AREXOpen in Viewpoints

AREX Viewpoint Article

超级智能为何必须走向物理世界

November 22, 2026View primary source

导读

2026年10月20日,由前OpenAI首席研究官鲍勃·麦格鲁(Bob McGrew)创办的Arda Industries走出隐身模式。据Businesswire的公告,这家公司累计融资约2.32亿美元、估值达到15亿美元,并已作为ArsenalOS的一部分部署在国防科技公司Anduril——后者是Arda的首个设计合作伙伴。

在融资的公开叙述里,Arda被定位为“让生产跟上设计”的基础设施。投资方Accel称,麦格鲁要解决的是产品设计与制造脱节的问题;据i-scoop报道,Arda融资2.32亿美元,目标是给制造业工程师打造一套IDE。Presspool与相关报道则显示,其中1.6亿美元为2026年10月20日宣布的A轮,由Altimeter、Accel与Khosla Ventures领投。

但融资新闻只给出估值,并不解释这笔钱押注的到底是什么逻辑。约一个月后的11月19日,麦格鲁做客No Priors播客,第一次系统地把Arda背后的判断讲了出来。这期节目因此不只是创业者的自我推销,而是理解“AI为何必须进入物理世界”的一份完整论证。

麦格鲁的核心断言是:超级智能无法只靠数字世界实现。他承认ChatGPT和智能体带来了巨大进步,但这些进步几乎都发生在数字生活里;若把目光投向窗外的物理环境,十年来的变化微乎其微。在他看来,智能必须走出数据中心、进入原子世界为人类做事,这正是制造业在超级智能时代被赋予的使命。

这一判断也重新解释了AI的发展速度。麦格鲁反驳了自2018年以来流行的“硬起飞”叙事,认为研究者并不是瓶颈:真正决定发现速度的,是手头GPU的数量与可投入的物理算力。即便在2024年他担任OpenAI首席研究官时,限制进展的也不是能招到多少研究者。因此,完全自动化研究也许是一次堪比从GPT-4o到o3的巨大跃升,却只是一次性加速,而非递归自我改进的循环。

那么在工厂车间里,AI究竟如何落地?麦格鲁给出的答案不是人形机器人,而是可快速重配置的机械臂工作单元。他指出,在封闭的装配线场景里,传统自动化已足以完成约九成的产品制造,真正的瓶颈在于机械设计与校准——一台定制机器往往要六个月才能周转,一半工作在设计,一半在校准。柔性自动化的价值,正是用AI压缩这段设计与校准时间,让设计改动能立即转化为产线上的变化。

这一点在Arda与Anduril的合作中已有量化痕迹。麦格鲁说,Anduril的首位用户在4月用Arda的软件,把一项执行器的虚拟构建从通常的数天压缩到90分钟;此后合作从无人机、导弹一路推进到Fury协同作战飞机,并扩展到Anduril所有产品部门。这期播客的价值,正在于把这些工程细节与“超级智能需要物理世界”的宏观判断连成一条可操作路径,也解释了资本为何愿意在此时为一家制造软件公司给出15亿美元估值。

核心结论

  • 超级智能的瓶颈在物理世界,而非数字智能本身:麦格鲁指出,尽管数字工具大幅进步,人们周围的物理环境十年未变;仅靠数字世界无法实现超级智能,智能必须进入原子世界才能释放真正影响力。这一判断为整期讨论制造业与机器人奠定了逻辑起点。
  • 硬起飞论证站不住脚:算力与实验才是真瓶颈:自动化AI研究者只会带来一次性加速,而非递归自我改进循环。真正的限制因素是GPU、算力等物理资源,而非研究者数量。这直接反驳了主流奇点叙事,揭示了物理约束对AI发展速度的根本性制约。
  • 美国制造外流的根源是刚性自动化无法适应产品迭代:美国擅长设计却因劳动力成本外流制造,现有刚性自动化只能处理特定物理问题,无法在不同产品代际间通用。要让高混合产品在美成本竞争,必须将自动化率大幅提升并实现快速重配置,柔性自动化是重振制造业的关键。
  • 制造业需要可重构工作单元,而非人形机器人:在封闭装配线场景中,传统机械臂加感知已能完成大部分工作,瓶颈在于设计与校准耗时。更实用的路径是开发可快速重配置的机械臂工作单元,用AI加速设计与校准,而非追求人形形态。这澄清了机器人形态的关键争论。
  • 前沿部署工程是产品策略,产品化才能获得杠杆:FDE模式通过嵌入客户团队、找到早期强力用户、共同达成业务成果,再将经验产品化。Arda与Anduril的合作将虚拟构建时间从数天压缩至90分钟并推广至全部产品部门,证明只有把现场发现固化到产品中,才能实现复利效应。

