Supermens Hardwareontwerp is het makkelijke gedeelte

Het kostte me acht maanden om mijn eerste FPV-drone te bouwen. Ik schafte de onderdelen aan in januari, ontving ze in februari, herinnerde me in juni dat ik ze had gekocht, assembleerde ze en stak de drone in brand in juli, assembleerde hem opnieuw en vloog hem in augustus tegen het dak van mijn buurman. Pas daarna, op aandringen van mijn vrouw, downloadde ik een FPV-vluchtsimulator.

Een superintelligent AI-systeem had dit zeker beter kunnen doen.

Hoewel ze vandaag de dag nog lang niet supermenselijk zijn, kunnen de meest geavanceerde modellen nu CAD-ontwerpen genereren, aangepaste PCB's ontwerpen, standaard commerciële onderdelen (COTS) selecteren en beschrijven hoe deze onderdelen geassembleerd moeten worden. En ze worden alleen maar beter. Hardware-ontwerptests zoals CAD Arena, EE Bench en mijn eigen LuxoBench tonen gestage verbeteringen. In bredere zin zou je krankzinnig moeten zijn om in te zetten tegen the Bitter Lesson en te beweren dat hardware-ontwerp voor altijd buiten het bereik van de AI-frontier zal blijven.

Supermenselijke hardware-ingenieurs komen eraan, misschien zelfs zeer snel. Maar hoe zullen ze eruitzien? Zullen ze alle mensen in één klap overtreffen, of alleen in specifieke domeinen en disciplines? En hoe zal hardware-engineering eruitzien vóór, tijdens en na deze crossover?

Mijn antwoord op elk van deze vragen begint met één eenvoudige observatie: de interface tussen de digitale en fysieke wereld is verliesgevend (lossy). Dit maakt het moeilijk om wijzigingen vanuit de digitale wereld van bits te "schrijven" naar de fysieke wereld van atomen, en moeilijk om metingen van de fysieke wereld terug te "lezen" in een computer. Dit verlies zal bepalen wanneer en hoe toekomstige supermenselijke hardware-ingenieurs zullen verschijnen — en betekent dat zelfs wanneer modellen consistent in één keer elektromechanische ontwerpen kunnen maken, er nog veel werk te doen is.

Schrijftoegang: van digitale ontwerpen naar geassembleerde atomen

Toen OpenAI GPT-6 Astra uitbracht, ontplofte de online wereld met demonstraties van de 3D-ontwerpkennis ervan. Tom Krcha gebruikte Astra om een stoomtrein te modelleren, Thomas Ricouard maakte een walkthrough van een fotorealistisch huis, Anshu Chimala maakte een 3D-game en Sharif Shameem maakte het Palace of Fine Arts in San Francisco.

Deze demonstraties lieten hardware-ingenieurs zich afvragen of de modellen ook CAD-ontwerpen op technisch niveau konden genereren. Nim Cheema, mede-oprichter van Dessn AI, vroeg Astra om een DJ-controller te ontwerpen. Roberto Nickson liet de topmodellen bruggen ontwerpen, engineeren en 3D-printen. En ik lanceerde luxobench.com, waar ik OpenAI's Astra, Anthropic's Fable 5.1 en SpaceXSI's Grok 4.6 vroeg om me te helpen bij het bouwen van een interactieve bureaulamp.

We ontdekten al snel dat de modellen op zichzelf helaas nog niet klaar zijn voor professionele hardware-engineering. Er zijn namelijk veel niveaus bij het bouwen van echte hardware, en het doorlopen van elk niveau vereist verschillende, en vaak volledig onafhankelijke, vaardigheden.

Niveau 101 Je moet het product ontleden in componenten, beschikbare commerciële standaardonderdelen (COTS) identificeren, hun onderlinge compatibiliteit garanderen, de mechanische en elektrische verbindingen tussen hen ontwerpen, controleren of het uiteindelijke ontwerp bouwbaar is, en vervolgens de onderdelen daadwerkelijk inkopen bij webshops. Zelfs deze stap is moeilijk genoeg en kan niet alleen hobbyisten, maar ook de meest geavanceerde engineeringteams ter wereld tegenhouden. In de biografie van Elon Musk door Walter Isaacson wordt een verhaal verteld uit 2006, waarin een test van de Falcon 1 werd vertraagd vanwege een condensator — een klein elektrisch component dat slechts op voorraad was bij een winkel die ongeveer 6.000 mijl verwijderd was van hun lanceerplatform in de Stille Oceaan. Het krijgen van COTS-onderdelen waar je ze nodig hebt, wanneer je ze nodig hebt, is al een uitdaging op zich. (Afbeelding: Omelek Island, locatie van de eerste Falcon 1-lanceringen)

