资本对物理AI的狂热追捧，让汽车背景的创业者正批量成为独角兽。庄莉也不断收到橄榄枝。
几乎每周都有投资人发信息，劝她下场创业具身智能。
投资人的眼光足够独到，庄莉头顶清华计算机系成绩第一名（96级）、加州大学（伯克利分校）博士，前蔚来软件副总裁等名头，又在2018年创立汽车智能科技公司镁佳科技，可以说，有背景、懂AI，又有十几年在汽车科技领域淬炼过的产业化经验。
庄莉不是没有心动。她读遍了机器人领域的论文，认为具身智能领域的技术还处在蛮荒阶段，“类似特斯拉30万行规则代码的Autopilot时期”，但各家已经把故事和估值讲满。她觉得这很危险。
而更重要的是，庄莉在汽车科技领域的仗还没打完。眼下，汽车行业进入价格血战，车企开始重新审视每一分钱投入，尤其是庞大的自研体系，而专业的第三方技术公司似乎等到了机会。
日前，镁佳科技CEO庄莉接受了36氪汽车访谈，就沉闷的汽车价格战、如何应对内存涨价、AI编程实践、火热的世界模型以及创业8年“踩过的坑”等话题，进行了交流。
过去8年，镁佳科技秉承的理念是“让车里没有难写的软件”，采用模块化的高效率开发方式，向车企提供智能座舱的软硬件产品，快速成为业内装机量前三的智能座舱方案公司。
2024年开始，AI范式进入汽车行业，辅助驾驶赛道先吃到技术红利，一路突进，成为行业焦点。庄莉和镁佳科技也随之淡出舆论视野。
但很快，庄莉嗅到了时机。进入2026年，碳酸锂、AI需求拉动的内存价格飙涨等因素，让整车物料成本上涨高达2万元。
而雪上加霜的是，车市竞争进一步加剧，有企业高管披露，仅今年前5个月，就有542款新车推出，平均每天上市超过3款车。行业陷入价格血战，车企利润快速流失，已经有多家车企预告上半年由盈利转为亏损。
庄莉认为，中国车市正进入残酷的存量竞争阶段，此前大兴研发的自研故事已经没有资本买单，“存量竞争拼的是效率，不是研发规模，车企动辄2000-3000人的软件团队投入，已经算不过来帐”。
“实际上，假设一个品牌的年销量在100万辆，它最多只能支撑300人的软件团队，否则没有盈利性可言。”
庄莉透露，多家车企决策者已经开始重新审视自身的研发策略。她认为，作为专业供应商，可以通过服务多个客户形成规模效应，在芯片适配、软件复用等方面降低成本。
尤其是镁佳多年打磨的软硬一体化和模块化开发能力，可以让其对控制器的芯片、内存以及软件算法进行全局优化，最直接的结果，就是为单车省去4GB的内存用量，“原本用16GB，现在降到12GB”，这对应的是至少500元的降本。
镁佳科技也挤出了研发资源，投入端侧模型和辅助驾驶技术。目前，镁佳已经推出车内“龙虾”产品MegaClaw。而基于高通SA8775P芯片开发的辅助驾驶高速NoA，也已具备量产能力，镁佳走的依然是考验极限优化能力的舱驾一体路线。
作为开发效率的信徒，庄莉也为镁佳积极引入了AI Coding能力，但作为多任软件工程副总裁，实践过后，庄莉给出了不少冷思考。
AID对研发效率的提升是确定的，但AI Coding并不是简单替代工程师，而是一场组织能力的重构。企业需要重新设计工作流程，建立模块化体系、测试体系和质量控制机制，否则AI只会更快地产生“浆糊”代码。
在她看来，未来最稀缺的人才，不一定是写代码最快的人，而是能够设计Workflow（工作流）、理解复杂系统，并知道如何让人与AI协同工作的人。
这种判断，也贯穿她对机器人、物理AI和世界模型的看法。
面对当前市场对物理AI的热情，庄莉认为，行业仍处于早期阶段。机器人真正走向规模化应用，需要解决的不只是模型问题，还包括机械控制、物理交互、仿真训练等基础能力。
最先在具身创业浪潮中跑出来的，很可能是机械工程类项目，而非AI，“就像自动驾驶一样，底盘需要先准备好，不然模型每输出一次，执行不一致，那就要命了。”
回看庄莉过去几年的创业历程，她没有热衷于追逐新的技术风口，而是在产业中后期进入，围绕行业最底层的问题——软件工程效率、系统复杂度和产业化等持续投入。庄莉说，这是她学生时代就“喜欢啃最难试卷”的性格刻印。
这套底层认知也投射到了她对AI和机器人的判断。她认可机器人未来的巨大价值，但认为技术成熟需要时间。相比资本市场讲述的宏大叙事，产业最终仍需要回答一个问题：是否真实转化成了社会价值。
“每个人最后都要交答卷。”
