作者 |彭
來源 | 慧智微電子
2025年春節(jié)假期期間，來自杭州的AI創(chuàng)業(yè)公司DeepSeek以驚人的速度，再次掀起了全球對AI技術的熱潮。據(jù)報道，DeepSeek的性能可與ChatGPT相媲美，但其訓練和運行成本卻顯著降低。這些技術優(yōu)勢將有助于加速AI技術的廣泛應用和普及。
在人們?yōu)榈统杀�、高性能AI技術帶來的“AI自由”歡呼之際，也有聲音開始擔憂，AI是否會取代現(xiàn)有的人類工作崗位。
射頻領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)站刊登了一篇關于AI在射頻電路設計應用的文章：《基于深度學習的多端口射頻及亞太赫茲無源器件和集成電路的廣義逆設計》[1]。該文章展示了利用AI技術設計的射頻電路，一時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，普林斯頓大學的研究團隊利用AI技術設計了多種射頻微波電路結構。這些電路結構在人類看來相當抽象，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計的電路不相上下。
圖：人類理解的射頻電路和AI設計的射頻電路對比
此研究團隊還運用這一設計方法，成功實現(xiàn)了基于SiGe工藝的毫米波頻段放大器。要知道，在20年前，關于硅基毫米波放大器的研究足以在集成電路頂級會議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現(xiàn)。
圖：文章中利用AI技術設計實現(xiàn)的毫米波放大器
隨著AI技術的迅猛發(fā)展，及其在射頻領域的初露鋒芒，也讓射頻從業(yè)者不禁開始思考：射頻工程師會被AI替代嗎？
本文將從AI技術的特點和射頻電路的特點出發(fā)，初探AI技術在射頻領域的應用潛力，并拋磚引玉，探討未來AI與射頻技術可能的發(fā)展關系。
AI的一些基礎概念
盡管AI技術如潮水般涌來，似乎要席卷各行各業(yè)，但作為一項技術，它同樣具有自身的特性和局限。要深入探討AI能為射頻技術帶來何種變革，首先我們需要對AI的技術特點有所了解。
AI領域涉及眾多術語，如人工智能、機器學習、神經(jīng)網(wǎng)絡、深度學習等，這些名詞聽起來既抽象又科幻，讓人難以捉摸。接下來，讓我們試著揭開這些名詞的神秘面紗，探尋它們的本質(zhì)。
人工智能
在AI相關的所有名詞中，人工智能無疑是最具代表性的。
AI，即ArtificialIntelligence的縮寫，這一術語有時顯得過于抽象和魔幻，甚至帶有一些營銷的色彩，沒有一個明確的定義，因此人們經(jīng)常陷入關于什么是人工智能、什么不是人工智能的討論中。
盡管人工智能沒有一個清晰的定義，但這個名詞的出現(xiàn)的時間點卻有共識。大家普遍認為1956年的達特茅斯研討會標志著人工智能的誕生。這次會議明確提出了人工智能的概念，并將其作為獨立的學科方向進行研究。
圖：1956年達特茅斯會議中的青年參會者
然而，當時對人工智能的想象遠不如現(xiàn)在如此豐富。在20世紀50年代，將數(shù)學公式轉化為計算機執(zhí)行的指令就已經(jīng)被視為人工智能了。但現(xiàn)在看來，這不過是簡單的編譯器功能而已。
2018年圖靈獎獲得者、深度學習創(chuàng)始人楊立昆（Yann LeCun）在其專著中曾指出：“人工智能有個特點，就是一旦一個技術實現(xiàn)了，它立刻就會被認為不屬于智能�！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，永遠無法實現(xiàn)。這種現(xiàn)象也被稱為“AI效應”。
圖：YannLeCun教授和其專著（中文譯為：《科學之路人、機器與未來》）
此外值得一提的是，雖然現(xiàn)在人工智能被視為技術發(fā)展中當之無愧的正確路徑，但在當時的技術環(huán)境下，它并不是行業(yè)統(tǒng)一的技術共識。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論和討論。
有人認為，這不過是讓計算機處理更復雜的信息而已，那么我們?yōu)槭裁床环Q之為“復雜信息處理”呢？這樣既能更準確地描述這項技術，又能避免使用過于科幻的名詞。這一觀點在當時也得到了很多專家的支持。直到1961年，IEEE才正式將“人工智能”這一名詞確定下來。
從技術角度來看，無論是稱為“人工智能”還是“復雜信息處理”，或者其他什么名詞，都不會對這項技術本身產(chǎn)生任何影響。但“人工智能”這一術語確實表達了人類對于計算機所能實現(xiàn)的智能疆界的不斷追求，反映了人類對于智能邊界的不斷探索。雖然這個名詞抽象、不易定義，但它卻成為了過去60多年來人類計算機信息技術發(fā)展的強大動力。
在2006年達特茅斯會議50周年紀念會上，當時開創(chuàng)人工智能概念的先驅們提到：如果當時用“計算智能”或者其他名稱，這50年來的研究會不會有所不同？我個人認為，肯定會有所不同。因為名詞的選擇不僅影響著我們對技術的認知和理解，更在一定程度上引導著技術的發(fā)展方向和研究重點。甚至，這個名詞還代表著人類對于創(chuàng)造智能不斷探索的夢想。
圖：2006年，達特茅斯會議50周年紀念會
如何建立復雜邏輯
無論學者們選擇用“人工智能”、“復雜信息處理”還是“計算智能”來稱呼這項技術，其本質(zhì)都是期望計算機能夠處理越來越復雜的信息和邏輯。
在教授計算機處理復雜信息和邏輯的技術實現(xiàn)中，主要有三個流派，分別是：符號主義、連接主義和行為主義。
圖：建立復雜邏輯的三個學派
符號主義
符號主義（Symbolism）是人工智能發(fā)展的早期階段，也是該領域中最早且最重要的學派之一。它起源于20世紀50年代，其理論基礎源自數(shù)理邏輯和符號處理。
