十年以后，我用 AI 重新完成了 2016 年的那个项目

昨晚睡觉前，我突然想起了 2016 年。
那一年，我还是一名大学生，正在参加全国大学生电子设计竞赛（省级赛区）。距离现在，已经整整十年了。

最近一段时间，我偶尔会看到一些关于 AI 的工程实践。

OpenAI、Anthropic 背后的模型，正在逐渐展现出令人惊讶的工程能力。过去需要资深工程师花费大量时间完成的工作，现在可以通过模型辅助完成：PCB 设计与布线、复杂电路原理图设计、硬件调试思路、软件驱动开发，甚至一些需要多年经验才能总结出来的工程技艺。

前几天还看到有人利用 Claude 或 Codex，辅助设计一套 3D 打印耗材制作系统，涉及约 18 万行单片机代码。

这让我产生了一个有趣的想法。

过去，我们习惯把硬件设计和软件开发看成两种不同的专业能力。但从认知活动的角度看，它们有一个共同点：都需要处理复杂约束，在有限的信息中建立模型，拆解问题，设计方案，再通过实验不断验证。

而这恰恰是现代大模型正在展现出优势的地方。

当然，能生成方案不等于能保证工程可靠性。真实世界里的电气特性、信号完整性、时序约束、器件差异、制造误差和环境干扰，依然需要验证。

但至少，过去那些因为知识门槛太高而难以重新拾起的工程问题，现在有了新的入口。

于是，昨晚我想起了自己的一个旧项目。

012016 年，最后一个电子设计项目

当年参加的题目叫作《脉冲信号参数测量仪》。

整个项目由我负责总体设计。

主控部分采用单片机，负责系统控制和参数处理；高速信号采集与处理模块则交给 FPGA，负责处理相对复杂的高速信号。

当时我的设计思路比较简单：

尽量简化系统结构，减少不必要的复杂度。简单即是美，模块之间的关系越清晰，出错的可能性就越低。

我负责整体设计和相应代码，小伙伴负责焊接、电路加工以及结构固定。

学生时代的工程项目，和企业里的工程项目毕竟不是一回事。

没有成熟的研发流程，没有完善的测试体系，也不可能要求每一个模块都具备企业级产品的鲁棒性。

我们能做的，就是在有限的时间、知识和实验条件下，尽可能让系统达到设计指标。

在实验室里，我们进行了线下调试，测试参数、性能，检查系统是否符合要求。

当时的结果是达标的。

我还记得，2016 年 8 月，我们前往桂林电子科技大学金鸡岭校区参加线下测评。

结果到了现场，设备竟然出了故障，最终没有测出预期结果。

考官给出了最终成绩。

现在回想起来，那个场景多少有些遗憾。

实验室里能够正常工作的东西，为什么到了真实测评环境就不行了？

究竟是信号采集的问题、时序问题、硬件连接问题，还是现场环境下某些没有考虑到的边界条件？

当时的我其实没有能力把所有问题彻底搞清楚。

而且，那段时间身体状况也不太好。相比继续留在实验室里折腾项目，我更需要优先考虑养病。

后来，我退出了实验室，开始为毕业做准备，再后来逐渐转向网络安全领域。

那次比赛，也就成了我学生生涯里最后一个电子设计项目。

02十年以后，我决定重新打开这个项目

2026 年，人工智能技术革命已经走到了一个相当有意思的阶段。

昨晚，我突然想：既然现在的模型已经具备相当不错的工程分析能力，为什么不把十年前的项目重新拿出来看看？

于是，我找到了当年的资料。

说实话，很多细节早就忘记了。

当年为什么这么设计？为什么选择这种架构？各个模块之间的逻辑关系是什么？哪些地方可能存在隐患？

我已经没有办法像当年一样，凭记忆完整复述出来。

但这次，我有了新的工具。

我利用 Codex，通过人机交互的方式，重新梳理当年的工程设计。

我把它当成一位经验丰富的硬件工程师，甚至是一位骨灰级工程师，尝试讨论当年的设计逻辑。

从总体架构、单片机与 FPGA 的分工，到高速信号采集、参数处理、时序关系，再到现场测评可能出现的故障，以及当年设计中可能存在的缺陷和改进方向。

