Semiconductor Engineering 圆桌：AI 时代电气工程毕业生需求未降但要求在变

要点速览：

• 电气工程专业毕业生的需求并未下降，但对他们的教育背景和工作经验的要求正在发生变化。
• 智能体现在能完成许多过去被视为初级工程师的工作，但对他们而言也出现了新的更高层次的任务。
• 初级工程师有机会帮助资深工程师进行 AI 使用方面的再培训。

专家圆桌：Semiconductor Engineering 邀请多位嘉宾，共同探讨在 AI 应用浪潮下最新一批大学毕业生所面临的境况。嘉宾包括：Cadence院士 Chuck Alpert、Synopsys AI 与机器学习副总裁 Thomas Andersen、南安普顿大学 AI 与 EDA 研究员 Simon Davidmann、llmda.ai 首席执行官 Nagesh Gupta、Breker Verification Systems 首席执行官 Dave Kelf，以及ChipAgents研究负责人 Kexun Zhang。以下为讨论摘录。本文为三篇系列文章中的第一篇。

从左上角顺时针依次为：南安普顿大学的 Davidmann；Breker 的 Kelf；Synopsys 的 Andersen；ChipAgents 的 Kexun；llmda 的 Gupta；以及 Cadence 的 Alpert。

SE：AI 对 EDA、半导体行业及其客户都具有颠覆性。一个早期的迹象是，计算机科学（CS）专业的毕业生正难找工作。过去他们非常抢手，如今他们的失业率已高于总体平均水平。这是怎么回事？

Gupta：据我观察，数据科学受到的影响比计算机科学大得多。我一直在招聘计算机科学专业的毕业生，但只要好学校的。好的 CS 毕业生并没有那么多。看起来受影响更大的其实是数据科学。

Alpert：我们知道，vibe-coding 工具——Cursor、Claude Code、GitHub Copilot——正在提升计算机科学家的生产力，因此出现招聘放缓是很自然的。公司在这些方面大量花钱购买 Claude 和 OpenAI 的服务，就不想再以原来的速度招聘那么多工程师了。

Andersen：谈到计算机科学家，或者我们行业里的人，需要考虑两个方面。一类是编写 EDA 软件的人，另一类则是芯片设计公司。我同意，在软件开发方面，大家都有些谨慎，因为都想看看 AI 能把自动化做到什么程度。与此同时，当我们开发新技术和新版本时，每个人都想知道怎样才能做得更快。如果我做事更快、效率更高，如果我每三个月就能发布一个版本、更快地开发软件，那肯定是有益的。而在芯片设计师一方，情况则不太一样，因为他们不同于传统的软件程序员。他们主要是芯片设计专家，是工具的使用者。这类人才短缺已经持续了相当长时间。在一定程度上，AI 正在帮助缓解这种短缺，但这并不意味着人类会消失。人类只是在提升自己所做任务的层次，可以更高效地工作，进而开发出更多芯片。把一颗芯片推向市场需要多长时间？如果有人说能只用一半时间完成，所有人都会乐于接受。

Alpert：我猜这些对电气工程师（EE）都不适用，因为对设计专长的需求仍然存在巨大缺口。我不知道那个领域是否有放缓。

Davidmann：我针对英国市场做了一些调查，他们认为毕业生就业市场很难，但 AI 并不是唯一原因。他们说，从 2022 年到 2026 年，领先雇主的毕业生招聘下降了 24%，但这主要与经济不确定性、预算缩减、市场调整以及疫情后的招聘变化有关。AI 是进入了一个本就复杂的领域。要弄清 AI 的影响并不容易。从工程角度来看，他们说毕业工程师在毕业后的 15 个月内找到了工作。其中 75% 的人找到了工作，这是相当典型的水平。AI 肯定产生了一定影响，但由于还有太多其他因素在起作用，很难精确定位 AI 对就业变化的实际影响。

