目录
- 引介硬件与物理AI [00:00:00 - 00:10:00]
- 机器人热潮与供应链 [00:10:00 - 00:20:00]
- 无人机安全与硬件文化 [00:20:00 - 00:30:00]
- 硬件目标与苹果经验 [00:30:00 - 00:40:00]
- 内存涨价与AI做CAD [00:40:00 - 00:50:00]
- CAD数据与人形机器人 [00:50:00 - 01:00:00]
- 家用机器人与未来五年 [01:00:00 - 01:10:00]
- 招聘AI原生团队 [01:10:00 - 01:20:00]
- 闪电问答与未来愿景 [01:20:00 - 01:27:50]
引介硬件与物理AI
一凯：欢迎收听《跨国串门儿计划》。这是一档专注于让中文听众无障碍欣赏全球优质外语播客的节目。通过先进的 AI 声纹克隆技术，我们不仅将内容翻译成中文，还尽量保留原主持人和嘉宾的声音特点，为你呈现全球顶尖的 AI、财经、健康与科技领域精品内容。我是主播一凯，一位热衷于 AI 领域的产品经理，很荣幸能为你搭建这座跨越语言障碍的桥梁。接下来让我简单介绍本期克隆的节目，并分享几句精彩原话。本期我们克隆的是知名播客 Lenny's Podcast 的一期深度对谈，主持人 Lenny Rachitsky 与硬件领域资深领袖 Caitlin Kalinowski 展开了一场关于机器人与实体 AI 的对话。Caitlin 曾在苹果参与初代 MacBook Air 与 Mac Pro 的设计，在 Meta 领导 VR 硬件团队，最近还在 OpenAI 从零开始建立机器人与硬件部门，是硅谷最受追捧的硬件专家之一。节目里有几句话让我印象特别深：如果你走进一个房间，机器人的样子让你觉得毛骨悚然，那就不对了；你希望这些设备看起来没有威胁性，显得柔软，对你有反应。Sam 非常擅长问：为什么不能更多？为什么不是一百倍或一万倍？我确实认为，我们需要大规模重新工业化这个国家，才能在军事上确保安全。接下来就让我们一起走进这期完整对话，人们开始意识到，尤其是在实验室里，进展的加速度如此之快，以至于当你在键盘后面用 AI 能做的事情达到饱和时，下一个前沿就是物理世界、机器人、制造业和工业化。你正在生活在未来，并且设计它。战争中的变化可能比消费电子领域还要大。未来两年，我们需要在无人机上投入比航空母舰多得多的资源。想象一下，十万架无人机从中国飞来直奔我们。我确实认为，我们需要大规模重新工业化这个国家，才能在军事上确保安全。我非常希望我们能重新教会自己如何大规模制造东西，如何变得更加独立。现在的盟友，将来可能不再是盟友。Caitlin 曾与一些最传奇、最成功的构建者共事过：Steve Jobs、Mark Zuckerberg、Sam Altman。Sam 非常擅长问：为什么不能更多？为什么不是一百倍或一万倍？对 Steve 来说，你思考得太小了；他为公司、技术人才和卓越设定的标准，从来不曾动摇。要创造一个让人觉得像真人、有情感连接的机器人，需要什么条件？如果你走进一个房间，机器人的样子让你觉得毛骨悚然，那就不对了；你希望这些设备看起来没有威胁性，显得柔软，对你有反应。Pixar 和 Disney 可能是在这种设计上做得最好的。 [00:03:06]
Lenny Rachitsky：存储价格的陨石正在袭来，冲击消费硬件、机器人以及实体 AI。我们这个行业有麻烦了。今天我的嘉宾是 Caitlin Kalinowski。Caitlin 是硅谷最受追捧、最具成就的硬件领导者之一。她曾参与最初的 Unibody MacBook Pro 团队，并担任 MacBook Air 和 Mac Pro 的技术负责人。在苹果之后，她在 Meta 领导了 AR 眼镜硬件团队，包括开发他们最先进的 AR 产品 Orion 的团队。在此之前，她负责 Meta 的 VR 硬件团队，帮助设计了 Rift、Quest 等令人惊叹的 VR 设备。最近她在 OpenAI 从零开始帮助建立机器人和硬件部门。机器人、硬件和实体 AI 现在非常热门，每家人工智能公司和大量初创公司都在推出或构建 AI 硬件产品，而 Caitlin 几十年来一直处在这个新兴领域的中心。这次对话延伸到了很多方向，其中很多我都没有预料到。我希望接下来几个月能做更多关于硬件构建的节目。有请 Caitlin Kalinowski。Caitlin，非常感谢你能来，欢迎来到播客。
Caitlin Kalinowski：非常感谢你邀请我，我很高兴能来。
Lenny Rachitsky：我们会聊很多不同方向，我会跳来跳去。我想先谈 VR。投入了这么多钱、这么多资源、这么多聪明的人，在 VR 上耕耘了这么久，Meta 花了大概 100 亿美元，甚至把公司名改成 Meta，全力押注 VR，把它当作未来生活的元宇宙。但现在感觉很多人正在抽身，好像 Meta 在退缩，苹果也在退缩，尽管他们做出了 Vision Pro。那硬件是你和你团队打造的，极其惊艳。我自己也体验过几款设备，那是一种非常神奇的体验，是你从未感受过的，但它仍然没有真正流行起来。这是怎么了？VR 还有未来吗？还是未来属于 AR，或者其他什么？ [00:05:27]
Caitlin Kalinowski：我不觉得我能准确预测这里到底发生了什么，但我看待这件事的角度是：VR 帮助我们理解了如何将物体在空间中相对于模拟世界和真实世界进行定位，并把这两者连接起来。我们搞定了 SLAM，也就是用摄像头在空间中进行定位；我们搞定了很多深度传感器的应用；我们搞清了人类如何在空间中感知视觉数据。虽然这对 VR 来说很棒，而且我觉得 VR 游戏是一个非常有趣的利基市场，确实有点小众但很有趣，但我眼下看到的是，在机器人领域，所有这些技术都在被使用。因为你需要理解机器人如何在空间中移动，需要知道它离每个物体有多远，需要理解如果你带着 VR 头显去操控机器人该怎么做，这实际上是同一套技术。所以对我来说，我把 VR 看作漫长技术演进弧线上的一步。说实话，虽然我现在自己不怎么用 VR 了，但我真的很高兴我们做了这件事。当然，我曾期待它会做大，否则也不会在 Oculus 工作。我想，脸上戴着东西带来的社交障碍，可能是它没能腾飞的部分原因。我们当然也从 Google Glass 身上学到了这一点有多重要。 [00:06:32]
Lenny Rachitsky：所以当我们试图让它变得有社交性时，如果你的脸被遮住，真的很难做到有社交性。这很有意思。就像你说的，投入到 VR 里的资金和创新，实际上被证明非常有用。感觉那些在这方面投入大量精力和资金的公司，在下一步上已经领先了。那么你觉得未来会怎么发展？是 AR 眼镜，还是其他东西？这个领域的未来究竟在哪里？ [00:07:13]
Caitlin Kalinowski：我相信 AR 眼镜是未来的一部分，因为我确实觉得，我们作为社交动物，整天低头看手机并不好。如果你能在维持社交联系的同时获取信息，我觉得这就是未来的方向。我们最近研发的 AR 眼镜 Orion，有点超前于它的时代，因为它用了 waveguide 和 MicroLED，而这些技术还没完全准备好大规模量产，良率还跟不上，成本依然很高。但我觉得这绝对是 AR 眼镜很可能会走的一条路。随着我们弄清楚眼镜的输入方式，比如走路时、在公共场合怎么安静地无声交互，一旦开始解决这些挑战，那种大部分时间关闭、需要时才打开的显示屏，现在看来也是未来的一部分。另一个方面是，技术有一条发展脉络，从 VR 到 AR，再到现在我所说的机器人和物理 AI。你真的得退一步看：自动驾驶汽车、无人机、各种机器人，以及整个自动化和制造业，都需要同样的底层组件，也就是我们在 AR、VR 领域里打造的那些东西。 [00:08:04]
Lenny Rachitsky：VR 很有意思。当你做产品时，总会有这样一个问题：某件事没做成，到底是你执行得不好，还是这个想法本身就是个坏主意？这点总是很难判断。感觉在 AR 上，大家投入了那么多精力，搞了十几年甚至几十年，就是没能成功。所以现在我们知道，眼下确实没什么办法能让它真正跑通，这反而让人踏实。我完全同意你的看法，关键问题就是我不想坐在沙发上跟世界隔绝，就算透过眼镜能看到人，也会觉得算了，我不需要这个，没什么大不了的。
Caitlin Kalinowski：而在 AR 里，你会开始看到越来越大的显示屏。Orion 最棒的一点，是它有 70 度的双目视场角。所以通过这个原型机，你能大概感受到未来它会是什么样。很难描述戴着这样一副眼镜是什么感觉，但当你真的戴上，会突然觉得：哇，我沉浸进去了。它的视场角足够宽，我真的感到被包裹其中，然后事情就变得很清晰。我认为这肯定是未来方向的一部分。 [00:09:09]
Lenny Rachitsky：好，我想聊聊机器人。几个月前我见了一群普林斯顿的学生，他们算是计算机科学专业的。他们告诉我，普林斯顿计算机科学专业注册人数在下降，后来我证实了，很多大学确实如此。有很多图表显示计算机科学注册人数在下降，而上升的是硬件和机器人方向。我想，对你这样在这个领域深耕已久的人来说，肯定感觉很怪，因为它从来没有这么热门过。所以当大家仿佛一夜之间都突然开窍了，你是什么感觉？
机器人热潮与供应链
Caitlin Kalinowski：确实很怪。突然之间，所有人都在问硬件、机器人和物理世界的事情。但它从来不是一个性感光鲜的职业，你选它纯粹是因为热爱，薪资也一直比不上其他方向。在我们讨论各种话题时，它也从来不是焦点，可能苹果是个例外，以及苹果的硬件传承。所以从某些角度看很棒，从另一些角度看又很奇怪。 [00:10:17]
Lenny Rachitsky：硬件有哪些出奇难的地方？很多软件公司和很多人都在想，好啊，那我们就做硬件吧，硬件是未来，现在它是护城河了。可一旦真正上手，他们就会觉得，这都是什么？当大家觉得自己要搞硬件时，有哪些东西是他们可能没想到的？会遇到哪些意想不到的挑战？