Niveau 201 Hier wordt het nog moeilijker: je moet nu aangepaste onderdelen maken, wat betekent dat je de complexe vertaalslag moet maken van digitale ontwerptools naar fysieke machines. Neem bijvoorbeeld CNC-frezen. Nadat een mechanisch ingenieur een beugel heeft ontworpen, kan hij niet simpelweg op "printen" drukken. In plaats daarvan werkt hij samen met een machinist, die het CAD-bestand vertaalt naar CAM-software (Computer-Aided Manufacturing), die op zijn beurt de instructies schrijft die de CNC-machine aansturen. (Afbeelding: Een CNC-machine in de fabriek van Hadrian) In de praktijk is dit een ambachtelijk proces waarbij een meester-machinist de juiste materiaalkeuze, opspanning, gereedschappen en snijstrategie moet kiezen. Dit veroorzaakt variabiliteit in het productieproces, en variabiliteit leidt tot fouten in de vertaling.

Niveau 301 Op dit niveau breng je eenvoudige onderdelen samen in een complexe elektromechanische assemblage. Naarmate je meer onderdelen toevoegt, neemt de complexiteit toe en "stapelen" de toleranties zich op. Dit betekent dat elk onderdeel individueel aan de tekening kan voldoen, maar alsnog niet in de assemblage past door samengestelde en gecorreleerde fouten. Bovendien worden deze onderdelen waarschijnlijk gebouwd door verschillende mensen in verschillende teams, waardoor vereisten, planningen en risico's organisatiebreed gecommuniceerd moeten worden.

Niveau 401 Je realiseert je dat je ontwerp niet alleen COTS-onderdelen en aangepaste onderdelen nodig heeft, maar ook input of bijzonder complexe assemblages van externe leveranciers. De hardwarewereld praat graag over verticale integratie, maar vrijwel iedereen is afhankelijk van leveranciers — het is bijna nooit zinvol om je eigen chipfabriek of kopermijn te bouwen. Zelfs SpaceX, de kampioen van verticale integratie, heeft 591 huidige werknemers met een titel gerelateerd aan "supply chain" en is actief op zoek naar nog eens 128 mensen. En zodra je externe leveranciers betrekt bij het bouwen van aangepaste onderdelen, begint de echte uitdaging.

Niveau 501 Ten slotte moet je al het bovenstaande uitvoeren op enorme schaal. Het is een fundamenteel andere taak om één exemplaar van iets te bouwen dan om er een miljoen te bouwen: je moet veel meer rekening houden met variabiliteit in onderdelen en processen, je hebt veel meer financiering nodig (veel verder vooruit) voor machines en voorraad, en je moet mensen trainen (of machines programmeren) die het product voor je assembleren, integreren en testen.

Al deze "schrijfproblemen", van niveau 101 tot 501, zijn fundamenteel oplosbaar, maar moeten individueel worden aangepakt. Supermenselijke AI kan geweldig zijn in puur ontwerp — het definiëren van het platonisch ideale onderdeel voor een specifieke taak — maar worstelen met "Design for Manufacturing" (DFM), oftewel het vinden van een ontwerp dat aan de eisen voldoet terwijl het gemakkelijk te bouwen, te procurementen en goedkoop blijft. Dat laatste vereist aanzienlijk meer interactie met de echte wereld en zou daarom moeilijker te beheersen moeten zijn voor de modellen.

Leestoegang: de echte wereld observeren en meten

Een van mijn vrienden koopt 45 miljoen kippen per week. Ondanks zijn inspanningen om dezelfde specificaties van dezelfde leveranciers te kopen en alles via hetzelfde proces met dezelfde machines te laten lopen, was de wekelijkse variantie in verkoopbare voedselproducten na verwerking (bijv. kipfilets in de supermarkt) historisch gezien tot wel 20%.

Het verbeteren van dit getal kostte hem een herculeaanse inspanning: uitgebreide metingen en analyses van elke stap in zijn toeleveringsketen, veel ouderwetse overreding van leveranciers en een zeer geavanceerde data-operatie. In één gedenkwaardig geval ontdekte hij een kwaadwillende leverancier diep in zijn keten die de kippen injecteerde met water voor verzending. Alle inkomende gewichtsmetingen waren correct, maar dat water was natuurlijk geen vlees, waardoor hij minder bruikbaar product overhield dan hij bedoelde te kopen.

Iedereen die hardware op schaal heeft gebouwd, of een toeleveringsketen heeft beheerd, heeft zijn eigen versie van dit verhaal. Het is uitzonderlijk moeilijk om precies te weten wat er gebeurt in de echte, fysieke wereld.

