a16z 合伙人 Christian Keil 2026 年 10 月 20 日在该机构网站发表文章,预测 AI 在硬件设计上的进步,将把技术前沿推向可制造性设计、测试和迭代。这一判断涉及如何把数字设计转化为合格实物;现有材料尚不能说明 AI 已使整个交付流程提速多少。

Keil 将采购列为硬件落地的基础环节:产品需要被拆解为实际可以买到的零件,还要确认零件彼此兼容、机械与电气连接可行,并完成采购。设计文件中的部件选择,必须经得起供应和连接条件的检验。

进入定制加工后,几何设计还需要转化为机器能够执行的操作。Keil 以计算机数控加工(CNC)为例说明,完成支架的计算机辅助设计(CAD)之后,还需要通过计算机辅助制造(CAM)生成驱动设备的指令。他指出,毛坯、装夹、刀具与切削策略的选择,都涉及工艺判断,并会引入制造变异。

Autodesk 的 Fusion 官方教程提供了一个具体例子:在加工设置中将虎钳指定为夹具后,该设置下生成的刀具路径会避让夹具。教程还展示,模型中的孔和凹槽可能使刀路下探至尚未加工的区域,带来损伤刀具或零件的风险,需要修补加工模型的相关表面。这些是厂商教程中的加工准备案例,不能据此计算 AI 在真实生产中能节省多少时间。

装配又有另一组约束。Keil 指出,即使每个零件分别满足图纸要求,误差累积和关联仍可能使总成无法装配;跨团队还需要协调接口要求、进度与风险。Autodesk 的公差分析文档解释了其中的尺寸机制:单个尺寸的变异会累积,改变装配中的关键距离,需要判断该距离是否仍在系统正常工作的允许范围内。

从单件制造走向量产,还要解决持续交付的问题。Keil 认为,规模扩大后,零件与工艺变异、设备和库存的提前资金投入、装配测试能力以及供应商承载能力,都需要更多关注。外部供应商提供的材料或复杂组件,也意味着垂直整合无法消除供应链依赖。

设计更新更快,也不会自动省去新版本的物理测试。Keil 以自己在 Astranis 接触的高加速寿命测试为例说,即使两轮测试之间的电路板设计迭代加快,每轮迭代仍需要重新执行测试。

由这些约束可以推断,能够把采购可用性、加工要求、装配公差和测试结果接回设计流程的工具,可能更容易把 AI 的设计能力转化为交付价值。但这一机会仍需端到端项目验证:给定材料没有在相同任务和质量标准下比较 AI 与人工的交付数据,无法确认哪个环节已经成为主要约束,也无法量化成本、交期或良率的变化。

参考来源: