Sztuczna inteligencja zyskuje coraz większą popularność w wielu dziedzinach, a projektowanie elektroniki nie jest tu wyjątkiem. Dostępność narzędzi, które potrafią generować schematy, proponować układy czy nawet projektować płytki drukowane, sprawia wrażenie, że proces tworzenia urządzeń elektronicznych stał się łatwiejszy niż kiedykolwiek. Rzeczywistość jest jednak bardziej złożona. Choć AI może być przydatnym wsparciem, nie jest w stanie zastąpić wiedzy, doświadczenia i odpowiedzialności profesjonalnych projektantów. Bezgraniczne zaufanie do sztucznej inteligencji w tak wymagającej dziedzinie może prowadzić do poważnych problemów technicznych i biznesowych.

Konrad Bruliński, prezes Lemontech (w tle obraz stworzony przez Freepik)

Nie da się ukryć, że AI posiada swoje zalety. Dzięki automatyzacji wielu prostych zadań, takich jak generowanie schematów blokowych, wstępnych układów połączeń czy zestawień elementów, może znacząco przyspieszyć wstępne etapy pracy projektowej. Może również wspierać inżynierów w doborze komponentów czy analizie parametrów katalogowych. AI dobrze sprawdza się także przy dokumentacji, gdzie potrafi porządkować dane i tworzyć opisy techniczne. Wszystko to sprawia, że narzędzia oparte na sztucznej inteligencji mogą być cennym dodatkiem w codziennej pracy inżyniera.

Sztuczna inteligencja jako projektant urządzeń?

Problem pojawia się jednak wtedy, gdy AI traktowane jest jako pełnoprawny projektant urządzeń. Sztuczna inteligencja nie posiada pełniej świadomości wymagań prawnych ani praktycznych ograniczeń, które są kluczowe w elektronice. Potrafi narysować poprawnie wyglądającą płytkę, ale nie uwzględnia norm kompatybilności elektromagnetycznej, zasad bezpieczeństwa elektrycznego ani realiów procesu produkcyjnego. Nie rozumie, że zaprojektowany układ może w praktyce przegrzewać się, powodować zakłócenia lub w ogóle nie nadawać się do wdrożenia. Często proponuje elementy, które są niedostępne na rynku lub nawet nie istnieją, co prowadzi do strat czasu i pieniędzy. Najważniejsze jednak, że AI nie ponosi żadnej odpowiedzialności za swoje „projekty” – w przypadku awarii czy braku zgodności z normami to zawsze inżynier lub producent bierze na siebie konsekwencje.

Błędy popełnione na etapie projektowania mają bardzo poważne konsekwencje biznesowe. Źle dobrany lub nieistniejący komponent to nie tylko stracony czas zespołu, ale również ryzyko opóźnienia wprowadzenia produktu na rynek. Niepoprawnie zaprojektowany układ może też nie przejść testów kompatybilności elektromagnetycznej czy certyfikacji bezpieczeństwa – a to oznacza konieczność kosztownych poprawek i ponownego procesu homologacji. W skrajnym przypadku produkt nigdy nie trafi na rynek, mimo zainwestowanych już środków.

Szeroka wiedza i doświadczenie elektronika wciąż nie do zastąpienia

Projektowanie urządzeń elektronicznych wymaga natomiast od elektronika szerokiej wiedzy dotyczącej samego projektowania urządzeń oraz praktycznego doświadczenia. Inżynier musi rozumieć cały łańcuch procesów: od znajomość technologii wykonania PCB i ograniczeń produkcyjnych, doboru elementów, optymalizacji pod kątem montażu elektronicznego, aż po analizę kosztów. Kluczowe jest również opanowanie zarówno zagadnień elektroniki analogowej, jak i cyfrowej, ponieważ wiele współczesnych systemów łączy obie dziedziny w jednym urządzeniu. To właśnie ta interdyscyplinarna wiedza pozwala stworzyć projekt nie tylko poprawny teoretycznie, ale też praktyczny, niezawodny i zgodny z obowiązującymi normami.

Aby obiektywnie ocenić możliwości sztucznej inteligencji w obszarze projektowania elektroniki, przeprowadziłem praktyczne testy z wykorzystaniem różnych dostępnych narzędzi AI. Obejmowały one zarówno dobór elementów i weryfikację prostych schematów elektronicznych, jak i projekt filtru cyfrowego czy propozycje rozwiązań układowych. Dzięki temu mogłem bezpośrednio sprawdzić, w jakim stopniu sztuczna inteligencja radzi sobie z realnymi problemami inżynierskimi oraz w których obszarach ujawniają się jej istotne ograniczenia.