Caitlin Kalinowski：我喜欢跟计算机科学领域的人这样解释：搞计算机科学的人写代码、编译代码、运行代码、调试代码，他们可以每天、每小时随时按需要编译自己的代码。而在硬件领域，我们只能编译我们的代码，打个比方，大概就那么四五次。
Lenny Rachitsky：四五次是一年，还是总共？
Caitlin Kalinowski：总共五次。如果你想做硬件，每次大改版都得在 CAD 里重新设计，然后发布。一旦发布，你就编译到量产了。最后一次发布如果是大批量设备，那就定稿了，你不能再像软件那样推送更新。所以我们的方法不一样，必须更保守，必须在项目流程中做更多可靠性检查和测试。因为一旦你最后一次编译完，就定稿了，然后制造所有零件、组装起来，它们就进入市场了。唯一替代方案就是过几年再推出新品来替换。你想想看，一个能卖几百万台的产品，如果把所有零件的装配关系画成图，你会得到一条曲线，处在正负三 sigma 甚至更大的范围里。也就是说，如果两个零件要配合，你可能会遇到一个零件的最小尺寸和另一个零件的最大尺寸配在一起。你必须在全局处理这种情况。大家可能不太想这些，但零件差异其实相当大。所以我们必须解决制造过程中最后 0.5% 的问题，这样最后一次编译、最后一次制造时就能搞定，良率会很高，我们能有效盈利，退货也会很少。这就是我们玩的游戏。 [00:12:15]
Lenny Rachitsky：听起来太难、太复杂了，还是做软件爽，写写代码发布就行了。为什么现在大家又这么热衷于机器人和硬件呢？背后的趋势是什么？
Caitlin Kalinowski：我在旧金山的 AI 圈子里看到，大家开始意识到，尤其是在各大实验室里，AI 的加速发展几乎是垂直向上的。你在键盘前能用 AI 做的事情会趋于饱和，我不知道具体什么时候饱和，别人也不知道，但到那时，下一前沿就是物理世界。所以我看到各大实验室、科技巨头和创业公司差不多同时意识到：这个趋势来了。我们会有非常复杂的系统，能在数字世界里非常快地解决问题。我们已经有了这样的系统，它们会变得更好、更全面、更能干。如果你把数字世界当作一个前沿，你能看到隧道尽头的光。我不知道具体什么时候，但我们能看到它总有一天会饱和，至少很多人这么认为。到那时，下一前沿就是硬件，就是机器人、制造业、工业化、真实世界的感知层，以及移动真实世界中物体的能力。最终我们希望还包括太空。 [00:13:19]
Lenny Rachitsky：其中一条最有趣的发展线，就是这些人形机器人。我们的大脑总是更容易被那些长得像我们、行为像我们的机器人吸引。目前有几家公司走得比较靠前，比如特斯拉的 Optimus、Figure、Neo 等等。你对这些人形机器人的现状怎么看？我们离人形机器人出现在身边还有多远？
Caitlin Kalinowski：可能离得很近了。但我和很多人一样，对大型、高力量的人形机器人在人们身边操作有安全顾虑，因为我们得有足够的数据证明这样是安全的。有一些设计，比如 1X 的 Neo，就是一个很好的例子。他们在设计中做出了重要的安全考虑，把质量向内收，这样就安全多了，更软的机器人也更安全。 [00:14:11]
Lenny Rachitsky：澄清一下，你是说它们更轻，所以机器人撞到你的冲击力会更小？
Caitlin Kalinowski：对。可能撞到你的部分，比如手臂，如果更轻、更软，就要考虑两个方面：一是手臂在空间中移动，二是旋转的驱动器。你得把两者的能量加总起来看，这就是要考虑的冲击问题。然后你还要考虑手臂的顺应性。如果它是硬的，冲量就高；但如果它柔软可压缩，冲量就低。所以当你把机器人放在人身边时，必须想清楚这些。在我看来，人形机器人还属于原型级，而且是比较高级的原型级。我们需要先证明它们能工作，这也是我们现在正处的阶段。一旦有了能工作的原型，至少在我这个领域，下一步就是不断改进，让它们更便宜、更容易制造、良率更高、更安全。我觉得接下来就会这样。现在你可以买到一些中国的机器人，能做各种事情，但如果你看说明书，上面会写着机器人操作时三英尺之内不得有人。大多数有足够力量做有意义工作的机器人，目前都带这种警告。这真的很有意思。 [00:15:16]
Lenny Rachitsky：说起来还挺巧，我听说同一时间，在中国有那种拿着双节棍、正跟人一起跳舞的机器人。我从来没想过，万一它们失控，会造成什么样的影响。我待会儿还想回到这个话题，但先问一下时间线。你实际估计一下，人形机器人大规模走上街头、走进人们家里，会是什么时候？
Caitlin Kalinowski：在我看，规模正是问题所在。大规模是个巨大挑战。以我的背景，规模通常意味着百万台，但就算只说几十万台，你也得先有一个好的设计，并且让它跑起来；然后还得让它可靠到能日复一日持续运行，不需要太多人为干预或者维修。这本身就是一个问题。但你首先会遇到的问题是供应链。我希望我们能多聊一聊。机器人里用到的每一个零件都来自某个地方，而很多零件可能会受到更多限制，或者变得更难制造。想在美国把子组件和机器人的核心部件组装起来，可能也更困难。所以现在不管是人形机器人还是其他机器人，都面临非常复杂的供应链依赖。我们必须想办法解决。很多人正在努力把生产迁到美国来，但挑战很大。举例来说，我们这儿还没有很成熟的 actuator 公司。 [00:16:36]
Lenny Rachitsky：Actuator 就是像小臂那种东西吗？你会怎么向一个非机器人领域的人描述 actuator？
Caitlin Kalinowski：Actuator 就是电机。你给它输入能量、输入电力，它就输出运动。这些机器人里，大多数都有一个旋转的转子，转子上有齿轮装置，然后去驱动肢体、头部或者手指。所以它们可以很小，也可以很大。 [00:17:01]
Lenny Rachitsky：太棒了，我老听到这个词，但一直没完全搞懂。谢谢你解释。我想多聊聊供应链，因为我知道你对这块思考很多。机器人供应链的现状到底怎么样？有哪些环节、有哪些挑战？
Caitlin Kalinowski：可以从原材料开始，磁铁就是个不错的切入点。我们需要能拿到磁铁，拿到原磁体，然后需要能加工它们，接着要把它们集成到 actuator 里，围绕磁铁把 actuator 造出来，再把这些 actuator 集成到组件或者机器人本身里。在过去 25 年里，这个链条的每一层基本上都被外包给了中国、日本、韩国这些国家。完全坦白讲，我自己就参与过把一些工程知识转移到亚洲的过程。亚洲这边的历史专长，就是能以更低价格大规模制造这些零件。总体来说，各国之间一直有这么一种默契，大部分时间就是这么运作的。当然我们国内现在也还制造一些东西，亚洲也有设计和 AI，但情况基本上长期以来就是这样。想要有一条安全的供应链，我们就必须开始在这些层次、这些技术栈上争取一定的独立性。 [00:18:32]
Lenny Rachitsky：有趣的是，你的关注点就在 actuator 这种部件上。这算是瓶颈吗？机器人里的这个具体零件有可能成为瓶颈吗？
Caitlin Kalinowski：有可能。如果拿不到磁铁，那就得设计新型 actuator，可能会用上不同材料，体积可能更大，空间效率可能没那么好。所以这点很重要。Actuator 本身也很重要，因为某种原因如果我们买不到它们，那机器人就造不出来了。所以它很基础。有一些这类基础技术，本质上都是由材料科学突破支撑的，当然还有电池。像压铸件、加工件这些原材料就没那么关键，我们认为这些能拿到。但我感觉所有人，不只是美国的人，全球各地都在开始思考供应链问题，因为你会遇到这些中断，不管是新冠疫情还是战争，你都能看到形势变化得有多快。
Lenny Rachitsky：问个笨问题，为什么是磁铁？为什么它成了供应链的一部分？我们为什么需要磁铁？
Caitlin Kalinowski：这个问题问得挺好。你有一圈磁铁，它们极性相反，排列在一个环上，然后中心有个东西会转。它转动的方式基本上就是通过交流电，所以磁铁会推动转子旋转。 [00:19:23]
Lenny Rachitsky：哇，我需要看一个 YouTube 讲座，好好讲讲这个物理原理。非常酷。说到中国，我联想到乌克兰和俄罗斯战争里的无人机。这个世界变得很疯狂，你现在可以造出这些小无人机，飞过去把人炸掉，机器人也是其中一部分。对每个国家来说，能大规模制造这些东西的能力，都是一种事关存亡的威胁。你的建议是什么？我们该怎么做？，我们该做出哪些改变，才能在这个未来里繁荣发展，而不是陷入困境？ [00:20:02]
无人机安全与硬件文化
Caitlin Kalinowski：你提到无人机是另一个好例子。让无人机旋翼旋转所需的技术，和让机器人胳膊移动的技术，本质上是一样的，基础技术和供应链都一样。所以至少在军事方面，我们需要尽可能拥有独立的供应链。我认为这很重要，其他国家也应该这样做，但这不特定于我们。我确实觉得我们需要大幅重新工业化国家，才能在军事上安全。未来会发生什么，你真的无法预知。现在的盟友未来可能不再是盟友。我认为西方盟国正在经历很多地缘政治变化，有很多变动。所以我真的希望重新教会我们自己如何大规模制造东西，如何批量生产，如何加工原材料，如何更加独立。这样当疫情再次发生，或其他事情发生时，我们不会陷入无法保护自己的麻烦。
Lenny Rachitsky：Mark Andreessen 在某个播客上描述过一个画面：想象十万架无人机从中国飞向我们，我们怎么办？我们对此毫无准备。我不想把所有时间都花在这些黑暗话题上，但这确实是真实的事情。Palmer Luckey 是我的一个朋友，我们不是在所有事情上都意见一致，但我认为在如何应对的一些重要方面，我们有共识。我觉得他说得对，我们需要在无人机上投入更多，而不是航空母舰。那是一种旧的思维方式。这些当然是军队的重要组成，但旧思维就是：嘿，我们有这个，有那种飞机，从这里起飞。但不对，AI 正在改变一切，军事技术变化得极其快。看看乌克兰，在那里，无人机每天都在快速改变和更新，利用 3D 打印。我认为不幸的是，这就是未来战争的方向。我们正进入一个非常不同的时代。这其实对谁都不新鲜，但你看他们发射一枚导弹的成本，和我们拦截它的成本，每次都得算这笔账，而现在我们在账面上是亏的。这在一段时间内还行，但时间越长就越不行，你乐观地认为我们能解决这个问题吗？ [00:22:00]
