硬件创业的“软件化”愿景与数据瓶颈
视频开场，主持人介绍了两位嘉宾：Diode Computers CEO Davide Asnaghi 和 Unlimited Industries CEO Alex Modon。他们分别代表了物理AI在微观（电子电路）与宏观（基础设施建筑）两个尺度的应用。主持人指出，虽然人形机器人等具身智能尚需时日，但AI正在跨越鸿沟，开始处理“移动原子”的实际物理世界用例。Davide 提出了一个极具前瞻性的愿景：希望像启动B2B SaaS公司一样轻松地创立硬件公司，让开发者能直接从事被视为“极难”的硬件设计工作。为了实现这一目标，Diode 构建了一种编译器技术，通过给予模型足够的提示（hints），使其感觉像是在编写 Python 程序而非设计电路板。这种“以模型为主导”的方法结合 Agent 代码生成能力，旨在将硬件设计流程标准化为代码。
然而，Davide 也指出了当前最大的障碍：数据匮乏。他认为，如果社会不能生成足够的高质量数据集来训练模型，电路板的完全自动化就无法实现。确保系统设计为全自主且无需人工介入（human in the loop），是架构设计的核心驱动力。这种对数据自主性的强调，构成了硬件AI化的底层逻辑。
宏观基建：从设计端到施工端的全面自动化路径
Alex Modon 提出了一个大胆预测：10年内所有建筑施工将实现完全自动化。他首先拆解了传统大型基建项目（如电厂或医院）的流程：从开发商拿地到最终交付，前期设计阶段往往耗时一年至一年半。这一过程涉及数百名机械、电气、土木工程师以及项目经理的协作，最终产出一套名为 IFC（Issued for Construction）的施工交付包。
Alex 认为，AI 自动化在短期内最可行的切入点正是这一设计环节。用户只需输入场地信息和建设需求，AI 将在瞬间探索数万种设计方案，并生成全局优化的 IFC 包。关于优化目标，Alex 强调不应仅局限于 CapEx（资本支出），更应关注项目的总拥有成本（Total Cost of Ownership, TCO）。这意味着设计不仅要考虑建设成本，还要优化设施的可建造性、运营及维护便利性。这种参数化、灵活的设计方式，类似于软件工程中的优化逻辑。至于施工端的自动化（如自主挖掘机、人形机器人和无人机），Alex 认为这是未来十年的必然趋势，前提是激励机制得到正确对齐。
微观电子：电路设计自动化的加速演进与制造闭环
相比之下，Davide Asnaghi 对硬件自动化 timelines 的预测更为激进且谨慎。他特别聚焦于电路板的设计与组装。Davide 指出，随着 Anthropic 等模型能力的跃升，设计能力在公开可用模型间的提升幅度惊人。他原本预计需要 5 年，但现在认为2年内特定类型的电子设计将实现完全自动化。他 caveat（补充说明）称，并非所有电子设备都适用这一时间表，但特定子集将在两年内完成设计自动化。值得注意的是，Diode 的模式不仅限于设计，还涵盖了制造环节。Davide 提到 Alex 关于“压缩力度”的观点，暗示了从设计到制造的端到端整合是硬件AI化的关键特征。这种“一切皆代码”的理念，使得通过 Agent 编写电路设计成为可能，从而大幅缩短硬件迭代周期。
Davide 强调，这种自动化不仅仅是软件层面的模拟，而是直接关联到物理制造。通过将设计数据无缝转化为制造指令，Diode 试图消除传统硬件开发中设计与生产之间的割裂。这种微观层面的自动化加速，与宏观基建的设计优化形成呼应：两者都依赖于将复杂的物理约束转化为可优化的参数空间，并利用AI进行大规模搜索和决策。Davide 的自信源于模型能力的指数级增长，他认为硬件设计的复杂性正在被“软件化”的手段迅速解构。
制造业的“80/20”自动化困境与数据中心的产能瓶颈
在电子制造领域，表面贴装技术（SMT）已经实现了高度自动化：机器人将组件放置在电路板上并经过烘烤即可完成大部分工作。然而，行业长期存在一个80/20的自动化与人工劳动比例失衡问题。那难以自动化的20%通常涉及特殊组件，例如需要不同焊接工艺的大型变压器、贴合PCB板的异形元件，以及将电路板组装进外壳的过程。这些环节目前主要依赖人力。
“Foxconn for Apple or like Pegatron they have solved that problem with labor... but you're not going to double the production capacity for data centers in the US by just relying on labor alone.”
