前沿｜下一波 AI 浪潮，为什么在物理世界？

这篇文章围绕一个更大的转向：AI 如果继续向前，不会永远停在聊天框、代码编辑器和网页里。下一轮竞争可能会进入机器人、无人机、制造、供应链和真实世界的安全问题。

这件事对 AI 公司很关键。因为一旦模型要从“理解世界”走向“改变世界”，竞争就不再只是参数、上下文和推理能力，而会变成硬件工程、材料、良率、维修、安全和供应链的综合较量。

这期 Lenny's Podcast 采访的是 Caitlin Kalinowski。她曾在 Apple 参与 MacBook Pro、MacBook Air 和 Mac Pro，在 Meta/Oculus 负责 Rift、Quest 和 Orion AR 眼镜，后来又在 OpenAI 从零搭建机器人与硬件团队。这些履历的价值在于，她把 Physical AI 的门槛讲得很具体：模型只是最上层，下面还有执行器、磁铁、内存、良率、工厂和供应链。

这篇文章顺着四条线往下拆：VR/AR 的技术遗产如何迁移到机器人，硬件为什么不能像软件一样每天迭代，机器人为什么可能先卡在供应链，以及硬件工程 AI 工具链会不会成为新的基础设施。

Caitlin 给出的答案很直接：下一波 AI 浪潮不会只发生在屏幕里，而会发生在物理世界。

物理世界，是 AI 的下一道边界

Caitlin 在访谈里有一个判断很重要：AI 实验室正在意识到，键盘前能做的事迟早会饱和。数字世界里，模型可以帮你写代码、做研究、生成内容、搭原型，能力会继续提升，但这一轮增长终究会碰到边界。

再往前，前沿就会变成物理世界。

机器人、无人机、自动化制造、工业化生产、现实世界感知和运动控制，这些过去看起来更像硬件或制造业问题的领域，会重新成为 AI 公司的竞争对象。因为只要模型足够强，它迟早要从“理解世界”走向“改变世界”。

Physical AI 这个词最有意思的地方，也在这里。

它提醒我们：AI 公司如果想进入现实世界，就不能只比模型参数、上下文长度或推理能力。材料、零部件、良率、维修、安全、供应链和工厂，都会重新进入竞争表。

这会把 AI 竞争从一个偏软件的游戏，拖进一个更慢、更重、更贵的产业体系。

图：Physical AI 把竞争从屏幕内的软件能力，拉到机器人、制造、供应链和安全。

VR 没爆，但留下了机器人感知层

这期访谈里，Caitlin 对 VR 的判断很克制。她没有把 Meta 当年对 VR 的投入包装成胜利，也承认 VR 没有真正成为大众市场。

但她给了一个很重要的转折：VR 的商业化没有完全成功，不代表那笔技术投入白费了。

VR 和 AR 时代积累下来的 SLAM、空间定位、深度传感、摄像头追踪、人在空间里如何理解视觉信息，这些能力正在迁移到机器人领域。机器人要在现实世界里移动，就必须知道自己在哪里、离物体多远、怎么避障、怎么理解周围环境。它用到的底层能力，很多正是 VR/AR 过去十几年烧出来的技术遗产。

这对 AI 公司和投资人都有启发。很多技术投入的回报周期，可能比单个产品周期更长。Meta 对 VR 的押注没有换来一个全民元宇宙，但它可能换来了下一代机器人感知层的门票。一个看起来失败的消费电子浪潮，最后可能在另一个产业里变成基础设施。

图：VR/AR 的 SLAM、深度传感、空间定位，如何迁移到机器人感知层。

硬件没有“每天编译”这件事

如果说软件团队已经习惯了每天构建、每天测试、每天发布，硬件团队面对的是另一套时间。

Caitlin 用了一个很好懂的比喻：软件可以每天编译，硬件一年可能只有四五次“编译”机会。一次 CAD 设计、打样、开模、试产、可靠性测试之后，如果进了量产，很多错误就不能靠线上更新补回来。

硬件的麻烦不只在周期长，还在公差会累积。

一个零件在规格允许范围内偏大，另一个零件在规格允许范围内偏小，单独看都合格，装在一起可能就出问题。百万级出货时，这种小偏差会变成真实的退货、返修和良率损失。所以硬件团队必须在设计阶段解决最后那 0.5% 的问题。

Quest 1 的摄像头故事就是一个典型案例。团队在工程验证阶段发现，计算机视觉团队对摄像头位置精度的理解，和硬件团队对规格的理解不一致。结果是圣诞节前必须重新调整摄像头固定方式，让其中两颗摄像头形成更稳定的空间基准。最后产品按时发布了，但代价是一次非常紧张的硬件架构改动。

这件事放在 AI 硬件上，含义很直接：如果 AI 公司想做机器人、眼镜、设备或无人机，它不能用纯软件心态管理硬件。

软件里的“先上线再迭代”，到了硬件里会变成库存、模具、供应商、退货和安全事故。

图：软件可以高频迭代，硬件的每一次“编译”都要穿过打样、开模、试产和可靠性测试。

机器人最先卡住的，可能不是模型

现在很多人讨论机器人，第一反应是模型能力。机器人是不是足够聪明？能不能理解指令？能不能规划动作？

Caitlin 反复强调的却是另一件事：供应链。

机器人需要执行器，执行器需要电机、齿轮、磁铁和加工能力；消费硬件需要内存、芯片、PCB、屏幕、电池和各种小零件。任何一个关键零部件断供，整机都可能停摆。如果只是压铸件断了，还能花几个月找替代供应商；如果芯片或内存规格断了，可能就要重做电路板、重新测试可靠性，甚至重写一部分产品架构。

