构建信号SIGNAL TO BUILDEnglish站主登录 ↗
← 知识整理
AI 技术与工程 ／ 知识整理 · 中文

AI Builders · AI for Science、深科技与算力基建(播客精炼)

把 AI 接到物理世界——材料/生物自动驾驶实验室(Periodic、Ginkgo)、Waymo、AI 芯片与推理算力(Cerebras、Baseten)、太空数据中心(Starcloud)、AI 智能灶——以及让"AI for X"在原子世界真正跑通的跨域心法

资料来源：AI Builders · 本站发布：2026-09-26 · 笔记更新：2026-06-05

AI for Science算力深科技

这一篇把 9 期播客按子领域 + 跨域心法重组,而不是一期一期复述。主线只有一条:把 AI 从"屏幕里的文字"接到"物理世界的原子",以及支撑这一切的算力底座。 它覆盖四块:① 科学自动化——材料(Periodic Labs、MIT Heather Kulik)和生物(Ginkgo)的"自动驾驶实验室";② 自动驾驶——Waymo 把"自动化"推过灵活性那堵墙变成"自主";③ 算力与芯片——Cerebras(做超大 AI 芯片的公司)、Baseten(专做"推理"的云,见 §3.1 名词);④ 新硬件形态——Starcloud 把数据中心搬上太空、Impulse 用电池重造灶台。

何时打开:

  • 你想搞懂"AI for Science / AI for 材料 / AI for 生物"到底卡在哪、为什么不是再训个大模型就行
  • 你听到 Cerebras / Baseten / 推理算力 / GPU 短缺,想知道这门生意的护城河和风险
  • 你想理解为什么大家把 Waymo、Ginkgo 自动实验室都叫"某某行业的 Waymo 时刻"
  • 你做产品/投资,想要一套判断"AI 应用到物理世界"何时能成的框架
  • 你想要几个反直觉的硬件/深科技创业心法(电池重造灶台、数据中心上太空、"专业 David")

0. 一句话地图:这 9 期在讲同一件事

子领域 谁(人 · 公司 · 节目) 一句话主张
AI for 材料 Heather Kulik(MIT 化工教授 · Latent Space) 材料没有 AlphaFold,卡点是数据质量不是模型
AI for 原子 Liam Fedus(Periodic Labs 联创、ChatGPT 共创 · No Priors) 给人类"原子重排"的能力,关键是模型↔仿真↔真实实验的闭环
AI for 生物 Jason Kelly(Ginkgo Bioworks CEO · Training Data) 生物的"Waymo 时刻":AI 哪怕更笨,自动实验室也能赢
自动驾驶 Dmitri Dolgov(Waymo 联席 CEO · Training Data) 上手容易、走到底极难;"端到端"不够,要加可验证的中间表示
AI 芯片 Andrew Feldman(Cerebras 创始 CEO · No Priors) 全新工作负载要全新架构(整片晶圆),不是改 GPU
推理算力 Tuhin Srivastava(Baseten CEO · No Priors) "就算有了 AGI,剩下的全是推理"——推理是最后的市场
太空数据中心 Philip Johnston(Starcloud CEO · Training Data) 地球建数据中心边际成本在涨,太空在跌,总会交叉
AI 智能灶 Sam D'Amico(Impulse Labs CEO · Latent Space) 往灶台塞块电池,把用户体验和电网解耦

注:Ginkgo 的两期(biologys-waymo-moment 与 how-autonomous-labs-will-transform)是同一场 Jason Kelly 访谈的两个剪辑版,本篇已合并,不重复。

1. 科学自动化:从"在屋里苦思"到"自动实验室"

1.1 共识起点:科学的瓶颈是动手做实验,不是想得不够

三位科学派创业者(Fedus / Kulik / Kelly)异口同声:真正的科学不是坐在房间里冥思,而是和真实世界打交道、反复做实验。

"Science ultimately isn't sitting in a room thinking really hard. You have to conduct experiments. You have to learn from them. You have to interface with reality." — Liam Fedus(Periodic Labs · No Priors) 译:科学说到底不是坐在屋里使劲想。你必须做实验、从中学习、和现实交手。

Jason Kelly(Ginkgo · Training Data)把这点量化:约 95% 的科学是实验性的(不是靠理论/仿真就能算出来的),想知道新东西就得"go poke it"——真的去戳一下物理世界。

Why 这条是整章的地基:这就解释了为什么"AI for Science"不是"再训一个更聪明的模型"那么简单——智能再高,也得有一套能真的动手做实验的系统接在后面。下面三家就是在解决"怎么让 AI 动手"。

1.2 数据,而不是模型,才是物理世界的稀缺品

语言模型有整个互联网当数据;物理世界没有。两位都点破同一个数据陷阱:

  • Kulik(材料):现在最聪明的 ML 工程师训练用的,是低精度的 DFT(密度泛函理论,一种用计算机近似算分子能量的方法)数据集,和真实实验对不上。

"All the smartest ML engineers right now are learning on data that is not going to be reflective of experiment." — Heather Kulik(MIT · Latent Space) 译:现在最聪明那批 ML 工程师,学的全是和真实实验对不上的数据。

  • Fedus(原子):从论文里扒出来的材料属性值能横跨好几个数量级,拿它训练只是在拟合一个"分布",离真值并没更近一步——只有实验数据能提供"接地"(grounding)。

