a16z深度对话Diode与Unlimited Industries创始人，探讨AI在微观电路设计与宏观基建自动化中的落地路径
我想能够像朋友们启动B2B SaaS公司那样，轻松组建一家硬件公司。也就是说，你应该可以说：“我想做一件被认为非常困难的事”，然后直接去执行。我们基本上构建了一个编译器，它为模型提供了足够的提示，使其感觉像是在编写Python程序，而不是在设计电路板。这基本上是一种以模型为主导的方法的组合……
这种以模型为主导的方法允许你使用这些智能体来编写代码，这正是它们擅长的事情。将其纳入轨道。嗯哼。一切皆代码。>> 最后剩下的前沿领域是，我们没有足够的数据。数据就像是我们作为一个社会需要生成的东西，如果我们希望电路板能够由AI实现自动化。确保你设计的系统实际上是完全自主的……
并且不让人类参与循环中。我认为，至少对我们来说，这似乎驱动了一种非常不同的架构。我们很高兴今天能与Davide Asnaghi和Alex Modon在一起。Um，Davide是Diode Computers的首席执行官，他们利用AI来设计和制造定制电路板……
比以往更快、更好，而且比在美国历史上任何时期都要快。Um，Alex是Unlimited Industries的首席执行官……
这是一家AI原生公司，垂直整合了大型基础设施项目的设计、工程、采购和施工。Um，所以我们今天在这里讨论物理世界AI……
当我这样说时，我想很多人可能会想到像人形机器人和机器人基础模型这样的东西，但是Um……
嗯，我想拿着你洗衣物的机器人在家做家务的人形机器人还有几年才到Um……
或者如果你非常乐观的话，也许只有几个月。Uh，AI已经开始跨越这一鸿沟，出现了一些移动原子的用例Um。所以这些公司正在两个非常不同的规模上从事物理世界AI的工作，从微观到宏观Um……
我很兴奋能得到你们的观点，关于我们目前所处的位置以及未来的前景。Um，所以Alex、Davide，欢迎参加节目。Yeah……
很高兴来到这里。谢谢。Same >> 也许让Alex先开始Um，你说在10年内所有建筑都将被完全自动化……
这听起来像是一个相当大胆的主张。Um，非常雄心勃勃，但这实际上意味着什么？需要付出什么样的努力才能达到这一目标？Yeah，我认为……
也许有助于对建筑项目看起来像什么进行基准设定。它始于一个拥有空地的开发商，他想在那里做一个大型的项目Um。然后取决于项目的大小……
如果你要建造发电厂或医院或某些大型设施，你将花费几乎一年甚至一年半的时间仅仅为此做设计。有成百上千的工程师参与其中Um……
有许多不同的项目经理参与其中，这是机械和工艺工程师、电气工程师以及土木和结构人员的协调工作……
所有人都在共同努力完成施工前包，这实际上是一套巨大的指令集Um……
然后你可以将其交给总承包商或某些建筑商，他们将订购那里的东西并实际建造设施Um。那第一部分……
那就是我们今天看到的端到端自动化的视线范围。你知道，我们通常称之为最终输出的IFC包……
即发布施工包Um。在那里你将输入一个场地、关于你要建造的什么东西的各种不同要求……
以及你想规定的任何有关如何建造它的东西。AI将探索数以万计的不同排列组合……
关于如何在点击按钮的情况下最优地完成该设施的设计。然后你从那里得到的是一个全球优化的IFC包……
即发布施工集。>> 针对什么进行优化？Um，这取决于优化函数是什么。所以思考这一点最简单的方式可能是像CapEx……
即资本支出，比如这东西要花多少钱。但一种更好的思考方式Um……
是项目的总拥有成本。所以如果你真的关心设施的运营和维护，设施本身的建造难度如何Um……
我认为我们在当今行业中看到的大多数事情是它是由许多不同的细分市场和切片组成的人，他们都优化非常不同的东西Um。所以能够以相同的方式接近设计这些巨型事物……
就像从软件角度来看那样，这是一种非常参数化的、最终极其灵活的方法Um……
你可以采取这种方法来优化任何主要指标。Um，所以我想这就是你知道的第一部分是如何实现端到端自动化……
这是我们目前正在工作的并且拥有产品来做的事情。第二部分看起来像一堆机器人技术Um……
