本次讨论的要点包括：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。智能体目前正承担许多过去被认为是初级工程师工作的任务，但同时也出现了新的更高层次任务供他们完成。初级工程师也有机会帮助资深工程师重新学习如何使用AI。
据海外媒体报道，在专家圆桌讨论中，各方围绕AI应用背景下最新高校毕业生面临的情况进行了讨论。参与者包括楷登电子研究员Chuck Alpert；新思科技AI与机器学习副总裁Thomas Andersen；南安普敦大学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研究负责人Kexun Zhang。以下内容为此次讨论的摘录。这是三部分系列文章中的第一篇。
左上顺时针依次为：南安普敦大学的Davidmann；Breker的Kelf；新思科技的Andersen；ChipAgents的Kexun；llmda的Gupta；以及楷登电子的Alpert。
问：AI对EDA、半导体产业及其客户都具有颠覆性影响。一个早期迹象是，计算机科学专业毕业生正面临求职困难。过去，这类毕业生非常抢手。如今，他们的失业率却高于整体平均水平。究竟发生了什么？
Gupta：根据我的观察，与计算机科学相比，数据科学受到的影响要大得多。我一直在寻找计算机科学毕业生，但来自优秀高校的毕业生并不多。目前看来，受影响更明显的是数据科学。
Alpert：我们知道，Cursor、Claude Code、GitHub Copilot等氛围编程工具正在提高计算机科学人员的工作效率，因此招聘放缓是自然结果。企业正在为这些能力向Claude和OpenAI投入大量资金，因此不希望再以同样速度招聘大量工程师。
Andersen：谈到计算机科学人员，或者我们这个行业里的从业者，需要考虑两个方面。一部分人编写EDA软件，另一部分是芯片设计公司。我同意，在软件开发方面，每个人都比较谨慎，因为大家想看看AI能在多大程度上实现自动化。与此同时，当我们开发新技术和新版本时，每个人都想知道如何做得更快。如果我能更快、更高效地工作，如果我能每三个月发布一次并更快开发软件，那肯定有益。芯片设计端的情况并不完全相同，因为他们不像传统软件程序员。他们主要是芯片设计专家，也是工具用户。这类人才已经短缺了相当长时间。某种程度上，AI正在帮助缓解这种短缺，但并不是说人类会消失。人类只是在提升自己承担的任务，可以更有效率，然后可以开发更多芯片。一颗芯片从开始到推出需要多久？如果有人说能把时间缩短一半，大家都会欢迎。
Alpert：我猜这些情况都不适用于电气工程师，因为设计专业能力的需求仍存在巨大缺口。我不知道那里是否会出现放缓。
Davidmann：我对英国市场做了一些了解，他们认为毕业生市场比较困难，但AI不是唯一原因。他们说，从2022年到2026年，领先雇主的毕业生招聘下降了24%，但这与经济不确定性、预算减少、调整以及疫情后的招聘变化有关。AI进入了一个本来就已经复杂的领域。很难判断AI究竟产生了什么影响。从工程角度看，他们表示工程类毕业生能在毕业后15个月内找到工作。因此，75%的人找到了工作，这相当典型。AI肯定产生了一些影响，但很难准确判断AI对就业变化的实际影响，因为还有很多其他因素在同时发生。
Kelf：我用AI问过这个问题，也得到了类似答案。我曾和一名即将毕业、正在找工作的人交流，他们找不到工作。问题在于缺乏实践经验，多年来我们都见过这种情况。我们一直在招人，如果招聘一名应届生，通常需要花一年时间让他们熟悉真实设计。这种情况似乎正在变得更糟。我们看到的是，AI在一定程度上替代了对实习生的需求，因此找到实习似乎变得更难，他们获得的实践经验也更少。高校在这方面并没有真正提供帮助。当我们招聘一名应届生时，需要花更多时间培训他们。还有一个明显的财务问题。如果我们能把AI用于一些较初级的任务，也就是过去用来培训新员工的任务，那么我们就难以继续承担招聘他们的成本。如果我们招聘他们，而竞争对手在使用AI，那么我们在盈利能力方面就会面临问题。我们必须跟上这些变化。
Davidmann：对毕业生来说，这是一个短期问题，因为AI只能做某些事情。现实工程需要学习和实践许多技能，而AI在这方面并不能真正提供帮助。如果没有毕业生进入，也没有学徒式培养，就会出现问题，因为他们永远无法成为专家。随着现有专家年龄增长，就会出现巨大断层，而AI无法弥补这一点。
