作者 |彭
来源 | 慧智微电子
2025年春节假期期间，来自杭州的AI创业公司DeepSeek以惊人的速度，再次掀起了全球对AI技术的热潮。据报道，DeepSeek的性能可与ChatGPT相媲美，但其训练和运行成本却显著降低。这些技术优势将有助于加速AI技术的广泛应用和普及。
在人们为低成本、高性能AI技术带来的“AI自由”欢呼之际，也有声音开始担忧，AI是否会取代现有的人类工作岗位。
射频领域同样受到了这一波浪潮的影响。2024年12月30日，《自然》（Nature）杂志网站刊登了一篇关于AI在射频电路设计应用的文章：《基于深度学习的多端口射频及亚太赫兹无源器件和集成电路的广义逆设计》[1]。该文章展示了利用AI技术设计的射频电路，一时间在射频工程师群体中引起了广泛传播和热烈讨论。
文章中，普林斯顿大学的研究团队利用AI技术设计了多种射频微波电路结构。这些电路结构在人类看来相当抽象，如同一堆难以理解的二维码，但其射频性能却可能与射频工程师精心设计的电路不相上下。
图：人类理解的射频电路和AI设计的射频电路对比
此研究团队还运用这一设计方法，成功实现了基于SiGe工艺的毫米波频段放大器。要知道，在20年前，关于硅基毫米波放大器的研究足以在集成电路顶级会议ISSCC上发表论文；甚至在10多年前，博士生或研究生还可以凭借毫米波放大器的研究成果完成学位论文并顺利毕业。然而，如今这些曾经让射频工程师引以为豪的工作，却被AI以一种看似难以捉摸的方式轻松实现。
图：文章中利用AI技术设计实现的毫米波放大器
随着AI技术的迅猛发展，及其在射频领域的初露锋芒，也让射频从业者不禁开始思考：射频工程师会被AI替代吗？
本文将从AI技术的特点和射频电路的特点出发，初探AI技术在射频领域的应用潜力，并抛砖引玉，探讨未来AI与射频技术可能的发展关系。
AI的一些基础概念
尽管AI技术如潮水般涌来，似乎要席卷各行各业，但作为一项技术，它同样具有自身的特性和局限。要深入探讨AI能为射频技术带来何种变革，首先我们需要对AI的技术特点有所了解。
AI领域涉及众多术语，如人工智能、机器学习、神经网络、深度学习等，这些名词听起来既抽象又科幻，让人难以捉摸。接下来，让我们试着揭开这些名词的神秘面纱，探寻它们的本质。
人工智能
在AI相关的所有名词中，人工智能无疑是最具代表性的。
AI，即ArtificialIntelligence的缩写，这一术语有时显得过于抽象和魔幻，甚至带有一些营销的色彩，没有一个明确的定义，因此人们经常陷入关于什么是人工智能、什么不是人工智能的讨论中。
尽管人工智能没有一个清晰的定义，但这个名词的出现的时间点却有共识。大家普遍认为1956年的达特茅斯研讨会标志着人工智能的诞生。这次会议明确提出了人工智能的概念，并将其作为独立的学科方向进行研究。
图：1956年达特茅斯会议中的青年参会者
然而，当时对人工智能的想象远不如现在如此丰富。在20世纪50年代，将数学公式转化为计算机执行的指令就已经被视为人工智能了。但现在看来，这不过是简单的编译器功能而已。
2018年图灵奖获得者、深度学习创始人杨立昆（Yann LeCun）在其专著中曾指出：“人工智能有个特点，就是一旦一个技术实现了，它立刻就会被认为不属于智能。”因此，真正的人工智能总是似乎遥不可及，就像吊在我们面前的一根胡萝卜，永远无法实现。这种现象也被称为“AI效应”。
图：YannLeCun教授和其专著（中文译为：《科学之路人、机器与未来》）
此外值得一提的是，虽然现在人工智能被视为技术发展中当之无愧的正确路径，但在当时的技术环境下，它并不是行业统一的技术共识。即使在1956年人工智能这一概念确立之后，仍然存在着较多的争论和讨论。
有人认为，这不过是让计算机处理更复杂的信息而已，那么我们为什么不称之为“复杂信息处理”呢？这样既能更准确地描述这项技术，又能避免使用过于科幻的名词。这一观点在当时也得到了很多专家的支持。直到1961年，IEEE才正式将“人工智能”这一名词确定下来。
从技术角度来看，无论是称为“人工智能”还是“复杂信息处理”，或者其他什么名词，都不会对这项技术本身产生任何影响。但“人工智能”这一术语确实表达了人类对于计算机所能实现的智能疆界的不断追求，反映了人类对于智能边界的不断探索。虽然这个名词抽象、不易定义，但它却成为了过去60多年来人类计算机信息技术发展的强大动力。
在2006年达特茅斯会议50周年纪念会上，当时开创人工智能概念的先驱们提到：如果当时用“计算智能”或者其他名称，这50年来的研究会不会有所不同？我个人认为，肯定会有所不同。因为名词的选择不仅影响着我们对技术的认知和理解，更在一定程度上引导着技术的发展方向和研究重点。甚至，这个名词还代表着人类对于创造智能不断探索的梦想。
图：2006年，达特茅斯会议50周年纪念会
如何建立复杂逻辑
