广安海绵胶 前苹果、Meta、OpenAI硬件负责人：键盘后的AI会饱和，下个前沿是物理世界 (1)

前苹果、Meta、OpenAI 硬件负责人：键盘后的 AI 会饱和广安海绵胶，下个前沿是物理世界

Caitlin Kalinowski 是硅谷资的硬件者之，横跨苹果、Meta、OpenAI 三顶硬件团队。在这场新访谈中，他提出了几个具前瞻的判断：很多人认为 VR 没有成为主流消费产品，但过去十年 VR 所积累的空间定位、SLAM、度感知等能力，实际上正在成为机器人与自动驾驶的底层基础设施；与此同时，场由 AI 数据中心需求引发的"存储器争夺战"已经开始，HBM、DRAM 等关键内存正被大模型训练和理快速吞噬，消费硬件供应链将持续承压，他甚至建议硬件创业公司现在就提前锁定内存供应。而在层的供应链里，个被严重低估的瓶颈是磁铁与电机，过去 25 年，从稀土材料、磁体加工到电机制造，整条产业链几乎全部迁移至亚洲，而电机是机器人关节的核心，磁铁又是电机的核心，缺少这环，整个机器人产业都可能被卡住。访谈后，他也次较为完整地解释了自己离开 OpenAI 的原因：并非不认可 AI 的价值，而是 OpenAI 在国作上的进速度、理式与边界定义，已经出了他个人能够接受的范围。以下是对谈全文。

1. VR 没成，但它没白做

主持人： VR 投了那么多钱，Meta 甚至都把公司名字改了，苹果也做了 Vision Pro。硬件明明很惊艳，为什么还是没真正爆发？

Caitlin： 如果今天回头看，我会觉得 VR 的价值，不只是"做成个消费品品类"，而是它帮整个行业提前解决了批关键问题：比如怎么在空间里定位，怎么把虚拟世界和现实世界对齐，怎么用摄像头做 SLAM，怎么理解度，怎么让机器知道"自己在空间中的位置"。这些东西当然对 VR 有用，但现在你会发现，它们在机器人上同样关键：机器人要知道自己怎么运动、离周围物体有多远、怎么感知空间；如果人戴着头显去远程操控机器人，本质上用的还是那套技术。所以在我看来，VR 像是段长技术弧线里的个阶段。它没变成大众消费主流，不代表它失败了。它只是把技术往前了大步。VR 大的问题之，是它把你的脸遮住了，社交属受损。人和人之间的交流，很大部分靠面部和眼完成。你把这个切断了，产品就很难成为个日常主流设备。这也是为什么我相信 AR 眼镜代表未来的部分。人并不适直低头看手机。如果你能在不切断社交连接的前提下获取信息，这个向就自然。

主持人： 你觉得未来会是 AR 眼镜吗？

Caitlin： 我相信 AR 眼镜会是未来的部分。但问题在于，很多关键部件还没准备好。以 Orion 为例，它用了 waveguide（波）和 microLED，这些技术现在的量产良率还不够，成本也太。所以向没错，问题在于时机还没到。另个难题是交互。你在公共空间里戴着眼镜，怎么输入？怎么安静地、自然地和它沟通？这些问题还没解出来。但从长期看，我确实相信种"默认关闭、需要时再点亮"的显示设备，会成为未来计平台的部分。

2. 为什么机器人和硬件突然又热了

主持人： 现在大突然都开始谈机器人、谈硬件了。为什么？

Caitlin： 我在旧金山 AI 圈里看到的个明显变化是：很多人开始意识到，AI 在数字世界里的能力提升太快了。今天它还主要在键盘后面工作，但再往前走，大会越来越清楚地看到个趋势——数字世界里的问题，总有天会相对接近饱和。旦这件事发生，下块真正巨大的增量市场，就是物理世界。也就是：机器人、制造、工业化、传感层、自动化、真实世界中的操作能力。所以现在论是大模型公司、大厂，还是创业公司，都在同时往这个向看，因为他们都意识到：下个前沿，不在屏幕里，而在现实世界里。

主持人： 很多软件公司觉得，未来要做硬件，结果做就懵了。硬件反直觉的难点是什么？

Caitlin： 我经常这样跟软件工程师解释：软件是你写完代码，可以每天编译、每天迭代、每天修 bug。但硬件不是。硬件的"编译"，可能共就只有四五次。每次大版本样、开模、试产，都是次"编译"。等你真正进入量产，那就是后次。之后没法像软件样在线新硬件本体。这意味着硬件团队须保守，也须在前期做多验证。因为你后旦量产，东西就已经出去了，不能再改。而且硬件还有个软件人不太直觉的问题：件公差。个产品到几百万台时，你面对的不是"标准件"，而是"分布在不同公差范围内的件"。小的这个件，要和大的那个件装在起，产品还得正常工作。所以硬件团队真正玩的，是个很残酷的游戏：你得在后次"编译"之前，把后那 0.5 的异常情况也想清楚。否则量产良率、返修率、利润，都会出问题。

