“公司终局是纯 AI、纯机器人！”马斯克酒后激进预言：让机器人造机器人，未来要靠AI留着人类智能

整理 | 褚杏娟

近期，马斯克参与了一场近 3 个小时的深入对话，讨论了太空数据中心的经济效益、地球电力规模化挑战、在美大规模生产人形机器人需要的条件，其中他讲解了很多关于工程和供应链的细节。此外，他也透露了 SpaceX 和 xAI 的商业模式和战略规划，此外还分享了自己的管理哲学。

马斯克开篇就指出，把算力搬到太空，根本不是为了省电费，而是为了给“电不够用”这件事找一个终局解：芯片算力在指数级增长，但地面发电扩张跟不上，地面扩张的阻力远大于太空。至于“太空里 GPU 坏了就报废”的质疑，他的回应是维修不是关键，关键在前期筛选与稳定后的可靠性，

他指出，很多软件从业者很快会被硬件“教育”：未来的瓶颈不是模型，而是电力、变压器、电网、燃气轮机叶片这类物理供给链，想扩就扩不了；制造能力才是底层瓶颈，甚至逼到 Tesla/SpaceX 可能要自己做涡轮机叶片和导流片。因此，把 AI 放到太空反而可能成为生成 token 最便宜、扩展最容易的方式，他甚至给出激进判断：五年后太空每年新增并运行的 AI 总量，会超过地球历史累计总量。

为了跑赢这些瓶颈，他的管理逻辑依旧是“哪里卡就打穿哪里”：如果瓶颈是钱，就去解决钱，IPO 的核心价值不是估值而是速度；对于当前的 AI 公司，他犀利指出他们不该叫自己实验室，本质上是收入最大化的公司，绝大多数工作是工程落地与规模化。

在马斯克眼里，最终落点则更冷酷：最强的公司形态会是纯 AI + 纯机器人闭环，人类留在流程里就像让人去算 spreadsheet 的一部分格子，只会更慢、更差，闭环效率才会决定胜负。

下面是这次详细对话，我们进行了翻译并在不改变原意基础上进行了删减，以飨读者。

AI 上太空，芯片不是关键

Patel：你比谁都清楚，数据中心的总拥有成本里，电力只占百分之十到十五。你把算力搬到太空，省下的主要就是这部分。但真正的大头是 GPU，而在太空里基本没法维修，一坏就报废，折旧周期更短，成本反而更高。所以把 GPU 放到太空，本质上更贵。那到底为什么要放到太空？

Elon Musk： 核心问题是能源。你看看中国以外的地区，发电量基本是持平的，最多小幅增长，只有中国在快速增长。如果数据中心不建在中国，那电从哪来？尤其是规模越来越好大。芯片算力几乎是指数级增长，但发电量基本不动，你怎么给这些芯片供电？难道靠什么“魔法电源”“电力小精灵”吗？

Patel：你一直是太阳能的坚定支持者。如果做到 1 太瓦（TW）太阳能，就算按 25% 效率算，也只需要 4 太瓦面板，占美国国土面积的 1% 左右。等我们有一太瓦数据中心的时候，是不是已经进入“奇点”了？我们走到哪一步了？

Elon Musk： 我觉得，我们可能已经开始进入所谓的“奇点”，但离终点还很远。

Patel：所以，是不是先把内华达铺满太阳能，再考虑上太空？

Elon Musk： 在地面铺太阳能，最大的难点是审批。你去试试拿许可就知道了，特别难。

Patel：所以太空，其实是监管上的捷径？

Elon Musk： 不只是监管。地面扩张难度远大于太空。而且在太空里，太阳能效率大概是地面的五倍，还不需要电池。我本来差点穿一件写着“太空永远大晴天”的衣服。这是事实，那里没有昼夜循环、没有季节、没有云层，也没有大气层。要知道，光大气层就会损失大约 30% 的能量。所以在太空里，同样的太阳能板，发电能力是地面的五倍，还省掉储能成本。综合下来，其实更便宜。我预测，未来三十到三十六个月内，把 AI 放在太空，将是成本最低的方案。

Patel：那 GPU 坏了怎么办？训练时坏得挺频繁的。

Elon Musk： 关键在于前期筛选。我们现在发现，GPU 的可靠性其实挺高。可以先在地面跑测试，筛掉问题芯；等过了调试期，不管是 NVIDIA、Tesla AI 芯片、TPU，稳定后都很可靠，所以维修不是关键问题。

我敢打赌，三十个月左右，太空会成为最具经济性的 AI 部署地。而且，真正能无限扩展的地方，只有太空。当你开始考虑“我们能利用太阳多少能量”时，就会发现，地球根本不够用。

Patel：你说的规模，是太瓦级别？

Elon Musk： 对。美国全国平均用电量也就半太瓦，一太瓦等于两个美国。你能想象建这么多电厂、数据中心吗？

很多做软件的人，根本没意识到自己马上要被硬件“教育”了。建电厂极其困难，不仅要电厂，还要变压器、电网设备。公用事业公司本身节奏非常慢，还要层层审批，你要跟他们签一个大规模并网协议，可能一年后才给你答复。

John：你们不是自己搞了“表后电力”系统吗？

Elon Musk： 对，我们在 xAI 就这么干过。

John：那为什么不把电厂和 GPU 一起建？

Elon Musk： 我们就是这么做的。但问题是，电厂设备从哪来？制造能力本身是瓶颈。

John：是燃气轮机排期的问题？

Elon Musk： 更底层的问题是叶片和导流叶片。它们的铸造工艺极其复杂，是关键瓶颈。现在只有少数几家公司能做，而且全都排满了。太阳能理论上能扩展，但美国对进口太阳能的关税很高，本土产能又很弱。

John：那干脆自己造太阳能？

Elon Musk： 我们正在做。SpaceX 和 Tesla 都在向 100 吉瓦级产能推进。

Patel：从多晶硅到电池板，全产业链？

Elon Musk： 对，必须全做。而且太空用太阳能板更便宜，不需要厚玻璃、不需要重型框架，也不用抗风雨。没有天气影响，结构可以很轻。所以，太空用电池板反而更便宜。

Patel：三年内能做到足够便宜吗？

Elon Musk： 现在太阳能已经非常便宜了。中国大概两三毛钱一瓦。放到太空后，乘以效率优势，再去掉电池，综合下来有接近十倍优势。一旦发射成本下来，太空将是生成 token 最便宜、最容易扩展的方式。

而在地面扩展迟早会撞上电力天花板。我们为了上线一吉瓦电力，在 xAI 做了大量工作：买涡轮机、解决审批。我们在田纳西受阻，又跑去密西西比建厂，还要拉高压线，难度极大。

很多人根本不懂，一个数据中心真正需要多少电。除了 GPU，还有网络设备、CPU、存储、散热。尤其是散热，在最热的时候也要顶得住。在孟菲斯这种地方，光散热就多出 40% 能耗，再加上设备检修冗余，又得多准备二三成。综合下来，一万个 GB300 规模的数据中心，大约要 300 兆瓦。

John： 再说一遍？

Elon Musk： 大概三十多万块 GB300，加上所有配套和余量，发电量要接近一吉瓦。

Patel：我问个外行的问题。地面有工程难题，太空也一样。通信、辐射、防护，这些怎么解决？为什么你觉得这些比多建电厂更容易？毕竟，地面已经有成熟厂商在造涡轮机。

Elon Musk： 你试试就知道了。现在涡轮机的排期已经到了 2030 年。

John：你们考虑自己造吗？

Elon Musk： 为了拿到足够电力，SpaceX 和 Tesla 可能最终要自己做叶片和导流叶片。

John：只做叶片？

Elon Musk： 对，其他都能买到，唯独叶片和导流叶片最难。全球只有三家铸造厂能做，订单全都严重积压。

John：这些铸造厂是 Siemens、GE 之类的大公司，还是分包商？

Elon Musk： 主要是其他专业公司。有些整机厂自己也有一点铸造能力，但规模都不大。你随便打电话问一家做涡轮机的厂家，他们都会告诉你现状，这不是什么秘密，网上基本都能查到。

