Applied Intuition：让十亿台机器拥有智能 (Qasar Younis & Peter Ludwig)

引言

Avidan： 本期我们要拆解的公司是 Applied Intuition。我们的嘉宾是两位联合创始人卡萨尔·尤尼斯 (Qasar Younis) 和彼得·路德维希 (Peter Ludwig)，他们在 2017 年创办了这家公司，使命是让十亿台机器拥有智能。理解 Applied Intuition 最简单的方式是：它为机器打造「大脑」，同时打造供其他公司构建这些「大脑」所用的工具。

如果一家制造商想让自家的拖拉机、卡车或矿用车辆实现自动驾驶，它可以直接从 Applied Intuition 购买智能，也可以用其平台自行开发。正如英伟达 (Nvidia) 把芯片卖进别人的机器，Applied Intuition 把智能卖进别人的机器，横跨汽车、国防、矿业、农业和机器人领域，而自己一台机器也不造。

我们将讨论：为什么未来 25 年最重要的公司都将是物理 AI (physical AI) 公司；他们用于开发和部署这类系统的全新智能体平台 Dana；以及这家公司如何在融到 10 亿美元之后一分钱都没花。请欣赏本期对 Applied Intuition 的拆解。

---

让十亿台机器拥有智能

Avidan： 我知道我们今天要讲的故事很大程度上围绕一家公司——Applied Intuition，但它其实也是物理 AI 市场的故事，是自动驾驶技术一路走来的故事。而你们二位所跨越的行业之广，几乎无人能及。先请描述一下物理 AI 市场的现状吧——站在 2026 年的今天，整个图景在你们眼中是什么样子？另外也可以回顾一下自 2017 年创业以来，这条时间线上那些关键的里程碑。

Qasar： 就我们、就 Applied Intuition 而言，我们的使命是让十亿台机器拥有智能。一个简单理解方式是自动驾驶汽车——那就是智能机器，但它只是其中一个例子——就像 Instagram 只是手机上的一个 App，类似的 App 还有很多。物理 AI 是 AI 与硬件的交汇，但发生在真实世界里。人形机器人 (humanoid) 也属于这个范畴。

物理 AI 特有的技术挑战与数字 AI 截然不同——数字 AI 指的是大语言模型 (LLM)、信息检索系统、聊天机器人这类东西。因为在物理世界，你要面对真实世界的约束，面对物理世界的安全关键性。我们谈论的往往是移动的机器，它们在与人类共享的时间和空间里运动，这一下就让安全成为必须认真对待的问题。还有问题的实时性——你问聊天机器人「给我讲讲彼得·路德维希」，它可以花 20 秒来处理这个信息。但当你在高速公路上飞驰、当人形机器人正在做决策时，那里有非常刚性的实时约束。

还有一个被报道得不够多的方面：钱。你必须把智能部署到机器上、部署到硅片上，而这个成本必须在你所讨论的应用场景里负担得起。你不能无限制地堆算力去处理一件事。你必须在算力约束之内完成任务——不仅是时间约束，还有成本约束。

Peter： 区分数字 AI 和物理 AI 也很有帮助。数字 AI 通常指你在台式机或手机上使用的东西——有一块屏幕，把 AI 的结果展示给你。而当真实世界里真有东西开始移动时，就跨入了物理 AI 的疆域。我认为对经济的真正影响就发生在这里——想想所有那些本质上都有「会动的东西」的行业。从工业公司、制造业，到医疗、能源领域的应用场景，太多领域要想获得 AI 的红利，就必须真正作用到这些物理系统上。

Qasar： 补充一点：把自动驾驶能力和智能装上机器，我们其实是在让这个星球上一些最糟糕的工作变得更轻松。在数字 AI 领域，人们对会计师、甚至播客主持人的命运忧心忡忡、焦灼不安。但在物理 AI 世界，情况完全不同——这里的 AI 来得怎么快都不嫌快。看看农业：美国农民的平均年龄是 58 岁。长途卡车司机的短缺创下纪录。再以矿业为例：矿业只占全球劳动力的 1%，却占工伤死亡事故的 8%。

往深里追问——为什么人们不愿意去矿上工作？因为那是艰苦的工作。人们在做选择：他们不想远离家人，更不想身处不安全的环境。在需求旺盛的领域，AI 带来的影响可以非常快、非常显著。我认为这是需要牢记的重点之一，这也是物理 AI 与数字 AI 非常不同的地方。

当 25 年后我们回望当下这个商业与技术的特殊阶段——我们正经历着极其迅猛的变化——我的直觉是，到那时人们谈论的不会只是 AI 写代码这类产品（代码补全）。这些产品当然重要，仅从这一个用例产生的巨大影响，就能窥见 AI 对整个社会的影响有多大。但 25 年后回看，我认为真正占据所有人心智的，会是物理 AI 公司。

Avidan： Qasar，我知道你有一个判断：物理 AI 市场将比数字 AI 市场大上好几个数量级。能不能展开讲讲你为什么这么认为，带我们感受一下这个市场？

Qasar： 先看工业这个大类，它在经济中体量巨大，约占 GDP 的 5%。其中汽车是最大的工业门类，占全球 GDP 的 3%——一个天文数字。所以当汽车——也就是私人拥有的乘用车辆——变得智能时，它对每天与汽车打交道的所有人（本质上是这个星球上的每一个人）的影响是极其巨大的。你坐在机场候机厅，环顾登机口四周：今天有多少人跟汽车发生过交互，又有多少人写了软件？

