本文来自微信公众号: 五源资本 5Y Capital ,作者:孟醒、刘一鸣,原文标题:《AI4S之后,AI盯上制造业 | 5Y Research》


F1赛场上的较量,早在车手踩下油门之前就开始了。


就像一套新前翼上车之前,工程师要反复修改设计,用仿真和风洞测试筛选方案,计算气流怎样流过赛车、能产生多少下压力和阻力、什么材料最合适……


现在,一家名叫Apex Ultra的AI公司,也想加入这场研发竞赛,帮工程师寻找下一处提速的机会。


今年10月,Apex Ultra与F1大赛里法国雷诺旗下的Alpine车队宣布合作,AI将学习设计历史、风洞和试验结果,以及赛道数据,把仿真中的预测与赛车的实际表现对照起来,新方案还要同时考虑制造难度、成本、交期和零件寿命。


Apex Ultra将这项研发目标称为ESI(Engineering Superintelligence,工程超级智能。当然也可以称之为AI4E),希望AI能够综合物理、材料与制造条件,参与复杂机器的设计、仿真和开发。


目前这个合作刚刚开始,还没有提速结果出来。但这个项目选择的任务很有意思:在穷尽顶尖工程师智慧的产品上,用AI突破工程科学极限,做出人类设计不出来的赛车。这样的进步很难,但是一个极具吸引力的使命。


过去几年,AI一直在同时做两件事:“摸高”与“下沉”。


“摸高”,是尝试推进人类作为整体的知识与能力边界,解出更难的数学题,发现新的物理规律,研发出不存在的药物,做出性能更好的顶级模型;


“下沉”,则是让每个个人和企业,通过AI已有的能力解决自己的问题,比如写代码、做PPT、处理业务流程。


两条路都能创造非凡的价值,衡量它们的尺子有所不同。把报告做得更快,可以按节省的时间算账;推进科学发现,却未必马上找得到买家。AI for Science把能力带向药物和材料研发,研究成果开始接近产品。而到了前沿工程领域,客户的问题更具体:发动机效率、散热能力、器件寿命,都能对应经营收益。


我们今天想讨论的AI for Frontier Engineering,重点就在“前沿”二字。帮一个人完成简单建模,与帮助工程师突破一个困扰全行业的性能瓶颈,需要的知识、试验和判断很不一样。


对工业企业来说,有些性能瓶颈已经耗费了大量研发投入,仍然迟迟攻不下来。谁能帮助它们往前推进一步,谁就有机会把模型外溢的智能,变成客户愿意付钱的产品。


更强的智能,得用更前沿的产品赚回溢价。


贝索斯也看上了这个方向,开始担任创业公司普罗米修斯(Prometheus)的联合CEO,今年6月披露120亿美元B轮融资,估值约410亿美元;


另一位亚马逊老将Jeff Holden,创办了Atomic Machines,累计融资2.5亿美元;


伦敦的PhysicsX,则用AI加快物理性能预测与设计优化,今年6月完成3亿美元C轮融资,估值约24亿美元。


他们都在尝试缩短AI落地制造业的距离:从想到一个新办法,到做出一件能用的东西。


图纸画出来之后,工程才刚刚开始


当工程师Nicolas Haag两周的假期结束,回来查看结果:计算机自动运行了约1500次流体仿真,仍未找到满意的方案。


这位工程师来自PhysicsX,他在访谈中回忆,团队当时在优化一枚拇指大小的心脏辅助泵(主要为衰竭的心脏提供“外援”),必须兼顾泵血效果、血液损伤、耗电、发热和振动。


后来,团队引入了用仿真数据训练的AI模型,让它更快地预测不同设计的表现。模型准备好后,这轮优化用了10小时左右,找到了工程师此前未想到的结构方案。再用传统流体仿真复核,结果与AI预测几乎一致。


PhysicsX联合创始人Robin Tuluie,还给出了项目的性能收益:泵送性能提高,血液损伤减少;按公司综合多项指标的口径,较基准方案改善约42%。


这是一道需要同时满足多项条件的优化题。外观像一个零件的三维模型,未必具备工程计算所需要的精度;它还得有明确的材料、尺寸和工作条件。接下来,要反复修改设计、预测性能、检验结果,再决定下一步怎么改。