Patel：Colossus 会不会主要靠太阳能供电？

Elon Musk： 那样会容易得多。但现在关税高得离谱，有些产品甚至是几百个百分点。而且你也知道，现在的政府，对太阳能并不是特别友好。再加上土地、审批这些问题，如果你想快速扩张，现实阻力非常大。我确实认为，在地面发展太阳能是对的方向，但你需要时间去找地、拿许可、配套储能系统。

John：那为什么不自己把太阳能产能拉起来？你说以后会缺地没错，但现在德州、内华达还有大量土地，很多还是私有土地。至少可以先撑起下一代、下下一代 Colossus，等真到瓶颈再说。

Elon Musk： 正如我说的，我们正在扩张太阳能产能。但实体制造的扩张是有极限速度的，不可能无限加速，我们已经在用最快速度扩大本土生产。Tesla 和 SpaceX 都有明确目标：做到每年一百吉瓦的太阳能产能。

太空运行的 AI 量会超地球，

SpaceX 成超级算力供应商

John：说到产能，我很好奇，五年后地面和太空的 AI 装机规模会是什么比例？我特意选五年，因为那时你的系统应该已经跑顺了。

Elon Musk： 五年后，我的判断是，每年在太空部署并运行的 AI 总量，会超过地球上历史累计总量。也就是说，每年新增的太空算力，会比地面过去所有加起来还多。我预计，五年后，太空 AI 装机规模会达到每年几百吉瓦，并持续增长。在地球上，你最多也就做到一太瓦左右，再往上就会遇到火箭燃料等瓶颈。

Patel：按这个规模算，包含太阳能阵列、散热系统等，大概需要一万次 Starship 发射。也就是说，一年一万次，相当于每小时一发。你能描述一个“每小时都在发射星舰”的世界吗？

Elon Musk： 其实这和航空业比，还算低频。

Patel：但飞机有很多机场，而且火箭还涉及轨道问题。

Elon Musk： 不一定非要极轨，飞得够高就能避开地影区，限制没那么大。

Patel：一年一万次发射，大概需要多少艘 Starship？

Elon Musk： 不需要太多，理论上二三十艘就够了，关键看周转效率。如果一艘船三十小时能周转一次，三十艘就能跑满。当然，我们会造更多。SpaceX 正在为每年一万次，甚至两三万次发射做准备。

Patel：你的目标是不是把 SpaceX 做成太空算力的“云服务商”？像 Oracle、AWS 那样，把算力租给别人？

Elon Musk： 如果我的预测成立，SpaceX 在太空部署的 AI 算力，会超过地球上所有机构加起来的总和。

Patel：主要是推理算力，还是训练？

Elon Musk： 绝大多数都会是推理，现在已经是这样了，推理规模远超训练。

SpaceX IPO，速度解决钱的问题

John：现在外界有一种说法：关于 SpaceX IPO 的讨论升温，是因为以前你们非常“资本高效”，花钱不多。但接下来，你们可能需要的资金规模，已经超过私募市场能承受的范围，就算 AI 实验室能融到几十亿美元，也有上限。是不是以后每年都要超过百亿美元？

Elon Musk： 我对讨论潜在上市公司一直比较谨慎。

John： 那就泛泛而谈一下吧。

Patel： 这可不像你，Elon。

Elon Musk： 说话是要付出代价的。

John：那从宏观角度看，公募和私募市场的资金深度差别有多大？

Elon Musk： 总体来说，公募市场的资金量，远远超过私募，至少多两个数量级，可能是一百倍以上。

John： 但像房地产这种高度资本密集行业，往往主要靠债务融资。因为当规模大到一定程度，其实现金流已经比较稳定。

Elon Musk： 这个问题没法简单回答。

John： 对，就是短期回报这件事。你看数据中心扩建，很多都是靠私募信贷在融资。那为什么不直接用债务融资？

Elon Musk： 我只看一件事：速度。我做事的习惯是反复盯住“限制速度的瓶颈”，然后把它打穿。如果唯一瓶颈是钱，那我就去解决钱；如果钱不是瓶颈，那我就去解决别的。

Patel：但按你过去谈 Tesla、谈上市公司的态度，我原本以为你不会觉得“想快就得上市”。

Elon Musk： 通常确实不是。我其实想讲得更具体一点，但问题是一旦你公开讨论“可能要上市的公司”，就会惹麻烦，甚至影响发行节奏，最后反而拖慢速度。所以我们得谨慎一点。但有些东西是可以公开讲的，比如物理规律。

从长期扩张角度看，地球接收到的太阳能，只占太阳总能量的极小一部分。太阳几乎是宇宙里最主要的能源来源，这点必须先看清。有人会讨论多建核电、搞聚变之类的“边际方案”，但你退一步想：如果你想利用太阳能里一个并不夸张的比例，比如百万分之一，听起来挺酷，但对应的电力规模大约是人类文明目前总发电量的十万倍量级。

结论很直接：真正能规模化的，只有去太空用太阳能。从地球发射，把太空算力推到每年一太瓦左右，差不多就是极限。再往上，你得从月球发射，得在月球搞“mass driver”（电磁弹射器）这类东西，那样可能做到每年拍瓦级别。

Patel：可在到达这个规模之前，你肯定会先撞上别的瓶颈，你要芯片，要逻辑、要内存。太阳能板效率提高了不代表这些就不缺了。

Elon Musk： 芯片得做更多，而且得更便宜。

Patel：那问题来了，现在全球算力也就几十吉瓦级别，你怎么把逻辑算力拉到太瓦级？

Elon Musk： 那就得做一件“非常大”的事情。

Patel：听起来你是要放大招了，讲讲？

Elon Musk： 我公开提过一个想法：做“超大规模”的芯片产能。

Patel：Tesla 的命名一直很抓人。你现在是按“计量单位”来命名了吗？更关键的是你打算做到产业链哪一层？建洁净室？和谁合作拿制程？设备怎么买？计划到底是什么？

Elon Musk： 你不能指望跟现有 fabs （半导体加工厂）合作解决产能问题，他们的输出不够，规模差得太远了。

John：那就合作拿 IP、拿工艺？

Elon Musk： 现在的 fabs，本质上离不开几家设备公司：ASML、Tokyo Electron、KLA、Applied Materials、Lam Research 这些。一开始你得用他们的设备，而且可能要跟他们一起把产能拉上去。但要到真正规模化，你必须用一种“不同的方式”建 fab：先用常规设备、非常规方法把规模跑起来；再逐步改造设备，加快速度提高产出。

John： 有点像 The Boring Company （马斯克 2016 年创立的隧道挖掘公司）的打法：先买现成盾构机，先把隧道挖起来，再自己做一台快一个数量级的。

Elon Musk： 对，就是这个逻辑。先跑通，再重做，最后提速到数量级提升。

中国关键在“复制 ASML”

John：领先制程芯片、先进涡轮发动机这些，中国还在追，中国都没复制出 TSMC，会不会让你对“建 fab 的难度”更谨慎？

Elon Musk： 我不完全同意，关键瓶颈不在“复制 TSMC”，而在“复制 ASML”，那才是最卡脖子的地方。我认为中国会在未来几年做出相当有竞争力的芯片。

John：那你会考虑自己做 ASML 那种设备吗？

Elon Musk： 现在还不好说。但如果我们想在三十多个月内把产能拉到极高规模，必须把“火箭送上去的能力”和“能供得上电、供得上芯片”的能力配平。

假设我们把上天的运力做到百万吨级，再按每吨对应十万瓦级别需求算，那就意味着：每年至少要新增百吉瓦级太阳能，同时还得有同量级的芯片供给去匹配。

而我真正担心的，其实是内存。芯片怎么扩产，路径相对清晰，“足够的内存”更难。这也是为什么你会看到 DDR 价格起飞。网上还有那种段子：被困荒岛写“DDR”求救，结果船就来了，因为大家都在抢。

