ARTICLE · 1124804
长期方向调研笔记:AI 时代的十年选择(2)
01Day 2 概览：物理智能
开幕定调：数字 IT 产业约 6 万亿美元（全球 GDP 5%），制造业 18 万亿（15%），再加农业/能源/采矿/建筑共 36 万亿（全球三分之一）；美国 6800 万体力劳动者 vs 5000 万白领。工业界缺的是"高度智能的概率性系统"。
01
Periodic Labs：AI 科学家与自主实验室
（Liam Fettis，前 OpenAI 后训练负责人、ChatGPT 团队核心、MIT 物理博士）
使命：构建"能理解和有效生成物质的系统"；训练数据不是论文和教科书，而是记录科学研究如何完成的完整脉络。
物理世界 RL 与数字 RL 本质不同：智能体不能弹性扩展、rollout 以天计、奖励信号模糊。
用自研 harness 把 Opus 5 在 XRD 物相鉴定上提升 23 个点；将 Kimi K2-6 从 3% 成功率做到超越 GPT-6 Astra。
全程只用 1300 块 H200，对比 GPT-6 Astra 据报 10 万块 GB300（约 250 倍有效算力差距）——赢在自有实验数据闭环，不在算力。
工程杠杆：训练吞吐 4 倍（Megatron）、推理 2.5 倍（SGLang）、沙箱 3 倍。
满配实验室几周可完成原需四个月的合成量。
金句："只要物理定律允许，我们就能把它造出来。""归根结底，计算是物理的。Transformer 中每一次加法与乘法的背后，都只是对原子的精密工程。"
02
NVIDIA Cosmos：世界基础模型
（Ming-Yu Liu，Cosmos 实验室负责人）
类比：热力学→内燃机→专用车辆（摩托车/跑车/卡车/公交）。深度学习是热力学，模型是发动机，不同应用仍需专用设计——"没有免费午餐"。
多智能体工厂愿景：订单 Agent→跨厂库存 Agent→工厂 Agent→人形机器人 Agent→运输 Agent→装配 Agent→质检 Agent 协同。"主要假设：未来是多智能体。"
Cosmos 三大用途：合成数据（罕见场景）、仿真环境（用算力替代实体车队验证策略）、策略骨干。
Cosmos 3 双塔架构（自回归 VLM + 扩散 Transformer），首个把 action 作为一等公民的基座模型。
明确边界："我们不是为内容创作/做电影而建的"——世界模型的最大买家是机器人/AV 开发者，不是内容消费者。
200+ 家物理公司在生产管线使用；问答：硬件进步很快，数据和算力仍是瓶颈。
03
World Engine 圆桌（Waymo 主持）
ROI 排序："结构化环境+非结构化任务"最先盈利——制造与物流。
人形机器人进家庭预测从 2.5 年到 2045 年，分歧巨大；中国硬件成本大降是变量。
Li Jing 反共识：智能任务会比重复性任务更早被解决（GPT-6 已可零样本解决大多数机器人任务）；主张"部署模型只做 System 1、推理全部卸载给云端"的双层架构。
"Sora 用了零 3D 数据。它纯粹是视频生成，最终自己学会了所有 3D。"（Li Jing）
Oliver Cameron（Odyssey）：世界模型才几百亿参数、LLM 已数万亿——去年投入世界模型的资金约等于 2022 年的 LLM，规模曲线会被重写。"如果你想要在虚拟和物理世界运作的真正超级智能，需要世界模型和语言模型的结合。Omni models for the win."
