AI會(huì)取代射頻工程師嗎？

來(lái)源：互聯(lián)網(wǎng)   發(fā)布日期：2025-02-09 10:15:17   瀏覽：147次  

作者 |彭

來(lái)源 | 慧智微電子

2025年春節(jié)假期期間，來(lái)自杭州的AI創(chuàng)業(yè)公司DeepSeek以驚人的速度，再次掀起了全球?qū)�AI技術(shù)的熱潮。據(jù)報(bào)道，DeepSeek的性能可與ChatGPT相媲美，但其訓(xùn)練和運(yùn)行成本卻顯著降低。這些技術(shù)優(yōu)勢(shì)將有助于加速AI技術(shù)的廣泛應(yīng)用和普及。

在人們?yōu)榈统杀尽⒏咝阅蹵I技術(shù)帶來(lái)的“AI自由”歡呼之際，也有聲音開(kāi)始擔(dān)憂，AI是否會(huì)取代現(xiàn)有的人類(lèi)工作崗位。

射頻領(lǐng)域同樣受到了這一波浪潮的影響。2024年12月30日，《自然》（Nature）雜志網(wǎng)站刊登了一篇關(guān)于AI在射頻電路設(shè)計(jì)應(yīng)用的文章：《基于深度學(xué)習(xí)的多端口射頻及亞太赫茲無(wú)源器件和集成電路的廣義逆設(shè)計(jì)》[1]。該文章展示了利用AI技術(shù)設(shè)計(jì)的射頻電路，一時(shí)間在射頻工程師群體中引起了廣泛傳播和熱烈討論。

文章中，普林斯頓大學(xué)的研究團(tuán)隊(duì)利用AI技術(shù)設(shè)計(jì)了多種射頻微波電路結(jié)構(gòu)。這些電路結(jié)構(gòu)在人類(lèi)看來(lái)相當(dāng)抽象，如同一堆難以理解的二維碼，但其射頻性能卻可能與射頻工程師精心設(shè)計(jì)的電路不相上下。

圖：人類(lèi)理解的射頻電路和AI設(shè)計(jì)的射頻電路對(duì)比

此研究團(tuán)隊(duì)還運(yùn)用這一設(shè)計(jì)方法，成功實(shí)現(xiàn)了基于SiGe工藝的毫米波頻段放大器。要知道，在20年前，關(guān)于硅基毫米波放大器的研究足以在集成電路頂級(jí)會(huì)議ISSCC上發(fā)表論文；甚至在10多年前，博士生或研究生還可以憑借毫米波放大器的研究成果完成學(xué)位論文并順利畢業(yè)。然而，如今這些曾經(jīng)讓射頻工程師引以為豪的工作，卻被AI以一種看似難以捉摸的方式輕松實(shí)現(xiàn)。

圖：文章中利用AI技術(shù)設(shè)計(jì)實(shí)現(xiàn)的毫米波放大器

隨著AI技術(shù)的迅猛發(fā)展，及其在射頻領(lǐng)域的初露鋒芒，也讓射頻從業(yè)者不禁開(kāi)始思考：射頻工程師會(huì)被AI替代嗎？

本文將從AI技術(shù)的特點(diǎn)和射頻電路的特點(diǎn)出發(fā)，初探AI技術(shù)在射頻領(lǐng)域的應(yīng)用潛力，并拋磚引玉，探討未來(lái)AI與射頻技術(shù)可能的發(fā)展關(guān)系。

AI的一些基礎(chǔ)概念

盡管AI技術(shù)如潮水般涌來(lái)，似乎要席卷各行各業(yè)，但作為一項(xiàng)技術(shù)，它同樣具有自身的特性和局限。要深入探討AI能為射頻技術(shù)帶來(lái)何種變革，首先我們需要對(duì)AI的技術(shù)特點(diǎn)有所了解。

AI領(lǐng)域涉及眾多術(shù)語(yǔ)，如人工智能、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等，這些名詞聽(tīng)起來(lái)既抽象又科幻，讓人難以捉摸。接下來(lái)，讓我們?cè)囍�揭開(kāi)這些名詞的神秘面紗，探尋它們的本質(zhì)。

人工智能

在AI相關(guān)的所有名詞中，人工智能無(wú)疑是最具代表性的。

AI，即ArtificialIntelligence的縮寫(xiě)，這一術(shù)語(yǔ)有時(shí)顯得過(guò)于抽象和魔幻，甚至帶有一些營(yíng)銷(xiāo)的色彩，沒(méi)有一個(gè)明確的定義，因此人們經(jīng)常陷入關(guān)于什么是人工智能、什么不是人工智能的討論中。

盡管人工智能沒(méi)有一個(gè)清晰的定義，但這個(gè)名詞的出現(xiàn)的時(shí)間點(diǎn)卻有共識(shí)。大家普遍認(rèn)為1956年的達(dá)特茅斯研討會(huì)標(biāo)志著人工智能的誕生。這次會(huì)議明確提出了人工智能的概念，并將其作為獨(dú)立的學(xué)科方向進(jìn)行研究。

圖：1956年達(dá)特茅斯會(huì)議中的青年參會(huì)者

然而，當(dāng)時(shí)對(duì)人工智能的想象遠(yuǎn)不如現(xiàn)在如此豐富。在20世紀(jì)50年代，將數(shù)學(xué)公式轉(zhuǎn)化為計(jì)算機(jī)執(zhí)行的指令就已經(jīng)被視為人工智能了。但現(xiàn)在看來(lái)，這不過(guò)是簡(jiǎn)單的編譯器功能而已。

2018年圖靈獎(jiǎng)獲得者、深度學(xué)習(xí)創(chuàng)始人楊立昆（Yann LeCun）在其專(zhuān)著中曾指出：“人工智能有個(gè)特點(diǎn)，就是一旦一個(gè)技術(shù)實(shí)現(xiàn)了，它立刻就會(huì)被認(rèn)為不屬于智能�！币虼�，真正的人工智能總是似乎遙不可及，就像吊在我們面前的一根胡蘿卜，永遠(yuǎn)無(wú)法實(shí)現(xiàn)。這種現(xiàn)象也被稱(chēng)為“AI效應(yīng)”。

圖：YannLeCun教授和其專(zhuān)著（中文譯為：《科學(xué)之路人、機(jī)器與未來(lái)》）

此外值得一提的是，雖然現(xiàn)在人工智能被視為技術(shù)發(fā)展中當(dāng)之無(wú)愧的正確路徑，但在當(dāng)時(shí)的技術(shù)環(huán)境下，它并不是行業(yè)統(tǒng)一的技術(shù)共識(shí)。即使在1956年人工智能這一概念確立之后，仍然存在著較多的爭(zhēng)論和討論。

有人認(rèn)為，這不過(guò)是讓計(jì)算機(jī)處理更復(fù)雜的信息而已，那么我們?yōu)槭裁床环Q(chēng)之為“復(fù)雜信息處理”呢？這樣既能更準(zhǔn)確地描述這項(xiàng)技術(shù)，又能避免使用過(guò)于科幻的名詞。這一觀點(diǎn)在當(dāng)時(shí)也得到了很多專(zhuān)家的支持。直到1961年，IEEE才正式將“人工智能”這一名詞確定下來(lái)。

從技術(shù)角度來(lái)看，無(wú)論是稱(chēng)為“人工智能”還是“復(fù)雜信息處理”，或者其他什么名詞，都不會(huì)對(duì)這項(xiàng)技術(shù)本身產(chǎn)生任何影響。但“人工智能”這一術(shù)語(yǔ)確實(shí)表達(dá)了人類(lèi)對(duì)于計(jì)算機(jī)所能實(shí)現(xiàn)的智能疆界的不斷追求，反映了人類(lèi)對(duì)于智能邊界的不斷探索。雖然這個(gè)名詞抽象、不易定義，但它卻成為了過(guò)去60多年來(lái)人類(lèi)計(jì)算機(jī)信息技術(shù)發(fā)展的強(qiáng)大動(dòng)力。

在2006年達(dá)特茅斯會(huì)議50周年紀(jì)念會(huì)上，當(dāng)時(shí)開(kāi)創(chuàng)人工智能概念的先驅(qū)們提到：如果當(dāng)時(shí)用“計(jì)算智能”或者其他名稱(chēng)，這50年來(lái)的研究會(huì)不會(huì)有所不同？我個(gè)人認(rèn)為，肯定會(huì)有所不同。因?yàn)槊�詞的選擇不僅影響著我們對(duì)技術(shù)的認(rèn)知和理解，更在一定程度上引導(dǎo)著技術(shù)的發(fā)展方向和研究重點(diǎn)。甚至，這個(gè)名詞還代表著人類(lèi)對(duì)于創(chuàng)造智能不斷探索的夢(mèng)想。

