NI LabVIEW 40年：AI浪潮下，NI能否英雄归来|labview|ni|乔巍|机器人|框图|编程|高吞吐量内核

“现在我们已经推出了64位中文版的LabVIEW。”

在 NI 测试测量技术研讨会北京站现场，NI 传奇工程师 Tony Vento 说出这句话后，台下顿时响起了一阵掌声。

去年 11 月，Tony 在中国参加 LabVIEW 用户交流时，听到了大量来自本地社区的声音（以及毫不客气的吐槽）。几个月后，针对最新LabVIEW的64位中文版的需求反馈被迅速兑现。

当然，Tony此次来中国并不仅仅是兑现承诺，更是为了LabVIEW的未来。

今年是NI成立50周年，也是LabVIEW诞生40周年，作为LabVIEW第一名应用工程师，Tony见证了发展的全过程。

在NI，Tony经历过的工作职能包括AE、销售工程师、运营、生态系统负责人、也曾以NI合作伙伴的角色出现。也正因此才有了“传奇工程师”这一称号。他不仅是历史的见证者，更是推动者之一。

笔者有幸见到了Tony以及艾默生测试测量业务集团（NI）中国区总经理乔巍，并关于LabVIEW 40年，关于NI的回归，关于AI与测试的融合，等等一系列话题进行了交流。在AI浪潮之下，这家曾经定义测试测量行业的软件公司，是否真的完成了回归？而LabVIEW，这款诞生40年的工具，能否在新的技术周期中成为核心？在这次谈话中，我找到了一些答案。

LabVIEW 40周年纪念真正的价值不是历史，而是未来。

NI 传奇工程师 Tony Vento、艾默生测试测量业务集团（NI）中国区总经理乔巍

面对复杂性鸿沟，NI真的回归了

Tony将NI的发展划分成五个阶段，初创公司、快速成长、稳固成长、“黑暗时刻”以及回归。当说道“We’re Back”时，Tony甚至特别举了举拳头。

NI的回归，本质上是一个超级英雄的叙事：在系统复杂性失控的时代英雄重新归来，而这个“反派”，就是Tony口中的“复杂性鸿沟”。尽管在很多工程师的认知中，LabVIEW 早已不是一个“处在风口”的工具，但面对挑战时，NI还是一位值得相信的超级英雄。

Tony解释道，系统复杂性鸿沟的内涵在于，科技的突破不是单一技术难题，而是失控。系统越来越复杂，数据规模指数级增长，协作沟通效率变得越来越低，这一系列综合挑战已经超越了工程师能够理解和控制的能力。

实际上，这种复杂性失控NI就曾经历过，Tony也有着深刻体会，在 LabVIEW NXG 阶段，NI 试图一次性实现过多目标，导致复杂度失控，也错失了一些关键能力（如 Web 界面）。

Tony认为，AI正是跨越复杂性鸿沟的绝佳机会，因为跨越复杂性鸿沟的关键不是简化系统，而是用新的方式处理系统。如今，在其他各个行业中，AI已经被人们用来解决一系列复杂问题。

虽然NI没有喊出All in AI，但看看研讨会三个分论坛，除了AI原生测试论坛之外，包括射频、商业航空以及前沿行业应用分论坛中，都已经有了AI的身影。

NI如何回归

NI如何回归初心？不要看他说了什么，要看他怎么做。从目前的动作来看，NI的回归可以归结为三件事：文化回归、产品回归以及架构能力回归。

第一，是文化的回归。首先，NI做了LabVIEW 40周年纪念T恤（笑）。“NI内部，T恤一直都是一件很重要的事，但很遗憾已经长一段时间没有真正满意的。”Tony说道。

当2019 年 Dr. T（James Truchard）和 Jeff Kodosky 入选美国国家发明家名人堂时，《EE Times》对他进行过一次深度专访，在《LabVIEW Creator Talks its Past and Future》这篇文章中，也专门回忆了 NIWeek 95的 T 恤梗。

“我们在这个世界上最好的老师就是苹果和乔布斯。”Tony说道。显然，这件令他满意的T恤也代表了NI的工程师文化的回归。

第二，是人。包括Tony在内，正在有更多的NI前员工回归NI。Tony强调，首先他从来没有离开NI，而是合作伙伴，其次，他们这次回归，是为了贯彻执行NI的“百年计划”，让创新重回正轨。

第三，是产品与技术路线的回归。软件上，除了LabVIEW、TestStand等软件的加快路线图更新之外，NI也专门开发了Nigel AI，这款AI助手被NI视为专为测试领域打造的AI工具。

