# Tesla AI Day 2022 全程回顾
> 
- 原标题：Tesla AI Day 2022
- 时间：2022 年
- 频道：Tesla
- 网页版：https://elon.qiaomu.ai/ep/tesla-ai-day-2022/
- 精读字数：约 9487 字（阅读约 21 分钟）
> 本文为 elon.qiaomu.ai 基于原始视频与文稿的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。
去年这个时候，舞台上那台"机器人"，紧身衣里裹着的是个真人，被灯光打着跳舞。今年同一个舞台，一台没有缆绳、没有外部支撑的机器人自己站了起来，挥了挥手，做了几个蹲起，然后被工作人员推着下了台。

"我们只是不想让它当众摔个嘴啃泥。"（马斯克）

这句话基本概括了 Tesla AI Day 2022 的调性：东西真做出来了，但离"能用"还有不短的路。这场发布会同时在讲三件事，一台人形机器人、一套纯视觉自动驾驶系统、一台自研的 AI 训练超算。三件事看着分散，底层逻辑是同一条：把真实世界的视频喂进神经网络，让它输出动作。

## 机器人这次是自己走的

上台的这台代号 Bumble-C，是开发阶段的原型，用的是半现成的执行器。它被拉去弗里蒙特工厂干了一段活：搬箱子、把零件送进焊接工位。屏幕上播放的演示里，有一个视角是机器人自己"看到"的世界，它能把要抓的物体单独识别出来，标上颜色，然后伸手去抓。

这套能力直接来自 Autopilot。米兰·科瓦奇（Milan Kovac）说得很直接，Autopilot 的计算机视觉神经网络被原样搬到了机器人上，唯一变的是重新采集的训练数据。"我们只是把一个坐在轮子上的机器人，换成了一个站在腿上的机器人。"

随后推上来另一台。外壳掀开，里面全是特斯拉自己设计、自己制造的东西，执行器、电池包、控制系统，一个外采件都没有。它当时还走不了路，马斯克说大概几周之后就能走。

## 为什么非要做成人形

这个问题在整场活动里被回答了很多次，答案都指向同一个方向：世界是按人的尺寸建的。

特斯拉的工厂、货架、门把手、楼梯、工具箱，全都被设计成人类可以操作的样子。一台轮式机器人或者一台专用机械臂，每换一个任务就要重建一次环境。人形机器人不需要，它走进一个为人类准备的空间，所有东西天生就是给它准备的。

手的设计负责人迈克尔·里瓦斯（Michael Rivas）把这个逻辑翻过来说了一遍：因为这些物体是为人类的手设计的，所以我们的手只要能复现人类的手，就能抓住我们从未见过的新东西。省下的是给机器人适配世界的工作量。

代价是自由度暴增。整机保留了 28 个基础自由度，手另算。团队花了大量时间研究人体，结论是人体有一堆多余的自由度：把指尖按在椅子上不动，肩膀和肘部还能在很大范围里随意移动。这些冗余对人有价值，一台只想干活的机器暂时用不上，所以砍到最小可用集。

## 手是整场活动里最硬的活

一只特斯拉的手有 6 个执行器、11 个自由度，指尖速度能到每秒 300 度。驱动方式用金属腱，弃用了连杆。

腱驱动在机器人圈子里一直被质疑，主要担心耐久性。现场有人直接问了这个问题。回答是：先试过合成腱，强度不够，最后选了金属编织线缆。腱的好处有两个，一是零件数量少，要造几百万只手的时候，少一堆微小连杆是天大的差别；二是可以做到"防背隙"，手指运动不会有间隙和抖动。

另一个细节是弹簧。手指靠腱收缩，靠弹簧被动伸开。这样不需要为"张开"再配一套执行器，一只手省下一半的驱动。同时还有一套不可反驱的离合机构，抓稳东西之后电机可以完全断电，靠机械结构保持握力。