圖：2006年，達(dá)特茅斯會(huì)議50周年紀(jì)念會(huì)

如何建立復(fù)雜邏輯

無(wú)論學(xué)者們選擇用“人工智能”、“復(fù)雜信息處理”還是“計(jì)算智能”來(lái)稱(chēng)呼這項(xiàng)技術(shù)，其本質(zhì)都是期望計(jì)算機(jī)能夠處理越來(lái)越復(fù)雜的信息和邏輯。

在教授計(jì)算機(jī)處理復(fù)雜信息和邏輯的技術(shù)實(shí)現(xiàn)中，主要有三個(gè)流派，分別是：符號(hào)主義、連接主義和行為主義。

圖：建立復(fù)雜邏輯的三個(gè)學(xué)派

符號(hào)主義

符號(hào)主義（Symbolism）是人工智能發(fā)展的早期階段，也是該領(lǐng)域中最早且最重要的學(xué)派之一。它起源于20世紀(jì)50年代，其理論基礎(chǔ)源自數(shù)理邏輯和符號(hào)處理。

符號(hào)主義學(xué)派強(qiáng)調(diào)知識(shí)的表示和推理機(jī)制的設(shè)計(jì)，通過(guò)高層次的符號(hào)表示，如邏輯公式、規(guī)則等，來(lái)描繪問(wèn)題和求解過(guò)程。這種基于符號(hào)和規(guī)則的方法為人工智能研究提供了重要的思路，奠定了該領(lǐng)域的研究基礎(chǔ)。

圖：符號(hào)主義的運(yùn)行方式

符號(hào)主義學(xué)派的核心在于其明確的規(guī)則和可解釋性。每一個(gè)推理步驟都基于預(yù)先設(shè)定的邏輯規(guī)則，計(jì)算過(guò)程是透明的。該學(xué)派的主要特點(diǎn)是將知識(shí)表示為符號(hào)，通過(guò)邏輯推理和規(guī)則操作來(lái)實(shí)現(xiàn)智能行為。

然而，符號(hào)主義也面臨一些局限性。首先，它依賴于嚴(yán)格定義的規(guī)則和邏輯推理，這需要對(duì)知識(shí)進(jìn)行精確編碼。但現(xiàn)實(shí)世界中的知識(shí)和信息往往是模糊、不精確和動(dòng)態(tài)的，這使得符號(hào)主義在處理不確定性和模糊性問(wèn)題時(shí)表現(xiàn)不佳。

其次，由于符號(hào)主義人工智能系統(tǒng)需要預(yù)先定義的規(guī)則和知識(shí)，其可擴(kuò)展性受到限制。在面對(duì)大規(guī)�；虺掷m(xù)變化的數(shù)據(jù)時(shí)，由于無(wú)法預(yù)知新的規(guī)則和知識(shí)，系統(tǒng)很難適應(yīng)和擴(kuò)展。

此外，符號(hào)主義也難以有效地表示和利用常識(shí)知識(shí)。常識(shí)知識(shí)通常具有高度的復(fù)雜性和不確定性，難以用符號(hào)和規(guī)則來(lái)精確描述。例如，在自動(dòng)駕駛中，“保持安全距離”是一個(gè)基本的駕駛原則，但“安全距離”具體是多少米，卻取決于車(chē)速、天氣、路況等多種因素，很難用規(guī)則來(lái)事先定義清楚。

當(dāng)然，對(duì)于復(fù)雜的邏輯問(wèn)題，可以嘗試用更復(fù)雜的公式來(lái)表征。但隨著命題邏輯公式的復(fù)雜性增加，判斷其真假的計(jì)算量將呈指數(shù)級(jí)增長(zhǎng)。這意味著使用符號(hào)主義的邏輯推理和規(guī)則操作來(lái)解決某些復(fù)雜問(wèn)題時(shí)，可能會(huì)變得非常耗時(shí)和困難。

對(duì)于符號(hào)主義來(lái)說(shuō)，建立人工智能就像構(gòu)建一套專(zhuān)家系統(tǒng)。這位“專(zhuān)家”期望了解世間萬(wàn)物背后的原理，并用精巧的公式來(lái)描述世界的運(yùn)行。這種認(rèn)知方式在拓展人類(lèi)理解那些規(guī)律明顯、清晰且被準(zhǔn)確定義的問(wèn)題時(shí)非常有效，但在解決日常、復(fù)雜的問(wèn)題時(shí)卻顯得束手無(wú)策。

這也像人類(lèi)對(duì)世界的認(rèn)識(shí)一樣。早在500年前的伽利略時(shí)代，人類(lèi)就理解了天體運(yùn)動(dòng)的規(guī)律，并總結(jié)成了精確的公式。但直到現(xiàn)在，人類(lèi)也無(wú)法用定義的方式來(lái)清楚界定什么樣的圖像可以被判定為一只貓。

連接主義

人工智能中的連接主義（Connectionism），也稱(chēng)為神經(jīng)網(wǎng)絡(luò)學(xué)派或仿生學(xué)派，是人工智能領(lǐng)域的一個(gè)重要流派。其核心思想是通過(guò)模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能來(lái)實(shí)現(xiàn)人工智能。

連接主義的起源可以追溯到20世紀(jì)初期對(duì)大腦工作原理的研究。到了20世紀(jì)80年代，隨著對(duì)大腦認(rèn)知的深入以及計(jì)算技術(shù)的飛速發(fā)展，連接主義逐漸在人工智能領(lǐng)域中嶄露頭角，成為一個(gè)顯著的流派。

連接主義的代表性成果是1943年由生理學(xué)家麥卡洛克（McCulloch）和數(shù)理邏輯學(xué)家皮茨（Pitts）創(chuàng)立的MP模型。然而，這種超前的概念在當(dāng)時(shí)的技術(shù)和理論背景下，并沒(méi)有得到學(xué)術(shù)界和業(yè)界的廣泛接受。此外，在連接主義興起的初期，計(jì)算機(jī)硬件和算法技術(shù)都相對(duì)落后，使得連接主義模型在實(shí)際操作中面臨著巨大的挑戰(zhàn)。

圖：神經(jīng)網(wǎng)絡(luò)MP模型創(chuàng)始人：麥克洛克與皮茨（1949年）

與符號(hào)主義相比，連接主義具有更強(qiáng)的數(shù)據(jù)處理能力和自適應(yīng)能力。符號(hào)主義強(qiáng)調(diào)通過(guò)符號(hào)和邏輯推理來(lái)實(shí)現(xiàn)智能，而連接主義則將信息處理過(guò)程理解為不同信息元之間的連接和交互。因此，連接主義更擅長(zhǎng)處理復(fù)雜、非線性問(wèn)題和模式識(shí)別任務(wù)。

為了更直觀地理解連接主義，我們可以以識(shí)別手寫(xiě)0-9數(shù)字的過(guò)程為例。

在識(shí)別手寫(xiě)的0-9數(shù)字時(shí)，我們并沒(méi)有一個(gè)固定的公式來(lái)告訴我們哪個(gè)數(shù)字是什么。相反，我們會(huì)根據(jù)數(shù)字的某些特征，如閉合的圓圈數(shù)量、直線的數(shù)量、拐點(diǎn)的位置等，來(lái)判斷這些數(shù)字最可能是哪個(gè)。這些特征可以理解為不同的“神經(jīng)元”，它們與不同的數(shù)字結(jié)果相對(duì)應(yīng)。

例如，如果看到一個(gè)閉合的圓圈，我們可能會(huì)認(rèn)為這個(gè)數(shù)字是0、6或9；如果看到一段直線，我們可能會(huì)認(rèn)為這個(gè)數(shù)字是1或7。通過(guò)這些“神經(jīng)元”對(duì)手寫(xiě)數(shù)字的感知和判斷，我們可以最大概率地確定這個(gè)數(shù)字是什么。

在這個(gè)過(guò)程中，我們并沒(méi)有預(yù)先設(shè)定好的公式或規(guī)則，而是通過(guò)多個(gè)信息元的判斷和它們與結(jié)果的連接來(lái)得出結(jié)果。這正是連接主義的基礎(chǔ)思想。

基于這一思路，一些早期的科學(xué)家設(shè)計(jì)制造了連接主義的人工智能計(jì)算機(jī)。其中最具代表性的就是羅森布拉特發(fā)明的，可以識(shí)別手寫(xiě)數(shù)字的感知機(jī)[11]。這項(xiàng)技術(shù)在當(dāng)時(shí)看來(lái)頗具科幻感，它是通過(guò)采用大量連接線相連的網(wǎng)絡(luò)實(shí)現(xiàn)的。

