790
7🎙️ 硅谷洞察局 EP15 | 你相信光吗？前 Waymo 激光雷达工程师聊光、芯片与 AI 的周期
一线洞察，深度思考。硅谷核心科技从业者，带你触摸 AI 变革深处。
---
📌 本期看点
CNBC 9 月 4 日报道，英伟达今年 3 月以来承诺投给光子和光学公司的钱，至少有 65 亿美元。AI 的瓶颈正在从「算得慢」变成「数据搬得慢」，硅光这个喊了十几年的方向，突然成了资本抢着下注的地方。
这期请到的是我的好朋友江芸珊 Cathy。她是 UCLA 电子工程博士，读博时在 Photonics Lab 做时间拉伸 LiDAR 和硅基光子学非线性效应，毕业后在 Waymo 做 LiDAR 工程师。今年年初她离职了，接下来会以 Founding Member 加入一个新的光子团队，做下一代数据中心的光互联。我自己是芯片薄膜工艺出身，一个做光，一个做过膜，聊起来有不少技术上的碰撞。
我们从「3 纳米到底是不是 3 纳米」聊起：光为什么在吃掉铜，光计算为什么每十几二十年就火一次，LiDAR 为什么越做越小、越做越便宜，还有 Anthropic 发布的新标准让 Claude 这样的 AI 可以操作实验仪器，这对硬件和科研意味着什么。中间还有两个故事：一次开错气体，意外带来一个材料突破；一片测试晶圆碎在机台里，差不多等于一辆入门款保时捷没了。
我最想推荐最后一个话题，经历过几轮行业周期的人，怎么判断哪些知识会一直有用。Cathy 说，你学过的知识多半都还有用。
---
💬 本期金句
"大家理解这个名字，更像理解 iPhone Pro Max：让你产生一个印象，芯片在不断变小，算力在不断增强。" 00:03:27
"有 AI 投资人说，他也不管这些大模型公司了，直接布局电力。任你是怎么样的 AI 出来，我就是给你发电的。" 00:08:19
"十几年前，大家就说硅光产业有一个 100 Billion 的大市场。但是甲方的订单，一直也没有来。" 00:10:46
"从原理上，和养猪场可能也没有特别大的区别。" 00:14:14
"这次的 AI 让我感觉有点不一样。我个人的体感是，它有点像个无底洞。" 00:14:30
"如果开头是「你相信光吗」，那我周围很多做光的小伙伴，没有那么相信光。越做光，越不相信光。" 00:15:57
"有很多技术突破，是大家 Make Mistake 做出来的。但我们现在做 AI 系统，其实不希望它犯错。" 00:22:42
"光计算一直是一个很 Fancy、很 Sexy 的话题，但从来没有一个大的量的实现过。" 00:26:01
"光芯片我是想做光互联芯片，我对光计算还是一个悲观态度。" 00:27:26
"仔细去看，这不是突然有一天发现了什么，把整个 Transformer 架构革新了。都是这种小的、一点点的创新。" 00:29:53
"把东西说复杂，这个事情并不难。把事情说得越简单，让完全没有背景的人听懂，背后一定花了很大的功夫。" 00:37:56
"我给自己定了一个标准：如果这个技术，我不能讲给小时候的我听，我可能就对它还不够理解。" 00:38:22
"在虚拟环境里，AI 可以无限地做实验，因为成本低。但在物理世界，我们做错一次，一辆保时捷就没有了。" 00:50:24
"以前是客户选择晶圆厂，现在是晶圆厂选择客户。" 01:02:17
"你学过的知识，多半它都还是有用的。" 01:02:47
"我觉得自己没有很聪明，也没有很努力。想知道一个东西，我更想知道原理，好奇心驱动，直到完全觉得学透了。" 01:06:19
"一个 Demo 和实际应用之间，就像一篇 Paper 和一个诺贝尔奖之间的距离一样大。" 01:08:19
"花一个小时去看从业多年的人做的综述，可能比看一些非常快的简介，能给你一个更好的 Foundation。" 01:10:48
---
📖 本期术语速查（听到不熟悉的词？翻这里）
工艺节点（3 纳米、2 纳米……）
