# 五大军工巨头，四家是它的客户：硬件测试为什么还靠 PowerPoint > Training Data No. 82 中文精读 - 原标题：Physics Gets a Vote: Nominal Cofounders on Hardware Development in an AI World - 发布日期：2026-03-10 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/082-physics-gets-a-vote-nominal-cofounders-on-hardware-developme-bPwU0G.html - 精读字数：约 5292 字（阅读约 12 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 美国排名前五的国防主承包商，有四家在用同一家初创公司的平台管理硬件测试数据。客户名单里还有 Anduril 和科尔维特赛车队，行业横跨航天、国防、机器人、自动驾驶。 这家公司叫 Nominal，刚完成新一轮融资。两位创始人 Cameron McCord 和 Jason Hoch 都是 MIT 毕业，Cameron 在 2018、2019 年前后加入过 Anduril 早期团队，亲手摸过那家公司造硬件的全流程。他们最近上了红杉资本的播客 Training Data，对谈的是红杉合伙人 Sonya Huang 和 Alfred Lin。 话题听起来很窄，硬件测试。但整集听下来，真正的论点很大：**软件行业过去二十年建好的那套基础设施，硬件行业到今天还没配上。**而 AI 要进入物理世界，第一道关卡恰好卡在这里。 ## 硬件又热了，底子还在 2003 年 Sonya 说她现在的日历上每周都排着好几家硬件公司，一整代在 Anduril、SpaceX、Tesla 受过训练的创始人重新被点燃了。她问 Cameron，这波热度从哪来。 Cameron 给了正反两个答案。正面的：人类折腾了二十年软件、把全世界 SaaS 化之后，正在跟自己的野心和解，我们真正想让它存在的东西，大都在物理世界里，大家又兴奋地造真东西了。SpaceX、Anduril、Tesla 还证明了另一件事，**肯在硬件开发的工具和基础设施上下重注，本身就是巨大的竞争优势。**反面的更直白：硬件难，砸资本、弯金属、调电子，每一样都难，门槛摆在那里，所以投资人也兴奋，护城河是真的。 但热度归热度，行业底子薄得惊人。Cameron 用 GitHub 打了个比方：纯软件公司最早在本地管代码版本，后来集中到公司内部，再后来这套东西产品化，风险投资涌进来，GitHub 诞生了。今天的 CI/CD、DevOps 工具，加上软件测试这个问题本身，早就被解决了。 硬件工程师没有这份待遇。Cameron 的原话是，几十万站在软件定义硬件、自主系统、机器人一线的工程师，至今没有等价物。 现状长这样：绝大多数硬件团队，测试数据默认存在本地，顶多放到网络存储，连云都不常用。工程师从中央硬盘把数据下载到自己笔记本，各跑各的 MATLAB、Python，各出各的结果。我是航电工程师，Jason 是制导导航控制工程师，你是热工程师，三个人各干各的，最后想办法把结论传回团队，方式常常是截图。 **PDF 和 PowerPoint 工程，至今还是很多硬件公司的最前沿。**Nominal 早期给自己定的目标很朴素：把整个行业从 2003 年拽到 2019、2020 年，先把像样的数据工程实践补上。Jason 补了一句，今天 Nominal 的产品要同时做对十到十一个很难的软件问题，才撑得起用户的日常工作。 行业里做得好的公司怎么干的？Jason 点名 SpaceX。SpaceX 从创立起就看不上市面上的测试数据分析软件，决定自建内部平台，理由是公司已经雇了地球上最聪明、最勤奋的一批工程师，就该让他们放开手脚。Jason 的判断很直接：这套内部工具是 SpaceX 后来能高速迭代的重要原因。 但全世界养得起这种自建团队的公司屈指可数。今年、明年会有上千家硬件公司成立，让每一家都重造一遍测试平台，不现实。Nominal 的出发点就在这。 传统军工巨头那边是另一种困境。Jason 聊过一位在传统主承包商干了三十年的工程师，专门维护某一套自家专有仿真技术，手艺确实深，但正在被 Anduril 这些新玩家快速冲击。一个硬件组织里，做仿真的、做原型的、管制造的三拨人三套系统，中间没有共同的数据平台，速度自然上不去。 ## 物理有投票权 这集标题来自 Cameron 的口头禅：physics gets a vote，物理有投票权。 