圖：羅森布拉特發(fā)明的感知機(jī)Mark-I

圖：早期用于數(shù)字識(shí)別訓(xùn)練的手寫(xiě)數(shù)字，以及字符“1”的識(shí)別

盡管現(xiàn)在連接主義已經(jīng)成為人工智能最為重要的技術(shù)流派之一，但在當(dāng)時(shí)，這一理論還是太過(guò)超前了。

當(dāng)時(shí)，符號(hào)主義在人工智能領(lǐng)域占據(jù)主導(dǎo)地位。符號(hào)主義基于邏輯推理方法，強(qiáng)調(diào)用計(jì)算機(jī)的符號(hào)操作來(lái)模擬人的認(rèn)知過(guò)程。這種方法在當(dāng)時(shí)的技術(shù)背景下具有更強(qiáng)的可操作性，因此得到了學(xué)術(shù)界和業(yè)界的廣泛認(rèn)可。相比之下，連接主義由于理論超前和技術(shù)條件限制，難以與符號(hào)主義競(jìng)爭(zhēng)。

然而，近年來(lái)隨著深度學(xué)習(xí)、大數(shù)據(jù)以及計(jì)算資源的豐富和發(fā)展，連接主義得到了迅速的發(fā)展，并已經(jīng)成為人工智能重要的發(fā)展方向之一。

行為主義

行為主義（Behaviorism）是人工智能領(lǐng)域的三大主要流派之一，它強(qiáng)調(diào)智能體（如機(jī)器人、軟件系統(tǒng)等）與環(huán)境的交互作用，認(rèn)為智能的本質(zhì)在于能夠根據(jù)環(huán)境的反饋來(lái)靈活調(diào)整行為。行為主義主張，智能不僅僅依賴于內(nèi)部的邏輯推理或神經(jīng)網(wǎng)絡(luò)計(jì)算，更重要的是通過(guò)與環(huán)境的持續(xù)互動(dòng)和適應(yīng)來(lái)展現(xiàn)智能。

在人工智能領(lǐng)域，行為主義有著廣泛的應(yīng)用前景，特別是在那些需要智能體自主適應(yīng)環(huán)境、進(jìn)行決策和行動(dòng)的場(chǎng)合，如機(jī)器人技術(shù)、自動(dòng)駕駛等領(lǐng)域。

相較于連接主義，行為主義在智能實(shí)現(xiàn)上有著不同的側(cè)重點(diǎn)。連接主義通過(guò)模擬神經(jīng)元之間的連接機(jī)制來(lái)實(shí)現(xiàn)智能，而行為主義則更側(cè)重于智能體與環(huán)境之間的動(dòng)態(tài)交互作用。然而，近年來(lái)隨著深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)技術(shù)的迅猛發(fā)展，聯(lián)結(jié)主義和行為主義之間的界限逐漸變得模糊，兩者開(kāi)始相互融合，共同推動(dòng)人工智能技術(shù)的進(jìn)步。

神經(jīng)網(wǎng)絡(luò)

在人工智能技術(shù)領(lǐng)域，近期最為頻繁提及的名詞之一便是“神經(jīng)網(wǎng)絡(luò)”�！叭斯ぶ悄堋边@一概念已頗具抽象性，而“神經(jīng)網(wǎng)絡(luò)”則更添了幾分科幻色彩。

相較于“人工智能”這一由科學(xué)家們?yōu)樵缙趶?fù)雜信息處理技術(shù)所賦予的新名稱(chēng)，“神經(jīng)網(wǎng)絡(luò)”確實(shí)是由神經(jīng)學(xué)和邏輯學(xué)兩個(gè)交叉學(xué)科的杰出科學(xué)家共同發(fā)展起來(lái)的一門(mén)技術(shù)。

沃倫麥卡洛克是一位神經(jīng)生理學(xué)家，他曾在耶魯大學(xué)學(xué)習(xí)哲學(xué)和心理學(xué)，后來(lái)獲得醫(yī)學(xué)博士學(xué)位，并在精神病學(xué)領(lǐng)域進(jìn)行了深入研究。而沃爾特皮茨則是一位年輕的數(shù)理邏輯學(xué)家，對(duì)數(shù)學(xué)和哲學(xué)懷有濃厚興趣。他早年生活頗為艱辛，甚至有過(guò)流浪的經(jīng)歷，但最終憑借自己的才華贏得了芝加哥大學(xué)等學(xué)術(shù)界的廣泛認(rèn)可。

20世紀(jì)40年代，神經(jīng)生理學(xué)家沃倫麥卡洛克與數(shù)理邏輯學(xué)家沃爾特皮茨在芝加哥大學(xué)附近相遇，并因?qū)ι窠?jīng)科學(xué)與邏輯學(xué)的共同興趣而攜手合作。1943年，他們?cè)凇稊?shù)學(xué)生物物理期刊》上發(fā)表了一篇開(kāi)創(chuàng)性的論文，題為《神經(jīng)活動(dòng)中內(nèi)在思想的邏輯演算》（A Logical Calculus of Ideas Immanent in Nervous Activity）。在這篇論文中，麥卡洛克和皮茨首次提出了人工神經(jīng)元的數(shù)學(xué)模型，即MP模型（McCulloch-Pitts Model）。該模型基于生物神經(jīng)元的結(jié)構(gòu)和功能，通過(guò)數(shù)學(xué)方法抽象和簡(jiǎn)化了神經(jīng)元的處理過(guò)程，具有以下特點(diǎn)：

每個(gè)神經(jīng)元被視為一個(gè)多輸入單輸出的信息處理單元。

輸入信號(hào)通過(guò)加權(quán)求和，并與設(shè)定的閾值進(jìn)行比較，以決定是否產(chǎn)生輸出。

輸出為二進(jìn)制形式（0或1），模擬了神經(jīng)元的興奮與抑制兩種狀態(tài)。

圖：腦神經(jīng)元細(xì)胞感知信號(hào)示意圖

圖：麥卡洛克與皮茨在1943年發(fā)表的神經(jīng)網(wǎng)絡(luò)MP模型論文

麥卡洛克和皮茨的初衷并非建立復(fù)雜的計(jì)算機(jī)網(wǎng)絡(luò)，而是鑒于當(dāng)時(shí)神經(jīng)科學(xué)和計(jì)算機(jī)科學(xué)均處于起步階段，他們嘗試用數(shù)學(xué)模型來(lái)理解和模擬大腦的工作方式，并希望通過(guò)這一數(shù)學(xué)模型揭示神經(jīng)元處理信息的邏輯基礎(chǔ)。

盡管MP模型相對(duì)簡(jiǎn)化，但它的提出為人工神經(jīng)網(wǎng)絡(luò)的研究奠定了堅(jiān)實(shí)基礎(chǔ)。該模型展示了如何通過(guò)簡(jiǎn)單的數(shù)學(xué)規(guī)則來(lái)模擬神經(jīng)元的邏輯運(yùn)算，也激發(fā)了后來(lái)研究者們對(duì)神經(jīng)網(wǎng)絡(luò)復(fù)雜性和潛力的進(jìn)一步探索。

MP模型的提出激發(fā)了人們對(duì)神經(jīng)網(wǎng)絡(luò)的興趣，但隨后的研究也面臨了諸多挑戰(zhàn)。例如，單層感知器無(wú)法解決非線性可分問(wèn)題，多層網(wǎng)絡(luò)的訓(xùn)練算法也尚未成熟。然而，這些挑戰(zhàn)并未阻擋研究者們的前進(jìn)腳步。隨著計(jì)算能力的提升和算法的優(yōu)化，神經(jīng)網(wǎng)絡(luò)技術(shù)在20世紀(jì)80年代迎來(lái)了復(fù)興，并在21世紀(jì)取得了巨大成功。

目前的神經(jīng)網(wǎng)絡(luò)通常由以下幾個(gè)基本部分構(gòu)成：

神經(jīng)元（Node/Neuron）：

神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本單元，負(fù)責(zé)接收輸入信號(hào)，進(jìn)行加權(quán)求和，并應(yīng)用激活函數(shù)產(chǎn)生輸出。

層（Layer）：

層由多個(gè)神經(jīng)元組成，神經(jīng)網(wǎng)絡(luò)通常包含輸入層、隱藏層和輸出層。輸入層負(fù)責(zé)接收輸入數(shù)據(jù)，隱藏層位于輸入層和輸出層之間，負(fù)責(zé)數(shù)據(jù)的加工和轉(zhuǎn)換，輸出層則輸出最終的計(jì)算結(jié)果。