以下是36氪汽车与镁佳科技CEO庄莉的访谈，略经编辑：
谈端侧模型：
没有软硬一体能力，只能做demo
36氪汽车：今天行业比较沉闷，连科技巨头做的汽车品牌也明显有压力，产业链上价格战迭起，你们在行业也浸淫了8年，是什么感受？
庄莉：我个人觉得互联网那一套在汽车行业从来没有成功过。
本质上，互联网讲究大标品，一个产品，可能全中国的手机都是装微信、支付宝、豆包等等。但汽车行业很难有大标品。
汽车上除了有互联网技术、计算机技术，还有很多Mechanical Engineering（机械工程），材料化学，就是每一个领域的技术都在不停地迭代和更新。所以很难让所有的领域以同样一个节奏（前进）。
当有其他零部件不停去更新，所谓软件驱动汽车的方式下，软件要不停地改，不停地按照其他技术更新的速度去进行适配。
在这样的一个情况下，你就很难写一份一模一样的程序，让所有的车都用，这个其实不可能。
在这样高度碎片化的情况下，我们希望通过软件技术或者互联网本身体验的创新，通过它的Scalability（可扩展性/规模效应）去产生巨大的利润，它Fundamentally（根本上/本质上）就不是这个事情的原理。
汽车里边的软件创新，它实际上是另外一个逻辑，是一个偏工业软件创新的逻辑。这就是为什么互联网大品牌进入车行业，会有一定的流量效应，但是越到后期，这个效果就越不明显。
因为它带来的流量效应，本质上是对它的品牌认可的一部分人，这个品牌认可度的使用是有限的，它不是一个可再生资源。
36氪汽车：今天端侧模型很热，豆包也要深度进车，你们也有布局，似乎都从车开始做？
庄莉：我们的MegaClaw，有一个0.5B的端侧模型和一个4B的端侧模型（分别对应高通8295和8797两款芯片）。
我觉得不管在任何场景下，端侧模型要表现得好，更多是用这个特定场景下的数据去做Post-training（后训练）。
其实需要做两件事情：
第一，你要使得它通用的能力不要消失得太多。第二个就是你需要它在DomainKnowledge上的密度变得更大。
很难有一个在所有场景下都适用的端侧模型，一定是不同的应用场景有不同的端侧模型。端侧模型公司之所以会选择在汽车行业去落地，是因为汽车是除了手机以外的，可能第三大的终端设备（另外两个是手机和电脑）。
其实在汽车行业，如果你不做硬件，很难在上面做AI算法。因为所有的操作系统和底层，以及模型Tuning（微调）能力，需要跟硬件能力去密切配合。
你在4B模型上到底跑多少Tokens per second？你在0.5B上到底跑多少？控制器能不能给你留下那么多内存，留下那么多算力？其他的应用该如何去协调？需要在系统层面有非常多的集成和优化。
如果你只是单纯地去做一个端侧的算法，最终大多数就是做个Demo可以，但你要真实场景下用的时候，它就会在某一些时候很慢，或者很不稳定。
36氪汽车：做硬件，最需要控制的是哪几个东西？是芯片、存储，还是什么？
庄莉：我觉得首先是芯片，总共有的算力就那么多，到底把哪些应用放在CPU上，哪些在GPU上或者NPU（高通的芯片里叫cDSP），哪些应用放在aDSP上？你怎么去规划它，保证把每一部分的算力都用得刚刚好。
这个是我们一个特别大的优势。特别是今年，内存包括UFS（闪存）、包括车里面的很多芯片都涨价，今年销售端跟我开玩笑说，他们出去只用说一句话：‘用我们的全栈服务，省4G内存’。
因为我们可以去做很多应用之间的调度优化，包括存压缩的独有的技术，使得我们在不影响延迟、不影响体验的情况下，能够很Aggressive地把比如说16G的内存降到12G。可能一个车至少帮主机厂省500块钱。
有一些32G的，能帮他们降到24G，24G的降到16G。所以当你有了端到端的算法能力和系统能力之后，你去跟这种纯做算法的公司相比，就有巨大的优势。
因为你非常了解比如说高通的芯片它是怎么工作的，它的AI工具链是怎么部署的，在中间的内存Buffer可以怎么样通过Streaming（流式传输）的方式——我就不存，我就是相当于就流过了就没有了，所以我的Buffer就可以少很多。那这样子就会使得你整体的产品在竞争力上就会变得更强。
谈内存涨价：改变了行业游戏规则，看不到减缓迹象
36氪汽车：今年内存价格剧烈上涨，对产业链公司带来哪些特别的影响，怎么去应对？