仿真之辩：Li Jing 反对仿真训练（人工场景盖不住长尾）；Waymo 坚持仿真是安全验证关键杠杆；共识：先评估后训练，"世界模型会大幅拉近 sim2real 差距"。
数据一年剧变："说数据在拖物理 AI 后腿已经不对了。数据就在那里，需要去买。"（Oliver Cameron）
04
Nebius 炉边：算力生态
Yandex 分拆、900 工程师起步；3/4 收入来自湾区 100 英里内；愿景"下一个 AWS"，1000 亿美元收入路径。
GPU 供需：pipeline 每块 GPU 有 4 个客户排队、75% 时间在拒绝客户；预测者 15 个月来全错。
定价演进：GPU 小时→token→按结果付费（按完成通话/记录/交易计费）。
推理是最快增长业务、快速走向 10 亿美元规模、将超过训练。
结论："我们将销售一个智能平台，而不仅仅是销售推理——推理只是获取智能的 API。"
05
Generalist AI：机器人 Scaling Law
（Pete Florence，PaLM-E/RT-2 作者）
Gen 0（2025.11）把 scaling law 引入机器人，27 万小时数据（当时高一个数量级）；发现 1B 模型"骨化"、7B 起持续改进的阈值现象。
Gen 1：单任务 1 小时数据微调至 99%+ 成功率、速度 3 倍、出现即兴智能。
Gen 1.5：3-12 秒数据 in-context one-shot；零样本工具即兴（香蕉当刷子、簸箕铲积木）。
跨本体：除手以外对任意机械臂零样本泛化。
RL 观：test-time training 就是微调的重新包装；预训练越强，越不需要从零摸索的 RL。
06
Dyna Robotics：人类→机器人迁移
Dyna1 首个 99%+ 可靠 VLA（24 小时叠数千餐巾零失败）。
Dyna2 用 100 万+小时第一人称人类视频预训练，首次确立"人类→机器人迁移 scaling law"——训练人类数据可预测地提升机器人性能，且完全不需机器人参与采集。
反直觉发现：五指灵巧手达到 80% 成功率所需数据反而比平行夹爪少——因为更接近预训练（人类）分布。"设计机器人应尽可能贴近预训练数据分布，哪怕硬件更难。"
部署哲学："部署是机器人领域终极的、唯一重要的 eval。"
商业：鼎泰丰美国 10+ 门店、Best Western，客户主动要求多站点扩张。
07
Laminar：流程制造的化学智能
（Annie Liu）
论点：流程工业 = 50% 制造业、万亿美元级、无人关注的"化学智能"空白。
驱动：利润压缩、SKU 爆炸（一客户 10 年从 4 种产品到 300 种）、97% 产能是棕地老旧环境。
核心洞察："整个制造业世界运行在硬编码上"——PLC/SCADA 全静态，操作员取样每批才一个数据点。
打法：自研专利在线传感器（"为制造业发明 LiDAR 和摄像头"）+分子基础模型+闭环自主。
结果：六大洲数百工厂；全球十大食品饮料商中 7 家在用；可口可乐每条线省 7 万美元/年。
08
Reality Gap 圆桌：机器人落地的血泪
血泪案例：静电随温湿度变化导致放弃任务；机器人被要求 10 倍于人类的质量标准。
Josh 的 hot take："台上没有人在真正使用预训练，大家都在做任务特定模型。"
"真正的苦涩教训是只有部署才能规模化。"（Walden Adrian）解法是自动驾驶式的"共享自主"（AI+远程人）。
98-99% 成功率才商业可行——护机员每天帮几次就毁掉商业逻辑。
遥操作经济学：H100 3-4 美元/小时 vs 菲律宾遥操作员 12-15 美元/小时——人机混合劳动力的定价已被量化。
5 年价值分配之辩：Adrian"0/90/10"（模型层 0%！）、Nikhil"15/70/15"、Josh"没人知道所以全做"。
"智能已不是瓶颈，是单位经济学。"（Tutor Intelligence）
09
AI for Bio 座谈
Hetu（Zera CEO，David Baker 首位 AI 科学家）
