a16z：超人类硬件设计只是容易的部分

我花了八个月才造出我的第一架FPV无人机。我1月采购零件，2月收到零件，6月才想起自己买过它们，7月完成组装并把无人机点着了火，8月重新组装后又把它撞到了邻居家的屋顶上，直到那时，在我妻子的要求下，我才下载了一个FPV飞行模拟器。

一个超级智能的AI肯定能做得更好。

虽然如今还远未达到超人水平，但前沿模型现在已经能够生成CAD、设计定制PCB、采购COTS零件，并描述这些零件应如何组装。而且它们只会越来越强。CAD Arena、EE Bench以及我自己的LuxoBench等硬件设计基准都显示出稳步提升；更广泛地说，你要是敢押注“苦涩的教训”不会应验、硬件设计将永远停留在前沿之外，那你就太疯狂了。

超人类硬件工程师即将到来，也许很快就会到来。但他们将会是什么样子？超人类硬件工程师会一举超越所有人类，还是只在特定领域/学科中超越？在跨越临界点之前、之中和之后，硬件工程又会是什么样子？

我对这些问题的回答都始于一个简单的观察：数字世界与物理世界之间的接口是有损的。这使得从比特构成的数字世界向原子构成的物理世界“写入”变更变得困难，也使得将物理世界的测量结果“读取”回计算机变得困难。这种有损性将决定未来超人类硬件工程师何时以及如何出现——也意味着，即便模型能够稳定地一次性完成机电设计，它们仍有许多工作要做。

写入权限：从数字设计到组装完成的原子

当OpenAI发布GPT-6 Astra时，网络世界涌现出大量展示其3D设计能力的演示。Tom Krcha用Astra建模了一辆蒸汽火车，Thomas Ricouard制作了一个逼真房屋的漫游演示，Anshu Chimala做了一个3D游戏，Sharif Shameem则做出了旧金山的艺术宫。

这些演示让硬件工程师们不禁思考：这些模型是否也能生成工程级CAD？Dessn AI联合创始人Nim Cheema让Astra设计一个DJ控制器。Roberto Nickson让顶级模型设计、工程化并3D打印桥梁。而我则上线了luxobench.com，让OpenAI的Astra、Anthropic的Fable 5.1和SpaceXSI的Grok 4.6帮我打造一盏交互式桌面台灯。

我们很快发现——遗憾的是——这些模型本身仍不太适合投入正式的硬件工程实战。

构建现实世界的硬件有许多层级，而攻克每一层都需要不同的、往往完全独立的技能。

在入门级，你必须将产品分解为各个组件，识别可用的商用现成（“COTS”）零件，确保它们彼此兼容，设计它们之间的机械和电气互连，确保最终设计可制造，然后还要真正从网店采购零件。

即便这一步也已经足够困难，不仅会拖慢像我这样的后院爱好者，也会拖慢世界上最顶尖的工程团队。在沃尔特·艾萨克森为埃隆·马斯克撰写的传记中，他讲述了一个2006年的故事：当时猎鹰1号的一次热试车因一个电容器而延误——这个微小的电子元件当时只在约6000英里外的一家商店有库存，而他们的发射台位于太平洋中央。在需要的时间、需要的地点拿到COTS零件，本身就足够困难。

奥梅莱克岛，猎鹰1号首次发射的地点

然而到了进阶级，事情会变得更加困难：你现在必须制造定制零件，这意味着要在数字设计工具与物理机器之间完成复杂的转换步骤。以CNC加工为例。机械工程师设计好一个支架后，不能只是按下“打印”键就让零件出现在眼前。相反，他们要与机械师合作，由机械师将他们的CAD文件转换为CAM（“计算机辅助制造”）软件，再由该软件编写实际驱动CNC机床的指令。

Hadrian工厂里的一台CNC机床

在实践中，这是一个手工技艺过程，需要一位大师级机械师选择合适的坯料、工件夹持方式、刀具和切削策略，引导刀具在钛合金块中切削。这会造成制造过程中的变异性，而变异性又会导致转换中的误差。

在301级别，你要把这些简单的零件组合起来，形成一个复杂的机电组件。随着你加入更多零件，复杂性也随之增加，公差会“叠加”——也就是说，每个零件单独来看可能都符合图纸要求，但由于误差的累积和相互关联，仍然无法装配到位。这些其他零件很可能也是由公司内其他团队的不同人员制造的，因此需要在组织内沟通需求、进度和风险，以确保这些零件能够良好地相互对接，并在需要时交付，既不提前也不延后。