庄莉：今年内存价格上涨这件事情确实改变了很多事情。尤其是比高通8797更差一档的一些芯片，其实现在因为内存价格上涨，最终的综合价格和8797之间的差距非常小。
这是非常有意思的一个game changer（游戏变化）。原来大家会关注这个芯片贵一点、便宜一点。
但是现在变成了车上要跑这些应用，需要这么多内存，内存变成大头了。所以，既然都花了大头的内存，你不如上一个好一点的芯片。
另外，去年其实汽车行业里边，有偏消规级别的芯片，或者工规级别的芯片上车。大家都会觉得这个会对高通的车规级别芯片有特别大的冲击。
但实际上今年看下来，因为高通对于自己的内存供应链，管控得特别好。所以高通整体的芯片，它是给你配内存的，使得说它的车规芯片和去年的一些工规芯片相比，甚至倒挂了，比工规芯片的方案反而便宜。
所以今年我们遇到了不少车企，去年已经switch（切换）到工规了，今年又切回车规。
36氪汽车：那高通会帮你们平抑这个内存的价格，还是说自己承担一部分，然后让你们承担一部分？
庄莉：实际上是因为高通跟美光，这个主要的内存供应商之间有非常长期的战略合作，所以高通具备从美光的渠道得到比其他人好得多的内存价格。
36氪汽车：还是个老话题，你怎么看这个内存涨价的走向？这个周期大概是多久？
庄莉：我们所有人都希望内存涨价的周期赶紧结束，但是我个人客观的看，不会特别快。
就它的转折点是去年年底，就是从Gemini 3开始，紧接着ChatGPT 5.1一直到5.6了，这个包括美国的Claude Fable等等。我觉得它对推理的需求大大的变大了，每个人使用的token量可能是去年的10倍。
这所有都需要有服务器来serve（服务）它。在服务器端对推理芯片和推理服务器的需求大幅度提高之后，对内存的需求量也大幅度提高。而现在模型越来越好用了之后，大家就发现了越来越多的用处。所以对推理的需求还会持续增长。
这个速度我看不到减缓的任何趋势。那意味着说，大家都会去造服务器端的芯片，因为服务器端的芯片比消费者端，比汽车端的芯片要挣更多的钱，所以内存厂商的产能，现在大多数都朝那边倾斜。
那按道理讲，内存厂商可以建新产能，但是内存厂商以前也受过伤，就建完新产之后，发现生产更多，挣的钱更少，那不如就维持现在这个现状。所以今年我们看到内存厂商没有激进的扩产能计划。仍然在平衡，到底把产能用到哪个地方。
我觉得他们什么时候会开始考虑建产能？就是他们对于什么时候推理芯片的上涨的趋势有更清楚判断的时候，才会有更清晰的进一步建产能的可能性。
36氪汽车：究竟上涨多少？怎么预测？
庄莉：如果是今年年底，模型的能力能够慢慢看到边界了，你就能够预测清楚你对Token的需求量，最后会有多少，因为你知道哪些事情模型可以做。但是如果是持续的像现在这样，大家看不到模型能力的边界。那你就不知道你对Token的需求量的边界在哪里。
36氪汽车：内存涨价带来压力也很大，不少车企都说整车涨幅到2万元，你在行业里有看到混乱或者失序的情况吗？
庄莉：我们这个行业甚至有一些不厚道的供应商，把自己去年预订的内存，高价拿出去倒卖了，然后现在给主机厂供不上货。
汽车车规大家都是预订半年、一年的，所以消费类内存比车规的涨得多，很多人就跑到汽车行业里边来买车规。有一些人觉得自己倒卖内存可能比卖控制器还要挣得多。
36氪汽车：像倒卖内存的这种公司多吗？
庄莉：就那种反正也快要死的，或者是有一些可能就觉得主机厂也拿他们没办法的，店大欺客的，就这两类吧。像我们这种中不溜的最老实了。
谈车企自研：行业开始拼效率，
自研故事讲不下去
36氪汽车:内存价格居高不下，对行业的技术结构有什么影响吗？也有技术负责人说，从芯片到OS到上层算法全自研，可以省下好多内存。
庄莉：我们可以给全栈自研算一个账。一个能够写出合格汽车软件的工程师，考虑到人力成本，人力成本是大家的salary（薪资）的1.5倍。那平均人力成本至少是在50万到100万人民币。
我知道有蛮多的主机厂在智能化上已经是2000人、3000人了。假设这个主机厂卖100万辆车（已经很高），一辆车平摊出来的光算人力成本就已经快赶上这个车的控制器一半的价格。
然后这人还得干活，得有工具，得要消耗样件和其他投入吧。所以基本上人力和实际的研发投入是一个1:2的关系。如果我们这样去算账的话，按照现在主机厂的投入，自研研发成本均摊到单个控制器上，已经比从供应商中买到的整个控制器本身贵了。