它包括从自主土方车开始，这在短期内感觉更可行，到现场充满了成吨的人形机器人和无人机以及所有种类的自主机器人Um。所以Yeah……
我们非常认为未来是像Uh，你知道注定要在接下来十年内发生Um。其中很大一部分是关于如果激励措施……
正确对齐的话，我很乐意稍后更多地讨论这一点。Yeah，我很想谈论那个Um。Davide，Uh……
自动化硬件和特别是电子设备的等效时间表是什么样的呢？因为那是你关注的领域Um。设计，包括设计和制造Um……
所以也许为我们描绘一下这对你来说看起来像什么。So，我必须小心Um……
因为我的时间表越来越短Uh。我认为我需要保持在合理的一侧。我会说听到Alex描述应用于建筑业的AI真的很有趣……
因为我可以画出非常直接的平行关系到硬件。并且对于像这样的讨论，我想坚持专门针对电路板……
这既包括设计也包括电路板的组装Um。我相当有信心，比如我们与Anthropic做了很多工作……
我们看到的每个模型之间设计能力的飞跃Um，像这里公开可用的模型一样，是狂野的。我们认为这需要5年Uh……
我认为我可能可以说2年Um。在那里我认为这里的警告是存在非常不同类型的电子设计以及像……
对它们做出笼统的陈述我认为是不合适的，但我确实认为存在一个子集我真的很关心……
并且我将像进入细节一样解释为什么我认为将在两年内完全自动化Um，就设计而言Uh。并且另一个像原因……
它是有趣的它就像对我们来说不仅仅是设计也是制造和Alex说好的
就像我们有一个非常高的优化函数，基本上决定了计划的样子。然后制造环节会有大量的机器人技术——电子行业其实已经使用机器人多年了。最大的问题在于，在自动化与人工劳动之间存在一个80/20的分布：即80%的工作可以自动化，但剩下的20%很难处理。目前在美国，没有人真正弥合了这一差距。
那么我们在Valyoo正在研究什么呢？你提到的80/20具体是什么意思呢？通常来说，有一种工艺叫表面贴装技术（SMT），这意味着有一个机器人会将每一个元件放置在电路板上，然后送入烤箱固化，这样就完成了。但那20%最难自动化的部分在于：有些元件无法完美契合那种标准化的模具流程。
比如，可能是一个非常大的变压器，需要用不同的工艺进行焊接；或者是某种紧贴PCB板的元件。甚至将电路板本身组装到外壳中，通常也不是完全自动化的。像富士康（为苹果代工）或和硕这样的公司确实通过大量劳动力解决了这个问题，这在某些细分领域和地区是合理的。
但你不能仅仅依靠人力来翻倍美国数据中心的产能，也无法将建设数据中心的时间从四年缩短到两年。除非你能重新设计电路板以利于制造、在规定的时间内大规模生产，否则这些目标都无法实现。
因此，我们真正看好的并不是AI完全取代设计工作，而是让AI能够自动化那些能产生“高可制造性”输出的设计方案。我们还有很多关于如何改进生产线机器人的宏大构想，但核心目标是：如果设计受到约束（即可制造性优化），今天就可以实现100%的自动化生产。
我甚至不需要等待机器人技术变得更先进，因为机器人已经存在了。有趣的是，考虑到数据中心设计所需的复杂优化、规格要求以及适应特定场地 footprint 的需求，它 surprisingly similar（惊人地相似）于需要容纳多种不同元件并满足各种规格的小型电路板设计。
Davide，你曾说你的目标是将每一位软件工程师转变为电气工程师。为什么？怎么做？我想修正一下这个说法。我认为软件工程具有极好的特性，而且我们在Cloud Code等工具中已经直观地观察到这一点：智能体能够利用代码的结构化特性，去做一些完全不像“写代码”的事情。
所以我最初的观点是：我们需要让美国现有的软件工程师群体能够做更多的事情，比如也能成为电气工程师。但现在的情况是，能生产软件的总人数（包括智能体）正在爆炸式增长。因此，真正要做的是：赋予任何具备生成代码能力的实体（无论是人还是AI）以同样的硬件生成能力。
