当大模型拿起电路图：RF芯片设计的人机分工新范式
当大语言模型开始“画”电路图，芯片设计的边界正在被重新定义。过去几年，AI在数字电路逻辑综合、版图布局上的进展已屡见不鲜，但模拟与射频领域始终被视为最后一块难啃的骨头——这里的电路设计高度依赖工程师的直觉、经验与对物理效应的微妙权衡。近期一项名为TACS-RF的研究框架，让大模型智能体直接操刀工业级EDA工具链，完成了一款240至251 GHz太赫兹发射机的子模块设计。这不仅是技术验证，更是一次关于人机分工的深刻预演。
射频设计：AI最难攻克的堡垒
射频与毫米波电路的设计难度，源于其强烈的“模拟”属性。与数字电路可以抽象为布尔逻辑不同，射频电路必须直面寄生效应、电磁耦合、阻抗匹配、噪声优化等一系列连续物理变量。一个微带线宽度的微小变化，可能彻底改变天线辐射特性；晶体管偏置点的毫伏级偏移，可能导致相位噪声恶化数dB。这种对工艺、版图和电磁环境的高度敏感，使得射频设计长期依赖资深工程师的“手感”。
更棘手的是，射频设计流程涉及的工具链极其复杂。从电路仿真到版图验证，从寄生参数提取到三维电磁场分析，每一步都运行在不同软件平台上，数据格式与接口标准各异。传统自动化脚本往往只能覆盖单一环节，难以形成端到端的闭环。这也是为什么尽管数字EDA已经高度智能化，射频领域却长期停留在“半手工”状态。
TACS-RF：让LLM成为EDA工具的直接操作者
TACS-RF的核心突破在于，它不再把大语言模型当作代码生成器或建议提供者，而是将其定位为工业EDA工具的“直接操作者”。在这个框架下，一个编码智能体通过调用Cadence Virtuoso进行电路搭建与Spectre仿真，借助Calibre完成版图规则检查，利用Cadence EMX和Ansys HFSS处理无源结构的电磁场验证。整个过程形成了一个“设计-仿真-修正”的自主迭代闭环。
研究团队以90 nm SiGe BiCMOS工艺下的一款240-251 GHz亚太赫兹发射机作为验证载体。智能体半自主完成了多个关键子模块的设计：包括基于二次谐波提取的60 GHz推挽式Colpitts压控振荡器、多级差分共源共栅功率驱动级、推挽式倍频器、差分蝶形天线，以及连接各级模块的匹配网络。值得注意的是，这些模块并非孤立存在，而是需要在最终链路中协同工作——这意味着智能体必须理解模块间的级联效应与阻抗匹配约束。
从实测指标看，这条包含寄生参数提取器件与电磁验证无源器件的发射机链路，在仅通过变容二极管调谐的11 GHz范围内，输出功率达到+5.1至+6.3 dBm，1 MHz频偏处的相位噪声落在-80至-88 dBc/Hz区间，直流功耗为361 mW。对于工作频率逼近太赫兹的电路而言，这组数据表明AI生成的设计已经具备了与人工方案相当的工程实用性。
人与智能体的分工边界在哪里
真正值得玩味的，不是智能体“做了什么”，而是它“没做什么”。在TACS-RF的实际流程中，人类工程师仍然承担着架构定义、工艺约束设定、设计指标分解以及最终方案评审的角色。智能体的价值体现在它能够在给定约束下，自主完成大量重复性高、搜索空间大的实现细节——比如匹配网络拓扑的选择与元件参数迭代、版图布局的反复调整、多轮仿真数据驱动的优化决策。
这种分工揭示了一个关键事实：当前阶段的AI射频设计，本质上是“约束条件下的实现自动化”，而非“从零到一的创造”。人类提供设计的“为什么”和“是什么”，智能体解决“怎么做”。但这恰恰是最具生产力解放意义的部分——射频工程师通常将60%以上的时间花在调参、跑仿真、改版图上，如果这些环节能被智能体接管，人类便有更多精力投入系统架构创新与跨域协同。
另一个被低估的进展是工具链整合的可行性。长期以来，EDA厂商各自为政，脚本打通不同工具的成本极高。而大语言模型凭借其语义理解与代码生成能力，实际上充当了不同EDA工具之间的“通用翻译层”。这意味着即使没有厂商层面的API标准化，AI仍然可以通过模拟人类操作的方式串联起完整工作流。这种“软性集成”可能成为EDA生态智能化的加速器。
迈向“文本到ASIC”的现实路径
TACS-RF的研究者将这一探索定位为通向“文本到ASIC”未来的一步。这个愿景固然诱人，但必须正视其中的工程鸿沟。从单一模块的半自主设计到完整芯片的端到端生成，中间至少隔着三层挑战：首先是跨层级抽象能力，智能体需要同时在系统指标、电路架构、器件物理和版图寄生之间进行推理；其次是验证可信度，AI生成的设计必须经过比人工方案更严格的审查，因为它的“直觉”尚未被工艺验证历史所锚定；最后是人机交互界面，工程师需要用什么样的提示语、约束模板和审查机制来管理智能体，这本身就是一个亟待建立的方法论。
一个更为现实的路径或许是“人机共设计”平台的逐步成熟。在这个平台上，智能体负责生成候选方案、执行参数扫描、预警设计违规，而人类工程师专注于架构权衡、创新拓扑与商业决策。随着多模态大模型对电磁场图谱、版图拓扑和S参数曲线理解能力的提升，智能体在射频领域的角色将从“执行者”升级为“协作者”。
当大模型真正拿起电路图笔，它改变的不只是设计效率，更是射频芯片创新的速度与门槛。未来十年里，或许我们看到的不是AI取代射频工程师，而是“会用AI的射频工程师”取代“不会用AI的射频工程师”。TACS-RF的意义，恰在于它提前展示了这条分水岭的样貌。