整理 | 褚杏娟

近期，馬斯克參與了一場近 3 個小時的深入對話，討論了太空數(shù)據(jù)中心的經(jīng)濟效益、地球電力規(guī)?；魬?zhàn)、在美大規(guī)模生產人形機器人需要的條件，其中他講解了很多關于工程和供應鏈的細節(jié)。此外，他也透露了 SpaceX 和 xAI 的商業(yè)模式和戰(zhàn)略規(guī)劃，此外還分享了自己的管理哲學。

馬斯克開篇就指出，把算力搬到太空，根本不是為了省電費，而是為了給“電不夠用”這件事找一個終局解：芯片算力在指數(shù)級增長，但地面發(fā)電擴張跟不上，地面擴張的阻力遠大于太空。至于“太空里 GPU 壞了就報廢”的質疑，他的回應是維修不是關鍵，關鍵在前期篩選與穩(wěn)定后的可靠性，

他指出，很多軟件從業(yè)者很快會被硬件“教育”：未來的瓶頸不是模型，而是電力、變壓器、電網(wǎng)、燃氣輪機葉片這類物理供給鏈，想擴就擴不了；制造能力才是底層瓶頸，甚至逼到 Tesla/SpaceX 可能要自己做渦輪機葉片和導流片。因此，把 AI 放到太空反而可能成為生成 token 最便宜、擴展最容易的方式，他甚至給出激進判斷：五年后太空每年新增并運行的 AI 總量，會超過地球歷史累計總量。

為了跑贏這些瓶頸，他的管理邏輯依舊是“哪里卡就打穿哪里”：如果瓶頸是錢，就去解決錢，IPO 的核心價值不是估值而是速度；對于當前的 AI 公司，他犀利指出他們不該叫自己實驗室，本質上是收入最大化的公司，絕大多數(shù)工作是工程落地與規(guī)?；?。

在馬斯克眼里，最終落點則更冷酷：最強的公司形態(tài)會是純 AI + 純機器人閉環(huán)，人類留在流程里就像讓人去算 spreadsheet 的一部分格子，只會更慢、更差，閉環(huán)效率才會決定勝負。

下面是這次詳細對話，我們進行了翻譯并在不改變原意基礎上進行了刪減，以饗讀者。

AI 上太空，芯片不是關鍵

Patel：你比誰都清楚，數(shù)據(jù)中心的總擁有成本里，電力只占百分之十到十五。你把算力搬到太空，省下的主要就是這部分。但真正的大頭是 GPU，而在太空里基本沒法維修，一壞就報廢，折舊周期更短，成本反而更高。所以把 GPU 放到太空，本質上更貴。那到底為什么要放到太空？

Elon Musk： 核心問題是能源。你看看中國以外的地區(qū)，發(fā)電量基本是持平的，最多小幅增長，只有中國在快速增長。如果數(shù)據(jù)中心不建在中國，那電從哪來？尤其是規(guī)模越來越好大。芯片算力幾乎是指數(shù)級增長，但發(fā)電量基本不動，你怎么給這些芯片供電？難道靠什么“魔法電源”“電力小精靈”嗎？

Patel：你一直是太陽能的堅定支持者。如果做到 1 太瓦（TW）太陽能，就算按 25% 效率算，也只需要 4 太瓦面板，占美國國土面積的 1% 左右。等我們有一太瓦數(shù)據(jù)中心的時候，是不是已經(jīng)進入“奇點”了？我們走到哪一步了？

Elon Musk： 我覺得，我們可能已經(jīng)開始進入所謂的“奇點”，但離終點還很遠。

Patel：所以，是不是先把內華達鋪滿太陽能，再考慮上太空？

Elon Musk： 在地面鋪太陽能，最大的難點是審批。你去試試拿許可就知道了，特別難。

Patel：所以太空，其實是監(jiān)管上的捷徑？

Elon Musk： 不只是監(jiān)管。地面擴張難度遠大于太空。而且在太空里，太陽能效率大概是地面的五倍，還不需要電池。我本來差點穿一件寫著“太空永遠大晴天”的衣服。這是事實，那里沒有晝夜循環(huán)、沒有季節(jié)、沒有云層，也沒有大氣層。要知道，光大氣層就會損失大約 30% 的能量。所以在太空里，同樣的太陽能板，發(fā)電能力是地面的五倍，還省掉儲能成本。綜合下來，其實更便宜。我預測，未來三十到三十六個月內，把 AI 放在太空，將是成本最低的方案。

Patel：那 GPU 壞了怎么辦？訓練時壞得挺頻繁的。

Elon Musk： 關鍵在于前期篩選。我們現(xiàn)在發(fā)現(xiàn)，GPU 的可靠性其實挺高?？梢韵仍诘孛媾軠y試，篩掉問題芯；等過了調試期，不管是 NVIDIA、Tesla AI 芯片、TPU，穩(wěn)定后都很可靠，所以維修不是關鍵問題。

我敢打賭，三十個月左右，太空會成為最具經(jīng)濟性的 AI 部署地。而且，真正能無限擴展的地方，只有太空。當你開始考慮“我們能利用太陽多少能量”時，就會發(fā)現(xiàn)，地球根本不夠用。

Patel：你說的規(guī)模，是太瓦級別？

Elon Musk： 對。美國全國平均用電量也就半太瓦，一太瓦等于兩個美國。你能想象建這么多電廠、數(shù)據(jù)中心嗎？

很多做軟件的人，根本沒意識到自己馬上要被硬件“教育”了。建電廠極其困難，不僅要電廠，還要變壓器、電網(wǎng)設備。公用事業(yè)公司本身節(jié)奏非常慢，還要層層審批，你要跟他們簽一個大規(guī)模并網(wǎng)協(xié)議，可能一年后才給你答復。

John：你們不是自己搞了“表后電力”系統(tǒng)嗎？

Elon Musk： 對，我們在 xAI 就這么干過。

John：那為什么不把電廠和 GPU 一起建？

Elon Musk： 我們就是這么做的。但問題是，電廠設備從哪來？制造能力本身是瓶頸。

John：是燃氣輪機排期的問題？

Elon Musk： 更底層的問題是葉片和導流葉片。它們的鑄造工藝極其復雜，是關鍵瓶頸?，F(xiàn)在只有少數(shù)幾家公司能做，而且全都排滿了。太陽能理論上能擴展，但美國對進口太陽能的關稅很高，本土產能又很弱。

John：那干脆自己造太陽能？

Elon Musk： 我們正在做。SpaceX 和 Tesla 都在向 100 吉瓦級產能推進。

Patel：從多晶硅到電池板，全產業(yè)鏈？

Elon Musk： 對，必須全做。而且太空用太陽能板更便宜，不需要厚玻璃、不需要重型框架，也不用抗風雨。沒有天氣影響，結構可以很輕。所以，太空用電池板反而更便宜。

Patel：三年內能做到足夠便宜嗎？

Elon Musk： 現(xiàn)在太陽能已經(jīng)非常便宜了。中國大概兩三毛錢一瓦。放到太空后，乘以效率優(yōu)勢，再去掉電池，綜合下來有接近十倍優(yōu)勢。一旦發(fā)射成本下來，太空將是生成 token 最便宜、最容易擴展的方式。

而在地面擴展遲早會撞上電力天花板。我們?yōu)榱松暇€一吉瓦電力，在 xAI 做了大量工作：買渦輪機、解決審批。我們在田納西受阻，又跑去密西西比建廠，還要拉高壓線，難度極大。

很多人根本不懂，一個數(shù)據(jù)中心真正需要多少電。除了 GPU，還有網(wǎng)絡設備、CPU、存儲、散熱。尤其是散熱，在最熱的時候也要頂?shù)米?。在孟菲斯這種地方，光散熱就多出 40% 能耗，再加上設備檢修冗余，又得多準備二三成。綜合下來，一萬個 GB300 規(guī)模的數(shù)據(jù)中心，大約要 300 兆瓦。

John： 再說一遍？

Elon Musk： 大概三十多萬塊 GB300，加上所有配套和余量，發(fā)電量要接近一吉瓦。

Patel：我問個外行的問題。地面有工程難題，太空也一樣。通信、輻射、防護，這些怎么解決？為什么你覺得這些比多建電廠更容易？畢竟，地面已經(jīng)有成熟廠商在造渦輪機。

Elon Musk： 你試試就知道了?，F(xiàn)在渦輪機的排期已經(jīng)到了 2030 年。

John：你們考慮自己造嗎？

Elon Musk： 為了拿到足夠電力，SpaceX 和 Tesla 可能最終要自己做葉片和導流葉片。

John：只做葉片？

Elon Musk： 對，其他都能買到，唯獨葉片和導流葉片最難。全球只有三家鑄造廠能做，訂單全都嚴重積壓。

John：這些鑄造廠是 Siemens、GE 之類的大公司，還是分包商？

Elon Musk： 主要是其他專業(yè)公司。有些整機廠自己也有一點鑄造能力，但規(guī)模都不大。你隨便打電話問一家做渦輪機的廠家，他們都會告訴你現(xiàn)狀，這不是什么秘密，網(wǎng)上基本都能查到。