这种对人工的依赖构成了巨大的扩张瓶颈。对于数据中心建设而言，单纯依靠人力无法实现将上线周期从四年缩短至两年的目标。此外，若不能重新设计电路板以适配制造流程并实现规模化生产，就无法在既定时间线内完成部署。因此，Valyoo等公司关注的核心并非完全用AI取代设计工作，而是利用AI自动化生成具备极高可制造性的输出结果。只要设计阶段受到约束，当前的机器人技术即可实现100%的自动化生产，无需等待硬件本身的进一步迭代。
软件工程师向电气工程师的能力跃迁与Agent化
Davide提出了一项激进的目标：将每一位软件工程师转化为电气工程师。这一主张基于一个观察：AI工具（如Cloud Code）已经证明了智能体能够利用代码的结构化特性，执行非传统的任务。这意味着我们不仅要让现有的软件工程师具备硬件设计能力，更要适应一个能够生成代码的主体数量爆炸式增长的新现实。这个主体集合不仅包括熟练的软件工程师，还包含了大量的AI智能体（Agents）。
“Really what you want to do is give anything that has the ability to generate code the same ability to generate hardware.”
这一转变涵盖了两个层面：一是帮助资深工程师在PCB上构建复杂的“大教堂式”设计；二是通过允许智能体使用代码直接生成电路板，实现小型设计的完全自动化。尽管当前的设计复杂度有限，但通过外推这种能力的发展轨迹，预计在未来一两年内即可达到预期的自动化水平。这标志着硬件设计正从依赖少数专家转向由具备代码生成能力的各类主体共同驱动的新范式。
传统行业的激励错配与技术采纳阻力
与软件行业不同，制造和建筑等传统领域拥有根深蒂固的工作方式和工具链。软件工程师通常对新技术充满好奇并频繁采用新框架，而传统行业则表现出极强的技术采纳惰性。这种差异的根源在于资本设定的激励机制。在传统项目中，资金方追求的是固定的回报率（Set rate of return），而非捕捉技术带来的上行收益。
“I have no ability to take that going to zero, and I don't even care about capturing the upside. So all those kind of incentives force the adoption of new technology down.”
这种风险厌恶导致项目必须经过严格的阶段门控流程以消除不确定性，使得任何新技术的引入都缺乏动力。因为对于采用者而言，没有上行收益意味着没有人能从创新中真正获益。这种环境类似于早期的国防工业体系：预算方只要求按既定方案执行，而不鼓励颠覆性创新。因此，改变整个行业的工作方式不仅需要技术突破，更需要解决深层的激励结构问题，否则新技术难以在底层项目中落地。
行业痛点与垂直整合的必要性
传统硬件工程行业长期存在严重的技术滞后问题，许多企业的办公环境和技术栈仍停留在20世纪90年代末的水平。这种基础设施的落后与断裂使得单纯提供局部软件工具难以推动行业变革，因为强迫现有从业者改变工作习惯的成本极高。因此，Diode公司选择了深度垂直整合（Vertical Integration）的战略路径。创始人指出，初创企业必须拥有足够大的业务板块，才能为行业提供一个干净、无缝的接口（clean interface）。如果只试图切入某个小环节并强迫用户适应新技术，往往难以成功。
"It's just wrong. It's just like broken... you'd feel like you're stuck in the late '90s."
这种策略要求公司拥有足够大的部分（owning a big enough portion），以便以初创公司的规模合理运作。通过逐步从垂直整合的角度获取更多控制权，公司才能赢得持续扩展的资格。这种端到端（end-to-end）的控制力不仅解决了技术兼容性问题，还确保了最终交付的产品在速度和成本上具有显著优势。对于Fortune 100级企业客户而言，他们并不关心具体的软件实现细节，只关注能否以更快、更便宜（faster and cheaper）的方式获得符合规格的物理产品。
团队构建：领域专家优于纯软件工程师
在组建能够推动AI与硬件融合的团队时，Diode采取了反直觉的人才策略。大多数团队成员并非传统的软件工程师，而是拥有机械、电气、土木等多学科背景（multi-disciplinary）的专家。公司认为，在当前的技术环境下，教导多学科人员掌握最新的AI工具远比让纯软件工程师理解复杂的硬件领域知识要容易得多。这种人才结构使得公司能够将AI视为构建产品的核心原语（core primitive），从而更顺畅地将领域专家引入到AI驱动的工作流中。
"It has been much easier to teach a multi-disciplinary person the latest and greatest AI tools... than uh the other way around."
