超人类硬件设计只是简单部分：数字与物理世界的损耗界面

我们很高兴地宣布，Orchestra Bio 已被 OpenAI 收购。如需了解更多关于此次收购的信息，请阅读 以及 就此发布的文章，见此处。如需了解 OpenAI 在健康领域更广泛的工作，请收听我们与他们的播客，见此处。

我花了八个月才造出我的第一架 FPV 无人机。我一月份采购零件，二月份收到，六月份才想起我买过它们，七月份组装并点燃了无人机，八月份重新组装后撞上了邻居家的屋顶，然后，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，并描述这些零件该如何组装。而且它们只会越来越好。像 CAD Arena、EE Bench 以及我自己的 LuxoBench 这样的硬件设计基准测试显示出稳步提升；更广泛地说，你要是敢押注 Bitter Lesson 不成立、硬件设计将永远停留在前沿之外，那你就太疯狂了。

超人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硬件工程师何时以及如何出现——并且意味着即使模型能够稳定地一次性完成机电设计，它们仍然有很多工作要做。

写入权限：从数字设计到组装好的原子

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，Anshu Chimala 制作了一个3D 游戏，Sharif Shameem 则制作了旧金山的艺术宫。

这些演示让硬件工程师们开始思考，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 创建一个DJ 控制器。Roberto Nickson 让顶级模型设计、工程化并 3D 打印桥梁。而我推出了 luxobench.com，在那里我让 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——不幸的是——这些模型本身仍然不太适合投入实际应用的硬件工程。

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

在101 级别，你必须将产品拆解为各个组件，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与电气互连，确保最终设计可制造，然后真正从在线商店采购零件。

即便这一步也已经足够困难，不仅会让像我这样的后院爱好者受挫，也会让世界上最顶尖的工程团队受挫。在沃尔特·艾萨克森所著的埃隆·马斯克传记中，他讲述了一个 2006 年的故事：当时一次猎鹰 1 号的热试车因一个电容器而推迟——这个微小的电子元件只在距离他们位于太平洋中部发射台约 6000 英里外的一家商店有库存。在需要的时间和地点获得 COTS 零件，本身就足够困难。

然而，在201 级别，事情会变得更难：你现在必须制造定制零件，这意味着要完成从数字设计工具到物理机器的复杂转换步骤。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”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，该软件会编写实际驱动 CNC 机器的指令。

在实践中，这是一个手工艺过程，需要一位大师级机械师选择合适的毛坯、工件夹持、刀具和切削策略，以引导刀具切削钛块。这会导致制造过程中的变异性，而变异性会导致转换错误。

在301 级别，你要拿这些简单零件，开始将它们组合成一个复杂的机电组件。随着你添加更多零件，你会增加复杂性并“堆叠”公差——也就是说，每个零件可能单独符合其图纸，但由于复合和相关误差，仍然无法装入组件。其他那些零件很可能由公司内其他团队的不同人员制造，需要在整个组织内沟通需求、进度和风险，以确保零件能够良好地相互对接，并在需要时交付，不早也不晚。

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。硬件界喜欢谈论垂直整合，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合理。即便是垂直整合的冠军 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制造定制零件，那就祝你好运了！

然后，最终，在501 层级，你必须在超大规模下完成上述所有工作。制造 1 个东西和制造 1,000,000 个东西是完全不同的任务：你需要更加关注零件和工艺的波动性，你需要多得多的资金（而且要提前得多）来购置机器和库存等，你需要培训为你组装、集成和测试产品的人员（或为机器编程），而且你很快就会触及供应商的极限。

从 101 到 501 层级的每一个“写作”问题，从根本上说都是可以解决的，但需要逐个解决。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，但可能在“面向制造的设计”上挣扎，也就是找到一个既满足要求、又易于制造/采购且成本低廉的定点设计。前者是一个相对容易处理的任务，基本可以局限在机器内部完成；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

我的一位朋友每周购买 4500 万只鸡。但尽管他努力从同一供应商处购买相同规格的产品，并用相同的机器、相同的流程处理一切，他加工后可销售食品（即你在超市能买到的鸡胸肉）的周与周之间差异历来高达 20%。

随着时间推移改善这个数字，他付出了极其艰巨的努力：对供应链的每一步进行广泛的测量和分析，大量老式的对供应商的软磨硬泡，以及两者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要少。

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。要精确了解真实的物理世界中正在发生什么，是极其困难的。

首先，真实世界是非均匀的，并且不断变化。

物理对象有缺陷，会因环境变量（例如温度）而改变其特性，并且会遭受磨损。即使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，这意味着供应链和制造产线等物理系统会不断出故障，必须在设计时考虑到波动性——而只有当你对系统的输入和输出进行大量测量投入时，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，因为我参与过多个卫星项目：我们的热控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。

