（来源：DeepTech深科技）
如果输入一段代码，就能制造出一台真正运转的微型机器，会发生什么？
10 月 7 日，美国初创公司 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，并推出首款产品 PrimeSwitch——一枚面向 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，他创办的这家公司希望利用 AI 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 Atomic Machines 希望建立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。
按照公司的设想，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，减少为每款新产品单独开发工艺的时间和成本。PrimeSwitch 是它推出的第一款产品，也是外界了解这套系统实际能力的一个窗口。
为什么微型机器难以批量制造？
如今，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，仍有很大区别。
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协同工作。即使所有零件都能够加工出来，尺寸偏差、材料特性或装配误差，仍可能影响最终性能。
图｜硅基微型泵实物（来源：Fraunhofer EMFT）
半导体制造已经能够在微米甚至更小的尺度上进行精密加工，但成熟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器件结合，已广泛应用于手机加速度计、陀螺仪和喷墨打印头等产品，但它的制造也存在特殊困难。
不同 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，研发团队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这一问题。德国博世公司的 MEMS 技术负责人指出，虽然 MEMS 制造的标准化程度近年来已有明显提高，但与传统半导体相比仍存在差距。当新器件需要实现更复杂的功能时，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。
这意味着，一款新设备即使已经完成数字设计，也未必能够直接投入生产。工程师还需要研究采用哪些材料、如何加工与装配，以及怎样控制误差。每增加一种新的结构或功能，都可能需要重新调整制造流程。
Atomic Machines 希望缩短这一过程。根据公司的介绍，Matter Compiler 能够根据数字设计加工多种材料，制造具有活动部件的三维微型设备，并在加工过程中测量和校正。它试图将过去分散在不同设备和工艺中的制造步骤，整合到一套可以重复使用的系统中。
如果这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。
首款产品为什么选择微型继电器？
而 Atomic Machines 选择 PrimeSwitch 作为首款产品，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机架功率密度提高，传统数据中心的供电架构正在面临新的压力。2026 年 8 月，英伟达发布技术文章，介绍面向下一代 AI 计算设施的 800V 直流供电方案。通过提高配电电压、减少部分电力转换环节，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，保护装置必须及时切断电流，防止设备受损或故障扩散。对于高压直流系统而言，由于电流没有交流电常见的周期性过零点，电弧更难自然熄灭，因此对开关速度和电弧处理提出了更高要求。
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，但动作时间通常在毫秒级。固态开关利用半导体器件实现快速响应，部分应用中可以达到微秒级，不过持续导通会产生损耗和热量，也不能单独提供机械触点所具有的物理隔离。
Atomic Machines 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，采用双稳态设计，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，就能完成机械分离。这使它有机会在保留机械触点优势的同时，将动作时间缩短到微秒级。
（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。它能否进入 AI 数据中心的实际供电系统，还需要通过可靠性、寿命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。
按照公司的介绍，这是一套将设计、制造、测量和验证结合起来的系统。它可以依据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、修正误差。AI 还可以利用实际实验结果，检验此前的模拟和设计方案。
传统制造流程中，设计和生产之间通常需要多次往返。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存在偏差，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，整个过程可能经历多轮试验。
Atomic Machines 希望让这些环节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偏离设计要求，就可以根据偏差调整后续加工参数。随着实验数据不断积累，系统也有机会改进对不同材料和结构的处理方式，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，未来开发者只需要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。
Atomic Machines 将这一目标称为 “Prompt-to-Product”，即从提示词直接走向实体产品。
不过，从已经公布的信息来看，这仍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，但尚未提供足够的实际案例，证明用户输入一段自然语言，就能在无需工程师介入的情况下完成整个过程。
此外，自动化设备按照预设程序执行精密加工，已经是现代制造业的常见能力。Matter Compiler 所描述的进一步变化，在于利用 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反复调试上投入的时间。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，因此难以量化 AI 带来的效率提升。
对于 Atomic Machines 来说，PrimeSwitch 能否真正进入数据中心，还需要经过长期可靠性验证。作为一款机械继电器，它必须在不同电压、电流和负载条件下稳定工作，触点磨损、接触电阻变化以及反复开断后的性能衰减，都可能影响使用寿命。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 只是它展示的第一款产品，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。Atomic Machines 还需要证明，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投入只是其中一部分，设备折旧、加工效率、检测成本和量产良率，最终都会决定这套制造模式能否在商业上成立。
信息来源：
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
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
