一周的 PCB 布线，一小时就能完成：Quilter 训练的是智能体，而非模仿者

Will Summerlin 在《Autopilot》节目的开场先祝贺 Sergiy Nesterenko 完成了由 Benchmark 领投的 1000 万美元融资，然后请他讲讲创业的起点。Nesterenko 大学毕业后的第一份工作在 SpaceX，负责猎鹰 9 号（Falcon 9）和猎鹰重型（Falcon Heavy）第二级的航电，工作环境是高辐射。用他自己的话说，这份工作的目标就是确保火箭上天后不会“死掉”。这意味着整天泡在电子设备里，也意味着身处硬件开发那种缓慢、实物化的循环，以及支撑硬件的全部其他硬件。

他至今几乎每天都会挂在嘴边的一条文化，是手头总有令人兴奋的事情可做。在 SpaceX，你一进门就知道公司真的是要去火星，每个决定都得朝这个方向指。招人因此变得更容易，上班也变得更有乐趣。大家努力把眼前的项目做好，为的是赢得下一个酷炫的项目。他一直想把那种传教士般的热情带进 Quilter。他说，那里的团队仍然带着很多这样的热情来上班。

Quilter 起初并不是做电路板的公司。2019 年，在另一种资本市场环境下，他认识了投资人 Michael Dearing（当时在 Harrison Metal），并开始讨论公司究竟可以做什么。最初的论点是面向制造业的低成本传感器。几个月后，他认为这个方向已经太晚。接着是对这些传感器的分析，然后是电路板的可靠性分析。最终留下来的转向几乎是一句同义反复：既然可以从一开始就把板子设计正确，何必事后再去分析？前后差不多摸索了一年，公司才最终落定在做电路板上。

被要求用五年级的水平解释电路板时，Nesterenko 拿出了几个例子。印刷电路板（PCB）是一块由玻璃纤维和铜制成的硬板，用来连接芯片。芯片负责计算、存储和供电，电路板则是一块被动的“胶水”，让它们彼此通信。打开一台电脑、一台电视、一个灯泡，或是炉灶的控制面板，里面都有一块。几乎每种电子产品都有自己专门的板子。设计一款新芯片要花上数百万美元，所以芯片会被反复使用。电路板则恰恰相反：你拿现成的芯片，用新的方式把它们粘在一起，就做出了一款新产品。iPhone 的板子不是安卓机的板子，笔记本里的那块也不是。难度取决于两件事：组合密度，即有多少零件、以多高的密度挤在一起；以及物理特性，即高速信号和大功率发热。英伟达的显卡和一只闹钟，难度简直天差地别。

他把设计流程类比为软件，因为写过代码的人比布过线的人多得多。首先你要画出原理图，这是一个便于人阅读的框图，描述输入、输出和功能，更像在写 Python。然后把原理图转化为布线图，也就是告诉工厂如何排布铜箔、玻璃纤维、焊料和元件的蓝图，更接近编译。接着把蓝图发出去，拿到实物板子，发现自己哪里出了错，然后从头再来。布线的时间，从几个零件的几小时，到 Starlink 天线或 iPhone 主板的两三个月不等。讽刺的是，制造往往是快的部分。花钱加急，原型可以在 24 小时内送到你的桌上，从中国寄来也只需几天。耗时的其实是人工这一步“编译”。

基本的可制造性已经有人解决了。常见工具里的设计规则检查（DRC）运行很快：没有东西相撞，每条网络都与原理图一致，铜箔之间的间距足够远，不会在蚀刻时连在一起。难的是 DRC 看不见的物理问题。串扰是他举的例子。两条从不接触的走线，仍然可能耦合能量，因为信号本质上是电磁波。极端情况下，落在受害线上的能量比落在目标线上的还多，板子就根本无法工作。一名设计师可能面对成百上千种这类潜在的缺陷。人们靠经验法则和一些针对性的仿真来应对，没有一键通过的办法。他说，实际情况是，第一次几乎从来都不会成功。辐射太强的设计，在美国也会无法通过 FCC 测试，因而无法销售。

原则是让布线变得像编译器取代手写机器码那样：点一下按钮，它就能运行。说起来容易，做起来很难。就今天的范围而言，设计师先完成原理图，然后打开一个电路板文件，确定外形、连接器、按钮和屏幕这些硬性的物理约束，其余部分留空，上传之后，Quilter 会把它推进到制造商能够生产的状态。如果今天把一块电脑主板或英伟达显卡丢给它，你得不到好结果，甚至很可能无法完成。即使是物理上并不复杂的“简单”板子，人工也可能要花上一两周，所以消除这种延迟本身就已经有市场。更长远的抱负，是做出比人类设计得还要好的电路板。

