超人的なハードウェア設計は容易な部分である

超人的なハードウェア設計は容易な部分である

［画像］

*Orchestra BioがOpenAIに買収されたことを発表できることを嬉しく思います。買収に関する詳細は、Jay RughaniとJorge Condeによる投稿をこちらでお読みください。OpenAIのヘルス分野での取り組みに関する一般的な情報については、こちらのポッドキャストをご覧くださいこちら。

［画像］

最初のFPVドローンを構築するのに8ヶ月かかりました。1月に部品を調達し、2月に受け取り、6月に購入したことを思い出し、7月に組み立ててドローンに火をつけ、8月に再組み立てして隣人の屋根に墜落させ、そしてようやく、妻の懇願により、FPVフライトシミュレーターをダウンロードしました。

超知能AIなら、もっとうまくできたはずです。

今日はまだ超人的とは程遠いですが、最先端のモデルはCADを生成し、カスタムPCBを設計し、COTS部品を調達し、それらの部品の組み立て方法を説明できるようになりました。そして、それらはますます良くなっています。CAD Arena、EE Bench、そして私自身のLuxoBenchのようなハードウェア設計ベンチマークは着実な改善を示しており、より一般的には、ハードウェア設計が常に最先端を超えることはないと言うのは、Bitter Lessonに賭けるのは狂気の沙汰でしょう。

超人的なハードウェアエンジニアが間もなく登場します、おそらく非常に近い将来です。しかし、それはどのような姿になるのでしょうか？超人的なハードウェアエンジニアは、一度にすべての人間を凌駕するのでしょうか、それとも特定の領域/分野のみでしょうか？そして、そのクロスオーバーの前、最中、後にハードウェアエンジニアリングはどのようなものになるのでしょうか？

これらの各質問に対する私の答えは、一つの単純な観察から始まります。デジタル世界と物理世界の間のインターフェースは損失が多いということです。これにより、ビットのデジタル世界から原子の物理世界へ変更を「書き込む」こと、また物理世界の測定値をコンピューターに「読み込む」ことが困難になります。この損失の多さが、将来の超人的なハードウェアエンジニアがいつ、どのように出現するかを形作り、モデルが一貫してエレクトロメカニカルな設計をワンショットで実行できるようになっても、まだ多くの作業が残ることを意味します。

書き込みアクセス：デジタル設計から組み立てられた原子へ

OpenAIがGPT-6 Astraをリリースしたとき、オンラインの世界は、その3D設計能力のデモンストレーションで沸き立ちました。Tom KrchaはAstraを使って蒸気機関車をモデリングし、Thomas Ricouardはフォトリアルな家のウォークスルーを作成し、Anshu Chimalaは3Dゲームを作成し、Sharif ShameemはサンフランシスコのPalace of Fine Artsを再現しました。

［画像］

これらのデモンストレーションを見て、ハードウェアエンジニアは、モデルがエンジニアリンググレードのCADも生成できるのではないかと考えるようになりました。Nim Cheema、Dessn AIの共同創設者は、AstraにDJコントローラーの作成を依頼しました。Roberto Nicksonは、最先端モデルに橋を設計、エンジニアリング、3Dプリントさせました。そして私はluxobench.comを立ち上げ、OpenAIのAstra、AnthropicのFable 5.1、SpaceXSIのGrok 4.6にインタラクティブなデスクトップランプの構築を手伝わせました。

私たちはすぐに、残念ながら、モデル単体ではまだ本格的なハードウェアエンジニアリングには準備ができていないことを発見しました。

実際のハードウェアを構築するには多くのレベルがあり、それぞれをクリアするには異なる、そしてしばしば完全に独立したスキルが必要です。

101レベルでは、製品をコンポーネントに分解し、利用可能な市販品（“COTS”）部品を特定し、それらの相互互換性を確保し、それらの間の機械的および電気的な接続を設計し、最終設計が構築可能であることを確認し、そしてオンラインストアから部品を実際に調達する必要があります。