主持人： 人形机器人现在很热。你觉得离大规模进入现实世界还有多远？

Caitlin： 在我看来，现在的人形机器人仍然主要是"原型机"，还没有到真正大规模部署的时候。个核心问题是安全。如果个很大、很强的人形机器人，直接在人的身边工作，我们须先有足够的数据证明它是安全的。这件事不是句"动作准不准"就能解决的。你得考虑机器人手臂本身的运动能量，也要考虑电机和关节带来的冲击；还得考虑接触面是不是柔软、是否可压缩——因为这些都会影响它碰到人时的冲击力。所以轻、软、把质量往身体中心收的人形机器人，会安全些。现在有些团队已经在往这个向设计了。我觉得它们还没 ready。下阶段应该是：在原型可行之后，继续把它做得便宜、好制造、良率、安全。这个过程很长，不是两次 demo 就能跨过去的。

3. 供应链卡在磁铁和电机上

主持人： 那真正阻碍机器人规模化落地的是什么？

Caitlin： 件事就是供应链。机器人不是个抽象的软件系统，它身上的每个件都来自现实世界的某个地。这些件未来可能会变得难拿、受限制、难在美国本土完成装配。现在很多人都在说，把机器人生产搬回美国。但问题是，美国现在连成熟的执行器公司都不够多。

主持人： 执行器就是电机？

Caitlin： 对，本质上就是把电能转成机械运动的那部分。机器人胳膊、手指、头部、腿部的运动，都离不开它。

主持人： 你直在强调执行器、磁铁这些基础部件。为什么它们这么关键？

Caitlin： 可以把这个链条想成几层：先是原材料，比如磁体；然后是磁体加工；再往上是把磁体集成到执行器里；然后是把执行器集成到机器人和各种子系统里。过去 25 年，这整条链条的很多能力，逐步外移到了、日本、韩国这些地。亚洲的强项直是规模制造和低成本生产。今天全球硬件业的很多能力，就是在这样的分工中形成的。但如果你想让供应链安全，就须重新建立这些层上的立能力。

主持人： 但为什么偏偏是磁铁？

Caitlin： 因为很多电机的基本原理就依赖磁场。你可以把它简单理解成：圈排列的磁体，配电流变化，驱动转子旋转。论是人机的旋翼，还是机器人的关节，本质上都离不开这类基础技术。所以如果你拿不到磁体广安海绵胶，执行器就会受影响；拿不到执行器，机器人就很难做出来。它是很底层的瓶颈。

主持人： 你怎么看这种供应链和地缘政之间的关系？

Caitlin： 我觉得美国须重新工业化，尤其是从国安全角度看。你永远不知道未来会发生什么，也不能默认今天的盟友会永远保持同样关系。如果下轮疫情、战争或者别的系统冲击来了，而你连原材料加工、核心件生产、规模制造的能力都没有，那你就会非常被动。所以我很希望美国重新学会怎么大规模制造、怎么处理原材料、怎么建立立的工业能力。个很锐的判断：未来两年，战争域的变化，可能比消费电子还大。因为人机、机器人、3D 印、快速迭代，正在重写军事技术的新逻辑。过去那种围绕大型平台的思路，正在变得越来越不适应。

主持人： 大现在都在谈大模型越权、提示词注入。但如果对象换成个机器人，这件事会可怕。

Caitlin： 没错。我们须能控制针对硬件层的对抗攻击。论是机器人、人机还是别的物理设备，旦被恶意操控，后果会比聊天机器人严重得多。如果个系统只是泄露你的邮箱，已经够糟了；如果它操控的是可以移动、可以接触人的实体机器，那就是另个等的问题。

4. 苹果教会他的，不只是"致"，而是"为什么要这样做"

主持人： 你在苹果待过，也在 Meta 从搭过硬件团队。苹果真正厉害的地是什么？

Caitlin： 苹果厉害的地之，是它把硬件放在等公民的位置。重要的是，它会训练你去思考：为什么要这样设计？真正重要的目标是什么？很多人提苹果，会说"它很注重细节"，这当然对，但还不够。真正关键的是：每个设计决定——甚至是设备内部用户根本看不见的地——都须回到那个根本的问题：我们到底在做什么？我们在乎的结果是什么？当你直用这种法工作，后产出的东西往往会看起来非常简单。但这种"简单"，背后其实是其复杂的系统判断。

