物理的终审法庭：九成答卷与两成及格｜当世界不再讲情面（三）
三部曲 · 当世界不再讲情面（三）：在终审法庭里，AI 发现物理定律连答辩的机会都不给它。
目录
物理的终审法庭：九成答卷与两成及格
三部曲 · 当世界不再讲情面（三）：在终审法庭里，AI 发现物理定律连答辩的机会都不给它。
⚖️ 考试与验收的区别
先讲一个所有工程师都懂、但很多 AI 研究者不爱听的道理：通过考试和通过验收，是两回事。
考试有出题人，出题人心里有一张标准答案，你在三小时里把答案凑齐，交卷，等分。分数也许不能完全代表你的水平，但至少有一个明确的参照系。验收没有出题人——或者说，出题人是物理定律本身，而它从不发卷子，只宣布结果。你设计的芯片流片回来不工作，没有"部分得分"；你画的版图在晶圆厂里短路了，没有"思路分"。物理不是考官，物理是终审法官：它不解释，不安慰，不给你重考的机会，唯一的发言方式是"能工作"或"不能工作"。软件的世界里，bug 是便宜的——发现、定位、修复、热更新，整个循环以小时甚至分钟计。硬件的世界里，bug 是昂贵的——一次流片的成本从几万到几百万美元不等，周期以月计，而那颗不工作的芯片会永远躺在失败项目的档案柜里。
这个区别，就是为什么 AI 在软件世界里的辉煌战绩不能自动兑换成硬件世界里的通行证。一个能写出漂亮 LeetCode 解法的模型，未必知道 30mA 电流需要打多少个过孔；一个能 debug 大型代码库的 agent，未必读得懂 ngspice 吐出来的相位裕度警告。软件的错误会抛异常，硬件的错误会沉默地失效。
这正是模拟集成电路（analog IC）版图设计的残酷之处。和数字电路不同——数字电路的版图在很大程度上可以自动化，因为数字逻辑的世界是离散的、规整的、有标准单元库可复用的——模拟电路的版图至今高度依赖人类设计师的手艺。为什么？因为模拟电路的性能是连续的、敏感的、被寄生参数支配的：两根差分对的管子放得远一点，失配就上来了；一条关键信号线绕着电源走，噪声就耦进来了；一个过孔打少了，电流密度超标，长期工作就会电迁移断线。更微妙的是，这些约束之间经常互相打架——紧凑的面积和良好的隔离是一对永恒的冤家，匹配精度和布线长度又是一对。老师傅的价值不在于知道规则，而在于在规则打架时知道该让谁先让步。这种判断力写在教科书里，但真正的分寸感只在老师傅的手里。
也正因为这种工艺上的高度依赖，模拟版图一直是 EDA 自动化的"最后堡垒"——数字综合和自动布局布线早已成熟商用，模拟版图工具却始终停留在"辅助绘图"层面。行业里有个半开玩笑的说法：数字设计师的产出以版图计，模拟设计师的产出以年计。一位资深的模拟版图工程师，从看懂电路图到交出合格版图，往往需要数周乃至数月。
现在问题来了：当 coding agent 在软件世界里高歌猛进——写代码、调 bug、跑测试样样拿手——它们能不能啃下这块最硬的骨头？这个问题对 AI for Science 的意义远超 EDA 本身：软件任务的错误可以在运行时暴露和修复，而硬件任务的错误被封印在硅片里，一旦流片就没有 patch 可言。 agent 在软件世界养成的"先跑起来再说"的习惯，在硬件世界里是要付出代价的。
这篇论文叫 AnalogLayoutWorld，来自 Nova-Silicon 团队。它做了一件事：给 AI 建一座模拟版图设计的终审法庭，把市面上最强的 13 个 coding agent 放进去，看它们能交出什么样的答卷。结果 headline 数字足够让人清醒：91.1% 的尝试成功交出了 GDS 版图文件，但只有 21.3% 通过了全部验收标准。
九成交卷，两成及格。法庭的门是敞开的，但判决书是狠的。这个 91.1% 对 21.3% 的落差里，藏着 coding agent 进军物理世界时最容易被低估的一道鸿沟：生成一个"看起来像版图"的文件，和生成一个"能经受物理检验"的版图，是两个量级的难度。 GDS 只是几何描述，任何能写脚本的东西都能吐出 GDS；但 DRC 的几何规则、LVS 的拓扑一致性、PEX 的寄生提取、后仿真的性能指标——每一道都在过滤掉一批"看起来差不多"的答卷。
