夜雨聆风
前 OpenAI 硬件负责人：真正的 AI 硬件大爆发，还没开始
Caitlin Kalinowski 是硅谷少见的“硬件全栈型”产品领导者。
她早年在 Apple 参与过 unibody MacBook Pro，担任过 MacBook Air 和 Mac Pro 的技术负责人；后来成为 Meta 第一批消费电子硬件骨干，带过 Rift、Quest、Orion 等 VR/AR 产品；最近一次公开身份，则是在 OpenAI 帮助从零搭建机器人和硬件团队。
这也是这期 Lenny’s Podcast 的价值所在：它不是又一场关于大模型参数、benchmark 或 agent demo 的访谈，而是从一个真正做过大规模消费硬件、AR/VR 和机器人团队的人口中，重新回答一个问题：
当 AI 在屏幕里的能力越来越强之后，下一场真正的竞争会发生在哪里？
Caitlin 的答案很直接：物理世界。
她认为，AI 在键盘、屏幕和纯数字任务里的能力会继续加速，但这个方向迟早会趋于饱和。到那时，新的边界会转向机器人、制造、工业化、传感器、供应链，以及机器在真实世界里移动和操作物体的能力。
换句话说，AI 的下一场战争，不只是模型战争，也会是硬件战争。
一、VR 没有失败，它只是变成了机器人时代的“前传”
访谈一开始，Lenny 问了一个很多人都想问的问题：VR 投入了这么多年，Meta 甚至把公司名字都改了，Apple Vision Pro 的硬件也极其精密，为什么它还是没有真正进入大众日常？
Caitlin 的回答不是简单说“VR 失败了”。
她更愿意把 VR 看成一条更长技术链路中的中间站。
在 VR 时代，行业学会了几件后来极其重要的事情：如何用摄像头理解人在空间中的位置，如何做 SLAM，如何把虚拟空间和真实空间对齐，如何使用深度传感，如何理解人眼和大脑对空间视觉的感知。
这些东西对于 VR 游戏当然有用，但它们现在更大的用途在机器人、AR、自动驾驶、无人机和制造业。
机器人要在真实空间里移动，就必须理解自己和周围物体的距离；远程操控机器人时，VR 头显里的空间感知也会重新变得重要；AR 眼镜要把信息叠加到真实世界，也离不开过去十几年在 VR/AR 上打下的底层技术。
所以，VR 没有成为“人人每天戴八小时”的设备，并不意味着过去的投入消失了。它更像是一次昂贵但必要的技术预演。
Caitlin 对 AR 眼镜仍然看好，因为她不认为人类长期低头看手机是健康的交互方式。她认为未来的信息入口很可能会变成一种“平时关闭、需要时打开”的轻量显示层。
但她也很清楚，Orion 这类原型还走在量产能力之前：波导、MicroLED、良率、成本、输入方式、公共场合的安静交互，都还没有完全解决。
硬件世界就是这样：一个概念看起来已经到了未来，但供应链、良率和成本可能还停在现在。
二、为什么 AI 公司突然都想做硬件？
这期访谈最值得中文读者注意的一句话，是 Caitlin 对 AI 行业趋势的判断：
AI 实验室内部正在形成一种共识：屏幕里的 AI 能力正在垂直加速，而当它在数字世界里逐渐饱和，下一条前沿就是物理世界。
这解释了为什么机器人、AI 硬件、智能制造、物理 AI 在 2026 年突然变成热门方向。
过去很多年，硬件并不是“性感职业”。软件工程薪资更高，迭代更快，融资叙事更容易，产品上线也更轻。硬件工程往往意味着更长周期、更重资产、更难规模化、更痛苦的供应链。
但当大模型开始能够写代码、做规划、调用工具、生成设计文档、控制软件工作流之后，纯软件能力的边际惊喜会下降。接下来，真正难的会变成：AI 能不能走出屏幕，进入工厂、仓库、家庭、战场、医院和城市。