无论学者们选择用“人工智能”、“复杂信息处理”还是“计算智能”来称呼这项技术，其本质都是期望计算机能够处理越来越复杂的信息和逻辑。
在教授计算机处理复杂信息和逻辑的技术实现中，主要有三个流派，分别是：符号主义、连接主义和行为主义。
图：建立复杂逻辑的三个学派
符号主义
符号主义（Symbolism）是人工智能发展的早期阶段，也是该领域中最早且最重要的学派之一。它起源于20世纪50年代，其理论基础源自数理逻辑和符号处理。
符号主义学派强调知识的表示和推理机制的设计，通过高层次的符号表示，如逻辑公式、规则等，来描绘问题和求解过程。这种基于符号和规则的方法为人工智能研究提供了重要的思路，奠定了该领域的研究基础。
图：符号主义的运行方式
符号主义学派的核心在于其明确的规则和可解释性。每一个推理步骤都基于预先设定的逻辑规则，计算过程是透明的。该学派的主要特点是将知识表示为符号，通过逻辑推理和规则操作来实现智能行为。
然而，符号主义也面临一些局限性。首先，它依赖于严格定义的规则和逻辑推理，这需要对知识进行精确编码。但现实世界中的知识和信息往往是模糊、不精确和动态的，这使得符号主义在处理不确定性和模糊性问题时表现不佳。
其次，由于符号主义人工智能系统需要预先定义的规则和知识，其可扩展性受到限制。在面对大规模或持续变化的数据时，由于无法预知新的规则和知识，系统很难适应和扩展。
此外，符号主义也难以有效地表示和利用常识知识。常识知识通常具有高度的复杂性和不确定性，难以用符号和规则来精确描述。例如，在自动驾驶中，“保持安全距离”是一个基本的驾驶原则，但“安全距离”具体是多少米，却取决于车速、天气、路况等多种因素，很难用规则来事先定义清楚。
当然，对于复杂的逻辑问题，可以尝试用更复杂的公式来表征。但随着命题逻辑公式的复杂性增加，判断其真假的计算量将呈指数级增长。这意味着使用符号主义的逻辑推理和规则操作来解决某些复杂问题时，可能会变得非常耗时和困难。
对于符号主义来说，建立人工智能就像构建一套专家系统。这位“专家”期望了解世间万物背后的原理，并用精巧的公式来描述世界的运行。这种认知方式在拓展人类理解那些规律明显、清晰且被准确定义的问题时非常有效，但在解决日常、复杂的问题时却显得束手无策。
这也像人类对世界的认识一样。早在500年前的伽利略时代，人类就理解了天体运动的规律，并总结成了精确的公式。但直到现在，人类也无法用定义的方式来清楚界定什么样的图像可以被判定为一只猫。
连接主义
人工智能中的连接主义（Connectionism），也称为神经网络学派或仿生学派，是人工智能领域的一个重要流派。其核心思想是通过模拟人脑神经网络的结构和功能来实现人工智能。
连接主义的起源可以追溯到20世纪初期对大脑工作原理的研究。到了20世纪80年代，随着对大脑认知的深入以及计算技术的飞速发展，连接主义逐渐在人工智能领域中崭露头角，成为一个显著的流派。
连接主义的代表性成果是1943年由生理学家麦卡洛克（McCulloch）和数理逻辑学家皮茨（Pitts）创立的MP模型。然而，这种超前的概念在当时的技术和理论背景下，并没有得到学术界和业界的广泛接受。此外，在连接主义兴起的初期，计算机硬件和算法技术都相对落后，使得连接主义模型在实际操作中面临着巨大的挑战。
图：神经网络MP模型创始人：麦克洛克与皮茨（1949年）
与符号主义相比，连接主义具有更强的数据处理能力和自适应能力。符号主义强调通过符号和逻辑推理来实现智能，而连接主义则将信息处理过程理解为不同信息元之间的连接和交互。因此，连接主义更擅长处理复杂、非线性问题和模式识别任务。
为了更直观地理解连接主义，我们可以以识别手写0-9数字的过程为例。
在识别手写的0-9数字时，我们并没有一个固定的公式来告诉我们哪个数字是什么。相反，我们会根据数字的某些特征，如闭合的圆圈数量、直线的数量、拐点的位置等，来判断这些数字最可能是哪个。这些特征可以理解为不同的“神经元”，它们与不同的数字结果相对应。
例如，如果看到一个闭合的圆圈，我们可能会认为这个数字是0、6或9；如果看到一段直线，我们可能会认为这个数字是1或7。通过这些“神经元”对手写数字的感知和判断，我们可以最大概率地确定这个数字是什么。
在这个过程中，我们并没有预先设定好的公式或规则，而是通过多个信息元的判断和它们与结果的连接来得出结果。这正是连接主义的基础思想。
基于这一思路，一些早期的科学家设计制造了连接主义的人工智能计算机。其中最具代表性的就是罗森布拉特发明的，可以识别手写数字的感知机[11]。这项技术在当时看来颇具科幻感，它是通过采用大量连接线相连的网络实现的。
图：罗森布拉特发明的感知机Mark-I
图：早期用于数字识别训练的手写数字，以及字符“1”的识别
尽管现在连接主义已经成为人工智能最为重要的技术流派之一，但在当时，这一理论还是太过超前了。
