算力超過地球只需要5年！馬斯克花了3個小時，終于把太空AI講清楚了

昨天，埃隆·馬斯克與 Dwarkesh Patel、Stripe 聯合創始人 John Collison，錄制了一期將近三小時的播客。

在這場訪談中，馬斯克第一次系統性講清了一個判斷：為什么他開始全力推動太空數據中心。

為了讓Colossus 集群上線，xAI 不得不跨州修建電廠，甚至連部分關鍵設備都開始考慮自研。芯片產能正在指數級釋放，但電力卻被死死卡在審批流程、冷卻條件和設備交付的漫長周期里。

這讓他得出一個結論：地面這條路，走不通了。

在馬斯克看來，未來36 個月內，部署 AI 最便宜的地方，不會在地球，而是在太空。

為此，SpaceX正在為一個極端目標做準備：讓星艦年發射頻次達到 1–3 萬次，每次有效載荷 100–150 噸。這是太空算力實現規模化的前提條件。

他的預測更加激進。五年后，太空AI 每年的新增算力將達到數百吉瓦；每年被送入太空運行的 AI 算力，將超過地球上所有 AI 的歷史累積總和。

從那一刻起，AI 算力競爭的主戰場，將不再在地面。

這還沒完。根據馬斯克的判斷，地球每年新增電力大約只能做到1 太瓦，這是硬上限。再往上擴，就必須跳出地球體系。

他的設想是，直接指向月球。月球土壤中約有20% 是硅，同時富含鋁資源，可以就地制造太陽能電池板和散熱結構；真正復雜的芯片，則從地球運送。

在這一體系中，月球基地將使用質量投射器，以每秒約2.5 公里的速度，把 AI 衛星射向深空，理論運力可達每年 1 拍瓦（100 萬吉瓦）。這才是他口中“真正意義上的規模化”。

雖然SpaceX的終極目標仍然是火星，但馬斯克也坦言，目前每一步都必須先跑通商業回報，才能進入下一階段。所以，星艦將率先服務于軌道級數據中心。

那么，這一次訪談中，馬斯克究竟還講了哪些判斷？接下來，就跟著硅基君一起來看看。

地球能源擴張，跟不上AI發展速度

理解這一點，必須先看全球電力供給的現實。

在中國以外，大多數國家的發電量要么持平，要么僅有微弱增長，整體接近平臺期。只有中國仍在快速擴大發電能力。這意味著，如果把大規模數據中心建在中國以外的任何地方，電力都會成為瓶頸。

芯片產能呈指數級增長，而電力供給卻幾乎不動。這正是太空被重新放進討論框架的原因。

太空在某種意義上，是一場監管與物理條件的“捷徑”。在地面擴建數據中心，本就困難；規模越大，難度越高。而在太空，限制反而更少。

這里頭的關鍵是能源條件。

拿發電來說。太空太陽能有兩個優勢：24 小時滿功率，沒有云層和大氣層遮擋，光照強度提升 30%，而且不用配電池。

馬斯克計算過：“中國太陽能板已經便宜到每瓦 0.25 美元。放到太空，發電效率是地面 5 倍，還省掉電池成本，綜合下來每度電成本是地面的十分之一。”

此外，還有物理條件的客觀限制。在地球上，建一個新的數據中心項目，大約需要30–36 個月才能落地。

即使大規模利用太陽能，地球本身也無法支撐這種擴展。

美國當前的平均用電規模約為0.5 太瓦。1 太瓦，意味著當前用電量翻倍。這意味著什么？意味著要同時建設大量數據中心、大量發電廠，以及配套的輸配電系統。

一方面，整個過程，會被審批、監管和公用事業委員會層層束縛。

哪怕只是簽一份互連協議，往往也要一年時間做研究。一年后，研究報告出來了，卻發現連自身電表的功率數據都無法準確判斷。

另一方面，設備是更現實的困境。

表面上看，我們只要造更多渦輪機就可以，但真正參與過就會發現：

渦輪葉片才是最大瓶頸。全球只有三家鑄造廠能生產，而且訂單已經排到2030 年。其他部件可以提前 12–18 個月準備，但葉片不行。

這并不是秘密。打電話給任何一家渦輪機廠商，他們都會告訴你同樣的事實。

結論正在變得清晰：地面能源擴張的速度，很可能跟不上AI 的需求曲線。所以，至少36 個月內，太空會成為部署 AI 最便宜的地方。

太空AI 算力超過地球，只需要5年

五年后，地球與太空中安裝的AI 算力容量，可能會出現一次結構性反轉。

馬斯克的判斷是：每年在太空中發射并運行的AI 算力，將超過地球上所有 AI 算力的歷史累積總量。按功率口徑估算，五年后，每年新增的太空 AI 算力可能達到數百吉瓦。