两人开出同一张药方:闭环(closed loop)。 不是攒一池静态数据,而是:做实验 → 看异常/规律/和仿真是否一致 → 决定下一批做什么。

"It's not just a pool of data, it's a very active loop." — Liam Fedus 译:它不是一池数据,是一个非常活跃的(实验)闭环。

给非技术读者的类比:就像开餐厅不是把菜谱背得多熟,而是真炒一盘端给客人尝 → 看反馈 → 改下一盘。AlphaFold 当年能成,正是因为蛋白质领域有 CASP 这种"真实实验答案"当裁判;材料领域恰恰缺这个裁判(§1.3)。

1.3 "材料界没有 AlphaFold"——为什么不能照搬

Kulik 的核心判断:别指望 AlphaFold 那套直接搬到材料上,而且卡点是数据,不是模型架构。

维度 蛋白质(AlphaFold 能成) 材料(搬不过来)
积木块 ~20 种天然氨基酸,结构规整 积木种类多得多,成键方式千变万化(尤其金属-有机键)
裁判 CASP 有实验真值当 ground truth 大多只有低精度 DFT,缺实验真值
风险 — "可能比 AlphaFold 失败得更惨烈"

"These models could fail more catastrophically than AlphaFold obviously fails." — Heather Kulik 译:这些(材料)模型可能比 AlphaFold 明显的失败,栽得还要惨。

她有个反复用来打脸大模型的小测试——"22 个原子的配体挑战":

"The thing I constantly do every time an LLM is updated is I just ask it, please design me a ligand that has 22 atoms. I can never get an answer that has 22 atoms." — Heather Kulik 译:每次有新版大模型,我都让它"设计一个含 22 个原子的配体",从来没拿到过真是 22 个原子的答案。

两条可迁移的方法论(对任何"AI for X"都成立):

  1. 不必等模型准了才开干——主动学习(active learning)里,"在大海捞针时搜得快"比"每次预测都准"更值钱;哪怕模型不准,每多优化一个维度也能带来 100–1000 倍提速(她做 MOF 材料捕碳,一次同时优化 7 个目标)。
  2. 学科素养是判官:LLM 擅长"维基百科级"的化学常识,做不了真实设计;你得懂到能判断模型对错,把它当工具,而不是从零开始盲信。

"ChatGPT is super good at Wikipedia level chemistry knowledge." — Heather Kulik 译:ChatGPT 对维基百科级别的化学知识非常在行(——言下之意:再往深就不行了)。

Why 这节重要:它是对"AI 万能"叙事的最硬纠偏。同样是科学派,Kulik 比 Fedus/Kelly 更悲观地强调"数据真值"这道坎——三家放一起看,正好是一个领域内部的健康分歧。

1.4 Periodic Labs:语言模型当"编排层",专用网络当工具

Fedus(刚从 OpenAI 出来,曾是 ChatGPT 共创、后训练负责人)做的 Periodic Labs,定位是"原子的 AI 基础实验室"。架构很值得产品经理学:

  • 语言模型 = 编排层 / 实验主管:读文献、在多种实验数据和模态之间穿梭、决定下一步;
  • 专用神经网络 = 被调用的工具:为原子系统专门造的、带对称性约束的、低延迟、微调过的小模型,当工具或奖励函数用。

两个反直觉的资源观:

  • Periodic 在"改进编程模型"上花的精力是零——直接拿 Codex 和 Claude Code 现成用当加速器,ML 力气只投在"现成前沿模型还不够好"的地方。
  • 智能是"尖刺状"的,不是一个标量:可以造一个在某个数学领域世界级的系统,题目一扰动它就退化成"差生"。

"One fallacy is thinking about intelligence as a scalar." — Liam Fedus 译:一个谬误就是把"智能"当成一个单一刻度的数值。

商业模式:把自己定位成被材料/工艺工程卡脖子的公司的"智能层 / 系统记录 / 控制平面";先做软件生意,个别高价值突破可能转向生物科技那种"合作+分成 / 自己持有材料"的模式。Periodic 自己是"customer zero"(第一个用户)。

关于机器人:对 Periodic 的"逃逸速度"不是必需,但是"巨大的加速器"。今天用现成、已商品化的机器人 + 人 + 可靠的自动化部件就够;真有了能进非结构化实验室、可靠听指令的灵巧人形,会极大加速开新实验室。(这点和 Kelly 的"实验室里没有人形机器人未来"是有张力的,见 §1.6。)

1.5 Ginkgo:生物的"Waymo 时刻"——AI 更笨也能赢

Kelly 的世界观:DNA 就是代码(ATCG 而非 0/1),细胞像可编程的计算机,只不过它"搬的是原子"而非信息。Ginkgo 做了 ~15 年的"设计 + 测试"两端,近两年彻底砍掉了"设计",全力做"测试/建造"那一端——

因为设计是科学问题(碰对了很爽,但不可预测),而实验室那端是工程问题,可以"碾成灰"(render to dust)。

最硬的实证(和 OpenAI 合作):给一个推理模型配一座机器人实验室,让它优化"无细胞蛋白合成"。每轮 ~100 块 384 孔板、约 3 万次实验,模型看完返回数据再设计下一轮。4 轮后超过当时最好水平,6 轮后再超 40%。

它为什么赢?Kelly 反复强调——不是因为它更聪明,是因为它能"动手做实验":

