NI LabVIEW 40年：AI浪潮下，NI能否英雄歸來

“現在我們已經推出了64位中文版的LabVIEW。”

在 NI 測試測量技術研討會北京站現場，NI 傳奇工程師 Tony Vento 說出這句話后，臺下頓時響起了一陣掌聲。

去年 11 月，Tony 在中國參加 LabVIEW 用戶交流時，聽到了大量來自本地社區的聲音（以及毫不客氣的吐槽）。幾個月后，針對最新LabVIEW的64位中文版的需求反饋被迅速兌現。

當然，Tony此次來中國并不僅僅是兌現承諾，更是為了LabVIEW的未來。

今年是NI成立50周年，也是LabVIEW誕生40周年，作為LabVIEW第一名應用工程師，Tony見證了發展的全過程。

在NI，Tony經歷過的工作職能包括AE、銷售工程師、運營、生態系統負責人、也曾以NI合作伙伴的角色出現。也正因此才有了“傳奇工程師”這一稱號。他不僅是歷史的見證者，更是推動者之一。

筆者有幸見到了Tony以及艾默生測試測量業務集團（NI）中國區總經理喬巍，并關于LabVIEW 40年，關于NI的回歸，關于AI與測試的融合，等等一系列話題進行了交流。在AI浪潮之下，這家曾經定義測試測量行業的軟件公司，是否真的完成了回歸？而LabVIEW，這款誕生40年的工具，能否在新的技術周期中成為核心？在這次談話中，我找到了一些答案。

LabVIEW 40周年紀念真正的價值不是歷史，而是未來。

NI 傳奇工程師 Tony Vento、艾默生測試測量業務集團（NI）中國區總經理喬巍

Tony將NI的發展劃分成五個階段，初創公司、快速成長、穩固成長、“黑暗時刻”以及回歸。當說道“We’re Back”時，Tony甚至特別舉了舉拳頭。

NI的回歸，本質上是一個超級英雄的敘事：在系統復雜性失控的時代英雄重新歸來，而這個“反派”，就是Tony口中的“復雜性鴻溝”。盡管在很多工程師的認知中，LabVIEW 早已不是一個“處在風口”的工具，但面對挑戰時，NI還是一位值得相信的超級英雄。

Tony解釋道，系統復雜性鴻溝的內涵在于，科技的突破不是單一技術難題，而是失控。系統越來越復雜，數據規模指數級增長，協作溝通效率變得越來越低，這一系列綜合挑戰已經超越了工程師能夠理解和控制的能力。

實際上，這種復雜性失控NI就曾經歷過，Tony也有著深刻體會，在 LabVIEW NXG 階段，NI 試圖一次性實現過多目標，導致復雜度失控，也錯失了一些關鍵能力（如 Web 界面）。

Tony認為，AI正是跨越復雜性鴻溝的絕佳機會，因為跨越復雜性鴻溝的關鍵不是簡化系統，而是用新的方式處理系統。如今，在其他各個行業中，AI已經被人們用來解決一系列復雜問題。 

雖然NI沒有喊出All in AI，但看看研討會三個分論壇，除了AI原生測試論壇之外，包括射頻、商業航空以及前沿行業應用分論壇中，都已經有了AI的身影。

NI如何回歸初心？不要看他說了什么，要看他怎么做。從目前的動作來看，NI的回歸可以歸結為三件事：文化回歸、產品回歸以及架構能力回歸。

第一，是文化的回歸。首先，NI做了LabVIEW 40周年紀念T恤（笑）。“NI內部，T恤一直都是一件很重要的事，但很遺憾已經長一段時間沒有真正滿意的。”Tony說道。

當2019 年 Dr. T（James Truchard）和 Jeff Kodosky 入選美國國家發明家名人堂時，《EE Times》對他進行過一次深度專訪，在《LabVIEW Creator Talks its Past and Future》這篇文章中，也專門回憶了 NIWeek 95的 T 恤梗。