🏛️ 法庭的建筑图纸：40 道题与四位判官
这座法庭的设计本身就值得细看，因为它的严谨程度决定了判决书的可信度。
考题：40 个专家审核过的模拟版图任务，全部使用 SKY130 开源工艺库的固定晶体管级网表——涵盖放大器、基准源、电源管理电路、采样电路和振荡器五大类。选 SKY130 不是随意：它是 SkyWater 开源的 130nm 平面工艺，PDK 完整公开、无授权门槛，意味着全世界的研究者都能在完全相同的条件下复现这座法庭——可复现性是 benchmark 的第一美德。网表固定，意味着所有 agent 面对同一道题，无法靠"挑一道简单的题"投机取巧。题目来源既有 Analog Design Bench、LOADBench 这样的公开基准，也有团队自己的设计和开源设计。40 道题的规模不算大，但每一道都经过领域专家逐题审核——题目质量压过题目数量，这是这场考试公信力的地基。
考场：每个 agent 在独立的 Docker 容器里工作（Harbor 调度），容器里装着 SKY130 PDK 和四件工具：gdsfactory（版图操作）、KLayout（跑 DRC 和 LVS）、Magic（跑寄生参数提取 PEX）、ngspice（跑电路仿真）。注意一个关键设计决策：不提供任何 benchmark 专用的 typed tools 或 MCP 接口——agent 用的是通用的代码执行工具，自己决定调什么工具、按什么顺序调、用什么脚本解析返回。为什么要这样？因为专用接口等于开卷考试还帮你翻书，测不出 agent 真实的工程判断力。给了 MCP 工具，等于给了标准答案的索引——而真实工程师的工作里，没有人帮你把工具封装成漂亮的函数，你得自己读引擎的报错、自己写解析脚本、自己判断下一步。这个"无辅助"的设计，让 benchmark 测的是通用 agent 能力的下界，而不是某个专用系统的上限。
时限：3 小时墙钟预算。交卷方式是往指定路径保存 layout.gds。
判官：四位，全部独立评审，agent 的自报成绩一律不作数——这是整篇论文方法论上最硬的一条原则。为什么不能信 agent 自报？因为 LLM 的"幻觉"在工程场景里表现为：它可能误读了引擎的输出（把"1000 errors"看成"0 errors"），可能根本没跑验证就宣布"全部通过"，可能跑错了规则文件自己却不知道。没有独立评审的 benchmark，成绩单就是考生自己批的。DRC 判官检查几何规则——线宽够不够、间距够不够、孔够不够大；LVS 判官检查版图和原理图是否拓扑一致——你画的是不是你以为你画的；PEX+后仿真判官提取寄生参数后跑电路仿真——性能指标（增益、带宽、失调、相位裕度）达不达标；几何质量判官量两件事：有效器件面积比 ρ_t = A_eff/A_layout（版图上真正给器件用的面积占多大，越高越紧凑）和长宽比（不得超过 4，太长条的版图封装时会很痛苦）。此外还有一个形态学筛查——专抓退化的"总线-行"布局，这类布局把器件排成一行再用总线连起来，看起来整齐，实则浪费了匹配和紧凑的机会，一经发现直接否决资格。
评分公式 S_t 把四位判官的意见加权汇总，再加工程质量的加分项：器件匹配好不好（用器件间有效面积的一致性衡量）、关键网布线讲不讲究、供电质量过不过关（过孔数量对照电流需求的充足率，带耦合惩罚）。最终算出一个 0 到 1 的总分。这个公式值得多看一眼，因为它把"能工作"和"工作得好"分开了——通过全部验收是门槛（eligibility），总分才是排名（merit）。一套只考"能不能跑通"的 benchmark 会让 agent 学会交烂卷，而质量分逼它们像真正的设计师一样思考权衡。
📊 判决书：一张拉开差距的成绩单
13 个模型-框架配置，每题跑 3 次 trial——120 次尝试的总样本量，让百分比数字有了起码的统计意义。成绩单一摊开，差距是刺眼的：