Zera：完全整合的 AI 药企，3 年，主打管线为肿瘤。
核心资产：X-Atlas——世界最大疾病扰动数据集（自建湿实验生成），构建症状→病因的因果模型。
"现代制药已擅长造分子，难的是该让药去做什么"（靶点发现）。
"没有任何东西是真正不可成药的"——20-30 年经验同事两年前说不可能的事已做到。
瓶颈方法论："把最慢的一步变快，你只会发现下一个最慢的步骤。"
FDA 出乎意料地灵活，释放了所有正确信号。
监管洞见："模型本身无法监管——几块 GPU 就能训个不错的模型。要监管就监管 DNA 合成，那是生物界的台积电。"
Eric Nguyen（Radical Numerics CEO，Evo/Evo2 创造者）
开创"生成式基因组学"：训练语言模型读取、编写、生成 DNA 序列。
关键数据：网上公开的 DNA 比整个互联网的文本还多，而这些模型的表达能力基本相当于线性回归——巨大差距在模型。
缺好下游评测；关键在"上下文"（同一 DNA 在脑细胞/肝细胞/疾病态下不同）；下一代模型将融合几十种模态成单一表示。
非药应用：稀土提取蛋白（亲和力数值当奖励做 RL）、生物防御（"深度伪造病毒"检测）。
护城河之辩："当模型把旧瓶颈商品化后，速度和执行成为捕获价值的关键——制药 10-15 年没人重视速度。"
10
Jerry Tworek 炉边（前 OpenAI 研究VP、O1 推理负责人）
轨迹：波兰数学系→5 年量化交易→AlexNet/RL 启发进 OpenAI→机械手解魔方→"对代码做 RL"（代码有语义、奖励易构造）→领导 coding/agent/RL 大部分工作。
创业动机：①用 Agent 做研究——在 OpenAI 碰组织障碍，"大船难转向"；②"还有别的方法训练大规模神经网络，可能更好"——研究者的直觉（OpenAI/Anthropic 现有配方"在印钞"，但改变成功配方很难）。
持续学习定义：模型在测试时从现实数据/用户交互中学习；"据我所知，世界上没有人知道怎么做持续学习"。
"取代 Transformer 的第一步，是深深地欣赏它。……但时候到了。其他瓶颈基本都解决了，现在的瓶颈就在这里。"
Backprop 是持续学习的根本瓶颈：梯度下降数据效率低+灾难性遗忘，"没人真正知道怎么解决"。
人类在环："当今模型对齐/理解都不够，不能无人监督"；目标是"一个人跑 10-100 个实验"，同时监督 Agent 是否在乱来。
企业智能平台愿景："用你的数据训练出的模型，对你来说更好。LLM 知道每个球员、英国所有国王女王、波兰每个小村庄，但对我和我昨天干了什么知之甚少。如果反转过来呢？"
基准悖论："现在的大模型能解决所有基准，但问题是：那又怎样？为什么能解千禧年难题的模型在我日常工作面前失败？"
11
Day 2 收尾 VC 圆桌
Ajay Agarwal（Bain，2004 年起投机器人）："价值在系统层——跨层整合"（Kiva 连货架都自己做）；"不可能提前知道那一百万个问题，除非你把机器人放到现场。"（Kiva 教训：Staples 首周全挂——1% 坡度/油污/灰尘/条码/网络）
Connor Lovely（Capital G）："自主性本身不是产品，是服务。"三问框架：能力是否达到/超人类？需求是否真实拐点？采用摩擦多大？
Rob Toews（Radical）："每一层都有巨大赢家，别问押哪层；若必须选，最大奖赏在模型层（寡头格局）。对创业者而言现在是机器人创业的最好时机。""原子世界比比特世界复杂太多。机器人有非常参差不齐的前沿，要仔细挑客户。"
PMF 唯一真定义："机器人部署在生产环境、产生生产收入，而非试点——改这个定义就是自欺欺人。"
"现在像 Harvey 获投的时刻——一堆明显的超大市场与 AI 有清晰 PMF。制造业、建筑、物流就在这里。"（Connor）
制造业 18 万亿美元 > 任何数字产业；AI 原生服务公司（Corgi 保险/Crosby 法律）模式在物理世界会非常大。