在401级别，你会意识到你的设计不仅需要COTS零件和定制设计的零件，还需要来自其他外部供应商的输入或特别复杂的组件。硬件行业喜欢谈论垂直整合，但基本上每个人都要依赖供应商——自建芯片工厂或铜矿几乎从来都不划算。即便是垂直整合的 champion SpaceX，目前也有591名员工拥有“供应链”或相关头衔，并且正在积极招聘另外128人。1 而一旦有外部供应商参与定制零件的制造，那就祝你好运了！

最后，在501级别，你必须在巨大的规模上完成上述所有工作。制造1个某样东西和制造1,000,000个某样东西是根本不同的任务：你需要更加关注零件和工艺的变异性，你需要为机器和库存等事项筹集多得多的资金（而且要提前得多），你需要培训（或编程）将为你组装、集成和测试产品的人员，而且你很快就会触及供应商的极限。

从101级别到501级别的每一个“写作”问题，从根本上来说都是可以解决的，但需要逐一解决。正如我们将在下文讨论的，超人类AI可能非常擅长纯粹的设计，也就是为特定任务定义柏拉图式的理想零件，但在“面向制造的设计”上可能会吃力，也就是找到一个既满足要求、又易于制造/采购且成本低廉的具体设计点。前者是一个相对容易处理的任务，基本上可以停留在机器内部完成；后者则需要与真实世界进行多得多的交互，因此对模型来说应该更难掌握。

读取权限：观察和测量真实世界

随着时间的推移提高这个数字，他付出了极其艰巨的努力：对供应链的每一步进行大量测量和分析，大量老式的对供应商的软磨硬泡，以及背后非常复杂的数据运营。在一个令人难忘的案例中，他在供应链深处发现了一个恶意供应商，该供应商在发货前给鸡注水。所有关于重量的进货测量都会通过，但那些水当然不是肉，所以他最终得到的产品比打算购买的少。

每个大规模制造硬件或以其他方式管理供应链的人，都有自己的这类故事。要确切了解真实的物理世界中正在发生什么，是极其困难的。

首先，真实世界是不均匀的，而且不断变化。

物理对象存在缺陷，会因环境变量（例如温度）而改变其特性，并且会遭受磨损。即便是调校得极好的工艺和测量工具，也会随时间漂移。在实践中，这意味着供应链和生产线等物理系统会不断出故障，必须在设计时考虑到方差——而只有当你在测量系统的输入和输出上投入大量资源时，你才能知道某样东西何时出了故障或发生了漂移。

其次，真实世界的数据是稀疏的。你无法始终获得所有数据。这是我深有体会的事实，因为我曾参与过多个卫星项目：我们的热团队恨不得在卫星上几乎到处都装上热敏电阻，但遗憾的是，软件、结构和生产团队也有发言权。

Astranis卫星

然后，当出问题时，你往往会意识到，如果你收集了某些冷门数据——比如装配中间阶段电子板的照片、新位置上的额外传感器等等——诊断问题本来会容易得多。

第三，真实世界的数据往往采集成本高昂。高性能领域（例如F1赛车）和高可靠性领域（例如载人航天）往往需要硬件测量极其精确，而精确是有金钱和时间成本的，因为精确的测量需要更加精确的机器。例如，用于测量机加工零件平面度、垂直度、尺寸等的CMM（坐标测量机）并不便宜，而且采购和操作往往慢得令人痛苦。

第四，真实世界存在固有的延迟。物理过程需要时间——你只能以有限的速度对电子板进行热循环；混合挥发性化学溶液或固体火箭推进剂必须小心谨慎；机械疲劳测试也需要时间才能显现结果。这些过程可以加速，但只能加速到一定程度。

在Astranis，我最喜欢的机器是高度加速寿命测试（“HALT”）机，俗称“摇烤机”——它将振动与快速热循环结合起来，以尽可能快的速度对零件施加应力。但整个HALT测试活动很难压缩：无论你在两次测试之间设计新版本电路板的速度有多快，每个循环你仍然必须把整个测试再跑一遍。

第五，关于物理世界的某些信息是定性的——而收集这类数据往往是真实世界硬件设计中最不可压缩的一步。你的用户喜欢你的产品吗？设备握持起来舒适吗？用你的工具构建一个组件有多容易？处理定性的、无法量化的数据是任何真实世界构建工作的一部分，而测量这些数据并将其带回数字学习循环则异常困难。

