物理 AI 才是下一条真正的大赛道：从自动驾驶到矿山、港口与家用机器人The a16z Show

我们的使命，是把智能装进十亿台机器，并相信这会对社会产生深远影响。Applied Intuition 是一家物理 AI 公司，服务的对象包括汽车、卡车、坦克、无人机，以及各种真实移动的机器。

所谓物理 AI，就是让这些真实世界里的移动实体具备感知、判断和行动能力。

数字 AI 可以写软件、优化广告、生成视频；这些都很有价值，但真正涉及全球实体经济的部分——制造、运输、开采和供应链——属于物理 AI。

在这场智能革命里，最终改变物理世界的公司，规模甚至可能超过只改变数字世界的公司。

物理智能究竟会影响多少种东西？

自主系统没有理由永远是一门晦涩、困难、只有少数专家掌握的技术。

我们希望，一个会开发 iPhone 应用的高中生，也能开发自主机器。

为此我们推出 Dana。它把设计、开发、训练、测试和部署自主系统的工作放进同一平台，也承载了 Applied Intuition 近十年的工具与方法。

那么，训练自主设备所需的完美真实世界仿真，和《GTA 6》，哪个会先到？

这大概是今天最难回答的问题。现场众人笑了起来。

Qasar、Peter，欢迎来到 a16z 播客。我们几个人认识太久了，久到可能都不太愿意承认。

谢谢邀请。大家确实认识很多年了。

我们也是公司最早一轮的投资人之一，虽然支票大小不同。今天有很多内容，尤其是你们公司历史上最大的一次产品发布。但先从最基础的问题开始：Applied Intuition 到底做什么？

最简单的说法是，我们是一家物理 AI 公司，让机器拥有智能。汽车、卡车、坦克、无人机，只要是会在物理世界移动的东西，都在范围内。

公司最初不是直接做机器里的智能，而是做开发智能机器所需要的工具。后来，我们进一步进入真正运行在机器上的模型和软件。

这甚至是一家有点“无聊”的 AI 公司，因为公司大约 83% 的人从事工程相关工作。我们靠把产品做得足够好取胜，不是一家以销售包装驱动的公司。

公司已有一千多人，总部在硅谷，在全球有 18 个办公室。我们的使命一直是让十亿台机器具备智能。

为什么是十亿台？

一个原因是安全。真正和遭遇过车祸、矿难或农业事故的人聊过，就会知道那不是抽象统计，而是非常惨烈的真实处境。

另一个原因是生产率。数字世界已经因为软件和 AI 出现巨大的效率释放，并诞生万亿美元公司；物理世界同样有机会发生这种变化。

回看互联网历史，最重要的企业并不只是提供网页或分析工具。Amazon 最终要把东西送到你手上，Apple 要通过真实设备连接用户。

因此，二十五年后回看这场智能革命，影响真实物理世界的公司，可能比只影响数字世界的公司更大。

也就是说，你们不是传统意义上的汽车软件供应商，而是在构建机器智能的基础设施和实际运行层。

对。可以把业务理解为两部分：机器之外的 offboard 工具，以及真正装进机器里的 onboard 智能。

你们创业早期，一个常见质疑是：自动驾驶客户不就是 Tesla、Waymo，再加六到八家大型车企吗？如果客户数量这么少，公司怎么可能长得足够大？

所以，物理 AI 到底会进入多少种移动设备？

今天汽车只占我们业务的大约 30%，另外约 70% 已经来自汽车之外。

再过十年或二十年，传统汽车制造商在我们的客户组合里可能会变成更小的一部分。汽车业务仍然很大，但不会是全部。

汽车本身仍然是全球经济中的巨大行业。

对，汽车大约占全球 GDP 的 3%，所以“比例下降”不等于“市场变小”。只是其他机器类别也会迅速变得重要。

最初，车企是把智能分发给消费者的渠道。后来我们进入国防、建筑、矿业和农业，就会发现矿山运营商、政府部门和各种设备业主本身也是直接客户。

国防、建筑、采矿、农业、港口、物流、工程机械和公共部门，都需要机器智能。

数字 AI 主要操作信息；物理 AI 操作全球经济的实体部分：制造、开采、搬运、运输和供应链。

大众容易把物理 AI 等同于 Robotaxi，是因为每个人都坐车，却看不到矿山、港口和工地内部正在发生什么。

没错。汽车最容易被普通人感知，但它只是所有移动机器中的一种。

我们的目标不是给某一种汽车提供一个功能，而是让十亿台不同机器具备智能。按照这个尺度思考，客户和应用远不止几家车企。

历史上，几乎所有移动机器都围绕操作者设计。飞机要有驾驶舱，船要有舵和操作台，车辆要有座椅、方向盘和视野。进入自主时代后，我们是否会发现许多全新的机器形态？

两种情况都会出现。一方面会改造现有机器，另一方面会从零设计不再容纳人的新机器。

例如港口的运输设备、矿山里的 Caterpillar 或 Komatsu 土方机械，设计寿命往往是二十到二十五年。设备业主还没有收回全部投资，不会因为新方案更漂亮就立刻把旧设备全部换掉。

