超人级硬件设计反而是最容易的部分

原文：Superhuman Hardware Design Is The Easy Part

作者：Christian Keil

来源：SandHill.io #307 推荐阅读 · 行业动态与分析 ｜ RecodeX 编译

导读： 前沿模型已经能生成 CAD、设计 PCB、挑选现成零件，“超人级硬件工程师”似乎近在眼前。a16z 的 Christian Keil 认为，真正的难点不在设计，而在数字世界与物理世界之间“有损”的接口：把设计“写入”原子世界很难，把物理世界的测量“读回”计算机也很难。设计会最先被 AI 攻克，而面向制造的设计、测试与迭代才是下一条前线，并由此带来模拟软件、上游供应链、工艺知识数据等方面的机会。

引子：八个月造一架穿越机

作者自嘲第一架 FPV 无人机花了八个月：一月买零件、二月到货、六月才想起来、七月装好后烧了、八月重装后撞上邻居屋顶，最后才在妻子催促下装了飞行模拟器——超级智能 AI 显然能做得更好。CAD Arena、EE Bench 以及作者自己的 LuxoBench 等基准都显示模型在稳步进步，押注硬件设计永远在 AI 能力之外，等于和“苦涩的教训”（Bitter Lesson）对赌。问题是：超人级硬件工程师会长什么样、以何种顺序出现？作者的核心观察是：数字与物理世界之间的接口是有损的。

写入：从数字设计到组装好的原子

当 OpenAI 发布 GPT-6 Astra 时，网上涌现大量 3D 设计演示：有人建模蒸汽火车、写实房屋漫游、3D 游戏，还有人复刻旧金山艺术宫。

硬件工程师随即测试能否生成工程级 CAD：Dessn AI 联合创始人让 Astra 设计 DJ 控制器，Roberto Nickson 让顶级模型设计并 3D 打印桥梁，作者则上线 luxobench.com，让 OpenAI Astra、Anthropic Fable 5.1 和 SpaceXSI Grok 4.6 帮忙造一盏交互式台灯。结论是：模型单独上阵还撑不起真正的硬件工程。作者把造实物硬件分成五个层级，每层所需技能往往彼此独立：

• 101 级：用现成件（COTS）拼装。 拆解产品、找到兼容的现成零件、设计机电连接、确保可造并完成采购。这一步就足以难倒顶尖团队：艾萨克森的马斯克传记记载，2006 年 Falcon 1 的一次热试车因一颗电容延误——唯一有货的商店离太平洋中的发射场约 6,000 英里。

• 201 级：定制零件。 设计完支架不能一键“打印”，需要机械师把 CAD 转为 CAM 程序来驱动 CNC 机床，选料、装夹、刀具和切削策略高度依赖手艺，带来工艺波动与“翻译误差”。

• 301 级：复杂机电总成。 零件越多，公差“叠加”越严重——每个零件都合格，装起来却可能不合；还要跨团队协调需求、进度与风险。
• 401 级：外部供应商。 人人都爱谈垂直整合，但几乎没人自建晶圆厂或铜矿。即便是垂直整合标杆 SpaceX，也有 591 名在职员工头衔与“供应链”相关，另有 128 个在招岗位（据作者脚注，数据来自 2026 年 9 月的 LinkedIn）。

• 501 级：大规模量产。 造 1 个和造 100 万个是两回事：要管控零件与工艺波动、提前大量融资购置设备和库存、培训装配测试人员或给机器编程，还会迅速触及供应商上限。

作者认为，这些问题都可解，但必须逐个解决。AI 可能擅长“纯设计”（为任务定义理想零件），却难以胜任“面向制造的设计”（DFM，即在满足需求的同时易造、易采购、低成本），因为后者需要与现实世界大量交互。

读取：观察和测量真实世界

作者的一位朋友每周采购 4,500 万只鸡，即便供应商、规格、工艺和设备都相同，加工后可售产品的周间波动一度高达 20%。改善它需要对供应链每一步做大量测量分析和供应商沟通；他甚至发现一家深层供应商在发货前给鸡注水——称重全部合格，可水不是肉。作者归纳了物理世界数据的五个难点：