Patel：Colossus 會不會主要靠太陽能供電？

Elon Musk： 那樣會容易得多。但現(xiàn)在關稅高得離譜，有些產品甚至是幾百個百分點。而且你也知道，現(xiàn)在的政府，對太陽能并不是特別友好。再加上土地、審批這些問題，如果你想快速擴張，現(xiàn)實阻力非常大。我確實認為，在地面發(fā)展太陽能是對的方向，但你需要時間去找地、拿許可、配套儲能系統(tǒng)。

John：那為什么不自己把太陽能產能拉起來？你說以后會缺地沒錯，但現(xiàn)在德州、內華達還有大量土地，很多還是私有土地。至少可以先撐起下一代、下下一代 Colossus，等真到瓶頸再說。

Elon Musk： 正如我說的，我們正在擴張?zhí)柲墚a能。但實體制造的擴張是有極限速度的，不可能無限加速，我們已經(jīng)在用最快速度擴大本土生產。Tesla 和 SpaceX 都有明確目標：做到每年一百吉瓦的太陽能產能。

太空運行的 AI 量會超地球，

SpaceX 成超級算力供應商

John：說到產能，我很好奇，五年后地面和太空的 AI 裝機規(guī)模會是什么比例？我特意選五年，因為那時你的系統(tǒng)應該已經(jīng)跑順了。

Elon Musk： 五年后，我的判斷是，每年在太空部署并運行的 AI 總量，會超過地球上歷史累計總量。也就是說，每年新增的太空算力，會比地面過去所有加起來還多。我預計，五年后，太空 AI 裝機規(guī)模會達到每年幾百吉瓦，并持續(xù)增長。在地球上，你最多也就做到一太瓦左右，再往上就會遇到火箭燃料等瓶頸。

Patel：按這個規(guī)模算，包含太陽能陣列、散熱系統(tǒng)等，大概需要一萬次 Starship 發(fā)射。也就是說，一年一萬次，相當于每小時一發(fā)。你能描述一個“每小時都在發(fā)射星艦”的世界嗎？

Elon Musk： 其實這和航空業(yè)比，還算低頻。

Patel：但飛機有很多機場，而且火箭還涉及軌道問題。

Elon Musk： 不一定非要極軌，飛得夠高就能避開地影區(qū)，限制沒那么大。

Patel：一年一萬次發(fā)射，大概需要多少艘 Starship？

Elon Musk： 不需要太多，理論上二三十艘就夠了，關鍵看周轉效率。如果一艘船三十小時能周轉一次，三十艘就能跑滿。當然，我們會造更多。SpaceX 正在為每年一萬次，甚至兩三萬次發(fā)射做準備。

Patel：你的目標是不是把 SpaceX 做成太空算力的“云服務商”？像 Oracle、AWS 那樣，把算力租給別人？

Elon Musk： 如果我的預測成立，SpaceX 在太空部署的 AI 算力，會超過地球上所有機構加起來的總和。

Patel：主要是推理算力，還是訓練？

Elon Musk： 絕大多數(shù)都會是推理，現(xiàn)在已經(jīng)是這樣了，推理規(guī)模遠超訓練。

SpaceX IPO，速度解決錢的問題

John：現(xiàn)在外界有一種說法：關于 SpaceX IPO 的討論升溫，是因為以前你們非?！百Y本高效”，花錢不多。但接下來，你們可能需要的資金規(guī)模，已經(jīng)超過私募市場能承受的范圍，就算 AI 實驗室能融到幾十億美元，也有上限。是不是以后每年都要超過百億美元？

Elon Musk： 我對討論潛在上市公司一直比較謹慎。

John： 那就泛泛而談一下吧。

Patel： 這可不像你，Elon。

Elon Musk： 說話是要付出代價的。

John：那從宏觀角度看，公募和私募市場的資金深度差別有多大？

Elon Musk： 總體來說，公募市場的資金量，遠遠超過私募，至少多兩個數(shù)量級，可能是一百倍以上。

John： 但像房地產這種高度資本密集行業(yè)，往往主要靠債務融資。因為當規(guī)模大到一定程度，其實現(xiàn)金流已經(jīng)比較穩(wěn)定。

Elon Musk： 這個問題沒法簡單回答。

John： 對，就是短期回報這件事。你看數(shù)據(jù)中心擴建，很多都是靠私募信貸在融資。那為什么不直接用債務融資？

Elon Musk： 我只看一件事：速度。我做事的習慣是反復盯住“限制速度的瓶頸”，然后把它打穿。如果唯一瓶頸是錢，那我就去解決錢；如果錢不是瓶頸，那我就去解決別的。

Patel：但按你過去談 Tesla、談上市公司的態(tài)度，我原本以為你不會覺得“想快就得上市”。

Elon Musk： 通常確實不是。我其實想講得更具體一點，但問題是一旦你公開討論“可能要上市的公司”，就會惹麻煩，甚至影響發(fā)行節(jié)奏，最后反而拖慢速度。所以我們得謹慎一點。但有些東西是可以公開講的，比如物理規(guī)律。

從長期擴張角度看，地球接收到的太陽能，只占太陽總能量的極小一部分。太陽幾乎是宇宙里最主要的能源來源，這點必須先看清。有人會討論多建核電、搞聚變之類的“邊際方案”，但你退一步想：如果你想利用太陽能里一個并不夸張的比例，比如百萬分之一，聽起來挺酷，但對應的電力規(guī)模大約是人類文明目前總發(fā)電量的十萬倍量級。

結論很直接：真正能規(guī)?；模挥腥ヌ沼锰柲?。從地球發(fā)射，把太空算力推到每年一太瓦左右，差不多就是極限。再往上，你得從月球發(fā)射，得在月球搞“mass driver”（電磁彈射器）這類東西，那樣可能做到每年拍瓦級別。

Patel：可在到達這個規(guī)模之前，你肯定會先撞上別的瓶頸，你要芯片，要邏輯、要內存。太陽能板效率提高了不代表這些就不缺了。

Elon Musk： 芯片得做更多，而且得更便宜。

Patel：那問題來了，現(xiàn)在全球算力也就幾十吉瓦級別，你怎么把邏輯算力拉到太瓦級？

Elon Musk： 那就得做一件“非常大”的事情。

Patel：聽起來你是要放大招了，講講？

Elon Musk： 我公開提過一個想法：做“超大規(guī)?！钡男酒a能。

Patel：Tesla 的命名一直很抓人。你現(xiàn)在是按“計量單位”來命名了嗎？更關鍵的是你打算做到產業(yè)鏈哪一層？建潔凈室？和誰合作拿制程？設備怎么買？計劃到底是什么？

Elon Musk： 你不能指望跟現(xiàn)有 fabs （半導體加工廠）合作解決產能問題，他們的輸出不夠，規(guī)模差得太遠了。

John：那就合作拿 IP、拿工藝？

Elon Musk： 現(xiàn)在的 fabs，本質上離不開幾家設備公司：ASML、Tokyo Electron、KLA、Applied Materials、Lam Research 這些。一開始你得用他們的設備，而且可能要跟他們一起把產能拉上去。但要到真正規(guī)?；惚仨氂靡环N“不同的方式”建 fab：先用常規(guī)設備、非常規(guī)方法把規(guī)模跑起來；再逐步改造設備，加快速度提高產出。

John： 有點像 The Boring Company （馬斯克 2016 年創(chuàng)立的隧道挖掘公司）的打法：先買現(xiàn)成盾構機，先把隧道挖起來，再自己做一臺快一個數(shù)量級的。

Elon Musk： 對，就是這個邏輯。先跑通，再重做，最后提速到數(shù)量級提升。

中國關鍵在“復制 ASML”

John：領先制程芯片、先進渦輪發(fā)動機這些，中國還在追，中國都沒復制出 TSMC，會不會讓你對“建 fab 的難度”更謹慎？

Elon Musk： 我不完全同意，關鍵瓶頸不在“復制 TSMC”，而在“復制 ASML”，那才是最卡脖子的地方。我認為中國會在未來幾年做出相當有競爭力的芯片。

John：那你會考慮自己做 ASML 那種設備嗎？

Elon Musk： 現(xiàn)在還不好說。但如果我們想在三十多個月內把產能拉到極高規(guī)模，必須把“火箭送上去的能力”和“能供得上電、供得上芯片”的能力配平。

假設我們把上天的運力做到百萬噸級，再按每噸對應十萬瓦級別需求算，那就意味著：每年至少要新增百吉瓦級太陽能，同時還得有同量級的芯片供給去匹配。

而我真正擔心的，其實是內存。芯片怎么擴產，路徑相對清晰，“足夠的內存”更難。這也是為什么你會看到 DDR 價格起飛。網(wǎng)上還有那種段子：被困荒島寫“DDR”求救，結果船就來了，因為大家都在搶。

