本周，@AppliedInt 推出了 Dana，一个用于开发物理 AI 应用的 Agent 平台。Applied Intuition 最初是为工程师构建开发自主系统所需的工具，然后是支撑这些系统的操作系统，最后转向了机器本身运行的智能。正如联合创始人兼 CEO Qasar Younis 所描述的，公司的目标始终远不止于自动驾驶汽车的工具。其使命是让智能运行在十亿台机器上。
不合时宜的层级
2017 年，自主驾驶行业达成了一个共识：少数几家垂直整合的公司将解决自动驾驶汽车问题，运营这些车辆，并占领整个市场。结果，资本大量涌入全栈式无人出租车项目。每个项目都聘请了自己的工程师，组建了自己的车队，并重建了大致相同的内部开发基础设施。
在不同大型自主驾驶项目之间流动的工程师会遇到一个有趣的怪现象。他们离开时放弃了之前用来开发和测试自主系统的工具，到了新公司后又开始重新构建这些工具。这个行业对自主驾驶充满信心，但几乎没有共享的最佳实践来生产它。
Applied Intuition 提出将这些最佳实践变成一家公司。
这是一个少数派观点，也不是参与一个日益流行的市场的常规方式。大型 L4 自主驾驶开发者认为他们不需要外部的工具供应商。Applied Intuition 仍然试图向他们销售。像 Cruise 这样的知名自动驾驶项目拒绝了。也许这在当时是可以理解的：他们不会等待 Applied Intuition 这样的初创公司来构建他们自己的工程师已经打算内部构建的工具。
那个时代许多知名的全栈项目已经不复存在。例如，Cruise 被通用汽车收购，随后在一次安全事件后关闭。与此同时，Applied Intuition 比它们中的大多数都活得更久（并且表现更优）。
Applied Intuition 的创始演示文稿中有一页叫做“我们相信的理念”。其中一个理念是，任何单一的自动驾驶汽车制造商都只能占据全球汽车市场的个位数份额，因为汽车行业的结构倾向于分散在多个制造商之间。
如果一家垂直整合的公司占据了汽车市场，那么合理的策略就是成为（并投资于）那家公司。但如果这不是一个赢家通吃的市场，那么剩下的百分之九十多的汽车将通过现有的汽车行业获得智能。这些制造商无法各自复制现代软件栈的每一层。必须有一个独立的供应商来提供通用基础设施。
Qasar 和 Applied Intuition 的 CTO 兼另一位联合创始人 Peter Ludwig 押注的是扩散而非集中。自主驾驶的未来不仅会通过新进入者取代现有企业来实现，而且还会因为现有企业能够变成技术不同的公司。Applied Intuition 将为他们提供实现这一目标的手段。
Qasar 和 Peter 带来了来自通用汽车、Google 和 Y Combinator 的经验，具备技术深度和异乎寻常的耐心，来从事构建安全关键系统的缓慢而精确的工作。在大型 L4 公司最初拒绝成为客户后，Applied Intuition 向湾区较小的自主驾驶团队销售，包括 Voyage 及其同期的团队。他们开发的产品紧随客户工作的需求：首先是用于规划的模拟器，然后是用于感知的模拟器，最后是用于管理数据和执行数百万次模拟的底层设施。
与物理现实相关的确定性模拟听起来可能是一个不吸引人的产品类别。但实际上，它给行业提供了一个共同的基准，用于确定自主系统是否工作，而无需将车辆上路并在生产环境中测试。模拟器将道路事件转化为可重复的测试，然后可以在现实中实现。
市场结构后来反映了 Applied 的“我们相信的理念”幻灯片中关于单一制造商论点的一面。这在事前并不明显，但事后看来是合理的。汽车不是纯粹的软件产品。它是一个受监管、资本密集型的物理系统，通过根深蒂固的分销网络销售。软件可以重新组织价值在哪里积累以及哪些能力重要。但它本身无法将这种工业复杂性扁平化为单一制造商。
在晴朗的日子里，你可以看到通用汽车
大约在 2018 年和 2019 年，通用汽车发布了一份关于开发工具的正式招标。有 28 家公司竞标，包括 NVIDIA 和 Ansys。Applied Intuition 当时还是一家小初创公司，而通用汽车有采购流程和无数的选择，都在争夺被选中。Applied 的产品在规格上表现更好，这就是他们中标的原因。
通用汽车的奖项将 Applied 从硅谷自主驾驶初创公司中的一个小角色，转变为传统制造商眼中的合法供应商。这个剧本变得可重复：先从技术上激进的小公司开始，然后利用由此产生的产品和证据来服务于工业规模的现有企业。
成立大约 18 个月后，Applied Intuition 进入了国防工业。公司聘请了了解该领域内部的人员，然后将汽车领域的模拟、数据、集成和验证模式应用于国防系统。接着是建筑和采矿，然后是商业卡车运输。