然后再看其他垂直领域。Applied Intuition 在所有这些垂直领域都有布局。我们是这个星球上唯一做到这一点的公司——包括中国生态和其他地区在内。我们所在的其他垂直领域包括：商用卡车、国防、建筑、矿业、农业、机器人。而这些垂直领域中的每一个，单拎出来都非常庞大——无论你怎么衡量：纯 GDP 数字、增长数字、这些行业的从业人数，几乎在任何可度量的维度上都是如此。

有时候市场大到人们很难想象它的规模。但你可以把 robotaxi (自动驾驶出租车)看作自动驾驶汽车的一种落地形态——Waymo 被相当老练的投资者给出了 1260 亿美元的估值。他们给出这个估值，不是因为他们就是想要一个高估值，而是因为其影响可以非常、非常大。而这还只是那些市场之一当中的一部分。

---

更像英伟达，而非 Palantir

Avidan： 在我们深入之前——在我的感受里，Applied Intuition 身上几乎有一种 Palantir 式的神秘感：要描述清楚它是什么、你们到底做什么，其实非常困难。为了让大家有个坐标，请尽可能简单地描述一下：你们到底造什么、卖什么？

Qasar： Applied Intuition 是一家物理 AI 公司。我们把智能——也就是 AI——装到机器上，让这些机器变得更聪明。无论是让它们实现自动驾驶，还是让你能像跟手机交互一样与它们进行智能交互，只不过带着真实世界的上下文——多得多的传感器、多得多的信息。然后，为了实现这一切该做的事我们全都做：我们自己开发模型，训练并部署这些模型，评估这些模型，确保它们是安全的。这大概是公司的一半——把模型装上机器。而这比我刚才说的还要复杂得多，因为机器之间的差异极其巨大。

作为开发者，当你把东西装到手机或笔记本上时，有优秀的操作系统把硬件从软件中抽象掉了。

但如果你在为联合收割机写软件，那和为汽车写软件完全不同，和为人形机器人写软件也完全不同。过去近十年——公司快满十年了——我们做了大量艰苦的工作，把所有这些不同类型的硬件从软件中抽象出去。Peter 是 Android Automotive 的早期工程师之一。Android 正是以此闻名的：同一套操作系统，跑在成千上万种不同的设备上。

我们做的就是这件事，只不过我们在其上叠加的是智能。公司的另一半是所有端外 (offboard，即非车载) 软件——你开发这些智能时会用到的开发工具。所以我们是 B2B 公司，是一家企业级公司，客户是其他企业。企业以两种方式之一与我们合作，有时两者兼有：要么从我们这里购买开发环境，用来打造他们自己的智能机器；要么直接购买模型，装到机器上。

我们是一家技术提供商。说到 Palantir，公司很早期的时候挺有意思，人们会说：你们有点像「汽车和卡车领域的 Palantir」，或者「国防领域的 Palantir」——这说法挺奇怪，因为 Palantir 并不做国防。这个类比并不完全对应。我们的不同之处在于，我们是两大产品板块。我们也有所谓的前置部署工程师 (forward-deployed engineers)——Palantir 是这么叫的，我们内部叫法不同。但我们绝大多数员工都是产品岗——从这个角度看，我们更像一家产品公司。我们其实更像一家芯片公司——我们是技术提供商。

你想想看芯片：它们装进各种各样不同的机器，能做各种各样不同的事情，芯片某种意义上是一个平台，我们也是一样，只不过我们的平台不是硅片，而是智能。

Peter： 假设你经营一家制造某种机器的公司——可能是交通领域的，可能是机器人领域，也可能是医疗领域的——你想让这台机器变得智能。这台机器有传感器、有执行器，你想让它智能地完成某件事。你具体怎么做？如果你想自己开发这项技术，你需要一个真正强大的工具平台来完成开发。Applied Intuition 做的就是打造并销售这样的工具平台，供制造那台机器的公司的工程师们使用。

又或者，作为机器的制造商，你想要的是一个更接近完整的解决方案——开箱就能让机器拥有智能。我们也做这类更完整的解决方案，同样卖给这些公司。我们提供的是从工具到解决方案的完整光谱，然后把这项技术授权给整个行业。

Avidan： 我上周在旧金山，现在路上几乎每隔一辆车就是 Waymo 或别的自动驾驶汽车。看到这项技术爆发的态势确实很酷。但还有很多其他技术——无人机、人形机器人、机器人技术、矿业技术、农业技术等等——如果我们已经拥有了它们，那将令人惊叹，其潜在价值也一目了然。但很难真正预测这些东西要多久才能兑现。而你们已经在这一大批不同技术上做出了工具。我很好奇：你们是如何保持灵活性、能够为这些难以预测的技术打造工具和系统的？

Qasar： 在创办 Applied Intuition 之前，我是 Y Combinator 的首席运营官 (COO)，当时萨姆·奥尔特曼 (Sam Altman) 是总裁，公司由我实际运营。那也是 OpenAI 诞生的时代，是我们投资 Cruise、Scale 以及一大批如今都在这个领域的优秀公司的时代。