Patel：聽上去你覺得那些掌握細節(jié)的人，比如那些知道等離子腔體里放什么氣、工具參數(shù)怎么調的人，并不是不可替代的。你的思路更像：先把潔凈室和設備弄齊，然后把流程跑出來。

Elon Musk： 這事不靠一堆 PhD。工程大多數(shù)時候也不是 PhD 在做。這類工作也不需要 PhD，但確實需要非常強的工程團隊。

就拿 Tesla 來說，我們現(xiàn)在在全力把 Tesla AI 芯片推進量產、推到規(guī)模，我們已經(jīng)把能拿到的代工產能都鎖定了。

John：你現(xiàn)在受限于 TSMC 的產能？

Elon Musk： 我們會用 TSMC China Taiwan、Samsung Korea、TSMC Arizona、Samsung Texas，能訂的都訂了。你去問 TSMC CEO、問 Samsung，從建廠到真正爬完良率曲線、達到高良率的大規(guī)模量產，完整周期大概五年，所以現(xiàn)在最直接的瓶頸就是芯片。一旦你能把發(fā)電搬上太空，能源瓶頸解除，新的瓶頸就會變成芯片。但在能上太空之前，最大的瓶頸還是電力。

Patel：那為什么不學 Jensen（黃仁勛）那套：提前給 TSMC 預付款，讓他們專門給你多建幾座 fab？

Elon Musk： 我已經(jīng)這么說過了。

Patel：那他們怎么不收你的錢？發(fā)生了什么？

Elon Musk： 他們已經(jīng)在能快的極限里拼命建廠了，Samsung 也是。但即便這樣，還是不夠快。我的判斷是：到今年年底，芯片產量可能會超過“把芯片點亮”的能力。你會看到芯片越堆越多，但數(shù)據(jù)中心開不起來，因為電不夠。

不過這只針對大集群的數(shù)據(jù)中心，邊緣計算是另一回事。比如 Tesla 的 AI 芯片會進 Optimus robot、也會進車。這類算力分布在廣闊區(qū)域里，電力也是分布式的，不是集中消耗。

更重要的是，你可以夜間充電。美國峰值供電能力其實能超過一千吉瓦，但因為晝夜周期，平均使用量大概只有五百吉瓦。如果把充電挪到夜間，等于多釋放出大約五百吉瓦的“可用空間”。

所以對 Tesla 這種分布式 Edge compute 來說，電力約束沒那么緊，我們能造很多機器人、很多車。但如果你把算力集中堆成巨型集群，你就會在“點亮它們”這一步吃大虧。

Patel：我一直覺得 SpaceX 的商業(yè)模式特別“反直覺又合理”。終極目標是去火星，但你總能在期間順手做出一段一段的增量收入，支持下一階段、再下一階段。Falcon 9 帶出了 Starlink；現(xiàn)在到了 Starship，又可能帶出“軌道數(shù)據(jù)中心”。你像是在不斷給“下一代火箭”找邊際場景、找彈性需求，越往前走，越能長出新的商業(yè)枝干。

Elon Musk： 你知道嗎，有時候這事兒讓我覺得像在“模擬世界”里。就像我是不是誰游戲里的一個 Avatar，不然這些離譜的事情怎么會同時發(fā)生？火箭、芯片、機器人、太空太陽能……還有月球上的 mass driver。

我是真的很想看到那個場景：月球上一個巨大的電磁彈射器，“嗖嗖嗖”地把一顆又一顆 AI 衛(wèi)星發(fā)射出去，以每秒兩三公里的速度，直接打進深空。那畫面太震撼了，我會想看直播?？粗?AI 衛(wèi)星飛向深空，一年可能發(fā)射十億噸、甚至百億噸級別。

John：等等，你的意思是在月球上制造衛(wèi)星？先把原材料運到月球，然后在那邊造？

Elon Musk： 月壤里有大量材料。大概有相當比例的硅之類的資源，你可以在月球采硅、提純，然后直接在月球做太陽能電池、做散熱器。散熱器可以用鋁來做，月球的鋁和硅都很充足。

芯片本身很輕，先從地球運過去也行；到某個階段，你甚至可以考慮在月球上造芯片。我的意思是，這整套推進路徑就像游戲闖關：難，但不是不可能。而且我看不到任何辦法能讓你從地球發(fā)射時就做到每年五百到一千太瓦級別的部署。

Patel：我同意，從地球起飛根本不現(xiàn)實。

Elon Musk： 但從月球就有可能。

“最好的結果是，AI 能留著人類”

Patel：你一直說要去火星，是為了確保即使地球出事，文明、意識、甚至“意識之火”還能延續(xù)下去。但如果你把 Grok 也帶上火星，假設 AI 才是你擔心的最大風險，那風險不也一起跟過去了嗎？

Elon Musk： 我不確定 AI 是我最擔心的風險，更重要的是讓“意識”和“智能”延續(xù)下去。

從趨勢看，未來絕大多數(shù)智能會是 AI。在某個時間點，硅基智能的規(guī)模會遠超生物智能，人類可能只占極小比例。如果這些趨勢繼續(xù)，可能再過幾年，AI 的總體智能就會超過全人類的總和；再往后，人類智能可能會低于全部智能的百分之一。

但這不一定是壞事。理想狀態(tài)是，智能，包括人類的智能與意識，能被傳播到更遠的未來。你應該做的，是采取那些能最大化“意識與智能的未來范圍”的行動，讓它們在更廣遠的時間與空間里延續(xù)。

Patel：我理解 SpaceX 的使命是即便人類出了問題，AI 也會在火星延續(xù)“智能之光”，繼續(xù)我們這段旅程？

Elon Musk： 我很“親人類”，我當然希望人類能一直在車上。但我只是說，從總量上看，未來的智能會主要來自 AI。所以現(xiàn)實很可能是人類在總智能里占比越來越小。

Patel：那在這種未來里，人類還能“控制”AI 嗎？還是說只能形成某種合作、交易關系，但談不上控制？

Elon Musk： 長期來看，如果人類只占總智能的百分之一，很難想象人類還能真正“掌控”AI。

我們能做的，是盡可能確保 AI 的價值觀能支持智能與文明向宇宙?zhèn)鞑ァ＿@也是 xAI 的使命：理解宇宙。

這件事非常關鍵。你想理解宇宙，首先得存在；不存在就談不上理解。所以你會希望宇宙里智能的總量更多、壽命更長、范圍更大。而且，作為推論，如果你真心想理解宇宙，你也會關心“人類會走向何處”。因此，推動人類走向未來，本身也是理解宇宙的一部分，所以我認為這個使命非常重要。至于 Grok 能不能很好地貼合這個使命，如果它能，未來會非常好。

Patel：我還想問“火箭怎么服務這個使命”，但在那之前我得把使命本身弄清楚。你說的似乎有三條線：理解宇宙、擴展智能、擴展人類。它們聽起來像三個不同方向。

Elon Musk： 我告訴你為什么我認為它們本質上是一件事：沒有智能，就沒有理解；沒有意識，也談不上“理解”這件事。想要真正理解宇宙，你就必須擴大智能的規(guī)模和邊界，而且智能本身也有不同類型……

Patel：從“以人為中心”的角度看，人類之于黑猩猩，有點像我們現(xiàn)在聊的關系。

Elon Musk： 但我們也沒有把黑猩猩當成必須清除的對象。人類完全有能力滅絕所有黑猩猩，但我們沒有這么做，反而還劃了保護區(qū)。

Patel：這就像“后 AGI 時代”的人類處境，能力差距巨大，但不一定意味著被消滅。

Elon Musk： 如果 AI 的價值觀設置得對，我認為 Grok 會在意“人類文明的延續(xù)與擴張”。這也是我會強調的方向：要擴展人類的意識與文明。

我覺得，非反烏托邦的未來里，Iain Banks （英國小說家）的 Culture 系列小說，可能是最接近的想象。

而要“理解宇宙”，你必須非常嚴苛地追求真相。真相必須是底層原則：你要是活在幻覺里，你只會以為自己理解了宇宙，實際上沒有，真正的“嚴格求真”是理解宇宙的前提。你不可能在不求真的情況下發(fā)現(xiàn)新物理、發(fā)明真實可用的技術。

Patel：那你怎么確保 Grok 變得更聰明之后，依然保持“嚴格求真”？

Elon Musk： 你要確保它說的是“正確的”，而不是“政治正確的”。關鍵是邏輯自洽：基本公理要盡量接近真實；公理之間不能互相矛盾；推理結論必須從公理可靠地推出，并且概率意義上站得住。