主持人： 能不能举个具体的例子？

Caitlin： Quest 2 就是个很典型的例子。当时目标非常明确：要让多人买得起 VR。而要做到这件事，唯办法就是降成本。旦这个目标清楚，所有设计决策都会围绕它来：去掉哪些摄像头，换哪些材料，改哪些制造工艺，哪些组件须重新选型。后 Quest 2 成了历史上得好的 VR 头显之。它并不是"为了便宜而妥协"，而是在明确目标之后，把整个产品重新优化了遍。

主持人： 如果今天 AI 公司决定自己下场做硬件，你想提醒他们什么？

Caitlin： 我会先说四件事。，目标要尽早定，而且尽量别改。硬件不像软件，经不起中途频繁转向。你开始说产品 300 美元，做到半改成 150 美元，前面很多时间基本就浪费了。二，先做难的部分。很多团队习惯先画自己熟悉的部分，但真正好的架构师，永远先看"可能失败的地"。比如某代笔记本里，线缆要从转轴里穿过去。那不先把这个问题解决，其他地画得再漂亮也没用。三，用户摸得多的地，要迭代得多。比如电脑的触控板、键盘。这些地决定用户每天直接的感受。它们须比其他部分得到多磨。四，知道要做的事，就立刻做。在硬件里，你从来不会"真的有空"。今天不做，后面定会被意外事件占掉时间。真正的硬件团队，都是提前把已知问题清掉，把时间留给未知问题。

主持人： 苹果经常被说"不听用户反馈"，但它又总能做出成功产品。为什么？

Caitlin： 我觉得这句话经常被误读。真正的意思是：当你在做个全新品类、个用户从没见过的东西时，用户没法准确告诉你他想要什么。比如初的 iPhone。如果你当时去问用户想要什么，他们大概率会说：我想要个好的实体键盘。因为他们没见过触屏手机是什么体验。所以不是说用户不重要，而是当你在做从 0 到 1 的东西时，不能被已有范式困住。用户在看到成品之后，往往会立刻知道"这就是我想要的"；但在它出现之前，他描述不出来。

5. 硬件供应链的现实

主持人： 机器人公司 Madic 的创始人让我定问你个问题：内存价格。你说过，"颗关于内存价格的陨石，正要向消费硬件、机器人和 Physical AI。"到底发生了什么？

Caitlin： 简单说，行业会很难受。我不是门研究内存市场的人，但我判断，AI 是重要手之。数据中心对内存和相关器件的需求非常大，而且不像消费电子那么敏感于价格。结果就是：如果某类关键元件，比如内存、芯片，供给跟不上需求，那消费硬件公司只有两个选择——要么硬吃涨价，保温护角专用胶要么提前备货。我直在建议些创业公司，如果财务条件允许，要尽早预买内存，给自己留库存缓冲。因为旦价格暴涨，你几乎没有别的办法。我猜可能会翻倍，但我没法判断具体时间。关键不在于预测价格，而在于你得知道：这类供应链冲击是定会来的。对硬件公司来说，这不是小波动，而是生死问题。

主持人： 以扫地机器人为例，个硬件产品里到底有多少部件？

Caitlin： 如果按大件，可能是 50 到 150 个；如果把 PCB 上的小元件都进去，很容易就是上千个。拿扫地机器人来说，它有轮子、吸尘系统、拖地系统、水箱、地图构建系统、线连接模块、SoC、RAM、PCB ……只要其中个关键部件断供，就可能造成灾难后果。如果少的是个普通结构件，也许三五个月能换供应商。但如果断的是芯片、内存，麻烦就大了——你可能得重做整块板子、重新测试、重新跑可靠、重新通生产线。这不是"换个件"那么简单，而是整个产品内部都得重构。

主持人： 做硬件时，什么时候该用现成件，什么时候应该自己定制？

Caitlin： 原则很简单：在原型阶段，能买现成的就买现成的。原型阶段的目标，是先验证"这东西到底能不能工作"。只要它能证明案可行，就外观不够好看、结构不够优雅，也没关系。我们内部经常会区分"看起来像"和"工作起来像"的模型。个负责告诉你未来量产长什么样，另个负责证明技术上可行。但到了量产阶段，如果你的 KPI 对尺寸、重量、颜、能有很具体的要求，很多现成件就不够用了。那时你就须定制。所以这不是理念问题，而是阶段问题。

