当 AI 开始设计电路板：设计越来越便宜，制造业的机会在哪里？

原创 jishuzhain 2026-11-10 11:23 广东

— ◆ —

最近，Anthropic 发布了一篇文章：《Testing Claude on real-world electronics design》。文章介绍了一项与 Diode Computers 合作开展的实验：让 Claude 从简单的自然语言需求出发，设计三种真实的电子设备，包括 USB 扬声器电话、家庭语音助手中枢，以及一个电池供电的手持虚拟宠物。

这次实验有一个很有意思的结果：Claude 不仅完成了电路原理图、PCB 布局布线、3D 外壳设计、固件编写和元器件清单，还能够根据设计约束修改方案，最终由 Diode 的工程师按照它输出的设计文件制造出了三个可以正常工作的硬件原型。

如果只是把它理解成 AI 又学会了一项新技能，可能低估了这件事的意义。

真正值得关注的是，AI 开始进入传统上需要电子工程师、PCB 工程师、结构工程师和嵌入式工程师协同完成的研发流程。而且，这件事背后还有一条更值得研究的产业逻辑：当 AI 大幅降低硬件设计成本，制造环节会不会成为新的竞争焦点？

Diode 创始人 Davide Asnaghi 在随后发表的文章《AI Hardware Design Gets Faster, Manufacturing Matters More》中，恰好提出了这个问题。

我想从这两份资料出发，聊聊几个值得琢磨的细节。

• • •

Davide 有一句话让我印象很深：

“A circuit board design is just a file based on a set of rules.”

电路板设计，本质上就是一个遵循特定规则的文件。

这句话看起来有些轻描淡写，但背后的工程逻辑值得琢磨。

PCB 设计有明确的文件格式、元器件封装、网络连接、电气约束、设计规则和制造规范。只要模型能够理解这些规则，获得足够的专业知识，并且可以通过工具读取、修改和检查设计文件，那么整个设计过程就有机会被拆解成一系列可以执行和验证的任务。

这与 AI 编程的发展有相似之处。

代码同样是一种遵循规则的文件。它有语法、类型、依赖关系、编译器、测试框架和运行环境。

AI 编程工具之所以能够快速发展，并不仅仅是因为模型学会了写代码，更重要的是它能够读取整个项目，调用编译器，运行测试，观察错误信息，然后修改代码，反复验证。

电子设计也正在形成类似的工作模式。

不过，这里有一个容易被忽略的背景：Claude 并不是突然就学会了电子工程。

2025 年 12 月，Anthropic 就已经公开介绍过与 Diode 的合作。当时双方主要解决一个相对具体的问题：让 Claude 根据芯片 Datasheet 自动生成参考电路设计。

什么是参考设计？

一颗芯片通常不能单独工作，还需要搭配电阻、电容、电感等外围元器件。工程师需要阅读芯片厂商提供的 Datasheet，理解它的供电要求、引脚定义、工作模式和外围电路配置，再设计出能够正常工作的电路。

这些资料有时长达数百页，而且并不总是以结构化的方式提供。

Diode 为这项任务提供了自己的工具链，包括一种基于 Starlark 的领域专用语言 Zener，以及用于 PCB 设计自动化的工具。Claude 可以读取技术文档、编写设计文件、调用编译器，并通过专门的测试基准检查设计是否满足电气要求。

双方还将这些领域任务的改进用于 Sonnet 4.5 及后续 Claude 模型的训练。

在一次盲测中，Diode 的电子工程师在 10 次比较中有 8 次更偏好 Sonnet 4.5 生成的参考设计。

这件事很重要。

它说明模型进入专业领域，并不只是依赖通用知识的积累。专业数据、领域工具、任务定义、自动化测试和反馈训练，同样是能力形成的重要组成部分。

从参考电路设计，到后来能够处理完整 PCB 和机械结构，这是一条持续迭代的技术路径。

• • •

如果只是让 AI 根据需求绘制电路图，其实没有什么特别值得惊讶的。

真正困难的是：工程设计从来不是一道只有唯一答案的数学题。

很多时候，一个局部正确的设计，放到整体系统中却可能完全不可行。

例如 PCB 布局布线。

对于没有接触过硬件设计的人来说，可能觉得 PCB 就是在一块板子上把各种元器件连接起来。

但实际上，元器件的位置、连接顺序、走线长度、信号之间的干扰、不同层之间的过孔，都存在复杂的约束关系。

尤其是高速差分信号，不仅需要考虑两条走线的长度和间距，还需要考虑阻抗、参考平面和信号完整性等问题。

这次实验中，Claude 在设计语音助手中枢时，优先处理 USB 和以太网等高速信号连接，逐组规划差分走线，尽可能保持两条线路等长、等距，并通过蛇形走线进行长度补偿。