我讲这段背景是因为最重要的一件事——尤其对正在听这期节目的创始人来说——时机就是一切。如果你做的一项技术早了两年，市场还没准备好消化它，你就会在等市场成熟的过程中烧掉大量资金——顺便说一句，我认为这是默认的死法：大多数公司死于太早，极少有公司死于太晚。当然反过来，你也可能太晚：竞争者林立、玩家众多、市场利润率正在被摧毁。我是工程师出身，但我也在哈佛商学院 (HBS) 读过研究生、拿了 MBA。市场动态这个维度有时也是被低估的。有了这段背景——将近十年前，Peter 和我以一种极其深思熟虑的方式来创办这家公司。

我们不是靠瞎猜闯进来的。部分原因是我们年纪大了——之前创过业，在谷歌 (Google) 和其他地方带过大工程团队，有技术积累；但另一部分原因是，我们对给自己加上这些约束条件这件事非常非常较真。最初我们第一次聊起一起创业——甚至是在我去 YC 之前、我们还在谷歌共事的时候——当时的想法是：也许我们该做一家 robotaxi 公司。而我们当时得出结论——那是 2010 年代初——一方面，技术本身还远没有搞明白，这意味着你会太早入场，你会花很多钱等技术成熟为量产产品。另一方面，商业模式也没有跑通：robotaxi 究竟怎么才能成为一门赚钱的生意？

后来我去了 Y Combinator，Peter 留在了谷歌。快进到后来，我们在 Y Combinator 投资了 Cruise，然后 Cruise 被通用汽车 (General Motors) 收购了。我本科是在通用汽车学院 (General Motors Institute) 念的，也在通用汽车工作过。Peter 的父亲和祖父都曾在通用汽车工作。所以我们俩都是底特律人，家族根脉深深扎在汽车行业里。

2016 年，当 Cruise 被收购——收购方不是别人，正是通用汽车——我们重新开始探讨这个行业正在发生什么。当时我们说的这个行业具体就是汽车。汽车往哪儿走，国防就往哪儿走，建筑和矿业就往哪儿走，农业也就往哪儿走。因为如果你是卡特彼勒 (Caterpillar) 或小松 (Komatsu)，你造运输系统的方式，或者像约翰迪尔 (John Deere) 造联合收割机的方式，其实和造汽车是表亲关系。如果你是通用动力 (General Dynamics)，在造步兵班用车辆或运兵车之类，也是同理。

于是我们问：这个行业——汽车行业——将走向何方？我们的判断是：这个行业会经历一场「特斯拉化 (Tesla-fication)」。这些机器会变得智能，会以软件为先，然后你会需要一大批工具来让这一切成真——从车队管理，到软件更新，到测试软件以确保它可靠。第一性原理。我把这些一一列举出来，是给那些自己也要创业的人听的。我们当时的想法是：如果我们现在就做软件、想卖给制造商，他们不会从一家年轻的小公司手里买，因为这些都是安全关键系统。你需要更多的业绩记录和分量，而且这些系统本身就极其复杂。一个 50 人的团队造不出一辆自动驾驶汽车——子组件太多、复杂度高。

所以我们从工具做起。而我们今天要重点谈的，正是公司在这一根本品类上最重大的一次产品发布：一个名为 Dana 的产品。它是一个智能体平台，用来完成我们过去近十年一直在做的所有事情，但以一种更「AI 优先」(AI-first) 的方式来做。不过，这就是我们的起点。

---

每两年自我颠覆一次

Avidan： 既然你提到了 Dana，先给大家补充一些背景。回顾一下公司业务的演进，你提到你们最初选择做工具，而不是走垂直一体化、自己造自动驾驶汽车这条路。先是工具，然后是操作系统 (OS)，再是自动驾驶技术栈 (autonomy stack)，现在又有了 Dana。Peter，能不能请你带我们梳理一下这段演进的历史，以及这些环节是如何协同运作的？

Peter： 首先我想说，近十年前创业之初我们就清楚一件事：这项技术还会发生巨大的变化。整个领域里还有大量前沿的工程和科研工作在进行。要想参与其中、同时又不过度押注于某一种具体实现，一个办法就是更横向地去思考。

对我们来说，这意味着一开始真正聚焦在工具上，并且以一种能够持续叠加、扩展平台的方式来构建工具。我们认识到，谈到物理 AI (physical AI) 和先进的自主系统，几乎每两年就会出现某种突破，改变你思考问题的方式。如果你在理解和吸收最新技术、最新突破方面不够敏捷，就几乎可能被淘汰。

这已经深深融入了 Applied 的 DNA——我们几乎是在持续进行自我颠覆，确保自己始终站在前沿。工具正是一开始实现这一点的绝佳方式，并且能横向覆盖所有这些行业。

做了几年工具之后，当把这项技术部署到机器上时，你会遇到一个问题：挑战远比工具本身大得多。你必须思考，瓶颈在哪里？制约因素是什么？同样，我们的北极星目标是产生巨大影响——我们要让十亿台机器实现自主，并且安全、高效地做到这一点。