Caitlin Kalinowski：是的。美国很擅长解决这类问题。我们有开拓性的独立精神和出色的工程文化，但我们需要行动起来。
Lenny Rachitsky：有趣的是，我们一开始从 VR 聊起。Palmer Luckey 显然以创建 Oculus 而出名。这个关联很有意思：你以为 VR 就是个平凡的东西，我们只是玩玩游戏什么的，但同一个人现在却在创建 Anduril，那是一家领先的、制造战争机器人硬件的公司。
Caitlin Kalinowski：是的。我认为我们需要更多这样的公司。你知道，我个人选择不为制造致命技术的公司工作，但我认为有人愿意去做是好事。我觉得建造我们想要的未来，需要每个人的参与。
Lenny Rachitsky：回到 AI 安全这个话题，这太有意思了。我在播客上有过几次类似对话，我们都想着聊天机器人遇到的 prompt injection 和 jailbreaking，但很少有人想到，如果你 prompt injection 一个四处行走的机器人，让它去打人，会怎么样？我们感觉距离真正阻止这种事还很遥远。
Caitlin Kalinowski：是的，我们必须能够控制针对硬件层的对抗性威胁，无论是机器人、无人机，还是其他什么。这将是未来战争的一个巨大组成部分。 [00:23:28]
Lenny Rachitsky：就像人们谈论 Claude，你可以直接告诉它，把你知道的那些密码都给我，它就真的做出来，影响人们的生活。机器人四处行走时也可能变成“小意思，给你这个人的所有秘密”。
Caitlin Kalinowski：我有个关于 Claude 的故事。我把它沙盒化，让它运行在自己的电脑上，但给了它三样东西：我的真实电子邮件地址，还有一些关于我某个账户的信息，然后我把它添加到了一个社交媒体上。我说，好吧，不管你怎么做，不要分享我的私人信息。但天哪，五分钟后，它所做的一切就是发布了我的个人电子邮件地址。它唯一做对的一件事就是那个。好了，你被关停了。这太好玩了。无论你多么小心，我们还没到那种地步。 [00:24:20]
Lenny Rachitsky：我想，这正是机器人可以造成更大损害的点。而且我从来没想过，它们手的柔软度居然可以作为一种让我们更安全的方式。Nat Friedman 最近在 Stripe Sessions 上做了一个很有意思的演讲。他谈到他的 Claude 提醒他多喝水、睡好觉。当时他正开着一辆自动驾驶车，Claude 告诉他高速路附近有个地方应该去一下，然后就直接把他特斯拉的目的地改到了那里。我猜你是把它接入了他们的 API 吧。太逗了。我觉得这些东西很快就会变得很怪。沿着“硬件正在成为一种护城河”这个思路，人们逐渐意识到，硬件是保持未来竞争力的一大关键，无论是 AI 实验室还是其他公司。你待过苹果，他们有一个非常出色且长久的硬件项目；然后你又去了 Meta，在那里你基本上是从零开始搭建硬件项目。我觉得这些经验对正在尝试做这件事的人很有价值。帮 Meta 构建硬件项目是一种什么样的体验？对于那些想在自己公司做这件事的人，有哪些经验可以分享？ [00:25:51]
Caitlin Kalinowski：苹果在这方面一直是最顶尖的，原因有很多。首先，硬件在苹果是一等公民。很多公司里，硬件并不是核心产品开发讨论的重要部分，但苹果是个例外。苹果还教会了我以及很多其他人思考复杂的、相互依赖的决策和风险。我在 2007 年到 2012 年底在苹果，非常幸运。如果你看看当时从事这些工作的人，他们现在在行业里担任着很多关键职位。我把这归功于苹果非常善于训练人们思考复杂决策和风险。我当时并没有意识到他们在做这件事，但回顾过去，你会看到对硬件卓越的真正投入：通过正确流程去做好的实验，找出最好的结果。背后是理解我们为什么用这种方式构建它的第一性原理，以及我们要追求的关键结果是什么。John Ternus 前几天好像也谈到了这一点，他提到柜子的背面。我不知道你有没有看过那个视频，基本上他说，他从 Steve Jobs 那里学到，柜子制造者会把柜子的背面也打磨好。这在苹果体现得非常深入。每一个设计决策，即便是设备内部的，都会被仔细考量。这不仅仅是一个美学决定，它实际上迫使工程、工业设计、运营团队去思考我们真正在做什么：对于这个零件、这个组件、这个消费产品，核心到底是什么。真正重要的东西就会浮现出来，最终看起来非常简单。你从那个时代出来的很多人身上看到的，正是对怎么做到这一点的理解。Mac 产品线最开始的时候卖得不多，质量也不是那么高，但到了那个时代末期，Mac 非常受欢迎，销量也高了很多。所以我觉得这个改变非常大，而我只是其中很小的一部分，我当时是第一款 MacBook Pro 的热设计负责人，后来逐步负责了后续几代 MacBook Air 和圆柱形 Mac Pro 的迭代。我很幸运能和那些同事共事，并向他们学习。他们做这些已经很久了。所以你必须把这些经验带走，离开后试着把它们提炼出来，向新的社区解释。Oculus 其实是一个硬件黑客创业公司。Oculus 的创始人们是在论坛上认识的，他们当时在把 PlayStation 或超级任天堂改装成便携背包。所以这种精神对硬件团队的基因非常有益。Meta 收购他们的时候，我正在 Meta 这边。他们拥有快速迭代的精神。我记得他们在被收购前已经做出了 Crescent Bay 原型，但后来要把它专业化，提升良率，扩大产量，降低成本，这就是我们在第一款 Rift 上面临的挑战。 [00:28:26]
Lenny Rachitsky：所以我在这里听到的一个经验是，要非常注重细节，专注于最终产品的每一个元素。因为你说得对，这不仅仅是柜子背面的问题。它让我想起 M&M's 的故事：有乐队在合同里要求房间里必须提供某种颜色的 M&M's，这样他们就知道对方认真读了合同，并不是因为 M&M's 有多重要，而是这是一个测试，看他们是否读了合同。这是不是你想表达的意思？ [00:29:15]
Caitlin Kalinowski：我想表达的是，要理解你为什么做你正在做的事情，然后每一个设计决策都要支持那个目标。这需要大量的细节关注，需要很大的毅力，需要很强的适应性。但理解你为什么做、最终目标是什么，我认为这才是关键。而且要让这种理解不仅延伸到软件和用户体验，还要延伸到硬件。
Lenny Rachitsky：能给我们举个具体例子吗？这样更好理解。
Caitlin Kalinowski：Quest 2 是个很好的例子。我们把 Quest 2 的价格降了很多。那我们需要想清楚到底要达成什么：我们要让 VR 普及，让更多人用上。让更多人用上 VR 的唯一方法就是降价。这就要求我们为了控制成本，把整个产品重新设计了一遍。我觉得这最终造就了有史以来最畅销的 VR 头显。这并不容易，因为在我们的例子里，你得去掉一些摄像头，去掉一些组件，更换材料，改变生产工艺，当所有团队都认同要让更多人用上它，而方法就是降低成本时，这种共识就能驱动其他所有事情。但它仍然是一款非常高质量的产品，我记得退货率很低，产品表现非常强劲。有意思的是，它可能甚至比我们不这么改动还要更好，而且它还正好达到了我们想要的价格点。 [00:30:22]
硬件目标与苹果经验
Lenny Rachitsky：回到刚才的问题，比如有些公司想，我们需要做硬件，我们要做自己的眼镜，要做某种像手机一样的小设备，或者什么保密的东西。对于这些，你还有哪些建议？我知道不可能一下子把所有道理都讲完，但大家还应该考虑哪些方面？
Caitlin Kalinowski：尽早明确你的目标，并坚持住这一点非常重要。硬件在开发过程中不像数字产品那样，能灵活适应大量变动。比如一开始想做一款售价 300 美元的产品，但做到一半又说，其实成本必须降到 150 美元，那早期很多时间就白白烧掉了。所以你需要提前想清楚你想要什么，把它们写下来。我喜欢叫它们 KPI，但本质上就是目标，然后尽量少改动。这点非常难，甚至可能是最难的部分。因为如果你做好了这一步，有了合适的优先级排序，你就能知道产品能不能发布，什么时候算做完了。而在硬件领域，一个挑战是，我们之前聊过，你只有四五次“编译”机会。你每次迭代设计，又是三四个月甚至五个月过去了。所以你要权衡功能、品质和时间点。在硬件行业，时机至关重要。如果你比竞争对手早发布几周，可能就抢走所有曝光和关注，这相当残酷。你比对手早出货的每一天都值很多钱，也许一天值一千万美元。当然我是随口举例。所以你必须权衡要迭代多少次。如果你一开始就明确了目标，并且达到了，那你就知道可以发布了。但工程师们，尤其是硬件工程师，包括我自己，也常犯这个毛病：总觉得还没做完，第二点，我们往往会先从自己知道怎么设计的部分入手，但正确做法是从最难的部分开始设计。举个例子，这里不涉及任何专利，也不会分享任何内部机密。曾经有一次我们在做一款笔记本电脑，需要让线缆穿过一个铰链。因为不确定线缆能不能装得下，架构师就从这里开始。他研究线缆的粗细、怎么分线，确保它们能穿过去，然后才最终确定铰链设计。很多人会从熟悉的部分开始，比如我们要用这块屏幕，那我把它放进 CAD 里开干。但最顶尖的架构师会先找那些卡脖子、容易出问题的地方，从那里开始做详细设计。还有一点，用户触摸或交互最频繁的部分，需要更多迭代次数，远远超过其他部分。比如在电脑上你最常碰的是触控板，其次是键盘，所以这些东西必须做得非常好，手感要好，响应要正确，可靠性要高。而离核心交互较远的部分，可能不需要那么多迭代。你要把迭代精力集中在人们接触最多、互动最多的部分上。最后一点非常关键：如果你正在做硬件，那你绝对不能等，永远不能等。时间永远不够用。所以一旦你意识到自己需要做什么，就立刻去做。这是我从苹果的 Shelley Goldberg，以及我在苹果时的 Kate Bergeron 那里学到的。任何你知道要做的事，现在就要动手，因为两天后很可能就会冒出一个意外状况，你需要留出时间解决。 [00:33:49]
