我们正站在AI硬件爆发潮的起点

摘要

Caitlin Kalinowski 是硬件领域少数横跨苹果、Meta、OpenAI 三家顶尖公司的人物。她曾是初代 MacBook Pro 的散热负责人，在 Meta 领导了史上销量最高的 VR 头显 Quest 2 的开发，又在 OpenAI 帮助从零搭建机器人团队。在这期播客中，她系统性地分享了对硬件产品设计、供应链安全、人形机器人、AI 对工程领域的影响等核心议题的深刻洞察。

Kalinowski 认为，AI 在纯数字世界的加速终将趋于饱和，下一个前沿必然是物理世界——机器人、制造、工业化。但硬件与软件有着根本性的不同：硬件只能"编译"四到五次，一旦量产就无法像软件一样远程更新。她详细剖析了供应链的脆弱性——从稀土磁铁到执行器（actuator），美国在过去 25 年将这些能力大量外迁至亚洲，而今在地缘政治变局下必须重新工业化。她还分享了对人形机器人的冷静判断、从乔布斯和扎克伯格那里学到的领导哲学，以及她为何因 OpenAI 与军方合作缺乏透明度而选择离开。对于正在涌入硬件领域的创业者，她给出了四条核心原则：尽早锁定目标、从最难的部分开始设计、在用户接触最多的部件上投入最多迭代、永远不要等待——因为硬件领域真的没有多余的时间。

正文

一、从 VR 到物理 AI：一场技术演化的漫长弧线

VR（虚拟现实）在过去十年吸引了海量资金与人才投入。Meta 曾为此花费上百亿美元，甚至改名为 Meta，全力押注元宇宙。苹果也推出了 Vision Pro。但如今，这两家公司都在收缩阵脚——VR 并未像预期那样成为下一代计算平台。

Kalinowski 对此有着坦诚的分析。她并不否认 VR 在消费者端的遇冷。"我本以为它会很大的，否则我也不会去 Oculus 工作。"她认为，一个关键障碍是社交属性——"把东西挡在脸前面"很难让人保持社交连接，而这正是人类作为社交动物的基本需求。Google Glass 早已证明了这一点。

但她提供了一个更宏大的视角：VR 积累的技术能力并没有被浪费，而是正在迁徙到新的战场。在 VR 研发过程中，业界攻克了 SLAM 算法（Simultaneous Localization and Mapping，即时定位与地图构建）——利用摄像头在空间中定位；深入理解了深度传感器应用；搞清了人类如何感知空间中的视觉数据。如今，"所有这些技术正在被用于机器人领域——因为你需要理解机器人如何在空间中移动，它离每个物体有多远。如果你戴着 VR 头显操控机器人，这完全是一样的技术。"

在她看来，VR 是技术演化长弧中的一个台阶。这条技术谱系从 VR 延伸至 AR（增强现实），再到她所称的"物理 AI"——包括自动驾驶汽车、无人机、机器人、自主系统、制造业。"所有这些技术都需要同样的零部件，我们在 AR/VR 领域构建的那些东西。"

二、AR 眼镜：一个尚待量产的未来

对于 AR 眼镜，Kalinowski 保持着谨慎的乐观。她在 Meta 参与研发的 Orion AR 眼镜原型机，配备 70 度视场角的双目显示，使用波导（waveguide）和 MicroLED 技术。当她戴上这副眼镜时，体验是决定性的——"你突然会想，哦，我沉浸其中了，视场角足够宽，我沉浸进去了。这很清楚，我认为这就是未来的一部分。"

但量产之路依然漫长。波导和 MicroLED 的良率还远未达到大规模制造的要求，成本依然高企。Kalinowski 认为，AR 眼镜在解决几个核心问题后会变得可行：如何设计出"平时关闭、需要时开启"的屏幕体验；如何在移动中、在公共场所安静无声地与眼镜进行交互输入；以及如何让用户在获取信息的同时保持与他人的社交连接。

三、为什么硬件这么难？

当越来越多的 AI 实验室和软件公司开始组建硬件团队时，他们很快发现了硬件的残酷本质。Kalinowski 用了一个精妙的类比来阐释软件与硬件的根本差异：

"计算机科学的人写代码，然后编译、运行、调试。他们可以每天编译，甚至每小时编译。但在硬件领域，我们只能'编译代码'四到五次——一共。"

