Nyt AWS AI-hardwarefirma lærer AI at tænke i fysik

Med boomet i AI har al investorernes opmærksomhed på computerhardware været fokuseret på ultra-avanserede chips, GPU’er og hukommelse.

Men for at forbinde disse komponenter i maskiner og forbrugerprodukter, fra vaskemaskiner til biler til industrielle robotter, er der brug for trykte kredsløbskort (PCB’er). De er de flade kort, der fysisk understøtter og elektrisk forbinder elektroniske komponenter.

Kilde: Quilter AI

Produktionen af PCB’er er ikke triviel, men det er en velforstået og opskaleret moden forsyningskæde, hvor selve fremstillingen i stigende grad er fuldt automatiseret. Design af nye PCB’er er derimod alt andet end enkelt og er faktisk et af de sidste manuelle trin i elektronikudviklingen.

En specialist tegner planen i hånden og placerer hundredvis eller tusinder af komponenter samt ruter kobbertrådene, der forbinder dem på tværs af flere lag. For et kort med moderat kompleksitet tager layoutet fire til otte uger. Avancerede systemer som bil-elektronik eller computere tager tre måneder eller længere.

Dette kan ændre sig meget hurtigt, da en ny startup ved navn Quilter AI nu bruger AI til at automatisere denne proces. Den kan omdanne en uge- eller månedlang proces til blot nogle få dage, hvilket sparer mange arbejdstimer for PCB-designerne.

Hvorfor er PCB-design så svært?

PCB’er er meget komplekse 3D-fysiske systemer, der skal balancere flere begrænsninger for et godt design:

• Rum/mekaniske begrænsninger: komponenterne skal ikke kun arrangeres sammen, men også passe ind i et meget trangt rum.
• Elektrisk støj: strømmen skaber potentiel strømspild, utilsigtet signaloverførsel og elektromagnetisk interferens (EMI), hvilket kræver forudseenhed for uønskede elektriske effekter.
• Termisk styring:  Højtydende komponenter bør ikke skabe for mange varmepunkter; en kobberkøleplade skal tilføjes for at aflede varmen, og luftstrøm fra blæsere må ikke hindres.
• Fremstillingsbegrænsninger: begrænsninger i hvordan fremstillingskemikalier og værktøjer fungerer betyder, at designet skal undgå f.eks. kobbertråde, der mødes i spidse vinkler eller for tynde lodmasker, tage højde for mulige huldiametre osv.

Løsning af mange af disse problemer kan forværre andre, hvilket betyder, at PCB-design er en balanceakt for at opfylde alle tekniske mål, samtidig med at man holder sig inden for omkostnings-, strømforbrugs-, ydelses- og størrelseskravene for et givet PCB.

Som følge heraf har de fleste automatiserede assistentværktøjer til PCB-design hidtil været nyttige, men krævede en kraftig menneskelig indgriben for at opdage eventuelle problemer. Derudover kræver følsomme kredsløb specialiserede, ikke-standardiserede layout.

Kilde: Cadence

Quilter AI Oversigt

Quilter Historie

Quilter blev grundlagt af Sergiy Nesterenko efter fem år hos SpaceX (SPCX ) som senior strålingsvirkningsingeniør, hvor han udviklede elektronik til Falcon 9 og Falcon Heavy, samt som forsker i Californien før det.

“Jeg tog en tredobbelt hovedfag i matematik, fysik og kemi på Berkeley, ikke fordi jeg ønskede at specialisere mig, men fordi jeg ville mestre grundprincipperne. Det gør alt andet lettere at lære.”

Virksomhedens team består af ingeniører fra SpaceX, Apple (AAPL ), NASA, Johns Hopkins APL og MIT. Den har også ansat Electronic Design Automation (EDA)-byggere fra PCB-automatiseringsvirksomhederne Cadence og Synopsys.

Virksomheden rejste $10 million i sin Serie A i 2023 og yderligere $25 million i 2025, et år efter lanceringen af den åbne beta af sin software. Virksomheden lancerede sin gratis version i august 2025, hvor omkostningen for løsningen er på forbrugsbasis, hvilket afviger fra den ofte dyre softwareabonnementsmodel, der dominerer branchen.