Ten eerste is de echte wereld niet uniform en constant in verandering. Fysieke objecten hebben defecten, veranderen hun eigenschappen op basis van omgevingsvariabelen (bijv. temperatuur) en zijn onderhevig aan slijtage. Zelfs zeer goed afgestelde processen en meetinstrumenten wijken na verloop van tijd af.

Ten tweede is data uit de echte wereld schaars. Je kunt niet alle data op elk moment verkrijgen. Dit is een feit waar ik me zeer bewust van ben vanuit mijn werk aan satellietprogramma's: ons thermische team had graag thermistors op bijna elke plek van de satelliet willen plaatsen, maar de software-, structuur- en productieteams hadden hier ook een stem in. (Afbeelding: Astranis-satellieten) Wanneer er iets misgaat, besef je vaak dat het diagnosticeren van het probleem veel gemakkelijker zou zijn geweest als je een obscuur stukje data had verzameld — zoals een foto van een printplaat in een tussenstadium van assemblage of een extra sensor op een nieuwe locatie.

Ten derde is data uit de echte wereld vaak duur om te verzamelen. Domeinen met hoge prestaties (bijv. F1-racen) en hoge betrouwbaarheid (bijv. bemande ruimtevluchten) vereisen dat hardwaremetingen extreem nauwkeurig zijn. Precisie brengt kosten met zich mee in dollars en tijd. CMM's (coordinate measuring machines) die vlakheid, perpendiculariteit en dimensies meten, zijn niet goedkoop en vaak pijnlijk traag in gebruik.

Ten vierde heeft de echte wereld inherente latentie. Fysieke processen kosten tijd — je kunt een printplaat maar zo snel thermisch cyclen; het mengen van vluchtige chemische oplossingen of vaste raketbrandstof moet met zorg gebeuren; en mechanische vermoeidheidstests kosten tijd. Hoewel deze processen versneld kunnen worden, is er een limiet. Mijn favoriete machine bij Astranis, de Highly Accelerated Life Testing (HALT)-machine, werd informeel de "shake and bake" genoemd — het combineerde vibratie met snelle thermische cycli. Maar een HALT-campagne als geheel is moeilijk te comprimeren: ongeacht hoe snel je nieuwe iteraties van de printplaat ontwerpt tussen de tests door, moet je de hele test per cyclus opnieuw uitvoeren.

En ten vijfde is sommige informatie over de fysieke wereld kwalitatief — en het verzamelen van dergelijke data is vaak de meest onsamendrukbare stap in hardware-ontwerp. Houden gebruikers van je product? Hoe comfortabel is het apparaat om vast te houden? Hoe gemakkelijk is het om een component te bouwen met jouw tool? Omgaan met kwalitatieve, niet-kwantificeerbare data is onderdeel van elke echte build, en het meten van die data om deze terug te brengen in een digitale leercyclus is uitzonderlijk moeilijk.

Deze databeperkingen zijn grote drijfveren voor de grilligheid van de AI-ontwikkeling van vandaag. Hoe kwantificeerbaarder en machine-leesbaarder de resultaten van een test zijn, hoe sneller de modellen kunnen groeien. De bovenstaande redenen hebben de huidige frontier-modellen beperkt — maar hoe lang deze uitdagingen de onstuitbare kracht van the Bitter Lesson kunnen tegenhouden, blijft te zien.

Hardware-ontwikkeling in een AGI-wereld

Hardware-engineering is iteratief: je ontwerpt, bouwt, test en itereert, en elke lus in dit proces kost tijd.

De ontwerpstap is digitaal en daarom zeer begrijpelijk voor een model. Net zoals menselijke hardware-ingenieurs software gebruiken om het onderdeel of de assemblage te ontwerpen, kan supermenselijke AI hetzelfde doen. Gezien de groeiende kracht van computer use en de capaciteiten van AI in vergelijkbare volledig digitale taken, mogen we verwachten dat AI-modellen in de nabije toekomst supermenselijke hardware-ontwerpers worden.

Maar het ontwerpen van hardware is slechts het begin. Zodra je het onderdeel hebt ontworpen, moet je het nog bouwen, testen en itereren — en elke volgende stap vereist meer interactie met de fysieke wereld dan de vorige. Supermenselijk worden in hardware-engineering vereist dus veel meer dan alleen supermenselijk ontwerp, en de frontier zal waarschijnlijk worden gesplitst in verschillende inspanningen.

