企业官网建设流程全解析

前两天刚刷到一条消息：IEEE 在 2026 年 7 月 31 日组织了一场网络研讨会，主讲人是模拟集成电路领域公认的“教科书级”人物 Behzad Razavi 教授，主题直接就是《AI 会取代模拟 IC 工程师吗？》。

看到这个标题的时候，相信很多做模拟 IC 的同行心里都会咯噔一下。毕竟这几年 AI 在数字后端、EDA 工具、甚至射频电路设计里确实越来越“能打”，不少同学在后台也经常问我：Razavi 教授是不是说要转行了？模拟 IC 还有没有前途？搞了这么多年 Bandgap、LDO、PLL，会不会哪天突然就被 AI 一键生成了？

说实话，这个问题确实值得认真拆一拆。我把这次研讨会公开的讨论要点、Razavi 教授在学术界和工业界的历年观点，以及当前 AI + EDA 方向的真实进展都整理了一遍，结合自己这些年在模拟 IP 设计、版图对接和流片验证中的实际经验，写一篇尽量客观、不贩卖焦虑的深度分析。

这篇文章不是笔记整理，也不是论文翻译，而是想和大家一起理清楚：AI 到底在模拟 IC 设计里能做哪些事、不能做哪些事，以及作为模拟工程师，我们应该怎么面对这轮技术变革。

1. Razavi 教授是谁？这场研讨会为什么值得关注

1.1 模拟 IC 领域的“教科书级”人物

Behzad Razavi 教授是加州大学洛杉矶分校（UCLA）的教授，IEEE Fellow，长期从事高速串行收发器、时钟与数据恢复电路、低噪声放大器、锁相环等领域的研究。

很多同学第一次认识 Razavi 教授，都是从这两本经典教材开始的：

• Design of Analog CMOS Integrated Circuits（中文版《模拟 CMOS 集成电路设计》）
• Design of Integrated Circuits for Optical Communications

这两本书几乎是全球高校微电子专业模拟方向的核心教材。Razavi 教授对 MOSFET 小信号模型、反馈系统稳定性、噪声分析、失配分析等内容的讲解，影响了一整代模拟 IC 工程师。

所以，当他亲自站出来谈“AI 会不会取代模拟 IC 工程师”，这个议题的分量远超过一般的技术八卦。它涉及到整个学科的教育方向、研发模式、人才培养和职业规划。

1.2 为什么 IEEE 要专门组织这场研讨会

IEEE 作为全球最大的专业技术组织之一，在电子工程与计算机科学领域拥有极高的权威性。它旗下的期刊和会议，例如 IEEE Journal of Solid-State Circuits（JSSC）、IEEE International Solid-State Circuits Conference（ISSCC）、IEEE Custom Integrated Circuits Conference（CICC）、IEEE Asian Solid-State Circuits Conference（A-SSCC）等，是模拟 IC 前沿成果的主要发布阵地。

近年来，AI 在芯片设计领域的应用成为热点，IEEE 旗下也专门设立了人工智能与电路设计相关的专题，讨论 AI 辅助 EDA、强化学习布线、生成式电路设计等方向。这场网络研讨会正是在这个背景下召开的。

整场研讨会的核心议题可以概括为三个问题：

1. AI 目前到底能在模拟 IC 设计的哪些环节发挥作用？
2. 模拟 IC 设计的核心难点，是否真的能被 AI 克服？
3. 未来的模拟 IC 工程师应该具备哪些新的能力？

2. 模拟 IC 设计的核心难点：为什么它和数字芯片不一样

要理解“AI 是否会取代模拟 IC 工程师”，首先得搞清楚模拟 IC 设计到底难在哪里。

很多刚入行的同学会有一个误区：模拟 IC 不就是把运放、比较器、Bandgap 这些基本模块搭一搭，然后跑跑仿真吗？有什么难的？

实际上，模拟 IC 设计的难度核心在于：它所面对的是一个连续、非理想、强耦合的物理世界。

2.1 非理想效应遍布每个角落

数字 IC 设计关心的是 0 和 1，只要有明确的逻辑电平，中间的过渡过程可以被很大程度忽略。但模拟 IC 必须面对真实器件的一切非理想特性：

• MOSFET 的沟道长度调制效应、阈值电压变化、衬底偏置效应
• 电阻的温度系数、电压系数
• 电容的寄生效应、失配特性
• 晶体管本身的噪声（热噪声、闪烁噪声）
• 工艺制造带来的全局偏差（Process Corner）和局部失配（Mismatch）