这将包括那些技艺高超的软件工程师，他们能在PCB上构建像大教堂一样精美的电路（就像我们很多员工那样，我非常欣赏他们）。但也将包括大量由智能体通过代码自动构建电路板的小型设计。目前这些设计的复杂度有限，但我们可以推导出趋势，预计一两年内就能达到我们想要的水平。
这引出了你所在行业的另一个共同点：你们都在从事那些拥有根深蒂固的专业知识、工作方式和工具习惯的传统行业。这与软件工程截然不同，后者即使在没有AI之前，软件工程师也天生对技术好奇，习惯于每隔几年就采用全新的框架。
那么，你是如何改变整个行业的工作方式的？你需要垂直整合并自己掌控多少环节，又该如何引导人们共同前行？我们的观点是：你必须赢得他们的信任。这是一个非常传统的行业，激励机制至关重要。
是的，很难找到比建筑行业更传统的行业了。制造业虽然也传统，但感觉在技术接受度上领先建筑业好几个量级。这背后的原因很大程度上是激励机制的问题：资本源头决定了整个项目链条的激励结构。
以前我们不一定总是这样操作，但现在的基本流程是：一个想要建设的项目必须经过严格的阶段审查过程以消除风险，从而获得融资。最终形成的项目特征与风投截然不同：投资者只想要固定的回报率，无法承受归零的风险，也不在乎捕捉超额收益。
这种激励结构迫使新技术的采用向下渗透。当涉及到可能引入新技术的环节时，由于没有上行收益（upside），人们完全没有动力去尝试。在这种环境下没人能赢。这看起来很像安德鲁·威尔（Andrew Wilson）创立Anduril之前的国防工业：有人有预算，我就付钱给你……
向政府方面也是如此。是的，我的意思是，这就像是在说“嘿”，这种情况完全是错误的，简直是一团糟。然而，这种改变一直未能渗透到这个行业之中。结果就是，当你走进其中一家公司时，看着人们的电脑屏幕，你会感觉自己仿佛被困在了上世纪90年代末。你心里会想：“这里到底在搞什么鬼？”因此，对我们而言，垂直整合意味着我们必须掌握足够的环节，以便能够向行业提供一个干净的接口，而不是试图只截取其中一小部分，然后强迫人们去改变并采用该技术。
所以是的，这是一个过程：我们要拥有足够大的份额，以便作为一家初创公司能够合理地运作。随后，我们从垂直整合的角度出发，逐步争取到更多环节的掌控权。那么，你们是否需要出去招聘和寻找那些具有前瞻性的专业人才？例如，我假设在图纸进入施工阶段之前，需要一位注册土木工程师签字批准。你是如何考虑组建这样一个团队的？这个团队里的人愿意在合理的激励机制下，以不同的思维方式去工作。
是的，我的意思是，我们团队的大多数成员实际上并不是软件工程师。我们主要是多学科背景的，包括机械、电气、土木工程等，还有大量的仿真和控制领域专家。当然，我们确实有具备人工智能和软件背景的人，但在我们的经验中，教多学科人才使用最新最先进的人工智能工具，要比反过来做容易得多。因此，在组建团队时，只要你能将人工智能视为构建产品的核心基础要素，那么让领域专家去适应它就容易得多。
而且好消息是，有很多电气工程师非常聪明，并且热爱站在产品的最前沿工作。我们的团队中……你知道的，我们有一些来自石油、天然气和能源领域大型资本项目的人员，但大多数人都有从事尖端车辆或火箭等类似背景的经历。Davide，也许情况相似……在某些方面可能也类似，我不确定同样的资本激励机制是否对齐。但是电气工程师似乎以某种方式……不冒犯的意思，因为你本人就是电气工程师。
关于“固执己见”这个词该怎么说？像是……思想僵化，固守成规。>> 有主见且讲究品味。我想这就是你要找的词吧，但 >> 讲究品味？是的。非常意大利式。他们确实很具意大利风格。那么，你是如何让人们改变工作方式的呢？这是我们在Diode早期必须深入思考的问题。当这个想法还处于萌芽阶段时，更多是因为我在设计硬件的过程中亲身感受到了痛点。
有一种新技术显然掌握了解决这些痛点的钥匙。如果我必须把这项技术带给世界，我该怎么做？因此，一个在2020年可能想到的显而易见的答案是：“让我来构建CAD软件。”这当然可以，但CAD软件行业有其自身的特性。这是一个转换成本极高的领域。有很多原因使得构建CAD软件业务变得复杂。我们的目标是，如果你真正相信模型最终能够自主完成这些工作，那么你想构建的是基础设施，让模型能够去做那些目前尚不能做的事情。