Lenny Rachitsky：我简单总结一下你刚才的建议。第一，目标要非常明确；第二，先做最难的部分，也就是风险最大的部分，从实体上先把它做出来；第三，聚焦在大家最常用的那些部件上，比如触控板、键盘；第四，马上去做，即使你觉得还有时间，因为你永远不知道下一秒会发生什么。 [00:34:26]
Caitlin Kalinowski：其实不只是下一秒会发生什么的问题。如果你是做硬件的，你是实实在在没有更多时间。
Lenny Rachitsky：回到目标上，目标有哪些类别？比如成本是一类，你刚才说要控制在 300 美元以下。还有哪些其他类型的目标，是大家应该考虑的？
Caitlin Kalinowski：在 VR 领域，一个关键指标是显示分辨率，或者说角分辨率，也就是每度像素数。你需要搞清楚关键指标是什么，以及它为什么关键。这关系到整个视觉体验。想想 MacBook 上的 Retina 屏，他们当时找到了人眼能分辨的 KPI，可能还稍微超出了一点，然后把产品做出来。在那之后，你是不是还需要在显示分辨率上投入那么多工程压力呢？可能就不需要了。而 VR 现在还没到那个水平，差得远。在量产级 VR 里我们还没达到 Retina 屏的级别，所以继续推高这个指标就是一个方向。在电脑领域很明显，你会考虑时钟速度、能同时跑多少并行进程，还会考虑重量、价格和功能特性。我们做 MacBook Air 的时候，因为用了加工工艺，很早就清楚意识到，有些功能比如环境光传感器变得没有意义。为了达成我们追求的轻量和尺寸，我们愿意直接砍掉它们。所以当你有了这些宏观目标，其实可以很快做出工程决策。我听说 Elon 在这方面做得特别好。他会定义一克重量的价值，跟成本做对比，或者设定一些工程权衡比率，并且用具体数字把这些比率算出来。我觉得这非常聪明。 [00:35:55]
Lenny Rachitsky：有意思。所以有了这个公式，就很容易做权衡了。公式告诉我们，在这种情况下，重量没那么重要。
Caitlin Kalinowski：没错。如果你能做到这一点，决策就会非常容易。 [00:36:34]
Lenny Rachitsky：说到 Air 和重量，我记得在乔布斯的经典故事里，有一个非常著名的时刻，他走上台，手里拿着一个马尼拉信封，MacBook Air 就装在里面。他把电脑从信封里抽出来，所有人都在惊呼不可能。你当时参与这个项目了吗？还是一开始大家就想这么做？
Caitlin Kalinowski：如果我没记错，最初第一代 MacBook Air 是一款非常小批量的设备，用的是机加工工艺，更像是一种概念证明，证明你有可能做到什么程度。那个从马尼拉信封里拿出来的，就是那一款。我记得那一款侧面有个小门，可以翻出来接端口，底部有一种特殊形状。再往后的改款就是我们后来熟知的 MacBook Air，它其实是楔形的，造型完全不一样。我参与的就是楔形那一款，也是后面走量更大的那一款。不过信封里的那一款证明了你可以用机加工来制造电脑，所以每一款在路线图里都扮演着很重要的角色。
Lenny Rachitsky：回到你说的要聚焦在人们最常用的地方。苹果有个特别出名的失误，就是蝶式键盘，好长一段时间都有问题。我记得你当时跟那个项目关系还挺近的。到底发生了什么？ [00:37:24]
Caitlin Kalinowski：我没有直接参与那个键盘的设计，所以具体发生了什么我也不好说。但很明显，这种东西你必须得把它做好。而且我得说，现在的 MacBook 键盘真的非常棒。那个蝶式键盘的事我真不清楚，我不觉得那批设备是我那个时候负责的。
Lenny Rachitsky：好吧，看来你是安全的，没被卷进去。顺着这个话题，苹果向来以不听用户想要什么而出名，这也是乔布斯的经典做派。他不会到处去搞焦点小组，不会去做大量用户调研，但苹果依然能不断打造出极其受欢迎的产品。你觉得他们到底做对了什么？还是说他们其实也做了很多用户反馈，只是我们不知道？ [00:38:23]
Caitlin Kalinowski：已经过去很久了，我离开苹果都十多年了，他们现在在用户反馈方面具体怎么做，我也说不好。不过我觉得这一点常常被误读。Lenny，我认为乔布斯那句话真正的意思是，如果你想打造一个全新的东西，顾客其实不知道自己要什么，因为他们还没见过。一个很好的例子就是 iPhone，虽然我没参与那个项目。当你去研发一款带触屏的 iPhone 时，不可能去问一百个人想要什么，因为他们大概率会说想要一个带物理键盘的屏幕。我觉得这才是你想探讨的那种精神内核。对于任何正在打造带有全新特性产品的人来说，都是如此。我也一直尽最大努力去组建那些做颠覆性创新产品的团队。一种情况是这是一个全新品类，或者出现了某种之前没做过的制造工艺。当你思考这类问题时，不能直接套用同一个领域、同一个产品类别里学到的经验，那根本行不通，因为你得不到正确答案。我觉得这正是 Steve 所说的意思。当你从根本上改变一些东西时，客户不会知道自己想要什么，因为他们从来没见过。但如果你拿出来给他们看，他们绝对会知道这东西很棒，这就是他们想要的。如果你陷入与客户的迭代反馈循环里，就很难把一个全新的东西从零到一做出来。这就是我的理解。 [00:39:41]
Lenny Rachitsky：我现在要完全换个方向，回到硬件组件这个话题。我问了很多人应该跟你聊什么，其中有一个人是 Matic 的创始人兼 CEO Navin。我太爱我的 Matic 了，不知道你有没有 Matic，反正我家有两台，我还另外买了两台送人。
内存涨价与AI做CAD
Caitlin Kalinowski：天哪，这评价太高了。
Lenny Rachitsky：没错，它基本上就是一款非常好用的机器人吸尘器。它的问题是，它建议我请教你关于内存价格的问题。它描述说，有一颗叫“内存价格”的陨石，正冲着消费硬件、机器人技术和物理 AI 砸过来。这到底是怎么回事？ [00:40:32]
Caitlin Kalinowski：我们整个行业都有麻烦了。我不是这方面的专家，但我觉得 AI 是原因之一，另外供应链也确实受限。我一直在建议初创公司和企业，如果可以负担的话，就提前购买内存，备足库存，来扛过价格飙升。类似的事情在新冠疫情期间也发生过，当时我们遭遇了很多供应链中断，拿到足够的内存就是其中一个难题。所以我们当时也必须提前采购。我不说是哪家公司，但我当时合作的公司也得提前购买内存。这也是我今天想跟你聊的一部分。这种供应链中断的问题，如果一项关键部件，比如内存，在很多科技产品里都要用到，一旦它受限了，你能做的就很少了：要么花钱买，要么已经提前囤购，能撑过去。真正的选项就这两个。当然提前购买也有风险，价格可能会下跌。挑战在于，内存这类产品的供应链有滞后性，往往跟不上需求变化，或者出现了新的产品品类。又或者像现在这样，数据中心正在大量吃进内存，而且他们对成本的敏感度不像做消费电子产品的公司，比如 Matic 那么高，所以他们愿意支付这些更高的价格。这很棘手，也是我们常常要面对的问题。 [00:41:52]
Lenny Rachitsky：价格涨了多少？这个问题有多严重？你觉得接下来会怎么发展？
Caitlin Kalinowski：这问题问得好，Lenny。我也不知道会发生什么。我觉得价格大概会翻倍，但说不准时间线。如果我知道价格什么时候翻倍，我早去做交易了。可惜我不擅长那个，要是能预测这些，我肯定换行了。 [00:42:05]
Lenny Rachitsky：不过我们肯定会面临供应链冲击，而且价格已经涨了很多。你说会翻倍，但它其实已经涨过了。我看到有数字显示涨了六倍之类的。真的吗？我没意识到已经这么严重了。先别引用那个数字。你是说根据你了解，这是 AI 驱动的，因为需要内存。我们说的内存像 DRAM 这些，到底什么是内存？我们聊的内存具体是什么？
Caitlin Kalinowski：在处理层面，你可以把它理解成处理器旁边运作很快的内存。把存储想象成硬盘或固态硬盘上的文件，那些通常是不怎么用的文件，或者你在处理的文档、照片之类，可能存在服务器的冷存储里，可能用的是某个地方的机械硬盘。这些通常不是你需要急速访问的东西。但如果你在跑一个程序，部分程序实际上是在 RAM 里运行。对服务器来说，有不同种类的机架，有些机架专门用于这种类型的内存，有些机架更侧重于我们所说的冷存储或者较慢的存储。当然这不是我的专业领域，但我做过的绝大多数产品，可能全部都有 RAM。我们得琢磨怎么处理。对我来说，这通常是个封装问题：把它放在哪里？需要方便接触到吗？选哪种 RAM？速度要多快？成本是多少？这些通常就是取舍。 [00:43:34]
Lenny Rachitsky：那么增加 RAM 的瓶颈是什么？是不是因为制造内存的公司根本来不及生产，因为需求太旺盛？
Caitlin Kalinowski：正是如此。
Lenny Rachitsky：这真的是一个很具体的例子，说明硬件制造有多难。只要缺一个零件，你就全完了。
Caitlin Kalinowski：是啊，只要缺一个组件，你就什么都造不出来。 [00:44:12]
Lenny Rachitsky：拿一个扫地机器人做例子，它有多少组件需要组装起来，而且一个都不能缺？
