创业如坐过山车：拥抱波动与乐趣

Eric Landau将创业比作一场充满高低起伏的过山车。他认为，人们往往试图规避这种波动，但更明智的做法是直接享受这个过程并从中寻找乐趣。作为Encord的联合创始人，Eric正在构建物理AI（Physical AI）的数据层。他的职业轨迹颇具传奇色彩：从粒子物理学的大数据处理，到长达十年的量化交易员（Quant），再到如今的AI创业者。这种看似跳跃的职业路径背后，其实有一条贯穿始终的主线：人工智能开发范式的演变轨迹。Eric指出，早期的AI构建依赖于精心设计的特征工程和深厚的领域专家知识，试图在机器学习模型之外注入大量先验逻辑。然而，随着技术发展，这一策略被证明并非最优解。

“痛苦教训”与范式转移：从专家系统到数据驱动

Eric引用了AI领域著名的“痛苦教训”（The Bitter Lesson）概念来解释这一转变。该理论指出，单纯依靠增加数据和计算资源进行扩展的系统表现优于那些依赖人类专家知识精心设计的系统。回顾他的职业生涯，这一规律清晰可见：在粒子物理学中，早期策略是基于物理定律过滤数据（如动量、运动轨迹）；在量化交易中，则是深入分析市场因素并手动构建特征。然而，现代AI的趋势是将海量数据投入大型机器学习模型中，让系统自行学习内部规律。这种从“人工诱导领域知识”到“数据驱动扩展”的转变，不仅重塑了技术路径，也深刻影响了Eric对创业方向的判断。他意识到，掌握数据层对于适应这一范式转移至关重要。

销售团队组建的试错与YC建议的价值

在构建早期销售组织时，创始人坦言并没有一个瞬间突然找到“产品市场契合点”，而是经历了反复的试错与迭代。他们先后引入了三支销售团队，前两次均告失败，直到第三支团队才真正跑通模式。这一过程印证了Y Combinator（YC）建议的普遍正确性，尽管创始人当时并未完全听从。例如，在招聘关键岗位时，YC曾明确警告不要录用某种特定类型的人才，但团队当时刚犯下完全相反的错误。尽管意识到这是重大失误且对方并不适合，他们仍犹豫了约9个月才做出切割决定。这段经历让他们深刻认识到，虽然直觉往往能感知到“不合适”，但缺乏强有力的客观理由推动决策。随着时间推移，公司逐渐学会了遵循直觉并更快地做出正确的人事决定，从而提高了组织效率。

从视觉模态到多模态的技术演进路径

公司的技术起点并非直接面向物理AI，而是始于计算机视觉。创始人的核心论点是：既然人类是多模态的，那么最智能的系统也必然是多模态的。为了构建这种能力，他们选择从最难处理的视觉模态入手，因为这是数据密度最高的类型。通过在这一领域积累深厚 expertise（专业知识），团队逐步扩展至多模态系统，旨在整合尽可能多的感官输入以做出最佳决策。这种技术积累为后续转向更复杂的物理世界应用奠定了坚实基础，使得系统能够处理比单一视觉更为丰富的信息流。

物理AI的市场机遇与战略前瞻性

尽管外界感觉机器人尚未普及，但创始人指出物理AI市场已经存在且机会巨大。核心数据支撑在于：80%的经济活动涉及对现实世界中物体的操作或移动。这一宏观背景意味着，只要解决物理世界的交互问题，就能触及绝大部分经济价值。行业预测显示，在5到10年内，机器人的数量可能会超过人类。创始人将这一判断描述为“产品向上发展而市场向下调整”的逆向机遇——当其他热门应用（如早期医疗AI）热度退去时，物理AI作为多模态AI的最大应用场景开始崛起。目前公司业务已涵盖机器人、自动驾驶、物流和制造等领域，这被视为押注未来的关键战略转移。

客户洞察与数据标注的多样性案例

为了捕捉未来趋势，团队保持高频的外部交流，通过与潜在客户、YC社区及其他AI创始人对话来吸收前沿问题并合成新赌注。这种策略不仅适用于新产品方向，也服务于现有客户。公司仍保留大量医疗领域客户，并涉足各种有趣的应用场景。最具代表性的案例是奶牛面部识别。虽然人类难以区分不同奶牛的面部，但算法表现优异。这一过程揭示了数据标注的复杂性：除了专家人类进行初步标记外，还需要结合 barn（牛棚）内的其他追踪手段来确认健康状况。这体现了公司在处理非标准、高噪声现实世界数据标注方面的独特能力，也是其多模态技术落地的生动体现。

当前物理AI的核心应用场景与成熟度

在探讨Physical AI（实体人工智能）的最大用例时，自动驾驶被视为目前成熟度曲线中领先的技术领域。该技术在部分区域已接近大规模量产阶段，甚至已在某些地方实现了实际生产部署。然而，对于数据平台而言，目前增长最快的领域实际上是机器人技术。这涵盖了人形机器人、消费级机器人以及制造业等多个细分应用方向，显示出极高的市场潜力和应用广度。

“自动驾驶是成熟度曲线中更靠前的一个，更接近实际生产……而我们目前最大的增长点在于机器人领域。”

这种从自动驾驶向更广泛的机器人应用扩展的趋势，反映了Physical AI正在从单一垂直领域向多元化实体交互场景渗透。不同应用场景对数据的需求差异巨大，这也促使了专门针对物理AI的数据基础设施的兴起。