你不需要说服人们购买你的软件产品。你要做的是说服人们购买最终的产品。这使得构建这样一家公司要困难得多，它确实需要更广阔的市场覆盖面。因此，今天当我们向企业客户（如财富100强公司）介绍自己时，我们并不是说：“嘿，我们要向你销售一款软件产品。”而是更像这样：“你习惯于与那些交付完全相同产品的公司合作，即我提供规格说明，收回一个实体产品。”我们融入这种模式。
至于我们如何做到这一点，那是公司的实施细节，但我们做得更快、更便宜，这才是最终的关键所在。此外，我们还有一些主要优势。例如，我们提供对流程内部的洞察能力。你可以实时看到你的电路板是如何被设计和交付的。这就像软件工程师非常熟悉的GitHub上的拉取请求（Pull Request）一样，你可以看到代码实时流式传输进来。这在以前对于 >> 检查通过的情况来说并不是这样的。
是的，完全正确。这正是关键所在。因此，基本上我们就是这样推销我们的产品的：我们的核心编译器工具链是开源的。实际上，如果任何电气工程师想要拿去使用并加以改进，请便。因为我们所做的是：一旦你生成了工件（artifact），它就能在我们的生态系统中运行。我们将能够接收它并送去制造。我们希望拥有的是基础设施，而不是核心的设计原语（primitives）。
我们非常看好这些设计原语对人类和智能体都极具价值。这就是我们所下的赌注：基础设施是开源的，你可以在GitHub上查看（diode.link/pcb）。目前有很多人正在通过封闭测试版尝试使用，他们提供反馈并使用我们尚未发布的内部工具。我们将逐步发布更多工具。但我们利用这种力量的方式是全栈端到端的执行。Alex说得很好：你需要做足够多的事情，如果在太早的阶段试图做得太多，你会分散精力，使焦点变得非常复杂。
这种策略的另一个好处是，很多时候人工智能尚未完全成熟（达到100%）。你仍然希望能够在产品本身可能还未完全就绪的情况下，做出定义公司命运的战略押注。例如，我们构建电路板的效率比在没有我们的工具的世界中提高了90%。但如果我们将这些工具完全交给用户，仍然有10%的工作需要人工完成，这就是为什么人们目前愿意为我们的服务付费的原因。而我们最终的目标是……
随着模型越来越好，这个比例会不断下降，直到变成完全自助服务，你可以从中获益并立即开始制造。是的。我认为你们都提到了时间和金钱的问题。就像卖客户知道怎么买的东西一样，完全正确。项目融资中，时间就是金钱。如果一个项目需要一年建成，而另一个同样成本的项目需要五年建成，它们的内部收益率（IRR）会有很大差异。
我们的价值主张并不是从工程角度来看更便宜，因为工程成本只占很小一部分，没人想压缩这部分。而是如果你能缩短3到6个月的工期，这实际上会对项目的可融资性产生实质性影响。那么，让我们谈谈构建物理世界的AI，你们是如何让AI理解那些重要的物理学和现实世界约束的？
比如，建筑数据没有通用的爬取来源。电路板方面可能有一些更多的数据可用性，但数字化且易于访问的数据并不多。那么你们如何获得足够的数据来训练所使用的模型呢？我先开始吧，因为我的路径相对简单。顺便说一句，我的公司比Alex的要容易得多。我很钦佩并尊重他，因为我认为他的领域非常美丽且复杂。
我做简单的事情：制造电子产品。所以我们走捷径。与其需要大量数据，不如我们将程序重构为有大量训练数据的领域——也就是代码。传统电子设计完全不使用代码编写，事实上，很有品位的电气工程师非常讨厌写代码的想法。这没关系，我们不希望不想写代码的人去写它。让模型来写代码吧，它在编写代码方面非常出色，理解概念。
我们基本上构建了一个编译器，给模型足够的提示，让它感觉像是在编写Python程序而不是设计电路板。这就是我们解决原理图问题的方法。当然还有很多实际的物理问题，比如你要把东西放在一个必须适应某种外形尺寸的方块上，所以除了代码之外还有物理约束。
你说得对，确实没有数据。虽然电路板方面的数据比建筑行业多得多，但与训练基础模型以真正做好工作所需的数据量相比，还是少了两个或三个数量级。但由于这是一个基于物理的问题，你会看到该领域的公司试图解决如何从物理角度表示它的问题。
