一项来自前沿 AI 实验室的研究提出：用微调大模型作为“进化引擎”，在没有人类预设规则的情况下，从零开始组织出可工作的数字电路。在加法器、乘法器、排序网络等经典任务上，成功率最高达到91.2%，超越了 GPT-4 等通用模型 20 个百分点以上。
传统数字电路设计依赖人类工程师的规则与直觉。而这项研究提出了一个截然不同的思路：让 AI 模型自己学习如何组织电路元件。
核心方法并不复杂：用微调后的大语言模型，在任务描述与电路拓扑之间建立映射。模型输出的是连接关系，而不是代码。没有人工特征工程，没有预设的“布线算法”。
结果令人惊讶。
注：柱形自 40 分起缩放，非零起点。分数为 8-bit 加法器任务成功率，分差以标注数字为准。微调模型与最强通用模型的分差为 22.7 个百分点。
这项研究最打动人心的不是成绩，而是实验方法论。研究团队设计了一套严谨的基准，确保测试的不是“瞎猜”而是真正的组织能力。
人类工程师手工编码逻辑门连接，依赖 Verilog/VHDL 等硬件描述语言，需要大量专业知识。
模型只接收任务描述（如“设计一个 8-bit 加法器”），输出电路拓扑。没有任何人类设计规则介入。
任务涵盖加法器、比较器、多路选择器、排序网络等数字电路经典类型。每个任务都经过商用仿真器验证，确保电路真实可工作。
更关键的是，研究团队做了消融实验：如果去掉微调，直接用通用大模型，成功率会急剧下降。这说明成绩不是来自“大模型本来的能力”，而是来自针对电路组织任务的专门训练。
一个很容易产生的误解：这是不是“AI 在写 Verilog 代码”？不是。
传统 AI 辅助电路设计，是让模型生成硬件描述语言（HDL）代码，再由编译器转换为电路。这本质上仍然是人在回路中——模型只是加速了“写代码”这一步。
而自组织方法完全不同：
中间没有“代码”这一层。模型直接学习门级连接关系，就像人类设计师在草稿纸上画电路图。这种直接映射让模型有机会发现人类从未想到的连接方式。
研究团队在论文中写道：“模型在多个任务中展示出了‘非预期’的连接模式，这些模式在人类工程师看来是反直觉的，但在仿真中却是正确的。”
这暗示着一件事：自组织智能可能正在创造自己的“设计语言”。
自组织能力正在成为 AI 的下一个前沿。当模型不再需要人类预设规则，而是自己学习如何组织底层结构，这意味着 AI 从“工具”向“创造者”的角色转变已经开始。但一个诚实的注脚是：泛化边界仍不明确——小规模验证的成功，不等于大规模系统的可靠性。
研究团队已开源全部实验数据与电路拓扑。如果你对 AI 自组织能力感兴趣，这是当前最值得关注的基准之一。
在 arXiv 上搜索 “Self-Organising Digital Circuits”