Linkloud 引言
Lenny's Podcast 本期嘉宾是 Caitlin Kalinowski，她在 Apple 主导过 MacBook Air 的设计，在 Meta 带出了史上最畅销的 VR 头显 Quest 2 和拥有 70 度视场角的 AR 原型眼镜 Orion，之后又投身 OpenAI 从零搭建机器人与硬件部门。
在本期播客中，Caitlin 围绕硬件开发原则、供应链、人形机器人等诸多热门话题分享了自己的真知灼见，适合每一位 AI 从业者阅读，Enjoy！
很多人认为 VR 失败了，但 Caitlin 的视角刚好相反：VR 最大的遗产不是头显，而是赋予了机器理解三维空间的能力。
这套能力，今天正在成为机器人行业的地基。
一、AI 的下一个战场——物理世界
过去几年，AI 在数字世界里的进展飞快。代码可以生成，文档可以生成，客服、分析、设计、运营里的大量工作都在被重写。但 AI 在数字世界终将遇到瓶颈，现在方向已经很清楚：AI 的下一个应用前沿，是物理世界。
机器人、制造业、工业自动化、仓储物流、家庭服务、太空系统，这些都不再只是硬件创业者的事情，而会成为 AI 行业的主战场。
这不是某家公司能决定的，而是技术发展的内在逻辑。当 AI 在屏幕里越来越强，它迟早会想伸出一只手，去改变真实世界。
二、硬件创业最残酷的地方是什么？
软件创业者进入硬件领域，最容易低估一件事：硬件不是慢一点的软件，而是另一个物种。
软件可以每天发布，可以灰度，可以回滚，可以 OTA，但硬件不行。
一个硬件产品从设计到量产，通常只有 4 到 5 次真正意义上的“编译”机会。每一次都意味着重新出 CAD、打样、组装、测试，周期可能是 3 到 5 个月。而最后一次“编译”，就是量产。量产之后没有补丁，要么出货，要么退货。
更可怕的是，硬件工程师要面对的不是“平均情况”，而是公差分布的两端——遇到最小尺寸的 A 件碰到最大尺寸的 B 件，也必须能装上。
最后这 0.5% 的极端情况，才是硬件工程真正的战场。
三、硬件开发的四条生死法则
从 Apple、Meta、OpenAI 这些硬件团队的经验看，硬件开发有四条原则特别重要。
- 第一，目标要早定，而且不要轻易改。
成本、重量、分辨率、续航、厚度，这些核心目标一旦确定，就要成为所有决策的尺子。
MacBook Air 的目标是极致轻薄，所以环境光传感器这类“不错但不关键”的功能可以砍掉，每一个设计决策都能用这一个问题来检验：它是否服务于这个核心目标？
- 第二，从最难的地方开始。
好的硬件架构师不会先做自己熟悉的部分，而会先问：这个产品最可能死在哪里？
比如笔记本铰链里要走线，空间够不够？这个问题如果放在后期处理，全部设计都可能要推倒重来。
- 第三，把迭代资源集中在用户接触最多的地方。
触控板和键盘，比背板重要；VR 头显的头带和镜片，比一个用户永远摸不到的内部结构重要。
平均分配资源，是硬件研发里最常见的浪费。
- 第四，知道要做，就立刻做。
在硬件项目里，知道某件事要做，就立刻做掉：因为两天后一定会有新的意外出现，那时候就没有时间了。硬件项目真正稀缺的不是想法，而是可用的日历时间。
四、Quest 1 的惊险事故：同一个词，两种理解
Quest 1 开发时，团队为了压成本，把摄像头从 5 颗减到 4 颗。
临近 EVT（工程验证阶段，即最后还能大改的阶段），计算机视觉团队突然发现：摄像头数据无法稳定锁定头显在空间里的位置。
最后发现问题出在一个词：公差。
硬件团队理解的是：单颗零件尺寸误差控制在正负 0.15mm 内。
视觉团队理解的是：整套摄像头系统的全局误差要控制在这个范围内。
这完全是两件事！
双方看着同一份文档，以为自己理解的没问题，直到最后才发现根本不是一回事。
团队最后用一个钢制支架，把底部两颗摄像头固定在一起，锁住它们之间的相对距离，才把问题解决。
产品最终按时出货，甚至因为多了一组稳定基准，算法表现反而更好。
但这个故事最值得记住的是那句话：“幸好最后解决了，但真希望我们四个月前就知道。”
这就是硬件——软件里的误解，可能是一周返工；硬件里的误解，可能是一整个项目的死亡。
五、硬件创业的核心——供应链
很多 AI 创业者讨论机器人，喜欢从模型能力讲起。但真正做过硬件的人会告诉你：机器人能不能量产，供应链可能比模型更早把你卡死。
以人形机器人为例，关节靠执行器，执行器本质上是电机，电机需要稀土永磁体，磁体带动转子，转子带动减速器，减速器再驱动关节。这条链条上的很多关键环节，过去二十多年都已经转移到亚洲，尤其是中国、日本、韩国。
这套分工让成本和效率达到最优，但抗冲击能力很差，任何一个节点断供，整条生产线都会停。更麻烦的是，无人机和机器人在抢同一批基础零件。军用无人机、消费无人机、工业机器人、人形机器人，底层都需要电机、磁体、执行器、传感器、芯片。
这也是为什么硬件创业公司不能只盯着 Demo，Demo 是能力展示，供应链才是生死线。