我们看到引擎模型能够缓慢且痛苦地开始像人类一样做到这一点。我们还有一些处于开发阶段的“登月”项目，下次我们再聊吧。我只想说我对扩散模型（diffusion）作为架构非常看好，就这个特定问题而言是这样。你需要以某种方式对其进行引导启动（bootstrap）。
对我们来说，这种引导来自于代码优先：建立一个经过验证的模块库。这些模块成为下一轮模型的训练数据，从而建立起复利效应。此外，如果你成为每个人都可以免费设计的基础设施，这些数据就会源源不断地到来。只要你提供足够的激励措施，并宣布将以与美国本土竞争亚洲成本的价格进行制造（这闻所未闻），并且能盈利，你就能生成足够的数据使模型准确率飙升。
这就是我们最终想要去的方向。你们呢？听起来很棒。是的，同样的理念：一切皆代码。如果你能在模型已经理解的领域里工作，你的生活会容易得多。而对于我们来说，这个行业实际上更多地基于交付物或输出结果运作。我们始终在思考这一点：一切皆雪花（独一无二），总是“单件生产”。
这是为什么项目耗时如此之长且我们无法进步的核心根本问题。我们并没有提高这些项目的建造速度。因此，我们的世界看起来更像是以模型为主导的：如何将所有的关系体现到一个非常稳健的模型中？当你说到“模型”时，你指的是AI模型还是更像本体论（ontological）的模型？
是本体论模型。即对复杂系统的简单表示。抱歉，我的天赋还没……不，它确实起作用了。你基本上提供了一个环境，智能体和大型语言模型可以在我们提供的框架内生成大量代码，并能够像普通工程师一样使用所有这些确定性工具。
如果你能以这种以模型为主导的方式做到这一点，你就拥有了与一切相关的参数关系。重要的是，每次你进行调整和优化时，它都会变得更好并提高其韧性。因此，对我们客户来说最显著的表现是：如果你花了6个月设计某样东西，然后在锁定一切之前还有3个月来寻找项目并建造它。
如果你想在6个月后改变某些东西，哦天哪。是的，就像重新开始一样……级联效应。这是一个彻底的噩梦。在这个新版本中，一切只是一个更新的变量。因此它既高度优化又允许迭代。所以这基本上是一种以模型为主导的方法的组合，让你使用这些智能体来编写代码——这是它们擅长的事情。
一切皆代码。一切都是计算机。你们目前使用仿真进行数据生成或其他目的吗？听起来你们俩都在做这方面的工作，对吧。
未来会使用更多，还是更少，或者甚至采用模拟以外的其他技术？我们确实使用模拟来计算设计所需的基本数值。但我们需要举个例子。我想理解流体以特定稠度、在特定温度和压力下通过管道时的质量流量是多少，这是一个需要求解的复杂问题，涉及多个相互依赖的变量。是的。因此你会进入模拟环境进行探索，这是一个相当广阔的空间。理想情况下，你的目标是寻求优化某个指标。但这只是计算器的工作，模拟软件已经存在了几十年。这些工具对我们来说就像训练AI如何使用特定工具、运行一系列优化一样，比如去使用所有这些模拟软件。是的，没错。你可以跨领域进行模拟：电子如何移动、流体如何流动、地震时结构如何运动，所有这些都可以通过模拟实现。
在我们所处的世界中，相对容易的一点是，当你思考设计任何大型项目时，这就像是在困难模式下玩乐高。也就是说，你经验性地认为，只有当这些组件之前已经实现过，或者从输入输出的角度来看完美匹配时，才能有效地将它们组合在一起。因此，在几乎所有情况下，答案都是极其可计算的。相比之下，有些情况更像我们需要预测它将提供一个我们完全没有数据的环境。我有两个答案：首先，我们已经拥有大量的模拟资源，因为我们的世界就是为此设计的。例如在电子工程领域，原理图级别有SPICE工具；而在实际电路板层面，则有像OpenEMS这样的开源电磁模拟内核或Ansys等商业软件。这两者都存在并在行业中被广泛使用，且非常重要。