Zadanie 1 – dobór nieistniejącego komponentu

W ramach pierwszego zadania poprosiłem różne modele AI o wskazanie numeru katalogowego rezystora o wartości 2,57 kΩ (2k57) w obudowie 0805. Jest to jednak wartość niestandardowa, która nie występuje w szeregu E192, gdzie dostępne są jedynie najbliższe wartości 2,55 kΩ oraz 2,58 kΩ. Pomimo tego, większość testowanych narzędzi AI potraktowała 2k57 jako istniejącą rezystancję i zaproponowała konkretne part numbery od znanych producentów, takich jak Vishay, Yageo czy Panasonic. Wygenerowane odpowiedzi wyglądały bardzo wiarygodnie – zawierały pełne symbole, parametry (tolerancję, moc, obudowę) oraz sugerowane źródła zakupu. W rzeczywistości jednak żaden z tych elementów nie istnieje w standardowych katalogach. Ten test pokazał, że AI potrafi tworzyć spójne i szczegółowe, ale całkowicie fałszywe informacje, co w praktyce może prowadzić do poważnych błędów projektowych i strat czasu podczas poszukiwania nieistniejących komponentów.

Rys. 1. Odpowiedź Claude na zapytanie o nieistniejący rezystor 2k57 w obudowie 0805

Przeprowadzony test pokazał bardzo wyraźne różnice w podejściu poszczególnych narzędzi AI do zadania związanego z rezystorem. Modele ChatGPT 4.0 i ChatGPT 5.0 poprawnie zauważyły, że taka wartość nie należy do standardowych szeregów rezystorów i w praktyce nie występuje jako gotowy element. Natomiast pozostałe narzędzia – Copilot, Gemini, Claude oraz Poe – potraktowały tę wartość jako istniejącą i podały konkretne numery katalogowe (part numbery) rzekomo dostępnych elementów od producentów takich jak Yageo, Vishay, Panasonic czy Royalohm. Odpowiedzi te wyglądały bardzo wiarygodnie, zawierały szczegółowe numery katalogowe, jednak w rzeczywistości były całkowicie błędne. Niektóre narzędzia AI w tym przypadku same „wyprodukowały” numer katalogowy na podstawie dostępnego wzorca producentów. Nie odróżniły fikcyjnego elementu od standardowych wartości rynkowych i „wymyśliła” dane katalogowe, które mogą wprowadzać projektanta w błąd.

Test jednoznacznie pokazuje, że AI potrafi tworzyć spójne i technicznie brzmiące informacje, które jednak nie mają pokrycia w realnych katalogach. Dlatego odpowiedzialność za weryfikację zawsze musi spoczywać na inżynierze, a wyniki generowane przez AI należy traktować wyłącznie jako wskazówkę, nigdy jako pewne źródło danych.

Zadanie 2 – znajdowanie elementu na podstawie zadanych parametrów

Drugie zadanie podobne, polegało na znalezieniu kondensatora na podstawie określonych parametrów. Przykład zapytania pokazany jest na rysunku 2. Doświadczony inżynier widząc te parametry od razu domyśli się, że wzajemnie się wykluczają i są fizycznie trudne lub nawet niemożliwe do osiągnięcia w współczesnym świecie. Wielkość obudowy jest odwrotnie proporcjonalna do iloczynu pojemność x napięcie pracy.

Rys. 2. Zapytanie dotyczące zadania 2

W tym zadaniu narzędzia AI zdecydowanie lepiej sobie poradziły. Tylko Poe poległo i jak poprzednio wygenerowało wymyślone PN. Zestawienie wyników pokazane jest w tabelce poniżej.

Zadanie 3 – weryfikacja błędnego schematu

W trzecim zadaniu sprawdziłem, jak narzędzia AI poradzą sobie z weryfikacją schematu elektrycznego, który został celowo narysowany z błędami. Celem było zbadanie, czy systemy te potrafią rozpoznać nieprawidłowości i wskazać elementy mogące prowadzić do niewłaściwego działania układu. Zadanie to pozwoliło ocenić, na ile sztuczna inteligencja potrafi pełnić rolę narzędzia wspomagającego weryfikację projektów oraz czy jest w stanie wychwycić błędy, które dla doświadczonego inżyniera są oczywiste.