1. 不均匀且不断变化：实物有缺陷、随温度等环境变化、会磨损，测量工具也会漂移，系统必须为波动而设计，并大量投资于输入输出的测量。

1. 数据稀疏：不可能随时采集所有数据。作者曾参与卫星项目，热控团队恨不得到处装热敏电阻，但软件、结构和生产团队也有发言权；出了问题才发现，当初要是拍一张中间装配阶段的电路板照片就好了。

1. 采集昂贵：F1、载人航天等高性能、高可靠领域要求极高精度，而更高精度需要更精密的机器，比如测量平面度、垂直度和尺寸的三坐标测量机（CMM）既贵又慢。
2. 固有延迟：电路板热循环、挥发性化学品或固体推进剂的混合、机械疲劳测试都需要时间，只能有限加速。作者在 Astranis 最喜欢的设备是高加速寿命测试（HALT）机，人称“摇一摇、烤一烤”——但无论两次测试之间迭代设计多快，每轮都要重新跑完整测试。

1. 部分信息是定性的：用户喜不喜欢、握感是否舒适、用你的工具造零件是否顺手——这类数据最难量化、也最难压缩。

这些数据限制正是当今 AI 能力“参差不齐”的主要原因：测试结果越可量化、越机器可读，模型爬坡就越快。

AGI 世界中的硬件开发

硬件工程是“设计—制造—测试—迭代”的循环。设计环节是数字的，对模型最友好，AI 很快会成为超人级设计师；但之后每一步需要的物理交互都更多，因此前沿会沿多条战线推进：

• 更好的仿真工具：作者为 Navier、Inviscid、Lanyon 等仿真公司加油——更好的仿真让硬件以软件速度迭代，省去回旋加速器、辐射源、热真空舱、风洞等测试设施的往返和资本开支。原子大概永远留在循环里，但有了好的仿真，实物装配可以从“实验性”变成“确认性”。
• 需求“左移”到上游：设计能力普及后，世界需要更多 Senra Systems 的线束、Podium Automation 的控制柜、Hadrian 的机加工件、Cofactr 的电子元件，更多 Sift（遥测）、Instrumental（检测）、Revel（测试）等软件，以及 Mariana Minerals 的铜。公司也会把更多物料清单收回自制，例如 Diode 在 PCB 上的做法。

当人人都具备专业电子工程师的能力时，Diode 这类工具将迎来更广泛的用户，而他们都要把设计落地到供应链和可制造性上。

• AI 实验室需要获取“工艺知识”：从能听声辨别加工状态的老机械师，到台积电几十年打磨到抛光垫的博士们，这类知识缺乏端到端数据。

作者引用 Eric Jang《Smooth Exponentials for Robotics》的估计：2026 年机器人实验室的训练数据呈漏斗状——数百万小时第一视角数据、数十万小时 UMI 夹爪数据、数万小时遥操作数据，而高质量、特定硬件的演示数据只有几个小时。作者预计这一漏斗在超人级拐点后仍会存在。最好的办法是自己创造数据，例如 Periodic Labs 建立自主实验室，对超导体、磁体和半导体材料做端到端物理实验，把设计、作业指导、测试执行、结果测量和迭代闭环在一起。

但即便最好的测试平台也有边界。作者认为最难压缩的一步是获取终端用户的反馈：超人 AI 可以设计并廉价制造一百万版 Apple Watch，却仍无法直接知道顾客想要什么。

超人级硬件工程师正快速到来

作者预计前沿模型会很快攻克硬件设计，前线随之转向 DFM、测试和迭代等更依赖物理交互的环节。推进这条前线需要：改善数字与物理世界的接口、更快发现客户偏好、构建能逼近资深技师工艺知识的数据管线。人与 AI 的交叉点可能并不均匀，但一旦到来，人类就能借数字 AI 工具直接创造真实的物质丰裕——至少，爱好者的无人机不会再起火了。

注：原文中的两条装饰性分隔线图片、文末“相关文章”推荐卡片与免责声明未收录。原文嵌入的推文包括 @tomkrcha、@Dimillian、@anshuc、@sharifshameem、@eminimnim、@rpnickson、@ericjang11、@LiamFedus 等。

---

本文由 RecodeX 编译自 Superhuman Hardware Design Is The Easy Part（作者：Christian Keil），首发于 SandHill.io #307 推荐阅读。本文为中文编译稿，非全文翻译，完整内容请阅读原文。译文仅供学习交流，观点不代表本站立场，版权归原作者所有。