尽管电气工程师常被认为固执己见（opinionated），但Diode发现许多来自石油、能源及前沿火箭车辆项目的工程师极具创新精神。他们习惯于站在产品技术的前沿，愿意接受新的工作方式。这种领域专业知识与AI能力的结合是公司的核心竞争力。通过提供合理的激励机制，公司成功吸引了那些渴望突破传统硬件设计瓶颈的顶尖人才。这种团队构成确保了公司在处理复杂物理AI问题时，既有深厚的工程底蕴，又能灵活应用前沿的算法工具。
战略定位：构建模型基础设施而非CAD软件
Diode在2020年起步时面临一个关键战略抉择：是开发传统的CAD软件，还是构建让AI模型能够自主执行硬件设计的基础设施。鉴于传统CAD行业极高的转换成本和复杂性，公司选择了后者。其核心理念是：如果相信AI模型最终能自主完成任务，那么应该构建支撑这些模型运行的底层架构。因此，Diode不向客户推销软件许可证，而是提供最终物理产品。这种模式要求公司具备更广阔的市场视野和更强的执行能力。
"You want to build the infrastructure for the models... You don't want to convince people to buy your software. You want to convince people to buy the end product."
为了降低采用门槛并建立生态，Diode将其核心编译器工具链开源（open source）。任何电气工程师都可以获取并改进这些设计原语，但生成的工件必须在Diode的生态系统中才能进行制造。这种策略旨在拥有基础设施而非设计原语本身。目前，公司处于内部工具的封闭测试阶段（closed beta），收集用户反馈以优化流程。通过开源核心工具，Diode希望吸引社区贡献者共同完善设计原语，这些原语将对人类工程师和AI代理都具有巨大价值。
效率提升与渐进式自动化
尽管目标是完全由AI驱动，但目前的现实是AI尚未达到100%的成熟度。Diode目前的工具使电路板构建效率提升了90%，但仍需人工处理剩余的10%工作。客户目前支付的正是这种混合服务模式的费用。公司采取的策略是在产品完全自动化之前，先通过定义性的赌注（defining bets）确立市场地位。这种渐进式的方法允许公司在技术不完美时仍能创造价值。
"We are 90% more efficient at building boards than we were in a world without our tools."
与传统硬件设计过程的黑盒性质不同，Diode提供了实时内省（introspection）能力。客户可以像软件工程师在GitHub上查看代码流一样，实时看到电路板的设计过程。这种透明度极大地增强了客户信任，并解决了硬件工程中缺乏即时反馈循环（real-time feedback loop）的痛点。通过这种端到端的透明化和自动化结合，Diode不仅提高了效率，还重新定义了硬件开发的协作模式。未来，随着AI能力的提升，剩余的人工干预部分将逐步被消除，最终实现完全自动化的硬件生产。
缩短工期即提升财务回报率
在物理世界的 AI 应用中，核心价值并非单纯降低工程成本，因为工程费用在整个项目总成本中占比极小。真正的价值主张在于通过 AI 压缩时间，从而显著提升项目的内部收益率（IRR）。对于项目融资而言，“时间是金钱”不仅是口号，更是财务模型的核心变量。如果一个项目的建设周期从五年缩短至四年，即便总成本不变，其财务可行性（Financeability）也会发生质的飞跃。因此，AI 的介入点在于将原本漫长的设计周期压缩数月，这种进度上的提前直接转化为资本层面的收益。正如对话中所强调的：“价值主张不在于工程视角下的成本降低……而是如果你能将进度提前 3 个月或 6 个月，这实际上会对财务可行性产生实质性影响。”
电子制造：以代码为跳板的“作弊”策略