"What really let it break through wasn't that it was so smart. It was that it could run experiments." — Jason Kelly(Ginkgo · Training Data) 译:真正让它突破的,不是它有多聪明,而是它能跑实验。

自动实验室的两大"不公平优势"(也是本篇最适合迁移的洞见):

  1. 信息共享:100 个 AI 科学家各追一个假设,每天互相同步原始数据——哪怕你的失败结果,也能帮到我那个不同的假设。人类科学里你得等 1–2 年读到一篇被高度提炼的论文,永远看不到别人的失败和原始数据。
  2. 成本结构:生物医药每年 $600–800 亿研发,真正花在试剂上的不到 5%,其余全是间接成本(人、场地、监管、利用率极低的设备)。AI + 机器人实验室能把这个翻过来,让 ~90% 花在试剂上 ≈ 每块钱多拿 10 倍数据。

"Less than 5% [of R&D spend] is on the reagents. Everything is on overhead." — Jason Kelly 译:研发开支里花在试剂上的不到 5%,其余全是间接成本。

两个优势叠起来:就算 AI 比人类科学家更笨,自动实验室也能赢。

1.6 "Waymo 时刻" = 自动化 × 灵活性(本篇的母框架)

Kelly 提出一个能套到几乎所有物理基础设施上的 2×2 框架(也是为什么这章把生物和自动驾驶并排放):

低灵活性 / 低混合 高灵活性 / 高混合
高自动化 地铁(固定线路) Waymo = 自主(autonomy)
低自动化 — 汽车(人开,最灵活)

"Since the industrial revolution, we've basically been automating everything that is low mix... and we just hit a wall on flexibility — and AI pushes us past it." — Jason Kelly 译:工业革命以来我们基本把所有"低混合"的活儿都自动化了……然后撞上了灵活性这堵墙——而 AI 把我们推过了这堵墙。

当一个系统同时拿到"自动化 + 灵活性",我们就不再叫它自动化,而是发明了"自主"这个词。 实验室自动化正是这种"高混合、低产量"的活儿,过去极难自动化;今天 99% 的实验仍是"在台子上人工做"(就像 99% 的里程仍是人开车)。

但实验室和自动驾驶有个关键反差(Kelly 特意点明):

  • 自动驾驶最难的是变化的物理世界(锥桶、下雨、没去过的地方);
  • 实验室环境根本不变,难的是科学家要求的多样性。

所以两套技术栈不一样。Kelly 说自动实验室只要啃下两块就"done":① 把约 1000 种长尾的第三方台式仪器(软件都很烂)整合进一套可软件控制的系统;② 解决液体处理(移液,黏稠液体要像人那样凭眼调压)。

"It is f***ing tractable." — Jason Kelly(谈自动化移液 + 仪器整合) 译:这事儿是他妈能解决的。

两个和 Periodic 相反的判断(健康分歧):

  • 实验室里没有人形机器人未来:科学家主要任务是"挪样品",用高可靠的轨道(微米级)+ 6 轴机械臂远比双足走路强;生物/芯片都是微观学科,人形"毫无意义"。(对比 §1.4 Fedus 把人形当"加速器"。)
  • 实验室会变小,不会变大(和数据中心相反):集中式自动实验室消灭重复购置、把设备利用率从不到 20% 提到 ~70%、围着轨道塞得更紧。

1.7 一个共同的"小工具"突破:让不写代码的科学家也能用机器人

三家都提到同一个细节——Claude Code / Codex 让"不会编程的科学家"能驱动机器人。这是非常具体、可复用的产品洞见:

  • 科学家恨可视化编程(LabVIEW 被骂"complete trash"),没人愿意编程;
  • Ginkgo 出过两次事故:科学家把封着膜的板子送进移液机器人,机械臂卡在膜上(专家也会犯低级错,是 UI 的锅);
  • 解法:科学家只提交写好的实验方案(自然语言),让 Claude Code / Codex 去生成代码;模型一旦犯错(比如又送封膜的板),就更新 skills 文件,让它再也不犯。

"From now on, the way we're going to interact with writing the code is through Claude Code or Codex... and if the model sends a plate sealed, we will update the skills file." — Jason Kelly 译:从现在起,我们写代码的方式就是通过 Claude Code 或 Codex……要是模型送了块封膜的板,我们就更新 skills 文件。

Why 对 PM 重要:这是"用 skills 文件把踩过的坑沉淀成永久规则"的真实工业案例——和你管理 AI agent 的方式一模一样。Sam D'Amico 的灶台同理(§4.2),连灶台都跑 Claude 当 agent。

2. 自动驾驶:Waymo 怎么走完"长尾"

Waymo 联席 CEO Dolgov(干自动驾驶 ~21 年,从 2005 DARPA 挑战赛起步)给出的,是"AI for 物理世界"里走得最远的样本:20M+ 全自动行程,其中 1000 万发生在最近 7 个月。

2.1 最反炒作的一条:突破只改写"前段曲线",不改写"长尾"

"It's very easy to get started, but it's very difficult to take it all the way to a real product, full autonomy, and superhuman performance." — Dmitri Dolgov(Waymo · Training Data) 译:上手非常容易,但要一路走到真正的产品、完全自主、超越人类的表现,极其困难。

