150亿美元的Physical AI公司：仿真、Autonomy OS、Neural Sim与1000名工程师——Applied Intuition

摘要

• 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。

精读

上游暂未提供，后续同步将继续补齐。