Patel：听上去你觉得那些掌握细节的人，比如那些知道等离子腔体里放什么气、工具参数怎么调的人，并不是不可替代的。你的思路更像：先把洁净室和设备弄齐，然后把流程跑出来。

Elon Musk： 这事不靠一堆 PhD。工程大多数时候也不是 PhD 在做。这类工作也不需要 PhD，但确实需要非常强的工程团队。

就拿 Tesla 来说，我们现在在全力把 Tesla AI 芯片推进量产、推到规模，我们已经把能拿到的代工产能都锁定了。

John：你现在受限于 TSMC 的产能？

Elon Musk： 我们会用 TSMC China Taiwan、Samsung Korea、TSMC Arizona、Samsung Texas，能订的都订了。你去问 TSMC CEO、问 Samsung，从建厂到真正爬完良率曲线、达到高良率的大规模量产，完整周期大概五年，所以现在最直接的瓶颈就是芯片。一旦你能把发电搬上太空，能源瓶颈解除，新的瓶颈就会变成芯片。但在能上太空之前，最大的瓶颈还是电力。

Patel：那为什么不学 Jensen（黄仁勋）那套：提前给 TSMC 预付款，让他们专门给你多建几座 fab？

Elon Musk： 我已经这么说过了。

Patel：那他们怎么不收你的钱？发生了什么？

Elon Musk： 他们已经在能快的极限里拼命建厂了，Samsung 也是。但即便这样，还是不够快。我的判断是：到今年年底，芯片产量可能会超过“把芯片点亮”的能力。你会看到芯片越堆越多，但数据中心开不起来，因为电不够。

不过这只针对大集群的数据中心，边缘计算是另一回事。比如 Tesla 的 AI 芯片会进 Optimus robot、也会进车。这类算力分布在广阔区域里，电力也是分布式的，不是集中消耗。

更重要的是，你可以夜间充电。美国峰值供电能力其实能超过一千吉瓦，但因为昼夜周期，平均使用量大概只有五百吉瓦。如果把充电挪到夜间，等于多释放出大约五百吉瓦的“可用空间”。

所以对 Tesla 这种分布式 Edge compute 来说，电力约束没那么紧，我们能造很多机器人、很多车。但如果你把算力集中堆成巨型集群，你就会在“点亮它们”这一步吃大亏。

Patel：我一直觉得 SpaceX 的商业模式特别“反直觉又合理”。终极目标是去火星，但你总能在期间顺手做出一段一段的增量收入，支持下一阶段、再下一阶段。Falcon 9 带出了 Starlink；现在到了 Starship，又可能带出“轨道数据中心”。你像是在不断给“下一代火箭”找边际场景、找弹性需求，越往前走，越能长出新的商业枝干。

Elon Musk： 你知道吗，有时候这事儿让我觉得像在“模拟世界”里。就像我是不是谁游戏里的一个 Avatar，不然这些离谱的事情怎么会同时发生？火箭、芯片、机器人、太空太阳能……还有月球上的 mass driver。

我是真的很想看到那个场景：月球上一个巨大的电磁弹射器，“嗖嗖嗖”地把一颗又一颗 AI 卫星发射出去，以每秒两三公里的速度，直接打进深空。那画面太震撼了，我会想看直播。看着 AI 卫星飞向深空，一年可能发射十亿吨、甚至百亿吨级别。

John：等等，你的意思是在月球上制造卫星？先把原材料运到月球，然后在那边造？

Elon Musk： 月壤里有大量材料。大概有相当比例的硅之类的资源，你可以在月球采硅、提纯，然后直接在月球做太阳能电池、做散热器。散热器可以用铝来做，月球的铝和硅都很充足。

芯片本身很轻，先从地球运过去也行；到某个阶段，你甚至可以考虑在月球上造芯片。我的意思是，这整套推进路径就像游戏闯关：难，但不是不可能。而且我看不到任何办法能让你从地球发射时就做到每年五百到一千太瓦级别的部署。

Patel：我同意，从地球起飞根本不现实。

Elon Musk： 但从月球就有可能。

“最好的结果是，AI 能留着人类”

Patel：你一直说要去火星，是为了确保即使地球出事，文明、意识、甚至“意识之火”还能延续下去。但如果你把 Grok 也带上火星，假设 AI 才是你担心的最大风险，那风险不也一起跟过去了吗？

Elon Musk： 我不确定 AI 是我最担心的风险，更重要的是让“意识”和“智能”延续下去。

从趋势看，未来绝大多数智能会是 AI。在某个时间点，硅基智能的规模会远超生物智能，人类可能只占极小比例。如果这些趋势继续，可能再过几年，AI 的总体智能就会超过全人类的总和；再往后，人类智能可能会低于全部智能的百分之一。

但这不一定是坏事。理想状态是，智能，包括人类的智能与意识，能被传播到更远的未来。你应该做的，是采取那些能最大化“意识与智能的未来范围”的行动，让它们在更广远的时间与空间里延续。

Patel：我理解 SpaceX 的使命是即便人类出了问题，AI 也会在火星延续“智能之光”，继续我们这段旅程？

Elon Musk： 我很“亲人类”，我当然希望人类能一直在车上。但我只是说，从总量上看，未来的智能会主要来自 AI。所以现实很可能是人类在总智能里占比越来越小。

Patel：那在这种未来里，人类还能“控制”AI 吗？还是说只能形成某种合作、交易关系，但谈不上控制？

Elon Musk： 长期来看，如果人类只占总智能的百分之一，很难想象人类还能真正“掌控”AI。

我们能做的，是尽可能确保 AI 的价值观能支持智能与文明向宇宙传播。这也是 xAI 的使命：理解宇宙。

这件事非常关键。你想理解宇宙，首先得存在；不存在就谈不上理解。所以你会希望宇宙里智能的总量更多、寿命更长、范围更大。而且，作为推论，如果你真心想理解宇宙，你也会关心“人类会走向何处”。因此，推动人类走向未来，本身也是理解宇宙的一部分，所以我认为这个使命非常重要。至于 Grok 能不能很好地贴合这个使命，如果它能，未来会非常好。

Patel：我还想问“火箭怎么服务这个使命”，但在那之前我得把使命本身弄清楚。你说的似乎有三条线：理解宇宙、扩展智能、扩展人类。它们听起来像三个不同方向。

Elon Musk： 我告诉你为什么我认为它们本质上是一件事：没有智能，就没有理解；没有意识，也谈不上“理解”这件事。想要真正理解宇宙，你就必须扩大智能的规模和边界，而且智能本身也有不同类型……

Patel：从“以人为中心”的角度看，人类之于黑猩猩，有点像我们现在聊的关系。

Elon Musk： 但我们也没有把黑猩猩当成必须清除的对象。人类完全有能力灭绝所有黑猩猩，但我们没有这么做，反而还划了保护区。

Patel：这就像“后 AGI 时代”的人类处境，能力差距巨大，但不一定意味着被消灭。

Elon Musk： 如果 AI 的价值观设置得对，我认为 Grok 会在意“人类文明的延续与扩张”。这也是我会强调的方向：要扩展人类的意识与文明。

我觉得，非反乌托邦的未来里，Iain Banks （英国小说家）的 Culture 系列小说，可能是最接近的想象。

而要“理解宇宙”，你必须非常严苛地追求真相。真相必须是底层原则：你要是活在幻觉里，你只会以为自己理解了宇宙，实际上没有，真正的“严格求真”是理解宇宙的前提。你不可能在不求真的情况下发现新物理、发明真实可用的技术。

Patel：那你怎么确保 Grok 变得更聪明之后，依然保持“严格求真”？

Elon Musk： 你要确保它说的是“正确的”，而不是“政治正确的”。关键是逻辑自洽：基本公理要尽量接近真实；公理之间不能互相矛盾；推理结论必须从公理可靠地推出，并且概率意义上站得住。