在有AI之前,工业界已经靠一套分工明确的软件,来做设计、算性能、准备生产。以机房冷却用的散热零件为例:CAD(计算机辅助设计)相当于电脑里的绘图台,工程师用它搭出三维模型,确定零件多大、哪里开孔、冷却液从哪里流过;CAE(计算机辅助工程)相当于虚拟试验台,把材料和工作条件输入进去,计算这套设计能带走多少热量、哪里可能过热。


等设计基本确定,CAM(计算机辅助制造)再把模型转成加工安排:如果用数控机床来做,选哪把刀、先切哪里、刀具沿什么路线走,都要在这里规划。样件做出来还得测试,发现问题就回头改设计。这些工具各有专长,工程师负责把它们串起来,在一轮轮计算和试制之间作判断、改方案。


当然,仿真算得对,样件也未必达标。散热零件可能出现加工偏差,实际流量不够,又要检查流道设计和工艺。实物试验补上的,是计算尚未准确描述的那部分现实。研发中的设计、仿真、试制和测试因此经常交错进行。


单独让AI调用其中一个软件,已经有不少演示。更难的是,让AI像工程师一样,根据每一步的结果,决定接下来怎么做:改了结构,要重算哪些性能;发现偏差,该回头改图,还是调整工艺;一轮试验为什么失败,下一轮怎样避免再犯。模型需要把需求一直追到验证结果,再把结果带回设计。


四个AI辅助三维建模示例,分别展示建筑、涡扇发动机剖面、蒸汽机车和可调台灯,模型可以呈现复杂外形


另一类AI加速的是计算本身。PhysicsX优化心脏辅助泵,靠的是从仿真数据中学习结构与性能的关系,对新设计作出更快的预测。这类“代理模型”,像一张从精细计算中学来的速查表,可以帮助筛选方案;它能否用在新材料、新工况上,还要重新验证。通用模型负责组织任务,性能模型帮助快速评价,数值求解器与实物测试继续提供核验。


让AI接触实物反馈,Anthropic与量子计算公司QuEra的合作,提供了一个具体例子。实验设备中的钛蓝宝石激光器,一旦偏离目标频率,熟悉设备的专家有时就需要到场恢复。


Anthropic让Claude接上试验设备,反复修改、测试恢复办法,再将有效的判断写成独立控制程序。700次测试中,它成功恢复695次;较难故障用时约10至14秒,而人工通常需要5至10分钟。


图为QuEra的原理比喻示意。稳住激光,像把小球留在几层跷跷板上方的指定位置:粗调负责大范围调整,细调负责快速修正。小球的位置代表激光频率;受到干扰后,系统还要确认它回到了正确位置


AI在这里参与的是控制程序的研发。测试中执行恢复的,是已经写好的独立程序,无须让Claude每次重新推理。连接模型与设备的MHS,即Model Hardware Standard,承担接口工作,让模型读到仪器状态、调用操作,同时受设备设定的限制约束。它补上了进入实验现场的一段连接,完整的研发过程还需要工程知识和判断。


所谓“最好的设计”,也没有一个脱离条件的标准答案。散热更强,可能要付出更大泵功率;零件更轻,也可能更难加工。工程师需要规定哪些要求必须满足,哪些指标可以交换。AI解决的方向,取决于这些条件有没有被准确写进任务。


让AI参与工程研发,不能让设计、仿真和实物测试是割裂的,方案哪里有效、哪里出了问题,都要成为下一轮修改的依据。


不过,研发能走多远,也取决于最初有哪些方案值得尝试。如果零件的基本结构已经固定,计算再快,也只能在给定范围内调整尺寸和参数。


所以一个更有价值的问题是,能否让AI参与提出不同的结构,再交给计算和试验筛选。这样,工程师手里就可能多出一些过去没有想到、也没有试过的选择。


从优化旧方案,到探索新结构


把一根支撑柱画细一点,和想到把它分成两叉,是两种不同的设计思路。


在常见的参数化CAD优化中,工程师先画出基本结构,再开放几项尺寸供软件调整。若只允许改变三根柱子的粗细和角度,计算机就不会想到要去改变结构。


工程AI可以从这里分出两种工作:


第一种是在已有设计上优化,比如调整冷却流道的尺寸、改变叶片角度;