这时候你突然发现，操作系统本身成了瓶颈——就卡在把技术部署到车辆上这一步。这几乎把我们逼进了这门生意。我们必须构建一个真正优秀的解决方案，让你能把软件部署到机器上、可靠地更新软件、具备所有正确的诊断能力。在机器上运行先进的模型和神经网络，是一件极其复杂的事。

有时这件事被轻描淡写了，人们觉得不过就是个模型而已，但实际上，要让这一切运转起来，你需要解决大约一千个不同的问题。操作系统这一环就是其中非常大的一部分，所以我们必须攻克它。

有了这两个组件——工具平台和操作系统平台——之后，我们就必须开始思考如何构建更完整的解决方案。这正是把我们带向垂直自动驾驶技术栈的原因：我们自己做更多的模型，并把它们开放给客户。如今，我们在很多领域都拥有了一套非常完整、极具竞争力的产品。

Qasar： 还有一点值得强调，就是横向公司与垂直公司这个概念的区别。垂直公司很好理解——特斯拉 (Tesla) 就是垂直公司；横向公司则像英伟达 (Nvidia)，它把技术卖给广泛的一众客户，由客户把技术封装成产品推向市场。

我们为某个垂直领域打造的东西必须能复用到其他垂直领域，这一点至关重要，所以我们给自己加上了这条约束。同样，对屏幕前的创业者们说一句：创办一家公司，光有野心是不够的，你的想法还必须是对的。

近十年前，人们总在说：工具是门烂生意，还质疑为什么要做横向，说垂直才是正确答案。我真心希望大家都能从第一性原理出发思考，而我们的结果就是最好的证明。在公司历史上，我们融了大约 10 亿美元，这些钱全都还在银行里，我们从未动用过融来的任何一分钱。在这个行业里，没有哪家像我们这样的 AI 公司能做到财务如此稳健健康。

我把这归功于我们的技术战略：把汽车领域做的东西用到国防上，把国防领域做的东西用到工程机械和矿业上，如此类推。

Avidan： 我知道你们有一个宏大的愿景——你们也提到过——要在未来十年让十亿台机器拥有智能。我们今天要聊的是 Dana，以及它将如何开启和释放这种可能性。聊聊 Dana 是什么，以及它将如何帮助我们抵达那个未来。

Peter： Dana 是我们面向物理 AI (physical AI) 的全新智能体平台。它几乎是我们过去十年所有工作的集大成者，让开发这类系统比以往容易太多了。不过，一开始就有必要理解为什么这件事如此重要。

构建物理 AI 极其复杂。如果你问，为什么今天智能机器人和智能汽车还没有无处不在？归根到底就是——造这些东西真的太难了。这才是真正的制约因素。

我们知道怎么造芯片，也知道怎么造这些系统的硬件；真正难的是把所有这些技术开发出来并让它们跑通。过去十年，我们的工程工具解决了其中一部分问题，而现在，借助现代 AI 和全新的 Dana 平台，我们真正大幅降低了构建物理 AI 并将其部署到真实世界的门槛。

随着门槛的降低，我相信构建各种各样的解决方案会变得容易得多，也将真正为我们的客户赋能、让他们如虎添翼。

Qasar： 举个例子。如果你要给 iPhone 开发一个应用，现在高中生都能做到，因为已经有大量现成的能力让这件事变得简单。再加上各种新的编程平台——比如那些氛围编程 (vibe coding) 平台——做一个网页应用前所未有的容易，简单至极。

但在机器人领域，做同样的事非常难。如果你想造一台在大学校园里送外卖的机器人，或者一台帮你打扫房子的扫地机，即便对业余爱好者和计算机科学家来说，也是一件相当艰巨的事。你得把大量互不相关的产品和工具拼凑在一起，然后还得想办法把软件部署到那台实体机器上。

Dana 正是为此而生，同时它还把那种纯粹为网页应用写软件的智能体能力带了进来。Peter 真正强调的、也是我们真正想做到的，就是把门槛降到足够低——先从工程师开始，但最终是让任何人都能开发机器人。

我认为这让我们离那个使命近了太多。坦率地讲，这在几年前是不可能的，因为当时我们还不具备那种智能——就是那些能帮助我们自己构建 Dana、再让终端用户用 Dana 去创造智能的模型。

---

最难伺候的客户是自己人

Avidan： 构建 Dana 的动力，有多少是在提前布局「冰球将要滑向的位置」（格雷茨基名言，意为卡位未来方向），又有多少是来自客户的痛点和摩擦点？也许我们可以列举其中一些，然后为之构建解决方案。这就像是你们正在构建的技术栈的下一次演进：工具、操作系统、自动驾驶技术栈，现在是 Dana。这其中有多少是由外而内、又有多少是由内而外的？

Qasar： 两者都有。我们自己也用自己的工具来开发自动驾驶能力，所以我们就是自己的客户——只不过那是公司内部的不同部门。我可以告诉你，最严苛的客户反馈恰恰来自内部，内部团队对任何不能马上跑通、不能一次成功的东西几乎零容忍。

我们是一家企业级公司，近十年来一直在向客户部署工具，收到成千上万依赖我们的工程师的反馈。他们同时也在用 Claude 这类产品。

如果你在用 Cursor 和 Claude，很自然会问：物理 AI 领域的「Claude + Cursor」在哪里？而我们就是要做出它的那家公司。坦率地讲，这就是我们的看家本领。如果你身处这个行业，就会非常清楚地看到，它就应该像使用主流编程平台那样简单。