“我們在這個世界上最好的老師就是蘋果和喬布斯。”Tony說道。顯然，這件令他滿意的T恤也代表了NI的工程師文化的回歸。

第二，是人。包括Tony在內，正在有更多的NI前員工回歸NI。Tony強調，首先他從來沒有離開NI，而是合作伙伴，其次，他們這次回歸，是為了貫徹執行NI的“百年計劃”，讓創新重回正軌。

第三，是產品與技術路線的回歸。軟件上，除了LabVIEW、TestStand等軟件的加快路線圖更新之外，NI也專門開發了Nigel AI，這款AI助手被NI視為專為測試領域打造的AI工具。

硬件創新也在回歸，NI連續推出了40多款DAQ、更多的PXI產品以及重新重視CompactRIO的發展。Tony表示，LabVIEW FPGA是NI最重要的創新之一，他具有低延遲、強大的IO能力等特性，非常適合如今邊緣端的AI開發。

今年是LabVIEW誕生40周年，Tony自然有著相當多的話題愿意聊。雖然LabVIEW也經常被吐槽，但是不得不承認，在眾多行業中，LabVIEW依然不可替代。Tony將LabVIEW的成功歸結于三大特色：前面板與框圖、系統工具以及圖形化思維。

Tony的座右銘是“我花更多時間思考未來，而不僅僅是從過去學習。”如今，站在40年高點上，NI要如何改變LabVIEW呢？

在Linkedin上，Tony回復了LabVIEW編程大神Stephen Loftus-Mercer關于LabVIEW未來的思考，我覺得這段話非常有助于理解LabVIEW的當下和今后的發展。

Stephen Loftus-Mercer發表了一篇文章，題目就很炸裂，《在人工智能時代，LabVIEW 已然沒落了嗎？》。Stephen Loftus-Mercer認為，AI時代反而放大了LabVIEW的優勢：AI難以獨立完成系統架構設計，而文本語言在表達數據流、并行與系統結構時并不直觀；相比之下，LabVIEW的圖形化與數據流模型可以清晰呈現系統邏輯。而AI的引入，則進一步彌補了LabVIEW長期以來“開發效率低”的短板。 

Tony的補充，則把這一問題提升到了方法論層面：其認為LabVIEW不只是一門編程語言，更是一套系統開發工具。 

以下是他撰寫的全文：

“我想進一步延伸Stephen Loftus-Mercer的觀點，談談它的核心優勢：LabVIEW 為程序員與非程序員都打開了系統開發的大門。它能幫助工程師和科學家搭建完整系統，這套流程常被概括為“采集—分析—呈現”：從 NI 硬件及其他 I/O 設備采集數據、對數據進行分析、再將結果可視化展示。這一切都依托于前面板—程序框圖的設計模式，這至今仍是Jeff Kodosky極具天才的創舉。工程師和科學家在學習訓練中本就習慣用框圖思維思考問題，而這種思維方式也將一直延續下去。

沒有任何一款工具是完美的。圖形化編程有其優勢與短板，Python、C++ 等文本式編程語言同樣如此。這背后反映了計算機科學的一個普遍規律：不同的計算模型，適用于不同的應用場景與問題。

很重要的一點是，LabVIEW 并不局限于圖形化代碼。它很早就具備與其他語言集成的能力，在早期版本中開放 C 語言接口便是其發展歷程中的關鍵一步，我本人也曾直接參與這項工作。這種多語言、多代碼源融合的思路，很可能會成為 LabVIEW 未來發展的核心，尤其在自動生成代碼愈發普及的趨勢下。

從教育角度來說，我一直認為學生應當同時掌握圖形化與文本化兩種編程方式。二者能培養截然不同的系統思維能力，結合使用才能構建更全面的技能體系。

最后，LabVIEW 隸屬于一個龐大的生態體系。在未來數年，這套生態將成為 LabVIEW 依托 NI-艾默生集團持續發展的關鍵所在。”

“AI還替代不了系統的工作，替代不了LabVIEW。”喬巍同樣判斷道。AI時代所帶來的Vibe coding變化，也讓諸多SaaS公司產生了SaaS 末日效應（SaaSpocalypse），但這也正說明基于文本的軟件工具會最先面臨沖擊。 