Caitlin 把这个方向概括成几个关键词：机器人、制造、工业化、真实世界感知、移动物体，最终甚至包括太空。
这也是为什么她认为 AI 硬件不是一个“周边行业”，而是 AI 发展到一定阶段后不可避免要进入的下一层。
三、软件可以每天编译，硬件一生只能编译几次
对软件公司来说，最容易低估硬件的一点，是迭代节奏完全不同。
Caitlin 用了一个非常形象的比喻：软件工程师可以每天编译代码，甚至一小时编译很多次；但硬件项目从设计到量产，可能总共只有四五次真正意义上的“编译”。
这里的“编译”，指的是把 CAD 设计释放出去，制造零件，装配成真实产品，然后用真实世界反馈来验证设计。
到最后一次量产构建时，产品就定了。你不能像软件一样发一个线上更新，把尺寸误差、结构强度、散热、材料疲劳、供应链缺口修掉。
这意味着硬件团队必须在过程中更保守，更重视可靠性测试、容差、良率、维修率和退货率。
如果一个设备由很多零件组成，每一个零件都有尺寸波动，所有波动叠加起来，就会出现极端组合。最小的部件遇上最大的部件，孔位偏差叠加，材料批次不同，供应商换线，都可能导致最后 0.5% 的问题变成量产灾难。
软件行业喜欢“快速试错”，但硬件行业很多时候没有这么奢侈。
这也是她给 AI 硬件创业者的第一个提醒：不要以为做硬件只是给 AI 套一个外壳。真正困难的不是 demo，而是量产后还能稳定工作。
四、人形机器人仍是高级原型，安全和规模化才是核心问题
谈到人形机器人时，Caitlin 的态度很克制。
她并不否认 Tesla Optimus、Figure、1X Neo 等方向的重要性，也承认人类天然会被“像人一样”的机器人吸引。但她认为，当下的人形机器人仍然主要处在高级原型阶段。
真正的问题不是机器人能不能走、能不能跳舞、能不能做一个漂亮演示，而是它能不能在人的身边安全、可靠、低维护地工作。
一个强壮的人形机器人如果在家庭或工厂里失控，伤害能力会远大于一个软件 bug。她特别提到，安全设计要考虑质量分布、手臂重量、关节执行器、材料柔软度、碰撞时的冲量和可压缩性。
换句话说，机器人“看起来像人”不是重点。重点是它的机械结构、动力系统和控制系统在失误时会不会伤人。
她还指出，许多机器人说明书现在仍会要求人类不要站在一定距离以内。这说明行业距离真正无感进入家庭和公共空间还有距离。
而即使安全问题解决了，规模化也不是一句“我们会量产”就能跨过去。
在 Caitlin 的硬件语境里，“规模”意味着百万级，至少也是几十万级。要做到这一点，团队必须有稳定设计、可靠运行、低维修率、可制造性、高良率，以及足够稳的供应链。
这正是很多机器人 demo 和真正产品之间最大的断层。
五、机器人不一定都要长成人形
访谈里另一个重要判断，是 Caitlin 对“通用人形机器人”的降温。
她认为，人形机器人会有赢家，也会在某些长尾场景里有价值，但不应该把所有问题都想象成“一个通用人形机器人解决一切”。
如果你要在笔记本电脑产线上把键盘和外壳拧在一起，最好的方案不是找一个人形机器人拿螺丝刀，而是一个专门为这道工序设计的自动化机器人。
现代顶级制造产线里，很多环节本来就已经高度自动化。PCB 产线、检测、回流焊、部分机械装配，早就不是几百个人站在流水线上重复操作。先进工厂里，人类更多是在异常发生时介入。
所以，未来的机器人世界很可能不是“一种人形机器人复制人类所有劳动”，而是一组形态各异的机器：建筑机器人、电工机器人、物流机器人、低量装配机器人、制造机器人、家庭清洁机器人。
这对中国读者尤其重要。