观点拆解

1. 超级智能必须进入物理世界才能实现 00:05

  • 超级智能无法仅靠数字世界实现,必须进入物理世界:鲍勃·麦格鲁明确断言,仅靠数字领域的进步无法实现超级智能,物理世界的变化是必要条件。这一判断直接构成整期节目的核心论点,为后续讨论制造业和机器人奠定基础。

    “我们需要摆脱对数字世界的纯粹关注,转向物理世界。我认为如果不改变物理世界,你实际上无法实现超级智能。” 00:11

    “从根本上说,我认为如果不改变物理世界,你实际上无法实现超级智能。” 01:31

  • 当前AI进步集中在数字生活,对现实世界的改变微乎其微:麦格鲁指出,尽管ChatGPT和智能体等数字工具大幅提升,但人们周围的物理环境与十年前相比几乎没有变化。这揭示了数字智能与现实世界影响之间的巨大鸿沟,说明AI尚未真正触及原子世界。

    “我们从ChatGPT、从智能体看到了巨大进步。所有这些都发生在我们的数字生活中,而其中很少真正影响了我们生活中的原子。” 01:37

    “如果你看看外面——在AI出现之前,10年前的东西有多大不同?你知道,几乎没什么不同。” 01:52

  • 超级智能应走出数据中心,进入物理世界为人类服务:麦格鲁强调,超级智能的故事不应止于在数据中心里谋划,而应让智能体走出数据中心帮助人们做事。这为制造业的号召提供了逻辑终点:物理世界的制造能力是超级智能发挥作用的必要延伸。

    “超级智能的故事不仅仅是创造超级智能,让它生活在数据中心里,也许还谋划着如何接管世界。而是,你希望它实际上能够走出数据中心,帮助人们,为我们做事。” 53:35

2. 硬起飞论证错误:研究者不是瓶颈,算力与实验才是 02:55

  • 硬起飞论证的核心谬误:研究者并非瓶颈:Bob McGrew 直接反驳了自2018年以来流行的硬起飞叙事,即自动化研究者将引发失控的自我改进循环。他指出,研究发现的速度主要受限于实验所需的物理资源(如GPU),而非研究者数量,因此自动化研究不会带来指数级加速。

    “我认为这个论证是完全错误的。” 03:18

    “但这完全是错误的,因为研究者不是瓶颈。发现某件事所需的时间,主要不是由你拥有的研究者数量决定的。” 03:54

  • 真正的限制因素是算力等物理资源:Bob McGrew 以自己在 OpenAI 的经历说明,实际限制研究进展的是手头 GPU 的数量和算力的物理积累,而非可雇佣的研究者人数。这揭示了硬起飞论证忽视物理世界约束的根本缺陷。

    “即使在2024年我担任OpenAI首席研究官时,实际的限制因素也不是我们能雇佣的研究者数量。而是我们手头拥有的GPU数量。” 04:13

    “而是我们能够投入的物理算力总量,以及算力是否积累在正确的地方、是否通过正确的网络连接起来。” 04:26

  • 自动化研究是一次性加速,而非递归自我改进:Bob McGrew 承认完全自动化研究者会产生巨大影响,甚至堪比从 GPT-4o 到 o3 的推理能力飞跃,但这只是一次性的加速,不会形成递归自我改进(RSI)的循环。因此,奇点不会因自动化研究而突然到来。

