关键要点：
电气工程专业毕业生的需求并未下降，但对其教育背景和工作经验的要求正在发生变化。
智能体如今承担了许多曾被视为初级工程师工作的任务，但也为他们带来了新的更高层次的工作机会。
初级工程师有机会帮助资深工程师提升AI使用能力，形成反向培训的新模式。
专家圆桌：半导体工程（Semiconductor Engineering）邀请了多位业内专家，就AI普及背景下最新一届大学毕业生面临的状况展开讨论。参与讨论的专家包括：Cadence公司研究员Chuck Alpert；Synopsys公司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研究主管Kexun Zhang。以下为讨论内容摘录，本文为三篇系列报道的第一篇。
从左上角顺时针方向依次为：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。
半导体工程：AI正在对EDA、半导体行业及其客户产生颠覆性影响。一个早期迹象是，计算机科学（CS）专业的毕业生正面临就业困境。过去他们备受追捧，而如今他们的失业率已超过整体平均水平。这是怎么回事？
Gupta：根据我的观察，数据科学专业受到的影响比计算机科学专业要显著得多。我一直在寻找优秀大学的计算机科学毕业生，但这样的人才并不多。受影响更大的似乎是数据科学领域。
Alpert：我们知道像Cursor、Claude Code、GitHub Copilot这样的“氛围编程”（vibe-coding）工具正在提升程序员的生产力，因此招聘放缓是很自然的事情。企业在Claude和OpenAI这类工具上投入了大量资金，所以他们不想再以同样的速度招聘那么多工程师了。
Andersen：当我们谈论计算机科学家，或者我们行业里的从业者时，需要考虑两个方面。一类是编写EDA软件的人，另一类是芯片设计公司的人员。我同意，在软件开发方面，大家都比较谨慎，因为他们想看看AI到底能自动化多少工作。同时，当我们开发新技术和新版本时，大家都想知道如何能更快完成。如果我能更快地完成任务，如果我能每三个月发布一次新版本、更快地开发软件，这显然是有益的。而在芯片设计师这一方，情况不太一样，因为他们不像传统的软件程序员。他们主要是芯片设计方面的专家，是工具的使用者。这类人才长期以来一直存在短缺。在某种程度上，AI正在帮助缓解这种短缺，但这并不意味着人类会消失。人类只是在提升他们所做工作的层次，能够更高效地工作，进而开发出更多芯片。推出一款芯片需要多长时间？如果有人说可以用一半的时间完成，大家都会很高兴。
Alpert：我猜这些情况都不适用于电气工程师（EE），因为在设计专业人才方面仍然存在巨大的供需缺口。我不知道那里是否出现了招聘放缓的情况。
Davidmann：我对英国市场做了一些调查，他们认为毕业生就业市场确实困难，但AI并非唯一原因。数据显示，从2022年到2026年，主要雇主的毕业生招聘量下降了24%，但这与经济不确定性、预算削减、调整期以及疫情后招聘政策的变化有关。AI是在一个本已复杂的局面中介入进来的。要弄清楚AI究竟产生了多大影响并不容易。从工程领域来看，他们表示，工程专业的毕业生通常能在毕业后15个月内找到工作，大约75%的人能找到，这个比例是相当典型的。AI确实在产生一定影响，但很难精确判断AI对就业变化的实际作用，因为还有太多其他因素在起作用。