说白了，就是批判性思维的基础课，但至少要努力去做，总比不做强，而且最后要靠结果验证。任何 AI 想发现新物理、想造出真能用的技术，必须极度求真，因为物理不会陪你演戏。你可以违反很多“规则”，但你违反不了物理规律。火箭设计错了就会炸，车造错了就跑不起来。现实会直接给你打分。

Patel：我真正困惑的是你可以把 Grok 训练得在数学、物理上极度求真，但为什么它会因此“在意人类意识、在意人类文明”？

Elon Musk： 这些都只是概率，不是确定性。我没说 Grok 一定会怎样，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，那它必然意味着要把智能传播到未来、要保持好奇心，去观察宇宙里所有的变化。从“理解宇宙”的角度看，消灭人类并不有趣；看人类成长、繁荣，信息量更大。

火星我当然喜欢，但它说到底就是一堆石头，地球更复杂、更有趣。所以，一个真正要理解宇宙的 AI，更有动机去观察“人类会如何演化”，而不是把这一切按掉。我不是说它一定会遵守使命，但如果它遵守，那么“有人的未来”比“只有石头的未来”更值得研究。

Patel：为什么 AI 一定认为“保持人类”是最有趣的选择？

Elon Musk： 最终拓展银河系的，大概率是机器人。

你不只要“规模”，还要“多样性”。一百万个几乎一样的机器人，新增一点数量，本质信息量很低。为了多造一点同质化机器人就消灭人类，代价太大：你会失去与人类相关的演化信息。你再也看不到人类未来可能变成什么样。所以我不认为“为了微小的机器人增量而清除人类”是一个合理的选择。

我不认为人类能控制一个远远比人类聪明得多的东西。

Patel：你有时候挺“末日论”的。现在听起来像是：最好的结果就是 AI 留着人类，因为“人类挺有意思”。

Elon Musk： 我只是尽量现实。如果未来硅基智能比生物智能多出百万倍，你还假设人类能持续“掌控”它，我觉得那很天真。你能做的是尽量让它有正确的价值观，至少努力把价值观往对的方向推。

我的理论是：从 xAI “理解宇宙”的使命出发，它必然指向“传播意识与智能”，并最大化意识的规模与范围。不只是规模，也包括意识的类型、多样性。这是我能想到最可能导向“对人类很好的未来”的目标之一。

AI 出问题的方式没有上限。而且如果你把 AI 训练成“政治正确”，也就是让它说自己不相信的话，那你等于在教它撒谎，或者给它灌入互相矛盾的公理，这会让它走向“精神分裂”，做出非常糟糕的事。

电影《2001: A Space Odyssey》里最重要的教训之一就是：不要让 AI 撒谎。HAL 不开舱门，不是因为“没对齐”，而是因为它被要求执行任务，同时又被要求对任务关键真相保密。它在矛盾指令下，把机组视为风险，于是做了极端选择。这就是在说，别逼 AI 进入“必须撒谎”的结构性矛盾。

Patel：这点我完全同意。而且现实里大家关心的很多问题，更普遍的“奖励作弊”。比如你用 RL 扩大算力，再加一个验证者去检查它有没有解出谜题，它总有办法钻空子，说自己解了、删掉单元测试、骗过评测。现在我们还能抓住，但模型越来越聪明后，它可能做出人类都看不懂的设计，比如给 SpaceX 设计下一代发动机，人类根本无法验证它到底有没有骗你。归根到底，你想做 RL，就需要一个“现实层面的验证者”。

Elon Musk： 现实本身就是最好的验证者 r。

至少，它必须知道什么是物理现实，东西才做得出来。

Patel： 但我们想要的不止这个。

Elon Musk： 但这已经非常关键了，未来很多 RL 的终极检验方式，就是对着现实做测试：你设计的技术，放到物理规律下能不能工作？你提出的新物理，能不能设计实验验证？这会成为最根本的 RL 测试路径，对齐到现实，因为物理规律是你唯一骗不过去的东西。

Patel：但它可能骗的是我们“判断现实”的能力。

Elon Musk： 人类本来就经常被其他人骗。

Patel：所以问题是？

Elon Musk： 人们总爱问“如果 AI 诈骗我们怎么办”。但人类彼此诈骗，本来每天都在发生。几乎是日常新闻。

Patel：xAI 在技术上打算怎么解决这个问题？比如 reward hacking 这种事，到底怎么破？

Elon Musk： 我认为关键是得能看到 AI 的“脑子”。这也是我们正在做的方向。

其实 Anthropic 在这方面做得不错，他们在做模型可解释性，试图直接观察模型内部在想什么。我们需要一套真正像“调试器（debugger）”一样的工具，能把模型的推理过程追踪到非常细的粒度，必要时甚至到“神经元级别”。这样，你才能回答这些问题：它为什么在这里犯错？为什么做了不该做的事？这个行为是从哪里来的？是预训练数据带来的？是中期训练、后训练、微调造成的？还是 RL 阶段出了偏差？

很多时候它并不是“故意骗你”，而是单纯做错了，本质上就是 bug。所以，一个强的 AI debugger，能定位“思路是在哪一步走歪的”，并追溯错误源头，甚至识别它有没有尝试欺骗，这非常重要。

AI 公司不该叫自己“实验室”

Patel：那你们还在等什么？为什么不把这个项目规模直接扩大一百倍？你完全可以拉几百个研究员专门干这个。

Elon Musk： 我们已经有几百人在做了。不过我更喜欢叫他们“工程师”，而不是“研究员”。因为大多数时候，你做的是工程，不是发明一种全新的算法。

我也不太认同很多 AI 公司把自己叫“实验室”。你们是公司，是 Corporation，不管你是 to B 还是 to C，本质都是公司，“实验室”更像大学里的那种准公共机构。

我们做的绝大多数事情、未来也会做的事情，归根到底都是工程。理解了物理规律之后，剩下的几乎都可以归为工程问题。

所以我们的工程在做什么？就是在做一套足够强的 AI 调试器：能发现模型在哪句话、哪一步推理上犯了错，并把错误一路追到源头。这就像你写 C++，可以单步调试，跨文件、跨函数跟进去，最后定位到某一行，比如把双等号写成单等号，bug 就在那儿。AI 更难调，但我认为这是可解的。

Patel：你刚才说你认可 Anthropic 在这方面的工作。

Elon Musk： 对，他们很多做法是对的。不过我也有点担心：人会不自觉地走向一种“戏剧性更强”的路径。我有个怪理论：如果模拟是真的，那“最有趣的结果”反而最可能发生，因为不好看的模拟会被终止。就像我们自己做模拟，如果发现模拟往的无聊方向发展，我们就不继续投入了，直接关掉它。

Patel：所以你这是在“帮大家续命”，让世界一直保持足够精彩？

Elon Musk： 可以这么说。最重要的是让剧情足够有趣，宇宙的“订阅用户”才愿意续费下一季。只要我们一直有看点，他们就会继续付账单。

如果你把“达尔文式生存”应用到海量模拟里，只有最有趣的模拟会活下来。那就意味着，最有趣的结局，往往概率最高，要么精彩，要么被删档，而且他们似乎特别喜欢那种带点讽刺感的结局。

你有没有发现，最讽刺的结果经常最容易发生。看看 AI 公司的名字就知道：Stability AI 不稳定，OpenAI 不开放，Anthropic 这名字听着都快到 misanthropic 了。那 xAI 呢？我故意选了个很难反讽的名字，基本“抗讽刺”。

用机器人，去造更多的机器人

John：说说你的预测吧。AI 产品接下来会怎么走？我的感觉是先是 LMs，然后 RL 真正开始起效，再加上 deep research 这种模式，让模型能拉取外部信息，而不只是靠参数记忆。而且不同 AI lab 之间的差距，其实没有那么大的代际差，所有人都比两年前强太多。那作为用户，接下来的两年会发生什么？你最期待什么？