所以第一条路线，是让这些已经存在、还会服役很多年的机器获得智能。

第二条路线就是取消驾驶室后重新设计？

对。没有人坐在驾驶舱里，机器可以更小，也可以采用完全不同的形状。

地下矿山尤其明显。现在很多设备尺寸、通风和工作方式，都受到“里面必须有人呼吸并安全撤离”的约束。拿掉这个约束，就可以设计完全不同的设备。

这意味着价值不只是让一台机器自己开。

更大的释放来自系统层智能。一个港口、一座矿山或一个采石场里，有不同品牌、不同年代、承担不同任务的设备。

如果这些机器可以通信和共同优化，一台设备故障时，其他设备可以重新调度，而不是让整套作业停下来。

人类驾驶时，运营方甚至可能不知道某台机器即将失效，因为驾驶员没有直接接入设备的核心状态。

一个很朴素却重要的例子，是提前发现制动系统磨损。系统可以判断某个矿区的磨损速度高于其他地方，在真正故障之前安排维修。

所以自主化同时改变设备设计、车队协同和维护方式。

对，物理 AI 不只是替代驾驶员，还会提高整套昂贵资产的利用率与可靠性。

劳动力结构本身也在推动自动化，而不只是技术公司主动寻找场景。

美国农民的平均年龄大约是 58 岁，35 岁以下的农民占比不到 10%。

与此同时，全球对粮食和稀土材料的需求继续增长，人的供给却在下降。

货运也面临相似问题，行业需要更多运力，却很难找到愿意长期从事这些工作的年轻人。

如果自动化提高效率，下游会发生什么？

食品价格可能下降，货物运输成本也可能从每英里几美元降到大约二十美分。

这种收益并不要求所有机器立刻重做，许多旧设备可以先通过软件、传感器和计算平台升级。

你们现在的工程能力覆盖哪些部分？

团队不只有软件和 AI 工程师，还有熟悉功能安全、实时系统和硬件的人。

真实机器没有 iOS、Android 或浏览器替开发者屏蔽硬件差异，每个平台都要处理自己的计算、传感器和故障模式。

我们已经把模型部署到五十多个不同平台上。这个数字听起来普通，实际每一种机器都需要大量集成工作。

物理系统的难点在于，模型必须和传感器、硬件、实时操作、安全机制一起工作，而不是只在云端返回一个答案。

这也是为什么公司保持极高工程人员比例：进入生产环境的能力，才是过去十年最重要的积累。

公司融资约十亿美元且大部分仍在账上，只说明我们有能力选择扩张速度，并不表示不会很快投入这些巨大市场。

你们已经拥有一千多人的工程团队，也在许多真实平台上部署。公司现在如何思考下一阶段规模？

我们周围有很多巨大的市场。过去近十年真正把产品送入生产环境，让我们现在可以决定要多激进地进入这些市场。

公司累计融资大约十亿美元，访谈时大部分资金还在账上。当然，这并不代表下个月不会花掉，算是“好消息也是坏消息”。

衡量规模的核心仍然是同一个使命：哪些机器最值得优先获得智能，哪些领域能够产生最大影响，然后从那里向十亿台机器扩展。

大众如何判断物理 AI 的进展？

物理 AI 的进展经常被缩减成两个话题：Robotaxi 和人形机器人。

它们直观、带有科幻感，也确实很重要，但港口、矿山、物流、农业和大量不显眼的工业场景同样重要。

一个港口的效率提升可能不会每天出现在社交媒体上，却会真实影响货物周转、供应链和成本。

物理 AI 还会迅速进入主权问题。数字服务最初可以像浏览器和互联网一样全球扩散，但社交媒体、网约车和外卖平台后来都遇到本地监管与本地竞争。

到了 Robotaxi、国防系统和基础设施机器，各国会更谨慎。美国的 Waymo 或中国的 Pony.ai 想进入第三国时，政府不会简单允许它们不受限制地运行。

道路、地图、国防、基础设施和现场数据都带有国家属性，因此很多国家会要求 AI 本地化。

Applied Intuition 是技术供应商，可以与各地政府和产业合作，在不同国家提供底层能力，而不是要求所有地方接受完全相同的封闭运营模式。

这也意味着物理 AI 的全球化，会伴随更强的本地化和地缘政治约束。

是的。这是物理 AI 讨论中经常被低估的一面。

为什么大众仍然容易低估这些“非明星场景”？

Robotaxi 和人形机器人很有画面感，像科幻电影，所以更容易占据新闻和融资叙事。

港口调度、矿山运输或农业设备没有同样的消费曝光度，却可能更早产生稳定收入。

这有点像网络技术从连接单台计算机，扩展到连接整家公司，再扩展到整个国家。

今天所谓主权 AI 的讨论，真正落到国防、道路和移动机器时，往往就是物理 AI。

互联网早期强调无边界，为什么物理 AI 更难复制？

浏览器和网页可以直接跨境，社交媒体开始遇到内容与政治边界，网约车和外卖则必须面对本地运营者。

到了真实车辆和基础设施，政府会进一步要求地图、数据、模型和运行权限受本地控制。

数字 AI 的前沿模型通常使用互联网数据，再辅以专家整理的数据。

物理 AI 无法只靠互联网，因为矿山、物流和工业设备的数据并不存在于公共网页中。

另外，安全不是发布后的附加检查，而是模型、硬件和验证流程从一开始就必须共同满足的条件。

手机应用犯错可能影响体验；重型机器犯错可能伤人。人形机器人如果倒向孩子，也必须被当作安全关键系统。

所以物理 AI 的前沿，不只是模型能力，还包括证明它在具体机器和具体环境里的安全案例。

对。数据、仿真、验证、实时系统和部署能力共同决定系统是否真的能进入生产。

数字基础模型可以训练在互联网上的大量公开数据上。物理 AI 的数据有什么不同？

互联网数据仍然有用，但矿山、港口、物流和其他工业环境里的关键数据，通常不公开，甚至从未被系统记录。

所以我们必须进入现场收集数据，并处理安全评估。开发手机应用时，错误可能只是闪退；数吨重的机器出错，后果完全不同。

有些国家甚至不允许普通地图公司自由采集数据，更不会直接允许一家美国公司大规模进入现场。韩国等地就有严格的地图与安全限制。

我们这些年在中东、拉丁美洲等地区积累了经验，学会和政府合作，获得许可并建立专有数据集。

物理 AI 仍然遵循专有数据、规模定律等规律，但数据扩散方式不同。它不能像手机应用那样让所有人立即访问。

这种困难反而会形成壁垒。我们已经积累数百 PB 数据，并拥有合成数据工具和神经仿真能力，可以把自有数据与自有工具结合起来。

这里存在典型的鸡生蛋问题：要训练自主机器，需要大量数据；要得到大量数据，又需要许多机器先在真实世界运行。

启动飞轮不容易，但并非神秘。我们拥有世界上规模很大的数据采集车队，所需的是资金、资源和技术经验。

真正更难的是，如何让模型在多种硬件上工作，并经过足够严格的测试，最终进入生产。

Cruise 的经历说明，团队可以拥有很强的自动驾驶技术，但一次严重事故就可能让母公司和监管者迅速收缩。

我们很早就相信合成数据重要，五年多前便建立相关团队。它可以帮助系统发现罕见问题，并生成现实世界难以大量收集的场景。

Transformer 之后，自动驾驶方法也发生变化。过去常以模仿学习为主，让模型复制人类驾驶数据；现在前沿方向是闭环里的端到端强化学习。

系统会识别自己的薄弱场景，再去寻找相似数据或合成这些场景，重新训练并检查表现是否改善。

长期看，这个循环可以越来越自动化；目前仍需要人类根据真实道路中的错误进行判断和介入。

除了模型本身，物理 AI 现在最棘手的瓶颈是什么？

只要面对物理系统，就会遇到很多不漂亮却决定成败的硬件问题。

可能是计算平台过热，可能是传感器轻微失准，也可能是昨天刚遇到的那种问题：雾气让传感器读数发生变化。

这些问题听起来不像“基础模型突破”，却必须被一一解决，系统才能在现实世界长期、稳定、安全地运行。

这也解释了为什么仿真和真实部署缺一不可。模型在测试集上表现好，不代表机器在雨、雾、震动和温差中仍然可靠。

对。物理 AI 的工程工作，就是不断把这些现实约束纳入设计、验证和冗余体系。

接下来我想问一个可能有点尖锐的问题：Cruise 当年是高速发展的硅谷自动驾驶公司，被通用汽车收购后，一度被认为代表传统车企最积极的自动驾驶投入。你们是否对它后来被终止感到意外？