Avidan： 帮我们理解一下，为什么 Applied Intuition 具备独一无二的条件来做这件事，而不是别的公司？或者如你所说，市面上还有其他通用的 AI 助手或编程智能体，它们也可能做一部分这类工作。Dana 到底有什么不同？为什么非得是 Applied Intuition？

Peter： 有必要先多了解一点这项技术本身。Anthropic 或 OpenAI 这类公司的通用模型很棒，对通用任务非常有用。但当你面对的是带有深度安全关键 (safety-critical) 属性的东西——开发出来的东西真的关乎人命——而且需要一套极其复杂的开发工具链时，光有模型是远远不够的，那只是完整解决方案的 1%。

Dana 平台本身建立在我们过去十年构建的一切之上。所有模块都有 API，并且围绕以 AI 智能体为核心的模式重新做了架构。真正构建物理 AI 的那些极其复杂的工作流，过去可能需要在 20 个不同的工具之间来回切换来完成不同的任务，还得深刻理解所有这些工具之间精确的信息流转，才能达成最终目标。

所以要让一个物理 AI 系统真正运转起来，它的技术栈有非常多的层次。举个例子，为什么你不能用 Claude 来构建 Linux 内核？因为 Linux 内核本身就是一项极其复杂的技术，是历经多年、借助许许多多不同的工具构建出来的。

物理 AI 也是一样。从根本上说，这些技术极其复杂。而现在有了 Dana，所有这些复杂的工作流都可以通过一个智能体界面无缝编排：你用大白话输入，用大白话接收答案，去完成那些深度涉及数据科学和这类 AI 生产部署的高度精细的工作。

Qasar： 举个例子，就拿一台自动割草机来说。你需要哪些东西？首先你需要一些传感器，需要一些算力；然后你需要构建一个软件包，让它理解「这是我要作业的院子、这个物理空间」，并且不去别的地方。也就是说，传感器必须理解那个物理空间。

接着你要设计一系列场景，让割草机在仿真中成功通过。所以你需要一个仿真框架。怎么仿真你家的后院？这本身也很复杂。

仿真本身就是一个庞大的产业，有的公司只做仿真就值几百亿美元，而我们也正是从这里起步的。我们的看家本领就在仿真、在世界模型这个领域。现在，你有了一个仿真出来的后院，有了可以在仿真后院里反复运行的场景，而这些必须在云端完成——这背后需要一整套编排。

最终，当性能达到一定的效率和保真度，你就把第一个版本部署到实体的割草机上。然后肯定会有一大堆东西无法正常工作，你得搞清楚为什么。为什么执行机构没有按预期动作？为什么控制系统表现不对？

这就形成了一整个反馈闭环。而这一切不可能全在一个大语言模型 (LLM) 里完成，它不是为此而生的，大语言模型本是为另一种环境打造的。我们一直在强调硬件接口、安全关键性这些事，但说实话，这仍然低估了在物理世界构建一个 AI 产品与构建一个网页应用之间的巨大差别。

Peter： 在这个过程中，你还要做模型训练和评估，做数据采集和数据后处理。这些都是非常复杂的系统。而刚才那个类比，几乎可以套用到任何一种机器、任何一种机器人上，逻辑完全相通。

---

一个数据引擎，驱动所有机器

Avidan： 在我们筹备这期节目时，你们的团队描述过一个非常优美的循环：你们可以从一台拖拉机或一座地下矿山获取信息和数据，而这些数据对无人机或自动驾驶汽车也有价值，进而又对海上自主航行器有价值——它们全都汇入这个更大的平台，塑造平台本身的构建方式。我很想请你们描述一下这个循环，以及它如何帮助构建一个通用的、更大的平台。

Qasar： 一个 AI 系统实际上永远由两大部分组成：一部分是你开发智能所用的平台，另一部分是智能本身。换句话说，一个是世界模型，另一个是你最终部署到机器上的智能。

先说后一半——部署到机器上的智能。理解它的方式就是看这个数据引擎，它是一个反馈循环。当汽车在真实世界中行驶、消耗数据——也就是感知周围的世界并生成数据包——它在某些特定场景下也会无法成功通行。

这时你几乎可以给系统做个标记：这台车在这里遇到了困难。那么，如何帮助车上的「大脑」在下次遇到上次搞不定的场景时更成功地通过？有几种办法。

一种是让它接触大量人类真实驾驶过的场景，让它模仿人类如何处理那种场景；另一种是构建一个合成环境，向它展示这类场景应该如何通过。技术方法有很多，但宏观的要点是：存在一个数据循环，本质就是反馈——机器与场景交互，有些场景能通过，有些不能。

现在退一步，别把它局限在汽车上，把它换成任何一种机器：可以是无人机，可以是矿用土方车，可以是联合收割机。同样的事情都会发生。

我们在开发智能和模型的过程中发现一个有趣的现象：当我们把来自无人机的场景数据拿来训练，或者拿我们在日本运营的 L4 级自动驾驶卡车的数据来训练时，模型在截然不同的环境中的性能反而变得更好了。真正发生的是：模型正在获得对真实世界物理规律的感知。

