来源：Alex Kantrowitz / Big Technology Podcast · YouTube 视频
目录
- [00:00:00 - 00:04:08] 从设备互联到物理 AI
- [00:04:09 - 00:10:04] 让实体资产拥有数字身份
- [00:10:04 - 00:15:51] 供应链中的主动决策
- [00:15:51 - 00:20:13] 可信数据与 AI 执行
- [00:20:13 - 00:25:32] 从试点到可扩展部署
- [00:25:32 - 00:31:07] ROI、tokenmaxxing 与数据铸造厂
对话正文
从设备互联到物理 AI
Alex Kantrowitz：AI 能否超越聊天机器人和智能代理，真正改变物理世界的运作方式？ 让我们和 Wiliot 副总裁 Amir Khoshniyati 来聊聊这件事，本次对话由 Wiliot 赞助播出，Amir 今天来到了我们的演播室 。 阿米尔，很高兴见到你。 [00:00:12]
Amir Khoshniyati：很高兴见到你。 谢谢邀请。
Alex Kantrowitz：当然。 很高兴你能来。 那么，让我先来介绍一下背景。 嗯，在2010 年代后期，我写了一本书，叫做《永远的第一天》。 在文章中，我写到了一家名为亚马逊的公司。 你可能听说过它。 该公司当时正在利用人工智能和 机器学习技术。 他们有一个名为“放手一搏”的计划，该计划基本上是利用过去的购买数据，例如人们在哪些邮政编码地区、哪些季节购买了什么，并预测如何向他们的配送中心储备哪些产品，以及何时以什么价格供应。 他们甚至拥有人工智能，这个人工智能前端能够 有效地与供应商进行谈判，因为它知道供应商需要的价格范围，并且变成了一个门户网站，而不是一个人。 所以，供应商经理的工作实际上已经移交给了人工智能。 那大概是2010年代中期到后期。 现在是2026年。 显然，人工智能已经取得了巨大的进步，我们正在进入物理人工智能时代。 那么，您能否带领我和我们所有人回顾一下自那时以来发生的事情，以及供应链中的人工智能和物理人工智能本身从那时到今天取得了哪些发展？ [00:01:04]
Amir Khoshniyati：绝对地。 我们正处于变革的时代。 我觉得各方面都令人兴奋。 我们已经取得了相当大的进步，我想在深入探讨物理人工智能之前，先退一步，描绘一下物联网（IoT）的全貌，这个新出现的术语，它的真正含义，以及它如何为 我们目前所处的物理人工智能阶段奠定了基础，以及它的意义所在。 嗯，物联网刚推出的时候，也就是新冠疫情爆发之前，它让每个人都感到兴奋，但实际上人们对它的理解还没有真正稳定下来。 所以，大家都在使用这个新词，但实际上 我们只是从让每种类型的设备都能访问云服务过渡到让云服务。 即使是本地存储信息，也在向云端迁移。 你可能在微软的推介会上看到，在他们推出的一些手机和平板电脑中，移动优先、云优先的理念贯穿始终。 所以当时还不是真正的物联网时代。 它是设备互联网。 所有这些产品实际上都进入了市场，我们在日常生活中会用到多台平板电脑、多台设备，呃，还有多部手机。 几年后，这些设备已经有了应用。 它们就建在其之上。 这些设备开始相互交织，然后我们遇到了新冠疫情，一切都开始非接触式化，然后你对云的依赖程度比以往任何时候都更高，你的设备也与日常事物互动。 所以，这些日常 用品可能都带有二维码。 他们可能拥有我们所说的 RFID、NFC 近场通信的一个子集，用于非接触式支付和消费者互动。 那是你手机里的芯片，比如当你坐地铁的时候，它就会被识别，现在已经标准化了。 亚洲市场正在迅速接受这些技术，但欧洲和美国在采用方面却落后了。 