芯片制造的代际名称。早年大致对应晶体管的某个物理尺寸，现在更像一代工艺的标签，不能直接换算成真实长度。看进步要看密度、性能和功耗。
先进封装（Advanced Packaging）
把多颗芯片用高速互连封装在一起，像一颗更大的芯片那样工作。本期提到英伟达「把两颗大芯片拼在一起」，就是这个思路。
卖铲子
淘金热里最稳赚钱的，往往是卖铲子的人。指给整个行业提供必需工具、材料或基础设施的公司。
光互联（Optical Interconnect）
用光代替铜线，在芯片、服务器和机柜之间传数据。距离越长、带宽越高，光的优势越明显。「光在吃掉铜」说的就是这件事，也是嘉宾接下来要做的方向。
硅光（Silicon Photonics）
在硅芯片上做光器件，比如波导和调制器，借用半导体工厂的成熟工艺来大规模生产。
磷化铟（InP）
做激光器等光器件的关键半导体材料。硅本身不擅长发光，所以激光器常用这类 III-V 族材料。Infinera 做的就是磷化铟光子集成芯片。
良率
一批芯片里合格品的比例。新产线的良率要从低往上爬，爬到能赚钱的水平，才能大规模量产。
ALD（Atomic Layer Deposition，原子层沉积）
交替通入不同的前驱体气体，靠表面反应一层一层地长出极薄的薄膜。晶体管栅极里的关键薄膜常用这种工艺。
DOE（Design Of Experiments，实验设计）
有计划地同时改变多个参数做实验，再用数据分析找出哪个因素影响最大。
Move 37（第 37 手）
2016 年 AlphaGo 对李世石第二局的第 37 手，一步人类棋手几乎不会下的棋。
光计算
用光直接做计算，比如矩阵乘法。某些局部指标潜力很大，但输入输出、良率、稳定性这些工程问题还没解决。
LiDAR（激光雷达）
发射激光测距，生成周围环境的三维点云。Waymo 用 LiDAR、摄像头和雷达融合，Tesla 走纯视觉路线。
MHS（Model Hardware Standard，模型硬件标准）
Anthropic 在 2026 年 8 月 27 日发布的研究预览。给有程序接口的实验仪器一套统一标准，让 AI 读懂设备能做什么、能调什么、有哪些安全限制。目前仍需专家监督。
六轴平台（Hexapod）
能沿 X、Y、Z 三个方向平移、再绕三个轴转动的精密运动台，用来把光纤、芯片对准到亚微米级。
多物理场仿真
把光、热、力学形变放进同一个模型里一起算。难点在计算量、材料参数和实验校准。
---
🗂️ 内容大纲
一、3 纳米到底是不是 3 纳米
一个数字加一个物理单位，为什么让人误会
节点名更像 iPhone Pro Max、宝马 X5
当年大家怎么吐槽台积电的 10 纳米
英伟达把两颗大芯片拼成一颗
过去十几年的进步，更多在供应链和先进封装
二、卖铲子的生意
投资人问：芯片的钱都花在了哪
一层铲子、二层铲子、三层铲子
投资人为什么越来越喜欢最上游：材料、稀土和电力
三、光为什么在吃掉铜
AI 的瓶颈：从算得慢，到数据搬得慢
英伟达今年连续投资光通信公司
甲方的需求带动乙方：硅光的千亿美元市场，喊了十几年
这一轮订单，直到 2023 到 2024 年才起来
Infinera 卖给诺基亚：黎明前的卖身？
半导体的大年小年：建厂、良率爬坡和产能
这次的 AI 像个无底洞
做光的人，越做越不相信光
四、Intel、ALD 和意外的发现
英伟达的硅光团队，很多人来自 Intel
Intel 的骄傲，和后来被台积电超过
一位师兄在 Intel 做实验的经历
一次开错气体，带来一个材料突破
AI 被训练得不犯错，会不会错过这种意外
AlphaGo 的神之一手，和李世石的回应
五、光计算：一个很偏科的技术
光计算每十几二十年就火一次
嘉宾读博时的光计算项目，卡在了第一步
为什么她选光互联，不选光计算
有公司提出的三步走：光互联、光交换、光计算
有的参数极好，有的差到不能看
Kimi K3：一点点积累出来的突破
六、LiDAR 和无人车
两派路线：Tesla 纯视觉，Waymo 用 LiDAR
七年前入行时，LiDAR 是瓶颈之一
算法进步之后，LiDAR 变小、变便宜
Waymo 的 360 度，和国内车的 120 度前向
降成本才能铺量：旧金山景区、演唱会和机场
自动驾驶最想进、也最难进的城市：纽约
七、AI 走进实验室
Anthropic 发布 MHS，让 AI 操作实验仪器
硬件的闭环：设计、生产、检测、数据分析
说明书本身写错了，AI 怎么办
六轴平台和 Lightning 对准算法
一片晶圆碎在机台里：一辆保时捷没了
AI 学会经典方程之后，能不能写出新方程
脑洞：AI 打通光学镜头的设计、打磨和测试
半导体两百多步，每一步都有专门的仪器商
八、行业周期里，怎么安放自己
AI 大基建，让硬件行业变快了
以前客户选晶圆厂，现在晶圆厂选客户
你学过的知识，多半都还有用
每个行业沉淀下来的 First Principle 不会变
好奇心驱动，直到学透
Demo 离落地，就像一篇 Paper 离诺贝尔奖
给投资人和工程师的建议
---
🎤 主播与嘉宾
江芸珊 Cathy | UCLA 电子工程博士，Photonics Lab，论文做时间拉伸 LiDAR 和硅基光子学非线性效应。毕业后在 Waymo 做 LiDAR Engineer，年初离职，探索了几个方向（含一段短暂创业），之后会以 Founding Member 加入一个新光子团队，做下一代数据中心 Optical Interconnect。业余给硅谷101做过光刻机、英伟达、CPO、自动驾驶等节目的嘉宾。（Linkedin：www.linkedin.com）
AI-Nate | 硅谷 AI 工程师，打造 30+ 智能体、18 个 AI 产品，AI 课程导师
---
⏱️ 时间戳
00:00 开场：嘉宾江芸珊 Cathy 介绍
01:37 本期主题：你相信光吗？
02:08 话题一：3 纳米到底是不是 3 纳米
02:52 一个数字加一个物理单位，为什么让人误会
03:31 节点名更像 iPhone Pro Max、宝马 X5
04:30 当年大家怎么吐槽台积电的 10 纳米
05:15 英伟达把两颗大芯片拼成一颗
05:48 过去十几年的进步，更多在供应链和先进封装
06:28 投资人问：芯片的钱都花在了哪
06:45 卖铲子：一层铲子、二层铲子、三层铲子
08:00 投资人为什么越来越喜欢最上游：材料、稀土和电力
09:14 话题二：光为什么在吃掉铜
09:48 英伟达今年连续投资光通信公司
10:32 甲方的需求，带动乙方的发展
10:48 硅光的千亿美元市场，喊了十几年
11:03 这一轮订单，直到 2023 到 2024 年才起来
11:17 Infinera 卖给诺基亚：黎明前的卖身？
12:33 行业周期：从半导体绕一圈，又回到半导体
13:03 半导体为什么有大年小年
14:30 这次的 AI 像个无底洞
16:02 做光的人，越做越不相信光
16:26 英伟达的硅光团队，很多人来自 Intel
17:11 Intel 的骄傲，和后来被台积电超过
18:04 一位师兄在 Intel 做实验的经历
20:28 ALD：一次开错气体，带来一个材料突破
21:37 像门捷列夫做梦：DOE 之外的意外发现
22:29 AI 被训练得不犯错，会不会错过意外发现
23:08 AlphaGo 的神之一手
24:28 话题三：用光做 AI 芯片，优势和代价
25:00 光计算，每十几二十年就火一次
26:09 嘉宾对这一波光计算持悲观态度
26:32 读博时的光计算项目：卡在第一步
27:26 为什么她选光互联，不选光计算
27:47 有公司提出的三步走：光互联、光交换、光计算
28:48 一个很偏科的技术
29:34 Kimi K3：一点点积累出来的突破
30:28 话题四：LiDAR 与无人车
31:00 两派路线：Tesla 纯视觉，Waymo 用 LiDAR
31:28 七年前入行时，LiDAR 是瓶颈之一
