这位读者的感受非常真实,也是现在通信、FPGA 圈子里很多人正在面对的变化:AI 可以快速产出 Verilog、搭建解调链路,甚至在约束得当的时候,仿真性能超出预期,但这不等于通信底层能力会变得不再重要。我们可以顺着这个高阶调制解调、信道均衡的例子,聊聊通信专业学生到底该学什么。
首先要分清两件事:AI 擅长按照描述生成代码、拼接模块、写时序框架、整理文档,但它不天然懂通信的物理边界。高阶调制解调本身的难点,从来不是敲 Verilog 语法,而是信噪比、频偏、多普勒效应、信道衰落带来的算法取舍。就像读者这套系统,解调模块 AI 已经完成,可还差信道均衡。均衡算法有很多种:迫零、MMSE、LMS、RLS,不同均衡算法适用场景、收敛速度、噪声放大特性完全不一样。AI 可以写出某一种均衡的 RTL 代码,但至少现在的它没法自动判断,在你的信道条件下该选哪一种、怎么折中资源消耗和 BER 性能。如果学生只等着 AI 出代码,一旦仿真和实测出现偏差,比如误码率和理论曲线对不上、FPGA 上时序收敛失败、硬件跑起来出现奇怪的底噪,就会完全无从下手。AI 给的代码,常常藏着它自己无法负责的假设。
其次,学生必须掌握审阅、校验、约束 AI 输出的能力,也就是读者现在正在做的事。AI 代码不是标准答案,里面会有资源浪费、时序隐患、逻辑漏洞、对通信算法简化过度的问题。想要看懂、复核、修改,基础能力一样都省不掉:数字信号处理、同步算法、调制解调原理、FPGA 时序分析、定点量化、浮点数转定点带来的精度损失,这些是判断 AI 代码好坏的标尺。读者需要 AI 补充思路文档,反过来吃透代码,本质就是人拿着通信理论,去审核 AI 的产出。未来的工作模式不再是人写全部代码,而是人定义指标、划定边界、评估结果、定位 bug。没有这套底子,所谓用 AI 开发,本质就是盲信黑盒,能力退化是必然的。
再往更远看,即便以后 AI 可以根据原理图、PCB 图自动生成配套固件,通信工程的核心工作依然在系统层面。PCB 和原理图只是载体,前面还有完整的系统需求:工作频段、发射功率、接收灵敏度、调制方式、帧结构、同步头设计、编码方案、信道模型、协议时序。这些需求谁来定义?出现射频和基带配合异常、基带算法和射频特性冲突的时候谁来排查?AI 只能在给定框架内优化,很难自主提出一套满足复杂工程约束的通信方案。很多工程难题,是跨层级耦合的,射频失真影响基带解调,基带定点误差反过来抬高射频指标要求,这种全局权衡,是通信工程师的核心价值。
所以通信专业学生学习的重心要调整,不是放弃 Verilog、DSP、通信原理,而是从 “手写每一行代码” 转向 “掌握评判、约束、调优、排障的底层理论”。语法、重复性编码工作可以交给 AI,但 BER 推导、算法优化、定点分析、时序排查、实测调试、系统方案设计,必须牢牢抓在自己手里。AI 是效率工具,会放大懂原理的人的能力,也会暴露不懂原理的人的短板。未来不会被替代的通信工程师,是能给 AI 提准确约束、看懂仿真结果、能在硬件实测出问题时溯源定位的人,而不是只会复 制 AI 代码的使用者。