没有仿真反馈的工程 Agent，都很危险

最近 arXiv 上有一篇综述，题目很长：Artificial Intelligence for Power-Converter-Rich Electrical Systems: A Review，可以直译为《面向功率变换器密集电力系统的人工智能综述》。

它不是数字芯片 EDA 论文，也不是在讲 RTL 生成、验证脚本或 sign-off 流程，而是在讲功率变换器密集电力系统里的 AI：可再生能源、电气化交通、逆变器型资源、微电网、分布式电力系统。乍一看，离芯片设计有点远。

但只看领域标签，容易错过重点。

这篇综述反复讲的不是“AI 又进入了一个新行业”，而是一个更底层的工程规律：AI 生成候选方案以后，必须被物理模型、仿真器、约束、硬件延迟、安全边界和人工验收重新拉回工程闭环里。

这对今天的 AI+EDA 和芯片研发 agent 很有提醒意义。

过去一年，很多工程 agent 的演示都很漂亮：读规格、拆任务、写代码、调工具、生成报告。看起来像一个数字工程师坐在那里工作。但真实研发流程里，漂亮回答不值钱。真正有价值的是，agent 生成的东西能不能被可执行环境验证，失败以后能不能修正，能不能留下证据链，能不能让工程师知道为什么可以接受、为什么必须拒绝。

说白了，工程 agent 的分水岭不是“会不会生成”，而是“有没有反馈”。

这篇综述真正讲的不是 AI，而是闭环

论文把 AI 在功率变换器密集电力系统中的应用按生命周期拆开：设计、实时控制、系统运行和合规治理。设计部分包括代理模型（surrogate modeling）、拓扑和参数综合、EMI/EMC 约束设计、可靠性优化、知识辅助，以及具备任务拆解和工具调用能力的设计辅助。控制部分讨论监督学习、强化学习、学习增强预测控制和安全约束学习。运行部分则延伸到微电网协调、预测、配电系统可观测性、隐私保护协同和网络韧性。

如果只是列一张方法清单，这些内容并不新鲜。真正值得看的是论文组织材料的方式：它没有把 AI 当成替代工程的魔法，而是一直问同一个问题，这些 AI 方法离部署还有多远。

论文列出的部署缺口很硬：稳定性认证、约束满足、可解释性、外推能力、数据效率、仿真到真实系统的迁移、嵌入式硬件时延、网络安全、隐私和标准对齐。翻成芯片研发圈更熟悉的话，就是稳定性有没有证据，约束有没有满足，模型输出能不能解释，分布外会不会乱来，数据够不够，仿真到真实系统有没有落差，硬件时延能不能承受，安全和合规有没有交代。

这套问题放到 EDA 里并不陌生。

一个 RTL agent 写出的代码，不能因为能编译就算完成；它要过 testbench，要看 coverage，要做 lint，要检查 reset、时钟域、状态机边界。一个约束生成 agent 给出的 SDC，不能因为格式正确就算可信；它要进入综合、STA 和实现流程，被 timing report、false path 检查和人工 review 拉住。一个后端脚本 agent 写出的命令，也不能只看语法，它要跑在真实 flow 里，看日志、看版图约束、看 PPA 和 sign-off 风险。

功率电子和数字 EDA 不是一个领域，但工程逻辑相通：AI 只要进入真实设计，就必须从“回答系统”变成“闭环系统”。

代理模型的诱惑和陷阱

论文把物理感知代理建模（physics-aware surrogate modeling）视为功率变换器设计里最成熟的 AI 入口。原因很直接：高保真的有限元分析、热仿真、多物理场耦合和电路仿真都很贵，设计空间又大。如果每一个候选几何、材料、布局寄生和工作条件都完整跑一遍，迭代速度会被仿真成本拖住。