当时，符号主义在人工智能领域占据主导地位。符号主义基于逻辑推理方法，强调用计算机的符号操作来模拟人的认知过程。这种方法在当时的技术背景下具有更强的可操作性，因此得到了学术界和业界的广泛认可。相比之下，连接主义由于理论超前和技术条件限制，难以与符号主义竞争。
然而，近年来随着深度学习、大数据以及计算资源的丰富和发展，连接主义得到了迅速的发展，并已经成为人工智能重要的发展方向之一。
行为主义
行为主义（Behaviorism）是人工智能领域的三大主要流派之一，它强调智能体（如机器人、软件系统等）与环境的交互作用，认为智能的本质在于能够根据环境的反馈来灵活调整行为。行为主义主张，智能不仅仅依赖于内部的逻辑推理或神经网络计算，更重要的是通过与环境的持续互动和适应来展现智能。
在人工智能领域，行为主义有着广泛的应用前景，特别是在那些需要智能体自主适应环境、进行决策和行动的场合，如机器人技术、自动驾驶等领域。
相较于连接主义，行为主义在智能实现上有着不同的侧重点。连接主义通过模拟神经元之间的连接机制来实现智能，而行为主义则更侧重于智能体与环境之间的动态交互作用。然而，近年来随着深度学习和强化学习技术的迅猛发展，联结主义和行为主义之间的界限逐渐变得模糊，两者开始相互融合，共同推动人工智能技术的进步。
神经网络
在人工智能技术领域，近期最为频繁提及的名词之一便是“神经网络”。“人工智能”这一概念已颇具抽象性，而“神经网络”则更添了几分科幻色彩。
相较于“人工智能”这一由科学家们为早期复杂信息处理技术所赋予的新名称，“神经网络”确实是由神经学和逻辑学两个交叉学科的杰出科学家共同发展起来的一门技术。
沃伦麦卡洛克是一位神经生理学家，他曾在耶鲁大学学习哲学和心理学，后来获得医学博士学位，并在精神病学领域进行了深入研究。而沃尔特皮茨则是一位年轻的数理逻辑学家，对数学和哲学怀有浓厚兴趣。他早年生活颇为艰辛，甚至有过流浪的经历，但最终凭借自己的才华赢得了芝加哥大学等学术界的广泛认可。
20世纪40年代，神经生理学家沃伦麦卡洛克与数理逻辑学家沃尔特皮茨在芝加哥大学附近相遇，并因对神经科学与逻辑学的共同兴趣而携手合作。1943年，他们在《数学生物物理期刊》上发表了一篇开创性的论文，题为《神经活动中内在思想的逻辑演算》（A Logical Calculus of Ideas Immanent in Nervous Activity）。在这篇论文中，麦卡洛克和皮茨首次提出了人工神经元的数学模型，即MP模型（McCulloch-Pitts Model）。该模型基于生物神经元的结构和功能，通过数学方法抽象和简化了神经元的处理过程，具有以下特点：
每个神经元被视为一个多输入单输出的信息处理单元。
输入信号通过加权求和，并与设定的阈值进行比较，以决定是否产生输出。
输出为二进制形式（0或1），模拟了神经元的兴奋与抑制两种状态。
图：脑神经元细胞感知信号示意图
图：麦卡洛克与皮茨在1943年发表的神经网络MP模型论文
麦卡洛克和皮茨的初衷并非建立复杂的计算机网络，而是鉴于当时神经科学和计算机科学均处于起步阶段，他们尝试用数学模型来理解和模拟大脑的工作方式，并希望通过这一数学模型揭示神经元处理信息的逻辑基础。
尽管MP模型相对简化，但它的提出为人工神经网络的研究奠定了坚实基础。该模型展示了如何通过简单的数学规则来模拟神经元的逻辑运算，也激发了后来研究者们对神经网络复杂性和潜力的进一步探索。
MP模型的提出激发了人们对神经网络的兴趣，但随后的研究也面临了诸多挑战。例如，单层感知器无法解决非线性可分问题，多层网络的训练算法也尚未成熟。然而，这些挑战并未阻挡研究者们的前进脚步。随着计算能力的提升和算法的优化，神经网络技术在20世纪80年代迎来了复兴，并在21世纪取得了巨大成功。
目前的神经网络通常由以下几个基本部分构成：
神经元（Node/Neuron）：
神经元是神经网络的基本单元，负责接收输入信号，进行加权求和，并应用激活函数产生输出。
层（Layer）：
层由多个神经元组成，神经网络通常包含输入层、隐藏层和输出层。输入层负责接收输入数据，隐藏层位于输入层和输出层之间，负责数据的加工和转换，输出层则输出最终的计算结果。
权重（Weight）和偏置（Bias）：
权重和偏置是连接不同神经元的参数。权重代表一个神经元输出对另一个神经元输出的影响力，而偏置是加到加权和上的一个常数，可以看作是每个神经元的一个额外输入。
激活函数（Activation Function）：
激活函数决定神经元是否应该被激活（即输出信号），并引入非线性，使神经网络能够拟合复杂的非线性关系。
图：人工神经网络的基本架构
图：人工神经网络中参数示意
这些名词初看起来可能有些复杂，但拆解开来并不难理解。每个神经元的连接计算其实都较为简单：
神经元：
相当于被计算感知的信息元素，例如图像处理中的一个像素。
层：
将信息分层处理，便于理解。
最重要的三种层是：输入层（负责信息的输入）、输出层（负责结果的输出），以及隐藏层（其他层是计算机自己的运算过程，我们不需要关心，因此归为隐藏层）。