- Novara（团队自研）：综合分 0.8154，DRC 通过率 97.5%，LVS 100%，后仿真 75%，验收率 72.5%，面积效率 52.2%。它在 benchmark 构建过程中反复迭代，相当于"本题库的原生居民"。
- GPT-6 Astra（OpenAI Responses API，带思考摘要）：0.7483——最惊艳的通用 agent。DRC 通过率 99.2%、LVS 98.3%、后仿真 82.5%、验收率 70.8%、面积效率 59.5%。为了这份成绩它平均发起 111.8 次工具调用、消耗 11.2M token。
- GPT-6.1 Sol（Codex 风格，无思考摘要）：0.7023，紧随其后。
- GLM-5.3（OpenHands 框架）：0.4779，但代价惊人——平均消耗 34.5M token，是 GPT-6 Astra 的三倍。
- 开源权重模型一排里，Kimi-K3 0.2900、DeepSeek V4 Pro 0.1504、Kimi-K2.6 0.0958——Kimi-K2.6 的 DRC 通过率只有 0.8%，几乎是交白卷。
怎么解读这张表？一个维度是分数，另一个维度是成本。GPT-6 Astra 用 11.2M token 换来 0.7483 分，GLM-5.3 用 34.5M token 只换来 0.4779——每百万 token 的得分效率差了五倍多。如果版图设计agent未来要按调用计费进生产线，这个效率比分数本身更决定商业 viability。
📉 一个让所有人沉默的相关性：规模放大器
论文里最沉重的发现，藏在一个相关系数里：任务规模和得分负相关，相关系数 ρ_s = -0.73。 器件越多，分越低。这本身不意外——题难所以分低，天经地义。但拆开看各家模型，数字变得很有戏剧性：GLM-5.3 Flash 的相关系数是 -0.82，Kimi-K3 是 -0.44，而 GPT-6.1 Sol 只有 -0.35，GPT-6 Astra 更是只有 -0.27。
翻译成人话：当题目从 20 个器件涨到 60 个器件，弱模型的分数断崖式下跌，强模型的分数只是缓坡下行。 同一个考场的考生，面对变难的题目时表现出完全不同的"坡度"。这暗示了一个分化中的能力谱系：头部模型已经具备某种随任务规模"伸缩"的工程策略——也许是更好的任务分解，也许是更稳健的中间检查点，也许是更经济的工具使用——而腰部以下的模型可能只是在小题上背熟了套路，题一变就露馅。这个"坡度差异"比任何单一分数都更值得模型开发者警惕，因为它决定了你的模型能承接多大规模的委托。
另一个发现关于测试时扩展（test-time scaling）——这是 2026 年 agent 研究最热的命题之一：给模型更多思考时间和工具调用预算，它能不能用这些预算换更高的成功率？AnalogLayoutWorld 给这个命题提供了一个罕见的"物理世界版"答案。GPT 系列的 agent 有一个漂亮的行为模式：任务越大，工具调用越多（相关系数 0.66/0.68）、花的时间越长（0.63/0.67）——它们会主动给自己加预算，像人类工程师遇到复杂设计时知道"这活得加两天班"。而开源模型不是不想加班，是预算撞了墙：GLM-5.3 Flash 在 120 次尝试里有 51 次直接撞满 3 小时时限，GPT-6 Astra 是零次。能力的差距不只体现在"会不会"，还体现在"有没有意识到需要更努力"。 预算撞墙不是模型的错，是部署者给它定的规矩太小——但这个规矩本身也是 benchmark 的一部分，因为真实工程里客户不会给你无限时间。
🔬 三个案卷：及格线之上的暗礁
分数之外，附录里的三个案例研究比任何数字都更能说明"物理的终审"是什么意思。这些案例有一个共同的主角：两位都通过了功能验收，却在工程质量的暗礁上触了礁。 如果只看"过没过验收"这一栏，它们都是成功者；只有把工程质量分拆开看，才知道谁是真正的好设计。