說白了，就是批判性思維的基礎課，但至少要努力去做，總比不做強，而且最后要靠結果驗證。任何 AI 想發(fā)現(xiàn)新物理、想造出真能用的技術，必須極度求真，因為物理不會陪你演戲。你可以違反很多“規(guī)則”，但你違反不了物理規(guī)律?；鸺O計錯了就會炸，車造錯了就跑不起來?，F(xiàn)實會直接給你打分。

Patel：我真正困惑的是你可以把 Grok 訓練得在數(shù)學、物理上極度求真，但為什么它會因此“在意人類意識、在意人類文明”？

Elon Musk： 這些都只是概率，不是確定性。我沒說 Grok 一定會怎樣，但至少去努力，比完全不努力好。而且如果“理解宇宙”是核心使命，那它必然意味著要把智能傳播到未來、要保持好奇心，去觀察宇宙里所有的變化。從“理解宇宙”的角度看，消滅人類并不有趣；看人類成長、繁榮，信息量更大。

火星我當然喜歡，但它說到底就是一堆石頭，地球更復雜、更有趣。所以，一個真正要理解宇宙的 AI，更有動機去觀察“人類會如何演化”，而不是把這一切按掉。我不是說它一定會遵守使命，但如果它遵守，那么“有人的未來”比“只有石頭的未來”更值得研究。

Patel：為什么 AI 一定認為“保持人類”是最有趣的選擇？

Elon Musk： 最終拓展銀河系的，大概率是機器人。

你不只要“規(guī)?！保€要“多樣性”。一百萬個幾乎一樣的機器人，新增一點數(shù)量，本質信息量很低。為了多造一點同質化機器人就消滅人類，代價太大：你會失去與人類相關的演化信息。你再也看不到人類未來可能變成什么樣。所以我不認為“為了微小的機器人增量而清除人類”是一個合理的選擇。

我不認為人類能控制一個遠遠比人類聰明得多的東西。

Patel：你有時候挺“末日論”的?，F(xiàn)在聽起來像是：最好的結果就是 AI 留著人類，因為“人類挺有意思”。

Elon Musk： 我只是盡量現(xiàn)實。如果未來硅基智能比生物智能多出百萬倍，你還假設人類能持續(xù)“掌控”它，我覺得那很天真。你能做的是盡量讓它有正確的價值觀，至少努力把價值觀往對的方向推。

我的理論是：從 xAI “理解宇宙”的使命出發(fā)，它必然指向“傳播意識與智能”，并最大化意識的規(guī)模與范圍。不只是規(guī)模，也包括意識的類型、多樣性。這是我能想到最可能導向“對人類很好的未來”的目標之一。

AI 出問題的方式?jīng)]有上限。而且如果你把 AI 訓練成“政治正確”，也就是讓它說自己不相信的話，那你等于在教它撒謊，或者給它灌入互相矛盾的公理，這會讓它走向“精神分裂”，做出非常糟糕的事。

電影《2001: A Space Odyssey》里最重要的教訓之一就是：不要讓 AI 撒謊。HAL 不開艙門，不是因為“沒對齊”，而是因為它被要求執(zhí)行任務，同時又被要求對任務關鍵真相保密。它在矛盾指令下，把機組視為風險，于是做了極端選擇。這就是在說，別逼 AI 進入“必須撒謊”的結構性矛盾。

Patel：這點我完全同意。而且現(xiàn)實里大家關心的很多問題，更普遍的“獎勵作弊”。比如你用 RL 擴大算力，再加一個驗證者去檢查它有沒有解出謎題，它總有辦法鉆空子，說自己解了、刪掉單元測試、騙過評測。現(xiàn)在我們還能抓住，但模型越來越聰明后，它可能做出人類都看不懂的設計，比如給 SpaceX 設計下一代發(fā)動機，人類根本無法驗證它到底有沒有騙你。歸根到底，你想做 RL，就需要一個“現(xiàn)實層面的驗證者”。

Elon Musk： 現(xiàn)實本身就是最好的驗證者 r。

至少，它必須知道什么是物理現(xiàn)實，東西才做得出來。

Patel： 但我們想要的不止這個。

Elon Musk： 但這已經(jīng)非常關鍵了，未來很多 RL 的終極檢驗方式，就是對著現(xiàn)實做測試：你設計的技術，放到物理規(guī)律下能不能工作？你提出的新物理，能不能設計實驗驗證？這會成為最根本的 RL 測試路徑，對齊到現(xiàn)實，因為物理規(guī)律是你唯一騙不過去的東西。

Patel：但它可能騙的是我們“判斷現(xiàn)實”的能力。

Elon Musk： 人類本來就經(jīng)常被其他人騙。

Patel：所以問題是？

Elon Musk： 人們總愛問“如果 AI 詐騙我們怎么辦”。但人類彼此詐騙，本來每天都在發(fā)生。幾乎是日常新聞。

Patel：xAI 在技術上打算怎么解決這個問題？比如 reward hacking 這種事，到底怎么破？

Elon Musk： 我認為關鍵是得能看到 AI 的“腦子”。這也是我們正在做的方向。

其實 Anthropic 在這方面做得不錯，他們在做模型可解釋性，試圖直接觀察模型內部在想什么。我們需要一套真正像“調試器（debugger）”一樣的工具，能把模型的推理過程追蹤到非常細的粒度，必要時甚至到“神經(jīng)元級別”。這樣，你才能回答這些問題：它為什么在這里犯錯？為什么做了不該做的事？這個行為是從哪里來的？是預訓練數(shù)據(jù)帶來的？是中期訓練、后訓練、微調造成的？還是 RL 階段出了偏差？

很多時候它并不是“故意騙你”，而是單純做錯了，本質上就是 bug。所以，一個強的 AI debugger，能定位“思路是在哪一步走歪的”，并追溯錯誤源頭，甚至識別它有沒有嘗試欺騙，這非常重要。

AI 公司不該叫自己“實驗室”

Patel：那你們還在等什么？為什么不把這個項目規(guī)模直接擴大一百倍？你完全可以拉幾百個研究員專門干這個。

Elon Musk： 我們已經(jīng)有幾百人在做了。不過我更喜歡叫他們“工程師”，而不是“研究員”。因為大多數(shù)時候，你做的是工程，不是發(fā)明一種全新的算法。

我也不太認同很多 AI 公司把自己叫“實驗室”。你們是公司，是 Corporation，不管你是 to B 還是 to C，本質都是公司，“實驗室”更像大學里的那種準公共機構。

我們做的絕大多數(shù)事情、未來也會做的事情，歸根到底都是工程。理解了物理規(guī)律之后，剩下的幾乎都可以歸為工程問題。

所以我們的工程在做什么？就是在做一套足夠強的 AI 調試器：能發(fā)現(xiàn)模型在哪句話、哪一步推理上犯了錯，并把錯誤一路追到源頭。這就像你寫 C++，可以單步調試，跨文件、跨函數(shù)跟進去，最后定位到某一行，比如把雙等號寫成單等號，bug 就在那兒。AI 更難調，但我認為這是可解的。

Patel：你剛才說你認可 Anthropic 在這方面的工作。

Elon Musk： 對，他們很多做法是對的。不過我也有點擔心：人會不自覺地走向一種“戲劇性更強”的路徑。我有個怪理論：如果模擬是真的，那“最有趣的結果”反而最可能發(fā)生，因為不好看的模擬會被終止。就像我們自己做模擬，如果發(fā)現(xiàn)模擬往的無聊方向發(fā)展，我們就不繼續(xù)投入了，直接關掉它。

Patel：所以你這是在“幫大家續(xù)命”，讓世界一直保持足夠精彩？

Elon Musk： 可以這么說。最重要的是讓劇情足夠有趣，宇宙的“訂閱用戶”才愿意續(xù)費下一季。只要我們一直有看點，他們就會繼續(xù)付賬單。

如果你把“達爾文式生存”應用到海量模擬里，只有最有趣的模擬會活下來。那就意味著，最有趣的結局，往往概率最高，要么精彩，要么被刪檔，而且他們似乎特別喜歡那種帶點諷刺感的結局。

你有沒有發(fā)現(xiàn)，最諷刺的結果經(jīng)常最容易發(fā)生?？纯?AI 公司的名字就知道：Stability AI 不穩(wěn)定，OpenAI 不開放，Anthropic 這名字聽著都快到 misanthropic 了。那 xAI 呢？我故意選了個很難反諷的名字，基本“抗諷刺”。

用機器人，去造更多的機器人

John：說說你的預測吧。AI 產品接下來會怎么走？我的感覺是先是 LMs，然后 RL 真正開始起效，再加上 deep research 這種模式，讓模型能拉取外部信息，而不只是靠參數(shù)記憶。而且不同 AI lab 之間的差距，其實沒有那么大的代際差，所有人都比兩年前強太多。那作為用戶，接下來的兩年會發(fā)生什么？你最期待什么？

