摘要

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。」

精读

1. 物理AI是另一种工程学科——需求等不及

Younis对公司和品类的定义是：「我们把AI放进机器，让机器变得更聪明」，最终目标是「让10亿台机器具备智能」。Ludwig这样划定边界：数字AI的结果呈现在桌面电脑或手机屏幕上；当现实世界中的某个事物开始运动，物理AI就登场了，覆盖制造、医疗、能源等行业。物理AI与数字AI的工程分野有3点：机器与人类在「同一时空中运动」时，安全成为关键约束；硬实时限制——聊天机器人可以花20秒回答问题，但「在高速公路上飞驰」的机器不行；以及一个被低估的成本维度：智能不仅要满足「时间窗口」，还必须满足「成本窗口」，能够运行在价格可承受的芯片上。
面对数字AI围绕会计师「被取代」（「甚至可能包括播客主持人」）的「咬牙切齿和忧心忡忡」，Younis认为物理AI缓解的是「全球最糟糕的一些工作」：美国农民平均年龄58岁，长途卡车运输面临创纪录的劳动力短缺，采矿业占全球劳动力的1%，却占工伤死亡事故的8%。「AI来得还不够快。」
这句判断值得完整引用：「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」——在他看来，代码补全产品只是衡量AI能够对社会产生多大影响的一个代理指标。

2. 市场测算：仅汽车就占全球GDP的3%

Younis的测算是：工业相关行业约占GDP 5%；汽车行业——严格来说是「个人拥有的乘用车」——占全球GDP的3%。他的直觉检验方法是：在机场候机口数一数当天与汽车发生过互动的人，再数一数当天「写过软件的人」。
「相当成熟的投资者」给 Waymo 1260亿美元估值，说明这些数字确实真实存在；这只是一个垂直行业中「自动驾驶汽车」的一种实现。Applied覆盖商用卡车运输、国防、建筑、采矿、农业和机器人等领域；Younis宣称，包括「中国生态在内」，这是「全球唯一一家做这件事的公司」。

3. Applied Intuition到底卖什么：没有硅片的硅片公司模式

公司分为两部分：一是把模型部署到机器上——硬件种类极其多样，难度很高，「给联合收割机写软件……与给汽车写软件完全不同，而给人形机器人写软件又完全不同」；Applied用近10年时间完成了类似 Android 的设备抽象，Ludwig还是 Android Automotive 的早期工程师之一。二是机外开发工具，企业用它来构建自己的智能。客户可以购买其中一项，也可以两项都买。
Applied与 Palantir 的对比并非一一对应：Applied确实有一些前线部署工程师，但Younis称绝大多数员工都在做产品。他更愿意用 NVIDIA 来类比：「我们实际上更像一家硅片公司……它们某种程度上是一个平台，我们也差不多，只是我们的平台不是硅片，而是智能。」
Ludwig最直白的说法是：如果你造了一台拥有传感器和执行器、希望它具备智能的机器，Applied要么向你出售让你自己开发的工具平台，要么提供「更完整的解决方案……几乎开箱即用」，并以授权方式服务各个行业。

4. 从第一性原理出发：时机、工具优先、横向布局

Younis曾在 Sam Altman 任职期间担任 Y Combinator COO，正值 YC投资 OpenAI、Cruise、Scale AI 等公司。他的核心经验是：「时机就是一切……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。」太晚的代价则可能是市场拥挤、利润率被打穿。他与Ludwig在2010年代初拒绝创办自动驾驶出租车公司，因为当时技术和商业模式都还没有跑通。
两人都是「底特律人」——Younis就读于 General Motors Institute，Ludwig的父亲和祖父都曾在 GM 工作。Cruise于2016年被 GM 收购后，两人形成了这一判断：汽车业正在「Tesla 化」，机器转向软件优先；汽车会率先发生变化，国防、建筑、采矿和农业随后跟进，因为 Caterpillar 的运输系统或 John Deere 的联合收割机「某种程度上就是汽车的近亲产品」。工具优先的原因在于，制造商不会从「那个年轻的小公司」手里购买安全关键系统，而且「50人的团队不可能造出一辆自动驾驶汽车」。
横向布局的约束是：要做 NVIDIA，而不是 Tesla；为一个垂直行业打造的所有东西，都必须能够迁移到其他行业。公司的成绩单是：融资约10亿美元，「这些钱全都还在账上。我们从未动用过筹来的任何资金……我把这一点归因于我们的技术战略。」

