

让AI真正进入工程研发现场。
究竟有多少家制造企业,需要一个真正懂研发的AI数字员工?
每个人对“数字员工”的理解都不同。有人说,它是一个能秒读千万份PDF规格书、帮你整理BOM表的检索工具;有人说,它是一个能在不同EDA软件里跨平台画图的超级大脑;还有人说,它就是一个更厉害的AI Copilot。虽然没有标准答案,但研发AI已然成为全球最硬核的赛道。
在制造业逢人必谈AI落地的今天,「甲子光年」想深究的问题,在造物潭这里有了新的解答。
“不是更会聊天,而是更接近真实研发。”在一次深度交流中,造物潭团队为我们分享研究产品最初的理念。
「甲子光年」了解到,制造业AI公司造物潭已完成数千万元天使轮融资。本轮由嘉铭浩春领投,国资战略引导基金及智能制造领域产业资本参与投资。融资资金将主要用于自研电子行业大模型的训练迭代、工程对象本体体系的持续建设,以及企业级产品的交付与市场拓展。
造物潭成立于2026年6月,创始人兼CEO文堃。其核心产品「小潭子」,试图让AI从工程师的助手,变成真正能接活的数字同事——一个AI负责统筹任务,其他AI分别承担方案、器件、电路、结构等工作,像一支真正的研发团队一样分工协作。
本轮领投方嘉铭浩春表示:“造物潭把资深工程师的经验变成可交付、可验收的研发数字员工,为制造业研发带来了真正可落地的确定性。我们看好团队[AI+工程]的独特优势,期待其成为制造业研发智能化的引领者。”
1.大模型能画图了,
为什么制造业还在等图纸?

2026年,大模型已经能根据自然语言生成产品渲染图、拆解技术方案、甚至写出完整的PRD文档。但硬件研发的瓶颈依然存在:从产品构想到可投产的工程设计,仍需数月时间和跨专业团队协作。
问题出在哪?AI会画示意图,但不会画工程图。
一张能直接投产的工程设计文件,背后是器件选型、原理图绘制、PCB布线、结构设计、EMC仿真、BOM整理、工程图输出等数十个环节,每个环节都有专业壁垒:电路工程师要考虑信号完整性和热设计,结构工程师要平衡外观、强度与成本,嵌入式工程师要确保驱动代码与硬件时序匹配。
更要命的是,这些环节之间的依赖关系大多在工程师的经验里。“改了这颗芯片的封装,PCB工程师那边的布线要重来”,“外壳加厚2mm,散热仿真要重做。”
通用大模型能理解自然语言,但不理解工程对象。
过去几十年,中国建立起全球领先的硬件制造体系。从元器件供应、PCB打样到整机生产,成熟的产业链让产品制造变得越来越高效。但在制造之前,将一个产品构想转化为可靠的工程设计,仍需电子、软件、结构等多专业工程师协作,经历方案设计、工程评审、样机试制和反复验证。
为什么是现在?大模型的推理与工具调用能力已跨过临界点。2026年11月,Anthropic与Diode Computers合作完成了三款电子设备的原型:从简短的产品需求出发,Claude完成了器件选型、电路与四层PCB设计、三维外壳及固件开发,最终由Diode制造出能够运行的原型。这证明了基础模型已具备完成完整硬件任务的可能性。
但从跑通原型到放进产线,中间仍隔着完整的工程验证。器件能不能买到、封装能不能兼容、图纸能不能过评审,这些问题通用模型回答不了。硬件研发是典型的执行密集型场景:一个完整的新品走向量产,横跨电子、结构、嵌软三大泳道,包含需求收集、器件选型、原理图、PCB Layout、打样、测试、安规认证等数十个严密节点,任何一个节点出现偏差,都会引发连锁的回滚。
「甲子光年」认为,中国建起了全球最强的制造体系,却在“想法到图纸”这段被AI时代再次卡住。制造业AI的真问题不在某一个环节,而在整体的流转效率。在AI越来越引发替代执行讨论的当下,这类执行密集型场景反而更可能成为突破口。
造物潭想做的,是让AI从“会画”变成“真懂”。Ai下一步要做的,不只是生成一张漂亮的示意图,而是输出一套能直接投产、经得起工程验证的完整设计方案。
2.三层递进:
从基础模型到会干活的工程队
理清环节之后,谁来干活?
