你让AI画一块电路板它能在十分钟里给你一版看起来相当专业的原理图元件编号、连线、电源树都齐全。但你敢直接发出去打样吗反正我不敢。前几天在PiBox载板方案改到第二版时一位写软件的朋友问我现在AI不是都能画板子了吗你怎么还在一根线一根线地查我说别用AI画电路板了用它查错更靠谱。这不是在否定AI在硬件设计里的价值。相反我觉得AI能在整个硬件流程里帮上大忙只是它真正擅长的地方和大多数人理解的“AI设计电路”不太一样。如果非要在各种用法里选一个投入产出比最高的场景我会选查错而不是生成。这篇文章是PiBox设计日志的第二篇记录我在第二版载板修改过程中把AI当成“设计审查员”来用之后的一些经验和判断。1. 为什么“让AI画电路板”听起来很酷工程上却很危险1.1 画板子的核心是约束验证不是创意生成很多人让AI画电路板想要的其实是快速得到一个可用的参考设计比如生成一个主控最小系统、一套电源电路、一组接口连接。从输出效果看AI确实能生成但问题从来不在“能不能生成”而在“生成的方案能不能被验证”。电路设计不是一个自由创作任务它是一堆约束的求解结果。引脚分配要对电平匹配要对电源域不能串回流路径要合理封装不能错安规要满足。AI生成的方式是在大量训练数据里寻找“常见模式”然后按概率往下接。它擅长让结果看起来专业却不擅长带着全部约束做确定性推导。换句话说它能给你一个高概率“像样”的方案却不保证这个方案在真实物理环境下成立。把AI生成电路板类比成什么呢有点像让一个看过大量菜谱的人直接去开餐馆。他能给你列出一桌看起来完整的菜但供应链、后厨动线、食品安全、成本控制都不是菜谱能承载的。电路设计的物理约束就藏在这些“菜谱之外”的地方。AI生成的是“菜的卖相”不是“餐馆的运营能力”。1.2 AI生成的问题往往是“看起来都对实际经不起查”我见过AI生成的电路单元电路和教科书高度一致但仔细一查就会发现3.3V和5V域之间的信号没有电平转换芯片的复位引脚悬空去耦电容摆在原理图角落却没有连到电源引脚。这些错误单个看都不算严重问题是AI会继续输出它不会因为上游有问题而停下来修正。软件工程里生成代码有编译器和测试兜底硬件设计里AI生成的电路通常没有真正意义上的“自动编译器”。DRC能查物理规则仿真能查逻辑行为但这些工具针对的是设计者输入的完整工程而不是AI生成的半成品。把AI生成结果直接当作设计输入相当于把它的概率性错误也一起封装进了后续流程。这也是为什么我对“AI画板”始终保留态度。不是AI没有生成能力而是生成结果的质量边界太不稳定。一个局部看起来合理的电路放在整块板子上可能因为地网络冲突、电源域串扰、驱动能力不足而完全不可用。这种错误在生成的当下几乎无法察觉只有进入物理验证阶段才会暴露而那时成本已经很高了。1.3 硬件改错的成本决定了生成任务必须保守软件代码写错可以快速回滚电路板设计错了要么飞线要么重新打样周期按天算。PiBox这类项目载板改一版元件采购、焊接、调试、验证全都要跟着走一遍。我在前一版载板里最深的体感是AI可以帮你加速很多环节但前提是它不引入新的错误源。如果让AI直接产出设计它实际上变成一个“不知轻重的内容生成器”。如果让AI检查已有设计它更像一个辅助工具。这里的区别不是能力差异而是责任边界。生成方案的人必须对结果负责而AI目前还做不到这一点。所以对我而言查错是更安全的AI介入点。2. AI查错的底层逻辑是一次有规则对照的“预审”2.1 查错本质是拿着“标准”和“现状”做对照把“查错”拆开看它不是一个强推理任务而是包含大量模式匹配。