[鸭哥 AI 手记] 2026-04-13

> 理解物理的机器人输给了不理解物理的，穷尽功能的平台输给了只做内核的。这三件事有同一个判断：当系统够复杂，放弃压缩比精心建模更有效。

懒人包：鸭哥昨天发了三篇长文。第一篇讲机器人：VLA 不懂牛顿定律，却在操控任务上打败了三十年物理建模积累，关键变量是系统复杂度和数据丰度的交叉。第二篇讲 Shopify 把后台全开放给 AI agent，验证了半年前提出的生成内核框架。第三篇讲 Meta 的 Neural Computer，暴露了端到端学习最硬的天花板：学外观容易，学逻辑难。三篇指向同一个问题：什么时候该停止"先理解再动手"，转而搭好基础设施让数据和 AI 自己来。

不懂物理的机器人，为什么赢了懂物理的

鸭哥昨天写了一篇关于机器人控制两条路线的长文，核心判断可以压缩成一句话：物理建模是压缩，VLA 是放弃压缩，当数据和算力越过某个阈值，不压缩的上限更高。

这不是理论推导。Physical Intelligence 的 π₀ 用 3B 参数的视觉语言模型直接预测关节角度，能折叠衣物和组装物品，现在已经开源，用 OpenPI 框架只需一小时真实演示数据就能微调适配新任务（Physical Intelligence）。Figure AI 的 Helix 走闭源路线，直接部署在 BMW 工厂的制造线上（Figure AI）。Boston Dynamics 的 Spot 换成 RL 控制后跑出了 5.2m/s，是原始 MPC 控制器的三倍多（arXiv）。

物理路线自身的演化方向也在印证这个判断。2019 年 ETH 用神经网络替代手工建模的执行器模型，2022 年 Isaac Gym 让大规模 RL 训练成为可能，2024 年 Boston Dynamics 正式在 Spot 上引入 RL。越来越多的组件从手工建模切换到数据学习，物理模型的角色正在从"控制器本身"降级为"训练环境的基础设施"。

群里引证提到"今年很多科技巨头开始下场给具身智能搞数据了"。数据正好是这件事成立的前提条件。机器人训练数据的成本从 2024 年到现在下降了约 60%，目前标准化遥操作数据大约 118 美元一小时（SVRC State of Robotics 2026）。Universal Robots 和 Scale AI 在 3 月联合发布了标准化的模仿学习数据采集系统，目标是打通从实验室到工厂的数据管线（Yahoo Finance）。

鸭哥给出的判断框架有两个维度：系统复杂度（人工建模能压缩多少信息而不丢关键维度）和数据丰度（有多少数据填满状态空间）。火箭发射，复杂度低数据少，物理建模仍然是最优解。厨房操控，复杂度高数据可批量采集，VLA 是自然选择。Tesla FSD v12 是另一个验证：2023 年底把 30 万行 C++ 规则引擎替换成端到端神经网络，条件恰好也是高复杂度（城市驾驶）加高数据丰度（几百万辆车在路上跑）。

这个框架不止适用于机器人和自动驾驶。天气预报、药物发现、芯片设计都在经历相同的替代：NVIDIA GTC 2026 上展示的 AI 加速 CFD，Aardvark Weather 的纯 ML 天气预测，BioNeMo 在药物发现中替代分子物理管线，做的都是在各自领域放弃手工建模（NVIDIA GTC）。深度学习在 NLP 和计算机视觉上已经完成了同一个替代。机器人控制是最新的验证，但不会是最后一个。

---

Shopify 不做功能了，它做的是让 AI 替你做功能

同一天鸭哥写了另一篇关于 Shopify 的分析，切入点是 Shopify 把整个后台的读写权限开放给所有 AI agent。在一个展示案例里，商家说了一句"帮我优化所有产品的 SEO"，Claude 自动更新了 32 条商品。鸭哥在群里分享这篇文章时说："我们在半年前提了一个 generative kernel 的框架，现在业界似乎也逐渐开始接受这个想法了。"