このステップだけでも十分に難しく、私のようなアマチュアホビイストだけでなく、世界で最も洗練されたエンジニアリングチームの進歩を遅らせる可能性があります。Walter IsaacsonのElon Muskの伝記には、2006年にファルコン1のホットファイア試験がコンデンサのために遅延したという話が載っています。それは、太平洋の真ん中にある彼らの発射台から約6,000マイル離れた店にしか在庫がなかった、非常に小さな電気部品でした。COTS部品を必要な場所に、必要な時に届けること自体が非常に困難です。

［画像］

オメレック島、ファルコン1の最初の打ち上げ場所

しかし、201レベルになると、さらに難しくなります。ここではカスタム部品を作成する必要があり、これはデジタル設計ツールから物理マシンへの複雑な変換ステップをナビゲートすることを意味します。例えば、CNC加工を考えてみましょう。機械エンジニアがブラケットを設計した後、「印刷」ボタンを押すだけで部品が現れるわけではありません。代わりに、彼らは機械工と協力します。機械工はCADファイルをCAM（「コンピュータ支援製造」）ソフトウェアに変換し、それがCNCマシンを実際に駆動する命令を作成します。

［画像］

Hadrianの工場にあるCNCマシン

実際には、これは職人的なプロセスであり、マスター機械工が適切な素材、ワークホルダー、工具、および切削戦略を選択して、チタンのブロックを切り抜く際に工具をガイドする必要があります。これにより、製造プロセスにばらつきが生じ、ばらつきは変換エラーにつながります。

301レベルでは、それらの単純な部品を組み合わせて複雑なエレクトロメカニカルアセンブリを作成します。より多くの部品を組み合わせるにつれて、複雑さが増し、「公差が積み重なります」。つまり、各部品は個別に図面を満たしていても、累積的および相関的なエラーのためにアセンブリに適合しない可能性があります。また、それらの他の部品は、会社の他のチームの異なる人々によって製造されている可能性が高く、部品がうまくインターフェースでき、必要な時に、しかし早すぎず遅すぎず納品されるようにするために、要件、スケジュール、およびリスクを組織全体で伝達する必要があります。

401レベルでは、設計にCOTS部品とカスタム設計部品だけでなく、他の外部ベンダーからの入力または特に複雑なアセンブリが必要であることを認識します。ハードウェアの世界は垂直統合について話すのが好きですが、基本的に誰もがベンダーに依存しています。独自のチップファブや銅鉱山を建設することは、ほとんど意味がありません。垂直統合のチャンピオンであるSpaceXでさえ、591人の従業員が「サプライチェーン」または関連する役職に就いており、さらに128人を積極的に募集しています。[1]そして、カスタム部品の製造に外部ベンダーが関与すると、運を祈るしかありません！

［画像］

そして、最終的に501レベルでは、上記のすべてを大規模に行う必要があります。1つのものを構築することと100万個のものを構築することは、根本的に異なるタスクです。部品やプロセスのばらつきについて、はるかに多く心配する必要があります。機械や在庫などのために、はるかに多くの資金（はるかに前もって）が必要になります。製品を組み立て、統合し、テストする人々（または機械）を訓練する必要があります。そして、ベンダーの限界にすぐに達します。

101レベルから501レベルまでのこれらの「書き込み」問題は、すべて根本的に解決可能ですが、個別に解決する必要があります。後述するように、超人的AIは純粋な設計、つまり特定のジョブに対してプラトン的に理想的な部品を定義することには優れているかもしれませんが、「製造容易性設計（DFM）」、つまり要件を満たしつつ、構築/調達が容易で安価であるようなポイントデザインを見つけることには苦労するでしょう。前者は比較的解決可能なタスクであり、大部分は機械内に留めることができますが、後者は現実世界との大幅な相互作用を必要とするため、モデルが習得するにはより困難であることが証明されるはずです。

読み取りアクセス：現実世界の観察と測定

私の友人の一人は、毎週4500万羽の鶏を購入しています。しかし、同じサプライヤーから同じ仕様のものを購入し、同じプロセスを同じ機械で実行しようと努力しても、加工後の販売可能な食品（つまり、スーパーマーケットで購入できる鶏むね肉）の週ごとのばらつきは、歴史的に20％にも達していました。

