AI真的能製造機器了？一家初創公司花六年造出微型繼電器

如果輸入一段代碼，就能製造出一臺真正運轉的微型機器，會發生什麼？

10 月 7 日，美國初創公司 Atomic Machines 結束了長達六年的隱身研發，正式發佈名為 Matter Compiler（物質編譯器）的 AI 製造系統，並推出首款產品 PrimeSwitch——一枚面向 AI 數據中心供電系統的微型繼電器。公司同時宣佈，累計融資已達 2.5 億美元。

Atomic Machines 由 Jeff Holden 創立。他曾參與亞馬遜 Amazon Prime 業務的開發，後來擔任 Uber 首任首席產品官，參與推動自動駕駛等項目。如今，他創辦的這家公司希望利用 AI 和自動化技術，改變微型機器的製造方式。

所謂“物質編譯器”，可以借用軟件編譯器來理解。傳統編譯器將程序代碼轉化為計算機能夠執行的指令，而 Atomic Machines 希望建立一套類似的製造流程，讓數字設計經過材料加工、精密裝配和檢測，最終成為能夠實際工作的機器。

按照公司的設想，未來開發者可以使用同一套製造系統生產不同類型的微型設備，減少為每款新產品單獨開發工藝的時間和成本。PrimeSwitch 是它推出的第一款產品，也是外界瞭解這套系統實際能力的一個窗口。

為什麼微型機器難以批量製造？

如今，3D 打印已經能夠根據數字模型製造複雜的結構，但打印出一個零件，與製造出一臺能夠正常工作的機器，仍有很大區別。

以微型泵為例，它需要形成特定的流道和腔體，保證不同材料之間的密封性，並達到預期的工作效率。微型繼電器則需要活動觸點、導電結構和絕緣部分協同工作。即使所有零件都能夠加工出來，尺寸偏差、材料特性或裝配誤差，仍可能影響最終性能。

圖｜硅基微型泵實物（來源：Fraunhofer EMFT） 半導體制造已經能夠在微米甚至更小的尺度上進行精密加工，但成熟工藝主要圍繞集成電路展開。微機電系統（MEMS）將微型機械結構與電子器件結合，已廣泛應用於手機加速度計、陀螺儀和噴墨打印頭等產品，但它的製造也存在特殊困難。

不同 MEMS 器件對結構、材料和性能的要求差異很大，製造工藝難以像傳統集成電路那樣實現高度標準化。對於結構複雜、性能要求較高的新器件，研發團隊需要花費大量時間調整加工流程、工藝參數，並驗證產品的封裝和性能。

國際半導體產業協會（SEMI）曾在一篇行業訪談中討論過這一問題。德國博世公司的 MEMS 技術負責人指出，雖然 MEMS 製造的標準化程度近年來已有明顯提高，但與傳統半導體相比仍存在差距。當新器件需要實現更復雜的功能時，將設計推進至可規模化生產的階段，仍需要大量工藝開發工作。

這意味著，一款新設備即使已經完成數字設計，也未必能夠直接投入生產。工程師還需要研究採用哪些材料、如何加工與裝配，以及怎樣控制誤差。每增加一種新的結構或功能，都可能需要重新調整製造流程。

Atomic Machines 希望縮短這一過程。根據公司的介紹，Matter Compiler 能夠根據數字設計加工多種材料，製造具有活動部件的三維微型設備，並在加工過程中測量和校正。它試圖將過去分散在不同設備和工藝中的製造步驟，整合到一套可以重複使用的系統中。

如果這套方法能夠適用於不同類型的微型機器，開發者便有機會通過修改數字設計來調整產品，減少重複開發專用工藝的工作。

首款產品為什麼選擇微型繼電器？

而 Atomic Machines 選擇 PrimeSwitch 作為首款產品，與 AI 數據中心不斷增長的供電需求有關。

隨著 AI 服務器的計算能力和機架功率密度提高，傳統數據中心的供電架構正在面臨新的壓力。2026 年 8 月，英偉達發佈技術文章，介紹面向下一代 AI 計算設施的 800V 直流供電方案。通過提高配電電壓、減少部分電力轉換環節，數據中心有望提高供電效率，並支持更高密度的計算設備。

供電系統發生變化，也對保護設備提出了新的要求。

當線路發生短路等故障時，保護裝置必須及時切斷電流，防止設備受損或故障擴散。對於高壓直流系統而言，由於電流沒有交流電常見的週期性過零點，電弧更難自然熄滅，因此對開關速度和電弧處理提出了更高要求。

目前常用的電力開關主要有兩類。傳統機械繼電器和接觸器通過金屬觸點導電，導通損耗較低，也能形成物理隔離，但動作時間通常在毫秒級。固態開關利用半導體器件實現快速響應，部分應用中可以達到微秒級，不過持續導通會產生損耗和熱量，也不能單獨提供機械觸點所具有的物理隔離。