Cruise 最初是一家很受关注的硅谷创业公司，团队顶尖，早期一度被认为和 Tesla 并驾齐驱。它后来被通用汽车收购，成为 GM 的自动驾驶项目。

这笔交易当年甚至让人惊讶。Peter 和我都来自通用汽车体系，我打电话让他猜买家，他猜了 Nvidia、Apple，最后答案却是“General Motors”。

GM 因此获得很多赞誉，被视为最愿意重金投入自动驾驶的传统车企。按外界所知，Cruise 的技术进展也相当不错。

后来发生严重事故，一名行人被车辆拖行约二十英尺。事故没有造成死亡，但伤势严重，舆论和监管压力随即上升。

此后 GM 董事会和管理层迅速收缩项目，Cruise 的一些高管对此非常愤怒。你们是否意外？

先说明，通用汽车是我们的客户，我也毕业于 General Motors Institute，所以我们对这家公司有很深的感情。

我最近恰好在读一本著名的书，《On a Clear Day You Can See General Motors》。这是 John DeLorean 关于 GM 的书。

DeLorean 当年是汽车业的明星高管，一度被认为可能成为通用汽车总裁，后来创办自己的汽车公司，最终因各种原因崩溃；他的车则因为《回到未来》而闻名。

书名本身就是一个笑话：只有天气特别晴朗时，你才看得清通用汽车，因为它像一个庞大、复杂的国家。

这并不只是修辞。现代汽车集团常常和国家结构紧密相连。Hyundai、Toyota、Volkswagen 都在各自国家承担超出普通公司的角色，有些董事会席位甚至直接涉及政府代表。

美国过去也有一句话：“对通用汽车有利的事，就是对美国有利的事。”这家公司塑造了现代大型企业的组织形式。

Alfred Sloan 和 Charles Kettering 等人建立了层级、职能部门、矩阵管理和副总裁体系。今天大工程组织的许多“源代码”，都能追溯到那一代 GM。

DeLorean 写书时，GM 并不是一家衰败企业，反而位居美国公司之首。正因为它当时如此成功，内部人士公开批评才显得格外激烈。

他后来甚至试图阻止合作者出版这本书，但书仍然问世，留下了大型公司内部运作的真实切面。

令人吃惊的是，二十多年后再看，许多大型制造商内部仍然以类似方式运转。

重点不是这些公司的人愚蠢。他们并不愚蠢，而是受制于自己的分销、监管、责任和组织结构。就像国防业务一样，分销方式会反过来定义整个企业。

这本书为什么在当时那么有冲击力？

因为 DeLorean 不是站在失败企业外部批评，而是被视为可能接任总裁的内部明星。

当时 GM 不只是 Fortune 100 第一名，某种意义上像同时占据第一、第二和第三，是美国企业能力的象征。

在这种背景下，说公司被组织惯性拖累，比在衰退期批评容易得多，也危险得多。

他后来为什么阻止出版？

他离开后又后悔，不希望书公开，多年试图阻止合作者出版，但合作者最终还是把它发表了。

因此书里保留了罕见的内部视角，而不是事后经过公关整理的企业史。

Sloan 的《My Years with General Motors》和《White Collar Man》等材料，也能帮助理解现代工程组织如何形成。

Kettering 代表工程领导，Sloan 代表管理架构，两者共同解决大型公司怎样同时按职能和产品运作。

今天的车企仍然继承了这些结构，也继承了它们服务全球市场和承担公共责任的规模。

正是如此。组织慢并不自动等于组织无能，有时是因为每个决定会扩散到工厂、经销商、工会、政府和数百万消费者。

Cruise 进入 GM 后，也不可避免地进入这套责任网络，而不再只是一个可以快速试错的独立创业团队。

所以判断它的结局，不能只比较算法进度，还要看母公司的风险承受能力与战略一致性。

对。技术、组织、监管、工会、事故处理和商业模式同时作用，任何单一解释都不完整。

汽车是面向大众的消费品，也承受极高的法律风险。我二十年前做安全系统时，GM 经常提醒我们，美国历史上最大的五起消费者诉讼里，有三起与汽车有关。

因此，汽车公司必须极度谨慎，甚至会形成外人看来很荒诞的流程。

例如，项目状态不能简单标成红、黄、绿，而可能使用紫色、洋红或橙色。原因之一是，一旦进入诉讼，律师会问：“你们为什么让一个被标红的安全系统进入生产？”公司希望避免留下过于直接的文字证据。

这会让工程师抓狂，因为每次都得问“橙色到底是什么意思”，但它反映了大型车企在责任风险下的行为方式。

Ford 长期使用“Quality is Job One”作为口号。

汽车业就是质量和安全的组合。日本制造商又进一步重塑了整个行业对质量的要求。

所以，Cruise 代表的硅谷速度，撞上的是汽车业几乎不可移动的质量与安全体系。

还要把当时的工会谈判、利润分配和政治环境放进同一张图。假设工会正在谈判，他们可能会说：公司不愿意为工人多花十亿美元，却在资助一个发生严重事故的项目。

我不是说这就是 GM 决策的精确原因，而是强调它是多变量问题，不能只用“传统企业不懂技术”解释。

我在 GM 和 Google 都工作过。一个可能让硅谷不舒服的观点是，这两家公司比大家想象的更相似。

甚至 Google 的职级体系都和通用汽车非常接近。以前我在 Google 会议里说，有些我在 GM 认识的工程师比这里的人更强，大家会像在教堂里听见有人说“上帝不存在”一样看着我。

他们仿佛在说：“你这个从底特律来的折金属猴子，怎么敢这么讲？”但现代内燃机的工程复杂度极高，并不是什么简单工作。

Cruise 在事故后和政府沟通的方式也很关键。遇到这种危机，企业必须按照特定节奏与监管者合作；如果处理不好，就会给官僚机构更多施压理由。

GM 又是一个巨大目标。董事会面对 Cruise 时，可能像黑帮电影《好家伙》结尾那样问：“我们还能怎么办？”现场众人用电影配乐开玩笑，并提醒不要把这个画面做成 AI 视频。