    “你可以完全自动化研究者。这是一个巨大的效应,我不是说这不是大事。也许自动化研究的能力会像从无推理的GPT-4o到有推理和工具的o3那样具有影响力。那是一次巨大的一次性加速,但不是递归自我改进。” 04:35

3. 美国擅长设计却不会制造,柔性自动化是重振制造业的关键 13:32

  • 美国设计强而制造弱,制造外流根源于劳动力成本:Bob McGrew 指出美国擅长产品设计,但制造环节大量外流,根本原因是劳动力成本。除国防等特殊行业外,产品若想在美国成本竞争,就必须建立自动化产线。这揭示了重振制造业的核心经济约束。

    “所以离开OpenAI之后,我注意到美国非常擅长设计产品。iPhone就是著名的例子,在加州设计,在中国制造。你的iPhone背面就写着这句话。我们非常擅长设计国防装备,但在这里制造的却不多。” 13:32

    “如果你不是做国防的,那么如果你想在美国以有成本竞争力的方式制造产品,就需要建立自动化产线。” 14:16

  • 刚性自动化无法适应产品快速迭代,导致高混合生产依赖人工:现有自动化是解决特定物理问题的定制机器,无法在不同产品甚至同一产品不同代际间通用。因此,像iPhone这样每年大量零件变更的产品,只有少部分环节能自动化,大部分仍靠手工组装。这解释了为何刚性自动化难以支撑创新产品的本土制造。

    “每年iPhone有75%的零件会变化,只有约25%保持不变。那25%是高度自动化的产线,另外75%则由手工组装。” 14:31

    “我们今天建造自动化的方式,就像一台定制机器,只解决一个特定的物理问题,而且这台机器无法从一款手机通用到另一款,甚至无法从一代iPhone通用到下一代。” 14:55

  • 柔性自动化是实现在美成本竞争的关键,需大幅提升自动化率并快速重配置:对于汽车等产品,高投入的刚性自动化产线可长期摊销;但iPhone类产品需要将自动化率从25%提升到90%才能算得过账,且必须能低成本更换产线。因此,只有让自动化变得更柔性、可快速重配置,才能让美国制造在高混合产品上具备成本竞争力。

    “但如果你想为iPhone这样做,首先你得把自动化率从大约25%提高到大约90%才划算。然后你怎么更换所有这些自动化设备?这是一笔巨大的成本,除非自动化变得更柔性,否则你无法摊销。” 15:30

    “我们想要构建一个系统,让你把产品设计上传到我们的云平台,然后在七天内设计并最终重配置一条自动化产线。” 16:41

4. 制造业需要的是可重构工作单元,而非人形机器人 19:02

  • 可重构工作单元能快速将设计变更落地到产线:Bob McGrew 强调,制造场景真正需要的是可重构的机械臂工作单元,使设计改动能立即转化为工厂中的实际变化。这种快速重配置能力比追求人形形态更贴近产线迭代需求。

    “关键在于,你希望能够拥有可重构的机器人工作单元,从而可以立即将设计变更转化为工厂中实际发生的变化。” 19:02

  • 封闭装配线场景下,简单机械臂加感知已足够,无需人形机器人:在受控的装配线环境中,传统自动化已能完成约90%的产品制造,瓶颈不在机械臂能力,而在设计与校准。Bob 指出,很多情况下一条机械臂加一个摄像头就够用,人形机器人并非必要。

    “很多情况下,实际上一条机械臂加一个摄像头就足够了,也许你需要更多、更好的传感。” 20:15

    “你不需要人形机器人。” 20:28

    “现有的自动化产线能够制造我们谈论的所有产品,或者至少其中90%。” 20:44

  • 传统自动化真正的瓶颈是机械设计与校准,而非机械臂本身:Bob 用鲁伯·戈德堡机械比喻传统自动化:通过夹具和确定性定位让无感知的机械臂完成操作,但设计这样的机器和校准耗时长达六个月。因此,提升制造柔性的关键在于用AI加速设计与校准,而非替换成人形机器人。

