如果输入一段代码，就能制造出一台真正运行的微型机器，会发生什么？

　　10月7日，美国顶级公司Atomic Machines结束了长达六年的隐身研发，正式发布名为Matter Compiler（物质编译器）的AI制造系统，并推出产品PrimeSwitch——一款针对AI数据中心供电系统的微型继电器。公司同时宣布，累计融资已达2.5亿美元。

　　Atomic Machines 由 Jeff Holden 创立。他曾参与亚马逊 Amazon Prime 业务的开发，后来担任 Uber 首任首席产品官，参与推动自动驾驶等项目。如今，他的这篇文章希望利用人工智能和自动化技术，改变微型机器的制造方式。

　　所谓“物质编译器”，可以借用软件编译器来理解。传统编译器将程序代码转化为计算机能够执行的指令，而原子机器则建立了一套类似的制造流程，让数字设计经过材料加工、精密装配和检测，最终成为能够实际工作的机器。

　　根据公司的设想，未来开发者可以使用同一套制造系统生产不同类型的微型设备，从而减少每款新产品单独开发工艺的时间和成本。PrimeSwitch 是其推出的第一款产品，也是幼儿了解叙利亚系统实际能力的一个窗口。

　　为什么微型机器无法批量制造？

　　，3D 打印已经能够根据数字模型制造复杂的结构，但打印出一个零件，与制造出一台能够正常工作的机器，现在有很大区别。

　　以微型泵为例，它需要形成特定的流道和腔体，保证不同材料之间的密封性，并达到预期的工作效率。微型继电器则需要活动触点、导电结构和绝缘部分的良好工作。即使所有零件都能够加工出来，尺寸偏差、材料特性或装配工件，仍可能影响最终性能。

　　半导体制造已经能够在微米甚至更小的精密上进行精密加工，但成熟的工艺主要围绕集成电路展开。微机电系统（MEMS）将微型机械结构与电子元件结合，广泛已用于测量手机位移计、陀螺仪和支架打印头等产品，但其制造也存在特殊困难。

　　不同的MEMS器件对结构、材料和性能的要求差异很大，制造工艺难以像传统集成电路那样实现高度标准化。对于结构复杂、性能要求较高的新器件，团队研发需要花费大量时间调整加工流程、工艺参数，并验证产品的封装和性能。

　　国际半导体产业协会（SEMI）曾在一篇行业访谈中讨论过问题。德国博世公司的MEMS技术负责人指出，虽然MEMS制造的标准化程度已渐趋明显，但与传统半导体相比仍存在差距。当新器件实现需要更复杂的功能时，将设计推进至可规模化生产的阶段，仍需要大量工艺开发工作。

　　图｜硅基微型泵原型（来源：Fraunhofer EMFT）

　　这意味着，一台新设备即使已经完成数字化设计，也无法直接投入生产。工程师还需要研究采用哪些材料、如何加工与装配，以及怎样的控制图纸。每增加一个新的结构或功能，都可能需要重新调整制造流程。

　　Atomic Machines希望整个过程。根据公司的介绍，Matter Compiler能够根据数字设计加工多种材料，制造活动部件的三维微型设备，并在加工过程中进行测量和校正。它试图将过去分散在不同设备和工艺中的制造步骤，整合到可以重复使用的系统中。

　　如果这一套方法能够适用于不同类型的微型机器，开发者便有机会通过修改数字设计来调整产品，减少重复开发专用工艺的工作。

　　为何选择微型继电器？

　　而Atomic Machines选择PrimeSwitch作为产品，与AI数据中心不断增长的供电需求有关。

　　随着AI服务器的计算能力和功率密度提高，传统数据中心的供电架构正在新的压力。2026年8月，英伟达发布技术文章，介绍下一代AI计算设施的800V直流供电方案。通过提高电压、减少部分功率转换间隔，数据中心有望提高供电效率，并支持更高密度的计算设备。

　　供电系统发生变化，也对保护设备提出了新的要求。

　　当线路发生短路等故障时，保护装置必须及时关断，防止设备损坏或故障电流爆发。对于高压直流系统而言，由于电流没有交流电频繁的周期性过零点，电弧更难自然出现因此，对开关速度和电弧处理提出了更高的要求。

