从 MacBook Air 到机器人：Caitlin Kalinowski 谈「硬件只有五次编译机会」

Talk

Caitlin Kalinowski 的履历踩过过去十五年消费硬件最关键的三条线：Apple 的 MacBook Air，Meta 的 Oculus 和 AR 眼镜，OpenAI 的机器人与硬件探索。

她在 Lenny's Podcast 里聊了一个 AI 圈很少认真讨论的问题：当模型越来越聪明，最难的部分会从屏幕里移到物理世界里。机器人、AR 眼镜、供应链、制造公差、内存价格、战争无人化——这些话题在她的叙述里连成了一条线：AI 走进现实世界之后，产品经理和硬件团队要重新学会尊重原子。

Caitlin Kalinowski

前 Apple 硬件团队成员，参与过 MacBook Air 量产；后来在 Meta 带 Oculus、AR 眼镜和硬件团队；之后加入 OpenAI 负责机器人与硬件方向。她的职业路径横跨消费电子、空间计算和 AI 硬件。

1. 硅谷最抢手的硬件领导者，刚刚离开了 OpenAI

Caitlin 从 OpenAI 离职的推文拿到了数百万浏览量。OpenAI 正在向硬件和机器人方向伸手，她是少数能把 AI 想法落到物理产品上的人。

Lenny 问她为什么现在所有人都开始关心硬件。Caitlin 的回答：AI 已经把软件里的很多边界推得很远，下一波真正的变化会发生在物理世界。

软件可以每天发版。硬件的一次错误会变成库存、返修、供应链延误和品牌损耗。AI 公司习惯了快速试错，硬件公司习惯了慢速锁定。两种文化碰到一起，摩擦才刚开始。

2. VR 砸了上百亿美元，为什么没成？

Caitlin 承认 Meta 投入巨大，也承认很多消费级 VR 产品没有成为大众日常设备。问题很少出在单点技术上，更多出在社会接受度、内容密度、佩戴体验和使用场景的错位上。

她提到一个容易被忽略的结果：VR 没有把每个人都带进虚拟世界，却为机器人和空间智能积累了大量底层能力。SLAM、深度传感器、空间定位、低延迟显示、手势追踪——这些技术在 VR 里显得奢侈，在机器人那里会变成基础设施。

Meta 对 Reality Labs 的投入经常被外界当作战略冒险来讨论。换个角度看，这笔投入沉淀出的技术资产正在被迁移到更宽的物理世界计算里。VR 的商业化速度慢，技术遗产却很厚。

3. Orion 与 AR 眼镜：离我们还有多远

聊到 Meta 的 Orion，Caitlin 提到 70 度双目视场角，这在 AR 眼镜里是一个很激进的数字。更大的视场角意味着用户能看到更完整的数字叠加层，也意味着光学、功耗、重量和散热同时被推到极限。

AR 眼镜卡住的地方，一直是系统级取舍：波导、MicroLED、计算单元、输入方式、电池和佩戴舒适度，每一个都不能单独优化。单项技术突破经常会把另一个指标拉爆。

用户不会为供应链难题买单。眼镜戴上去重、热、暗、丑，用户的判断只需要三秒。

4. 硬件「编译」只有四五次

这期访谈里最出彩的比喻：Caitlin 把硬件开发叫作一种低频编译。

软件团队可以每天编译、每天测试、每天回滚。硬件团队一年可能只有四五次真正的构建机会。一次 EVT、一次 DVT、一次 PVT，每一次样机都要烧掉时间、模具、供应链排期和工程团队的耐心。

硬件团队一年可能只有四五次真正的「编译」机会。到了量产那一刻，最后一次编译已经结束。

-- Caitlin Kalinowski

硬件里的 0.5% 边缘问题之所以致命，是因为软件里的长尾 bug 可以上线后修。硬件里的长尾问题可能出现在某个温度、某个跌落角度、某个装配误差、某批材料的微小偏差里。等产品发到用户手里，这些问题会变成真实世界的召回。

