嵌入式系统与人工智能 4小时前 · 2026-10-05 01:48:30 · 10 阅读

从需求到原理图:如何用AI大模型完成硬件方案设计

作者：嵌入系统与人工智能

引言

硬件方案设计是嵌入式产品开发中最依赖经验的环节：选型要看几十份数据手册，电源树要反复核算压差和纹波，接口电平要逐一核对，BOM 成本要在性能和价格之间反复权衡。一个中等复杂度的方案，资深工程师也要花上一到两周。某工业传感器项目曾做过一个对照实验：方案阶段前半程按传统方式推进，后半程让大模型深度参与。结果很直观——资料检索和文档撰写的时间压缩到了原来的三分之一，选型对比从一天缩短到两小时，而且在设计评审环节，AI 还抓出了两个人工评审遗漏的隐患（一个电平不匹配，一个晶振负载电容计算错误）。过去两年，大语言模型（LLM）在代码生成上的表现已经广为人知，但它在硬件领域的价值被严重低估了。事实上，硬件方案设计中的大量工作——资料检索、参数对比、约束核算、文档撰写——本质上都是"结构化的文本与推理任务"，恰好落在大模型的能力区间内。本文不讲空泛的概念，而是结合一个贯穿全文的真实案例——一款工业电机振动监测传感器节点——系统讲解如何把 AI 模型嵌入硬件方案设计的五个关键阶段，并给出可以直接复用的提示词模板、AI 的典型输出示例，以及工程实践中的避坑经验。

一、先想清楚：AI 在硬件设计中能做什么、不能做什么

在动手之前，必须建立正确的预期，否则要么失望，要么被"一本正经的胡说八道"带进坑里。AI 擅长的：需求拆解与方案框架搭建（把模糊的产品想法变成结构化的功能清单）器件选型的初筛与横向对比（MCU、电源芯片、传感器、接口芯片）参数核算的"第二双眼睛"（电流预算、电平匹配、时序估算、热设计粗算）参考设计的解读（读懂官方 EVB 原理图、数据手册中的应用电路）文档自动化（设计规格书、BOM 表、测试用例初稿）AI 不能替代人的：最终的选型拍板（供货周期、价格、商务条款 AI 不掌握）高频/射频/大电流等强物理场场景的精确设计（需要仿真和实测）原理图的最终签核（AI 会犯"幻觉"错误，比如编一个不存在的引脚定义）安规与认证相关的合规判断（EMC、安规间距等必须以标准原文和测试为准）一个真实的反面例子：有工程师曾让某大模型推荐一款"SPI 接口的三轴加速度计"，它言之凿凿地推荐了一个型号，参数描述得头头是道，连引脚定义都列出来了。结果一查官网——这个型号根本不存在，是它把两款真实芯片的参数"缝合"出来的。这就是典型的幻觉。AI 给出的每一个型号、每一个引脚、每一个电气参数，都必须回到数据手册核实。一句话总结：让 AI 做"信息密集、规则明确"的工作，让人做"需要物理直觉和最终责任"的判断。

二、第一阶段：需求分析与方案框架

硬件设计的第一个坑往往不是技术，而是需求没拆清楚。这一阶段 AI 可以扮演"系统架构师"的角色。实战方法：结构化提示词不要只丢一句"帮我设计一个智能手环方案"，而是给 AI 完整的上下文。以下是一个真实项目中使用的提示词：