他在 Anduril 那几年，正赶上「一切都在仿真里解决」的风潮，大家恨不得在设计周期最早期就把所有问题解决掉。钟摆摆过去，又摆回来。**仿真跑得再漂亮，真机一上，现实总会提意见。** 所以 Nominal 选了硬件测试当楔子，理由有三个。 第一，测试是软件定义硬件第一次触碰现实的地方，是软件冲击物理 AI 的矛尖。仿真输出和真实遥测、传感器日志合在一起、持续迭代，优势就在这个「合」字上，往后才会往仿真和设计环节延伸。 第二，商业上算账最快。平时优化测试，省下的几秒几分会累积成小时，这对急着把产品推向竞争市场的客户是真金白银。而每个做过大硬件项目的人都知道另一件事：总有一类藏在数据里查不出的问题，能让整个项目停摆，全公司陪着找。Nominal 帮客户把这类长尾风险提前挖出来。 第三，测试天然是迭代的，设自变量、观察、再来一次，最经典的科学方法，跟 Nominal 想驱动的迭代循环完全对齐。 Jason 还给软件背景的听众科普了硬件测试的量级。软件的单元测试简单确定，端到端测试再复杂，跟硬件一比都算轻量。一次飞行试验，背后是一台实体机器、几百号人、一个坐在驾驶舱里的人，试飞前还得先做安全预测试。这已经接近软件世界说的生产环境了。 顺带说一句他们的产品愿景：测试里沉淀下来的验证逻辑，应该就是产线下线质检用的同一套逻辑，还能下发到边缘设备上。Cameron 说，Nominal 核心产品会变成**所有约束物理系统性能的验证逻辑的编写中枢**，可以版本管理，可以部署到边缘。听着就是给硬件配了个 GitHub。 客户的组织结构也印证了这一点。以机械臂公司为例，Cameron 看到的通常是三支队伍三套技术栈：管制造装配的、做原型和模型研发的、盯外场机队运行的。Nominal 想做的是那条看不见的线，外场设备出了异常，回传给研发团队快速分诊，一路追到某个超差的物理部件。Jason 说用户最在乎的词是可追溯性：这个零件从哪来、经历过哪些测试。造飞机的公司不可能让每个子系统每次都测一遍，太贵了，追踪本身就是硬件工程的基本功。 ## AI 进来之前，先把数据搬进同一个房间 Alfred Lin 问了个尖锐的问题：你们这生意拆开看，收集数据、可视化、分析、迭代、出报告，听起来就是给智能体 AI 量身定做的？ Jason 的回答很实在：AI 确实能加速每一环，但前提是数据先在一个地方。一个天天用 AI 工具的人会自然地问：「过去 50 次测试里，有没有跟这次相关的？」**这个问题成立的前提，是那 50 次测试的数据真的存在同一个地方。**军工巨头恰恰卡在这一步很多年，有的已经懒得继续自建，开始愿意找外部合作方。 Cameron 跟首席工程师、CTO 们开会时经常聊到同一个事实：洞察被困在硬件系统里。数据采集系统、试车台、实验室测试、电源、仪器仪表，这些是硬件产品的命根子，但只有很小一部分数据最终进了中央仓库，被打好元数据、编目、可检索。他早年管这叫数字工程，现在大家的说法越来越接近物理 AI，但地基是同一块。 具体用法，节目里给了三个。 - 异常检测。一台机械臂做 120 秒的叠衣服测试，伺服、电机、物理性能随时可能出偏差，把采回来的数据全喂给模型训练，等于喂了一堆脏数据。Nominal 在后台自动标注哪一段遥测是可信的、在标定范围内，只把这部分拿去训练模型。 - 英语转代码。飞行测试在外场，工程师本人不在场，但他想保留某项数据检查。以前的门槛是要学一套专用的领域语言，现在用自然语言描述就行，写好的验证逻辑可以版本管理，还能部署到边缘。 - 控制室副驾驶。系统越来越复杂，一万个传感器、每个每秒一百万个数据点，人盯不过来。智能体守在旁边，发现这次的数据跟过去 50 次不一样，就提醒一句：这有点出格，值得查一下。 Jason 算过这笔账：问题当场抓到，30 分钟解决；没抓到，可能炸掉，最关键的测试战役全公司停摆两天。 更前沿的还在后头。Nominal 正跟美国空军和 DARPA 合作一个叫 CYPHER 的项目，全称 CYber-PHysical systems Executing in Real time。传统上，一架大飞机或武器系统的测试是一张巨大的确定性测试点矩阵，我的系统在某条件下必须落在某个区间，一个点一个点地划，经常划好几年。CYPHER 想干的事，是让 AI 智能体配上数字孪生，以快于实时的速度推荐下一个信息量最大的测试条件，把测试从挨个划格子变成沿着梯度曲线快速调方向，边测边更新物理信息代理模型。Cameron 说，系统本身越来越自主、续航越来越长，这套玩法才成为可能，而政府手里的试验场和基础设施是关键。 ## 从 50 人测一台，到 1 人管 50 台 Cameron 给了一组比例。过去，一台物理硬件产品的测试和验证，要 50 个人参与。现在这个比例大约变成了 1 比 1。