据 Tom’s Hardware 介绍,爱好者 Muhammad Zulali 利用 Claude AI 和一块仅 3 美元的 Arduino Nano 微控制器,成功让一辆 1994 年的吉普切诺基通过了加州严格的排放测试。
作品一览
这辆 32 年车龄的吉普切诺基因在特定测试速度下产生过多的氮氧化物(NOx)而连续未能通过加州排放检测。最初在 25 英里/小时的速度下失败,调整空燃比后,在 25 英里/小时和 50 英里/小时的速度下均失败。Zulali 通过 AI 辅助诊断,最终通过重写 EEPROM 中的代码解决了问题,无需更换机械部件或聘请专业技师。

工具和材料
| 类别 | 名称或型号 | 用在哪一步 |
|---|---|---|
| 微控制器 | Arduino Nano | 处理 Chrysler SCI 总线信号电平转换,连接老车 ECU 与现代电脑 |
| AI 模型 | Claude | 提供诊断建议,确定通信波特率,分析驾驶数据 |
| AI 代码生成 | Codex | 编写内存读写代码,注入自定义代码到 EEPROM |
| 开发板 | 面包板 | 搭建 Arduino Nano 的临时连接电路 |
| 连接线 | 若干 | 连接 Arduino 与吉普车 6 针诊断接口 |
| 软件 | xj-scanner (GitHub) | 记录引擎数据和故障码,分发于 GPLv3 协议下 |
制作过程
第一步:硬件连接与信号识别: 老款吉普车的发动机通过 Chrysler SCI 总线通信,波特率约为 7,800,且电气信号与标准串口相反。Claude 建议车主使用 Arduino Nano 进行电平转换。Zulali 将 Nano 插在面包板上,用三根线连接到吉普车的 6 针诊断插头,成功建立了与 ECU 的连接。

第二步:初步数据读取与盲调: 初始连接仅能读取冷却液温度和电池电压。Zulali 尝试调整空燃比,但发现情况恶化。他承认此前是在“盲调”,每次排放测试费用近 100 美元。为了更精准地诊断,他让 Claude 指导收集更多数据点。
第三步:动态数据记录: Zulali 驾驶车辆分别在 25 英里/小时和 50 英里/小时的速度下进行测试。Claude 记录了此时的引擎数据和故障码,并分析出引擎可能因额外 22% 的燃油而“过浓”。AI 还协助控制了燃油压力等参数。
第四步:代码注入与修复: 由于该车型 ECU 固件不可刷新,Zulali 让 Codex 编写代码,将自定义逻辑注入附近的 EEPROM 芯片中。Claude 负责主要诊断工作,Codex 负责内存操作,Zulali 仅负责接线和驾驶。最终,车辆成功通过所有加州排放测试。
可以借鉴的地方
低成本逆向工程: 对于个人工作室或 Maker 来说,面对老旧设备时,无需昂贵的专用诊断工具。利用通用的微控制器(如 Arduino)结合 AI 的通信协议解析能力,可以低成本地读取和控制旧系统的状态。
AI 辅助决策闭环: 传统维修依赖技师经验,而此案例展示了“AI 建议 -> 硬件执行 -> 数据反馈 -> AI 再分析”的闭环。对于不熟悉特定协议的个人用户,AI 可以作为外脑,将复杂的电气参数转化为可执行的代码或调整指令。
一个读者会问的问题
个人工作室能否用类似方法维护自己的旧设备?
普通个人工作室或家庭实验室中常存有老旧的仪器、打印机或网络设备。这些设备往往因驱动不兼容或固件过时而难以使用。借鉴此案例,你可以利用 Raspberry Pi 或 Arduino 作为中间件,通过 AI 解析旧设备的通信协议(如串口、USB HID 等),从而在现代操作系统上重新获得控制权。
要花多少时间和钱、适合谁?
此项目的物料成本极低(不超过 15 美元),主要成本在于时间。Zulali 花费了数天时间进行调试。适合具备基础电子焊接能力、熟悉 Python 或 C++ 基础语法,且对旧物改造感兴趣的 Maker。对于拥有 NAS 或小型服务器的主机,可以部署本地 AI 模型(如 Llama 3)来处理数据,减少对云端 API 的依赖,进一步降低长期维护成本。





