聊起自己的研究领域，朱可人的眼中闪烁着一种近乎孩童般的好奇与热忱。EDA对他而言，从来不是冰冷的代码与算法堆砌，而是一场与微观世界的持续对话。

EDA被称为“芯片之母”，在集成电路设计产业乃至整个电子工业中都发挥着举足轻重的作用。如果把芯片设计比作建造一座万亿级晶体管的微观城市，那么，朱可人的工作，就是打造一套“智能建造系统”，通过人工智能和算法，让这座“城市”的每一寸空间都得到最优利用。

其中，模拟混合信号电路设计一直是个难题。传统设计高度依赖专家经验，周期长、自动化程度低。随着新兴技术的发展，传统设计方法显然已难以满足产业发展需求。然而，模拟信号电路性能对芯片物理设计非常敏感，处理的是连续信号，对设计精度要求极高，“差一点都不行，”朱可人解释道，“过去都是老师傅一点点用手画，但现在我们就想，能不能让AI学会老师傅的手艺？”

这个想法听起来简单，做起来却困难重重。2017年，还在博士阶段的朱可人，就开始挑战这个难题。彼时还没有成熟的大语言模型，他尝试部分引入人工智能，以优化模拟电路版图的布局布线流程。

“有段时间，我真觉得这辈子发不了论文了。”他回忆道，语气里却没有苦涩，更像在讲述一段有趣的冒险。模拟电路的性能优化取决于太多变量，每一次实验过程就像“黑盒子”，内部是混沌的，充斥着各种数值拟合和数值计算。他一度想训练一个模型，达到看到版图就能预测性能的水平，但很快发现，没有足够的数据，模型没有迁移性。“在电路A上训练的东西，到电路B上可能完全不起作用。”

那段时间，他脑子里反复琢磨同一个问题。最终，得出了一个反直觉的结论：不要追求完美的端到端解决方案。“接受不完美，反而可能会有出路。”他说，“就像人工设计师也会犯错，如果把算法精确度调得特别高，用的时候还真不一定能收获理想效果。”

这个顿悟，成为了他研究的基石。2022年，朱可人带领团队成功研发出业内首个完整的模拟电路自动化设计流程MAGICAL系统，实现了从SPICE网表开始，到GDS版图的全流程自动化，并成功进行三次不同设计的芯片流片验证，测试结果显示其性能、功耗和面积接近甚至超越了人类设计水平。

为了让AI学会“老师傅”的经验，朱可人提出了基于机器学习的设计经验模仿方法，让AI观察大量人工案例，学会何时走线、何处留白。在放大器等电路上，设计周期成功从小时级降至秒级。这项研究也因此获得了ICCAD最佳论文提名，并已进行技术转移。

“芯片永远不会完美，如何与不完美共舞，让算法理解物理世界的意外，是我们现在研究的主线。”作为强应用驱动的研究，目前，朱可人的学术方法已被多家企业借鉴应用，为EDA生态的繁荣发展贡献一份力量。

曾长期在国外生活的朱可人，近年来直观感受到了国内EDA领域的变迁。“过去我们考虑的是如何做出国产替代，把国外的经验拿过来复刻就已经是一个很好的成果了。但现在，我们已经从‘跟随者’走向‘引领者’，更多需要考虑的是下一步要怎么走。”

这些年，国内EDA行业发展迅猛，产业链迅速铺开，从研发到落地，大部分环节已基本覆盖。这不仅带来更大的挑战，也意味着更大的机遇。当国际技术路线出现分叉时，中国必须走出自己的路。“近些年，因为先进工艺受限，我们得用更极端的技术路线去尝试5纳米甚至3纳米的要求，这反而催生了新的算法需求。”

在朱可人看来，国内最大的优势是人才。“我们更愿意做有风险的探索，国家也鼓励做这种尝试，这也使得更多人才选择留在国内发展。”

当然，国外二三十年的产业积累也不是一朝一夕就能追赶上的。“软件工业的特点就是这样，算法好并不代表能竞争过别人。研发者需要大量的、不同的设计来发现问题，经过百次千次迭代，才能真正形成一个好产品。”他特别强调良性积累的重要性，只有工业界接触到实在的产品，客户愿意买单，行业才有发展动力。“再加上产学研密切合作，整个生态就能运转起来了。”

