AI 现在能设计电路板了吗？
AI 工具正开始处理 PCB 设计中的重要部分——从原理图绘制、BOM 管理和数据手册解析，到基础布线——但在复杂布局、模拟/RF 细节以及边缘情况可靠性方面仍然吃力。参与者描述了使用 Claude、GPT 和专用代理，配合 KiCad、EAGLE 和自定义 DSL 来共同设计电路板、审查封装，甚至操作实验室设备，往往能在首次试产时就做出可工作的业余级硬件。EEbench 等基准显示进展迅速，尤其是 GPT-6 Astra 这类更新模型，但大多数工程师认为，短期内 AI 的价值在于作为强大的助手和验证者，而不是完全自主的硬件设计师。
整体情况
- 许多评论者表示，当前的前沿模型已经能够在 PCB 设计中提供有意义的帮助，尤其是对于较简单的数字或混合信号板。
- 现实中已经出现了完全“从提示到生产”的板子，但几乎总是伴随着人工监督、简化和多轮检查。
- 共识是：AI 现在已经非常适合作为副驾驶；但还不是可靠的、完全自主的 PCB 工程师，尤其是在复杂、模拟、RF 或高端设计中。
AI 目前做得好的方面
- 原理图辅助：生成教科书式电路，尤其是使用众所周知的器件（74xx 逻辑、微控制器、常见稳压器）时；如果提供了数据手册和勘误，还能据此进行检查。
- 设计审查：发现封装错误、引脚对调、不合理的器件额定值、接口配置错误，以及网络命名/终端匹配问题。
- BOM 工作：器件选型、替代料、解释元件作用、基本供应链意识（例如 JLC 基础件与扩展件）、以及考虑成本的建议。
- 基于文本的工作流：生成和操作 SKiDL、KiCad/EAGLE XML、基于 DSL 的设计，以及 SPICE 网表；为自动布线器和 EDA API 编写脚本。
- 实验室/测试集成：驱动示波器、电源、电子负载、编程器，进行仿真，并在代理循环中根据测试反馈迭代。
AI 仍然困难的地方
- PCB 布局和布线：
- 简单板和柔性/艺术板：有一定成功率，有时首次就能功能正常。
- 高密度、多层、RF、热设计或机械约束强的板子：仍然很差；需要大量人工指导和后续修正。
- 模拟/RF 和细微问题：温度相关的毛刺、谐振控制、“这样够不够” 的判断，以及未公开的器件行为，仍是弱点。
- 视觉/空间推理：直接使用 GUI 以及复杂 CAD 或 3D 建模仍然脆弱；文本/几何表示效果更好。
- 数据手册：虽然在改进，但复杂 PDF、表格、脚注和仅 NDA 可见的器件仍会破坏可靠性。
基准、工具与方法
- 专门基准（例如 EEbench、基于 atopile 的测试框架）显示，不同模型之间存在很大的性能差距；有些模型很稳健，但也会偶尔灾难性失败。
- 约束求解器、DSL 和集成代理（KiCad/EDA 服务器、Jitx、Konnect、tscircuit 等）被认为是让 AI 设计变得可验证、可重复的关键。
- 多位用户强调，多代理模式（设计者 vs 对抗性审查者）以及重复的自动检查（ERC/DRC、仿真、外部审查）至关重要。
前景与怀疑
- 乐观者预计，短期内会出现适用于中等复杂度的“从提示到装配”工作流。
- 怀疑者指出，有限的数据、隐藏的勘误、NDA 封锁的硅片，以及需要物理原型，都是根本限制。
- 普遍预期是：PCB 工作会逐渐转向规格定义和验证，而 AI 会随着时间推移承担更多机械设计劳动。