PCB 布线本身就是一门职业。他估计，美国的年薪中位数大约在 10 万到 11 万美元之间，但干这件事的人不只是这些专家。几乎所有设计电子产品的人，最终都会布线；专业人员则主要负责复杂、关乎任务成败的工作。SpaceX 有几十名布线人员，足以应付飞行计算机和高强度无线电设备。在他那样的岗位上，比如辐射测试，你只能自己做设计，因为中央团队无法支持你，而这很容易占去你一半的时间。每台飞行计算机背后，都堆着数十或数百块早期原型，外加用于测试内存芯片、电源芯片和配套设备的夹具。他估计，这项工作每年耗费的人力价值在 200 亿到 500 亿美元之间，而供给严重不足。在他看来，年轻工程师更多选择软件、AI 和机器人，投身电气工程和高强度电路板设计的人越来越少。即使是只有五到十人的物联网公司，也仍然需要有人负责电子部分，不管是自己布线，还是找外部人员来做。

硬件公司关心什么，取决于它是谁、在做什么。对于早期原型，速度压倒一切：尽快让板子到手。对于苹果来说，设计 iPhone 主板时，尺寸和性能排在最前面，成本也在其中，但未必是要压榨得最狠的那一项。在他最简单的检验标准里，好的电路板应当忠实还原原理图。设计糟糕的板子，则会让芯片和内存跑不到它们本可以达到的速度。把一切放慢，它就能工作；把通信速率拉高，它就失效。你不想被玻璃纤维和铜箔拖住后腿。在从“与普通设计师相当”到“超过最好的设计师”的进程中，他没有回避现状。Quilter 在物理特性和密度上，还不如普通设计师。它真正明显更好的地方只有时间：在物理特性不是限制因素的板子上，Quilter 一小时，人则要一周。他认为，五年之内在物理特性上追上并超过大多数人类，是可以实现的。

如果这个系统有朝一日在物理特性上超过人类，最先的红利是成本和尺寸。一名设计师要花两三个月布线，最怕的是在快结束时发现设计无法闭合。调整板子尺寸或增加层数，又可能再拖一个月，这是无法接受的。所以人们会做保守的假设：板子比需要的略大，多加层，走线更粗，多做一些覆铜。结果就是板子更大、制造良率更低、账单更高。一台在仿真中不怕布线失败的机器，就可以尝试更激进的排布，把这些浪费去掉。

这套技术栈不是“用于电路板的 GPT-4”。他想要的类比是 DeepMind 和 AlphaGo。强化学习意味着一个游戏、一个玩这个游戏的智能体，以及一个分数。DeepMind 的游戏是围棋。Quilter 的游戏是电路板设计，分数是物理特性与可制造性：它有多便宜，真的能工作吗？这种设定的一个好处是，你不需要一个由人类电路板组成的语料库。很多人都试过显而易见的替代方案：给神经网络看大量人类布线，让它去复现。这条路有两道堵点。没有上百万份优秀设计的 GitHub，而最好的设计都锁在英伟达、苹果和 SpaceX 内部。更重要的是，向人类样本学习，很可能会在大致人类的水平上见顶。DeepMind 最初用人类围棋对局训练时，就是这样：让网络挑出最像人类的一步，最终达到了大师级水平，却没能成为世界冠军。真正取胜的策略，来自网络去尝试新东西、观察结果，并把它们记住。

Summerlin 指出，在人类已经“下过”的电路板之外，还有大片未被探索的解空间。Nesterenko 同意，超越人类的布线正是来自那里。后面谈话里的同一逻辑，也解释了他为什么想让板子一次就做对。原则上，一块板子能不能工作是可以计算的：把制造过程、麦克斯韦方程组和热力学定律都纳入进来。这需要大量算力和建模，但做得到，也值得去做。在软件里，你在代码里撒几条打印语句，再跑一遍。在电路板上，找出自己哪里做错了，可能要花上几周甚至几个月，有些板子在问题始终没有查清的情况下就已经量产出货。

这门生意的复利效应，不只是“更多专有数据”。在单个客户内部，电路板会越来越像。出于供应链和飞行认证方面的原因，SpaceX 要求工程师只能使用一个经过筛选的小型元件库，因此新板子会优先用已经用过的元件，而不是去挑市场上的十种替代品。即使是个人设计师，也会去用工具箱里现成的芯片，就像程序员会去用熟悉的软件包一样。这为一些按客户划分的小型网络打开了大门：它们留在客户的数据之内，并针对客户真正会用到的元件获得专门的精度。Quilter 还没有这样做，但他想过。

另一个规模化的循环来自制造商。今天你往往得先选定代工厂，再按它的规则来设计。在软件里，你先写代码，最后才选编译目标。随着 Quilter 接入更多工厂，它就能为这些工厂带来更多设计，帮它们提高利润、降低成本，并让客户在无需提前绑定的情况下直接提交设计。按数量和独特设计的数目来看，中国仍然是做电路板最多的地方。人们仍在美国进行代工，理由有两个，都很现实。一是监管：由于 ITAR，SpaceX 不能把设计送到中国。二是延迟：美国的工厂当天就能造出板子并开车送过来，而中国则受限于运输。他说，中国最大的代工厂每天大约要处理 8000 种独特设计。简单的、走线粗的板子已经相对商品化。真正的差异体现在高速材料、公差、良率，以及快速打样与大批量生产之间的取舍。