多模态数据采集设施与运营规模

为了支持物理AI的发展，该公司在旧金山湾区建立了一个专门的数据采集设施。该设施的运作模式类似于电影片场搭建，通过构建特定的环境让机器人执行特定任务并收集数据。然而，这种集中式采集主要服务于处于早期阶段、需要大量数据进行预训练的公司；许多成熟企业已经建立了自己的生产数据闭环。

数据采集的内容是高度多模态的。系统不仅接收视频流，还整合传感器数据、音频以及语言信息。这种复杂的数据类型要求后端具备强大的处理能力。

在运营规模上，该公司拥有数百名客户。其处理的数据量级达到了多个PB（Petabytes），且数据类型多样。创始人透露，他们处理的数据量甚至超过了训练GPT-4时所使用的数据规模（尽管最新版本的精确数据未知）。这种海量多模态数据的处理能力，构成了其核心竞争壁垒之一。

全球布局策略与竞争优势分析

尽管公司总部位于伦敦，但其在旧金山湾区建立了重要的运营设施。这一决策基于其核心哲学：“你应该待在对公司最重要的人所在的地方”，优先级顺序为：客户、人才、投资者。由于大部分美国客户集中在旧金山湾区，创始人将联合创始人迁至圣弗朗西斯科并建立设施，以便更紧密地与客户沟通。

与此同时，伦敦在欧洲拥有独特的人才比较优势。虽然存在“London maxing”（指过度挖掘本地人才池）的现象，但相比旧金山，欧洲的人才竞争强度稍低。伦敦拥有优秀的AI和工程人才储备，包括来自顶尖大学和其他科技公司的专业人士。

面对Merkle等美国竞争对手的挑战，该公司认为竞争是有益的。许多早期竞争对手已因资金耗尽或战略调整而退出市场。我们的核心差异化在于对Physical AI的专注以及处理PB级数据的可扩展性。这种底层基础设施的建设需要长期投入，构成了难以复制的技术护城河。

初创企业建议与创业心态管理

对于处于早期阶段的Physical AI创业者，创始人并不推荐直接购买此类高端数据管理服务。通常客户是在内部工具开发完毕、POC（概念验证）完成并面临规模化拐点时才寻求合作。对于初创者，建议初期使用开源工具进行探索。

在创业心态方面，创始人引用了Reddit CEO的观点：“创办公司就像坐过山车”。他建议创业者不要试图缓解这种波动，而是享受这个过程。因为低谷预示着高峰的到来，而高峰之后必有低谷。通过“黑客”自己的大脑去享受挑战（火灾），当新挑战出现时能主动迎击，是应对创业不确定性的关键心理策略。

“创办公司就像坐过山车……你应该只是骑上去，试着享受它。”

拥抱不确定性：将创业视为一场刺激的旅程

在回顾这段充满起伏的历程时，Eric 坦言最初并未预料到其中的艰辛与乐趣并存。他提到，只有当你经历过足够多的签约波动和情绪起伏后，才会意识到可以将这段经历变得有趣。这种心态的转变并非一蹴而就，而是随着时间推移逐渐形成的。他形象地比喻道："Run at the fire like because you it's exciting. Then it's it becomes so much more enjoyable as a journey." 这种将困难视为兴奋点的视角，使得整个过程虽然伴随着极端的 highs（高峰）和 lows（低谷），但整体体验变得更加丰富且令人享受。正如对话中所言，"Yeah, roller coasters are fun." 这种对波动性的接纳，成为了他坚持下来的重要心理支撑。

掌控内在状态：从被动承受转向主动调节

Eric 指出，随着经验的积累，人们往往会发现自己对自己心理状态的控制力比想象中要大得多。这种认知的觉醒是应对创业压力的关键。他解释说，"Uh you become more you realize that you have more control than you think over your own mental state." 一旦意识到这种内在的控制权，个体就能更从容地接受现实。他进一步阐述道："And then you can kind of accept what the reality is and how you how you react to it." 这种对现实的接纳以及对自身反应的觉察，极大地帮助了他应对日益频繁的情绪波动。他总结说："And that's something that has helped a lot in seeing the fluctuations in increase over time."

心态成熟：在波动中寻找乐趣的艺术

这种将挑战转化为乐趣的能力，是 Eric 相对近期才深刻体会到的。他反思道："Uh uh only relatively recently actually. I when you go through enough of these signing sort of fluctuations, you feel like, 'Okay, I can just make this fun.'" 这种心态的成熟使得他在面对不确定性时，不再感到焦虑或恐惧，而是能够主动调整视角。主持人也对此表示惊叹："That's interesting. It's rare that people think that it becomes easier." 这种观点揭示了创业或高风险职业中一种罕见的智慧：真正的轻松并非来自环境的稳定，而是来自内心对波动性的适应与掌控。通过与 Eric 的对话，观众得以窥见一位资深从业者如何在长期的压力测试中，构建起一套稳健的心理防御与激励机制。

结论

物理AI正经历从视觉单模态向多模态数据驱动的范式转移，其核心壁垒在于处理PB级、高噪声现实世界数据的底层基础设施能力。尽管自动驾驶在成熟度上领先，但机器人领域已成为当前增长最快的赛道，且80%的经济活动涉及物理交互，确立了巨大的市场空间。该模式的优势在于通过规模化数据采集构建难以复制的技术护城河，但短板是早期客户需完成POC并面临规模化拐点时才具备采购意愿。此外，创业过程伴随剧烈波动，成功依赖于对数据范式的精准把握及创始人应对不确定性的心理韧性。