權(quán)重（Weight）和偏置（Bias）：

權(quán)重和偏置是連接不同神經(jīng)元的參數(shù)。權(quán)重代表一個(gè)神經(jīng)元輸出對(duì)另一個(gè)神經(jīng)元輸出的影響力，而偏置是加到加權(quán)和上的一個(gè)常數(shù)，可以看作是每個(gè)神經(jīng)元的一個(gè)額外輸入。

激活函數(shù)（Activation Function）：

激活函數(shù)決定神經(jīng)元是否應(yīng)該被激活（即輸出信號(hào)），并引入非線性，使神經(jīng)網(wǎng)絡(luò)能夠擬合復(fù)雜的非線性關(guān)系。

圖：人工神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)

圖：人工神經(jīng)網(wǎng)絡(luò)中參數(shù)示意

這些名詞初看起來(lái)可能有些復(fù)雜，但拆解開(kāi)來(lái)并不難理解。每個(gè)神經(jīng)元的連接計(jì)算其實(shí)都較為簡(jiǎn)單：

神經(jīng)元：

相當(dāng)于被計(jì)算感知的信息元素，例如圖像處理中的一個(gè)像素。

層：

將信息分層處理，便于理解。

最重要的三種層是：輸入層（負(fù)責(zé)信息的輸入）、輸出層（負(fù)責(zé)結(jié)果的輸出），以及隱藏層（其他層是計(jì)算機(jī)自己的運(yùn)算過(guò)程，我們不需要關(guān)心，因此歸為隱藏層）。

權(quán)重和偏置：

神經(jīng)元獲取到的信息需要經(jīng)過(guò)處理�，F(xiàn)在的神經(jīng)元不再像最早的MP模型那樣只有0/1的簡(jiǎn)單輸出，而是要對(duì)輸入的信息進(jìn)行運(yùn)算。

例如，如果對(duì)輸入的信息x進(jìn)行線性運(yùn)算，則輸出可以表示為y=w*x+b。其中，w是信息處理的權(quán)重（表示信息的重要程度），b是偏置（對(duì)輸出結(jié)果進(jìn)行修正）。

激活函數(shù)：

激活函數(shù)決定神經(jīng)元是否被激活，并引入非線性。

例如，可以使用y=w*x+b這樣的線性函數(shù)來(lái)表示y與x之間的線性關(guān)系，也可以使用如y=x^3這樣的非線性函數(shù)來(lái)擬合y與x之間的復(fù)雜關(guān)系。

通過(guò)以上步驟，一個(gè)神經(jīng)網(wǎng)絡(luò)就建立起來(lái)了。接下來(lái)，通過(guò)訓(xùn)練和優(yōu)化，神經(jīng)網(wǎng)絡(luò)可以確定模型和參數(shù)。一旦神經(jīng)網(wǎng)絡(luò)有了準(zhǔn)確的模型和參數(shù)，它就具備了處理復(fù)雜信息的能力。

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)（Machine Learning，ML）技術(shù)是現(xiàn)代人工智能中的一項(xiàng)重要技術(shù)。它指的是一種通過(guò)算法和統(tǒng)計(jì)模型，使計(jì)算機(jī)系統(tǒng)能夠自動(dòng)地從數(shù)據(jù)中學(xué)習(xí)和改進(jìn)的技術(shù)。這種技術(shù)不需要進(jìn)行明確的編程，而是依賴于數(shù)據(jù)來(lái)訓(xùn)練模型，從而使其能夠完成特定的任務(wù)。

機(jī)器學(xué)習(xí)之所以重要，是因?yàn)樵谛畔⒒瘯r(shí)代，數(shù)據(jù)量呈爆炸式增長(zhǎng)。依靠傳統(tǒng)的符號(hào)主義方法，如邏輯推理、理論抽取等，已經(jīng)無(wú)法滿足信息處理的需求。人們需要計(jì)算機(jī)能夠自主學(xué)習(xí)和判斷，以處理越來(lái)越復(fù)雜的信息。

機(jī)器學(xué)習(xí)能夠高效地處理和分析海量數(shù)據(jù)，適應(yīng)復(fù)雜多變的環(huán)境，提高決策效率和準(zhǔn)確性，因此在當(dāng)今信息時(shí)代有著強(qiáng)烈的需求。

機(jī)器學(xué)習(xí)技術(shù)的基本原理是利用大量數(shù)據(jù)訓(xùn)練模型，通過(guò)模型對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)和分類(lèi)。具體來(lái)說(shuō)，機(jī)器學(xué)習(xí)算法會(huì)從數(shù)據(jù)中提取特征，學(xué)習(xí)輸入與輸出之間的映射關(guān)系，然后利用這種關(guān)系對(duì)新樣本進(jìn)行預(yù)測(cè)。

根據(jù)學(xué)習(xí)方式的不同，機(jī)器學(xué)習(xí)技術(shù)可以劃分為以下幾種主要類(lèi)型：

監(jiān)督學(xué)習(xí)：

監(jiān)督學(xué)習(xí)是指訓(xùn)練數(shù)據(jù)中有標(biāo)簽，計(jì)算機(jī)需要學(xué)習(xí)如何根據(jù)特征來(lái)預(yù)測(cè)標(biāo)簽。例如，通過(guò)給計(jì)算機(jī)展示大量的貓和狗的圖片，并標(biāo)注每張圖片是貓還是狗，計(jì)算機(jī)就可以通過(guò)學(xué)習(xí)圖片中的特征來(lái)識(shí)別未知的貓或狗的圖片。

無(wú)監(jiān)督學(xué)習(xí)：

無(wú)監(jiān)督學(xué)習(xí)是指訓(xùn)練數(shù)據(jù)中沒(méi)有標(biāo)簽，計(jì)算機(jī)需要自己發(fā)現(xiàn)數(shù)據(jù)中的模式和規(guī)律。例如，在大量的新聞文章中，計(jì)算機(jī)可以通過(guò)無(wú)監(jiān)督學(xué)習(xí)來(lái)自動(dòng)發(fā)現(xiàn)文章中的主題和關(guān)鍵詞。

半監(jiān)督學(xué)習(xí)：

半監(jiān)督學(xué)習(xí)是指訓(xùn)練數(shù)據(jù)中只有部分標(biāo)簽，計(jì)算機(jī)需要利用已有的標(biāo)簽來(lái)預(yù)測(cè)未知數(shù)據(jù)的標(biāo)簽。例如，在一組商品評(píng)論中，只有一部分評(píng)論被標(biāo)注為正面或負(fù)面，計(jì)算機(jī)可以利用這些已知的標(biāo)簽來(lái)預(yù)測(cè)未知評(píng)論的情感傾向。

強(qiáng)化學(xué)習(xí)：

強(qiáng)化學(xué)習(xí)是一種通過(guò)與環(huán)境的交互來(lái)學(xué)習(xí)的方式。計(jì)算機(jī)通過(guò)設(shè)定和獲取獎(jiǎng)勵(lì)，不斷嘗試不同的動(dòng)作，并根據(jù)環(huán)境的反饋（獎(jiǎng)勵(lì)或懲罰）來(lái)調(diào)整自己的策略，以最大化累積獎(jiǎng)勵(lì)。

圖：機(jī)器學(xué)習(xí)的三種學(xué)習(xí)方式分類(lèi)

雖然機(jī)器學(xué)習(xí)可以基于多種技術(shù)展開(kāi)，但神經(jīng)網(wǎng)絡(luò)無(wú)疑為機(jī)器學(xué)習(xí)提供了一條極為重要的實(shí)現(xiàn)途徑。

在早期，機(jī)器學(xué)習(xí)算法主要依賴于手工設(shè)計(jì)的特征，這不僅耗時(shí)費(fèi)力，而且難以適應(yīng)復(fù)雜的數(shù)據(jù)分布。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，使得計(jì)算機(jī)可以從數(shù)據(jù)中自動(dòng)學(xué)習(xí)和提取特征，極大地簡(jiǎn)化了模型的設(shè)計(jì)過(guò)程。

如今，機(jī)器學(xué)習(xí)技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)密不可分。神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中的一種重要技術(shù)，它推動(dòng)了機(jī)器學(xué)習(xí)的發(fā)展，并在多個(gè)領(lǐng)域取得了顯著成就。同時(shí)，機(jī)器學(xué)習(xí)也為神經(jīng)網(wǎng)絡(luò)提供了理論支持和技術(shù)手段，使得神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練方法得到了極大的豐富和優(yōu)化。兩者相互增強(qiáng)，共同推動(dòng)著人工智能技術(shù)的發(fā)展和進(jìn)步。

深度學(xué)習(xí)

最近，人工智能領(lǐng)域中的另一個(gè)熱門(mén)詞匯是“深度學(xué)習(xí)”（Deep Learning）。以“Deep”開(kāi)頭的人工智能產(chǎn)品也屢見(jiàn)不鮮，比如我們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，究竟為什么要進(jìn)行“深度”學(xué)習(xí)呢？什么樣的學(xué)習(xí)才算是有“深度”的呢？