这套方案会被推翻吗？马斯克说得很坦白，团队在很多技术路线上未必选对了，架构也没有被钉死，第二代、第三代手可能会大幅改动。眼下的目标只有一个：最快路径造出一台有用的机器人。

## 膝盖里藏了一段生物学

结构负责人马尔科姆·戴维斯（Malcolm Davies）讲了膝盖的故事，信息密度很高。

特斯拉造车时练出了一套碰撞仿真能力，Model 3 的仿真碰撞和真实碰撞几乎完全重合，那个模型包含 3500 万个自由度、每一颗螺栓、每一个焊点。这套东西被搬来让机器人摔倒。目标很具体：摔了之后别把手臂里的减速箱摔碎，那相当于人的肩膀脱臼，修起来又贵又麻烦。

团队还做了模态分析。一般人造机器人，会把第一阶固有频率做到接近 10 赫兹，为的是让行走控制变简单，脚不会乱晃。特斯拉做不到这一点，因为它要用塑料而不是碳纤维和钛合金，要造几百万台，刚度上不去。

于是它反过来问：人为什么能在这么低的频率下走路？

"我们就是一堆湿软的果冻加几根骨头。我跺一下腿，它不会以 10 赫兹振动。"（马尔科姆·戴维斯）

答案是控制。把模态数据和刚度信息喂进控制系统，让控制器去处理柔性。这条路更难，可它是唯一能撑住大规模量产的走法。

膝盖的设计也来自观察人体。人蹲下去的时候，膝盖承受的力矩比站直时大得多，这条关系是非线性的。团队把行走、搬箱、下蹲、爬楼这些任务的力矩需求全部画在同一张图上，发现需要的曲线正好是一条非线性曲线。四杆机构的力矩特性，天生就把这条曲线拉直了。用简单的两杆直连，执行器的峰值力要大得多，效率也差得多。

## 能举起半吨重的三角钢琴

执行器负责人康斯坦丁诺斯·利亚皮斯（Konstantinos Laskaris）展示了执行器组合的推导过程。

汽车的痛点很清晰，电机要满足 0 到 60 英里加速或者城市工况。机器人有 28 个关节，每个关节的任务是什么并不显然。所以团队先把"走路""爬楼梯""搬重物"这些高层任务，翻译成每个关节的力矩和转速轨迹，再把这些轨迹叠到执行器的效率图上，算出完成这个任务要消耗多少能量。

接着是暴力搜索：在集群上求解几十万个候选执行器设计，画出成本与性能的散点云，取红色那条帕累托前沿。每个关节单独最优，会得到 28 种完全不同的执行器，这在制造上不可能。所以再来一轮"通用性研究"，找出能同时满足多个关节要求的同一款设计。

最后的答案是 6 款：3 款旋转执行器、3 款线性执行器。线性执行器用了行星滚柱丝杠，现场放了一段视频，它把一台九英尺长的三角钢琴吊了起来，重量大约半吨。团队强调这来自真实需求：人类的股四头肌在直接驱动时也能做到同样的力，只是膝盖这个"升速连杆系统"把力换成了速度，让脚踝跑得快。

## 2.3 度电，两万美元，和"经济变成准无限"

Optimus 的躯干中间放了一块 2.3 千瓦时的电池包，够干一整天活。电池的所有电子件，采样、熔断、充电管理、配电，全部集成在一块 PCB 上，冷却方式和安全设计直接沿用汽车和储能产品的经验。

"大脑"也在躯干里，不在头上。它基于特斯拉已经在每台车上出货的 FSD 计算机，但改了形态和接口，增加了无线连接、音频、以及硬件级安全功能，后者是为了保护机器人本身和它周围的人。

价格是这场发布会传得最广的一句话：预计低于两万美元，最终年产量可能到数百万台。马斯克的原话是"这是我猜的"。

为什么要把成本压到这个量级，他给了一套经济学的推导。经济产出等于参与生产的实体数量乘以人均生产率。当资本不再构成限制，参与生产的"实体"可以无限复制时，经济的定义本身就开始失效。