他的目标：**1 个人用智能体工具，并行管 50 个系统。** 用户已经尝到甜头。Nominal 把更多数据推到更多人眼前，有人在第一时间注意到异常，30 分钟处理掉；要是没注意到，代价可能是炸机加全公司停摆两天。Jason 还开了个脑洞：硬件测试要不要来一套 Moneyball，用那些冷门统计指标，发现人眼看不见的问题。 另一个细节能看出时代变了。Jason 说，他们连测试现场操作员之间的对话录音都想收进平台。放在 AI 工具出现之前，这活儿的投入产出比不划算，现在当然要收。数据资产先攒着，过两年看能解锁什么。 那什么时候能「vibe code 一架飞机」？Jason 的答案是很远。他招软件工程师时爱这么说：我们花了二十几年把互联网建得挺好，但离用自然语言生成一架飞机还差很多步，中间卡的全是数据采集、清洗、标准化。他举了个生活化的例子：我现在在家还得自己装宜家家具，连「在家设计自己的宜家家具」都做不到，别提飞机了。 Sonya 追了一个类比：编程领域有验证智能体，你们是不是可以当每家公司设计智能体的验证智能体？Jason 说这正是他最兴奋的类比：**编程智能体进步飞快，根子在于代码可验证，学习闭环转得快。硬件想复制这条路，就得先把测试和验证基础设施建起来，相当于给硬件配上单元测试。** ## 反直觉：测试会先变多，再变少 按常理，AI 越强，实测应该越少。Cameron 的判断正好相反，这是全集最值得记住的论点：**我们正在进入一个硬件测试大幅增加的时期。**大家刚刚意识到，我们对物理系统在真实世界怎么运行，理解得有多浅，数据储备有多匮乏。公司越造越多硬件，接下来会是一场抢数据、训模型的竞赛。 等绕完这一圈，才会回到理想状态：AI 智能体接管设计、制造、测试、监控的每一步，预先仿真好一切，实测尽量只做一次。Cameron 估计离那还很远，中间这几年的路径倒是很清楚：真实世界测试数据和模型输出的融合需求会爆炸式增长。 Jason 的收尾类比最扎心。 > 如果 AGI 给你的孩子设计电子游戏，你可能不做严格测试就让孩子玩，大不了就是个游戏。可如果 AGI 给你的孩子做个实体玩具，你会反复确认它没有物理危险。物理世界永远不一样，因为那是我们活着的地方。 顺带一提 F-18 的例子。Cameron 说，任何飞行员都会告诉你 F-18 是一架低效的飞机，尾部鳍片的安装方式等等，飞机上挂了一堆多余的东西，这些低效来自当年测试流程的局限。测试流程最差的样子，就长这样。反过来，测试流程做到最好，最终产品能塞进更多灵活性和多功能。Alfred 当场追问：为什么不把 F-18 这些低效的原因喂给 AI，让它把没用的东西全剥掉？Cameron 说他见过一些胆子很大的人正在这么干。 国防部自己的态度也在变。Cameron 说这一届政府对 AI 明显前倾，放在几年前，标书里带 AI 字样甚至可能被当成减分项，因为 Nominal 这类任务关键应用容不得实验性组件。他们团队自己也用编码智能体，前端 React 组件用得很顺手，后端某些建议会让工程师笑出声：这要是合进去，客户就遭殃了。但现在协作式作战自主飞机这些项目在真正往前推，Nominal 跟 Anduril 等厂商都有紧密合作。 还有个彩蛋。Alfred 问他们会不会自己造硬件，Jason 直接说会。逻辑是硬件数据的供应链：从传感器源头，到处理分析，再到把报告交到能判断「这颗卫星能不能发射」的人手里，想管好这条链路，大概每一段都得碰。他们的原则是**先挣到采集数据的权利**：让用户每天少干一小时活，数据编目是顺便的事。Cameron 补了一句，这事比外界想的来得快。Sonya 顺口提到，红杉的合伙人 Sean 常念叨一句话：硬件是唯一的护城河。 ## 明天就能用上的三件事 这集对普通读者的价值，在于一套可以照抄的判断框架。 - 如果你在做硬件公司，先别急着谈 AI，做个自检：你上次测试的数据，现在能在 5 分钟内被另一位同事检索到吗？如果答案是靠翻聊天记录里的截图，你还在 2003 年。 - 把验证逻辑当代码管。哪些检查每次测试都要跑、哪些指标算「出格」，写下来、版本化，再复用到产线下线质检和边缘设备上。Nominal 的路线图就是让一套逻辑从实验室一路用到外场。 - 招软件工程师进硬件团队，但挑对问题。Jason 给 MIT 学生的话是：过去十年最聪明的工程师在给互联网添砖，未来十年，软件工程师的时间会不成比例地花在物理世界的这些问题上。 节目结尾，Sonya 祝他们造出硬件界的 GitHub。Cameron 回了一句行业黑话：all systems Nominal，所有系统正常。这是航空圈汇报状态的标准说法，也是公司名字的出处。一家把名字押在「一切正常」上的公司，做的却是让异常更早被看见的生意，挺妙。