AI 算法快到天花板了，下一战场是实体世界 —— Caitlin Kalinowski 的 4 个反直觉判断

Caitlin Kalinowski 的简历读起来像硬件工程的「最强战绩单」：她参与设计了最初的一体式 MacBook Pro，主导了 MacBook Air 和 Mac Pro 的技术攻关，在 Meta 领导了 Rift、Quest 和 AR 眼镜 Orion 的全代硬件研发，然后去 OpenAI 从零搭建机器人与硬件部门。现在她离开 OpenAI、公开解释原因、顺势成了本期 Lenny 的座上宾。

这期播客和「AI 改变软件产品」的话语体系不太一样——它谈的是 AI 改变物理世界的速度还没到、以及真正的瓶颈在哪里。

洞察 1：AI 算法的加速「即将饱和」，下一个前沿是机器人和制造业

Caitlin 在节目里说了一句让 Lenny 停下来的话：

「键盘后面能用 AI 做的事，终将到达天花板。那个节点到来的时候，下一个前沿就是实体世界。」

她的逻辑不是 AI 会变差，而是 AI 在数字领域的成就会「饱和」——它会越来越快地解决越来越多的知识型任务，但到某个点，你无法再用纯数字 AI 让它进一步突破。突破点在物理层：机器人、制造、无人机、传感器。

这也解释了一个现象：普林斯顿等高校计算机科学专业的注册人数正在下滑，而硬件/机器人方向的注册人数在上升。Caitlin 说她从业二十多年，从没见过硬件这么「性感」——以前这个方向薪资低、关注少，完全靠热爱驱动。

对 PM 的含义：如果你在做的产品或者在观察的赛道仍然完全生活在数字世界，你需要开始认真研究「实体 AI」这个词代表的一批新品类。

洞察 2：硬件工程师一辈子只能「编译代码」4-5 次

这是 Caitlin 给软件背景的人解释硬件难度时用的比喻，相当精准：

「软件工程师可以每天甚至每小时编译代码——硬件工程师一辈子只有 4-5 次。每一次「编译」就是一个主要版本的量产决策，一旦落定，改不了。」

软件出了 bug，推个 hotfix。硬件如果量产后发现摄像头位置公差理解不一致（Quest 1 的真实事故），你要重新设计、重新验证、重新供应链，整个流程差不多四个月。

这不只是时间成本的问题——它从根本上解释了为什么优秀的硬件团队要「先做最难的部分」、「先把目标 KPI 写死」、「对任何延误极度敏感」。Caitlin 分享的原则：

先定 KPI，不到万不得已不改：Quest 2 之所以能成为史上最畅销 VR 设备，是因为团队把「把价格降下来让更多人买得到」定为最高优先级，然后围绕这一目标砍掉摄像头、换材料、改工艺，整体逻辑一致。
先做最难的部分：苹果的资深工程师在设计笔记本时，会从最难走线的地方开始画 CAD，而不是先画已知的简单部件。
用最快速度把已知任务清空：因为你永远不知道下一个意外什么时候来。

洞察 3：内存价格正在飞来「一颗小行星」——初创公司现在就要囤货

机器人真空吸尘器公司 Madic 的 CEO 找 Caitlin 问这个问题，她的回答相当直接：

「我们整个行业都有麻烦了（We're in trouble as an industry）。」

背后的逻辑：AI 数据中心的内存需求几乎没有价格敏感性，他们愿意以任何价格买 RAM。这直接挤压了消费电子和机器人赛道的内存供应，导致价格暴涨。Caitlin 亲历过 COVID 时期的供应链冲击，这次的感觉比那次更系统性。

她给初创公司的具体建议：如果你现在能承担资金压力，提前买足 6-12 个月的内存库存，不要等着价格继续涨。

这不是财务保守策略，而是生死存亡策略。一个机器人设备里可能有 50-150 个零件，但只要「硅」这一个关键件断供，整个产品就停了——你需要重新设计主板、重新验证、重新供应链，直接回到起点。

洞察 4：人形机器人是营销，专用机器人才是现实

这是 Caitlin 观点里最反直觉的一条：

「中国最先进工厂的生产线上已经几乎没有人了。他们不是用人形机器人替代了人，而是用专用机器人。一台机器每天旋紧同一个螺丝一万次，你为什么要用人形来做这件事？」

她的分类逻辑：

专用机器人：固定任务、高效率、已大规模应用（PCB 生产线、汽车焊接等）
人形机器人：泛化任务、低效率、目前安全问题未解决（真正投入使用的设备使用手册还印着「禁止在 3 英尺内站人」）

人形机器人当然有存在的意义——适合「长尾」场景，处理专用机器人难以覆盖的不规则任务。但「通用人形替代一切」的叙事在她看来是被高估的。未来的机器人生态更像是一套「异形军团」：建筑机器人、电工机器人、低量装配机器人、物流机器人，长相各不相同，按任务设计。

延伸：为什么 Caitlin 从 OpenAI 离职

她在节目里解释了：

「我和 OpenAI 很多高管是好朋友，他们是很好的人。但和国防部合作的决策过程——决策速度、治理方式、公告前缺乏明确的护栏——不是我认为应该做的方式。我无法继续在那里工作，因为你不知道下次会发生什么。」

她发的那条推文获得了 700 万次浏览。她说她的本意是让这件事「被讨论」，而不是「烧桥」——既可以同时爱一家公司的人，也可以对一个决策说不。

对 PM 的行动建议

把「实体 AI」加进你的技术雷达：不必精通硬件，但 PM 至少应该了解机器人、传感器、供应链成本的基本逻辑，否则你在未来几年将对整整一批新产品品类缺乏判断力。
硬件的「最高优先级 KPI」逻辑值得借鉴：在数字产品里，我们常常因为「可以随时改」而推迟做艰难决策。硬件工程师被迫必须把关键取舍写死，然后围绕它做所有其他决策。这是一种更干净的产品哲学。
注意你的产品对「供应链单点故障」的依赖：不只是硬件，SaaS 也有这个问题——单一 AI API 供应商、单一云厂商。Caitlin 的供应链逻辑对任何「平台依赖」型产品都有参考价值。

🎙️ 本期完整播客（Apple Podcasts）：

正在加载内容卡片…