> 经济会变成准无限的。在良性情景下，这意味着一个富足的未来，一个没有贫困的未来，你想要什么产品和服务都能得到。（马斯克）

他把这个量级差算了一遍：自动驾驶对运输生产率的提升大概是半个数量级到一个数量级，人形机器人对经济产出的提升可能有两个数量级，而且上限看不清楚在哪。

## 一家单一股权结构的上市公司，被当成 AI 的治理方案

马斯克花了很长时间讲治理结构，这段在被传播的时候经常被剪掉。

他开场就说，特斯拉在做的事情有可能对 AGI 做出实质性贡献。紧接着他补了一句，特斯拉适合做这件事，从治理角度看。

> 我们是一家上市公司，只有一类股票，这意味着公众控制着特斯拉，我认为这是好事。如果我疯了，你们可以把我炒掉。（马斯克）

这句话他说了两遍，还强调"这一点非常重要，不能被忽略"。逻辑是：如果公众不喜欢特斯拉在做的事，可以买股票、投票改变方向。他特别点出，很多人以为他可以想干什么就干什么，事实并非如此。

他没展开的另一面是，这套论证同时也在给"为什么这件事该由一家公司来做"提供合法性。这是他这些年谈 AI 风险时反复回到的位置：与其让不受约束的机构做，不如让可以被股东换掉管理层的实体做。

## 从 2000 台到 16 万台，FSD 这一年

阿肖克·埃卢斯瓦米（Ashok Elluswamy）给出了两组数字。去年这个时候，大约 2000 台车在跑 FSD beta。到今年，16 万台。

支撑这个数字的是迭代速度：过去一年训练了 75000 个神经网络模型，平均每 8 分钟出一个，全部在大集群上评估，最后只有 281 个真正提升了车辆表现，被推上车。也就是说，99.6% 的模型死在了评估环节。

这条流水线的产能本身就是竞争力。模型好坏是结果，能不能以这个频率生产并筛掉模型，才是原因。

## 用语言模型画车道线

约翰·埃蒙斯（John Emmons）讲的是车道检测的重写过程。

早期的车道检测被当成图像分割问题：把鸟瞰图上的车道像素涂出来。这套方法在高速公路上够用，因为结构规整。到了路口就彻底崩溃，因为路口里的车道线是交叉的、拓扑关系复杂的，而且经常被遮挡。

不确定性同样麻烦。如果看不清路口对面是两条车道还是三条，分割模型会老老实实把两条三条全画出来，画出一个"2.5 条车道"，后处理算法直接傻掉。

特斯拉的解法是把它当成一个语言问题。车道被编码成一种特斯拉自创的"语言"：每个 token 是一个三维空间中的车道点，token 的顺序和附加的修饰符编码车道之间的连接关系。起点 token、延续 token、分叉 token，分叉 token 还会回指它从哪个已生成的 token 分出来，就像语言模型里的指代。

于是整件事变成自回归生成：网络从空白开始，先预测一个粗网格上的热力图，取概率最高的位置，再细化到精确坐标，然后一个字一个字往下写，直到输出结束符。

好处是模型必须"承诺"。语言模型采样的时候只能选一个词，不能在两个词之间各占一半。所以路口看不清的时候，网络会输出一个连贯的猜测，不会同时画出并排的三条车道。这恰好是驾驶需要的行为。

