收益：
- 能够根据风险级别区分人工智能在电子/通信工作流程中哪些地方可以实时节省时间，以及哪些合规性和安全关键责任仍由有能力的工程师承担
- 能够应用多层验证规则，根据测量、模拟、标准文本和独立计算来测试每个人工智能输出
- 养成匿名上下文并选择安全工具来保护设计文件、客户网络数据和知识产权的习惯
电子和通信工程师的工作是将不可见的物理量（电压、电流、频率、场）转化为工作产品和可靠的连接。设计电路，放置印刷电路板（PCB：印刷电路板，放置元件的绝缘板），过滤和调制信号，从天线发射信号，编写嵌入式软件（固件：写入永久存储器中的软件，直接操作设备的硬件），建立协议，监控网络性能并根据标准和法规记录所有这些。这些工作的共同特点是处理大量测量和数据，但每个决策都决定了产品是否有效、广播是否保持在法律限制内、系统是否安全。人工智能（简称AI；利用大数据和语言模型处理文本、数字、代码和图像的软件系统）是这个数据密集型但决策关键领域的强大帮助。本单元教您在电子/通信工作中何处安全使用人工智能、何处存在危险，以及为什么必须通过测量、模拟、标准文本和工程判断来验证每个人工智能输出。
您将在本模块中使用的中心原则是：人工智能是助手，而不是决策者。电源电流、阻抗值、滤波器截止频率、发射功率限制或标准条款不能仅仅因为“人工智能这么说”就为真；在通过数据表、测量、模拟、官方标准文本和有能力的工程师判断来验证之前，这只是一个假设。你会在模块的每个单元中再次看到这句话，因为在电子领域，错误的编号通常意味着卡烧毁、产品认证失败或通信链路崩溃。
什么是LLM，它在电子/通信领域有什么作用？
LLM（大型语言模型）是一种从大量文本和代码中学习模式并根据概率预测“下一个单词”的软件。这是ChatGPT、Claude、Gemini等工具的引擎。重点是：LLM是“语言和代码估计器”，而不是“测量设备”或“知识库”。能流利地说出工程术语，但不会测量阻抗；产生看起来最有可能的数字。因此，它可以给出有关组件电源电流、法规限制或标准表的自信但不正确的答案。这称为幻觉（虚构）。幻觉并非故障，而是该技术的固有特征；因此，验证不是“额外的步骤”，而是工作的一个组成部分。
人工智能在电子/通信领域的强项任务：
- 概念讲解和教学：什么是阻抗匹配、OFDM如何工作、导致混叠的原因、EMC如何被破坏。
- 代码和固件草案：微控制器驱动程序、状态机、Python 信号分析、测试自动化框架。
- 数据清理和组织：将分散的测量日志转换为连贯的表格，捕获单位不匹配。
- 生成假设列表：系统地列出问题的原因，例如为什么电路不起作用、为什么链路断开。
- 文本草稿：测试计划、故障报告、技术文件草稿、数据表摘要。
- 账户设置：建立链路预算、功率预算、滤波器设计步骤的框架。
人工智能的弱点和风险：
- 精确的数值（电源电流、阻抗、截止频率、广播功率限制）。
- 当前和具体的标准/立法文章、表值和发布信息。
- 无需硬件的实际测量数据即可进行诊断。
- 合规性和安全关键决策：EMC 符合性声明、发布、适用性、安全限制。
基于风险的分类：使用AI之前的过滤器
并非每项任务都处于相同的风险级别。在使用人工智能之前，按风险级别对任务进行分类。下表提供了您将在本模块中使用的决策框架。
风险等级
样本任务
人工智能角色
强制验证
低
概念解释、文本草稿、代码骨架
免费使用
评论就够了
中等
数据清理、假设列表、计算设置
草稿/共同作者
人工核对+数据表确认
高
电路额定值、滤波器/天线设计、固件逻辑
想法生成器
模拟+原型测量
批评的
EMC/广播合规性、安全裕度、适用性
仅草稿/扫描
有能力的工程师批准+认可的测试
提示：如果您将任务标记为“关键”，则 AI 的输出永远不是最终文档。最多可以是一个初步草案或清单；主管工程师签字并承担责任。
端到端流程：将人工智能嵌入到您的工作流程中
电子/通信领域的典型问题解决周期如下，人工智能进入每个步骤，但不会自行关闭任何步骤：
- 定义问题：将设计什么、性能目标是什么、有什么约束（功率、成本、频率、立法）？ （AI：澄清问题。）
- 收集数据/要求：数据表、标准限值、测量日志。 （AI：总结并查找不一致之处。）
- 生成假设/设计：替代拓扑、解决方案场景。 （AI：生成系统列表。）
- 分析：计算、仿真、代码、信号分析。 （AI：生成代码和计算虚构。）
- 验证：模拟、原型、测量、标准文本。 （人工智能处于边缘地位；测量和人类决定。）
- 记录并决定：主管工程师负责。 （AI：起草者。）
牢记这六个步骤；该模块的其余部分将逐步向您展示如何将人工智能用于具体的电子/通信任务。
三个迷你箱子
情况 1 — 元件值不正确。实习生询问 AI 在由 3.3 V 稳压器供电的电路中所需的去耦电容值； AI 说“100 nF 就足够了”，并且还给出了精确的处方：“为每个 IC 添加 10 µF”。实习生直接将其写入图表中。而正确的值取决于所用芯片数据表中的建议、开关频率和电流曲线。在该设计中，高速芯片每秒消耗数亿次电流，仅 100 nF 是不够的；该卡在启动时表现不稳定。正确的方法是从每个芯片的数据表和电源完整性分析中获取值。
