本文是 Latent Space 对 Applied Intuition CEO Qasar Younis 与 CTO Peter Ludwig 的访谈完整版内容稿。
01
Physical AI 的机会：让 AI 从屏幕走进真实世界
主持人：今天我们聊 Applied Intuition。你们做的不是屏幕里的 AI，而是进入车辆、无人系统、矿山、农业设备、军舰和其他真实物理环境里的 AI。Qasar：是的，我们关心的是 Physical AI。它不是只生成文本或代码，而是要让智能系统在真实世界里感知、决策和行动。主持人：这和现在很火的 agent 有什么关系？Peter：两者有共通点，都是让模型不只回答问题，而是完成任务。但物理世界更难，因为系统要面对传感器、执行器、延迟、安全和现实环境的不确定性。主持人：所以 Physical AI 的难点不是“模型会不会推理”，而是“模型能不能安全地控制现实系统”。Peter：对，尤其在车辆、机器人、无人机、矿山设备或者国防场景里，错误不是网页刷新一下就能解决，它可能会带来真实后果。主持人：Applied Intuition 最初为什么会从这个方向切入？Qasar：我们一直相信，软件和 AI 会深刻改变车辆和物理系统。但这条路不是只做一个漂亮 demo，而是要做能被产业真正采用的基础设施。
02
十年前就看见的方向：车辆会被软件和 AI 重写
主持人：十年前创办公司时，什么是清楚的，什么是不清楚的？Peter：清楚的是，车辆和物理系统里还有大量软件和 AI 能改造的空间。主持人：不清楚的是什么？Peter：具体路径并不清楚。这个领域技术变化很快，我们自己的技术栈大概每两年就会经历一次完整演进。主持人：所以这不是一条线性路线。Peter：不是。我们会根据研究进展、客户需求和工程现实不断调整。现在回头看，可能已经经历了四次左右技术栈演化。主持人：这对团队工程方式有什么影响？Peter：我们会用两年左右的视角看技术投入。既要投入足够深，也要保持动态，随时准备跟上新的研究和系统机会。主持人：这听起来很像 AI 时代所有公司的问题，只是你们的周期更长、代价更高。Qasar：对，物理世界的产品不是今天换个提示词明天上线，它需要长期积累，但也必须跟上 AI 的变化。
03
为什么 Applied Intuition 能吸引前创始人和强工程师
主持人：你们招了很多前创始人，也有很多来自 Google 等大公司的工程师。为什么这些人会被吸引？Qasar：因为这里既需要技术能力，也需要非技术能力。主持人：什么意思？Qasar：我们有研究团队，也会做基础研究和发表论文，但公司本质上更偏 applied。我们要把智能部署到生产环境里。主持人：所以不是只在论文里证明某个方法有效。Qasar：对，我们关心的是客户能不能用，系统能不能在真实环境里工作，产品能不能解决具体问题。主持人：这对人才画像有什么要求？Qasar：有些人特别喜欢把前沿智能真正落地。他们不只是想研究模型，还想看到模型进入车辆、机器、工厂和国防系统。Peter：这也是这个领域有吸引力的地方。你会同时遇到 AI、系统软件、仿真、硬件、操作系统和安全关键工程问题。
04
Applied Intuition 的三层技术栈：仿真、操作系统和车载智能
主持人：你们的技术栈到底包括什么？Peter：可以粗略分成几个大块：仿真和开发工具、安全关键操作系统，以及车载或设备端的智能系统。主持人：先说仿真。Peter：仿真是为了让开发者能在真实部署前测试系统。对于车辆和机器人来说，你不可能只靠真实路测或真实场景学习，成本和风险都太高。主持人：所以仿真是 Physical AI 的训练场和测试场。Peter：对，而且它不只是视觉效果。你要模拟传感器、环境、行为、边界条件和系统响应。主持人：操作系统又是什么角色？Peter：物理系统里有各种传感器、执行器、电机、转向、冗余系统和实时数据流。你需要非常底层、低延迟、可控的系统支持。主持人：不能把普通桌面系统直接搬进去。Peter：完全不行。安全关键系统对延迟、内存、实时性和可靠性要求非常高。主持人：第三层是设备端智能？Peter：是的，最终 AI 要在车辆或设备上运行，要理解世界、做出决策，并输出控制信号。