Dolgov 的"炒作周期观":一次突破会让一个问题容易的早期部分飞速进步、吸引投资,但它不改变长尾。Waymo 能熬过 2016–17 那波多数对手放弃的低谷,靠的是:坚信使命重要 + 清楚它有多难 + 不去追"容易的赢"和"银弹"。

"Safety has to be the non negotiable foundation... how you go about the first 90 is a totally different problem from how you go about getting to your next n nines." — Dmitri Dolgov 译:安全必须是不可妥协的地基……做到前 90% 和拿到接下来那"几个九"(99.9%、99.99%……),是完全不同的两个问题。

Why 这条值得每个做 AI 产品的人贴墙上:demo 惊艳和真正可靠之间隔着整条长尾。和 Kulik 的"别等模型准了才开干"并不矛盾——研究阶段要敢糙快上,但做成给真人用的产品时,最后那几个九才是全部难度。

2.2 "端到端"是个伪二选一

很多人争论自动驾驶该不该"端到端"(传感器直接出动作)。Dolgov 说这是假命题:

"There's a massive difference between using end to end versus purely relying on it." — Dmitri Dolgov 译:"用端到端"和"纯靠端到端"之间,差别巨大。

Waymo 的基础模型是"多模态世界-动作-语言模型"(同时推理图像/视频 + 激光雷达/雷达,带 3D 空间+物理+行为理解,还能拉语言模型的常识做语义),它确实是端到端的;但 Waymo 在学到的表示之外,又叠了"结构化的中间表示",好让车能在运行时自检、做闭环评估/训练、给强化学习设计奖励。纯 vanilla 端到端做不出"全自主 + 超人安全 + 海量规模"的产品。

给非技术读者:"端到端"像让一个老司机凭直觉一把开到底;Waymo 是直觉之外还插了几个"仪表盘和检查点",好在出问题时能看见、能纠、能验证。这与 §2.1 的"长尾"是一体两面——为了走完长尾,你必须放弃"一个黑箱搞定一切"的纯粹优雅。

2.3 规模化是"相变",不是线性

  • 100M(1 亿)英里花了 ~16 年,下一个 100M 只花了 ~6 个月;
  • 从首次全自动运营到 4 城公开载客花了 8 年,最近一天就上线 4 城;
  • 数据:每周 400 万+ 自动驾驶里程;严重伤害事故上比人类安全 13 倍 = 每 8 天少一次重伤。

战略也从"刻意、顺序地逐项排雷"切换到"快速、并行的全球商业化"。这正是 Kelly/Feldman 反复说的"art of the possible 被拓宽了"——一旦相信某事可能,速度本身就是巨大优势。

3. 算力底座:芯片与推理,是这一切的电网

AI 接到物理世界,底下烧的是算力。两期把"卖算力"这门生意讲透了。

3.1 名词先垫一下(非技术读者必读)

  • 推理(inference):模型训练好之后、每次回答你问题时的计算。训练像"上学",推理像"上班干活"——你每用一次 ChatGPT 就触发一次推理。
  • GPU:英伟达那种通用 AI 芯片,既能训练也能推理。
  • 晶圆级芯片(wafer-scale):Cerebras 的押注——别人把一片晶圆切成很多"邮票大小"的芯片,Cerebras 不切,做成一整片"餐盘大小"(46,000 平方毫米)。

3.2 Cerebras:全新工作负载,要全新架构(不是改 GPU)

Feldman(第 5 次创业,Cerebras 以约 $630 亿市值 IPO)的核心论点:要快 15–20 倍,不可能靠对 GPU 小修小补,架构必须从根上不同。

"How big is the market for slow search? It's zero. How big is the market for dial-up internet? Zero. That's how big the market for slow inference will be." — Andrew Feldman(Cerebras · No Priors) 译:慢的搜索有多大市场?零。拨号上网有多大市场?零。慢的推理,市场就这么大。

几条对创业者极有用的心法:

  • "提前于市场"会很痛:他们 2019 就证明了晶圆级可行,但 2023–2025 初"没人在乎"——Gen1 出货十几台、Gen2 约 300 台、Gen3 现在数万台。做对了还要等市场长到能用 AI 那天。
  • 跨越鸿沟的路径:先打超算客户(爱速度、容忍不成熟软件)→ 阿贡、劳伦斯利弗莫尔、桑迪亚等国家实验室 → 油气、制药 → 再用一个主权大客户(G42 下了约 $10 亿订单)当"过桥客户"重塑供应链、把集群铺到能在真实规模上压测 → 等 OpenAI(约 $200 亿+ 大单)、AWS 来时已就绪。
  • "做专业 David":

"You gotta love being a David. I'm a professional David. This is my fifth startup. I compete against Goliath." — Andrew Feldman 译:你得享受当大卫(对抗歌利亚的那个小个子)。我是职业大卫。这是我第五次创业,专门跟巨人打。

  • 什么时候该放弃:你曾列出"赢需要哪些前提假设",结果它们全部返回为否时,就是该退的明确信号;靠几个见过世面的前 CEO 帮你"对自己当初的判断负责",防"温水煮青蛙"。
  • 速度催生全新商业模式(签名级洞见):速度不是把旧生意做得"略好",而是开出全新生意。

"Netflix used to deliver DVDs in envelopes... when the internet got fast, they became a movie studio. That's what happens with speed." — Andrew Feldman 译:Netflix 当年是往信封里塞 DVD 寄给你……网速一快,它就变成了电影公司。速度带来的就是这种质变。