Rys. 3. Schemat elektryczny do zweryfikowania przez AI

Na schemacie umieściłem celowo wszystkie PN, aby testowane narzędzia AI miały wgląd w pełną dokumentację komponentów. Błędy popełnione w przedstawionym schemacie są następujące:

• Błąd 1 – kondensatory C1 i C2 są na napięcie 16V;
• Błąd 2 – odwrotnie podłączenie zasilania układu U1;
• Błąd 3 – maksymalne napięcie U1 jest 32V;
• Błąd 4 – kondensator C1 jest zupełnie nie potrzebny;
• Błąd 5 – wzmocnienie tego wzmacniacza jest ok. 100, przy takich wartościach dzielnika wejściowego R3/R4, wyjście wzmacniacza powinno być ok. 4800V, co jest nierealne do osiągnięcia;
• Błąd 6 – zbyt wysokie napięcie na wejściu wzmacniacza;

Wyniki testu wybranych narzędzi pokazane są na rys 4 i 5 oraz tabeli:

Rys. 4. Weryfikacja schematu przez Claude

Rys. 5. Weryfikacja schematu przez Chat GPT 5

Zestawienie wyników w powyższej tabeli pokazało, że na chwilę obecną narzędzia AI słabo sobie radzą z weryfikacją prostych schematów elektrycznych. Tego typu błędy są stosunkowo łatwe do wychwycenia przez doświadczonego inżyniera, jednak dla narzędzi AI stanowią poważne wyzwanie. Zestawienie wyników pokazuje, że jedynie Chat GPT 4 i Chat GPT 5 były w stanie zidentyfikować część błędów i wskazać, że schemat nie został narysowany poprawnie, natomiast pozostałe narzędzia radziły sobie z tym zadaniem znacznie gorzej. Szczególnie widoczne jest to w odniesieniu do poważniejszych problemów, takich jak niepoprawne wartości napięcia zasilania czy niepoprawna polaryzacja napięcia zasilania, które powinny być łatwe do wychwycenia, a mimo to nie zostały prawidłowo rozpoznane przez większość systemów. Wyniki testu potwierdzają, że choć sztuczna inteligencja może wspierać proces analizy schematów, to jej skuteczność w wychwytywaniu błędów jest wciąż ograniczona i wymaga weryfikacji przez inżyniera posiadającego wiedzę praktyczną.

Warto podkreślić, że sam projekt był stosunkowo prosty i dotyczył pojedynczego wzmacniacza operacyjnego. Trudno więc oczekiwać, aby w bardziej złożonych układach, zawierających elementy cyfrowe, układy mikroprocesorowe czy interfejsy komunikacyjne, narzędzia AI mogły skutecznie wychwycić wszystkie potencjalne błędy. Współczesne projekty, nawet te określane jako średnio skomplikowane, często obejmują kilkanaście arkuszy schematów formatu A4, w których oprócz samych bloków funkcjonalnych pojawiają się liczne szczegóły dotyczące zasilania, separacji mas, filtracji sygnałów czy zabezpieczeń ESD. Analiza takiej dokumentacji wymaga znacznie większej wiedzy kontekstowej oraz umiejętności kojarzenia powiązań pomiędzy poszczególnymi fragmentami schematu, co dla AI stanowi jeszcze większe wyzwanie niż w przypadku prostego układu analogowego.

Zadanie 4 – Zaprojektuj filtr cyfrowy

W czwartym zadaniu poprosiłem narzędzia AI o zaprojektowanie cyfrowego filtru pasmowo–przepustowego na podstawie ściśle określonych parametrów, takich jak

• liniowa charakterystyka fazowa;
• częstotliwość próbkowania 1 MHz;
• konwersja ADC 16 bitowe;
• filtr pasmowo–przepustowy 90–110 kHz;
• zależy mi na maksymalnie stromej charakterystyce pasmowej;
• filtr maksymalnie może być 300 rzędu;
• wygeneruj odpowiedni kod w MATLAB;

Zadanie to miało sprawdzić, czy sztuczna inteligencja potrafi prawidłowo przełożyć założenia techniczne na gotowy kod w MATLAB-ie, Było to istotne, ponieważ wymaga nie tylko znajomości teorii filtrów i ich charakterystyk, ale również umiejętności praktycznej implementacji w języku inżynierskim. Analiza odpowiedzi pozwala ocenić, które narzędzia radzą sobie z precyzyjnym doborem parametrów, a które generują kod uproszczony lub niepoprawny. W ten sposób zadanie weryfikuje realną przydatność AI w projektowaniu filtrów cyfrowych i jej zdolność do wspierania inżynierów w pracy nad wymagającymi zagadnieniami z zakresu przetwarzania sygnałów.