LabVIEW是唯一一個可以用同一個工具同時開發桌面程序、實時系統以及FPGA的開發環境。也正是這個特色，讓其在系統中可以發揮更大價值。

未來，LabVIEW更像是一個系統編排層工具，AI 可以生成 Python / C 代碼成為LabVIEW的節點，FPGA可以直接生成可以運行和交互的硬件邏輯及IO。然后通過LabVIEW 的框圖負責把這些能力連接成系統，同時前面板生成更直觀更高效的人機交互界面。“雖然現在大家都在講AI友好化，但本質上還是共存關系——有些場景確實會變得更偏向AI。但多數時候，仍然需要友好的人機界面。”喬巍說道。

“很長一段時間來看，你確實需要集成化工具；另一方面，如果試圖做一個什么都能解決的工具，那是永遠行不通的。”Tony解釋道，“必須采用開放的方法，從更高層系統級級進行抽象，從而跨越復雜性鴻溝。” 

Tony用“陰陽”來指代NI的開放精神，不過先插一句題外話，老爺子說最初以為“陰陽”學說來自韓國，到了中國才知道原來這一說法來自中國，不知道這里是不是故意賣了個梗。總之，NI堅信，這個世界并不是非此即彼的，而是應該相互融合。

LabVIEW也始終秉承著開放精神，對Python越來越多的支持，包括在LabVIEW中直接調用Python代碼；TestStand 的Python適配器；gRPC通信；REST接口以及NI硬件的Python驅動等等。

實際上，如果回顧歷史，NI發生過多次重要融合，1997年推出了LabVIEW和LabWindows/CVI（支持C），之后是LabVIEW和Measurement Stuidio（支持.NET），NI現在大力支持LabVIEW與Phython的共生也理所應當。

Tony認為，基于文本的編程語言——比如 C 或 Python——在系統復雜性不斷提升時，往往會逐漸走向失控，因為文本編程在代碼層高效，但是結構會越來越混亂，維護成本也更高，也就越容易失控。而圖形化語言下，系統復雜性和臃腫度一眼可知，更不容易失控。

因此，更合理的工程方式不是二選一，而是組合使用：用 C 或 Python 處理那些需要開放性、靈活性和驗證性的部分；同時，用 LabVIEW 進行系統集成與結構表達。這種分工能夠形成更清晰的接口設計。

“如果一味追求完全開放，反而容易失去必要的抽象層，導致復雜性直接暴露在底層細節中，形成更大的復雜性鴻溝。”Tony警示道。

總之，LabVIEW正是在開放性和抽象層級之間找到平衡點，也就是Tony的陰陽學。

NI HIL應用程序示例圖

如果說前面解決的是方法論問題，那么Nigel解決的就是執行層問題。與其他AI不同，Nigel本質上是一個“面向測試工程的垂直AI助手”，融入了 NI 50 年測試測量經驗定制而成，也被視為其AI方向的核心產品之一。區別于通用模型，Nigel可深度適配測試場景，目前在LabVIEW和TestStand中可調用，且在中國網絡訪問無限制。 

如路線圖所示，Nigel在2026年可以完成絕大部分的開發工作。https://www.ni.com/zh-cn/shop/software-portfolio/software-roadmaps.html#nigel，包括指南、生成代碼、數據分析等等功能。

值得注意的是，NI在開發Nigel時，完全沒有收集任何用戶數據。Tony表示，在測試測量行業，AI 的核心始終是數據，但與互聯網場景不同，測試數據既屬于客戶，也難以被集中采集和復用，無法采用依賴數據聚合訓練大模型的方法。特別是在受監管行業中，收集數據既不合規，也不具備可行性。因此，NI采用了“數據與模型解耦”的架構：模型能力可以共享，但數據始終歸屬于客戶，用戶無需上傳任何數據。

Nigel界面

不過，隨著以歐洲《網絡彈性法案》為代表的監管不斷收緊，這種優勢正逐步顯現。一方面，它天然符合未來數據合規的方向；另一方面，這種“不獲取用戶數據”的機制反而建立了雙方更強的信任關系，在實際項目中，客戶往往更愿意與NI共享部分數據。

