这篇讲的是Applied Intuition这家公司，它不造机器，而是给汽车、无人机、机器人等物理设备装“大脑”和开发工具。创始人认为，未来25年最重要的公司都将是“物理AI”公司，市场规模比聊天机器人这类“数字AI”大得多。公司已融资约10亿美元但几乎没花，因为收入增长比花钱还快。重点提了Waymo（自动驾驶出租车，估值1260亿美元，但和Applied Intuition不是直接竞争），以及Nvidia（类比对象，Applied Intuition像Nvidia卖芯片一样卖智能）。
Applied Intuition 成立于2017年，使命是让十亿台机器变得智能。公司为汽车、国防、采矿、农业和机器人领域的制造商提供机器“大脑”及开发工具，类比于Nvidia：Nvidia向所有机器销售芯片，Applied Intuition则向所有机器销售智能，自身不制造任何单一机器。核心观点是，未来25年最重要的公司都将是物理AI公司。公司推出了新的智能体平台Dana，用于开发和部署物理AI系统。关键结论包括：公司已融资10亿美元但分文未花，其跨垂直领域的数据飞轮构成独特竞争优势。
Qasar Younis（前Y Combinator COO）与Peter Ludwig（前Google工程师）于2017年创立Applied Intuition，使命是让十亿台机器变得智能。公司为汽车、国防、采矿、农业和机器人领域的制造商提供机器“大脑”及开发工具，类比于Nvidia：Nvidia向所有机器销售芯片，Applied Intuition则向所有机器销售智能，自身不制造任何单一机器。核心观点：未来25年最重要的公司都将是物理AI公司，其市场规模将比数字AI大数个数量级。 关键结论包括：公司已融资约10亿美元但分文未花（收入增长快于支出），其跨垂直领域的数据飞轮构成独特竞争优势。
Qasar Younis认为，物理AI的市场规模将远超数字AI。 他以工业领域为例：工业约占全球GDP的5%，其中汽车（个人乘用车）占全球GDP的3%。当这些车辆变得智能时，影响将波及地球上几乎每个人。Younis指出：“如果你坐在机场候机厅，看看周围有多少人今天与汽车互动过，又有多少人写过代码？”Waymo被估值1260亿美元，这仅是自动驾驶出租车这一个细分市场。
Peter Ludwig补充了物理AI与数字AI的本质区别：
Younis强调，物理AI解决的是“世界上最糟糕的工作”——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%却占工作相关死亡人数的8%。“在数字AI领域，人们担心会计师甚至播客主持人会失业；在物理AI领域，AI来得还不够快。”
Younis解释了公司为何从工具起步而非直接做自动驾驶出租车。 2010年代初，他与Ludwig在Google共事时曾考虑做自动驾驶出租车公司，但结论是“技术尚未成熟（太早），商业模式也未确定”。2016年Cruise被通用汽车收购后，两人重新审视行业。他们判断：汽车行业将经历“特斯拉化”——机器变智能、软件优先，但汽车制造商作为安全关键系统企业，不会从一家年轻小公司购买软件。
因此，他们刻意选择从工具切入，先建立信任和产品记录，再逐步向上扩展。Younis强调：“时机就是一切。大多数公司失败是因为太早，很少因为太晚。”
Peter Ludwig描述了公司产品的自然演进路径：
| 阶段 | 产品 | 解决的问题 |
|---|---|---|
| 第一阶段 | 开发工具 | 帮助制造商开发智能机器软件 |
| 第二阶段 | 操作系统 | 在机器上部署和更新软件、运行神经网络 |
| 第三阶段 | 垂直自主栈 | 提供完整的模型和解决方案 |
| 第四阶段 | Dana（新） | 智能体平台，大幅降低物理AI开发门槛 |
Ludwig强调，这种演进是“被瓶颈推动的”：工具做好后发现操作系统是瓶颈，操作系统做好后发现需要更完整的解决方案。“几乎每两年，这个领域就会出现某种突破，改变你思考问题的方式。如果你不能动态适应，就可能变得过时。”
Dana是公司迄今最重要的产品发布——一个用于物理AI的智能体平台，让开发智能机器变得像开发网页应用一样简单。Ludwig解释：“如果你要建一个iPhone应用，高中生都能做到。但如果你想建一个送餐机器人或家用扫地机器人，即使对计算机科学家来说也极其困难——需要拼凑大量不同的产品和工具，然后想办法把软件部署到物理机器上。”
