当软件逆向已经被 AI 大幅加速之后，下一个被盯上的目标，是硬件。
发生了什么
Hacker News 上出现了一篇题为《Using AI to reverse engineer hardware》的讨论，在社区获得了一定关注度。从标题本身可以判断，其核心议题是把 AI 方法引入硬件逆向工程——也就是对芯片、电路板、固件与通信协议做结构还原与行为推断。
需要说明的是，目前可获取的公开信息仅限于标题与社区热度，具体方法、工具链与实验结论尚不明确。因此这里不做细节层面的推断，只讨论这个方向本身意味着什么。
为什么重要
硬件逆向长期是一个门槛极高的领域。它要求从业者同时具备数字电路、模拟电路、半导体工艺、嵌入式固件与协议栈的知识，而且大量工作依赖显微镜下的目视比对、版图分层剥离、信号抓取与手工标注。一个成熟工程师的产出速度，往往以周甚至月为单位。
AI 之所以在这里有想象空间，是因为硬件逆向的很多环节本质上是模式识别问题：版图上的标准单元识别、金属层走线的连通性判断、固件中的指令序列与数据结构推断、总线协议里的时序模式归类。这些恰好是大模型与视觉模型擅长的任务类型。
另一个背景是安全与供应链。芯片层面的漏洞、后门、未公开调试接口，以及老旧设备的维护与兼容，都需要逆向能力。而具备这种能力的人极其稀缺，供给端长期不足。
影响与看点
对安全研究者而言，AI 辅助最直接的价值是压缩重复劳动：把版图识别、字符串提取、函数边界划分这类机械环节自动化，人只负责判断与验证。这不会让逆向变得简单，但会显著改变单位人力的产出。
对开发者与硬件团队而言，更现实的影响可能在固件与协议侧。固件逆向比版图逆向更容易被模型介入，因为它的输入是二进制与汇编，与软件逆向的技术栈高度重叠。已有的软件逆向 AI 工具链，很可能被直接迁移过来。
值得关注的几个问题：一是准确性，硬件逆向的容错率极低，一个错误的连通性判断可能导致整条分析路径作废；二是可验证性，模型给出的推断如何被交叉验证，目前没有成熟范式；三是法律与合规边界，硬件逆向在不少司法辖区本身就处于灰色地带，AI 只是降低了门槛，并没有改变规则。
一个独立判断：AI 在硬件逆向中更可能先成为「加速器」而非「替代者」。它擅长把专家从低价值劳动中解放出来，但最终的结构性判断仍需要人来拍板。真正的变量不是模型有多强，而是这个领域能否沉淀出可复用的验证流程。