第二种则从需求出发,允许模型探索不同的结构和部件安排。


后一种思路就是生物设计里常说的de novo design(从头设计),它希望少受某个旧方案的束缚,但必须遵守物理、性能和制造条件。


CAD仍然有用。它负责表达形状、尺寸、装配关系和修改记录。值得思考的是,工程师在开始搜索时,是否已经把答案的大致形状限定好了。


比如一件支架,必须连接哪几个位置、承受哪些载荷、最多占多少空间,这些要求不能丢;至于中间用几根支撑、在哪里分叉,可以让算法参与探索。传统拓扑优化,已经能根据受力要求调整材料分布。


生成式AI增加的工具,是从三维数据中学到形状的规律,并据此提出新的候选结构。


PhysicsX的支架实验,就是把这样的生成模型与力学仿真接了起来:模型对已有方案生成新变体,系统比较重量,并用仿真检查受力是否超标;表现更好的方案留下来,继续生成下一轮。整个搜索过程无须先把形状的变化,限定为一组CAD参数。


在这项实验里,PhysicsX从一份发动机支架竞赛的获奖方案出发,找到了带分叉支撑的新结构。新方案满足应力约束,重量又减轻18.5%。这属于从已有方案继续探索,也仍是仿真结果;它显示的是,AI可以超出原先固定的几项CAD参数,改变结构本身。


图中每个点代表一种支架设计,位置越低,重量越轻;落入右侧红区,则表示应力超限。右侧中间的方案在仿真中满足应力约束,比上方的原竞赛获奖方案轻18.5%。下方的方案虽然更轻,却未通过这一约束


工业史上,对结构的重新设计,确实可能胜过长时间的局部打磨。瓦特面对蒸汽机反复加热、冷却气缸造成的浪费,发明了“分离式冷凝器”,也就是把蒸汽冷凝这件事,移进另一个容器:气缸保持热,冷凝器保持冷,由此显著改善了燃料利用效率。


过去,这类突破很依赖少数天才的灵感,以及进行多次试验的成本条件。生成式AI带来的想象,是把提出不同方案、计算得失、淘汰错误的过程,做得更充分,让更多团队能探索惯常设计之外的新解法。


提高搜索的自由度,同时会增加验证的负担。模型可能提出根本无法承载、装配或加工的形状。一个新结构究竟是好主意,还是看起来新鲜的错误,依然要靠仿真与试制来判断。把需求写给AI,并不等于可以省掉工程师对约束的定义。


如果更大胆的设计,总在加工这一步被拦下来,前面的探索就难以变成产品。


Atomic Machines想把这个问题往车间里推进:让微制造设备、工艺经验和软件,一起参与器件开发。它拿来检验这套方法的第一件产品,是一颗微型开关。


一颗微型开关,为什么要用一套新工厂来造?


给数据中心送电,也得想好怎么及时断电。


如果家里电路短路,配电箱里的断路器会“跳闸”,切断电源。给数据中心做供电设备的工程师Mickael Mauger,也要为机房安排这样的保护:平时让电流顺畅通过,故障时及时断电,避免后面的设备被损坏。


但同样是断电,供电方式不同,难度也不同。家里通常用交流电,电流会周期性降到零,有助于熄灭开关断开时产生的电弧。而在AI数据中心的800伏直流供电系统中,这个天然条件不存在:即使触点已经分开,电流仍可能沿着电弧继续流动,要想保护设备,既要让触点迅速分开,也要尽快切断这股电流。


平时工作时的要求也无法忽略。大电流长时间通过开关,导电损耗会不断累积,还会给机房增加散热负担。以前的机械开关,靠金属触点导电,损耗低,但体积大、动作慢;半导体开关动作快,持续通电时,却会把更多电能变成热量。机房既为这些损耗付电费,还得把热散出去。


如今,Mickael Mauger拿到了一颗能放在食指尖上的新开关。它靠金属触点导电,损耗很低,触点却能在几十微秒内分开,做到了看似不可能实现的功能。他向制造商追问:“这怎么可能?”