规模定律（scaling law）在这里和语言模型不太一样。更大的模型和更多的算力有帮助，但它们并不是唯一的瓶颈。强化学习有三个部分：游戏、智能体和分数。一个庞大的智能体如果遇上评估很慢的游戏，或者分数与真实情况对不上，那也毫无用处。他们在这三者上都有投入，并且避开那些需要一百万块 GPU 跑上三个月的问题，那类问题既昂贵，迭代又慢。他最喜欢的演示，是一个机器人在一块 GPU 上用五分钟在仿真中学会走路。借助谷歌的 JAX 库，物理引擎本身运行在 GPU 上，因此几分钟内就能评估约 5000 万个回合，每个回合约一千步。他认为，快速迭代胜过寄希望于某个巨型模型恰好就是对的那一个。

在 PCB 之外，最近的近亲是小芯片（chiplet）设计和芯片设计，它们仍属于电子领域。他也希望看到同一方法用于机械领域：如何排布散热片的鳍片、如何设计风扇，甚至设计一个湍流更少的机翼。这些领域他并不精通。Summerlin 点出的规律是：外部约束清晰（即物理定律），内部又有广阔的探索空间，这样的设计优化。Nesterenko 表示同意。只要你能定义一个分数，这种方法就有机会。

市场推进（go-to-market）受限于软件究竟能做到什么。等五年后它能做电脑主板了，你走进电气工程负责人的办公室，就能立刻展示数百万美元的价值。现在它还做不到。目前行得通的细分领域，是他称之为“电气工程邻近岗位”的人：他们需要一块板子才能完成工作，但工作本身并不是做板子。他在 SpaceX 的职位正是这样。固件工程师、机器人工程师、自动化工程师和测试工程师都会找上门来。他们设计的是苹果主板旁边的那些东西。客户的兴趣与其说取决于行业（航空航天、消费品还是芯片制造商），不如说取决于你在公司里接触的是谁。这些公司都既有实习生就能搞定的板子，也有几乎不可能完成的板子。目前需求最迫切的公司，是那些对明天而非下周就能拿到板子有关键需求的公司。

定价的目标，是去触碰一笔已经存在的预算。今天如果外包布线，外包布线公司会看引脚或连接数，每个引脚按国家和难度收取 1 到 10 美元不等的费用。Quilter 计划先以这个区间较低的一端切入，随着仿真能力和价值提升再逐步上调。这款产品目前在 quilter.ai 开放公测。电气工程师可以上传设计，亲自试用。他有一个略显雄心勃勃的内部目标：年底前，用一台 Quilter 设计的电脑完成视频通话，形态很可能更像树莓派（Raspberry Pi）那样的小设备，离完整的笔记本还有距离。如果他们做到了，他愿意送 Summerlin 一台。

招人比通用的 AI 人才市场看上去要容易。强化学习是一种少见的工业应用，可能比监督学习少见 10 到 100 倍，因此，强化学习专家会被真正用上他们工作的地方吸引。另一个吸引力来自实体感。这样的成果就是能握在手里的实物，聊天满意度分数往上挪一点，就没有这种分量。对于人才被封闭实验室吸走、研究也随之消失的担忧，他并不认同。历史上，即便公司把人才和资金都吸走，开源替代品和活跃的生态依然会出现。即便最好的强化学习工程师都去了 DeepMind，DeepMind 把一切都封闭起来，人们依然会研究这个领域，并做开源项目，以便争取到那里的工作机会。

对于未来五年开源与闭源基础模型的走向，他不愿下一个很强的判断。开源一直很出色，也被低估了：Windows 依然占据家庭桌面，尽管微软做了很多努力，Linux 仍然在运行生产服务器。神经网络可能不一样。当大量小贡献汇聚成一款出色产品时，开源最为闪光，比如 1 万人编写 VS Code 扩展。但一千个人每人每周花一小时，能否训练出更好的神经网络，目前并不清楚。这是一个论据，说明开源未必还像过去那样有竞争力。他说，这并不是一个预测。

当被问到如果能回到第一天，他会对自己说什么时，他并不假装自己能跳过那一年的荒野期。真正有用的投入，是认清创业有多艰难、多孤独、多残酷。身边要有优秀的人：如果有联合创始人，就选好的；身边要有在做难事的朋友；对投资人，要先当作关系来评估，再谈条款，因为大多数创始人最终都撑不下去，活下来本身就是工作。另一半是照顾好自己。总的来说，创业带来的压力和自我批评，比在 SpaceX 那样的地方工作要多，哪怕发射日比创始人的普通一天还要难熬。作息、陪家人、锻炼、饮食和睡眠，这些道理人人都懂，但工作一旦吞没你，就很容易忘掉。他选择 Benchmark，是通过一位现有投资人的引荐，并对合伙人 Eric Vishria 做了尽职调查。从种子轮一路看着公司走到上市的经验，颇具吸引力。最终拍板的，是推荐人的反馈：他从未听过这么正面的创始人反馈电话，无一例外。Summerlin 承认，在上一家创业公司时，他六个月没有沙发坐，直到女朋友让他去买一张。