你是一位有 15 年经验的嵌入式系统架构师。请为以下产品做需求拆解和方案框架设计：

【产品描述】一款工业用振动监测传感器节点，采集电机振动数据，

通过 4G 上传到云平台，电池供电，要求续航 ≥ 6 个月。

【约束条件】

- 整机 BOM 成本 ≤ 200 元人民币

- 工作温度 -40℃ ~ +85℃

- 防护等级 IP65

- 年用量预估 5 万台

请输出：

1. 功能需求清单（必须项/可选项分开）

2. 系统级框图（文字描述各模块及接口关系）

3. 关键技术指标分解（采样率、存储、功耗预算等）

4. 主要技术风险点及应对建议

AI 的实际输出（节选）：

必须项：三轴振动采集（频响 ≥ 1 kHz）、本地数据缓存（≥ 3 天断网续传）、4G Cat.1 通信、电池电量监测、OTA 升级
可选项：温度采集（电机轴承温度辅助诊断）、本地 FFT 边缘计算、RS485 备用接口
关键风险点：
采样策略决定功耗架构——如果原始波形全量上传，按 3 轴 × 10 kHz × 16bit 计算，每天原始数据约 50 MB，4G 流量和发射功耗都不可接受；建议本地做特征值提取（RMS、峰值、峭度、频谱包络），只上传特征值 + 告警时上传原始波形
低温电池问题——-40℃ 下普通 18650 锂电池容量衰减超过 50% 且无法大电流放电（4G 发射瞬时 2A），需评估电芯或锂亚硫酰氯电池方案
IP65 与按键/指示灯矛盾——建议取消物理按键，改用磁吸或蓝牙配置

这份输出的价值不在于信息有多新颖，而在于完整性和速度。第 1 条风险直接改变了整个系统的架构方向（从"透传"改为"边缘计算"），第 2 条是无数北方工业项目踩过的坑。一个有经验的工程师也会想到这些，但 AI 在 30 秒内就全部列出来了，而且不会疲劳、不会遗漏。关键技巧：让 AI 反问你。在提示词末尾加一句"如果需求中有不明确或缺失的信息，请先向我提问"，可以有效暴露需求方自己都没意识到的盲区。在实际使用中，AI 反问过"振动传感器是压电式还是 MEMS？""安装方式是磁吸座还是螺栓固定？"——后者看似是机械问题，实际上直接影响传感器的频响上限，是必须提前定义的需求。

三、第二阶段：器件选型——AI 价值最大的环节

选型是硬件方案中信息密度最高的工作，也是 AI 提效最明显的地方。

1. MCU 选型：从一天到两小时

需要为上述振动监测节点选择主控 MCU，要求：

- 至少 2 路 SPI、1 路 I2C、1 路 UART

- 支持 DMA 的 ADC，采样率 ≥ 100 ksps，或能外挂 ADC

- 深度睡眠电流 ≤ 5 μA

- Flash ≥ 512 KB，SRAM ≥ 128 KB

- 单价 ≤ 15 元（量采购价），优先考虑国产供应保障

请推荐 3~5 个候选型号（如 STM32、GD32、ESP32、nRF52 等系列），

用表格对比：主频、存储、外设、功耗、参考价格、供货情况，

并给出首选建议和理由。

AI 给出的对比表（经核实修正后）：

型号	主频	Flash/SRAM	Stop 模式电流	外设亮点	参考单价	备注
STM32L476RG	80MHz	1MB / 128KB	~1.3μA (Stop2)	ADC 5Msps、DFSDM	~14 元	生态最成熟
GD32L233CB	64MHz	256KB / 32KB	~1.8μA	成本低	~6 元	SRAM 偏小
STM32U575RI	160MHz	2MB / 786KB	~1.1μA (Stop2)	带 DSP 指令、ADC 快	~18 元	超预算但算力充裕
nRF52840	64MHz	1MB / 256KB	~1.5μA (System ON)	自带 BLE	~16 元	如无 BLE 需求则浪费

AI 的首选建议是 STM32L476，理由是：ADC 性能满足外挂 MEMS 加速度计的数字接口需求、Stop2 功耗达标、价格贴边、开发生态最成熟。这个结论与该项目人工选型的结果一致——但人工做这张表花了一天，AI 加核实只花了两小时。表中有一个细节值得注意：AI 最初给出的 GD32L233 的 SRAM 是 64KB，核实数据手册后发现实际是 32KB，这直接影响了它能否胜任本地 FFT 缓存——核实这一步省不得。经验数据显示，AI 报参数的错误率大概在 5%~10%，但错一个关键参数就足以推翻整个结论。

