AI 设计 RF 芯片，终于走到流片这一步

在 RF 芯片设计里，让 AI 生成一个看起来合理的结构，已经不再是最难的部分。候选设计方案要进入工程流程，必须接上高保真电路与电磁求解器，遵守 PDK、DRC、LVS 等制造规则，并在流片和测量中复现。

Keysight Design Engineering Summit（KDES）2026 释放出的信号，正是 AI for RF 的竞争焦点正在从“模型会不会生成”转向“工程系统能不能执行”。是德科技设计工程软件大中华及亚太区市场总监宋阳从设计环境的整体升级出发，反复强调“拒绝空谈，AI真实且落地”和“更快、更准、更可信”；是德科技 EDA 软件全球业务总监邹杨则把 AI 进入 RF 工具链的路径拆成了从脚本化到智能体编排的连续步骤。

理解是德科技的AI产品布局，可以从这里切入：其AI差异化并不只是生成设计，而是将AI与专业求解器、开放接口和真实工程流程相结合。客户无需放弃自己的模型、数据和算法，外部AI可以通过Keysight的开放接口调用设计与仿真能力，再由真实求解器校验，并结合工艺与制造约束持续迭代。Sphere Semi通过自研AI生成可调RF滤波器，并借助Keysight工程环境完成流片，为这种“客户AI + Keysight工程底座”的模式提供了实际验证样本。

AI for RF 的竞争，不只在模型

RF 设计的搜索空间同时包含连续参数、离散拓扑、版图寄生、器件非线性和多目标约束。一个模型即使能快速提出设计方案，也必须经过电路仿真、谐波平衡、三维电磁分析以及工艺规则检查，才能判断方案是否具有工程意义。因此，AI for RF 至少需要三层能力协同：上层是客户自有的生成模型或强化学习策略，中层是可编程的设计与仿真接口，底层是真实的 RF/EM 求解器和制造约束。

对 RF 工程师而言，AI 的价值在于让更多设计方案可靠地进入求解器。 这解释了为什么是德科技把 ADS、RFPro、Python/API、优化器和数据治理放在同一条产品叙事中。客户可以保留自己的算法和 IP，同时获得可重复的仿真、优化、版图和验证流程。

Sphere Semi 案例的归因边界也应当说清：AI 引擎、生成模型和强化学习策略由 Sphere Semi 自研；是德科技提供 ADS 的 Python/API 接入、电路与 EM 协同仿真、谐波平衡，并结合客户的工艺规则与工程流程完成验证和迭代。案例的意义，是证明外部 AI 能够借助这套底座走到流片和测量，而不是把客户成果直接改写为 Keysight AI 的独立 benchmark。

从“更快、更准、更可信”到工程闭环

宋阳在 KDES 2026 的分享，更像是对设计基础设施的一次总叙事。

“更快”不是单纯减少点击，而是把设计动作变成可组合、可并行的流程：Python/API 可以捕获和复用操作，自动化脚本可以批量建立实验，HPC 集群可以并行运行仿真，优化器则负责在多目标空间里持续搜索。

“更准”对应的是模型和边界条件。RF 电路的非线性工作点、谐波平衡结果、版图寄生和电磁耦合，不能用一个脱离物理约束的代理结果替代。ADS 的电路求解能力、RFPro 的 EM 分析，以及二者之间的协同仿真，为 AI 候选提供了可回到物理世界的校验环节。

“更可信”则落在工程治理上。PDK 定义器件和工艺边界，DRC/LVS 检查版图与原理图的一致性，版本记录和数据血缘让每次迭代都可追溯；当结果进入流片和实测阶段，频响、功率和隔离度等数据又能反向验证模型和流程。如果没有这条从数据、仿真到测量的闭环，AI 只能停留在候选生成器。

从产品角度看，是德科技设计工程软件把速度、精度和可信度组织成了一个能被团队复用的环境。大模型在其中承担任务理解和编排，不能被包装成“全自动 RF 设计师”。

AI 如何进入 RF 工具链

邹杨给出的路线分为四个渐进层次。第一层，工程师在 GUI 中完成的操作被脚本和 API 捕获，流程开始具备可重复性；第二层，重复性高、评价指标清晰的任务交给自动化和优化器，AI 从“帮忙写脚本”进入“帮助搜索设计空间”；第三层，Skill、Agent 和 MCP 负责把多个工具、数据和步骤编排起来；第四层，真正决定结果的计算仍由 RF/EM 求解器完成，并受工艺和版图规则约束。

这一路线的重点，是把语言交互和物理计算分工。大模型可以理解意图、拆解任务、选择工具和整理结果，但它不应凭文本概率替代谐波平衡或电磁场求解。对于 RF 设计，智能体更像流程调度者和实验记录员，求解器才是裁判。

因此，MCP 对是德科技的意义，是把 ADS 等专业工具的能力封装成智能体可以标准化调用的接口。兼容 MCP 的 Agent 可以理解设计任务、调度脚本和仿真流程，再把关键计算交给 RF/EM 求解器完成。这样一来，是德科技长期积累的模型、求解器和工程流程，就能成为 AI 时代可编排、可复用的设计基础设施。