这个车道网络有 7500 万参数，在车上跑一次不到 10 毫秒，功耗 8 瓦。整个车端所有网络加起来大约 10 亿参数，输出约 1000 个神经网络信号。

阿肖克补了一句，这套"语言"框架不只用于车。在工厂或者家里，你可以对机器人说"去厨房"，系统给出一组穿过走道的路径，本质上和车道图是同一种结构。

## 预测到四阶导数

车辆检测这件事，特斯拉现在做的不只是框出一个物体。

网络直接从 8 路摄像头的原始视频流里，输出每个交通参与者的完整运动学状态：位置、速度、加速度、加加速度。阿肖克自己都觉得这件事有点不可思议，他说这些网络在预测位置的第四阶导数，而几年前人们还在争论摄像头到底能不能检测物体。

代价是数据。自动标注系统在服务器上跑几小时昂贵的网络，把结果蒸馏成标签，再拿去训练车端的小网络。仿真系统合成图像，标签天生就有。所有这些进入一条数据引擎：先训一个基线模型，推上车，看它在哪儿失败，然后去车队里挖出同类场景，人工或自动补上正确标签，加进训练集。循环往复。

一个具体例子：转弯处有一辆车斜停着，模型预测它是"等红灯停住了"，于是自己减速等待。实际上车里没人，它就是乱停的。数据引擎找出 126 个同类片段，扩大挖掘到 13900 个，修正标签，重新训练。模型架构一点没改，这个 case 就解决了。

凯特·帕克（Kate Park）说了一句挺关键的话：学术界常常固定数据集去改模型，特斯拉反过来，模型基本不动，把数据当成最确定的杠杆。今年光是"车辆运动"这一个信号，就更新了五次。

## 500 万小时人工标注，压到 12 小时

张亚勤（Yeqiang Zhang）讲自动标注，500 万小时的人工标注工作被压到了 12 小时的集群时间。

训练车道网络要覆盖几千万趟行程、上百万个路口。原始数据特斯拉有，每天 50 万趟。难的是把原始视频变成训练标签。

特斯拉的做法是"多趟重建"。同一段路，不同车辆在不同时间、不同天气、不同角度开了无数次。系统先用多摄像头视觉惯性几何，恢复每一趟的高精度轨迹和路面结构，车上就完成预处理，轨迹漂移约每米 1.3 厘米、每米 0.45 毫弧度。然后把多趟数据做粗对齐、两两匹配、联合优化、表面细化，重建出一个完整的静态世界。

有了这个重建好的世界，标注新的一趟只需要把它对齐进去，30 分钟搞定。整个流程高度并行，在集群上标注 1 万趟只要 12 小时。每前进一步，标注吞吐提升接近 100 倍。

结果是，那些最难的人工场景，无路灯、大雾夜、环岛、被停放车辆遮挡的路口、雨夜镜头挂水珠，只要原始场景被其他片段重建过，全都能自动标注。

## 两周的活，五分钟

大卫（David）讲仿真，拿出了一个很硬的对比。

旧金山 Market Street 上一个复杂路口，美术手工搭，两个人两周。用新工具，五分钟。快了 1000 倍。

流程是把自动标注产出的真值倒进 Houdini 里的程序化生成工具：路面边界生成路面网格，车道图重新拓扑，车道线扫掠投影成贴花，中央隔离带生成绿化，外围建筑、消防栓、落叶由随机启发式生成，地图数据决定红绿灯和路牌的位置，车道图的邻接关系决定随机车流。

全自动，没有美术介入。

这套工具还能改真值本身。如果约翰希望网络更关注某条转向车道的路面标记，可以直接在仿真里程序化改写车道图，造出真实世界根本不存在的交通流，逼网络去学那个特征。

所有瓦片按地理哈希切成 150 米见方，可以任意组合，可以在一夜之间重算全部瓦片。一个人花两周，就把旧金山大部分城区街道生成出来了。

## Dojo 为什么不要 DRAM

皮特·班农（Pete Bannon）解释了这个决定背后的取舍。

目标是给 Autopilot 团队把训练延迟砍下来一大截。他们当时最大的网络要训一个多月，这基本上断绝了快速试错的可能。如果能做到 30 倍加速，成本、能耗还有竞争力，就值得自己做芯片。

