源，有的是人开源。

当经典结构的 know-how 被全球工程师共同调优、公开、并固化在 Agent 的技能包里时，那些锁在保险柜里的“私产”将迅速贬值。

在这个时代，闭门造车的成本将远高于协作创新的红利。

并轨之后，模拟电路真的还是玄学吗？

在这个行业里，依然充斥着大量的跳跃性思维和神来之笔。

那些在深夜里拍脑门想出来的结构，那些异常好用的神秘技巧，确实带着点魔法色彩。

往后看，模拟设计的玄学色彩会越来越淡。那些把琐碎操作当壁垒、把秘方当护城河的旧故事，快讲不下去了。

当流程摩擦被语义接口抹平，设计的重心从执行与验证，转向结构选择与权衡判断。

AI 可以不知疲倦地枚举不同拓扑结构，并给出详尽的指标对比。

但面对那张密密麻麻的看板，哪一个结构能进版图，哪一项权衡在系统层面是不可接受的，这些涉及安全感的核心判断，依然是设计师的领地。

下一代模拟工程师的工作模式将高度收敛：由自然语言定义任务，智能体系统枚举方案、验证迭代，人类负责最终裁决。