Peter Ludwig

Qasar Younis的判断是，未来25年，物理AI而非单纯代码补全产品将主导市场注意力：「25年后回头看，我认为真正主导所有人视野的，将是物理AI公司。」 他的市场测算是：工业相关行业约占GDP 5%，仅汽车就占「全球GDP的3%，这是一个天文数字」；而由「相当成熟的投资者」给出的 Waymo 1260亿美元估值，只是一个垂直行业中一个细分领域的一种实现。

Applied Intuition最应该被理解为把硅片公司的模式应用于智能，而不是 Palantir 的翻版。 公司分为两部分：部署在机器上的模型（近10年的硬件抽象，「有点像 Android……只是我们在上面做的是智能」）以及机外开发工具；两者以授权方式服务于汽车、卡车运输、国防、建筑、采矿、农业和机器人等行业。「我们实际上更像一家硅片公司……只是我们的平台不是硅片，而是智能。」

本期节目的新闻焦点是 Dana。 Qasar将其描述为面向物理AI的新型智能体平台；Peter Ludwig称其为「我们过去近10年所做一切的集大成」，并在其他场合称之为「敏捷平台」。使用 Cursor 和 Claude 的客户自然会问：「物理AI领域的 Claude-Cursor 组合在哪里？」Dana希望做到「让外面的任何人——从工程师开始，但最终确实是任何人——都能开发机器人」；Younis称这「几年前还不可能」，因为当时模型「字面意义上还不存在」。

护城河论的核心，是专有数据和跨垂直行业的物理迁移效应。 Applied 在日本运营的 L4 卡车产生的数据，能提升模型在「相当不同的环境」中的表现——「模型正在形成对物理规律的感知」——这与 Transformer 让聊天机器人具备通用能力的路径相似。Ludwig补充称，物理AI「几乎所有数据实际上都是专有的」；可靠的数据采集本身就是一道困难且昂贵的护城河，并将模仿学习与基于仿真的强化学习称为「规模化发展物理AI的关键解锁点」。

财务上，这家公司是个异类：融资约10亿美元，而且「这些钱全都还在账上」。 公司从未动用过筹来的任何资金。Younis认为这部分得益于横向技术战略，坚持「技术上要非常创新，商业模式上要非常无聊」，并称 BlackRock 参与了最后一轮融资，此前 Fidelity 也曾参与。公司有略超1,000名工程师；主持人称其客户包括全球前20大汽车制造商中的18家，Younis则表示业务收入在各垂直行业之间大致均衡。

谈到竞争，Younis认为市场足够庞大，竞争对手不应决定公司的未来。 Waymo并不算真正的竞争对手，因为「他们并没有从我们所取的那个资金池里拿钱」；他的太阳系比喻是，市场「如此广阔、如此庞大，彼此实际上并不会影响对方的引力」。他的结论是：「如果我们没成功，原因就在我们自己。」新进入的硬件公司被视为潜在客户，而不是威胁。

需求的拉动来自劳动力短缺，而不是对岗位被替代的焦虑——「AI来得还不够快」。 美国农民的平均年龄为58岁，长途卡车运输正面临创纪录的劳动力短缺；采矿业仅雇用全球1%的劳动力，却占到工伤死亡事故的8%。Younis总结其创业时机判断：「大多数公司失败，是因为入场太早；它们很少因为太晚而失败。」

🔗 原始收听与视频来源： 物理AI领域的 Nvidia：Applied Intuition 150亿美元业务内幕

Applied Intuition 的核心判断是，最大的 AI 价值池可能在物理经济，而不在浏览器。 公司希望将智能部署到汽车、卡车、坦克、无人机、矿山、港口、农场和供应链中的10亿台机器上；汽车业务目前占比也只有30%。Qasar Younis 认为，若把视角拉到25年后，影响物理世界的公司“可能实际上会比影响数字世界的公司更大”。

Applied 的近期优势与其说是某一个模型，不如说是一套由专有数据、仿真、硬件和安全能力长期积累而成的生产栈。 公司拥有数百PB数据、全球规模最大的采集车队之一，模型已部署在“50多个平台”上，工程师超过1000人，设有18个全球办公室。公司累计融资约10亿美元，Younis 称这笔钱仍在银行账上——但也提醒，面对正在打开的巨大市场，公司“下个月”就可能把钱花出去。

自动驾驶已经从科学不确定性进入成本驱动的工程阶段，但下一阶段的默认形态首先会是 L2++，而不是普遍实现驾驶员退出。 Younis 称当前 Tesla 风格系统的成本低于1000美元，预计与今天 Tesla 体验相当的系统将在2028-30年的量产周期进入市场，并在2030年代初变得足够便宜、甚至免费；价格降至约500美元时，他预计 OEM 会将其作为标配打包销售。他的概括是：“等、等、等，然后突然大量普及。”

Robotaxi 和工业自动驾驶将按不同节奏扩张，因为两者的经济账、买方和约束条件完全不同。 Andreessen 认为，Robotaxi 到2028年覆盖美国最大的200座城市是合理的可用时间点，到2030年将成为日常交通；Younis 则预计2030年可用，但要到2032或2033年才会被日常使用。卡车运输、采矿和采石场是拿计算器做生意的行业，冗余转向和制动系统必须完成验证；但面对迫在眉睫的劳动力短缺，运营商已经在说：“如果你们能做到，我们什么都给你们。”