造物潭的技术体系由三层构成,逐层递进。基础模型提供通用智能、不断抬高能力起点,行业模型将通用能力深入硬件研发的专业领域,数字员工则完成真实工程任务、把实践中产生的经验反馈回整个体系。
第一层是基础模型,为专业智能提供不断提高的能力起点。全球基础模型在复杂推理、任务规划和工具使用方面的进步,正在不断拓展AI能够承担的工程任务边界。起点越高,行业模型能深入的专业问题就越复杂,数字员工得以承担更大范围的研发工作。
第二层是自研电子行业大模型,通过专业知识与工程经验的积累,形成持续深化的工程判断能力。造物潭已积累数百万项专业工程数据与设计资产;与此同时,研发任务所产生的工程决策、设计修改及验证结果,通过工程对象本体体系与这些资产建立联系,使模型既理解专业设计知识,也掌握工程判断背后的依据。经过授权、筛选和评测的经验持续回流,已形成一条递归式进化路径:模型参与设计,结果接受验证,有效经验用于模型优化,增强后的模型再投入新的研发任务。
第三层是专业数字员工,在真实任务执行中不断积累和丰富工程技能。小潭子的数字员工依托行业模型开展工作,调用专业工具、处理工程对象并完成设计任务;经过验证的工作流程、问题处理方法和工具使用策略,已沉淀为可复用的专业技能,数字员工得以在后续项目中承担更复杂的设计工作。

【小潭子】模型体系框架示意图
「甲子光年」认为,这三层架构的关键在于“持续进化”,行业模型成长于专业理解与工程判断,数字员工成长于完成任务的方法与效率,两者通过真实工程实践相互促进。更多硬件项目持续进入这一体系,模型能力、专业经验与数字员工技能形成持续增强的循环。
具体到执行层面,造物潭把人类真实的研发组织架构复刻进了系统。团队将研发流程拆解为S0-S4五个阶段与电子、结构、嵌软三大泳道,梳理出由40个环节组成的端到端研发场景。硬件研发的复杂性往往不在单个环节本身,而在环节之间的联动:电路工程师知道改了这颗芯片的封装,PCB工程师那边的布线要重来,结构工程师知道外壳加厚2mm,散热仿真要重做。这些依赖关系大多藏在工程师的经验里,隐性、易漏、难传承。

【小潭子】从端到端场景示意图
造物潭做的,是把这些隐性依赖编码进工程对象本体。一旦某个环节需要修改,系统能自动界定影响范围。哪些任务要跟着调整、哪些验证要重新做。这种设计类似软件工程中的依赖管理,被复刻到了硬件研发里。
文堃说:“很多人问我们为什么要花这么大代价去梳理这40个环节。因为如果连该干什么都不清楚,AI再聪明也只是在瞎忙。我们要的不是一个会聊天的助手,而是一支真正懂规矩、能接活的工程队。”
在此基础上,小潭子拉起了一支“硅基研发团队”。当输入一句自然语言需求,超级智能体(Super-agent)就像一个项目主管,先停下来确认任务边界,再自主拆解目标,拉起一个包含方案工程师、器件工程师、结构工程师的虚拟项目组:在细节设计环节,器件工程师自动去数据库匹配参数;在打样与调试环节,调试工程师介入验证。这不是一个全能的AI在回答问题,而是一支团队在严格按照工厂规矩办事。
文堃将小潭子定义为Digital Worker(数字员工)。他认为,Chatbot强调输出端,问一句答一句;而Digital Worker强调输入端,用户给出研发目标,它自主寻找工具、调度数据,把活干完。“以前工程师是拿着工具干活,耗费精力;现在工程师是给数字员工下达指令,自己做最后的决断。”
3.从“能干活”到“敢用它干活”:
制造业AI的信任成本
技术能力是一回事,企业敢不敢用是另一回事。
造物潭团队在走访中发现,制造业老板对AI的态度极其矛盾:一方面,研发周期的压力让他们迫切需要提效工具;另一方面,硬件研发关乎企业命脉,一旦封装选错、图纸报错,承担几十万报废代价的依然是企业。研发图纸和BOM表是老板最看重的核心资产。
