Applied Intuition 將 AI 導入採礦設備、無人機、卡車、軍艦以及在最惡劣環境中運行的實體載具。我們將深入探討其執行長與技術長如何嶄露頭角。
Qasar Younis 和 Peter Ludwig 將 Applied Intuition 從 YC 時期的自動駕駛工具公司，打造為一家價值 150 億美元的實體 AI 公司，他們在過去十年中經歷了自動駕駛的完整發展歷程：從為自駕計程車公司提供模擬和資料基礎設施，到為安全關鍵機器開發作業系統，再到將 AI 部署到汽車、卡車、採礦設備、工程車輛、農業、國防系統，以及目前在日本運行的 L4 級無人卡車。
他們將向我們解釋為何「實體 AI」不僅僅是「裝上輪子的 LLM」，為何真正的瓶頸不再是模型智慧，而是部署到受限硬體上，以及為何自動駕駛的未來可能不再是單次展示，而是像 Android 系統一樣普及於每台移動機器。
我們討論：
- Applied Intuition 的使命：為更安全、更繁榮的世界打造實體 AI，為汽車、卡車、工程和採礦設備、農業、國防及其他移動機器提供動力。
- 實體 AI 與螢幕 AI 的差異：學習系統在聊天或程式碼編寫中可能會犯錯，但自駕卡車、自動駕駛車輛和機器人等安全關鍵機器需要更高的可靠性。
- 從自動駕駛工具到廣泛的實體 AI 平台演進：從為自駕計程車公司提供模擬和資料基礎設施開始，隨後擴展到涵蓋模擬、作業系統、自動駕駛和 AI 模型等 30 多種產品。
- 工具公司為何再次流行：Qasar 談到為何開發者工具在 2016 年看似過時，為何 Applied Intuition 仍堅持投入，以及 AI 蓬勃發展如何讓工作流程和工具再次成為核心。
- Applied Intuition 技術的三大核心支柱：模擬與強化學習基礎設施、真正的車輛和機器作業系統，以及用於自動駕駛和世界理解的基礎 AI 模型。
- 車輛為何需要真正的 AI 作業系統：即時控制、感測器串流、延遲、記憶體管理、故障安全機制、可靠的更新，以及為何「讓汽車變磚」比讓 iPad 變磚嚴重得多。
- 實體機器如同「Android 和 iOS 出現前的電話」：Peter 解釋為何當今車輛和機器的軟體堆疊分散於多個作業系統，以及 Applied Intuition 為何希望整合平台層。
- Applied Intuition 內部的程式碼代理：Cursor、Claude Code、內部採用排行榜，以及 AI 工具如何改變嵌入式系統和安全關鍵軟體中的工程工作流程。
- 實體 AI 的驗證與確認：為何模型改進會使評估變得更困難，端到端自動駕駛如何改變模擬要求，以及為何神經模擬必須足夠快速且便宜，才能使強化學習變得實用。
- 從確定性測試到統計安全性：為何自動駕駛驗證正從二元合格/不合格要求轉向「多少個九」的可靠性以及平均故障間隔時間。
- Cruise、Waymo 與公眾信任：Qasar 和 Peter 討論為何自動駕駛故障不僅是技術問題，公司如何與監管機構互動，以及為何 Waymo 為業界樹立了高標準。
- 模擬與現實：為何沒有模擬器能完美代表現實世界，模擬到現實的驗證如何運作，以及為何實際世界測試永遠不會消失。
- 實體 AI 的世界模型：水漂、工程設備、視覺線索、因果學習，以及世界模型何時有幫助、何時不足。
- 車載 AI 與離線 AI：為何資料中心模型可以龐大且緩慢，但車載模型需要毫秒級延遲、低功耗、小尺寸以及類似蒸餾的效率。
- 為何實體 AI 不僅受限於模型智慧：困難之處在於將模型部署到實際硬體上，並滿足安全性、延遲、功耗、成本和可靠性等限制。
- 傳統自動駕駛與智慧自動駕駛：採礦和農業中的 RTK GPS，為何手動編碼的路徑追蹤數十年來一直有效，以及為何現代系統需要感知和動態智慧。
- 實體系統的規劃模式：規劃模式如何應用於自駕計程車、採礦、國防以及行動會改變世界狀態的多步驟實體任務。
- 為何機器人展示並非生產就緒：脆弱的最後 1%、人形機器人的可靠性、DARPA Grand Challenge 式的獎勵政策，以及研究與部署之間的高階工程差距。
- Applied Intuition 的寶貴經驗：Peter 表示，經過近十年，他們現在可以透過機器人展示預測公司將遇到的接下來 20 個問題。
- Qasar 給創辦人的建議：限制商業問題、避免過早複製成熟公司的策略，記住複合式技術只有在你存活夠久才能看到其複合效應。
- 為何 2014 年的 YC 建議可能不適用於 2026 年：資本市場、AI 公司動態，以及在擁有深厚人脈的情況下秘密創業與今日新創辦人創業的差異。
- Applied 正在招募的職位：作業系統、自動駕駛、開發工具、模型效能、評估、安全關鍵系統、軟硬體介面，以及對事物運作原理充滿好奇心的工程師。
