最近几个月，模拟IC圈子里的AI含量肉眼可见地变高。4月开始，《AI×Virtuoso仿真调参完整实录》《AI赋能模拟IC设计初体验》这类文章在微信群里被密集转发。知乎知乎5月，B站UP主张托肯开源的 virtuoso-bridge-lite 项目教程收获了几百收藏。哔哩哔哩就在今天上午，小红书又有一个叫 TedBrain 的模拟IC AI服务开放了申请。
评论区吵得很真实。一边是兴奋，有人晒出成果：感谢托肯老师的bridge，我利用这个bridge完成了一个OTA的迭代，效果不错。哔哩哔哩另一边是警惕：「且不说信息安全，这是帮助openai把自己的饭碗干掉。」中间夹着最实际的疑问：这东西到底能不能用，值不值得我花时间和钱去上？
我把知乎、B站、小红书上能找到的实测帖、视频评论和官方动向都翻了一遍。先说结论：AI确实能在Virtuoso里干活了，但能干什么、不能干什么，边界已经很清楚；坑也很明确。
先看AI现在能在Virtuoso里干什么
目前公开信息里最完整的一份实测，是知乎网友「兔二思」写的《AI × Virtuoso 仿真调参自动化完整实录》。他用Codex接上Virtuoso，从最简单的反相器一路跑到15个管子的运放：
反相器，2个管子、4项spec：AI自己调NMOS/PMOS的宽度，达标；
运放TT单点：AI自己识别出Miller补偿管，写脚本从m=12扫到m=24，相位裕度一路拉到达标，纯调参部分不到5分钟；
加到8项spec：第二轮，20分钟，8/8 ALL PASS；
最后上45组PVT角×8项spec，共360项检查：初始33项fail，两轮搜索后降到17项——然后卡住了，最终靠人手调2个参数，全部通过。
几个细节值得咂摸。第一轮他在提示词里写「不要改VDD和Fs」，AI没理会；改成「只允许修改器件参数」才走对——正向指引比负向约束可靠。知乎后来他干脆把执行步骤从提示词里删光，只留目标和约束，环境信息写进AGENTS.md，反而跑得更顺。
更关键的是它卡住的方式：PVT阶段，AI曾把worst-case UGF从10.96M拉到17.64M，改善明显，但相位裕度同时崩了。它不知道这个方向为什么有效，也就没法在「拉UGF」和「保PM」之间找平衡。用作者的话说：AI靠的是搜索能力，哪个参数动了之后spec变好就往哪走；而哪条支路决定偏置电压、哪条路径电流代价最小，这种结构性认知，搜索是搜不出来的。知乎下面是开源桥接工具在Virtuoso里跑出的瞬态仿真波形。除了上升下降沿有点慢，功能一切正常。知乎
B站评论区还有一个方向完全不同的实验：有人让AI画一个反相器的版图。结果是画一个反相器版图烧掉将近70美元的token。哔哩哔哩他的原话是：「还是说他最好是跑参数迭代和仿真，别的自己做。」
所以现阶段的能力边界其实挺清楚：批量仿真、参数扫描、数据导出、网表生成这类结构化重复劳动，是AI的甜区；画版图、理解复杂补偿结构、做指标间的取舍，目前还是人的活。
三条路线，三种上车姿势
想让AI操作Virtuoso，眼下大致有三条路：
第一条：开源桥接，自己动手。张托肯的 virtuoso-bridge-lite（GitHub：Arcadia-1/virtuoso-bridge-lite）是目前讨论度最高的方案。它本质上是给Virtuoso装了一个「AI可远程操控接口」：AI可以通过它执行SKILL代码、打开cellview、修改原理图和版图、跑Spectre仿真、把Maestro的结果打包导出。知乎因为支持SSH隧道和跳板机，本地机器能连上实验室或公司的服务器。B站有自动版和手动版两集喂饭教程，收藏量都在几百。这条路免费开源，代价是你得自己折腾环境，大模型token自费。
第二条：第三方服务。比如今天刚开放申请的TedBrain，官方口径是「接入如同切换大模型，原有工具、脚本无需改动」，用自然语言解析电路、跑仿真、做性能优化，输出可追溯报告。注意它的申请须知写得很直白：需要你自己提供上游模型和token，会话过程消耗的是你的token；使用过程不可避免地访问你的设计数据，敏感数据请谨慎使用。小红书目前还在申请审核的早期阶段，公开的用户反馈还很少。