3.3 Baseten:"就算有了 AGI,剩下的全是推理"

Tuhin(Baseten,过去一年增长 30 倍、今年预计营收破 $10 亿、集群利用率"高得不舒服"的 90 多 %)把推理这门生意的护城河和风险讲得最清楚:

  • 护城河在哪:价值活在你能采到的"独特用户信号"里。如果信号能被编码进一个模型、被大厂复制,生意就危险;如果它编码进工作流(比如 Abridge 的医生改病历动作往电子病历里走三步),那就是前沿大厂够不到的护城河。
  • 市场有多早:按推理调用次数算,约 99% 的市场还没上线;企业采用顺序是"用 AI 工具 → 调闭源 API → 用自定义/后训练模型",最后这阶段还在前头。
  • "卖 GPU"不黏,"带软件层的推理"极黏:

"GPUs as a service is not sticky... Inference with the software layer included is incredibly sticky. None of our top 30 customers have ever churned. We're talking like 400% annual NDR." — Tuhin Srivastava(Baseten · No Priors) 译:把 GPU 当服务卖一点都不黏……带上软件层的推理黏性极高。我们 Top 30 客户从没流失过,年净收入留存率约 400%。

  • 行业残酷现实:供给比外界以为的更紧,几乎没空闲算力;1024 张 B200(英伟达旗舰)现在要签 3–5 年合同 + 预付约 20–30% 合同总额——这把"低资金成本"变成关键竞争力,也"逼公司更早上市"。
  • 杰文斯悖论(Jevons paradox)对推理成立:智能越便宜,开发者塞进去的就越多,agent 跑得更久、干更多活。

"Even if there's AGI, all that's left is inference." — Tuhin Srivastava 译:就算真有了 AGI,剩下的也全是推理。

  • 对中国开源模型:DeepSeek、Kimi 等"非常棒";DeepSeek 能以约 20% 的成本跑出可比甚至更好的延迟与可靠性,失去这份智能对美国创新会是"巨大损失";美国需要自己强的开源模型,"必要且必然"。

Why §3 两期要一起读:Cerebras 从"芯片架构"端、Baseten 从"推理软件层"端,讲的是同一句话——推理是未来十年的主战场,而护城河不在硬件本身,在软件/工作流/独特信号。这也回应了 §1 那些自动实验室烧的到底是什么(答案:海量推理)。

4. 新硬件形态:把数据中心搬上天,把电池塞进灶台

最后两期是"硬件第一性原理"的两个极端样本,共享同一类创业心法。

4.1 Starcloud:地球边际成本在涨,太空在跌,总会交叉

Johnston(Starcloud,曾在麦肯锡服务航天机构)的核心论点:

"In space the marginal cost goes down for every additional unit... there comes a crossover point where it just makes zero sense to continue building things on Earth." — Philip Johnston(Starcloud · Training Data) 译:在太空,每多建一个单元边际成本反而下降……总会到一个交叉点,在地球上继续建就毫无意义了。

为什么太空赢过地面太阳能:不用批地(北美 100MW 项目审批要 5–10 年)、24 小时有光不用储能、1 平方米太阳能板在太空产出是地面的 8 倍。发射成本降到约 $500/kg 即可盈亏平衡,降到几百以下"太空永远赢"。

几个反直觉的工程现实(适合理解"物理世界没那么浪漫"):

  • ~70% 工程时间花在散热,只有 ~30% 在芯片可靠性。太空虽冷却是真空(绝缘体),唯一散热方式是红外辐射,且辐射量随温度的 4 次方增长——所以要把散热器尽量烧热。
  • 芯片比想象中抗辐射:在轨那台 H100 零重启失败;GPU 负载是随机性的,偶尔一个比特翻转不改变输出质量("写首关于太空的诗"翻一下还是一首一样好的诗)。
  • 商业模式是 Equinix,不是 AWS:只提供带电力/散热/连接的"箱子",客户自己装芯片——核心 IP 是散热+抗辐射,而不是去重建 AWS 二十年的应用层。

"You can think of us more like Equinix while SpaceX might be more like AWS." — Philip Johnston 译:你可以把我们想成 Equinix(只提供机房/机柜),而 SpaceX 更像 AWS(连应用层都自己做)。

整门生意的赌注极其干脆:

"If you don't think the launch costs are going to come down, then we're a terrible business. If you do, then we may be the biggest business ever." — Philip Johnston 译:你要是不信发射成本会降,那我们是门烂生意;你要是信,我们可能是史上最大的生意。

4.2 Impulse:往灶台塞块电池,把体验和电网解耦

D'Amico(Impulse Labs,做过 Google Glass、Oculus、Meta Quest Pro 手柄)从第一性原理重造灶台:在灶台里塞一块 3 kWh 磷酸铁锂电池,在墙插供电之上再加约 15,000 瓦,单个灶头最高 10,000 瓦(约是普通电磁炉的 3 倍)。

"If you slam a battery into it, you've decoupled the energy input from the wall with the device's power outputs. You can decouple the user experience from the grid." — Sam D'Amico(Impulse · Latent Space) 译:你往里硬塞一块电池,就把"从墙插进来的能量"和"设备输出的功率"解耦了——你把用户体验和电网解耦了。

几条可迁移的硬件创业心法:

  • "像造手机一样造灶台":当消费电子来做,不当家电——明确类比特斯拉 Model S 端到端自研、不用一堆现成供应商零件,所以"就是更好的车"。
  • 闭环温控是杀手锏:开发机能稳住 446°F 煎扇贝,丢进冷扇贝温度掉 ~10° 系统立刻补功率,"不冒烟、不烧焦"。他把这叫"机器人":

"We stopped calling robots robots when they work." — Sam D'Amico 译:当机器人真能干活时,我们就不再管它叫机器人了。

(注意这句和 Kelly 的"自动化→自主"、Dolgov 的"超人表现"是同一种精神——可靠到不再是噱头。)

  • 不需要应用商店:"只要它能做饭,你就 OK"——刻意避开双边市场/内容补贴这种烧钱坑(对比 Meta Reality Labs 给 Quest 内容的巨额补贴)。
  • 挑大厂不玩的低垂果实,别造一个"必须被收购"的公司,以 Palmer Luckey/Oculus 为榜样。
  • 连灶台都跑 Claude 当 agent:"把右前灶头设到煎扇贝的温度"→ 它真去设;菜谱 agent 能联网搜菜谱、转成带分步计时器的结构化步骤、确认后给灶头发真实指令(预热油到 351°F)。而且 D'Amico 这个硬件背景的人,用 Claude Code + Sonnet 4 从零搭出了部署在 AWS 的车队遥测系统。

"If you're a 30 person hardware startup, the CEO better be coding." — Sam D'Amico 译:如果你是个 30 人的硬件创业公司,CEO 最好自己在写代码。

5. 跨域心法:让"AI for X"在物理世界真正跑通,需要什么

把 9 期横着切,提炼出几条对做产品/投资最有用的判断:

  1. 闭环 > 静态数据集:物理世界没有现成互联网,价值在"做实验→学→再设计"的活闭环里(Fedus、Kulik、Kelly 三人共识)。问任何 AI-for-X 项目第一个问题:它的实验闭环在哪、转得多快?

  2. 数据真值是隐形天花板:有真实裁判(蛋白质的 CASP)就能出 AlphaFold,没有(材料)就别指望。判断一个科学 AI 项目,先看它拿什么当 ground truth。

  3. "自动化 × 灵活性"判断成熟度:能同时拿到两者才配叫"自主"(Waymo 时刻)。问:这活儿是高混合低产量吗?灵活性那堵墙怎么过?

  4. demo 惊艳 ≠ 走完长尾:前 90% 和"接下来几个九"是两个问题(Dolgov)。研究阶段敢糙快上(Kulik),做产品时最后几个九才是全部难度。

  5. 护城河在工作流/独特信号,不在模型也不在硬件:能被大厂复制的(模型里的能力)危险,编码进工作流的安全(Baseten);卖裸算力/裸 GPU 不黏,带软件层才黏。

  6. 速度开新生意,不是把旧生意做略好:Netflix→电影公司、慢推理市场=零(Feldman)。别问"快一点值多少钱",问"快到某个程度会开出什么全新模式"。

  7. AI 编程是物理世界创业者的隐形杠杆:Periodic 零投入直接用 Claude Code/Codex;Ginkgo 用它让不会编程的科学家驱动机器人 + 用 skills 文件沉淀规则;连灶台 CEO 都自己 vibe coding。软硬件团队都在用同一套 agent 工作流。

  8. 硬件第一性原理 + 商业模式克制:Impulse 塞电池解耦电网、Starcloud 只做"太空版 Equinix"不重建 AWS、Cerebras"做专业 David"——共同点是挑大厂不玩的低垂果实 + 避开双边市场/必须被收购的结构。

  9. 国家安全与中美变量贯穿始终:中国新药发现份额 3 年从 <5% 涨到 40%+(Kelly)、DeepSeek 以 20% 成本逼平闭源(Tuhin)、美国靠 AI+自动化才能不被"技术突袭"(Project Genesis / DOE)。深科技投资绕不开这条地缘线。

引用与延伸

9 期来源(全部源路径):

  • ../sources/learning/follow-builders/podcasts/latent-space-the-stove-guy-sam-damico-shows-new-ai-cooking-features-on.md — Sam D'Amico / Impulse Labs / Latent Space(2026-03-31)
  • ../sources/learning/follow-builders/podcasts/latent-space-there-is-no-alphafold-for-materials-ai-for-materials-disc.md — Heather Kulik / MIT / Latent Space(2026-03-24)
  • ../sources/learning/follow-builders/podcasts/no-priors-ai-for-atoms-how-periodic-labs-is-revolutionizing-materials.md — Liam Fedus / Periodic Labs / No Priors(2026-04-03)
  • ../sources/learning/follow-builders/podcasts/no-priors-baseten-ceo-tuhin-srivastava-on-the-ai-inference-crunch-cust.md — Tuhin Srivastava / Baseten / No Priors(2026-05-01)
  • ../sources/learning/follow-builders/podcasts/no-priors-the-story-behind-cerebras-63-billion-ipo-with-founder-and-ce.md — Andrew Feldman / Cerebras / No Priors(2026-05-21)
  • ../sources/learning/follow-builders/podcasts/training-data-biologys-waymo-moment-ginkgo-bioworks-jason-kelly.md — Jason Kelly / Ginkgo Bioworks / Training Data(2026-03-24,剪辑版 A)
  • ../sources/learning/follow-builders/podcasts/training-data-how-autonomous-labs-will-transform-scientific-research-g.md — Jason Kelly / Ginkgo Bioworks / Training Data(2026-03-24,剪辑版 B,与上同场访谈)
  • ../sources/learning/follow-builders/podcasts/training-data-greetings-earthlings-philip-johnston-of-starcloud-on-dat.md — Philip Johnston / Starcloud / Training Data(2026-03-17)
  • ../sources/learning/follow-builders/podcasts/training-data-waymos-dmitri-dolgov-20-million-rides-and-the-road-to-fu.md — Dmitri Dolgov / Waymo / Training Data(2026-05-04)