硬件创新也在回归，NI连续推出了40多款DAQ、更多的PXI产品以及重新重视CompactRIO的发展。Tony表示，LabVIEW FPGA是NI最重要的创新之一，他具有低延迟、强大的IO能力等特性，非常适合如今边缘端的AI开发。

LabVIEW正在成为系统工具

今年是LabVIEW诞生40周年，Tony自然有着相当多的话题愿意聊。虽然LabVIEW也经常被吐槽，但是不得不承认，在众多行业中，LabVIEW依然不可替代。Tony将LabVIEW的成功归结于三大特色：前面板与框图、系统工具以及图形化思维。

Tony的座右铭是“我花更多时间思考未来，而不仅仅是从过去学习。”如今，站在40年高点上，NI要如何改变LabVIEW呢？

在Linkedin上，Tony回复了LabVIEW编程大神Stephen Loftus-Mercer关于LabVIEW未来的思考，我觉得这段话非常有助于理解LabVIEW的当下和今后的发展。

Stephen Loftus-Mercer发表了一篇文章，题目就很炸裂，《在人工智能时代，LabVIEW 已然没落了吗？》。Stephen Loftus-Mercer认为，AI时代反而放大了LabVIEW的优势：AI难以独立完成系统架构设计，而文本语言在表达数据流、并行与系统结构时并不直观；相比之下，LabVIEW的图形化与数据流模型可以清晰呈现系统逻辑。而AI的引入，则进一步弥补了LabVIEW长期以来“开发效率低”的短板。

Tony的补充，则把这一问题提升到了方法论层面：其认为LabVIEW不只是一门编程语言，更是一套系统开发工具。

以下是他撰写的全文：

“我想进一步延伸Stephen Loftus-Mercer的观点，谈谈它的核心优势：LabVIEW 为程序员与非程序员都打开了系统开发的大门。它能帮助工程师和科学家搭建完整系统，这套流程常被概括为“采集—分析—呈现”：从 NI 硬件及其他 I/O 设备采集数据、对数据进行分析、再将结果可视化展示。这一切都依托于前面板—程序框图的设计模式，这至今仍是Jeff Kodosky极具天才的创举。工程师和科学家在学习训练中本就习惯用框图思维思考问题，而这种思维方式也将一直延续下去。

没有任何一款工具是完美的。图形化编程有其优势与短板，Python、C++ 等文本式编程语言同样如此。这背后反映了计算机科学的一个普遍规律：不同的计算模型，适用于不同的应用场景与问题。

很重要的一点是，LabVIEW 并不局限于图形化代码。它很早就具备与其他语言集成的能力，在早期版本中开放 C 语言接口便是其发展历程中的关键一步，我本人也曾直接参与这项工作。这种多语言、多代码源融合的思路，很可能会成为 LabVIEW 未来发展的核心，尤其在自动生成代码愈发普及的趋势下。

从教育角度来说，我一直认为学生应当同时掌握图形化与文本化两种编程方式。二者能培养截然不同的系统思维能力，结合使用才能构建更全面的技能体系。

最后，LabVIEW 隶属于一个庞大的生态体系。在未来数年，这套生态将成为 LabVIEW 依托 NI-艾默生集团持续发展的关键所在。”

“AI还替代不了系统的工作，替代不了LabVIEW。”乔巍同样判断道。AI时代所带来的Vibe coding变化，也让诸多SaaS公司产生了SaaS 末日效应（SaaSpocalypse），但这也正说明基于文本的软件工具会最先面临冲击。

LabVIEW是唯一一个可以用同一个工具同时开发桌面程序、实时系统以及FPGA的开发环境。也正是这个特色，让其在系统中可以发挥更大价值。

未来，LabVIEW更像是一个系统编排层工具，AI 可以生成 Python / C 代码成为LabVIEW的节点，FPGA可以直接生成可以运行和交互的硬件逻辑及IO。然后通过LabVIEW 的框图负责把这些能力连接成系统，同时前面板生成更直观更高效的人机交互界面。“虽然现在大家都在讲AI友好化，但本质上还是共存关系——有些场景确实会变得更偏向AI。但多数时候，仍然需要友好的人机界面。”乔巍说道。

LabVIEW的阴阳与开放

“很长一段时间来看，你确实需要集成化工具；另一方面，如果试图做一个什么都能解决的工具，那是永远行不通的。”Tony解释道，“必须采用开放的方法，从更高层系统级级进行抽象，从而跨越复杂性鸿沟。”

Tony用“阴阳”来指代NI的开放精神，不过先插一句题外话，老爷子说最初以为“阴阳”学说来自韩国，到了中国才知道原来这一说法来自中国，不知道这里是不是故意卖了个梗。总之，NI坚信，这个世界并不是非此即彼的，而是应该相互融合。