权重和偏置：
神经元获取到的信息需要经过处理。现在的神经元不再像最早的MP模型那样只有0/1的简单输出，而是要对输入的信息进行运算。
例如，如果对输入的信息x进行线性运算，则输出可以表示为y=w*x+b。其中，w是信息处理的权重（表示信息的重要程度），b是偏置（对输出结果进行修正）。
激活函数：
激活函数决定神经元是否被激活，并引入非线性。
例如，可以使用y=w*x+b这样的线性函数来表示y与x之间的线性关系，也可以使用如y=x^3这样的非线性函数来拟合y与x之间的复杂关系。
通过以上步骤，一个神经网络就建立起来了。接下来，通过训练和优化，神经网络可以确定模型和参数。一旦神经网络有了准确的模型和参数，它就具备了处理复杂信息的能力。
机器学习
机器学习（Machine Learning，ML）技术是现代人工智能中的一项重要技术。它指的是一种通过算法和统计模型，使计算机系统能够自动地从数据中学习和改进的技术。这种技术不需要进行明确的编程，而是依赖于数据来训练模型，从而使其能够完成特定的任务。
机器学习之所以重要，是因为在信息化时代，数据量呈爆炸式增长。依靠传统的符号主义方法，如逻辑推理、理论抽取等，已经无法满足信息处理的需求。人们需要计算机能够自主学习和判断，以处理越来越复杂的信息。
机器学习能够高效地处理和分析海量数据，适应复杂多变的环境，提高决策效率和准确性，因此在当今信息时代有着强烈的需求。
机器学习技术的基本原理是利用大量数据训练模型，通过模型对未知数据进行预测和分类。具体来说，机器学习算法会从数据中提取特征，学习输入与输出之间的映射关系，然后利用这种关系对新样本进行预测。
根据学习方式的不同，机器学习技术可以划分为以下几种主要类型：
监督学习：
监督学习是指训练数据中有标签，计算机需要学习如何根据特征来预测标签。例如，通过给计算机展示大量的猫和狗的图片，并标注每张图片是猫还是狗，计算机就可以通过学习图片中的特征来识别未知的猫或狗的图片。
无监督学习：
无监督学习是指训练数据中没有标签，计算机需要自己发现数据中的模式和规律。例如，在大量的新闻文章中，计算机可以通过无监督学习来自动发现文章中的主题和关键词。
半监督学习：
半监督学习是指训练数据中只有部分标签，计算机需要利用已有的标签来预测未知数据的标签。例如，在一组商品评论中，只有一部分评论被标注为正面或负面，计算机可以利用这些已知的标签来预测未知评论的情感倾向。
强化学习：
强化学习是一种通过与环境的交互来学习的方式。计算机通过设定和获取奖励，不断尝试不同的动作，并根据环境的反馈（奖励或惩罚）来调整自己的策略，以最大化累积奖励。
图：机器学习的三种学习方式分类
虽然机器学习可以基于多种技术展开，但神经网络无疑为机器学习提供了一条极为重要的实现途径。
在早期，机器学习算法主要依赖于手工设计的特征，这不仅耗时费力，而且难以适应复杂的数据分布。神经网络的出现，使得计算机可以从数据中自动学习和提取特征，极大地简化了模型的设计过程。
如今，机器学习技术和神经网络技术已经密不可分。神经网络是机器学习中的一种重要技术，它推动了机器学习的发展，并在多个领域取得了显著成就。同时，机器学习也为神经网络提供了理论支持和技术手段，使得神经网络的结构和训练方法得到了极大的丰富和优化。两者相互增强，共同推动着人工智能技术的发展和进步。
深度学习
最近，人工智能领域中的另一个热门词汇是“深度学习”（Deep Learning）。以“Deep”开头的人工智能产品也屡见不鲜，比如我们熟知的杭州幻方旗下的DeepSeek，以及Google旗下的人工智能公司DeepMind。
那么，究竟为什么要进行“深度”学习呢？什么样的学习才算是有“深度”的呢？
深度学习的概念可以追溯到2006年。当时，加拿大多伦多大学的杰弗里辛顿（Geoffrey Hinton）教授及其同事在《科学》杂志上发表了一篇关于深度信念网络（Deep Belief Networks）的研究论文[2]。这篇论文的发表标志着深度学习概念的正式提出，并使得深度学习开始受到学术界的广泛关注。
辛顿教授所提出的“深度信念网络”其实是一种多层次的神经网络。然而，在当时，神经网络并未被学术界广泛接受，甚至受到符号主义学派的打压，导致关于神经网络的论文经常难以发表。于是，辛顿教授将其对多层次神经网络的研究更名为“深度信念网络”。没想到，这一略显被动的更名，却开创了人工智能领域一个重要的研究方向。
图：深度学习中所用到的多层神经网络
在深度学习研究之前，虽然科学家已经实现了神经网络，但由于计算能力的限制和理论上的瓶颈，神经网络一直无法实现较多的层次，只能处理输出和输入之间较为简单的逻辑关系，这极大地限制了神经网络的效果。
多层神经网络通过增加隐藏层的数量，能够学习到更复杂、更抽象的特征表示。这种层级的特征学习使得网络能够处理更复杂的数据和任务，如图像识别、语音识别、自然语言处理等。