Younis指出，Dana之所以可能，是因为过去几年AI模型（特别是大语言模型）的进步，使得“用自然语言描述需求、让系统自动编排复杂工作流”成为现实。他举例说明开发一个自主割草机需要多少步骤：传感器配置→计算单元→空间理解→仿真场景创建→云端大规模测试→物理部署→反馈循环。“你不能在LLM里完成所有这些——LLM是为不同环境设计的。”
Ludwig认为，公司最深的护城河在于其独特的数据飞轮。 物理AI与数字AI的关键区别在于：数字AI模型通常训练于互联网文本数据，而物理AI的几乎所有数据都是专有的——来自公司自己的车辆和客户合作收集的真实世界数据。
数据飞轮的工作原理：
1. 机器在真实世界中运行，消耗环境数据并生成数据包
2. 标记机器难以处理的场景
3. 通过人类驾驶数据（模仿学习）或合成环境（强化学习）改进模型
4. 改进后的模型部署回机器，循环继续
关键洞察：不同垂直领域的数据相互增强。 Younis指出：“当我们从无人机或日本L4卡车获取数据时，它实际上让其他完全不同环境中的模型表现更好。模型正在获得对现实世界物理的感知。”这种跨领域数据积累是“极其昂贵且困难的”，全球没有几家公司拥有高质量的物理AI数据采集技术栈。
Ludwig补充，公司正在深度推进“模仿学习+强化学习”的组合——这是规模化物理AI的关键技术路径。纯模仿学习（端到端模型）已被证明有效，但通常无法达到完全可生产的解决方案；结合高性能仿真环境中的强化学习，可以平滑纯模仿学习的边缘案例。
Younis强调公司是“经典的产品公司”，收入来源是软件许可。“我们在技术上非常创新，但在商业模式上非常无聊。”公司拥有约1000名工程师，最近一轮融资来自BlackRock和Fidelity等传统保守投资者。
客户结构：
Younis认为，直接竞争对手很难定义。 Waymo做的是面向消费者的自动驾驶出租车，Applied Intuition向制造商销售技术——两者不直接竞争。“如果我们在一个小镇开鞋店，竞争很重要；但我们的市场增长如此之快，所有子领域的竞争对手都可以同时成功。”
公司定位为“水平平台”（类比Nvidia），而非“垂直整合”公司（类比Tesla）。Younis提醒：“如果你有孩子，你会看到太阳系示意图——太阳像篮球那么大时，地球像针尖一样小，中间是巨大的空白空间。市场就是这样。人们过于关注公司看起来有多接近，但市场如此广阔，它们实际上不会影响彼此的引力。”
Younis澄清：“我们确实试图花掉它，但收入增长比支出更快。” 公司每次融资时都计划使用资金，但幸运地增长更快。资本只是实现使命的一个变量：“如果瓶颈是资本，我们就解决资本；如果是技术，就解决技术；如果是客户或产品，就解决那些。”
Younis展望未来3-5年： “未来会更安全——这不是轻描淡写。如果你认识任何经历过车祸或农场/矿场工伤事故的人，那会彻底改变他们的一生。”他预测，就像现在口袋里装着超级计算机被视为理所当然，未来机器在周围移动、照顾人们也将被视为理所当然。
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| Waymo | 非直接竞争对手（不同商业模式） | 估值1260亿美元 |
| Nvidia | 类比对象（水平平台模式） | 未明示 |
| Tesla | 垂直整合模式对比对象 | 未明示 |
| Cruise | 行业背景提及（被通用汽车收购） | 2016年被收购 |
| General Motors | 行业背景提及 | 收购Cruise |
| Caterpillar / Komatsu / John Deere / General Dynamics | 潜在客户（机器制造商） | 未明示 |
| Anthropic / OpenAI | 模型供应商（非竞争对手） | 未明示 |
| SpaceX | 硬科技公司规模参照 | 未明示 |
1. “大多数公司失败是因为太早，很少因为太晚。” ——Qasar Younis，强调时机选择和从工具切入的战略智慧
2. “物理AI的数据几乎全部是专有的——来自我们自己的车辆和客户合作。这是根本性的护城河和长期优势。” ——Peter Ludwig，解释为何数据飞轮难以复制