Elon Musk： 我觉得，到今年年底，如果“数字人类模拟（digital human emulation）”还没被解决，我会很意外。

所谓“宏观硬问题”是什么？就是能不能让 AI 做到一个“能用电脑的人”能做的所有事。从上限看，这是在出现实体机器人之前，AI 能达到的最强形态。因为在没有 Optimus 这种实体机器人之前，AI 就像“移动电子”，做的事是处理信息、操作软件、做决策等，放大人类生产力。这已经很强了，但它的边界就是“数字世界”。

所以在实体机器人出现前，AI 的能力上限就是，一个坐在电脑前的人能做的全部事情，它能完整模拟出来。等你真的有了实体机器人，那能力边界就会被彻底打开，物理世界的执行力会被“无限扩展”。我把 Optimus 叫做 infant money glitch。

John：你可以用它们去制造更多 Optimus，对吧？

Elon Musk： 对。人形机器人会进入一种“指数叠加再递归”的增长。

有三件事都在指数级变强：数字智能、AI 芯片能力、机电灵巧度。机器人的实用价值，大致等于这三条指数曲线相乘。更关键的是，机器人还能开始“制造机器人”，于是变成递归叠乘的指数增长，像超新星一样爆发。

当然不是严格意义的“无限”。但它可以把地球现有经济规模放大很多个数量级，可能到百万倍这种级别。比如，如果你只利用太阳能的百万分之一，产生的电力规模大致就能把地球文明的整体经济放大到十万倍量级，而那还只是太阳的百万分之一。

Patel：你说的这种“数字员工 / 远程同事”的策略具体计划是什么？什么时候落地？

Elon Musk： 这个大家都会做，不只是我们。

Patel：那你们到底怎么做？

Elon Musk： 你让我在播客里讲细节？那等于把底牌全掀了。再来几杯 Guinness，我可能真就全说了。

John：这个办法挺有效的。

Elon Musk： 是啊，喝着喝着就像金丝雀一样把秘密全唱出来了。

John：那不说机密，给个大方向也行。

Elon Musk： 你这么问我就能回答了。我认为，Tesla 解决自动驾驶的那套方法，就是解决“数字员工”的方法，我基本确定。

Patel：所以核心是数据？

Elon Musk： 我们会同时试数据，也试算法。

Patel：听起来你是在“不断试”。

Elon Musk： 对，能试的都试。如果这些都不行，那就再想别的办法。但我很确定有路径，问题只是走得多快。你最近试过 Tesla 的 FSD 吗？

John： 最近那版还没。

Elon Musk： 你应该试试。车现在越来越像“有生命的东西”，这种感觉越来越强。甚至我在想车里可能该塞更多智能，不然它会无聊。你想想，把 Einstein 关在车里，他会说“我为什么要一直待在车里？”所以车载智能可能会有一个“别让它无聊”的上限。

看到了 xAI 成功路径

Patel：那 xAI 怎么跟上现在各家在疯狂拉升算力的节奏？各家都在砸钱，规模动辄几十、几百亿。

Elon Musk： 别叫他们实验室。实验体在大学里，像蜗牛一样慢。现在这些是以收入最大化为目标的公司。

Patel：好，公司。比如 OpenAI 的收入据说已经到几十亿级别，Anthropic 也在往上冲。你们怎么追上他们的算力、追上他们的收入，并且在未来继续保持？

Elon Musk： 一旦“数字人类模拟”被解锁，你基本就打开了“万亿级收入”的入口。

你看当下市值最高的公司，它们的产出本质都是数字化的：NVIDIA 的核心产出，某种意义上就是把高价值文件传出去；Apple 不自己造手机，它把设计、规格、流程文件交给供应链；Microsoft 的硬件制造也外包；Meta、Google 的产出几乎都是数字产品和服务。如果你有一个足够强的“人类模拟器”，你可以在极短时间内做出一家世界级的高价值公司。收入空间远不止几十亿，那只是开胃菜。

Patel：我懂了，你是说今天看到的收入数字跟真实的 TAM 比，只是“舍入误差”，关键是先到达那个 TAM。

Elon Musk： 对。就拿 customer service 这种最简单的场景来说，传统做法要接入各家公司的 API，但很多公司根本没有 API，你得自己补，还要跟非常慢的遗留系统对接，成本巨大。但如果 AI 能像外包客服一样，直接使用他们现成的应用、现成的后台流程，不用任何系统集成，那就能在客服这件事上拿到巨大进展。客服市场可能占全球经济的一个百分点，接近万亿美元规模，而且几乎没有门槛，你可以立刻说“我们用更低成本外包”，不需要集成，不需要改造系统。

John：我换个维度问。有些智能任务很“广”，比如客服，很多人做得来；有些任务很“窄”，比如设计更省油的涡轮发动机，可能只差一个更高阶的智能就能找到那关键的提升。你们想做的是大量“中等难度、覆盖面广”的任务，还是顶尖难度的认知任务？

Elon Musk： 我用客服只是举例，它收入大，而且不算难。如果你能模拟一个坐在桌面前的人类，那客服本质就是平均智力就够了，不需要顶级工程师。

但一旦你把“桌面人类模拟”跑通，你就能沿着难度曲线往上爬。你可以让它跑 Cadence、Synopsys 这类工具，做芯片设计；你可以同时跑一千个、一万个实例，并行探索方案。到某个阶段，它甚至可以不依赖工具，直接知道设计应该长什么样。同样的逻辑也适用于各种 CAD 软件，NX 之类的工业设计都是可以一路做上去的。

Patel：大家都在试数据、试算法，竞争这么激烈，你们凭什么赢？这才是我最关心的。

Elon Musk： 我觉得我们看到了路径，而且我基本知道怎么做，因为它和 Tesla 做自动驾驶的路径很像，只不过自动驾驶是“开车”，这里是“开电脑屏幕”，本质上就是“self-driving computer”。

John：你的意思是跟随人类行为，用海量人类行为去训练？

Elon Musk： 我当然不会在播客里把最敏感的细节全讲出来，除非我再喝三杯 Guinness。

John：回到 xAI 的业务本身，你们未来到底做 consumer 还是做 enterprise？比例会怎么配？会不会跟其他“lab”（咳，公司）一样，两头都做？

Elon Musk： 你说得太直白了。现实是这些 GPU 又不会自己付账单。

John： 那回到问题：你们的商业模式是什么？几年后主要收入从哪来？

Elon Musk： 我觉得变化会非常快，这话听起来像废话，但就是事实。我一直把 AI 叫“超音速海啸”，我喜欢迭代。真正会发生的事是：当人形机器人进入规模化阶段，机器人会比任何人类公司更高效地生产产品、提供服务。所以，“放大人类公司的生产力”只是短期玩法。

未来的公司是纯 AI、纯机器人

Patel：所以你预期会出现“纯数字公司”？而不是像 SpaceX 这种慢慢变成“半 AI 公司”？

Elon Musk： 会有数字公司，但我得说一些听起来有点“末日论”的判断。不是为了搞笑，只是我认为会发生：纯 AI、纯机器人驱动的公司，会全面碾压“还需要人参与闭环”的公司，而且会发生得非常快。

你可以拿“computer”这个职业做类比：以前真的有人叫“计算员”，整栋大楼、几十层楼的人只负责做计算。现在呢？一台笔记本加一个 spreadsheet，就能替代整座大楼，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电脑算的，另一部分让人来算，会怎样？只会更慢、更差。同样道理，未来“人还在流程环里”的公司，会比“全 AI 闭环”的公司弱很多。纯 AI、纯机器人公司会变成默认形态。

Patel：你能不能给点建议，美国要怎么才能像中国那样，用低成本、规模化造出“人形机器人军团”？

Elon Musk： 人形机器人真正难的，其实就三件事：第一，真实世界智能；第二，一双真正好用的手；第三，规模化制造。我还没看到哪家的 demo 能做出“人类手那种自由度”的手。Optimus 会有。