在解决物理约束数据匮乏的问题上，电子硬件领域采取了一种独特的“代码优先”策略。由于传统电路设计缺乏大规模数字化数据，且电气工程师普遍排斥编写代码，该公司通过构建一个编译器，将电路设计问题重构为Python 编程任务。这种方法利用了大模型在代码生成上的天然优势，让 AI 以编写软件的方式处理硬件设计。虽然这并非真正的物理模拟，但它成功绕开了原理图数据稀缺的瓶颈。> “我们作弊了……我们将程序重构为有大量训练数据的领域，那就是代码。”这种策略的核心在于将物理问题转化为模型擅长处理的逻辑问题，通过建立经过验证的代码块库作为训练数据，形成复利效应。随着平台吸引免费设计者使用并承诺在美国本土以具有竞争力的成本进行制造，高质量的设计数据将源源不断地回流，从而推动模型精度的指数级增长。
建筑工程：本体论模型与参数化迭代
相比之下，建筑行业面临的是“每项目皆独特（n of one）”的困境，缺乏标准化的数据积累。因此，该领域采用模型驱动（Model-led）的方法论，核心是构建一个复杂的本体论模型（Ontological Model），用以表征系统中的各种关系。在这个框架下，AI 智能体生成的代码必须符合预设的确定性工具和环境约束。每一次设计的微调都被视为变量的更新，而非从头开始。这种架构解决了传统工程中“牵一发而动全身”的灾难性后果——在传统模式下，项目中期变更设计往往意味着推倒重来；而在参数化模型中，所有关联关系被动态更新。> “如果你在项目中期想改变某些东西……那就相当于重新开始，这是一场噩梦。”而在新的模型驱动范式中，系统具备高度的弹性和迭代能力，使得设计过程既优化又灵活。这种将一切视为代码和计算机变量的思路，是解决物理世界复杂系统建模的关键路径。
仿真在AI训练中的定位：从设计核心到验证工具
当前，物理模拟软件（如用于流体动力学、电子运动或结构抗震的仿真工具）在工程设计中已存在数十年，主要用于计算设计所需的数值。然而，对于物理AI而言，仿真的角色正在发生根本性转变。仿真不应是推理时的主要工具，而应成为训练阶段的辅助手段。这是因为仿真过程本身计算量大、速度较慢，尽管可以通过并行内核加速，但其本质属性决定了它不适合在实时推理中频繁调用。相反，AI模型的目标是通过大量数据训练出类似人类工程师的“直觉”或“品味”，从而在推理时快速生成有效设计。这种转变旨在让模型学会如何高效使用仿真工具进行优化，而不是依赖仿真来直接生成最终结果。
"Simulation is fundamentally something that we hope to use at training time rather than at inference time."
这种策略的核心在于利用仿真为模型提供物理现实的“锚点”或基准。在训练过程中，通过让AI探索广阔的参数空间并寻求优化目标，模型可以逐步建立起对物理规律的深刻理解。虽然仿真软件是必要的工具，但人类工程师通常并不完全依赖纯仿真进行设计，而是依靠内部直觉，仅将仿真作为最后一步的验证手段。因此，AI的最终目标也是复制这一过程：在95%的情况下，依靠训练出的直觉快速产出产品，仅在必要时才动用高成本的仿真验证。
人类工程师的局限与AI直觉的优势
在实际工程实践中，即使是顶尖的人类电气工程师也面临仿真结果的信任危机。许多资深工程师花费数周时间进行复杂模拟，但仍不确信结果，直到将设计实际制造并装入外壳中。这是因为物理环境（如电磁特性）在真实封装后会发生显著变化，导致纯数字仿真无法完全预测最终性能。这种“建好才信”的现象揭示了当前依赖仿真的局限性，即仿真往往无法捕捉所有复杂的物理交互细节。
相比之下，AI模型若能通过足够的数据训练出“品味”，就能在绝大多数情况下绕过繁琐的仿真循环。快速获得产品并接近实际硬件性能是主要目标，因为手动调整和优化往往难以超越经过充分训练的系统。因此，减少训练时间成为关键任务。通过让AI在训练中不断试错并学习物理约束，模型可以发展出一种无需每次推理都运行完整仿真的能力。这种“训练时仿真，推理直觉化”的模式，旨在解决传统设计中验证周期长、成本高的问题，使AI能够像经验丰富的工程师一样，凭直觉做出正确的设计决策。
数据瓶颈与算法突破的哲学分歧
关于如何填补剩余10%的设计自动化缺口，团队内部存在两种截然不同的观点。一方认为现有的技术积木已经足够，最大的障碍是数据匮乏。具体而言，电路板的详细设计数据通常被苹果、Meta或SpaceX等巨头垄断且不愿开源。虽然单个公司的数据量不足，但社会层面若能实现大规模的数据共享或合成足够多的训练数据，模型性能将显著提升。这种观点认为，只要数据量达到临界点，现有架构即可实现突破；若出现新的高效架构则是锦上添花。