所有信用卡都在向非接触式芯片过渡，这样你就可以去这些地方，基本上可以无摩擦地完成交易。 所以物联网真正开始兴起就是因为这些设备带来了各种各样的东西， 但这些东西本质上并不智能，它们只是收集数据的手段。而我们现在正在迈入的，我们真正认为的物理人工智能的定义，是物联网发展的下一个前沿领域。 所以我退后一步，用物联网、设备互联来回答这个问题。 但现在，物理人工智能是指我们能够将世界上每一项有形资产赋予一个数字身份。 而且，你不仅要识别资产周围的标签所关联的信息，还要了解该资产所处的状态。 [00:03:52]
让实体资产拥有数字身份
Amir Khoshniyati：我能详细解释一下吗？ [00:04:08]
Alex Kantrowitz：绝对地。 绝对地。 这真的很有意思，因为当我举亚马逊的例子时，这家公司试图预测需求，并计算出他们在物流中心需要多少商品，而实际上，他们似乎是在查看电子表格，对吧。 你有你的号码，你知道你会输入这些号码，或者在你扫描商品后它们会自动填充进去 等等。 呃，但是，你现在说的关于物联网的内容，几乎就像是忘记了电子表格一样。 您可以实时掌握任何时刻的库存位置。
Amir Khoshniyati：绝对地。 而且，这不仅仅关乎物品的位置和可追溯性，还关乎物品的状况。而这正是物理人工智能开始展现其超越以往价值之处的地方。 所以通过条件，你就能知道该物品的温度。 你甚至可能知道那件物品的湿度。 你知道它是否暴露在光线下。 因此，在供应链中，如果产品被包装起来，并且可以通过包装进行光线检测，那么就知道它已被篡改过。 你甚至可以根据 在不同区域拾取物品的三角定位来定位移动目标。 因此，物理人工智能正在催生出正在被数字化的实体物品。 因此，他们拥有数字身份，并且由于他们的数据存储在云端，人工智能功能可以深入挖掘这些数据，然后以预测的方式对其进行解读，这就是 我们使用 Wiliot 所做的。 [00:05:44]
Alex Kantrowitz：好的。 我接下来有两个问题。 关于为什么这是人工智能，我想先问一个更基本的问题。 嗯，假设我是一名仓库经理，我有一些物品正在进出仓库。 首先，我该如何收集这些数据？其次，我又该如何利用这些数据？ 当然。 所以，首先要了解我们需要跟踪和追溯哪些资产，在某些情况下，我们可能需要在互动层面上进行交流。 它可能位于供应链的中间环节。 所以，我们可以先从配送中心开始。 我们或许可以逆流而上。 我们从制造商和 一些包装组织开始，然后沿着供应链发展下去。 所以，我们首先要确定我们要追踪的资产是什么。 我们有一家大型零售商，我们已经公开表示，我们开始在托盘上贴标签，所以这是 Wiliot 做的。 是的。 所以请先简单解释一下Wiliot 产品以及您如何跟踪它，然后再来讲解示例。 [00:06:39]
Amir Khoshniyati：绝对地。 所以，我们和 Wiliot 一起做的，我们是一个实体 AI 平台。 我们拥有物联网像素相关的专有知识产权。 所以这些是所有RFID 制造商都可以生产的参考设计。 这些标签贴在实物上。 它们无需电池，而是从环境电磁波中获取能量。 所以，我们有一个像海绵一样的电容器。 它启动后，会通过低功耗蓝牙传输信号。 它所传输的信号可以包含位置、温度、湿度、光照、运动等各种信息，所有这些功能都以被动方式呈现。 当数据传输完毕后，我们会将其传输到云端，并提取这些数据，从中获得可操作的洞察。 而且它的传感器尺寸只有邮票大小。 [00:07:23]