Atomic Machines 希望通過 PrimeSwitch 兼顧兩者的優勢。

圖｜PrimeSwitch（來源：Atomic Machines 官方產品頁面） 根據公司公佈的數據，PrimeSwitch PS-150 的額定持續電流為 150 安培，觸點開斷時間約 50 微秒，導通電阻為 200 微歐姆，並標稱具備 1,500 伏電氣隔離能力。

這枚繼電器的封裝直徑約 9.5 毫米，厚度約 3 毫米，採用雙穩態設計，可以在不持續供電的情況下保持開關狀態。公司稱，它的開斷速度約為傳統接觸器的 1,000 倍。

PrimeSwitch 的活動觸點質量較小，只需要移動很短的距離，就能完成機械分離。這使它有機會在保留機械觸點優勢的同時，將動作時間縮短到微秒級。

圖｜固態開關、機電開關與 PrimeSwitch PS-150 的性能對比（來源：Atomic Machines 官方產品頁面） 目前，PrimeSwitch 已經開始向早期客戶提供樣品，用於產品評估。它能否進入 AI 數據中心的實際供電系統，還需要通過可靠性、壽命以及不同負載條件下的測試。

從數字設計到實體機器，AI 能做多少？

相比 PrimeSwitch 這款具體產品，這套“物質編譯器”代表著 Atomic Machines 更長期的研發方向。

按照公司的介紹，這是一套將設計、製造、測量和驗證結合起來的系統。它可以依據數字設計規劃製造步驟、執行精密加工，並在加工過程中測量結果、修正誤差。AI 還可以利用實際實驗結果，檢驗此前的模擬和設計方案。

傳統制造流程中，設計和生產之間通常需要多次往返。工程師先設計產品，再根據現有設備制定工藝方案；如果生產結果與設計存在偏差，還需要分析原因、重新調整參數。有些問題只有在製造出樣品後才能發現，整個過程可能經歷多輪試驗。

Atomic Machines 希望讓這些環節之間的聯繫更加緊密。例如，當系統加工一個微型活動部件時，如果測量發現實際尺寸偏離設計要求，就可以根據偏差調整後續加工參數。隨著實驗數據不斷積累，系統也有機會改進對不同材料和結構的處理方式，減少重複試驗。

公司將這種方式描述為能夠從製造結果中持續學習的生產系統。按照其設想，未來開發者只需要描述設備的功能需求，AI 便可以協助完成結構設計、性能模擬和製造流程規劃，最終制造出可用的微型機器。

Atomic Machines 將這一目標稱為 “Prompt-to-Product”，即從提示詞直接走向實體產品。

不過，從已經公佈的信息來看，這仍是公司希望逐步實現的能力。其官網展示了從需求描述、設計模擬到製造的完整流程，但尚未提供足夠的實際案例，證明用戶輸入一段自然語言，就能在無需工程師介入的情況下完成整個過程。

此外，自動化設備按照預設程序執行精密加工，已經是現代製造業的常見能力。Matter Compiler 所描述的進一步變化，在於利用 AI 開展實驗、優化工藝，並根據實際測量結果調整製造方案。

如果這些能力能夠穩定運行，有望減少工程師在工藝開發和反覆調試上投入的時間。但目前公司尚未詳細公開相關算法、實驗規模以及 AI 參與制造決策的具體程度，因此難以量化 AI 帶來的效率提升。

對於 Atomic Machines 來說，PrimeSwitch 能否真正進入數據中心，還需要經過長期可靠性驗證。作為一款機械繼電器，它必須在不同電壓、電流和負載條件下穩定工作，觸點磨損、接觸電阻變化以及反覆開斷後的性能衰減，都可能影響使用壽命。尤其是在數據中心這樣的應用場景中，產品不僅需要快速響應故障，還要保證長期運行的穩定性。

更大的挑戰還在於，如何證明 Matter Compiler 是一套具有通用性的製造平臺。

目前，PrimeSwitch 只是它展示的第一款產品，而微型泵、電機、傳感器等設備在材料、結構和加工工藝上存在明顯差異。Atomic Machines 還需要證明，同一套系統能夠穩定生產不同類型的器件，並具備成本優勢。畢竟，減少專用設備和工藝開發投入只是其中一部分，設備折舊、加工效率、檢測成本和量產良率，最終都會決定這套製造模式能否在商業上成立。

信息來源：

1.https://x.com/jeffholden/status/2108283819560472987

2.https://www.businesswire.com/news/home/20261007902471/en/Atomic-Machines-Emerges-from-Stealth-with-%24250-Million-to-Launch-the-Matter-Compiler-an-AI-Native-Manufacturing-System-That-Builds-Micro-Machines-from-Code

3.https://www.atomicmachines.com/matter-compiler

4.https://www.atomicmachines.com/primeswitch

5.https://thenextweb.com/news/atomic-machines-250m-matter-compiler-micro-machines

6.https://blogs.nvidia.com/blog/800-vdc-power-architecture-ai-factory/

7.https://www.semi.org/en/blogs/technology-trends/mems-one-product-one-process

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成

參考來源：麻省理工科技評論 · 17090（轉載自 DeepTech深科技）

免責聲明：轉載僅供信息參考，版權歸原作者及原媒體所有。