检查引脚悬空、电源网络短路、封装不匹配、信号交叉、去耦电容缺失这些动作本质上是在拿设计规范和常见实践去比对。大模型在这种场景下有一个结构性的优势训练数据里包含了大量数据手册、参考设计和工程案例它知道哪些地方容易被忽略也能快速枚举出可疑点。这很像让一个读过很多设计资料的人拿着一张问题清单逐项过设计而不是让他从零做一套新设计。前者的容错率高得多。还有一个容易忽略的优点AI愿意读长文档。数据手册几十页人往往只挑和自己相关的段落看AI可以一次把关键参数、典型应用、注意事项都过一遍。这让它在检查“这颗料用在这里是不是合适”时能比人更有耐心也更少因为疲劳而漏掉细节。2.2 查错面向的是文本和结构化数据试错成本低审查原理图、网表、BOM时AI面对的是文本和结构化数据不是物理元件。即使它偶尔误报也不会烧板子。它说“这个地方可能有问题”你回到设计软件里看一眼或者用万用表测一下成本很低。这是AI查错和AI画板最本质的区别。生成设计时错误会直接进入后续流程审查设计时错误只是被标记出来等工程师确认。我之所以说“查错更靠谱”核心就是这个AI可以作为一道“第二双眼睛”而不是一个替你做决定的“设计师”。从工程角度说一个工具能不能用除了看能力还要看失败成本。AI生成电路犯错的代价是重新打样AI审查电路犯错的代价是多看一个网络。这两种风险的量级完全不一样。2.3 AI真正解决的是低级错误漏检问题硬件开发里大量返工来自低级错误一个电阻封装选错、一个管脚连接写反、一个电源网络忘记连接。工程师连续画板几小时后注意力会明显下降而AI不会。我在PiBox某次网表检查里把几十个网络连接交给AI做交叉查看它一口气列出来好几个可疑项某个上拉电阻网络名写错、某个信号串了限流电阻但阻值不符合常见选择、某个地网络在原理图里看起来连通但网表里没连通。这些问题不是我完全看不出来而是让我在长时间审查后自己去逐条发现效率太低。AI能先过滤一遍人工只需要复核重点。这个场景真正解决的不是“AI比我聪明”而是“AI替我先跑完最后一公里”。在重复性、规则导向、需要保持一致的检查任务上它比人稳定得多。3. 我用AI给PiBox载板做设计审查的实际流程3.1 先准备好材料不要直接扔整个工程我的做法是先把需要审查的一个子系统整理出来导出三类材料原理图的网表、BOM清单、关键芯片数据手册的摘要页。如果已经进入PCB阶段还可以把DRC报告、叠层参数、布局约束一并放进去。这里有一个容易踩的坑不要把整个工程一股脑丢给AI。上下文长度有限信息太杂反而会漏重点。我更习惯按子系统拆开电源树、主控最小系统、接口连接器、外围保护电路各做一轮审查而不是一次性审查整块板。注意先跑通单个子系统再扩大到整板。一次扔太多信息AI的上下文会被无关内容占满审查质量立刻下降。3.2 给AI设定任务让它输出“问题清单”而不是“修改方案”我实际询问时会在提示词里强调只列可疑问题不要直接重写设计。审查者一旦进入修改模式很容易为了保持回答的连贯性把已有的错误继续保留下去甚至为了凑一个完整方案而把错误“合理化”。下面是一个我在常见项目中使用的提示结构。它不是固定模板具体芯片、具体约束需要你替换。你现在是一名硬件设计审查工程师。这是PiBox载板的电源树部分网表和BOM摘要。 请按以下顺序检查 1. 电源网络之间是否存在短路或异常连接 2. 每个电源轨是否都有足够的去耦电容 3. 引脚是否悬空、冲突或被错误复用 4. 元件的电压/电流余量是否明显不足 5. 信号连接是否存在明显的逻辑矛盾。 对每个可疑点给出原因并标明“确定”或“不确定”。 