做芯片的第一选择是堆算力单元，并且让这些单元的利用率极高。他们认真研究了用 DRAM 做主要存储的各种封装方案，全部失败。

最后选择了片上 SRAM。SRAM 容量小得可怜，但带宽极高、延迟极低，能让运算单元维持高利用率。

这个选择连锁出一堆别的选择：没有虚拟内存，因为页表太占地方；没有中断，加速器是一块裸硬件，交给编译器，由编译器确定性地调度一切；训练方法选了模型并行，主流的数据并行被放弃，因为它要吃掉额外内存容量，而他们没有内存可浪费。

另一个目标是"无上限"。传统机器里 GPU、CPU、DRAM、网络的配比是固定的，模型一大就得换整台机器。Dojo 想把这些元素解耦，模型变了，配比跟着变。

## 一颗开裂的振荡器

比尔·张（Bill Chang）讲了一段故障排查，工程味很重。

Dojo 的训练瓦片把 25 颗芯片用极高带宽连在一起。因为 XY 平面全被高速通信占满了，所有其他东西必须垂直堆叠：时钟、电源、系统控制器，全部塞进电源模组里。

供电密度是每平方毫米接近 1 安培。多层异质材料叠在一起，热膨胀系数不匹配，整叠结构会把自己撕开。团队最后把热膨胀系数降低了超过 50%，性能提升到初版的三倍。这个电源方案原本想找供应商做，后来发现必须自己做。

然后故障出现了。规模扩大、任务变长之后，瓦片上偶尔有单个站点失效。起初可以恢复，功率推高之后变成永久损坏。

根因排查了很久：振荡器丢了时钟输出。再往下挖，是附近电容的压电效应让模组产生振动，振动频率和开关频率形成共振，把 MEMS 振荡器在平面外方向振裂了。

"唱电容"在电源设计里不算新现象，通常的解决办法是把时钟芯片放在板子上安静的角落，离功率电路远远的。但为了这种集成度，振荡器必须紧贴电源。

解法是三管齐下：换软端子电容减少振动，换平面外方向 Q 值更低的 MEMS 器件，调整开关频率把共振点推离敏感频段。

## 2 兆瓦，跳闸，和市政府的电话

散热是另一个战场。Dojo 机柜集成的功率和散热能力，相当于一整排标准 IT 机架。特斯拉自研了 CDU（冷量分配单元），成本只有买现成产品再改装的零头。

今年早些时候做负载测试，功率推到 2 兆瓦以上，把变电站顶跳了，然后接到市政府的电话。

系统托盘是"单一加速器"这个愿景的关键零件。一块层压母排，75 毫米高，承载 6 个瓦片、135 公斤，相当于三到四个满载的高性能机架。瓦片之间以极紧的间距互连，整个机柜之间也能无缝接上。

数据侧靠 Dojo 接口处理器：每个托盘 20 张卡，640 GB 高带宽 DRAM，用自研的 TTP 协议给训练瓦片喂数据，同时支持把 TTP 跑在标准以太网上。主机直接放在托盘下方，提供 x86 Linux 环境、硬件视频解码、以及数据摄取。

一个 ExaPOD 装两个完整加速器，合计超过 1 exaflop 的 ML 算力。

## 5 微秒对 150 微秒

拉吉夫·库里安（Rajeev Kurian）讲软件栈，拿出了最有说服力的一组对比。

批归一化（BatchNorm）是横跨所有芯片的同步操作，先各算局部均值和方差，再全局归约，再广播回去。在 25 颗 Dojo 芯片上，8750 个节点协同完成这一整套归约加广播，用时 5 微秒。同样的操作在 24 张 GPU 上要 150 微秒。

30 倍。而且这个优势对所有通信原语都成立，不只批归一化。

整机性能上，ResNet-50 上 Dojo 单芯片已经和 A100 打平，而且是在每芯片 batch size 只有 8 的情况下做到的。真实负载里，自动标注网络在现款硬件上已经超过 A100，换生产版硬件是 2 倍，加上编译器优化能到 3 倍以上。占用网络提升接近 3 倍。