以带隙基准电压源（Bandgap）为例，设计目标是在一定温度范围内输出一个稳定电压。但实际电路中的运放失调、电阻失配、BJT 的工艺偏差都会叠加到输出上。要做出一颗在全温度范围内偏差低于 1mV 的 Bandgap，需要设计者反复权衡功耗、面积、启动电路可靠性、版图匹配等多个因素。

2.2 性能指标之间存在大量矛盾约束

模拟 IC 设计几乎每时每刻都在做折中（Trade-off）。以两级运放为例：

• 增益和带宽：增益做高，通常带宽会下降
• 功耗和噪声：功耗降低，闪烁噪声和热噪声往往增加
• 面积和匹配：面积增大可以改善匹配，但成本上升
• 速度和精度：快速建立和高精度是互相矛盾的

这种折中不是简单地在曲线上取个中间点，而是需要在特定工艺、特定应用场景、特定温度范围下做全局最优决策。这个决策过程高度依赖工程师对电路本质的理解。

2.3 版图效应是“看不见的手”

模拟 IC 的版图设计和电路设计是深度耦合的。同样的电路原理图，不同画法，流片回来的性能可能差 10% 甚至 30%。

• 匹配晶体管需要采用质心布局（Common Centroid）
• 敏感信号线需要屏蔽
• 电源线和地线的 IR Drop 需要考虑
• 闩锁效应（Latch-up）需要防护
• 衬底噪声耦合需要隔离

有一句话在模拟 IC 圈子里流传很广：模拟工程师画版图，画的不只是连线，而是把物理世界的寄生效应“画”进电路里。

2.4 设计迭代周期长、成本高

一颗模拟芯片从概念到量产，往往需要经过：规格定义 -> 原理图设计 -> 前仿真 -> 版图设计 -> 后仿真 -> 流片 -> 测试 -> 改版，整个周期动辄 6 到 12 个月，一次流片费用从几十万到上千万人民币不等。

因此，模拟 IC 行业对“一次成功率”的要求极高。这决定了模拟 IC 设计不能靠“试错法”，必须在设计早期就把大量物理效应考虑在内。

3. AI 目前在模拟 IC 设计领域到底能做什么

在明确了模拟 IC 设计的难点之后，我们再来看 AI 目前的真实能力边界。

不可否认，近年来 AI 在模拟 IC 设计的局部环节已经展现出了明显的实用价值。

3.1 电路性能建模与快速评估

传统模拟 IC 设计中，每次修改器件参数，都要重新跑一次 SPICE 仿真。对于复杂的锁相环、SerDes 前端、电源管理电路，单次瞬态仿真可能需要几小时甚至几天。

目前有大量研究团队在用 AI 做电路性能的替代模型（Surrogate Model）。核心思路是：

1. 在有限的仿真次数内，采集电路在不同设计参数下的性能数据。
2. 用神经网络或高斯过程回归来拟合“设计参数 -> 性能指标”的映射。
3. 后续优化过程中，用替代模型代替昂贵的 SPICE 仿真，从而大幅度缩短迭代时间。

这个方向在学术上已经比较成熟，很多 EDA 厂商也在研究和落地相关技术。

3.2 参数优化与多目标搜索

模拟电路设计中有很多参数需要调节，例如晶体管尺寸、偏置电流、补偿电容、电阻阻值等。传统的做法是工程师根据经验手工调整，或者使用基于梯度的优化算法，但很容易陷入局部最优。

AI 强化学习和贝叶斯优化在这一领域有天然的优势：

• 贝叶斯优化（Bayesian Optimization）可以在较少的仿真次数下找到较好的参数组合
• 强化学习（Reinforcement Learning）可以通过自我博弈的方式学习最优调整策略
• 多目标进化算法（如 NSGA-II）可以同时优化功耗、增益、带宽等多个指标