　　目前常用的电力开关主要有两类。传统机械继电器和接触器通过金属触点导电，导通损耗较低，也能形成物理隔离，但动作时间通常在数十级。固态开关利用半导体实现器件快速响应，部分应用中达到微秒级，不过持续导通会产生损耗和损耗，也不能单独提供机械触点所具有的物理隔离。

　　原子机希望通过 PrimeSwitch 兼顾两者的优势。

　　图｜PrimeSwitch（来源：Atomic Machines 官方产品页面）

　　根据公司公布的数据，PrimeSwitch PS-150的额定持续电流为150安培，触点开断时间约50微秒，导通电阻为200微欧姆，并标称具备1,500伏电气隔离能力。

　　这枚继电器的封装直径约9.5毫米，厚度约3毫米，采用双双向设计，可以在不持续供电的情况下保持开关状态。公司称，它的开断速度约为传统接触器的1,000倍。

　　PrimeSwitch的活动触点质量较小，只需要移动很短的距离，就可以完成机械分离。这样就有机会在保留机械触点优势的同时，将动作时间持续到微秒级。

　　图｜SSD开关、机电开关与PrimeSwitch PS-150的性能对比（来源：Atomic Machines官方产品页面）

　　目前，PrimeSwitch已经开始向早期客户提供样品，用于产品评估。其能否进入AI数据中心的实际供电系统，还需要通过功耗、消耗以及不同负载条件下的测试。

　　从数字设计到实体机器，AI能做多少？

　　相比PrimeSwitch这四款具体产品，这套“物质编译器”代表着Atomic Machines更长期的研发方向。

　　根据公司的介绍，这是一套将设计、制造、测量和验证结合起来的系统。它可以借鉴数字设计规划制造步骤、执行精密加工，并在加工过程中测量结果、修正工件。AI还可以利用实际实验结果，检验相应的模拟和设计方案。

　　传统制造流程中，设计和生产之间通常需要多次轮换。工程师先设计产品，再根据现有设备制定工艺方案；如果生产结果与设计偏差，还需要分析原因、重新调整参数。有些问题只有在制造出样品后才能发现，整个过程可能存在经历多轮试验。

　　原子机器希望让这些阶段之间的联系更加紧密。例如，当系统加工一个微型活动部件时，如果测量发现实际尺寸相差较大设计要求，就可以根据偏差调整后续加工参数。随着实验数据的不断积累，系统也有机会改进对不同材料和结构处理的方式，减少重复试验。

　　公司将这种方式描述为能够从制造结果中持续学习的生产系统。按照其设想，未来开发者只需描述设备的功能需求，AI便可以协助完成结构设计、性能模拟和制造流程规划，最终制造出可用的微型机器。

　　原子机器将这个目标称为“Prompt-to-Product”，即从提示词直接走向实体产品。

　　从已经公布的信息来看，这仍然是公司希望逐步实现的能力。其官网展示了从需求描述、设计模拟到制造的完整流程，尚未提供足够的实际案例，但证明用户只要输入一段自然语言，就可以在缺少工程师介入的情况下完成整个过程。

　　另外，自动化设备按照预设的现代程序执行精密加工，已经是制造业的常见能力。Matter Compiler所描述的进一步变化，就是利用AI开展实验、优化工艺，并根据实际测量结果调整制造方案。

　　如果这些能力能够稳定运行，有望减少工程师在工艺开发和重新调试上投入的时间。但目前公司尚未详细公开相关算法、实验规模以及AI参与制造决策的具体程度，因此难以计算AI带来的效率提升。

　　对于原子机来说，PrimeSwitch能否进入真正的数据中心，还需要经过长期可靠性验证。作为一款机械继电器，它必须在不同的电压、电流和负载条件下稳定工作，触点负荷、接触电阻变化以及反复开断后的性能衰减，都可能影响后续。尤其是在数据中心这样的应用场景中，产品不仅需要快速响应故障，还要保证长期运行的稳定性。

　　更大的挑战还在于，如何证明Matter Compiler是一套具有通用性的制造平台。

　　目前，PrimeSwitch 只是展示了第一款产品，而微型泵、电机、传感器等设备在材料、结构和加工工艺上存在明显差异。原子机器还需要，同一套系统能够稳定生产不同类型的器件，并具备成本优势。毕竟，减少专用设备和工艺开发只是其中一部分，设备折旧、加工效率、检测成本和量产良率，最终都能够决定在商业上建立一套制造模式。