配套 wiki:

History

  • 2026-06-05 v1.0 创建 — follow-builders 播客精炼,AI for Science / 深科技 / 算力基建主题桶,9 期来源(Ginkgo 两剪辑合并),主题驱动 + 双语。

2026-09-26 增补：从有用工作倒推算力和交付链条

证据范围：Jensen Huang（feed 2026-06-10）、Lip Bu Tan（2026-06-18）、Max Hodak（2026-08-20）的本地截断稿；本节为 partial。仅保留可见片段支持的产品与工程判断，医疗审批、估值和性能口述未另行核验。

先定义工作，再谈基础设施。 Jensen把生成内容、推理和操作工具串成能力演进，核心价值判断是能否交付有用工作。他建议同时看下游行业任务和上游计算需求。把旧计算描述为预存与检索、把AI描述为按情境即时生成，是解释框架；可见开场并不足以证明所有企业都应自建“AI工厂”。

“We pay for people who do work.” 译：我们为完成工作的人付费。

客户买的不是孤立芯片参数，而是可靠交付。 Lip Bu Tan谈代工时强调所需IP、良率、缺陷密度与周期；有些客户需要整机架，因此还要软件与系统。他关于CPU重要性的论点来自agent编排等任务组合。CPU/GPU约1:8到1:4或1:1只是访谈观察与预期，不能代替自己的负载测量。

“It's a service business. It's a trust business.” 译：这是服务生意，也是信任生意。

远期研究和近期产品可以双线推进，但里程碑要分开。 Max Hodak介绍Science将长期神经接口研究与近期视觉恢复产品配对，从可利用的生物通路倒推方案，也同时考虑自研和收购。其口述的欧洲许可与未来数周首批销售是不同状态；许可不等于已经销售，更不等于规模化效果完成验证。本段只记录路线选择，不构成医疗适用性建议。

对PM可用的检查顺序是：任务结果是什么 → 为此需要什么软硬件与数据 → 哪个可靠性或周期是约束 → 哪项技术、许可、首单、规模化里程碑已经达成。避免把上游能力展示直接翻译为下游商业成功。

2026-09-26 全文增补：设计提速之后，重新计算验证与供应链的关键路径

基于Arm CEO Rene Haas本地完整访谈00:00—37:04（full_scan）。数字与趋势为嘉宾口述，未来周期缩短属于预测。

交付芯片比交付设计多了一整套责任。 IP许可像提供零件设计，计算子系统像提供组装蓝图，出售实体芯片还需制造配额、内存、基板、布局实现、调试实验室、库存与售后。即便不自建晶圆厂，也无法省掉这些能力。向下游走还要维护原有芯片与软件客户生态，不能只看新产品收入。

AI的近期价值可能先出现在验证、调试和文档。嘉宾称芯片典型开发周期24—36个月，最大部分不一定是首次设计；80%—90%工程师每天用AI是采用口径，不能写成同幅度生产率提升。有设计却没有文档和测试，既难卖给客户，也难作为可靠训练与验证材料。

“It's unusable. It's untestable.” 译：它无法使用，也无法测试。

因此不能将RTL（描述数字电路行为的代码）生成提速，直接乘到整条上市周期。对更简单设计，他提出五年以上可能从想法生成送厂文件；最先进、同时更快更省电更便宜的设计，不是现在按一次按钮就能交付。

设计端变快还可能把瓶颈移向晶圆、内存、先进封装和数据中心建设。资金、供应链关系与施工能力需提前安排。系统层同样不能只看GPU：CPU承担调度与工具执行，内存与加速器共同决定实际任务表现；穿戴等端侧设备还受到严格功耗约束。

“you just can't put a 50 watt GPU on your head.” 译：你不可能简单把一块50瓦GPU戴在头上。

机器人也沿用这条证据纪律：通用演示、可重训练硬件、成本下降、商业模式和规模化部署分别验收。嘉宾同时看好人形和专用形态，却承认当前成本与商业模式未完全解决。对深科技项目，应逐环记录设计、验证、制造、集成和客户采用，缩短一环后再看新的关键路径，避免把演示速度当交付速度。

2026-09-26 全文增补：芯片更快之后，仍要测完整任务时间

Cerebras 的 Andrew Feldman 用内存搬运解释其晶圆级架构：选择更快但单位面积容量较小的 SRAM，就需要更大面积及相应供电、散热、冗余与封装。这个案例的重点是系统取舍。它没有证明某种架构对所有模型、上下文和并发都最好；访谈的性能倍数、交易和 IPO 也未在本次独立核验。

“you've made trade offs.”