生成内核的意思是：不再试图穷尽用户的所有需求去开发功能，而是交付三样东西。第一是 AI 替代不了的核心能力（支付、物流、库存）。第二是给 AI 看的知识系统（设计哲学、最佳实践、安全约束）。第三是把高摩擦操作变成单步调用的杠杆工具。这和上面机器人的故事是同一个选择：Shopify 放弃了"我来压缩用户需求"，转而搭好基础设施让 AI 去生成具体的解决方案。

数据在验证这个方向。Shopify 商家调查显示约 75% 已经在使用 AI 工具，69% 用于内容生成（产品描述、邮件、广告），AI 驱动的订单量同比增长 15 倍（Shopify Blog）。Shopify 总裁 Harley Finkelstein 3 月 16 日公开说 AI agent 将成为电商的"新前门"（agenticplug.ai）。

对比昨天写的微软 Copilot 在 4.5 亿 M365 用户中只有 3.3% 付费渗透率，Shopify 75% 的 AI 使用率形成了强烈反差。差别在于策略选择：微软试图在旧产品架构上叠加 AI 功能（压缩），Shopify 直接把 AI 当成操作商店的第一入口（放弃压缩）。Salesforce 选择自己养 AI agent，WooCommerce 选择被动适配，Shopify 走了第三条路：自己不做 AI，把舞台搭好让所有 AI 来运作。

这两个领域的共同逻辑值得提炼。机器人控制中，物理方程压缩的天花板由人的建模能力决定。软件平台中，产品功能压缩的天花板由团队对用户需求的想象力决定。两者的共同点是：当系统复杂度超过任何单一团队的建模能力，正确的策略是退回到内核，把组合留给数据和 AI。

但放弃压缩也有天花板。鸭哥的第三篇文章分析了 Meta 的 Neural Computer：用视频模型端到端地模拟终端和 GUI，视觉渲染达到 PSNR 40.8dB（人眼几乎分辨不出差异），但两位数加法几乎全错。群里郝小贱看完论文说"Meta 这个新论文要模型吃掉 CLI"，LangSensei 贴了完整总结。从 Pac-Man 到 DOOM 到 Minecraft 到 Ubuntu 桌面，每一步都撞上同一堵墙：学会外观比学会逻辑容易得多。110 小时脚本化数据的训练效果超过 1400 小时随机录屏，数据质量远比数量重要（MarkTechPost）。

这划出了端到端学习当前的硬边界：在需要符号精确匹配的任务上，视频模型的训练目标和任务需求根本不兼容。放弃压缩有效的前提是任务可以从统计规律中涌现，而不是要求形式化的逻辑推理。知道什么时候该放弃压缩，和知道什么时候不该放弃压缩，是同一个判断能力的两面。

---

也值得知道

Claude 全线 500 错误持续约一小时：4 月 13 日 UTC 21:00 左右，Claude Code、claude.ai 和 API 同时出现间歇性 500 错误，群里多人报告被强制登出。Anthropic 确认为重大故障，约 21:24 UTC 修复。群友 CopyCat："原来是又发布屎山代码了。"（Cyber Security News，The Register）

OpenAI 发布 AI 政策提案：呼吁新的产业政策、税收改革和社会安全网来应对 AI 驱动的就业冲击。原话："我们正在进入一个将从根本上重塑工作、知识和生产的新阶段。"同日 Sam Altman 发文回应 New Yorker 的批评文章。（AOL Finance）

群里 Claude Code 成本讨论仍在继续：弓长张说中转 API 没缓存"跑三个中大任务直接 50 刀没了"，鸭哥说自己用完 5 小时配额后 extra usage 一下干掉快 100 美元。宝玉发现有 app 在后台偷偷调用 claude -p 总结文档，完全无感知。Excellent 的解法是 5 个 Max 账号轮换加 Ubuntu 多开。

---

本期素材来自 AI Builder Space 社群讨论与公开 AI 行业信息的交叉验证。

本文由AI综合领域调研和微信群聊自动生成。请注意甄别幻觉。

订阅本 newsletter：yage-ai.kit.com