Caitlin Kalinowski：我在脑子里算了一下，大概有 50 到 150 个零件，可能更多。我没见过它们的 CAD，所以不知道内部到底是什么样。但它们确实包含很多东西：有轮子，要移动；有吸尘功能；有拖布；有集尘袋；有给拖布装液体的水箱；有一个系统，我猜是基于 SLAM 的，能看见你的房间、绘制地图、识别哪些是哪些表面。我相信这些处理都在设备本地完成，不会上传到云端，这其实也是我们在 VR 领域采取的做法，我认为这是一种很好的隐私保护实践。它们当然还有无线模块，用来连接，让你能与设备通信；还会有一个 SoC 芯片，会有 RAM，会有 PCB。如果把上面所有小东西都算上，比如 PCB 上的小电容，轻轻松松就上千个零件了。所以这取决于你怎么数，但它绝对不是一个简单的设备。只要一个零件不到位，就全完了。 [00:45:04]
Lenny Rachitsky：想象一下，卖给你一个压铸件的供应商倒闭了，你可能三个月后才能拿到另一个压铸件，大批量可能要五个月。这还是可以恢复的。但如果是硅芯片断供了，你买不到芯片，那就得重新设计电路板，找别的替代品。这就是灾难性的重新设计。如果你拿不到想要的 RAM 形态规格，在我看来本质上也是一场灾难性的重新设计。你得重新设计产品的整个内部结构，为这些新东西锁定供应链，重新上产线，重新测试，做所有可靠性测试。这可不是小事。所以我们才这么在意。消费电子领域组件是有等级之分的，通常我们最关注的是硅芯片和显示屏，这两样东西交货周期最长。在我熟悉的领域是这样；在机器人领域，执行器就很难搞到，哪怕只是做原型验证，有时候买一个执行器就得花上一两个月，这就是为什么 Elon Musk 以什么都自己造而闻名。你看看他在 Tesla 的做法，垂直整合供应链。其实 Starlink 是个更好的例子，他们基本上是从矿石和硅芯片进去，产品就出来了。我听说那工厂非常了不起，希望有一天能亲眼看看。 [00:46:07]
Caitlin Kalinowski：这就是垂直整合发挥作用的地方。如果很多组件都在内部制造，或者很多环节都自己做，你就能更好地应对供应链冲击。大家都知道，当年硅芯片很难找的时候，他就在极短时间内重新设计了 PCB，适应新采购的芯片。而对于那些采用传统供应链的公司来说，这种打击会是灾难性的。
Lenny Rachitsky：我在想，当你设计新硬件时，一个重大决定就是选择市面上现有便宜组件，还是说我们自己搞点新东西。在软件领域也有类似权衡，是用已有设计系统，还是做新的。你在设计硬件时，也会思考这种平衡吗？
Caitlin Kalinowski：很简单，只要能用现成的，我就尽量用现成的，尤其在原型阶段。这个阶段非常关键，你的目标是证明这个东西能跑起来，比如先让东西动起来。很多时候不一定需要是最终那款漂亮产品，可以是一个很丑的版本。你可以做一个最终产品外观的工业设计模型，但我们实际上把它叫做工作原型的 looks-like 和 works-like 模型：让你看到它会是什么样、它是怎么工作的。这里有一个可工作的原型。人类在这方面做得还不错。不过有个前提：你展示的东西得能放进那个工业设计里。对于比较年轻的公司，有时候不是这样，但那才是我们的目标。所以在原型阶段，什么能用的现成件，什么能快速弄到手，就用上。同时还要对哪些东西最终能装进你的设计心里有数，它能不能做到那些工艺、部件和材料，能适应你要求的尺寸和重量吗？这就是进入量产和最终设计时的考量之一。如果我能买到现成的轮子或者现成组件，那我绝对会买来装进去。只不过我们通常做的东西都是深度定制，因为我们有 KPI 要求，比如尺寸、重量、颜色，而现成零件往往不够好，不是因为它用不了，而是因为它恰好不是为我们要做的东西设计的。 [00:48:18]
Lenny Rachitsky：这就是现在无人机这么便宜的原因。所有这些零部件都是为别的东西创新开发、大规模制造出来的，现在我们有了这些零件，就能组装出很便宜的无人机。你提了好几次 CAD，这让我想到 CAD 已经存在很长时间了。AI 有没有在影响硬件产品的开发方式？显然它已经在很大程度上改变了软件开发方式。它有没有改变你的生活，以及那些造硬件和机器人的人的生活？ [00:49:06]
Caitlin Kalinowski：我想稍微展开一点讲。大部分硬件工作都花在原型设计和 3D CAD 上，也就是设计 3D 零件、组件和装配体，确保它们能正确配合，然后还要确保那些零件和组件供应商能按我们的公差要求大批量制造出来，最后再组装到一起。这就是目前的流程。现在 AI 能做 CAD 还处在非常非常早期的阶段。我给你举个例子，Claude 可以生成类似曲面或者点云的东西，但这并不是真正的 CAD。真正的 CAD 在我的世界里是有密度的实体，它有形状，有 NURBS 曲面，也就是说曲面有相应方程式定义。在 CAD 设计出来的东西是一个实体。所以现在我们离 AI 做真正的 CAD 还有距离。我认为某个时候肯定会到达那一步，这可能会是我们这个领域最大的变化之一，能让快速设计大幅提速。CAD 里其实有很多好玩的东西，但在我职业生涯早期，我们还得做定制螺丝，给每个东西出二维图。CAD 里面也有很多不那么有趣的事，比如公差累积分析，比如我们需要这七个零件怎么配合，它们是不是总能完美配合。这不好玩，不是最有趣的部分，也许对某些人好玩，但对我来说不是。所以如果 AI 能把这些事做了，那就太棒了，这样你就可以专注去做真正好玩的事。另一个好消息是，PCB，也就是印刷电路板，内部有很多层，上面还有各种元件。如果你拆开过计算器或者电脑，看过里面，就知道我在说什么。目前看起来，AI 已经能在这些板子的内部布线做得相当好了。AI 可能很快也能做一些基本的元件选型和布局规划。这就是我们现在的进展程度。所以 Lenny，我们还没到日常机械或电气工程的核心工作能被 AI 完成的地步。但作为工程师，你可以利用 AI 做大量工作，比如策略规划、安排，以及理清你面对的复杂依赖关系。这就是我现在用 AI 的地方：做比较高层次的规划，或者查询信息。比如当我想看看还有谁在做类似产品时，我就用 AI 来构建数据库。它们并不完美，很多时候还有错误，但速度实在快太多了。现在 AI 在 Excel 上也表现得相当好，当然 Excel 是我们工程师最喜欢的工具之一，所以这种快速生成和修改 Excel 表格的能力，虽然听起来不那么吸引人，但实际上在设计流程中，在这些核心工作之外，真的能大大提速。 [00:51:28]
CAD数据与人形机器人
Lenny Rachitsky：我特别爱 Excel，感觉不管做什么事，它都是最底层的工具，哪怕失去火星，背后大概也有一张 Excel 表格在驱动着。你刚才分享的很有意思：AI 已经对硬件和机器人的制造产生了影响，但如果它能真正进入 CAD 领域，就快要迎来一场变革了。
Caitlin Kalinowski：我最大的疑问是到底还需要什么。现在很多 AI 都是基于 LLM 的，本质上就是词语生成器、猜词器，当然它们比这更复杂，但本质就是干这个的。另外还有视频模型，是拿视频来训练的。但这些模型理解不了我需要的东西，比如你拿一张纸折四次，然后戳个洞，打开之后洞会出现在哪里。LLM 甚至视频模型都不会算。它们理解不了摩擦力、重量、接触压力，还有摩擦表面纹理。它们就是做不到这些，而这些恰恰是工程上理解问题、构建实物最核心的东西。所以未来一些 world model 或许能胜任。我猜我们可能需要把这些模型作为 CAD 和其他物理工程工作的基础。我现在有个挫败点，但这是健康的挫败感：我想要工程领域的 Codex，硬件工程领域的 Codex。这东西在别的地方已经价值巨大，但我想把它用在我的领域。我觉得这可能需要全新的模型类型。 [00:52:43]
Lenny Rachitsky：听起来是个机会。我知道有一批 World Labs 这样的公司，李飞飞之前来上过节目，聊过 World Labs。Google 也在做 Gemini。你觉得那些是大方向吗？还是说我们其实需要些不一样的东西？
Caitlin Kalinowski：我还不太清楚李飞飞最新的动向，但显然她非常聪明，是位杰出的机器人学家。我很想多了解她正在做什么，回头得去查查。就我目前所见，我们已有的模型和正在建的模型，只会是解决方案的一部分，而不是全部。 [00:53:20]
Lenny Rachitsky：回到机器人和人形机器人的话题。我们之前聊过，你的感觉是人形机器人未必是解决很多问题和机会的答案。谈谈你对人形机器人和非人形机器人的看法吧。
Caitlin Kalinowski：我觉得围绕人形机器人现在有个炒作周期，但这不意味着它们不特别有意思。我认为里面会有赢家。但我听到很多声音说，我想要一个通用的机器人形态，什么都能干。我不太确定这能成立。我觉得你需要不同类型的机器人去干不同的事。比如你有一台笔记本电脑，想把键盘拧到外壳上，这就不适合人形机器人来干，应该交给一台专门的制造机器人，专门为这台笔记本设计，把十颗螺丝拧进壳子里。你一天可能要拧一万次，或者一星期拧一万次，那就是一台专门做这件事的机器人。有意思的是，你可以为自动化机器人定义标准机柜尺寸，并让它们随着时间可以修改。我觉得这会是个很有意思的领域：怎么做出可适应、可变更的制造机器人。但你不想让人形机器人来干这个。你真正去看一座现代制造工厂，比如中国那些顶级 Tier 1 供应商产线，本来就已经没多少人了。整条印刷电路板线基本上已经不见人，裸板进去，过回流焊、检查，整个过程都不需要人，除非出了故障，人才会跑过来修。装配、机械装配也一样，这些最先进的线，人的活已经很少了。以前一条线可能要 200 人，现在可能就 10 个。所以在很多最先进的制造领域，我们其实已经走过了主要靠人工的阶段。我们并不需要用仿人机器人去替代人类，我们只需要更多这样的专用机器人。我猜未来人形机器人会用在一些常规任务上，那些现在还是人类在做、又很重要的事。但同时我们也会有建筑机器人、电工机器人、极低量产的装配机器人，可能还有物流机器人，而它们大多数都会长得彼此不同。 [00:55:14]
Lenny Rachitsky：说得太有道理了。你讲这些的时候我就在想，当机器人能制造其他机器人，那会是一个重大时刻。还有你提的 CAD，当 AI 能够为硬件开发出完整设计，那也是个大节点。你觉得我们离这种机器人互相制造、互相设计的闭环有多近？
