LO
这个职业有新的已核实记录时通知我 → · 标出哪些任务是你的(VOLO Pro,发布期间免费)→
芯片设计工程师
设计集成电路:把架构变成硬件描述代码(RTL),验证设计做到了规格说的事,把它布局到硅片上以满足功耗、性能和面积,并设计把芯片连到物理世界的模拟模块。AI 如今能写短小的硬件代码、回答工程师的问题、编写工具脚本;据厂商说,设计空间优化工具已用于 100 多次商用流片。但在一项由资深硬件工程师出题的基准上,最好的模型第一次尝试只通过不超过 34% 的代码生成题,验证是 AI 智能体最难的任务之一;一项独立复核还发现,在它测试的大多数大型设计上,人类专家胜过谷歌的强化学习布局方法。美国预测到 2035 年计算机硬件工程师就业增长 9%,没有提到 AI。
让 AI 助手写一个你已经做过的模块,用你的测试平台跑一遍,记下哪里失败。
这不是失业概率。它把「岗位任务中有多少暴露于自动化」与「采用实际走到了哪一步」合成为一个值 —— 只用于在同一套口径下横向比较职业,除此之外不作他用。
适用于设计集成电路的工程师 —— RTL 设计、设计验证、物理设计,以及模拟或定制电路设计。做电力系统、建筑和电路板的电气工程师有自己的一页,软件工程师也是。证据是 AI 模型在硬件代码上的基准测试、一家芯片公司关于其内部模型的论文、一种已发表的芯片布局方法及对它的独立复核、两项模拟电路设计的学术研究、一项美国劳动力预测,以及一家设计工具厂商的公告;它们确立的是 AI 在设计任务上能做什么、哪里做不到,不是芯片设计岗位或薪酬怎样变化。
证据库里已有其他职业的已核实记录,但这个职业还一条都没有。在有之前,下面的分析是对任务结构与已知技术能力的推理 —— 就这个职业而言,它没有可追溯来源支撑。我们宁可直说,也不引用未经核实的东西。这里是空的,是我们覆盖上的缺口,不是关于这份工作的结论。
到底什么在变#
分析单位是任务,不是职位名称。职业不会被整体替代 —— 变的是它的任务构成。
每一格是一项任务。大小是它在这份工作里的分量,颜色是它正在往哪个方向走。点一格,看这个判断还不能说明什么。
这些基准用的是当时的模型;它们检查代码能不能用,不检查是否满足功耗、性能和面积,也没有测量工程师的工作。
这是一项基准和一家公司对其内部模型的叙述;60% 这个数字来自论文没有公开的内部研究。
采用数字来自工具厂商对自家产品的说法,布局方法出自它的开发者;独立复核只测了少数几个设计,都没有测量工程师的时间。
这就是你做的吗?认一下,这一页会缩到只剩与你有关的那一份。
职位名只是一组恰好被打包买走的任务,而没有两个人手里的那一组是一样的。什么都不会被发送出去 —— 它只留在这个浏览器里。
近期变化#
美国。劳工统计局预测,2025 至 2035 年计算机硬件工程师就业增长 9%,从 76,100 人增至 83,000 人,远快于所有职业的平均水平,每年约有 4,100 个职位空缺。它没有提到人工智能。这个类别涵盖全部计算机硬件工程师,包括板级与系统硬件,不只是芯片设计者。
一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。
这是对谷歌强化学习宏单元布局的学术复核,使用公开基准和商用布局布线工具来得到布线后的功耗、性能和面积。在大型、宏单元密集的设计上,人类专家在 6 次比较中有 5 次胜过该方法;一种更强的模拟退火基线在 9 例中有 7 例线长更好,而该方法在 9 例中有 6 例的总负时序裕量优于模拟退火。作者说,关于该方法可扩展性的问题仍未解决。这只涉及少数几个设计;没有测量工程师的工作。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这是一项基准,包含 13 类任务共 783 道题 —— RTL 生成、验证、调试、规格对齐和技术问答 —— 由资深硬件工程师出题,分非智能体和智能体两种形式。最先进的模型在代码生成上第一次尝试的通过率不超过 34%;智能体任务,尤其是涉及复用 RTL 和验证的任务,尤其困难。这是 2025 年的模型在测试集上的表现;作者的雇主设计芯片。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这是一个学术智能体,通过生成电路代码来设计模拟电路,在作者自建的模拟电路任务基准上测试。摘要说它成功设计出 20 个电路,比标准 GPT-4o 多 5 个;论文的局限一节写明,大语言模型目前还不具备设计高度复杂模拟电路的能力。作者评估的是自己的方法,基准也不包含大量的参数优化。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这是一家芯片公司的论文,讲它用自己的芯片设计数据适配的语言模型,在三个应用上评估:工程助手聊天机器人、设计工具脚本生成,以及缺陷总结与分析。它最大的模型在前两项上胜过 GPT-4,在第三项上表现相当。论文说,内部研究显示一名典型芯片设计者多达 60% 的时间花在调试或核对清单类任务上;这些研究没有公开。这是公司在评估自己的内部模型。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这是一项基准,包含来自 Verilog 教学网站 HDLBits 的 156 道题,通过仿真与标准答案比对来检验功能正确性。在修正后的 v2 结果中,GPT-4 第一次尝试通过了 43.5% 的人工编写题,十次以内通过 58.9%。作者写明,他们的评估只限于相对小规模设计的样板代码生成。这是 2023 年的模型在教学题上的表现;作者的雇主设计芯片。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这是一项包含 30 个设计的学术基准;之所以建立它,是因为此前的测试用的设计相对简单、规模小,而且由作者自己提出。