Alex Kantrowitz：好的。 所以，你可以把它放在包裹或托盘上，然后获取你正在讨论的这些信息。 是的。 因此，我们可以在托盘级别，也可以在箱子级别，在某些情况下甚至可以在物品级别。 所以，这将给某人带来一些启发。现在让我们回到仓库经理的例子。 这将让他们实时了解他们拥有的每一件物品或每一托盘货物的位置，以及您正在讨论的那些附加数据。
Amir Khoshniyati：确切地。 所以，这对仓库经理来说很有价值。 这样一来，对品牌而言，从更大的层面来说，这也是价值所在，因为你可以超越仓库的局限，全面了解供应链的运作情况。 所以，所有离开该仓库的货物或所有进入该仓库的货物，你都能 [00:08:00]
Alex Kantrowitz：通过该流程的上游和下游获得价值。 是的。 好的。 所以，现在很明显的问题是，人工智能在哪里？ 我的意思是，这些都是数据，但如何从数据转化为与人工智能相关的东西呢？
Amir Khoshniyati：绝对地。 所以从平台层面来说，我们引以为豪的是能够对进入平台的数据进行合成和解密。 所以，我们是事实来源，我提到的所有这些功能都是不同的数据信号，而人工智能的质量取决于输入数据的质量。因此，你要从中挖掘出一些真理， 并从中构建逻辑。 当我们收到数据时，我们需要对这些数据进行解析。 所以这可能是重复数据。 它可能是指位置、温度、湿度、光照等方面的数据。 嗯，商品在供应链中流转时会有差异。 我们收集所有这些数据，进行分析和解读。 一旦我们在平台上发现它，人工智能组件就会介入。这样你就可以向它提问，从而更深入地了解你的资产和产品。 所以这可能是一种预测形式。 您拥有可重复使用的资产。 他们离开了你的场所。 你可以根据趋势询问它何时会回归。 然后你就会得到答案。 您可以问它一些简单的问题，例如我的托盘是否符合规定？ 如果您的合规水平在华氏32度到华氏35度之间，并且任何超出该温度范围的偏差都不允许您出售其中的物品，那么我们就可以告诉您，是的，它的温度偏差超过了阈值。 你不能把这个搬到 商店前端，因为卡车在运输过程中经历了一些事情，温度出现了一些波动。 这样人工智能就可以解析它所接收的数据。 [00:09:52]
供应链中的主动决策
Alex Kantrowitz：有趣的。 好的。 那么，让我们用一个例子来具体说明一下。 嗯，假设我经营一家商店，并且我有权限访问这个平台。 有没有类似聊天机器人或LLM风格的前端，让我可以提出一些问题，而这些问题在旧版本中可能无法得到答案， 这样我就可以开始提问了。 嗯，我的库存什么时候到货？ 我的库存温度是否符合要求，例如奶昔或蛋白奶昔？ 那是不是在我能达到的正确范围内？ 我的意思是，你认为用户使用该平台时会问哪些类型的问题？或者说，目前用户会问哪些类型的问题？ [00:10:35]
Amir Khoshniyati：绝对地。 我认为存在宏观层面，也存在微观层面，也就是物品层面。 所以，我们可以从宏观层面开始。 举个简单的例子，假设一个托盘上装着肉和蔬菜，从配送中心的某个地点出发，然后进行包装。 假设其中一个托盘装的是肉，另一个托盘装的是蔬菜。 它们分别在不同的温度下冷藏和冷冻。 当它经过拖车后部的通道时，最终到达商店后面的装卸货平台门。 你需要在规定的时间内卸下那托盘货物。 它可以暂时存放一段时间，然后必须 直接放入冰箱冷藏或冷冻。 我们会与客户一起计算理想的停留时间，并通过事件主动向他们发送触发器，告知他们如果停留时间再延长 5分钟，则无法销售，因为它不符合规定。 所以，这算是宏观层面上的一种积极主动的方式。 但它还可以更进一步。 它可以经历商品级别的流转过程，比如说是一包肉，然后最终到达商店的前台。 不知何故，它曾几次被从冷冻库里移到码头门外，经历了一些变化，以至于你可以对该产品进行一些调查，然后问：“我可以吃 你吗？这可以安全食用吗？” 真的吗？ [00:12:05]