我认为存在另一个平行世界：Cruise 仍然作为 GM 的一部分继续运行。但在现实约束下，那条路非常艰难。

这也正是 Applied Intuition 需要做的“舞蹈”：理解大型制造商真实的监管、生产和责任约束，并成为它们可信赖的合作伙伴。

还有商业模式冲突。Cruise 追求 Robotaxi，而 GM 的主要利润来自个人拥有汽车，这两种模式之间也可能产生张力。

新技术竞争里，技术本身很难，但更难的是何时、以什么方式进入市场。早两年可能死于市场未成熟，晚两年又可能面对太多竞争者。

Cruise 虽然起步晚于 Waymo，却曾以更快速度追赶。项目被终止时，两者已经常被放在同一场竞争里。长期结果本来可能完全不同。

我们的假设是，不需要把制造商从价值链中拿掉，可以让它们继续负责分销、制造、品牌和客户关系。

例如，我们正在日本运行自动驾驶卡车，承担真实商业货运，车上仍有安全员，但车辆在自主行驶。普通人可能不知道，因为展示给市场的品牌是 Isuzu，而不是 Applied Intuition。

与 Isuzu 合作的优势在于，它有近百年历史，熟悉政府、测试场、安全认证和自己的卡车。我们提供智能并完成与机器的深度集成，形成互补。

今天市场比过去更能理解现实世界里的 AI。ChatGPT、Anthropic、Waymo 和 Tesla 的进展，让客户不再需要先被解释“什么叫自动驾驶”。

关键是用市场愿意接受的方式交付。我们的选择，是通过已经掌握现实经济分销的人进入市场：矿山运营商、国防部门、制造商和其他产业龙头。

这和 Tesla 或 Waymo 的垂直模式不同。

对。它们更倾向于自己控制完整服务，我们则是横向技术供应商。

可以把 Applied Intuition 类比成芯片公司。我们不生产芯片，但业务形态很像：先获得 design win，然后建立长期、深度、很难替换的客户关系。

这种业务依赖信任。Nvidia 除了技术复杂，还因为 Jensen Huang 深刻理解客户。我们也必须真正理解客户的市场与工程环境。

那么传统车企如何准备未来？更多收购、自己研发，还是和你们合作？

这个问题像“政府如何应对 AI”一样宽泛。Honda、Nissan、Toyota 都有悠久历史，却采取不同策略。

大致可以放在“自建”和“采购”之间。如今选择采购的比例比过去更高，因为许多企业已经尝试过自建，并亲身了解难度。

对于希望自建的客户，我们提供开发和验证工具；对于希望直接购买能力的客户，我们提供运行在机器上的智能。

我们会在客户所处的阶段与它会合，而不是强迫所有企业采取同一种路径。

每一种机器又有自己的成本包络。可用多少芯片、传感器和计算资源，用户愿意付多少钱，都决定中间阶段能做到什么。

长期看，机器会走向更高自治；短期则像个人电脑从 1980 年代到 2000 年代一样，经历漫长的规格竞争和逐级升级，最终才变成用户不再关心内部参数的成熟产品。

一台机器本来就是许多零部件的集成。最终贴品牌的公司完成总集成，但发动机、芯片、传感器和软件都可能来自供应商。

土方机械、联合收割机或柴油卡车可能使用 Cummins 发动机，却不妨碍 Caterpillar 等品牌创造价值。自主系统软件也会成为这种关键组件。

自动驾驶汽车已经被讨论了将近二十年。2005 年左右的 DARPA Grand Challenge 常被视为现代起点，Google 随后进入这个领域。

这二十年里，“自动驾驶马上就来”的预测出现过很多次。

坏消息是，今天绝大多数汽车依然不能自己开；好消息是，真正的无人驾驶汽车终于存在了。

在旧金山等已经部署的地方，Waymo 变得日常。人们坐进没有驾驶员的车，已经不再觉得特别神奇。

这有点像 AGI 定义不断后移。二十年前的人看到今天的系统，会认为这是不可思议的自动驾驶；今天大家却继续提高标准。

Tesla 的表现很强，BlueCruise、Super Cruise、BMW 和 Volvo 等系统也都相当出色。它们不一定达到完全无人驾驶，但能力已远超过去。

我们在洛杉矶有房子，经历过大火和电网压力。Cybertruck 至少有一个明确优点：它是一块很大的电池，我们甚至拿它给房子做备用供电。

去年某个 FSD 版本明显跨过一道门槛。有人告诉我，他让 Model Y 沿一号公路穿过 Big Sur，全程由系统驾驶。

那是一条很容易让人紧张的道路。系统的平均脱离里程已经非常高，按一些人的体验可达到数千英里。

我们还能和那个人说话，说明车没有冲下悬崖。现场以“拆掉方向盘后掉下悬崖”的夸张说法开了个玩笑。

Tesla 也开始把 Robotaxi 放到真实世界。但从全球车队看，几乎所有汽车仍不是无人驾驶。

卡车领域也长期出现“司机将全部失业”的恐慌。可今天路上到底有多少完全没有安全员的自动驾驶卡车？

需要把私人乘用车、Robotaxi 和商用卡车拆开讨论，它们的成本结构与责任模式不同。

私人汽车没有更快普及自动驾驶，一部分因为车企部署技术较慢，一部分因为它们非常重视安全，但最大的限制仍是成本。

中国的电动车生态又不同，一些参与者并不以利润为首要约束，这会改变全行业的成本计算。

对消费者来说，可以把复杂分级简化成一个问题：方向盘后是否仍然需要人。现在大量 L2++ 系统仍需要驾驶者负责，但已经可以在很广的道路上工作。

当芯片、传感器、软件和整套硬件成本降到一千美元以内，普及速度会提高；如果进一步降到五百美元左右，车企甚至可能把它作为免费标配。

车载导航曾经要加价三四千美元，后来成本降低并成为默认配置。驾驶辅助也可能走同样道路。

把功能装进少量车型需要承担固定开发、产线、认证和测试成本；装进全部车型，增量成本反而没有想象中那么大。

几乎每家车企，包括价格最低的品牌，都在研发自己的 FSD 竞争方案。因此问题更多是何时达到价格点，而不是它们是否理解技术。

私人汽车的自动驾驶普及，很像移动电话。最初有卫星电话和笨重的“砖头机”，后来有 Motorola Razr，但很多年里人们一直在问移动互联网究竟什么时候真正到来。