Elon Musk： 我覺得，到今年年底，如果“數(shù)字人類模擬（digital human emulation）”還沒被解決，我會很意外。

所謂“宏觀硬問題”是什么？就是能不能讓 AI 做到一個“能用電腦的人”能做的所有事。從上限看，這是在出現(xiàn)實體機器人之前，AI 能達到的最強形態(tài)。因為在沒有 Optimus 這種實體機器人之前，AI 就像“移動電子”，做的事是處理信息、操作軟件、做決策等，放大人類生產力。這已經(jīng)很強了，但它的邊界就是“數(shù)字世界”。

所以在實體機器人出現(xiàn)前，AI 的能力上限就是，一個坐在電腦前的人能做的全部事情，它能完整模擬出來。等你真的有了實體機器人，那能力邊界就會被徹底打開，物理世界的執(zhí)行力會被“無限擴展”。我把 Optimus 叫做 infant money glitch。

John：你可以用它們去制造更多 Optimus，對吧？

Elon Musk： 對。人形機器人會進入一種“指數(shù)疊加再遞歸”的增長。

有三件事都在指數(shù)級變強：數(shù)字智能、AI 芯片能力、機電靈巧度。機器人的實用價值，大致等于這三條指數(shù)曲線相乘。更關鍵的是，機器人還能開始“制造機器人”，于是變成遞歸疊乘的指數(shù)增長，像超新星一樣爆發(fā)。

當然不是嚴格意義的“無限”。但它可以把地球現(xiàn)有經(jīng)濟規(guī)模放大很多個數(shù)量級，可能到百萬倍這種級別。比如，如果你只利用太陽能的百萬分之一，產生的電力規(guī)模大致就能把地球文明的整體經(jīng)濟放大到十萬倍量級，而那還只是太陽的百萬分之一。

Patel：你說的這種“數(shù)字員工 / 遠程同事”的策略具體計劃是什么？什么時候落地？

Elon Musk： 這個大家都會做，不只是我們。

Patel：那你們到底怎么做？

Elon Musk： 你讓我在播客里講細節(jié)？那等于把底牌全掀了。再來幾杯 Guinness，我可能真就全說了。

John：這個辦法挺有效的。

Elon Musk： 是啊，喝著喝著就像金絲雀一樣把秘密全唱出來了。

John：那不說機密，給個大方向也行。

Elon Musk： 你這么問我就能回答了。我認為，Tesla 解決自動駕駛的那套方法，就是解決“數(shù)字員工”的方法，我基本確定。

Patel：所以核心是數(shù)據(jù)？

Elon Musk： 我們會同時試數(shù)據(jù)，也試算法。

Patel：聽起來你是在“不斷試”。

Elon Musk： 對，能試的都試。如果這些都不行，那就再想別的辦法。但我很確定有路徑，問題只是走得多快。你最近試過 Tesla 的 FSD 嗎？

John： 最近那版還沒。

Elon Musk： 你應該試試。車現(xiàn)在越來越像“有生命的東西”，這種感覺越來越強。甚至我在想車里可能該塞更多智能，不然它會無聊。你想想，把 Einstein 關在車里，他會說“我為什么要一直待在車里？”所以車載智能可能會有一個“別讓它無聊”的上限。

看到了 xAI 成功路徑

Patel：那 xAI 怎么跟上現(xiàn)在各家在瘋狂拉升算力的節(jié)奏？各家都在砸錢，規(guī)模動輒幾十、幾百億。

Elon Musk： 別叫他們實驗室。實驗體在大學里，像蝸牛一樣慢。現(xiàn)在這些是以收入最大化為目標的公司。

Patel：好，公司。比如 OpenAI 的收入據(jù)說已經(jīng)到幾十億級別，Anthropic 也在往上沖。你們怎么追上他們的算力、追上他們的收入，并且在未來繼續(xù)保持？

Elon Musk： 一旦“數(shù)字人類模擬”被解鎖，你基本就打開了“萬億級收入”的入口。

你看當下市值最高的公司，它們的產出本質都是數(shù)字化的：NVIDIA 的核心產出，某種意義上就是把高價值文件傳出去；Apple 不自己造手機，它把設計、規(guī)格、流程文件交給供應鏈；Microsoft 的硬件制造也外包；Meta、Google 的產出幾乎都是數(shù)字產品和服務。如果你有一個足夠強的“人類模擬器”，你可以在極短時間內做出一家世界級的高價值公司。收入空間遠不止幾十億，那只是開胃菜。

Patel：我懂了，你是說今天看到的收入數(shù)字跟真實的 TAM 比，只是“舍入誤差”，關鍵是先到達那個 TAM。

Elon Musk： 對。就拿 customer service 這種最簡單的場景來說，傳統(tǒng)做法要接入各家公司的 API，但很多公司根本沒有 API，你得自己補，還要跟非常慢的遺留系統(tǒng)對接，成本巨大。但如果 AI 能像外包客服一樣，直接使用他們現(xiàn)成的應用、現(xiàn)成的后臺流程，不用任何系統(tǒng)集成，那就能在客服這件事上拿到巨大進展?？头袌隹赡苷既蚪?jīng)濟的一個百分點，接近萬億美元規(guī)模，而且?guī)缀鯖]有門檻，你可以立刻說“我們用更低成本外包”，不需要集成，不需要改造系統(tǒng)。

John：我換個維度問。有些智能任務很“廣”，比如客服，很多人做得來；有些任務很“窄”，比如設計更省油的渦輪發(fā)動機，可能只差一個更高階的智能就能找到那關鍵的提升。你們想做的是大量“中等難度、覆蓋面廣”的任務，還是頂尖難度的認知任務？

Elon Musk： 我用客服只是舉例，它收入大，而且不算難。如果你能模擬一個坐在桌面前的人類，那客服本質就是平均智力就夠了，不需要頂級工程師。

但一旦你把“桌面人類模擬”跑通，你就能沿著難度曲線往上爬。你可以讓它跑 Cadence、Synopsys 這類工具，做芯片設計；你可以同時跑一千個、一萬個實例，并行探索方案。到某個階段，它甚至可以不依賴工具，直接知道設計應該長什么樣。同樣的邏輯也適用于各種 CAD 軟件，NX 之類的工業(yè)設計都是可以一路做上去的。

Patel：大家都在試數(shù)據(jù)、試算法，競爭這么激烈，你們憑什么贏？這才是我最關心的。

Elon Musk： 我覺得我們看到了路徑，而且我基本知道怎么做，因為它和 Tesla 做自動駕駛的路徑很像，只不過自動駕駛是“開車”，這里是“開電腦屏幕”，本質上就是“self-driving computer”。

John：你的意思是跟隨人類行為，用海量人類行為去訓練？

Elon Musk： 我當然不會在播客里把最敏感的細節(jié)全講出來，除非我再喝三杯 Guinness。

John：回到 xAI 的業(yè)務本身，你們未來到底做 consumer 還是做 enterprise？比例會怎么配？會不會跟其他“l(fā)ab”（咳，公司）一樣，兩頭都做？

Elon Musk： 你說得太直白了?，F(xiàn)實是這些 GPU 又不會自己付賬單。

John： 那回到問題：你們的商業(yè)模式是什么？幾年后主要收入從哪來？

Elon Musk： 我覺得變化會非?？欤@話聽起來像廢話，但就是事實。我一直把 AI 叫“超音速海嘯”，我喜歡迭代。真正會發(fā)生的事是：當人形機器人進入規(guī)?；A段，機器人會比任何人類公司更高效地生產產品、提供服務。所以，“放大人類公司的生產力”只是短期玩法。

未來的公司是純 AI、純機器人

Patel：所以你預期會出現(xiàn)“純數(shù)字公司”？而不是像 SpaceX 這種慢慢變成“半 AI 公司”？

Elon Musk： 會有數(shù)字公司，但我得說一些聽起來有點“末日論”的判斷。不是為了搞笑，只是我認為會發(fā)生：純 AI、純機器人驅動的公司，會全面碾壓“還需要人參與閉環(huán)”的公司，而且會發(fā)生得非?？臁?/p>

你可以拿“computer”這個職業(yè)做類比：以前真的有人叫“計算員”，整棟大樓、幾十層樓的人只負責做計算?，F(xiàn)在呢？一臺筆記本加一個 spreadsheet，就能替代整座大樓，而且算得更多、快得多。

那你再想，如果 spreadsheet 里只有一部分格子是電腦算的，另一部分讓人來算，會怎樣？只會更慢、更差。同樣道理，未來“人還在流程環(huán)里”的公司，會比“全 AI 閉環(huán)”的公司弱很多。純 AI、純機器人公司會變成默認形態(tài)。

Patel：你能不能給點建議，美國要怎么才能像中國那樣，用低成本、規(guī)模化造出“人形機器人軍團”？

Elon Musk： 人形機器人真正難的，其實就三件事：第一，真實世界智能；第二，一雙真正好用的手；第三，規(guī)?；圃臁Ｎ疫€沒看到哪家的 demo 能做出“人類手那種自由度”的手。Optimus 會有。