深度學(xué)習(xí)的概念可以追溯到2006年。當(dāng)時(shí)，加拿大多倫多大學(xué)的杰弗里辛頓（Geoffrey Hinton）教授及其同事在《科學(xué)》雜志上發(fā)表了一篇關(guān)于深度信念網(wǎng)絡(luò)（Deep Belief Networks）的研究論文[2]。這篇論文的發(fā)表標(biāo)志著深度學(xué)習(xí)概念的正式提出，并使得深度學(xué)習(xí)開(kāi)始受到學(xué)術(shù)界的廣泛關(guān)注。

辛頓教授所提出的“深度信念網(wǎng)絡(luò)”其實(shí)是一種多層次的神經(jīng)網(wǎng)絡(luò)。然而，在當(dāng)時(shí)，神經(jīng)網(wǎng)絡(luò)并未被學(xué)術(shù)界廣泛接受，甚至受到符號(hào)主義學(xué)派的打壓，導(dǎo)致關(guān)于神經(jīng)網(wǎng)絡(luò)的論文經(jīng)常難以發(fā)表。于是，辛頓教授將其對(duì)多層次神經(jīng)網(wǎng)絡(luò)的研究更名為“深度信念網(wǎng)絡(luò)”。沒(méi)想到，這一略顯被動(dòng)的更名，卻開(kāi)創(chuàng)了人工智能領(lǐng)域一個(gè)重要的研究方向。

圖：深度學(xué)習(xí)中所用到的多層神經(jīng)網(wǎng)絡(luò)

在深度學(xué)習(xí)研究之前，雖然科學(xué)家已經(jīng)實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)，但由于計(jì)算能力的限制和理論上的瓶頸，神經(jīng)網(wǎng)絡(luò)一直無(wú)法實(shí)現(xiàn)較多的層次，只能處理輸出和輸入之間較為簡(jiǎn)單的邏輯關(guān)系，這極大地限制了神經(jīng)網(wǎng)絡(luò)的效果。

多層神經(jīng)網(wǎng)絡(luò)通過(guò)增加隱藏層的數(shù)量，能夠?qū)W習(xí)到更復(fù)雜、更抽象的特征表示。這種層級(jí)的特征學(xué)習(xí)使得網(wǎng)絡(luò)能夠處理更復(fù)雜的數(shù)據(jù)和任務(wù)，如圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等。

然而，早期神經(jīng)網(wǎng)絡(luò)的研究受到計(jì)算機(jī)性能限制、算法和技術(shù)局限性、數(shù)據(jù)集和數(shù)據(jù)限制、模型復(fù)雜度和表達(dá)能力不足以及理論研究不足等多方面的制約，多層神經(jīng)網(wǎng)絡(luò)一直難以實(shí)現(xiàn)。這也一度讓神經(jīng)網(wǎng)絡(luò)的研究陷入了低谷，人們甚至開(kāi)始懷疑神經(jīng)網(wǎng)絡(luò)的研究方向是否正確，還有不少論文證明為何多層神經(jīng)網(wǎng)絡(luò)是不可實(shí)現(xiàn)的。

2006年，辛頓等人的工作為深度學(xué)習(xí)注入了新的活力。他們提出的深度信念網(wǎng)絡(luò)通過(guò)無(wú)監(jiān)督學(xué)習(xí)逐層初始化網(wǎng)絡(luò)參數(shù)，然后使用有監(jiān)督學(xué)習(xí)進(jìn)行微調(diào)，有效地緩解了深層網(wǎng)絡(luò)訓(xùn)練中的梯度消失問(wèn)題。這一成果為深度學(xué)習(xí)的發(fā)展奠定了堅(jiān)實(shí)的基礎(chǔ)。

p>

此后，深度學(xué)習(xí)在理論、算法和應(yīng)用等方面都取得了顯著的進(jìn)展。各種新的模型和架構(gòu)不斷涌現(xiàn)，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、生成對(duì)抗網(wǎng)絡(luò)（GAN）等。這些模型在圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域取得了突破性的成果。

如今，深度學(xué)習(xí)已經(jīng)成為人工智能領(lǐng)域的重要分支，廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、智能推薦、自動(dòng)駕駛、醫(yī)療診斷等多個(gè)領(lǐng)域，為人類(lèi)社會(huì)帶來(lái)了前所未有的便利和創(chuàng)新。

值得一提的是，為表彰辛頓教授“為推動(dòng)利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)做出的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”，2024年10月8日，瑞典皇家科學(xué)院將2024年諾貝爾獎(jiǎng)?lì)C發(fā)給辛頓教授。

圖：辛頓教授于2024年10月8日獲得諾貝爾物理學(xué)獎(jiǎng)

ChatGPT/DeepSeek/Kimi等的涌現(xiàn)

近年來(lái)，人工智能領(lǐng)域的發(fā)展速度迅猛，影響范圍廣泛，堪稱(chēng)科技史上的奇跡。其中，ChatGPT、DeepSeek、Kimi等人工智能軟件的涌現(xiàn)，更是將這一領(lǐng)域推向了新的高度，讓人類(lèi)深刻領(lǐng)略到了人工智能的魅力與潛力。

這些軟件充分運(yùn)用了神經(jīng)網(wǎng)絡(luò)技術(shù)，通過(guò)構(gòu)建復(fù)雜而精細(xì)的多層神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了深度學(xué)習(xí)。它們依托海量的數(shù)據(jù)和強(qiáng)大的算力，進(jìn)行了多次的訓(xùn)練和優(yōu)化，使得計(jì)算機(jī)在理解和生成自然語(yǔ)言方面取得了突破性的成果。如今，這些人工智能軟件已經(jīng)能夠預(yù)測(cè)并模擬人類(lèi)的言語(yǔ)交流，宛如被賦予了真正的智能，能夠與人類(lèi)展開(kāi)自然、流暢的對(duì)話。

更為令人矚目的是，與傳統(tǒng)的符號(hào)主義人工智能相比，這些基于神經(jīng)網(wǎng)絡(luò)的人工智能軟件其運(yùn)行邏輯并非顯式可見(jiàn)。在神經(jīng)網(wǎng)絡(luò)的運(yùn)行過(guò)程中，我們只能觀察到輸入與輸出的結(jié)果，而中間層均為隱藏層，我們無(wú)法直接窺探其內(nèi)部的運(yùn)作機(jī)制。這種“黑盒”特性，使得人工智能技術(shù)顯得更加神秘且充滿未知，也激發(fā)了人們對(duì)它更深入探索的興趣。

射頻電路的特點(diǎn)是什么

射頻電路的功能

射頻電路的主要功能是生成、發(fā)射及接收射頻信號(hào)。

圖：射頻電路在系統(tǒng)中的位置

射頻信號(hào)位于電磁波頻譜的3kHz至300GHz頻率范圍內(nèi)，這段頻率的電磁波波長(zhǎng)適中，便于通過(guò)天線進(jìn)行發(fā)射和接收，且具備較高的數(shù)據(jù)傳輸速率和較遠(yuǎn)的傳輸距離，因此非常適用于通信領(lǐng)域。如今，手機(jī)通信、無(wú)線網(wǎng)絡(luò)、衛(wèi)星廣播等無(wú)線連接方式，都是基于射頻技術(shù)實(shí)現(xiàn)的。射頻技術(shù)已成為我們生活中不可或缺的一部分。

圖：射頻的頻率范圍

要實(shí)現(xiàn)射頻連接，需要將數(shù)字和模擬信號(hào)轉(zhuǎn)換為射頻信號(hào)，并對(duì)這些信號(hào)進(jìn)行頻率轉(zhuǎn)換、放大、濾波、切換等處理。完成這些信號(hào)處理的電路就是射頻電路。

射頻電路主要包括信號(hào)源、上下變頻器、功率放大器、濾波器、開(kāi)關(guān)以及低噪聲放大器等模塊。各電路模塊的主要功能及其在系統(tǒng)中的位置如下圖所示。

圖：射頻系統(tǒng)中各電路的位置

具體來(lái)說(shuō)，

信號(hào)源負(fù)責(zé)產(chǎn)生所需的射頻信號(hào)；

上下變頻器用于實(shí)現(xiàn)信號(hào)頻率的轉(zhuǎn)換，以適應(yīng)不同的通信頻段和處理需求；

功率放大器將信號(hào)放大至足夠的功率水平，以便進(jìn)行發(fā)射；

濾波器對(duì)信號(hào)進(jìn)行頻率選擇性處理，濾除無(wú)用信號(hào)和噪聲；

開(kāi)關(guān)用于在不同信號(hào)路徑或功能之間進(jìn)行切換；

低噪聲放大器則負(fù)責(zé)放大微弱的接收信號(hào)，同時(shí)盡量減少噪聲的引入，提高信號(hào)的信噪比。

這些模塊相互協(xié)作，確保射頻信號(hào)能夠在復(fù)雜的電磁環(huán)境中高效、準(zhǔn)確地傳輸和處理。

射頻電路的特點(diǎn)

