把迴路閉起來：一個會自己 24/7 收斂的 FPGA 驗證閉環
自動化一條 IC 流程，重點不是把步驟依序點火，而是那些會量測真實結果、再決定要不要重跑的迴路。這篇我用一個具體例子貫穿：一個會燒錄真實開發板、用相機讀 LED、並自己重跑到收斂的 FPGA 驗證閉環——過程中沒有人守在迴路裡。
為什麼閉環才是核心
大多數人想像「自動化一條 IC 流程」時，腦中浮現的是一條產線：先跑步驟一，再跑步驟二，再跑步驟三，跑完就好了。這個畫面在一個關鍵的地方是錯的。自動化這條流程，重點不是把步驟依序點火，而是閉環。一個真正的迴路有四個動作：對設計做轉換、量測實際的結果、判斷夠不夠好、然後調整——接著重複，直到收斂為止。
這裡最吃重的字是量測。如果沒有把一個真實的量測值回饋進來，你手上的東西就是「開環」：一條會一路跑到底、看起來很自動，卻從來沒去確認它產出的東西到底對不對的序列。閉環正好相反。它意味著由一台機器去讀真實的結果——不是預測的、不是假設的——然後就憑那個讀數，決定要不要再繞一圈。這篇後面談的每一件事，都是這一個念頭的實例。
一個具體的閉環：FPGA 驗證
讓我把它講得實體一點，因為這套抽象只有在你能指著硬體說話時，才真正取得信任。這裡是一個迴路，從頭到尾走一遍。
Vibe-IC 產出一個 SOF——也就是 FPGA 的燒錄檔。這個 SOF 會透過 JTAG、在 Linux 上被燒錄到一塊真實的 FPGA 開發板上，是一片 Intel MAX 10 DE10-Lite。設計此刻是跑在真實的矽晶片上，而不是在模擬器裡。接著，一台相機讀取板上的 LED，判斷硬體正在做的事情，是否和預期相符。相符，這一圈就結束了。不符，迴路就再跑一次：調整、重新燒錄 SOF、再看一次 LED。這就是一個完整的 FPGA 驗證閉環，跑在實體硬體上——被量測的結果，是一片真實開發板上、一個真實裝置的行為，由一台對著真實光線的相機讀回來。
檯面上有哪些裝置，以及關於儀器的一個細節
這張測試檯上接了三類裝置：一片 FPGA、一台 scope（示波器）或 logic analyzer（邏輯分析儀），還有一台相機。它們之間有一個很容易搞錯的重要區分。
示波器和邏輯分析儀本身就已經透過自己的埠口直接和 Linux 對話——像是走 USB 的 SCPI 之類。所以它們的波形與擷取到的資料，回來時就是可以直接分析的數字。你不會拿一台相機去對著儀器的螢幕、想辦法讀畫面上的像素；那等於是把儀器早已遞到你手上的乾淨數位讀數丟掉。相機值得存在，就只為了一件事：FPGA 那些實體的 LED，它們根本沒有任何數位讀數。沒有東西可以透過埠口去查詢——想知道那幾顆 LED 正在顯示什麼，唯一的辦法就是去看它。所以規則很簡單：儀器，直接在 Linux 上讀；FPGA 的 LED，用相機讀。
AI 究竟怎麼驅動它
把這張測試檯變成一個 agent 能跑的迴路的，是 MCP 這一層。檯面上的每一個裝置，背後都對應一個 MCP 工具——Vibe-IC 的 eda-tools MCP。把一個 SOF 燒到 FPGA 上：一個工具。擷取示波器：一個工具。把相機讀到的 LED 狀態和預期值做 diff：一個工具。檯面上每一個實體動作，都是一個可呼叫的函式。
一旦每個裝置都能這樣被定址，AI agent 就能使用每一個裝置、取得它需要的資料，並且自己把 SOF 燒進去——中間不需要一個人去插拔線材、或在圖形介面上一路點下去。而這正是把整條迴路閉起來的關鍵。過去有一位 IC 驗證工程師必須坐在這個迴路裡——燒板、盯 LED、決定要不要再試一次——如今由 agent 來跑，全天候、無人看管。要誠實地描述這裡得到的好處，關鍵不是一個速度數字；而是閉環把「人的來回」從迴路中間拿掉了，於是這個迴路可以無人看管地一直跑、持續收斂，而不必每次都卡在等一個人。
這只是其中一個迴路——IC 設計是一層層的迴路
FPGA 驗證是一個迴路。它之所以重要，是因為閉環收斂是整條流程裡最常見、也最重要的過程之一——這條流程是一層層疊起來的迴路。它們分成兩種。
第一種是單步迴路：在單一一個定義好的步驟之內做局部收斂。每一個步驟就是一次轉換，加上一道必須通過的檢查關卡，這個步驟會對自己反覆繞圈，直到它自己那道關卡變綠。第二種是跨步迴路：一個更大的迴路，橫跨好幾個步驟，去收斂那個更大的結果——那是一個要等一整段流程都彼此一致、而不只是單一關卡通過，才會閉合的外層迴路。到頭來，要把整條流程建起來，意思就是讓上面每一個迴路都可被閉合——先由一支決定性（deterministic）的程式去閉合，再對程式無法自己判斷的那些段落，用 AI 補位。這正是 Vibe-IC 在流程其他地方一貫採用的那套 program-first、AI-backup、雙軌收斂；上面那個 FPGA 迴路，只是你能在真實硬體上親眼看它發生的其中一處。
誠實地作結
這些迴路，正是「AI-native」不再只是一句口號、而變成一件具體東西的地方：一台會讀真實結果、並自己決定要再跑一次的機器。這就是全部了——不是一個關於速度的宣稱，只是一個關於「把做一件事、和確認這件事有沒有成功」之間那道縫隙補起來的宣稱。哪些地方才是真正的難處，我也可能看錯，而還有很多迴路等著被閉起來。但這是我一再回到的形狀，而我寧可讓你看一個真的跑在開發板上的迴路，也不想抽象地描述十個。
閉環講到這裡。下一篇，我想從硬體上把視線移開，聊一件更貼身的選擇：在這整條流程裡，到底該讓哪一個大語言模型來當駕駛——以及，為什麼我最後押的是 Claude。