符號主義學派強調(diào)知識的表示和推理機制的設計，通過高層次的符號表示，如邏輯公式、規(guī)則等，來描繪問題和求解過程。這種基于符號和規(guī)則的方法為人工智能研究提供了重要的思路，奠定了該領域的研究基礎。
圖：符號主義的運行方式
符號主義學派的核心在于其明確的規(guī)則和可解釋性。每一個推理步驟都基于預先設定的邏輯規(guī)則，計算過程是透明的。該學派的主要特點是將知識表示為符號，通過邏輯推理和規(guī)則操作來實現(xiàn)智能行為。
然而，符號主義也面臨一些局限性。首先，它依賴于嚴格定義的規(guī)則和邏輯推理，這需要對知識進行精確編碼。但現(xiàn)實世界中的知識和信息往往是模糊、不精確和動態(tài)的，這使得符號主義在處理不確定性和模糊性問題時表現(xiàn)不佳。
其次，由于符號主義人工智能系統(tǒng)需要預先定義的規(guī)則和知識，其可擴展性受到限制。在面對大規(guī)�；虺掷m(xù)變化的數(shù)據(jù)時，由于無法預知新的規(guī)則和知識，系統(tǒng)很難適應和擴展。
此外，符號主義也難以有效地表示和利用常識知識。常識知識通常具有高度的復雜性和不確定性，難以用符號和規(guī)則來精確描述。例如，在自動駕駛中，“保持安全距離”是一個基本的駕駛原則，但“安全距離”具體是多少米，卻取決于車速、天氣、路況等多種因素，很難用規(guī)則來事先定義清楚。
當然，對于復雜的邏輯問題，可以嘗試用更復雜的公式來表征。但隨著命題邏輯公式的復雜性增加，判斷其真假的計算量將呈指數(shù)級增長。這意味著使用符號主義的邏輯推理和規(guī)則操作來解決某些復雜問題時，可能會變得非常耗時和困難。
對于符號主義來說，建立人工智能就像構建一套專家系統(tǒng)。這位“專家”期望了解世間萬物背后的原理，并用精巧的公式來描述世界的運行。這種認知方式在拓展人類理解那些規(guī)律明顯、清晰且被準確定義的問題時非常有效，但在解決日常、復雜的問題時卻顯得束手無策。
這也像人類對世界的認識一樣。早在500年前的伽利略時代，人類就理解了天體運動的規(guī)律，并總結成了精確的公式。但直到現(xiàn)在，人類也無法用定義的方式來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），也稱為神經(jīng)網(wǎng)絡學派或仿生學派，是人工智能領域的一個重要流派。其核心思想是通過模擬人腦神經(jīng)網(wǎng)絡的結構和功能來實現(xiàn)人工智能。
連接主義的起源可以追溯到20世紀初期對大腦工作原理的研究。到了20世紀80年代，隨著對大腦認知的深入以及計算技術的飛速發(fā)展，連接主義逐漸在人工智能領域中嶄露頭角，成為一個顯著的流派。
連接主義的代表性成果是1943年由生理學家麥卡洛克（McCulloch）和數(shù)理邏輯學家皮茨（Pitts）創(chuàng)立的MP模型。然而，這種超前的概念在當時的技術和理論背景下，并沒有得到學術界和業(yè)界的廣泛接受。此外，在連接主義興起的初期，計算機硬件和算法技術都相對落后，使得連接主義模型在實際操作中面臨著巨大的挑戰(zhàn)。
圖：神經(jīng)網(wǎng)絡MP模型創(chuàng)始人：麥克洛克與皮茨（1949年）
與符號主義相比，連接主義具有更強的數(shù)據(jù)處理能力和自適應能力。符號主義強調(diào)通過符號和邏輯推理來實現(xiàn)智能，而連接主義則將信息處理過程理解為不同信息元之間的連接和交互。因此，連接主義更擅長處理復雜、非線性問題和模式識別任務。
為了更直觀地理解連接主義，我們可以以識別手寫0-9數(shù)字的過程為例。
在識別手寫的0-9數(shù)字時，我們并沒有一個固定的公式來告訴我們哪個數(shù)字是什么。相反，我們會根據(jù)數(shù)字的某些特征，如閉合的圓圈數(shù)量、直線的數(shù)量、拐點的位置等，來判斷這些數(shù)字最可能是哪個。這些特征可以理解為不同的“神經(jīng)元”，它們與不同的數(shù)字結果相對應。
例如，如果看到一個閉合的圓圈，我們可能會認為這個數(shù)字是0、6或9；如果看到一段直線，我們可能會認為這個數(shù)字是1或7。通過這些“神經(jīng)元”對手寫數(shù)字的感知和判斷，我們可以最大概率地確定這個數(shù)字是什么。
在這個過程中，我們并沒有預先設定好的公式或規(guī)則，而是通過多個信息元的判斷和它們與結果的連接來得出結果。這正是連接主義的基礎思想。
基于這一思路，一些早期的科學家設計制造了連接主義的人工智能計算機。其中最具代表性的就是羅森布拉特發(fā)明的，可以識別手寫數(shù)字的感知機[11]。這項技術在當時看來頗具科幻感，它是通過采用大量連接線相連的網(wǎng)絡實現(xiàn)的。
圖：羅森布拉特發(fā)明的感知機Mark-I
圖：早期用于數(shù)字識別訓練的手寫數(shù)字，以及字符“1”的識別
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流派之一，但在當時，這一理論還是太過超前了。
當時，符號主義在人工智能領域占據(jù)主導地位。符號主義基于邏輯推理方法，強調(diào)用計算機的符號操作來模擬人的認知過程。這種方法在當時的技術背景下具有更強的可操作性，因此得到了學術界和業(yè)界的廣泛認可。相比之下，連接主義由于理論超前和技術條件限制，難以與符號主義競爭。