05
为什么 Physical AI 不能只靠一个大模型
主持人：在文本和代码世界里，很多人觉得只要模型足够强，产品就能成立。物理世界是不是不一样？Peter：很不一样。主持人：差异在哪里？Peter：物理世界有传感器、硬件差异、实时约束、安全冗余和大量系统级问题。模型只是其中一部分。主持人：所以你们要关心整个系统的性能。Peter：对，我们关心从传感器输入到控制输出的每一个环节。延迟、内存管理、芯片支持、操作系统调度都很重要。主持人：这和传统 AI 应用的抽象层级完全不同。Peter：如果你写 LLM 应用，可能默认自己在 CUDA 或 NVIDIA 生态里。但在安全关键物理系统里，硬件非常多样，不是只有一两个平台。主持人：这意味着软件必须高度可移植。Peter：是的，我们要支持不同芯片、不同设备、不同客户架构，同时保持核心能力可复用。
主持人：你们底层主要用什么语言？C++ 吗？Peter：我们用很多 C++。主持人：Rust 呢？Peter：Rust 是现在很热的选择，在一些地方会用。但越往底层走，尤其碰到实时约束，还是会遇到 C++，有时甚至需要更底层的优化。主持人：这和普通 Web AI 应用差别很大。Peter：是的。Physical AI 的工程不是只写 API glue code，而是要关心内存、延迟、编译目标、硬件支持和安全。主持人：这会不会让 AI coding agent 的采用更难？Peter：会更复杂，因为很多代码更底层，约束更强，抽象也更数学化。主持人：但你们也在用 AI coding 工具？Peter：当然。我们也在探索如何让 agent 参与工程工作，只是它必须理解更复杂的系统边界。
08
AI coding 正在改变工具形态：从 GUI 到文本控制
主持人：你们有很多工程工具过去是 GUI 密集型的，比如传感器设计。Peter：对，比如 Sensor Studio，用户可以设计自动驾驶系统的传感器套件，决定传感器放在哪里、用什么组合、有哪些 trade-off。主持人：这听起来像 CAD 工具。Peter：有点像。过去很多任务需要图形界面，因为问题很空间化、很工程化。主持人：AI agent 会怎么改变这个？Peter：现在我们可以把底层 API 暴露出来，让用户通过文本配置传感器套件，甚至可能比纯 GUI 更快得到好结果。主持人：也就是说，Physical AI 里的工具也在从“人点界面”变成“人用语言驱动系统”。Peter：是的，我们正在把这种思路扩展到整个产品组合。主持人：这和软件开发里 Claude Code、Cursor 的变化很像。Peter：很像，只是我们的对象从代码库变成了传感器、车辆、仿真和物理系统。
主持人：仿真过去更像物理引擎，现在 AI 会怎么改变它？Peter：传统仿真依赖大量手写规则和物理建模，但神经网络可以帮助我们生成更真实、更复杂的环境和行为。主持人：这是不是意味着仿真会越来越像世界模型？Peter：某种程度上是。我们希望系统不仅能渲染场景，还能更好地预测环境如何变化、其他 actor 会怎么行动。主持人：这对训练和评估都很重要。Peter：对，Physical AI 需要大量场景、多样性和长尾情况。神经仿真可以扩大测试空间。主持人：但仿真不能只是看起来真实。Peter：没错，关键是它对系统决策有没有评估价值。漂亮画面不等于有用仿真。Qasar：客户关心的是部署风险降低了没有，开发周期缩短了没有，真实系统更安全吗。
主持人：在 coding agent 里，很多系统有 plan mode，先规划复杂任务，再执行。物理自治系统里也有类似东西吗？Peter：短答案是有。主持人：怎么理解？Peter：就像 Claude Code 可以先为复杂代码任务写出接近规格说明的计划，物理系统也可以先规划多步行动。主持人：最容易想到的是 robotaxi。Peter：对，但更有意思的可能是国防、矿山和工业场景。那里一个目标可能需要上百个步骤，不是眼前这一秒怎么转弯这么简单。主持人：所以 plan mode 在物理系统里更像任务级决策。Peter：是的，要理解目标、约束、环境和后续动作，不能只做局部反应。主持人：这和“next-token prediction”有什么关系？Peter：某些驾驶问题看起来确实像连续预测下一步，但真实系统还需要长期计划、约束满足和安全验证。