它从语法、功能和设计质量三方面打分。GPT-4 语法正确率 81%,30 个设计中 15 个功能正确 —— 五次尝试中只要有一次通过测试平台即算功能正确。这是 2023 年的模型;没有测量在芯片项目中的使用。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这是厂商的公告:客户已用它的 AI 设计空间优化工具登记了首批 100 次商用流片。公告引述意法半导体说在功耗、性能和面积的探索上效率提升 3 倍以上,SK 海力士说这款工具让它的工程师有更多时间开发差异化功能,一位 Synopsys 高管则说以更少的工程资源实现更高效率。这是厂商在描述自家产品;没有给出任何人员数字。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这是谷歌研究者的一篇同行评审论文。它说,芯片布图规划一直难以自动化,需要物理设计工程师数月的高强度工作;而它的方法能在六小时内生成在功耗、性能和芯片面积上优于或相当于人类的布图;它说这个方法已用于设计谷歌下一代 AI 加速器。2023 年 9 月 20 日的一则编者按说,其性能说法受到质疑;经审查后编者按被撤下。这是开发者自己的结果,受到独立研究者的质疑。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这是一项学术研究。它说,模拟与混合信号模块面临需要专家直觉、由人居中的漫长迭代循环;并提出一个强化学习框架,在原理图仿真中至少对 96.3% 的测试设计目标满足全部指标,借助伯克利模拟生成器在 68 小时内设计出 40 个通过版图与原理图一致性检查的运算放大器,比当时最好的方法快 9.6 倍。这是研究环境中的标准电路类型。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这对你意味着什么#
如果你刚入行,预期 AI 会为小模块和工具脚本写初稿;培养它缺少的东西:细读规格、验证设计,以及权衡功耗、性能和面积。
预期优化工具会接手更多布局与尺寸搜索,助手会接手常规代码和脚本。决定架构和签核设计仍在你手里。
你的选择#
四个方向,每个都写明真实约束和一个本周可验证的动作。继续做下去也是正当选择 —— 只要它是被选择的,而不是被默认的。
从手写 RTL 转向写规格和审查代码
模型能写短小的硬件代码,但在更难的题目上多数失败,价值因此转向清楚的规格和仔细的审查。
审查生成代码里隐蔽的时序或复位缺陷,可能和自己写一样费时。
让 AI 助手写一个你已经做过的模块,用你的测试平台跑一遍,记下哪里失败。
留在验证上
验证是 AI 智能体最难的任务之一,调试也占了设计者很大一部分时间。
验证岗位要求深入掌握测试平台方法和覆盖率。
把一份你已经调通的失败仿真日志交给 AI 助手,看它能不能找到原因。
转向芯片设计自动化与 AI 工具
芯片公司和工具厂商都在把 AI 做进设计流程,而这份工作依赖于懂得一个正确的设计需要什么。
它需要在硬件设计之外再掌握软件和机器学习技能。
把一道公开的硬件代码基准题交给 AI 模型,读懂它的答案为什么通过或失败。
常见问题#
就现有证据看,不会。AI 能写短小的硬件代码和工具脚本,优化工具能帮着做布局;但在一项由资深工程师出题的基准上,最好的模型只通过不超过 34% 的代码生成题,验证是 AI 智能体最难的任务之一,一项独立复核也发现,在大多数大型设计上人类专家胜过谷歌的布局方法。美国预测 2025 至 2035 年硬件工程师就业增长 9%。
我们不用年数回答这个问题。看看你的团队是否开始从生成的 RTL 而不是空白文件起步,以及你有多少时间从编写转向审查和验证。这些比任何日期都更能说明问题。
短题常常可以。GPT-4 在 156 道教科书式题目上第一次尝试通过 43.5%;在由资深硬件工程师出的更难题目上,较新的模型也只通过不超过 34%。基准检查的是代码能不能用,不是是否满足功耗、性能和面积。
它在帮忙。谷歌说它的方法为自己的芯片做了部分布局,Synopsys 说它的工具已用于 100 多次商用流片;但一项独立复核发现,在它测试的大多数大型设计上人类专家领先,约束和时序收敛仍由工程师负责。
这些判断底下是什么#
这一页上 6 条任务判断里,0 条有已核实事件支撑、6 条是平台推断,每一条都在它出现的地方标注着。它们底下是 1 个技术维度、一条自语言模型进入公众视野以来的回溯轨迹,以及 10 条已核实事件。
同一个职能里的其他岗位#
一家公司先把工作分成职能,再分成岗位。下面这些和这一份工作同在「核心交付(行业特定)」里 —— 那是一件关于组织结构的事实,不是「它们相似」或者「它们在朝同一个方向变」的判断。
内容审核员 · 护士 · 放射科医生 · 病理医生 · 放射技师 / 医学影像技师 · 全科医生 / 门诊医生 · 外科医生 · 麻醉医生 · 养老护理员 / 护工 · 心理咨询师 · 心理学家 · 营养师 · 药师 · 药房技术员 · 中小学教师 · 驾驶教练 · 大学教师 · 厨师 · 电工 · 水管工 · 暖通空调技工 · 建筑师 · 室内设计师 · 土木 / 结构工程师 · 地理信息分析师 · 电气工程师 · 机械工程师 · 工业工程师 · 工料测量师 · 记者 · 编辑与校对 · 翻译 / 口译 · 口译员 · 收银员 / 零售店员 · 银行柜员 · 医助 / 诊所助理 · 餐厅服务员 · 建筑工人 / 施工人员 · 汽车维修技师 / 汽修 · 医学检验技师 · 康复治疗师 / 物理治疗师 · 消防员 · 警察 · 农民 · 社工 · 牙医 · 牙科卫生士 · 兽医 · 图书馆员 · 焊工 · 超声技师