Kelf：我用AI问了同样的问题，得到了类似的答案。我曾和一位刚大学毕业、正在找工作的人交谈，他找不到工作。问题在于缺乏实践经验，这是我们多年来一直观察到的现象。我们在招聘新人时，如果雇用一个新毕业生，就得花一年时间让他们熟悉真实的设计工作。而这种情况似乎在恶化。我们还发现，AI在某种程度上正在替代实习生的需求，因此找到实习机会变得更难，这又导致他们获得的实践经验更少。而大学方面并没有真正提供帮助。当我们雇用一名新毕业生时，我们得花更多时间来培训他们。这里还有一个明显的财务考量问题。如果我们可以让AI承担一些较为初级的任务——那些过去用来培训新员工的任务——那我们就负担不起再雇用他们了。如果我们雇用了他们，而竞争对手却在使用AI，那我们在盈利能力上就会与竞争对手产生差距。我们必须跟上这个趋势。
Davidmann：对毕业生而言，这是一个短期问题，因为AI只能做某些特定的事情。真正的工程实践需要掌握许多技能，而这些技能AI并不能真正帮助你学会。如果没有新毕业生进来、没有学徒制度，那就会出现问题，因为他们永远不会成长为专家。而当你的专家逐渐老去，就会出现巨大的断层，这个断层AI是无法弥补的。
Andersen：我完全同意。虽然可以说“我不再需要初级员工了，因为AI可以完成那些简单的任务”，但如果不去培养能够替代现有专家的人才，那将来又有谁能来做这些工作呢？
Gupta：从我自身的经验来看，我女儿是最近毕业的计算机科学专业学生，幸运的是她找到了工作。我和她聊起其他计算机科学毕业生的情况，她告诉我，几乎她所在班级的每个人都找到了工作。但她提出了一个很有意思的观察。以前，如果你是新毕业生，公司会为你指派一位导师来培训你，帮助你快速上手。而现在的情况是，公司里所有的资深员工都在用AI来完成大量工作。年轻的毕业生无法从经验丰富的同事那里获得足够的时间来接受培训。这是一个很大的问题，她所在的大公司已经意识到了这一点。他们已经开始组织焦点小组来研究如何解决这个问题——因为现在没有人愿意花时间带新毕业生、帮助他们快速成长。这似乎成了一个关键问题。
Zhang：在AI时代，人们对新毕业生加入公司后应该做什么的期望，与他们在学校、大学或实习项目中所接受的培训之间存在巨大的错配。AI的发展速度如此之快，我们现在期望新员工、新毕业生具备“AI原生”的能力，能够使用AI工具在更高层次上解决问题。我们不再期望他们去做初级工程师或实习生过去做的那种传统基础性工作。我们期望他们能够凭借自己的判断力和主动性去定义问题、解决问题，而解决这些问题并实施方案已经变得容易得多了，但大学教育并没有真正适应这种变化，考虑到AI发展和能力演进的速度，大学教育也不可能跟上这么快的步伐。
Gupta：这一点在最近的大学毕业生身上尤为明显，因为他们正处于这个过渡阶段。
Zhang：大学正在努力适应，而最近的毕业生正是处于这个断层中的一代。他们所受的教育大多并非“AI原生”式的，但那些已经看到使用AI所带来经济价值的企业，已经改变了对新毕业生的期望。
Davidmann：回到大学的环境中来看，大学内部对于如何处理AI存在一种“分裂”的态度——关于允许学生在多大程度上使用AI，以及应该采用什么样的考核方式。他们需要设计出AI无法完成的考核方式，确保学生这名工程师确实掌握了相应技能。我对此有两种看法。教育必须做出改变，区分两种教学模式：基础模式和专业模式。专业模式是指你期望他们在公司里所做的事情，这意味着要把使用AI、使用智能体作为工作的一部分。而基础模式则是指你需要理解事物背后的数学原理、算法的运行方式，以及如何调试问题。在某些领域，你不应该使用AI，因为你需要具备理解能力。但这在产业中其实没有太大用处，因为你终究会使用智能体和AI。你确实需要兼顾这两方面。我曾在一家大型EDA公司工作时，负责欧洲地区的大学项目。我们做的一件事是，向学生提供验证相关的技术，并给他们布置一个关于覆盖率的项目。他们首先要理解问题本身，手动搭建仿真流程、测试生成器、覆盖率统计，全部手动完成测试。他们先学习整个流程，然后再尝试用AI来改进它。听他们展示项目成果的过程非常有意思。教育必须随着AI的使用而改变。同样，企业也在学习如何利用AI，以及员工该如何使用它。教育者、讲师们也需要理解这一点，而相关政策目前还没有理顺。企业中同样如此，一切都在飞速变化。