这家公司叫Atomic Machines,产品叫PrimeSwitch。它可以装进一种“混合式断路器”:平时,电流主要通过它的金属触点;保护电路发现故障后,触点迅速分开,由配套的半导体电路短暂接手电流,再完成切断。金属负责长时间导电,半导体只在断电的短暂过程中出力,从而兼顾低损耗和快速保护。一个不足一厘米的小器件,要承担的是供电线路上的大电流。


Atomic Machines的微型机电继电器PrimeSwitch PS-150,可用于数据中心的混合式断路器,与半导体电路配合,兼顾持续供电时的低损耗与故障时的快速断电保护


这颗微型开关背后,需要多台设备,接力完成加工、装配和检测。Atomic Machines把这套系统叫作Matter Compiler(物质编译器)。Atomic将负责不同工艺的设备,称为Node,可以理解为车间里的不同工位,由软件调用和协调。


Atomic列出了这些“工位”的分工:激光加工负责在材料上形成细小结构;微滴沉积把液体送到指定位置;电化学工艺承担镀覆、抛光等操作;装配与测量能力再帮助部件配合、确认加工结果。金属、聚合物、玻璃和陶瓷,都在它披露的材料范围内。不同器件可以选择、组合不同工序。


Atomic Machines的Matter Compiler制造系统,包括激光微加工、检测等设备模块,多种制造能力由软件调用


这背后,需要解决多种材料、三维结构和活动部件的协同制造。一个工位擅长做什么,只是开始;下一道工序能否接住它留下的结果,才决定整件器件能不能做成。


这个名字借用了软件世界的习惯。程序员写完代码,编译器把它变成机器可以执行的指令。Atomic想把类似的组织方式带进制造:设计确定后,由系统安排一系列加工操作。但材料不会像程序指令那样,每次都给出完全一样的结果。


前一道工序留下的尺寸或表面状态,会影响下一道工序。微小偏差如果一路累积,最后可能让器件失效。于是,AI不能只记住“先做A、再做B”,还需要知道做完A之后,材料究竟变成了什么状态,下一步是否应该调整。


背后的投资方Construct介绍,Atomic会测量操作前后的结果,用学习得到的模型,预测某一步骤怎样改变材料。实际偏差再反馈给制造决策。


这里的AI,更像是在学习某个工艺会造成什么后果:在这样的材料状态下做这个动作,接下来会发生什么。这个预测有了测量核对,才有机会减少盲目的试做。


按这套思路积累的数据,既包括做出了什么,也包括怎样做、哪里偏了、怎样修正。设计者如果知道某种结构很难稳定加工,就可以提前调整;制造端发现了更可靠的工艺,也可能放宽下一款器件的设计选择。


这是软件组织工艺与AI学习反馈,能够相互配合的地方。


Atomic以一个微型泵为例,演示AI如何参与“下一步怎么造”的判断:从圆形坯料出发,选择可执行的加工步骤,优化切割形状,并借助电磁仿真检验设计;随后推演各部件的装配关系,对组合后的结构再次仿真,逐步形成完整的器件方案。AI需要把“形状怎样改、性能会怎样变化、下一道工序能否接上”放在一起考虑,让设计与制造安排相互配合


当然把这套系统,理解成完全无人值守、输入一句话就出成品的机器,还为时过早。现在仍然需要工程师,负责部分设备间转运,并协助最终装配。


产品换了材料、结构或精度要求,制造工艺往往也得跟着改。Atomic Machines希望降低的,正是摸索这些改动的代价。


3D打印可以是这类系统使用的一种工艺。Atomic的组织范围更宽,涉及不同材料、多个加工步骤以及活动部件的装配,它想交付的包括器件怎样被可靠地做出来。


Atomic Machines选择的第一个方向是微器件。之所以选择“微型”,是因为在很多器件上,做小本身就能带来性能收益。PrimeSwitch的触点质量小、移动距离短,有利于更快动作。但尺度缩小后,大机器上的加工和装配办法,未必还能照搬。


半导体工艺和MEMS已经量产了手机运动传感器等大量器件,也积累了标准工艺。困难集中在新的材料组合、复杂三维结构和跨部件装配上:现成工艺不一定适用,新工艺的开发成本,又可能超过一款器件所能负担的范围。微型泵、微型执行器等方向因此既有性能想象,也有制造门槛。


开关产品的价值,可以按体积、损耗和速度来算;而Atomic Machines的价值,还得看做完这颗开关之后,留下了什么。若工艺模型能支持更多器件,研发投入才有机会跨产品积累。


Atomic自己对未来的设想:做出一颗微型开关之后,这套制造系统还能做什么?这决定了它的平台价值


在AI for Frontier Engineering领域,另一家值得关注的公司,是贝索斯和Vik Bajaj创办的普罗米修斯,他们想把AI能力,推向更广的工程领域。