作為射頻電路，其與傳統(tǒng)的模擬、數(shù)字電路相比，具有以下特殊之處：

1. 處理的是不可見(jiàn)的射頻信號(hào)

射頻電路所處理的是射頻信號(hào)，這些信號(hào)以光速傳播，肉眼無(wú)法直接觀測(cè)，也無(wú)法通過(guò)簡(jiǎn)單的電壓、電流方式直接表征。

由于射頻信號(hào)的不可見(jiàn)性，射頻電路的設(shè)計(jì)和調(diào)試必須依賴于深入的理論分析、縝密的邏輯推理以及專(zhuān)業(yè)的指標(biāo)測(cè)試，這大大增加了設(shè)計(jì)的難度和復(fù)雜性。

2. 工作頻率高，傳統(tǒng)電路分析方法不再適用

在低頻電路中，通�？梢院雎噪姶艌�(chǎng)的影響，主要通過(guò)電壓、電流等電路參數(shù)進(jìn)行分析和設(shè)計(jì)。然而，在射頻電路中，由于工作頻率極高，電磁場(chǎng)的作用變得至關(guān)重要，傳統(tǒng)的電路電壓分析方法不再有效。

高頻工作條件下，會(huì)帶來(lái)一系列非理想特性，如趨膚效應(yīng)、輻射干擾、阻抗匹配問(wèn)題等。這些高頻特性給設(shè)計(jì)帶來(lái)了諸多挑戰(zhàn)，每個(gè)問(wèn)題都需要仔細(xì)斟酌和解決。同時(shí)，高頻信號(hào)的處理也要求射頻電路具有更高的精度和穩(wěn)定性，以確保信號(hào)的準(zhǔn)確傳輸和處理。

3. 射頻電路設(shè)計(jì)復(fù)雜，涉及多學(xué)科知識(shí)

射頻信號(hào)在處理過(guò)程中環(huán)境復(fù)雜，因此射頻電路的設(shè)計(jì)需要掌握多學(xué)科的知識(shí)，包括電磁學(xué)、電路理論，甚至材料科學(xué)等。這使得射頻電路的設(shè)計(jì)過(guò)程相當(dāng)復(fù)雜，要求工程師具備深厚的專(zhuān)業(yè)知識(shí)和實(shí)踐經(jīng)驗(yàn)。此外，射頻電路的性能往往受到多種因素的影響，如電路布局、材料選擇、制造工藝等，這都進(jìn)一步增加了設(shè)計(jì)的難度和復(fù)雜性。

有經(jīng)驗(yàn)的工程師需要在各個(gè)指標(biāo)之間進(jìn)行權(quán)衡和折中，才能找到最佳的設(shè)計(jì)方案。著名的射頻專(zhuān)家Razavi教授提出的射頻電路設(shè)計(jì)“六邊形”理論，就形象地展示了這種折中考慮的重要性[13]。

4.射頻電路對(duì)參數(shù)極為敏感

由于射頻信號(hào)在空中自由傳輸，對(duì)每個(gè)射頻終端所發(fā)射信號(hào)的精準(zhǔn)控制就顯得尤為重要。同時(shí)，射頻信號(hào)在傳輸過(guò)程中容易受到干擾、損耗等影響。因此，射頻電路的性能對(duì)各個(gè)參數(shù)的精度極為敏感。

微小的設(shè)計(jì)缺陷或參數(shù)變化都可能導(dǎo)致電路性能的顯著下降。因此，射頻工程師在設(shè)計(jì)過(guò)程中必須非常謹(jǐn)慎，對(duì)每一個(gè)細(xì)節(jié)都要進(jìn)行仔細(xì)的考慮和優(yōu)化，以確保電路的性能達(dá)到最佳狀態(tài)。

圖：Razavi教授的射頻電路六邊形設(shè)計(jì)理論圖

為什么常說(shuō)：“射頻工程師越老越吃香？”

射頻電路因其特殊性，使得射頻行業(yè)成為了一個(gè)非常依賴經(jīng)驗(yàn)的行業(yè)，這也正是“射頻工程師，越老越吃香”這一說(shuō)法的由來(lái)。

這一觀點(diǎn)主要基于以下幾個(gè)方面的原因：

首先，射頻電路設(shè)計(jì)高度依賴實(shí)踐經(jīng)驗(yàn)。隨著工作年限的積累，射頻工程師會(huì)不斷累積實(shí)際設(shè)計(jì)案例和經(jīng)驗(yàn)，這些寶貴的經(jīng)驗(yàn)是書(shū)本上無(wú)法獲取的。當(dāng)面對(duì)復(fù)雜的設(shè)計(jì)問(wèn)題時(shí)，老工程師能夠憑借豐富的實(shí)踐經(jīng)驗(yàn)迅速定位問(wèn)題所在，并提出行之有效的解決方案。這種經(jīng)驗(yàn)的積累，是射頻工程師越老越吃香的重要基石。

其次，射頻電路設(shè)計(jì)需要工程師具備敏銳的直覺(jué)和準(zhǔn)確的判斷力。在設(shè)計(jì)的初期階段，很多問(wèn)題可能無(wú)法通過(guò)理論計(jì)算或仿真來(lái)準(zhǔn)確預(yù)測(cè)，這時(shí)就需要工程師依靠自己的經(jīng)驗(yàn)和直覺(jué)來(lái)做出判斷。這種直覺(jué)和判斷力是長(zhǎng)期實(shí)踐和經(jīng)驗(yàn)積累的結(jié)果，也是老工程師在設(shè)計(jì)中獨(dú)具的優(yōu)勢(shì)。

再者，盡管射頻技術(shù)在不斷更新和發(fā)展，但其基礎(chǔ)理論和設(shè)計(jì)方法并未發(fā)生根本性變化。老工程師通常具備扎實(shí)的基礎(chǔ)理論知識(shí)和豐富的實(shí)踐經(jīng)驗(yàn)，這使得老工程師在學(xué)習(xí)新技術(shù)時(shí)能夠更快地理解和掌握，并將其靈活應(yīng)用到實(shí)際設(shè)計(jì)中。因此，即使面對(duì)新技術(shù)的挑戰(zhàn)，老工程師也能夠保持強(qiáng)大的競(jìng)爭(zhēng)力。

正是由于以上原因，業(yè)界普遍認(rèn)為射頻行業(yè)門(mén)檻較高，難以一蹴而就。而工程師們一旦跨越了射頻這個(gè)門(mén)檻，就可以通過(guò)長(zhǎng)期積累和實(shí)踐，步步高升。在電子類(lèi)專(zhuān)業(yè)中，射頻工程師宛如“鐵飯碗”般的存在。因此，當(dāng)AI浪潮席卷而來(lái)時(shí)，相較于軟件工程師、數(shù)字電路工程師而言，射頻工程師所感受到的沖擊與震撼顯得更為強(qiáng)烈。

AI在射頻設(shè)計(jì)中的應(yīng)用

無(wú)論我們是積極擁抱還是有所抵觸，AI都已經(jīng)毫無(wú)疑問(wèn)地給我們的生活帶來(lái)了重大的變革。在射頻設(shè)計(jì)領(lǐng)域，AI也在悄然滲透，并展現(xiàn)出了一系列應(yīng)用潛力。

回顧過(guò)去，AI在射頻電路設(shè)計(jì)中的應(yīng)用主要可以劃分為以下三個(gè)階段：

階段一：AI輔助優(yōu)化階段

階段二：AI自動(dòng)化設(shè)計(jì)階段

階段三：AI自主創(chuàng)新階段

這三個(gè)階段展示了AI在射頻設(shè)計(jì)領(lǐng)域逐步深入和拓展的應(yīng)用過(guò)程，預(yù)示著AI將在未來(lái)射頻技術(shù)發(fā)展中發(fā)揮更加重要的作用。

三個(gè)階段的核心差異如下：

階段一：AI輔助優(yōu)化階段

在這個(gè)階段，AI作為輔助工具，對(duì)人類(lèi)設(shè)計(jì)的初始方案進(jìn)行局部參數(shù)優(yōu)化，以提升射頻電路的性能。