その数値を年々改善するには、彼のサプライチェーンの各ステップの徹底的な測定と分析、多くの昔ながらのベンダーとの交渉、そしてその背後にある非常に洗練されたデータオペレーションが必要でした。記憶に残るケースでは、彼はサプライチェーンの奥深くに悪意のあるサプライヤーを見つけ、出荷前に鶏に水を注入していました。すべての受け入れ重量測定は基準を満たしていましたが、その水はもちろん肉ではなかったため、意図した量よりも少ない可食製品しか手に入りませんでした。

大規模にハードウェアを構築した人、またはサプライチェーンを管理したことがある人は皆、この話の自分なりのバージョンを持っています。現実世界の物理世界で何が起こっているのかを正確に知ることは、非常に困難です。

第一に、現実世界は不均一であり、常に変化しています。

［画像］

物理的な物体には欠陥があり、環境変数（例：温度）に基づいて特性が変化し、摩耗や損傷の影響を受けます。たとえ非常に調整されたプロセスや測定ツールでさえ、時間とともに逸脱します。実際には、これはサプライチェーンや製造ラインのような物理システムが常に壊れ、ばらつきを考慮して設計されなければならないことを意味します。そして、システムの入力と出力の測定に多額の投資をしない限り、何かが壊れたり逸脱したりしたときにのみ知ることができます。

第二に、現実世界のデータはスパースです。常にすべてのデータを取得できるわけではありません。これは、私がいくつかの衛星プログラムで働いてきた経験から痛感している事実です。私たちの熱チームは、衛星のほぼすべての場所にサーミスタを取り付けたかったのですが、ソフトウェア、構造、および生産チームも発言権を持っていました。

［画像］

Astranisの衛星

そして、何かがうまくいかなくなったとき、しばしば、問題を診断するには、電子基板の中間段階のアセンブリの写真、新しい場所での追加センサーなど、特定のデータを収集していれば、はるかに簡単だっただろうと気づきます。

第三に、現実世界のデータ収集はしばしば高価です。高性能ドメイン（例：F1レーシング）や高信頼性ドメイン（例：有人宇宙飛行）では、ハードウェア測定が非常に精密である必要があります。そして、精密さは、精密な測定にはさらに精密な機械が必要なため、ドルと時間でコストがかかります。例えば、加工部品の平面度、直角度、寸法などを測定するCMM（座標測定機）は安価ではなく、調達と操作にしばしば時間がかかります。

第四に、現実世界には固有の遅延があります。物理プロセスには時間がかかります。電子基板を熱サイクルで処理できる速度には限界があります。揮発性化学溶液や固体ロケット推進剤の混合は慎重に行う必要があります。機械的疲労試験は、結果が出るまでに時間がかかります。これらのプロセスは加速できますが、ある程度までしかできません。

［画像］

私がAstranisで最も気に入っていた機械、「Highly Accelerated Life Testing（HALT）」マシンは、俗に「シェイク・アンド・ベイク」と呼ばれていました。振動と急速な熱サイクルを組み合わせて、部品に可能な限り迅速にストレスをかけました。しかし、HALTキャンペーン全体を圧縮することは困難です。テストの間にボードの新しいイテレーションをどれだけ速く設計しても、サイクルごとに全体のテストを再度実行する必要があります。

そして第五に、物理世界に関する一部の情報は定性的であり、そのようなデータを収集することは、しばしば現実世界のハードウェア設計において最も圧縮不可能なステップです。ユーザーはあなたの製品を気に入っていますか？デバイスは手に持ちやすいですか？あなたのツールを使ってコンポーネントを構築するのは簡単ですか？定性的で定量化できないデータに対処することは、現実世界の構築のあらゆる部分であり、そのデータを測定してデジタル学習サイクルに戻すことは非常に困難です。