普罗米修斯的目标叫“AI通用工程师”。贝索斯用航空发动机打了个比方:如果一个上千人的团队,原本要花十多年开发新一代发动机,AI有没有可能把这个周期,缩短到五年、两年,甚至一年。


如今,普罗米修斯第一个要解决的是数据问题。贝索斯曾说过一个比喻:就算读过一千本教人做体操的书,他仍然不会成为优秀的体操运动员。


互联网上有很多解释工程原理的内容,但一个设计能否承受高温、零件能否严丝合缝地装起来、产品能否长期稳定运行,还需要仿真、试制和测试给出答案。普罗米修斯既要自己生成训练数据,也要设法取得那些很难获取的工程数据。


不过,那些最有用的经验和数据,现在都在谁手里?


谁能把分散的工程经验接起来?


一张最终通过验收的图纸,可能把前面所有走过的弯路都藏了起来。


设计团队记得性能目标和几次关键修改;工厂知道哪种材料难加工、哪个参数容易造成废品;测试团队掌握某种失效会在什么条件下发生。这些知识散在不同的人、文件和系统里,拼起来才接近一件产品的完整研发记录。


这构成了工程AI的第一层分散:同一个产品的不同环节,掌握在不同参与者手中。


设计公司有模型、专利和客户需求,制造方有设备、工艺和生产管理经验。过去双方可以凭规格、成本、交期和良率合作,彼此不必知道全部细节;要让AI学会改进整个过程,就需要把一次设计修改,与后续加工和测试的结果对应起来。


第二层分散,来自不同产品之间。


冷却系统要处理流动和传热,火箭发动机还要面对燃烧、高温和材料寿命,微型开关又有不同的接触、驱动和装配问题。同样叫工程,每个领域的有效数据、故障判断和验收标准却差别很大。做开关积累的经验,有多少能用于发动机,需要逐项检验。


先在一类产品上贯通设计、制造和测试,比一开始就覆盖所有工程任务,更可能形成可积累的优势。


沿着这个判断,更值得关注的团队,是自己理解设计,又深度参与过工艺开发、样件测试和返工,知道某个参数为什么要改,也看过修改之后车间发生了什么。即使工厂并非自己所有,也有机会掌握一段完整的工程经验。


传统工业软件厂商,在这里已有相当深的积累。零件的几何结构、装配关系、仿真设置,以及设计版本和审批记录,保存在客户长期使用的CAD、CAE和产品数据管理系统中。新的AI公司要参与研发,就得想办法接入这些记录和工具。


谁能让工程师方便地调用它们,并保留每次修改与验证的依据,谁就有机会在日常工作中占据更重要的位置。


不过,历史记录只能告诉模型过去做过什么,要继续探索新方案,还需要一个能够运行任务、检验结果的环境。


拿到一份代码,和能够运行它、执行测试、追踪错误,是两回事。工程AI也一样:修改零件形状之后,要重新准备计算模型,设定材料、载荷或温度等条件,调用求解器,再按约定的指标判断结果。只有图纸,模型很难知道自己的修改究竟好在哪里。


这个环境的速度也很重要。如果每次修改之后,都要等工程师手动整理文件、重设参数、重新提交计算,模型提出方案再快,尝试的次数也会受限。把工具接通,让失败的计算能够被发现和处理,并在适当的时候调用更精细的验证,本身就是一项有价值的产品能力。


Apex Ultra提供了一个具体例子。公司把风洞、试验台、仿真集群和制造现场,列为训练与评价模型的重要条件,计划围绕合作方的真实问题和实际约束开展工作。这些环境的价值在于,能够把设计决策与结果联系起来:模型改了什么,性能怎样变化,制造时遇到了哪些问题,都有机会得到检验。公司同时表示,不混用不同合作方的数据。


从投资角度看,我们觉得工程AI出现赢家通吃的概率很低。不同领域在数据、工艺和验证环境上的差异,可能为许多专业公司留下空间,各自围绕一大类工程问题,形成从设计到验证的产品能力。


这些公司的产品,可能是专门设计火箭发动机的智能体(agent)。它需要理解要求、调用工程工具,并根据验证结果继续修改方案。底层模型可以共用,专业团队要把本领域的数据、工艺经验和试验环境组织起来,形成能够反复用于同类研发任务的产品。