Amir Khoshniyati：然后你到了那个步骤，它显示：“不行，它已经超出范围一两次了。你不能食用它。它很可能已经受到污染。它在生产过程中被污染了。”
Alex Kantrowitz：这一点很重要，因为我认为，当我们在这个节目中不断讨论人工智能的价值所在，以及人工智能是否会带来真正的回报时，答案往往在于 商业的细枝末节，对吧？正是在这些商业领域，你才能找到真正的提升，对吧？就像很多人在思考人工智能时代是否可持续时，他们想到的是人们花20美元订阅聊天服务。 我们在这里反复讨论这个话题。工业人工智能、物理人工智能、人工智能和零售业，因为当企业能够更好地服务客户时，例如，肉类已经从冷冻室或冰箱里拿出来很久了。 够了，你肯定会让顾客生病的。
Amir Khoshniyati：绝对的。 [00:13:10]
Alex Kantrowitz：如果他们能留住那些不会食物中毒的顾客，因为代理商推送了这样的通知：如果肉类在冷冻柜外放置的时间过长，就不能再卖了。要么他们不卖，要么把肉放回冷冻柜或冰箱，这才是真正能改变业务结果的地方。这似乎是变革性的。它可以保护 单个顾客，也可以保护整个托盘。 所以，可能某个环节出了问题，漏掉了某些东西，然后你追溯到托盘，丢弃托盘上的所有东西。这样，你就能在预防方面有所作为，而且还能在食品加工商和收货人之间建立起顺畅的沟通渠道。这样就不会互相指责，你可以真正找到 问题的根源。 如果出了问题，就需要修复双方之间的合规性。所以，这在消费者和企业方面都有价值。 人工智能是否已经开始做出一些决策了？例如，我们之前讨论过，比如发送通知，提醒用户“您可能需要这样做”。比如，代理（我举个例子）发现一批货物要晚到，而且不是因为节假日，对吧？比如您的万圣节货物要到，圣诞节前就能送到。 代理可以主动告知客户，货物会晚到，我们不再需要这批货了。与其让货物走完整个供应链，不如暂停发货，将其退回，避免不必要的环节。 [00:14:36]
Amir Khoshniyati：当然可以。您可以标记出来。 我们之前也用过一些日常用品的例子，比如草莓，它们要经过一系列的流程，冷藏。它们拿出来后，会产生冷凝水，然后经历另一个温度波动，可能太冷，然后结冰。 这些循环实际上会导致细菌滋生，因为水分会积聚，然后经历温度变化，最终影响到草莓。 我们已经见过这些例子，正如您所说，我们可以标记它们，这样就可以在供应链中停止该流程，然后在为时已晚之前在门店层面进行更换，然后处理缺货，并再次重复该流程。 [00:15:16]
可信数据与 AI 执行
Alex Kantrowitz：这些都是至关重要的决策，必须正确执行。所以，嗯，在我们短暂的交谈中，我们谈到了健康，与健康相关的问题，例如，如果传感器检测到冰箱外的肉类可能已经变质，那就很难判断了。 你不能在这里犯错。 嗯。 但是，嗯，有些事情…… 我们经常遇到的情况是，当你处理人工智能系统时，它们是概率性的。它们不是那种“如果A则B”的系统。它们倾向于自由发挥，姑且这么说吧。那么，你如何才能相信人工智能系统在这样的环境下能够准确行动呢 ？ [00:16:13]
