How to ship hardware in the AI era | Caitlin Kalinowski (Apple, Meta, OpenAI)

• 数字 AI 即将触及边际收益递减，物理世界（robotics + 硬件）是下一条增长曲线；OpenAI、Figure、1X、Anduril 的抢人潮已开始
• VR/AR 积累的核心技术栈（SLAM、深度传感、microLED、执行器控制）正被 robotics 全面复用——硬件人才从 XR "毕业"到机器人领域
• 硬件创业有不可逆的"编译次数"约束：一个产品一辈子只能做 4-5 次大改，逼迫团队"先做最难的事"
• 美国在执行器（actuator）及其上游磁铁加工的全链环节已丧失制造能力 25 年，再工业化至少需要 4-5 年，这是 robotics 时代的最大瓶颈
• AI 数据中心正在抢走全球 memory 产能，消费电子面临价格翻倍冲击——硬件公司现在应该 pre-buy

核心论点：Meta VR 从 Rift 到 Quest 2 的历程不是"失败的 metaverse"叙事，而是一所高强度硬件训练学校——训练出来的人才和技术正涌入 robotics。

• Quest 2 是史上最畅销 VR 设备，核心策略不是技术突破而是全面重设计降成本——同一功能用更便宜的元器件和更紧凑的工业设计实现
• Quest 1 EVT（工程验证测试）阶段出过一个经典的制造公差事件：camera spec 注明公差 0.15mm，但供应商理解为单边公差而非双边（plus/minus 3 sigma），导致最大偏差与最小偏差的零件装配后摄像头指向偏移。紧急 redesign 了底部两个摄像头固定支架
• VR 硬件中沉淀的 SLAM（同步定位与建图）、深度传感、惯性导航等技术模块可直接平移到 robotics，因为两者面对的传感-决策-执行链路是同构的
• Oculus 起源：论坛上一群 hack PlayStation 做"便携式背包 VR"的极客社区，Palmer Luckey 从中脱颖而出

"The technical DNA from VR — SLAM, depth sensing, inertial navigation — maps almost one-to-one onto robotics." —— Caitlin Kalinowski

核心论点：Meta Orion 实现了 70° binocular FoV 的轻量 AR 眼镜原型，但 waveguide 和 microLED 的良率（yield）远未达到量产级，未来 2-3 年仍属实验室而非产线。

• Orion 使用 waveguide（波导）+ microLED 方案：波导将光路折叠到镜片厚度内，microLED 提供亮度和功耗优势
• 问题在良率和成本：microLED 的单颗转移（mass transfer）良率不够，一块面板上的死像素率太高；waveguide 刻蚀精度对量产线要求极苛
• 70° FoV 是关键指标——人眼舒适视场约 110°，70° 刚好过"可用"门槛，但远不够"沉浸"
• Caitlin 的判断：AR 硬件需要"再一个 Quest 2 式的降成本周期"，但 timeline 更长，因为底层物理工艺（光学刻蚀、LED 外延）的迭代周期比 SoC 长得多

核心论点：硬件不能像软件一样快速迭代，整个产品生命周期只有 4-5 次"编译"（即大的硬件改版），这从根本上决定了决策逻辑——错一次就少一次机会。

• "编译"概念：软件可以 deploy 一百次/天，硬件从原型到量产的完整循环（design → tooling → EVT → DVT → PVT → MP）每轮 6-18 个月，一个产品一辈子只承受得起 4-5 轮
• 先做最难的事：如果最困难的技术问题放到后面解决，前面所有围绕"已解决部分"做的适配都可能作废——不可逆的沉没成本
• 聚焦用户触摸频率最高的地方：Apple 时期学到的——MacBook 触控板、键盘手感、屏幕铰链是用户每天用几百次的接触点，在这些地方的质量投入 ROI 最高
• 推论：硬件团队必须在第一轮 prototype 就验证最大风险项（Quest 1 camera 公差事件即为反面教材——不该拖到 EVT 才发现）

"You only get to compile your product four or five times — total, not per year. That fundamentally changes how you prioritize." —— Caitlin Kalinowski

核心论点：纯数字 AI（聊天、编程、文本）正逼近边际收益递减，投资者和人才的注意力正在转向"能在物理世界产生变化"的 robotics 和硬件。

• 底层逻辑：数字 AI 的核心价值（信息处理、内容生成、代码编写）在 2025-2026 年已被多家公司充分商业化，增量竞争激烈但增量价值递减
• 物理世界仍有巨大未数字化空间：制造、物流、医疗操作、建筑、农业——这些需要 AI + 硬件载体（机械臂、无人机、humanoid）
• 人才流向信号：OpenAI 从零建 robotics 部门，Figure 融资 $6.75B 估值，1X 量产 Neo，Anduril 做军事无人系统——硬件工程师从"二等公民"变成抢手对象
• Caitlin 认为当前 robotics 热潮类似 2013 年的 VR：原型酷炫但量产能力远未就绪，真正进入消费市场需要 5-8 年