更有意思的是，当原有方案无法合理完成布线时，它会主动改变设计策略。

例如，设计扬声器电话的四层 PCB 时，Claude 发现触摸控制区域下方的线路存在交叉问题，于是重新分配两个芯片的部分引脚，让相关线路能够在同一层完成连接。

后来，语音助手中枢的部分走线变得过于复杂，Claude 甚至主动删除已有线路，重新规划。

这让我想到一个实际问题。

我们过去评价 AI，往往关注它第一次生成的结果是否正确。

但在复杂工程任务中，第一次就正确可能并不是最重要的能力。

能否发现错误、识别错误产生的原因、推翻不合理的设计，并在新的约束条件下找到可行方案，可能才是更重要的能力。

毕竟，真实工程研发本来就是一个不断试错、修正和验证的过程。

• • •

这一部分是整篇研究中我个人最喜欢的细节。

Claude 在使用 KiCad 进行 PCB 布线时，发现软件自带的布线工具需要逐条指定走线的起点和终点。

对于一个拥有大量连接线路的设计来说，这种方式需要太多重复的操作和指令。

于是，它决定自己编写一个布线算法。

大致思路是将 PCB 划分为网格，然后通过搜索算法寻找每条线路可以通过的路径。

据 Anthropic 介绍，Claude 花了大约半小时完成这个工具，之后每条较长的走线只需要约一秒就能完成。

更重要的是，它后来还根据实际情况调整算法。当它发现音频时钟信号线路距离以太网线路过近时，就修改布线策略，为敏感线路预留更多空间。

我觉得这个细节值得反复琢磨。

过去，我们通常认为 AI 的能力取决于它能够调用多少工具，以及这些工具有多么强大。

但这次实验展示了另一种可能性：

当 AI 发现现有工具不能很好地解决问题时，它可以通过编写程序创造新的工具，然后把这个工具纳入自己的工作流程。

这已经不只是工具使用能力了。

它开始涉及工具开发、工具评估，以及根据任务需求改进工具。

当然，这并不意味着 AI 能够凭空创造所有专业软件，更不意味着它生成的算法天然可靠。但这种能力对于复杂任务的自动化非常重要。

因为现实中的工作，很少会刚好按照现有工具预设的流程展开。

• • •

还有两个案例，我认为比 PCB 布线本身更有意思。

第一个是机械结构与电路板之间的关系。

Claude 在设计扬声器电话的外壳时，通过 3D 模型发现，电路板无法直接垂直放入外壳，因为静音开关会碰到外壳后壁。

如果按照普通人的直觉，可能会考虑修改外壳尺寸，或者重新调整开关的位置。

但 Claude 计算后发现，只需要让电路板倾斜约 25° 放入，再旋转至最终位置，就可以完成安装。

它不仅在 3D 模型中验证了这个方案，还把安装步骤写进了装配说明。

第二个案例涉及声学设计。

语音助手中枢的麦克风需要通过外壳上的开孔接收声音。

Claude 计算发现，如果开孔长度为 25mm，其共振频率大约在 3.4kHz，处于语音频段之内。

于是它调整了外壳结构，将开孔缩短到约 10mm，使共振频率提高到约 8.9kHz。

这里实际上涉及一个跨学科问题。

麦克风本身可能没有问题，电路设计也可能完全正确，但外壳的几何结构却会影响最终的声音表现。

这说明一个工程设计的正确性，不能只看某个局部模块。

电路、机械结构、声学、功耗、安装方式之间存在相互影响。

真正的工程能力，不是把每个零件分别设计好，而是让所有零件组合起来之后，整个系统仍然能够正常工作。

• • •

这次实验还有一个很实际的环节：DFM，也就是面向制造的设计。

设计出来的东西，不一定能够生产出来。

工程师不仅要考虑电路是否正确，还要考虑工厂的制造能力。

例如，PCB 上的某些间距是否太小，焊盘和阻焊层是否符合工艺要求，过孔和铜箔是否满足生产限制。

此外，还要确认元器件是否能够采购到。

如果设计中使用的芯片已经停产，或者供应商没有库存，那么再漂亮的设计也没有实际意义。

这次实验中，Claude 自己运行了 DFM 检查和元器件供应检查。

例如，检查发现语音助手中枢的 PCB 上有六处阻焊层结构过窄，不符合制造要求。Claude 通过调整相关开口解决了问题，没有移动元器件。

自动检查工具还把一处有意设计的接地连接标记为错误。Claude 判断这是检查规则没有正确理解设计意图，因此没有盲目修改。

最终，Diode 按照 Claude 输出的设计文件制造了三块电路板，没有发生通常需要多轮沟通才能解决的制造文件修改问题。

