Why Physical AI Is the Next Platform Shift

Encord 联合创始人 Eric Landau 透露：他们每年处理的数据量已超 GPT-4 训练所用，主攻物理 AI（机器人、自动驾驶等），还在湾区自建了机器人数据采集工厂。

• Eric Landau 原本是做粒子物理和量化交易的，在华尔街做了 10 年量化，收入远高于创业，但最终和合伙人一起选择 All in AI 创业。
• 他辞职那个月，华尔街行情极好，自己团队一个月赚的钱比前三年总和还多，他却在家里为 Python 依赖问题头疼，感叹"我到底干了啥"。
• 真正的动力是想参与 AI 这场时代变革，他说每天睡觉前不再焦虑人生意义，而是专注在公司要解决的具体问题上，觉得自己在做有价值的事。

• Encord 最早做视觉数据，后来转向多模态（视觉、音频、传感器等），因为他们认为 AI 未来一定是多模态，像人一样用各种感官理解世界。
• 他们现在主攻物理 AI，也就是机器人、自动驾驶、物流、制造等需要"动手"的 AI 场景。Eric 说 80% 的经济活动都和现实世界的物体打交道，机器人市场巨大。
• 公司在湾区自建了机器人数据采集工厂，像拍电影一样布置场景，让机器人在不同环境下执行任务、采集数据。客户也会把生产数据（视频流、传感器、音频等）直接接入 Encord 系统。
• Encord 负责数据的全链路管理：包括采集、筛选（"在十亿堆草里找一百万根针"）、标注、数据增强和评测，帮助客户把海量数据变成能训练 AI 的高质量数据。
• 他们的数据规模极大，Eric 透露 Encord 处理的数据量已经超过 GPT-4 训练用的数据（多为多模态、PB 级别），服务客户数以百计。

• 物理 AI 虽然看起来还早，但市场已在爆发。Eric 说机器人、自动驾驶、制造业等客户需求很旺，"5-10 年后机器人数量可能超过人类"。
• Encord 客户覆盖医疗、物流、制造等多行业，有趣的案例包括"牛脸识别"——AI 比人更能分清每头牛的脸，帮助养殖场做健康管理。
• 他们的产品更适合已进入规模化阶段的企业，Eric 建议初创团队先用开源工具，等数据和模型规模起来再用 Encord 这类平台。

• 他和合伙人都是技术出身，销售团队完全靠"试错"招出来。前两拨销售团队都不合适，第三拨才开始有效果。
• YC（Y Combinator）给的建议几乎都对，但他们还是会踩坑，比如明知某个类型的人不适合还是招了，结果 9 个月后才下决心换掉。
• 最大教训是要相信直觉，发现不合适就早点止损，别拖着。

• Eric 在伦敦，合伙人在旧金山，公司起步在伦敦，但客户和市场主要在美国，尤其是湾区，所以工厂和运营都设在那边。
• 他强调选址顺序：客户 > 人才 > 投资人，要离客户近，伦敦则有 AI 工程人才优势，竞争没湾区那么激烈。

• Encord 没有一夜爆红的 PMF 时刻，而是产品每天一点点变好，市场慢慢靠近他们。
• ChatGPT 发布后，整个市场对 AI 数据的需求突然变得更强烈，客户主动找上门，销售效率提升。
• 他们第一次觉得"做成了"，是有客户下单他们都不知道对方是干啥的，说明产品已经能自动吸引和服务新客户。

• 一开始外界觉得数据平台赛道太卷，但很多竞争对手后来都转型、合并或倒闭了，Encord 反而活下来并做大。
• 现在又变得竞争激烈，Eric 反而欢迎有强对手，认为这样能逼自己进步。
• Encord 的差异化在于能处理 PB 级别的多模态数据，专注物理 AI 场景，这是很多竞品做不到的。

"创业就是坐过山车，低谷来了别怕，高峰来了也别飘，享受这个过程。"

• 做机器人/物理 AI 的团队，数据采集和管理是最大瓶颈：等模型和数据量到一定规模，必须用专门平台，早期可先用开源工具，别一开始就重投入。
• AI 数据平台要想活下来，得选准细分市场和场景：Encord 能撑下来，是因为专注物理 AI 和多模态大数据，没跟通用数据平台硬碰硬。
• 公司选址和团队分布要跟着客户和人才走：客户在哪，工厂和运营就在哪；技术人才可以全球招，但销售和市场一定要贴近用户。