物理AI市场被低估：仅汽车就占全球GDP的3%
工业占全球GDP的5%,汽车一项就占3%,Waymo已被估值1260亿美元——创始人判断，未来25年称霸的会是把AI装进机器的公司，而非聊天机器人厂商。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
工业只占GDP的5%,但分量惊人
Kasser 的核心论点是物理AI市场会比数字AI大一个数量级。工业整体占全球GDP的5%,其中汽车一项就占3%,这还只是「个人拥有的乘用车」这一个子类；算上商用卡车、国防、建筑、矿业、农业、机器人等垂直领域，每一个单拎出来都体量巨大。他举例说，哪怕只是自动驾驶出租车这一个细分场景，Waymo就已经被老练的投资人估值到1260亿美元，而这还只是众多垂直市场里的一个。
— Kasser创业公司大多死于太早而非太晚
Kasser在Y Combinator做COO时见过无数公司，总结出一条反直觉的判断：如果技术比市场成熟早两年推出，公司会在等市场成熟的过程中烧光钱，这是创业失败的默认模式，反而很少有公司因为「太晚」而死——太晚顶多是竞争激烈、利润被压低。正因如此，他和Peter早年否决了做robo-taxi的念头：当时自动驾驶技术没成熟、商业模式也没验证，判断是进场太早，于是等到2016年Cruise被通用收购后才真正下场做Applied Intuition。
— Kasser做工具而非自己造车，是刻意的选择
创始团队都是底特律人，家里几代人在通用汽车工作，但他们没有选择垂直整合去造一辆自动驾驶汽车，而是判断整个汽车产业会经历「特斯拉化」——变成软件驱动、需要车队管理、OTA更新、测试验证的工具链。一个50人团队造不出一辆完整的自动驾驶车，但可以做工具卖给所有正在转型的车厂。这个横向打法后来被原样复制到国防、建筑、矿业、农业等行业。
— Kasser做着做着，操作系统成了新瓶颈
公司从工具起步做了几年后发现，真正把AI部署到机器上时，瓶颈不在工具而在操作系统层：怎么把模型可靠地装到车上、怎么远程更新、怎么做诊断。于是被迫进入操作系统业务，这不是提前规划好的产品路线图，而是沿着「哪里卡住了就去解决哪里」的逻辑被倒逼出来的。解决了工具和操作系统之后，才有能力往上做更完整的垂直自主系统(autonomy stack)。
— PeterDana想让造机器人像做网页一样简单
Peter拿Vibe coding类的网页开发平台做对比：现在高中生都能用这些工具做出一个网页应用，但如果你想为校园做一个配送机器人，或是一个会自己打扫房间的小吸尘器，哪怕是爱好者和计算机科学家也会觉得这事相当令人生畏——要把一堆零散的产品和工具拼起来，还要想办法把软件部署到那台实体机器上。Dana要做的就是把这个入口门槛大幅拉低，让更多人能动手做物理世界的智能产品。
— Peter通用大模型只是物理AI方案的1%
面对「为什么不直接用Claude之类的通用模型」的质疑，Kasser回答：安全攸关、需要在二十多个工具间精确传递信息的复杂工作流，模型本身只占整个解决方案的1%。他拿Linux内核打比方——不是说Claude写不出代码，而是内核这类系统是多年、多工具积累出来的复杂工程，物理AI系统同理。Dana的价值在于把原本分散在二十个工具里的流程，统一成一个可以用大白话问答的智能体界面。
— Kasser矿场数据能让割草机开得更稳
一个关键发现是：从日本L4自动驾驶卡车上收集的数据，拿去训练完全不同场景(比如矿车、联合收割机)的模型，居然也能提升表现——说明模型学到的不只是某个场景的死记硬背，而是对物理世界本身的某种通用理解，这和聊天机器人在Transformer之后从「很窄」变得「什么都能聊」是同一种跃迁。这也是他们押注模仿学习叠加强化学习作为规模化路径的原因：纯模仿学习能学会模仿人类，但补不上边缘案例，要靠强化学习在仿真环境里把这些坑磨平。
— Kasser融了近10亿美元，却基本没花出去
Kasser澄清这不是故意囤钱的策略——每一轮融资时他们都打算把钱花出去，只是公司增长的速度超过了花钱的速度。他们对资源配置的态度是：不要保守到让自己在一个愿意更「烧钱」的新对手面前变得脆弱，但钱本身只是任务链条里的一个变量——如果瓶颈是资本就去融资解决，如果瓶颈是技术或客户就去解决那个。最近一轮的投资人是贝莱德和富达这类做扎实尽调的保守型机构，而不只是风险投资。
— Kasser原话 · 已逐字校验
In our case, in Applied Intuition's case, our mission is to make a billion machines intelligent.
就我们而言，Applied Intuition的使命是让十亿台机器变得智能。
Kasser3:05
Most companies fail because they're too early. Rarely do they fail because they're too late.
大多数公司失败是因为太早，很少有公司是因为太晚而失败。
Kasser13:36
If you wanted to build like a delivery robot for college campuses or like a little vacuum that cleans your house, it's a pretty daunting thing, even for hobbyists and computer scientists.
如果你想做一个校园配送机器人，或者一个会打扫房子的小吸尘器，这对爱好者和计算机科学家来说都是一件相当令人生畏的事。
Peter21:53
why couldn't you use Claude to build the Linux kernel? It's like, well, because the Linux kernel is actually a very, very complex piece of technology that's been built out over many years and using many, many other different tools.
为什么不能用Claude去写Linux内核？因为Linux内核其实是一项极其复杂的技术，是用了很多年、借助很多很多不同工具才建出来的。
Kasser25:05
So what's really happening is the model is getting a sense of physics in the real world.
所以真正发生的是，模型正在获得对真实世界物理规律的某种感知。
Kasser29:11
Just to be very clear, we've tried to spend it. We've been fortunate enough to grow faster than that.
说清楚一点，我们是想把钱花出去的，只是我们足够幸运，增长速度超过了花钱的速度。
Kasser43:42
We're the category leader in physical AI and it's a big market.
我们是物理AI这个品类的领导者，而且这是一个很大的市场。
Kasser45:47
数字与实体
| 工业占全球GDP比重 | 约5% | 7:21 |
| 汽车占全球GDP比重 | 约3% | 7:21 |
| Waymo估值 | 1260亿美元 | 8:22 |
| 矿业占全球工作相关死亡比重 | 8%(占全球劳动力1%) | 6:20 |
| 客户覆盖的头部车企比例(主持人说法) | 全球前20大车企中的18家 | 36:28 |
术语
- Imitation Learning模仿学习
- 让模型模仿人类驾驶等示范数据来学会行为
- Reinforcement Learning强化学习
- 通过仿真环境里的奖励反馈训练模型处理边缘场景
- Agentic Platform智能体平台
- 由AI agent自主编排多步骤开发流程的平台
- L4 TrucksL4级自动驾驶卡车
- 特定场景下可完全自主运行、无需人类接管的卡车
收听指南
关注自动驾驶/机器人/国防工业赛道的投资人，以及正在纠结「做工具还是做产品」的硬科技创业者。
开头0:00-2:04是赞助商广告和节目介绍，可以跳过。