ChatGPT、Gemini、Codex、Coze……近两年各类 AI 名词和模型层出不穷。当工作开始硬性要求使用 AI 工具时,我突然意识到一个残酷的现实:在这个时代,人终究会被蒸馏成一个 Skill。身为一名还在“打怪升级”的射频工程师,面对铺天盖地的AI浪潮,我最近一直在思考一个问题:AI究竟能多大程度地介入我们的日常工作?它又能帮我们把技术护城河筑得多高?带着这个疑问,我和GPT展开了一场对话。以下是我们的对话实录:Q:当AI成为时代的潮流,作为射频工程师该如何自处?R:AI 成为潮流后,射频工程师最好的自处方式,不是转行追逐“纯 AI”,也不是把 AI 当作与自己无关的泡沫,而是成为能够利用 AI、更快解决真实电磁问题的人。射频工程有一个很强的护城河:现实世界不会因为模型给出了漂亮答案,就自动满足增益、效率、稳定性、杂散、EMC、成本和量产良率要求。最终仍然需要有人面对仪器、样机、工艺偏差和物理规律,并为结果负责。
应该守住的能力
电磁场、传输线、噪声、非线性和反馈稳定性等基本功。
从异常频谱、波形和测试条件中定位问题的能力。
熟悉器件寄生、PCB、封装、热设计及制造公差。
建立可靠测试方法,判断仿真、测量和模型谁出了问题。
系统级权衡能力:性能、成本、功耗、尺寸、进度通常不能同时最优。
这些能力很难通过简单提示词替代。AI 可以生成电路,但不一定知道为什么板子在高温时偶发自激。
应该主动拥抱的能力
把 AI 当作高级助手,用它减少低价值劳动:
阅读数据手册、标准和论文,整理器件差异。
编写 ADS、HFSS、CST、MATLAB、Python 自动化脚本。
自动处理测试数据、绘制报告、识别异常样本。
辅助设计匹配网络、参数扫描和优化流程。
建立团队知识库,沉淀历史故障与调试经验。
关键不是“会不会使用某个 AI 产品”,而是能否把工程问题描述为清晰的输入、约束条件和验证标准,并识别 AI 的错误。
值得发展的方向
1. 射频工程 + 软件自动化
能够打通仿真、仪器控制、数据分析和报告生成。
2. 射频工程 + AI 系统硬件
面向高速互连、数据中心、卫星通信、雷达、无线感知等需求。
3. 射频工程 + 数据驱动设计
使用代理模型、贝叶斯优化或机器学习加速复杂电磁优化,但保留物理约束。
4. 从模块设计走向系统负责人
越靠近需求定义、系统权衡、验证和量产,越不容易被工具替代。不必与 AI 比谁计算得快。射频工程师真正的价值,是知道什么值得计算、结果是否可信,以及如何让它在现实中稳定工作。或许未来射频设计团队会变成一个技术大牛+AI+实习生的模式,当架构和器件选型确定后,AI指导实习生进行测试调试。欢迎一起聊聊:你最近用 AI 帮你在研发中解决了什么实际问题?
基本文件流程错误SQL调试
请求信息 : 2026-06-17 09:08:44 HTTP/1.1 GET : https://www.yeyulingfeng.com/a/755563.html