    “装配线就是一个封闭世界。这说得通,因为我们看到实际上可以用传统自动化方法来将它们自动化。” 22:15

    “为什么这需要六个月才能周转?有两件事你必须做。一是你已经造了一台机器。” 23:37

    “一半的工作在設計,另一半在校準。” 24:08

5. 机器人生态将多样化爆发,而非人形机器人一统天下 52:31

  • 未来十年机器人将多形态爆发,而非人形机器人一统天下:Bob McGrew 明确反驳了“人形机器人军团”的单一终局想象,认为未来十年将涌现大量不同形态的感知与操作机器人,包括无人机、人行道机器人等,物理世界中的各类物品都将被 AI 赋能。这直接支撑了机器人生态多样化爆发的判断。

    “相反,我认为未来十年我们将看到各种不同感知方式、不同操作方式的巨大涌现。会有无人机和人行道机器人。我们拥有的每一件物理物品都将具备感知能力、接入云端,并且它所做的一切都将由 AI 控制。” 52:31

    “有些人认为它们只会是一支人形机器人军队。我认为相反,我们将看到不同形态的巨大涌现。” 53:05

  • 机器人形态将仿生多样化,飞行、四足、负重、耕作各司其职:Bob McGrew 进一步描绘了机器人形态的仿生多样化图景:会飞的、四足的、负重的、耕田的机器人将各自出现,甚至像不同种类的动物。这表明机器人生态不会收敛于人形,而是根据任务和环境分化出多种形态。

    “我们以为世界是为人类而造的,但从很多方面看,如果放眼更广阔的世界,我们很可能会看到机器人开始看起来像各种不同种类的动物。会有会飞的机器人,会有四条腿的机器人,会有负重的机器人,会有耕田的机器人。” 53:12

  • 超智能必须走出数据中心,多样化机器人是赋能物理世界的载体:Bob McGrew 强调超智能的故事不只是数据中心里的超级智能,而是要让 AI 走出数据中心、帮助人们做事。多样化机器人正是超智能进入物理世界、执行各类任务的载体,这为机器人生态多样化爆发提供了目的层面的支撑。

    “超智能的故事不仅仅是创造超级智能,让它住在数据中心里,也许还谋划着如何接管世界。而是你希望它真正能够走出数据中心,帮助人们,为我们做事。” 53:35

6. Arda为制造业工程师打造“Cursor”,已与Anduril落地验证 25:53

  • Arda以“制造业的Cursor”为定位,先建IDE再叠加AI代理:Bob McGrew明确将Arda类比为Cursor:Cursor是在现有IDE上添加代理,而制造业工程师没有现成的IDE,因此Arda必须先构建包含真实数据结构和类Git版本控制的基础平台,才能让AI代理在制造流程中创造价值。这揭示了物理世界AI落地的关键前提——先结构化领域数据,再谈智能化。

    “我们很幸运可以一开始就说‘好,我们要在这里做Cursor’——实际上。注意到Cursor基本上是说‘好,我们要拿现有的IDE,然后加一个代理。’制造业工程师没有IDE。所以首先我们必须构建那个,这样才有真正的数据结构,有实际上相当于Git的东西可以操作。然后我们才能在上面应用代理。” 28:12

    “我们把这个整架飞机的制造流程变得对AI可读,然后很多工作基本上就是封装制造流程。现在它不再散落在100个不同地方的100份不同文档里,这样AI代理才能真正增加价值。” 27:39

  • 与Anduril合作将虚拟构建时间从数天压缩至90分钟,并推广至全部产品部门:Arda与Anduril合作一年,首个用户在4月用其软件将执行器的虚拟构建从数天缩短到90分钟,显著节省时间并获客户认可,随后部署扩展到Anduril所有产品部门。这一量化成效直接证明了AI代理在制造工程中的实际效率提升。