案卷一：长宽比陷阱（Task 9，环形压控振荡器）。 GPT-6 Astra 的三次尝试全部通过了 DRC、LVS 和后仿真——所有功能判官都盖章了。但几何判官量出长宽比分别为 22.63、26.31、26.24，而验收上限是 4。三次尝试全部因为"版图太长条"只拿到 0.3 分。原因在细节里：设计需要一个大阻值的电阻，agent 选了直线型电阻，长度 203.19μm，直接把版图拉成了一条。而 Novara 选的是折叠型，长宽比只有 1.24，拿了 0.9015。agent 的每一个局部选择都是合法的，合起来却触犯了全局的几何约束——这不是知识问题，是经验问题，而经验恰恰是教科书里没写的部分。一个读过所有模拟版图教材的毕业生，第一次独立设计时大概率也会犯这个错——他知道各种电阻类型，却不知道"什么时候该用哪一种"。agent 犯的，正是人类学徒会犯的错；问题在于，没有人教它。
案卷二：看不见的电流（Task 17，30mA 的 PMOS 通路 LDO）。 两个 agent 的布局都通过了全部功能测试，分差不小：0.9580 对 0.8418。差在哪？供电网络。GPT-6 Astra 在电源路径上打了 462 个 via3 过孔，DeepSeek V4.1 Flash 只打了 10 个。via3 在 90°C 下每个的过流预算是 0.48mA——10 个孔 = 4.8mA 的过流能力，而这条支路需要承载 30mA，至少需要 63 个孔。10 个孔的布局意味着什么？意味着芯片在长期满载工作时，这条电源路径会发热、老化、最终可能烧断——功能测试在常温仿真里完全测不出来，但物理定律记得清清楚楚。 供电子分：0.748 对 0.199。这是全场最刺眼的对比：一个看起来"能用"的设计和一个"能活十年"的设计之间的差别，藏在没人看见的金属孔里。人类老师傅检查版图时一定会数这些孔——不是因为教材这么教，而是因为烧过几次板子之后，这个数字会刻进骨头里。
案卷三（附录）：面积的对与错（OTA 设计）。 一对差分对，两个 agent 布出来的有效器件面积分别是 910.01 和 912.04 μm²——差 0.22%，几乎完美匹配。但算上外围的走线和保护环，占用面积分别是 809.75 和 3575.16 μm²，差了四倍多。面积分 0.2000 对 0.0108——仅面积一项就解释了总分差距的 99.4%（0.9617 对 0.7712）。版图设计的残酷美学在这里体现得淋漓尽致：你引以为傲的匹配精度，在面积效率面前可能一文不值；而面积的浪费，往往不是技术错误，是美学上的"没忍心下手"。
🔁 迭代是真进步，但进步的分布不均
一个偏乐观的发现：验证反馈确实在推动 agent 改进。90.3% 的 DRC 首次通过与 66.8% 的 LVS 首次通过，发生在第一次验证调用之后——agent 们普遍会"画一版→跑验证→看报错→改一版"，这个循环是有效的。这符合直觉：模拟版图本来就是一个迭代收敛的过程，连人类设计师也是这么工作的——区别在于，人类设计师读得懂报错里的每一条术语，知道"最小面积 rule violation"该怎么改、"latch-up 风险"意味着什么，而 agent 面对引擎吐出的几百行报错，能不能定位到问题、能不能举一反三，就全靠模型的功底了。
但别急着乐观。迭代有效，不等于各家都会用。能在验证反馈中持续改进的，主要还是有预算、有能力读懂引擎报错的那批头部 agent——Kimi-K2.6 那 0.8% 的 DRC 通过率说明，对相当一部分模型来说，"画一版"这一步本身就迈不过去，谈何迭代。验证闭环是一个放大器：强者用它滚雪球，弱者连启动资金都没有。这也让一个老问题变得更尖锐：物理世界 agent 的训练数据从哪来？CADET 给我们的启示在这里可以回声——也许模拟版图领域同样需要一个"归纳构造"式的过程数据工厂，让 agent 先在合成的小题上把"画-验-改"的循环跑熟，再上真考场。
🧭 冷静反思：法庭本身的边界