5. 为什么连学计算机的人都跑来搞机器人了

越来越多计算机背景的人开始转向机器人、硬件和物理 AI。Caitlin 提到普林斯顿的计算机方向选课变化——学生兴趣正在从纯软件扩散到物理世界。

过去十年，最聪明的人都在优化屏幕里的产品：推荐流、广告系统、云服务、SaaS、移动应用。大模型出现后，屏幕里的很多任务被自动化工具迅速吞掉。新的稀缺点开始转移：谁能让 AI 抓起一个杯子，谁能让机器人在工厂里安全走动，谁能让眼镜整天戴在脸上。

物理世界没有 API 那么温顺。它有摩擦力、重力、灰尘、撞击、供应商、海关和工人班次。

6. 人形机器人：还在原型阶段

Lenny 问到人形机器人。Caitlin 看到了 Optimus、Figure、Neo 这些项目的进展，也看到了资本市场的热情。但在她的判断里，这个领域还处于早期。

安全是最大问题之一。一个能搬重物的人形机器人，天然带有危险性。它一旦失控，造成的风险比一个手机 App 崩溃严重得多。靠近机器人三英尺以内，人会本能地警惕。

人形机器人演示视频很容易制造传播效果。进入家庭、医院、仓库和工厂之后，安全认证、责任归属、维护成本和场景边界会成为更现实的问题。机器人公司展示的是能力，客户采购的是可靠性。

7. 一颗叫「内存价格」的陨石

Caitlin 提到，AI 数据中心正在吞掉大量内存供应。Matic 的 CEO 曾提醒她，内存价格已经上涨约六倍，未来还可能继续翻。对硬件初创公司来说，内存价格的剧烈波动意味着 BOM 成本被外部力量直接重写。

AI 的一个有趣后果是，最先受到冲击的群体可能是那些需要购买实体零件的小公司，模型公司反而离冲击更远。大厂可以提前锁产能，创业公司只能用现金流硬扛。

8. 一块磁铁就能卡住整个机器人产业

Caitlin 把机器人拆成磁体、执行器、子组件和整机。任何一层出问题，最后的产品都会被卡住。

执行器尤其关键。它像机器人的肌肉，决定力量、速度、控制精度和耐用性。很多人谈机器人时盯着模型和控制算法，Caitlin 盯的是电机、齿轮、磁体、线圈和热管理。

过去 25 年，美国把大量制造能力外迁。现在 AI 硬件和机器人突然变成战略产业，供应链能力的空心化开始反噬。你可以在硅谷画出最漂亮的产品路线图，但工厂、供应商和材料价格会把路线图重新排版。

9. 十万架无人机 vs 航空母舰

Caitlin 引用 Palmer Luckey 的判断：未来战争里，大量低成本无人机可能比少量昂贵平台更有决定性。乌克兰战场已经展示了这种变化：3D 打印、快速迭代、现场改装、低成本传感器和 AI 辅助识别，让军事硬件的更新速度越来越接近软件。

Palmer Luckey / Anduril

Oculus 创始人，后来创办防务科技公司 Anduril。他的路径把 VR、传感器、自治系统和军用硬件连在了一起，也让消费电子技术与国防产业之间的边界变得更薄。

同一套传感器、边缘计算和自主控制能力，可以进入家庭机器人，也可以进入战场无人机。技术中性这句话在物理世界里会变得很贵。这也是 AI 硬件叙事里最难处理的一层。

10. 从苹果学到的东西：柜子背面也要做好

Caitlin 在 Apple 学到了一种近乎顽固的产品标准。她提到乔布斯讲过木匠做柜子的故事：即使柜子背面靠墙看不见，也要做得漂亮。

柜子背面也要做好。用户也许看不见，但做产品的人知道。

-- Steve Jobs

软件里的粗糙常常藏在界面后面。硬件里的粗糙会变成手感、缝隙、噪音、热量和重量。用户未必知道哪里出了问题，只会觉得这个东西廉价。

Caitlin 所在的那一代 Apple 硬件人，后来散落到 Meta、OpenAI、消费电子、机器人和 AR 公司里。今天硅谷很多 AI 硬件项目，仍在吃 2007 到 2012 年那波 Apple 工业体系的红利。

