为硬件开发的软件 → 像软件一样的硬件
信息来源：abemurray
人工智能如何改变关键任务自动化系统的开发流程
在风险投资圈里，历来有一句话：“硬件很难。” 说实话，我从来不喜欢这句话。作为投资人，我觉得它含糊不清；作为机器人专家，我觉得它有些软弱。然而，开发一个复杂的实体产品确实存在不可否认的挑战——供应链管理、硬件调试、开发成本、漫长的时间周期，以及招募一支既具备小众又具备跨学科专业知识的团队，仅举几例。
但随着硬件成本的下降以及 AI 解决方案的持续进步，软件层终于变得足够强大，可以在整个技术栈中为构建关键任务系统的工程师显著减轻负担。
在我看来，正确的问题不是 AI 是否能够完全设计出飞机机翼组件，或是从零编写飞行控制固件。更相关的问题是：
“在硬件开发生命周期的哪些子任务中，AI 已经足够稳健，可以独立应对？在哪些环节采用 AI 能够在不牺牲安全性或可靠性的前提下，带来立竿见影且可量化的成果？”
我最近刚刚投资了一家该领域的隐形公司（几周后会有更多消息！），我可以确认，如今已经存在一个市场——它通过众多 AI 驱动软件在硬件开发中获得应用的案例，验证了这一论点。
让我们深入探讨。
为什么是现在？四大趋势正在汇聚
1. 仿真与合成数据作为合乎逻辑的“第一步”。
随着对仿真工具包的更广泛获取，现代机器人初创公司正转向“仿真优先”。构建机器人的“新方式”是：仿真 → 生成数据 → 验证 → 部署。
团队现在在基于物理的虚拟环境中（目前主要依托 NVIDIA Omniverse）设计、测试和验证行为。许多团队甚至在接触硬件之前，就用合成数据来启动模型。这种工作流程让工程师能够使产品在面对噪声、漂移和现实世界的变化时更加稳健——即使（尤其是在）使用廉价组件时也能做到这一点。
2. 工业数据终于获得了连接的纽带。
老旧工厂拥有 SCADA/PLC 信号、历史数据记录器、摄像头、MES 和 SQL——每一种都很有用，但大多是孤立的。如今，工程师需要手动叠加和交叉关联这些数据流来获取洞察。新的工业 DataOps 工具现在位于 OT 和 IT 系统之间，用于建模、治理和数据上下文化，将其引入现代分析/AI 流水线。在实践中，AI 驱动的集成正在为 SCADA 带来焕然一新的面貌（甚至是“喷气背包”），让制造商终于能够收获 AI 驱动的运营洞察带来的好处。
3. 自动化正逐渐成为一种软件商业模式。
我们正在看到，并将继续看到，随着各自技术的成熟，制造、能源、采矿和国防等领域的自动化硬件与软件正在加速解耦。这一转变为横向软件的胜出创造了机会，即使硬件本身逐渐商品化，也为横向解决方案成为工程师应对各行业重复性挑战和瓶颈的首选“拖放式”产品打开了大门。
4. 资本正重新定位于全栈工业化布局。
换句话说：“深科技和工业风投现在很酷 😎🤘🏾”。深科技投资预计将在 2025 年超过 840 亿美元，高于 2024 财年的 650 亿美元。交易中位数规模同比增长 73%，从 173 万美元增至 300 万美元（数据来源：PitchBook）。行业叙事正从“硬件很难”转向“软件定义的物理系统”，而数据则成为可持续积累的护城河。
我们在新兴的“软件赋能硬件”层中寻找的内容
我倾向于将技术栈分为七个可投资且相互促进的层级，从最高层的“宏观/操作系统/业务”层一直到最低层的基础工具层。
1 – 业务层
工业客户（工厂）首先是企业——然而他们的管理系统在很大程度上却令人震惊地落后。AI 可以优化这些流程，而这些客户正寻求这种容易实现的投资回报率。
我们正在寻找的内容：
- 复杂的机器采购平台和市场
- 智能化的 BOM 和元器件选择，用于成本和供应链风险管理
- AI 驱动的金融工具（资本设备融资、保险、合规）
2 – 编排与实施（车队与设备管理、实时更新、数据传输）
糟糕的实施依然是当今自动化部署的首要失败原因。跨硬件、群集级别的编排以及统一的数据平面是可靠车队运营的前提。这些系统将数据从物理世界传输到云端，并实时对其进行反馈操作。
我们在寻找的是：
- 用于全自动工厂管理的记录与智能系统
- 拓扑无关的机器人车队管理与协调
3 – 工业数据织网（聚合、上下文、治理、可观测性）