“Når du uploader et kort til Quilter, er antallet af ikke-ruterede pins på uploadtidspunktet din design-pincount. Du betaler kun for det, Quilter skal kompilere, intet mere. Hvis du for-ruter en del af kortet før upload (RF-net, fan-outs, højspændingssektioner), tæller de ruterede pins ikke. Quilter ruter omkring dit eksisterende arbejde og opkræver kun for de pins, den skal håndtere.”

Quilter tilbyder også ingen proprietære formater og ingen låsning, hvilket hjælper med onboarding af PCB-designere og integration i eksisterende arbejdsgange og fremstillingsværktøjer.

Kilde: Quilter AI

Bringer fysik til AI

Generelt har AI hidtil primært været brugt til tekst- og billedgenerering, inklusive computerkode. Men den har ofte svært ved virkelighedens fysik, hvilket er grunden til, at et nyt fokus inden for AI-udvikling har været fysisk AI, især til robotikapplikationer (følg linket for vores fulde rapport om dette emne).

Quilter har vedtaget en tilgang, der kombinerer reinforcement learning, maskinlæring og neurale netværk, for at give deres AI en bedre forståelse af, hvordan reel fysik skaber begrænsninger i PCB-design.

Kilde: Quilter AI

Som følge heraf er Quilters AI ikke designet ved at efterligne eksisterende kort, uden at “forstå” hvorfor de blev lavet på den måde og lære af mennesker. Denne tilgang, som ligner de fleste LLM’ers grundlæggende funktionsmåde, ville ofte resultere i et alvorligt problem, når flere begrænsninger er i spil.

“Quilter genererer komplette layout ved hjælp af AI, der er trænet på virkelighedens fysik og fremstillingsbegrænsninger, ikke på menneskelige eksempler. Dette giver ingeniører mulighed for at udforske designrum, der er lukket af menneskelig intuition, og frembringer løsninger, som ellers ville forblive uopdagede uden fysik-først beregning.”

I stedet skal AI’en forstå fysikken bag elektrisk strøm, elektromagnetisme og det fysiske rum, som komponenterne bruger, og designe PCB’en derefter.

Hver underkomponent-agent i Quilter AI placerer komponenter, ruter spor, evaluerer fysikken og lærer, hvilke valg der giver bedre resultater. Millioner af iterationer forfiner placerings- og routingstrategier, balancerer begrænsninger uden menneskelig bias og producerer ukonventionelle routingmetoder og placeringsstrategier.

“Vi forsøger ikke at matche mennesker. Vi forsøger at overgå dem ved fuldstændigt at undgå deres begrænsninger.”

Det betyder, at dusinvis af layout genereres samtidigt, hver rangordnet efter fremstilbarhed og dækning af begrænsninger. Designteam kan med dette værktøj udforske 100× flere designvarianter uden forsinkelse eller kompromis. Brugere kan også hurtigt teste, hvor lille eller tæt et kort realistisk kan være ved at uploade flere variationer parallelt.

“Quilter skaber den første autonome PCB-designmotor. Det er ikke en autorouter, en co-pilot eller en LLM. Det er et fysik-først AI-system, der lærer fra naturens love selv, ikke fra menneskelige genveje.”

Styrker menneskelige beslutninger

Quilter AI kan færdiggøre simple kortdesign på så lidt som 15 minutter. Men for mere komplekse design med tusindvis af pins vil systemet køre natten over.

For hver indsendelse udforsker Quilter flere placerings- og routingkandidater på tværs af forskellige lagstak i parallel, hvilket giver ingeniører en række muligheder at evaluere. De kan derefter downloade resultaterne til deres native ECAD-værktøj, gennemgå og forfine dem, og genindsende om nødvendigt.

