软判决 Viterbi 译码器，是几乎每一条 Wi-Fi、LTE 与卫星链路里的前向纠错。真正难的不是译码， 是怎么把它塞进一颗便宜的小 FPGA，或者在一颗芯片上多塞几路。说到底，这是一个 FPGA 资源优化问题： 在够用的前提下，尽量少花查找表、触发器和 Block RAM。这一篇，讲的是把这个问题交给 AI 来做。
这台译码器，先由我们的"算法到硅"流程从 Python 算法生成成 Verilog。接下来 AI 在它上面跑的， 就是一个 FPGA 工程师会跑的优化循环：读利用率和时序报告，挑一个杠杆，量结果，分清对错，认死路， 再把每一次改动都逐比特验回去。
Viterbi 译码器到底在做什么
先把它讲清楚，不然后面省的是什么、难在哪，都说不明白。想象一张分层的路网图：每一层有若干个路口， 你要找一条从头走到尾、总代价最小的路。每个路口只留下"到这里最划算的那条进来的路"，其它的当场扔掉。 走到终点，再顺着这些留下来的路倒着走回去，整条最优路径就读出来了。Viterbi 干的就是这件事。
放回通信里：卷积码在发送端给每个比特掺进冗余，接收端拿到的是一串带噪声的软采样。译码器要从这串噪声里 反推出最可能被发出去的那一串比特，这叫最大似然译码。
那张"路网"叫网格（trellis）。约束长度 K=7，就是 64 个状态、64 个路口。每一拍，每个状态都做一次 加-比-选（ACS）：把分支度量加上去，比较两条汇入的路径，留下更优的那条，记下选了谁。一拍下来， 就是 64 个 ACS 蝶形加 64 个判决。
每一拍"选了谁"都要存起来。攒够一个窗口（大约 5×(K-1) 拍）之后，从当前最优状态沿着这些选择往回走 这段窗口，就把译出来的比特一个一个读出来。这一步叫回溯（traceback）。
为什么省资源这么难
最直白的做法，是给 64 个状态各造一套 ACS 引擎，64 套并排铺开、一拍算完。又快又简单，但又大又费。 更别扭的是，它大多数时候在空转：应用要的吞吐，远低于 FPGA 跑得动的时钟。
更硬的一道坎在 ACS 本身。新的路径度量，要用到上一拍刚算出来的那一个，这是一个反馈环（recurrence）。 反馈环的麻烦在于：你没法靠加流水线把一条慢路径切短，因为下一拍就要用这一拍的结果，硬插一级寄存器 只会让它转得更慢。所以"折叠能省面积"和"折叠之后还能不能守住时钟"，根本是两回事，这正是这件事难的地方。
幸存路径和回溯还要占内存，而且每拍要并行读出一大片路径度量，读端口的压力是实打实的成本。
那为什么还敢折？因为应用根本不需要满速。802.11a 的最高数据率也就 54 Mbps，而一个满速 Viterbi 在 160 MHz 上 每拍出一个比特，差不多 160 Mbps，比标准要的快了将近三倍。这多出来的时钟就是机会：把计算分时复用， 让一套引擎跑几拍、轮流算完所有状态，而不是铺成满并行的一大片。只要吞吐还在 54 Mbps 之上，省下的全是面积。 难点只剩一个：折下去的同时，能不能不丢时钟。
AI 的第一个杠杆：折叠
折叠就是这种分时复用：把一套加-比-选运算引擎分几拍轮流复用，而不是为每个网格状态各造一套。AI 一折， 面积就掉下来：在一颗低成本的 Zynq-7010 上，K=7 的核从折 1 到折 8、查找表从 1,918 降到 681，省下约 65%。
但 AI 顺手量了一下时钟，发现掉了。它没有停在这。
AI 的诊断：折叠不等于掉时钟
AI 翻到那条关键路径，把掉的时钟定位清楚：跟折叠本身关系不大，是读取的微架构没搭对。折叠之后， 每一拍要读分数存储里不同的一片，最顺手的做法是用相位计数器去索引一个多路选择器， 可这个相位计数器就压在了通往反馈环的读取路径上，把时钟卡住了。
问题不在折叠，在这个读取怎么搭。换个搭法，时钟就回来了。
AI 换上对的微架构
AI 把读取改成旋转方式：读一个永远不动的固定抽头，让 bank 每相位自己旋转一格，把下一片转到面前。 相位计数器从那条很宽的读取路径上撤了下来，只去选分支度量。AI 再量一遍，同样是二折，从 147 提到约 160 MHz， 逻辑面积持平，触发器还少了几个。
背后有一条普适道理：折叠任何一个二输入蝶形，都会逼出一次躲不掉的数据重排。能选的只是在哪儿为它买单， AI 把它放在了免费的地方。
AI 还动了几个微架构杠杆
把折叠做高效，靠的不是一招，是 AI 一路试出来的一串微架构选择：拆掉共享的大选择器、改成每路本地选择， 扇出塌下来，深码率下折 8 一下提了 23%；把挡在反馈环前的分支度量加法树流水化挪出去，深码率回到满速档； 再在低码率下收窄内部定点位数，比折叠更省面积，还顺手把时钟抬高。
AI 也会认死路
AI 还试过第三种方案：双缓冲乒乓。真做出来、综合、布局布线，不是嘴上说说。结果比旋转读取还更大，慢了约 27 MHz， 于是 AI 回退了它。这个负面结果不是浪费，正是它让最终的数字可信。AI 在这里像个工程师，不是一个代码生成器。
一份资源菜单，落地在真接收机里
AI 产出的不是一个点，是一份资源菜单：折叠越浅越快越大，折叠越深越小越慢。802.11a 要的 54 Mbps， 折 1、折 2 都越得过；折 4、折 8 更小更慢，留给那些慢速、可以在一颗芯片上多塞几路的信道。每个点都验证过。
部署的二折版被放进一台完整的 802.11a 接收机，喂的是原始采样，八种调制编码方式全部零比特错误地恢复出了载荷。
这就是怎么用 AI 做资源优化
落地的配置很小、也很确切：一台二折译码器守住了完整引擎的时钟，只占折叠引擎的面积，跑在一颗低成本的 Zynq-7010 上，1,368 个查找表、零 DSP。比这台译码器更值钱的，是这套循环：AI 读懂物理约束， 把掉时钟分清是折叠还是微架构；把那次躲不掉的重排放到免费的地方；做出、量过、再回退一条死路； 并把每一次改动都对着参考逐比特验证。真正能复用的，是这套循环，不是这一台译码器。
更完整的技术细节，包括 RTL 微架构图、跨约束长度与码率的实测折叠/时钟/资源表、以及验证链路， 见技术报告（英文）。