LabVIEW也始终秉承着开放精神，对Python越来越多的支持，包括在LabVIEW中直接调用Python代码；TestStand 的Python适配器；gRPC通信；REST接口以及NI硬件的Python驱动等等。

实际上，如果回顾历史，NI发生过多次重要融合，1997年推出了LabVIEW和LabWindows/CVI（支持C），之后是LabVIEW和Measurement Stuidio（支持.NET），NI现在大力支持LabVIEW与Phython的共生也理所应当。

Tony认为，基于文本的编程语言——比如 C 或 Python——在系统复杂性不断提升时，往往会逐渐走向失控，因为文本编程在代码层高效，但是结构会越来越混乱，维护成本也更高，也就越容易失控。而图形化语言下，系统复杂性和臃肿度一眼可知，更不容易失控。

因此，更合理的工程方式不是二选一，而是组合使用：用 C 或 Python 处理那些需要开放性、灵活性和验证性的部分；同时，用 LabVIEW 进行系统集成与结构表达。这种分工能够形成更清晰的接口设计。

“如果一味追求完全开放，反而容易失去必要的抽象层，导致复杂性直接暴露在底层细节中，形成更大的复杂性鸿沟。”Tony警示道。

总之，LabVIEW正是在开放性和抽象层级之间找到平衡点，也就是Tony的阴阳学。

NI HIL应用程序示例图

通过Nigel全面拥抱AI

如果说前面解决的是方法论问题，那么Nigel解决的就是执行层问题。与其他AI不同，Nigel本质上是一个“面向测试工程的垂直AI助手”，融入了 NI 50 年测试测量经验定制而成，也被视为其AI方向的核心产品之一。区别于通用模型，Nigel可深度适配测试场景，目前在LabVIEW和TestStand中可调用，且在中国网络访问无限制。

如路线图所示，Nigel在2026年可以完成绝大部分的开发工作。https://www.ni.com/zh-cn/shop/software-portfolio/software-roadmaps.html，包括指南、生成代码、数据分析等等功能。

值得注意的是，NI在开发Nigel时，完全没有收集任何用户数据。Tony表示，在测试测量行业，AI 的核心始终是数据，但与互联网场景不同，测试数据既属于客户，也难以被集中采集和复用，无法采用依赖数据聚合训练大模型的方法。特别是在受监管行业中，收集数据既不合规，也不具备可行性。因此，NI采用了“数据与模型解耦”的架构：模型能力可以共享，但数据始终归属于客户，用户无需上传任何数据。

Nigel界面

不过，随着以欧洲《网络弹性法案》为代表的监管不断收紧，这种优势正逐步显现。一方面，它天然符合未来数据合规的方向；另一方面，这种“不获取用户数据”的机制反而建立了双方更强的信任关系，在实际项目中，客户往往更愿意与NI共享部分数据。

“如果说在 Web 化界面上我们走了一些回头路，但在 Nigel上，我们是领先的。”Tony总结道。

乔巍则补充解释道，测试行业的大模型演进并不完全依赖真实数据。可以通过仿真生成合成数据，并结合半实物仿真（HIL）等手段完成训练与验证，从而在没有大规模真实数据的情况下持续优化模型能力。

乔巍例举了一个NVH验证的例子，就是通过数据生成的方式去构建场景，没有真实用户数据，也可以完成大量测试与验证。

仿真和测试

如果AI要真正落地，一个绕不开的问题是：数据从哪里来。

随着系统越来越复杂，仿真与数据合成正在变得炙手可热，尤其是在自动驾驶、人形机器人这些领域，如果没有仿真，数据规模根本不够用。这一阶段，仿真不再只是工程工具，而是直接参与AI能力构建。

在乔巍看来，工程学上经典的V模型也被打破，“左侧是设计与仿真，右侧是验证与测试，中间通过半实物仿真（HIL）衔接。但随着AI和具身智能的发展，这种边界正在被打破。”乔巍说道。

但即便软件仿真的地位显著提升，也不会取代测试，毕竟现实世界仍然是物理世界，任何仿真都需要通过HIL来完成闭环验证，也同样需要通过测试。“硬件在环（HIL）的半实物仿真仍然是一个非常重要，且会持续使用的工具或方法。”乔巍判断道。在汽车领域，NI的HIL方案已经得到了广泛认可，目前NI正在推广具身智能等新兴市场的半实物仿真。

业界一直在强调“左移”概念，即仿真不断前移。但乔巍表示，“右移”趋势也在发生，即系统运行后产生的大量测试数据，又反向进入设计环节。在数字孪生等场景中，这种闭环尤为明显：测试数据不再只是验证结果，而是成为持续优化系统的重要输入，从而反向驱动设计，形成双向循环。