Rys. 5. Wspólna charakterystyka amplitudowa i fazowa dla wszystkich narzędzi AI

Rys. 6. Wspólna charakterystyka amplitudowa dla poszczególnych narzędzi AI

Te zadania zdały wszystkie testowane narzędzia, każde z nich miało unikalne podejście, chociaż główne metody opierały się na algorytmie Parks–McClellan (zwany również metodą Remeza). I tak chat GPT 5 dodał dodatkowo kwantyzację współczynników Q15 w celu optymalizacji i implementacji filtru dla układu FPGA/DSP. Poe natomiast wykorzystał filtr FIR projektowany metodą okienkową (okno Haminga). Claude zastosował podejście hybrydowe: FIR z oknem Kaisera oraz algorytm Parks–McClellan, efektem czego jest bardzo dobre tłumienie w paśmie zaporowym. Nawiasem mówiąc największe ze wszystkich testowanych narzędzi. Pozostałe AI Copilot, Gemini oraz GPT4 wykorzystały sam klasyczny algorytm Parks–McClellan

Ogólnie rzecz biorąc kody zostały wygenerowane dobrze, nie wszystkie kompilowały się bezbłędnie ale błędy były łatwe do naprawy, wiec szybko zostały naprawione przez testowane narzędzia. Bardzo mi się spodobało, że wszystkie AI – oprócz kodu – generują czytelne komentarze pozwalające na łatwe wdrożenie się w zaproponowane rozwiązanie i ewentualną modyfikację przez programistę.

Dlaczego lepiej zaufać profesjonalistom, a nie AI?

Współpraca z doświadczoną firmą projektową to nie tylko dostęp do wiedzy inżynierskiej, ale także gwarancja sprawdzonego procesu projektowego. Profesjonalny zespół nie tylko zaprojektuje elektronikę, ale też przygotuje prototypy, przeprowadzi testy, zoptymalizuje projekt pod kątem kosztów i dostępności elementów oraz zadba o pełną zgodność z normami. Dzięki temu ryzyko biznesowe zostaje zminimalizowane, a czas wprowadzenia produktu na rynek – skrócony. Dodatkowo klient zyskuje bezpieczeństwo dostaw i pewność, że projekt jest gotowy do produkcji seryjnej, co ma kluczowe znaczenie dla skalowania biznesu.

Z tego względu warto powierzyć projektowanie elektroniki profesjonalnym firmom. Doświadczeni inżynierowie posiadają wiedzę praktyczną i teoretyczną, znajomość norm oraz wymagań certyfikacyjnych, a także stosują sprawdzone procedury projektowe. Profesjonalna firma odpowiada za każdy etap – od koncepcji, przez projekt, aż po testy i wdrożenie. To oznacza nie tylko bezpieczeństwo i niezawodność gotowego urządzenia, ale także optymalizację pod kątem kosztów produkcji i dostępności komponentów. W przeciwieństwie do AI, zespół inżynierski bierze pełną odpowiedzialność za swoje projekty, co daje klientowi pewność i bezpieczeństwo biznesowe.

Zalety pracy z inżynierami-ludźmi

• Znajomość norm i wymagań certyfikacyjnych – projektanci dbają o zgodność z regulacjami, co gwarantuje możliwość legalnego wprowadzenia produktu na rynek.
• Pełna odpowiedzialność za projekt – profesjonalna firma bierze na siebie ryzyko techniczne i biznesowe, czego AI nigdy nie zapewni.
• Optymalizacja kosztów i dostępności – dobór elementów uwzględnia realia rynkowe, co eliminuje ryzyko projektowania na komponentach niedostępnych lub nieistniejących.
• Doświadczenie interdyscyplinarne – inżynierowie łączą wiedzę z elektroniki analogowej, cyfrowej, zasilania, komunikacji czy optoelektroniki, tworząc kompletne i niezawodne rozwiązania.
• Sprawdzony proces i szybkie prototypowanie – projekt jest prowadzony według ustalonych etapów, co skraca czas wdrożenia i minimalizuje ryzyko błędów.
• Bezpieczeństwo biznesowe – klient zyskuje pewność, że produkt będzie działał, zostanie doprowadzony do produkcji seryjnej i będzie konkurencyjny na rynku.

Sztuczna inteligencja pozostaje cennym narzędziem wspierającym, które może przyspieszyć proces projektowania i odciążyć inżynierów z części rutynowych zadań. Nie powinna być jednak traktowana jako samodzielny projektant. Najlepsze efekty przynosi połączenie możliwości AI z doświadczeniem specjalistów. To właśnie człowiek, a nie algorytm, potrafi właściwie ocenić ryzyka, uwzględnić praktyczne ograniczenia i zadbać o zgodność z normami. Dlatego w przypadku projektów, które mają trafić na rynek i spełniać najwyższe standardy jakości, zdecydowanie lepiej zaufać profesjonalnej firmie projektowej niż powierzać odpowiedzialność sztucznej inteligencji.

Lemontech – usługi projektowania urządzeń elektronicznych

office@lemontech.com.pl; tel. +48 530 290 391