核心论点：人形机器人概念性感但工程上未成熟，最大障碍不是 AI 大脑而是物理安全——一个 200 磅的快速移动机器一旦失控，后果不可逆。

• 安全鸿沟：中国某品牌 humanoid 说明书写明"不能在 3 英尺（~1 米）内操作"，说明厂商自己都不敢保证安全
• 1X Neo 的设计亮点：将质量中心拉向身体中部（而非头部或四肢末端），降低倾倒时的动量冲击——这是结构设计层面的安全优化
• 机器人的"意图表达"问题：斯坦福教授 Leila Takayama 研究发现，人类需要机器人在动作前"show intent"——比如先看向一个方向再转身，否则人会感到不安全和不可预测
• Pixar/Disney 是最佳参考：动画角色的"预备动作"（anticipation）正是 robot 情感设计应该模仿的范式——Caitlin 建议 robotics 团队研究 12 principles of animation
• 她的判断：humanoid 进入普通家庭至少还要 8-10 年，短期内只在受控环境（仓库、工厂）有用

核心论点：把 humanoid 送进工厂替代工人是对制造业现实的误解——现代产线已经从 200 人降到 ~10 人，剩下的工种需要灵巧操作而非类人外形。

• 现代高度自动化产线只剩 ~10 个人工岗位：负责异常处理、精细装配、质量抽检——这些不需要"一整个人形"，需要的是能抓小零件的灵巧手
• Madic（Caitlin 的投资案例）robot vacuum：50-150 个机械零件 + PCB 上上千个小元件，产线的瓶颈是表面贴装和组装精度，不是搬运
• 专用机器人（robotic arm、AGV、协作机器人）已有 30 年商业化历史，ROI 可预测；humanoid 是在已经自动化的流程上强行套一个人形外壳
• 军事领域同理：Palmer Luckey（Oculus 创始人 → Anduril 创始人）的判断是投无人机不投航母——成本不对称摧毁传统武器平台

"A modern manufacturing line already went from 200 people to 10. You don't need a humanoid to replace those 10 — you need very specific dexterous tools." —— Caitlin Kalinowski

核心论点：Robotics 的核心物理部件是执行器（actuator），而美国在过去 25 年将从原始磁铁加工 → 精加工磁铁 → 执行器组装 → 子系统集成的整条链外包到中国/日本/韩国，现在连找到一家本土 actuator 公司都难。

• 执行器定义：输入电力、输出运动的模块，内部含永磁体使转子旋转（actuator = motor 的工程抽象）
• 供应链层级：raw magnets → processed magnets → actuators → subcomponents → final robot assembly，每一层的核心制造商都在亚洲
• Caitlin 坦言自己参与了这个过程——在 Meta 时期为了成本和速度将制造能力转移到亚洲供应商，这是当时的理性选择但长期后果严重
• 美国"再工业化"的时间线：即使现在开始投资，从建厂到良率稳定至少 4-5 年——而中国/日本的供应商已有 25 年经验曲线优势
• 无人机与 robotics 共享同一底层：drone 和 humanoid 都需要大量 actuator（旋转翼 / 关节电机），供应链瓶颈相同
• 政策建议暗含：如果要认真发展本土 robotics / 军事无人系统，actuator 供应链是"卡脖子"环节

核心论点：AI 训练和推理对 HBM/DRAM 的巨量需求正在挤压全球 memory 产能，消费电子用的 LPDDR/NAND 供货将紧张，价格可能翻倍——硬件公司应立刻 pre-buy。

• Madic（memory 制造商）CEO 用 "meteor" 形容 AI 对 memory 价格的冲击——不是渐进涨价而是突发性短缺
• 逻辑链：AI 数据中心需要 HBM3（高带宽内存），三大 memory 厂（Samsung、SK Hynix、Micron）将产能从 commodity DRAM 转向高利润 HBM → 消费级 LPDDR 产能被挤压 → 供不应求 → 涨价
• 对硬件创业公司的建议：如果你的产品中含 RAM/flash，现在就下长单（pre-buy），否则 6-12 个月后可能买不到货或成本飙升
• 更广泛的零件风险："每个零件不可用 = 整个产品停产"——对 silicon/RAM 这种无法替代的部件，supply disruption = catastrophic redesign

核心论点：AI 已经能做 PCB 自动布线（routing），但机械 CAD（3D solid modeling）需要理解摩擦、重力、接触压力等物理规则的 world model，目前 LLM 做不到。

• PCB routing：规则明确（走线宽度、间距、层叠、EMI shielding），已有 AI 工具商业化；可把人类工程师从 2 周手工布线缩短到几小时
• 3D CAD 现状：Claude 等 LLM 能处理 point clouds 和曲面（surface），但不是 solid CAD——solid modeling 需要 NURBS equations（非均匀有理B样条），参数化约束、装配关系
• 缺失的能力：真正的工程 CAD 需要 world model——理解"这个卡扣如果施加 5N 力会断"、"这两个面之间有 0.1mm 间隙产生摩擦热"——这是物理仿真而非文本补全
• Tesla 的垂直整合优势：Elon 的 Starlink 工厂做到"silicon chips in → product out"，因此可以快速重设计 PCB 适配新 silicon；传统公司的设计与制造分离，做不到这种响应速度