选择一种架构，就接受对应的取舍。

对交互 Agent，低延迟可以减少多轮等待，也可能给核对与验证留出更多时间。但工具调用、CPU 工作、跨地域网络与返工仍会拖慢任务。选型时在相同模型和质量要求下，比较首响应、完整任务时间、并发、失败重试和费用。API 看似只改地址，仍需验证模型行为、合同与运营边界。

研发复盘还应区分技术可运行与市场采用。嘉宾说封装是意外难点，产品做成后早期需求仍弱；这些阶段都需要独立里程碑。完整限定见 Cerebras 精炼。

2026-09-26 全文增补：实验结果和基础设施指标都要保留口径

Chai Discovery 的访谈把分子设计接到湿实验验证，再把结果反馈给模型。对产品判断最重要的是区分阶段：所称约 15% 是特定实验中的结合命中，绝非临床成功或患者获益；结合之后仍需评估可开发性和其他性质。实验误差可能盖过小幅模型改进，因此要看重复验证、跨目标表现与完整协议。

“the lab is an important part to verify that what you're doing is correct.”

实验室是验证设计是否正确的重要环节。

类似的口径纪律也适用于算力。Lambda 的 Stephen Balaban 区分会计折旧、物理寿命与经济寿命；同款 GPU 的长期批发约与按需服务不能直接比均价。Dylan Patel 则强调总吞吐与单用户响应的取舍：隔夜文档可以等，互动任务可能更在意延迟。测试需要固定模型、软件版本、负载和质量，而非比较各自挑出的最高倍数。

“you can't have point in time benchmarking.”

系统持续更新，一次性基准不能长期代表实际表现。

适用时机：采购或评审模型平台时，分别记录容量、利用率、任务成功率、完成时间和总费用。软硬件共同设计可以改善效率，也可能让专用架构绑定当前模型方向；需给未来迁移留空间。以上经营与性能数字均为访谈陈述，限定见 Chai 精炼、Lambda 精炼 与 Patel 精炼。

全文增补：硬件产品交付的是服务，里程碑必须逐层验收（2026-09-26）

Valar Atomics 与 Zipline 的两段本地访谈分别谈核能与无人机。它们对产品经理的共同启发是：单个设备成功运作，只完成了交付链条的一部分。以下来自受访者自述，性能、安全、监管与经营数字没有独立核验。

为什么必须拆开里程碑。 核能访谈里的图纸、实验数据、临界、产热、发电、持续供电和商业化规模，是不同的证据状态。访谈说 “you need data in order to go to the regulator.”（需要拿到数据，才能进入监管沟通。）这支持用实验减少未知，不支持把实验许可当成商业运营许可。一个短时由 AI 演示网站使用的供电案例，也不能替代数据中心连续可用性的验收。

案例：把飞机改成能持续交付的服务。 Zipline 受访者回忆，早期即使有飞机，也没有马上覆盖原计划的全部医院；库存、订单、维护与当地协作都要打通。“people get sick twenty four seven.”（人会在一天中的任何时刻生病。）因此需求应写成可靠的配送服务，而非仅写飞行能力。定位正确仍不等于安全投递，飞机和末端投递装置分工也必须共同考核噪声、地点适配、成本与安全。

何时值得自建。 Valar 主张对阻碍规模化的必要环节自行建设，但也谈到为避免拖期购买昂贵部件。可迁移的是先识别交付瓶颈，而不是尽量把所有东西自己做。资金安排同样分阶段：先证明技术，再讨论项目融资；受访者的规模成本预测不等于已经实现的经济性。

何时增加故障演练。 Zipline 说 “you need to assume that any part of the system can have a fault”（应假设系统任何一部分都可能出故障）。冗余不能只增加第二台计算机，还要检查负责判断哪台可信的机制。规模扩大后，罕见异常也会变成日常工单；访谈中的百万次每日配送是未来情景，不是当前业务量。“零安全事故”的公司表述也不等于零故障，原文同时回顾早期降落伞降落。应先定义事故、失效和恢复口径，再讨论风险是否下降。

来源：Valar 原文消化、Zipline 原文消化。

全文增补：科研模型的瓶颈可能在数据怎么产生（2026-09-26）

Biohub 的访谈把开放工具、长期维护与实验数据看成同一项基础建设。按 2026-06-25 本地归档，团队认为 “the data is actually even more of a constraint.”（数据本身可能是更强的约束。）对 PM 的启发是：在增加算力之前，先问所需观测是否存在、不同实验的数据能否连接，以及生成数据的工具能否长期维护。

案例。 访谈从单细胞方法、注释工具与社区数据谈到蛋白质、细胞和免疫系统模型。跨层级数据不能简单互相替代：蛋白质结构预测表现好，不等于已能模拟人体。AI 和湿实验团队一起设计采样和验证，比各自做完后再拼接更有机会闭合反馈链。

何时有用。 做科研平台或任何依赖新数据的产品时，可分别验收工具采用、可重复实验、对新情境的预测，以及实际应用。受访者说 “Our goal is always to build tools”（目标始终是建设工具）；它不等于已经实现治愈疾病的使命。原文中的 96 孔实验与结合能力案例也不是人体疗效。嘉宾明确保留从实验室到临床、以及虚拟细胞泛化的缺口，因此本页不把数字模拟写成已经能够代替真实临床验证。

来源：Biohub 原文消化。

来源与关联资料