在芯片行业，有一类芯片的设计被称为「暗黑艺术」——这不是笔者的修辞，是 2026 年 6 月 IEEE Spectrum 技术期刊的原文：“a dark art.”
设计这种芯片，不需要海量代码，也没有标准化的自动流程可用。它靠的是老师傅十几年攒下来的手感、直觉，以及一种”说不上为什么，但我知道这样能行”的经验。一块新芯片从立项到流片，动辄几年时间、数千万到上亿美元的成本。
它就是射频芯片——你手机里负责收发 5G 信号的那一小块硅片。
现在，普林斯顿大学 Kaushik Sengupta 领导的团队证明了一件事：这种暗黑艺术，AI 学会了。训练时间大约一周。在很多情况下，AI 从零设计的芯片原型，性能超越了当时人类工程师的最优方案。
这件事值得聊的，不是 “AI 又赢了” ——这类标题已经够多了。值得聊的是：射频芯片到底难在哪，为什么连老师傅都头疼？以及，AI 是怎么学会一个”没有公式可套”的东西的？
数字芯片像搭积木，射频芯片像治水
要理解射频芯片的难度，可以先看看它的”容易”版本——数字芯片，也就是我们常说的 CPU 和 GPU。
数字芯片的逻辑是二进制的：0 和 1，开和关。信号沿着预定的路径走，每一步的结果都是确定的。这种确定性让自动化设计成为可能——工程师写好需求，EDA 工具自动生成电路布局。虽然也复杂，但它是一个可拆解、可优化的数学问题。
射频芯片面对的是电磁波。
在 28GHz（5G 手机）、77GHz（车载雷达）这样的频率下，电磁波的行为变得格外”不听话”。它不是沿着一条线路乖乖走的——它会反射、耦合、辐射、干扰。即使在芯片上相距几百微米的两个元件，也会通过电磁场互相影响。用 IEEE Spectrum 文章里的话说，这相当于同时求解麦克斯韦方程组、热力学定律和材料力学的耦合问题——而且要在一个指甲盖大小的空间里完成。
打个比方：设计数字芯片像搭积木——规则明确，错了就是倒了。设计射频芯片像治理一个遍布暗流的水系——你在这里筑一道堤，水会从另一个你完全没料到的地方漫出来。按下地毯的一角，另一边就会翘起来。
这也是为什么，在数字芯片领域，EDA 工具已经能完成大部分工作；而射频芯片至今仍高度依赖人工——依赖工程师一遍遍地手工调试，依赖那些”试了二十年才摸清的诀窍”。
从 AlphaGo 得到的启发
2016 年，AlphaGo 击败李世石。这件事触动了 Sengupta 团队：如果 AI 能在围棋这种搜索空间比宇宙原子数还大的游戏里找到最优解，能不能在射频芯片的”设计空间”里做同样的事？
这里的”设计空间”是什么意思？想象你要设计一个 5G 功率放大器。你需要决定的参数——放大器的级数、每级的晶体管尺寸、传输线的长度和宽度、匹配网络的结构——每一个选择都会影响其他选择，而所有选择的组合，构成了一个天文数字般的可能性空间。人类工程师的应对方式，是靠模板：前人总结好的电路拓扑结构，然后在模板框架内做优化。
模板有用，但模板也是牢笼。它框定了”什么东西看起来像正确答案”——而答案本身可能在模板划定的范围之外。
普林斯顿团队想做的，是让 AI 从零开始，不参考任何人类设计的模板，自己探索这个空间。
强化学习：把芯片设计变成一场游戏
他们采用的核心方法叫强化学习（Reinforcement Learning，RL）。
原理不难理解：就像训练 AI 打游戏。AI 不知道什么是”好的芯片设计”，但它可以不断尝试——随机组合各种电路参数，然后收到一个”分数”（性能指标）。分数高的尝试被记住，分数低的被丢弃。经过几百万次这样的试错，AI 逐渐摸清了”什么样的设计能拿高分”。
这个过程大约需要几天到一周。一旦训练完成，AI 可以在极短时间内给出设计方案。
但这里有一个关键瓶颈：每一次试错，都需要跑一次电磁仿真来算出”分数”。传统的电磁仿真工具，跑一次需要几分钟到几小时——这对于需要几百万次试错的强化学习来说，完全不可行。
AI 取代了物理仿真器