然而，早期神经网络的研究受到计算机性能限制、算法和技术局限性、数据集和数据限制、模型复杂度和表达能力不足以及理论研究不足等多方面的制约，多层神经网络一直难以实现。这也一度让神经网络的研究陷入了低谷，人们甚至开始怀疑神经网络的研究方向是否正确，还有不少论文证明为何多层神经网络是不可实现的。
2006年，辛顿等人的工作为深度学习注入了新的活力。他们提出的深度信念网络通过无监督学习逐层初始化网络参数，然后使用有监督学习进行微调，有效地缓解了深层网络训练中的梯度消失问题。这一成果为深度学习的发展奠定了坚实的基础。
p>
此后，深度学习在理论、算法和应用等方面都取得了显著的进展。各种新的模型和架构不断涌现，如卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）等。这些模型在图像识别、语音识别、自然语言处理等领域取得了突破性的成果。
如今，深度学习已经成为人工智能领域的重要分支，广泛应用于计算机视觉、自然语言处理、智能推荐、自动驾驶、医疗诊断等多个领域，为人类社会带来了前所未有的便利和创新。
值得一提的是，为表彰辛顿教授“为推动利用人工神经网络进行机器学习做出的基础性发现和发明”，2024年10月8日，瑞典皇家科学院将2024年诺贝尔奖颁发给辛顿教授。
图：辛顿教授于2024年10月8日获得诺贝尔物理学奖
ChatGPT/DeepSeek/Kimi等的涌现
近年来，人工智能领域的发展速度迅猛，影响范围广泛，堪称科技史上的奇迹。其中，ChatGPT、DeepSeek、Kimi等人工智能软件的涌现，更是将这一领域推向了新的高度，让人类深刻领略到了人工智能的魅力与潜力。
这些软件充分运用了神经网络技术，通过构建复杂而精细的多层神经网络，实现了深度学习。它们依托海量的数据和强大的算力，进行了多次的训练和优化，使得计算机在理解和生成自然语言方面取得了突破性的成果。如今，这些人工智能软件已经能够预测并模拟人类的言语交流，宛如被赋予了真正的智能，能够与人类展开自然、流畅的对话。
更为令人瞩目的是，与传统的符号主义人工智能相比，这些基于神经网络的人工智能软件其运行逻辑并非显式可见。在神经网络的运行过程中，我们只能观察到输入与输出的结果，而中间层均为隐藏层，我们无法直接窥探其内部的运作机制。这种“黑盒”特性，使得人工智能技术显得更加神秘且充满未知，也激发了人们对它更深入探索的兴趣。
射频电路的特点是什么
射频电路的功能
射频电路的主要功能是生成、发射及接收射频信号。
图：射频电路在系统中的位置
射频信号位于电磁波频谱的3kHz至300GHz频率范围内，这段频率的电磁波波长适中，便于通过天线进行发射和接收，且具备较高的数据传输速率和较远的传输距离，因此非常适用于通信领域。如今，手机通信、无线网络、卫星广播等无线连接方式，都是基于射频技术实现的。射频技术已成为我们生活中不可或缺的一部分。
图：射频的频率范围
要实现射频连接，需要将数字和模拟信号转换为射频信号，并对这些信号进行频率转换、放大、滤波、切换等处理。完成这些信号处理的电路就是射频电路。
射频电路主要包括信号源、上下变频器、功率放大器、滤波器、开关以及低噪声放大器等模块。各电路模块的主要功能及其在系统中的位置如下图所示。
图：射频系统中各电路的位置
具体来说，
信号源负责产生所需的射频信号；
上下变频器用于实现信号频率的转换，以适应不同的通信频段和处理需求；
功率放大器将信号放大至足够的功率水平，以便进行发射；
滤波器对信号进行频率选择性处理，滤除无用信号和噪声；
开关用于在不同信号路径或功能之间进行切换；
低噪声放大器则负责放大微弱的接收信号，同时尽量减少噪声的引入，提高信号的信噪比。
这些模块相互协作，确保射频信号能够在复杂的电磁环境中高效、准确地传输和处理。
射频电路的特点
作为射频电路，其与传统的模拟、数字电路相比，具有以下特殊之处：
1. 处理的是不可见的射频信号
射频电路所处理的是射频信号，这些信号以光速传播，肉眼无法直接观测，也无法通过简单的电压、电流方式直接表征。
由于射频信号的不可见性，射频电路的设计和调试必须依赖于深入的理论分析、缜密的逻辑推理以及专业的指标测试，这大大增加了设计的难度和复杂性。
2. 工作频率高，传统电路分析方法不再适用
在低频电路中，通常可以忽略电磁场的影响，主要通过电压、电流等电路参数进行分析和设计。然而，在射频电路中，由于工作频率极高，电磁场的作用变得至关重要，传统的电路电压分析方法不再有效。
高频工作条件下，会带来一系列非理想特性，如趋肤效应、辐射干扰、阻抗匹配问题等。这些高频特性给设计带来了诸多挑战，每个问题都需要仔细斟酌和解决。同时，高频信号的处理也要求射频电路具有更高的精度和稳定性，以确保信号的准确传输和处理。
3. 射频电路设计复杂，涉及多学科知识