2007 年 iPhone 发布后，只过了几年，Uber、Instagram、WhatsApp 和 Snapchat 这样的杀手级应用就迅速出现。

自动驾驶也可能经历漫长等待，然后在很短时间里成为每辆车的默认功能。

你的时间判断是什么？

大约在 2028 或 2029 年开始进入更多量产车型，到 2030 年代初，L2++ 级别的驾驶能力可能变得非常便宜，甚至接近免费标配。

到那时，人们买车会像今天默认有导航和倒车影像一样，默认它能处理大部分驾驶。

对，具体说是驾驶员仍在座位上的 L2++，类似今天 Tesla 车主使用的能力，而不是所有车辆都立即变成无人 Robotaxi。

另一条路线是 Waymo。为什么现在还不是每座城市都有大量 Waymo？

Waymo 的技术架构与 Tesla、中国一些公司以及我们的端到端方向不同。它不是一个完全单一、端到端的模型。

这种路线更依赖高清地图和地理围栏。Waymo 正努力减轻这个限制，以更快进入新城市，但现实中它仍然影响扩张速度。

它源自 Alphabet 的研究组织，早期没有把商业成本放在第一位，因此使用了定制且昂贵的传感器和计算平台。

后来当然可以持续降本，但从“非常昂贵、非常完备”的系统向下削减成本，往往比从便宜方案逐步增加能力更难。

因此真正的竞赛是：Tesla 先把能力做到足够可靠，还是 Waymo 先把成本和地理覆盖做得足够低、足够广。

我们已经不再争论它会不会发生，也不再等待某个神奇突破。

行业已经进入工程阶段：持续处理边缘案例、可靠性、硬件、成本和每英里经济性。

一旦成本落入车企薄利润率能够接受的区间，它们就会采用。它们不是认为消费者不想要，也不是完全不懂技术，而是必须把系统部署到一百多个国家并符合当地认证。

Subaru、Suzuki 和 Tesla 的消费者年龄、品牌期待和风险容忍度也不同。某些品牌不会急着把新功能塞给用户，不代表它们工程能力不足。

在美国两百个最大的城市里，什么时候人们会理所当然地认为 Robotaxi 随叫随到？

现在是 2026 年，我认为 2030 年以前大概率可以覆盖；如果非常乐观，可能 2028 年开始广泛可用。真正变成日常，也许要到 2032 或 2033 年。

Waymo 会说，单个城市的美元与美分账已经成立。既然 Alphabet 资本充足，为什么它还没有进入两百座城市？

这正说明扩张不只取决于单城模型。车辆数量、运营体系、地图、监管、维护和当地需求都要同步增长。

Waymo 的发布计划已经相当积极，因此“到 2030 年可用”并不夸张；但“人人随时都能叫到”还要再晚几年。

洛杉矶是个很好的变化样本。五年前去那里，很多人还不知道 Applied Intuition，也不太理解自动驾驶；过去两年，几乎所有人都知道 Waymo 或 Tesla 在做什么。

再过两到四年，自动驾驶会变成常识。但这不等于所有人只坐 Waymo。

从数据看，Robotaxi 正在蚕食网约车需求，Uber 等平台必须认真面对。

但要达到百分之百覆盖，价格仍然必须足够低。

对。答案不再是自动驾驶是否可能，而是谁能把它变成一门可规模化的生意。

乘用车说完了，长途卡车现在处于什么阶段？

长途货运的经济性和商业模式完全不同。美国已有五家以上公司用带安全员的自动驾驶卡车运输真实货物；把中国算上，参与者可能达到两位数。

它已经发生，只是普通消费者看不到，因为这不是消费产品。

Robotaxi 和 Tesla 可能因为未来潜力获得资本市场溢价，货运却不会。人们买轿车会掺杂情绪，买卡车靠的是计算器。

这是一门纯粹按美元和美分计算的生意。

自动驾驶供应商必须明确证明每跑一英里能省下多少。

买家会拿现有司机、油耗、保险、维护和停工时间逐项比较，不会只因为技术听起来先进就买单。

我们在日本重点做卡车并非偶然。日本今天就有严重劳动力短缺，人口结构也在快速收缩，几乎所有行业都在寻找替代方案。

还有哪些更不起眼的场景？

采石场就是一个。那里搬运石料、水泥和泥土，业主现在就想要自动化。需求甚至超过我们能够交付的速度。

这些场景会比大众想象得更快发生，因为运营方已经有明确痛点和清楚的投资回报。

数字 AI 常引起白领对失业的担忧，物理 AI 呢？

我们面对的情况正好相反。矿山、物流和重工业运营方会说：“只要你能做到，我们愿意给你一切支持。”

他们不是在努力裁掉一批很满意的员工，而是根本招不到足够的人。

媒体却常把自动驾驶卡车描述成大规模失业灾难。

问题是，卡车司机本来就不够，而且多数人并不想做长途司机。

为什么？

因为这是一份很辛苦的工作。你会连续四到八天离开家人，长时间坐在车里，生活节奏和健康都受到影响。

我成长的小镇最显眼的地方就是卡车休息站，所以我知道答案，但还是想让你把原因说清楚。

这有点像孩子反复问为什么不能把手放在炉子上。到第三个“为什么”时，你只能说：因为真的会烫伤。现场众人笑了起来，并特意声明没有真的让孩子去碰炉子。

更可比的例子是餐饮业。有人说“没人愿意工作”，但过去在 McDonald's 工作的人，可能转去 DoorDash 或 Uber，因为时间更自由、不用一直站着，也没有主管始终盯着。