    “他在4月成为我们的第一个用户。他当时要做一个执行器,通常虚拟构建需要几天时间,而他用我们的软件在90分钟内就完成了。” 26:58

    “那节省了他们大量时间,他们非常兴奋。从那以后,我们一直在推进他们所有的产品——现在我们已经部署到他们所有的产品部门。” 27:18

  • 合作已覆盖无人机、导弹与Fury协同作战飞机,验证平台可扩展性:Arda与Anduril的合作从无人机、导弹延伸到Fury协同作战飞机,表明其平台能够处理不同复杂度与品类的制造流程。Bob McGrew强调,通过将整架飞机的制造过程封装并变得对AI可读,AI代理可以在多个产品线上复用,验证了平台在国防制造场景中的可扩展性。

    “我们和他们合作过从无人机到导弹的各种项目。目前我们正在和他们合作Fury协同作战飞机。” 27:28

    “我们把这个整架飞机的制造流程变得对AI可读,然后很多工作基本上就是封装制造流程。现在它不再散落在100个不同地方的100份不同文档里,这样AI代理才能真正增加价值。” 27:39

7. 前沿部署工程是产品策略:与客户共同达成结果并产品化 45:21

  • FDE模式源于Palantir:嵌入客户团队,以真实需求驱动产品路线图:Bob McGrew回顾了在Palantir早期开发产品的经验:工程师被嵌入客户现场,且只有在找到愿意使用该功能的客户后才会开发功能。这种以客户需求为起点的做法,使产品路线图由真实使用场景驱动,而非技术想象。

    “所以我认为,经典的做法是,我们在Palantir开发这个,早在2005年。我喜欢的思考方式是,2005年我花了很多时间在北弗吉尼亚的安全空间里,与那些有秘密工作流程、不能离开大楼的人合作,必须想办法为他们构建产品。结果发现,为那些有秘密不能告诉世界的人构建产品,实际上是为任何企业构建产品的极好训练。” 45:21

    “所以你要做的是 basically 把你的工程师,把他们嵌入到客户那里。除非我有一个准备好使用该功能的客户,否则我不会开发这个功能。所以当我思考产品路线图时,很多起点不是‘好,我要去构建这个功能’,而是‘我如何找到一个需要这个功能的客户,以便我去构建它?’” 46:10

  • 从早期强力用户切入,通过并肩作战达成结果并赢得扩展信任:Bob以Palantir的Sarah Adams和Arda在Anduril的第一位用户为例,说明FDE模式的关键是找到愿意深度参与、容忍不完美的强力用户,产品经理坐在用户旁边快速迭代,直到产品真正可用。一旦在某个场景中证明卓越,就能获得信任去解决更大、更有价值的问题。

    “通常你想从找到少量强力用户开始。经典的是,当年在机构里,有一个叫Sarah Adams的女性,大约一年里她是Palantir唯一的用户。我们会学习……我会去拜访她,她会说‘这东西不行’,我会说‘好,我得去修这个’。最终它奏效了,然后突然很多人开始使用它。” 46:47

    “FDE方法中一个非常有趣的想法是,你不是把软件扔过墙给他们,而是与他们合作达成一个结果。例如,弄清楚如何更快地制造导弹。除非客户成功,否则你就不算成功。” 49:31

    “一旦你达成了那个结果,你就可以环顾所有其他结果,并且你已经赢得了去做更大事情的权利。……也许他们不愿意信任你、信任你的初创公司去解决那个问题,除非你已经展示了某种形式的卓越。” 49:47

  • FDE不是咨询:必须将现场经验产品化,才能获得杠杆和复利:Bob明确指出FDE策略与咨询的本质区别:FDE是产品策略,FDE填补产品与用户之间的差距,但如果一直靠人力填补,就无法获得杠杆。只有把现场发现产品化、固化到产品中,才能快速移动、发现新事物并实现企业内的滚雪球效应。

    “在企业内部,很多都是滚雪球效应,你取得的成功、你能达成的结果不断滚雪球,同时仍将其融入你的产品中。” 50:16

    “区别在于他们不仅仅是顾问,对吧?FDE策略是一种产品策略,教你如何构建产品。FDE是产品与用户之间的差距,或者他们在填补产品与用户之间的差距,如果他们必须一直填补这个差距,你就没有杠杆。相反,你必须将他们看到的东西产品化,并融入你正在做的事情中。” 50:56

