Travis Kalanick: How AI Will Transform the Physical World

---

source_name: "a16z"

youtube_url: "https://www.youtube.com/watch?v=r8qKNFeBPXE"

---

AI 走进物理世界，得先把工厂、仓库和运输做成一台电脑

Travis Kalanick 创办 Uber 后，把多年精力放在食品生产、矿业和自动驾驶等重资产领域。这场 a16z 对谈里，他第一次较完整地解释这套工业 AI 逻辑：软件、传感器、机器人和 AI 要一起接管一个行业的日常运营。访谈也谈到他从 Uber 学到的组织教训，以及一位连续创业者如何处理竞争、声誉和个人驱动力。

这期回答了 8 个问题：

1. Kalanick 所说的工业 AI，与常见的企业软件 AI 有什么区别？
2. 为什么制造、房地产和物流可以对应电脑里的 CPU、存储和网络？
3. 一顿送到家的饭，怎样才能接近消费者去超市买菜的成本？
4. 矿业自动化为什么会成为 AI 基础设施的上游？
5. 工业机器人为什么需要大量专用机器，而非只押注人形机器人？
6. 技术已经可用后，阻止工业 AI 落地的最大障碍是什么？
7. Kalanick 从 Uber 的高压文化里改掉了什么，又保留了什么？
8. 经历 Uber 风波后，他靠什么重新开始？

Kalanick 用一台电脑拆解物理世界。CPU 负责处理比特，对应到现实就是制造设备；存储器保存比特，对应土地、厂房和仓库；网络搬运比特，对应运输和物流。Uber 当年主要做了物理世界的“网络”，用软件协调车辆和乘客。今天的机会扩展到整台机器，制造、场地和移动都要数字化。

他把工业 AI 定义为一组共同工作的软件、传感器、机器人和 AI，目标是自动化整个工业部门的运营。这个定义把注意力从聊天界面拉回现实资产。"Everything you see was either grown or mined, manufactured and moved."（你看到的一切，要么被种植或开采，要么被制造并运输。）

这句话给出了市场边界。食品、矿物、建筑材料和商品都经过一条物理流程。AI 进入这些行业时，模型能力只占其中一部分。机器要能感知环境、执行动作、调度产能，还要在具体场地里持续运行。谁只提供一个模型接口，谁就只碰到了这台“原子计算机”的一层。

在食品业务里，Kalanick 提出一个可以核算的问题：一顿做完并送到家的饭，成本能否接近消费者自己去超市买菜？他的估算是，自动化生产环节需要把单餐制造成本做到约 6 至 8 美元。之后还要解决餐食在工厂内部的移动，以及从工厂到消费者手里的配送。

"The real question is, can you make a meal that's prepared and delivered to you so efficient that it approaches the cost of going to the grocery store?"（关键问题是，一顿做好并送到家的饭，能否高效到接近去超市采购的成本？）

这套系统同时需要三块能力。机器人负责烹饪和装配，自动配送设备负责移动，工业地产容纳生产与物流。少一块都会把成本重新推高。只把厨房装上机械臂，配送费和场地利用率仍可能吃掉效率；只做无人配送，前端生产依然依赖密集人工。

这里的产品单位也变了。团队交付的并非单台机器人，而是一套能稳定产出、移动和交付餐食的“食品电脑”。衡量它时要看每餐总成本、故障率、产能和交付效率，不能只展示机器人完成某个动作的视频。

谈到矿业时，Kalanick 从 AI 算力往上游追。超级智能需要芯片和能源，芯片所需材料来自地下，太阳能等能源设施同样依赖矿物和制造设备。"Chips come from the ground."（芯片来自地下。） 这句看似简单，却把矿业放进了 AI 基础设施的核心位置。

他给矿山管理者的价值主张很直接：每年能否多产 20% 的黄金？对方通常不会拒绝目标，但会要求证明。证明需要覆盖整套生产：自动驾驶矿车移动矿石，选矿设备从原料中分离金属，软件像操作系统一样协调设备和工序。他站在一台满载约 200 万磅的矿车旁，把它比作网络中的 TCP 数据包。矿石是数据，矿车是传输载体，土地则是存储空间。

这也说明工业 AI 的销售难点。客户购买的是更高产量、更低运营成本和更安全的工作环境。模型准确率只有转成吨位、停机时间、事故风险和单位成本，才会进入矿山的经营决策。Kalanick 的 20% 仍是销售目标，逐字稿没有给出已经实现的矿山数据，读者不能把它当成落地结果。

人形机器人适合在人类环境中执行低规模、种类多的任务。Kalanick 判断，大规模工业任务会更多依赖专用机器。矿车、卡车、配送车和场内运输设备承担的负载、速度和环境差异很大，它们需要围绕任务重新设计底盘、传感器和控制系统。

他把自动驾驶市场称为“遍地银牌”。网约车是最受关注的金牌项目，食品配送、包裹运输、长途货运、个人车辆和矿区越野自动驾驶，每一项都可能形成巨大的独立市场。"transport is full of silver medals"（运输领域到处都是银牌机会。）