实际上我算过一个账，100万辆车销量的主机厂，最多只能容纳300人的研发团队完成全部智能化工作，否则经济上它无法和供应商相比，一点盈利性都没有。
但是你看现在在100万量级的主机厂，哪一个能够只要300号人就把座舱到智驾全部搞定，不可能。从盈利性角度算，年销200万辆车允许600号人，300万辆车允许900号人，这些人必须做完智能化从硬件、底层、到算法、到应用全部事情；覆盖智能座舱和智能驾驶全部车型项目。
自研这件事情长期在汽车行业很难持续。
36氪汽车：你们有更显性的成本优势吗？
庄莉：供应商的规模效应，可以从一个特别简单的例子来看。如果要onboarding高通一个新的硬件平台，大概是700万美金的上船费，你如果通过供应商做，供应商可能平摊到5个主机厂，它就能打平。
那如果主机厂自己做，每做一个芯片平台，就要掏700万美金。你如果bet（押注）了8295、8797，那万一另外一个8538芯片又行了？
但是供应商会把所有的芯片全部做全，车企要自己内部全部做全，你每年就光交给芯片厂商的上船费，可能就是大几个亿。
最近有一些是我们客户，或不是我们客户的人，老来问我们。第一个问题就是灵魂拷问，为什么我们自研团队把那4G内存就省不下来？甚至要比你们多用4G内存？我心里想我哪知道，哈哈哈。从这个角度看，原本想通过自研省下来的成本，结果反而让硬件的综合成本变得更高了。
然后第二个问我的问题就是，为什么自研团队要花你们5倍的人来干这件事情？其实就是体现了，在一个存量创新的市场，最终真正有竞争力的商业护城河是技术能力驱动的高效率。
我们公司从第一天开始，Slogan叫“车里没有难写的软件”，我们提倡模块化开发，我们讲“乐高”，然后“乐高”现在变成了我们的agent。整个这一系列的演化，是有长期的沉淀和历史基础的，你能看到我们整个公司的思路，从第一天开始就是思考“怎么样不要让人写程序”。
过去7年我们积累的“乐高”模块，在今天大模型的助力下，变成了Agent、MCP与Vibe Coding，变成了真正使得我们为给主机厂降本的强有力的工具。
我觉得自研团队今天面对最大的挑战，就是当所有主机厂都没有快速增量需求的时候，怎么样来justify这几千人的自研团队拿的工资到底产出了什么？
36氪汽车：假如技术都交给供应商去做，主机厂会不会觉得没有差异化？
庄莉：如果我是主机厂，如座舱和智驾一定要选一个来自己做，我会选智驾。
因为智驾是数据工程，数据工程意味着它不需要很多人，特斯拉透露自己的智驾团队是百人级规模。座舱如果你管不好软件流程，它就会非常耗人。
数据工程是搞定一次，它可以持续repeat（重复）的，我们公司现在的模型全部是在自己生产线上，自动重复生产，没有太多的人在中间参与。每做好一个模型，就把它建成生产线，然后人就退场了。所以我会觉得智驾可能是一个主机厂有机会自己掌握的能力。
如果在300人以内，支持全主机厂的所有项目，我觉得全栈自研智驾控制器这个零部件是有机会的。
但座舱太碎、长尾太长，单靠堆人根本算不过来账，我暂时没有看到任何主机厂的自研团队有足够强的软件开发管控能力和效率工具创建能力，使得他们全栈自研座舱、支持所有车型平台项目，还能有经济性可言。。
36氪汽车：但是都说智驾更难，需要大资源投入，建万卡算力集群。
庄莉：卡还是得买的，但是不要万张，有1000张卡够了。数据（积累的速度）也比大家想象得要来得快，大多数时候，你云端其实处理不完得到的数据。
我自己跟进ADAS的技术可以追溯到2017、18年开始，ADAS领域的每一篇research paper（研究论文）我都读。
我在去年年初的时候，有个强烈的感受，技术真正成熟了，上一代ADAS 的方案基本上被淘汰了，现在进去就是在right timing。当前已经有太多好用的可以上车的神经网络框架用于视觉感知，Reinforcement Learning（强化学习），以及靠模拟（simulation）和数据增强，甚至连数据的门槛都一并就跨过去了。
谈AI coding：AI写代码很烂，
需要组织建设来兜底
36氪汽车：你们也在用大量的AI工具，但是我看您的朋友圈似乎有对AI coding泛滥有一些批评，这两件事是怎么统一的？
