AI 开始学习 PCB 布线了，但它真的懂工程吗？
原创 jishuzhain 2026-11-13 21:00 广东
— ◆ —
从大学时手工画板的一周，到大模型尝试成为 PCB 布线工程师。
大学期间，我学的是电子信息工程专业，接触过 PCB 设计与布线。
刚开始并不熟悉这些 EDA 软件，也不知道怎样才能把一块电路板布置得合理。当时软件已经提供了自动布线功能，但我还是选择了一个比较笨的办法：自己动手，一遍遍地练习布线。
整整一周，每天重复相似的操作。
后来终于熟悉了很多。
现在回想起来，那一周的练习倒也不只是熟悉软件操作。随着练习次数增加，我逐渐理解了走线、焊盘、过孔、线路间距和空间布局之间的关系，也开始意识到，为什么有些线路应该先布，有些区域需要预留，为什么看起来更短的线路不一定就是更好的线路。
最近看到一篇论文，让我重新想起了这段经历。
论文标题：
PCBRouteAgent: How Close Are LLM Agents to Becoming PCB Routing Engineers?
论文于 2026 年 11 月 5 日发布，研究的是一个很具体的问题：能否让大语言模型 Agent 承担 PCB 自动布线工作？
论文地址：https://arxiv.org/abs/2611.08175
项目代码：https://github.com/chip-ai-agent/PCBRouteAgent
我觉得这个研究值得关注的地方，不仅是 AI 开始尝试自动布线，而是它涉及一个更有意思的工程问题：
当一个任务存在大量约束，而且每一个局部决策都会影响其他决策时，AI 能否找到一个真正可行、合理且经济的工程方案？
• • •
一、PCB 布线不是简单地连接两个点
先简单介绍一下 PCB 布线。
一块 PCB 上有很多电子元器件，它们通过不同的电气网络连接起来。原理图描述的是电气连接关系，而 PCB 布线则需要把这些连接关系落实到真实的物理空间中。
听起来似乎很简单。
例如，两个焊盘需要连接起来，找到一条没有障碍物的路径就可以了。
但真实情况复杂得多。
首先，线路有宽度要求，不同网络之间需要保持足够的安全间距。
其次，PCB 可能有多层铜箔。不同层之间需要通过过孔连接，而过孔本身也会占据空间，并增加制造成本。
再往下，还有高速信号、差分对、阻抗控制、串扰、回流路径等电气要求。
除此之外，还有一个经常被忽略的因素：制造成本。
例如：
—增加 PCB 层数，通常意味着更高的材料和加工成本。
—增加过孔数量，会增加钻孔、电镀等加工要求。
—过于复杂的走线可能增加制造难度。
—线宽、线距越接近制造工艺极限，对加工精度的要求越高。
—为了满足信号完整性要求，有时候还需要改变原有布局，甚至重新进行器件摆放。
因此，PCB 设计不是简单地把所有线路连接起来。
它需要同时考虑电气性能、空间资源、制造工艺、可靠性和经济成本。
同一份原理图，可能存在很多种不同的 PCB 实现方案。
它们都可能满足基本功能，但制造成本、性能和可靠性却可能存在明显差异。
这实际上是一个多约束、多目标的工程优化问题。
• • •
二、这篇论文如何让 AI 完成布线？
PCBRouteAgent 的设计思路比较有意思。
它没有要求大模型自己完成所有布线操作，而是将任务拆分成两个部分。
第一部分：全局布线规划器（Global Routing Planner）。
由多模态大模型负责理解 PCB 的整体布局和结构化电气信息，制定高层次的布线策略。
例如：
—哪些网络需要连接？
—哪些连接应该优先处理？
—不同网络应该采用什么连接拓扑？
—哪些区域适合走线？
—是否需要进行层间切换？
—某条线路失败后，应该怎样调整原来的规划？
第二部分：详细布线执行器（Detailed Routing Executor）。
具体的布线操作交给 KiCad 原生 Push-and-Shove Routing 引擎完成。
它负责实际生成铜箔走线、处理几何障碍、调整局部路径，并在执行失败时尝试其他方案。
两者通过反馈机制形成一个闭环：