Quilter driver sin kommercielle platform “app.quilter.ai“, fra AWS’ US West-region, med planer om at udvide til US East og efterhånden Europa. Dette giver virksomheden en kraftfuld og enkel måde at skalere sin drift på ved at stole på Amazon cloud computing kapacitet. Det er også muligt at køre et selvhostet AWS-miljø, så følsomme data aldrig forlader en virksomheds infrastruktur.

Faktisk træner ikke Quilter på sine kunder eller andre eksisterende kortdata, hvilket også er en fordel i en sektor, hvor IP-beskyttelse er ekstremt vigtig, som inden for rumfart eller forsvar.

Arbejdsgangen forvandler ingeniører fra manuelle spor-tegnere til orkestratorer, der kan køre flere kortvarianter parallelt, og omdanner en kvartalsvis designcyklus til en ugentlig løkke af eksperimenter og læring.

“En verden med Quilter er en verden, hvor kort er lige så udbredte og iterative som softwarebygninger, og driver et nyt paradigme, vi kalder Hardware-Rich Development™. Quilter giver top PCB-designere superkraften til at omdanne uger til dage. Det er et komplet paradigmeskift. Når du itererer hurtigere, kan du overgå dine konkurrenter i innovation.”

Processen giver fordele for alle fagfolk, der arbejder med PCB’er, med hurtigere gennemløb, nye designs og nem integration med eksisterende CAD-værktøjer.

Kilde: Quilter AI

For nylig gennemførte Quilter sit mest ambitiøse projekt til dato, Project Speedrun, hvor de designede en 843-komponent Linux-computer (to kort, 5.141 pins, højhastigheds DDR4, eMMC, PCIe, CSI/DSI, GigE). Det ville normalt tage 400–450 timer manuelt layout for at opnå dette resultat. Quilter reducerede det til 38,5 timer menneskelig arbejdskraft, mens resten blev udført autonomt.

“Quilter tog sig af det gentagne designarbejde, mens ingeniøren forblev i kontrol. Automatiseringen håndterede placering, routing og fysikkontroller, så han kunne fokusere på firmwareforberedelse, dokumentation og forfining af begrænsninger.”

Investering i fysisk AI

NVIDIA

Fra sin oprindelse som GPU-hardwareproducent til videospil og andre grafiske renderingsopgaver, har NVIDIA (NVDA ) udviklet sig til en enorm AI-hardwarevirksomhed, hvilket har givet dens aktie verdens største markedsværdi.

NVIDIA indså AI’s potential tidligt, længe før nogen, ud over specialiserede forskere, bekymrede sig om neurale netværk. Dette var på det tidspunkt et risikabelt skridt ind i en uprøvet, knap eksisterende sektor, eller som Jensen Huang udtrykte det:

“Vi investerer i nul-milliard-dollar markeder.”

I 2016 og 2017 udgav NVIDIA Pascal- og Volta-arkitekturerne, henholdsvis den første GPU-baserede AI-accelerator, mens Volta introducerede Tensor Cores, som accelererede dyb læringsopgaver op til 12 gange inden 2024.

Investorer har været noget bekymrede for, at NVIDIA snart kan løbe tør for nye markeder til at retfærdiggøre sine høje værdiansættelsesmultipler. På CES 2026 (Consumer Electronics Show) annoncerede NVIDIA et nyt fokus på fysisk AI.

For at gøre dette udgav NVIDIA Cosmos, en platform til at accelerere udviklingen af fysisk AI for autonome køretøjer (AV’er), robotter og videoanalyse AI-agenter; Isaac GR00T N1.6, en vision-sprog-handlingsmodel bygget specifikt til humanoide robotter; og OSMO, en “orkestrator” software, specifikt designet til fysisk AI.

Den fysiske implementering af AI i robotter, selvkørende biler og andre autonome systemer vil give NVIDIA mange nye markeder at sælge deres hardware til. Og det ser ud til, at AI også vil være en muliggører i design af fysisk hardware, hvilket yderligere forstærker potentialet i den voksende efterspørgsel efter AI-beregningskapacitet.

Seneste NVIDIA (NVDA) aktienyheder og udviklinger