这件事的价值在于，它把 AI 的工作边界从设计文件本身，向实际制造条件延伸了一步。

但这里必须保持清醒。

Anthropic 明确说明，这三个设备仍然属于早期原型，没有完成完整的电气验证、天线调谐、热测试和商业认证，也没有进行大规模量产验证。

Claude 没有直接连接测试仪器和 PCB 制造设备，物理制造和测试仍由 Diode 的工程师完成。

所以，我们不能把它描述成 AI 已经能够独立研发并量产商业电子产品。

但它确实展示了一种值得关注的能力：AI 已经可以在较少人工指导的情况下，承担大量跨学科工程设计工作，并产出能够进入实际制造环节的成果。

• • •

如果说 Anthropic 展示的是 AI 的工程能力，那么 Davide 的文章讨论的就是这种能力可能给产业带来的变化。

过去，定制硬件往往是一件成本很高的事情。

一个团队想为某个特定应用开发专用电路板，需要找到合适的电子工程师，完成需求沟通、电路设计、PCB 布局、反复修改和验证。

设计周期长，工程师资源也有限。

因此，很多项目最终选择购买通用硬件。

即使通用方案存在冗余接口、不必要的元器件、较大的体积和额外功耗，也可能比重新设计一块专用电路板更经济。

但如果 AI 能够显著降低设计成本，情况就可能发生变化。

例如，一个专用设备原本需要一块通用开发板，再增加多个转接模块和外围电路。

未来，团队可能直接根据实际需求设计一块专用 PCB。

元器件更少、体积更小、功耗更低，规模化生产时还有机会降低成本。

这会增加定制硬件的吸引力。

但问题来了：

设计完成之后，谁来保证它真的能够生产？

Davide 举了两个很实际的例子。

第一个，设计评审完成之后，某个关键元器件突然缺货。

第二个，PCB 制造文件没有明确阻抗要求，导致工厂无法确认应该采用什么工艺，只能暂停生产，等待工程师澄清。

这些看起来很小的问题，可能让项目延期数周，甚至造成整批电路板无法正常工作。

这就是数字设计与物理制造之间的鸿沟。

AI 可以快速修改一份设计文件，但它不能仅凭设计文件保证现实中的供应链、制造工艺和交付结果。

Davide 因此提出了一个判断：设计能力会越来越商品化，而确保设计能够按照要求被制造出来，才是更复杂、更有价值的环节。

我认为这个判断有一定道理，但还需要补充一个条件。

制造并不是一个独立的工序。

真正重要的是设计、元器件采购、工艺能力、制造、质量检测和测试验证之间的协同。

如果这些环节无法形成有效闭环，设计效率再高，也不一定能转化为产品交付效率。

• • •

Davide 还提出了一个值得深入思考的判断。

当设计修改的成本从数周的工程工作，降低到向模型输入一段提示词所需要的时间，企业可能会制造更多不同版本的电路板，而且每个版本的生产批量更小。

这涉及制造业中的一个概念：High-mix manufacturing，也就是高混合度制造。

传统制造业通常更擅长大批量、标准化生产。

生产线经过调试之后，持续生产同一种产品，能够充分摊薄设备、工装和管理成本。

但 AI 降低设计成本之后，市场需求可能逐渐出现新的变化：

同一个团队可能需要为不同场景设计不同版本的硬件；一个产品可能频繁修改电路板；每次迭代只需要生产几十块甚至更少的样品。

过去，这种高混合、小批量的生产方式往往成本较高、效率较低。

如果 AI 真的让硬件设计变得足够便宜，那么制造环节就需要同步改变。

这不仅涉及 PCB 工厂的生产组织，还涉及元器件采购、库存管理、制造工艺匹配、生产排期和质量检测。

更值得关注的是，Davide 并没有把 AI 的作用局限在设计软件上。

他在后续访谈中提到，AI Agent 还可以帮助理解工厂设备的通信方式、学习如何对设备进行编程，将原本需要工程师花费很长时间开发的自动化流程缩短。

例如，过去为某台机器开发自动化程序，可能需要一个工程团队投入一年时间；借助 AI，这类工作在某些具体场景下可能缩短到几天。

这当然是企业创始人对自身业务实践的描述，不能直接推广到所有制造业，但它揭示了一个值得关注的方向：

AI 不仅能够降低产品设计成本，还可能降低制造流程本身的自动化改造成本。

当设计软件、工厂设备和生产管理系统逐渐连接起来，设计与制造之间的距离就有机会进一步缩短。

这可能比单纯提高 PCB 设计速度更有产业价值。

• • •

