撰文：Techub News 整理
在 a16z 的深度对话节目中，两位致力于将AI引入实体世界的创业者——Diode Computers CEO Davide Asnaghi（戴维德·阿斯纳吉）和 Unlimited Industries CEO Alex Modon（亚历克斯·莫顿）——分享了他们的见解。他们分别从微观（电路板）和宏观（大型基建项目）两个截然不同的尺度，探讨了AI如何改变传统上依赖深厚专业知识与手工流程的行业。这场对话揭示了AI不仅关乎软件与数据，更关乎如何移动原子、建造实体，以及重塑美国工业的未来。
从代码到电路板：AI如何成为硬件设计师
Davide Asnaghi（戴维德·阿斯纳吉）的公司 Diode Computers 正利用AI设计和制造定制电路板。他的目标听起来雄心勃勃：“我希望能够像我的朋友创办B2B SaaS公司那样，轻松创办一家硬件公司。”这意味着，将硬件设计——一项传统上被视为极其复杂和专业的工程——变得如同编写软件一样 accessible。
然而，硬件设计领域数据稀缺，且工程师们习惯于特定的工具和流程。Asnaghi（阿斯纳吉）的解决方案颇具巧思：“我们作弊了。”他们绕过了直接训练AI理解电路板物理设计的难题，转而利用AI已经擅长的领域——代码。他们构建了一个编译器，给予AI模型足够的提示，使其感觉像是在编写Python程序，而非设计电路板。这本质上是将物理设计问题，重构为一个AI模型已经拥有海量训练数据（代码）的问题。
“传统的电子设计根本不是用代码完成的，” Asnaghi（阿斯纳吉）解释道，“而且，很多有品位的电气工程师鄙视编写代码的想法。没关系，我们不想让不想写代码的人去写。让模型去写代码。模型写代码的能力惊人，它理解这些概念。”
这种“万物皆代码”的方法，使得AI能够生成可直接用于制造的硬件设计。Asnaghi（阿斯纳吉）对自动化时间线的预测相当激进：“我曾以为需要5年，但现在我认为可能只需要2年。”当然，他指的是特定类型的电子设计（他重点关注的子集）将在两年内实现全自动化设计。
自动化不仅仅是设计。在制造端，电路板组装（SMT）已有大量机器人自动化，但仍有约20%的工作难以自动化，例如焊接大型变压器、组装外壳等。这部分通常依赖人工。Asnaghi（阿斯纳吉）指出，在美国，单纯依靠劳动力无法快速扩大数据中心等产能，也无法将建设周期从四年缩短到两年。因此，他们的核心目标并非用AI完全取代设计工作，而是用AI自动化那些能够产出“高度可制造”输出的设计类型。如果设计本身受到约束（即针对制造优化），那么2026 年 4 月就可以实现100%的自动化制造——“机器人已经在这里了。”
Asnaghi（阿斯纳吉）的愿景是扩展“软件工程师”的定义：“你希望赋予任何能够生成代码的事物同样的生成硬件的能力。”这不仅包括技艺高超的软件工程师，也包括AI代理（agents）。他们的开源编译器工具链（diode.link/pcb）正是为此搭建的基础设施，旨在成为AI和人类设计硬件并无缝进入制造流程的轨道。
对于数据难题，Asnaghi（阿斯纳吉）认为，电路板设计领域缺乏足够的公开数据来训练一个真正强大的基础模型。他们的策略是先用代码方法 bootstrap（引导），生成经过验证的设计模块库，这些模块成为下一代模型的训练数据，形成复利效应。同时，如果他们能成为众人免费设计的平台（rails），数据自然会汇聚而来。他相信，最大的障碍是数据不足，而非模型架构。只要能在美国以与亚洲竞争的成本进行盈利性制造，就能生成足够数据使模型准确性飙升。
基建自动化：用AI重新设计大型项目
Alex Modon（亚历克斯·莫顿）的 Unlimited Industries 则瞄准了规模宏大的基建项目——电厂、医院、大型设施。他提出了一个大胆的断言：“在10年内，所有建筑都将完全自动化。”
目前，一个大型基建项目始于开发商拥有一块空地。随后，可能需要长达一年甚至一年半的时间进行设计，数百名工程师（机械、工艺、电气、土木结构）参与，共同完成一套巨大的“施工发布包”（IFC）。这套文件随后交给总承包商进行采购和建造。
Modon（莫顿）描述了他们自动化这一前端流程的愿景：输入场地信息和建设要求，AI将探索成千上万种不同的设计方案 permutations，一键点击即可生成一个全局优化的IFC包。优化目标可以是资本支出（CapEx），但更好的方式是项目的总拥有成本，包括运营维护和施工便利性。
与软件行业参数化、灵活的设计方式类似，Modon（莫顿）希望将这种模式引入基建设计。“对我们客户来说，最大的价值体现是，如果你花了6个月设计某样东西……如果你想在6个月后更改某些东西，哦，天哪……你得重新开始。这完全是一场噩梦。”而在他们的AI驱动模式下，一切只是一个更新的变量，可以高效迭代。