诸如此类的数据限制，是当今AI能力发展呈现尖峰状的重要驱动因素。测试结果越可量化、越机器可读，模型就能越快地向山顶攀登。上述原因迄今限制了前沿模型——但这些挑战能在多大程度上阻挡“苦涩的教训”这股不可阻挡的力量，仍有待观察。

AGI世界中的硬件开发

硬件工程是迭代式的：你设计、构建、测试并迭代，而这个过程的每一轮循环都需要时间。

设计步骤是数字化的，因此非常便于模型理解。正如人类硬件工程师使用计算机软件来设计零件或组件一样，超人AI也能做到同样的事——鉴于计算机使用能力的不断增强，以及AI在类似全数字任务中能力的不断提升，我们应当预期AI模型在不久的将来成为超人的硬件设计师。

但设计硬件只是硬件工程流程的开端。设计出零件之后，你仍然必须构建、测试并迭代——而后续每一步都比前一步需要更多的物理世界交互。因此，要成为超人的硬件工程师，远不止需要超人的硬件设计能力，而前沿很可能分散在许多不同的努力方向上。

第一，硬件设计需要更好的仿真工具。每位工程师都在为Navier、Inviscid和Lanyon加油，因为更好的仿真工具能让硬件工程师以软件的速度迭代。工程师们乐见更好的仿真工具可能省去他们前往回旋加速器、辐射源、热真空舱和风洞等测试设施的次数，而高管们则乐见这能省去自建设施所需的资本开支。

要说服硬件公司仅押注于仿真可能很难，但随着模型明显变得更好，工程师会越来越信任仿真，正如仿真在单位算力下正变得更快、更高效。原子很可能永远留在迭代循环中，但有了更好的仿真，原子组装可以是确认性的，而非实验性的。

第二，我们预计需求将“向左移”，即更靠近原材料。随着模型将超人的硬件设计技能更广泛地传播开来，世界将需要更多来自Senra Systems的线束、来自Podium Automation的控制面板、来自Hadrian的机加工零件，以及来自Cofactr的电子元件。世界还将需要更多软件许可证，例如用于遥测的Sift、用于检测的Instrumental，以及用于测试的Revel——就此而言，还需要更多来自Mariana Minerals的铜。

凭借超人智能和新工具，我们还应当预期看到更多公司将其更多的物料清单内部化。以Diode在PCB领域所做的工作为例。

一块由Diode利用AI设计和制造的电路板

就目前的形式而言，Diode是专业电气工程师更快、更高效地开发定制印刷电路板的一种方式。但当每个人都拥有与专业电气工程师相同的技能时，会发生什么？我们应当预期看到来自更广泛用户群体的更多需求——他们都需要将自己的设计转化为现实，这意味着要应对供应链、确保设计能够廉价而准确地制造，等等。

第三，AI实验室需要获取“工艺知识”。你听过那些传奇故事：一位机械师仅凭听CNC机床的声音就能判断加工进行得如何，或者台积电的博士们如何花费数十年完善半导体制造工艺中的一切，直至抛光垫。

台积电的一间洁净室

但能够允许模型近似那种“工艺知识”的端到端数据很难获得。在Eric Jang的精彩文章《Smooth Exponentials for Robotics》中，他估计2026年的机器人实验室训练机器人时大致使用——数百万小时的第一人称视角数据、数十万小时的UMI夹爪数据、数万小时的遥操作机器人数据，以及仅仅数小时的“用于高性能演示的高质量、硬件专用示范”。这种漏斗状分布并不令人意外，我预计即使在超人类交叉点之后它仍将持续存在。

当然，克服这种数据稀缺的最佳答案是找到创造性的方法自行获取数据——Periodic Labs就是一个很好的例子。该公司最近宣布，他们已建立了一个自主实验室，对超导体、磁体和半导体材料等事物进行端到端物理实验。这是AI-for-hardware数据的理想典范：设计、工作指令、测试执行、最终结果测量和迭代全部在一个连贯的循环中完成。

但即使是最好的测试设置也只能走到这一步。我怀疑设计过程中最不可压缩的步骤——也就是说，即使是真正超人类的硬件工程师也难以加速的步骤——是收集硬件产品最终用户的反馈。一个超人类硬件工程师可以设计出一百万个Apple Watch的新迭代版本并廉价地制造出来……但它又怎么能知道顾客真正想要什么呢？