这在聊天机器人领域应该能引出一些类比。聊天机器人过去非常专精，Transformer 出现之后，通用聊天机器人的表现才真正变得极其出色。同样的事情也正在自动驾驶领域发生。我们从中获益巨大，因为我们能看到所有这些不同应用场景中的多样化数据，而这些数据又反哺了数据循环和数据引擎。

Peter： 这也进一步揭示了数字 AI 与物理 AI 之间的区别。在数字 AI 领域，这些通用模型往往是在互联网数据上训练的，再加上模型公司自己构建的一些额外数据，而通常是文本数据。但在物理 AI 领域，几乎所有的数据都是专有的——是我们通过自己的车辆、以及与客户合作采集来的数据。因为你最终用来构建这些模型的数据，在互联网上是找不到的。

Avidan： 既然聊到这个话题，Peter，能不能谈谈你们能够采集的数据量级？横跨所有这些不同的车辆、机器、行业和应用，这个量级几乎难以想象。某种程度上，我在想这就像一个超级大脑。聊聊你们能采集到的数据，以及你们能在这些数据之上采取的、也许其他任何人都做不到的行动。

Peter： 我们确实拥有海量数据，这是事实。这意义重大，因为首先采集数据的成本很高，同时也非常困难。要实现可靠、高质量的数据采集，所需的技术栈深得惊人、复杂得惊人。全世界真正拥有面向物理 AI 的高质量数据采集技术栈的公司并不多。这是我们相当根本的护城河和长期优势。

基于这些数据，还解锁了一系列非常深层的能力——其中就包括模仿学习与强化学习的结合。我们在这个方向投入极深，我认为这正是让物理 AI 规模化落地的关键解锁点。

现在自动驾驶领域热议的一个话题是端到端模型：你拿采集到的数据，用一种叫模仿学习的方法训练模型，机器就能有效模仿训练数据中的行为。这很棒，也已被证明非常有效，但它往往无法让你得到一个完全可以投产落地的解决方案。

我们后来补上、并且大力创新的方向——做了大量研究，也发表了不少成果——是强化学习。你以模仿学习模型为基础，再用一个非常强大的仿真环境去补充它，配合性能极高的强化学习，就能真正抚平纯模仿学习会遇到的大量问题场景。

我们把这视为通往大规模、广泛部署的物理 AI 的技术路径。而且我认为，眼下我们在整条链路上都拥有一些相当独特的优势。

---

渗透虽慢，却难以撼动

Avidan： 除了 Dana 这个巨大的解锁点之外，还有其他我们该讨论的瓶颈吗？Peter 刚才提到操作系统就是一个瓶颈——要设计、开发、构建、测试、分析所有这些不同的系统，难度极高，而 Dana 现在正好能解决这个问题。还有其他瓶颈吗——无论是芯片、传感器、执行器、材料（电力现在就是个大问题），还是你们所构建技术周边的任何环节，有没有让你们担心的？

Qasar： 这项技术的扩散会以截然不同的速率和方式发生。Fable 发布后，可以直接在你的手机和笔记本上运行，因为这些环境高度标准化——浏览器、操作系统、应用商店、支付方式等等，终端用户要消费这种智能非常容易。

而要把智能扩散到物理机器里，则存在诸多阻力——可能来自制造商，也可能来自农场和矿山的运营方。中间横亘着很多东西，或许同样重要的是真金白银的投入。

谈到自动驾驶汽车，我总喜欢用乘用车举例，因为人人都能理解——港口可能就不那么直观了。就你的私家车而言，假设你昨天刚买了一辆本田雅阁 (Honda Accord)，明天自动驾驶就免费可用了——可你那辆雅阁还在手里。

超过一半的美国人储蓄账户里的钱相当有限。买车对他们来说是一件大事、一笔大开销，无论市场上出现什么新产品，这辆车他们都会开上十年甚至十五年——这就是经济状况和他们手头资金决定的。

智能向机器的扩散有许多复杂性，是你在桌面电脑或手机上见不到的。但我认为这些复杂性同样也是护城河。一旦你搞清楚如何让一座矿山或一片农场实现自主运行，作为这个生态里的技术提供商，我们就占据了极大的优势，因为我们已经深度嵌入其中——这和硅芯片的黏性是一个道理。

一旦你成为芯片厂商，你的芯片装进了一大批机器，那就是一条真正深的护城河。这些现实对我们而言，既是劣势，也是优势。

Avidan： 这是一档商业播客，我们必须聊聊生意本身。我很好奇你会如何拆解 Applied Intuition 的收入。可能有不同的口径：软件是一块，有一种利润率结构；服务或咨询可能是另一块。能不能拆解一下收入的不同组成部分？

Qasar： 我们是一家非常经典的产品型公司，赚钱的方式是授权许可，与客户的关系非常简单直接。公司内部每周做一次全员现场会，我们有一千多名工程师——这可以给大家一个公司规模的参照。

我常说，我们要在技术上极具创新，在商业模式上极度无聊。一旦反过来，麻烦就来了——产品很无聊，却在记账方式上花样百出。我们上一轮融资的投资方是贝莱德 (BlackRock)，再上一轮是富达 (Fidelity)，大概就是这一点的最好证明。