Amir Khoshniyati：这的确是个非常重要的问题。你必须从数据来源入手。你知道，我曾经是ChatGPT的受害者，我问它一些我大概知道60%答案的问题，结果它给出的答案却完全错误。然后你查看一些数据来源，你会发现，好吧，这个来源 不可信，或者这是一篇评论文章，而它却从中获取了信息。所以，回到资产追踪的现实世界，这意味着你必须确保数据来源真实可靠，并且相信输入的数据是真实可靠的，这样你才能依赖人工智能。 做好幕后准备工作。 从平台角度来看，我们引以为豪的是，我们标记的资产以及由此产生的数据，我们以正确的格式进行整合，这样当数据存储在平台上，并叠加人工智能技术后，最终提供的洞察数据都是真正干净、解密且可信的。 而且，它几乎百分之百有效，90% 的情况下都能正常工作。 绝对如此。目前，我们首先注重数据的可读性，确保用户能够获得清晰可见的信息。因为如果能够获得清晰可见的信息，我们基本上会采用三步流程：概念验证（POC）测试、试点和部署。 我们通常会在这些阶段引入一定程度的基础设施，我们评估交易的标准是，这些硬件会留在现场，我们不会拆除或更换它们。因此，您在 概念验证（POC）测试或试点中使用的硬件只会随着组织规模的扩大而呈指数级增长。 经过评估流程和用例测试，我们非常自豪地宣布，我们正在打造一个稳健且有效的流程。 您之所以能够获得扫描结果，是因为如果您在读取范围内获得扫描结果，那么您就能获得一致的数据，从而确保人工智能能够利用真实数据点完成其应有的工作。 [00:18:13]
Alex Kantrowitz：您是否设想过这样一个世界：AI 代理在合适的后方基础设施和流程的支持下，能够全面运行整个供应链？我认为我们离这个目标并不遥远。
Amir Khoshniyati：我可以举几个例子：比如那些财富200强零售商和电商企业，它们掌控着第三方物流周期和供应链，控制着我们日常收到的大部分商品。您在网上订购的包裹，都是通过这些企业运输的。很多时候，他们选择的供应商都是那些在供应链中 运营的供应商。 董事会。因此，能够成为大型组织供应链的一部分，其副产品是，任何与他们合作的组织最终都将使用这项技术，从而获得这些洞察，并且还能为上游增值。所以我们离那一天并不远了。这只是一个采用率的问题，以及我们实现这一目标的速度。好的，让 [00:19:06]
从试点到可扩展部署
Alex Kantrowitz：我提出相反的观点，那就是我们已经看到一些尝试让人工智能管理甚至运行供应链部分环节的尝试，但效果并不理想。 最近星巴克就有一个非常引人注目的例子，他们尝试使用人工智能系统，我可能记错了，但大致意思差不多，他们让店员拍摄货架上的商品照片，然后将照片导入库存系统，但他们就是无法让系统正常运行。 所以，当你考虑到这一点时，你如何才能从这种情况过渡到人工智能更受信任，并真正能够执行你所说的操作的阶段呢？
Amir Khoshniyati：从Wiliot的角度来看，我们 我们希望让流程顺畅无阻。 流程中人工环节越多，摩擦就越多，一致性也越差，推广也就越困难。 我们发现一些客户普遍存在的需求。简单来说，就是出货和收货。 我们需要自动化处理货物进出仓库的整个流程。您能以顺畅无阻的方式实现这一点吗？ 我们引以为豪的是，我们的技术能够做到这一点。如果货物在您的仓库内，就像您刚才提到的仓库经理的例子，我们可以识别它在仓库中的位置，以及它是放在托盘上、可重复使用的塑料箱还是滚笼上，还能统计有多少件货物在里面。您可以进行 循环盘点吗？嗯。 我们还有温度监控功能，这在状态监测中更受欢迎，有时甚至可以用于追踪您作为组织拥有的可重复使用资产，预测它们的位置。 我们这五项举措旨在实现一定程度的无摩擦普及。当我们开始投入使用时，我们会尝试反复验证这些用例的基础， 然后再着手进行创新和扩展。如果你一开始就对某些东西进行大量定制，就会遇到摩擦，因为你不得不完全重新设计，这样一来，普及就变得困难。 [00:21:32]