然而，近年來隨著深度學習、大數(shù)據(jù)以及計算資源的豐富和發(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）是人工智能領域的三大主要流派之一，它強調(diào)智能體（如機器人、軟件系統(tǒng)等）與環(huán)境的交互作用，認為智能的本質(zhì)在于能夠根據(jù)環(huán)境的反饋來靈活調(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)絡計算，更重要的是通過與環(huán)境的持續(xù)互動和適應來展現(xiàn)智能。
在人工智能領域，行為主義有著廣泛的應用前景，特別是在那些需要智能體自主適應環(huán)境、進行決策和行動的場合，如機器人技術、自動駕駛等領域。
相較于連接主義，行為主義在智能實現(xiàn)上有著不同的側重點。連接主義通過模擬神經(jīng)元之間的連接機制來實現(xiàn)智能，而行為主義則更側重于智能體與環(huán)境之間的動態(tài)交互作用。然而，近年來隨著深度學習和強化學習技術的迅猛發(fā)展，聯(lián)結主義和行為主義之間的界限逐漸變得模糊，兩者開始相互融合，共同推動人工智能技術的進步。
神經(jīng)網(wǎng)絡
在人工智能技術領域，近期最為頻繁提及的名詞之一便是“神經(jīng)網(wǎng)絡”�！叭斯ぶ悄堋边@一概念已頗具抽象性，而“神經(jīng)網(wǎng)絡”則更添了幾分科幻色彩。
相較于“人工智能”這一由科學家們?yōu)樵缙趶碗s信息處理技術所賦予的新名稱，“神經(jīng)網(wǎng)絡”確實是由神經(jīng)學和邏輯學兩個交叉學科的杰出科學家共同發(fā)展起來的一門技術。
沃倫麥卡洛克是一位神經(jīng)生理學家，他曾在耶魯大學學習哲學和心理學，后來獲得醫(yī)學博士學位，并在精神病學領域進行了深入研究。而沃爾特皮茨則是一位年輕的數(shù)理邏輯學家，對數(shù)學和哲學懷有濃厚興趣。他早年生活頗為艱辛，甚至有過流浪的經(jīng)歷，但最終憑借自己的才華贏得了芝加哥大學等學術界的廣泛認可。
20世紀40年代，神經(jīng)生理學家沃倫麥卡洛克與數(shù)理邏輯學家沃爾特皮茨在芝加哥大學附近相遇，并因對神經(jīng)科學與邏輯學的共同興趣而攜手合作。1943年，他們在《數(shù)學生物物理期刊》上發(fā)表了一篇開創(chuàng)性的論文，題為《神經(jīng)活動中內(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)學模型，即MP模型（McCulloch-Pitts Model）。該模型基于生物神經(jīng)元的結構和功能，通過數(shù)學方法抽象和簡化了神經(jīng)元的處理過程，具有以下特點：
每個神經(jīng)元被視為一個多輸入單輸出的信息處理單元。
輸入信號通過加權求和，并與設定的閾值進行比較，以決定是否產(chǎn)生輸出。
輸出為二進制形式（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)元細胞感知信號示意圖
圖：麥卡洛克與皮茨在1943年發(fā)表的神經(jīng)網(wǎng)絡MP模型論文
麥卡洛克和皮茨的初衷并非建立復雜的計算機網(wǎng)絡，而是鑒于當時神經(jīng)科學和計算機科學均處于起步階段，他們嘗試用數(shù)學模型來理解和模擬大腦的工作方式，并希望通過這一數(shù)學模型揭示神經(jīng)元處理信息的邏輯基礎。
盡管MP模型相對簡化，但它的提出為人工神經(jīng)網(wǎng)絡的研究奠定了堅實基礎。該模型展示了如何通過簡單的數(shù)學規(guī)則來模擬神經(jīng)元的邏輯運算，也激發(fā)了后來研究者們對神經(jīng)網(wǎng)絡復雜性和潛力的進一步探索。
MP模型的提出激發(fā)了人們對神經(jīng)網(wǎng)絡的興趣，但隨后的研究也面臨了諸多挑戰(zhàn)。例如，單層感知器無法解決非線性可分問題，多層網(wǎng)絡的訓練算法也尚未成熟。然而，這些挑戰(zhàn)并未阻擋研究者們的前進腳步。隨著計算能力的提升和算法的優(yōu)化，神經(jīng)網(wǎng)絡技術在20世紀80年代迎來了復興，并在21世紀取得了巨大成功。
目前的神經(jīng)網(wǎng)絡通常由以下幾個基本部分構成：
神經(jīng)元（Node/Neuron）：
神經(jīng)元是神經(jīng)網(wǎng)絡的基本單元，負責接收輸入信號，進行加權求和，并應用激活函數(shù)產(chǎn)生輸出。
層（Layer）：
層由多個神經(jīng)元組成，神經(jīng)網(wǎng)絡通常包含輸入層、隱藏層和輸出層。輸入層負責接收輸入數(shù)據(jù)，隱藏層位于輸入層和輸出層之間，負責數(shù)據(jù)的加工和轉換，輸出層則輸出最終的計算結果。
權重（Weight）和偏置（Bias）：
權重和偏置是連接不同神經(jīng)元的參數(shù)。權重代表一個神經(jīng)元輸出對另一個神經(jīng)元輸出的影響力，而偏置是加到加權和上的一個常數(shù)，可以看作是每個神經(jīng)元的一個額外輸入。
激活函數(shù)（Activation Function）：
激活函數(shù)決定神經(jīng)元是否應該被激活（即輸出信號），并引入非線性，使神經(jīng)網(wǎng)絡能夠擬合復雜的非線性關系。
圖：人工神經(jīng)網(wǎng)絡的基本架構
圖：人工神經(jīng)網(wǎng)絡中參數(shù)示意
這些名詞初看起來可能有些復雜，但拆解開來并不難理解。每個神經(jīng)元的連接計算其實都較為簡單：
神經(jīng)元：
相當于被計算感知的信息元素，例如圖像處理中的一個像素。
層：
將信息分層處理，便于理解。
最重要的三種層是：輸入層（負責信息的輸入）、輸出層（負責結果的輸出），以及隱藏層（其他層是計算機自己的運算過程，我們不需要關心，因此歸為隱藏層）。
權重和偏置：