劳动力市场会把人推向相对更好的选择。长途货运也一样，人们不愿为工作长期离家，并不是不理解工资，而是在权衡生活。

澳大利亚矿山和海上油井提供六位数薪水，但仍然难招人，因为工作地点偏远，需要坐飞机轮班，长期离开家庭。

很多人愿意少赚一点，也希望留在家人身边。

今天人们也更重视背痛、睡眠、日晒和癌症风险。长时间驾驶会把这些问题叠加起来。

长途司机的预期寿命似乎比同龄人短很多，可能相差十年。原因包括饮食、睡眠、运动不足、肥胖、心血管疾病和高血压。

卡车持续震动也会给身体造成压力；司机左侧身体和脸部长期暴露在阳光下，黑色素瘤风险可能更高。

有些照片能清楚看到，开了三十年卡车的人，脸的一侧比另一侧老化严重，因为一边长期受到阳光照射。

矿业只占全球劳动力大约 1%，却占工作相关死亡人数约 8%。

听到这样的数字，很难期待人们争相进入矿山。

大型矿山经常面对死亡事故。

一年一次、两次甚至三次严重致命事故，会让所有员工重新思考自己为什么还在这里。

矿山里几乎所有流程都围绕安全组织，因为同事死亡不是抽象风险。

对。把人从危险区域移开，同时提高设备利用率，是非常清楚的价值。

最有力的证据也许是，矿业和长途货运很少成为被浪漫化的职业。甚至卡车司机也常不希望孩子继承这份工作。

即便如此，自动驾驶卡车还会保留安全员多久？到达目的地后总要有人处理特殊情况。

我们知道多家公司已经设定移除驾驶员的近期目标。

不谈我们自己的具体计划，时间不会太长，更像几年，而不是几十年。

软件只是问题的一部分。真正让无人化进入量产的，还包括硬件冗余和对冗余系统的验证。

需要完全冗余的转向、制动和其他安全系统。很多部件还没有进入高产量生产，所以成本、质量和验证周期都需要时间。

一旦冗余系统达到规模化量产，质量稳定并通过验证，才有条件持续降价，把安全员真正拿掉。

街上那些小型配送机器人，会不会有一天达到十亿台规模？

我认为会。我们这次发布的新产品叫 Dana，可以用它解释 Applied Intuition 的另一半业务。

我们前面主要谈 onboard AI，也就是运行在机器上的模型和软件；Dana 更接近 offboard AI，是设计、开发、训练、测试和部署这些系统的工具。

为什么一个九年级学生不能在家里做一台配送机器人？

假设他希望机器人在高中校园的四栋楼之间送东西。第一步是定义要求和运行边界。

接着要生成场景。可以从校园的卫星图像出发，建立道路、建筑、行人和各种可能事件。

然后需要训练数据。也许公开数据、YouTube 视频和其他来源足以训练一个初步模型。

模型训练完成后，要部署到真实机器上。机器人第一次运行可能直接撞墙，于是开发者必须理解问题，并把错误重新带回训练与测试循环。

Dana 就是把这个闭环串起来的平台。名字来自 Applied Intuition 总部所在的街道。

我们从工具公司起步，也看到数字软件工具如何被 Claude 等智能体重构。过去分散在 Mixpanel、GitLab、GitHub 和各种开发工具里的工作，正在聚合到新的智能开发环境里。

我们认为物理 AI 也会发生同样变化。

Dana 的目标，是把我们近十年为大型企业做的能力压缩成一个连贯工作流。

Dana 是面向物理 AI 的智能体平台。过去需要几天或几周完成的工作，在一些情况下可以缩短到几分钟。

我们已经在内部用它开发复杂的自主系统，并看到显著生产率提升。

降低门槛不只是让现有工程师更快，也会让原本无法进入这个领域的人开始创造。

一个优秀软件产品通常要改善安全、便利或成本。Dana 希望三者同时改善。

它不只面向地面配送机器人，也可以用于人形机器人、无人机和其他移动机器。

现在写无人机软件并部署到真实设备，仍然很像小众爱好者或专业团队的工作。

我们希望把它降到也许还不是儿童游戏、但至少是青少年游戏的程度。

如果开发门槛降下来，就会有更多人把创造力投入农业、建筑、国防和各种移动设备。

对。Claude 的意义不只是让工程师更高效，它也把更多人带进编程。当智能体真正运行起来，还会出现今天难以想象的产品。

iPhone 出现以前，人们很难想象 Instagram。2005 年在笔记本电脑上描述“十年后会有一个人人用手机拍照、分享和互动的应用”，别人会先说手机连摄像头都没有。

降低门槛会产生更多自主机器产品，就像移动平台产生了开发者此前没有预测到的应用。

我有个孩子在《异星工厂》（Factorio）里开发自主机器人。因为现实工具还不够好，他直接在游戏里收集数据、训练模型，并组建了一支机器人队伍。

他的母亲会问为什么花那么多时间玩游戏，他当然会解释，这完全是教育活动。现场众人笑了起来。

这正说明，自主系统不该永远像炼金术一样晦涩。

如果我周末就能用 Dana 给自己开发一个家用扫地机器人，就会理解系统并不神秘，也不必因为不了解而恐惧。

工具还可能帮助残障人士，并解决很多今天没有被列入“热门机器人任务”的需求。

大家谈人形机器人时总把“叠衣服”当成终极任务，但真实世界里还有许多更具体、更重要的需求。

工具是先进文明与较不先进文明之间的关键差异。Applied Intuition 最初的公司标志甚至是一个猴子头，寓意工具与智能演化。

后来设计师告诉我们这个标志很蠢，我当时还觉得它挺不错。现场再次笑了起来。

因此 Dana 不只是企业工具发布，也是在尝试创造物理 AI 的开发者生态。

对。我们希望更多个人、学校、创业公司和产业团队能够把想法快速变成真实运行的机器。

你们前面把物理 AI 和移动互联网类比。移动基础设施成熟后，Uber、WhatsApp、Snap 和 Airbnb 等公司在短时间内相继出现。物理 AI 基础设施成熟后，会出现哪些类似机会？

中短期内，我们希望 Dana 让人形机器人变得更真实、更可开发。

一套家庭环境里可能有上千项基础任务，而今天的人形机器人公司每一步都很难：收集数据难，清洗数据难，训练模型难，部署到硬件也难。

我们把标准设得很高：最终连高中生都应该能够开发一台人形机器人。

Dana 把几种关键能力放到一起，包括更容易使用的模仿学习、强化学习、预训练模型、世界模型和高级仿真。

当这些基础能力可以调用，限制就更多来自创造力：你想让机器理解什么环境，又想让它操作什么东西？

作为工具公司，你们会不会帮助潜在竞争者？例如你们自己部署自动驾驶卡车，同时也向其他卡车自动驾驶公司提供工具。

这完全没有问题。Google 让 Web 应用生态变得巨大，自己仍然可以通过搜索、YouTube 和其他产品成功。

其他公司可以使用开源、商业或风险投资支持的工具创造新产品，平台和应用并不互斥。

我曾看到一家机器人创业公司反复训练机械臂，目标非常具体：捡狗粪。

这听起来很好笑，但为什么不让一个小机器人在遛狗时跟着你，把狗粪捡起来？

还有人做了一台草坪机器人，专门逐片捡起刚掉下来的树叶。院子刚打扫干净，两小时后又落下十几片叶子时，它就可以出动。

遛狗、捡狗粪、清理草坪、逐片捡树叶，这些听起来都很琐碎，但如果开发成本接近零，人们就会为这些小事造机器人。

早期 iPhone 商店最火的应用里有啤酒杯和放屁应用。放在 1998 年的 Symbian 或 BlackBerry 时代，开发这种小玩意可能需要几十人的团队，因此根本不会有人做。