然后，当出现问题时，你往往会意识到，如果当初收集了一些不起眼的数据——比如处于装配中间阶段的电路板照片、在新位置增设的额外传感器等等——诊断问题本会容易得多。

第三，真实世界的数据往往采集成本高昂。高性能领域（如F1赛车）和高可靠性领域（如载人航天）往往需要硬件测量极其精确，而精确性伴随着金钱和时间成本，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，真实世界具有固有的延迟。物理过程需要时间——电路板的热循环速度有上限；混合挥发性化学溶液或固体火箭推进剂必须小心进行；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。

我在Astranis最喜欢的机器——高加速寿命测试（“HALT”）机，俗称“摇烤机”——它将振动与快速热循环相结合，以尽可能快的速度对部件施加应力。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迭代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环节。你的用户喜欢你的产品吗？设备握持起来舒适吗？使用你的工具构建一个组件有多容易？应对定性的、不可量化的数据是任何真实世界构建工作的一部分，而测量这些数据以将其带回数字化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，模型就能越快攀登高峰。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“苦涩教训”的不可阻挡之力，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、再迭代，这个过程中的每一轮循环都需要时间。

设计步骤是数字化的，因此非常易于模型理解。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——鉴于计算机使用能力的不断增强以及AI在类似全数字化任务中日益增长的能力，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。设计完零件之后，你仍然必须构建、测试和迭代——而后续每一步都比前一步需要更多的物理世界交互。因此，成为超人的硬件工程师所需的远不止超人的硬件设计能力，而前沿很可能分散在众多不同的努力方向上。

首先，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。工程师们喜欢更好的仿真工具，因为它们可能省去前往回旋加速器、辐射源、热真空舱和风洞等测试设施的奔波；高管们则喜欢它们能省下自建此类设施所需的资本开支。

仅凭仿真说服硬件公司下注或许很难，但随着模型明显变得更好，工程师会越来越信任仿真，正如仿真正变得更快、单位算力效率更高。原子很可能永远留在迭代循环中，但有了更好的仿真，原子组装可以成为确认性的，而非实验性的。

其次，我们预计需求将“左移”，即更靠近原材料。随着模型将超人类的硬件设计技能更广泛地分发，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，例如用于遥测的Sift、用于检测的Instrumental和用于测试的Revel——就此而言，还需要更多来自Mariana Minerals的铜。

凭借超人类智能和新工具，我们还应该预期看到更多公司将其更多物料清单内部化。以Diode为PCB所做的工作为例。

以目前的形式，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？我们应该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世界，这意味着要应对供应链、确保设计能以低成本准确制造等等。

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。

但能让模型近似那种“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”。这种漏斗并不令人意外，我预计即使在超人类交叉点之后它也会持续存在。

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己获取数据——Periodic Labs 就是一个很好的例子。该公司最近宣布，他们已经建立了一个自主实验室，对超导体、磁体和半导体材料等物体进行端到端的物理实验。这是 AI 用于硬件数据的理想典范：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做到这一步。我怀疑设计过程中最不可压缩的步骤——意思是，即使是真正超人的硬件工程师也难以加速的步骤——是从硬件产品的最终用户那里收集反馈。一个超人的硬件工程师可以设计出一百万个 Apple Watch 的新迭代版本，并以低成本制造出来……但它怎么知道客户真正想要什么呢？

超人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互动。推进这一前沿将意味着解决一系列全新的挑战：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流程知识。

如上所述，人类与 AI 硬件工程的交叉可能会是不均衡的。但一旦实现，其影响应该是巨大的：人类将能够直接使用数字 AI 工具来实现真实的、物理的、物质的丰裕——或者，至少是为爱好者提供不会着火的无人机。

立即订阅

本通讯仅供参考，不应作为法律、商业、投资或税务建议的依据。此外，本内容不是投资建议，也不适用于任何 a16z 基金的投资者或潜在投资者。本通讯可能链接到其他网站或包含从第三方来源获得的其他信息——a16z 未独立核实，也不对此类信息的当前或持续准确性作出任何陈述。如果本内容包含第三方广告，a16z 未审查此类广告，也不认可其中包含的任何广告内容或相关公司。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 管理的工具中的所有投资；请访问 https://a16z.com/investment-list/ 获取完整投资列表。其他重要信息可在 a16z.com/disclosures 找到。您收到本通讯是因为您之前选择了接收；如果您希望退出未来的通讯，可以立即取消订阅。

1

Linkedin（2026年9月）