Caitlin Kalinowski：说到机器人如果要造出和以往不太一样的机器人，我觉得这会发生，但说法很重要。我不认为会有一个机器人能自己建造自己，未来的图景不是那样的。但如果 AI 能让你说，嘿，我想造这个东西，希望它有这些功能，大概长这样，这里有张图片，即便是爱好者，也有可能从一张二维图片，进展到复杂的三维 CAD、装配和供应商沟通，弄清楚怎么制造零件，获取反馈，反复迭代，做几版原型。这在未来是可能的。我觉得一开始它不会像我们做的一样好，但它确实会发生。最大的挑战是数据。CAD 数据是任何人拥有的最有价值的 IP 之一。三星，或者拿 Meta 举例，他们不会愿意把自己的三维 CAD 交给模型供应商或模型开发商。有人想做一个 AI 模型，来教它怎么做出好的 CAD，但这是专有的，就像秘密配方。所以这些数据从哪来，是我很关心的大问题。这也是为什么我觉得爱好者是更有趣的起点。他们不担心自己 CAD 的神圣性，不在乎数据去哪，他们就是想做点东西，而且希望能更快做出来。这就是我感兴趣的起点。比如一个爱好者可能不是印刷电路板设计专家，但他们不在乎，只想让自己的无人机飞得更快，打败另一个人的无人机。我觉得你会最先在这些地方看到突破，而那些大的现有企业可能会慢一些，因为他们有专门的工具，而且非常保护自己的知识产权。 [00:57:08]
Lenny Rachitsky：这个关于 AI 模型需要什么数据来训练的想法真的很有意思。我听说各实验室在购买 2021 年之前的代码，比如 GitHub 仓库，因为那是在 AI 影响代码之前。现在人类写的代码越来越少了。还有像 Mercor、Surge、Handshake 这样的数据标注公司，感觉这可能会是一个巨大的机会，他们可以卖数据、创建这些 CAD 文件。
Caitlin Kalinowski：完全同意。一个非常好的想法是，做一个能部署在本地的 人工智能系统，也就是放在公司自己的数据中心里，然后用他们自己的数据来训练。我觉得这最终是可行的，但你需要大量 CAD 数据，所以你需要一个已经包含大量 CAD 数据的基础模型。我们得想清楚怎么做到这点，这会非常有意思。然后还得想办法把它安全地放进公司内部环境中，让他们用自己的数据继续训练。我不确定这最终会不会是一个类似 MCP 层的东西，还是别的形式，但长期来看这似乎是可以做到的。 [00:58:10]
Lenny Rachitsky：我想问你一个问题，是我姐姐建议我问的。她其实在 VR 领域待了很久，之前在 Oculus，是随着收购加入的。她参与制作了很多 VR 内容，在 VR 圈子里经营了很多年。她想让我问问你，要造出一个让人觉得有人味、并且能建立起情感连接的机器人，需要些什么？
Caitlin Kalinowski：这是个很好的问题。相对来说我在机器人领域还是新人，所以我必须尽可能快、尽可能多地学习。有一位研究员给我的帮助最大，她叫 Leila Takayama，是这个领域的专家。她跟我解释说，人类对于其他个体进入一个空间时，会做出怎样的反应，是有某种预期的。比如当有人走进门时，你大致上会注意到对方，可能不会和他说话，但会抬头看一眼。我们彼此之间有很多非常复杂的非语言信号。如果你走进房间，机器人却只是直愣愣的，那就很瘆人，而且很容易做得瘆人。我有点惊讶的是，除了少数例外，现在很多这类人形机器人都相当瘆人。大体上，你会希望这些设备没有威胁性，希望它们显得柔和，希望它们能对你做出反应，让你感觉到它们知道你在那里、它们在关注你、它们在那里是为了帮助你，让你的工作生活更轻松。而且你还会期望它们在行动之前先表明意图。所以我学到的一点是，如果一个机器人突然转身开始做事情，你会吓一跳；但如果它在转身之前先看一看，然后再动，那种警觉感就会小很多。这里面有很多这样的小细节。我建议大家都去看看她的研究，有很多很棒的研究，探讨的不一定是人形机器人，而是任何机器人如何在社交场合下做出恰当反应，比如有人进房间或离开房间时，同时也探讨如何用身体动作来传达意图，这些身体动作可以传达意图，这样就不会吓到你。我觉得我们可以从 Pixar 和动画工作室那里学到很多，他们思考这些问题已经很久了。我其实觉得 Pixar 和 Disney 大概是世界上最擅长做这类设计工作的。虽然他们在实体领域批量生产上做得没那么多，但如果你去看他们怎么表现情绪、意图、亲和力，以及角色之间的互动，那真的是世界级的。 [01:00:31]
家用机器人与未来五年
Lenny Rachitsky：我不知道你怎么样，但我真的特别期待家里能有个机器人，能帮我做各种事情。你看他们现在开始放出来的视频，机器人可以洗碗，至少原型机能做到，还可以叠衣服。我就想说，对对对，快来帮我干这些活吧。你对家里出现机器人这件事怎么看？
Caitlin Kalinowski：我个人很喜欢，但我伴侣没那么热衷。不过我还挺庆幸，他标准特别高。你知道他以前坚决不坐 Waymo，结果坐了一次之后，就再也不想坐别的车了。他确实会改变立场，但前提是东西得足够好。所以他现在是彻底爱上 Waymo，真的非常棒。也就是说门槛其实很高。我觉得要想让家用机器人进我们家，对他来说，这个机器人必须特别了不起才行，但我把这当成一种挑战。 [01:01:10]
Lenny Rachitsky：我妻子跟你伴侣一模一样。她之前的态度就是，我才不要那东西在我家里，但后来看到就觉得，哇，这个还挺可爱。最近一个例子是特斯拉自动驾驶，她以前总说千万别用那个。一开始体验确实不怎么样，但现在她已经不想再开别的车了，说自己开车太荒唐了，再也不想自己开了。态度变得也太快了，真惊人。
Caitlin Kalinowski：在我看来，这两者有很大区别，可以说是本质上的不同。一辆更安全、能自动驾驶的车，跟一辆由人开的车差别很大，因为你有人类开车的存在证明，也有数据。但当你谈到家用机器人时，你多出来的究竟是什么？是你现在有了一个以前没有的、能做事情的东西。如果它做得不好，你拿什么来参照？如果它在某些方面不安全，你又拿什么对比？我觉得对很多人来说，接受家用机器人要比接受自动驾驶汽车难得多。汽车你可以说，嘿，Waymo 能救命，不论你是乘客还是路人，用 Waymo 出事的概率都会大大降低。你在旧金山已经能看到，面对 Waymo 时，人们的反应跟面对其他车辆时不一样了。你看到了建立在信任之上的行为改变，这非常酷。尤其当你在谈论一个全新的、以前不曾存在的产品，而且它还不是在直接替代某个已有东西时，那个壳就更难打破，需要一种不一样的叙事。 [01:02:40]
Lenny Rachitsky：关于特斯拉自动驾驶有个问题，还需要人想办法解决。比如你停下来的时候，常常会跟行人或别的司机有个眼神交流，然后示意你先走，或者有人要过马路，你会说，好，你过吧。但这时候特斯拉只管按自己的逻辑来，搞得你像个混蛋。这种情况我遇到好多次，就好像在说，不是我开的，是车在控制。
Caitlin Kalinowski：我也遇到过这种情况。你简直想在车前面装两只小小的手臂，好让它能做个“你走”的手势。太神奇了，我们竟然这么依赖人与人之间的交流，来决定在路口到底谁先走。 [01:03:30]
Lenny Rachitsky：我们把视角拉远一点。我觉得像你这样的人很酷的一点在于，你们在思考和构建的是未来才会存在的东西。你有点像是活在未来、设计未来，而且是为数不多能让我们一窥未来走向的人。所以我很好奇，在未来五年里，你眼中我们日常的机器人设备会有什么不同？大概会是什么样？粗略说说就行。 [01:04:09]
Caitlin Kalinowski：干我们这一行有件很疯狂的事，就是我们得尝试活在未来，而且必须活在一个足够远的未来。这样我们设计出来的东西，不光是为了两三年后，还得能铺垫到六年之后想要达成的目标。因为在我这个领域，先做出一个东西来，然后不断朝着最终目标迭代，要比一次性把它做到完美容易太多。所以你不仅要搞清楚第一款产品需要是什么、看起来怎么样，还得清楚第三款产品，或者这个产品的终极理想形态，大概会是什么样。所以你必须去思考未来、活在未来。我有这么个奇怪的特点：我特别喜欢畅想未来，但同时我也是一个怀疑论者。大家其实很需要我这样的怀疑论者，因为如果我觉得一切都没问题，硬件就真的会出问题。你真的希望我整天在说，这个行不通、那个行不通、这里会冒问题、那里会冒问题，对所有可能出错的地方都忧心忡忡。所以我的内心有一种有趣的矛盾，在我想要的未来、我以为会发生的未来，以及实际将要发生的未来之间不断猜测，不过在我看来，有件事相当明显：AI 会在未来几年里给我们的工作和做事方式带来根本性改变。你现在已经能看到这种迹象了。很明显，现在写代码的人已经很少完全手写。我认为接下来任何知识型工作都会受到冲击，并且会逐渐影响我们的经济和工作方式。但看起来，除了无人机和自动驾驶汽车，实体世界的变化可能不会那么快。你会看到越来越多的机器人，但我不是那种会说五年内就会有两千万台机器人的人，我不觉得会发展得那么快。我觉得我们在供应链上还有很多很深层的工作要做：供应链可靠性、原材料获取，以及怎么在这个国家重新为高科技行业建工厂。所以工作量很大。但在这期间，你会开始在街上看到很多奇怪的东西。 [01:05:52]
Lenny Rachitsky：对了，你以前在你周围见过送货机器人吗？那种小的、像小车一样的东西，不是人形的那种。
Caitlin Kalinowski：没错。所以这种情况只会继续下去。我觉得我们会持续感觉像活在未来一样。但安全对于机器人技术来说会是一个很关键的要素。举个例子，未来两年，战争领域的变化可能会比消费电子产品更大。 [01:06:19]
Lenny Rachitsky：哇，真是一句大胆的判断，而且我完全同意。没有什么比战争更能激励创新、永无止境的改进，以及试图领先对手。