13
国防、矿山、农业：Physical AI 为什么不止是自动驾驶
主持人：外界提到 Applied Intuition，很多人首先想到自动驾驶。但你们谈的场景更宽。Qasar：是的，汽车只是其中一部分。Physical AI 会进入矿山、农业、建筑、无人机、国防和其他复杂环境。主持人：这些场景有什么共同点？Peter：它们都有真实世界的机器、传感器、执行器和安全约束，也都有大量重复但复杂的任务。主持人：和普通乘用车相比，矿山或国防场景会有什么不同？Peter：环境可能更受控，也可能更恶劣；任务可能更长链路；系统需要更强鲁棒性。主持人：这也意味着产品不能只为一个垂直场景写死。Qasar：对，平台能力必须复用，但也要能深入不同行业的问题。主持人：这就是你们既做通用栈，又做具体行业应用的原因。Qasar：是的，Physical AI 的价值在于把底层智能转化为具体行业生产力。
14
创业建议：小问题切深，比大愿景铺浅更重要
主持人：如果今天有 founder 想做类似硬科技或 AI 公司，应该从大愿景开始，还是从窄问题切入？Qasar：我更倾向于从小问题空间切深。主持人：为什么？Qasar：特别是 hard tech，公司面对的问题太多。如果一开始铺得很宽，很容易每件事都做得很平庸。主持人：这听起来很 YC。Qasar：是的，找到一个小问题，做得非常深，然后让问题空间随着产品和客户一起扩大。主持人：但 Applied Intuition 最开始也有很强背景和网络，这是不是普通 founder 很难复制？Qasar：当然。不要照抄别人的路径。每个 founder 的技能、团队、客户、市场阶段都不同。主持人：所以不能直接模仿 Jensen、Sam Altman 或某个成功 founder。Qasar：对，他们处在不同时间、不同阶段、不同公司条件下。你只能回到第一性原理。主持人：第一性原理是什么？Qasar：基于你、你的 cofounder、早期团队能力，以及客户告诉你的问题，判断你该进入哪个产品空间。
主持人：Peter，如果有人正在做研究，你觉得哪些问题对 Applied Intuition 特别有意义？Peter：一个是模型效率。主持人：为什么效率这么重要？Peter：因为我们要把很大的 AI 放到真实车辆和物理设备上运行。Physical AI 经常是把大模型变小、变快、变高效。主持人：这包括能力，也包括延迟。Peter：对，模型性能既包括 capability，也包括实际 latency、资源占用和部署成本。主持人：另一个问题是 evals？Peter：是的，评估安全关键系统里的模型非常难。我们已经有很强团队在做，但这仍然是非常大的投资方向。主持人：所以你们欢迎对模型性能和评估有热情的人。Peter：没错，尤其是能把研究变成可部署系统的人。
17
这期访谈真正说明的：Physical AI 是下一代基础设施
主持人：如果把整期访谈放在一起看，Applied Intuition 讲的不是一个自动驾驶工具，而是一套 Physical AI 基础设施。Qasar：我们希望把智能部署到真实世界，而不是停留在 demo 或屏幕里。主持人：这套基础设施包括仿真、OS、工具链、车载智能、evals 和行业产品。Peter：是的，而且每一层都必须考虑真实部署约束。主持人：这和互联网 AI 最大的区别是什么？Peter：互联网 AI 的错误通常更容易回滚，物理 AI 的错误可能影响真实世界。所以系统工程和安全验证同样重要。主持人：对中国 AI 创业者来说，这里有什么启发？Qasar：不要只追逐大词，要找到一个真实产业里的小问题，把它做深。Peter：也不要低估工程底座。Physical AI 不是单个模型，而是模型、工具、仿真、操作系统和评估系统的组合。主持人：所以真正的问题不是“AI 能不能开车”，而是“AI 能不能在各种物理系统里可靠工作”。Peter：对，这会是一个长期、复杂，但非常重要的方向。
夜雨聆风