6. 爆发点是" AI 会做 CAD "那天

主持人： AI 已经改变软件工程了。那硬件呢？

Caitlin： 已经开始变了，但还没到核心的部分。硬件研发的核心工作，大致包括三块：，做 3D CAD，设计件和装配；二，保证这些件真能被供应商按要求做出来；三，把它们装在起，让产品真的工作。现在 AI 在这些工作里，多还是辅助角。比如它开始能做些表面模型、点云类东西，但那离真正的工程 CAD 还差很远。真正的 CAD 不是"画个形状"，而是有完整几何定义、曲面逻辑、实体结构的。PCB 设计是另个正在变化的向。现在看起来，AI 已经开始能做些板内布线、基础元器件选择和布局，这些都会提升率。但如果你问今天 AI 能不能替代日常机械工程和电气工程的"主体工作"，答案还是不能。不过它已经可以明显策略、规划、资料整理、数据库构建，甚至 Excel 工作流。别小看这些事，它们加起来，已经能显著提升硬件团队率。

主持人： 那你期待 AI 在硬件研发里先突破什么？

Caitlin： 我想要的是"工程版 Codex "，或者说"硬件版 Codex "。今天的大模型，本质上还是非常擅长处理语言。模型也样，它们并不真正理解摩擦、重量、接触、压力、表面纹理这些工程世界里重要的物理属。而这些，恰恰是工程设计需要理解的东西。所以我怀疑，未来要让 AI 真正进入 CAD 和硬件工程，可能还需要新的模型类型，也许是强的 world model。现有模型会是解决案的部分，但不是全部。

7. 人形机器人不是答案

主持人： 你似乎对"人形机器人会解决切"这件事并不认同。

Caitlin： 我觉得人形机器人有点 hype，但这不代表它不重要。只是很多人会觉得：既然人的形态这么通用，那我就做个通用的人形机器人来干所有活。我不太相信这个逻辑。比如装笔记本螺丝，这件事根本不需要个人形机器人。理的是台门为这个动作设计的自动化设备，每天重复同个动作上万次。事实上，今天的制造线里，很多工位已经几乎没有人了。PCB 线、机械装配线，都已经度自动化。所以未来并不是"所有人类劳动都要被人形机器人替代"，而可能是：制造有制造机器人，物流有物流机器人，建筑有建筑机器人，电工作业有电工机器人。它们会长得都不样。

主持人： 那未来会不会出现个闭环：AI 设计机器人，机器人制造机器人？

Caitlin： 我觉得"机器人造机器人"会发生，但不是"个机器人把自己完整复制出来"那种科幻画面。现实的路径是：AI 帮你从 2D 图纸走到 3D CAD，再走到装配，再走到和供应商沟通，再迭代，再样。未来个业余好者也许都能借助 AI 做出复杂硬件。但这里有个非常现实的问题：数据。CAD 数据是很多硬件公司的核心 IP。三星也好，机器人公司也好，不可能轻易把这些数据拿去训练外部模型。所以我觉得，先启动这件事的，可能不是大公司，而是 hobbyist 社区。因为他们不在意 CAD 数据的保密，在意"我能不能快做出来"。

主持人： 什么样的机器人，才会让人觉得"有人味"、愿意亲近？

Caitlin： 我后来门去学过这个问题。个很关键的点是：人对"他者如何回应自己"有预期。你走进个房间，另个人哪怕不说话，至少也会抬头看你眼。如果你走进房间，个机器人毫反应，就会很诡异。另外，机器人须"展示意图"。如果它突然猛地转身、直接开始动作，人会被吓到；但如果它先转头看下，再动，就会自然很多。所以个让人舒服的机器人，通常至少要满足几件事：看起来不具威胁；有点柔软感；能及时感知你在场；会在行动前传达自己的意图。从这个角度看，Pixar 和 Disney 其实是非常值得学习的。它们对"角如何表达情绪、意图和亲和力"的理解，可能是世界顶的。

主持人： 你期待里有机器人吗？

Caitlin： 我是期待的，但我伴侣的标准非常。这其实提醒了我件事：庭机器人要真正进入庭，门槛可能比大想象得。自动驾驶相对容易被接受，是因为它替代的是个已经存在的行为：人类开车。你可以直接比较"人开"和"机器开"谁安全。但庭机器人不是这样。它不是把件已经成熟存在的事替掉，而是在庭空间里新增了个会行动、会接触物体、甚至会接触人的实体。如果它做得不好，用户会立刻问：那我为什么要让它进来？所以庭机器人不只是"能干活"就够了，它须非常可靠，而且要能建立信任。