因为我们很容易把机器人行业的想象力集中在人形 demo 上，但真正能形成产业壁垒的，可能是针对具体场景的专用机器人，以及背后的制造系统、供应链和工艺积累。
六、供应链才是 AI 硬件的底层战争
如果说模型行业的关键词是数据、算力和评估，那么硬件行业的关键词就是材料、零件、供应链和良率。
Caitlin 用机器人里的执行器做例子。
执行器可以理解为把电能转换成运动的组件。机器人手臂、手指、头部、腿部、无人机旋翼，本质上都依赖类似的运动系统。执行器又依赖磁体、加工、组装、材料、控制和整套供应链。
过去 25 年，很多环节被外包到亚洲，尤其是中国、日本、韩国。Caitlin 也承认，她自己所在的行业曾经参与了这种工程知识和制造能力向亚洲迁移的过程。
问题是，当机器人、无人机和物理 AI 成为战略产业后，这条供应链就不只是商业问题，也变成安全问题。
如果拿不到磁体，就要重新设计执行器；如果买不到某个芯片，就可能要重画整块电路板；如果拿不到目标内存，就可能触发“灾难性重设计”：结构、板子、测试、供应商、可靠性验证都要重来。
这就是硬件和软件最大的不同：一个小零件缺货，整个产品可能无法出货。
她提到，内存价格可能成为消费硬件、机器人和物理 AI 公司面前的一颗“陨石”。AI 数据中心大量消耗内存和相关产能，而数据中心客户对价格不如消费硬件公司敏感，结果可能挤压机器人和消费电子创业公司。
她给创业公司的建议很实际：如果有能力，提前锁定关键内存和关键物料，至少要能熬过价格波动。
这听起来不如“新模型发布”刺激，但对硬件公司来说，这可能决定生死。
七、无人机战争让硬件供应链变成国家能力
访谈中最沉重的一段，是 Caitlin 对无人机、战争和再工业化的看法。
她认为，制造无人机和制造机器人用到很多相似的底层技术：电机、执行器、磁体、电池、控制系统、传感器、供应链。
俄乌战争已经让世界看到，无人机和快速迭代的低成本硬件正在改变战争形态。无人机可以每天更新，可以 3D 打印，可以用极低成本制造出高威胁能力。
她的判断是，美国需要在军事相关硬件上拥有更独立的供应链，也需要重新学习如何大规模制造。
这不是狭义的消费电子问题，而是国家工业能力问题：如何加工原材料，如何规模化生产关键零部件，如何在盟友关系变化、疫情、战争或贸易限制下仍能自保。
她还认同 Palmer Luckey 的一个判断：未来两年，对无人机的投入可能比对传统航母这类旧式平台更关键。
这段内容对中文读者有两层价值。
第一，它解释了为什么美国科技圈突然重新认真谈制造业、供应链和硬件。
第二，它也提醒我们，AI 硬件不只是“智能音箱 2.0”或“AI 玩具”。当机器开始进入物理世界，供应链、国家安全、工业能力和 AI 安全会交织到一起。
八、AI 还没有真正改变硬件工程，但“硬件 Codex”会非常值钱
Caitlin 对 AI 工具的态度很务实。
她已经在用 AI 做调研、规划、数据库、表格、信息整理和复杂依赖分析。她也认为 AI 在 PCB 布局、基础元器件选择、内部走线等方向上正在变得有用。
但她不认为今天的 AI 已经真正接管了机械工程或硬件设计。
原因很简单：硬件工程需要理解物理世界。
真正的 CAD 不是画一个漂亮 3D 形状，而是有实体、有曲面、有约束、有材料、有公差、有装配关系、有制造工艺。工程师关心的是七个零件能不能在最坏尺寸组合下仍然装上，摩擦、重量、压力、接触、表面纹理会发生什么。
今天的大语言模型和视频模型还不擅长这些。
她想要的是“硬件工程版 Codex”：你告诉它一个产品目标，它能从概念、2D 图片、复杂 3D CAD、装配、供应商沟通、反馈迭代一路帮你推进。