2. 电源方案：让 AI 做约束求解

电源是最适合让 AI 做"约束求解"的部分：

系统供电：单节 18650 锂电池（3.0~4.2V），需要以下电源轨：

- 3.3V/300mA（MCU + 传感器，要求低静态电流，轻载效率优先）

- 4.0V/2A 脉冲（4G 模组，发射瞬时电流大，平均功耗低）

请推荐每路电源的拓扑（LDO / Buck / Buck-Boost）及 2~3 个具体芯片型号，

说明选择理由，并估算整机待机电流。

AI 的分析要点（节选）：

3.3V 轨：电池电压 3.04.2V 跨越 3.3V 输出点，严格来说需要 Buck-Boost；但考虑到电池放电到 3.4V 以下时剩余容量已不足 15%，且 MCU 可工作在 2.03.6V，实际可采用纯 Buck 拓扑，压差不足时进入 100% 占空比直通模式，输出跟随电池电压，MCU 端通过电压监测做低电量管理。推荐 TPS62740（IQ 仅 360nA，轻载效率 90%+）或国产替代 SGM6032。
4G 轨：选 4.0V 输出的 Buck（如 MP28164 或 SY8120），注意两点：① 输出端需并联 470μF 以上的低 ESR 电容应对 2A 发射脉冲，否则电压跌落触发模组复位；② 使能脚接 MCU GPIO，模组不工作时彻底断电，避免 1.5mA 的待机电流吃掉功耗预算。

这里 AI 给出的 TPS62740 和"直通模式"的分析是正确的，也是该项目最终采用的方案。它甚至提醒"4G 模组要彻底断电而不是休眠"——这是很多低功耗设计翻车的地方。

3. 重要提醒：交叉验证

AI 的型号知识有截止日期，且可能记错参数。凡是 AI 给出的型号，必须到官网或立创、得捷等平台核实三件事：① 型号是否真实存在且未停产；② 关键参数是否与数据手册一致；③ 实际供货和价格。一个高效的做法是让 AI 生成对比表框架，再用官方数据填充校验——AI 出"面"，人控"点"。

四、第三阶段：原理图设计与审查

AI 目前不能直接画出合格的原理图，但它在两个环节非常实用。

1. 应用电路解读：随叫随到的 FAE

把数据手册中的典型应用电路描述（或截图 OCR 后的文本）喂给 AI，让它解释每个外围元件的作用和取值依据。具体例子：项目中 MCU 使用 8MHz 无源晶振，手册推荐负载电容 12pF。把电路描述给 AI：

8MHz 无源晶振，规格书 CL = 12pF，ESR ≤ 80Ω。

PCB 走线寄生电容估算 3pF，MCU 引脚电容约 5pF。

请计算两个外部匹配电容的取值，并说明计算依据。

AI 给出的计算：

负载电容公式：CL = (C1 × C2)/(C1 + C2) + C_stray取 C1 = C2，则 CL = C1/2 + C_strayC_stray = 走线寄生 + 引脚电容 ≈ 3pF + 5pF = 8pF（注：此处引脚电容与走线电容的叠加方式各家手册定义略有差异，保守取 5~8pF）C1 = 2 × (12 - 8) = 8pF，建议取标准值 8.2pF 或 10pF，并预留焊盘以便实测频偏后调整

这个计算是正确的，而且"预留焊盘、实测调整"的建议非常工程化。同样的方法可以用于开关电源补偿网络、ESD 器件选型位置、复位电路 RC 取值等场景——相当于一个随叫随到、永远不会不耐烦的 FAE。