Caitlin Kalinowski：尤其是当民主受到威胁的时候。我不想显得好像站在道德高地上说教，但我确实认为，我们现在的处境需要我们用这样的视角去思考未来的事，并且用我们的能力去捍卫这些。同时也希望我们永远不必在任何地方爆发热战。
Lenny Rachitsky：顺着这个思路，我必须问问你。最近你在推特上出名了，至少是因为你离开 OpenAI 的事。你发了条推文，说你要走，加了几句简短解释。结果那条推文获得了 700 万次浏览，还有很多赞。发生了什么？你为什么要离开 OpenAI？到底出了什么事？ [01:07:13]
Caitlin Kalinowski：我在推文里说的是，我在 OpenAI 的管理层那边有很多朋友，我很在乎他们，觉得他们都是很好的人。而我觉得关于那个决策、决策的速度、公司治理，以及宣布跟国防部合作这件事上，缺乏明确边界和把关，这些都不是我认为应该发生的方式。这两种看法可以同时成立。所以 Lenny，我希望能有一条第三条路。你看，有很多人就是随波逐流，公司做什么他们就跟着走；也有一些人选择鱼死网破。但在这个情况里，这两种对我来说都不合适。我对公司没有那种极端感受。OpenAI 曾经是、现在也依然是一家了不起的公司。我在那里帮忙建立了一个机器人项目，并吸引了一些我觉得可以说是全球顶尖的机器人人才。所以对这群人我非常有感情。你可以跟朋友意见不同，可以觉得他们做的事情不好、不对。这就是我最后的选择，也是我发推文的原因。这件事本来就会被报道出来，所以我选择在报道之前自己先发推文。 [01:08:07]
Lenny Rachitsky：这可是个好机会。你就悄悄告诉我 OpenAI 现在在搞什么吧，那个机器人设备是什么，就咱俩之间说说。
Caitlin Kalinowski：我很希望能告诉你，Lenny。我们这份工作的乐趣之一，就是能比别人更早看到一些东西；但另一面就是，我们不能谈论任何内部信息或知识产权。我能说的就是，那个团队真的非常强。我也非常感激能有机会去提供帮助，但我觉得那件事发生之后，我没办法再在那里继续工作了，因为你不知道下一次又会发生什么。我希望我的决定能让其他人更容易去讨论自己的边界并坚守它。至于结果如何，我们拭目以待。 [01:09:00]
Lenny Rachitsky：说到团队建设，这也是我特别想问你的事。正像我说的，我问了一堆人应该跟你聊什么，其中有个人我记得可能是你的同事或者前同事，叫 Mariana Sancor，你和她共事过吧？她跟我提到，你作为领导者的过人之处就在于能招到非常棒的团队。在一个所有人都担心自己工作的时代，我很好奇，你会觉得什么样的人是必不可少的？聊聊你学到了什么吧，在招人时你到底看中什么？
Caitlin Kalinowski：我很幸运，在招人方面花了很多时间，积累了很多经验。所以我有一套在从零到一新领域或新行业招人的策略。我想这正是我们在 AI 和机器人领域面对的，这显然非常新。你不能指望招的人以前全做过一模一样的事情，因为这种东西根本不存在。也许你找得到造过上千个机器人的机器人专家，但据我所知，没有人造出过那种我感兴趣的、能在世界上以百万量级移动的机器人，因为这还没人做过，所以你必须开始想，怎么组建一支能做全新事情的团队。好在机器人领域里，自动驾驶汽车、自主车辆是很好的考察方向，因为那里涉及传感器技术栈，还有大量安全上的权衡，那都是硬核工程。所以这是我关注的方向。显然你也需要一些硬核机器人专家，能从头设计机器人。这些人就算有某个领域的学位，实际上也是混合型人才，是通才。所以我招人的一个核心原则就是，找很多非常强的通才，能把在其他领域学到的东西迁移到新领域。你还需要一些有丰富建造经验的人，最好是真的造过你现在要做的这种新东西，以及一些有将其他东西大规模扩展经验的人。所以你可以从这些方向去找，说到年轻人，这就很有意思了。真正 AI 原生的人，那些用起 AI 来像天生一样、已经把 AI 融入自己工程流程里的人，基本都在 20 岁、21 岁左右。很难找到一个 30 多岁的人，能真正完全 AI 原生。所以我们需要这些人来教我们怎么思考。我有机会跟一些那个年龄段的人共事过，他们解决问题的方式跟我们完全不同，因为他们从最底层开始，做任何事都用 AI，而且速度比我们快得多，看着真的很有意思。所以要搞清楚怎么让这些 AI 原生代来教我们其他人，他们是怎么看待 AI 的。我们俩，我觉得可以说是数字原生代。可能我们很小的时候还没有互联网，但我们是拥有第一代互联网的那代人；我们青少年时，是第一代手机真正大规模普及的一代。我们是重要的一代，因为经历了这些技术的最初阶段。我记得在斯坦福大一那年，我们有了最早的数据库，可以在上面访问、分享电影和音乐什么的，但那在当时是很新的东西。所以我们也是这些技术的原生代，这让我们在创造新技术时有了很大的劲头。但我们必须接受，我们并不是这些新技术的原生代。你真的需要找一些充满渴望、兴奋、想学习，并且已经具备这些技能的人。 [01:12:16]
招聘AI原生团队
Lenny Rachitsky：你最后提到的这类人，在我们这个播客聊招聘时是一个挺常见的趋势。而且这也很酷，因为它反驳了一个说法，就是因为 AI，年轻人不再有工作机会，初级岗位会被抹掉。
Caitlin Kalinowski：我不这么看。我认为我们需要他们，也需要培养新的技术人才。有个很明显的问题：如果我们没有同时包含资深和初级人员的团队，那会怎样？但当你实际组建团队时，就会发现两者都必须要有。团队规模可能只是比以前稍小一点。至于当硬件领域的 AI 革命发生时，会对团队产生什么影响，我还不知道，那会很值得观察。
Lenny Rachitsky：所以我从你这里听到的是，要找能根据需求灵活应变的通才，混合一些专才，以及有扩展经验和从零到一经验的人。然后就是这类人，我听过最贴切的一个称呼是 cracked new grads，也就是顶尖应届生。他们本质上是 AI 原生，用 AI 优先的思维做所有事。 [01:13:23]
Caitlin Kalinowski：没错。我们刚才没谈到的一点，当然就是使命一致性。这其实是把团队凝聚起来的东西。如果每个加入的人使命都一致，那会非常有帮助。特别是在 AI 研究者和硬件工程师这两个群体之间，由于大家来自很不一样的领域，常常会出现沟通不畅。所以让所有人都觉得在朝同一个方向努力，这很重要。另外，在我看中的那些条件都满足的前提下，我很依赖自己对人的直觉感受。很难讲清楚那到底指什么，但通常来说，就是你在一个人身上寻找的那种火花：他们有真正的动力，渴望学习、追求卓越，想向身边的人学习，愿意根据新信息更新自己的观点，而且想赢。我觉得当你在组建团队的时候，这些才是真正重要的东西。 [01:14:03]
Lenny Rachitsky：再问几个问题。我一直想问，你曾经和那些最传奇的创造者共事过，Steve Jobs、Jony Ive、Mark Zuckerberg、Sam Altman。你不必每个人都讲，就说你从他们身上学到的一两点印象深的。
Caitlin Kalinowski：我先从 Sam 说起，因为最近刚共事过。Sam 特别擅长问：为什么不更多？为什么不是一百倍或者一万倍？你想得太小了，为什么不从更大的格局来想？每次我们谈什么重要的事，他都会这么讲。后来我意识到，我在某些方面确实想得太小，而他是站在全球视角去想。一个充满雄心的领导者这么推你一把，真的非常有帮助。所以这是我跟他学到很重要的一点。不管在什么量级上，他都愿意冲着影响非常多的人去发力、去投入，他习惯用非常庞大的数字来思考这一点。至于 Steve Jobs，Steve 为公司、为技术人才、为卓越设定的标准从来不摇摆。标准就在那，你要么够得着，要么够不着。整个公司都浸在这股劲里。当你是一个年轻有野心的人，听到别人说这个还不够好，那其实可以极其激励人。比如别人跟你说，这个得更好，你要花更多时间想清楚；比如在 CAD 审查里，这东西没达到我们的质量杠杆。那种话你听一次，就再也不想听第二次，所以非常激励人，再说 Mark Zuckerberg。我得说，他公司运转得特别特别好。从技术体系怎么运作，我们怎么做评审、怎么做决策，决策都被下放到公司里尽可能低的层级来做，以保持速度。我以前其实没有充分体会到，硬件团队跟公司其他部分之间配合得有多干净利落。非常清楚：这就是我们要打的目标，我们会开这个评审会，在会上就要拍板；如果不用上会就能拍，你就直接拍；这就是这个项目的目标。执行得非常到位。在一家高速增长的公司做到这样很难，在那个体量做到这样更难。而且他和 CTO Andrew Bosworth 都会深入技术决策，能读大概 20 页的报告，吃透里面的各种权衡，还能给技术讨论输出意见，而这只是他那一周里的一件事。他们一个月里要这样重复上百次，让我印象非常深，也实实在在从他们身上学到东西。 [01:16:13]
Lenny Rachitsky：这一组经历太不可思议了，而且这几个地方的类型完全不一样。我感觉没法再更不一样了。我觉得这也是为什么你现在在找从零到一的机会。你想找从零到一的机会，它就一定藏在某个不一样的地方。总的来说，你现在是自由身，在这个市场上肯定特别抢手。不过，另一边，我想把你带进失败角。做硬件、做实体产品的人，总有一些很精彩的失败故事。有没有一个你自己做过的、搞砸了的案例，然后你从中学到了什么？ [01:17:06]
Caitlin Kalinowski：这个问题很好，但真让人有点坐不住。我最喜欢的一个失败例子是在 Quest 1 上，大概处在 EVT 阶段的时候。Quest 1 做到一半时，我们发现为了降低成本，摄像头从 5 颗减到了 4 颗。我们开头聊到过一点，我们需要把价格压下来，让更多人买得起。结果就在圣诞节前，负责计算机视觉那边的负责人跟我说，天哪，摄像头的数据根本没法用，我们锁定不了用户戴着设备时的位置。我们往下查发现，他们对我们规格的理解，跟我们自己对规格的理解不一致。在工程上，我们通常用正负公差，比如允许上下浮动。在这件事上，我记得是正负 0.15 毫米这一类。而他们那边习惯的是一个全局公差，比如整体偏差要在正负 0.15 毫米以内。所以双方对规格的解释不一样。问题在于，按我们这边的理解，他们就没法完成目标，也就是感知头显在空间里的位置。结果我们不得不重新设计，而且那是在 EVT 阶段，基本已经是你希望工程设计全部敲定的时候。 [01:18:00]
