
德国和西班牙的工程师用旧版CAD软件CATIA 4,法国和英国用CATIA 5,两段机身在图卢兹对接时线束对不上,交付平均推迟约两年,额外成本估计60亿到70亿美元。两个团队都没有画错零件,出问题的是各自手里的模型不一致。
一、A380的教训,没有人画错零件
2026年9月30日,旧金山的Flow Engineering完成5000万美元B轮,估值7.5亿美元,由Valor Equity的Antonio Gracias和Atreides的Gavin Baker联合领投。它做硬件研发的agent平台,客户有Rivian、Anduril和Joby Aviation。
Flow想解的问题和A380那次事故连在一起:让很多人的图保持一致。一架飞机的难点,在于成千上万个人手里的版本能不能对上。
名单的分量不轻。Gracias投过Tesla,在SpaceX和Neuralink的董事会任职;Baker投过Nvidia和xAI,两人看好同一件事:用软件补上稀缺的工程能力。
二、软件的难处在写,硬件的难处在对齐
红杉的Roelof Botha说过一句很朴素的话:软件里的bug可以很快打补丁,硬件里的错误往往要几个月才能拆回来。最好的团队会在不牺牲严谨的前提下,缩短决定和验证的周期。
难点在于,硬件里每个决定都连在一起。调一下某个部件的热参数,影响会顺着系统传下去,牵动别的部件,需要跨团队反复协调。传统上用来追踪这些依赖的是需求管理工具,红杉说它们是上个时代的笨重遗物。
Botha还对比过:一家150人左右的小公司之所以快,是因为信息流动顺畅;公司变大以后,机械、电子、软件、制造和合规各自成了孤岛。AI真正的机会,落在组织对齐上,个人效率只是表层。
这抓住了硬件和软件的根本差别。软件的难点常在写出来,硬件的难点常在协调好。当实现的成本不断下降,协调的开销反而更显眼。A380也是如此,只是没人能在早期看出,两边的模型已经对不上。
三、把依赖写成一张图,让机器反复检查
Flow的核心是一个叫systems graph的东西:把需求、设计决策、接口、预算、测试和合规证据放进同一个模型,依赖关系变成显式链接。团队不用换工具,官网列出的集成覆盖Dassault、Siemens NX这些CAD,ANSYS这些仿真。工程师在熟悉的软件里干活,Flow在后面接住变化。
图上有四类agent:做影响分析的,管质量、成本和功耗预算的,管安全与法规合规的,以及用户自己定义的。
官方产品图里有个演示很直观。工程师对agent说,峰值电机扭矩的需求改成420牛米,请更新下游需求并重新生成电机壳体。agent把峰值扭矩从380改到420,生成新壳体CAD,定子孔径加大2.4毫米,并列出受影响的需求:轴功率要重算,扭矩保持时长要按新热模型重评。这类传导原本要几周,演示里是几秒。
产品里还有分支和合并,类似软件的版本控制。工程师先在独立分支里提出变更,查看差异和影响分析,再合并进基线。面向国防客户,Flow可部署在云端、GovCloud或自托管环境。
四、Rivian从40人到1500人
公告里最具体的数字来自Rivian:Flow在这家电动车公司内部的用户,七个月里从40个涨到1500个,工程师每周发出数百万次API调用。产品开发总监Scott Mackenzie说,他们评估了30种工具,没有一个能接近。96%的客户是主动上门的。
价格按编辑席位收:Basic档每月150美元,限500条需求;Pro档每月300美元,限5000条需求和五个项目。公司给出的数据是,维护需求的时间减少了79%,同样的工程时间里测试覆盖提高到三倍。
这些数字要分开看。1500是用户席位,说明它被用起来了,而且是自下而上长出来的。工程师最容易抵触被强推的工具,能自己用起来本身就是很强的信号。但席位数不等于迭代速度提高了多少,79%、三倍这些数字都来自公司自述,没有独立核实。
风险也很实在。Flow的可靠性取决于它和不断变化的CAD、仿真工具之间的集成,接口一变,图就可能过期,用户对它的信任会下降。大型航空、汽车和国防企业换系统很慢,老牌厂商也在给平台加AI。agent能发现冲突、重算预算,但物理测试和认证省不掉。
五、工程师的新工作,是定义规格
Flow创始人Pari Singh在6月发布v3时说得很直接:硬件的复杂度已经超出了人类团队能持续审查的范围,靠增加工程师来管理复杂性的时代已经结束。他的分工是,agent负责更新需求、维护模型、改动后重跑分析;工程师从执行者变成架构师,定义标准,做权衡。他把这份工作叫harness engineering。
Singh还提出一个说法,叫context scaling laws:agent能读到的互相关联的工程数据增加时,它的表现会跟着变好。这是Flow的论断,还没被验证。
Botha把这层意思讲得更透:AI实现能力变强之后,定义系统需要什么,比生成解法更难。硬件团队一直把规格当作关键产物,产出的质量取决于规格的质量,而不是实现的速度。模型能做的事增加之后,说清楚要什么、怎么算对,反而成为瓶颈。一次错误的代价是重新开模,或者重新取证。
六、一个可以随时做的小检验
Flow做的事情,是让一件事和另一件事是否一致,变成机器能持续检查的东西。A380的教训是没有人在早期看出两边模型不一致,Flow把依赖放进一张图,让agent在每次改动后重新检查。
这家公司的说法有几条边界。大部分数字来自公司自己,没有第三方核实;Rivian的1500是席位数,不是效果;这套系统能否长期扛住工具迭代,还需要时间。
如果要从这个故事里拿一个对任何团队都有用的检验,它很简单:改一个需求,要多久才知道它会牵动哪些东西?如果答案是要开几个会,那拖慢团队的往往是会议里的对齐。实现可以交给agent,对齐却需要被设计出来。