このようなデータ制限は、今日のAI能力開発のスパイク性の大きな要因となっています。テストの結果がより定量化可能で機械可読であるほど、モデルはより速く丘を登ることができます。上記の理由が、これまで最先端モデルを制限してきましたが、Bitter Lessonの止められない力を、これらの課題がどれだけ長く遅らせることができるかは、まだわかりません。

AGI世界におけるハードウェア開発

ハードウェアエンジニアリングは反復的です。設計、構築、テスト、そして反復を行い、このプロセスの各ループには時間がかかります。

設計ステップはデジタルであり、したがってモデルが理解しやすいです。人間のハードウェアエンジニアが部品やアセンブリを設計するためにコンピュータソフトウェアを使用するのと同じように、超人的AIも同じことができます。コンピュータ使用の成長する力と、同様のすべてデジタルタスクにおけるAIの成長する能力を考えると、AIモデルが近い将来、超人的なハードウェアデザイナーになると予想すべきです。

しかし、ハードウェアの設計は、ハードウェアエンジニアリングプロセスのほんの始まりにすぎません。 部品を設計したら、まだ構築、テスト、反復を行う必要があります。そして、後続の各ステップは、前のステップよりも多くの物理世界との相互作用を必要とします。したがって、超人的なハードウェアエンジニアになるには、超人的なハードウェア設計以上のものが必要であり、フロンティアは多くの異なる努力の線に沿って分割される可能性が高いです。

第一に、ハードウェア設計にはより良いシミュレーションツールが必要です。 すべてのエンジニアは、Navier、Inviscid、およびLanyonを応援しています。なぜなら、より良いシミュレーションツールがあれば、ハードウェアエンジニアはソフトウェア速度で反復できるようになるからです。エンジニアは、より良いシムツールがサイクロトロン、放射線源、熱真空チャンバー、風洞などのテスト施設への移動を節約できることを喜んでいます。経営陣は、これらの施設を社内に建設するために必要な設備投資を節約できることを喜んでいます。

ハードウェア企業にシミュレーションだけに賭けるよう説得するのは難しいかもしれませんが、モデルが実証的に改善されるにつれて、エンジニアはシムをますます信頼するようになるでしょう。シム自体も、計算単位あたりの速度と効率が向上しています。原子は永遠に反復ループに残る可能性が高いですが、より良いシムがあれば、原子の組み立ては実験的ではなく、確認的なものになります。

第二に、需要は「左シフト」すると予想されます。[1]つまり、原材料に近づくことです。モデルが超人的なハードウェア設計スキルをより広く普及させるにつれて、世界はSenra Systemsのワイヤーハーネス、Podium Automationの制御パネル、Hadrianの加工部品、およびCofactrの電子部品をより多く必要とするでしょう。世界はまた、Siftのテレメトリ、Instrumentalの検査、およびRevelのテストのようなより多くのソフトウェアライセンスを必要とするでしょう。そして、それに関連して、Mariana Mineralsの銅もより多く必要になるでしょう。

超人的な知性と新しいツールを武器に、より多くの企業が部品表のより多くの部分を内製化すると予想すべきです。例えば、DiodeがPCBで行ったことを考えてみましょう。

［画像］

DiodeのAIで設計・製造された回路基板

現在の形では、Diodeはプロの電気エンジニアがカスタムプリント基板をより速く、より効率的に開発するための方法です。しかし、誰もがプロの電気エンジニアと同じスキルを持ったらどうなるでしょうか？より幅広いユーザー層からの需要が大幅に増加すると予想すべきです。それらのユーザーは皆、設計を現実世界に翻訳する必要があり、それはサプライチェーンのナビゲート、設計が安価かつ正確に構築できることの保証、そしてそれ以上のことを意味します。

第三に、AIラボは「プロセス知識」を獲得する必要があります。 CNCマシンの音を聞くだけで操作がどのように進んでいるか判断できる熟練した機械工の伝説的な話や、TSMCの博士号取得者が半導体製造プロセスのすべて、研磨パッドに至るまで、何十年もかけてすべてを完璧にしてきたという話を聞くことがあります。