“如果說在 Web 化界面上我們走了一些回頭路，但在 Nigel上，我們是領先的。”Tony總結道。

喬巍則補充解釋道，測試行業的大模型演進并不完全依賴真實數據。可以通過仿真生成合成數據，并結合半實物仿真（HIL）等手段完成訓練與驗證，從而在沒有大規模真實數據的情況下持續優化模型能力。

喬巍例舉了一個NVH驗證的例子，就是通過數據生成的方式去構建場景，沒有真實用戶數據，也可以完成大量測試與驗證。

如果AI要真正落地，一個繞不開的問題是：數據從哪里來。

隨著系統越來越復雜，仿真與數據合成正在變得炙手可熱，尤其是在自動駕駛、人形機器人這些領域，如果沒有仿真，數據規模根本不夠用。這一階段，仿真不再只是工程工具，而是直接參與AI能力構建。

在喬巍看來，工程學上經典的V模型也被打破，“左側是設計與仿真，右側是驗證與測試，中間通過半實物仿真（HIL）銜接。但隨著AI和具身智能的發展，這種邊界正在被打破。”喬巍說道。

但即便軟件仿真的地位顯著提升，也不會取代測試，畢竟現實世界仍然是物理世界，任何仿真都需要通過HIL來完成閉環驗證，也同樣需要通過測試。“硬件在環（HIL）的半實物仿真仍然是一個非常重要，且會持續使用的工具或方法。”喬巍判斷道。在汽車領域，NI的HIL方案已經得到了廣泛認可，目前NI正在推廣具身智能等新興市場的半實物仿真。 

業界一直在強調“左移”概念，即仿真不斷前移。但喬巍表示，“右移”趨勢也在發生，即系統運行后產生的大量測試數據，又反向進入設計環節。在數字孿生等場景中，這種閉環尤為明顯：測試數據不再只是驗證結果，而是成為持續優化系統的重要輸入，從而反向驅動設計，形成雙向循環。

Tony補充道，從大趨勢上看，仿真的重要性正在急劇上升，但沒有一家公司能夠覆蓋全部仿真工具鏈，也正因此需要NI之類的開放平臺，將不同仿真工具與硬件平臺連接起來，形成系統級能力。

“測試與仿真并不是替代關系”，Tony以半導體行業為例，芯片可以說是最復雜的工業制品，盡管該行業的仿真驗證工具已經非常豐富，但實際上芯片制造過程中的每一步都需要高質量測試。

Dynamic H3TRB and DRB Power Semiconductor Test Systems

在NI回歸的全球背景下，中國正在成為其最關鍵的變量之一。

喬巍用產品力與本土化概括了NI的中國策略。其中產品力來自其全球研發體系與長期高強度投入，NI的研發營收比長期在20%以上。另外本土化則是NI中國成敗的關鍵。

喬巍強調，僅有全球能力是不夠的，特別是對于中國，中國市場的特殊性不止是快，而且需求多樣化、深入化。因此，NI特別2021年設立了中國創新發展中心，目標不僅是簡單的本地支持，而是將全球能力與本地需求深度結合，在系統層面做二次創新，把需求直接轉化為可落地的解決方案。公開數據顯示，自中心成立至2025年8月，四年來已賦能超141家企業，達成商業訂單近4000萬元。

這種本土化不僅體現在研發，還體現在關鍵的市場判斷能力上，通過對本地技術趨勢和應用需求的持續跟蹤，NI在多個細分領域快速建立優勢。喬巍介紹道，例如在源表（SMU）市場中，通過與本地合作伙伴共同合作，切入了這一市場。這背后既是產品能力的體現，也是對本地市場節奏與需求變化的把握。 

另外，喬巍也認為，NI在中國區更要強調系統創新。相比單一產品，NI如今更強調通過工具鏈與硬件平臺，將客戶需求整合為完整系統方案。在這一過程中，NI也傾向于與合作伙伴共同協作，而不僅僅是全棧自研。這種模式在長三角、京津冀等創新平臺中已經逐步展開，不僅提升了項目落地效率，也放大了對中小創新企業的賦能能力。“哪怕我們自己有能力，也會選擇把更多空間留給生態伙伴。”喬巍說道。