Kelf：我用 AI 问了这个问题，得到了类似的答案。我和一个即将大学毕业、正在找工作的人聊过。他们找不到工作。问题在于缺乏实践经验，这些年来我们都看到了这一点。我们在招聘人员时，如果招一个应届毕业生，就得花一年时间让他们熟悉真实的设计。情况似乎还在恶化。我们观察到的一个现象是，AI 在一定程度上替代了对实习生的需求，因此找到实习机会似乎变得越来越难，他们的实践经验也就更少了。大学在这方面也帮不上什么忙。当我们招聘应届毕业生时，就得花更多时间培训他们。此外还有一个明显的财务问题。如果我们可以把 AI 用在一些更初级的任务上——也就是过去用来培训新员工的那些任务——那我们就再也负担不起招聘他们了。如果我们招了人而竞争对手在用 AI，那我们的盈利能力相对竞争对手就会出问题。我们必须跟上他们。

Davidmann：对毕业生来说，这是一个短期问题，因为 AI 只会做某些事情。真实工程中需要学习并付诸实践的许多技能，AI 并不能真正帮上忙。如果没有毕业生进来、没有学徒制度，你就会遇到麻烦，因为他们永远成不了专家。而随着你的专家逐渐老去，就会出现巨大的缺口，而 AI 无法弥补这个缺口。

Andersen：我完全同意。虽然你可以说我不再需要初级人员了，因为 AI 可以完成那些简单任务，但如果我不补充现有的专家，将来谁来接班呢？

Gupta：从我自己的经历来说，我女儿刚从计算机专业毕业，幸运的是她找到了工作。我和她聊起其他计算机专业毕业生的情况，她告诉我毕业班几乎每个人都找到了工作。但她提出了一个非常有意思的观察。以前，如果你是应届毕业生，公司会给你安排一位导师，由他来培训你、让你快速上手。而现在的情况是，公司里所有资深员工都在用 AI 完成大量工作。这些年轻毕业生根本没机会从有经验的人那里获得培训时间。这是个大问题，她所在的那家大公司也意识到了这一点。他们已经开始组织焦点小组来研究如何解决这个问题——现在没有人愿意带年轻毕业生、帮他们上手。这似乎是一个关键问题。

Zhang：人们对 AI 时代新毕业生入职后应做什么的期待，与他们在学校、大学或实习项目中接受的培训之间存在巨大错位。AI 演进得太快了，我们现在期望新员工、应届毕业生是 AI 原生的，能够用 AI 工具在更高的层面解决问题。我们不再期望他们去做初级工程师或实习生过去做的那些传统琐碎工作。我们期望他们带着品味、带着自己定义问题的主动性去解决更高层次的问题。解决这些问题和实现方案已经变得容易多了，但大学教育还没有真正适应，而且以 AI 及其能力演进的速度来看，教育也不可能适应得这么快。

Gupta：这对刚毕业的大学生来说尤其如此，因为他们正处在这场转型之中。

Zhang：大学正在努力适应，而应届毕业生正是处于这个空档期的一代。他们所受的大部分教育都不是 AI 原生的，但那些已经看到使用 AI 带来经济价值的公司，早已改变了对新毕业生的期望。

Davidmann：回到大学场景，各大学在如何对待 AI、允许人们在多大程度上使用 AI、以及采用什么类型的考核方式上，存在精神分裂式的矛盾。他们需要设计出 AI 无法代劳的考核方式，让工程师——也就是学生——必须真正掌握技能。对此我有两种看法。教育必须改变，并在两种教学模式之间做出区分：基础模式和专业模式。专业模式就是你期望他们在公司里做的事情，这意味着使用 AI、把智能体作为工作的一部分。而基础模式则是你需要了解事物的数学原理、算法如何工作、以及如何调试问题。在某些领域你不应该使用 AI，因为你需要理解能力。但这在工业界没有用处，因为你将使用智能体和 AI。你确实需要同时具备这两样东西。我曾在一家大型 EDA 公司工作时负责欧洲的大学合作项目。我们做的其中一件事，是把验证技术借给他们，并给他们一个与覆盖率相关的项目。他们首先要理解问题，手动让仿真跑起来、让测试生成器跑起来、让覆盖率跑起来。他们全部手动完成，也做了手动测试。他们学会了整个流程，然后再尝试用 AI 来改进它。听他们汇报项目很有意思。教育必须随着 AI 的使用而改变。同样，公司也在学习如何利用 AI、以及员工可以如何使用它。教育者、讲师必须理解它，而这些政策尚未理顺。同样，公司里也没有理顺。一切都在非常快速地变化。

