最近看到一篇很值得关注的论文：**OmniRouting**。
它问了一个很“工程师”的问题：
**大模型真的懂PCB Routing吗？**
因为PCB布线，从来不是简单地“找一条路”。
一根铜线怎么走，要同时满足：
📐 几何位置
🚧 线宽、间距、Keepout
🔌 Net与Pin的电气关系
🧱 多层板与Via切换
🏭 最终还必须满足制造规则
换句话说，AI不仅要知道**“A怎么连到B”**，还得知道：
**“为什么必须这么连？”**
OmniRouting的做法很直接：给多模态大模型上一场真正的PCB Routing考试。
论文构建了**1,681个工业级PCB设计**，覆盖2～8层板，包含77,242个器件、168,815个Pad和55,830个Net，并配有工程师验证的参考布线。
更重要的是，它把任务拆成4个层级：
**① 几何布线**
能不能找到合理路径？
**② Design Rule**
线宽、间距、Via、障碍物能不能全部遵守？
**③ 电气功能**
能不能理解Net和Pin之间的真实连接关系？
**④ Agentic Routing**
能不能自己检查冲突、修改方案，再继续优化？
结果相当“扎心”。
论文测试中，GPT-5.5基础设置下，**Net Routability Ratio仅9.13%**，Pad-to-Pad Routability Ratio也只有12.26%。
也就是说：
**让AI“看懂”PCB，和让AI“把PCB布对”，完全是两回事。**
模型可能知道两点之间存在一条路径，却可能忽略Clearance、错误使用Via、产生短路，甚至破坏原本的电气拓扑。
这恰恰暴露出当前多模态AI在EDA里的一个核心短板：
**视觉理解 ≠ 工程理解。**
真正的PCB Routing，需要把**视觉、空间、拓扑、电气语义、制造约束**同时纳入决策。
所以我觉得OmniRouting真正有意思的地方，不只是又多了一个Benchmark。
它可能在提醒整个AI+EDA行业：
**下一代AI拼的，不是谁“画得像”，而是谁真的能“设计得对”。**
PCB布线，正在成为多模态AI的一块硬骨头。🧠⚡
arXiv:2608.04434
#芯片 #半导体 #EDA #人工智能 #大模型 #PCB #AI