神經(jīng)元獲取到的信息需要經(jīng)過處理�，F(xiàn)在的神經(jīng)元不再像最早的MP模型那樣只有0/1的簡單輸出，而是要對輸入的信息進行運算。
例如，如果對輸入的信息x進行線性運算，則輸出可以表示為y=w*x+b。其中，w是信息處理的權重（表示信息的重要程度），b是偏置（對輸出結果進行修正）。
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)來表示y與x之間的線性關系，也可以使用如y=x^3這樣的非線性函數(shù)來擬合y與x之間的復雜關系。
通過以上步驟，一個神經(jīng)網(wǎng)絡就建立起來了。接下來，通過訓練和優(yōu)化，神經(jīng)網(wǎng)絡可以確定模型和參數(shù)。一旦神經(jīng)網(wǎng)絡有了準確的模型和參數(shù)，它就具備了處理復雜信息的能力。
機器學習
機器學習（Machine Learning，ML）技術是現(xiàn)代人工智能中的一項重要技術。它指的是一種通過算法和統(tǒng)計模型，使計算機系統(tǒng)能夠自動地從數(shù)據(jù)中學習和改進的技術。這種技術不需要進行明確的編程，而是依賴于數(shù)據(jù)來訓練模型，從而使其能夠完成特定的任務。
機器學習之所以重要，是因為在信息化時代，數(shù)據(jù)量呈爆炸式增長。依靠傳統(tǒng)的符號主義方法，如邏輯推理、理論抽取等，已經(jīng)無法滿足信息處理的需求。人們需要計算機能夠自主學習和判斷，以處理越來越復雜的信息。
機器學習能夠高效地處理和分析海量數(shù)據(jù)，適應復雜多變的環(huán)境，提高決策效率和準確性，因此在當今信息時代有著強烈的需求。
機器學習技術的基本原理是利用大量數(shù)據(jù)訓練模型，通過模型對未知數(shù)據(jù)進行預測和分類。具體來說，機器學習算法會從數(shù)據(jù)中提取特征，學習輸入與輸出之間的映射關系，然后利用這種關系對新樣本進行預測。
根據(jù)學習方式的不同，機器學習技術可以劃分為以下幾種主要類型：
監(jiān)督學習：
監(jiān)督學習是指訓練數(shù)據(jù)中有標簽，計算機需要學習如何根據(jù)特征來預測標簽。例如，通過給計算機展示大量的貓和狗的圖片，并標注每張圖片是貓還是狗，計算機就可以通過學習圖片中的特征來識別未知的貓或狗的圖片。
無監(jiān)督學習：
無監(jiān)督學習是指訓練數(shù)據(jù)中沒有標簽，計算機需要自己發(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，計算機可以通過無監(jiān)督學習來自動發(fā)現(xiàn)文章中的主題和關鍵詞。
半監(jiān)督學習：
半監(jiān)督學習是指訓練數(shù)據(jù)中只有部分標簽，計算機需要利用已有的標簽來預測未知數(shù)據(jù)的標簽。例如，在一組商品評論中，只有一部分評論被標注為正面或負面，計算機可以利用這些已知的標簽來預測未知評論的情感傾向。
強化學習：
強化學習是一種通過與環(huán)境的交互來學習的方式。計算機通過設定和獲取獎勵，不斷嘗試不同的動作，并根據(jù)環(huán)境的反饋（獎勵或懲罰）來調(diào)整自己的策略，以最大化累積獎勵。
圖：機器學習的三種學習方式分類
雖然機器學習可以基于多種技術展開，但神經(jīng)網(wǎng)絡無疑為機器學習提供了一條極為重要的實現(xiàn)途徑。
在早期，機器學習算法主要依賴于手工設計的特征，這不僅耗時費力，而且難以適應復雜的數(shù)據(jù)分布。神經(jīng)網(wǎng)絡的出現(xiàn)，使得計算機可以從數(shù)據(jù)中自動學習和提取特征，極大地簡化了模型的設計過程。
如今，機器學習技術和神經(jīng)網(wǎng)絡技術已經(jīng)密不可分。神經(jīng)網(wǎng)絡是機器學習中的一種重要技術，它推動了機器學習的發(fā)展，并在多個領域取得了顯著成就。同時，機器學習也為神經(jīng)網(wǎng)絡提供了理論支持和技術手段，使得神經(jīng)網(wǎng)絡的結構和訓練方法得到了極大的豐富和優(yōu)化。兩者相互增強，共同推動著人工智能技術的發(fā)展和進步。
深度學習
最近，人工智能領域中的另一個熱門詞匯是“深度學習”（Deep Learning）。以“Deep”開頭的人工智能產(chǎn)品也屢見不鮮，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，究竟為什么要進行“深度”學習呢？什么樣的學習才算是有“深度”的呢？
深度學習的概念可以追溯到2006年。當時，加拿大多倫多大學的杰弗里辛頓（Geoffrey Hinton）教授及其同事在《科學》雜志上發(fā)表了一篇關于深度信念網(wǎng)絡（Deep Belief Networks）的研究論文[2]。這篇論文的發(fā)表標志著深度學習概念的正式提出，并使得深度學習開始受到學術界的廣泛關注。
辛頓教授所提出的“深度信念網(wǎng)絡”其實是一種多層次的神經(jīng)網(wǎng)絡。然而，在當時，神經(jīng)網(wǎng)絡并未被學術界廣泛接受，甚至受到符號主義學派的打壓，導致關于神經(jīng)網(wǎng)絡的論文經(jīng)常難以發(fā)表。于是，辛頓教授將其對多層次神經(jīng)網(wǎng)絡的研究更名為“深度信念網(wǎng)絡”。沒想到，這一略顯被動的更名，卻開創(chuàng)了人工智能領域一個重要的研究方向。
圖：深度學習中所用到的多層神經(jīng)網(wǎng)絡
在深度學習研究之前，雖然科學家已經(jīng)實現(xiàn)了神經(jīng)網(wǎng)絡，但由于計算能力的限制和理論上的瓶頸，神經(jīng)網(wǎng)絡一直無法實現(xiàn)較多的層次，只能處理輸出和輸入之間較為簡單的邏輯關系，這極大地限制了神經(jīng)網(wǎng)絡的效果。
