人类将突破一级文明？

马斯克昨天发推称人类将跨越卡尔达肖夫一级文明门槛（完全掌控地球能源）

今天红杉资本就在一个放出的初创公司访谈中，描述了实现卡尔达肖夫二级文明的方法论

更重要的是，在此之前，亿万个能力快速进化的ai工程师将建设未来星舰，核聚变反应堆，火星城

过程中顺便淘汰人类工程师，以下是全文：

访谈记录：从数据中心到戴森球——P-1 AI硬件工程AGI的探索之路

采访者：
最近几年我一直在思考一个问题：为什么目前没有团队专注于为物理世界打造AI？毕竟，我们现在看到的软件工程领域有很多突破，但硬件工程似乎还没迎来大的变革。对此，您怎么看？

Paul Arnango（P1 AI CEO）：
这是个非常好的问题。说到底，关键在于训练数据的匮乏。举个例子，如果你想要一个AI工程师帮你设计或改进一架飞机，比如说，“如果我把A320机翼面积增加10%，会发生什么？”你就必须有成百万甚至千万级的飞机设计数据来训练模型，这样模型才有能力去回答这个问题。
我个人的背景是在DARPA做主管，35岁时成为空客最年轻的CTO。如今，我希望通过P1 AI，将我童年时的科幻梦想变为现实。我们的目标是打造一款适用于物理世界的工程级AGI。

采访者：
目前软件工程领域正在经历快速发展的“垂直起飞”，像AI辅助的24/7初级软件工程师即将成为现实。那么物理工程领域有什么样的进展呢？
Paul Arnango：
坦率地说，目前还没有太多。P1 AI成立的初衷之一，正是因为我们热爱硬科幻，但直到2025年，这个领域的AI应用依然没有大突破。我们分析了背后的原因，并找到了可能的解决方案，希望能尽快将这些技术推向市场。

我非常感谢Jeff成为我们的天使投资人。编码AI的出现其实已经期待了很久，我们相信这不会再需要十年或十五年时间。我们预计今年可以搭建起技术基础，并在明年找到产品与市场的匹配点。

采访者：
您刚才提到的“技术基础”具体包括哪些方面？哪些关键环节是必须要有的？
Paul Arnango：
回顾航空历史，自莱特兄弟以来，即使你能拥有所有飞机设计数据——其实不可能——且所有数据都是语义上统一和连贯的——实际上也不是——你也不过拥有大约一千个设计样本，这远远不够训练大型模型。

因此，我们的最基础技术就是在主流设计周围密集采样训练样本，同时在设计空间的边缘和角落稀疏采样。即使设计空间的某些区域不是理想方向，采样这些点能教给模型为什么这些设计不可行，这对于模型理解非常关键。
同时，我们还构建了一个大型语言模型（LLM）作为“指挥官”和推理器，并作为用户接口，协调模型运作。

采访者：
这听起来非常复杂。您能详细讲讲如何让模型具备基于物理的推理能力吗？这类推理能力现在是否已有设计软件实现？这些知识是如何被注入模型的？另外，供应链信息又是如何融入系统的？

Paul Arnango：
我们让系统根据设计需求提出多个解决方案，先进行第一性大小估计，判断答案的大致形态，同时分析涉及的物理现象。这里的物理现象包括多种物理属性——不仅仅是几何形状，还包括电学、热学、振动、电磁干扰等多物理因素，这些都会影响设计。
我们的首款产品叫“Archie”。“Archie”是智能代理的代号，我们聚焦认知自动化，并非尝试替代已有设计与仿真工具，而是让Archie能够像人类工程师一样熟练使用这些工具。

这些基本操作包括设计评估（判断设计性能）和设计合成（根据性能需求生成设计）。另外，我们采用图神经网络来构建基于物理的代理模型，能够高效模拟性能空间；还有几何推理模型，用于空间定位、包装和干涉判断，具备复杂空间推理能力。
在多物理推理方面，我们结合传统软件1.0方法和神经网络技术。例如，我们开发了“labbotomized LLM”，它不再擅长英语表达，但擅长用程序化方式表示多物理系统。

我们的预研demo以住宅冷却系统为例，涵盖流体流动、热力学、电气系统等多物理交互。我们致力于打造适用于物理系统工程AI的评估方法，已经准备发表名为“Archie IQ”的论文，将评估方法应用于人类工程师。

采访者：
在训练数据方面，您是如何规划的？住宅冷却系统是起点吗？未来的发展路线图是什么？

Paul Arnango：
是的，住宅冷却系统是我们的起点。数据中心冷却系统是工程瓶颈所在，现有的交付能力严重受限于工程师的带宽，尤其是半定制解决方案的供给。
我们的客户对此热情很高。当前系统大约包含1000个独特部件，且每年产品复杂度至少翻倍。