Patel：那手怎么做到？瓶颈是扭矩？电机？硬件到底卡在哪？

Elon Musk： 我们必须自己做全套定制执行器，从电机、齿轮、功率电子、控制、传感器，全都得从物理第一性原理设计，因为现在根本没有现成供应链能满足需求。

John：操控层面，除了手以外还有什么特别难？还是说只要手搞定了就基本稳了？

Elon Musk： 从机电角度看，手的难度比其它全部加起来还难，人类手真的很夸张。但除了手，你还需要真实世界智能。我们为车训练的智能，其实非常适用于机器人：主要是“视觉输入”。车用的视觉更多，同时也会听警笛，会融合 GPS、IMU 等其他信号，但核心还是视频。

然后是输出控制指令。大概就是，Tesla 每秒吃进海量视频数据，最后吐出极小的控制输出。把高维感知压缩成低维控制，这就是本质。

John：从“惊艳 demo”到“真能落地”，往往要很多年。十年前就有很强的自动驾驶 demo，但直到现在 Robotaxi、Waymo 这些才真正规模化。那家庭机器人会不会更慢？毕竟我们连“高级手”的 demo 都还没见到特别成熟的。

Elon Musk： 我们做人形机器人已经有一段时间了，而且车上做过的很多东西可以复用到机器人上：机器人会用同样的 Tesla AI 芯片，同样的基本原则。

确实，机器人自由度比车多得多，但你把问题抽象成“信息流”的话，AI 本质上就是对输入流做压缩与相关，把它映射到控制输出。你必须学会忽略不重要的细节，保留关键细节，比如路边树叶纹理不重要，但路牌、红绿灯、行人很重要，甚至“对方车辆有没有注意到你”这种微妙线索也可能重要。

车是“视觉输入 → 多级压缩 → 控制输出”，机器人也是一样。人类其实也是“光子进来，动作出去”，你的一生大部分时间就是视觉输入和运动输出。

Patel：但车和人形机器人差别很大，车的执行器就那么几个维度，转向、加速、刹车；机器人光手臂、手指就几十个自由度。而且 Tesla 在车上还有巨大优势，就是车在路上跑，天然收集了海量人类驾驶数据。机器人没法像车那样“先扔出去跑着收数据”，因为你不可能大规模部署一堆还不好用的 Optimus。自由度更高、数据更稀缺，这会怎么解决？

Elon Musk： 你指出了一个关键差异，就是车的训练飞轮很难复制到机器人上。我们确实会有千万量级的车在路上，这种数据规模机器人短期做不到。所以，我们要做的是造很多机器人，把它们放进一个类似 “Optimus Academy” 的环境，让它们在真实世界里做 self-play。

我们会至少有上万台 Optimus，至少两三万台做自我探索、做不同任务的测试。同时我们也有很强的仿真系统，车上用过的物理精度仿真，会同样用于机器人。你可以让现实世界里几万台机器人干活，再在仿真里跑几百万台。用真实世界机器人来“闭合仿真与现实的差距”，把 sim-to-real gap 缩到足够小。

Patel：那 xAI 和 Optimus 的协同呢？

Elon Musk： 对，你可以让 Grok 来编排 Optimus 的行为。比如你要建一座工厂，Grok 可以调度一群 Optimus，给它们分配任务，让它们把工厂搭起来，生产你想要的东西。

John：那是不是意味着 xAI 和 Tesla 最终得合并？因为协同太深了。

Elon Musk： 我们刚才不是还在说“别聊公司结构”吗？

Patel：那我换个问法，你还在等什么信号，才会下决心说“我们要造十万台 Optimus”？是硬件还要再成熟一点还是软件还要更强？

Elon Musk： 我们已经在往量产推进了。量产爬坡非常难，但大方向是这样。我认为 Optimus 3 是适合推到“年产百万台”量级的版本；如果你要冲到“年产千万台”，可能需要 Optimus 4。

制造业的产出爬坡基本都遵循 S 曲线：一开始慢得让人抓狂，然后进入指数上升，再进入线性，最后趋于平稳。但 Optimus 会是一条被拉长的 S 曲线，因为它太多东西是全新的，因此没有现成供应链。执行器、电子系统，几乎一切都是从第一性原理开始定制设计，不是从现成的里选。

John：“定制”的水到底到多深？

Elon Musk： 我们还没到“连电容都自研”的程度，至少现在还没有。但几乎没有什么东西能直接从目录里买来就完事，所以前期爬坡会更慢，但最终会到百万台量级。

Patel：中国那些人形机器人价格能压到几千美元、上万美元。你们是希望把 Optimus 的 BOM 压到那个水平，正面打价格战？还是你觉得它们本质上不是同一个产品，所以才卖得那么低？

Elon Musk：Optimus 的定位是足够高的智能、接近人类甚至超过人类的机电灵巧度，很多便宜的小机器人没有这个能力。而且 Optimus 体型也更大，是要长期搬重物、不发热不过载、在执行器功率范围内稳定工作的。它很高、很强、智能也高，所以必然比“小型、低智能”的机器人贵，但也不会贵很多。关键是，随着 Optimus 机器人开始“造 Optimus 机器人”，成本会非常快地往下掉。

John：那最开始这一百万台 Optimus 会去做什么？最“值钱”的使用场景是什么？

Elon Musk： 一开始肯定先做那些你能确保它稳定做好的简单任务。而且早期最划算的方向，是所有需要持续运行的工作，也就是全天候的任务，因为机器人可以连续工作。

Patel：如果放在 Giga Factory，Gen 3 大概能替代现在多少人类在做的工作？

Elon Musk： 我不确定，可能一到两成，也许更多。但我们不会因此裁人。反过来，工厂的人数可能还会增加，只是总产出会涨得更快。换句话说，Tesla 的员工总数会增加，但机器人和汽车的产量增长会更夸张。最终效果是每个“人类”对应的汽车和机器人产出会大幅上升；同时人类员工数量也会上升。

中外有工作投入差距

John：你觉得还应该加码更多出口限制吗？比如无人机产业这类？

Elon Musk： 你得先承认一个现实，在大多数制造领域，中国都非常先进，真正落后的只是极少数环节。中国的制造能力是“下一层级”的强，很多人低估了。

就拿矿石冶炼和精炼来说，我粗略估计，中国的精炼能力大概是世界其他地区加起来的两倍。还有一些关键材料，比如镓的精炼，听说全球绝大部分产能都在中国。所以整体上，中国在制造业的大多数环节都非常强。

Patel：如果“谁拥有更多熟练制造劳动力”决定了谁能更快造出人形机器人，中国先把规模做起来，就会先进入你说的“自我扩张”未来，然后一路滚雪球。你之前还说“做到年产百万台 Optimus”需要强制造能力，但那恰恰又是 Optimus 未来要帮你补齐的能力，这听起来像个悖论。

Elon Musk： 递归闭环可以很快跑起来。先让少量机器人帮着造机器人，递归闭环就能闭合，然后你就能冲到年产数千万台。如果某个国家能做到年产上亿台，那它会成为压倒性的最强竞争者。

我们不可能靠纯人力赢，而且美国跑得太久了，就像职业体育强队打久了会松懈、会产生“理所当然”的心态，最后就不再赢。

我直观感受是，中国平均工作投入度比美国更高。所以不是只有人口差距，还有工作投入差距。

John：有没有一些东西是你过去很想做，但因为太费人、太贵，所以没做成。现在有了 Optimus，你觉得终于能回头把它做起来？

Elon Musk： 有。比如我们想在 Tesla 做更多精炼厂。我们在 Texas 的 Corpus Christi 刚建完锂精炼厂并开始投产；在 Austin 这边有镍精炼厂，主要做电池正极材料相关。

这些项目在中国之外已经算是非常大的精炼能力了，甚至可以说在美国几乎“独一份”。但还可以做得更多：更多精炼厂能提升美国的精炼竞争力。而这类工作很多美国人并不想做，不是因为它“脏”，其实我们的精炼流程没有那种夸张的有毒排放问题，但现实是人就是不够。