一位做电源模块的老板分享:“你们的东西听起来是好,但图纸有私密性,被偷了、被改了,我这厂就完了。这个险我不敢冒。”
数据泄密了怎么办?图纸被篡改了怎么办?这些顾虑不是杞人忧天,而是制造业最真实的信任门槛。
造物潭给出的第一层解法是私有化部署。系统在企业内网运行,数据不出域,操作全程留痕。“进入车间的AI,在数据安全上没有任何余地。”文堃强调。
解决了安全顾虑后,AI与人类的协作边界成了下一个核心问题。在这套体系里,造物潭给小潭子定下了克制的基调:它只负责接手工程执行的基础工作;面对跨学科超复杂创新和极端非标场景,它会自动停下,绝不强行装懂,而是把基础资料准备齐全,老老实实交给人类。
「甲子光年」认为,这种AI守本分干活,人类做最终决断的分工,源于造物潭对物理规则的敬畏。机器只做执行,不越界逞强;人类的创造力,才不会被基础劳动所消耗。
当信任建立起来,效率的提升是直接的。据造物潭方面提供的数据,在真实企业研发中,单次器件选型与BOM生成,人工耗时往往长达约60分钟,接入小潭子后压缩到约20秒;处理离散资料生成定制化工程图纸,人工需要约60分钟,小潭子1分钟内完成。
但造物潭要的不只是效率数字。从商业路径看,它并不打算走通用软件卖账号的标品路线,而是希望通过头部企业共创换回真实的业务反馈,再通过腰部客户复制放大收入,最后让长尾客户形成长期订阅。这种按结果交付的模式,让数字员工成为一支持续进化的研发力量。
目前,造物潭已在电子制造企业的研发场景中开展应用,围绕硬件设计、工程审查及研发资料处理等专业任务,通过数字员工帮助企业处理高频研发工作;在电源电子与工业控制等领域,正围绕具体产品的方案设计和工程评审开展探索。每一个真实项目,都在为系统积累新的工程经验。
如果只卖一套软件,造物潭能获得的是license收入;但如果进入企业研发现场、参与真实项目,它获得的将不只是订单,还有真实的工程决策、设计修改和验证结果。这才是造物潭想要滚动起来的数据飞轮:不是先闭门造出完美的系统,而是在真实场景中边用、边采集、边迭代,让数字员工从基础执行走向更复杂的研发任务。
4.造物潭期待的未来:
先问想创造什么,再问能不能做
下一步,造物潭计划面向开发者逐步开放小潭子,并探索连接区域性柔性制造资源,让AI生成的工程设计一站式走向打样与实物制造。
一次极端测试印证了这种可能性:一位完全没有硬件专业背景的软件工程师,借助小潭子,在数小时内完成了一款四足机器人原型的核心电子与结构设计,输出了包含BOM、原理图、PCB和三维结构等可编辑工程文件,模型调用成本仅约30元人民币。该设计已完成首轮实物试制,原型样机完成了上电运行与核心功能验证。
当硬件设计的门槛被大幅拉低,产品创造的主体或许会从专业团队扩展到更广泛的人群。一个爱好者可以实现自己的机器人想法,一家初创公司可以用更低成本试错产品方向,一位创客可以在车库里完成从构思到样机的全流程,但造物潭的野心不止于此。
文堃说:“今天,一家企业构思新产品时,往往需要先问:我们有没有能力把它做出来?造物潭期待的未来,是让更多企业能够先问:我们究竟想创造什么?”
「甲子光年」认为,这句话道出了制造业AI的终极命题:不是让工程师失业,而是让工程师把时间还给创造。
当基础执行交给数字员工,工程师才有精力去思考更本质的问题:这个产品解决了什么痛点?这个设计是不是最优解?这个方案能不能创造新的可能性?
先让AI把活干完,再谈创造。AI真正替工程师上班,或许真的得从让多岗位智能体跨软件实打实干活开始,这正是造物潭存在的最大意义。
(封面图来源:摄图网)
END.