例如，在运放设计中，AI 可以在设定好目标之后，自动搜索晶体管宽长比和偏置电流的组合，逼近全局最优。

3.3 版图自动生成与布线辅助

模拟版图设计是劳动密集型工作中最突出的一环。传统模拟版图设计师需要手动完成匹配、屏蔽、对称、寄生控制等大量工作。

近两三年，学术界和 EDA 公司都在尝试用生成式 AI 和强化学习自动生成模拟版图：

• 对匹配晶体管组自动识别并施加 Common Centroid 布局
• 对敏感信号网络自动规划屏蔽线
• 对电源网络自动计算 IR Drop 并调整走线宽度
• 对差分对自动做对称布线

这方面目前还没有达到完全自动化的程度，但已经能在部分模块上做出“可用”的版图，明显缩短人工工作时间。

3.4 自动化测试分析与故障诊断

芯片测试阶段获得的大量数据非常宝贵，但传统分析方式往往依赖工程师手动做相关性分析、良率分析和失效定位。AI 的异常检测和模式识别能力在这里可以发挥作用：

• 自动判断良率异常是来自工艺漂移、设计缺陷还是测试环境问题
• 自动聚类失效芯片的共性特征
• 辅助定位需改版的薄弱环节

4. Razavi 教授的核心观点：为什么 AI 难以取代模拟 IC 工程师

网络研讨会中，Razavi 教授的观点明确且冷静：AI 是强大的辅助工具，但短期内无法取代模拟 IC 工程师。他将模拟 IC 设计的核心壁垒归结为几个 AI 难以跨越的维度。

4.1 问题定义与规格拆分：AI 没有“第一性原理”

Razavi 教授反复强调一个观点：模拟 IC 设计的第一步，也是最关键的一步，是把一个模糊的需求转化为明确的电路规格。

举例来说，客户可能只会告诉你：“我要一颗用于可穿戴设备的电源管理芯片，电池寿命要长，纹波要小，不能太贵。”

这个需求转化为技术指标时，涉及大量判断：

• 静态功耗应该控制在多少微安？
• 最大负载电流是多少？瞬态响应要求多快？
• 输入电压范围是多少？
• 芯片面积预算和封装选型是什么？
• 面对工艺偏差，良率目标是多少？

AI 可以在给定规格之后自动搜索设计参数，但“如何定义规格”这件事，AI 并不理解背后的物理约束、市场约束和成本约束。即便 AI 能生成一份规格清单，也很难判断这份清单在真实商业环境中的合理性。

4.2 创造性电路拓扑设计：AI 还做不到从零发明

这是 Razavi 教授观点中最核心的部分。

模拟 IC 设计的技术含量，很大程度上体现在电路拓扑的创造上。一个经典例子是他在高速收发器领域提出的许多电路结构，这些结构不是通过参数搜索得到的，而是基于对信号路径、噪声机理、功耗效率的深刻物理洞察，经过创造性思考推演出来的。

AI 目前做得很好的部分是“在给定拓扑下优化参数”。但真正的“拓扑创新”，比如设计一个新的放大器结构、新的反馈补偿方式、新的相位检测器架构，AI 并没有展示出可靠的能力。

原因在于：

• 模拟电路拓扑数量巨大，解空间是高度非连续的
• 不同拓扑之间的优劣比较，依赖于对物理机制的深度理解
• 许多优秀的电路结构是在分析了几种看似无关的方案后，通过类比和抽象得到的

Razavi 教授在研讨会上明确表示：目前没有看到任何 AI 系统能够独立提出像 cascode 补偿、feedforward 噪声消除这类具有深远影响的电路创新。

4.3 全局系统级思维：AI 缺乏跨层次关联能力

模拟 IC 设计从来不是孤立的“画电路图”。它需要和版图、封装、测试、系统应用紧密结合。

比如一个低噪声放大器，设计者不仅要关心放大器的增益和噪声系数，还要考虑：

• 前一级的驱动能力和输出阻抗
• 后一级的输入电容和偏置要求
• 封装引线带来的寄生电感
• 测试板上焊盘和电缆引入的阻抗不连续
• ESD 保护结构对输入电容的影响

这种跨层次、跨物理域的全局关联能力，目前 AI 还难以掌握。

Razavi 教授举过一个很形象的例子：AI 可以把一段文字翻译得越来越通顺，但如果它没有真正在世界中生活过，它不可能理解“寒冷”对“身体”的体验。同样，AI 可以分析很多仿真数据，但它并没有真正“感受”过工艺偏差、耦合噪声和流片失败带来的物理约束。

4.4 从仿真到流片的“最后一公里”

