收益：
- 能够在 AI 支持下使用 Python 生成清理和可视化信号、日志和遥测数据的脚本
- 在构建简单的预测和异常模型时能够识别数据质量、过度学习和外推风险
- 能够通过单元控制、参考数据和工程合理性验证人工智能生成的代码和结果
模块考试
1. 实习生向 AI 聊天工具询问 LNA（低噪声放大器）所需的电源电流，并将结果值“15 mA”直接写入功率预算表。这种方法的根本错误是什么？
- A) 当前值必须来自所选组件的数据表和工作条件； AI 生成的数字可能是无源捏造的 ✔
- B) 应该要求 AI 以 µA 为单位，而不是 mA
- C) 该值是正确的，仅应更正单位拼写
- D）向人工智能询问同样的问题三次并取平均值就足够了
说明：语言模型不知道您选择的特定组件的数据表；产生一个看起来最有可能的数字（幻觉）。电源电流仅来自所用部件的数据表和工作条件； AI输出未经验证无法入表。
2. 在电子/通信工作中使用人工智能时，“基于风险的分类”有何作用？
- A) 降低AI工具订阅费
- B) 根据任务的风险级别确定AI的作用和强制验证深度✔
- C) 提示应写得短一些
- D）自动将所有决策委托给人工智能
说明：并非每个任务都处于相同的风险级别。将任务分类为低/中/高/关键决定了哪些输出可以自由使用，哪些输出需要测量、模拟和合格工程师的批准。
3. 奈奎斯特采样准则在信号处理中的含义是什么？如果违反会发生什么？
- a) 采样频率必须至少是最高频率的两倍；否则，会出现混叠现象，信号会出现不可逆的退化 ✔
- B) 采样频率越低，分辨率越高
- C) 仅模拟信号需要采样，数字信号不需要采样
- D) 奈奎斯特准则仅决定噪声水平
说明： 为了准确地恢复信号，采样频率必须至少是信号最高频率的两倍。如果不满足这个条件，高频就会显示为低频；这称为别名，数据会永久损坏。
4. 当人工智能建议 PCB 布局时，最好的方法是什么？
- A) 将 AI 建议的布局直接发送到生产
- B) 将提案作为清单/启动进行评估，并通过 DRC、模拟和原型测量进行验证 ✔
- C) 无需打开数据表即可复制 AI 文本
- D）忽略信号完整性规则，因为人工智能拒绝它们
描述：AI 可以回忆总体布局和信号完整性原则（短返回路径、参考平面、去耦电容器放置）；然而，最终的布局是通过DRC（设计规则检查）、仿真和原型测量来验证的。 AI 的输出是一个清单和起点。
5. RF 链路预算中的“EIRP”是什么意思？
- A) 有效辐射功率，综合发射机功率和天线增益减去损耗✔
- B) 接收器处本底噪声的绝对值
- C) 天线的物理尺寸
- D) 电缆的特性阻抗
解释：EIRP（有效各向同性辐射功率）是各向同性天线辐射的有效功率，加上发射机的输出功率和天线增益，减去电缆/连接器损耗。链路预算和监管限制很大程度上取决于 EIRP；最终值通过测量和调节来验证。
6. 当人工智能在预测维护中发现温度和当前数据“异常”时，这意味着什么？
- A) 设备肯定发生故障的证明
- B) 数据偏离正常的警告；不是明确的故障诊断，而是需要现场检查确认的迹象✔
- C) 命令设备自动关闭
- D) 保证数据记录不正确
说明：异常是数据与正常行为的偏差，可能表明存在故障；但这并不是明确的诊断。禁用或更换卡/设备的决定是通过现场物理控制和运营经理的批准来做出的。
7. 在将 AI 编写的固件中断服务例程 (ISR) 代码加载到硬件中之前，为了安全性/稳定性，哪些是必需的？
- A) 直接部署到现场设备，无需阅读代码
- B) 只需检查它是否已编译并安装即可
- C) 读取代码、通过静态分析、检查共享数据/时序安全性并在硬件上进行测试 ✔
- D) 依赖输出的行数少
解释：AI代码可能会跳过保护共享变量（易失性/原子性），将长/阻塞操作放在ISR中，或者使用错误的寄存器。阅读代码，通过静态分析运行它，并在硬件上的真实条件下进行测试是至关重要的； ISR 可能对安全至关重要。
8. 数字通信中 BER（误码率）和 SNR（信噪比）之间的典型关系是什么？人工智能在解释它时应该记住什么？
- A）两者总是一起增加
- B) 它们之间没有关系
