芯耀
110
前阵子在库拉c.myliang.cn上测了几家AI平台，回过头整理自己的使用记录时发现一个有意思的事：我身边做硬件的同行用ChatGPT，绝大多数只在干两件事——写文档和翻译Datasheet。真正把逻辑推理能力用起来的，一个都没见过。
这不是说写文档和翻译不重要，但只用这两个能力，相当于把一台示波器当万用表使——不是不能用，是浪费。
今天从逻辑推理、文案生成、总结改写三个维度，聊聊ChatGPT在硬件工程师日常工作中真正能拉开效率差距的用法。
逻辑推理：你最该用但大概率没用的能力
硬件工程师做选型、做方案对比、做故障分析，本质上都是多变量决策问题。这类问题恰好是ChatGPT逻辑推理能力最擅长的场景。
但有一个大前提：你得给它框架，不能让它自由发挥。
我试过直接把选型需求扔给模型——
"我要选一颗电源管理芯片，输入12V，输出3.3V/5A，推荐一下。"
它确实给了推荐，还列了三个型号的对比。但追问之下发现，它完全没有考虑我们产品的温度范围、EMC要求、以及供货渠道。它给的答案本质上是在复述DigiKey上的热门型号，不是针对我这个场景的分析。
后来我换了一种问法——
"我在选一颗Buck芯片，输入9-36V宽压，输出5V/3A。约束条件：工作温度-40到105度（工业级）、必须有国内代理渠道保证供货、PCB面积限制在2平方厘米以内。备选是TI的LM5166和MPS的MPM3695。请从效率曲线、外围器件数量、供货稳定性、价格四个维度对比，每维度一句话，最后给推荐。"
同一个模型，后者的输出质量比前者高一个量级。原因不是模型变聪明了，是我把决策框架搭好了，它只需要在框架内做分析。
故障分析也是同样的逻辑。
"我们的一款产品在低温环境下（-20度以下）出现偶发性复位。电源树是：外部24V→LM2596降压到5V→AMS1117降压到3.3V→MCU。目前排查了软件看门狗和晶振，都没有问题。请分析电源链路上最可能导致低温复位的三个环节，以及每个环节的排查方法。"
这种指令出来的东西，比我翻论坛找帖子快得多，而且分析结构比我自己的思路更完整。模型不会替你定位故障，但它能帮你系统化地列出排查清单——这在硬件调试里价值很大，因为经验不够的时候最容易漏掉某些环节。
文案生成：硬件工程师也需要"说人话"
很多人觉得文案能力跟工程师没关系。大错特错。
你写方案汇报PPT的时候、给客户发技术邮件的时候、在项目群里解释为什么延期的时候——这些都是文案场景。只不过硬件工程师的"文案"不叫文案，叫"技术表达"。
最典型的场景：把技术内容翻译成老板能听懂的语言。
"以下是我写的电源模块技术方案：[粘贴]。请生成一个版本给项目经理看，去掉所有芯片型号和电路拓扑细节，保留：这个方案能解决什么问题、比上一版提升了多少、需要多少成本和开发周期。语气要像在做汇报，不要像在写设计文档。"
你给老板讲BUCK电路的占空比计算，他三秒钟走神。你说"新方案比老方案功耗降了30%，成本多了两块钱，开发周期增加一周"，他立刻知道该做什么决策。
另一个场景：给原厂FAE写技术邮件。
做硬件的经常要跟芯片原厂打交道，英文技术邮件写起来是真痛苦——术语拿不准、语气怕太生硬、问题描述怕不到位。
"给TI的FAE写一封英文技术咨询邮件。我们在使用TPS65987做PD供电方案时遇到问题：当负载从1A跳变到3A时，VOUT有约200ms的跌落，跌落幅度约0.4V。我们怀疑是环路响应速度不够，但不确定是补偿网络的问题还是芯片本身的限制。已附原理图和波形截图。语气专业但直接，明确提出希望对方提供debug方向。"
模型输出的英文邮件术语准确、结构清晰，比我以前自己写的好不少。关键是它会自动使用TI datasheet里的官方术语——我加了一句"请使用TI官方术语"之后，这个问题就解决了。
总结改写：DVT报告以后不用自己写了
如果说前两个能力还需要你花心思给方向，那总结改写这件事，ChatGPT几乎可以做到"甩材料出活"。
硬件工程师最痛的文书工作是什么？测试报告。 BVT、DVT、可靠性测试——数据量大、格式固定、写起来极其枯燥。
"以下是我们的可靠性测试原始数据：[粘贴]。请输出测试总结：1）测试概览（项目总数、通过率、测试周期）；2）失败项详情（测试条件、失效现象、可能原因）；3）整体评估结论。控制在800字以内，不要添加原始数据中没有的分析。"
最后那句"不要添加原始数据中没有的分析"是保命条款。模型在总结模式下有一个毛病：它喜欢帮你"推理"出一个看起来合理的结论，但那个结论可能根本不存在。你主动约束了信息边界，它就只做提炼不做脑补。
技术文档的语气转换也是一个高频需求。
"以下是我写给团队内部看的PCB Layout Review记录：[粘贴]。请生成一个版本给客户看：去掉内部讨论过程，只保留最终结论和修改建议，语气从'内部评审'转为'设计建议'。"
同一份内容，给内部看的详细版和给客户看的精简版，以前你要写两遍，现在一遍就够了。
还有一种场景：把英文Datasheet的关键参数提炼成中文速查表。
"以下是一颗芯片Datasheet的电气参数部分：[粘贴英文原文]。请提取所有关键参数，按'输入特性-输出特性-保护特性-温度特性'分类，用中文表格输出。每个参数保留典型值和极限值，附上单位。"
这种活手动做至少半小时——要读英文、要判断哪些参数关键、要格式化输出。模型十秒钟出结果，准确率非常高。
一个趋势判断
硬件行业对AI工具的接受速度比软件行业慢，这是事实。原因不难理解：硬件开发的容错率更低、结果更难验证、对"AI可能犯错"这件事的容忍度更低。
但趋势已经很明显了——AI不会替代硬件工程师做设计，但它正在替代硬件工程师做那些"不得不做但不产生核心价值"的文书劳动。
测试报告、方案对比、技术邮件、Datasheet翻译——这些事情加起来，可能占了一个工程师三分之一的工作时间。这三分之一被压缩之后，你能花在调试电路、分析信号、做技术决策上的时间就多了。
而真正的技术能力，就是在这些核心工作里磨出来的。AI帮你省掉的那些时间，最终会转化成你跟同行之间的差距。