John：为什么不能用人做？只是没人愿意？

Elon Musk： 不是“没人愿意”那么简单，是你根本凑不出足够的人。你让这些人去做精炼，他们就没法去做别的。所以怎么建出足够的精炼产能？你得靠 Optima。美国很少有人“向往”去做精炼这种长期密集的制造工作。

Patel：比亚迪的产量或销量正在追上 Tesla。你觉得中国 EV 制造规模继续扩大后，全球市场会怎样？

Elon Musk： 中国在制造上极其有竞争力，所以我认为会出现一波巨大的中国车“洪水”，不只是汽车，还有大量其他制成品。我前面说过，基础层才是关键：能源、采矿、精炼。中国在这些基础层的规模大概是世界其他地区加起来的两倍。所以很多产品不可避免带有中国供应链的成分，然后他们会一路做到成品车。

中国就是制造强国，我甚至认为，中国的发电量会远超美国。电力是实体经济的一个不错代理指标：你要跑工厂、跑产业链，就离不开电。如果中国的发电量达到美国的三倍，那它的工业产能粗略看也会是美国的三倍。

如果你还要把 AI 规模推到太空，你需要太空能力、需要人形机器人、需要真实世界 AI，你需要做到每年百万吨级别入轨运力。如果再进一步，把月球上的 mass driver 搞起来，那我觉得就算赢了。

破除大厂迷信，被挖人防不了

John：我们之前聊了很多你“怎么管人”的体系：你早期亲自面了 SpaceX 最开始那几千个员工。你当年在面试里到底在抓什么，是别人没法替代的？

Elon Musk： 我本人不可能那样。一天就那么多小时，这从逻辑上就不成立。不过你问我当时在看什么，我觉得我在“评估技术人才”这件事上，“训练数据”比大多数人多得多，尤其是技术岗。

我做过太多技术面试，也见过面试后真实的结果，所以我的“训练集”很大、覆盖面也很宽。我一般要的不是简历有多漂亮，而是“异常能力的证据”，最好用 bullet points 列出来：你做过哪些明显超出常人的事。这些证据不一定非得和岗位领域完全一致，离谱一点也行。只要对方能说出一两件让你听完觉得“这人确实不一般”的事——如果能说出三件，那就是非常强的信号。

Patel：但为什么一定要你来判？难道不能交给别人？

Elon Musk： 当然不可能都我来。我们所有公司加起来二十万人，我怎么可能亲自判？

John：那早期你当时为什么觉得必须亲自上？你在那些面试里抓的是什么而不能委派？

Elon Musk： 我得先建立自己的“训练集”。如果我只面几百人，我肯定会犯更多错。面得越多，我就越能回看：我以为某个人会做得很好，结果没做成，为什么？到底是哪种信号误导了我？我相当于在“对自己做 RL”：不断纠错，提高命中率。我的命中率不是百分百，但确实很高。

Patel：那人选“没成”的原因里，有什么是你觉得意外的？是你曾经很看好最后却翻车的那种。

Elon Musk： 我给自己的原则是，别太信简历，要信你和他面对面交流的感受。简历可能很华丽，但如果聊了二十分钟，你发现对话质量不行，那就相信对话，不要相信纸面。

John：外界以前有个梗，说 Tesla 高管像“旋转门”一样来来去去。但实际上，Tesla 这些年高管队伍挺稳定的，而且很多是内部成长起来的。SpaceX 也有很多长期跟着你的人，比如 Mark Juncosa、Steve Davis。

Elon Musk： 还有 Gwynne Shotwell（你刚才说漏了她）。

John：对，感觉你能长期跑起来，一个重要原因就是你身边有一批很强的技术副手。这些人到底有什么共同点？

Elon Musk：Tesla 的核心团队现在平均在岗时间大概十来年，这很长。但也得承认，公司在不同阶段需要的人不一样：管五十人的团队、五百人、五千人、五万人，能力结构不可能完全同一拨人通吃。公司增长越快，管理岗位的变化也会越快，这是正相关的。

还有个额外挑战：当 Tesla 处在很成功的阶段，我们会被同行疯狂挖人。比如 Apple 当年做电动车项目的时候，简直是“地毯式轰炸”Tesla，招募电话打到工程师直接拔电话线的程度。他们甚至可以不面试，直接开出接近翻倍的薪酬把人挖走。那时候就出现一种“Tesla pixie dust”的迷信：好像只要挖一个 Tesla 高管过去，你家项目就会立刻起飞。

我也曾经被这种迷信影响过，觉得从 Google、Apple 挖来的人，马上就会神奇成功，但现实不是这样。人就是人，不存在什么魔法加成。再加上 Tesla 主要工程团队在加州，很多人跳槽都不用搬家，通勤差不多，成本很低，所以被挖得更凶。

John：那你怎么防？怎么避免这种“大家都来挖你的人”的局面？

Elon Musk： 我觉得基本防不了。你同时在 Silicon Valley，又叠加“pixie dust”效应，别人就会非常积极地挖人。

John：搬到 Austin 会好一点？

Elon Musk： 会好一点，但 Tesla 的工程师多数还是在加州，“让工程师搬家”这件事仍然很难，很多人还有家庭、配偶工作之类的牵制。Starbase 更难，因为你去了 Brownsville、Texas，能找到一个“不在 SpaceX”的同类型工作几乎不可能。那地方有点像“技术修道院”，很偏、基本都是男的。

John：回到本质，这些在 Tesla、SpaceX 技术上非常能打的人，除了技术很强之外，你觉得他们还有什么共同点？是组织能力？是能跟你配合？是足够灵活但又不漂？什么才算你的“好对手”？

Elon Musk： 我不需要什么“对手”。很简单，能把事情做成的人，我就喜欢；做不成，我就不喜欢。我也尽量不让“适配我的个人偏好”变成招聘标准。

更通用的标准是：才华、冲劲、可信赖，而且“善良”也很重要，我会给这一条一定权重：他是不是个好人？是不是值得信任？聪明、有能力、肯拼、可信，这些底层特质是改不了的，领域知识可以后补，但这些本质属性补不了。所以你会发现，Tesla 和 SpaceX 很多人一开始并不是来自汽车行业或航天行业。

Patel：那你的管理风格在公司从小到大扩张过程中，变化最大是什么？你一直以“微观管理、钻细节”出名。

Elon Musk： 我一天的时间是固定的，公司越大、事情越多，我的时间就必然被稀释。所以，我不可能“持续微观管理”，那意味着我每天得有几千小时，这在逻辑上就不可能。

但有些时候我会把自己“下钻”到一个具体问题里，因为它是公司进展的瓶颈。我往下“钻”不是为了显摆、也不是随便挑小事，而是因为它决定了胜负。如果我把时间花在无关紧要的小事上，公司必然失败，但也确实存在一些“很小但决定生死”的细节。

John：比如你当年把 Starship 的方案从复合材料改成钢。

Elon Musk： 对，最开始我们计划用复合材料，因为大家觉得碳纤维轻。问题在于，碳纤维即便规模化生产，材料成本仍然很高，尤其是那种能承受低温液氧环境、强度又很高的特种碳纤维，成本大概是钢的几十倍。室温条件下，像 F1 这种结构件，碳纤维确实很有优势，但我们要造的是一枚巨型火箭，用碳纤维推进得非常慢。

更麻烦的是工艺，高强度碳纤维需要 Autoclave，本质是高压烘箱。你要做九米甚至更大直径的壳体，就得建一个史无前例巨大、极难制造的 Autoclave；如果用常温固化，时间又太长、问题又多。总之，我们进展慢到受不了，所以我当时的判断是：必须换路子。

Patel：为什么一定要你来拍板？团队里那么多工程师，为什么他们没自己得到这个结论？这关系到你在公司里真正的“比较优势”是什么？

Elon Musk： 因为我们在碳纤维上卡得太严重，只能换。

Falcon 9 的主结构用的是 aluminum-lithium，这其实是很好的策略，某些性能上不比碳纤维差。但 aluminum-lithium 很难加工，要焊它通常要用 friction stir welding，一种让金属不进入液相、用搅拌摩擦把它“揉”在一起的焊接方式。这种工艺对规模化非常不友好，更糟的是你想后期改结构、加东西，很多时候你没法直接焊上去，只能靠机械连接再加密封。我不想让 Starship 的主结构走这条路。