它帮助我重新建立了这个项目的知识结构。

有些当年没有想明白的问题，现在可以换一个角度理解；有些当年没有能力排查的潜在缺陷，现在也能够通过系统化分析找到值得验证的方向。

当然，AI 的分析不等于对历史故障原因的最终鉴定。没有完整的现场记录、原始代码和实物测试，我们也不能假装已经知道当年究竟哪里出了问题。

但这已经足够了。

我不再需要为了一个十年前没有完成的项目，反复纠结当年的自己究竟哪里做得不够好。

我决定把这次重新梳理的工程资料存档。

以后不看了。

就让它留在那里吧。

03技术变了，但工程师的好奇心没有变

我后来进入了网络安全行业。

从漏洞研究、威胁情报，到 APT 攻击分析、恶意代码检测、EDR 和终端安全运营。

这些工作与电子硬件设计看起来完全不同。

一个面对电路、信号和时序，一个面对攻击链、恶意代码、行为检测和复杂的企业网络环境。

但仔细想想，底层的思维方式其实有不少相通之处。

提出问题，建立假设，设计方案，寻找证据，进行实验，观察结果，再根据反馈修正原来的判断。

工程从来不只是把东西做出来。
更重要的是理解为什么它能够工作，为什么它会失效，以及在什么条件下它可能失效。

十年前，我在实验室里试图解决一个脉冲信号测量问题。

十年后，我在企业里试图解决复杂网络环境中的威胁检测问题。

对象变了，工具变了，知识体系也变了。

但那个喜欢追问为什么、喜欢拆解问题、喜欢探索未知的自己，好像一直没有消失。

我甚至觉得，现代 AI 技术最有意思的地方，并不是它能够替代多少人的工作。

而是它让一个普通人重新获得了接触复杂知识、探索陌生领域的机会。

以前遇到一个问题，可能因为缺少经验、缺少资料、缺少专业人士指导，只能停留在想法阶段。

现在至少可以先与模型讨论，建立初步方案，寻找潜在缺陷，再尝试通过现实实验验证。

知识的获取成本正在发生变化。

这并不意味着工程师不再重要。

恰恰相反，当生成方案的成本下降以后，判断方案是否正确、能否落地、是否可靠，以及如何验证，可能会变得更加重要。

04十年以后，终于可以和当年的自己和解

昨晚重新整理完项目，我其实挺开心的。

不是因为 AI 有多么神奇，也不是因为终于证明了当年的设计没有问题。

而是我终于可以用今天的知识和工具，重新理解十年前那个能力有限、经验不足、身体也不太舒服的大学生。

当年比赛没有取得预期结果，这件事一直留在记忆里。

但它并不是什么人生污点。

那只是一个普通学生，在有限的条件下，认真完成过的一次工程实践。

至于最后的结果，有成功，也有失败。

这很正常。

十年过去了，我没有继续从事电子设计，也没有成为硬件工程师。

但我并没有失去对工程技术的兴趣。

昨晚，我通过现代 AI 技术，重新走了一遍十年前的工程设计过程。

某种意义上，这像是一次迟到了十年的技术复盘。

我把资料保存起来，决定不再反复翻看。

然后起床，准备出门溜达一会儿。

毕竟今天还有一场面试。

有网友 B 说，这个岗位可能是 P8？

我觉得大概是假的，现在招聘信息里的职级有时候也不能太当真。

不过，无意中又看到上周五网友 A 发给我的一段招聘信息，恰好提到了这个岗位，说是高阶岗位。

我重新看了一遍 JD。

好家伙，要求还挺多，能力覆盖面极广，技术复杂度也不低。

看着看着，我甚至开始怀疑：

我是不是被拿来做小白鼠了？ ʚ🐭ɞ

哈哈。

十年前，我带着一个没有完全解决的工程项目离开了实验室。

十年后，我带着一份重新梳理的工程档案，继续面对现实世界里的不确定性。

今晚还有面试，明天还有生活。

至于那个 2016 年的项目，就让它好好躺在档案里吧。

感谢现代技术，让我有机会重新回到过去，也终于有机会和过去的自己握手言和。

(⚡️ω⚡️)

✦ · ✦ · ✦

— 完 —