Tesla 在芯片短缺时期，比很多车企恢复得更快，一个重要原因是它有能力快速重新设计主板、替换芯片方案。Starlink 的工厂据说也接近“原材料进，卫星出”的模式。
这背后的逻辑很简单：核心的环节越内部化，就越容易应对外部冲击。
当然，大多数创业公司不可能完全垂直整合，但至少要知道：哪些零件是一旦断供就会让公司停摆的？哪些供应商必须有备选？哪些关键物料必须有安全库存？这些不是财务问题，而是工程问题。
六、人形机器人的未来
人形机器人很吸引眼球，但在制造业里，“像人”并不天然是优势。
如果一个工厂要拧 10 颗螺丝，它并不需要一个会走路、会聊天、长得像人的机器人——它需要的是一台专门为这款产品设计的机器，每周稳定拧 1 万次，便宜、准确、不出错。
现代顶级电子制造工厂里，很多产线早就高度自动化。PCB 焊接线从投料到检测，可以做到几乎无人值守。过去需要 200 个人的工序，现在可能只需要 10 个人。
所以机器人行业真正的大机会，未必是一个万能人形机器人，而是大量形态各异、任务聚焦的专用机器。制造业不缺“像人的机器”，缺的是把具体任务做到极致的机器。
另一方面，很多人第一次近距离接触人形机器人，会有一种超出预期的不适感。原因不只是外观，而是它没有遵守人类在同一空间里的社交规则。
研究者 Leila Takayama 提过一个重要观点：当有人走进房间时，旁边的人通常会抬头看一眼。哪怕什么都不说，也是在表达：我知道你来了。
但如果一台机器人在人进来后毫无反应，人会本能地觉得：它不知道我存在——这会带来不安感。
解决这一问题的办法也很具体：机器人在行动之前，必须先表达意图。
它要转身拿东西，最好先“看”向那个方向，再启动身体动作。否则，一个突然的大幅转身，会让旁边的人感到危险。这不是美学问题，而是机器人能否进入人类生活空间的基础问题。
Pixar 和 Disney 在这方面其实积累了几十年经验：如何用微小动作表达情绪、意图和亲近感。未来机器人公司最该招的人，可能不只是机械工程师和 AI 研究员，也包括动画师。
七、AI 设计硬件面临的问题
AI 已经能帮硬件工程师做不少事。
它可以做高层规划，可以查资料，可以生成表格，可以辅助部分 PCB 走线和元件布局，但核心战场还没攻下来。机械设计的主战场是 3D CAD。
而真正能生产的 CAD 文件，不是漂亮的点云，也不是曲面图，而是包含实体约束、装配关系、公差定义的工程文件。今天的 AI 离这一步还很远。
一个简单测试就能说明问题：把一张纸折四次，打一个洞，再展开，洞在哪里？很多模型仍然答不好，但这类空间推理，正是机械工程师每天都在做的基本功。
所以，硬件领域可能需要一个新的“Codex”，但它未必会从现有 LLM 自然长出来。它需要理解摩擦、重力、接触力学、材料特性。换句话说，我们需要某种真正的世界模型。
就算模型能力成熟，数据也是大问题。代码世界有 GitHub，有海量公开代码，但工业 CAD 文件几乎没有公开数据。
三星不会把自己的设计文件拿出来训练别人。机器人公司也不会把核心结构件、装配方案、公差设计贡献到公共数据集。这些文件就是制造业最核心的 IP。
所以硬件 AI 的突破，可能反而会先从业余爱好者开始，比如自制无人机、开源机器人、3D 打印社区。
这些人不太在乎文件是不是被模型学走，他们更在乎能不能更快验证想法。
八、来自顶级创业者的启示
- 奥特曼的特点，是不断放大思考尺度。
为什么不是 100 倍？为什么不是 10000 倍？
这种问题听起来夸张，但在一个需要长期投入的领域里，宏大的坐标系本身就是领导力。
- 乔布斯的特点，是对质量标准绝不妥协。
Apple 内部流传过一个故事：Jobs 曾被一位把柜子背面都打磨得一丝不苟的木匠深深打动。
这表面上是对细节近乎执着的追求，实际上是在逼迫大家把真正核心、重要的东西从底层挖掘出来。
- 扎克伯格的特点，则是清晰高效的运营机制。
在 Meta，决策尽量下放到能做决策的最低层级，评审流程明确，目标清楚，减少上下级沟通的摩擦。扎克伯格甚至可以亲自看 20 页技术报告，理解具体取舍，并参与讨论。
这种运营清晰度在快速成长的大公司里非常罕见，看起来不显眼，但却构成了硬件团队能够高效推进工作的坚实基础。
九、AI 硬件团队该招什么人？
如果今天要做 0 到 1 的 AI 硬件团队，有三类人最关键。
第一类是强通才。
尤其是自动驾驶背景的人，很值得重视。因为他们处理过感知、安全、可靠性、实时系统这些硬问题，迁移到机器人领域会很快。
第二类是 AI 原住民。
现在真正从底层用 AI 做工程的人，很多是 20 岁出头的年轻人。他们解决问题的默认路径和上一代不一样。他们不是把 AI 当工具，而是把 AI 当工作流本身。
第三类是使命感一致的人。
AI 研究员和硬件工程师的语言体系完全不同。一个讲模型、数据、loss，一个讲公差、装配、供应链。没有共同使命，沟通成本会极高。更重要的是，硬件项目往往很长、很苦、很容易被现实反复毒打。所以使命感不是文化装饰，而是组织能不能熬过低谷的基础设施。