这些都是非常传统、保守的投资者，做的是实打实的尽职调查——倒不是说风险投资机构不做。我提这点的原因是：作为创始人、作为一家公司——也是对正在收听的各位创始人说的——你的生意应该让人一听就懂。

客户应该非常清楚你的激励和动机，清楚你如何赚钱、在哪里赚钱、哪里不赚，以及你不想做什么。对我们来说就是一句话：把客户的产品做得更好——通过为它们注入智能。

Avidan： 能聊聊实际的客户群体吗？我读到全球前 20 大汽车制造商中有 18 家是你们的客户，而且你们还扩展到了其他领域——Qasar，你之前提到，你们已经不只是做陆地自动驾驶了，还有海洋、太空，以及许多其他行业。能否给听众勾勒一下你们服务的不同客户类别？据我了解，你们的业务也相当全球化，也请讲讲你们在哪些国家开展业务。

Qasar： 我们的客户通常是制造商——但不限于此——也就是制造物理机器的人。我说不限于此，是因为我们也与另一类客户合作，比如矿业运营商或港口运营方，他们在对一支异构混合的机器队伍做自动化改造，而这些机器必须相互通信、协同作业。

我们提供的依然是两类东西：要么是 Dana——工具侧的平台；要么是制造商可以直接嵌入自家机器、让机器更智能的实际智能。从垂直行业看，就是所有在现实世界制造并部署机器的大行业。

汽车、商用卡车、国防、建筑、矿业、农业。短期内还有机器人、人形机器人、太空——凡是有物理机器在移动人员、货物或信息的地方，都是我们的市场。

行业分布其实相当均匀。很多人以为我们是一家纯汽车公司，但汽车业务其实只占少数，各板块相当均衡。正如你提到的，我们也非常国际化，业务真正遍布全球。

我们的第一批海外办公室几乎是在公司创立之初就设立的——这也是创始故事的一部分。我在日本和德国都生活过，所以底特律、日本、德国成为我们最早的三间办公室，顺理成章。

之后进入国防领域，自然去了华盛顿特区——都是相当合乎逻辑的选择。我们始终希望贴近客户，这是设立海外办公室的重要原因。但另一个原因是工程人才。正如 Peter 前面提到的，这行不只是要懂 AI、要懂模型优化，我们的技术远不止这些。我们在全球各地寻找能帮助我们完成使命的人。

---

市场浩瀚，互不相撞

Avidan： 从外部视角看，其实很难锁定你们确切的直接竞争对手。有合成数据供应商，有英伟达 (Nvidia) 这样的大平台，你还提到特斯拉 (Tesla)——它更像垂直整合的全栈运营商。我很好奇你们如何看待竞争，有没有觉得哪些公司挡在你们的路上？

Qasar： 在这类对话里，有必要先定义「竞争」这个词。很多公司都在自动驾驶这个赛道里，但那并不必然让它们成为竞争对手。Waymo 就是个例子。我们俩都是谷歌 (Google) 前员工。Waymo 是竞争对手吗？算不上——主要是因为它赚的钱和我们不在同一个池子里。

我们的客户是制造商，Waymo 做的是面向消费者的无人出租车 (robotaxi)。如果我们去做面向消费者的无人出租车，或者 Waymo 开始向制造商卖货，那才算直接竞争。但它并不是。你说得对，市面上确实没有第二家 Applied Intuition，但有很多公司在与我们业务的局部竞争。

有公司在建筑或矿业做点什么，也有公司在汽车领域做点什么。我们团队内部也经常有人问：该如何看待竞争对手？

在这个问题上，我信奉经典的 YC 模型：你应该清楚竞争对手的存在，应该积极地与他们交锋，但不能让他们决定你的未来——他们是另一家公司，有不同的能力。而这些市场真的、真的、真的很大。

什么时候竞争才变得生死攸关？如果你在一个只有 1000 人的小镇上，这 1000 人只会去一两家鞋店买鞋，那竞争就至关重要，因为这有点像零和游戏——他们买鞋的总量是有限的。而在我们的行业里，市场增长得又快又猛，就算你把 Applied 所有的局部竞争对手都列出来，他们全都可以成功，Applied Intuition 也照样可以成功，因为市场足够大。

还有一种思考方式——我依然是在对年轻公司的创始人们说。如果你有孩子，可能见过那种宇宙示意图：太阳、火星、地球排在一起，目的是让人理解地球与土星、木星的关系。

但如果按真实比例来摆，太阳有篮球那么大，地球就得放在几十英尺之外，而且只有圆珠笔笔尖那么小——中间是浩瀚的黑色虚空。市场也有点像这样。人们总盯着这些公司彼此看起来有多近，但市场如此浩瀚，它们实际上并不会真的扰动彼此的引力。

我非常认同一个观点：如果我们没成，那是我们自己的问题。只要执行到位，我们就会做得极其出色。这家公司一定能做到现在的 10 倍，甚至远远不止。

以前我们说「未来会出现一家市值数千亿美元的物理 AI (physical AI) 公司」，人们会觉得这说不通。现在你看看 SpaceX、Anthropic 和 OpenAI 长到了多大——它们都是只专注一件事、死磕到底的硬科技公司。

Avidan： 眼下似乎确实有一波兴建实体与硬件公司的复兴潮：杰夫·贝索斯 (Jeff Bezos) 的 Prometheus，特拉维斯·卡兰尼克 (Travis Kalanick) 的 Atoms，好像就在今天还有一家叫 Terraform 之类的公司在做机器人采矿技术。