Alpert：我发现，很多初级工程师，也就是近两年刚入职的员工，恰恰是依靠AI方面专业知识最值得信赖的专家之一。这对EDA行业来说非常令人兴奋，因为我们这个行业有很多经验丰富的从业者。如果三到五年前有人问我，一个年轻工程师能教我什么，答案可能是“什么都教不了”。但现在情况不同了，我能从与这些年轻人的交流中学到很多东西。
Andersen：我完全同意这一点。许多资历较深的员工对使用新技术存在一定的抵触情绪，这在每一代人身上都会发生。同样真实的是，也许确实存在一个差距，也就是说大学并没有让当前的毕业生为这些新技术做好准备。但总体而言，年轻人非常渴望学习新事物。他们具备自学能力，这是一项重要的优势。
Kelf：EDA行业内曾经经历过几次浪潮。想想逻辑综合技术刚兴起的时候。那时资深工程师习惯于在门级（gate level）上进行工作，他们非常熟悉这种方式，也擅长于此。他们对学习综合技术有抵触情绪，而正是那些新毕业生和新工程师率先掌握了硬件描述语言（HDL），并开始使用综合技术。当随机化验证技术被引入时，我们也看到了同样的情形。资深验证工程师并不习惯使用测试平台（test bench），这需要面向对象编程方面的专业知识，而新毕业生在学校里恰好学习了这些知识。现在关于AI的问题是，相比于那些需要自己摸索弄明白的资深工程师，新毕业生究竟能学到哪些关于AI的知识，从而更实际地完成这些工作。我在想，是否存在这样一种预期，即刚毕业的学生会因为在学校学习过AI而成为AI方面的专家，但实际上他们还没有达到那个水平。也许再过一两年，学校会开设更直观、更实用的AI课程，到那时他们将能够解决诸如“幻觉”等问题，而这些问题可能会让资深工程师感到棘手。也许这就是下一波浪潮。
半导体工程：有人说这不会影响到电气工程师（EE），受影响的是计算机科学专业的毕业生。但EDA行业内部的人表示，目前的智能体已经和初级工程师水平相当。他们还说，未来会出现资深工程师同时管理十个这样的智能体的局面，并将它们称为“虚拟工程师”而非“人员”。这让我觉得，电气工程师最终也会受到同样的影响。
Alpert：目前存在巨大的生产力差距，而设计本身也变得更加复杂。我一直听到的说法是，一切都变得复杂了十倍，因为我们需要处理封装和3D集成电路，需要验证各种不同的领域，还需要进行跌落测试。要把产品顺利推出市场，需要做的事情远比过去多得多。而这还是在资源没有增加的情况下，要完成十倍以上设计工作量的前提下发生的。时间周期却没有变化。EDA行业一直以来都是关于提升生产力的，这正是我们这个行业所做的事情。现在我们需要借助智能体来加速这一过程，而我们也确实能够做到。但这只是又一次生产力的提升，有助于缩小这一差距。我仍然认为这个差距不会被完全消除。人们想要完成的设计数量意味着，即便设计师的生产力提升了十倍，电气工程师也永远不会出现过剩的情况。
Andersen：有很多研究都表明存在人才短缺的问题。就芯片设计师而言，需求肯定超过了供给，这意味着通过AI可以得到改善，让人们的工作更加高效。当我们使用“初级工程师”与“资深工程师”这类术语时，实际上只是在描述他们所执行的任务类型。如果初级工程师目前的工作任务被自动化了，那么他们就会去做更高层次的工作。这并不意味着他们需要花费20年时间积累经验才能胜任更高层次的任务，他们只需要从一开始就实现能力的跃升。
Alpert：现在所有的工程师都成了资深工程师，这就是我们所说的意思。当你雇用一个人时，你就相当于获得了一些帮助。