核心论点：Apple 硬件文化的核心不是"设计优先"，而是"用户看不到的地方也不能妥协"——这种标准建立了无法被模仿的品牌信任。

• "Back of the cabinet" 哲学：Steve Jobs 父亲是木匠，教他"柜子背面也要用好木头做"——即使没人看到，因为你自己知道。这成为 Apple 对内部走线、螺丝隐藏、PCB 布局美观的执念源头
• First principles 决策：不问"行业惯例怎么做"，问"物理上最优解是什么"。MacBook Pro thermal design 时 Caitlin 的体验：Jobs 会直接否决"这是供应商说的极限"，逼团队找到新的热解决方案
• 质量标准不可动摇：当工程和制造出现 trade-off 时，Apple 选择延期而非降标——这在快速迭代的互联网文化中是反直觉的
• Caitlin 对后续职业的影响：在 Meta 和 OpenAI 都试图复制"不妥协的质量基线"，但承认在非 Apple 的组织中执行难度大得多

"Steve used to say: 'A great carpenter doesn't use a piece of shitty wood for the back of a cabinet, even though nobody will see it.'" —— Caitlin Kalinowski 引述 Jobs

核心论点：Caitlin 离开 OpenAI 的根本原因不是技术分歧，而是对公司与美国国防部（DoD）军事合作的治理机制和决策速度不满——她认为这类决定需要更深思熟虑的流程。

• 事件核心：OpenAI 开始探索与 DoD 的合作（具体内容未详述），Caitlin 对这一决策的治理流程（governance process）有异议——不是反对合作本身，而是反对"决策是怎么做出来的"
• "第三条路"：既非留下来按不满意的方式执行，也非公开反对，而是安静离开并投身自己认为更值得的方向（独立robotics投资+顾问）
• 补充背景：Caitlin 此前在 OpenAI 从零搭建 robotics 部门，吸引了多位顶级人才加入；离开时这个部门已有初始规模
• 她对军事技术的态度并非简单反对——在讨论 Palmer Luckey / Anduril 时表达了对"防御性无人系统"的认可，核心顾虑是决策过程而非方向本身

核心论点：硬件 AI 团队最稀缺的不是某个专项技能，而是"从零做过一个东西并 scale 到量产"的完整经验——再加上 20 岁出头、原生在 AI 工具中成长的新一代。

• Generalist 优先：早期团队需要能横跨机械/电子/软件边界的人，不是"我只做散热"的超专才——因为硬件+AI 的交叉点上没有现成的职能分工
• Scaling 经验：做过 prototype 和做过量产是完全不同的能力。量产需要理解公差累积、供应商管理、failure mode analysis、cost-down engineering
• AI-native 新人（20 岁左右）：他们从学生时代就用 AI 工具做设计和仿真，对"AI 能做什么/不能做什么"有直觉判断——这是 40 岁工程师后天补不回来的
• 最理想的组合：资深 generalist（提供制造直觉和供应链关系）+ AI-native junior（提供新工具流的探索能力）

核心论点：三位 CEO 给 Caitlin 的核心教训——Altman 推你想更大、Jobs 逼你不妥协、Zuckerberg 要求在最低层级做决策。

• Sam Altman："Why not 100x? You're thinking too small." —— 当 Caitlin 提一个"很大"的方案时，Sam 会问"为什么不再大一百倍"，逼迫思考是否被当前约束限制了想象
• Steve Jobs：质量标准完全不可动摇，从不接受"这是工程极限"作为借口——总是逼团队再找一个解
• Mark Zuckerberg / Andrew Bosworth：要求决策在最低可能的层级做出，以保持组织速度；Bosworth 能 grok 20 页的技术文档细节，让工程师无法用"太复杂了"来拒绝上级理解
• 三种风格的共性：拒绝中庸的默认选项——要么目标更大、要么标准更高、要么速度更快

"Sam would say: 'Why not 100x? You're thinking too small.' And every single time, it turned out he was right to push." —— Caitlin Kalinowski

核心论点：传统军事平台（航母、坦克、战斗机）在成本不对称的无人机/无人系统面前正在失去意义——一架 $500 的无人机能瘫痪一辆 $5M 的坦克。

• Palmer Luckey 的判断：Oculus 创始人转做军事科技（Anduril），核心论点是"无人机和自主系统能以 1/10000 的成本实现同等战力投射"
• 成本不对称：乌克兰战场已证明——FPV 无人机成本 $500-$2000，能摧毁 $2-5M 的装甲车辆；防御端的 C-UAS（反无人机系统）成本也远低于传统防空
• 技术共享：无人机和民用 robotics 共享同一底层技术栈——actuator（旋转电机）、SLAM、惯性导航、电池管理——军民两用
• Caitlin 的态度：虽因 DoD 治理问题离开 OpenAI，但对 Anduril 式的"防御性无人系统"持认可态度——区别在于透明的决策机制