Alpert：我发现很多初级工程师——过去两年内入职的人——恰恰是在 AI 专业知识方面最值得依赖的专家。这对 EDA 来说真令人兴奋，因为我们有很多资深的人。三到五年前，如果我问一个年轻工程师能教会我什么，答案会是“什么都教不了”。但今天我可以。和这些人交谈让我学到很多。

Andersen：我完全同意。很多资深的既有人员对新技术的使用存在一些抵触。每一代人都会出现这种情况。同样真实的是，也许确实存在一个落差，即大学没有让目前的毕业生为这些技术做好准备。但总体而言，年轻人非常热衷于学习新东西。他们可以自主学习，这是一大优势。

Kelf：EDA 行业内曾出现过多次浪潮。想想逻辑综合。过去，当综合技术刚兴起时，资深工程师们都在门级层面工作。他们对那种方式非常习惯，也很擅长。他们抗拒学习综合，而是应届毕业生和新工程师搞懂了 HDL，并开始使用综合。随机化验证被引入时，我们 again 看到了同样的情形。资深的验证工程师不习惯使用需要面向对象编程专业知识的测试平台，而应届毕业生在学校里学过这些。关于 AI 的问题是，相比只能自己摸索的资深工程师，他们能学到什么 AI 知识来更实用地完成这些工作。我在想，人们是否期望刚走出校门的年轻人因为正在学习 AI 就成为 AI 专家，但他们现在还没达到那个水平。也许再过一两年，他们会开始有直观得多的 AI 课程，他们将能够弄清楚幻觉以及其他资深工程师难以理解的东西。也许这就是下一波浪潮。

SE：有人说这不会影响电子工程师（EE），受影响的是计算机专业（CS）毕业生。但 EDA 行业内的人说，当前的智能体已经和初级工程师一样出色了。他们还说，未来将是一位资深工程师管理 10 个这样的智能体。他们把它们称为虚拟工程师而不是人。这在我看来意味着，电子工程师也会以同样的方式受到冲击。

Alpert：生产率差距非常大，而且设计更加复杂了。我一直听说，现在一切都复杂了 10 倍，因为我们必须做封装和 3D-IC，必须验证所有这些不同的领域，还必须做跌落测试。要把产品做出来，要做的事情多得多。这还是在资源没有增加的情况下，要做多 10 倍的设计之外的要求。时间周期却是一样的。EDA 一直都是关于生产率的。这就是我们这个行业要做的事情。现在我们需要用智能体来加速，而且我们可以做到。但这只是另一项有助于缩小差距的生产率提升。我仍然认为差距不会被完全弥合。人们想做的设计数量意味着永远不会有电子工程师短缺的问题，即使设计师的生产率提高了 10 倍。

Andersen：许多研究表明存在人才短缺。就芯片设计师而言，需求肯定大于供给，这意味着 AI 可以改善这一状况，让人们更有效率。当我们说初级工程师与资深工程师时，其实只是在描述他们所执行的任务。如果初级工程师当前的任务被自动化了，那他们就会去做更高层次的任务。这并不一定意味着他们需要花 20 年积累经验才能做更高层次的任务。他们只需要从一开始就不断升级。

Alpert：现在所有工程师都是资深工程师了。这就是我们的意思。当你雇一个人时，你会得到一些帮助。