射频信号在处理过程中环境复杂，因此射频电路的设计需要掌握多学科的知识，包括电磁学、电路理论，甚至材料科学等。这使得射频电路的设计过程相当复杂，要求工程师具备深厚的专业知识和实践经验。此外，射频电路的性能往往受到多种因素的影响，如电路布局、材料选择、制造工艺等，这都进一步增加了设计的难度和复杂性。
有经验的工程师需要在各个指标之间进行权衡和折中，才能找到最佳的设计方案。著名的射频专家Razavi教授提出的射频电路设计“六边形”理论，就形象地展示了这种折中考虑的重要性[13]。
4.射频电路对参数极为敏感
由于射频信号在空中自由传输，对每个射频终端所发射信号的精准控制就显得尤为重要。同时，射频信号在传输过程中容易受到干扰、损耗等影响。因此，射频电路的性能对各个参数的精度极为敏感。
微小的设计缺陷或参数变化都可能导致电路性能的显著下降。因此，射频工程师在设计过程中必须非常谨慎，对每一个细节都要进行仔细的考虑和优化，以确保电路的性能达到最佳状态。
图：Razavi教授的射频电路六边形设计理论图
为什么常说：“射频工程师越老越吃香？”
射频电路因其特殊性，使得射频行业成为了一个非常依赖经验的行业，这也正是“射频工程师，越老越吃香”这一说法的由来。
这一观点主要基于以下几个方面的原因：
首先，射频电路设计高度依赖实践经验。随着工作年限的积累，射频工程师会不断累积实际设计案例和经验，这些宝贵的经验是书本上无法获取的。当面对复杂的设计问题时，老工程师能够凭借丰富的实践经验迅速定位问题所在，并提出行之有效的解决方案。这种经验的积累，是射频工程师越老越吃香的重要基石。
其次，射频电路设计需要工程师具备敏锐的直觉和准确的判断力。在设计的初期阶段，很多问题可能无法通过理论计算或仿真来准确预测，这时就需要工程师依靠自己的经验和直觉来做出判断。这种直觉和判断力是长期实践和经验积累的结果，也是老工程师在设计中独具的优势。
再者，尽管射频技术在不断更新和发展，但其基础理论和设计方法并未发生根本性变化。老工程师通常具备扎实的基础理论知识和丰富的实践经验，这使得老工程师在学习新技术时能够更快地理解和掌握，并将其灵活应用到实际设计中。因此，即使面对新技术的挑战，老工程师也能够保持强大的竞争力。
正是由于以上原因，业界普遍认为射频行业门槛较高，难以一蹴而就。而工程师们一旦跨越了射频这个门槛，就可以通过长期积累和实践，步步高升。在电子类专业中，射频工程师宛如“铁饭碗”般的存在。因此，当AI浪潮席卷而来时，相较于软件工程师、数字电路工程师而言，射频工程师所感受到的冲击与震撼显得更为强烈。
AI在射频设计中的应用
无论我们是积极拥抱还是有所抵触，AI都已经毫无疑问地给我们的生活带来了重大的变革。在射频设计领域，AI也在悄然渗透，并展现出了一系列应用潜力。
回顾过去，AI在射频电路设计中的应用主要可以划分为以下三个阶段：
阶段一：AI辅助优化阶段
阶段二：AI自动化设计阶段
阶段三：AI自主创新阶段
这三个阶段展示了AI在射频设计领域逐步深入和拓展的应用过程，预示着AI将在未来射频技术发展中发挥更加重要的作用。
三个阶段的核心差异如下：
阶段一：AI辅助优化阶段
在这个阶段，AI作为辅助工具，对人类设计的初始方案进行局部参数优化，以提升射频电路的性能。
射频电路中的参数优化，是指通过调整电路中的关键参数，如晶体管的参数、电感、电容、阻抗等元件的值，以及电路的布局、布线、传输线长度等物理设计因素，来改善电路性能的过程。其主要目的包括提高信号质量、减少信号失真、增强电路稳定性以及提高能量传输效率等。
以射频电路设计中的阻抗匹配参数优化为例，这是一个耗时且依赖经验的过程。传统方法需要工程师不断调整短截线的长度和位置，并反复测量调整后的驻波比（SWR），效率较低。而在1993年的文献[4]中，提出了一种基于神经网络的自动调谐方法。该方法通过神经网络实时分析SWR的变化，自动调整短截线参数，实现了阻抗匹配的快速优化。实验结果表明，神经网络设计的双短截线网络与传统方法的结果一致，且调谐过程无需人工干预。这一工作充分展示了AI在射频参数优化中的潜力，能够显著减少设计时间，为复杂电路的快速优化提供了新思路。
此后，陆续有文献对射频参数优化展开深入研究，并将其应用在天线参数设计、功放设计等领域。近年来，AI在功率大器（PA）设计方面的参数优化也成为研究热点之一[6]。对此感兴趣的读者可以搜索相关文献[7]进行深入了解。
图：文献[6]中DohertyPA架构及所优化参数
此外，AI还可以用来辅助射频电路中耗时的仿真过程进行加速。例如，在文献[5]中，Horng等人提出了一种基于神经网络的微带电路设计方法。该方法通过神经网络学习全波仿真生成的输入-输出数据，实现了对微带电路性能的快速预测。利用神经网络的强大映射能力，该方法显著减少了仿真时间，提高了设计效率。