换算成采购语言：一个 Dojo 瓦片可以替掉六个 GPU 盒子，而瓦片本身比其中一个盒子还便宜。原来要训一个多月的网络，现在不到一周。

## 从 4% 到 97%

故事没有停在好消息上。拉吉夫接着讲了翻车现场。

在 PyTorch 层面测出来的性能完全没达到预期。时间轴上那些绿色的小条是加速器真正在算的时间，其余全是空白，硬件在等数据。

原因很朴素：Dojo 主机的 ML 算力是 GPU 主机的十倍，跑在上面的数据加载器喂不饱它。

解法是把 TTP 协议扩展到以太网上，做了 DINIC 网卡，再搭一层专门的数据加载主机，通过以太网交换机接到 Dojo 网格上。每台主机都能用硬件加速的 DMA 访问网格里所有 TTP 端点。

改完之后，占用率从 4% 变成 97%。

这一段在整场发布会里价值很高。它说明这家公司愿意在台上讲自己踩的坑，也说明纸面算力和实际吞吐之间隔着一整个软件栈的距离。

## 第一批 ExaPOD 和它的账

第一个大规模部署目标是自动标注网络，现在占用 4000 张 GPU、72 个 GPU 机架。用 Dojo 做，同样的吞吐只要 4 个机柜。

这 4 个机柜属于第一个 ExaPOD，计划 2023 年第一季度建成，把特斯拉的自动标注产能翻一倍以上。帕洛阿尔托一共规划 7 个 ExaPOD。

现场摆了一个展示机柜：6 个瓦片密集装在一个托盘上，54 petaflops 算力，640 GB 高带宽内存，电源和主机都含在内。下一代硬件，团队预期再提 10 倍。

顺带一个彩蛋：他们拿刚发布的 Stable Diffusion 试跑，几分钟就上了 Dojo，编译器自动把它按模型并行铺到 25 颗芯片上。生成的图是一辆 Cybertruck 在火星上。拉吉夫的评价是，离特斯拉设计工作室的水平还有距离。

## 问答环节里漏出来的东西

后半场两个小时问答，信息密度不比演讲低。

**关于机器人的人格。**马斯克说会有很好玩的版本，既能干活也能当伙伴，皮肤和外观可以换，会有各种创意玩法。对话能力是标配，你可以用很自然的方式跟它说话，给一个高层指令，它自己拆成一系列动作去执行。

**关于安全底线。**机器人会配本地急停，"一个不能通过网络更新的本地控制 ROM"，马斯克说这一点是本质性的。他还提到开场本来想放一段终结者捏碎头骨的视频，怕大家当真，放弃了。

**关于开放平台。**有人问能不能像安卓那样开放给全世界研究者。马斯克的回答是先要防止被滥用：会提供可以下指令的 Optimus，但那些指令被一套不可逾越的机器人定律约束着，比如不伤害他人。

**关于交付时间。**三年内，不超过五年，普通人可以收到一台 Optimus。工厂里的第一步应用非常简单，搬零件、把零件送进焊接工位，然后逐步扩大适用场景。他说能干的活会指数级增长。

**关于 Dojo 的商业形态。**不会对外卖机器，做成 AWS 那样的在线服务更合理。世界正在转向 Software 2.0，神经网络训练需求会越来越大，谁有最快最便宜的训练系统谁就有优势。

**关于 AGI 监管。**马斯克说他支持在政府层面设立 AI 监管机构，理由和对飞机、汽车、食品、药品的监管一样，AI 影响公共安全。他加了一句，这件事各国政府目前还没搞明白。

**关于数据规模。**他给出的论证是：互联网数据可以爬，但互联网造不出几亿个分布在真实世界里的摄像头和麦克风。车队加上人形机器人，可能是人类拥有的最大的真实世界数据集。他判断特斯拉"可能会对 AGI 有贡献"的依据就在这里，而且他强调这是涌现出来的结果，没有预设路线图。