Alex Kantrowitz：我刚才提到的这些用例，结合它们的新颖性，我们发现，它们的普及更容易接受，而且它们也是建立在多年来已有的技术之上的。比如条形码、二维码，以及任何基于机器视觉和视线识别的技术，这些技术已经存在超过25年了。RFID 技术也已经存在超过15年了。所以我们是在这些流程和工作流的基础上进行构建，但我们是以叠加的方式进行，而不是直接添加新功能。是的，我认为人工智能构建过程中可能会出现的情况之一是……我并不是说这种情况一定会发生。 星巴克。嗯，但可能会有这样的指令：直接去开发某个东西，呃，现在就做，团队就匆匆忙忙地去做，然后就失败了。 呃，或者可能没有足够的时间提前考虑合适的技术，因为选择太多了，不是吗？有计算机视觉，有你提到的数据。嗯，还有使用数据库，你知道，你把信息输入进去，然后尝试以此为基础进行构建。我的意思是，这很神奇，因为我们离 ChatGPT 的发布还不远，就已经有这么多不同的方法来构建它了。 [00:23:00]
Amir Khoshniyati：绝对是这样。绝对是这样。 嗯，多模态人工智能。嗯，人工智能主要是在公开数据上训练的。
Alex Kantrowitz：你能跟我们说说当LLM在物理世界本身上训练时会发生什么吗？
Amir Khoshniyati：它们提供了一个很好的基础。所以我认为它们已经达到了那种训练水平，而且随着更多数据的输入，这些模型只会变得越来越好。 更强大。所以我认为它从根本上来说非常非常重要，但它对我们日常工作带来的益处是锦上添花。你仍然需要有可靠的数据基础。这可以说是本次讨论的一个主题：如果你没有可靠的数据源，而你标记的资产/产品又缺乏可靠的数据，那么它们就无法提供正确的 触发数据，也无法在供应链中对这些资产和产品进行正确的洞察。 从人工智能或任何现有的语言模型的角度来看，这些都无关紧要。你首先需要从数据源入手，确保这些资产和产品拥有一个始终如一的标记基础。正如你之前提到的，它们有读取范围，我们可以确信它们确实被识别出来，并且我们不会遗漏任何信息。一旦有了这些基础， 所有这些不同的模型都将拥有无限的可能，而且我认为它们还可以互相学习，这也是一种锦上添花的好处。 [00:24:25]
Alex Kantrowitz：你这话是什么意思？所以，随着它变得越来越智能…… 从供应链的角度来看，我们可以捕捉到一些预测趋势，一个模型可以向另一个模型学习并共享数据，因为在搜索数据时，它们都在争相获取信息。
Amir Khoshniyati：因此，在那些已被公开的供应链领域，我们可以获得巨大的收益。嗯，当我们观察组织之间的合作时，很多数据都是专有的，但在很多情况下，从食品加工商到三四种不同的分销商，数据可能保持一致。 如果这些信息能够在一定程度上共享，比如他们正在与哪些公司合作，那么像百胜餐饮集团这样的知名品牌，他们就与多个供应商合作。任何一个在整个供应链中保持一致性的供应商，都为更多的数据共享打开了大门，然后这些语言模型就 可以协同工作，这最终也会提高预测的准确性。 [00:25:27]
ROI、tokenmaxxing 与数据铸造厂
Alex Kantrowitz：对吧？所以，我相信你们都听说过tokenmaxxing 时期。我们对此进行过各种讨论。 在这个节目中，有人提到过为了消耗 token 而消耗 token这种现象。嗯，我很想听听您对您和您合作的公司如何衡量 这些人工智能应用的投资回报率的看法，以及最近是否更加注重成本效益。