2. 原理图审查：AI 最被低估的用法

这是本文最推荐的用法。把设计要点以文本形式描述给 AI，让它按审查清单逐项检查：

请扮演资深硬件评审专家，审查以下设计要点，找出潜在问题：

- MCU：STM32L476，VDD = 3.3V

- 4G 模组 UART 电平 1.8V，直连 MCU UART（3.3V）

- 锂电池通过 10mΩ 采样电阻 + INA199 做电流检测

- 复位电路上拉了 10K，未加 RC 延时

- BOOT0 悬空

- 所有未用 GPIO 未做处理

- SWD 调试口未预留上拉

- 4G 模组的 SIM 卡信号线未加 ESD 保护

请逐条指出风险并给出修改建议。

AI 的审查结果（实际输出整理）：

#	问题	风险等级	修改建议
1	1.8V UART 直连 3.3V MCU	严重	MCU 的 VIH 约为 0.7×VDD = 2.31V，1.8V 高电平无法被可靠识别；模组 RX 侧 3.3V 也可能超出其 IO 耐压。必须加电平转换（TXS0102 或两颗 MOS 管方案）
2	BOOT0 悬空	严重	悬空引脚电平不确定，可能导致上电进入 Bootloader 而非用户程序。加 100K 下拉
3	未用 GPIO 未处理	中等	浮空输入会产生漏电流并可能引入干扰。软件配置为模拟输入模式（Analog, no pull），硬件可悬空
4	复位电路无 RC	低	多数情况下 MCU 内部 POR 已够用，但工业环境建议加 100nF 对地电容提高抗扰度
5	INA199 + 10mΩ	中等	增益 50 倍时，10mΩ × 2A = 20mV 满量程仅 1V，精度尚可；但待机 1μA 级电流产生的压降只有 10nV，远低于失调电压（±150μV），低功耗电流根本测不准。如需测量睡眠电流，应换用更高采样电阻 + 量程切换，或使用 nA 级专用方案
6	SIM 卡无 ESD	中等	SIM 卡座是外部可接触接口，工业现场插拔必然引入 ESD，加专用 ESD 阵列（如 USBLC6 类）

六条里，第 1 条和第 5 条是该项目人工评审时漏掉的。尤其是第 5 条——10mΩ 采样电阻测 1μA 睡眠电流，差了 4 个数量级，这是个非常隐蔽的量程设计错误，如果不是 AI 指出来，要到样机实测阶段才会暴露，改版成本就是几千元和两周时间。这类"checklist 式"的审查，AI 的覆盖率常常比疲劳状态下的人工评审更高。推荐的做法是：设计完成后，先用 AI 过一遍，再开人工评审会——人工评审聚焦 AI 无法判断的系统级和物理层问题，效率翻倍。

五、第四阶段：功耗与性能的量化核算

低功耗设计的核心是一本"功耗账"，AI 非常擅长帮助记账。以下是该项目中的真实核算过程：

请为以下系统做功耗预算分析：

- MCU 运行模式 12MHz：3mA；Stop2 模式：1.2μA

- 加速度计连续采样：180μA

- 4G 模组：待机 1.5mA（已断电不计），发射平均 120mA（每次连接约 30 秒）

- 工作策略：每小时唤醒一次，采样 10 秒，数据本地缓存；

  每 24 小时通过 4G 上传一次，上传时长大约 60 秒（含网络注册）

请计算平均电流，并估算 3400mAh 18650 电池的续航时间。

如果达不到 6 个月，请指出功耗大头并给出优化方向。

AI 的计算过程：

每小时周期（3600s）：
采样 10s：(3mA + 180μA) × 10s = 31.8 mA·s
其余 3590s 睡眠：1.2μA × 3590s ≈ 4.3 mA·s
每小时合计 ≈ 36.1 mA·s
每天 4G 上传一次：
发射 60s：120mA × 60s = 7200 mA·s
摊到 24 小时：7200 / 24 = 300 mA·s/小时
平均电流：(36.1 + 300) / 3600s ≈ 93.4 μA
续航估算：3400mAh / 93.4μA ≈ 36,402 小时 ≈ 1517 天（约 4.2 年）
考虑电池自放电（年 23%）、低温容量衰减（按 -40℃ 打 5 折）、4G 弱信号重发（预留 3 倍余量），实际续航约 1.52 年，远超 6 个月目标，且功耗大头毫无疑问是 4G 发射（占比 89%）。