案例 2 — 不存在监管限制。一位工程师向 AI 询问他的产品在 2.4 GHz 频段的最大允许 EIRP（等效各向同性辐射功率）。 AI 表示“根据规定为 20 dBm”并组成一个物质编号。工程师相应地编写技术文件。在测试实验室中发现，极限值根据频段、信道宽度和国家/地区的不同而有所不同，并且给出的项目编号并不真实。正确的做法是从官方来源公开现行法规（例如相关的ETSI/FCC文件和国家主管部门的决定）并确认其价值和实质。
案例3——正确使用。工程师怀疑温度传感器的 5000 行测量日志存在不一致。它告诉人工智能“列出该表中可能存在单位不一致（°C/°F 混淆）、物理上不可能的值、尖峰和空白单元格的行，并为每个单元写下您怀疑的内容；不要纠正，只需标记。” AI 会标记多个 999 代码读数、两个 -300 °C 读数以及类似于传感器重置的尖峰。工程师根据原始数据检查并纠正这些内容。这里人工智能的使用是正确的：引起注意，人类做出决定和纠正。
可复制的提示模板
您可以根据自己的业务调整以下模板来使用它们。在每一个中，都有一个有意识的指令“给出准确的数字，表明来源，解释不确定性”。
角色和限制模板“角色：您是一名经验丰富的助理电子/通信工程师。任务：[写主题]。规则：在给出准确的数值（电流、阻抗、频率、功率限制）时，说明必须从所选组件的数据表或测量中验证；如果不确定，请说“已验证”。如果给出标准/监管条款，请给出其版本，但必须从官方来源确认。最后在你的答案中，写下“需要通过模拟/测量验证什么”。
假设生成模板“生成以下症状的可能原因的系统列表：[描述症状；观察到什么，有什么测量]。对于每个假设：(1) 有哪些证据支持它，(2) 应进行哪些测量（示波器、分析仪、万用表）来确认/反驳。做出明确的诊断；创建故障排除路线图。”
验证清单模板“列出下面设计/报告草案中的每个数值和每个标准/法规参考。对于每个数值，请指出应验证的来源（数据表、官方标准文本、实验室测量、模拟）。将来源不确定的收集到“未经验证不得使用”下。文本：[粘贴]。”
匿名化预检查模板“在将以下文本提供给人工智能工具之前，标记商业秘密或个人/监管敏感部分：客户/项目名称、PCB 文件参考、固件密钥/密码、真实 IP/MAC 地址、订户数据、隐藏成本。建议我如何对这些进行匿名化。文本：[粘贴]。”
弱提示/强提示
用两种方式问同一个问题会产生截然不同的结果。
弱提示：“这个天线的增益是多少？”
强烈提示：“角色：您是一名助理射频工程师。解释必须通过哪些步骤来确定天线的增益（类型选择、尺寸、现场模拟、消声室测量）以及每一步需要哪些数据和验证。不要给出确切的增益数字；强调这只能通过模拟和测量来确定，dBi 单位的含义和监管限制将通过 EIRP 进行评估。”
弱提示请AI补；强烈的提示使其保持正确的工作（过程描述）并从一开始就防止数字幻觉的发生。
常见错误
- “询问”人工智能组件/设计值。电源电流、阻抗、截止频率仅来自数据表和测量。
- 使用标准/立法条款而不进行确认。物品编号、表值和发布经常出现幻觉。
- 基于人工智能输出的合规性/安全决策。 EMC 合规性、广播授权、可维护性均由有能力的工程师和经过认可的测试完成。
- 将敏感数据粘贴到云工具中而不进行匿名化。 PCB/固件、客户拓扑和订户数据属于商业秘密和个人数据。
- 等待一问一答。迭代地使用人工智能：起草、批评、模拟、测量、完善。
注意：人工智能输出中出现的数字越精确、越可信，验证的必要性就越高。精度并不能保证准确性。
综上所述
在本单元中，您已经看到人工智能是电子/通信领域的助手，而不是决策者。 LLM 是语言和代码估算器；在概念澄清、代码/固件大纲、数据清理和假设生成方面功能强大，但在生成精确的组件值和标准物质（幻觉）方面存在风险。将任务分类为低/中/高/关键，并相应地调整验证深度。验证数据表或测量中的每个数值，以及官方来源的每个标准参考。合规性和安全关键决策始终由合格的工程师负责，并在使用前对敏感设计/客户数据进行匿名化。
应用任务
从您自己的工作（或想象的电子项目）中选择五个任务：概念描述、数据清理、故障假设列表、组件/数值以及监管/标准问题。将每一项都放入上面的风险表中。然后使用“角色和边界”模板将两个低/中风险任务外包给人工智能，并使用“验证清单”模板标记输出的每个数字/标准元素。写下哪些元素未经验证就不能使用。
清单
- [ ] 在使用任务之前，我将其置于风险级别（低/中/高/严重）。
- [ ] 我从数据表和测量中获得了组件/设计值，而不是询问 AI。
- [ ] 我已验证来自官方来源的每个标准/法规参考（正确版本）。
- [ ] 我对敏感数据进行了匿名处理（PCB/固件、客户、IP/MAC、订户）。
- [ ] 我将兼容性/安全关键决策留给了合格的工程师和认可的测试人员。
- [ ] 我扫描了AI输出中的每个数值是否为“未经验证不得使用”。