從應用層面看，這套合作體系正在多個行業展開，從半導體、汽車到軌道交通、商業航空航天、具身智能，再到能源與科研教育，覆蓋范圍持續擴大。“中國不僅是一個生意市場，更是一個技術與需求快速導入的前沿場景。NI的策略就是在這一環境中，完成從產品提供者向系統能力平臺的轉變。”喬巍說道。

在Tony看來，過去有段時間，NI只重視大客戶及行業垂直解決方案，而忽略了科研等更廣闊的空間，如今NI更強調在廣度與深度間的平衡。

針對中國市場與平衡的要求，喬巍給出了自己的解讀。

喬巍認為，廣度和深度本質是一個資源配置的問題。一方面，公司一定會有部分基礎性的業務，這部分用戶，是過去長期積累下來的基本盤，也是未來必須持續服務好的對象。 

“NI接下來要持續擴大廣度投資。”喬巍說道。在過去很長一段時間里，“長尾效應”一直是NI的核心邏輯。作為一家工具型公司，用戶是分散且跨行業的，也正因為如此，對廣泛用戶的覆蓋不是可選項，而是必選項。 

“另一方面，市場本身有周期性。”喬巍強調道。“當一些巨大行業機會出現時，NI也要去抓住他們，這就以為著我們要了解行業，做更深入的事情。”

同時，由于公司的資源有限，因此生態合作的方式非常適合行業的深入。目前，中國重點關注的垂直行業應用包括：半導體、電子、汽車、鐵路、商業航空航天、能源以及院校等領域，這既和NI以往的垂直經驗與生態相匹配，也和目前中國的市場大趨勢一致。

Tony表示，有些公司會選擇只服務最大的客戶，只做頭部市場。但這樣并不能改變行業本身，只是讓已有體系繼續運轉。而NI如今更在意的是服務所有工程師和科學家。“如果能夠持續幫助更多工程師、科學家、中小企業，他們即使現在很小，也有可能成長為新的力量。”Tony說道。“NI之所以是NI，就是因為我們始終站在工程師這邊。”

“我甚至覺得，如果我們不做這件事，這個行業里可能沒有多少公司愿意真正去幫助中小型企業。而我們相信，AI會讓這件事變得更有可能。”對此，喬巍也深有同感。在NI內部，AI并沒有讓工程師失業，反而讓大家更加忙碌，一個人開始有能力干更多的工作，放大了工程師的能力，同時也放大了NI的服務廣度。

喬巍強調，NI最重要的文化就是創新，如今在AI上更是絕佳體現，不管是否直接和當前業務相關，不管客戶現在是否在用，NI都會持續討論前沿技術。

“我們甚至專門設定固定時間，去做不相關的技術方向討論。”喬巍說道。

Tony強調，NI正在重新加強前沿學術研究業務。一直以來學術都是NI重要的市場之一，盡管前幾年收入下降，但伴隨著業務平衡調整，學術將重新回歸重點。“特別是在中國和印度的學術合作上，已經遠遠領先于NI的其他地區。”Tony表示。

喬巍介紹道，目前NI正在和中國不同類型的院校合作，攜手推進AI課程體系的建設，重新設計了教學內容，以便學生和老師通過虛擬儀器更好地了解AI。

在對話結尾，Tony用三個詞總結了NI和LabVIEW數十年來的成功：持續創新、服務客戶、尊重每一個員工。

而談到未來百年計劃的目標時，Tony仍然使用了這三個詞進行了展望。

“這就是我們的“百年計劃”。我們曾經偏離過，但現在正在重新回到軌道上。”Tony堅定的表示。

· END ·

請將我們設為“星標”，這樣就會第一時間收到推送消息。

歡迎關注EEWorld旗下訂閱號：“機器人開發圈”

掃碼添加小助手回復“機器人”

進群和電子工程師們面對面交流經驗