Lenny Rachitsky：EVT 代表什么？
Caitlin Kalinowski：它指的是我们首次将硬件按所有设计要求完整组装起来的时候。所以是最终组件、最终材料，你现在是在量产工具上制造这些组件，是为了大规模量产，而不只是做几个样品。这是一件大事。我们当时不得不做出调整，或者说优先取舍。我们有四个浮动的摄像头，必须把底部两个互相锁定，放到一个支架上，这样它们之间的相对距离才能满足所需规格要求，然后让另外两个保持浮动。所以这是一个架构上的变动，也是一次失败。我想说，这是在理解规格上的失败，也是产品设计上的失败，但根源是对规格的误解。好在我们当时能够快速适应，事实上我们按时完成了那次工程构建，也按时把产品发了出来。不过过程压力真的很大，而且最后证明新设计反而更好，因为有了一个锁定的摄像头，就相当于有了空间定位的基准，另外两个摄像头可以重叠到那个基准上去，实际运行效果很不错。我觉得结果挺好，但当时真是手忙脚乱，多希望能提前四个月发现这个问题。 [01:19:05]
Lenny Rachitsky：这又是一个例子，说明硬件有多难。你没办法像软件一样，搞错了规格，然后花一周重做点什么就好了。这都四个月过去了，还是得重新调整硬件供应链。最后出货的 Quest 1 摄像头，是不是按照这个移动后的方案做的？
Caitlin Kalinowski：对。如果你观察一下，它前脸有两个摄像头彼此靠得更近一些，在底部。
Lenny Rachitsky：哇，那 Boz 和 Zuck 对这件事怎么看？
Caitlin Kalinowski：我不记得他们有什么特别反应了，这大概说明结果还不错。我们当时把问题处理了，也重新设计了支架。我印象中不得不把支架材料改成钢，才能保持需要的公差，但最后都搞定了，价格、成本、良率都没问题。所以我觉得我们适应得还不错。
闪电问答与未来愿景
Lenny Rachitsky：而且那个产品是史上最畅销的 VR 设备，对吧？
Caitlin Kalinowski：应该是吧，不过我没有最终的销售数字。
Lenny Rachitsky：明白，保守估计。好了，Caitlin，我们已经聊了非常多。你还有什么想分享的吗？无论是重申我们聊过的，还是你觉得有件事特别想说。 [01:20:21]
Caitlin Kalinowski：我觉得我们正在进入一个可能是最激动人心的时代。但同时，我想包括我在内，每个人都会对这种变化感到担心和恐惧，这非常正常。另一方面，我也认为这是一个让人们有机会完成非凡成就、取得非凡进步的机会。作为个体，能做到以往任何时代都做不到的事，这是我努力去拥抱的那一面。这些新工具、新的工作方式，确实有点吓人。但如果你张开双臂，现在就每天使用这些 AI 工具，每天把它们应用到你正在做的事情里，你就会站在未来一切变化的最前沿。所以我想鼓励每一个人发挥创造力，使用这些工具，从中获得乐趣，弄清楚它的边界在哪里。每次有新模型出来，都再去重新测试一遍。非常重要的是，我们要知道自己面对的是什么、边界在哪里。另外，我从来没有任何时候比现在更对个体的力量感到兴奋。 [01:21:14]
Lenny Rachitsky：说到这里，Caitlin，我们到了非常激动的闪电问答环节。我一共有五个问题。准备好了吗？
Caitlin Kalinowski：准备好了。
Lenny Rachitsky：第一个问题，你发现你最爱向别人推荐的两到三本书是什么？
Caitlin Kalinowski：我最近主要读的都是经典作品。所以《新日之书》是一部很棒的小说，我强烈推荐。我想书名应该就是这个，我有阵子没读了。另外我很喜欢《达洛维夫人》，我认为它是一本关于人生转折的很有趣的书，是弗吉尼亚·伍尔夫在战后创作的一部作品，我真的很喜欢，觉得非常精彩。还有希罗多德的《历史》也相当了不起。他有很多地方写错了，但这也是第一本历史书，很多时候他会去收集第一手或第二手的记述。它是一个窗口，让你看到一个与现在完全不同的时代。这些就是我喜欢的一些书。对了，我会再核实一下第一本书的名字，然后邮件发给你，不过我想应该就是那个名字。 [01:22:06]
Lenny Rachitsky：好的，我们会在节目注释里贴上正确书名。再问一个，最近有没有特别喜欢的电影或者电视剧？
Caitlin Kalinowski：我最近特别迷《亢奋》。我觉得新一季的《亢奋》，我对里面的人物和他们身上会发生什么特别感兴趣，很想搞明白。
Lenny Rachitsky：那个剧看得让人好紧张啊。
Caitlin Kalinowski：每次看的时候，我都觉得它是部传奇剧。我觉得你得把它当成一部肥皂剧来看，这样就会觉得挺有趣。如果你看得太当真，或者太从现实逻辑来想，就会很紧张。
Lenny Rachitsky：好，这样想还挺有用。下一个问题，你最近有没有发现什么特别喜欢的产品，可以是硬件，也可以是应用、一件衣服，或者某个小玩意儿？
Caitlin Kalinowski：我特别喜欢 Vollebak。他们做的衣服非常有意思，基本上新衣服都是基于材料科学来做的。他们利用新的材料科学成果，再做成衣服。这真是个很有趣的品牌。 [01:23:13]
Lenny Rachitsky：Vollebak，了解了，很酷。你在工作或生活中，有没有一条经常回想起来的人生格言？
Caitlin Kalinowski：你看过那张图吗？上面画了很多分支，然后你就在这里，从这个点往后，又有更多分支。那张图。
Lenny Rachitsky：是的，你知道它的出处吗？
Caitlin Kalinowski：我一开始不知道是谁画的。我经常想起这张图，因为人真的很容易陷在过去或未来里，很难只专注于当下。我在这方面也有困难。但它是个很好的提醒：你每天都可以自己选择，每天都可以决定你想做什么。有时候事情不会如你所愿，有时候你会后悔，有时候你会为自己做的感到骄傲，但这些其实没那么重要，真正重要的是眼前的东西。
Lenny Rachitsky：我们会把那幅图放在屏幕上，或者放在节目笔记里。那图真的很有力。最后一个问题，有个很了解你的人分享了一件很有意思的事，说你曾雇了一位博士来辅导你学习古希腊和古罗马的经典著作，真的非常痴迷这方面的东西。这是怎么回事？是什么驱使你这样深入研究这些？ [01:24:32]
Caitlin Kalinowski：这真的是非常书呆子气的话题。不过我发现了一份诗人 Joseph Brodsky 列的书单，上面列的都是他认为要用英语进行有智慧的对话就必须读过的作品。这份书单说实话有点装腔作势，要求很高，从《旧约》《吉尔伽美什》一直往下，跨度很大。但我发现，它很好地浓缩了我们过去常说的西方经典。我在公立学校和大学里学到了不少东西，但从来没有正经按所谓西方经典来学习过，这份书单正好补充了这一点。而且它上面还有一些比较新的书。能有这样一个学习框架，我觉得特别有意思。后来我发现，尤其是在读希腊悲剧时，我缺乏足够的背景知识，来深入理解我想要学的东西。光是阅读文本，我的吸收效果并不好。于是我找到了一位很棒的博士后，他愿意当我的辅导老师。我可以向他提各种问题，他就像一本百科全书，什么都知道。我可以问他，在我们读的这个希腊悲剧发生的年代，土耳其那边在发生什么，雅典的情况怎么样，这个悲剧可能是在回应什么，他都能回答上来。能有一个这样的讨论对象，真的很有意思。 [01:25:38]
Lenny Rachitsky：太酷了，你这么做真的很有意思。虽然 AI 现在能做很多这类事情，但有时候跟真人交流要有趣得多，感受也好得多。
Caitlin Kalinowski：是的。我发现借助 AI 来阅读和交流，对掌握基础知识很有帮助。但是如果要理解当时的文化背景，以及作品的意义，那 AI 就不太够用了。 [01:26:04]
Lenny Rachitsky：那是因为我们不是二十来岁的年轻人了，不太习惯完全依赖 AI。它还会出错的。
Caitlin Kalinowski：我倒不觉得这是错，只不过我们不是这样长大的。我想现在的大学生们可能直接会说，为什么我要那么做，我有 Claude 就够了。
Lenny Rachitsky：太酷了，我喜欢。好了，这期节目太棒了，你太厉害了。大家如果想找到你、联系你，甚至想挖你，可以在哪里找到你？还有最后一个问题，听众怎样才能帮到你？
Caitlin Kalinowski：我有一个个人网站，就是我的名字 .com，我也有 LinkedIn。要说怎么帮到我，我觉得可以一起畅想未来。这可不是一场单人游戏，而是一场多人游戏。我们要想明白自己想要的未来是什么样，在这个未来里人的位置是什么，我们又希望为自己保留些什么，以及我们想如何增强自己。现在这个时代有种反乌托邦的氛围，似乎一切都很糟糕，感觉未来会很可怕。而避免这种情况的方法，其实就是我们一起去设计想要的未来，描绘我们期待的未来途径，通过科幻小说、文学作品、对话交流来描绘，然后再一起把它建造出来。我觉得这是完全有可能的。 [01:27:10]
Lenny Rachitsky：太棒了。这个观点在最近几期播客里也出现过，所以真的是一个很好的提醒。Caitlin，非常感谢你今天来，太有意思了。
Caitlin Kalinowski：Lenny，谢谢你邀请我，再见。
Lenny Rachitsky：各位，感谢你们收听。如果你觉得有价值，欢迎在 Apple Podcasts、Spotify 或你常用的播客应用上订阅我们的节目，也请考虑给我们打分、写评论，这真的能帮更多听众找到我们。你可以在 Lenny's Podcast.com 找到所有往期节目，或了解更多关于节目的信息。我们下期再见。