另一方观点（由其联合创始人Lenny代表）则强调算法范式的根本性突破。该派系认为，许多物理设计问题非常适合采用类似蒙特卡洛树搜索（Monte Carlo Tree Search）的强化学习风格。在这种框架下，问题可以被构建为两个玩家相互博弈的形式，通过递归式的自我对抗和改进，系统能够自动提升性能。这种观点暗示，仅靠增加数据量可能不够，需要更先进的算法结构来理解物理世界的深层逻辑。尽管目前倾向于数据驱动的观点，但对底层AI研究突破的探索仍是解决最后10%难题的关键潜在路径。
端到端自动化的架构赌注与数据瓶颈
在探讨物理AI的未来时，核心争议在于是否必须依赖“人在回路”（human in the loop）来处理不可控变量。尽管外界认为物理环境充满风等难以建模的干扰，导致系统具有渗透性，但Aaron主张彻底摒弃人在回路的设计范式。他认为，虽然当前数据稀疏度极高，甚至无法像纯软件领域那样通过数量级增长来突破瓶颈，但物理世界存在大量的行业标准。这些标准使得系统可以通过引入更多数据点和更细微的信息来持续优化。Aaron明确表示，他们押注于模型能力的提升，并将系统设计为完全自主运行，即使这意味着如果模型未能突破，可能需要回到设计原点。这种架构选择旨在确保系统能够利用未来的技术红利，而不是被当前的局限性所束缚。
人形机器人的规模效应与定制化博弈
关于人形机器人（Humanoids）是否被高估，Aaron持乐观态度。他认为，尽管专用机器人（如专门搬运木材或混凝土的机器）在特定任务上可能更高效，但人形机器人的核心优势在于规模化制造带来的成本下降和学习率提升。通过集中化设计和大规模生产，人形机器人能够以极低的边际成本覆盖极其广泛的应用场景。Aaron指出，形式因子（form factor）的相关性在于其巨大的适用范围。他类比大型设施工程中的体积与表面积缩放定律，说明虽然定制化在某些极端场景下必要，但标准化的人形设计在宏观上具有更高的经济效率。这种策略旨在通过通用性来抵消专用机器人在细微任务上的优势，从而推动整体自动化水平的跃升。
电子制造中的自动化痛点与VLA潜力
Davide从PCB（印刷电路板）制造的视角出发，认为电子组装领域已经高度自动化，当前的挑战在于填补剩余20%的复杂工作空白。他并不执着于人形或专用机器人的形态之争，而是看好视觉-语言-动作模型（VLA）在提升机械臂感知能力上的潜力。Davide举了一个具体的成本优化案例：对于焊接大型组件，传统做法是人工操作或启动巨大的波峰回流焊炉。然而，由于加热锡池的能源成本极高，且小批量生产不值得开启大型设备，工厂往往选择人工。Davide认为，利用具备实时计算机视觉和更强组件辨别能力的机械臂来自动化这一环节是极具价值的优化方向。相比之下，他认为知识工作的自动化对经济的影响更为深远和巨大。
机器人替代危险作业与执行器技术布局
在物理AI的愿景中，核心驱动力之一是将人类从危险、恶劣的工作环境中解放出来。无论是采矿还是其他高危行业，让机器而非人类承担风险是必然趋势。投资界正积极布局这一领域，特别是针对特定形态的机器人技术。例如，在执行器（Actuators）和电机控制方面存在大量知识产权机会，有从业者通过与西方磁性材料公司合作构建高性能电机，试图成为这一硬件基础设施的一部分。虽然不一定会押注某一种特定的机器人形态因子（Form Factor），但通用型或专用型如拾放机器人都被视为机器人技术的重要分支。这种投资策略旨在通过支持多样化的硬件创新，来捕捉物理世界自动化的巨大红利。
隐性知识（Tacit Knowledge）的编码困境与工匠短缺危机
制造业和工程领域存在大量难以量化的隐性知识（Tacit Knowledge），即通过长期实践形成的直觉和经验法则。这种知识在电工、土木工程师等熟练工种中尤为珍贵，但随着老龄化劳动力退休，这种经验正面临断层风险。尽管边际成本趋零时可以通过第一性原理解决问题，但在实际操作中，工匠的隐性知识是通往正确答案的快速捷径。当前面临严峻的人才短缺问题，例如在德克萨斯州，电工的平均薪资甚至高于硅谷的软件工程师。微软前CTO曾透露一个惊人案例：在建造大型数据中心时，微软一度雇佣了佐治亚州三分之一的电工。由于熟练技工严重不足，行业被迫转向模块化制造以规避对集中劳动力的依赖。