代理模型的价值，就是用一个快速近似模型，替代反复评估的昂贵映射。它可以在毫秒级给出电磁、热、损耗、效率等响应估计，让工程师先筛掉大量明显不合适的设计。

这很像 EDA 里的很多需求。比如，用模型预测某段 RTL 的时序风险，用模型估计一类约束修改对 PPA 的影响，用模型提前判断 floorplan 或 placement 的拥塞概率，用模型给验证用例排序。它们的共同目标不是替代 sign-off，而是提前把搜索空间压小。

麻烦也在这里。

论文提醒得很直接：一个代理模型在训练分布内可能很准，但一旦落到分布外，就可能带着不合理的自信输出错误结果。它可能给出不可制造的几何，可能低估温度，可能误判损耗。模型不是仿真器，更不是物理定律本身。

EDA 里也一样。一个模型可以预测“这段代码大概率有 CDC 风险”，但它不能替代 CDC 工具。一个模型可以提示“这条路径可能难收敛”，但不能替代 STA。一个 agent 可以建议“加 pipeline”，但不能替工程师承担功能正确性、时序约束和面积功耗的后果。

所以更合理的位置是：AI 做预筛选，仿真和验证做裁判，工程师做最终接受者。

这句话听起来保守，但它恰恰是工程系统里最现实的路线。

拓扑综合给 EDA agent 的提醒

论文在拓扑和参数综合部分讨论了一个更激进的方向：让 AI 不只是评估候选方案，而是参与生成候选方案。功率变换器设计里有离散选择，比如拓扑、半导体器件、磁芯类型、滤波结构；也有连续选择，比如开关频率、绕组几何、散热尺寸、控制参数。这个空间混合、非凸、约束多，穷举不现实。

于是 RL、DRL、进化算法、贝叶斯优化等方法被拿来做搜索。agent 可以组装电路结构，通过仿真性能获得奖励信号，再继续探索。

这和今天很多芯片设计 agent 的想象很像：从规格出发，自动生成架构候选、模块拆分、接口定义、RTL 框架、testbench、约束、脚本，甚至做多轮优化。

但论文真正有价值的一句话在后面：每一个由优化器生成的拓扑或参数集，仍然要被电路约束、器件额定值、小信号和瞬态裕量、EMC 限制、热限制、实际版图规则重新检查，才可能成为工程方案。

放到 EDA 里，就是每一个 agent 生成的设计动作，都要回到工具和规范里过一遍。

生成 RTL，要回到仿真、lint、CDC、形式验证或等价检查。生成约束，要回到综合、STA、时钟树、时序例外审查。生成后端脚本，要回到工具日志、DRC/LVS、版图规则和签核报告。生成验证策略，要回到 coverage、bug 发现率和 regression 结果。

没有这条反馈链，agent 就只是在写“看起来像工程”的文本。

这也是为什么单纯的大模型能力提升，并不会自然带来可用的工程 agent。模型更会写代码、更会读文档、更会解释错误，只是必要条件。真正难的是把它放进真实 flow：能运行、能失败、能复盘、能收敛。

这也是中科麒芯关注的方向：不是把 AI 停留在个人问答助手，而是围绕专业模型、企业知识库、设计流程和 Agent 治理，构建可用、可控、可落地的芯片研发智能体能力体系。

agentic AI 应该是编排层，不是替代层

论文有一节专门讨论 agentic AI，也就是具备一定自主任务执行能力的智能体系统。它给出的定义比较克制：agentic AI 不是靠模型规模定义，而是看系统能否做任务拆解、规划、记忆、工具调用，并与外部环境交互。

更关键的是，论文说，在工程智能里，挑战并不是生成一个自然语言答案，而是协调仿真工具、优化模块、数据库、监控记录和人工指令。Agentic AI 更像基础模型之上的编排层，而不是领域模型或专用控制算法的替代品。

这句话放到 AI+EDA 里，几乎可以直接成立。

一个芯片研发 agent 不应该试图“替代 EDA 工具”。它应该负责把规格、代码库、设计文档、项目知识库、仿真器、综合工具、验证平台、日志系统和工程师指令串起来。它的价值不是让大家不用工具，而是让工具更容易被正确调用，让中间结果更容易被解释，让失败更容易被定位。