虽然在这一阶段，AI已经能够明显提升射频电路的设计效率，但设计的主导权仍然掌握在工程师手中。AI只是在人类定义的范围内，做一些提升效率、减少仿真时间的工作，扮演的是辅助角色。因此，人们并没有将其视为跨时代的变化。
阶段二：AI自动化设计阶段
随着射频技术的飞速发展，射频电路设计的复杂度也随之大幅提升。传统的人工设计方法逐渐暴露出两大瓶颈：
一是设计参数的爆炸式增长；
二是规则约束的复杂性，设计需满足多重限制条件。
在阶段一中，AI虽然能辅助优化参数，但设计框架仍由人类工程师主导，需要大量人工介入。为了减少人工的长时间参与，并充分考虑设计中的多种规则和约束，AI自动化设计阶段应运而生[8]。这一阶段的目标是让AI基于规则和约束，自动生成完整的设计方案，实现“设计半自动化”。
这一阶段的核心特点是AI从辅助工具升级为“设计助手”，具体表现为：
规则驱动设计：AI严格遵循物理规律（如阻抗匹配原理）和行业标准（如PCB布局规则），确保设计方案的可行性。
端到端流程覆盖：从输入设计目标到输出完整的电路图、版图，整个流程无需人工分步干预。
多目标协同优化：AI能够同时优化增益、带宽、功耗等多个指标，找到全局最优解。
在数字电路领域，AI的自动化设计已经过多年的研究，如数字电路的自动布局布线等，已成为大规模数字集成电路设计中的必备流程。近年来，AI在射频电路方面的自动化设计工具也开始崭露头角。
RFIC-GPT是冉谱微电子（上海）有限公司研发的一款射频芯片智能设计工具。它基于高级算法和数据分析技术，旨在帮助工程师更高效、更准确地完成RFIC设计工作。RFIC-GPT利用AI技术，根据设计者提供的电学指标，自动生成满足要求的射频器件和电路的GDSII或原理图。据介绍，RFIC-GPT生成的设计方案准确度高达95%，在大多数情况下可以直接应用于实际生产中，无需过多修改。目前，该工具已支持无源器件和电路（如电感、变压器、匹配电路、宽频多值匹配）以及有源电路（如功率放大器PA）的设计[9]。
图：冉谱微RFIC-GPT自动生成变压器版图的界面
RFI Pro是广州十方尺科技有限公司推出的一款旨在提升射频IC设计效率的自动化工具。它通过AI技术实现了射频版图与原理图的联合优化，显著减轻了工程师在设计过程中的负担，提高了设计的准确性和效率。针对射频IC设计中的版图迭代耗时、电路与无源网络优化脱节、复杂无源结构设计难度高以及射频IP复用性差等痛点，RFI Pro实现了从有源电路到无源版图的协同优化。该工具具有AI驱动的版图与原理图协同优化、全面的版图阅读和修改能力以及与Virtuoso和EMX的无缝衔接等亮点，提高了设计效率，支持灵活多样的优化目标，并让用户能够轻松上手[10]。
图：广州十方尺科技RFI Pro展示的变压器版图自动跳线功能
阶段三：AI自主创新阶段
近年来，AI技术迅猛发展，其强大的数据处理能力和学习算法在各个领域都展现出了巨大的潜力。在射频设计领域，AI的应用也不再局限于辅助人类经验，而是开始引领新的设计潮流。
射频行业虽然已历经百年发展，但由于射频概念的抽象性和复杂性，人类对射频的掌握仍然有限。传统的射频设计往往依赖于工程师的经验和直觉，这在一定程度上限制了设计的创新性和效率。然而，随着AI技术的引入，我们有望突破人类经验的局限，探索更多未知的设计空间。
这一阶段的目标是让AI完全主导设计过程，从零开始生成创新性方案，突破人类经验的限制。例如，可以让AI从一个抽象的设计目标出发，直接生成电路方案，完成端到端的设计，而不对AI进行预设规则的限制。
2024年，Karahan等人在《Nature》（自然）杂志上发表了一篇论文[1]，他们通过引入深度学习模型，成功构建了一个强大的电磁仿真器。这个仿真器能够准确预测任意平面多端口电磁结构的散射和辐射特性，极大地减少了传统电磁仿真所需的时间和资源，使得设计过程更加高效。
传统射频电路设计受限于预定义的模板和拓扑结构，设计空间相对有限。而文献中提出的逆设计方法能够处理任意形状和结构，极大地扩展了设计空间。这使得设计师（尤其是AI设计师）能够探索更多未知的设计方案，推动射频设计的创新和突破。
在这种方法下，AI已经设计出了多个设计实例，包括多频带天线、带通滤波器、功率分配器、正交混合器等。这些设计方案均展现出了优越的性能指标，如宽带响应、低插入损耗、高幅度平衡等。
图：AI设计的天线图案及测试结果对比
这些设计实例与传统射频电路在外观上存在巨大差异，但它们的性能却无一例外地优越。这为未来AI自主创新设计的射频电路提出了新的发展思路，也预示着射频设计领域将迎来一场革命性的变革。
射频工程师的未来塌了吗？
在AI技术迅猛发展的今天，以ChatGPT/DeepSeek等为代表的通用AI工具的出现，无疑展现了其巨大的功能与潜力，短短两年时间便引发了社会各界的广泛关注与讨论。而最近AI技术向射频领域的渗透，也让不少射频从业者感到惊讶，甚至有人提出了“射频工程师的未来塌了吗？”的疑问。
我认为并不会，而且射频工程师的未来反而因为AI而变得更加值得期待。