她指的是整个开发周期：从 CAD 重新设计，到每次关键构建（build），再到最终的"编译"——即量产版本的发布。"一旦你发布了量产版本，就完了。你不能像软件一样通过网络推送更新。"这意味着硬件开发必须走一条更保守的路线。所有的可靠性检查和测试必须在开发流程中同步完成。最终发布之后，你只有一种替代方案：两年后推出一个全新的产品来替换它。

另一个软件工程师难以想象的挑战是零件公差（part variance）。任何销量数百万的硬件产品，如果把所有配合零件放在一张图上，你会看到一条公差曲线，分布在正负三个标准差甚至更宽的范围。"所以你会遇到最小的零件配最大的零件，你必须让它们全部都能配合。"硬件工程的关键是"解决最后那半个百分点"，确保量产良率、控制退货率、实现盈利。

四、为什么现在所有人都在涌入硬件和机器人？

Kalinowski 观察到，旧金山的 AI 圈子里正在形成一种共识："在键盘后面用 AI 能做的事情正在接近饱和。我不知道什么时候会饱和，也没有人知道，但当那一天到来时，下一个前沿就是物理世界。"

各大实验室、科技巨头和创业公司同时意识到：AI 已经能做出快速解决数字世界问题的复杂系统，而且它们只会越来越强大、越来越全面。如果把数字领域看成一个有终点的隧道，"你可以看到那个隧道的尽头。" 当这一天到来，下一个前沿将是机器人、制造业、工业化——物理世界的感知层、移动物体的能力，最终甚至延伸到太空。

有趣的是，Kalinowski 指出硬件行业本身对这个突如其来的关注感到"非常奇怪"。"硬件从来不是一个性感的职业。你进入这个领域只是因为你热爱它。薪酬从来比不上其他职业。除了苹果这个明显的例外，硬件几乎不曾处于大家讨论的中心。"

五、人形机器人：狂热与现实的差距

人形机器人正处在一波热潮之中——特斯拉的 Optimus、Figure、1X 的 NEO 等公司都在全力推进。但 Kalinowski 给出了几个冷静的判断。

首先是安全性。她担忧大型强力人形机器人在人类身边工作的安全隐患。"你必须积累足够的数据来证明它是安全的。" 她称赞 1X NEO 的设计——将质量向内侧收拢、使机械臂更柔软，这些设计降低了碰撞时的冲击力。她解释道，你需要同时考虑机械臂运动的能量和执行器（actuator，即电机——将电能转化为运动的装置）旋转的能量，而如果机械臂是可压缩的软性材料，冲量（impulse）就会降低。

其次是成熟度。"在我眼里，人形机器人仍然处于高级原型阶段。" 中国市场上已经有能做各种动作的机器人，但"如果你看说明书，上面写着'人类不得靠近此机器三英尺以内'。你现在几乎看不到任何足够强壮去做有意义工作、同时没有这种警告的机器人。"

第三是规模化挑战。即便有了一款设计良好的产品，还需要解决可靠性问题——让它能日复一日地持续运行，不需要大量人工干预或维修。然后是更根本的供应链问题：机器人的每一个零件都来自于某个地方，"这些零件中很多可能变得越来越受限或难以制造。在美国本土组装机器人的子组件和关键部件可能更加困难。"

Kalinowski 对"人类机器人形"的狂热持保留态度。她听到很多人说"我想要一个通用的机器人外形来做所有事情"，但她认为不同类型的任务需要不同类型的机器人。在螺丝装配线上，你需要的是专门设计来做这件事的专用机器人，而非一个仿人形机器。事实上，在中国最顶尖的一级供应商工厂里，产线上已经没有太多人类工人了——"整个印刷电路板产线几乎没有人类了。除非出问题，否则不会有人跑过去修东西。" 过去一条产线可能需要两百人，现在可能只有十人。她已经超越了"用机器人替代人"的阶段，她认为未来会有建筑机器人、电气工作机器人、低批量装配机器人、物流机器人——"它们大多数看起来会完全不一样。"

六、供应链：从磁铁到国家安全的系统性恐慌

Kalinowski 对供应链安全有着穿透性的思考。她从最基础的材料层面拆解问题：磁铁。

在电机中，磁铁排列成极性交替的环，中间有转子，通过交流电驱动转子旋转——这就是执行器的核心原理。但供应链的现实是，"在过去的 25 年里，从原材料到加工、到集成进执行器、到将执行器集成进机器人——供应链的每一层基本上都被外包给了中国、日本、韩国。" 她坦诚，"我本人就参与过将工程知识转移到亚洲的过程。"

