Samsara CEO：AI 圈没人谈论的最大 AI 部
来自 The MAD Podcast with Matt Turck · 期号 2026-07-30
摘要
Samsara CEO Sanjit Biswas 说，AI 圈几乎没人谈论的、可能是物理世界最大规模的 AI 部署，正在他的公司发生。 Samsara 把 AI 装在数百万辆卡车、起重机和工业设备上：每年采集 25 万亿个数据点，每天覆盖美国 99% 的道路，年收入约 20 亿美元，以 30% 的增速盈利增长。 物理 AI 比软件 AI 难得多。一个资产追踪标签要能经得起卡车碾压，一个一次性追踪器薄得像贴纸。AI 行车记录仪在边缘做推理，实时给司机驾驶建议。 Agent Studio 里的保修 agent 能把一小时的文书工作压缩到一分钟以内。但 Biswas 强调，agent 目前只能处理低风险的、流程明确的任务。 当 AI 全天候监视你的工作时，这是教练还是监控？Biswas 说，司机其实想要摄像头——事故发生时，录像能保护他们。 关于自动驾驶卡车，Biswas 认为它比 Robotaxi 要慢得多。一个惊人的数据：一家公用事业公司未来五年要新建的电网容量是过去 125 年的三倍，其中 90% 的需求来自数据中心。 本文是播客访谈，信息密度很高。
深读
导读 原文信息有限，以下基于节目简介。Samsara CEO Sanjit Biswas 在节目中介绍，他的公司可能正在运营物理世界中规模最大的 AI 部署，将 AI 嵌入数百万辆卡车、起重机和工业设备，每年采集 25 万亿个数据点，覆盖美国 99% 的道路。对于关注 AI 落地、边缘计算或工业数字化的从业者，这期节目提供了一个罕见的、从硬件标签到云端 agent 的完整物理 AI 栈案例。 关键信息 - Samsara 年收入约 20 亿美元（ARR），以 30% 的增速实现盈利增长，公司市值约 200 亿美元。 - 每年从数百万台设备上采集 25 万亿个数据点，每天覆盖美国 99% 的道路。 - 物理 AI 的硬件包括可被卡车碾压的资产追踪标签，以及薄如贴纸的一次性追踪器。 - AI 行车记录仪在边缘做实时推理，直接向司机提供驾驶建议。 - Agent Studio 中的保修 agent 能将原本一小时的文书工作压缩到一分钟以内。 - 一家公用事业公司未来五年要建设的电网容量是过去 125 年总和的 3 倍，其中 90% 的需求来自数据中心。 逐节讲解 物理 AI 的规模与挑战 Biswas 指出，AI 圈几乎没人谈论 Samsara 的部署，但它可能是物理世界最大的 AI 应用。物理 AI 比纯软件 AI 困难得多：硬件必须承受卡车碾压、极端温度、振动等恶劣环境。Samsara 的资产追踪标签设计得足够坚固，而一次性追踪器则薄得像贴纸，用于低成本的一次性追踪场景。 从 IoT 仪表盘到 Agent 行动 Samsara 最初从 IoT 数据采集和仪表盘起步，现在正转向 agentic action。其技术栈分为三层：传感器（包括资产标签、车辆网关、AI 行车记录仪）、云端智能（组织物理世界数据）、以及行动层（通过 Agent Studio 实现自动化）。AI 行车记录仪在边缘运行推理模型，实时分析驾驶行为并给出教练式建议，而不是事后回看录像。 Agent 的现状与局限 Agent Studio 中的保修 agent 是一个具体案例：它能把需要一小时的人工文书工作压缩到一分钟以内。但 Biswas 强调，当前 agent 只能处理低风险、流程明确的任务。节目还讨论了 agent 与工作流、规则和护栏的结合方式，以及今天 agent 仍然不能做的事情。 AI 监控：教练还是老大哥？ 当 AI 全天候监视驾驶行为时，这究竟是教练还是监控？Biswas 说，司机其实想要摄像头，事故发生时，录像能保护他们、证明清白。节目讨论了当 AI 成为工作表现的裁判时，带来的伦理和信任问题。 自动驾驶卡车与基础设施 Biswas 认为自动驾驶卡车会比 robotaxi 来得更慢。节目还涉及人机混合车队、Samsara 在自主运营中的角色，以及一个令人震惊的数据：一家公用事业…