11. 帮 Meta 从零搭建硬件：四条实操经验

Caitlin 在 Meta 讲了四条做硬件团队的原则。

第一，一开始就明确目标。成本、重量、性能、续航、可靠性，必须尽早定下来。硬件项目越晚改目标，代价越高。

第二，先攻克最难的部分。很多团队喜欢先做容易的东西，因为这样看起来进度很快。硬件项目里，最难的零件、工艺和性能指标必须提前暴露。

第三，用户接触最多的部分要反复打磨。佩戴设备尤其如此，面部接触、绑带、重量分布和散热，会直接决定用户是否愿意继续用。

第四，现在就做。Shelley Goldberg 给她的影响：不要等所有信息完美才开始推进。硬件节奏已经够慢，团队再拖，窗口就会过去。

12. 「信封时刻」与制造革命

MacBook Air 的经典发布画面，是乔布斯从牛皮纸信封里拿出一台笔记本。背后是制造方式的变化。

Caitlin 参与的是后续量产版本。CNC 一体成型工艺把机身从多个零件拼装变成从一整块铝里切出来。它改写的不止是外观，还有结构强度、装配公差和手感。

Apple 的硬件神话经常被讲成审美故事。更硬的一层是制造能力：CNC、材料、良率、供应商管理、自动化测试。发布会上的轻薄，是靠工厂里的刀具、治具和良率兑现的。

13. AI 能做 CAD 了吗？还差得远

Caitlin 说 Claude 可以生成一些曲面和点云，但这离可制造的 CAD 还很远。

真正的 CAD 需要包含实体结构、材料厚度、公差、装配关系、受力、热、制造工艺和成本。LLM 可以理解文字关系，却很难理解一个零件被拧紧时的接触压力。

PCB 布线已经更接近自动化，因为它的规则更明确，数据也相对结构化。机械设计难得多——真实世界的变量太脏。

这个判断也解释了为什么 World Labs、Gemini 空间智能和机器人基础模型会被行业持续关注。AI 要进入物理世界，必须学会三维结构、时间、因果和接触关系。

14. 人形机器人之外，专用机器人更快规模化

Caitlin 没有把未来全部押在人形机器人上。很多先进工厂已经高度自动化，里面的机器人形态各异，和人的外形相去甚远。

拧螺丝、搬运、焊接、检测、分拣、物流——这些任务经常需要的是专用机器。人形机器人适合长尾任务：环境为人设计，任务变化多，工具和空间都围绕人类身体展开。

这就带来一个商业判断：最先赚钱的机器人公司，更可能是能把一个窄场景做到便宜、稳定、可维护的那批，演示视频里最像人的那批反而未必。

15. 让机器人不吓人：皮克斯和迪士尼可能是最好的老师

机器人进入人类空间，除了安全，还要解决行为表达。

Caitlin 提到非语言暗示的重要性。机器人要移动、转身、伸手、靠近人时，需要提前让人知道它的意图。一个小小的动作节奏，就能决定人是放松还是害怕。

皮克斯和迪士尼的经验值得重视。动画师很擅长用身体语言表达意图：预备动作、重心变化、眼神方向、节奏停顿。这些东西放到机器人身上，会变成可感知的安全设计。

16. 五年后的世界：战争变化会超过消费电子

Caitlin 对未来五年有一句很重的判断：战争的变化可能会超过消费电子。

消费电子的更新速度受限于用户习惯、价格、供应链和渠道。战争场景的采用门槛不同——只要能降低成本、提高命中率、减少人员风险，新技术会被更快推上前线。

知识工作会被 AI 改写，物理世界也会被机器人和无人系统改写。区别在于，前者的反馈来自工作流，后者的反馈来自真实损耗。

17. 为什么离开 OpenAI

Caitlin 的回答很克制。她提到决策方式、速度和治理流程，也强调和朋友意见不同仍然可以保持关系。

她没有把离开包装成戏剧。更像一个硬件负责人对组织节奏的判断：硬件需要清晰目标、稳定投入和长期承诺。AI 实验室的组织节奏如果太漂移，硬件团队会付出更高代价。

编者注：OpenAI 过去几年一直在模型、产品、治理、商业化和硬件之间高速切换。对软件团队来说，这种切换可以通过优先级调整消化。对硬件团队来说，每一次方向变化都会进入供应链和工程排期。

