AI in the Physical World 机器人 · 世界模型 · 材料科学

Fauna Robotics 被亚马逊收购的消息在行业内引发广泛关注。Rob Cochran 分享了这次收购背后的逻辑：亚马逊真正认同他们关于机器人如何与人类共同生活和工作的愿景。

Fauna Robotics 没有直接冲向全尺寸人形机器人，而是推出了 Sprout——一个 3.5 英尺高、50 磅重的"可爱"小型机器人。这个选择背后是深刻的用户洞察。

一个 150-200 磅的机器如果倒向孩子或老人，后果不堪设想。在当前技术尚不完美的情况下，部署这样的风险到真实家庭是不可接受的。

当机器人无法完美工作时，用户对"可爱"的事物会更加宽容。这种情感缓冲为技术迭代提供了宝贵的空间。

作为开发平台，Sprout 可以在多种实验场景中部署，让 AI 实验室和研究机构能够在其上构建和扩展能力。

从小型安全平台开始，逐步向更复杂形态演进——这种策略折射出机器人创业公司务实的产品思维。

Pim 在 Discord 平台变革期创立了 Metal（最大的游戏录制应用之一），当 LLM 浪潮来临时，他意识到手中的游戏数据可能有更大价值。

精确的动作标注：在视频游戏中，每个动作（按键、手柄输入）和对应的画面帧之间有精确的时间对应关系。这是物理世界数据无法比拟的——即使是最好的人类标注员，也无法在 100 毫秒级别准确标注物理视频中的动作因果关系。

与文本和图片不同，游戏包含随时间展开的复杂空间关系和环境变化，这正是物理世界智能体需要的推理能力。

海量游戏数据支持整个基础模型的预训练，这是传统机器人数据无法实现的规模。

Pim 对"世界模型"的定义简洁而深刻：动作 + 帧 = 下一帧。这种因果关系的理解，正是从"预测"走向"推理"的关键一步。

Joseph Krauss 提出了一个令人震惊的数字：在结构金属领域，有 10^40 种可能的材料组合。这个数字如此庞大，以至于相当于"一百万亿个地球"的探索空间。以传统方式，这需要 700 万年才能穷尽。

AI 科学家（"Rad"）：一个基于 GPT-4 和 Claude 的 LLM，经过微调以理解材料科学。它的角色就像实验室的首席研究员（PI）——理解需求、设计实验、分析结果、做出决策。

完全自动化的实验设施，可以高通量地合成材料、表征材料、测试材料，并捕获所有数据。

传统材料实验中，大部分数据从未被系统化记录。而 Radical AI 的实验室捕获每一个实验的完整信息——条件、过程、结果——这是构建材料科学基础模型的关键数据。

他们的第一个目标材料是高熵合金——一种包含 5-7 种元素、具有极高熵的材料，能够在极端环境（如 10 马赫太空飞行）下保持性能。这种材料的发现传统上需要数十年，而 AI 驱动的实验室有望将其压缩到数月。

LLM 是规划能力的革命性进步。以前，机器人"从冰箱拿零食"这样的任务需要硬编码的结构化规划；现在，LLM 可以灵活地处理变化——比如冰箱里没有目标饮料时选择替代品。但他强调，更大的创新来自嵌入式 GPU、现成致动器、物理逼真仿真环境等基础设施的进步。

LLM 改变了工程师的角色。以前，工程师需要手动编写仿真环境（基于牛顿物理学等近似）；现在，工程师可以让 LLM 生成大量环境，然后用验证器筛选出有效的。这从"控制输出"变为"验证输出"，是巨大的力量倍增器。

他们的 AI 科学家"Rad"是基于 LLM 的，但人类科学家仍在循环中——他们需要告诉 AI 什么是"好"的实验，从而构建训练数据集。同时，他们还需要构建领域特定的模型（如扩散模型），因为材料科学没有现成的模型可以直接使用。

这场讨论揭示了 LLM 在物理 AI 中的真实角色：不是万能解决方案，而是强大的规划、推理和接口工具，需要与领域特定技术结合才能发挥作用。

Pim 分享了从 Andrej Karpathy 那里学到的框架，将 AGI 的发展划分为三个阶段。

数字到数字的转换。这是当前 LLM 所在的领域——文本、代码、图像等纯数字内容。这个领域已经进入"超速"发展阶段，没有明显的限制。

数字与物理世界的接口层。这是传感器、测量系统、执行器等"桥梁"技术的领域。这个领域受到测量系统的约束——我们仍需构建能够准确感知和操控物理世界的基础设施。

物理系统直接修改物理系统。这是完全自动化的物理世界，机器人可以在没有人类干预的情况下制造和操作物理实体。这需要前两个阶段的完整实现。

这个框架不仅解释了为什么物理 AI 比纯数字 AI 更困难，也指明了创业机会所在：在 Bits to Bits 领域竞争激烈的今天，Bits to Atoms 和 Atoms to Atoms 领域仍有巨大空间。

Joseph 补充了材料科学的角度——他们称之为"并发工程"（concurrent engineering）：传统上，设计新产品（如飞机）时，材料是从几十年前的库存中选择的；而未来，材料应该与产品同时设计，直接满足特定需求。这正是从 Bits to Bits（材料设计）到 Atoms to Atoms（产品制造）的完整闭环。

当被问及如何应对大型科技公司的竞争时，三位创始人的回答出奇一致：**零担心**。

他几乎不考虑竞争。"我认为这只是对精神大脑空间的浪费。你作为团队只有一项工作，那就是执行你的使命，成为世界上最好的。"他指出，在材料科学这样高度专业化的领域，大型科技公司（Meta、微软、谷歌）没有结构性优势——他们不会与 Radical AI 竞争，因为这不符合他们的核心业务。

他用 Anthropic 的成功作为案例——Anthropic 不是 incumbent，但通过专注于客户需求和代码质量，他们正在"赢得"竞争。"他们只是与客户一起快速行动，这是 OpenAI 和谷歌无法做到的，因为它们是更大、更臃肿、更分散的组织。"

他两次成功出售公司（Control Labs 给 Meta，Fauna Robotics 给亚马逊），他认为小公司可以做大公司很难做到的事情——**专注**和**有主见的产品**。"在最早阶段，关于如何将那个火花变成有意义的东西，大公司更难做到这一点。"

Rob 还给出了创业者的战术建议：定义一套有意义的目标，与资金里程碑一致；将有限资源集中在能区分你的问题上；对资本密集型领域（如机器人），要提前规划多轮融资的路径；避免变得"不可收购"——规模过大会限制退出选项。

一位观众提出了尖锐的问题：Google DeepMind 的 GNoME 发现了 220 万种新材料，其中 4 万种是稳定的——但如何制造它们？如何说服人们使用它们？

Joseph 指出，许多基于纯计算数据的模型（如 GNoME、MatterGen）实际上只发现了"材料的想法"，而非真正的材料。"如果你给世界上的任何客户打电话，说：'看，我在电脑屏幕上为你制作的这个惊人材料。'他们会说：'是啊，很酷。你能在邮件里发送给我吗？'"

只有真正合成、表征、测试材料，才能将想法转化为现实。这就是 Radical AI 构建自动化实验室的原因。

在航空航天等关键行业，新材料需要通过严格的资格认证才能使用。令人惊讶的是，Joseph 发现行业趋势是**反向垂直整合**——航空航天公司正在内部建立材料团队，绕过传统的资格认证流程，为自己制造的材料"背书"。

这揭示了一个深刻洞察：当传统流程过于缓慢时，产业链上的巨头会主动寻找捷径，为创新公司打开机会窗口。