亚洲长期积累的优势是规模制造能力和低成本量产。但现在全球格局正在剧变——新冠疫情、战争都暴露出这种依赖的脆弱性。Kalinowski 直言不讳地谈到了安全问题："从军事安全的角度，我确实认为我们需要大幅重新工业化这个国家。你真的不知道未来会发生什么。今天你的盟友，将来未必还是。所谓西方联盟正在经历大量地缘政治变化。" 她希望美国重新学会规模化制造、原材料处理和独立性，"这样当下一次疫情或别的什么事发生时，我们不会陷入困境，不会无力自保。"

她特别回应了 Palmer Luckey（Oculus 创始人，现 Anduril 军工企业创始人）的观点："我们应该在无人机上投入远多于航空母舰——这是旧的思维方式。AI 正在改变一切，军事技术变化的速度难以置信。看看乌克兰，无人机每天都在快速迭代，用 3D 打印进行更新。不幸的是，这就是未来战争的走向。" 她从成本角度补充道："你得算这笔账：对手发射一枚导弹的成本是多少，我们拦截它的成本是多少……从算账的角度，我们现在是输的。"

当被问及是否乐观时，她回答："美国非常擅长解决这类问题。我们有开拓精神、独立的底色和优秀的工程文化。但我们需要行动起来。"

七、内存价格风暴：硬件行业的"陨石冲击"

一个正在逼近所有消费电子和机器人公司的现实威胁是内存价格。Kalinowski 被告知 Matic 创始人将其称为"一颗名为内存价格的陨石正砸向消费硬件、机器人和物理 AI"。

"我们这个行业有麻烦了。" Kalinowski 坦言。她已在建议创业公司提前购买内存、储备足够量来渡过价格高峰。经验来自于疫情期间的供应链断裂——当时她所在的公司就不得不提前买入内存。

价格上涨的驱动力很可能是 AI 数据中心对内存的吞噬。"数据中心不像消费电子公司那么对成本敏感——他们可以直接支付更高的价格。" 部分芯片或内存的断供意味着灾难性的重新设计：你需要重新设计整个产品的内部骨架、找到替代物料、确保新的供应链、重新上线测试、重新做可靠性验证——"这不是小事，所以我们非常在乎。"

她给出了一个清晰的零件重要性层级："在消费电子领域，我们通常从芯片和屏幕开始——它们是交付周期最长的东西。在机器人领域，执行器非常难搞到，即使只是做原型，有时也要等一两个月才能买到一个执行器。"

这正是马斯克选择垂直整合的逻辑——特斯拉和 Starlink 都是"芯片进去、产品出来"的典范。"如果你已经垂直整合了大量组件在公司内部制造，你就能更好地应对供应链冲击。当芯片缺货时，他能在极短时间内重新设计 PCB 并适配新芯片——这对拥有传统供应链的公司来说将是灾难性的。"

八、苹果时代教会她的四件事

Kalinowski 的职业生涯起步于苹果，她称之为"硬件工程师最好的训练场"。她在 2007 年至 2012 年底任职，正好经历了苹果最传奇的产品爆发期。她是初代 MacBook Pro 的散热负责人，后来领导 MacBook Air 和圆柱形 Mac Pro 的后续迭代。

她认为苹果之所以成为硬件领域的标杆，首要原因是硬件在苹果是"一等公民"。"在很多公司，硬件不在核心产品开发对话的核心位置。苹果是个例外。"

但更深层的东西是理解"为什么我们要这样做"的第一性原理（first principles），然后让每一个设计决策服务于那个目标。她引用了苹果高管 John Ternus 讲过的一个故事：乔布斯称赞一位橱柜匠人——他甚至把橱柜的背面也处理得很完美。"这在苹果非常深入人心——设备内部的每一个设计决策都被认真对待。这不只是审美的考量。它实际上迫使工程、工业设计、运营团队去思考：'我们真正在做什么？这个零件、这个组件、这个消费产品最核心的东西是什么？真正重要的是什么？'"

这种近乎偏执的方法论带来的结果是：真正重要的东西会浮现出来，最终看起来非常简单。她提到同龄人中很多人如今在行业内担任关键职位，"我把它归功于苹果在训练人们思考复杂关联决策和风险方面是多么出色。"

从苹果到 Oculus 的转型则展现出另一种维度的学习。Oculus 是一个黑客精神的硬件创业公司——创始人是从论坛上认识的、把 PlayStation 改装成背包的一群人。被 Meta 收购后，Kalinowski 面对的挑战是将这种"快速迭代"的 DNA 专业化："提高良率、提升产能、降低成本"——在初代 Rift 上全部实现。