第二个垂直领域是工业系统，比如工厂里的物料搬运设备和工业机器人等。然后是移动领域，包括汽车、农业机械、采矿设备，最终进入航空航天和国防装备。
我们计划训练Archie达到入门级工程师水平，具备大学学历背景，但不熟悉某家公司的具体产品细节或深度流程，也不了解供应链细节。我们可以整合模型驱动工具、实际系统性能和质量反馈等现实世界数据，让Archie快速提升至中高级工程师水平。

采访者：
您提到的工程任务分层体系是什么样的？

Paul Arnango：
我们设计了一个金字塔型的任务体系：

底层是信息回忆，比如识别和记忆零部件，这是相对简单的任务；

中层是语义理解，比如理解某个零件的功能；

高层是设计评估，包括评估更改零件对性能的影响、工艺限制、替代方案及可能错误等。这些能力通常只由资深工程师和大型工业公司的技术专家掌握。
对我们来说，顶层的工程智能是对自身能力和局限的自我认知。

采访者：
对于更复杂的系统，比如零件数量极多的飞机，您认为挑战仅是计算规模，还是需要技术突破？
Paul Arnango：
我们认为不需要重大技术突破。挑战主要在于算力和训练数据的规模。目前的GPU推理算力还不足以处理百万级零件系统，尤其是训练数据集的构建非常复杂。

为此，我们开发了大量自动化和AI工具，帮助我们建立组件目录和模型。组件必须智能组装，不能像风暴扫过废料场那样随意拼装，而是要有规则地组合并仿真其性能，确保设计的可行性。

采访者：
作为前空客CTO，您如何看待客户视角和工程师工作流程？

Paul Arnango：
客户的工程师通常负责子系统或组件的设计，从需求中提炼关键设计驱动因素，提出解决方案，进行初步尺寸设计和详细分析。这个流程会在整个工程组织层层递归。

Archie的目标是成为团队成员，帮助复制和加速这一流程。
采访者：
推广新软件给大型企业像空客这样的公司是否困难？

Paul Arnango：
非常困难。工业生态系统中已有数百乃至上千种工程工具，它们通过复杂且不总是优雅的方式连接。新工具的引入常常遭遇摩擦。
但Archie的引入门槛低，不改变现有流程，相当于新增了一个低成本员工。它可能在某些任务上优于人类，在某些方面不及，但目标是作为有效的团队成员存在。

采访者：
为什么叫“Archie”？未来的应用场景是什么？
Paul Arnango：
“Archie”名字最初用于半定制产品定制领域，尤其是数据中心冷却设备的“特殊品”定制，满足具体客户的建筑规范和功能需求。
展望2030、2040年，全球将可能拥有数百万甚至数千万个Archie以及其他智能代理，实现物理世界的工程AGI。

采访者：
Archie是否能够促进团队间的协调？

Paul Arnango：
是的，我们设想Archie能在各团队间协调交流，甚至比人类工程师更高效，拥有自己的“行话”，极大提升工程组织效率。
采访者：
您提到的“戴森球”、“星舰”等未来愿景是什么？

Paul Arnango：
这些是我作为创始人的梦想，也是我们的北极星指引。但我们同时致力于打造务实、盈利的企业。
我们的合作伙伴Constantine提出“随机思维”（stochastic mindset）——物理世界充满随机性，人类工程师同样会犯错，不可避免地表现不稳定。

采访者：
您计划如何衡量Archie的表现？

Paul Arnango：
我们计划今年开展试点，量化Archie的错误率。如果错误率和人类工程师相当，意味着我们的系统达标。
采访者：
未来的工程团队会是什么样子？

Paul Arnango：
未来几年内，我们希望在每个工程团队部署Archie，使其占比达到10%。Archie承担重复且枯燥的工作，并带来团队间的协同增效。
采访者：
关于类人机器人，您怎么看？

Paul Arnango：
我们认为构建能够融入现有团队的智能代理很重要，类人机器人能更顺利地融入现实环境，尽管它们可能不是最优解。

我们对神经网络为何有效尚无完全理解，但我们用类神经元的方式构建系统，堆积大量神经元后出现了令人惊叹的涌现性质。
我们先从语言模型开始，爬取互联网海量数据，之后扩展到视频和图像，暂时未涉及触觉、味觉和听觉。触觉对空间感知尤为关键。

采访者：
最后，您个人最喜欢用的AI应用是什么？
Paul Arnango：
答案可能比较平凡，是ChatGPT和Cursor。但更令人兴奋的是，我们刚刚发布了一个短片，所有声音、视频和音乐完全由AI生成，利用了多种模型和生态系统拼接技术，效果非常震撼。

感谢您的邀请，很高兴分享我们的愿景。