随着芯片、封装、板卡和系统被协同设计，基于物理的分析变得越来越重要。

每一项硬件设计都包含一些在团队完全理解其物理后果之前就必须做出的决定。架构先被选定，组件先被放置，材料先被挑选。工程师会凭借经验和判断做出这些选择，但更细致的物理分析往往来得更晚，那时改变方向已经更困难、成本也更高。

这种工作顺序限制了工程师能够构建的东西。当每一个答案都需要大量准备、算力和专家时间时，团队就必须决定哪些问题值得去问。那些有前景的想法可能会被搁置，因为在既定进度内没有现实可行的方法去研究它们。

我们创建 Vinci，就是为了改变这种状况。我们最近宣布完成 2.5 亿美元 B 轮融资，投后估值为 15 亿美元。这笔投资为我们提供了资源，以加速一个远超单次分析的目标：缩短工程师能够想象的东西与他们能够真正制造出来的东西之间的距离。

慢速分析的成本，甚至会延伸到仿真开始之前就已做出的决定。团队会把设计简化后再评估；在不确定性仍然存在时增加冗余；因为测试每一种替代方案都太耗时，只能把一些假设一路沿用下去。

以组件布局的变化为例。它可能改善设计的某一方面，同时改变热量在电路板中的传导方式。温度差异和材料膨胀还会影响翘曲。工程师需要在布局仍然只是一个选项时，就理解这些相互作用。如果这种理解来得太晚，等其他决定已经依赖于它之后，即便很小的改动也可能需要大规模返工。

当工程师把芯片、封装、板卡和系统放在一起设计时，这一问题就变得更为关键。关于功耗的决定会影响散热需求；封装选择会改变其他环节的物理约束。相互作用的数量不断增加，而可用于研究它们的时间却依然有限。

AI 让这一问题更加紧迫。随着工程工作流变得越来越自动化、越来越具备代理能力，它们将能够提出并执行更多设计选择。但每一个选择仍然会带来物理后果。只有当工程师能够判断哪些方案可行时，生成更多可能性才有意义。

连续物理推理让可信的物理理解贯穿整个设计过程。工程师可以研究一个变化，理解它的后果，并利用这种理解决定下一步该怎么做，而此时设计仍在推进。

要让这件事真正可用，需要对整个计算流程进行改造。Vinci 通过将代理式编排与我们的物理基础模型和 GPU 原生物理内核结合，自动化设计理解与准备工作。该平台能够在制造分辨率下提供确定性的、与求解器精度一致的结果，并且可直接应用于新设计，无需针对客户进行专门训练或微调。

这些特性必须结合起来看。工程师需要足够细致的物理信息，来评估他们打算制造的设计；他们需要可重复、值得信赖的答案；同时，他们还需要在不先为某个设计单独训练模型的情况下，研究一个新设计。

我们选择半导体作为首个验证场景，是因为其物理要求几乎没有妥协空间。Vinci 已经在生产工程项目中运行，在热行为、热-机械行为和对流流体行为方面具备商业能力。过去需要数小时或数天的制造级分析，现在可以在几分钟内完成。

对于工程团队来说，这改变了他们在做出承诺之前能够学到多少。更多备选方案变得可以实际评估；过去会被推迟的问题，现在可以为下一步设计决策提供依据。工程师能够追求那些原本因为成本过高或耗时过长而无法研究的想法。

连续物理推理为我们更大的目标奠定了基础。一旦物理理解能够跟上设计节奏，我们就可以朝着帮助工程师判断应当改变什么以改进产品的方向前进，并最终走向根据人类意图直接生成设计。

这是一项要求很高的工程问题。一个有用的建议必须考虑改变系统某一部分会如何影响其余部分；它还必须在材料、制造以及构建产品所涉及的其他学科所施加的约束下成立。把物理理解延伸到这种工程智能层面，是我们长期工作的核心。

这轮融资将加速我们在物理和工程两方面的进展。我们将扩展当前可用能力之外的物理覆盖范围，开发更强大的代理式工程工作流，并深化与客户所使用系统的集成。我们还将投资于人才和计算基础设施，以便把 Vinci 推向更多生产项目。

这种需求远不止存在于半导体领域。开发汽车、飞机和卫星的工程师面临不同的物理问题，但他们都需要在决策仍可改变时理解这些决定的后果。我们的目标，是让这种理解成为硬件工程运行所依赖的基础设施的一部分。

我很感谢客户、投资者和团队帮助我们推进这项工作。我们的客户正在真实的工程项目中使用 Vinci，而答案的价值取决于它能否为眼前的工作提供指导。

这正是我们希望持续达到的标准。工程师应该能够追求一个想法，因为他们可以研究它、理解它的约束并改进它。让他们在整个设计过程中都具备这种能力，可以扩大他们能够创造的产品范围。这就是 Vinci 下一阶段的意义所在。