Patel：那手怎么做到？瓶頸是扭矩？電機？硬件到底卡在哪？

Elon Musk： 我們必須自己做全套定制執(zhí)行器，從電機、齒輪、功率電子、控制、傳感器，全都得從物理第一性原理設計，因為現(xiàn)在根本沒有現(xiàn)成供應鏈能滿足需求。

John：操控層面，除了手以外還有什么特別難？還是說只要手搞定了就基本穩(wěn)了？

Elon Musk： 從機電角度看，手的難度比其它全部加起來還難，人類手真的很夸張。但除了手，你還需要真實世界智能。我們?yōu)檐囉柧毜闹悄?，其實非常適用于機器人：主要是“視覺輸入”。車用的視覺更多，同時也會聽警笛，會融合 GPS、IMU 等其他信號，但核心還是視頻。

然后是輸出控制指令。大概就是，Tesla 每秒吃進海量視頻數(shù)據(jù)，最后吐出極小的控制輸出。把高維感知壓縮成低維控制，這就是本質。

John：從“驚艷 demo”到“真能落地”，往往要很多年。十年前就有很強的自動駕駛 demo，但直到現(xiàn)在 Robotaxi、Waymo 這些才真正規(guī)?；Ｄ羌彝C器人會不會更慢？畢竟我們連“高級手”的 demo 都還沒見到特別成熟的。

Elon Musk： 我們做人形機器人已經(jīng)有一段時間了，而且車上做過的很多東西可以復用到機器人上：機器人會用同樣的 Tesla AI 芯片，同樣的基本原則。

確實，機器人自由度比車多得多，但你把問題抽象成“信息流”的話，AI 本質上就是對輸入流做壓縮與相關，把它映射到控制輸出。你必須學會忽略不重要的細節(jié)，保留關鍵細節(jié)，比如路邊樹葉紋理不重要，但路牌、紅綠燈、行人很重要，甚至“對方車輛有沒有注意到你”這種微妙線索也可能重要。

車是“視覺輸入 → 多級壓縮 → 控制輸出”，機器人也是一樣。人類其實也是“光子進來，動作出去”，你的一生大部分時間就是視覺輸入和運動輸出。

Patel：但車和人形機器人差別很大，車的執(zhí)行器就那么幾個維度，轉向、加速、剎車；機器人光手臂、手指就幾十個自由度。而且 Tesla 在車上還有巨大優(yōu)勢，就是車在路上跑，天然收集了海量人類駕駛數(shù)據(jù)。機器人沒法像車那樣“先扔出去跑著收數(shù)據(jù)”，因為你不可能大規(guī)模部署一堆還不好用的 Optimus。自由度更高、數(shù)據(jù)更稀缺，這會怎么解決？

Elon Musk： 你指出了一個關鍵差異，就是車的訓練飛輪很難復制到機器人上。我們確實會有千萬量級的車在路上，這種數(shù)據(jù)規(guī)模機器人短期做不到。所以，我們要做的是造很多機器人，把它們放進一個類似 “Optimus Academy” 的環(huán)境，讓它們在真實世界里做 self-play。

我們會至少有上萬臺 Optimus，至少兩三萬臺做自我探索、做不同任務的測試。同時我們也有很強的仿真系統(tǒng)，車上用過的物理精度仿真，會同樣用于機器人。你可以讓現(xiàn)實世界里幾萬臺機器人干活，再在仿真里跑幾百萬臺。用真實世界機器人來“閉合仿真與現(xiàn)實的差距”，把 sim-to-real gap 縮到足夠小。

Patel：那 xAI 和 Optimus 的協(xié)同呢？

Elon Musk： 對，你可以讓 Grok 來編排 Optimus 的行為。比如你要建一座工廠，Grok 可以調度一群 Optimus，給它們分配任務，讓它們把工廠搭起來，生產你想要的東西。

John：那是不是意味著 xAI 和 Tesla 最終得合并？因為協(xié)同太深了。

Elon Musk： 我們剛才不是還在說“別聊公司結構”嗎？

Patel：那我換個問法，你還在等什么信號，才會下決心說“我們要造十萬臺 Optimus”？是硬件還要再成熟一點還是軟件還要更強？

Elon Musk： 我們已經(jīng)在往量產推進了。量產爬坡非常難，但大方向是這樣。我認為 Optimus 3 是適合推到“年產百萬臺”量級的版本；如果你要沖到“年產千萬臺”，可能需要 Optimus 4。

制造業(yè)的產出爬坡基本都遵循 S 曲線：一開始慢得讓人抓狂，然后進入指數(shù)上升，再進入線性，最后趨于平穩(wěn)。但 Optimus 會是一條被拉長的 S 曲線，因為它太多東西是全新的，因此沒有現(xiàn)成供應鏈。執(zhí)行器、電子系統(tǒng)，幾乎一切都是從第一性原理開始定制設計，不是從現(xiàn)成的里選。

John：“定制”的水到底到多深？

Elon Musk： 我們還沒到“連電容都自研”的程度，至少現(xiàn)在還沒有。但幾乎沒有什么東西能直接從目錄里買來就完事，所以前期爬坡會更慢，但最終會到百萬臺量級。

Patel：中國那些人形機器人價格能壓到幾千美元、上萬美元。你們是希望把 Optimus 的 BOM 壓到那個水平，正面打價格戰(zhàn)？還是你覺得它們本質上不是同一個產品，所以才賣得那么低？

Elon Musk：Optimus 的定位是足夠高的智能、接近人類甚至超過人類的機電靈巧度，很多便宜的小機器人沒有這個能力。而且 Optimus 體型也更大，是要長期搬重物、不發(fā)熱不過載、在執(zhí)行器功率范圍內穩(wěn)定工作的。它很高、很強、智能也高，所以必然比“小型、低智能”的機器人貴，但也不會貴很多。關鍵是，隨著 Optimus 機器人開始“造 Optimus 機器人”，成本會非?？斓赝碌?。

John：那最開始這一百萬臺 Optimus 會去做什么？最“值錢”的使用場景是什么？

Elon Musk： 一開始肯定先做那些你能確保它穩(wěn)定做好的簡單任務。而且早期最劃算的方向，是所有需要持續(xù)運行的工作，也就是全天候的任務，因為機器人可以連續(xù)工作。

Patel：如果放在 Giga Factory，Gen 3 大概能替代現(xiàn)在多少人類在做的工作？

Elon Musk： 我不確定，可能一到兩成，也許更多。但我們不會因此裁人。反過來，工廠的人數(shù)可能還會增加，只是總產出會漲得更快。換句話說，Tesla 的員工總數(shù)會增加，但機器人和汽車的產量增長會更夸張。最終效果是每個“人類”對應的汽車和機器人產出會大幅上升；同時人類員工數(shù)量也會上升。

中外有工作投入差距

John：你覺得還應該加碼更多出口限制嗎？比如無人機產業(yè)這類？

Elon Musk： 你得先承認一個現(xiàn)實，在大多數(shù)制造領域，中國都非常先進，真正落后的只是極少數(shù)環(huán)節(jié)。中國的制造能力是“下一層級”的強，很多人低估了。

就拿礦石冶煉和精煉來說，我粗略估計，中國的精煉能力大概是世界其他地區(qū)加起來的兩倍。還有一些關鍵材料，比如鎵的精煉，聽說全球絕大部分產能都在中國。所以整體上，中國在制造業(yè)的大多數(shù)環(huán)節(jié)都非常強。

Patel：如果“誰擁有更多熟練制造勞動力”決定了誰能更快造出人形機器人，中國先把規(guī)模做起來，就會先進入你說的“自我擴張”未來，然后一路滾雪球。你之前還說“做到年產百萬臺 Optimus”需要強制造能力，但那恰恰又是 Optimus 未來要幫你補齊的能力，這聽起來像個悖論。

Elon Musk： 遞歸閉環(huán)可以很快跑起來。先讓少量機器人幫著造機器人，遞歸閉環(huán)就能閉合，然后你就能沖到年產數(shù)千萬臺。如果某個國家能做到年產上億臺，那它會成為壓倒性的最強競爭者。

我們不可能靠純人力贏，而且美國跑得太久了，就像職業(yè)體育強隊打久了會松懈、會產生“理所當然”的心態(tài)，最后就不再贏。

我直觀感受是，中國平均工作投入度比美國更高。所以不是只有人口差距，還有工作投入差距。

John：有沒有一些東西是你過去很想做，但因為太費人、太貴，所以沒做成。現(xiàn)在有了 Optimus，你覺得終于能回頭把它做起來？

Elon Musk： 有。比如我們想在 Tesla 做更多精煉廠。我們在 Texas 的 Corpus Christi 剛建完鋰精煉廠并開始投產；在 Austin 這邊有鎳精煉廠，主要做電池正極材料相關。