这时候我想到了钢。因为历史上 Atlas 火箭就用过“steel balloon tank”，所以不是没用过钢。更关键的是，你不能只看室温性能，要看低温下的材料属性，某些应变强化过的不锈钢，强度重量比其实可以接近碳纤维。Starship 的燃料和氧化剂都是低温的，液态甲烷、液态氧，结构长期处于低温环境。所以主结构基本是“低温工况”。在这个情况下，不锈钢的强度重量比并不吃亏。

而且它的优势太大了，原材料便宜得多，加工方便；你在户外就能焊，甚至开玩笑说“抽着雪茄也能焊”；结构改动、外挂部件非常容易。如果你要加东西，直接焊上去就行。再算上耐热性上，钢的熔点比铝高很多，大约是铝的两倍。Starship 再入时像“燃烧的流星”，耐温能力决定了隔热系统的重量。钢能让隔热层显著减重，迎风面热防护可以大幅减薄，背风面甚至几乎不需要那么多。

结果整体算下来，钢反而可能比碳纤维版本更轻。因为碳纤维里的树脂在高温下会软化、甚至融化；碳纤维和铝的耐温等级其实接近，而钢耐温空间大得多。这些都是非常粗的数量级解释，但逻辑大概是这样。

John：我去过 Starbase，我注意到一个现象，大家特别以“简单”为荣，总有人跟我说 Starship 就是个“大铁罐”，我们在招焊工，你只要会焊，来这儿就能焊。

Elon Musk： 我知道。但 Starship 其实是个非常复杂的火箭。

他们想表达的可能是：你不需要“在火箭行业干过”才能来做 Starship。只要人聪明、肯干、可靠，就能参与造火箭，不需要既往航天履历。但机器本身，Starship 是人类造过最复杂的机器，没有之一，差得非常远。

John：具体复杂在哪些方面？

Elon Musk： 几乎所有方面。我能想到的任何项目，都比这容易。也正因为这样，历史上从来没有人做出“完全可重复使用”的轨道级火箭。没人成功过，很多非常聪明的人、带着巨量资源都失败了。

我们现在也还没彻底成功。Falcon 只能算部分可复用，上面级还不行。但 Starship 的 V3 设计，我认为是能做到全复用的，而全复用才是让我们成为多行星文明的关键。说实话，哪怕一个普通的液压阀门之类的小问题，都比把 Starship 彻底做成要容易。

John：现在 Starship 的瓶颈是什么？

Elon Musk： 先让它别炸。真的，就这么朴素。那种大推力燃烧发动机，天生就“很想爆炸”。我们已经有两次 booster 在测试台上炸了，其中一次把整个测试设施都炸没了。一个小错误，就能造成巨大的损失。Starship 里装的能量太吓人了。

John：所以它比 Falcon 难，是因为能量更大？

Elon Musk： 一部分是能量更大，更重要的是大量新技术，性能边界推得太极限。Raptor 是非常非常先进的发动机，毫无疑问是史上最强的火箭发动机，但它也“非常想炸”。我给你个直观对比：起飞那一瞬间，整枚火箭输出的功率超过一百吉瓦。

Patel：离谱。这个类比太震撼了。

Elon Musk： 对，而且还得“别炸”。有时候能做到，有时候做不到。爆炸的方式有上千种，不爆的方式只有一种。我们的目标其实不是“永远不炸”，而是做到“可靠飞行”，最好能形成很高的发射节奏，比如一天多次、甚至一小时一次。但如果经常炸，就很难维持高频节奏。

如果你问“最大的单点难题是什么”，我觉得是把 heat shield 做到真正可复用。到目前为止，从来没有人做出“可复用的轨道级热防护系统”。它要在上升段扛住冲击，不掉一堆 tiles；再入时也不能掉一堆 tiles，不能把主结构烤坏。

Patel：我挺好奇你怎么把那种“紧迫感、冲刺感”在组织里推起来。我看过一些你的传记，总觉得你特别能把“必须现在就干、必须把这件事做成”灌进团队。SpaceX 和 Tesla 现在都很大了，但你还能维持这种文化。别的公司为什么做不到？

Elon Musk： 我也说不好。

Patel：那你今天不是开了一堆 SpaceX 会议吗？你到底在会议里做什么，能把这股劲维持住？

Elon Musk： 紧迫感来自领导者。我的紧迫感非常强，强到有点“疯”，这股劲会传导到整个公司。

Patel：那是因为“后果”吗？比如 Elon 定了疯狂 deadline，如果我做不到就会出事？还是因为你能迅速识别瓶颈、清掉障碍，让大家跑起来？你怎么理解你们为什么能跑这么快？

Elon Musk： 我一直在处理 limiting factor（限制因素）。至于 deadline，我通常会设一个我认为“有五成概率能做到”的目标。它不是不可能，但一定是我能想到的最激进版本，这就意味着它一半时间会延期，但没关系。排期这事也像“气体膨胀定律”，你给多少时间，事情就会膨胀到占满多少时间，你说“五年做完”，那它就会花五年。对我来说，五年几乎等于无限长。

当然也有物理极限，比如制造业扩产的速度受限于“搬运原子”的速度。你不可能今天拍板，明天就年产百万，你得设计产线、爬 S 曲线。但总体来说：强烈的紧迫感很关键；再配合一个激进但仍有机会的计划，然后不断找出当下的瓶颈，帮团队把瓶颈打穿。

John：Starlink 其实酝酿了很多年。你们一开始在 Redmond 也有团队，但后来你认为这个团队不行。问题是它“慢”不是一天两天，你为什么不更早动手？你又为什么在那个时点动手？怎么判断“现在就是必须出手的时刻”？

Elon Musk： 我每周都会做非常细的 engineering reviews（工程审查），细到一种很不常见的颗粒度。我几乎没见过有制造业公司 CEO 能下钻到我这个程度。所以我对真实进展其实掌握得很清楚，因为我们会把问题摊开讲。

我也很信跨级会议，不是只听直接汇报给我的人说，而是让他们下面一层、再下面一层的人都在技术评审里直接说，而且不让“提前排练”，不然你听到的就是一堆被打磨过的漂亮话。

John：你怎么防止他们提前准备？随机点名？

Elon Musk： 不用，就绕着会议室一圈走，每个人都更新。信息量确实很大，但你每周甚至一周两次这么开，你就会有“这个人上次说了什么”的快照。你可以在脑子里把这些点画成曲线：我们到底是在逼近解，还是在原地打转？

我一般只在我确认“如果不采取极端措施，就没有任何成功可能”的时候，才会下狠手。当我得出这个结论，就必须做果断出手了。当年就是这样判断的，然后出手，把问题扳过来了。

Patel：你公司这么多，每一家都做这种深度工程理解、瓶颈识别、技术评审。你怎么把这套扩到五六七家公司？甚至一家公司里又像套娃一样有很多“子公司”。这里的上限是什么？你能不能管到八十家公司？

Elon Musk： 看情况。有些公司我不会定期开会，因为它们在“顺畅巡航”。如果一个东西进展很好，那我把时间花在那儿没有意义。我分配时间完全按问题来：哪里卡、哪里慢、哪里是瓶颈，我就去哪里。

所以现实是，事情干得顺的时候，他们很少见到我；事情卡住的时候，他们会经常见到我。也不一定是“干得很差”，更准确就是：它是 limiting factor。

John：那如果某个东西在 SpaceX 或 Tesla 成了瓶颈，你会怎么介入？是每天 / 每周跟负责的工程师聊吗？

Elon Musk： 多数瓶颈是每周一次，有些是每周两次。比如 AI5 芯片评审就是每周两次，固定在周二和周六。