后端施工则涉及更多机器人技术，从短期内更可行的自主推土机，到未来工地上的大量人形机器人和无人机。Modon（莫顿）相信，只要激励措施得当，这个未来注定会在十年内实现。
与硬件设计类似，基建行业也面临数据稀缺和传统工作方式的挑战。Modon（莫顿）指出，基建行业的激励结构与风险规避紧密相关，资本来源决定了整个项目的激励机制，这往往抑制了新技术的采纳。“你走进这些公司，看看人们的电脑，你会感觉像是被困在90年代末。”因此，Unlimited Industries 选择了垂直整合的策略，“我们必须拥有足够多的部分，以便能够与行业建立一个清晰的接口。”而不是试图切入一个小环节并强迫人们改变。
在团队构建上，Modon（莫顿）的经验是：“教一个跨学科的人使用最新最好的AI工具，比反过来（教AI专家成为领域专家）要容易得多。”他们的团队主要由多学科背景的机械、电气、土木工程师以及仿真、控制专家组成，辅以一些AI和软件背景的人才。
对于AI理解物理世界约束的问题，Modon（莫顿）同样秉持“万物皆代码”的理念。他们将复杂的系统关系 embodied 到一个 robust 的 ontological 模型中，为AI代理和LLMs提供一个可以生成代码的环境框架，这些代码能利用各种确定性工具，就像普通工程师一样。这创造了一种参数化的关系，使得优化和迭代变得容易。
挑战、机遇与未来展望
两位CEO都承认，实现完全自动化仍有最后一段 gap 需要跨越。对于 Diode，目前AI能完成约90%的设计，剩余10%需要人类工程师检查和完善。Asnaghi（阿斯纳吉）认为，“最后的 frontier 是我们没有足够的数据。”数据是 society 需要生成的东西。他个人认为现有架构组件已足够，但数据是关键。他的联合创始人则有不同看法，认为许多问题非常适合蒙特卡洛树搜索强化学习风格的方法。无论如何，他们的策略是专注于构建端到端的系统，并随时准备利用架构或数据生成方面的任何突破。
对于 Unlimited Industries，Modon（莫顿）认为他们的问题数据稀疏度更高，但大多数问题可以被 bounded（界定），且行业有大量标准 governing 如何建造。他更强调系统设计哲学：“确保你设计的系统实际上是完全自主的，而不是需要人类介入的。”这驱动了非常不同的架构。他们同样押注模型会变得更好。
关于人形机器人（humanoids）等更广泛的物理自动化，两人都持乐观态度。Modon（莫顿）认为，围绕一种设计进行大规模制造所能带来的效率和学习率，足以抵消定制化效率的损失，因此人形机器人形态将非常重要。Asnaghi（阿斯纳吉）则笑称自己“平等地爱所有机器人”，因为它们内部都有电路板。他更看好具有视觉语言动作模型（VLA）的机器人手臂，来解决那剩余的20%难以自动化的工作。
两人都提到了行业中存在的“ tacit knowledge”（隐性知识）——那些经验丰富的工程师、电工所拥有的直觉和诀窍。Modon（莫顿）指出，美国电工的平均薪水可能已经高于硅谷的软件工程师，需求巨大。Asnaghi（阿斯纳吉）则认为，在美国电路板行业，更大的文化 disconnect 在于设计与制造的脱节。设计师往往在“象牙塔”中设计，然后将制造外包到其他地方，因此缺乏“为制造而设计”（DFM）的 visceral connection（切身联系）。在中国，设计师即使知道制造不是自己完成，也会为了让朋友的工厂更容易生产而精心设计。AI的目标之一，就是自动生成这些DFM-ready的设计。
最后，谈到他们工作的二阶效应和使命，Asnaghi（阿斯纳吉）希望激发美国下一代对建造实体事物的热情。“我希望美国工程师、美国的青少年热衷于建造实体东西，并说‘我想建造一个立方星并把它送入轨道，做点酷炫的事情’，而且这很容易，因为我可以快速启动，并在第二天就制造出我的电路板。”
Modon（莫顿）则关注美国基建能力的衰退。他来自软件世界，那里一切都在进步，而基建领域的劳动生产率等指标在过去50年里却在恶化。“我晚上闭上眼睛时看到的图表就是那样。”他们的目标是，将建造这些项目的生命周期中的一个环节做得更好（一个数量级甚至多个数量级），从而有能力重新解决整个问题，从激励措施入手，建造绝对更多的项目——从支撑AI胜利所需的数据中心能源，到重新工业化所需的所有先进制造业公司，再到关键矿物。这一切构成了我们所见的世界的核心骨架，而我们正在变得更糟，这是非常令人担忧的事情。
两位创业者的对话揭示了一个共同的主题：AI在实体世界的应用，不仅是技术挑战，更是对行业文化、激励机制和数据生态的重塑。通过将物理问题编码化，他们正在搭建通往一个更高效、更具创造力、且更能应对未来挑战的实体工业未来的桥梁。