不要直接修改设计只输出问题清单。我用这类提示词的目的是让AI保持“审查者”身份而不是“设计者”。审查者的输出天然带距离不容易被已有设计带跑。如果你直接问“帮我把这里改一下”它很容易顺着你现有的接线方式继续推反而掩盖了真正的问题。3.3 让AI处理它擅长的“长串重复检查”在PiBox载板第二版的审查里我主要做的是把网表里几十个网络连接按类别交给AI做交叉查看。体验下来AI查悬空引脚、查电源域冲突、查BOM封装一致性比人工一遍遍翻网表快很多。尤其是元件数量上百之后人眼已经很难逐条比对AI可以批量说出来。但要注意一个子系统查完要先人工确认一轮再进入下一个子系统。不要等AI把所有审查结果都跑完再复核那样问题会积压而且你在后面看到某个“确定有问题”时已经没有足够场景来判断严重性。我一般会要求AI按下面的格式输出结果方便逐条复核可疑点编号出现位置哪个原理图页、哪个网络、哪个元件问题描述具体是什么问题判断程度确定 / 不确定建议验证方式高亮网络、查数据手册、测电压等这种结构化输出能让“AI审查”和“人工复核”之间的衔接顺畅很多。如果AI只是给一段描述性文字你还要自己再整理一遍效率会打折扣。3.4 每个可疑问题都要回到原理图和工具里复核AI给出的每个“可能有问题”我都建议回到EDA软件里再看一遍原始对象。比如AI说“这颗去耦电容没有连接到对应电源引脚”你需要去原理图里高亮这个电容的网络归属确认它到底挂在哪个网络上。如果确实连错再进入修改流程如果只是AI理解错也要记录一下它容易误判的模式方便后续调整提示词。这里我要特别强调一个点AI查错的价值是“高召回”不是“高准确”。它宁可多报一些可疑项让工程师去筛也不要为了追求准确而漏掉真正的问题。所以复核环节不是多余而是整套流程的必经步骤。如果AI报告的问题确实存在我会顺手在Checklist里更新一条。比如“下次检查电源树时要单独看去耦电容的网络归属”。这样一来AI审查、人工复核、经验沉淀就形成了一个小闭环每一版设计都会比上一版更干净。4. AI查错的边界它擅长什么又会漏掉什么4.1 它适合查的错误类型从我的实践看AI适合查的错误都有共同特征能写成文本规则能从网表和BOM里直接看出矛盾。具体包括引脚级别问题悬空、冲突、网络错连电源树问题电压域异常、去耦缺失、压差不够封装和BOM一致性问题封装选错、极性反了、型号和参数不匹配常见规格项缺失限流电阻、上拉电阻、下拉电阻、ESD保护。这些内容本质上属于“拿着设计规范和常见实践做匹配”AI能发挥稳定而且给出的判断通常具有较好的解释性。4.2 它容易误判或发现不了的类型AI不擅长的问题往往是那些不能靠文本判断必须依赖仿真、测试和制造工艺的问题审查类型AI适用度原因网表连接正确性高可以从文本网络关系直接判断电源域与去耦中高常见问题有大量参考案例封装与BOM一致性中高需要结合数据手册越具体越可靠EMC与信号完整性低需要仿真软件和实测数据热设计低依赖铜皮面积、过孔阵列、风道结构工艺与安规低依赖认证标准且标准经常更新这不是说AI在PCB阶段完全不能帮忙而是说它的判断置信度会明显下降。在原理图审查阶段AI的表现通常稳定得多越往后端走人工和专用工具的比重应该越大。4.3 幻觉要当作已知风险处理AI会把“看起来像那么回事”的内容输出成“确定结论”。这是目前大模型绕不开的已知风险硬件审查场景也一样存在。我的处理方式是凡是AI标注“确定”的问题默认它可能是真的但要带着“有没有其他解释”去看凡是AI标注“不确定”的问题默认它可能误报进人工验证队列。