观察电路板 → 制定策略 → 执行布线 → 检查结果 → 分析失败 → 修改规划 → 再次执行。
这里有一个值得注意的技术细节。
论文还采用了最小生成树（MST）来构建初始连接拓扑，并以估计连接长度等启发式信息初始化布线顺序。
这意味着，它并不是完全依靠大模型凭感觉决定所有连接关系，而是将传统图论算法、几何搜索和大模型的全局规划能力组合起来。
我认为这种设计比让大模型直接模拟工程师点击鼠标更加合理。
大模型负责理解和规划，专业工具负责执行和验证。
这也是 AI Agent 在专业工程软件中比较值得探索的一种架构。
• • •
三、局部最优，可能让整个电路板陷入困境
论文中的一个失败案例让我印象比较深刻。
Agent 在布线过程中，先完成了传感器电源线路，随后再尝试连接控制器与传感器之间的 SCL、SDA 信号线。
结果，之前完成的电源线路占据了有限的布线空间，导致后续信号线路难以顺利连接。
即使尝试换层，也无法彻底解决问题。
这里真正的问题不是某条线路画错了。
而是前面的决策改变了后面所有决策的可行性。
这可以抽象成一个优化问题。
假设一块 PCB 有 n条待布线网络，每条网络都有若干条可选路径。
我们需要从这些路径中选择合适的组合：
P*=argminP1,…,PnJ(P1,…,Pn)
但这里存在一个麻烦：
每条线路的选择并不是相互独立的。
一条线路占据某个空间，就可能影响其他线路的可行路径。
因此，不能简单地把每条线路单独优化，再把结果组合起来。
这也是工程优化中经常遇到的问题：
局部最优不一定能够组合成全局最优。
人类工程师在设计时，往往会主动考虑后续布线需求，为难以连接的网络预留空间。
这是一种面向未来约束的规划能力。
论文试图让 Agent 也具备这种能力，但实验中的失败案例说明，它还没有完全解决这个问题。
• • •
四、真正的工程难题：最优解还要考虑制造成本
这是我觉得 PCB 布线最值得深入讨论的地方。
假设我们有两个方案。
方案 A：
—使用两层 PCB。
—线路稍长一些。
—需要适当增加过孔。
—能够满足电气要求。
—制造成本相对较低。
方案 B：
—使用四层 PCB。
—布线更加容易。
—信号和电源规划有更大的空间。
—可以降低某些布线冲突。
—但材料和加工成本更高。
哪个方案更好？
没有统一答案。
如果只是一个简单的低速控制板，方案 A 可能更经济。
如果是高速通信设备，方案 B 可能更合理。
这里还有一个容易被忽略的问题：制造商的工艺能力。
假设两个方案都能满足设计规则，但其中一个方案要求非常细的线宽和线距，另一个方案则采用更宽松的制造参数。
那么，即使前者在 PCB 软件中能够通过规则检查，也不意味着它在实际批量生产中一定更经济、更可靠。
设计规则本身也需要与具体制造工艺相匹配。
因此，PCB 布线并不是单纯寻找一条最短路径，而是在多个目标之间进行权衡。
我们可以尝试建立一个简化的多目标优化模型：
minJ(x)
其中：
J(x)=αCm(x) +βCr(x) +γCs(x) +δCq(x)
这里：
—Cm：制造成本，包括板层、材料、钻孔及加工费用。
—Cr：布线成本，包括走线长度、过孔数量和布线拥塞。
—Cs：信号质量方面的代价。
—Cq：可靠性方面的代价。
—α,β,γ,δ：不同目标的权重。
当然，这只是一个简化模型。
实际设计还需要加入大量硬约束，例如最小线宽、最小间距、阻抗范围、差分对约束、制造商工艺能力等。
而且，不同目标之间可能存在冲突。
例如，为了降低制造成本，可能希望减少 PCB 层数；但为了满足高速信号的阻抗和回流路径要求，又可能需要增加层数。
这就涉及多目标优化中的 Pareto 最优。
一个方案可能在制造成本上更好，却在信号质量上不如另一个方案。
如果无法在不牺牲其他指标的情况下继续改善某个指标，那么这个方案就可能位于 Pareto 前沿。
工程师需要根据产品用途、预算、性能要求和制造条件，选择一个最合适的方案。
这才是现实工程中的优化。
值得说明的是，PCBRouteAgent 当前主要优化连接完成情况、设计规则、走线长度和过孔数量，并没有建立一个完整的制造商报价模型，也没有直接求解从设计到量产的全部经济成本。