普林斯顿团队的第二个突破，是用 AI 取代了物理仿真器。
他们训练了一个卷积神经网络——一种擅长提取空间特征的 AI 模型——来预测任意二维金属结构的电磁行为。简单说，你给它看一张电路结构图，它在几毫秒内告诉你电磁波会怎么走，不需要手动求解麦克斯韦方程。
这个 AI 仿真器的训练数据从哪来？来自大量随机生成的像素化结构，每个结构都用传统仿真工具标注了真实的电磁参数。一旦训练完成，速度提升是数量级的：原来几分钟到几小时的仿真，现在几毫秒完成。
有了快速仿真器，强化学习才能大规模运行。两者结合，就形成了一个从”需求描述”到”可制造的芯片版图”的完整 AI 设计链路。
AI 交出的答卷：不像人类画的芯片
2023 年，团队发表了第一个验证成果——一颗覆盖 30 到 100GHz 频段的宽带功率放大器。这个频段涵盖了主流 5G 和雷达频率。最终设计在带宽、输出功率和效率的综合指标上，创下了当时硅基功率放大器的最好纪录。
但最让行业震动的是芯片版图的外观。
人类设计的射频芯片，电磁结构通常是对称的、规整的——像蕾丝花纹一样精致且可预测。AI 设计出来的结构，看起来更像二维码，或者现代艺术作品。没有对称轴，没有重复单元，没有任何”美学”可言。
因为这些在 AI 眼里不重要。AI 只关心电磁波通过这个结构后，散射参数（S-参数）是否满足要求。至于它好不好看、工程师能不能看懂，AI 不在乎。
一个有趣的中间路线：可解释性拨盘
普林斯顿团队也意识到一个问题：如果 AI 设计的芯片，工程师完全看不懂，那出了问题怎么调试？（芯片测试和调试往往比设计本身更耗时。）
于是他们引入了扩散模型——也就是 Stable Diffusion、DALL·E 这类 AI 画图工具背后的技术。输入是期望的电磁参数；输出是电路结构。关键是，他们加了一个”空间频率”拨盘：工程师可以选择让 AI 生成低空间频率（传统规整的、人看得懂的）或高空间频率（像素化、任意形状的）结构。
从输入到输出，整个过程大约 6 分钟。
这个设计的意义在于：AI 既可以探索人类未曾涉足的设计空间，也可以在人类已有的审美和可调试框架内加速工作。两种模式，一个工具。
冷静看待：AI 也会”设计出废品”
文章末尾有一段诚实的自述，值得注意。
AI 会”产生幻觉”——设计出不符合物理规律的电路。虽然概率不高，但一旦发生，造出来的就是废片。目前的处理方式是人类把关验证。
还有一个更大的瓶颈：数据。
AI 图像识别能在过去十年突飞猛进，ImageNet（包含 1400 万张标注图片的数据集）是关键转折点。射频芯片设计需要一个类似规模的数据集——大量电路结构和对应的电磁仿真结果。这些数据每天都在全球各大公司和实验室产生，但全部锁在保密协议后面。
文章提到，美国 CHIPS 法案旗下的 Natcast 项目曾规划建设共享数据和基础设施，但该计划已经被关闭。开源生态在芯片设计领域，仍有很远的路要走。
不止是芯片
这件事的背后，有一条更普遍的线索：当 AI 从”辅助人类优化已有方案”进化到”从零探索人类从未踏足的设计空间”，很多行业的运行规则会随之改变。
围棋的定式、象棋的开局库、蛋白质的折叠模式、射频芯片的电路模板——这些都是人类经验凝结成的”捷径”。AI 证明了一件事：在很多领域，这些捷径不是最优解，只是人类认知能力的边界线。
射频芯片设计被称为暗黑艺术，不是因为物理规律本身神秘——麦克斯韦方程组已经写清楚了。而是因为人类的大脑，确实无法在大到荒诞的设计空间里，同时追踪所有变量之间的耦合关系。
AI 没有这个问题。它不需要”理解”，它只需要反复试、反复打分、反复调整。
这一轮 AI 学会的，是做到人类从未做过的事。
参考链接
- AI Learns the “Dark Art” of RFIC Design — IEEE Spectrum, Kaushik Sengupta, 2026-06-24
- Hacker News 讨论 — 167 points, 116 comments