我认为我们目前使用模拟的方式是为模型提供基础支撑，特别是在有强化学习参与循环的情况下。基本上你可以构建一个电路，很容易确定该电路是否正确，而无需依赖像“我祝福这个特定配置”这样的黄金参考标准。只要实现你的输出目标，你就可以通过多种方式构建它。因此在这种情况下模拟非常重要。我们有它，我们将继续使用它。我非常希望的是，今天的电气工程师在构建电路板时，大多数时候并不依赖纯模拟。他们对于设计为何以某种方式完成有着很好的内部直觉。他们几乎只是将模拟作为一种在最后一步验证设计的工具，而不是作为设计本身的一部分。这正是我所想的：我的最终目标是让模拟成为训练时的工具，帮助模型更好地培养那种品味和直觉。
因为在推理阶段，你不想让模拟介入，因为它有一些特性：它不是超级快。虽然你可以用并行内核等技术加速它，做很多事情，但模拟本质上是我们希望在训练阶段使用而非推理阶段的工具。我们建立了所有必要的接口来实现这一点，因为 grounding（物理基础）很重要：你基本上需要以某种方式提供真实数据。但我们确实看到了新兴的特性，即如果给模型足够的数据进行训练，它会发展出那种品味。在95%的情况下，这就是你想要的：产品生成非常快，而且很难击败实际的制造硬件。
我知道最好的工程师会花三周时间模拟某样东西，然后他们会说：“我不信任它，直到我实际构建它并将其放入外壳中，因为那会完全改变我的电磁特性。”所以模拟必须是一个训练工具，然后你需要让物理规律告诉你是对是错。因此减少训练时间可能是最重要的部分。你之前提到，Davide，90%的设计工作你可以完成，剩下的10%还需要人类介入。也就是说，你有一支由出色的电气工程师组成的团队去检查每个设计并完成它们。你认为要填补这最后的差距，我们需要机器学习或AI研究方面的根本性突破来理解物理世界以实现这一飞跃吗？还是说这仅仅是进一步发展或扩大现有系统的问题？或者你认为问这个问题本身就是错的，因为自动化那最后的10%、5%或1%其实并不那么重要？
我的联合创始人Lenny更聪明。所以我会说这是一个非常重要的前提，我和他在这一点上有哲学上的分歧。我认为我们基本上已经拥有了所有的构建模块。我个人的看法是，最后剩下的前沿领域是我们缺乏足够的数据，特别是在电路板层面至少如此。虽然有很多东西可以做并且能工作，但数据是我们作为社会需要生成的关键要素，如果我们希望电路板能被AI自动化。这些数据确实存在，通常被孤立存储在世界上的苹果、Meta或SpaceX等巨头手中，他们显然不会分享。但 individually（单独来看），没有任何一家公司提供的数据是足够的。你需要汇集这些数据。所以要么像伟大的合作那样，每个人都开源他们的数据（我认为这不太可能），要么我们找到一种方法来生成足够多的数据使模型本质上变得更好。如果出现了新的架构，那就太棒了，你可以更高效地使用更少的数据。这是我目前的看法。但还有另一种竞争观点，即Lenny的观点。
是的，那就是他的立场。他认为许多这些问题非常适合蒙特卡洛树搜索或强化学习风格的结构化问题。也就是说，你可以将一个问题制定为两个玩家相互对抗的形式，他们通过递归改进而自然变得更好。我不确定……通常我会听从他的意见。
也许存在这样一个世界：我们不再需要更多数据，因为相关要素已经摆在桌面上，只需以正确的方式稍加引导即可。但与此同时，鉴于这仍是一个开放性问题，我们将专注于端到端地构建系统，并通过各种方式弥补那10%的差距。不过我充满希望。假设当前架构和数据生成能力的提升速度保持不变，突破必将发生。你需要能够驾驭这些突破，并处于能从中获益的位置，而不是被其路径所束缚。
你的领域似乎——用不太准确的话说——更具渗透性，因为它不是一个受控的系统。因此存在更多变量，比如风或我不确定的其他因素。有些外部冲击会影响你，却难以用模型来表征。所以从外而内的角度来看，我认为未来很可能需要人类始终参与循环（human in the loop）。但也许你不同意我的观点，你认为我们将实现完全端到端设计的、大规模工业项目。
阿伦，你完全错了？你怎么看？我认为可以取得进展吗？这需要新的突破吗？是的。不，我认为我们的问题在于数据甚至更加稀疏。也就是说，很难达到数量级的提升。是的，没错。所以我们甚至没有把这个选项摆在桌面上。但我认为大多数这些问题都是可以界定的，而这个领域的优势在于存在大量规范构建标准的标准体系。
