是德科技突然投了一家软件定义仪器公司,AI要重新定义仪器了?

更多电子测试测量行业最新动态请关注该公众号，

我们会持续更新

导语

电子测试测量行业的绝对巨头，突然把重金砸向了一家做“软件定义仪器”的公司。

2026年4月28日，Liquid Instruments宣布完成5000万美元C轮融资。领投方之一，是全球测试测量龙头是德科技。双方同步签下商业合作，目标直指“加速推进新一代人工智能驱动仪器的迭代与普及”。

一个行业判断随之浮出水面：“软件定义+AI，会不会就是测试测量行业的下一个十年？”

答案，藏在这笔投资的底层逻辑里。Liquid Instruments的核心打法很直接——其Moku产品系列基于FPGA平台，将十五种精密测试测量仪器集成于单一硬件设备中，既保住了硬件性能的上限，又换来了软件定义的灵活性。过去要花几个月才能啃下来的系统搭建，现在几分钟就能跑通。

是德科技看重的正是这两点：一是Moku系列硬件指标扎实，能打高端市场；二是这家公司的技术路线，恰好踩中了AI驱动测试的下一波浪潮。是德科技软件转型副总裁把牌摊得很明：“行业正朝着‘软件优先’和‘AI赋能’的架构转型。通过软件定义结合AI技术直接作用于硬件重构，才能打造出更具适应性的测试仪器。”

这不是一句轻飘飘的点评。这等于行业龙头在给一条技术路线盖官印。软件定义仪器，不再是实验室里的玩具。AI驱动的测试，不再是一句PPT口号。真正要追问的是：当仪器从铁盒子变成了可重构的软件平台，AI会怎么用它？测试平台本身，又会被改写成什么样？在测海听涛之前的一篇《从软件定义仪器到AI代理测试：多合一仪器为什么值得重看一遍，仪表界也可以养龙虾？》，我们提到了一个重要议题，AI Agent进入测试流程这件事，通过今天这篇文章，我们希望与粉丝朋友一起探讨下实现的可行路径。

一、AI真正改变的，不是聊天，是测试软件的开发方式

过去两年，几乎所有人都用过大模型。写邮件、做翻译、搜问题、生成几段代码。这些当然有价值，但本质上还停留在“顾问模式”——你问，它答。答案对不对、能不能直接用，还得工程师自己扛。

今天的变化是，AI正从“顾问”，走向“执行者”。

新一代的AI编程代理，已经可以自己读代码库、改文件、执行命令、调用工具链，跨文件、跨系统地把活儿干完。你只需要丢出一句话：

“把这个项目搞懂，找出问题，改好代码，跑通测试，检查结果，最后打包成一个能直接用的版本。”

它就能自己规划路径、调用工具、纠错重跑，直到事成。软件开发的入口，正从“编写代码”变成“描述目标”。中间那些乌泱泱的实现细节，被AI一口吞掉。

那么，电子测试测量行业呢？

二、测试工程师每天写过的，是多少“不得不写”的代码？

走进任何一个研发实验室，你看到的不会是单台仪器，而是一整排：示波器、频谱仪、信号源、电源、电子负载、开关矩阵。品牌不同，年代不同，驱动五花八门。有的走SCPI，有的挂VISA，有的给Python SDK，有的文档已经烂了十年。光把电脑认出连的是哪个串口，就得耗掉一个上午。

接下来是更磨人的流水席：装驱动、找例程、建连接、配参数、启动采集、读数据、处理异常、写日志、存结果、画图表、搞界面、接数据库、建序列。最后求爷爷告奶奶，让这套东西在同事的电脑上也能跑起来。

一旦需求一抖——加一台仪器，换个型号，调个测量范围——整座代码山又得从头掏一遍。很多测试系统最后都活成了孤岛，只有当初写代码的那个人知道哪一行是禁区。人一走，系统就成了无人敢碰的遗产。