要理解這一預測，必須從物理約束而非技術想象出發。

首先是發射能力。

在地球上，在真正遭遇火箭燃料瓶頸之前，理論上可以支撐約1 太瓦級別的 AI 算力。

但如果目標是在五年內做到每年 100 吉瓦的太空 AI 部署，問題就變成了系統級比功率：太陽能陣列、散熱器、結構件、芯片，一切都要一起算。

粗略估算，這意味著大約1 萬次星艦發射。如果試圖在一年內完成，相當于每小時一艘星艦。

聽起來極端，但與航空業相比，這仍然是低頻系統。關鍵并不在于是否需要極地軌道，而在于高度。

也就是說，只要飛得足夠高，就能逐步脫離地球陰影，同步軌道并非剛需。

幸運的是，發射體系正朝這個方向規劃。

SpaceX 正在為每年1萬次，甚至2–3萬次發射做準備，目標是把發射能力本身變成一種超大規模基礎設施，并對外輸出。

如果這一節奏成立，一個結論會顯得異常激進：5年后，SpaceX 每年發射并運行的 AI 算力，可能超過地球上所有其他系統的總和。

這還沒完。

由于地球每年新增電力，大約只能做到1 太瓦，這是硬上限。超過這個規模，就要從月球發射。

月球土壤含20% 硅，有充足的鋁，可以就地制造太陽能電池和散熱器，芯片從地球運上去就行。

馬斯克設想的是：月球基地用質量投射器，以每秒2.5 公里的速度把AI衛星射向深空，運力能到每年 1 拍瓦（100 萬吉瓦）。這才是“真正的規模化”。

最終，一切又回到SpaceX 的底層邏輯。終點是火星，但每一步都要產生現實現金流，推動下一階段。

獵鷹9造就了星鏈，而星艦很可能會率先服務于軌道級數據中心。

當太空AI數據中心解決了電力問題，但隨之也帶來了另一個問題：當電力約束被解除，限制因素重新變成芯片。

在芯片側，馬斯克最大的擔憂反而不是邏輯芯片，而是存儲。邏輯芯片的演進路徑相對清晰，而存儲的供給彈性更差，這也是為什么DDR 價格率先上漲。

在馬斯克看來，盡管芯片廠商已經在全速擴產了，還是不夠快，從建fab 到高良率量產需要五年。

究其原因，馬斯克認為，更本質的原因在于行業記憶。

如果在存儲或半導體行業工作三四十年，經歷過多輪周期性繁榮與崩潰，就會明白這種謹慎并非短視，而是對歷史代價的回應。繁榮時期看似需求無限，崩潰往往隨之而來，企業的首要目標變成“避免破產”。

同時，芯片制造的人力結構，也常被誤解。晶圓廠里確實有成千上萬名博士，深度理解工藝細節，但真正的大量工程工作，并不依賴博士，而是熟練技工。這類人力，反而更難快速復制。

所以，馬斯克計劃建設一座存儲芯片工廠，覆蓋存儲、邏輯處理以及封裝集成三個環節，目標是在2030 年前，將產能提升至每月一百萬工作時的規模。

中美制造業競爭，美國只能靠機器人贏

如果只依賴人類勞動力，美國不可能在長期競爭中取勝。

原因并不復雜。中國人口規模約為美國的四倍，而更關鍵的是，人均投入的工作強度并不低。

長期領先的一方，往往會出現自滿情緒，降低努力程度；這在職業體育和產業競爭中屢見不鮮。我的觀察是，中國整體的工作投入水平，至少不低于美國，甚至可能更高。

即便通過組織優化、教育升級等方式重排人力資源，美國在人力總量上的劣勢仍然無法彌補。

即使假設生產力提升帶來四倍杠桿，這一假設本身也過于樂觀，現實中可能遠低于這一水平。中國在“人均產出”層面，并不一定處于劣勢。

這意味著，在傳統的人力競爭框架下，美國處于結構性劣勢。

人口結構進一步放大了這一差距。美國出生率自1971 年起長期低于替代水平，退休人口持續增加，死亡人數正接近甚至超過出生人數。從長期趨勢看，美國的人力供給正在收縮，而不是擴張。