因此，输入更多数据点或更细微的信息总能带来优化效益。但要击败现状，门槛却低得难以置信。所以我会说押注于“不会完全实现”，但我认为我们最终会达到端到端自动化。我认为，对我们而言，确保系统设计为完全自主且无需人类参与循环，是一种重要的设计范式。这促使我们采用了截然不同的架构。
同样，我们也押注于模型会越来越好；如果不会，那我们可能需要在某些方面回到起点，或者发现存在根本性的差距需要弥补。但无论如何，系统本身必须按照“设计为端到端自动化”的要求来构建。现在换个话题谈谈更多细节。我认为物理世界自动化、实体AI，无论是四处运行的机器人还是其他形式，从社会层面来看……
我认为人们对此感到恐惧并正在深入思考。它深深植根于时代精神之中。这无疑是美国工业增长的一大福音，但也会有人持相反观点。既然转到了这个话题，也许我们可以从人形机器人开始讨论？这是一个极具争议的话题。对于Davide来说，是在制造背景下；对你而言，则是在建筑工地运行、建造和搬运材料的语境下。
是过度炒作还是炒作不足？这重要吗？我很想听听你们对人形机器人的犀利观点。嗯，我对未来充满期待，希望能感受到未来的到来。是的，我认为这非常令人鼓舞。我希望生活在那个世界里。它肯定会成为我们核心的一部分。而且我认为，人形机器人与那些专门用于特定任务的机器人（比如擅长搬运木材或混凝土泵送）相比……
它们当然都会涵盖上述所有功能。总体而言，自动化范围将大大扩展。但之所以围绕一种设计进行集中化和大规模制造是有原因的：这种设计的生产效率、学习率以及将成本降至极低的幅度，超过了细微定制的效率。因此，我认为这种形态因素将在极大范围内具有相关性，同时我们也将拥有专用机器人。
就像在工程设计大型设施时一样，总是存在体积与表面积的比例缩放定律，表明你应该定制那个巨大的容器，而不是始终标准化。那么Davide，你认为你的PCB制造线上会有人形机器人吗？我有幸平等地喜爱所有机器人。我不在乎它们是否是人形的，也不在乎它们是否是专用的。
因为它们都有PCB（印刷电路板）。我爱它们，因为它们的内部装有PCB。我爱你。我认为对于我们的特定流程而言，特别是电子和电路板领域已经高度自动化了，你的目标是弥补这一差距。所以它可以是人形机器人。我对视觉-语言-动作模型（VLAs）非常看好，我怀疑在那些剩余20%需要完成的工作中会有许多改进。
这些工作可以使用已经存在的机械臂硬件来完成，配合更智能的组件识别能力和实时计算机视觉能力。我认为这确实会发生一些变化。事实上，我认为这是一种很好的优化手段。让我举一个非常具体的例子来对应我们的用例：如果你想焊接非常大的元件，你有两个选择。一是手工操作，即雇佣人类来完成；二是使用一种称为波峰回流焊炉的机器。
那基本上是一个巨大的熔融锡池。我去欧洲参观一些制造商时，他们告诉我，加热锡所需的能源成本极高，以至于我们因为产量不值得而不愿开启它。所以我们选择手工操作。这类事情在机器人自动化方面看起来非常可行实现。但这只是我们装配线上的边缘情况。
我认为非边缘的情况是：如果你审视当前自动化知识工作的影响，总有一天会有更大比例的经济活动需要你去做某些事情。比如你需要采矿……
或者需要有人去挖掘，可以是机器也可以是人类。希望不是人，毕竟这不是什么好工作，我们不想让人类置身险境。我们希望由机器人来执行这类任务。因此，我们要做的是成为其中的一部分，促进这一进程的实现。
举个例子就是致动器。我们在电机控制方面拥有一些知识产权。我有一位好朋友叫大卫·汉森，他用西部磁性材料制造精美的电机。我们也想建造这类东西，成为其中的一部分。我不确定是否会百分之百押注于某种特定形态，但我们确实投资并青睐那些专用机器人，比如拾放机器本质上就是机器人。我认为这类应用会越来越多，这也是我们下注的一部分。
你触及了一个我认为很重要的话题，即那种隐性知识——丹·王称之为工艺知识。中国在这方面拥有海量储备，美国也有一定程度，但我们在某些熟练劳动力领域正面临老龄化问题。无论是制造工程师、高技能的建筑或土木/电气工程师，这些在实体领域工作并形成了直觉和品味的人至关重要。捕捉这种知识有多重要？有没有办法将其编码到模型中，还是我们应该作为社会思考如何培养下一代此类工人，因为他们历史上非常有价值且正在快速退休？