Andersen：我完全同意。虽然可以说因为AI能完成那些简单任务，所以不再需要初级人员，但如果不替换现有专家，未来又有谁能来做这些事？
Gupta：以我自己的经历为例，我女儿是应届计算机科学毕业生，幸运的是她找到了工作。我和她谈到其他计算机科学毕业生，她告诉我，同届毕业生基本都找到了工作。但她提出了一个很有意思的观察。过去，新员工入职后会被安排一名导师，负责培训并帮助他们尽快上手。现在的情况是，公司里的资深员工都在使用AI完成大量工作。年轻毕业生很难从有经验的人那里获得培训时间。这是一个大问题，她所在的大公司也意识到了这一点。他们已经组建焦点小组，研究如何解决这个问题，也就是没有人愿意花时间带年轻毕业生并帮助他们上手。这似乎是一个关键问题。
Zhang：在AI时代，人们对应届毕业生入职后应承担工作的预期，与他们在学校、大学或实习项目中接受的培养之间存在很大错位。AI发展非常快，我们现在希望新员工、应届毕业生具备AI原生能力，能够使用AI工具在更高层次上解决问题。我们不再期待他们做初级工程师或实习生过去承担的传统基础性琐碎工作。我们希望他们凭借判断力和主动定义问题的意识，解决更高层次的问题。解决这些问题并落地实现已经变得容易得多，但大学教育还没有真正适应。考虑到AI及其能力演进的速度，大学教育也不可能这么快适应。
Gupta：对应届大学毕业生来说尤其如此，因为他们正处在这一转型过程中。
Zhang：大学正在努力适应，而最近的毕业生正好处于这个断层期。他们接受的大部分教育并不是AI原生，但已经看到AI经济价值的公司，早已改变了对应届毕业生的期望。
Davidmann：回到大学环境，大学在如何对待AI、允许学生使用AI到什么程度，以及采用何种考核方式方面，存在矛盾心态。他们需要设计AI无法完成的考核，让学生必须真正掌握技能。我对此有两种看法。教育必须改变，并区分两种教学模式：基础模式和专业模式。专业模式是期望他们在公司中完成的工作方式，也就是把AI和智能体作为工作的一部分。基础模式则是需要理解事物的数学原理、算法如何工作，以及如何调试。有些领域不应使用AI，因为需要掌握理解能力。但这在产业中又没有直接用处，因为在产业中会使用智能体和AI。因此，确实需要同时具备这两者。我曾在一家大型EDA公司工作，负责欧洲高校项目。我们做过一件事，是把验证技术借给学校，并给学生一个与覆盖率相关的项目。他们首先要理解问题，手动启动仿真、测试生成器和覆盖率分析。他们手动完成所有这些步骤，并进行手动测试。他们学会了整个流程，然后再尝试用AI改进。听他们介绍项目时很有意思。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，以及员工如何使用AI。教育工作者和讲师必须理解AI，而这些政策尚未理顺。企业中也是如此。一切都在快速变化。
Alpert：我发现，许多初级工程师，也就是近两年招聘进来的人，反而是AI能力方面最值得依赖的一批专家。这对EDA来说非常令人兴奋，因为我们有很多资深人员。三到五年前，如果我问一名年轻工程师能教我什么，答案可能是没有。但今天不是这样。我和这些人交流能学到很多。
Andersen：我完全同意。很多资深人员对使用新技术存在一些抵触。每一代技术都会出现这种情况。也许确实存在一个断层，因为大学还没有让当前毕业生为这些技术做好准备。但总体而言，年轻人非常愿意接受新事物。他们可以自学，这是一项很大优势。
Kelf：EDA领域曾经出现过几轮类似变化。想想逻辑综合。过去，综合刚开始出现时，资深工程师仍在门级层面工作。他们已经习惯了这种方式，也很擅长，因此对采用综合存在抵触。反而是应届毕业生和新工程师弄懂了硬件描述语言，并开始使用综合。随机验证引入时，我们也看到过类似情况。资深验证工程师不习惯使用测试平台，因为这需要面向对象编程能力，但应届毕业生在学校里学过这些。AI带来的问题是，与需要自己摸索的资深工程师相比，他们能学到哪些AI知识，从而更实际地完成这些工作。我在想，是否有人会期待刚毕业的学生成为AI专家，因为他们在学习，但他们目前还没有达到那个水平。也许再过一两年，学校会开设更直观易懂的AI课程，他们将能够理解幻觉等问题，而资深工程师可能很难弄懂这些问题。这可能是下一轮变化。
阅读全文，请访问：https://semiengineering.com/college-grads-and-ai/
来源: 海外媒体
登录后即可参与技术讨论与同行交流
免费注册