确实能感受到一种向物理世界进军的紧迫感和雄心。很难想象这些新入局者打造物理技术时，会不在其中嵌入某种智能。我很好奇这种趋势会如何展开，你们怎么看，它会不会削弱市场对你们解决方案的需求？

Peter： 这些公司都是我们的潜在客户。越来越多的硬件公司开始创业，这是大好事——而这又与我们前面谈到的进入门槛息息相关。

如果构建一套智能硬件系统是一项令人望而生畏的任务，那就没几家公司会去做。但一旦一支规模合理的团队、拿着合理规模的资金就能把它做成，一夜之间就会有成百上千家组织去造各种各样的东西。我们能想象其中一些，但更多全新的物理 AI 应用场景，将来自人类自身的创造力。

Qasar： 呼应一下 Peter 说的：这些人完全可以成为我们公司的客户，因为我们提供的正是开发这类技术所需的平台。历史是最好的老师。谷歌创立于 1998 年，当时已有多家搜索引擎公司上市。

如果我们在 1998 年做这期播客，说有一家新公司要冒出来，你一定会说市场已经饱和了。可这些市场真的非常大。人们本能的反应总是：杰夫·贝索斯要创办一家物理 AI 公司，你们不担心吗？这就好比说贝索斯要开一家软件公司——我们确实也是一家软件公司，但这并不意味着有什么不祥之兆。

---

增长跑赢烧钱

Avidan： 我听说了一个惊人的数据：你们募集的钱几乎一分没花，而你们融到的可不是小数目，大约在 10 亿美元量级，而且你们已经把公司做成了自我造血。这就引出一个必问的问题：为什么要融这么多钱？你们总体上又是如何考虑资本的配置与投放的？

Qasar： 先说清楚：我们不是不想花，而是努力在花，只不过幸运地，增长速度跑赢了花钱的速度。每一轮融资，我们的出发点都是：这笔钱就是要花掉的，不是融来存银行的。这是第一点。

在资源配置上，我们希望深思熟虑，但也不会保守到让自己在某家新兴公司面前变得脆弱——比如对手在花钱上没我们这么节俭。展望未来，我们很幸运——一半因为过往的业绩记录，一半因为创立这家公司之前我们作为技术专家和工程师的积累——真有需要的话，我们随时能从市场募集到大笔资金。

我们的思考方式是这样的：这是我们的使命。如果像 Peter 说的那样，瓶颈在资本，我们就解决资本；瓶颈在技术，就解决技术；瓶颈在客户或我们需要打造的产品，就去解决它们。资本只是通往使命道路上的变量之一，一旦发现它成为约束，我们就动手修复。

而且我们正在达到这样的规模和体量：部署更多资本，能投得远比现在高效。这是我们经常讨论和思考的事，但谈不上是我早上起床想的第一件事。我每天想的第一件事是：如何确保我们做出行业内最好的产品？

如果产品做到行业最好，其他很多事情都会迎刃而解——因为与其他生意不同，在这里产品真的决定一切。在很多行业里，产品做得还行就够了，但在安全关键 (safety-critical) 的系统里，不行。

Avidan： 就像刚才很难让你指出一家直接竞争对手一样，如果我逼你点出一家上市公司、或一篮子上市公司，作为投资者给 Applied Intuition 估值时的参照，你会指向哪里？公开市场上几乎没有哪家公司直接在做物理 AI 这门生意。

Qasar： 很多公司会谈论这个方向。英伟达会谈论它，会讲物理 AI。但我认为，这正是 Applied Intuition 备受追捧的原因。

如果你认真动脑子听完这一小时，理解这个问题和它的解法其实相当容易：我们是物理 AI 领域的品类领导者，而这是一个巨大的市场。这就是结论——也是我们为什么能同时赢得工程师和投资者如此热情的原因。

Avidan： 你们有幸合作过的公司，几乎是我们刚才谈到的所有行业里领袖企业的「名人堂」：国防、汽车、农业、工业、制造，等等。站在你们这个独特的制高点，放眼三五年之后——你觉得未来与今天相比，最有意思的不同会是什么？

Qasar： 未来会更安全，这句话不该被轻描淡写，也不该被当成一句漂亮话。如果你认识的人里有人遭遇过车祸，或者在农场、矿山上出过工伤事故，那种毁灭性是很难量化的——因为它会影响他们此后余生做的每一件事。这一点意义重大。

开场时你提到，在旧金山，自动驾驶汽车已经随处可见。这将会在越来越多的城市里变得寻常，参与其中的也不只是 Waymo 或特斯拉这些正在投放产品的公司。

再放眼其他地方，比如大学校园，你会看到越来越多的接驳车和送餐机器人。现在你已经能看到一些了，但它们的密度会越来越高。

不知不觉间，就像口袋里装着一台超级计算机已被视为理所当然，让机器在你周围穿梭、替你办事、照顾你，也会变得理所当然。而这是一件非常积极的事。

Avidan： Peter、Qasar，这期对话非常愉快。谢谢你们的时间。

Qasar： 谢谢邀请，聊得很开心。

Peter： 谢谢邀请。