我认为行业中确实存在大量隐性知识，它们像捷径或经验法则一样帮助得出正确答案。如果边际成本降为零，我们当然可以解决更多问题。但在电工等手艺活中，存在大量隐性知识。这既是挑战，也意味着我们需要更多这类人才。我猜得克萨斯州电工的平均薪资可能高于硅谷软件工程师，这非常惊人且需求巨大。
去年我曾与微软的一位CTO交谈，他告诉我微软曾雇佣了佐治亚州三分之一的电工来建设大型数据中心。由于熟练工人不足，人们转向制造业以模块化方式大规模生产这些项目组件，即使成本较高。因此我们需要采取“以上皆宜”的策略：一方面培训更多具备实用技能的人才，另一方面希望将这些知识编码化。当智能成本趋零时，最好能将其体现到机器人中。
关于是否需要更多PCB制造技术人员？我认为最大的文化脱节在于，在美国设计然后外包制造的“象牙塔”模式让人脱离了制造痛点。相比之下，中国的设计往往更具直觉性，设计者会考虑制造的便利性。例如朋友为了减少SMT贴片机的过板次数而紧凑布线，这种对制造者的关怀是文化使然。
目前缺乏的是电路板设计中那种直观的关联感，无法通过招聘或返聘人为制造。唯一的办法是找到廉价生成DFM（可制造性设计）就绪方案的方法。云技术可以像挑剔的客户一样，要求通过数百项检查并反复修改设计以易于制造。虽然美国合同制造商能力极强（因主要承接军事订单），但我们需要重建已消失的大规模生产能力，并押注于教导设计师（或AI）自动完成这一过程。
最后有一个问题想问你们二位，你们都谈到了如何利用人工智能在物理世界中实现更多目标——无论是在美国设计和制造更多的印刷电路板（PCB），还是能够出资、设计并建造更多的大型工业项目。你们如何看待这些举措带来的二阶效应？这或许触及了你们致力于当前工作的使命宣言，但这也许也是结束对话的一个好切入点。
对我而言，我切身感受到了这种痛点。我希望能够像我的朋友们搭建B2B SaaS公司那样，轻松启动一家硬件企业。你应该有能力去尝试那些被认为非常困难的事情并直接付诸行动。我认为其二阶效应在于，今天我们在人工智能领域取得的进展，某种程度上相当于治愈癌症般的突破。这是一个奇迹般的技术——如果你三年前给某人展示Cloud Code（云端代码生成），他们可能会觉得你像个巫师。它确实如此强大，但在实际交付物理产品方面却表现糟糕。
虽然它在某些能力上令人惊叹，但我们真正需要的是像软件行业那样获得阶梯式的进步。我们需要在物理设计领域实现同样的飞跃，这样美国的工程师、美国的青少年才会对构建实体事物充满热情。他们会说：“我想建造一个立方星（CubeSat）并将其送入轨道，做很酷的事情。”而且这变得很容易，因为我可以快速启动并让电路板次日制造完成。这些就是我感兴趣的那些二阶效应。
而我们要实现这一点，唯一的途径就是教会模型在现实世界中真正执行任务——我非常享受这个过程。这也是我们创立这家公司的原因。是的，对我们来说……如果你观察美国至少任何一项建筑指标——比如劳动生产率或经调整后的资本支出（CapEx）数据，在过去50年里，这些指标正在恶化。
我过去来自软件世界，在那里一切变好是默认的规则，总是有进步。但这在这个领域显然不成立。如果将这条趋势线延伸下去，我们确实会失去如何建造大型雄心勃勃项目的肌肉记忆。这就是我每晚闭上眼睛时看到的图表。因此，对我们而言，关键是我们能否将这种项目生命周期中的某个环节提升一个数量级，从而走上重新构建整个体系的道路。
我们需要从激励机制层面入手解决这一问题：如何在项目层面上实现绝对的一个或多个数量级的提升？这涵盖了所有方面——从赢得AI竞赛所需的能源、建造所有这些数据中心，到我们正在进行的先进制造业公司以实现再工业化。我们需要制造出海量所需物资，直至关键矿产。
是的，这就是当你环顾四周时看到的所有运作机制的核心骨架——而我们却在这些方面变得越来越差。这是一件非常令人担忧的事情。好了，这真的很有趣。很高兴你们二位都在解决各自的问题，也很高兴你们在我们的投资组合中——因为我知道，带着这次对话，我感到很乐观。非常感谢，Aaron。