32:24 算法进步之后，LiDAR 变小、变便宜
32:48 Waymo 的 360 度，和国内车的 120 度前向
33:41 降成本，才能铺量
34:09 旧金山景区里的 Waymo
35:13 机场上下客，和一个省停车费的小窍门
36:24 自动驾驶最想进、也最难进的城市：纽约
37:26 把复杂的事讲简单，是真功夫
38:22 讲不给小时候的自己听，就是还没懂
38:52 话题五：Anthropic 让 AI 操作实验仪器
41:20 硬件的闭环：设计、生产、检测、数据分析
42:58 说明书本身写错了，AI 怎么办
43:29 六轴平台：亚微米级的精细对准
45:36 Lightning 算法：像闪电一样找最优点
47:30 一片晶圆碎在机台里：一辆保时捷没了
50:24 虚拟环境能无限试错，物理世界不行
51:07 设计和数据分析：AI 最先落地的地方
51:18 仿真软件：从手动点按钮，到用文字描述
52:54 AI 学会 Navier-Stokes 这些经典方程之后
53:57 老黄的 Physical AI，和纳米尺度的另一个大脑
54:44 光、热、形变：仿真为什么难
56:00 仿真加实验打通，AI 能不能写出新方程
56:38 脑洞：AI 打通光学镜头的设计、打磨和测试
58:01 镀膜参数只有几个工程师知道
58:32 半导体两百多步，每一步都有专门的仪器商
59:18 ASM 与 ASML 的渊源
01:00:09 话题六：经历行业周期，心态怎么变
01:01:41 AI 大基建，让硬件行业变快了
01:02:17 以前客户选晶圆厂，现在晶圆厂选客户
01:02:47 你学过的知识，多半都还有用
01:03:22 以为没用的硅基非线性光子学，又回来了
01:03:59 我入 AI 这一行的第一门课
01:04:43 每个行业沉淀下来的 First Principle 不会变
01:06:19 好奇心驱动，直到学透
01:07:46 快问快答：中文科技圈最想纠正的误解
01:08:19 Demo 离落地，就像一篇 Paper 离诺贝尔奖
01:09:14 AI 创业的 Demo 陷阱
01:10:11 给投资人和工程师的建议：花一小时看深度综述
01:11:43 结语 & 感谢
---
🔗 本期提到
Anthropic：Previewing the Model Hardware Standard
www.anthropic.com
CNBC：Nvidia's investments grow to $99 billion as chip giant becomes major backer of AI companies
www.cnbc.com
Cathy 推荐的光学公众号（微信搜名字即可关注）：
光电前瞻
光电汇 OESHOW
光芯之路
光学小豆芽
---
📝 补充说明
18:04 说到的出口管制：是否需要许可，取决于具体技术和人员国籍，没有绿卡并不等于不能入职。节目里讲的是一位师兄当年的个人经历。
01:04 提到的斯坦福 CS229 机器学习课由吴恩达（Andrew Ng）主讲，Andrej Karpathy 主讲的是深度学习课程 CS231n。
---
📮 联系我们
播客邮箱：nathan@ai-nate.com
欢迎评论区留言交流，转发支持！
---
🎙️「硅谷洞察局」听友群开放中！
👉 扫码进群，和 Nathan 直接聊
🎯 告诉我们下期你想听什么
🤝 认识同样关注 AI 和硅谷动态的朋友们
---
🎁 听众福利
想看看 Nate 一天是如何和30个智能体一起工作的？Nate 开设了一堂免费快闪课程——从零开始，用 Nate 自主开发的 ClawBot 产品和背后的 AgentOS 系统，开启你一人公司的旅程。不需要编程基础，跟着做就行。
👉 免费报名：Claude Code & Cowork: Build Your One-Person Company Crew