AI浪潮不可逆：射频工程变革已成定局
ChatGPT仅用两年便验证了通用AI的工程化能力，而DeepSeek等专用工具的出现，使AI开发成本下降90%以上，性能提升300%。这意味着AI渗透速度正在加速，也预示着AI技术即将全面渗透到千行百业，这仅仅是AI时代的序章，一切都刚刚开始。
对于射频工程师而言，这一趋势同样不容忽视。尽管射频领域长期以来强调工程师的丰富经验与深厚积累，但AI的到来，无疑将像在其他行业一样，为射频工程带来本质性的变革。
AI可以帮助射频工程师完成能力跃迁
面对这一变革，射频工程师无需恐慌或担忧被AI取代。相反，可以将AI视为强大的能力放大器。
AI不仅能够助力工程师快速掌握电路知识，突破以往职业生涯中仅能精通两三个电路模块的局限，使掌握十种甚至更多电路模块成为可能。更重要的是，AI能够协助工程师全面掌握射频系统，克服射频技术因系统知识复杂而难以驾驭的难题，让工程师们不再如盲人摸象般片面理解射频系统，而是能够全局把控。
在工作效率方面，AI的引入更是带来了革命性的提升。原本需要数天乃至数月精心优化的电路，在AI的辅助下可能仅需数小时便能完成，极大地提高了工作效率，让工程师能够将更多时间投入到更具创意与价值的工作中。
正如“加油射频工程师”公众号中的作者袁月Yue所言：“作为脑力劳动者的我，还是要努力拥抱AI啊！它脑子这么好使，可以使劲问问题啊！不满意，还可以连续追问；不信任它的答案，还可以让它把来源说清楚。”这或许才是AI到来之时，射频工程师应有的态度。
与工程师竞争的始终是人类，而非AI
与射频工程师竞争的，始终是人类自身，而非AI。
正如在棋类领域所展现的，AI虽曾让人类高手一时难以适应，但如今已成为人类提升棋力的得力助手，不断推动人类对弈的新高度。人类不会去纠结人类和AI谁下棋更强，而是会利用AI工具，帮助人类探索未知的棋类世界。
中国国际特级大师，历史上第十七位国际象棋世界冠军在采访中就表示：“AI的下棋质量远超人类，和AI对弈是自讨苦吃”。但丁立人会经常使用AI来帮助自己探索不同的棋局，不断让自己的棋力得到提升。
图：国际象棋世界冠军丁立人的采访
在射频技术领域，这一幕也将重演。随着AI技术的发展，人类可能在很多方面做的并不如AI。但人类将借助AI工具，不断拓宽研究的边界，提升技术的水平。最终的对弈与竞争，始终是人类与人类之间的智慧碰撞。
另外，虽然原本需要数天乃至数月精心优化的电路，在AI的辅助下可能仅需数小时便能完成，但于AI是否会取代人类工作，实则无需过多忧虑。当前AI的操作仍需在人类指导下进行，即便是未来进入自主创新阶段，AI设计出的电路也需人类进行判定与验证，确保其实用性与正确性。
判断与决策，始终是人类的独特优势，正如那句玩笑话所言，“AI取代不了人类，因为只有人才能背锅”，实则强调了人类在决策与责任承担上的不可替代性。
总 结
近年来，AI技术迅猛发展，特别是以DeepSeek为代表的先进AI工具，给各行业工程师带来了前所未有的冲击。随着这些工具功能的日益强大和成本的显著降低，射频从业者不禁开始思考：未来射频工程师是否会被AI取代？
然而，我认为AI技术的到来并非射频工程师的天塌了，反而为工程师们打开了一扇全新的大门。AI与人类并非简单的取代关系，而是协同共进的伙伴。AI擅长处理复杂逻辑关系、分析海量数据、进行高效计算，而这些正是射频工程师在学习和工作中所亟需的能力。AI技术结合射频工程师的创意、审美以及对射频物理本质的深刻理解，将助力射频工程师实现能力跃迁。
射频工程师可以积极拥抱AI技术，将其作为提升自身能力的工具。在AI的辅助下，工程师们可以更加专注于创新设计，探索射频技术的未知领域。在AI的强大加持下，AI可以与人类共同推动射频技术的进步，开拓射频技术的边界限制，开创射频技术的辉煌未来。AI的到来，不是射频工程师的末日，而是可以使我们飞翔的翅膀更加坚实有力。
您觉得AI到来会给射频电路设计带来什么变化？欢迎留言~
参考文献：
[3]. Razavi, B.RF Microelectronics. 2nd ed., Prentice Hall,2011.[4]. Vai, M., and Prasad, S. "Automatic impedance matching with aneural network."IEEE Microwave and Guided Wave Letters, vol.3, no. 10, 1993, pp. 353-354. DOI: 10.1109/75.244867.[11].周志明.智慧的疆界[M]. 机械工业出版社, 2018.[12].彭洋洋. 无线重构世界: 射频技术的过去、现在与未来[M]. 电子工业出版社, 2024.[13].B. Razavi. RF Microelectronics[M]. 北京：清华大学出版社, 2003.
-END-