她从中提炼出几条对任何开始做硬件的人至关重要的原则：

第一条：尽早定义目标并坚守不移。 硬件的适应性远不如数字产品。如果你设定了 300 美元的目标价格，做到一半突然要改成 150 美元，"你几乎浪费了前期的大部分时间。" 她建议预先写下 KPI（关键绩效指标），尽可能少地更改它们。"如果你做好了这件事，你就知道能不能发货，你就知道你什么时候完成。"

第二条：从最难的部分开始设计，而不是你熟悉的部分。 人们倾向于先做自己知道怎么做的部分。但最好的架构师会寻找"卡脖子点"——可能失败的地方——然后率先投入详细设计。她举了一个例子：某款笔记本电脑需要让线缆穿过转轴。"因为无法确定线缆能否装得进去，架构师从那里开始，分析直径、如何分流线缆，确认它们能装进去之后才最终确定转轴设计。"

第三条：在用户接触最多的部件上投入最多的迭代。 比如在电脑中，用户接触最多的是触控板和键盘。"这些东西必须非常好用，触感要好，响应要准确，要高度可靠。" 而外围部件不需要那么多迭代。你必须将迭代资源倾斜到这些高频接触点上。

第四条：永远不要等待。 她从苹果的 Shelly Goldberg 和 Kate Bergeron 那里学到的经验是——"你现在就需要做。任何你现在就知道需要做的事，你都应该立刻去做。因为两天之后，一定会有意外从某个角落冒出来，而你需要那段时间来修复它。" 她称之为一种"无情的效率"。"不是说你不知道会发生什么，而是在硬件领域，你真的没有更多时间。"

九、AI 正在如何改变硬件工程？

对于硬件工程领域，AI 的影响才刚刚开始，但已经呈现出鲜明的分野。

目前的 AI（包括 Claude）可以生成看起来像 CAD 的表面或点云数据，但这并非真正的 CAD。"真正的 CAD 是密集的实体——它有形状、有曲面方程、是一个在 CAD 中设计的实体。我们现在还没有到 AI 能做真正 CAD 的阶段。" 如果 AI 能做到，这将是她所在领域有史以来最大的变革之一。

但在另一个方向——PCB（印刷电路板）布线——AI 已经在展示出强大的潜力。AI 能够对 PCB 内部多层复杂走线进行自动布线，甚至开始能做基本的组件选型和布局。这正在变得可行。

Kalinowski 目前使用 AI 的方式更多是"高层规划"：用 AI 建立竞争对手数据库、快速处理 Excel（"Excel 是工程师最喜欢使用的工具之一"），这些看似不性感的应用，实际上从设计流程的另一端大幅提升了速度。

但她指出了根本性的瓶颈：现有的大语言模型（LLM）本质上是"文字猜测器"，而那些视频模型也不具备她真正需要的能力。"你把一张纸折四次，它不知道打开后洞在什么位置。这些模型不理解摩擦力、重量、接触压强、表面纹理。而这正是我们工程领域需要理解的基础东西。"

这引出了她对"世界模型"（world models）的期待——这种模型可能具有理解物理世界的能力，从而成为 CAD 和物理工程工作的基础。"我想要硬件工程领域的 Codex。" 她认为，当前正在构建的模型将是解决方案的一部分，但不是全部。

一个更深层的问题是训练数据。3D CAD 数据是任何硬件公司最宝贵的知识产权。"三星或者 Matic 不会愿意把它们的 3D CAD 数据给模型厂商。" 她因此推测，AI 驱动的硬件设计可能首先从爱好者社区（hobbyist）起步——这些人不那么在意 CAD 数据的私密性，"他们只是想做出点东西，想做得更快。"

从长远看，她设想了一种"本地化部署"的方案：将 AI 系统放到公司自己的数据中心里，用其专属数据进行训练——"你需要一个已经有了大量 CAD 数据的基础模型，然后想办法安全地放到公司的围墙里，让它们在自己的数据上进行训练。" 她认为这在长期来看是可行的。

十、让机器人不让人觉得毛骨悚然的设计哲学

当被问到"如何创造出让人感到亲近、有连接感的机器人"时，Kalinowski 引用了人机交互研究员 Leila Takayama 的研究。

她解释道，人类对进入空间的其他存在有着根深蒂固的社交期待——当有人走进房间时，你会有所反应：可能看一眼、点个头。这些是非语言的复杂线索。"如果你走进一个房间，机器人就像一块木头一样立在那里，那会让人毛骨悚然。"