把这件事放到更大的产业背景中，会发现它还有一些值得关注的连锁反应。

例如机器人和数据中心。

机器人需要大量定制化的控制板、传感器接口、电源管理模块和通信模块。

数据中心则需要复杂的电源系统、网络设备、控制系统和各种专用硬件。

当 AI 模型能够更高效地完成硬件设计时，产品迭代速度可能进一步提高。

但如果制造周期没有同步缩短，设计效率提升就可能被制造环节抵消。

这有点像软件开发。

过去，一个软件功能从需求到代码实现可能需要数周。现在，AI 可以帮助开发人员在更短时间内生成大量代码。

但如果代码审查、测试、部署、运维和业务验收没有同步改进，那么代码生成速度提升，并不一定意味着最终交付速度也能同比提升。

硬件领域同样如此。

AI 可以降低某些环节的成本，却可能让其他环节成为新的瓶颈。

过去，硬件研发可能主要受制于专业设计人员的数量和设计周期。

未来，随着设计成本下降，制造能力、供应链弹性、质量控制和快速交付能力的重要性可能进一步上升。

当然，制造也不是唯一瓶颈。复杂产品仍然需要严格的系统级验证、安全性评估、可靠性测试和认证。不同产品的工程约束也完全不同。

所以，我更愿意把它理解为一次产业成本结构的变化，而不是简单地认为某个环节会被 AI 彻底解决。

技术进步不会让所有事情同时变得容易，而是不断改变各个环节的相对成本和稀缺程度。

• • •

看到这次实验，我还想起自己大学期间 2016 年参加全国大学生电子设计竞赛的经历。

当时做的是 E 题：脉冲信号参数测量仪。

那时候需要自己查资料、研究电路、处理 FPGA 逻辑、调试硬件。很多问题只能通过反复实验和请教老师来解决。

现在回头看，那个阶段的很多工作，如果放在今天，AI 已经能够提供非常多的帮助。

例如阅读芯片 Datasheet、分析电路方案、编写 HDL 代码、检查逻辑设计、辅助定位问题，甚至帮助制定测试计划。

它未必每次都正确，但能够让一个人更快进入陌生领域，也能够降低很多重复性的学习和试错成本。

我觉得这才是这次实验对普通人最有意义的启发。

以前，一个人想做一件跨学科的事情，往往需要先积累足够多的专业知识，找到合适的工具，再寻找其他领域的人协作。

现在，AI 正在逐渐降低这些门槛。

一个人可以借助 AI 阅读陌生领域的技术文档，可以让它编写自己不熟悉的程序，可以调用专业软件，甚至可以让它根据反馈重新规划整个方案。

当然，这不意味着专业知识不再重要。

相反，越是把复杂任务交给 AI，越需要有人能够识别错误、判断结果是否合理，并设计有效的验证方式。

AI 可以降低进入一个领域的门槛，但不会自动消除物理规律、工程约束和现实世界的复杂性。

• • •

我越来越觉得，AI 带来的变化不应该只用效率提升来衡量。

过去，一个人想完成一项复杂工程任务，首先要面对专业知识门槛，其次是工具门槛，再往后是跨专业协作和反复试错的成本。

这些因素共同限制了一个人的行动范围。

现在，AI 正在逐渐改变这个成本结构。

但这也带来一个新的问题：

当执行成本越来越低，我们究竟应该把时间花在哪里？

发现问题、定义目标、判断结果、建立验证机制，这些能力可能会变得更加重要。

当然，这也不是说它们永远属于人类。AI 本身也在持续获得更强的规划、推理和自我修正能力。

所以，我并不想简单地把未来描述成人类负责思考，AI 负责执行。

这种划分可能很快就会过时。

更值得关注的是，人和 AI 能否组成一个新的工作系统，让过去需要很多专业人员、专业工具和大量时间才能完成的事情，逐渐变成一个人也能够启动和推进的项目。

回到 Anthropic 这次实验。

我最感兴趣的不是 Claude 又设计出了三个电子设备，而是它在过程中表现出的那些能力：发现方案不可行时重新规划，发现工具效率低下时自己编写工具，发现局部设计影响其他模块时主动调整，并且始终考虑最终能否制造出来。

再结合 Diode 的产业观察，我们还能看到另一个变化：

当设计越来越容易，真正的竞争可能逐渐转向如何把设计可靠地变成现实。

AI 改变的或许不只是某个职业的工作方式，而是一个人能够独立完成多大规模、多少专业领域的事情。

而当越来越多的事情可以由一个人借助 AI 启动，整个社会的生产组织方式，又会发生怎样的变化？

这可能比 AI 又提高了多少分 Benchmark，更值得我们持续关注。

• • •

跳转微信打开