AI 設計出人類無法理解的電腦晶片——但效能表現卻出奇地好

AI 設計出人類無法理解的電腦晶片——但效能表現卻出奇地好

AI 設計展現了不尋常且高效的電路圖案。圖片來源：Emir Ali Karahan, Princeton University。

工程師通常使用熟悉的圖案和模板來設計無線晶片，並通過模擬和艱苦的測試進行改良。但一系列研究提出了一種不同的方法：一種利用深度學習驅動的電路與組件設計流程。

利用人工智能（AI），Princeton University 和 IIT Madras 的研究人員展示了一種「逆向設計」方法，即從所需的特性開始，然後根據這些特性進行設計。

該演算法創造了一些看起來很奇怪但運作良好的晶片。但有一個問題：沒有人真正知道為什麼它們運作得這麼好。

「人類無法理解它們，但它們的運作效果更好，」首席研究員、Princeton University 電氣與電腦工程教授 Kaushik Sengupta 表示。

AI 主導設計

這種 AI 驅動的方法專注於設計無線晶片，這是一種用於 5G 網絡、雷達系統和先進感測技術等高頻應用的電腦晶片。這些電路推動了從雷達系統到自動駕駛汽車等各方面的創新，但它們的開發過程以緩慢著稱。工程師會從預定義的模板開始，通過反覆的模擬和測試手動優化或改進設計。

這種方法既耗時又具挑戰性。它還需要高度的專業知識，這限制了改進的程度（以及速度）。這正是這項新研究發揮作用的地方。

以前的方法是「自下而上」，而新方法則是「自上而下」。它更有效率，因為你創建了一個完全符合你要求的系統；但要讓它成功運作則困難得多。

研究人員訓練了卷積神經網絡（CNNs）——一種 AI 模型——來理解電路幾何形狀與其電磁行為之間的複雜關係。這些模型可以預測提議設計的性能，且通常運作在與我們習慣的完全不同的設計類型上。

神經網絡與優化演算法協同工作，尋找符合工程師規格的佈局。研究人員並非簡單地接受 AI 產生的任何東西。他們使用傳統的電磁模擬檢查設計，製造出物理組件，並測量它們的性能。

該研究展示了一系列應用案例，從簡單的單端口天線到複雜的多端口射頻（RF）結構，如濾波器或功率分配器。AI 設計的緊湊型天線可以在兩個不同的頻率下運作，提高了多頻段設備的性能。在幾分鐘內，它就合成了具有精確帶通特性的濾波器，這項任務以前可能需要數天或數週的時間。

快速設計高性能電路的能力可以加速電訊、自動化系統及其他領域的進步。這種方法使工程師能夠專注於創新，而非例行公事的優化。然而，最令人興奮的部分或許是它提出的新型設計。

全新的概念

「我們想出的結構非常複雜，看起來形狀隨機，當與電路連接時，它們創造了以前無法達到的性能，」Sengupta 說。這些設計是不直觀的，與人類大腦製作的設計截然不同。然而，它們經常提供顯著的改進。

「經典設計會小心翼翼地將這些電路和電磁元件一件一件地組合在一起，使信號按照我們希望的方式在晶片中流動。通過改變這些結構，我們融入了新的特性，」Sengupta 說。「以前，我們做這件事的方法是有限的，但現在選擇要多得多。」

2025 年 8 月，Princeton 團隊發表了另一種名為 Dall-EM 的方法。這一次，研究人員使用了擴散模型（與圖像生成器相關的同一大類 AI 技術）來創建符合特定性能目標的電磁結構。

生成系統不再通過進化搜索反覆測試和修改候選設計，而是可以更快地產生合適的結構。研究人員報告稱，與他們早期的預測性 AI 方法相比，它將設計時間縮短了至少十倍，有些設計在幾秒鐘內就能收斂。

隨後又有了另一項進展。在 2026 年 2 月的 IEEE 國際固態電路會議上，團隊展示了一個整合了電路架構、組件選擇、電磁設計和物理佈局的設計框架。

另一項 2026 年 6 月的研究解決了另一個實際挑戰：生產必須符合規定物理區域的組件。AI 生成的形狀在電腦屏幕上可能看起來很壯觀，但真實的晶片有嚴格的空間限制。