**关于 FSD 全球推广。**技术层面年底就能全球 beta，卡在各国的监管审批。下个版本会显著提升对快速横向来车速度的判断。高速和城市将合并成一套栈，马斯克自己开的版本已经是整合栈，表现比现有的高速生产版本好不少。停车场也会在年底前并入，实现从车位到车位。

**关于唯一要优化的指标。**每次必要干预之间的里程数。每周测，每天都在改善。

**关于"蜂蜜陷阱"。**有人问特斯拉凭什么同时做这么多领域。马斯克的回答没有谈资源，谈的是人才密度。他说硅谷有几家公司是工程师的蜂蜜陷阱：待遇极好、环境极舒适、实际产出极低。工程师进去了，看着挺开心，才华被悄无声息地浪费。特斯拉不是那种地方，活很重，但你的能力会被用到极致。

**关于给二十多岁的自己一句话。**他说多和聪明人接触，别太紧绷，偶尔停下来闻闻玫瑰。然后讲了个细节：当年在夸贾林环礁开发猎鹰一号火箭，那是个很漂亮的小岛，整个开发周期里，他一次都没在沙滩上喝过一杯酒。"我本应该在沙滩上喝一杯的，那没什么问题。"

**关于神经网络吃掉软件。**最后一个回答里他提了一句，Autopilot 这些年的演变方向，是神经网络逐步吸收掉越来越多的软件。极限情况下，你完全可以把摄像头看到的视频直接和方向盘、踏板的输入对应起来训练，中间什么都不放。因为人就是这么做的。"我们还没到那一步，但方向一直在往那边走。"

## 这场发布会实际交付了什么

把三块内容放到一起看，会发现它们共用同一套底层设施。

人形机器人用的是 Autopilot 的占用网络、同样的训练流程、同样的数据引擎，只是训练数据换成了室内场景。车道图那套自回归语言模型，换一种"词汇"就能编码机器人该走的路径。Dojo 训的第一批大网络，就是给车和机器人做自动标注的那些。

特斯拉真正在造的东西，车和机器人都只是外壳。底下是一条把真实世界视频转成标签、把标签转成模型、把模型转成动作的流水线。车是这条流水线第一个跑通的形态，机器人是第二个。

至于那条流水线什么时候能做出 AGI，马斯克自己也没给时间表。他能给的只有一句：这东西不会无聊。

如果你看完这场发布会想做点什么，下面几件事比较实在：

- 想理解占用网络，从"用视频直接预测三维体素占用和占用流"这个思路入手，比啃检测加跟踪的传统流水线更有收获，重点看它怎么处理遮挡和曲率物体。
- 想理解车道图那套方案，去读图像描述（image captioning）和自回归序列生成的老论文。特斯拉做的事本质上是把车道当成句子来写，思路迁移成本很低。
- 做机器人控制的话，四杆机构膝盖和模态分析那两段值得反复看。它给出"用控制补偿结构柔性"这条低成本量产路线的完整论证，参数只是附带。
- 做训练基础设施的话，记住 4% 到 97% 这个数字。算力买回来只是开始，数据加载、存储格式、视频解码路径上任何一环拖后腿，整机就废掉 90%。
- 对自动标注感兴趣，先算清楚你的场景需要多少小时人工标注，再想清楚哪些步骤可以靠"多趟重建"消掉。特斯拉把 500 万小时压到 12 小时，靠的是换个顺序做数据。
- 判断一家公司能不能长期做硬件，别只看 demo，看它敢不敢在台上讲自己踩的坑。振荡器开裂和 2 兆瓦跳闸这两段，比任何一个性能数字都更能说明团队的成色。