很多没有流片经验的同学可能会低估流片后的世界与仿真世界的差距。

真实硅片上的行为和仿真模型之间，永远存在一层不确定性：

• 工艺模型可能不够精准，尤其在先进工艺节点上
• 器件在高频下的行为可能与模型预测存在偏差
• 温度、电压、负载条件组合的极端情况难以穷举
• 老化效应（Aging Effect）和电迁移（Electromigration）是长期累积问题

当芯片从流片回来，测试结果与仿真不符时，模拟工程师的价值就体现出来了。他需要根据测试波形和现象，反向推理出问题出在哪个模块、哪个寄生路径、哪个模型偏差上。

这种“从现象到根因”的诊断能力，依赖的是实验经验积累和电路物理直觉，而这两者都是 AI 目前不具备的。

4.5 经验与直觉的不可替代性

Razavi 教授反复用“直觉”（Intuition）这个词来描述模拟 IC 工程师的核心竞争力。

直觉不是天生的，而是大量失败、分析和反思后的模式化总结。一个资深模拟工程师在看到一个新的电路架构时，几乎本能地能判断它可能出现什么问题：稳定裕度够不够、共模电平合适不合适、版图匹配难度大不大。

这种经验和直觉的形成，需要多年的项目积累，涉及大量无法被文本化和数据化的知识。AI 要复制这种直觉，需要的不只是仿真数据，还需要对失败案例的深度理解——而这正是当前 AI 训练范式最薄弱的地方。

5. 模拟 IC 工程师的真正护城河：AI 无法替代的四项核心能力

结合 Razavi 教授的观点和行业实际情况，我们来梳理一下模拟 IC 工程师真正需要修炼的“护城河”能力。

5.1 深入器件物理的能力

未来的模拟 IC 工程师，绝不能只停留在“会调用模型跑仿真”的层面。需要真正理解：

• MOSFET 在不同工作区下的物理行为
• 工艺角和失配的统计特性与物理根源
• 温度、电压、频率变化对器件性能的影响机理
• 封装和测试引入的寄生效应

AI 工具可以帮助做参数优化，但只有理解器件物理，才能判断 AI 给出的结果是否靠谱，才能理解为什么某个参数组合在仿真中表现优秀、在实际芯片中却失效。

5.2 系统级定义与架构创新的能力

模拟 IC 工程师需要向上看一层，理解整个系统的需求。

比如做一颗 SerDes 芯片，需要理解通信协议、均衡算法、时钟恢复架构、抖动预算、误码率要求。只有站在系统层面思考，才能定义出合理的模块指标，也才能推动架构层面的创新。

这部分能力正是 AI 最难自动化的。因为系统定义涉及需求分析、商业判断、标准化约束等多维度知识的融合。

5.3 跨领域工程判断能力

模拟 IC 工程师每天面对的不只是电路图，还有：

• 工艺厂的工艺文档和 Design Kit
• 版图设计师的物理实现反馈
• 测试工程师的测量数据和调试诉求
• 产品经理的成本和交付周期要求
• 质量部门对可靠性和失效率的要求

这种跨角色协作和工程判断能力，是 AI 无法替代的。AI 可以生成一个优化方案，但只有人类工程师才能判断这个方案在当前项目资源约束下是否可落地。

5.4 主动学习和持续迭代能力

技术变化是常态。模拟 IC 工程师如果固守原有知识结构，确实有被淘汰的风险。但真正具备主动学习能力的人，反而会因为 AI 工具的普及，获得更强的竞争力。

更好的策略是：把 AI 当作“超级助手”，用于自动化重复劳动、拓展搜索空间、加速仿真迭代，而自己专注于更深层的物理洞察和系统创新。

6. 未来五到十年：AI 与模拟 IC 工程师的协作模式

与其焦虑“会不会被取代”，不如思考“AI 会如何改变模拟 IC 工程师的工作方式”。

根据 Razavi 教授在研讨会上的展望，并结合当前 EDA 行业的发展趋势，我整理了几个大概率会发生的方向。

6.1 设计流程从“手动调参”走向“目标驱动”