这个计算本身不复杂，但 AI 在 30 秒内给出了完整的过程和归因分析，并且主动给出了三个可信度修正系数（自放电、低温、重发）。工程师复核的不再是"算没算对"，而是"假设是否合理"——比如"上传 60 秒"这个假设在弱信号环境下是否成立，后者才是工程师真正的价值所在。热设计、ADC 精度与基准源温漂、通信链路的重传率估算，都可以用同样的模式处理。

六、第五阶段：文档与知识沉淀

方案设计阶段有大量文档工作：设计规格书、BOM、接口定义表、测试大纲。AI 可以把设计决策快速结构化。具体例子 1：BOM 表初稿。把选型结论喂给 AI，一条指令生成带位号、封装、参数、厂商的标准 BOM 表，导出 CSV 直接导入 ERP 或立创 BOM 工具，人工只需核对价格列。具体例子 2：测试用例生成。某团队让 AI 根据功能清单生成《硬件测试用例表》，它输出了 47 条用例，覆盖上电时序、极限温度、电源拉偏、ESD、通信异常注入（弱信号、掉线重连、服务器无响应）、OTA 中断恢复等维度。其中有 6 条是测试工程师的原始清单里没有的，比如"4G 上传进行到一半时断电，恢复后数据是否完整续传"——这正是断网续传功能最容易出 bug 的地方。更重要的是知识沉淀：让 AI 把每次设计评审的结论整理成团队内部的《设计检查清单（Checklist）》。前述团队的清单已经积累了 60 多条，从"电平匹配"到"低温电池"到"未用引脚处理"，每次新项目的评审先让 AI 对照清单扫一遍——这是把个人经验变成团队资产的最短路径，也是 AI 给团队带来的长期复利。

七、工程实践中的四条经验教训

最后，分享几条在实际项目中用 AI 做硬件设计的经验教训：

永远给上下文，而不是裸问题。AI 的回答质量与输入的信息量成正比。把约束条件（成本、温度、产量、供应链）一次性给足。对比"推荐一个低功耗 MCU"和本文第三节的提示词，输出的可用性天差地别。
关键数据必须溯源。型号、引脚、电气参数，一律以数据手册为准。AI 负责"面"的覆盖，人负责"点"的精确性。一条值得写入团队规范的规定是：AI 给出的任何参数，未经数据手册核实不得进入设计文档。
用 AI 做对抗性审查。同一个方案，开两个对话：一个让它设计，一个让它专门挑毛病。第四节的评审案例就是"挑毛病"对话的产物。对抗产生的信息增量远超单次问答。
建立自己的提示词库。把本文这类模板按项目阶段存档（需求分析 / 选型 / 审查 / 核算 / 文档五类），随用随取，迭代优化。半年后会发现，这个提示词库就是工程师个人在 AI 时代的护城河——别人用 AI 聊天，高手用 AI 交付。

结语

AI 不会取代硬件工程师，但会用 AI 的硬件工程师，正在取代不会用的。方案设计阶段曾经最耗时的资料检索、参数对比、文档撰写，正在被压缩到原来的几分之一，而腾出来的时间，应该花在真正需要物理直觉和工程权衡的地方——布局布线的手感、EMC 整改的经验、对供应链的判断——那些才是硬件工程师不可替代的价值。工具已经就位，剩下的就是动手把它用进下一个项目。

关注「嵌入系统与人工智能」，获取更多嵌入式开发与 AI 工程实践的干货内容。回复「提示词」可获取本文全部提示词模板的可复制版本。

原始来源：嵌入式系统与人工智能