- C) 一般情况下，随着SNR的增加，BER下降；实际值取决于调制、信道和编码，并且必须通过仿真/测量进行验证 ✔
- D）该关系是恒定的并且在所有系统中具有相同的数值
解释：一般来说，随着 SNR 的增加，BER 会降低（当信号相对于噪声变得更强时，误差会减少）。 AI可以解释这一总体趋势和理论曲线，但实际值取决于调制类型、信道、编码和硬件，必须通过仿真/测量来验证；一般曲线并不能取代系统特定的事实。
9. 使用AI解决I2C通信问题（设备无响应）时最合适的用途是什么？
- A) 在假设列表中列出可能的原因；通过分析仪/示波器测量做出明确诊断 ✔
- B) 接受 AI 给出的第一个原因作为明确的故障并更换硬件。
- C) 多次加载人工智能建议的代码，但从未测量过线路
- D) 跳过分析仪测量并仅依靠人工智能预测
描述：人工智能可以提取可能的原因（错误的地址、缺少上拉电阻、速度不匹配、缺乏共同点、争用）作为系统的假设列表。然而，通过使用逻辑分析仪或示波器测量线路来做出明确的诊断； AI输出的是搜索图，而不是明确的诊断。
10. 在蜂窝网络优化中，对于AI在RSRP/SINR趋势中发现的“恶化”迹象最准确的态度是什么？
- A) 根据AI输出直接更改现网参数
- B) 忽略警告并继续观看
- C) 通过现场测量/路测和网络工程师分析验证根本原因，然后决定 ✔
- D）仅依靠AI，取消现场测量
说明：这可能提前表明AI KPI趋势中可能存在覆盖/干扰问题；然而，根本原因（天线倾斜、邻区干扰、硬件故障）是由网络工程师通过现场测量/路测和分析来确定的。 AI输出的是扫描警报，而不是参数改变决定。
11. 在 EMC/EMI 研究中处理 AI 建议的解决方案（例如添加铁氧体磁珠）的最准确方法是什么？
- A) 应用AI推荐后直接声明产品兼容
- B) 将建议视为可能的解决方案假设，并根据认可实验室的标准限值进行测量来验证它。 ✔
- C) 使用 AI 给出的值确定标准限值
- D) 跳过测量而仅依靠模拟
描述：AI可以回忆可能的干扰路径和典型解决方案（滤波、屏蔽、接地、电缆管理）。然而，适用性的决定是在认可的实验室根据标准限值（例如CISPR/EN）进行测量而做出的； AI输出是一个初始假设，而不是适应度的陈述。
12. 当您向 AI 询问 3GPP 或 IEEE 802.11 等标准的零件/条款编号时，防止 AI 获得虚构（幻觉）参考的最可靠方法是什么？
- A) 依靠AI给出的物品编号和表值
- B）用不同的词再次问同一问题
- C) 查看论坛帖子而不是标准
- D) 打开并确认标准当前正式文本（正确的发布/版本）中的每个引用，并在必要时获得授权批准 ✔
解释：即使语言模型正确知道标准的名称，它也可能会产生幻觉的节号、表值和文本；此外，不同版本的值也有所不同。每个参考文献都必须从标准的当前官方文本中打开和确认，并且在必要时必须获得授权人员的批准。
13.运行AI编写的Python信号分析脚本之前最关键的检查是什么？
- A) 读取代码并验证采样/单元匹配，使用已知参考信号进行测试并检查结果的合理性 ✔
- B) 直接在整个数据集上运行代码而不读取它
- C) 只要看到没有错误并接受结果
- D）依靠输出的图形在视觉上美观
说明：AI 代码可能会错误地假定采样频率、混合单位（Hz/kHz、V/mV）、跳过加窗/归一化或不匹配列。阅读代码、验证单位和采样参数、使用已知参考信号进行测试并检查结果在物理上是否合理是至关重要的。
14. 当向基于云的人工智能工具提供设计文件或客户网络数据时，在隐私和知识产权方面最好的做法是什么？
- A）按原样粘贴所有原始设计/网格数据
- B) 匿名化上下文并清理敏感的设计/客户/测量数据，并使用符合政策的公司工具✔
- C) 假设提供真实的客户和 IP 信息对于结果质量至关重要
- D）完全忽视隐私和知识产权政策
描述：原理图/PCB 文件、固件源、客户拓扑和订户/测量数据在商业秘密和立法 (KVKK/GDPR) 方面非常敏感。需要对上下文进行匿名化，明确真实的IP/MAC/坐标/客户端名称，选择符合公司和政策的工具并遵守公司政策。