超人类硬件工程师正在快速到来

我预计前沿模型将迅速解决硬件设计问题，这将把前沿转移到硬件工程剩余的步骤（DFM、测试、迭代），这些步骤需要与真实的物理世界进行更多交互。推进这一前沿将意味着解决一整套全新的挑战：改善数字世界与物理世界之间的接口；找到更快发现客户偏好的方法；以及构建数据管道，以近似目前只有大师级技术人员才掌握的工艺知识。

如上所述，人类与AI硬件工程之间的交叉可能会是不均衡的。但一旦实现，其影响将是巨大的：人类将能够直接使用数字AI工具带来真实的、物理的、物质上的丰裕——或者，至少是给爱好者用的不会着火的无人机。

是Andreessen Horowitz的合伙人，在该公司的American Dynamism实践中进行投资。

X

美国的轻信，美国的活力 Christian Keil

1776年的技术 Christian Keil

想要更多a16z American Dynamism内容？

关于正在构建更动态未来的想法、公司和个人的最新动态。了解更多

American Dynamism

新 欢迎Jeffrey Glover上校和Greg Barbaccia

David Ulevitch和David George

American Dynamism

Ryan McEntush

American Dynamism

Connor Love和Collen Larson

为你推荐

American Dynamism

新 欢迎Jeffrey Glover上校和Greg Barbaccia

David Ulevitch和David George

American Dynamism

Ryan McEntush

American Dynamism

Connor Love和Collen Larson

American Dynamism

Alex Oliver

American Dynamism

新 欢迎Jeffrey Glover上校和Greg Barbaccia

David Ulevitch和David George

American Dynamism

Ryan McEntush

American Dynamism

Connor Love和Collen Larson

American Dynamism

Alex Oliver

American Dynamism

Christian Keil和Alex Oliver

综合

技术即安全，为了美国及其盟友

Anne Neuberger

American Dynamism

让无人机蜂群保持存活

John Aguillard和Ryan McEntush

American Dynamism

欢迎Bryan P. Fenton将军（退役）

David Ulevitch

American Dynamism

初创企业国防部合同入门101

a16z专家新闻

“帖子”（包括播客、视频和社交媒体）中表达的观点仅代表其中引用的a16z个人，不代表a16z Capital Management, L.L.C.（“a16z”）或其各自关联方的观点。a16z Capital Management是一家在证券交易委员会注册的投资顾问。注册为投资顾问并不意味着具备任何特殊技能或培训。这些帖子不针对任何投资者或潜在投资者，也不构成出售任何证券的要约——或购买任何证券的要约邀请——且不得用于或依赖其评估任何投资的优劣。

在任何情况下，本网站——或相关的内容分发渠道——上提供的任何帖子或其他信息均不得被解释为邀请购买或出售任何证券或a16z人员发起、讨论或提及的任何集合投资工具中权益的要约。也不得被解释为提供投资咨询服务的要约；投资于a16z管理的集合投资工具的要约将单独作出，且仅通过特定集合投资工具的保密发售文件进行——这些文件应完整阅读，且仅向满足联邦证券法某些资格要求（以及其他要求）的人士提供。此类投资者被定义为合格投资者和合格购买者，通常被认为有能力评估潜在投资和财务事项的优劣。

无法保证a16z的投资目标将会实现或投资策略将会成功。对a16z管理的任何工具进行任何投资都涉及高度风险，包括全部投资金额损失的风险。所提及、引用或描述的任何投资或投资组合公司并不代表a16z管理工具中的所有投资，且无法保证这些投资将会盈利，或未来进行的其他投资将具有类似特征或结果。a16z管理的基金所作投资的列表可在此处查阅：https://a16z.com/investments/。a16z过往投资、集合投资工具或投资策略的结果不一定预示未来结果。本列表不包括发行人未允许a16z公开披露的投资（以及某些公开交易的加密货币/数字资产）。至于对任何加密货币或代币项目的投资，a16z是出于自身财务利益行事，不一定符合其他代币持有人的利益。a16z在这些项目中的任何一项中均无特殊角色，也不对其管理拥有任何权力。除作为投资者和代币持有人外，a16z不承诺继续参与这些项目，其他代币持有人不应期望其将会参与，也不应依赖其进行任何特定参与。

对于a16z在日本注册的基金，a16z将向任何日本公众成员提供根据日本《金融商品交易法》第63条要求公开提供的此类文件的副本。请联系compliance@a16z.com索取此类文件。

有关其他网站使用条款，请点击此处。有关a16z的其他重要信息，包括我们的ADV表格第2A部分手册，可在SEC网站查阅：http://www.adviserinfo.sec.gov。