Tony补充道，从大趋势上看，仿真的重要性正在急剧上升，但没有一家公司能够覆盖全部仿真工具链，也正因此需要NI之类的开放平台，将不同仿真工具与硬件平台连接起来，形成系统级能力。

“测试与仿真并不是替代关系”，Tony以半导体行业为例，芯片可以说是最复杂的工业制品，尽管该行业的仿真验证工具已经非常丰富，但实际上芯片制造过程中的每一步都需要高质量测试。

Dynamic H3TRB and DRB Power Semiconductor Test Systems

回归在中国

在NI回归的全球背景下，中国正在成为其最关键的变量之一。

乔巍用产品力与本土化概括了NI的中国策略。其中产品力来自其全球研发体系与长期高强度投入，NI的研发营收比长期在20%以上。另外本土化则是NI中国成败的关键。

乔巍强调，仅有全球能力是不够的，特别是对于中国，中国市场的特殊性不止是快，而且需求多样化、深入化。因此，NI特别2021年设立了中国创新发展中心，目标不仅是简单的本地支持，而是将全球能力与本地需求深度结合，在系统层面做二次创新，把需求直接转化为可落地的解决方案。公开数据显示，自中心成立至2025年8月，四年来已赋能超141家企业，达成商业订单近4000万元。

这种本土化不仅体现在研发，还体现在关键的市场判断能力上，通过对本地技术趋势和应用需求的持续跟踪，NI在多个细分领域快速建立优势。乔巍介绍道，例如在源表（SMU）市场中，通过与本地合作伙伴共同合作，切入了这一市场。这背后既是产品能力的体现，也是对本地市场节奏与需求变化的把握。

另外，乔巍也认为，NI在中国区更要强调系统创新。相比单一产品，NI如今更强调通过工具链与硬件平台，将客户需求整合为完整系统方案。在这一过程中，NI也倾向于与合作伙伴共同协作，而不仅仅是全栈自研。这种模式在长三角、京津冀等创新平台中已经逐步展开，不仅提升了项目落地效率，也放大了对中小创新企业的赋能能力。“哪怕我们自己有能力，也会选择把更多空间留给生态伙伴。”乔巍说道。

从应用层面看，这套合作体系正在多个行业展开，从半导体、汽车到轨道交通、商业航空航天、具身智能，再到能源与科研教育，覆盖范围持续扩大。“中国不仅是一个生意市场，更是一个技术与需求快速导入的前沿场景。NI的策略就是在这一环境中，完成从产品提供者向系统能力平台的转变。”乔巍说道。

广度与深度的平衡

在Tony看来，过去有段时间，NI只重视大客户及行业垂直解决方案，而忽略了科研等更广阔的空间，如今NI更强调在广度与深度间的平衡。

针对中国市场与平衡的要求，乔巍给出了自己的解读。

乔巍认为，广度和深度本质是一个资源配置的问题。一方面，公司一定会有部分基础性的业务，这部分用户，是过去长期积累下来的基本盘，也是未来必须持续服务好的对象。

“NI接下来要持续扩大广度投资。”乔巍说道。在过去很长一段时间里，“长尾效应”一直是NI的核心逻辑。作为一家工具型公司，用户是分散且跨行业的，也正因为如此，对广泛用户的覆盖不是可选项，而是必选项。

“另一方面，市场本身有周期性。”乔巍强调道。“当一些巨大行业机会出现时，NI也要去抓住他们，这就以为着我们要了解行业，做更深入的事情。”

同时，由于公司的资源有限，因此生态合作的方式非常适合行业的深入。目前，中国重点关注的垂直行业应用包括：半导体、电子、汽车、铁路、商业航空航天、能源以及院校等领域，这既和NI以往的垂直经验与生态相匹配，也和目前中国的市场大趋势一致。

Tony表示，有些公司会选择只服务最大的客户，只做头部市场。但这样并不能改变行业本身，只是让已有体系继续运转。而NI如今更在意的是服务所有工程师和科学家。“如果能够持续帮助更多工程师、科学家、中小企业，他们即使现在很小，也有可能成长为新的力量。”Tony说道。“NI之所以是NI，就是因为我们始终站在工程师这边。”

“我甚至觉得，如果我们不做这件事，这个行业里可能没有多少公司愿意真正去帮助中小型企业。而我们相信，AI会让这件事变得更有可能。”对此，乔巍也深有同感。在NI内部，AI并没有让工程师失业，反而让大家更加忙碌，一个人开始有能力干更多的工作，放大了工程师的能力，同时也放大了NI的服务广度。