AI 写代码飞快，但硬件创业者却说：物理世界永远不吃这一套

当所有人都在谈 AI 如何吞噬软件世界时，硅谷一群硬件创业者却抛出一个“冷水式”观点：在硬件领域，AI 再强，也绕不开物理。来自 Sequoia 的这场对话，揭示了为什么硬件正在重新变热，以及 AI 在这里真正能、不能做什么。

最反直觉的一句话：Physics Gets a Vote

这场对话里最“炸”的一句话，不是关于 AGI，也不是关于算力，而是：“Physics gets a vote.” 直译过来就是——物理世界有否决权。

在一个代码可以随时重写、模型可以反复微调的 AI 世界里，硬件创业者正在经历完全不同的现实：更多测试、更慢迭代、更高成本。软件出 bug，可以热修；硬件出问题，往往意味着推倒重来。Nominal 的创始人直言：物理世界之所以顽固，是因为我们就生活在其中。

这也是为什么，在 AI 极度加速软件开发的同时，硬件反而显得“更真实”——它逼迫工程团队直面现实约束，而不是沉迷于模拟和假设。

为什么硬件突然“又热了”？投资人和工程师看到的是同一件事

对话中抛出的一个关键问题是：为什么硬件现在又变成热门赛道？

答案并不浪漫。不是因为硬件更性感了，而是因为软件和 AI 已经把“能做的都做了”。在很多关键行业——航空航天、能源、制造、国防——真正的瓶颈从来不在算法，而在传感器、设备、系统本身。

从投资视角看，硬件公司正在发生一个变化：它们不再只是卖设备，而是围绕“生产级数据”构建闭环。持续运行、持续监控、真实环境下产生的数据，正在成为比一次性产品销售更重要的资产。这也是 Nominal 们所处的位置：不是造一个炫酷硬件，而是参与整个系统生命周期。

GitHub 的类比：硬件工程终于开始“像软件一样工作”

一个非常值得玩味的比喻出现在对话中：硬件领域缺的，其实一直是自己的“GitHub 时刻”。

在软件世界，代码、版本、回滚、协作已经高度标准化；而在硬件领域，设计、测试、验证长期是割裂的。Nominal 的思路，是把硬件开发过程中产生的大量数据、测试结果、运行状态，变成一种可复用、可迭代的“工程资产”。

这也解释了为什么 AI 在这里的价值不是“自动画设计图”，而是帮助工程师理解复杂系统、发现异常模式、加速验证流程。真正重要的不是炫技，而是让硬件工程第一次具备规模化学习能力。

AI 写代码很猛，但好硬件仍然需要“人类判断”

对话后半段多次提到一个现实落差：今天，AI 已经可以写出相当复杂的软件代码，但在硬件系统里，最关键的决策往往无法自动化。

比如，硬件与自主系统是否应该由不同团队负责？如何在真实环境中验证一个设计，而不是在仿真里自我安慰？这些问题没有标准答案，只能依赖经验、失败和判断力。

即便放眼 AGI 的远期想象，几位创始人依然保持克制。他们更关心的是：如何把 AI 的“智能”转化为最终产品的可靠性和通用性。不是更聪明的模型，而是更可信的系统。

总结

这场对话给 AI 从业者的最大提醒是：不要把软件世界的节奏，强行套到硬件和现实系统上。AI 的确正在重塑工程方式，但在物理世界里，数据来自真实运行，失败有真实代价。

如果你在做 AI + 硬件、自动驾驶、机器人或工业系统，这意味着三件事：第一，真实数据的价值远高于漂亮 demo；第二，测试和验证能力会成为核心竞争力；第三，AI 是放大器，不是替代品。

一个值得思考的问题是：当 AI 越来越强，我们是在逃避物理约束，还是终于开始正视它？答案，可能决定下一波真正重要的公司会是谁。

关键词： 硬件创业， AI应用， 代码生成， 物理约束， 通用人工智能

事实核查备注： 需要核查：1）视频中提出“Physics gets a vote”的原始语境；2）Nominal 的具体业务定位描述是否准确；3）Cameron Jason 的身份与发言是否完整；4）视频发布时间与标题信息。