［画像］

TSMCのクリーンルーム

しかし、モデルがそのような「プロセス知識」を近似することを可能にするエンドツーエンドのデータは入手困難です。Eric Jangの素晴らしい記事「Smooth Exponentials for Robotics」では、2026年のロボット工学ラボは、おおよそ、数百万時間の自己中心的なデータ、数十万時間のUMIグリッパーデータ、数万時間の遠隔操作ロボットデータ、そして「高性能デモのための高品質でハードウェア固有のデモンストレーション」はわずか数時間しか使用してロボットをトレーニングしていないと推定しています。このファネルは驚くべきことではなく、超人的なクロスオーバー後もこれが続くと予想されます。

このデータ不足を克服する最善の答えは、もちろん、それを自分で取得するための創造的な方法を見つけることです。Periodic Labsはその素晴らしい例です。同社は最近、超伝導体、磁石、半導体材料などの物理実験をエンドツーエンドで実行するための自律型ラボを設置したと発表しました。これはAI対ハードウェアデータのプラトン的な理想形です。設計、作業指示、テスト実行、最終結果測定、そして反復がすべて1つのまとまったループで行われます。

［画像］

しかし、最良のテストセットアップでさえ、ある程度までしか役に立ちません。設計プロセスの中で最も圧縮不可能なステップ、つまり、真の超人的ハードウェアエンジニアでさえ迅速化に苦労するであろうステップは、ハードウェア製品のエンドユーザーからのフィードバックを収集することであると私は推測します。超人的ハードウェアエンジニアは、Apple Watchの100万個の新しいイテレーションを設計し、安価に製造できるかもしれません…しかし、顧客が実際に何を望んでいるのかをどのように知ることができるでしょうか？

超人的ハードウェアエンジニアは急速に来ている

最先端モデルはハードウェア設計を急速に解決し、フロンティアをハードウェアエンジニアリングの残りのステップ（DFM、テスト、反復）に移行させると予想されます。これらのステップは、現実世界の物理世界とのより大きな相互作用を必要とします。そのフロンティアを進歩させることは、まったく新しい一連の課題を解決することを意味します。デジタルと物理世界の間のインターフェースを改善すること、顧客の好みをより迅速に発見する方法を見つけること、そして現在マスター技術者のみが持つプロセス知識を近似できるデータパイプラインを構築することです。

人間とAIのハードウェアエンジニアリングのクロスオーバーは、上記のように不均一であることが証明されるかもしれません。しかし、一度それが実現すれば、その影響は計り知れないものとなるでしょう。人類は、デジタルAIツールを直接使用して、現実的で物理的で物質的な豊かさを実現できるようになるでしょう。あるいは、少なくとも、燃え上がらない趣味用ドローンを実現できるようになるでしょう。

［画像］

［画像: How to Win a Space War］

［画像: This Week in Charts: Agents Denied］

［画像］

このニュースレターは情報提供のみを目的としており、法的、ビジネス、投資、または税務上のアドバイスとして信頼されるべきではありません。さらに、このコンテンツは投資アドバイスではなく、いかなるa16zファンドの投資家または見込み投資家による使用を意図したものでもありません。このニュースレターは、他のウェブサイトへのリンクを含んだり、第三者の情報源から取得した他の情報を含んだりする場合があります。a16zは、そのような情報の現在のまたは永続的な正確性を独立して検証しておらず、いかなる表明も行いません。このコンテンツに第三者の広告が含まれる場合、a16zはその広告を審査しておらず、含まれる広告コンテンツまたは関連会社を推奨していません。言及、参照、または説明されている投資またはポートフォリオ会社は、a16zが管理するファンドへのすべての投資を代表するものではありません。投資の完全なリストについては、https://a16z.com/investment-list/をご覧ください。その他の重要な情報は、a16z.com/disclosuresで確認できます。以前にオプトインしたため、このニュースレターを受信しています。今後のニュースレターを希望しない場合は、すぐに配信停止できます。

No posts