银牌思路降低了创业公司与头部玩家正面竞争的必要性。团队可以先找一类路线固定、付费方清楚、人工成本高的运输任务，再为它做专用系统。代价是平台复用没有想象中容易。不同机器的安全约束、负载和工作环境各不相同，底层自动驾驶能力可以共享，产品和运营仍要扎进行业现场。

Kalanick 把变革的“最终 Boss”称为对变化的抵抗。"It's called resistance to change."（它叫作对变化的抵抗。） 他用第二次工业革命、交直流之争、早期工会冲突，以及 Uber 在欧洲遭遇的罢工来说明：效率提升会改变岗位、资产价值和行业权力，既得利益方会反击。

他的表达带有鲜明的创业者立场，也需要留出边界。抵抗有时来自利益受损，有时来自安全、劳动条件和社会成本没有被解决。工业 AI 涉及重型设备、食品和公共道路，出错的代价比普通软件高。企业要推动变化，既要拿出足够大的效率增益，也要证明系统安全，并给受影响的人一套可信安排。

这意味着，工业 AI 的落地计划不能只写技术里程碑。团队还要识别谁得到收益、谁承担风险、谁有权叫停，以及试点如何积累信任。Kalanick回看 Uber 时也承认，当公司快速带来变化，却没有让信任跟上，组织和外部关系都会付出代价。

谈到为什么当年没有收购 Lyft 时，Kalanick 认为双方文化差异过大。他保留了 Uber 时代鼓励争论的部分，在新公司里把它改名为“最佳想法获胜”。"If you don't fight for the best idea, then what idea are you fighting for?"（如果你不为最佳想法争取，那你争取的会是什么想法？） 他的答案是，团队会退回平庸或政治上方便的方案。

他也承认旧方法的风险。创业早期长期没工资、靠救济维持生活的经历，让他在 Uber 已有约 2 万名员工时仍按生存模式行事。他习惯贴着规则边线决策，变化来得很快，信任却没有一起增长。今天他形容自己会离边线“多留几英寸”，让外界不必用慢动作回放才能判断决策有没有越界。

Ben Horowitz 补充了组织放大效应。领导者在顶层强调强硬，八层之外的员工可能把它理解成完全不同的行为。因此“最佳想法获胜”需要明确争论对象、决策权限和行为红线。高标准可以保留，模糊的强硬信号会在大组织里被逐层放大。

Kalanick说，第三、第四甚至第五次创业后，许多过去要一到三天、伴随大量焦虑的工作，现在约 45 分钟就能完成。他举的是愿景说明。十多年前写同等材料可能耗费数百小时，这次为融资写稿时虽然拖延过，真正动笔后很快完成。

经验带来的效率也会制造盲区。"when it gets easy it's time to push hard"（事情开始变容易时，就该主动提高难度。） 他观察到两类危险：一类公司没有赢，却用“进展顺利”安慰自己；另一类公司确实在赢，于是停止提高目标，随后被竞争者追上。

这条经验适合用在经营节奏上。任务耗时缩短，说明创始人形成了模式库，可以把省下来的时间投向更难的问题。它不能直接证明决策质量。熟练也可能让人更快复用旧答案，所以仍要用客户结果、单位经济和现场数据检验判断。

Kalanick回忆，Uber 之前的点对点文件共享公司曾被 33 家大型媒体公司索赔四分之一万亿美元。他随后做点对点 CDN，早期动机就是把起诉他的公司变成客户。他承认愤怒和害怕失败可以提供强烈动力，也会带来低效的长夜和让同事不安的状态。

离开 Uber 约八个月后，他已经投入新业务。别人问他是否仍被 Uber 激怒，他用一段很个人的回答解释变化："When you fall in love again, you don't think about the ex very much."（当你重新爱上一件事，就不会总想着前任。）

这句话把“重新开始”落到了工作对象上。声誉修复、证明别人错了、向旧公司复仇，都能推动短期行动；新的问题足够具体、足够难，创始人才会重新建立面向未来的节奏。对 Kalanick 来说，这个对象是食品、矿业和运输的自动化。它们是否能兑现仍要看生产数据，但至少给了他一套不依赖旧战场的目标。

“把原子当成比特”和“遍地银牌”指向同一条产品路线：先把一个物理行业拆成制造、场地和移动三类资源，再挑出价值明确的任务，让专用机器和软件共同完成。食品电脑和矿业电脑展示了这套拆法，客户最终只会为每餐成本、矿山产量、安全与停机时间付钱。

“抵抗变化”和“给边线留出距离”补上了组织约束。工业 AI 改动的是设备、岗位和利益分配，技术推进速度越快，信任、安全和责任设计越要同步。Kalanick保留了争取最佳想法的攻击性，也开始承认高压信号会被大组织放大。

这场对谈提供的是一张工业 AI 地图和一位连续创业者的新方法。食品成本目标、矿山增产目标和多个运输市场仍需实际交付验证。最可复用的判断很朴素：模型只是入口，物理世界的价值要经过机器、场地和运营，最后落到一笔能核算的经营结果上。