射頻電路中的參數(shù)優(yōu)化，是指通過(guò)調(diào)整電路中的關(guān)鍵參數(shù)，如晶體管的參數(shù)、電感、電容、阻抗等元件的值，以及電路的布局、布線、傳輸線長(zhǎng)度等物理設(shè)計(jì)因素，來(lái)改善電路性能的過(guò)程。其主要目的包括提高信號(hào)質(zhì)量、減少信號(hào)失真、增強(qiáng)電路穩(wěn)定性以及提高能量傳輸效率等。

以射頻電路設(shè)計(jì)中的阻抗匹配參數(shù)優(yōu)化為例，這是一個(gè)耗時(shí)且依賴經(jīng)驗(yàn)的過(guò)程。傳統(tǒng)方法需要工程師不斷調(diào)整短截線的長(zhǎng)度和位置，并反復(fù)測(cè)量調(diào)整后的駐波比（SWR），效率較低。而在1993年的文獻(xiàn)[4]中，提出了一種基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)調(diào)諧方法。該方法通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)分析SWR的變化，自動(dòng)調(diào)整短截線參數(shù)，實(shí)現(xiàn)了阻抗匹配的快速優(yōu)化。實(shí)驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的雙短截線網(wǎng)絡(luò)與傳統(tǒng)方法的結(jié)果一致，且調(diào)諧過(guò)程無(wú)需人工干預(yù)。這一工作充分展示了AI在射頻參數(shù)優(yōu)化中的潛力，能夠顯著減少設(shè)計(jì)時(shí)間，為復(fù)雜電路的快速優(yōu)化提供了新思路。

此后，陸續(xù)有文獻(xiàn)對(duì)射頻參數(shù)優(yōu)化展開(kāi)深入研究，并將其應(yīng)用在天線參數(shù)設(shè)計(jì)、功放設(shè)計(jì)等領(lǐng)域。近年來(lái)，AI在功率大器（PA）設(shè)計(jì)方面的參數(shù)優(yōu)化也成為研究熱點(diǎn)之一[6]。對(duì)此感興趣的讀者可以搜索相關(guān)文獻(xiàn)[7]進(jìn)行深入了解。

圖：文獻(xiàn)[6]中DohertyPA架構(gòu)及所優(yōu)化參數(shù)

此外，AI還可以用來(lái)輔助射頻電路中耗時(shí)的仿真過(guò)程進(jìn)行加速。例如，在文獻(xiàn)[5]中，Horng等人提出了一種基于神經(jīng)網(wǎng)絡(luò)的微帶電路設(shè)計(jì)方法。該方法通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)全波仿真生成的輸入-輸出數(shù)據(jù)，實(shí)現(xiàn)了對(duì)微帶電路性能的快速預(yù)測(cè)。利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大映射能力，該方法顯著減少了仿真時(shí)間，提高了設(shè)計(jì)效率。

雖然在這一階段，AI已經(jīng)能夠明顯提升射頻電路的設(shè)計(jì)效率，但設(shè)計(jì)的主導(dǎo)權(quán)仍然掌握在工程師手中。AI只是在人類(lèi)定義的范圍內(nèi)，做一些提升效率、減少仿真時(shí)間的工作，扮演的是輔助角色。因此，人們并沒(méi)有將其視為跨時(shí)代的變化。

階段二：AI自動(dòng)化設(shè)計(jì)階段

隨著射頻技術(shù)的飛速發(fā)展，射頻電路設(shè)計(jì)的復(fù)雜度也隨之大幅提升。傳統(tǒng)的人工設(shè)計(jì)方法逐漸暴露出兩大瓶頸：

一是設(shè)計(jì)參數(shù)的爆炸式增長(zhǎng)；

二是規(guī)則約束的復(fù)雜性，設(shè)計(jì)需滿足多重限制條件。

在階段一中，AI雖然能輔助優(yōu)化參數(shù)，但設(shè)計(jì)框架仍由人類(lèi)工程師主導(dǎo)，需要大量人工介入。為了減少人工的長(zhǎng)時(shí)間參與，并充分考慮設(shè)計(jì)中的多種規(guī)則和約束，AI自動(dòng)化設(shè)計(jì)階段應(yīng)運(yùn)而生[8]。這一階段的目標(biāo)是讓AI基于規(guī)則和約束，自動(dòng)生成完整的設(shè)計(jì)方案，實(shí)現(xiàn)“設(shè)計(jì)半自動(dòng)化”。

這一階段的核心特點(diǎn)是AI從輔助工具升級(jí)為“設(shè)計(jì)助手”，具體表現(xiàn)為：

規(guī)則驅(qū)動(dòng)設(shè)計(jì)：AI嚴(yán)格遵循物理規(guī)律（如阻抗匹配原理）和行業(yè)標(biāo)準(zhǔn)（如PCB布局規(guī)則），確保設(shè)計(jì)方案的可行性。

端到端流程覆蓋：從輸入設(shè)計(jì)目標(biāo)到輸出完整的電路圖、版圖，整個(gè)流程無(wú)需人工分步干預(yù)。

多目標(biāo)協(xié)同優(yōu)化：AI能夠同時(shí)優(yōu)化增益、帶寬、功耗等多個(gè)指標(biāo)，找到全局最優(yōu)解。

在數(shù)字電路領(lǐng)域，AI的自動(dòng)化設(shè)計(jì)已經(jīng)過(guò)多年的研究，如數(shù)字電路的自動(dòng)布局布線等，已成為大規(guī)模數(shù)字集成電路設(shè)計(jì)中的必備流程。近年來(lái)，AI在射頻電路方面的自動(dòng)化設(shè)計(jì)工具也開(kāi)始嶄露頭角。

RFIC-GPT是冉譜微電子（上海）有限公司研發(fā)的一款射頻芯片智能設(shè)計(jì)工具。它基于高級(jí)算法和數(shù)據(jù)分析技術(shù)，旨在幫助工程師更高效、更準(zhǔn)確地完成RFIC設(shè)計(jì)工作。RFIC-GPT利用AI技術(shù)，根據(jù)設(shè)計(jì)者提供的電學(xué)指標(biāo)，自動(dòng)生成滿足要求的射頻器件和電路的GDSII或原理圖。據(jù)介紹，RFIC-GPT生成的設(shè)計(jì)方案準(zhǔn)確度高達(dá)95%，在大多數(shù)情況下可以直接應(yīng)用于實(shí)際生產(chǎn)中，無(wú)需過(guò)多修改。目前，該工具已支持無(wú)源器件和電路（如電感、變壓器、匹配電路、寬頻多值匹配）以及有源電路（如功率放大器PA）的設(shè)計(jì)[9]。

圖：冉譜微RFIC-GPT自動(dòng)生成變壓器版圖的界面

RFI Pro是廣州十方尺科技有限公司推出的一款旨在提升射頻IC設(shè)計(jì)效率的自動(dòng)化工具。它通過(guò)AI技術(shù)實(shí)現(xiàn)了射頻版圖與原理圖的聯(lián)合優(yōu)化，顯著減輕了工程師在設(shè)計(jì)過(guò)程中的負(fù)擔(dān)，提高了設(shè)計(jì)的準(zhǔn)確性和效率。針對(duì)射頻IC設(shè)計(jì)中的版圖迭代耗時(shí)、電路與無(wú)源網(wǎng)絡(luò)優(yōu)化脫節(jié)、復(fù)雜無(wú)源結(jié)構(gòu)設(shè)計(jì)難度高以及射頻IP復(fù)用性差等痛點(diǎn)，RFI Pro實(shí)現(xiàn)了從有源電路到無(wú)源版圖的協(xié)同優(yōu)化。該工具具有AI驅(qū)動(dòng)的版圖與原理圖協(xié)同優(yōu)化、全面的版圖閱讀和修改能力以及與Virtuoso和EMX的無(wú)縫銜接等亮點(diǎn)，提高了設(shè)計(jì)效率，支持靈活多樣的優(yōu)化目標(biāo)，并讓用戶能夠輕松上手[10]。

圖：廣州十方尺科技RFI Pro展示的變壓器版圖自動(dòng)跳線功能

階段三：AI自主創(chuàng)新階段

近年來(lái)，AI技術(shù)迅猛發(fā)展，其強(qiáng)大的數(shù)據(jù)處理能力和學(xué)習(xí)算法在各個(gè)領(lǐng)域都展現(xiàn)出了巨大的潛力。在射頻設(shè)計(jì)領(lǐng)域，AI的應(yīng)用也不再局限于輔助人類(lèi)經(jīng)驗(yàn)，而是開(kāi)始引領(lǐng)新的設(shè)計(jì)潮流。