对于家庭或工作环境中的机器人，Kalinowski 提出了一系列设计原则：设备应该看起来没有威胁性、显得柔软、对你做出反应；应该传递出一种"它知道你在那里、它在关注你、它是来帮你让工作更轻松的"的信号；最关键的一条是——机器人应该在实际动作之前先展示出它的意图。"如果机器人突然转向然后开始做一堆事，你会被吓到。但如果它先转头看一眼，然后再行动——这就没那么令人警觉了。"

她建议任何关注这个领域的人都去研究 Leila Takayama 的工作。"不一定是人形机器人，任何机器人都可以从中学到如何在社交语境中恰当地反应，以及如何用物理方式传递意图，这样就不会让人吓一跳。"

她还特别指出，皮克斯（Pixar）和迪士尼（Disney）虽然并未大量做物理实体产品，但在"展示情感、意图、亲近感和角色互动"方面堪称世界级——这正是机器人设计需要借鉴的方向。

十一、三个人，三条教训：乔布斯、扎克伯格、萨姆·奥尔特曼

Kalinowski 在苹果、Meta、OpenAI 与三位截然不同的传奇领袖共事过，她分别提取了最重要的观察：

萨姆·奥尔特曼（Sam Altman，OpenAI）——"为什么不更大？为什么不一百倍、一万倍？你想得太小了。" Kalinowski说，每次与他讨论重要事项，他都会把尺度推到令人不适的程度。她发现自己在某些维度上确实"想得太小"，而奥尔特曼是在用全球尺度思考。"有这样一个雄心勃勃的领导者给你推一把，是非常有帮助的。他愿意押注高量级——意味着触达大量人群。" 这让她领悟到一种"愿意投入、敢做大事"的思维模式。

史蒂夫·乔布斯（Steve Jobs，Apple）——"那条永不降低的品质标准。" 乔布斯为苹果设立的技术人才和卓越性的标杆从未动摇。Kalinowski 回忆起作为一名年轻而野心勃勃的工程师时，被告知"这个还不够好"是什么感觉。"这其实可以极度激励人。它击中你的方式和你想的不太一样。'嘿，这个需要更好，你需要在这上面花更多时间，你需要更深度地思考它'——你永远不想再听到第二次。所以它非常有驱动力。" 乔布斯在整个公司里播下了这种对品质的执念。

马克·扎克伯格（Mark Zuckerberg，Meta）——"极其干净、高效的决策机器。" Kalinowski 特别欣赏扎克伯格运营公司的技术层面：评审机制清晰，决策被推到公司最低层级以维持速度，硬件部门与公司的其他部分有着清晰的互动方式。"这就是我们要用的策略。我们要开这个评审会。我们要在这个会上做出决定。如果你能在不开会的情况下做出决定，你就直接做。这是这个项目的目标。" 她和 CTO Andrew Bosworth 一起向扎克伯格汇报时，他能够阅读长达 20 页的技术报告、理解其中的权衡、贡献技术讨论——"而那只是他的那一周中关于我的东西。他们一个月要这样做一百次。这非常令人印象深刻。"

十二、为什么离开 OpenAI？

Kalinowski 离开 OpenAI 的推文曾获得七百万次浏览。在这期播客中，她更详细地解释了背后的考量。

"我在执行层面的很多朋友依然在 OpenAI，我真心认为他们是好人。我对决策方式、决策速度、治理结构以及宣布国防部交易时缺乏明确边界的做法——我认为不应该那样做。这两件事可以同时成立。"

她不认为应该采取"要么跟着公司走，要么把一切烧干净"的极端立场。对她来说，还有第三条路。"OpenAI 是一家了不起的公司，我帮助搭建了那里的机器人项目，吸引了世界级的机器人人才。这是一群我很在乎的人。" 但你可以既在意朋友，又不同意他们的做法。"你也不知道下一次会怎样。我希望我的决定能让其他人更容易谈论他们的底线并坚守它。"

当被追问 OpenAI 的机器人项目细节时，她保持了职业操守——"我们工作的乐趣之一就是能在其他人之前看到那些东西，但反面是——我们不能谈论任何内部信息或知识产权。我只能说，那个团队非常强大，我很感激有机会帮忙。"