这也是很多“AI 自动设计芯片”叙事容易跑偏的地方。

如果把 agent 说成替代设计工具、替代验证、替代工程师，听起来很刺激，但也很不可信。真实的路径更像是：agent 先成为编排层，帮工程师拆任务、查知识、调工具、读日志、提出候选修改，再用仿真和检查结果做下一轮动作。它可以加速，但不能绕开工程证据。

短期内，最有价值的 agent 不是“全自动设计芯片”，而是“能在半自动闭环里稳定工作”。

为什么“仿真反馈”会成为分水岭

工程系统最讨厌一种东西：看起来合理，但没有经过执行验证。

对大模型来说，这恰恰是高发问题。它很擅长生成格式正确、术语像样、逻辑顺滑的内容。可工程不是写作文。一个 Verilog 模块像不像，不重要；能不能过 testbench 才重要。一个约束建议听起来专业，不重要；进 STA 后有没有把路径约错才重要。一个 flow 修复方案看起来有经验，不重要；工具日志是否真的消失、PPA 是否变差、签核是否新增风险才重要。

功率电子综述的价值在于，它从另一个工程领域把同一个问题讲得很清楚：AI 可以进入设计、控制、运行和治理，但可信度来自部署就绪度，而不是准确率、奖励值或计算时间这些单项指标。

这对 EDA agent 是一个很好的提醒。

第一，agent 必须能调用真实工具。不能只停留在建议层，要能跑仿真、跑检查、读报告。

第二，agent 必须理解失败。仿真失败、综合失败、timing violation、lint warning、coverage 没上来，这些不是异常情况，而是工程闭环的正常输入。

第三，agent 必须留下证据链。为什么改这一行，为什么加这个约束，为什么忽略这个 warning，为什么认为这个结果可接受，都要能追溯。

第四，agent 必须保留人工验收。尤其在 CDC、复位、低功耗、签核约束、安全相关设计这些环节，AI 可以辅助，但最终责任不能交给模型。

这也是“工程 agent”和“代码助手”的区别。代码助手更像一个会写片段的工具，工程 agent 则必须进入项目状态和工具反馈。

这篇功率电子综述不是 EDA 论文，也不应该被过度解读成“AI 已经能自动做工程设计”。它的意义在于提供了一个很清晰的参照系：越接近真实工程，AI 越不能只看生成能力，而要看能否接入仿真、约束、硬件、合规和人工 review。

对 AI+EDA 来说，这个趋势会越来越明显。

未来真正有价值的芯片研发 agent，不会只是一个更会聊天的大模型，也不会只是一个能生成 RTL 的 demo。它应该是一个能在工程闭环中工作的系统：读规格，拆任务，调用工具，生成候选，运行验证，解释失败，修正方案，记录证据，再把最终选择交给工程师确认。

生成只是起点。

仿真反馈，才是工程 agent 进入真实研发现场的门票。

如果你的团队正在评估 AI+EDA、研发知识库、流程自动化或私有化 Agentic AI 落地路径，可以关注并回复「合作」，一起交流适合芯片研发现场的实施方案。

作者：麒芯

参考来源：arXiv 2606.15948v1, Artificial Intelligence for Power-Converter-Rich Electrical Systems: A Review

声明：本文基于公开论文和公开信息整理分析，不构成投资建议，也不代表对具体工具或产品效果的承诺。

加入 IC Agent 技术交流群

群里聚集了芯片设计工程师、IT/CAD 负责人和 AI+EDA 从业者，聊技术、聊工具、聊行业趋势。

关注回复「加群」，拉你进群一起聊

关注回复「合作」，如果你在做 AI+ 芯片/EDA 相关，欢迎来聊

后续会持续更新这个系列，关注不迷路。