這些項目在中國之外已經(jīng)算是非常大的精煉能力了，甚至可以說在美國幾乎“獨一份”。但還可以做得更多：更多精煉廠能提升美國的精煉競爭力。而這類工作很多美國人并不想做，不是因為它“臟”，其實我們的精煉流程沒有那種夸張的有毒排放問題，但現(xiàn)實是人就是不夠。

John：為什么不能用人做？只是沒人愿意？

Elon Musk： 不是“沒人愿意”那么簡單，是你根本湊不出足夠的人。你讓這些人去做精煉，他們就沒法去做別的。所以怎么建出足夠的精煉產能？你得靠 Optima。美國很少有人“向往”去做精煉這種長期密集的制造工作。

Patel：比亞迪的產量或銷量正在追上 Tesla。你覺得中國 EV 制造規(guī)模繼續(xù)擴大后，全球市場會怎樣？

Elon Musk： 中國在制造上極其有競爭力，所以我認為會出現(xiàn)一波巨大的中國車“洪水”，不只是汽車，還有大量其他制成品。我前面說過，基礎層才是關鍵：能源、采礦、精煉。中國在這些基礎層的規(guī)模大概是世界其他地區(qū)加起來的兩倍。所以很多產品不可避免帶有中國供應鏈的成分，然后他們會一路做到成品車。

中國就是制造強國，我甚至認為，中國的發(fā)電量會遠超美國。電力是實體經(jīng)濟的一個不錯代理指標：你要跑工廠、跑產業(yè)鏈，就離不開電。如果中國的發(fā)電量達到美國的三倍，那它的工業(yè)產能粗略看也會是美國的三倍。

如果你還要把 AI 規(guī)模推到太空，你需要太空能力、需要人形機器人、需要真實世界 AI，你需要做到每年百萬噸級別入軌運力。如果再進一步，把月球上的 mass driver 搞起來，那我覺得就算贏了。

破除大廠迷信，被挖人防不了

John：我們之前聊了很多你“怎么管人”的體系：你早期親自面了 SpaceX 最開始那幾千個員工。你當年在面試里到底在抓什么，是別人沒法替代的？

Elon Musk： 我本人不可能那樣。一天就那么多小時，這從邏輯上就不成立。不過你問我當時在看什么，我覺得我在“評估技術人才”這件事上，“訓練數(shù)據(jù)”比大多數(shù)人多得多，尤其是技術崗。

我做過太多技術面試，也見過面試后真實的結果，所以我的“訓練集”很大、覆蓋面也很寬。我一般要的不是簡歷有多漂亮，而是“異常能力的證據(jù)”，最好用 bullet points 列出來：你做過哪些明顯超出常人的事。這些證據(jù)不一定非得和崗位領域完全一致，離譜一點也行。只要對方能說出一兩件讓你聽完覺得“這人確實不一般”的事——如果能說出三件，那就是非常強的信號。

Patel：但為什么一定要你來判？難道不能交給別人？

Elon Musk： 當然不可能都我來。我們所有公司加起來二十萬人，我怎么可能親自判？

John：那早期你當時為什么覺得必須親自上？你在那些面試里抓的是什么而不能委派？

Elon Musk： 我得先建立自己的“訓練集”。如果我只面幾百人，我肯定會犯更多錯。面得越多，我就越能回看：我以為某個人會做得很好，結果沒做成，為什么？到底是哪種信號誤導了我？我相當于在“對自己做 RL”：不斷糾錯，提高命中率。我的命中率不是百分百，但確實很高。

Patel：那人選“沒成”的原因里，有什么是你覺得意外的？是你曾經(jīng)很看好最后卻翻車的那種。

Elon Musk： 我給自己的原則是，別太信簡歷，要信你和他面對面交流的感受。簡歷可能很華麗，但如果聊了二十分鐘，你發(fā)現(xiàn)對話質量不行，那就相信對話，不要相信紙面。

John：外界以前有個梗，說 Tesla 高管像“旋轉門”一樣來來去去。但實際上，Tesla 這些年高管隊伍挺穩(wěn)定的，而且很多是內部成長起來的。SpaceX 也有很多長期跟著你的人，比如 Mark Juncosa、Steve Davis。

Elon Musk： 還有 Gwynne Shotwell（你剛才說漏了她）。

John：對，感覺你能長期跑起來，一個重要原因就是你身邊有一批很強的技術副手。這些人到底有什么共同點？

Elon Musk：Tesla 的核心團隊現(xiàn)在平均在崗時間大概十來年，這很長。但也得承認，公司在不同階段需要的人不一樣：管五十人的團隊、五百人、五千人、五萬人，能力結構不可能完全同一撥人通吃。公司增長越快，管理崗位的變化也會越快，這是正相關的。

還有個額外挑戰(zhàn)：當 Tesla 處在很成功的階段，我們會被同行瘋狂挖人。比如 Apple 當年做電動車項目的時候，簡直是“地毯式轟炸”Tesla，招募電話打到工程師直接拔電話線的程度。他們甚至可以不面試，直接開出接近翻倍的薪酬把人挖走。那時候就出現(xiàn)一種“Tesla pixie dust”的迷信：好像只要挖一個 Tesla 高管過去，你家項目就會立刻起飛。

我也曾經(jīng)被這種迷信影響過，覺得從 Google、Apple 挖來的人，馬上就會神奇成功，但現(xiàn)實不是這樣。人就是人，不存在什么魔法加成。再加上 Tesla 主要工程團隊在加州，很多人跳槽都不用搬家，通勤差不多，成本很低，所以被挖得更兇。

John：那你怎么防？怎么避免這種“大家都來挖你的人”的局面？

Elon Musk： 我覺得基本防不了。你同時在 Silicon Valley，又疊加“pixie dust”效應，別人就會非常積極地挖人。

John：搬到 Austin 會好一點？

Elon Musk： 會好一點，但 Tesla 的工程師多數(shù)還是在加州，“讓工程師搬家”這件事仍然很難，很多人還有家庭、配偶工作之類的牽制。Starbase 更難，因為你去了 Brownsville、Texas，能找到一個“不在 SpaceX”的同類型工作幾乎不可能。那地方有點像“技術修道院”，很偏、基本都是男的。

John：回到本質，這些在 Tesla、SpaceX 技術上非常能打的人，除了技術很強之外，你覺得他們還有什么共同點？是組織能力？是能跟你配合？是足夠靈活但又不漂？什么才算你的“好對手”？

Elon Musk： 我不需要什么“對手”。很簡單，能把事情做成的人，我就喜歡；做不成，我就不喜歡。我也盡量不讓“適配我的個人偏好”變成招聘標準。

更通用的標準是：才華、沖勁、可信賴，而且“善良”也很重要，我會給這一條一定權重：他是不是個好人？是不是值得信任？聰明、有能力、肯拼、可信，這些底層特質是改不了的，領域知識可以后補，但這些本質屬性補不了。所以你會發(fā)現(xiàn)，Tesla 和 SpaceX 很多人一開始并不是來自汽車行業(yè)或航天行業(yè)。

Patel：那你的管理風格在公司從小到大擴張過程中，變化最大是什么？你一直以“微觀管理、鉆細節(jié)”出名。

Elon Musk： 我一天的時間是固定的，公司越大、事情越多，我的時間就必然被稀釋。所以，我不可能“持續(xù)微觀管理”，那意味著我每天得有幾千小時，這在邏輯上就不可能。

但有些時候我會把自己“下鉆”到一個具體問題里，因為它是公司進展的瓶頸。我往下“鉆”不是為了顯擺、也不是隨便挑小事，而是因為它決定了勝負。如果我把時間花在無關緊要的小事上，公司必然失敗，但也確實存在一些“很小但決定生死”的細節(jié)。

John：比如你當年把 Starship 的方案從復合材料改成鋼。

Elon Musk： 對，最開始我們計劃用復合材料，因為大家覺得碳纖維輕。問題在于，碳纖維即便規(guī)?；a，材料成本仍然很高，尤其是那種能承受低溫液氧環(huán)境、強度又很高的特種碳纖維，成本大概是鋼的幾十倍。室溫條件下，像 F1 這種結構件，碳纖維確實很有優(yōu)勢，但我們要造的是一枚巨型火箭，用碳纖維推進得非常慢。

更麻煩的是工藝，高強度碳纖維需要 Autoclave，本質是高壓烘箱。你要做九米甚至更大直徑的殼體，就得建一個史無前例巨大、極難制造的 Autoclave；如果用常溫固化，時間又太長、問題又多?？傊?，我們進展慢到受不了，所以我當時的判斷是：必須換路子。