5. 工具 → 操作系统 → 自动驾驶技术栈 → Dana

Ludwig的演进逻辑是：这个领域「几乎每2年就会出现某种突破」，因此 Applied 必须内置「我们对自己进行内部颠覆」的机制。工具最终遇到部署瓶颈，操作系统成为限制速度的因素。在机器上运行神经网络涉及「约1,000个不同问题」，包括可靠部署、软件更新和诊断，这迫使 Applied 进入操作系统业务；当公司同时拥有工具和操作系统后，又自然延伸到完整的垂直行业自动驾驶技术栈。
Qasar将 Dana 描述为面向物理AI的新型智能体平台；Ludwig称其为新的「敏捷平台」，是「我们过去近10年所做一切的集大成」。它的目标是「大幅降低准入门槛」，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「我们还没有……字面意义上的模型」。
当被问到 Dana 是由外向内还是由内向外打造时，Ludwig的回答是「两者都是」：Applied自己就是客户，内部工程师是「最激进的客户反馈来源」。在外部，成千上万名客户工程师依赖 Applied，并使用 Cursor、Claude 等工具，因此自然会问：「物理AI领域的 Claude-Cursor 组合在哪里？」
Dana建立在此前的技术栈之上：Ludwig称所有模块都有 API，并已重新架构，以便让AI智能体处在工作流前端，编排过去需要在约20个工具之间来回切换才能完成的任务。

6. 通用模型为何无法独自完成：数据引擎与护城河

Ludwig反对单靠通用模型的理由是：在安全关键型开发中，「只有模型是不够的，那只是完整解决方案的1%」。他的类比是：「为什么不能用 Claude 来构建 Linux 内核？」Dana通过一个智能体界面，用普通英语编排复杂工作流，而不是只提供一个通用模型。
Younis以自动割草机为例展开说明：先处理传感器和算力，为庭院建图，构建仿真场景——有些仿真公司本身的估值就达到数百亿美元——再进行云端编排、首次部署，随后调试执行机构和控制系统为何出错。「这些事情不可能全部在一个 LLM 里完成。」
更深层的护城河是数据闭环：Ludwig称，高质量物理AI数据的采集既昂贵又技术复杂，背后有一套出人意料地深的技术栈，能够可靠完成这件事的公司寥寥无几。Applied在日本运营的 L4 卡车产生的数据，能够提升模型在「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」——这正是物理AI对应于 Transformer 让聊天机器人具备通用能力的路径。他补充了一个结构性事实：与基于互联网数据训练的数字模型不同，物理AI「几乎所有数据实际上都是专有的」。
Ludwig的技术判断是：单靠模仿学习「实际上无法把系统带到完全可以投入生产的程度」；在模仿学习基础模型上叠加高性能的基于仿真的强化学习，是「规模化发展物理AI的关键解锁点」。
Younis认为，扩散摩擦既是拖累，也是护城河：手机受益于标准化的浏览器、操作系统、应用商店和支付系统，而物理机器的部署要面对制造商、操作员、硬件和经济性等多重约束。你刚买的 Honda Accord 不管明天发布什么新产品，都会继续上路10–15年；但「一旦你找到让一座矿山实现自动化的方法」，技术供应商就会获得强大优势——「就像硅片具有极强的黏性一样」。

7. 无聊的商业模式、广阔的市场、未动用的资本

收入模式就是传统的产品授权——「我希望技术上非常创新，商业模式上非常无聊……反过来时，事情就会开始出问题」。Younis称 BlackRock 参与了最后一轮融资，此前 Fidelity 也曾参与；这些都是「传统、保守、会真正做尽调的投资者」。规模指标包括：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；Qasar表示各垂直行业收入「大致均衡」，汽车业务「坦率说只占少数」。公司最早在底特律、日本和德国设立办公室，随后在华盛顿特区布局国防业务。
在竞争问题上，Younis重新定义了问题：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，市场如同按比例绘制的行星，「如此广阔、如此庞大，彼此实际上并不会影响对方的引力」；「如果我们没成功，原因就在我们自己。」他认为公司的规模「至少可以做到现在的10倍，甚至更大」。
Ludwig认为硬件复兴和新一批机器人采矿创业公司是顺风：「这些都是我们的潜在客户」，因为降低准入门槛后，「数百或数千家组织」都可以开始构建。Younis的结论是：担心 Bezos 创办一家物理AI公司，「就像说 Jeff Bezos 正在创办一家软件公司」。
关于那笔未动用的10亿美元，Younis说：「需要非常明确地说明，我们一直在努力把它花出去」——只是增长速度超过了资金消耗速度。他表示，公司会修补当前限制使命推进的那个瓶颈，无论是资本、技术、客户还是产品，但第一优先级始终是做出业内最好的产品。公开市场上几乎没有直接可比公司（「NVIDIA会谈物理AI，但是……」）；而此前曾被质疑的「将出现一家数千亿美元级物理AI公司」这一判断，在他看来，如今已与 SpaceX、Anthropic 和 OpenAI 的规模一起变得可信。
未来图景将是一个「坦率说更安全」的世界：更多城市实现自动驾驶，大学校园出现接驳车和送餐机器人，机器越来越多地在人群中穿行、承担各种任务，最终像「放在口袋里的超级计算机」一样变得理所当然。

2026年7月随想杂谈开源会威胁 Anthropic 的业务吗？在 AI 世界里，毛利率重要吗 | Matt Murphy