自动化测试最贵的，从来不是示波器，是埋在那堆胶水代码底下无休无止的重复劳动。

更窒息的是，活儿还越来越重。AI产业一爆发，芯片功能堆上天，板子上的测试点密得像针尖。过去一套方案吃三年，现在系统刚搭完，下一代产品的验证需求已经砸在脸上。测试系统必须越来越灵活，可传统软件的开发和维护成本，已经高到快把团队压垮。

裂缝里，光透了进来。

三、当AI开始调用仪器，事情就变了

近期，开发者社区和产业前沿公开验证的一条技术路径，看得人头皮发麻。

在开发环境里，AI代理连续完成了一整套任务：第一步，自动识别当前连接的仪器型号、接口和资源；第二步，根据测试意图直接生成并运行测量程序；第三步，抓取数据、记录日志；第四步，调取历史数据进行分析比对；第五步，把临时脚本封装成可复用的软件插件；第六步，生成一套能反复执行的自动化测试序列。

不是生成几十行玩具代码。是从叫醒仪器，到跑完测试、封包成流程，一条龙贯通。

过去，这些活儿需要你在手册、IDE、驱动文档和调试器之间反复横跳。现在，它们被压缩进了一条连续的Agent工作流。那条分水岭已经清晰得像刀砍出来的：测试软件开发，正从“工程师写代码，仪器执行”，变成“工程师描述目标，AI生成流程，确定性系统负责执行”。

四、未来怎么干活？

过去，为了适配测试测量需求迭代，要么采购新的分立式仪器设备，要么自研硬件电路来实现所需的算法功能。两种方式要么成本高企，要么拖慢整个工程项目进度，效率低下。

未来，你只需要张口：

“请帮我为器件测试设计一个仪器功能：它需要输出一个双脉冲信号，两个脉冲之间 Dead  time 可调，各脉冲高电平持续时间可调，以及脉冲输出幅度可调，同时增加输出 Burst 调制方式，范围最小在 1 Cyc，最大 5 Cyc。”

这句话听起来像是在描述一个测试需求，但在软件定义仪器平台里，它会变成一个仪器功能的起点。

AI Agent 会基于所选的硬件设备配置性能和提出的需求逐步交互并确认：Dead time 可调范围，脉冲高电平持续时间范围，脉冲输出幅度可调范围，以及 Burst 是采用内部调制方式还是配合输入端口的外部调制信号等。所有问题和需求确认完备后，AI Agent 会把口语化需求转译为可实现的仪器规格、数字逻辑和验证计划，待你审核完开始编写测试流程 Plan 和代码验证，并检查边界条件，迭代直至成功生成对应的仪器功能。

代码在这里仍然重要，但它已经不是终点。真正的终点，是变成一个围绕明确测试目标的，可以审核、可以验证、可以部署到真实硬件上的确定性仪器功能。

五、AI重构的，不只是“写代码”这一个环节

很多人一听到AI编程，第一反应是：大模型可以帮我生成几段代码。这个理解太窄了。真正有价值的AI代理，会重构测试软件开发的整个链条。

识别系统：AI可以自动扫描当前连接的仪器型号、驱动版本、接口状态和可用资源。过去，工程师拿到设备第一件事是翻手册。未来，第一件事是问AI：“现在有哪些设备能用？”

生成程序：根据测试目标，AI生成Python程序，驱动调用、参数配置、数据读取、异常处理、日志记录，基础框架全部自动完成。

分析数据：AI不只是把数据存下来。它能生成图表，比较历史记录，识别异常趋势，分析失败原因，建议下一步该查什么。

封装流程：实验脚本可由AI生成代码，部署至仪器，并在硬件平台运行。这些测试代码可复用，可追溯，沉淀为标准化的团队资产。

适应变化：当硬件型号变化、测试项目变化、参数要求变化时，AI可以理解原有项目结构，协助完成修改。过去，改一套历史系统最难的不是写新代码，而是读懂旧代码。未来，这部分成本会被大幅砍掉。