Amir Khoshniyati：这是一个很好的问题。 现在，当我们审视任何类型的投资回报率时，我们首先要从问题本身入手。在开始量化任何东西之前，我们都必须从这里开始。 我们要解决的问题是什么？是与损耗有关吗？是与流程中的人工劳动有关吗？还是两者兼而有之？然后，我们进行逆向工程。好的，请帮我量化一下这个问题。我们有一些解决方案，我刚才已经讲过了。当我们用一个、两个，甚至可能 在同一个案例中用到全部五个方案来解决问题时，我们会根据成本和问题本身，反向推算投资回报率。我们有一个大型零售商的例子。 他们发现，每有一个托盘闲置超过37分钟就会造成损失。然后我们把这个损失乘以年限，发现这37分钟相当于每年超过2.7亿美元的损失。 所以我们了解了问题所在，也能够从损失的角度量化其影响。顺便说一下，人工扫描托盘的成本还没有计算在内，所以这部分损失是2.7亿美元的增量。然后我们知道了必须提出的解决方案来解决这个问题。在很多情况下，这就是你需要 遵循的流程。 投资回报率的差异取决于在所有站点实施的复杂性，以及实际收回投资所需的时间。 平均而言，我们通常会说，使用我们的技术，结合这些用例中存在的问题，从投资回报的角度来看，大约需要7到13个月。在这种情况下， 投资回报率是13个月。 [00:27:40]
Alex Kantrowitz：等等，不好意思，13个月的投资回报率是什么意思？
Amir Khoshniyati：意思是说，你会在13个月内收回成本。
Alex Kantrowitz：是的。解决方案背后的原因。是的。 随着这些AI 模型变得越来越大，对token的需求也越来越高，你们的支出是否也在增加？ 例如，如果你们只是进行信息合成，而不是像你们产品中正在推行的那种更具智能性的用例，那么你们在信息合成方面的支出可能会比智能性方面的支出少。 [00:28:08]
Amir Khoshniyati：是的，我想说，目前我们在人工智能方面的支出并不多，更多的是围绕如何利用现有技术解决问题。 我们正在让很多智能体自行集成，以便它们有数据可供使用。 它们处理信息的方式也在日渐智能。我的意思是，即使像云这样的平台，每周都能处理很多数据。 在他们所有产品套件的推广中，我们专注于数据方面，然后让其他功能逐步集成。因此，如果它们与任何主流的ERP/WMS系统集成，如果我们把 数据传输过去，就会让一些现代智能AI介入，进行数据挖掘。 [00:29:04]
Alex Kantrowitz：最后，我想问一下，什么是物理世界的数据铸造厂？ 当一个程序或铸造厂能够收集、整合并利用现实世界的数据时，会发生什么？
Amir Khoshniyati：这意义重大，具有变革性。当你看到所有数据汇集在一起，形成一个数据池，并思考如何利用这些数据时，你会发现它能带来巨大的改变。数据池包含几个子集。 当我们与任何类型的组织合作时，我们会查看他们在供应链中的位置，并标记和收集数据，这只是数据池的一部分。 我们正在深入研究并挖掘数据，然后利用人工智能来获取一些洞见。当你审视整个供应链以及你如何利用它时，你会发现一个更大的信息池。 我们合作的大多数组织都不会公开所有这些信息。因此，我们需要利用Wiliot 平台的强大功能来解读这些数据，然后为他们提供可操作的洞见。但随着我们进入宏观层面，并且这逐渐标准化，你会开始发现一些趋势，这与 之前的例子非常相似，即与分销商合作的食品加工商会有一些共同点。然后，一些关于AI 代理的更公开的领域实际上可以介入其中，并为你提供一些关于这些共同点的分析。 因此，如果你是一家规模较小的夫妻店，想要创业并参与供应链，你将有一个基准可以作为参考，并且你可以拥有自己的KPI来参与流程和评估。 [00:30:34]
Alex Kantrowitz：所以，铸造厂就像典型的现实世界铸造厂一样，对吧？ 用这个比喻来说，原材料进来，精炼产品出来。
Amir Khoshniyati：嗯，输入和输出。
Alex Kantrowitz：好的，太好了。阿米尔，非常感谢你来参加节目。很高兴见到你。
Amir Khoshniyati：当然。谢谢你们邀请我。好了，各位。非常感谢收看，我们下期“科技大爆炸”再见。