庄莉：首先我不反对AI，而且我非常积极地拥抱AI。我自己用非常多的Token，基本上如果不出差，我自己每天4000万Token肯定是用掉的。
但是我觉得AI coding这件事情，它不是一个技术，它实际上是一个组织文化的建设。
因为AI写出来的代码可以很好也可以很烂。简单讲，AI擅长0到100公里直线加速。你如果要让它转个弯，它经常不知道朝左转还是朝右转。
在组织文化当中，怎么样去design（设计）这样子转弯的点？你知道在righttiming（正确时机）的时候，让人介入，人类该怎么review（复查）刚才AI干的这个事情？这个东西很重要，最终是形成到企业文化的基因里边。
行业里不是开玩笑吗？现在大家基本做的都是AI善后工程师，有很多团队，不管是互联网，还是汽车行业，用了AI一段时间之后，又回退到大多数用人。发现说制造了更多的麻烦，还花了特别多token的钱。
但是我们AI的比例在工作当中是占得越来越多的。这个跟我们公司一直强调模块化是有非常大的关系。企业文化和流程这个东西它很难去复制，因为你公司从成立第一天开始，你跟每个人就在不停地提模块化，不停地在提这些Gateway（通道）和Checkpoint（卡点）的点，怎么样去做质量的Guarantee（保障）？那这些东西它可能就变成大家的一个习惯。
36氪汽车：行业里也有普遍的担心，AI会让公司之间的差距快速拉大，你认为呢？
庄莉：现在，人加上AI工具的总和的能力，这是一个工程师的能力。
如果你这工程师特别会写代码，但是你不会用AI解决问题，其实你总和的能力可能会不如之前一个不是那么会写代码，但是他的逻辑分析能力特别强，他特别擅长有一个全局观的这样的一个员工，你不一定比他更好。（当然，通常写代码写得好的人，在另外一方面也都好）。
但是如果说一个人员工能力本来就很差，去想一个问题就是一滩浆糊，再加上AI，他就糊得更快，他就不停地在这个代码库里边给别人加更糊的代码。
那我们如果沿着这个思路看，就是好的软件公司和差的软件公司之间的差距，只会越变越大。
我觉得2026年是一个转折点，公司和公司之间，员工和员工之间，大家都是一个重新去划分分水岭，重新去洗牌的一个转折点。
36氪汽车：你刚才提到AI的代码写得很烂，但我在行业里也听到另外一个声音，说AI coding的能力大概相当于阿里P10。
庄莉:第一，它在解决一些特定问题的时候，确实很强。比如说在解决一些前端的，就是互联网的前端，比如说Web（网页）的这些应用问题上，在General（通用）编程上面，现在真得是相当强，包括互联网服务方面。
这是为什么呢？你去看那个GitHub，这可能是大家做AI Coding模型训练，一定会用的一个数据，它都是通用代码。所以你去做通用编程的时候，它其实非常非常强。
但是如果你要让它解决一个挺犄角旮旯的，在通用代码库上其实不多的这样的一个case的时候，这里边就特别需要人在当中有判断力。
比如你让它自主去解高通基线上某一个特定的黑屏问题，肯定就瞎了，因为可能在任何公开的地方没有这个东西。需要的工程师如果能够把他分析出来的现象准确地告诉它。
所以我觉得互联网公司的体感会比我们更强。因为互联网服务的这些程序，它确实现在变成挺大标品的程序。
36氪汽车：也就是在汽车产业里，AI coding渗透率要慢一些。
庄莉：会慢一些。硅谷前一阵子叫Tokenmaxing,最近不再提这个要Tokenmaxing这个事了。大多数硅谷的互联网公司都把什么Token使用量的排行榜，都又拿下来了。大家会发现，可能使用了10倍的Token，不一定有10倍的转换，可能有2倍的转换就已经非常不错了。
这是每一个公司的管理层都应该去思考的，就是你的Token使用和真实效果的转化率。你有没有一些指标可以去measure（量化）这个转化率？这是第一。
第二个，内部有没有一些机制可以去提高这个转化率？我们原来的所谓乐高模块这个东西。就是提高token转化率的一个非常有效的工具。我现在只是让AI帮我搭乐高，并没有让AI帮我写基础模块，不然也可能也会死得很难看，会产生很多不确定。
第三个就是，其实我们在行业当中做自动化测试做得非常多，所谓test driven development（测试驱动开发），我们做得非常完善。这是用AI的一个前提，如果你没有一个test driven的一个开发方式，AI vibe coding一定不会做得非常好。