该层将 SCADA/PLC/视频/ERP/MES 统一为一个时间对齐、可查询的单一模型（可理解为数据运维 + 历史数据存储 + 云服务）。借助它，生产线可以在近乎实时的情况下进行测量、优化和调整，以确保可靠生产。
我们正在寻找：
- 从操作员和机器中捕获和检索机构化的工业知识
- 制造业的“Scale AI” → 跨孤岛的数据清洗、标注与结构化
4 – 面向机器人与工业自动化系统的智能
大家最喜欢的——具有人类般智能的机器人自动化。这类技术旨在应对预计中的劳动力短缺及相关的生产率下降。这些投资高度依赖 AI 支持，并且在财务上具有很大潜力，但面临*非常*陡峭的技术挑战，同时仍然是高度资本密集型的。当前，机器人的智能受限于有限的控制数据、孤立的工业运营数据以及快速演进的模型架构。在这些瓶颈被解决之前，这些系统的可靠性仍低于人类操作员或传统自动化。
我们正在寻找：
- 半自动化系统，具有人类参与的监督和人工干预功能
- 具备专有数据摄取管道和高保真环境的仿真与数字孪生基础设施
- 垂直化机器人应用，通过自我使用验证投资回报率，并在成熟的工业市场中交付价值
- 真实世界控制数据采集：几乎零成本地记录、整理和复用远程操作轨迹、异常恢复以及人工修正，用于训练
5 – 质量保证与合规
每个复杂系统都会经过严格测试，但检查成本高昂且通常是批量进行的。受监管行业（航空航天、国防、能源）无法容忍合规失败，因此在测试和验证上投入过多。讽刺的是，流程越完善，检查发现错误的可能性就越低——从而整体上更浪费。
我们正在寻找：
- AI 驱动的自动化检测、无损检测（NDE）辅助、根因分析
- AI 生成的制造作业指导书
6 – 设计与协同设计（AI CAD/EDA、自动选择、验证）
生成式设计工具可解析需求、原理图和数据表，提出设计与布局方案，选择元器件，并生成首版代码——所有内容均参数化，便于用户修改，输出标准化，制造流程简化。
我们正在寻找：
- EDA（芯片/FPGA/ASIC）中的设计空间探索
- 垂直领域专用的 CAD/CAM 设计工具
- 硬件设计协作、版本跟踪与控制
7 – 嵌入式系统开发（固件、驱动程序、HIL/SIL 等）
每个智能设备都有一个控制器，这意味着大量的工程时间都花在嵌入式系统上。硬件的初始化和测试至关重要（以确保功能设计），但却重复且枯燥——这正是 AI 可以优化的工作类型，从而让工程师专注于战略性设计。
我们正在寻找：
- 嵌入式软件工具链（固件框架、编译器、调试器、IDE）
- 验证与确认（SIL、HIL、单元测试、基于模型的测试、覆盖率闭合）
进入市场
制造业是“软件赋能硬件”的绝佳切入点。现有设备基础庞大，证明资本支出投资回报率的压力普遍存在，且数据反馈循环相对完善。像亚马逊这样规模的企业往往在试点新功能方面处于领先地位，但在我看来，更大的机会在于普及化——让智能化和软件工具惠及尚未实现自动化的另外 80% 的制造商。
友情提示——大多数传统 OEM 对 AI 持怀疑态度，但这并不是独特或意外的反应。金融和医疗行业在软件应用的早期阶段也是如此，直到系统证明了其价值。成功进入市场的公司通常从一个明确的痛点切入，证明可靠性，与现有系统无缝集成，然后逐步扩展以赢得市场。而一旦制造企业采纳，它们往往会坚持使用，且转换成本会对你有利。
在该领域投资的累积效应
AI 和软件工具加快了硬件迭代周期。更快的循环意味着更早做出更好的决策。硬件更快进入实际应用场景，更早获得真实世界的反馈——这是循环中最关键的部分。优秀的工具能缩短生成高质量、高保真信息的时间。
这是推动创新的巨大助力，释放工程师作为建设者的创造力。大多数团队在紧张的时间和预算压力下运作，这会抑制探索，并因未解决的低效问题而积累技术债务（而不是发现数量级更优的设计）。根据我的经验，不受限制的试验是工程师从感到停滞到感到充满活力的关键差异。
趣闻：我在 SpaceX 工作时，我们不惜一切代价（……真的不惜一切代价）同时尝试多种解决方案——虽然成本高昂，但这是尽快找到最佳答案的关键。AI 有潜力让这种并行探索的方式在经济上对更多硬件公司变得可行——最终，这种创造性解锁会提高找到最优配置的概率。这就像 WD-40 的故事（趣闻 #2 😅）：他们在成功配制第 40 个配方之前，经历了 39 次失败——更多的尝试意味着更好的解决方案（想象一下，如果实验室因为时间不够只做到 WD-39，会怎样）。