我这里讨论的制造成本，是在论文现有研究基础上进一步延伸出来的工程问题，而不是论文已经实现的功能。
• • •
五、实验结果：AI 已经能做不少事情，但复杂度仍然是障碍
论文在 247 块 PCB 上进行了测试，包括 128 块合成电路板和 119 块真实开源电路板。
使用 Claude Opus 5.5 的实验结果如下：
测试集 | Clean Pass |
|---|---|
D2（合成电路板） | 100% |
D3-A（小型真实电路板） | 94.9% |
D3-B（中型真实电路板） | 100% |
D3-C（大型真实电路板） | 40% |
这里的 Clean Pass 指的是所有要求的连接都完成，并且没有错误级设计规则违规。
尤其值得关注的是 D3-C。
大型电路板的 Clean Pass 只有 40%，但平均 Routability 达到了 94.9%。
也就是说，很多失败的电路板实际上已经完成了绝大部分连接，剩下少量难以处理的网络或设计规则问题，却足以导致整块板无法通过完整验收。
这恰恰体现了工程自动化的一个特点：
完成 95% 的工作，不一定意味着已经交付了 95% 的价值。
在 PCB 设计中，剩下的几个连接可能恰好是最困难的部分。
而且，Clean Pass 也只是论文定义的基准测试指标，不代表通过了完整的电气、制造和产品验证。
所以，我不会因为这些实验结果就认为 AI 已经能够取代 PCB 工程师。
但它已经展示出一种很有价值的能力：能够在真实工程软件中理解任务、制定计划、调用工具、分析失败，并持续调整策略。
这比单纯让大模型生成一段布线代码更进一步。
• • •
六、从 PCB 布线想到 AI Agent 的工程化
我最近一直在关注 AI Agent 如何真正解决现实问题。
过去，我们习惯于让大模型回答问题、生成代码、总结文档。
但现在，越来越多研究开始尝试让大模型进入专业软件环境，直接参与实际任务。
PCBRouteAgent 就是一个例子。
它让我想到几个相似的方向：
软件开发：
大模型负责需求理解、架构规划和代码修改，编译器、测试框架负责执行和验证。
安全运营：
大模型负责分析告警、制定调查策略，EDR、沙箱、日志平台负责提供证据和执行操作。
逆向工程：
大模型负责制定分析思路，IDA、调试器和动态分析工具负责提供真实执行结果。
这些场景有一个共同点：
专业任务并不是单纯依靠语言推理就能完成的。
它们都有自己的专业知识、执行环境、约束条件和验收标准。
因此，一个真正有用的 Agent，不应该只会生成看起来合理的答案，还应该能够在工具环境中执行任务，并根据客观反馈修正自己的决策。
更重要的是，必须知道什么才算真正完成任务。
• • •
七、重新理解工程师的价值
大学时，我花了一周时间练习 PCB 布线。
当时可能不会想到，几年之后，大语言模型已经开始尝试承担类似的工作。
但现在回头看，我觉得工程师真正需要掌握的，可能从来不只是某个软件的操作技巧。
软件会更新，工具会变化，自动化程度也会不断提高。
但工程问题本身并不会因为工具升级就消失。
你仍然需要知道目标是什么，哪些约束不能突破，哪些成本可以接受，以及怎样验证最终结果。
AI 可以帮助我们探索更多方案，可以更快地执行大量操作，也可以帮助我们分析过去需要大量人工处理的问题。
但一个方案是否值得采用，最终还是要回到真实的工程条件中。
一块 PCB 不会因为大模型宣布布线成功，就自动变成一块能够稳定工作的电路板。
它还需要经过制造、焊接、上电、调试和实际运行的检验。
我越来越觉得，AI 自动化的真正价值，不是让机器替人完成更多操作，而是让我们能够以更低的成本探索更多可行方案。
而工程能力的核心，恰恰是从这些方案中，找到一个真正适合现实世界的答案。
毕竟，工程不是在纸面上寻找完美答案。
工程是在现实约束下，让一个方案真正成立。
本文转载自微信公众号「OnionSec」，查看原文。版权归原作者所有，如有侵权请联系删除。