设计制造一体化（DFM）的文化断层与AI破局思路
中美制造业之间存在巨大的文化脱节。在美国，设计往往在象牙塔中完成并外包制造，导致设计师缺乏对生产痛点的感知；而在中国，设计者与制造者往往紧密相连甚至就是同一人。这种“ visceral connection”（直观联系）促使设计师主动优化设计以利于生产。例如，一位中国工程师拒绝使用双面PCB板，尽管这会增加设计时间，但能避免SMT生产线上的两次过炉，从而降低整体成本和等待时间。这种为制造而设计（DFM）的意识难以通过简单招聘或返聘退休专家来弥补。因此，解决方案在于利用AI技术教导设计者（无论是人类还是算法）生成易于制造的设计。通过让模型执行数百项DFM检查并自动调整参数，可以重建这种缺失的制造直觉，从而在大规模生产时代弥补因经济原因而蒸发掉的本土制造能力。
物理AI的二次效应：降低硬件创业门槛与激发工程热情
对话的核心在于探讨将人工智能应用于物理世界所产生的“二次效应”。对于硬件创业者而言，当前的痛点在于启动硬件公司的难度远高于软件领域。受访者形象地比喻道：“我希望能够像我的朋友组建B2B SaaS公司那样，轻松启动一家硬件公司。” 他渴望一种状态：当人们想要从事被认为极其困难的任务时，能够直接行动并立即获得结果。这种愿景的核心在于消除物理世界与数字世界之间的体验落差，让复杂的制造过程变得像编写代码一样直观和便捷。
目前的人工智能在数字领域取得了突破性进展，但在物理交付方面仍存在巨大短板。“就像治愈癌症一样发生在人工智能领域的成就……它非常神奇，但它在实际交付物理产品方面表现糟糕。” 受访者指出，虽然AI在特定能力上表现出色（如三年前的Cloud Code被视为魔法），但我们需要为物理设计带来与软件相同的阶梯式改进。只有当美国工程师和青少年能够轻松制造电路板、甚至发射立方星（CubeSat）并立即获得次日制造的板材时，他们才会对构建物理事物重燃热情。这种二次效应的关键在于教会模型在现实世界中执行具体任务，从而激发新一代工程师对实体建设的兴趣。
重建美国大型工业项目的构建能力与生产力危机
另一位受访者从宏观视角分析了当前面临的严峻挑战，指出美国在大型工业项目的构建能力正在系统性衰退。通过观察过去50年的任何一项建设指标，包括劳动生产率（labor productivity）或经调整的资本支出数据（adjusted CapEx numbers），趋势都是“越来越差”。这与软件行业截然不同，在软件开发中，“默认情况下一切都在进步”，存在持续的正向发展曲线。然而，在物理建设领域，这种线性增长并不成立。“如果我把这条线延伸下去……我们最终会失去如何构建宏大雄心勃勃项目的肌肉记忆。” 这种能力的丧失被视为一种令人担忧的长期风险，可能导致社会整体失去解决复杂基础设施问题的能力。
为了解决这一危机，必须从根本上重构项目构建的生命周期。受访者的目标是“将这种项目建设生命周期的某个方面提高一个数量级（an order of magnitude）”，从而彻底重写整个流程。这不仅涉及单一环节的效率提升，而是从激励机制出发，实现“绝对一个数量级或几个数量级的项目视角改进”。这一变革涵盖了从赢得AI竞赛所需的能源供应、数据中心建设，到重新工业化所需的高级制造业以及关键矿产的获取。整个物理世界的基础骨架——即我们周围所有事物的运作方式——正面临效率低下的问题，而通过AI驱动的物理改进是扭转这一趋势的唯一途径。“我们正变得越来越不擅长构建这些事物，这是一件非常令人担忧的事情。”
结论
物理AI的核心价值在于通过“软件化”重构硬件与基建流程，以时间压缩驱动财务回报提升。Diode Computers通过“代码优先”策略绕过数据瓶颈，实现电路设计90%效率提升及端到端制造闭环；Unlimited Industries则利用参数化模型优化基建TCO，预测十年内施工全面自动化。尽管面临传统行业激励错配、隐性知识断层及仿真推理效率等挑战，但将复杂物理约束转化为可优化参数空间、构建垂直整合基础设施及培养跨学科团队，被证明是突破当前生产力停滞的关键路径。