主持人： 如果往后看五年，你觉得我们的日常会怎么变？

Caitlin： 我觉得 AI 对工作式的改变，会先发生在数字世界，而且已经开始了。写代码的人，已经很少手写代码；接下来，几乎所有知识工作都会逐步被影响。但物理世界没那么快。除了人机、自动驾驶、部分服务机器人之外，我不认为五年后会突然有几千万台机器人满街跑。供应链、原材料、制造能力、工厂体系，这些都是重工程，不会夜之间补齐。所以接下来几年，我们会越来越明显地感觉"自己活在未来里"——街上会出现多机器人、多自动化设备；但真正大规模普及，仍然需要时间。

主持人： 你之前离开 OpenAI，在社交媒体上引发了很大关注。为什么离开？

Caitlin： 我在 OpenAI 有很多非常在乎的人，也很尊重那公司。我去那里是为了帮忙从搭建机器人项目，也吸引了批顶机器人人才。但在国相关作这件事上，我认为决策过程、决策速度、理式，以及边界设置，都不是我认同的式。所以对我来说，这不是"否定这公司"，而是我明确知道：这件事出了我的边界。我希望大看到的是，现实里不只有"照做"和"翻脸"两种选择。有时你可以尊重组织，也尊重自己，然后做出离开的决定。

主持人： 你很擅长组建团队。现在这个阶段，什么样的人值得招？

Caitlin： 做 0 到 1 的团队时，不能只找"做过同件事的人"，因为很多事情本来就是新的，根本没人做过。所以我会找三类人。类，是强通才。他们可能来自不同域，但能把旧经验迁移到新问题上。二类，是部分真正做过关键环节的人。比如机器人本体、自驾、感知、安全、量产，这些关键经验还是要有人补位。三类，是 AI native 的年轻人。真正把 AI 融入思考和工作底层的人，很多就是 20 岁出头。他们解决问题的式和上代工程师明显不同，而且速度非常快。我们这代人是互联网原住民、数字原住民，但不是 AI 原住民。所以现在很重要的件事，是让这些年轻人反过来教我们怎么工作。团队须有使命致。因为 AI 研究员和硬件工程师来自不同的世界，没有共同目标的话，沟通成本会非常。

8. 从 Steve Jobs、Mark Zuckerberg、Sam Altman 身上分别学到了什么

主持人： 你跟乔布斯、扎克伯格、奥特曼都共事过。从他们身上学到了什么？

Caitlin： 先说 Sam。他常动我的句话是："为什么不再大点？"为什么不是 100 倍？为什么不是 10000 倍？他会逼你意识到：你可能在很多问题上想得还不够大。关于乔布斯，他对人才和产品质量的标准，几乎没有波动。那个标准非常，你要么达到，要么达不到。但对个年轻、上进的人来说，"这还不够好"不是击，反而常常是种强的驱动力。关于扎克伯格，Meta 在技术组织运转上，其实非常优秀。很多决策被下放到尽可能低的层，以保证速度；流程清晰，评审有明确目标；如果不需要开会，就直接做决定。对于速增长的大公司来说，这种组织率非常不容易。

主持人： 有没有什么失败案例可以分享？

奥力斯    pvc管道管件胶批发    联系人：王经理    手机：15226765735（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

Caitlin： 在 Quest 早期版本里，团队为了降成本，把 5 个摄像头减成了 4 个。结果在 EVT 阶段，计机视觉团队发现：摄像头数据不稳定，系统法可靠锁定头显在空间中的位置。后追查下来，不是某个件坏了，而是两个团队对同份规格的理解不致：机械侧理解的是" ± 0.15mm "，而视觉侧理解的是"总偏差 0.15mm 以内"。这个误差致系统法满足定位要求。后团队不得不临时改架构，把底部两个摄像头固定到个支架上，重新建立相对位置基准，才把问题救回来。这件事能说明硬件研发的残酷之处：很多时候，个非常细微的规格理解偏差，就足以让你在接近量产时被迫重构设计。

9. 写在后

整场对话听下来，Caitlin 反复在说的其实是同件事：AI 当然会先改变软件和知识工作，但真正长线、难也大的机会，仍然在物理世界。只是这个世界不靠句"我们也做硬件吧"就能进入。它要求你理解制造、供应链、公差、成本、件、材料、交互、安全、组织式，甚至地缘政。如果说过去十多年，科技行业强的能力是"把信息世界做大"；那么接下来十年，真正拉开差距的能力，可能会变成：谁能把 AI 变成现实世界里可制造、可部署、可规模化的东西。

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。