多層神經(jīng)網(wǎng)絡通過增加隱藏層的數(shù)量，能夠學習到更復雜、更抽象的特征表示。這種層級的特征學習使得網(wǎng)絡能夠處理更復雜的數(shù)據(jù)和任務，如圖像識別、語音識別、自然語言處理等。
然而，早期神經(jīng)網(wǎng)絡的研究受到計算機性能限制、算法和技術局限性、數(shù)據(jù)集和數(shù)據(jù)限制、模型復雜度和表達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)絡一直難以實現(xiàn)。這也一度讓神經(jīng)網(wǎng)絡的研究陷入了低谷，人們甚至開始懷疑神經(jīng)網(wǎng)絡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)絡是不可實現(xiàn)的。
2006年，辛頓等人的工作為深度學習注入了新的活力。他們提出的深度信念網(wǎng)絡通過無監(jiān)督學習逐層初始化網(wǎng)絡參數(shù)，然后使用有監(jiān)督學習進行微調(diào)，有效地緩解了深層網(wǎng)絡訓練中的梯度消失問題。這一成果為深度學習的發(fā)展奠定了堅實的基礎。
p>
此后，深度學習在理論、算法和應用等方面都取得了顯著的進展。各種新的模型和架構不斷涌現(xiàn)，如卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）、生成對抗網(wǎng)絡（GAN）等。這些模型在圖像識別、語音識別、自然語言處理等領域取得了突破性的成果。
如今，深度學習已經(jīng)成為人工智能領域的重要分支，廣泛應用于計算機視覺、自然語言處理、智能推薦、自動駕駛、醫(yī)療診斷等多個領域，為人類社會帶來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“為推動利用人工神經(jīng)網(wǎng)絡進行機器學習做出的基礎性發(fā)現(xiàn)和發(fā)明”，2024年10月8日，瑞典皇家科學院將2024年諾貝爾獎頒發(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獎
ChatGPT/DeepSeek/Kimi等的涌現(xiàn)
近年來，人工智能領域的發(fā)展速度迅猛，影響范圍廣泛，堪稱科技史上的奇跡。其中，ChatGPT、DeepSeek、Kimi等人工智能軟件的涌現(xiàn)，更是將這一領域推向了新的高度，讓人類深刻領略到了人工智能的魅力與潛力。
這些軟件充分運用了神經(jīng)網(wǎng)絡技術，通過構建復雜而精細的多層神經(jīng)網(wǎng)絡，實現(xiàn)了深度學習。它們依托海量的數(shù)據(jù)和強大的算力，進行了多次的訓練和優(yōu)化，使得計算機在理解和生成自然語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)能夠預測并模擬人類的言語交流，宛如被賦予了真正的智能，能夠與人類展開自然、流暢的對話。
更為令人矚目的是，與傳統(tǒng)的符號主義人工智能相比，這些基于神經(jīng)網(wǎng)絡的人工智能軟件其運行邏輯并非顯式可見。在神經(jīng)網(wǎng)絡的運行過程中，我們只能觀察到輸入與輸出的結果，而中間層均為隱藏層，我們無法直接窺探其內(nèi)部的運作機制。這種“黑盒”特性，使得人工智能技術顯得更加神秘且充滿未知，也激發(fā)了人們對它更深入探索的興趣。
射頻電路的特點是什么
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。
圖：射頻電路在系統(tǒng)中的位置
射頻信號位于電磁波頻譜的3kHz至300GHz頻率范圍內(nèi)，這段頻率的電磁波波長適中，便于通過天線進行發(fā)射和接收，且具備較高的數(shù)據(jù)傳輸速率和較遠的傳輸距離，因此非常適用于通信領域。如今，手機通信、無線網(wǎng)絡、衛(wèi)星廣播等無線連接方式，都是基于射頻技術實現(xiàn)的。射頻技術已成為我們生活中不可或缺的一部分。
圖：射頻的頻率范圍
要實現(xiàn)射頻連接，需要將數(shù)字和模擬信號轉換為射頻信號，并對這些信號進行頻率轉換、放大、濾波、切換等處理。完成這些信號處理的電路就是射頻電路。
射頻電路主要包括信號源、上下變頻器、功率放大器、濾波器、開關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
具體來說，
信號源負責產(chǎn)生所需的射頻信號；
上下變頻器用于實現(xiàn)信號頻率的轉換，以適應不同的通信頻段和處理需求；
功率放大器將信號放大至足夠的功率水平，以便進行發(fā)射；
濾波器對信號進行頻率選擇性處理，濾除無用信號和噪聲；
開關用于在不同信號路徑或功能之間進行切換；
低噪聲放大器則負責放大微弱的接收信號，同時盡量減少噪聲的引入，提高信號的信噪比。
這些模塊相互協(xié)作，確保射頻信號能夠在復雜的電磁環(huán)境中高效、準確地傳輸和處理。
射頻電路的特點
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. 處理的是不可見的射頻信號
射頻電路所處理的是射頻信號，這些信號以光速傳播，肉眼無法直接觀測，也無法通過簡單的電壓、電流方式直接表征。
由于射頻信號的不可見性，射頻電路的設計和調(diào)試必須依賴于深入的理論分析、縝密的邏輯推理以及專業(yè)的指標測試，這大大增加了設計的難度和復雜性。