8. 自复制工厂与星际扩张是超级智能的物理延伸 53:35

  • 超级智能必须走出数据中心,通过制造业在物理世界发挥作用:Bob McGrew 认为,超级智能的故事不应局限于在数据中心里谋划,而应主动进入物理世界帮助人类做事。这为制造业赋予了在超级智能时代的核心使命,也解释了为何要推动制造业自动化。

    “超级智能故事的一部分不仅仅是创造超级智能,并让它住在数据中心里,也许还谋划着如何接管世界。而是你希望它能够真正走出数据中心,帮助人们,为我们做事。” 53:35

    “所以我认为,这就是对制造业的行动号召,也是为什么我们正在做的事情、以及整个制造业在超级智能世界中要做的事情。” 53:55

  • 自复制工厂是递归制造循环的必然延伸,将逐步自动化人类工作:Bob McGrew 以建造推土机工厂为例,指出制造更多东西本身就是一个递归循环。他认为很快会出现“建造其他工厂的工厂”,而关键变化在于用智能方式自动化大量原本依赖人力的工厂建设和机床设计工作。

    “也许你有一个问题,你需要建造更多的推土机,所以你需要建一个推土机工厂,对吧?那么,这里就有一个递归循环——正确的方式是部署你的智能去制造更多东西。” 54:50

    “我认为非常、非常快地,我们就会看到,是的,建造其他工厂的工厂。但这其实就是机床,对吧?这就是我们已有的东西。区别在于以智能的方式来做这件事——建造工厂需要大量人力,为工厂设计机床也需要大量人力。所有这些,我认为都将越来越自动化。” 55:07

  • 机器自我复制并扩散至星际几乎必然,但须确保人类受益并保持控制:Bob McGrew 认为,一旦机器能够自我复制,它们比人类更适合在星际间扩散,因此这一趋势几乎不可避免。但他同时强调,必须确保这一进程解放人类、让人类受益,并尽可能让人类保持控制。

    “然后从更长远来看,我认为,一旦你有了自我……机器可以自我复制,而且它们是比人类更适合在星际间扩散的形式。所以这几乎肯定会发生。” 56:14

    “所以你要确保这件事的发生是解放人类的,是人类从中受益的,是人类尽可能保持控制的,而不是……” 56:33

总结

麦格鲁的论述指向一个清晰结论:AI的真正革命不在数据中心,而在工厂车间与物理世界。硬起飞不会因自动化研究而突然降临,制造外流也不会因人形机器人而自动逆转。唯有将智能嵌入可重构的柔性产线,用前沿部署工程把现场经验产品化,才能让超级智能走出数字幻象,在原子世界兑现其承诺。

信息源

视频来源

  • Superintelligence Needs the Physical World with CEO and Co-Founder of Arda Bob McGrew:https://www.youtube.com/watch?v=_wLzJINt9iQ

外部资料

  • Arda Emerges from Stealth to Speed Up American Manufacturing:https://www.businesswire.com/news/home/20261020574393/en/Arda-Emerges-from-Stealth-to-Speed-Up-American-Manufacturing
  • Our Investment in Arda:https://www.accel.com/news/our-investment-in-arda
  • Arda Industries Funding: $160 million Series A (Oct 2026), Investors:https://presspool.ai/companies/arda-ai
  • Arda raises $232 million to build an IDE for manufacturing engineering:https://www.i-scoop.eu/arda-industries/
  • OpenAI vet Bob McGrew debuts AI manufacturing unicorn Arda:https://www.bizjournals.com/sanfrancisco/news/2026/10/20/arda-industries-openai-bob-mcgrew.html
  • Ex-OpenAI executive builds $1.5 billion AI manufacturing startup Arda:https://www.cnbc.com/2026/10/20/ex-openai-executive-builds-1point5-billion-ai-manufacturing-startup-arda.html_