传统模拟设计流程是：工程师设置参数 -> 仿真 -> 观察结果 -> 手动修改参数 -> 再仿真。

未来更可能是：工程师定义设计目标和约束条件 -> AI 自动搜索优化参数 -> 工程师审查结果并做物理合理性判断。

这种模式已经在很多先进设计团队中开始应用。Razavi 教授特别提醒：工程师要能够判断 AI 给出的结果“为什么合理”或“为什么不合理”。如果完全依赖 AI 给出的参数，而不理解其背后的物理原因，一旦遇到模型偏差或边界条件变化，就很容易翻车。

6.2 版图设计从“手工绘制”走向“人机协同”

短期内，全自动模拟版图生成还不太现实，但 AI 可以大幅减少版图工程师的重复劳动：

• 自动识别匹配器件组，推荐布局策略
• 自动检查敏感信号走线，建议屏蔽方案
• 自动评估布线对寄生参数的影响
• 生成初版布局后由人工优化关键路径

这并不会让版图工程师失业，而是会把他们的工作重心从“画线”转移到“设计规则制定和关键路径优化”上，反而提高了整个环节的技术含量。

6.3 设计验证从“样例覆盖”走向“智能化边界探索”

验证环节最怕的是“没想到”。传统验证靠工程师经验列举 corner 条件和场景，而 AI 可以通过学习大量历史数据，自动发现容易被忽视的边界场景。

比如在电源管理 IC 中，AI 可以自动搜索可能导致稳定性问题的负载跳变模式，帮助工程师提前发现潜在缺陷。

6.4 EDA 工具从“编辑平台”走向“智能决策平台”

当前主流 EDA 工具正在逐步集成 AI 能力：自动布局布线优化、拥塞预测、时序收敛预测等。

未来模拟 IC 工程师面对的将不再是单纯的原理图编辑器和仿真器，而是一个集成“智能辅助决策”的开发环境。工程团队谁更早适应这种工具形态，谁就能在研发效率上取得领先。

7. 给模拟 IC 工程师的几点建议：如何与 AI 共舞

写了这么多理论分析，最后来点实在的。

如果你现在正在学习或从事模拟 IC 设计，下面几条建议可以作为未来三到五年能力建设的参考。

7.1 校内学习阶段：打牢基础，不要急于追新潮

还是那句话：射频、锁相环、数据转换器、电源管理等方向的根基，在于器件物理、电路理论、信号与系统和随机过程。

无论 AI 工具怎么发展，如果连 MOSFET 的 Strong Inversion 和 Weak Inversion 区别都讲不清楚，那 AI 再强大也救不了你。先把 Razavi 的《模拟 CMOS 集成电路设计》每一章吃透，配合大量仿真实验加深理解，才是正道。

7.2 项目实战阶段：把 AI 工具用起来

很多同学问我，学生阶段没有流片机会，怎么积累经验？

我的建议是：主动去用 AI 辅助电路设计的工具和开源项目。例如：

• 使用机器学习库对运放参数做代理模型建模与优化
• 使用开源 EDA 工具完成版图绘制，并对比 AI 生成布局方案
• 使用强化学习框架训练一个简单的电路调参智能体
• 复现 IEEE 上关于模拟电路 AI 辅助设计的论文结果

这些实践能帮你建立“AI 能做什么、不能做什么”的真实感觉，而不是停留在理论讨论。

7.3 在职工程师：主动转型，把 AI 纳入既有流程

对于已经在一线做模拟 IC 的工程师，在完成手头设计任务的同时，可以逐步尝试将 AI 能力引入现有流程。

比如在电路优化环节，可以先从最成熟的“参数自动搜索”场景入手。把一个放大器模块的几十个器件参数交给 AI 优化引擎跑一批候选方案，然后再以人工方式挑出最符合物理约束的结果，进行更细致的验证。

这种小步快跑的尝试，不需要大规模改造现有流程，但可以让你逐渐体会到 AI 工具的边界和潜力。

7.4 思维层面：从“执行者”升级为“定义者”

未来的模拟 IC 工程师，尤其是资深工程师，需要更多地参与规格定义、架构选择、算法优化和测试策略规划。

Razavi 教授在研讨会最后的观点非常敏锐：AI 越强大，越需要有人去定义“什么是好电路”、“什么是合理性能”、“哪些约束更重要”。如果你能从“被定义者”变成“定义者”，AI 就永远是你的工具，而不是你的竞争对手。