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�？梢院雎噪姶艌龅挠绊�，主要通過電壓、電流等電路參數(shù)進行分析和設計。然而，在射頻電路中，由于工作頻率極高，電磁場的作用變得至關重要，傳統(tǒng)的電路電壓分析方法不再有效。
高頻工作條件下，會帶來一系列非理想特性，如趨膚效應、輻射干擾、阻抗匹配問題等。這些高頻特性給設計帶來了諸多挑戰(zhàn)，每個問題都需要仔細斟酌和解決。同時，高頻信號的處理也要求射頻電路具有更高的精度和穩(wěn)定性，以確保信號的準確傳輸和處理。
3. 射頻電路設計復雜，涉及多學科知識
射頻信號在處理過程中環(huán)境復雜，因此射頻電路的設計需要掌握多學科的知識，包括電磁學、電路理論，甚至材料科學等。這使得射頻電路的設計過程相當復雜，要求工程師具備深厚的專業(yè)知識和實踐經(jīng)驗。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，這都進一步增加了設計的難度和復雜性。
有經(jīng)驗的工程師需要在各個指標之間進行權衡和折中，才能找到最佳的設計方案。著名的射頻專家Razavi教授提出的射頻電路設計“六邊形”理論，就形象地展示了這種折中考慮的重要性[13]。
4.射頻電路對參數(shù)極為敏感
由于射頻信號在空中自由傳輸，對每個射頻終端所發(fā)射信號的精準控制就顯得尤為重要。同時，射頻信號在傳輸過程中容易受到干擾、損耗等影響。因此，射頻電路的性能對各個參數(shù)的精度極為敏感。
微小的設計缺陷或參數(shù)變化都可能導致電路性能的顯著下降。因此，射頻工程師在設計過程中必須非常謹慎，對每一個細節(jié)都要進行仔細的考慮和優(yōu)化，以確保電路的性能達到最佳狀態(tài)。
圖：Razavi教授的射頻電路六邊形設計理論圖
為什么常說：“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)成為了一個非常依賴經(jīng)驗的行業(yè)，這也正是“射頻工程師，越老越吃香”這一說法的由來。
這一觀點主要基于以下幾個方面的原因：
首先，射頻電路設計高度依賴實踐經(jīng)驗。隨著工作年限的積累，射頻工程師會不斷累積實際設計案例和經(jīng)驗，這些寶貴的經(jīng)驗是書本上無法獲取的。當面對復雜的設計問題時，老工程師能夠憑借豐富的實踐經(jīng)驗迅速定位問題所在，并提出行之有效的解決方案。這種經(jīng)驗的積累，是射頻工程師越老越吃香的重要基石。
其次，射頻電路設計需要工程師具備敏銳的直覺和準確的判斷力。在設計的初期階段，很多問題可能無法通過理論計算或仿真來準確預測，這時就需要工程師依靠自己的經(jīng)驗和直覺來做出判斷。這種直覺和判斷力是長期實踐和經(jīng)驗積累的結果，也是老工程師在設計中獨具的優(yōu)勢。
再者，盡管射頻技術在不斷更新和發(fā)展，但其基礎理論和設計方法并未發(fā)生根本性變化。老工程師通常具備扎實的基礎理論知識和豐富的實踐經(jīng)驗，這使得老工程師在學習新技術時能夠更快地理解和掌握，并將其靈活應用到實際設計中。因此，即使面對新技術的挑戰(zhàn)，老工程師也能夠保持強大的競爭力。
正是由于以上原因，業(yè)界普遍認為射頻行業(yè)門檻較高，難以一蹴而就。而工程師們一旦跨越了射頻這個門檻，就可以通過長期積累和實踐，步步高升。在電子類專業(yè)中，射頻工程師宛如“鐵飯碗”般的存在。因此，當AI浪潮席卷而來時，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烈。
AI在射頻設計中的應用
無論我們是積極擁抱還是有所抵觸，AI都已經(jīng)毫無疑問地給我們的生活帶來了重大的變革。在射頻設計領域，AI也在悄然滲透，并展現(xiàn)出了一系列應用潛力。
回顧過去，AI在射頻電路設計中的應用主要可以劃分為以下三個階段：
階段一：AI輔助優(yōu)化階段
階段二：AI自動化設計階段
階段三：AI自主創(chuàng)新階段
這三個階段展示了AI在射頻設計領域逐步深入和拓展的應用過程，預示著AI將在未來射頻技術發(fā)展中發(fā)揮更加重要的作用。
三個階段的核心差異如下：
階段一：AI輔助優(yōu)化階段
在這個階段，AI作為輔助工具，對人類設計的初始方案進行局部參數(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，是指通過調(diào)整電路中的關鍵參數(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、傳輸線長度等物理設計因素，來改善電路性能的過程。其主要目的包括提高信號質(zhì)量、減少信號失真、增強電路穩(wěn)定性以及提高能量傳輸效率等。
以射頻電路設計中的阻抗匹配參數(shù)優(yōu)化為例，這是一個耗時且依賴經(jīng)驗的過程。傳統(tǒng)方法需要工程師不斷調(diào)整短截線的長度和位置，并反復測量調(diào)整后的駐波比（SWR），效率較低。而在1993年的文獻[4]中，提出了一種基于神經(jīng)網(wǎng)絡的自動調(diào)諧方法。該方法通過神經(jīng)網(wǎng)絡實時分析SWR的變化，自動調(diào)整短截線參數(shù)，實現(xiàn)了阻抗匹配的快速優(yōu)化。實驗結果表明，神經(jīng)網(wǎng)絡設計的雙短截線網(wǎng)絡與傳統(tǒng)方法的結果一致，且調(diào)諧過程無需人工干預。這一工作充分展示了AI在射頻參數(shù)優(yōu)化中的潛力，能夠顯著減少設計時間，為復雜電路的快速優(yōu)化提供了新思路。