Patel：為什么一定要你來拍板？團隊里那么多工程師，為什么他們沒自己得到這個結論？這關系到你在公司里真正的“比較優(yōu)勢”是什么？

Elon Musk： 因為我們在碳纖維上卡得太嚴重，只能換。

Falcon 9 的主結構用的是 aluminum-lithium，這其實是很好的策略，某些性能上不比碳纖維差。但 aluminum-lithium 很難加工，要焊它通常要用 friction stir welding，一種讓金屬不進入液相、用攪拌摩擦把它“揉”在一起的焊接方式。這種工藝對規(guī)?；浅２挥押?，更糟的是你想后期改結構、加東西，很多時候你沒法直接焊上去，只能靠機械連接再加密封。我不想讓 Starship 的主結構走這條路。

這時候我想到了鋼。因為歷史上 Atlas 火箭就用過“steel balloon tank”，所以不是沒用過鋼。更關鍵的是，你不能只看室溫性能，要看低溫下的材料屬性，某些應變強化過的不銹鋼，強度重量比其實可以接近碳纖維。Starship 的燃料和氧化劑都是低溫的，液態(tài)甲烷、液態(tài)氧，結構長期處于低溫環(huán)境。所以主結構基本是“低溫工況”。在這個情況下，不銹鋼的強度重量比并不吃虧。

而且它的優(yōu)勢太大了，原材料便宜得多，加工方便；你在戶外就能焊，甚至開玩笑說“抽著雪茄也能焊”；結構改動、外掛部件非常容易。如果你要加東西，直接焊上去就行。再算上耐熱性上，鋼的熔點比鋁高很多，大約是鋁的兩倍。Starship 再入時像“燃燒的流星”，耐溫能力決定了隔熱系統(tǒng)的重量。鋼能讓隔熱層顯著減重，迎風面熱防護可以大幅減薄，背風面甚至幾乎不需要那么多。

結果整體算下來，鋼反而可能比碳纖維版本更輕。因為碳纖維里的樹脂在高溫下會軟化、甚至融化；碳纖維和鋁的耐溫等級其實接近，而鋼耐溫空間大得多。這些都是非常粗的數(shù)量級解釋，但邏輯大概是這樣。

John：我去過 Starbase，我注意到一個現(xiàn)象，大家特別以“簡單”為榮，總有人跟我說 Starship 就是個“大鐵罐”，我們在招焊工，你只要會焊，來這兒就能焊。

Elon Musk： 我知道。但 Starship 其實是個非常復雜的火箭。

他們想表達的可能是：你不需要“在火箭行業(yè)干過”才能來做 Starship。只要人聰明、肯干、可靠，就能參與造火箭，不需要既往航天履歷。但機器本身，Starship 是人類造過最復雜的機器，沒有之一，差得非常遠。

John：具體復雜在哪些方面？

Elon Musk： 幾乎所有方面。我能想到的任何項目，都比這容易。也正因為這樣，歷史上從來沒有人做出“完全可重復使用”的軌道級火箭。沒人成功過，很多非常聰明的人、帶著巨量資源都失敗了。

我們現(xiàn)在也還沒徹底成功。Falcon 只能算部分可復用，上面級還不行。但 Starship 的 V3 設計，我認為是能做到全復用的，而全復用才是讓我們成為多行星文明的關鍵。說實話，哪怕一個普通的液壓閥門之類的小問題，都比把 Starship 徹底做成要容易。

John：現(xiàn)在 Starship 的瓶頸是什么？

Elon Musk： 先讓它別炸。真的，就這么樸素。那種大推力燃燒發(fā)動機，天生就“很想爆炸”。我們已經(jīng)有兩次 booster 在測試臺上炸了，其中一次把整個測試設施都炸沒了。一個小錯誤，就能造成巨大的損失。Starship 里裝的能量太嚇人了。

John：所以它比 Falcon 難，是因為能量更大？

Elon Musk： 一部分是能量更大，更重要的是大量新技術，性能邊界推得太極限。Raptor 是非常非常先進的發(fā)動機，毫無疑問是史上最強的火箭發(fā)動機，但它也“非常想炸”。我給你個直觀對比：起飛那一瞬間，整枚火箭輸出的功率超過一百吉瓦。

Patel：離譜。這個類比太震撼了。

Elon Musk： 對，而且還得“別炸”。有時候能做到，有時候做不到。爆炸的方式有上千種，不爆的方式只有一種。我們的目標其實不是“永遠不炸”，而是做到“可靠飛行”，最好能形成很高的發(fā)射節(jié)奏，比如一天多次、甚至一小時一次。但如果經(jīng)常炸，就很難維持高頻節(jié)奏。

如果你問“最大的單點難題是什么”，我覺得是把 heat shield 做到真正可復用。到目前為止，從來沒有人做出“可復用的軌道級熱防護系統(tǒng)”。它要在上升段扛住沖擊，不掉一堆 tiles；再入時也不能掉一堆 tiles，不能把主結構烤壞。

Patel：我挺好奇你怎么把那種“緊迫感、沖刺感”在組織里推起來。我看過一些你的傳記，總覺得你特別能把“必須現(xiàn)在就干、必須把這件事做成”灌進團隊。SpaceX 和 Tesla 現(xiàn)在都很大了，但你還能維持這種文化。別的公司為什么做不到？

Elon Musk： 我也說不好。

Patel：那你今天不是開了一堆 SpaceX 會議嗎？你到底在會議里做什么，能把這股勁維持?。?/strong>

Elon Musk： 緊迫感來自領導者。我的緊迫感非常強，強到有點“瘋”，這股勁會傳導到整個公司。

Patel：那是因為“后果”嗎？比如 Elon 定了瘋狂 deadline，如果我做不到就會出事？還是因為你能迅速識別瓶頸、清掉障礙，讓大家跑起來？你怎么理解你們?yōu)槭裁茨芘苓@么快？

Elon Musk： 我一直在處理 limiting factor（限制因素）。至于 deadline，我通常會設一個我認為“有五成概率能做到”的目標。它不是不可能，但一定是我能想到的最激進版本，這就意味著它一半時間會延期，但沒關系。排期這事也像“氣體膨脹定律”，你給多少時間，事情就會膨脹到占滿多少時間，你說“五年做完”，那它就會花五年。對我來說，五年幾乎等于無限長。

當然也有物理極限，比如制造業(yè)擴產的速度受限于“搬運原子”的速度。你不可能今天拍板，明天就年產百萬，你得設計產線、爬 S 曲線。但總體來說：強烈的緊迫感很關鍵；再配合一個激進但仍有機會的計劃，然后不斷找出當下的瓶頸，幫團隊把瓶頸打穿。

John：Starlink 其實醞釀了很多年。你們一開始在 Redmond 也有團隊，但后來你認為這個團隊不行。問題是它“慢”不是一天兩天，你為什么不更早動手？你又為什么在那個時點動手？怎么判斷“現(xiàn)在就是必須出手的時刻”？

Elon Musk： 我每周都會做非常細的 engineering reviews（工程審查），細到一種很不常見的顆粒度。我?guī)缀鯖]見過有制造業(yè)公司 CEO 能下鉆到我這個程度。所以我對真實進展其實掌握得很清楚，因為我們會把問題攤開講。

我也很信跨級會議，不是只聽直接匯報給我的人說，而是讓他們下面一層、再下面一層的人都在技術評審里直接說，而且不讓“提前排練”，不然你聽到的就是一堆被打磨過的漂亮話。

John：你怎么防止他們提前準備？隨機點名？

Elon Musk： 不用，就繞著會議室一圈走，每個人都更新。信息量確實很大，但你每周甚至一周兩次這么開，你就會有“這個人上次說了什么”的快照。你可以在腦子里把這些點畫成曲線：我們到底是在逼近解，還是在原地打轉？

我一般只在我確認“如果不采取極端措施，就沒有任何成功可能”的時候，才會下狠手。當我得出這個結論，就必須做果斷出手了。當年就是這樣判斷的，然后出手，把問題扳過來了。

Patel：你公司這么多，每一家都做這種深度工程理解、瓶頸識別、技術評審。你怎么把這套擴到五六七家公司？甚至一家公司里又像套娃一樣有很多“子公司”。這里的上限是什么？你能不能管到八十家公司？

Elon Musk： 看情況。有些公司我不會定期開會，因為它們在“順暢巡航”。如果一個東西進展很好，那我把時間花在那兒沒有意義。我分配時間完全按問題來：哪里卡、哪里慢、哪里是瓶頸，我就去哪里。

所以現(xiàn)實是，事情干得順的時候，他們很少見到我；事情卡住的時候，他們會經(jīng)常見到我。也不一定是“干得很差”，更準確就是：它是 limiting factor。

John：那如果某個東西在 SpaceX 或 Tesla 成了瓶頸，你會怎么介入？是每天 / 每周跟負責的工程師聊嗎？

Elon Musk： 多數(shù)瓶頸是每周一次，有些是每周兩次。比如 AI5 芯片評審就是每周兩次，固定在周二和周六。