8. 如何看待近期 AI 辅助设计相关论文与热点

说完这些，再简单聊聊大家在检索和阅读相关资料时可能遇到的一些问题。

最近关于 AI + 模拟 IC 的热度很高，IEEE 旗下的很多期刊和会议都在收录相关论文。不少师弟师妹在找资料时也会遇到一些困惑，这里顺便梳理几个现实情况：

8.1 论文检索与获取渠道

IEEE Xplore 是目前获取 IEEE 会议和期刊论文最权威的渠道。比如本次 Razavi 教授的研讨会，通常会整理为 IEEE 网络研讨会视频或配套技术资料，在 IEEE 官网上可以找到相关入口。

对于论文检索，以“AI-assisted analog circuit design”“machine learning circuit optimization”“reinforcement learning layout generation”等关键词搜索，可以看到近年来大量高质量工作。比较推荐优先关注：

• IEEE Journal of Solid-State Circuits（JSSC）
• IEEE Transactions on Circuits and Systems I: Regular Papers（TCAS-I）
• IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems（TCAD）
• IEEE Custom Integrated Circuits Conference（CICC）
• IEEE International Symposium on Circuits and Systems（ISCAS）

8.2 阅读论文时重点关注验证方式

模拟 IC 设计领域有一个特点：论文里展示的结果与实际可复现性之间，往往存在一定差距。

阅读 AI 辅助设计类论文时，重点关注以下几个问题：

• 论文使用了什么工艺节点和 PDK？
• 测试电路是否包含寄生参数提取后的验证？
• 优化目标是仿真结果还是流片测试结果？
• 是否考虑了工艺角和失配？
• 和其他传统优化方法相比，实际效率提升是多少？

如果一篇论文只在理想模型下做了仿真验证，没有覆盖工艺角、失配和寄生效应，那它的实际参考价值就有限。

8.3 不要盲目迷信 AI 生成结果的参数

还有一个很常见的坑，就是直接把 AI 工具或者论文里给出的“最优参数”搬到自己的设计里。

不同工艺、不同温度范围、不同负载条件下，器件模型差异很大。即使同一个运放结构，在 180nm 工艺和 28nm 工艺下选用的晶体管尺寸和偏置策略也完全不同。所以一定要对 AI 给出的结果做独立的物理合理性检查。

9. 常见误区与排查思路：关于“AI 取代论”的思考清单

这部分整理一些大家在讨论这个话题时常遇到的误区，便于读者做独立判断。

这张表并不能穷尽所有问题，但可以用来提醒自己：面对任何“取代论”的热点话题，先回到事实、回到物理、回到工程验证。

10. 总结与学习路线

回到最初的问题：AI 会取代模拟 IC 工程师吗？

从 Razavi 教授的网络研讨会和当前行业实际进展来看，更准确的理解是：AI 会取代一部分重复性、搜索性、体力性的工作，但不会取代真正懂物理、懂系统、懂创造的模拟 IC 工程师。它更可能成为我们工作中越来越得力的“另一位同事”，在参数搜索、版图初稿、测试分析、边界探索等场景中大幅提升效率。

未来的模拟 IC 工程师，工作模式会从“手动设计 + 手动验证”逐步走向“规格定义 + AI 辅助设计 + 智能验证 + 物理直觉把关”。在这个过程中，核心竞争力依然是：

1. 扎实的器件物理与电路理论功底
2. 系统级定义与架构创新能力
3. 流片测试与工程调试的实战经验
4. 跨领域协作和工程判断能力
5. 主动拥抱新工具、持续迭代的学习能力

如果你还在学校里学习模拟 IC，可以把这本书和这份思考清单保存下来，按部就班打好基础，同时保持对 AI 辅助设计工具的关注和实践。

如果你已经是一名在职模拟 IC 工程师，建议从现在开始，找一个小模块，试着用 AI 辅助优化工具跑一轮参数搜索，亲身感受一下 AI 的边界在哪里，再决定自己下一步要重点提升哪些方面。

最后用 Razavi 教授在研讨会中一个意味深长的表达来收尾：芯片设计永远是在物理世界规律约束下的创造活动，理解物理、尊重经验并保持对创新的渴望，才是一名模拟 IC 工程师真正的立身之本。与其担心被 AI 取代，不如学好这些无法被代码化的能力，把 AI 变成了自己手里最强的那台计算器。

如果这篇文章对你有帮助，可以收藏备用，也欢迎在评论区聊聊你对 AI + 模拟 IC 的看法。