此后，陸續(xù)有文獻對射頻參數(shù)優(yōu)化展開深入研究，并將其應用在天線參數(shù)設計、功放設計等領域。近年來，AI在功率大器（PA）設計方面的參數(shù)優(yōu)化也成為研究熱點之一[6]。對此感興趣的讀者可以搜索相關文獻[7]進行深入了解。
圖：文獻[6]中DohertyPA架構及所優(yōu)化參數(shù)
此外，AI還可以用來輔助射頻電路中耗時的仿真過程進行加速。例如，在文獻[5]中，Horng等人提出了一種基于神經(jīng)網(wǎng)絡的微帶電路設計方法。該方法通過神經(jīng)網(wǎng)絡學習全波仿真生成的輸入-輸出數(shù)據(jù)，實現(xiàn)了對微帶電路性能的快速預測。利用神經(jīng)網(wǎng)絡的強大映射能力，該方法顯著減少了仿真時間，提高了設計效率。
雖然在這一階段，AI已經(jīng)能夠明顯提升射頻電路的設計效率，但設計的主導權仍然掌握在工程師手中。AI只是在人類定義的范圍內(nèi)，做一些提升效率、減少仿真時間的工作，扮演的是輔助角色。因此，人們并沒有將其視為跨時代的變化。
階段二：AI自動化設計階段
隨著射頻技術的飛速發(fā)展，射頻電路設計的復雜度也隨之大幅提升。傳統(tǒng)的人工設計方法逐漸暴露出兩大瓶頸：
一是設計參數(shù)的爆炸式增長；
二是規(guī)則約束的復雜性，設計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)，但設計框架仍由人類工程師主導，需要大量人工介入。為了減少人工的長時間參與，并充分考慮設計中的多種規(guī)則和約束，AI自動化設計階段應運而生[8]。這一階段的目標是讓AI基于規(guī)則和約束，自動生成完整的設計方案，實現(xiàn)“設計半自動化”。
這一階段的核心特點是AI從輔助工具升級為“設計助手”，具體表現(xiàn)為：
規(guī)則驅動設計：AI嚴格遵循物理規(guī)律（如阻抗匹配原理）和行業(yè)標準（如PCB布局規(guī)則），確保設計方案的可行性。
端到端流程覆蓋：從輸入設計目標到輸出完整的電路圖、版圖，整個流程無需人工分步干預。
多目標協(xié)同優(yōu)化：AI能夠同時優(yōu)化增益、帶寬、功耗等多個指標，找到全局最優(yōu)解。
在數(shù)字電路領域，AI的自動化設計已經(jīng)過多年的研究，如數(shù)字電路的自動布局布線等，已成為大規(guī)模數(shù)字集成電路設計中的必備流程。近年來，AI在射頻電路方面的自動化設計工具也開始嶄露頭角。
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計工具。它基于高級算法和數(shù)據(jù)分析技術，旨在幫助工程師更高效、更準確地完成RFIC設計工作。RFIC-GPT利用AI技術，根據(jù)設計者提供的電學指標，自動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生成的設計方案準確度高達95%，在大多數(shù)情況下可以直接應用于實際生產(chǎn)中，無需過多修改。目前，該工具已支持無源器件和電路（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）的設計[9]。
圖：冉譜微RFIC-GPT自動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設計效率的自動化工具。它通過AI技術實現(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計過程中的負擔，提高了設計的準確性和效率。針對射頻IC設計中的版圖迭代耗時、電路與無源網(wǎng)絡優(yōu)化脫節(jié)、復雜無源結構設計難度高以及射頻IP復用性差等痛點，RFI Pro實現(xiàn)了從有源電路到無源版圖的協(xié)同優(yōu)化。該工具具有AI驅動的版圖與原理圖協(xié)同優(yōu)化、全面的版圖閱讀和修改能力以及與Virtuoso和EMX的無縫銜接等亮點，提高了設計效率，支持靈活多樣的優(yōu)化目標，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跳線功能
階段三：AI自主創(chuàng)新階段
近年來，AI技術迅猛發(fā)展，其強大的數(shù)據(jù)處理能力和學習算法在各個領域都展現(xiàn)出了巨大的潛力。在射頻設計領域，AI的應用也不再局限于輔助人類經(jīng)驗，而是開始引領新的設計潮流。
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雜性，人類對射頻的掌握仍然有限。傳統(tǒng)的射頻設計往往依賴于工程師的經(jīng)驗和直覺，這在一定程度上限制了設計的創(chuàng)新性和效率。然而，隨著AI技術的引入，我們有望突破人類經(jīng)驗的局限，探索更多未知的設計空間。
這一階段的目標是讓AI完全主導設計過程，從零開始生成創(chuàng)新性方案，突破人類經(jīng)驗的限制。例如，可以讓AI從一個抽象的設計目標出發(fā)，直接生成電路方案，完成端到端的設計，而不對AI進行預設規(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]，他們通過引入深度學習模型，成功構建了一個強大的電磁仿真器。這個仿真器能夠準確預測任意平面多端口電磁結構的散射和輻射特性，極大地減少了傳統(tǒng)電磁仿真所需的時間和資源，使得設計過程更加高效。
傳統(tǒng)射頻電路設計受限于預定義的模板和拓撲結構，設計空間相對有限。而文獻中提出的逆設計方法能夠處理任意形狀和結構，極大地擴展了設計空間。這使得設計師（尤其是AI設計師）能夠探索更多未知的設計方案，推動射頻設計的創(chuàng)新和突破。
