AI能否设计电路板评测新基准

随着大型语言模型不断突破文本与代码生成的边界，电子设计自动化领域也开始迎来新的探索。OpenAI在发布GPT-6 Astra时，展示了其在KiCad中操作电路板的演示，这一用例引发了硬件工程师的广泛关注。尽管能够看到人工智能直接参与到印刷电路板设计流程中十分令人兴奋，但随之而来的关键问题却变得更加重要：如何客观衡量人工智能生成的电路设计是否真正合格？

EEBench正是为解决这一测量难题而生。该基准项目的开发团队长期关注生成式模型在电子设计中的表现，他们发现，当前主流模型对电子学的了解程度远高于其在传统设计工具中所展现出的输出水平。模型通过训练接触过大量教科书、数据手册、应用笔记及相关代码，理论上具备相当深厚的元件知识。然而，当模型需要操作图形化CAD软件时，往往需要花费大量时间在界面点击、菜单操作和屏幕状态追踪上，其上下文窗口的很大部分被坐标、菜单和应用程序状态所占用，真正用于电子设计推理的资源反而被稀释了。

为了规避这一效率瓶颈，EEBench选择使用atopile这一基于声明式代码的电子设计语言。在atopile的环境中，电路以可读的代码形式存在，代理可以直接操作组件、连接方式及电气约束，无需在图形界面中反复绘制线条。这种模式使模型能够将主要精力集中在电子设计本身：修改设计方案、构建电路、运行仿真并检查失败原因，全程无需离开项目环境。这种方法不仅显著提升了评测的效率，也使得基准测试能够聚焦于电气工程能力本身，而非模型操作图形用户界面的计算机使用能力。

真实的硬件世界并非理想化的标称值集合。EEBench在评测中特意引入了许多现实中的不完美因素。以其中一项公开任务为例，该任务基于一款住宅用能量计。当能量计的5 V供电突然消失时，电路必须维持处理器继续运行至少20毫秒，以便将累积的读数安全保存。在此期间，受保护的电源轨电压必须保持在处理器3.0 V的掉电阈值之上。面对这一情境，大多数模型都能直觉性地给出正确的初步方案：在电源轨上添加一个电容。

然而，真实电容器的表现远为复杂。陶瓷电容在实际施加电压后，其有效电容值可能远低于标称值；不同批次的元件存在容差，增加电容容量的同时也会推高物料成本、占用更多板面空间，并且导致电源恢复时充电速度变慢。一个在标称值参数下仿真完美的设计，很可能在真实元器件来料后无法正常工作。EEBench的仿真引擎会在模拟中切断输入电源，持续监测掉电过程中的电压变化、工作点处的有效电容、电源恢复后的充电行为，以及元件的封装形式、介电材料、额定电压和成本限制，从而综合评估设计方案的可行性。

上述能量计任务在该基准中尚属于较为简单的场景。在更具挑战性的模拟电路任务中，代理需要围绕运算放大器设计一个多反馈低通滤波器。它必须推导出合适的电阻与电容比值以满足所需的极点位置，并在每个元件均被推至最差公差角点的情况下，仍然确保滤波器的增益、截止频率及品质因数保持在允许范围内。评测框架会自动根据这些角点参数重建SPICE仿真网表并执行多次运行，以检验设计的鲁棒性。

EEBench的出现，为衡量人工智能在电路设计领域的真实能力提供了一个可量化的维度。它的设计理念也间接揭示了一个重要的趋势：让模型以代码形式而不是鼠标点击方式参与电子设计，可能是通往更可靠的人工智能硬件生成能力的可行路径。当模型不再需要担心窗口内坐标或菜单状态，而可以将全部推理资源用于分析电气特性时，其展现出的知识深度会更为真实。当然，当前距离通过一句提示词就让人工智能设计出整部智能手机仍然遥远，但针对专项任务的可信评测体系，正让这一进程变得愈发可衡量与可期待。