射頻行業(yè)雖然已歷經(jīng)百年發(fā)展，但由于射頻概念的抽象性和復(fù)雜性，人類(lèi)對(duì)射頻的掌握仍然有限。傳統(tǒng)的射頻設(shè)計(jì)往往依賴于工程師的經(jīng)驗(yàn)和直覺(jué)，這在一定程度上限制了設(shè)計(jì)的創(chuàng)新性和效率。然而，隨著AI技術(shù)的引入，我們有望突破人類(lèi)經(jīng)驗(yàn)的局限，探索更多未知的設(shè)計(jì)空間。

這一階段的目標(biāo)是讓AI完全主導(dǎo)設(shè)計(jì)過(guò)程，從零開(kāi)始生成創(chuàng)新性方案，突破人類(lèi)經(jīng)驗(yàn)的限制。例如，可以讓AI從一個(gè)抽象的設(shè)計(jì)目標(biāo)出發(fā)，直接生成電路方案，完成端到端的設(shè)計(jì)，而不對(duì)AI進(jìn)行預(yù)設(shè)規(guī)則的限制。

2024年，Karahan等人在《Nature》（自然）雜志上發(fā)表了一篇論文[1]，他們通過(guò)引入深度學(xué)習(xí)模型，成功構(gòu)建了一個(gè)強(qiáng)大的電磁仿真器。這個(gè)仿真器能夠準(zhǔn)確預(yù)測(cè)任意平面多端口電磁結(jié)構(gòu)的散射和輻射特性，極大地減少了傳統(tǒng)電磁仿真所需的時(shí)間和資源，使得設(shè)計(jì)過(guò)程更加高效。

傳統(tǒng)射頻電路設(shè)計(jì)受限于預(yù)定義的模板和拓?fù)浣Y(jié)構(gòu)，設(shè)計(jì)空間相對(duì)有限。而文獻(xiàn)中提出的逆設(shè)計(jì)方法能夠處理任意形狀和結(jié)構(gòu)，極大地?cái)U(kuò)展了設(shè)計(jì)空間。這使得設(shè)計(jì)師（尤其是AI設(shè)計(jì)師）能夠探索更多未知的設(shè)計(jì)方案，推動(dòng)射頻設(shè)計(jì)的創(chuàng)新和突破。

在這種方法下，AI已經(jīng)設(shè)計(jì)出了多個(gè)設(shè)計(jì)實(shí)例，包括多頻帶天線、帶通濾波器、功率分配器、正交混合器等。這些設(shè)計(jì)方案均展現(xiàn)出了優(yōu)越的性能指標(biāo)，如寬帶響應(yīng)、低插入損耗、高幅度平衡等。

圖：AI設(shè)計(jì)的天線圖案及測(cè)試結(jié)果對(duì)比

這些設(shè)計(jì)實(shí)例與傳統(tǒng)射頻電路在外觀上存在巨大差異，但它們的性能卻無(wú)一例外地優(yōu)越。這為未來(lái)AI自主創(chuàng)新設(shè)計(jì)的射頻電路提出了新的發(fā)展思路，也預(yù)示著射頻設(shè)計(jì)領(lǐng)域?qū)⒂瓉?lái)一場(chǎng)革命性的變革。

射頻工程師的未來(lái)塌了嗎？

在AI技術(shù)迅猛發(fā)展的今天，以ChatGPT/DeepSeek等為代表的通用AI工具的出現(xiàn)，無(wú)疑展現(xiàn)了其巨大的功能與潛力，短短兩年時(shí)間便引發(fā)了社會(huì)各界的廣泛關(guān)注與討論。而最近AI技術(shù)向射頻領(lǐng)域的滲透，也讓不少射頻從業(yè)者感到驚訝，甚至有人提出了“射頻工程師的未來(lái)塌了嗎？”的疑問(wèn)。

我認(rèn)為并不會(huì)，而且射頻工程師的未來(lái)反而因?yàn)锳I而變得更加值得期待。

AI浪潮不可逆：射頻工程變革已成定局

ChatGPT僅用兩年便驗(yàn)證了通用AI的工程化能力，而DeepSeek等專(zhuān)用工具的出現(xiàn)，使AI開(kāi)發(fā)成本下降90%以上，性能提升300%。這意味著AI滲透速度正在加速，也預(yù)示著AI技術(shù)即將全面滲透到千行百業(yè)，這僅僅是AI時(shí)代的序章，一切都剛剛開(kāi)始。

對(duì)于射頻工程師而言，這一趨勢(shì)同樣不容忽視。盡管射頻領(lǐng)域長(zhǎng)期以來(lái)強(qiáng)調(diào)工程師的豐富經(jīng)驗(yàn)與深厚積累，但AI的到來(lái)，無(wú)疑將像在其他行業(yè)一樣，為射頻工程帶來(lái)本質(zhì)性的變革。

AI可以幫助射頻工程師完成能力躍遷

面對(duì)這一變革，射頻工程師無(wú)需恐慌或擔(dān)憂被AI取代。相反，可以將AI視為強(qiáng)大的能力放大器。

AI不僅能夠助力工程師快速掌握電路知識(shí)，突破以往職業(yè)生涯中僅能精通兩三個(gè)電路模塊的局限，使掌握十種甚至更多電路模塊成為可能。更重要的是，AI能夠協(xié)助工程師全面掌握射頻系統(tǒng)，克服射頻技術(shù)因系統(tǒng)知識(shí)復(fù)雜而難以駕馭的難題，讓工程師們不再如盲人摸象般片面理解射頻系統(tǒng)，而是能夠全局把控。

在工作效率方面，AI的引入更是帶來(lái)了革命性的提升。原本需要數(shù)天乃至數(shù)月精心優(yōu)化的電路，在AI的輔助下可能僅需數(shù)小時(shí)便能完成，極大地提高了工作效率，讓工程師能夠?qū)⒏�多時(shí)間投入到更具創(chuàng)意與價(jià)值的工作中。

正如“加油射頻工程師”公眾號(hào)中的作者袁月Yue所言：“作為腦力勞動(dòng)者的我，還是要努力擁抱AI啊！它腦子這么好使，可以使勁問(wèn)問(wèn)題��！不滿意，還可以連續(xù)追問(wèn)；不信任它的答案，還可以讓它把來(lái)源說(shuō)清楚�！边@或許才是AI到來(lái)之時(shí)，射頻工程師應(yīng)有的態(tài)度。

與工程師競(jìng)爭(zhēng)的始終是人類(lèi)，而非AI

與射頻工程師競(jìng)爭(zhēng)的，始終是人類(lèi)自身，而非AI。

正如在棋類(lèi)領(lǐng)域所展現(xiàn)的，AI雖曾讓人類(lèi)高手一時(shí)難以適應(yīng)，但如今已成為人類(lèi)提升棋力的得力助手，不斷推動(dòng)人類(lèi)對(duì)弈的新高度。人類(lèi)不會(huì)去糾結(jié)人類(lèi)和AI誰(shuí)下棋更強(qiáng)，而是會(huì)利用AI工具，幫助人類(lèi)探索未知的棋類(lèi)世界。

中國(guó)國(guó)際特級(jí)大師，歷史上第十七位國(guó)際象棋世界冠軍在采訪中就表示：“AI的下棋質(zhì)量遠(yuǎn)超人類(lèi)，和AI對(duì)弈是自討苦吃”。但丁立人會(huì)經(jīng)常使用AI來(lái)幫助自己探索不同的棋局，不斷讓自己的棋力得到提升。

圖：國(guó)際象棋世界冠軍丁立人的采訪

在射頻技術(shù)領(lǐng)域，這一幕也將重演。隨著AI技術(shù)的發(fā)展，人類(lèi)可能在很多方面做的并不如AI。但人類(lèi)將借助AI工具，不斷拓寬研究的邊界，提升技術(shù)的水平。最終的對(duì)弈與競(jìng)爭(zhēng)，始終是人類(lèi)與人類(lèi)之間的智慧碰撞。

另外，雖然原本需要數(shù)天乃至數(shù)月精心優(yōu)化的電路，在AI的輔助下可能僅需數(shù)小時(shí)便能完成，但于AI是否會(huì)取代人類(lèi)工作，實(shí)則無(wú)需過(guò)多憂慮。當(dāng)前AI的操作仍需在人類(lèi)指導(dǎo)下進(jìn)行，即便是未來(lái)進(jìn)入自主創(chuàng)新階段，AI設(shè)計(jì)出的電路也需人類(lèi)進(jìn)行判定與驗(yàn)證，確保其實(shí)用性與正確性。

判斷與決策，始終是人類(lèi)的獨(dú)特優(yōu)勢(shì)，正如那句玩笑話所言，“AI取代不了人類(lèi)，因?yàn)橹挥腥瞬拍鼙冲?/strong>”，實(shí)則強(qiáng)調(diào)了人類(lèi)在決策與責(zé)任承擔(dān)上的不可替代性。