1. Betere simulatietools Elke ingenieur hoopt op betere simulatietools, omdat deze hardware-ingenieurs in staat zouden stellen om te itereren op de snelheid van software. Ingenieurs zijn blij dat betere sims hen ritjes naar testfaciliteiten zoals cyclotrons, stralingsbronnen, thermische vacuümkamers en windtunnels kunnen besparen. Bestuurders zijn blij dat ze de kapitaaluitgaven voor het bouwen van dergelijke faciliteiten in-house kunnen besparen. Hoewel het moeilijk kan zijn om hardwarebedrijven te overtuigen alleen op simulatie te vertrouwen, zullen ingenieurs de sims meer gaan vertrouwen naarmate de modellen aantoonbaar beter worden. Atomen zullen waarschijnlijk altijd in de iteratielus blijven, maar met betere sims kan fysieke assemblage bevestigend worden in plaats van experimenteel.

2. Verschuiving van de vraag naar "links" We verwachten dat de vraag zal verschuiven naar de basis, oftewel dichter bij de grondstoffen. Naarmate supermenselijke hardware-ontwerpkennis breder wordt verspreid, zal de wereld meer kabelbomen, controlepanelen, gefreesde onderdelen en elektronische componenten nodig hebben. De wereld zal ook meer softwarelicenties nodig hebben voor telemetry, inspectie en testen. Met supermenselijke intelligentie en nieuwe tools zullen we ook zien dat meer bedrijven meer van hun bill of materials in-house brengen. Kijk bijvoorbeeld naar wat Diode heeft gedaan voor PCB's. In zijn huidige vorm is Diode een manier voor professionele elektrisch ingenieurs om custom printplaten sneller te ontwikkelen. Maar wat gebeurt er als iedereen dezelfde vaardigheden heeft als een professionele elektrisch ingenieur? Er zal veel meer vraag komen van een veel bredere groep gebruikers — die allemaal hun ontwerpen moeten vertalen naar de echte wereld. (Afbeelding: Een printplaat ontworpen en vervaardigd met AI van Diode)

3. "Proceskennis" voor AI-labs Je hoort legendarische verhalen over een machinist die aan het geluid van zijn CNC-machine kan horen hoe een bewerking verloopt, of hoe PhD's bij TSMC decennia hebben besteed aan het perfectioneren van elk detail in het halfgeleider-productieproces. (Afbeelding: Een cleanroom bij TSMC) Maar end-to-end data die modellen in staat stelt om dit soort "proceskennis" te benaderen, is schaars. In een artikel van Eric Jang, "Smooth Exponentials for Robotics", schat hij dat robotica-labs in 2026 hun robots trainen met miljoenen uren egocentrische data, honderdduizenden uren UMI-gripperdata, tienduizenden uren tele-operated robotdata, maar slechts enkele uren aan "hoogwaardige, hardware-specifieke demonstraties voor high-performance demo's".

De beste manier om dit datatekort te overwinnen is door creatieve manieren te vinden om het zelf te genereren. Periodic Labs is daar een goed voorbeeld van; zij hebben een autonoom lab opgezet om end-to-end fysieke experimenten uit te voeren op supergeleiders, magneten en halfgeleidermaterialen. Dit is het platonische ideaal van AI-voor-hardware data: ontwerp, werkinstructies, testuitvoering, resultaatmeting en iteratie in één coherente lus.

Zelfs de beste testopstelling kan echter maar tot een zekere grens gaan. Ik vermoed dat de meest onsamendrukbare stap van het ontwerpproces — de stap waar zelfs een echt supermenselijke hardware-ingenieur moeite mee zou hebben om te versnellen — het verzamelen van feedback van de eindgebruikers is. Een supermenselijke hardware-ingenieur zou een miljoen nieuwe iteraties van de Apple Watch kunnen ontwerpen en goedkoop kunnen laten produceren... maar hoe kan hij weten wat klanten daadwerkelijk willen?

Supermenselijke hardware-ingenieurs komen snel

Ik verwacht dat de frontier-modellen hardware-ontwerp snel zullen oplossen, waardoor de frontier verschuift naar de resterende stappen van hardware-engineering (DFM, testen, iteratie) die meer interactie met de fysieke wereld vereisen. Het vooruitbewegen van die frontier betekent het oplossen van een geheel nieuwe set uitdagingen: het verbeteren van de interface tussen de digitale en fysieke werelden, het vinden van manieren om sneller klantvoorkeuren te ontdekken en het bouwen van datapijplijnen die de proceskennis van meester-technici kunnen benaderen.

De crossover tussen menselijke en AI-hardware-engineering kan ongelijkmatig verlopen. Maar zodra dit is gebeurd, zal de impact enorm zijn: de mensheid zal in staat zijn om digitale AI-tools direct te gebruiken om echte, fysieke, materiële overvloed te creëren — of, in ieder geval, drones voor hobbyisten die niet in brand vliegen.