第三条：Cadence官方。Cadence官方账号今年一直在推 Virtuoso Studio——随IC25.1推出的新一代定制设计平台，主打「AI驱动」，包括新的Dashboard和设计审核流程。知乎知乎这属于厂商路线，跟着版本升级和采购走，个人能不能用上，取决于公司或学校的license。
顺带说一个很多人会混淆的版本现状：部分高校还在用的IC5141、大多数教程基于的IC618、以及新的年份编号版本IC25.1，不是一代东西。如果你手里的环境还是5141，建议先在本地虚拟机把618或更新版本跑起来，再谈接AI——教程生态几乎都在618上。
教程里不写的成本和坑
教程都在讲「怎么搭起来」，很少讲「搭起来之后会遇到什么」。下面是从评论区收集到的真实声音：
一，token成本是暗坑。70美元画一个反相器版图是极端案例，但模式很普遍：AI每跑一轮参数扫描，都要读上下文、生成SKILL、试错重试，token消耗远高于日常聊天。上车前先给API设好预算上限，别让一次跑飞账单教你做人。
二，服务器权限是制度问题，不是技术问题。有人问「实验室的服务器不支持SSH怎么办」，评论区的答案一针见血：问管理员，这不是技术问题，是制度问题。哔哩哔哩很多课题组和公司服务器对外网访问、远程接入有严格规定，动手前先确认规则，别抱侥幸。
三，网络环境会打架。调大模型API要梯子，连内网服务器要SSH，两者经常冲突。评论区已经有人给出解法：设置路由规则，把目标IP的流量直连，只让API走代理。哔哩哔哩
四，数据合规是硬红线。无论是第三方服务还是开源桥接，本质都要求设计数据能被AI访问。对签了NDA的在研项目、涉密项目，这一条基本一票否决。评论区对信息安全的警惕也不是没有来由，有人的说法很直接：且不说信息安全，这是帮助openai把自己的饭碗干掉。哔哩哔哩拿开源PDK和课后作业级别的电路练手没问题，生产数据别碰。
评论区还有一场关于「AI会不会干掉模拟IC工程师」的争论。比较被认同的说法是：真正动手的是EDA三巨头自己下场做AI化，多数工程师是拿AI当放大器。哔哩哔哩在2026年DAC大会上，Synopsys、Cadence、Siemens EDA几乎同时亮出了各自的Agentic AI布局——厂商把智能体直接做进设计流程，已经是明牌。36氪那份360项实测的结局也印证了这一点——最后收敛到全绿，靠的是人对补偿结构的定向判断，AI负责的是把96组候选参数先筛一遍。
谁适合上车，谁应该等等
按目前的信息，给三类人一个参考判断：
学生党、本地虚拟机选手：现在最适合上车的人群。没有数据合规负担，试错成本就是token钱和时间。跟着喂饭教程把bridge跑通，先让AI干「跑一遍反相器参数扫描、导出数据」这种小事。收益很实在：SKILL脚本和仿真自动化的门槛大幅降低，这套能力进哪家公司都用得上。
实验室有服务器的研究生：技术上可行，制度上先问。确认课题组允许远程接入和外网访问之后再上，bridge的SSH隧道模式就是为这个场景设计的；不允许就别绕，PDK和项目数据往往绑着保密义务。知乎下面就是通过bridge的SSH隧道连上远程Virtuoso服务器的实录：
公司在职工程师：建议先看不动。NDA内的设计数据是红线，真要用，等公司统一评估引入官方工具，或者至少拿到IT和保密流程的许可。期间可以用个人环境加开源PDK，先把「用AI写SKILL、跑批仿真」的手感练出来。
后续值得盯三个信号：Cadence官方AI功能在Virtuoso Studio里的落地节奏，这决定正版基准线；开源桥接项目的稳定性迭代，通信层断连目前是高频槽点；以及第三方服务从申请制走向公开口碑的过程，尤其是它们的数据处理方案会不会被圈内验证。
最后引一句那份360项实测实录的结尾：最终拉开差距的，不是谁的AI工具更强，而是你对电路本身的结构性理解。知乎AI把执行门槛打下来了，但最后一步的方向盘，还在人手里。
你试过用AI跑仿真调参吗？烧了多少token、跑到哪一步了？评论区聊聊。
