想象一下你是一名建筑师，但你设计的不是房屋，而是被称为“模拟电路”的微小、隐形的机器。它们是手机、汽车和笔记本电脑中默默无闻的英雄，负责处理诸如将电池电量转换为屏幕所需电压或清理嘈杂无线电信号等任务。几十年来，构建这些电路一直是一种缓慢且依赖手工的艺术形式。人类专家必须绘制设计图，运行计算机仿真以查看其是否有效，发现设计出错后将其擦除，然后重新开始。对于单个设计，这个循环会重复数百次。这就像是在草堆里寻找一根特定的针，而你每捡起一片草，都要为它制造一根新针，只希望其中一根恰好就是你要找的那根。

最近，科学家们尝试教计算机使用“语言模型”来完成这种绘图工作——也就是那种可以写故事或回答问题的智能 AI。他们教会了这些 AI 阅读一套规则（例如“我需要一个能使电压翻倍的电路”）并立即生成一个电路图。但问题在于：这些 AI 就像是那些只背下了几道简单食谱、一旦被要求烹饪一场复杂宴席就会惊慌失措的学生。如果电路变得稍微大一点或复杂一点，AI 就会只是随机给出一个错误的、破碎的设计。它不知道如何“思考”自己的错误，也不知道如何尝试重来。这是一种“一次性”（one-shot）的尝试：猜一次，如果失败了，就彻底失败了。

这就是名为 EXPLORE 的新论文所发挥作用的地方。来自杜克大学和 IBM 的研究团队意识到，与其强迫 AI 在第一次尝试时就做到完美，不如让 AI 在提交最终设计之前进行“大声思考”并探索不同的选项。他们构建了一个将 AI 的创造力与严谨的搜索过程相结合的系统，就像一位侦探，不仅会猜测嫌疑人是谁，还会检查每一个线索，追踪每一条线索，只有在证据确凿时才会实施逮捕。

问题所在：“一次性”陷阱

为了理解为什么 EXPLORE 如此特别，请想象你在玩一个“猜画图”的游戏。你必须画一只猫，但你只能画出一笔。如果你把耳朵画错了，整只猫就毁了。这就是旧有的 AI 方法的工作方式。它们会观察你的请求，然后立即画出一个完整的电路。如果电路不起作用，AI 无法修复它；它只能从头开始重新尝试。

随着电路规模的扩大，问题变得更加严重。论文解释说，当你增加更多的部件（如电容、电感和开关）到电路中时，连接它们的可能方式会呈爆炸式增长。这就像是在解一个谜题，每当你增加一个零件，谜题的碎片数量就会翻倍。对于只有 3 或 4 个部件的简单电路，AI 可以轻松猜出正确答案。但对于一个有 6 个部件的电路，错误的猜测数量如此庞大，以至于 AI 会迷失方向。旧的方法试图通过生成数千个随机猜测并寄希望于其中一个奏效来进行“暴力破解”，但这极其缓慢且效率低下。

解决方案：引导式搜索

EXPLORE 框架通过引入“引导式搜索”改变了游戏规则。它不再是让 AI 直接吐出最终答案，而是让 AI 扮演一名登山者的角色。登山者（AI）拥有一张地图（其训练数据），这张地图告诉它路径可能通往何方。但由于山势陡峭且雾气弥漫，登山者并不会盲目行走。

以下是 EXPLORE 的工作步骤：

1. 地图（语言模型）： AI 从观察数千个现有电路中学习到了一张“地图”。这张地图让它对一个有效的电路长什么样有一个良好的直觉。
2. 分支路径（蒙特卡洛树搜索）： 当 AI 需要做出决策（例如“我是应该把这根导线连在这里还是那里？”）时，它不会只选一条路。它会想象几种不同的前进路径。这被称为“树搜索”。这就像站在分岔路口，想象着同时走下两条路，看看哪条路能看到更好的风景。
3. 现实检查（仿真器）： 对于 AI 想象出的每条路径，它都会使用电路仿真器进行快速“测试”。这是真相时刻。仿真器会说：“嘿，如果你那样连接，电压就不对了，”或者“做得好，这个部分可以工作！”
4. 智能跳过（P-Filtering）： 这是研究人员发明的一个聪明技巧。在 AI 用来描述电路的语言中，大约一半的词只是“语法”词汇——比如“the”或“and”——它们实际上并不改变设计。它们只是为了让句子看起来符合语法。EXPLORE 系统意识到，如果 AI 对某个语法词有 99% 的把握，它就不需要浪费时间去测试它们。它会自动接受这些词，从而将精力保留给真正的决策。这就像一位厨师不需要在加盐之前先尝一下盐罐子；他们知道直接加盐即可，把品尝的时间留给汤本身。

他们的发现

团队在包含 6 个组件的电路上测试了这种新方法，这是旧方法开始感到吃力的“甜点位”。他们设定了一个非常严格的目标：电路必须在极小的误差范围内（0.01）达到完美。

• 旧方法： 当 AI 尝试通过“一次性猜测”（贪婪法/Greedy method）来猜出电路时，成功率仅为 12%。即使他们尝试了一种生成许多随机猜测并挑选最佳方案的方法（采样与过滤/Sampling and Filter），成功率也仅为 33%。
• EXPLORE 方法： 借助他们的引导式搜索，成功率跃升至 65%。这比之前最好的方法成功率翻了一倍多。

但这不仅仅关乎赢的次数更多，更关乎更聪明。论文指出，EXPLORE 产生的误差（通过所谓的“均方误差/Mean Squared Error”衡量）比随机猜测法要小 20 倍以上。这意味着它所找到的电路确实非常接近完美目标。

研究人员还测试了更大的挑战：包含 7、8 和 9 个组件的电路。在这些复杂的场景中，旧方法基本上都放弃了，成功率降至接近于零。然而，EXPLORE 却能继续工作。虽然它并不能完美解决所有问题，但它是唯一一种在这些困难且未知的领域中仍能找到任何可用设计的方法。

这为何重要

论文指出，这种方法之所以是一个重大进步，是因为它教会了 AI 在行动之前先“思考”。与其依赖一个收集所有可能电路的海量数据库（这几乎是不可能的），EXPLORE 利用 AI 的直觉来引导智能搜索，并在过程中不断检查自己的工作。

作者谨慎地指出，虽然这是一个巨大的进步，但它并不是解决一切问题的魔杖。对于非常大的电路（10 个组件），成功率仍然不高，且该系统需要大量的计算能力来运行仿真。然而，通过证明“搜索增强型”方法比“一次性”猜测更有效，他们打开了一扇新的大门。这表明，未来电路设计的核心不仅在于更智能的 AI 模型，还在于更智能的方式，让这些模型在构建第一个物理芯片之前，能够去探索、测试并完善它们的想法。

简而言之，EXPLORE 就像是给了电路设计师一个指南针和一张地图，而不是蒙住他们的眼睛并祈祷他们能撞见宝藏。它将一场纯粹靠运气的游戏变成了一场策略游戏。