這些研究標誌著工程領域的一個關鍵時刻，AI 不僅加速了創新，還擴展了可能性的邊界。然而，研究人員認為 AI 目前還不會獨立接管晶片工程。

「仍然存在需要人類設計師糾正的陷阱，」Sengupta 說。「重點不是用工具取代人類設計師。重點是用新工具提高生產力。人類的大腦最適合用於創造或發明新事物，而那些更平凡、實用的工作可以交給這些工具。」

前景光明的計劃遇到經典障礙

AI 設計晶片日益增長的野心也遇到了一個更傳統的問題：資金。

2025 年 5 月，美國國家半導體技術中心（National Semiconductor Technology Center）宣佈撥款近 1,000 萬美元，支持由 Princeton 領導的開發無線晶片 AI 驅動設計工具的努力。該計劃匯集了研究人員和行業合作夥伴，由 Sengupta 指導研究。

但僅僅幾個月後，該項目就收到了停工令。

2025 年 8 月，美國商務部撤回了對負責監管該計劃的組織 Natcast 的支持，原因是對該組織的成立方式存在爭議。這是 Trump 政府針對 Biden 政府期間啟動的計劃所做出的一系列更廣泛決定的一部分。

Sengupta 的團隊嘗試尋求替代資金，但舉步維艱。

2026 年 8 月的一項政府審計證實，Natcast 已於 2025 年 9 月停止運作，聯邦半導體研究計劃經歷了大規模的取消。目前尚不清楚 Princeton 最初獲得的獎金狀況如何。

正如該小組隨後的出版物所證明的那樣，這次挫折並未停止科學工作。但它說明了將實驗性進展轉化為廣泛使用的技術是多麼困難，即使基礎結果非常有前景。

接著，當然還有一個大局觀的問題。

黑盒

對於這些我們不完全理解的設計，我們感到多麼安心？如果這種設計出了問題會發生什麼？

毫無疑問，AI 將在我們設計事物的方式中扮演越來越重要的角色，晶片也不例外。然而在很大程度上，我們仍然無法透明地了解 AI 是如何得出其設計的。這使得工程師難以在所有條件下完全理解或預測這些電路的行為。這種「黑盒」性質可能會導致不可預見的故障或漏洞，特別是在醫療設備、自動駕駛汽車或通訊系統等關鍵應用中。

AI 生成的設計並不一定是無法解釋的。它們的行為仍然遵循電磁定律，工程師可以測試它們的性能。但要理解為什麼特定的金屬痕跡排列會產生特定的結果，可能真的很困難。

工程師必須確定設備如何應對製造變異、溫度變化以及超出初始測試範圍的運作條件。最初的研究展示了製造原型中測得的性能，但這並不能建立商業產品的長期可靠性。

正如 Sengupta 所提到的，最好的前進道路可能是人類與 AI 之間的合作。

AI 可以探索人類設計師可能永遠不會考慮的電路佈局，而工程師則負責決定哪些設計值得建造、測試和信任。

但是，過度依賴我們不完全理解其決策的系統是存在危險的。在實驗室中表現出色的設計，在無人預料的條件下可能會表現得不同。如果工程師失去了質疑、排除故障或改進 AI 產出的專業知識，即使是微小的失敗也可能變得難以診斷。

AI 可以成為創新的強大工具，但它的成功絕不應成為放棄人類理解和監督的藉口。

期刊參考：Emir Ali Karahan et al, Deep-learning enabled generalized inverse design of multi-port radio-frequency and sub-terahertz passives and integrated circuits, Nature Communications (2024). DOI: 10.1038/s41467-024-54178-1

透明度說明：本文最初發表於 2025 年 1 月，現已更新以包含新的研究進展、額外背景以及對 AI 設計晶片風險和局限性的更詳細討論。此次更新是我們不斷努力重新審視和改進先前發表的報導的一部分，確保我們的報導保持準確、相關並以最新的科學證據為依據。