在许多物理产业，劳动力替代的叙事恰恰相反：自动化正在进入那些危险岗位本来就难以招人的行业。 美国农民平均年龄为58岁，35岁以下占比不到10%；采矿业约占全球劳动力的1%，却占工伤死亡的8%。Younis 称，多家卡车运输公司已经设定驾驶员退出目标，移除安全驾驶员只需“几年”，有望将运输成本从每英里数美元降至20美分。

Applied 的商业模式是借助行业龙头进行横向分发，更像芯片供应商，而不是 Tesla 或 Waymo 那样的垂直整合公司。 其智能系统以客户品牌运行——日本的 Isuzu 卡车已经在安全员陪同下自主运送商业货物——同时也向希望自行开发的客户出售工具。在主权 AI 时代，Younis 预计物理 AI 的部署将更加本地化、地缘政治上更加碎片化，这有利于深度嵌入本地经济的供应商。其吸引力在于“设计定点”模式：深度集成、长期关系，以及“我们一旦进去，就会一直在里面”。

Dana 是 Applied 试图将自主系统开发从专家手艺变成智能体软件工作流的产品。 这套平台封装了近10年的场景创建、数据处理、模仿学习、强化学习、仿真、验证和部署能力；过去需要数天或数周的工作，有时现在几分钟就能完成。其目标非常明确：“高中生或初中生”都应该能造出一台配送机器人，而如今晦涩难懂的无人机和人形机器人开发，应当变成“青少年游戏”。

世界模型可以加速物理 AI，但实时运行和不完美的仿真仍会守住部署壁垒。 Peter Ludwig 描述了一条从确定性物理、3D Gaussian 表示到反应式神经视频的连续谱；越接近现实，训练就越容易，但准确对齐现实是“几乎不可能的问题”。数字实验室可以容忍万亿参数模型缓慢运行，机载系统却只有毫秒级时间预算，必须保持小型、确定、安全，并能适应雾气、高温、标定漂移和硬件故障。

🔗 原始收听与视频来源： 为什么物理 AI 是下一个前沿｜a16z 对话 Applied Intuition

Applied Intuition 将自己定位为Physical AI的横向技术供应商，而不是另一家机器制造商。 Qasar Younis 描述了一套覆盖仿真、操作系统和Autonomy的技术栈，服务于汽车、卡车、农业、建筑、采矿和国防；主持人称，全球非中国汽车制造商前20名中有18家是其客户，Peter Ludwig 则表示 Applied 正在日本运营L4级无人驾驶卡车。其核心逻辑很直接：向机器制造商和政府出售让机器“变聪明”所需的技术。

操作系统层可能是整套技术栈里最不性感、但战略价值最高的部分。 Qasar 将今天碎片化的机器软件比作Google在Android之前面对的大约50套手机操作系统：在这种碎片化被整合之前，现代AI无法一致地部署。Applied 的开放式、跨芯片OS负责实时控制、安全回退、内存、网络和可靠更新，包括过去必须到经销商处才能更新的安全关键模块。

即使底层AI技术栈不断换代，Applied 的护城河仍会跨层复利。 公司大约每两年重建一次技术，至今经历了约4次重大演进；与此同时，仿真、操作系统、工具链和模型工作持续积累。公司拥有超过30款产品，83%的员工在工程岗位，公开披露的1000名工程师规模也已经被称为过时；按Qasar的说法，它像是技术供应商版的NVIDIA或AMD，“但我们就是不做芯片”。

对Physical AI而言，模型智能未必是真正的瓶颈，部署才是。 车载系统必须在毫秒内给出答案，同时满足严格的功耗、成本、散热和可靠性约束，因此“每一毫秒的零头都至关重要”。Gemma 2B规模的模型可以在设备端运行，但核心Autonomy仍由公司完全内部开发且高度专用；通用模型更适合语音等通用交互。

安全验证正从二元测试用例，转向衡量学习系统能维持“多少个9的可靠性”的统计性判断。 Qasar表示，更好的模型让故障更难被发现，从而提升了评测、神经仿真和人工复核的重要性；他强调，对AI编写的安全关键软件进行人工验证仍然“100%关键”。监管机构很重要，但Applied称，推动这些方法的首要原因是让自己和客户放心。Raquel Urtasun补充说，监管往往只是最低公分母，因此好的产品必须大幅超越监管要求。

世界模型可以扩展仿真，但创始人拒绝相信合成经验能够取代真实世界测试。 纯粹依靠世界模型部署，很可能会在“破产之前”就失败；仿真器必须反复与现实校准，Alessio则提出了一条经济分界线：虚拟测试需要足够有信息量，同时仍然比实体测试便宜。他们最好的例子都很具体：把执行器温度纳入建模，可以让人形机器人学会避免过热；视觉线索也能教会车辆在出现水滑迹象时减速，而无需显式理解这一概念。

最大的执行风险，位于令人印象深刻的Demo与持续维护的生产车队之间。 Qasar区分了基础研究、先进工程和生产运营；人形机器人的脆弱性、Peter谨慎提及的中国机器人马拉松案例、DARPA Grand Challenge以及24 Hours of Le Mans，都说明可靠性必须通过高强度测试不断逼出来。对创始人而言，Qasar的建议很明确：商业范围要窄、执行要深、战略要与阶段匹配。Physical AI的复利空间巨大，但“每一步都在流血”，许多公司会在等到回报前耗尽资本。

🔗 原始收听与视频来源： 150亿美元的Physical AI公司：仿真、Autonomy OS、Neural Sim与1000名工程师——Applied Intuition