AI果然是个人能力的放大器，会让强者更强吗

最近栽在了LC低通滤波器的波特图上，也彻底摸清了一个道理：AI是能力放大器，但我们不能做“甩手掌柜”。

跟它一起努力成长，会变得更强；如果不加思索地盲从，只会被它带沟里。

01 | 事情起因

我推导分析LC低通滤波器传递函数，让豆包生成了Python代码，用于画出波特图。代码看起来没毛病，核心的频率响应计算写的是：

_, response = signal.freqresp(sys_trans_func, freq_hz)

我直接复制运行，波特图是画出来了，但总觉得哪里不对——在L=10uH、C=100uF参数下，谐振频率为f0=1/(2*π *√(L*C))=5.03kHz，可幅频曲线的尖峰，却偏偏不在这个位置。

我还特意去问了豆包这家伙，给我的回答云里雾里：

https://www.doubao.com/thread/w6059ce93d2e35255

图1, signal.freqresp(sys_trans_func, freq_hz)

就这么好几天，都糊里糊涂，继续用着这段有问题的代码画图。

https://www.doubao.com/thread/w7a722190285842f8

后来，我让豆包它给我修复代码时，我发现它在频率响应中的第二个参数是角频率：

_, response = signal.freqresp(sys_trans_func, omega)

重新运行后，谐振频率5.033kHz和增益曲线的峰值完美重合，困扰我几天的问题终于解决了。

图2, signal.freqresp(sys_trans_func, omega)

我立刻去查了scipy官方文档，确认signal.freqresp的第二个参数，确实需要传入角频率omega，而非普通频率freq_hz，二者的关系很简单：

omega = 2 * pi * freq_hz

之前的错误，就是豆包这小子最初生成代码时的小疏漏，困扰了我好几天。

https://melissawm.github.io/scipy/reference/generated/scipy.signal.freqresp.html

Python流行这么多年来，直到我能通过给AI描述几行自然语言，它能回复给我功能实现的Python代码，我才逐渐会使用这个语言。

我们可能习惯了追求高效，AI当前确实能帮我们省掉大量繁琐的代码编写、公式计算工作，让我们把精力放在核心的研发和调试上——这就是AI的价值，它能放大强者的能力，让专业的人更高效。

但反过来，如果对专业知识一知半解，盲目相信AI给出的所有结果，不做验证、不查原理，就很容易被这些小疏漏带偏。就像这次的代码错误，看似是AI的小失误，本质上是我自己的疏忽，没有尽到专业人士的校验责任。

所以，AI在降低门槛的同时，也对专业能力提出了更高的要求，要求我们有更高的能力去判断、评价它给出的结果，并对此负责。

AI从来不是替代我们的工具，而是助力我们成长的伙伴。

对于我们电源研发人来说，AI能帮我们快速生成代码、梳理原理，但真正的核心能力，依然是我们对专业知识的掌握、对细节的把控，以及遇事不盲从、主动验证的态度。

强者借AI如虎添翼，弱者盲从只会寸步难行——这大概就是AI作为能力放大器，最真实的样子。

哪位大神来解释下，是图1正确还是图2正确啊？