36氪汽车：要做哪些顶层设计，来高效率利用AI vibe coding？
庄莉：我自己其实跟硅谷好多同学聊，现在普遍有一个共识，就是这个世界上最有价值的人，是擅长建Workflow（工作流）的人。因为一旦workflow建好了，你的工作流程当中，人在哪些地方有插入，什么地方要去扳一下？所以这个建workflow的这种人是非常非常稀缺的。
我们公司的所有workflow基本都是我参与建设的，every single workflow（每一个工作流）。如果是说我不来建这个workflow，会发现有个特别大的一个挑战，就是A部门和B部门之间，他们会屁股决定脑袋，各自对Workflow的需求和理解，对自己的方便程度其实是不一样的。所以最后他们俩是很难妥协的。
36氪汽车：你刚才提到一个模型的边界，如果要比较清晰或者要收敛的时候，会有哪些指标可以参考？
庄莉：现在是技术人员用AI非常多，特别是软件开发工程师。等到什么时候大众能像刷短视频一样地去消耗Token的时候，我觉得可能才是模型的边界，但这中间其实还有很远的路要走。
我自己也经常在Debate（反复思考）：除了编程以外，还有没有第二个足够大的场景，可以形成规模化的、用模型来做的工具？想来想去还是挺难的。可能现在的AI短视频、短剧、做游戏，但是它的商业市场没有编程那么大。
编程是一个特别难得的、足够大、又足够合适用模型来做的事情，所以第二个事情在哪里，现在全行业也不知道。
36氪汽车：现在Coding是最大的AI的赛道，基本所有做模型的公司都在加入竞争，最后会是什么格局
庄莉：就我自己的体会是Codex 5.5出来之后，不太能感受到它跟Claude之间的差异了。我现在感觉就是，可能差一点的模型落后6个月。但是，当所有的模型都能够干百分之八九十的事情的时候，最后大家就只是看谁更便宜了。
我们公司现在挑模型，对于Token的成本很敏感。我们会挑Token成本最便宜的那部分模型，配合我们自己内部自己做的Harness（自动化工作流框架），让它们专门去跑那些最标准化、最成熟的日常流程。
现在我们公司内部6个模型在一起混合着用，甚至跟哪个模型最近打不打折都有关系。
最后用模型用到极致的公司，（对价格）是很敏感的。我觉得模型最后也会进入到一个‘大家拼基础设施能力和Token成本’的一个竞争阶段。
谈物理AI：热潮不会太久，
AI将加速泡沫破裂
36氪汽车：今天物理AI炒得这么热，汽车行业或者做智驾的公司都想进去，想超车，你觉得这条路能走通吗？
庄莉：当前大家追逐的似乎是去给资本市场讲一个什么样的故事。只要还没开始挣第一分钱，就不用去讲到底能挣多少钱。但是可怕的是，你一旦开始挣第一分钱的时候，资本市场就会问你，你下一分钱，准备什么时候挣回来？你今年是能挣到10分钱吗？你这10分钱里边有多少是真正跟你的技术相关？
这个实际上是汽车行业过去几年走过的路。我们可以再过三五年看，很有可能是世界模型、物理模型，包括机器人领域，可能未来三五年会重复的一条路。
因为我自己也会FOMO（担心错过），所以就去看很多很多机器人行业的paper（论文）。读完这些论文，我觉得现在大概在特斯拉还在30万行规则代码的Autopilot的阶段。就是它的整个技术还在一个相对比较蛮荒的阶段，但是大家已经把故事和估值讲得太满了，还是蛮危险的。
可能隔壁的行业（物理AI）现在是发热的几年，但发热时间会比自动驾驶短，因为AI会加速泡沫破灭。
36氪汽车：AI会加速泡沫破灭？
庄莉：你看自动驾驶为什么发展了这么长时间？（10年时间），因为它在Rule-based的阶段待了好长时间。真正加速破灭的时候是2023年以后。所以我们去看机器人行业，看物理AI这个行业，就是这个技术的那层窗户纸被戳破的时间，被证伪会更短。大模型证伪很短的。大模型六小龙的时候到今天其实没有多久。
谈世界模型：和LLM是两码事，
涌现不需要超大模型
36氪汽车：现在每个人都在讲世界模型，但似乎都不一样，比如说像汽车行业背景出身去做的这个世界模型，它真正的优势和它真正能做的东西是什么？
庄莉：我前两天看到Generalist AI那个公司（李飞飞以前一个徒弟的公司），他很反感别人叫他们物理世界模型公司，其实我也很同意这个事情。