物理 AI 也会经历类似变化。Robotaxi 在一段时间内仍然很难，但医疗、居家照护、建筑和各种体力行业可以出现无数小型机器人。

长尾的关键不是每台机器人都成为一家巨头，而是创建和部署的成本低到足以让个人、学校和小企业尝试。

这就像 2007 年问 App Store 会有什么应用。我们也许只能列出消息和相机等少数类别，却想不到未来连酒店点餐都有专门应用。

专用机器人可能更便宜、更可靠；人形的优势是能直接使用为人类设计的门、楼梯、工具和空间。

因此市场不会只剩一种“通用人形机器人”。会有通用平台，也会有大量为具体任务定制的机器。

我们一直在比较数字 AI 和物理 AI。大语言模型之外，“世界模型”现在非常热门。它和物理 AI 的关系是什么？

“世界模型”大概有一百种定义。我们在 CVPR 时还拿这件事开玩笑，因为不同团队说的可能完全不是同一件事。

对我们而言，世界模型通常放在仿真语境里理解：它要足够好地表示现实世界，并且对自主智能体的行动作出合理反应。

Applied Intuition 本来就是从仿真起步的公司。能否把仿真的技术光谱讲得更具体一些？

一端是传统、确定性的物理仿真。可以模拟车身动力学，也可以进一步模拟传感器、光照、材质和环境。

过去我们会雇技术美术人员制作道路标志、反射率、表面材料等资产，让仿真器尽量像真实世界。这和传统 CGI 制作很相似。

Hollywood 的制作方式正在被生成式技术改变，物理仿真领域也在发生类似变化。

光谱另一端是纯神经仿真。两端之间还有很多混合方法，各自适合不同任务。

例如基于 Gaussian 的仿真，可以用一致的三维表示重建现实环境。当相机在这个三维世界里移动时，能够生成高质量且几何一致的画面。

再往神经方向走，模型会直接生成视频流。可以把它理解为神经网络实时输出传感器看到的画面。

“可反应”是什么意思？

就是被测车辆做出动作后，环境中的其他车辆、行人和智能体会相应改变行为，而不是播放一段预先录好的视频。

但“会反应”不等于“反应准确”。真正困难的问题是，怎样让仿真里的反应和现实世界足够一致。

如果世界模型能够完美复制现实世界，我们差不多就解决宇宙本身了。这当然是几乎不可能的目标。

但每向现实对齐一步，都能让自主模型更多地在仿真中训练，减少昂贵和危险的真实试错。

物理 AI 还有一个经常被忽略的约束：实时性能。

研究实验室可以运行数万亿参数、速度很慢的模型；机器在道路或工厂里只有几毫秒作出反应，没有这种奢侈。

我们可以在机器外部使用很大的模型，但部署到 onboard 环境时，模型必须更小，并满足安全、确定性、功耗和延迟要求。

这既是困难，也是壁垒。真正有价值的不只是训练出一个模型，而是让它在受限硬件上实时、可靠地工作。

所以还是那个问题：完美训练环境和《GTA 6》，哪个先来？

只要他们持续发布很棒的预告片，我们至少可以免费获得娱乐。现场又提到《GTA 6》预告片让大家重新听起 Tom Petty。

《GTA》真正的创新是开放世界沙盒，本质上是一座可交互的模拟城市。这和你们的世界模型光谱有什么关系？

非常直接。我们从电子游戏行业招聘了很多人才，因为游戏开发长期在解决大型交互世界、渲染和实时性的相似问题。

下面是我的推测：也许《GTA 6》会是最后一批主要依赖传统计算机图形工具和大量技术美术人员制作的超大型现实世界游戏。

到《GTA 7》，游戏更可能建立在世界模型上。系统保存某种现实世界的基础表示，再由生成层把它转化为玩家可以看到和行动的环境。

这样一来，游戏世界甚至可以是整个现实地球的重建。

飞行模拟器已经接近这种体验。从空中飞过纽约或其他城市时，看到的是对应的真实城市结构。

但它使用了很多技巧。远处环境会被强烈降采样，只有玩家靠近时才逐渐提高精度。

真实世界不会自动替你降低细节。如果要以同等精度重建宇宙每个角落，可能需要宇宙全部能量。

这或许是反对“我们生活在仿真中”的最佳论据之一。

当然，仿真论支持者会反问：系统为什么要渲染我们看不到的东西？

据我所知，这个房间之外的一切现在甚至可能不存在。

佛教某些思想也可以被开玩笑地解释成：睁眼时世界渲染，闭眼时停止渲染。众人意识到节目突然变成另一种播客，并笑称“从第一性原理理解佛教”会是很好的标题。

回到时间表。自动驾驶汽车有了预测，那么人形机器人什么时候能替人叠衣服？世界模型又会走到哪里？

如果不要求速度，叠衣服离“解决”已经不算特别远。许多研究视频会以八倍速播放，因为真实动作太慢，不加速就很难看。

真正更远的是达到人类同等速度和可靠性。

过去硬件本身是瓶颈，现在机械臂已经足够快、足够精准，虽然过热等问题仍在解决。

家务可能是物理 AI 的杀手级应用之一。

Peter 在公司里还常说另一个杀手级应用：娱乐。

什么样的娱乐？

这很难预测，但机器人表演、主题公园和互动体验都可能成立。有人立刻说自己想要《西部世界》。

我已经有一只很小的中国机器狗，会在家里到处走。你会付钱去看机器人版太阳马戏吗？

会。有人想看机器人功夫和空中飞人，也有人只想直接进入《西部世界》。现场围绕“底特律郊区居民会不会买票”互相调侃。

叠衣服如果没有时间限制，已经接近可行；但让机器达到人类速度、处理各种衣物并长期稳定运行，仍然需要进步。

硬件现在可以完成很多动作，模型和系统集成正在成为主要限制。

哪部电影对机器人未来的描述最现实？

有人提到《机器管家》（Bicentennial Man）。电影里既有完全自动驾驶汽车，也有由 Robin Williams 饰演的家庭机器人，能打扫、照顾孩子并逐渐成为家庭成员。

另一个很准确的画面来自《我，机器人》。Will Smith 手动驾驶时，乘客像看疯子一样问：“你要自己开这东西？”

