Anthropic 与工程服务公司 UST 合作，把 Claude 放进半导体、汽车、制造、嵌入式和物联网相关的工程环境。UST 还计划培训 2 万名工程师、架构师和顾问使用 Claude。

最值得关注的案例是芯片验证平台 iDEC。这个闭环流程会读取硬件设计，生成并执行回归测试，再把真实设备数据与数字孪生进行比较。UST 表示，现有流程已经能把部分验证周期缩短 50% 至 70%，Claude 将作为推理层进一步参与原理图理解、测试生成和故障判断。

物理 AI 为什么比代码生成难

软件错误通常可以回滚，硬件错误一旦进入流片或量产，代价会急剧上升。因此物理 AI 的核心不是生成速度，而是验证闭环：

  • 输入必须来自受控版本的原理图、pinout 和固件
  • 测试代码需要在隔离环境运行
  • 每个判断要关联设备数据和数字孪生状态
  • AI 发现异常后必须经过规则或工程师复核

模型在这里更像编排和推理层，而不是唯一的真相来源。

一个可复用的系统模式

这类系统可以拆成“读取设计—生成测试—执行—采集结果—比较预期—人工确认”六个阶段。每个阶段都有清晰输入输出，模型只在需要理解非结构化信息或生成候选方案时介入。

这种模式也适用于设备运维、汽车测试和工业质检。关键是把模型放在可观察、可暂停、可回放的工作流中，而不是允许它直接控制生产设备。

我的判断

物理 AI 的商业化很可能先发生在设计验证和故障分析，而不是完全自主的工厂。因为这些环节数据丰富、结果可验证，而且提前发现一个问题就能节省大量成本。对于开发者，真正的机会在模型与测试系统、数字孪生、时序数据和权限审计之间的连接层。