大模型来了，验证工程师最该学的反而是"慢功夫"

组里来了个应届生，第一天就问："现在ChatGPT都能写testbench了，咱们验证工程师还有必要学UVM吗？"

这话听着新鲜，但焦虑是真实的。打开朋友圈，隔三差五就有EDA厂商在宣传"AI加速覆盖率收敛"、"大模型自动生成断言"。好像验证工程师不赶紧学点Prompt Engineering，明天就要失业。
但真相可能正好相反。
大模型改变的只是表层
验证的本质是在有限时间内，用有限资源，尽可能排除设计中的错误。

"有限"、"尽可能"、"错误"。
大模型能做什么？根据Siemens的实践，AI在需求工程、覆盖率闭合、加速验证、Bug检测这几个方向有应用。说白了，是把以前要人工重复的事情自动化了。比如从规格文档里抽取checklist，比如根据覆盖率洞分析缺哪些case。
这些很有用，但都在 执行层 。
验证真正的难点在哪？在于 判断什么是对的 。
拿到一个新IP，怎么拆解验证需求？哪些corner case必须覆盖，哪些可以trade-off？遇到一个偶现bug，如何定位是设计问题、环境问题还是spec理解偏差？这些问题需要的是工程判断力，是对系统行为的深层理解，是多年踩坑积累的直觉。
大模型可以帮你生成一百个assertion，但它不知道第101个才是真正会咬人的那个。
该学的东西没变，只是更重要了 工具越先进，对使用工具的人要求越高。
当大模型可以自动生成形式验证属性时，你需要判断生成的属性是不是真的覆盖了设计意图，会不会over-constraint。
所以 该学什么？还是那些"慢功夫"：
协议理解能力 —— AXI、PCIe、CXL这些协议的细节，大模型可以帮你查手册，但transaction之间的依赖关系、deadlock场景，需要脑子里有完整的状态机。
调试思维 —— 面对10万行波形，能快速缩小范围、定位根因。这不是prompt能教的，是几百个bug练出来的肌肉记忆。
系统级视角 —— 芯片不是孤立的，要理解它在整个系统里的行为。软硬件交互、时序约束、功耗场景，这些需要跨层思考。


工具会淘汰不会用工具的人 去年Synopsys推AI验证方案时，有同事说："完了，以后验证都自动化了。" 半年后发现，AI确实提高了效率，但项目还是缺人。
为什么？因为 验证的复杂度是随着设计复杂度同步增长的。 工具提效10倍，设计规模就涨10倍。结果就是，会用新工具的工程师成了香饽饽，只会按部就班跑回归的人开始慌了。
这是个好消息还是坏消息？取决于你怎么看。如果把大模型当成"能帮我偷懒"的东西，那确实危险。如果把它当成"让我有时间思考更难问题"的杠杆，机会就来了。
真正该焦虑的，不是大模型会抢走工作，而是 习惯了机械化执行，丧失了提问能力。
技术会变，问题的本质不变 回到开头那个应届生的问题。UVM当然要学，因为验证方法学的本质是结构化思维。今天是UVM，明天可能是别的框架，但怎么拆分验证层次、怎么复用环境、怎么控制随机性， 这些思想是穿透工具的。
大模型时代，验证工程师最该学的， 反而是那些看起来慢、见效慢、但构成底层能力的东西。
因为当所有人都在学怎么写prompt时，能把复杂问题拆解清楚、能判断AI生成结果对不对的人，才是不可替代的。
验证工程师的价值，从来不在于手速多快，而在于能不能在tape-out前找到那个会让芯片报废的bug。
这事儿，大模型帮不了你。至少现在还不行。