这种专业化,甚至可能比机器人更细。比如,家庭机器人仍有可能覆盖多种家务。但在工程开发里,现阶段很难想象一家专做赛车发动机的公司,同时也能做好数据中心的冷却系统。当然跨领域的难度,也会影响一家公司的产品能够覆盖多大的范围。


另一方面,对于中国来说,密集的制造供应链和工程人才,为这种积累提供了有利条件。


苹果早在2024年,宣布新增在华应用研究实验室时,专门解释了靠近生产和组装基地的价值:工程师可以与供应商共同测试原型、交流生产工艺,并及时调整流程。设计中的问题,有机会在制造现场,尽早被发现和处理。


工程AI同样需要这种协作。模型提出方案后,能否及时做出样件、找到懂工艺的人解释测试结果,会影响下一轮修改何时开始。中国创业团队可以从一类产品出发,与设计方、测试方和供应商建立长期合作,把一次次试制中的变化记录下来,让制造端的经验参与下一轮设计。


这个行业因此可能容纳许多各有专长的公司。它们的优势,会具体到模型究竟帮助客户解决了什么,换一个工况还是否有效,下一次交付能否少走一些弯路。


这些问题,很难靠一张覆盖全行业的模型榜单来评判。


冷水时刻:客户有自己的评价标准


写代码的人,已经很懂榜单和实际使用之间的距离,编程榜单能为选择模型提供一个大致参考,具体到自己的项目,仍要实际试过才知道是否好用。


但到了工程领域,要从评测成绩推断实际能力,就更难了。模型在某项测试中表现出色,但如果换了材料、工艺或使用条件,还能不能解决问题,就又需要重新验证。


所以AI for Frontier Engineering的一大难点就是:工程任务越具体,就越难由一套公开测试来代表。


还是拿数据中心的开关为例。金属触点分开得快,电流却未必能马上停止,这是因为触点之间可能产生电弧,这会让电流继续通过。所以机房关心的是,当线路发生故障后,开关究竟要多久才能彻底切断电流。要测清楚这一点,就得把开关和配套电路接起来,在相应的电压和负载条件下测试。单独测出断开动作的速度,还不足以判断它在实际使用中的表现。


在这个行业,客户自己的标准与验收,往往比公开榜单更有决定性。零件要做到多精确,哪种偏差会让整件产品失效,都取决于具体用途。连出题所需的条件,比如一台设备实际能达到的加工精度、一道工序在哪些参数下容易出废品,也往往掌握在客户和供应商手里。


数据本身也有缺口,中国制造业的规模优势,还无法直接等同于数据优势。历史文件可能只有最终图纸,缺少修改原因;工厂发生过的试错,未必有完整测量;核心工艺又涉及知识产权和使用授权。把这些问题整理好,会增加前期投入,却决定模型得到的反馈究竟可信不可信。


行业越细,验证就越贴近客户,这也容易把交付拖向定制。若每接一单都要从头建模、重写测试、重新调试,公司仍可能靠增加工程师来扩大收入。


判断产品是否正在成熟,要看同类项目的验证流程和工艺知识能否复用,部署是否变快,交付成本能否下降。


最终,才能看清AI到底带来了什么。


结语:当造东西的门槛大幅下降


如果AI能持续降低设计、计算和验证的成本,那些因试错太贵而被搁置的方案、因需求太小而难以立项的产品、因回报不明而得不到投入的探索,就都有了被尝试的可能,原本被埋没的价值,才有机会被发现。


历史上,瓦特把冷凝过程移出气缸,这个结构上的改变,打开了提高燃料效率的新革命。但从想到这个办法,到造出可用的工业机器,他仍花了多年。一个突破需要灵感,也需要反复试错、修正,直到拥有成熟的条件。


而这些条件,今天仍然分布得很不均匀。想法散落在各处,设计、测试和制造能力,却往往集中在极少数公司里。发现问题的人,可能已经想好了怎样改进,却没有资源把方案画出来、算清楚,再做成样品。降低尝试的成本,也意味着让更多人获得把想法付诸实践的机会。


如果工程AI能帮助人们完成设计和验证,新型制造平台又能承接后续的试制,小团队甚至个人,就可能调用过去难以获得的工程能力,一次研发可以从更具体、更小的需求出发。


今天,coding已经成为日常;未来,也许会有更多人借助AI,为自己设计并做出一件实物。


那些分散在各处的想法,也就有机会被真正做成产品。