18. 招人：AI 原生代、通才和「开挂级应届生」

Caitlin 提到 20 岁左右的 AI 原生代，他们使用工具、学习知识和构建项目的方式已经和上一代工程师不同。

她喜欢通才，也看重专才。硬件项目需要机械、电气、软件、供应链、工业设计和产品之间不断翻译。一个只懂自己领域的人，很难把问题推过系统边界。

她还提到直觉判断：驱动力、求知欲、想赢。这些词听起来很普通，但在硬件团队里很实际。项目周期长，失败代价高，没有强内驱的人很容易在第三轮样机前耗尽。

19. 乔布斯、扎克伯格、奥特曼：三位领袖的三堂课

Steve Jobs 给她的是标准。优秀来自全链路的审美和苛刻。

Mark Zuckerberg 给她的是组织效率。他会把决策下放给真正懂技术的人，用高频技术评审把团队推向更快节奏。

Sam Altman 给她的是尺度感——他常问一句话：

为什么不大一百倍？

-- Sam Altman

这句话在 AI 公司里很典型，逼团队把想象力从线性增长里拉出来。放到硬件里，规模感可以打开天花板，也会放大每一个制造和供应链错误。

Caitlin 所在的那一代 Apple 硬件人后来散落到各处——带着同一种产品标准进入不同领域。今天硅谷的 AI 硬件项目里，还能看到 2007 到 2012 年那波 Apple 工业体系的影子。

20. Quest 1 差点翻车：一个关于公差理解的教训

Quest 1 的 EVT 阶段，团队发现摄像头定位有问题。问题出在双方对 ±0.15mm 规范的理解不一致。

文件写着同一个数字，供应商和设计团队理解的含义可能不同。软件里一个字段解释错了，可以加测试和热修复；硬件里一个公差解释错了，可能意味着模具、零件和装配方案一起重来。

团队在圣诞节前紧急调整架构，新设计反而更好。这个故事好听，是因为结局好。更多时候，硬件团队只会得到一个昂贵的教训。

21. 快问快答里的 Caitlin

快问快答部分反而更能看出她的气质。她推荐《新太阳之书》《达洛维夫人》和希罗多德《历史》，喜欢《亢奋》，也提到 Vollebak 这种材料科学感很强的服装品牌。

这些偏好和她的职业路径很一致：工程、材料、叙事、历史和未来想象混在一起。做硬件的人，脑子里不能只有参数表，也要有对人类行为和文化接受度的判断。

她的人生信条是分叉图：每一刻都在选择。这个说法放在硬件里尤其贴切。每一次架构选择、供应商选择、材料选择，都会把后面的路径越锁越窄。

编辑手记：AI 硬件的三条缝隙

AI 进入硬件之后，有三条缝隙正在被撑开。

模型每周都在进步，模具、产线、认证和供应链按月甚至按年推进。AI 公司进入硬件之后，最难学的课可能是等待。

硅谷可以重新重视制造，但磁体、执行器、内存、工厂经验和供应商网络不会因为战略口号立刻回来。再工业化叙事和真实供应链能力之间的差距，比大多数路线图假设的要大。

传感器、机器人、边缘 AI、自主系统——这些能力在家庭里看起来像便利，在战场上会变成武器。Caitlin 的访谈没有回避这一层。这也是它比普通 AI 硬件讨论更有重量的地方。

接下来值得观察的信号：AI 公司会不会真正建立长期硬件组织，内存和执行器供应链会不会成为机器人公司的生死线，以及第一批规模化机器人产品到底会出现在家庭、工厂还是战场。