飞飞的总结我觉得很对，飞飞是很善于把复杂事情总结成比较简单的逻辑。
第一件事情，其实是所谓的渲染，跟做游戏那帮人对物理世界的渲染没有本质区别。游戏的渲染，本质上是一个Rule-based的渲染，它通过基于规则的物理引擎，规定了什么样的行为和现象可以发生。
现在只是把这个Rule-based的引擎变得模型化了，不用写得那么多复杂规则，比如一束光打过去，它就得反射过来。这些规则变成了模型化的东西，所以它看起来非常真实。但是这个真实的背后是没有物理模型支撑的。就是你看到那个头发在那飘，有光泽，但它只是看起来像。非常obsessed（着迷）的就是那个头发丝。还有衣服的那个皱，风吹过去的那个感觉。面向渲染的物理AI本质上是解决从不同的角度去看物理世界的时候，是consistent（连贯）的。但是视觉上的一致性未必有物理原理支持。
那飞飞说的第二个，是规划器。规划器这里边是需要有物理原理的。就说白了，力学你就得有牛顿的三个定律在里边，对吧？光学你就得有光学的各种原理，热学你就会有热学的各种定律。这个时候规划器是会真正地去规划你的这个动作怎么跟物理世界之间发生interaction（交互）的。
但是我们从第一性原理的角度去想，我会认为一个极好的规划器，最终100B的模型一定能搞定；如果aggressive（激进）一点，我觉得可能20B的模型就能搞定。它和Large Language Model（大语言模型）是两回事。
因为最后你要去理解的物理逻辑是什么？就是最多我们中学的物理书，再加上高等物理的、大学的物理书，所有的物理原理都在那了。所以最终你的模型要capture（获取）的不外乎就是这么多知识，它不像Large Language Model，它要capture的是人类历史上不断积累下来的所有的文字信息、所有的历史知识，所以它才需要那么大。
现在大家讲的物理AI模型非常多是是在规划器这个领域的，但是我不认为去构建所谓的generalized（通用化的）物理AI模型最终能成为技术门槛和商业护城河，因为它最终都是一个人会了、全世界都会的技能。而且在这里后训练的作用会非常大、甚至有可能超过了基座模型。
那在后训练这个地方，就要来到第三个，就是所谓的Sim-to-Real（仿真到真实）。就所谓的模拟器。因为在后训练的时候，你不同的场景是不一样的。比如，有没有能力大概照一张照片，就能构建一个虚拟的物理世界，就可以在这里边去产生很多simulation（仿真）数据。
那在汽车领域里边，我们做Reinforcement Learning，一定会有一个好的评估函数和一个好的simulator（仿真器）。没有好的simulator，就不能够产生摄像头数据跟规划之间的联系，我就不能模拟我对面有一辆车逆行过来，非要跟我撞的时候，我到底该干什么。
我觉得就在这第三个地方——模拟器，其实是最终能够把你的视觉和动作之间联系起来的一个最重要的东西，我自己也做过一些Sim-to-Real的事情，非常难。这个地方是有很多要去跨过的挑战，跨过去了，物理AI才有机会商业化。
现在我会觉得有很多在讲物理AI的，要不其实就是把原来做游戏的那套东西包了个皮，说到底就是把游戏引擎模型化；然后第二类，无外乎就是在中间做规划器，也就是我们自动驾驶领域在用的比如diffusion-based，flow-matching的规划办法。杨立昆走的路线就是第二条路线，就是规划器的路线。
第三个（真正的模拟器）可能现在大家还没有去touch（涉足），因为前两个都还没搞清楚，所以根本不知道要怎么样去建立联系的需求。
那现在的话，也有很多地方在拼命地采集数据，其实我们自动驾驶领域也采集过很多数据，有无数废数据，最后其实，就留在磁盘上都嫌占空间的这种。
所以我自己会觉得，就这个领域它非常地蛮荒。我坚定的相信，它最终一定会成为像自动驾驶这样子，变成被解决的问题。但是现在所有在贴标签、所有在讲故事的这样的一些新的创业项目，如果我是个投资人，我会觉得是有很大风险的。
从research（研究）领域，我还看不到技术到可以量产的路径。
我个人觉得（具身创业）第一个阶段会在Mechanical Engineering（机械工程）方面取得突破，就是一些灵巧手的控制技术。它实际上不是AI，它更像我们汽车原来的线控底盘的这些技术。就线控底盘得先成熟了，你才会有自动驾驶，否则你每次发出去的命令是一样的，它执行的结果不一样，这个要命了。