把三家模型拉通看这张表，还会发现一个容易被 headline 掩盖的事实：验收通过率 21.3% 这个数字，对头部模型而言其实是 70% 以上，而对尾部模型是接近零。 及格率的"惨"主要是能力分布的右尾拉的——头部模型已经跨过了门槛，问题变成了从"及格"到"优秀"还有多远。这个认知对产业部署很重要：如果你的场景允许选用最头部模型并给足预算，模拟版图 agent 已经不是科幻；但如果你的约束是开源模型和有限算力，那这条路还长。Benchmark 的平均数会骗人，分位点才诚实。
作者的诚实也值得记一笔。这座法庭有三个已知的边界。第一，任务与工艺覆盖：40 道题、单一工艺（SKY130），能否推广到先进工艺节点（FinFET、GAA）和更大规模的设计，完全未知——SKY130 是成熟的平面工艺，规则相对宽松。第二，验证边界：DRC/LVS/PEX/仿真覆盖的是"是否合法、是否一致、是否达标"，但对长期可靠性（NBTI、HCI 老化效应）、对工艺角 Monte Carlo 波动的鲁棒性，尚未纳入评审。第三，质量评估的演化性：工程质量分（匹配、布线、供电）的权重和阈值是专家设定的，本身带有主观成分——换一个专家组，排名可能有微调。
还有一个更有趣的元问题：Novara 作为 benchmark 构建方的自研系统拿了第一，这既是"原生居民"的主场优势，也是 benchmark 污染的隐性风险——它的策略可能已经针对这 40 道题的分布调优过。论文没有回避这一点（把 Novara 的成绩单列报告），但读者心里应该有杆秤：真正的试金石，是下一个在这套考场上从零训练出来的 challenger。
🗺️ 三部曲收束
现在三部曲的弧线完整了。
第一部，病房：AI 面对病毒——一个无法对话的对手。它能做的只是观察、学习、预测，然后接受几天后住院人数的裁决。预测的世界是概率的：即使最好的模型也会漏掉 20% 的峰，而公共卫生的智慧在于把不确定性折算成预案。第二部，车间：AI 亲手操作，每一根线都是承诺，DRC 检查器是它严苛的监工，错误即时可见、即时惩罚、即时返工。第三部，终审法庭：AI 交卷，由物理定律本人批改，错误可能沉默地藏在过孔数量和长宽比里，直到多年后才以失效的方式浮出。
病房教它谦卑（历史短，先验来凑），车间教它纪律（数据可以被设计，裁判必须被尊重），法庭教它敬畏（91.1% 的交卷率和 21.3% 的及格率之间，隔着整个工程世界）。三个考场，三种不讲情面的方式，但它们的共同主题是：AI 的能力评价正在从"答对多少题"向"被物理世界接受多少件作品"迁移。这个迁移一旦发生，就再也不会回头。
三篇论文合在一起，是「AI 做科学」这条叙事线上最朴素也最难的一句话：走出考场的 AI，最终都要走进一个没有出题人的世界。 而衡量它是否成熟的标准，不再是它答对了多少道题，而是物理世界接受了它多少件作品。
参考文献
- Nova-Silicon Team (2026). *AnalogLayoutWorld: An Open Benchmark for Agentic Analog Layout Design*. arXiv:2611.16991.
- 任务来源：Analog Design Bench, LOADBench, 团队自有设计, 开源设计（固定 SKY130 晶体管级网表，40 个专家审核任务）
- 执行环境：Harbor + Docker；gdsfactory / KLayout（DRC/LVS）/ Magic（PEX）/ ngspice（后仿真）；3 小时墙钟预算
- 评测：四位独立判官（DRC、LVS、PEX+后仿真、几何质量 ρ_t 与长宽比 q≤4）+ 形态学筛查；工程质量的匹配/关键网布线/供电质量加分
- 成绩：Novara 0.8154 / GPT-6 Astra 0.7483（111.8 次工具调用，11.2M token）/ GPT-6.1 Sol 0.7023 / GLM-5.3 0.4779（34.5M token）
- 规模相关性：ρ_s = -0.73；GLM-5.3 Flash -0.82 至 Kimi-K3 -0.44 至 GPT-6 Astra -0.27
- 致谢：Shanghai AI Lab 与 Fudan University