当前，朱可人已与多个知名企业对接，推动从实验室到应用端的成果转化。“我们的合作模式很简单，企业给一个解决不了的问题，我们做概念验证，能用他们就拿去用。”在朱可人看来，这种“双向奔赴”让学术与产业精准对接。

但是，这种对接过程中也会遇到一些问题。朱可人坦言，在与业界的对接中，核心就是要“把双方语言翻译对”。“EDA天生就是跨领域的，我们要跟负责设计的人交流，跟负责工艺的人交流，但每一个圈子的交流是不互通的。”他说，“很多时候，我们花在翻译上的精力比花在算法上还多。”

这种对“翻译官”角色的深刻理解，正源自于他对芯片行业的细致洞察。与此同时，AI的飞速发展也给行业带来全新可能。2023年，当ChatGPT掀起全球AI狂潮时，朱可人立即察觉到生成式人工智能的潜力。

在他看来，AI在EDA领域有两个截然不同的角色。“一种是机器学习，帮我们拟合预测需要的信息，加快迭代速度。”他解释道，“另一种是大语言模型，就像是一个实习生，能帮你做重复性的分析工作，替代设计迭代过程中的部分人力。”

AI会在未来完全取代人类芯片设计师吗？对这一问题，朱可人给出了一个既理性又温暖的回答。他指着最近很火的“Vibe Coding”（氛围编程）解释道，现如今市场上那些成功的AI工具，都不是端到端的全方案，底层逻辑还是调用已有的Skills（技能包）。“AI能做的是调动者，而不是执行者。”

与此同时，他在思考教育范式的转变。“过去大家觉得核心技能是技巧性的东西，比如怎么写编程语言，但这些东西未来可能没那么重要了。”他说，“更重要的是理解领域核心知识，理解背后的数学逻辑、底层架构，以及对物理世界的认知。”

就像在课堂上，他向学生们直言：“你们现在遇到的所有编程问题，AI都能帮你们解答。那你们到底应该学点什么？”答案或许指向了那些AI“学不会”的内容：学会提问，学会理解需求，学会在不同领域之间“翻译”。

作为一名青年教师，学生的成长是朱可人最大的追求。

他带过的一个硕士生，对未来充满迷茫时，朱可人并没有过多干预。在和他聊过几次后，他建议学生在实践中慢慢想清楚。“我让他先把手头的项目做起来，在做的过程中去感受自己真正喜欢什么、擅长什么。”

几个月后，这个学生“开窍”了，主动探索技术路线，完成的工作成功投中了领域顶会DAC。“他主动说，这个电路不太适合AI方法，要用更传统的模板搜索。”朱可人说到这，语气里透出藏不住的骄傲，“目前他们想把设计出来的方案真正流片，用在成品上。对于老师来说，这确实是教育上的一个成功点。”

这种不过多干涉、给予学生充分自由的指导风格，传承于他的博士导师潘志刚。“导师不干涉，给你半年时间，想做什么就做，做不出来再说。”

而如今，朱可人也把这种理念带给了自己的学生。“如果学生自己能做，我就不会过多干涉。如果纯粹让我告诉他每一步怎么做，那么大概率只会得出一个平庸的研究成果，难以创新。”

在他看来，比起能发多少文章，做科研更重要的是做出一个有用的、并且能让自己感到自豪的成果。“在我看来，沉下心来，不为功利，专注于手头做的事，成长为一个能独立发掘问题、解决问题的人，或许更重要。”

他最担心的是学生们对新事物失去兴趣。“一个学生只有发自内心觉得科研有趣，才会主动思考。否则做出来的就是个流水线上的东西，没什么用。”

如今，朱可人在复旦的生活忙碌而充实，上课、带学生、做研究、写报告……每天准点到办公室，处理一天工作后，晚上回到家继续处理邮件和审稿。

业余时间，他骑自行车、滑雪，还保留了读博期间研究股票的爱好。“倒不是为了赚钱，”他解释，“而是通过研究股市，保持对市场的敏锐度。”这点也被他很好地迁移到了做科研上。只有对行业核心需求持续关注，才能避免“纸上谈兵”式的研究。

朱可人评价自己是“纯应用驱动”来做研究，“芯片行业是个好练兵场，很多真正难的问题，在这里会被需求逼出来。我希望解决算力问题，也希望解决‘物理世界与逻辑世界如何交融’的大问题，这值得研究个十几二十年。”