十三、在 AI 时代如何组建一支"做新东西"的团队

Kalinowski 在组建硬件团队方面积累了大量的"回合数"。当你要做从零到一的新东西——比如新型机器人——"你不能指望招来的人全都做过完全一样的事情，因为这件事根本不存在。"

她的选人策略有几个维度：

强通才（generalist）。 "我寻找那些能把在其他领域学到的东西适应到新领域的强通才。" 自动驾驶是很好的平行人才库——那里有感知栈（sensing stack）、安全权衡、核心工程能力。当然也需要能从头设计机器人的硬核机器人专家——这些人往往是"混合型"人才。

年轻的 AI 原生代（AI native）。 "真正把 AI 深度融入工程流程的人，大概在 20 到 28 岁之间。很难找到一个三十几岁、真正完全AI原生的人。我们需要这些人来教我们如何思考。" 她观察到这些年轻人的问题解决方式与"数字原生代"（digital native）完全不同——他们从底层就用 AI 处理一切，速度更快。"我们这代人第一次接触数据库是在大学，第一次接触手机——这给了我们创造新技术的爆发力。但我们必须接受，对于这些新技术，我们不再是原生的。你真的需要那些饥渴、兴奋、想学习的人。"

使命对齐。 尤其是在 AI 研究员和硬件工程师这两个来自完全不同世界的人群之间，"如果全员对使命是一致的，就非常有帮助"。否则会出现大量误解和沟通成本。

直觉判断。 在所有客观条件都满足的情况下，Kalinowski 最终依赖的是对"火花"的直觉——"他们被学习和卓越驱动，他们渴望从身边的人身上学习，他们愿意基于新信息更新自己的观点，并且他们想赢。这些是建团队时真正重要的东西。"

她也不认为初级岗位会被 AI 消灭。"我们需要年轻人，非常需要。" 答案不是取代，而是团队可能稍微小一点——但你仍然必须同时拥有资深者和初级者。

十四、最后的思考：设计我们想要的未来

在访谈的最后，Kalinowski 表达了一种既务实又充满希望的态度。她承认这是一个让人担忧的时代——"对所有这些变化感到害怕是正常的，我自己也是这样"——但她选择拥抱的是另一面：个人能力的空前提升。"作为个体，我们能够做到的事情比以往任何时候都多。这些新工具、新工作方式令人害怕，但如果你拥抱它，每天都在使用这些 AI 工具，把它们用到你正在做的事情上，你就会站在下一个时代的前沿。"

她邀请所有人参与到一场"集体想象"中："这不是单人游戏，这是多人游戏。弄清楚我们想要什么样的未来，我们想要它看起来怎么样，我们想要人类在那个未来中扮演什么样的角色，我们想要为自己保留什么，我们想要如何增强自己。" 她认为，当前的文化蔓延着一种"反乌托邦"的叙事——一切看起来都很糟糕——"避免这种情况的方法，就是一起设计我们自己的未来：在小说的想象里，在文学里，在对话里，把那个画面画出来。然后去建造它。我认为这是可能的。"

闪电问答精选

• 推荐书籍：Gene Wolfe 的《新日之书》（Book of the New Sun）、弗吉尼亚·伍尔夫的《达洛维夫人》、希罗多德的《历史》（第一部历史著作，虽常有错误，却是通往不同时代世界的窗口）。
• 最近喜欢的影视：《亢奋》（Euphoria），"把它当成肥皂剧来看就很好玩"。
• 最近发现的喜爱产品：Vollebak 服装品牌——"他们把新材料科学做成衣服，是个很有趣味去跟进的品牌。"
• 生活信条：那个著名的"树枝分叉"图——无数分支在身后，无数分支在身前，但你只在此刻。"你很难不被困在过去或未来。但关键在于：你每天都能做出选择。你每天都能决定自己想做什么。过去你做了什么——不管你是后悔还是骄傲——都不重要。重要的是摆在你面前的事。"
• 趣事：她聘请了一位博士后作为私人导师，系统学习古希腊和罗马经典。起因是她发现了诗人布罗茨基（Joseph Brodsky）列出的"英文智识对话必读书单"——从《吉尔伽美什》到《旧约》一直到现代。"AI 在基础知识方面很有帮助，但要理解当时的文化语境和作品的意义，AI 还不够。" 这正是她坚持真人导师的深层原因。

本文基于 Lenny's Podcast 2026 年 5 月 17 日对 Caitlin Kalinowski 的访谈整理。Kalinowski 是前苹果硬件工程师、前 Meta 硬件负责人、前 OpenAI 机器人项目负责人。