不要因为AI语气自信就跳过确认。不要让AI成为“最后拍板的人”。它的价值是提高发现问题的概率不是保证结论正确。5. 把AI放进硬件设计流程一套最小可复用框架5.1 从一次审查到五步流程如果只是临时用一次AI查错那不用总结方法论。但硬件设计是迭代过程PiBox这类项目会一版一版往下走所以我建议把上面这些经验固化成一套可复用流程。一个适合个人或小团队的最小框架是五步拆解把整个硬件工程拆成电源、主控、接口、外围几个子系统。导出对每个子系统导出网表、BOM、规格摘要。预审让AI按规则输出问题清单并要求标注“确定”或“不确定”。复核回到EDA工具里人工验证每个可疑点确认后记录。固化把确认过的常见问题写进Checklist用于下一版设计和下一轮审查。这套流程的核心价值是把“靠经验和运气查错”变成“靠规则和工具查错”。AI是其中的执行器人仍然是决策者。5.2 什么时候该相信AI的判断按我的使用经验可以按下面这个标准来判断AI说“这个网络明显短路”时直接去高亮查询通常是真的AI说“这个连接和常见参考设计不一致”时信一半然后去原理图看上下文AI说“完全没问题”时不要当作最终结论只能说明它没看出来异常不代表设计安全AI给了多个可疑项时优先处理标为“确定”的再慢慢筛“不确定”的。这种分级处理能减少被AI带偏的情况也能帮你把有限注意力放在真正可疑的地方。5.3 如果AI报告了一个问题按什么顺序排查先定位层级问题在原理图、PCB布局还是BOM。再看网络是否跨了电源域、是否漏接、是否误接。接着看引脚是否悬空、是否和其他信号冲突、是否被复用。然后看BOM封装是否正确、极性是否正确、耐压和电流是否足够。再检查约束线宽线距、过孔设置、回流路径、安规间距。最后参考工具报告DRC结果、仿真报告、实际测试数据。这个排查链路不是AI给的是我在实际开发中总结出来的顺序。它的好处是先解决最可能造成物理故障的问题再进入细节。先查电源域再查引脚再查封装最后才查布局。顺序错了你可能在一个误报上花几小时。6. 长期来看AI在硬件流程里会越来越像“审稿人”6.1 AI改变了质量保障的启动时间以前硬件设计评审靠资深工程师拿着检查表逐项打勾现在AI可以做第一道预审把人力后移到复核和决策。这个变化看起来不大但实际影响是质量保障的启动时间被大幅提前。以前可能画完板子才做DRC和评审现在在网表阶段就能先用AI预审一轮等真正进入布局布线时很多低级错误已经被拦截了。对PiBox这类项目来说少一次返工就能省下好几天的周期。6.2 对小团队和个人开发者尤其实用像PiBox这样的小项目不太可能每次迭代都拉起一个完整评审组。AI恰好可以充当低成本的“外部审查者”只要你能导出网表和BOM它就能给你一份相对全面的问题预审清单。当然它的专业深度肯定不如资深硬件工程师。但如果你的项目停在“没人帮忙审”的状态先用AI查一遍再拿结果去问更专业的人提问效率会高很多。至少你不会带着一个低级封装错误去咨询别人。6.3 比“让AI画板”更值得长期投入的事我不否认未来可能会有真正理解物理约束、能自动求解设计的AI硬件工具。但至少在当下对普通开发者最有价值的AI用法不是让它生成一个不能验证的设计而是让它帮你在已有设计里找出风险点。所以我的建议很具体下次打开EDA软件之前别急着让AI从零生成电路。先把现有设计里的网表和BOM导出来让它做一轮查错。你会更快感受到这个工具在硬件流程里的真实价值。AI画板是一场看起来很美的表演AI查错才是能直接省下返工成本的事。后者没有前者那么炫但工程上更值得做。