物理AI市場被低估：僅汽車就佔全球GDP的3%
工業佔全球GDP的5%,汽車一項就佔3%,Waymo已被估值1260億美元——創始人判斷，未來25年稱霸的會是把AI裝進機器的公司，而非聊天機器人廠商。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
工業只佔GDP的5%,但分量驚人
Kasser 的核心論點是物理AI市場會比數字AI大一個數量級。工業整體佔全球GDP的5%,其中汽車一項就佔3%,這還只是「個人擁有的乘用車」這一個子類；算上商用卡車、國防、建築、礦業、農業、機器人等垂直領域，每一個單拎出來都體量巨大。他舉例說，哪怕只是自動駕駛出租車這一個細分場景，Waymo就已經被老練的投資人估值到1260億美元，而這還只是眾多垂直市場裡的一個。
— Kasser創業公司大多死於太早而非太晚
Kasser在Y Combinator做COO時見過無數公司，總結出一條反直覺的判斷：如果技術比市場成熟早兩年推出，公司會在等市場成熟的過程中燒光錢，這是創業失敗的默認模式，反而很少有公司因為「太晚」而死——太晚頂多是競爭激烈、利潤被壓低。正因如此，他和Peter早年否決了做robo-taxi的念頭：當時自動駕駛技術沒成熟、商業模式也沒驗證，判斷是進場太早，於是等到2016年Cruise被通用收購後才真正下場做Applied Intuition。
— Kasser做工具而非自己造車，是刻意的選擇
創始團隊都是底特律人，家裡幾代人在通用汽車工作，但他們沒有選擇垂直整合去造一輛自動駕駛汽車，而是判斷整個汽車產業會經歷「特斯拉化」——變成軟件驅動、需要車隊管理、OTA更新、測試驗證的工具鏈。一個50人團隊造不出一輛完整的自動駕駛車，但可以做工具賣給所有正在轉型的車廠。這個橫向打法後來被原樣複製到國防、建築、礦業、農業等行業。
— Kasser做著做著，操作系統成了新瓶頸
公司從工具起步做了幾年後發現，真正把AI部署到機器上時，瓶頸不在工具而在操作系統層：怎麼把模型可靠地裝到車上、怎麼遠程更新、怎麼做診斷。於是被迫進入操作系統業務，這不是提前規劃好的產品路線圖，而是沿著「哪裡卡住了就去解決哪裡」的邏輯被倒逼出來的。解決了工具和操作系統之後，才有能力往上做更完整的垂直自主系統(autonomy stack)。
— PeterDana想讓造機器人像做網頁一樣簡單
Peter拿Vibe coding類的網頁開發平臺做對比：現在高中生都能用這些工具做出一個網頁應用，但如果你想為校園做一個配送機器人，或是一個會自己打掃房間的小吸塵器，哪怕是愛好者和計算機科學家也會覺得這事相當令人生畏——要把一堆零散的產品和工具拼起來，還要想辦法把軟件部署到那臺實體機器上。Dana要做的就是把這個入口門檻大幅拉低，讓更多人能動手做物理世界的智能產品。
— Peter通用大模型只是物理AI方案的1%
面對「為什麼不直接用Claude之類的通用模型」的質疑，Kasser回答：安全攸關、需要在二十多個工具間精確傳遞信息的複雜工作流，模型本身只佔整個解決方案的1%。他拿Linux內核打比方——不是說Claude寫不出代碼，而是內核這類系統是多年、多工具積累出來的複雜工程，物理AI系統同理。Dana的價值在於把原本分散在二十個工具裡的流程，統一成一個可以用大白話問答的智能體界面。
— Kasser礦場數據能讓割草機開得更穩
一個關鍵發現是：從日本L4自動駕駛卡車上收集的數據，拿去訓練完全不同場景(比如礦車、聯合收割機)的模型，居然也能提升表現——說明模型學到的不只是某個場景的死記硬背，而是對物理世界本身的某種通用理解，這和聊天機器人在Transformer之後從「很窄」變得「什麼都能聊」是同一種躍遷。這也是他們押注模仿學習疊加強化學習作為規模化路徑的原因：純模仿學習能學會模仿人類，但補不上邊緣案例，要靠強化學習在仿真環境裡把這些坑磨平。
— Kasser融了近10億美元，卻基本沒花出去
Kasser澄清這不是故意囤錢的策略——每一輪融資時他們都打算把錢花出去，只是公司增長的速度超過了花錢的速度。他們對資源配置的態度是：不要保守到讓自己在一個願意更「燒錢」的新對手面前變得脆弱，但錢本身只是任務鏈條裡的一個變量——如果瓶頸是資本就去融資解決，如果瓶頸是技術或客戶就去解決那個。最近一輪的投資人是貝萊德和富達這類做紮實盡調的保守型機構，而不只是風險投資。
— Kasser原話 · 已逐字校驗
In our case, in Applied Intuition's case, our mission is to make a billion machines intelligent.
就我們而言，Applied Intuition的使命是讓十億臺機器變得智能。
Kasser3:05
Most companies fail because they're too early. Rarely do they fail because they're too late.
大多數公司失敗是因為太早，很少有公司是因為太晚而失敗。
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.
如果你想做一個校園配送機器人，或者一個會打掃房子的小吸塵器，這對愛好者和計算機科學家來說都是一件相當令人生畏的事。
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.
為什麼不能用Claude去寫Linux內核？因為Linux內核其實是一項極其複雜的技術，是用了很多年、藉助很多很多不同工具才建出來的。
Kasser25:05
So what's really happening is the model is getting a sense of physics in the real world.
所以真正發生的是，模型正在獲得對真實世界物理規律的某種感知。
Kasser29:11
Just to be very clear, we've tried to spend it. We've been fortunate enough to grow faster than that.
說清楚一點，我們是想把錢花出去的，只是我們足夠幸運，增長速度超過了花錢的速度。
Kasser43:42
We're the category leader in physical AI and it's a big market.
我們是物理AI這個品類的領導者，而且這是一個很大的市場。
Kasser45:47
數字與實體
| 工業佔全球GDP比重 | 約5% | 7:21 |
| 汽車佔全球GDP比重 | 約3% | 7:21 |
| Waymo估值 | 1260億美元 | 8:22 |
| 礦業佔全球工作相關死亡比重 | 8%(佔全球勞動力1%) | 6:20 |
| 客戶覆蓋的頭部車企比例(主持人說法) | 全球前20大車企中的18家 | 36:28 |
術語
- Imitation Learning模仿學習
- 讓模型模仿人類駕駛等示範數據來學會行為
- Reinforcement Learning強化學習
- 通過仿真環境裡的獎勵反饋訓練模型處理邊緣場景
- Agentic Platform智能體平臺
- 由AI agent自主編排多步驟開發流程的平臺
- L4 TrucksL4級自動駕駛卡車
- 特定場景下可完全自主運行、無需人類接管的卡車
收聽指南
關注自動駕駛/機器人/國防工業賽道的投資人，以及正在糾結「做工具還是做產品」的硬科技創業者。
開頭0:00-2:04是贊助商廣告和節目介紹，可以跳過。