Superintelligence Needs the Physical World with CEO and Co-Founder of Arda Bob McGrew
No Priors · 2026-11-20

前 OpenAI 首席研究官 Bob McGrew 说:把研究员全自动化也换不来智能爆炸,因为卡点是 GPU 和产线,不是人手。
硅谷流行一个说法:把研究员的工作自动化,就能启动自我改进的飞轮,一路冲到超级智能。Bob McGrew 管过 OpenAI 的研究,直接说这个推理是错的。他离开后创办 ARTA,想解决一个更土的问题:为什么美国设计得出 iPhone,却造不出 iPhone 的生产线。
自动化研究员,换不来智能爆炸
这是 Bob McGrew 对“递归自我改进”最直接的反驳,他管过 OpenAI 的研究,知道每天到底卡在哪。
- 研究员不是瓶颈,GPU 才是:2024 年他在 OpenAI 时,限制进展的是手上的算力和网络,不是能招到多少研究员;实验跑不动,再多聪明人也没用。
- 自动化研究是一次性加速,不是飞轮:把 GPU 利用率从 35% 提到 90% 是巨大收益,但从 90% 到 99% 差别很小,之后还得去找下一个 S 曲线。
- 他用 Ilia 的话点破:他兴奋地讲论文方法,Ilia 听完只问一句“结果呢”——深度学习是实验科学,想法再好也得跑实验。
美国造不出 iPhone 生产线,问题在“换线太贵”
美国擅长设计、不擅长制造,Bob 花一年问制造业老板,答案最后落到人工成本上。
- iPhone 每年 75% 零件换新:那 25% 不变的零件用高度自动化线,剩下 75% 靠手工,因为专用机器没法从一代手机复用到下一代。
- 汽车能自动化是因为七年不改款:花 2 亿美元建线、七年只做小改,账算得过来;手机要 90% 自动化才划算,但自动化每年重做,成本摊不掉。
- 亚洲约 100 万装配工,旁边只有 1 万名制造工程师:ARTA 要做的是让“换一条自动化线”像“重新培训一个工人”一样快,目标 7 天。
ARTA 先给制造工程师造一个“Cursor”
没有现成工具,他们先搭数据底座,再把 AI 智能体放上去,而不是自己训大模型。
- 和 Anduril 合作,第一个用户 90 分钟干完几天的活:过去做执行器的虚拟产线搭建要几天,用 ARTA 软件 90 分钟完成,现已铺到 Anduril 所有产品部门,包括 Fury 协同作战飞机。
- 产线是“封闭世界”,不需要人形机器人:装配线上零件都在夹具里、位置确定,两条手臂加摄像头就够,很多工位一条手臂就够;难的是把散在 100 份文档里的制造流程变成 AI 能读的结构化数据。
- 前沿模型当调度员,不当苦力:运动规划、CAD 检查用专门算法和工具,大模型负责编排;Bob 说非前沿实验室做小专用模型,比通用大模型更好用,也更便宜。
带走一句话
“你可以把研究员全自动化,这是件大事,但它不是递归自我改进——它只是又一条 S 曲线。”
- 评估任何“AI 替代某个岗位”的叙事时,先问这个岗位的产出受什么物理资源限制:GPU、实验台、产线、许可证。如果瓶颈在后者,自动化前者只带来一次性提速。
- 做垂直 AI 产品可以照抄 ARTA 路径:先给一个没有数字工具的行业建“Git + IDE”(统一数据结构),再在上面挂智能体,模型用现成的,钱花在数据和工具链上。