这可能需要新的模型类型，尤其是更懂物理规律和世界模型的 AI。
这也是这期访谈最值得创业者盯住的机会：软件工程的 AI 工具已经很热，但硬件工程的 AI 工具还处在早期。如果有人真的做出面向 CAD、装配、公差、供应链和量产验证的 AI 系统，它的价值可能非常高。
九、为什么她离开 OpenAI？
Lenny 也问到了 Caitlin 近期离开 OpenAI 的事情。
她没有披露 OpenAI 的内部硬件项目，也明确表示不能谈内部 IP。但她解释了公开离职的原因。
她说，自己在 OpenAI 的高管层有很多朋友，也认为那里有很多非常优秀的人。她帮助搭建过机器人团队，也对团队人才密度有很高评价。
但她对某个与国防相关合作公告的决策速度、治理方式，以及缺乏清晰防护边界感到无法接受。她不想用“烧掉一切”的方式攻击公司，也不想装作没有分歧，所以选择公开表达自己的边界。
这段并不只是八卦。
它把 AI 硬件的另一层问题抬了出来：当 AI 从聊天框进入机器人、无人机、工业系统和战场，公司的治理机制、决策速度、边界设置会变得比过去更重要。
软件产品出错，可能是数据泄露、误导用户或经济损失；物理 AI 出错，可能是真实世界的伤害。
十、她从 Sam Altman、Steve Jobs、Mark Zuckerberg 身上学到什么？
访谈最后，Caitlin 讲了她从几位顶级 builder 身上学到的东西。
从 Sam Altman 身上，她学到的是“为什么不更大一点？”
她说 Sam 很擅长把问题放大到 100 倍、1 万倍去想。很多时候，一个领导者愿意把目标设得非常大，会迫使团队意识到自己原来的想象力太小。
从 Steve Jobs 身上，她学到的是质量标准。
Steve 对技术人才和产品卓越性的要求不会摇摆。对年轻工程师来说，被告知“这还不够好”可能非常痛苦，但也会形成一种强烈的质量文化。
从 Mark Zuckerberg 身上，她学到的是组织运行和决策速度。
她说 Meta 的硬件组织和公司其他部分之间的协作非常清晰，目标、评审、决策层级、技术权衡都处理得很好。决策尽可能在最低层级完成，以保持速度；但高层又能真正读懂技术报告和关键 trade-off。
这三点合在一起，几乎就是硬件时代 AI 公司的组织画像：
目标要足够大，质量标准要足够高，决策机制要足够快。
结语：AI 的下一层，是重新学会造东西
这期访谈最重要的价值，不是某一个爆点，而是把 AI 行业的视角从“模型能做什么”拉回到“世界需要什么”。
过去几年，AI 最耀眼的进步发生在屏幕内：聊天、写作、编程、搜索、图像、视频、自动化工作流。
但如果这些能力继续加速，下一步一定会触碰更硬的边界：谁能制造真实设备，谁能控制机器人，谁能让机器安全地进入人的生活，谁能在供应链断裂时继续生产，谁能把 AI 从 demo 变成百万级产品。
Caitlin Kalinowski 的判断可以浓缩成一句话：
真正的 AI 硬件大爆发，还没开始。
它不会只属于会讲模型故事的人，也不会只属于会做酷炫 demo 的人。它会属于那些同时理解 AI、机械、材料、供应链、制造、可靠性和组织管理的人。
在那个阶段，AI 公司要重新学会一件旧事：造东西。
来源：Lenny’s Podcast 访谈 Caitlin Kalinowski，原题为 “Why we’re at the beginning of the AI hardware boom | Caitlin Kalinowski (ex–OpenAI, Meta, Apple)”，发布于 2026-05-17。