一家普通的软件公司通常通过改变销售演示文稿中的一些名词来进入新的垂直领域。Applied 则是通过聘请每个领域本土的团队，并围绕客户、采购系统和安全案例的约束重新构建产品来进入的。与此同时，产品在技术阶梯上不断上升。
底层包括模拟和数据基础设施：生成场景、收集机器数据、重现事件和评估行为。在其之上是物理机器的操作系统：调度、中间件、内存管理、通信和功能安全。这些是操作系统，负责管理机器本身，而不是机器上显示的应用集合。再往上就是智能本身：世界模型和规划系统，部署在陆地、空中和海上的机器上。
到 2024 年和 2025 年，结果可以从外部衡量。Applied Intuition 以 150 亿美元的估值完成了一轮融资。到 2025 年，全球前 20 大非中国汽车制造商中有 18 家是其客户。使用 Applied Intuition 技术的 L4 卡车在日本实现了无人驾驶。公司在美国陆军有部署，并且在美国海军军舰上运行着操作系统，同时在采矿、建筑、农业和卡车运输领域有生产工作。此外，对于许多硅谷初创公司来说异常的是，Applied Intuition 在很大程度上保留了从投资者那里筹集的主要资金（接近 10 亿美元），同时连续多年在大规模下实现了近两倍的收入增长。
到那时，最初的问题已经改变。2017 年，行业想知道自主智能何时才能足够强大。到 2020 年代中期，得益于 Transformer 模型日益复杂，模型能力到来的速度比大型组织部署它的速度更快。
这就是为什么工具公司可以成为平台公司。工具从解决一个有限的任务开始。如果它成功了，它就成为了执行许多任务的通用接口。它积累了集成、测试用例、工作流和组织记忆，最终它不再是生产系统的附属品，而是生产发生的环境。
网络浏览器提供了一个历史上的类比。它并没有“创造”底层的互联网，但它确实让互联网对绝大多数非技术爱好者来说变得可用，数万亿美元的经济活动转向了这种访问所允许他们构建和做的事情。Applied Intuition 从模拟器到数据基础设施再到操作系统的演进，遵循了其客户已经在做的工作。随着越来越多的工作转移到 Applied 的产品中，该软件成为了这些公司构建机器的一部分，而不仅仅是用于开发某个阶段的工具。
Dana
今天，Applied Intuition 推出了 Dana。
九年来，Applied Intuition 一直在构建用于开发智能机器的技术。Dana 为这个积累的系统提供了一个 Agent 接口。工程师可以从一个需求开始，将其连接到相关代码，通过模拟和定义的评估运行变更，将其移动到测试台或硬件在环系统，最终为物理机器进行阶段准备。之前，这些工作的大部分需要工程师手动在专门工具之间传递结果。Dana 可以协调路径，同时保留系统如何变化以及为什么变化的记录。
这恰逢自主驾驶背后的技术方法正在改变。在自主驾驶行业的大部分历史中，进步以模仿学习的形式出现：收集足够多的记录的人类驾驶数据，并训练模型去复制它。前沿已经转向了封闭开发循环中的端到端强化学习。系统遇到问题，团队找到或生成更多该情况的例子，模型再次训练，然后重新运行相同的场景，看看其行为是否改善。Applied 已经拥有运行该循环所需的模拟、合成数据、评估和部署系统。Dana 赋予了 Agent 在操作它中的角色。
物理经济历来对软件保持抵制，原因似乎难以解决。这些行业有很长的硬件周期和大量的物理世界考虑。这些都是普通的工程问题，直到机器重达数吨并在人附近移动，有人受伤。那时，从规格到部署决策的每一个环节都必须经受住审查。
自主机器面临着一个不寻常的举证责任。制造商可能认为模型表现良好，但仍然无法发货，直到监管机构能够理解该结论是如何得出的。Dana 就是围绕这一点构建的。它的实用性既取决于可追溯性和评估，也取决于它生成代码或运行工作流的速度。
与此同时，经济正在发生变化。智能正沿着一条陡峭的价格曲线下降。自主层本身将趋向于丰富，并且在许多情况下，趋向于可忽略的边际价格。
一家机器人制造商只能销售它自己制造的机器。Dana 可以用于升级那些预计还要再服役二十年的设备，以及开发新机器，其形状不再受需要容纳人类驾驶员的限制。换句话说，Dana 是我们获得十亿台智能机器的一种方式。
多年来，自主系统受到模型本身的限制。这个约束已经缓解。剩下的工作在于试图部署它们的制造商和运营商内部，形式是使模型适应实际硬件，并在系统远离研究实验室运行后支持它。市场已经准备好使用 AI 于物理世界，但大多数公司无法负担组建一个千人规模的自主驾驶组织来实现这一点。
Applied Intuition 花了九年时间学习智能如何在硬件和物理世界中生存。Dana 将这种知识交给了任何试图让机器自主移动的人。