RF Circuit Simulation Professional (Nexus) 2027：把 AI 接到真实 RF/EM 回路

前面谈到的接口、优化和智能体编排，这些能力由ADS 2027与Nexus 2027共同承载，前者提供设计、仿真、自动化与MCP接口基础，后者进一步强化AI辅助优化、代理模型接入和RFPro动态协同仿真。

最新发布的Nexus 2027值得单独关注。它把 AI 所需的接口、优化和求解能力组织成了一个更完整的工程平台。

• 强化学习优化器：承接 RF 多目标设计空间搜索，把性能、面积、功耗、线性度等目标放进可配置的迭代流程。

• Python Simulation Model Interface：允许客户接入自有或第三方代理模型，在保持算法资产的同时参与仿真和优化。

• RFPro 动态 EM 协同仿真：把版图寄生和电磁耦合纳入动态回路，减少 AI 只在理想原理图上优化的风险。

• 工作点回标与可执行流程：将仿真结果带回后续设计步骤，并支持流程复查。

• 原生 MCP：让 Agent 能以标准方式调用设计、仿真和优化能力，降低跨工具编排的集成成本。

ADS 2027：让外部 AI 有地方落脚

ADS 2027 构成这条路线的接口基础。官方版本说明列出了三项很具体的变化：原理图和版图可以自动生成 Python 脚本，工程师在 GUI 中的操作可以通过宏录制转成 Python，版图验证工具也增加了 Python 自动化。过去依赖个人经验的重复动作，因而有机会变成可复用的工程函数。

对 AI for RF 来说，ADS MCP Server 是另一个关键入口。兼容 MCP 的客户端可以连接活动 ADS 会话、运行 Python 代码并检索 ADS 文档；AI 负责理解任务和组织步骤，ADS 负责执行设计、仿真和数据提取。PyPDK 则提供面向 AI-ready PDK 的 Python 框架，让工艺信息也能进入自动化流程。

Sphere Semi 的客户案例正好展示了这类接口如何落地：设计以代码化形式表示，调用 ADS Python API，把有源部分送入电路仿真、无源部分送入 EM 仿真，再将 S 参数带回谐波平衡分析；计算集群并行评估数百个设计方案。这里的价值不只是“能调用工具”，而是让客户自己的 AI 引擎有了一条可执行、可批量验证的 RF 设计通道。

把 Nexus 2027 与 ADS 2027 放在一起看，前者负责强化学习优化、代理模型接口、工作点回标和 RFPro 协同，后者提供设计、仿真、版图验证和 Python/API 基础。两者共同构成 AI 可调用的工程轨道。

Sphere Semi：Keysight 工程底座的客户验证

在 KDES 2026 分享的案例中，Sphere Semi 使用自研 AI 引擎生成和筛选可调 RF 滤波器候选，再通过是德科技工程环境完成仿真、约束检查和迭代。最终，一款 GaN 工程样片完成首轮流片并能够工作，公开材料给出了 6–12 GHz 的调谐范围、约 3–5 dB 的插入损耗、超过 30 dB 的阻带抑制和超过 35 dBm 的功率承受能力，并提供了实测频响曲线。

案例还披露了两个需要分开理解的项目口径：特定滤波器项目的面积缩减超过 30%；约 6 dB 的隔离度改善属于另一项 RF 开关项目，不能合并成同一颗芯片的综合指标。5–10 倍生产率提升同样是 Sphere Semi/Keysight 的案例口径，不等同于第三方 benchmark 或所有 RF 设计任务的普遍增益。

这组结果对是德科技的广告价值，在于它展示了“客户算法 + Keysight 工程底座”的开放协同方式。客户不必把核心 AI 引擎交给 EDA 厂商，仍可以使用自己的模型、数据和优化策略；而 ADS API、RF/EM 求解器、谐波平衡、PDK、DRC/LVS 和可执行工作流，负责把候选从软件空间推向制造和测量空间。

结语：是德科技提供的是 AI 走向工程结果的路径

KDES 2026 的信息可以浓缩成一句话：AI for RF 的下一阶段，是让候选经得起求解器、工艺规则、流片和测量的连续验证。

在这条路径上，Sphere Semi 提供了客户自研 AI 走到首轮流片的案例；宋阳讲清了设计环境为什么必须同时追求更快、更准、更可信；邹杨则解释了脚本、优化器、Skill、Agent 和 MCP 如何逐步进入 RF 工具链。Nexus 2027 把这些观点进一步产品化，让是德科技从“提供仿真工具”走向“提供 AI 可执行的 RF 工程平台”。

这仍然不是通用、无人值守 RFIC 自主设计的终点，公开材料也没有给出量产良率、跨 PDK 泛化能力或独立 benchmark。但对正在评估 AI for RF 的研发团队来说，判断标准已经更具体：能否接入真实求解器，能否保留自己的算法资产，能否形成可复查的工程闭环。是德科技正在构建的，正是解决这些问题所需的工程轨道。

作者：麒芯

本文基于 KDES 2026 现场分享、是德科技公开产品资料及客户案例整理，文中客户指标均按公开材料口径表述。

参考资料：

• [Keysight ADS 2027 产品发布]

• [Keysight Nexus 2027 产品资料]

• [Keysight Nexus Connect 新闻稿]

• [Sphere Semi 客户案例]

• [Keysight 2026 财年第三季度财报]