第一个会先成熟的技术会来自于Mechanical这帮人，包括材料。紧接着才会有智能。你没有办法把虚拟世界准确的映射到物理世界的时候，很难谈智能
第二个，我自己的判断是模型不会很大。大家期望说找出一个特别大的通用模型去实现‘涌现’，技术可能不大会像Large Language Model这么发展。
谈创业踩坑：
要么多融资，要么少犯错
36氪汽车：今天这个行业确实到了一个价格战非常凶残的阶段，你们也在上层做了很多技术和流程的创新思考，那这里面有没有踩过一些坑和经验？
庄莉：我自己的思考是这样的：如果你的行业还在一个增量创新的阶段，你就应该多融资。因为多融资，你就会有更多的试错机会，最终你可能还能够熬得下来。这是我们公司在早期——我觉得也是第一次创业，可能做得不是特别好的地方。就Honestly speaking（诚实来说），我们在当时的融资是比较保守的，觉得（公司能赚钱）自己不需要融那么多钱，我们的资金使用效率比较高。
但如果你（在早期）没有做到多融钱这点，你就要做第二个事：要少犯错。如果别人要犯三个错才能做出一个产品，你就得让自己说：‘我只能犯1个错，或者1.5个错’，所以我们公司其实走的是第二条路。
那这个‘少犯错’呢，它就很难复制。它对你自己本身创始人的要求很高，它对你的团队、跟你一起干活的这帮人要求也很高。
所以我对大家的建议就是：多融钱呗！反正多融钱，多犯点错也没关系，只要熬成最后一个死的人就行。因为最后，你总要交答卷的。
当然，我其实还有个建议，就是别太计较估值。就是你的A轮、B轮，你可以拿很高的估值，你到C轮要交答卷的时候，你估值高了，真的撑不上去。
就C轮死是一个行业当中非常常见的现象。到C轮的时候，他们总要问你说，你前面拿了那么多钱，你到底有没有收入？你的收入到底能不能证明你持续盈利？所以如果说挣一块钱，要赔三块钱，其实那个时候你也融不到钱。
最后，如果正处于投资人还比较容易头脑发热的行业，enjoy the time。
36氪汽车：享受市场的好时光。
庄莉：对，这个它不会很长，现在所有的东西都跟按了快进键一样。
36氪汽车：过去几年大模型模型特别火，您没有受过诱惑吗？比如咱们这个业务太苦了，要不然我再干一摊（庄莉10年同学王小川创立百川智能）。
庄莉：股东基本上平均每周会有一个人给我发个消息，说：庄莉，我真得觉得你应该出去做机器人，你对机器人的理解比大多数人都要深刻，而且你有一手的hands-on（亲自实践）的技术。我说我得先把镁佳交代了，不然我怎么对你交代呢？
我觉得是这样子，其实人生不是要去争一个第一名。我们从学校出来的时候，按分数排名的人生阶段，就已经过了。所以从那以后，不是去比谁的公司估值更高，谁做了世界上最牛，最热的事情。
我会觉得说，最终你想要的状态是一个自己安心的状态。你拿的投资人的钱，你没有浪费，你把它真实的转化成了多少社会价值。
我在美国念书的时候，有机会跟段永平先生有非常多交流。段永平先生就经常说的一句话，是本分，第二个他还老说一句话，就是要做一个百年小店。你有一个能做百年小店的、不焦躁的心态，才有机会在一个行业去长期做下来。
我觉得我们擅长做存量创新的事情，我们公司的基因一直擅长做存量创新的事情。所以我自己会觉得说，等我们上完市，把这摊事交代了，机器人我们不是不能做啊，也可能那一波可能才是真正技术走向成熟，可以产品化的一个时间。
36氪汽车：比较适合做存量竞争的事情，这个跟您自己的，比如价值取向，或者跟你的性格有什么关系？
庄莉：我就擅长考最难考的考试。我从读书开始的时候，就喜欢考题更难。就自己跟自己过不去的习惯是很难改变的。所以我觉得我们整个公司其实就是这样的一个基因，就有非常强的我的惯性在里边，就是越难的考试，我们往往能够看出跟别人更大的差距。
36氪汽车：考更难的考试并且能拿到好成绩，有特别的trick（技巧）吗？
庄莉：我觉得第一个不要假装懂，就不懂的东西是真地去把它搞明白，这个是我们公司文化当中特别重要的一点。
每次一开经营管理会，或者开技术讨论会的时候，我从头到尾问的最多的就是，为什么？第二点就是，你就老老实实做事呗，去朝着目标走，不要抓路边的小兔（将军赶路，不追小兔），因为你团队的时间和精力是非常非常宝贵的。