在這種方法下，AI已經(jīng)設計出了多個設計實例，包括多頻帶天線、帶通濾波器、功率分配器、正交混合器等。這些設計方案均展現(xiàn)出了優(yōu)越的性能指標，如寬帶響應、低插入損耗、高幅度平衡等。
圖：AI設計的天線圖案及測試結果對比
這些設計實例與傳統(tǒng)射頻電路在外觀上存在巨大差異，但它們的性能卻無一例外地優(yōu)越。這為未來AI自主創(chuàng)新設計的射頻電路提出了新的發(fā)展思路，也預示著射頻設計領域將迎來一場革命性的變革。
射頻工程師的未來塌了嗎？
在AI技術迅猛發(fā)展的今天，以ChatGPT/DeepSeek等為代表的通用AI工具的出現(xiàn)，無疑展現(xiàn)了其巨大的功能與潛力，短短兩年時間便引發(fā)了社會各界的廣泛關注與討論。而最近AI技術向射頻領域的滲透，也讓不少射頻從業(yè)者感到驚訝，甚至有人提出了“射頻工程師的未來塌了嗎？”的疑問。
我認為并不會，而且射頻工程師的未來反而因為AI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僅用兩年便驗證了通用AI的工程化能力，而DeepSeek等專用工具的出現(xiàn)，使AI開發(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，也預示著AI技術即將全面滲透到千行百業(yè)，這僅僅是AI時代的序章，一切都剛剛開始。
對于射頻工程師而言，這一趨勢同樣不容忽視。盡管射頻領域長期以來強調(diào)工程師的豐富經(jīng)驗與深厚積累，但AI的到來，無疑將像在其他行業(yè)一樣，為射頻工程帶來本質(zhì)性的變革。
AI可以幫助射頻工程師完成能力躍遷
面對這一變革，射頻工程師無需恐慌或擔憂被AI取代。相反，可以將AI視為強大的能力放大器。
AI不僅能夠助力工程師快速掌握電路知識，突破以往職業(yè)生涯中僅能精通兩三個電路模塊的局限，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)，克服射頻技術因系統(tǒng)知識復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)小時便能完成，極大地提高了工作效率，讓工程師能夠將更多時間投入到更具創(chuàng)意與價值的工作中。
正如“加油射頻工程師”公眾號中的作者袁月Yue所言：“作為腦力勞動者的我，還是要努力擁抱AI��！它腦子這么好使，可以使勁問問題��！不滿意，還可以連續(xù)追問；不信任它的答案，還可以讓它把來源說清楚。”這或許才是AI到來之時，射頻工程師應有的態(tài)度。
與工程師競爭的始終是人類，而非AI
與射頻工程師競爭的，始終是人類自身，而非AI。
正如在棋類領域所展現(xiàn)的，AI雖曾讓人類高手一時難以適應，但如今已成為人類提升棋力的得力助手，不斷推動人類對弈的新高度。人類不會去糾結人類和AI誰下棋更強，而是會利用AI工具，幫助人類探索未知的棋類世界。
中國國際特級大師，歷史上第十七位國際象棋世界冠軍在采訪中就表示：“AI的下棋質(zhì)量遠超人類，和AI對弈是自討苦吃”。但丁立人會經(jīng)常使用AI來幫助自己探索不同的棋局，不斷讓自己的棋力得到提升。
圖：國際象棋世界冠軍丁立人的采訪
在射頻技術領域，這一幕也將重演。隨著AI技術的發(fā)展，人類可能在很多方面做的并不如AI。但人類將借助AI工具，不斷拓寬研究的邊界，提升技術的水平。最終的對弈與競爭，始終是人類與人類之間的智慧碰撞。
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)小時便能完成，但于AI是否會取代人類工作，實則無需過多憂慮。當前AI的操作仍需在人類指導下進行，即便是未來進入自主創(chuàng)新階段，AI設計出的電路也需人類進行判定與驗證，確保其實用性與正確性。
判斷與決策，始終是人類的獨特優(yōu)勢，正如那句玩笑話所言，“AI取代不了人類，因為只有人才能背鍋”，實則強調(diào)了人類在決策與責任承擔上的不可替代性。
總 結
近年來，AI技術迅猛發(fā)展，特別是以DeepSeek為代表的先進AI工具，給各行業(yè)工程師帶來了前所未有的沖擊。隨著這些工具功能的日益強大和成本的顯著降低，射頻從業(yè)者不禁開始思考：未來射頻工程師是否會被AI取代？
然而，我認為AI技術的到來并非射頻工程師的天塌了，反而為工程師們打開了一扇全新的大門。AI與人類并非簡單的取代關系，而是協(xié)同共進的伙伴。AI擅長處理復雜邏輯關系、分析海量數(shù)據(jù)、進行高效計算，而這些正是射頻工程師在學習和工作中所亟需的能力。AI技術結合射頻工程師的創(chuàng)意、審美以及對射頻物理本質(zhì)的深刻理解，將助力射頻工程師實現(xiàn)能力躍遷。
射頻工程師可以積極擁抱AI技術，將其作為提升自身能力的工具。在AI的輔助下，工程師們可以更加專注于創(chuàng)新設計，探索射頻技術的未知領域。在AI的強大加持下，AI可以與人類共同推動射頻技術的進步，開拓射頻技術的邊界限制，開創(chuàng)射頻技術的輝煌未來。AI的到來，不是射頻工程師的末日，而是可以使我們飛翔的翅膀更加堅實有力。
您覺得AI到來會給射頻電路設計帶來什么變化？歡迎留言~
參考文獻：
[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]. 機械工業(yè)出版社, 2018.[12].彭洋洋. 無線重構世界: 射頻技術的過去、現(xiàn)在與未來[M]. 電子工業(yè)出版社, 2024.[13].B. Razavi. RF Microelectronics[M]. 北京：清華大學出版社, 2003.
-END-