辅助维护：AI可以帮工程师检查配置、整理日志、定位异常、追踪版本、提醒维护周期。它不能替代正式校准，但能把维护过程中大量重复性工作压缩到最低。

六、想让AI用好仪器，平台必须先“自我革命”

但问题来了。AI再强，它面对的如果还是一堆协议不同、驱动封闭、接口割裂的铁盒子，照样寸步难行。

这就逼出了一个根本性变化：仪器必须从一个单机工具，变成可重构的软件平台。

过去，仪器厂商交付的是一台硬件加一张驱动光盘。未来，厂商需要回答几个新问题：如何让AI理解这台仪器？如何让AI安全地调用它？如何让AI知道哪些操作可以自动执行，哪些必须人拍板？

答案，藏在三个字里：平台化。

真正的测试测量平台，绝不是把几个功能拼进一个机箱。它要求：

多仪器并行——不是模式切换，而是示波器、频谱仪、信号源同时在线，共享数据，内部互连，形成实时测量与控制链路。

时钟、触发、同步统一——逻辑分析能触发示波器捕获，扫频激励和响应采样严格对齐，多设备扩展后仍保持统一时基。

API和数据格式统一——仪器不再是只给人用的面板，更是给脚本调用的、给AI代理接入的标准化节点。谁的Python接口更完整，谁的数据格式更统一，谁就更容易进入下一代自动化测试体系。

这才是“从仪器角度怎么使用AI”的终极答案：不是给仪器塞一个聊天窗口，而是让仪器平台变成AI能听懂、能调用、能编排的标准化底座。

七、软件定义+AI，正在重写测试平台的底层规则

最后，必须踩一脚死刹车。AI代理再强，也不能无限制地接管测试系统。

大模型的本质是生成，是概率。换个问法，换个上下文，结果就可能漂移。而测试测量要的是铁打的确定性：同样的输入，同样的条件，必须得到毫厘不差的执行结果。这是底线。

系统必须划成内外两圈。

外环，可以交给 Agent： 生成代码、分析数据、推荐参数、调取历史、识别异常、编排流程、辅助维护。

内环，必须焊死交给确定性程序： 实时采集、触发控制、安全保护、闭环反馈、正式校准、质量判定、Pass/Fail 规则、产品放行。

AI可以建议下一步测什么，但它绝不可以改变什么叫“测对了”。平台越开放，这条边界就越要刻在石头上。

这才是测试平台进化的完整图景。外环被AI大幅提效，内环被确定性牢牢守住。平台的竞争力，不再只是带宽多高、采样率多快，而是能不能同时做到两件事：对外，让AI安全高效地调用一切资源；对内，让测量结果坚如磐石。

结语

是德科技这笔投资，赌的绝不只是一个小而美的创业故事。它赌的是整个测试测量行业的下一个入口。

当仪器从单机铁盒，变成可重构的软件定义平台；当调用仪器的不再只有人的手指，还有AI代理；当一套平台能同时跑着十几个仪器实例，共享时钟、并行采集、实时互连——整个行业的交付形态、竞争规则和价值链，都会被连根拔起。

Moku在架构设计之初采用软件定义，已经具备统一的软件接口和可重构能力，让仪器从一台固定功能的硬件，变成一个可持续演进的平台。Moku + AI再一次站在变革的交汇点。这个平台能够理解工程师的测试目标，并帮助他们快速构建符合测试需求的专属仪器。

测试测量行业的下一个十年，不再是带宽和采样率的军备竞赛。是平台化对单机化的降维打击，是AI可调用对人工操作为主的效率碾压。

软件定义+AI，不是在改良旧世界，是在碾碎它，然后重建一个新世界。

即刻关注测海听涛微信公众号，加入电子测试测量知识库。