这正是 Applied Intuition 想看到的未来：人工驾驶变成令人惊讶的例外。

不过大家也提醒，很多人已经多年没看这些电影，记忆未必准确，互联网一定会负责纠正。

我想到的是 Sam Rockwell 主演的《月球》（Moon）。不要看预告片，直接看电影。

故事发生在离地球约二十五万英里的能源基地，几乎所有设施都自动运行，只有一个人留在那里，在出现异常信号时进行处理。

这种设定非常接近今天 AI 系统的状态：它们可以长时间自主工作，但偶尔会偏离，需要人类说“停，不要这么做”。

编程智能体和大语言模型也有类似特点。大部分工作可以自动完成，但仍需要偶尔校准和接地。

电影里的 AI 以笑脸界面和人交流，像是在安慰和帮助操作员；实际上，真正维持基地运行的是它。

我们当然不一定想成为电影里道德可疑的 Lunar Industries，也不想成为《异形》的 Weyland-Yutani 或《银翼杀手》的 Tyrell Corporation。

但一个由自主系统管理的大型能源基地，很可能就是未来。

人们常本能地害怕这种画面，可它也意味着能源成本大幅下降，这是非常积极的结果。

机器人娱乐这个判断听起来像玩笑，但为什么可能成立？

因为娱乐不要求机器人先创造工业级投资回报，人们会直接为新奇、互动和表演付费。

一只会在房间里到处走的小机器狗，能力并不复杂，却已经能让人持续关注它。

如果是机器人版太阳马戏、功夫表演或空中飞人，我愿意买票。

另一些人想要的不是马戏，而是完整的《西部世界》式体验。现场围绕这个偏好继续互相调侃。

家务任务的判断必须区分“能完成”和“以人类速度完成”。研究演示常用八倍速播放，正说明当前系统仍然很慢。

达到人类同等速度、适应不同材质并长期不出错，比完成一次叠衣服演示困难得多。

机械硬件过去做不到足够快和准，现在已明显改善，但热管理和连续运行仍是现实约束。

电影里最真实的未来，往往也不是机器人完全不需要人，而是大部分时间自主、偶尔请求帮助。

《月球》里的基地就是这样：一个人不是逐项操作设备，而是在系统出现异常时提供接地和纠正。

这种结构和今天的编程智能体很像。它们可以连续工作，但偶尔会走向荒谬方向，需要人明确说“不要继续”。

电影里的 AI 还会观察人的情绪，用友善界面安慰操作员；真正负责基地日常运行的仍然是机器系统。

因此“完全没有人”未必是唯一目标，更现实的目标是极少数人监督极大规模的自动系统。

如果一座大型能源设施能以这种方式运行，能源成本下降带来的社会收益会非常大。

我最近在本科母校做毕业演讲。有人问我有没有像其他科技领袖那样被学生嘘。

没有。不过我妻子看了一会儿，说感觉我一直在对她喊话，实在看不下去。现场众人拿这件事开玩笑。

有些科技领袖会回避有争议的问题，只说不谈 AI 的社会影响。我选择直接讨论。

General Motors Institute 的文化很务实。企业并不是抽象邪恶实体，而是许多人一起做项目；政府和非营利机构同样会犯错。

因此不能简单说“AI 公司都很糟糕”，也不能说“一切都会自动变好”。个人和组织都需要承担责任。

自动驾驶卡车、自动驾驶汽车和自动能源系统会带来明显的丰裕：减少死亡、提高效率、降低运输和能源成本。

如果这些收益仍不足以消除某个人的恐惧，那他有责任真正学习技术，而不是只说“我害怕，所以应该把它关掉”。

我不是只因为美国与中国竞争才这么说。孔子有一句常被引用的话：没有一只手能够遮住太阳。

这里的太阳就是技术进步。如果一个社会拒绝它，其他国家仍会继续。

最终领先者未必是中国，也可能是乌兹别克斯坦或另一个认识到本国居民仍在受苦、愿意用技术改善生活的国家。

我们能够讨论“要不要技术”，部分原因是生活在非常富足的社会。世界上仍有人得不到食物。

反对者会说，世界并不缺食物，只是资本主义分配失败。

更精确的说法是：食物总量可能够，但把食物运到需要它的人那里仍然很难。这恰好意味着应该让机器人和自动化把运输做得更快、更便宜。

技术人员也不能简单把怀疑者抛在后面。需要解释、沟通并让他们理解。

但也要把人当成年人。解释若干次后，社会仍需要继续行动，用结果证明技术是否让生活变好。

中间立场是：既不认为所有反对者都是傻瓜，也不假设技术天然完美；讨论真实风险，同时继续建设。

资本主义并不完美，但七十年的历史让我们看到，允许个人基于自身利益做决定的系统，整体上比中央控制更有效。

同样，AI 不会让一切完美，但净结果很可能更好。这大致就是我的毕业演讲，只是现场没有酒。

我们继续开玩笑，说那些嘘声和投掷物都在后期剪辑里被删掉了。

你前面提到日本。最后谈谈公司的全球野心，以及这些技术如何与不同国家的现实相互作用。

如果把技术和商业模式一起计算，美国仍然处于非常领先的位置。

但 Applied Intuition 从一开始就是高度全球化的公司。除了没有在中国设办公室，我们几乎与世界各地的客户合作。

我们是一家横向技术供应商。随着主权 AI 变得更真实，硅谷公司需要学习如何与本地经济体协作。

这不是新发明。回看 Standard Oil 等美国工业公司的历史，它们本来就必须在国际市场里理解当地政治、资源和基础设施。

ARAMCO 也不是凭空出现的公司。企业结构会根据当时真实的地缘政治条件形成。

我曾在日本、德国和迪拜生活，也出生于巴基斯坦，这些经历影响了公司看待全球市场的方式。

Peter 主要住在密歇根和硅谷，但他有德国背景。我们的团队天然更愿意从全球角度思考。

我在 Google 和 Y Combinator 时，经常惊讶于一些公司只盯着圣何塞到旧金山之间的市场。

真正的世界市场大得多。物理 AI 因为直接进入道路、矿山、港口、国防和工业设施，更不可能只从硅谷远程复制一套方案。

道路规则、语言、数据、主权、安全认证和产业关系都属于本地。物理 AI 的规模来自全球，可信度来自本地。

我们必须同时做到两件事：把底层能力做成可复用的横向平台，又允许不同国家、行业和客户按照自己的要求部署。

所以你们的最终判断是，下一波 AI 不只发生在聊天框里，而会进入每天移动、生产和运输真实物品的机器。

对。十亿台机器只是一个足够大的目标，用来提醒我们，这件事才刚刚开始。

Peter、Qasar，谢谢你们来到节目，也祝贺 Dana 发布。

谢谢邀请，很高兴再次见到大家。