她提到一个很形象的说法：有一颗叫“内存价格”的陨石，正在砸向消费硬件、机器人和 Physical AI。AI 数据中心对内存和芯片的需求，会抬高消费硬件和机器人公司的成本。大模型公司买算力，机器人公司也要抢零部件，最后压力会传到整个产业链。

这也是为什么她会把磁铁、执行器、无人机和再工业化放在一起谈。

未来的 Physical AI 竞争，表面上是模型和机器人，底层可能是材料、产能和供应链安全。谁能拿到稳定零部件，谁能快速改板，谁能把关键供应链垂直整合，谁才可能在现实世界里活下来。

图：Physical AI 风险栈，从模型能力往下，是执行器、磁铁、内存、芯片、工厂和地缘政治。

人形机器人仍然是高级原型机

人形机器人是最容易传播的 AI 硬件叙事。它像人，会走路，会挥手，会做家务，也最容易让人产生未来感。

但 Caitlin 的判断很冷静：现在的人形机器人，大多还处在高级原型机阶段。

发布会上的展示只能证明原型机能跑。大规模部署最难的部分还在后面：一个能走路的机器人，和一个能在家庭、工厂、仓库长期安全运行的机器人，是两件事。

她特别强调安全。大型、强壮的人形机器人在人身边移动，必须考虑机械臂重量、执行器旋转能量、碰撞冲量、材料柔软度和动作意图表达。很多机器人说明书里会写“3 英尺内不要靠近”，这说明它还没有真正准备好进入密集人类环境。

这也解释了为什么人形机器人不一定会是所有问题的答案。

在现代工厂里，很多产线早就不是靠人干活。PCB 产线、检测、回流焊、机械装配，很多环节已经高度自动化。真正需要的未必是一个像人的机器人，而是更多专用机器人、可调整工业机器人、物流机器人、建筑机器人和小批量制造系统。

对商业公司来说，这个判断很关键：不要被“长得像人”绑架。机器人产品要回答的问题很朴素：它能不能用更低成本、更高安全性、更高可靠性完成一个真实任务。

AI 硬件的下一把钥匙，是工程工具链

这期访谈还有一个非常值得注意的方向：AI 对硬件工程本身的改变。

软件工程已经被 AI 改写了，但硬件工程还没有。Caitlin 说，今天的 AI 可以辅助战略规划、资料查询、表格整理，也可以在 PCB 布线和基础元器件布局上提供帮助。但真正的机械 CAD，还远没有被 AI 吃掉。

原因很简单：硬件工程需要理解物理世界。摩擦、重量、压力、接触、材料疲劳、表面纹理、公差堆叠，这些不是普通大语言模型擅长的东西。你让模型理解一张纸折四次以后打孔，展开后洞在哪里，它都未必稳定，更不用说设计一个可量产的机器人关节。

所以她真正想要的是硬件工程里的 Claude Code。

这可能需要新的世界模型，也需要大量 CAD、装配、仿真、制造和供应商反馈数据。但这些数据又是公司的核心知识产权。三星、Apple、Meta、机器人创业公司，都不可能轻易把自己的 CAD 文件拿出来给别人训练。

硬件工程 AI 的商业机会会落在很多更具体的地方：数据治理、本地部署、企业私有训练、CAD 工作流，以及供应商反馈如何回到设计流程里。

未来谁能把 AI 放进硬件工程师的真实工作流，谁就可能成为 Physical AI 时代的基础设施公司。

图：硬件工程 AI 的机会，会沿着 CAD、仿真、供应商反馈和量产测试展开。

最后：Physical AI 最后拼的是工业能力

最值得关注的是一个更冷的判断：AI 进入物理世界以后，软件公司的速度神话会被工业现实重新校准。

它真正提醒的是：AI 一旦进入物理世界，就会从软件叙事进入工业叙事。

在软件里，速度来自模型、工程效率和分发；在硬件里，速度还来自打样周期、良率、供应链、元器件库存、制造经验和安全冗余。AI 公司过去可以靠模型能力快速重新定价，但 Physical AI 会逼它们回答一个更老的问题：你到底能不能把东西造出来？

所以，下一波 AI 浪潮如果真的发生在物理世界，它不会像聊天机器人那样轻。它会更慢、更贵、更复杂，也更难复制。

这也是它真正有商业价值的地方。

谁能把模型智能、硬件工程、供应链和制造组织成一个稳定系统，谁才可能吃到 Physical AI 的红利。

参考资料

1. Lenny's Podcast, 2026-05-17, Why we're at the beginning of the AI hardware boom | Caitlin Kalinowski (ex-OpenAI, Meta, Apple).

2. Meta, Orion AR glasses 官方页面。

3. Apple, Apple Vision Pro 官方页面。

4. Matic Robots 官方页面。

5. Anduril 官方页面。