因此，美國無法在人類勞動力這條戰線上取勝。

但在另一條戰線上，仍然存在機會，那就是機器人。

這正是人形機器人（如Optimus）的戰略意義所在。過去，有大量事情在技術上可行，但因過于勞動密集或成本過高而無法實施。

現在，這一約束正在發生變化。機器人意味著，可以重新審視那些曾被放棄的制造和基礎設施項目。

特斯拉已經開始在這一方向上布局。在德克薩斯州科珀斯克里斯蒂，我們已建成并投產鋰精煉廠，這是美國最大的鋰精煉設施，也是中國以外規模最大的之一。

在德州，還建設了鎳與陰極材料精煉設施，這也是美國目前規模最大的陰極精煉廠。

這些項目的共同前提，是高度自動化。

如果依賴人力，美國很難大規模復制這樣的精煉能力。一方面，這類工作勞動強度高、環境復雜；另一方面，現實是，很少有美國人愿意長期從事精煉工作。

機器人改變了這一約束。通過Optimus，可以擴建更多精煉廠，提高美國在關鍵材料上的自給能力，而不必依賴有限的人力供給。

這引出了一個更根本的問題：為什么現在依賴機器人，而不是過去？

答案在于規模約束。美國只有中國約四分之一的人口。如果讓人去做這些事，就意味著無法同時完成其他關鍵任務。機器人提供的是一種“并行擴展”的能力，而不是人力替代。

將視角放到全球，這一差距更加明顯。比亞迪正在逼近特斯拉的產量和銷量規模。隨著中國產能持續增長，全球制造格局正在重塑。

這種競爭力并非偶然，而是源自極其深厚的基礎能力。中國的精煉產能約為世界其他地區總和的兩倍。

從能源、采礦到精煉，再到四級、一級供應鏈，幾乎所有基礎環節都具備規模優勢。任何復雜產品，最終都會包含中國制造或中國精煉的成分。

能源數據進一步印證了這一點。今年中國的發電量預計將超過美國的三倍。電力是實體經濟的底層指標：工廠運轉、基礎設施建設、制造活動，都依賴電力。如果電力規模是三倍，工業潛力也大致在這一量級。

在沒有人形機器人帶來“遞歸式生產力躍遷”的前提下，像中國這樣擁有完整制造、能源和原材料體系的國家，在 AI、電動車以及機器人本身的規模化制造上，都將占據主導地位。

一個可能的分工正在浮現：美國負責突破性創新，而中國主導規模化制造。

那么，美國的路徑在哪里？

答案并不在于正面對抗規模，而在于持續成為突破性創新的源頭。

而最終的突破性愿景，指向更遠的空間。如果要在太空中擴展AI，需要的是現實世界 AI、人形機器人，以及百萬噸級的太空基礎設施。那將是一個完全不同數量級的系統工程。

如果有一天，月球質量驅動器能夠運行，能源、材料和擴展性問題將被根本性改寫。到那一步，競爭邏輯本身都會發生變化。

如果能走到那里，我會認為，這就是勝利。

/ 04 /

機器人自我復制能力，才是勝利的關鍵

美國如果想像中國一樣，實現人形機器人的大規模、低成本制造，必須正面解決兩個根本問題：現實世界智能，以及可規模化的制造體系。

先看硬件本身。

到目前為止，市場上尚未出現真正展示出“類人手部靈活性”的機器人系統。而 Optimus 的設計目標，正是盡可能覆蓋人手所具備的全部自由度。這一目標的難點，并不在于外形，而在于執行器系統。

手部是整個人形機器人中機電復雜度最高的部分，其復雜程度，甚至超過機器人其余部件的總和。

要實現這一能力，必須從物理第一性原理出發，重新設計電機、齒輪、傳動機構、電子控制系統以及傳感器的整體協同，而不是依賴現有供應鏈的拼裝方案。

現實是，這樣的供應鏈并不存在，只能從零搭建，并且一開始就要為規模化生產而設計。

但硬件靈巧，并不等于機器人有用。

真正決定人形機器人價值上限的，是現實世界智能。在這一點上，特斯拉并非從零開始。用于自動駕駛的智能系統，本質上已經是一套成熟的“現實世界控制框架”：

以視覺為核心，融合慣性測量、定位等多源傳感器數據，將高維、連續的環境輸入，壓縮為穩定、可執行的控制指令。

這一技術路徑，對機器人同樣成立。

當然，機器人的學習難度明顯高于汽車。它擁有更多自由度，卻無法像駕駛那樣，天然獲得數百萬小時的人類示范數據。因此，訓練策略必須不同。

我們的選擇是規模化。

通過制造成千上萬臺Optimus，并將其部署在受控環境中進行“自我對弈”，同時結合高保真仿真系統生成大規模合成數據，用虛擬世界不斷反哺現實世界訓練，從而逐步縮小仿真與真實環境之間的差距。

進一步看，智能的演進不會止步于單體控制。真正的智能核心，在于世界模型與規劃能力。

未來，更高級的AI 系統可以承擔任務分解、路徑規劃與多機器人協同的角色，指揮機器人集群完成復雜目標，例如搭建和擴展工廠本身。

回到制造和成本這一最現實的問題。

Optimus 的所有關鍵部件均為定制設計，這意味著在早期階段，生產曲線一定是緩慢的。

與部分以低價切入市場的機器人產品不同，Optimus 的定位是同時具備高水平智能與高機電性能，其初始成本結構并不相同。但只要跨過規模化門檻，成本下降的速度將非常快。

規模從何而來？答案在應用場景。

機器人最適合執行重復、連續且長期存在的任務。在特斯拉工廠中，初期可能只有10%–20% 的工作由機器人完成。但目標并非減少員工數量，而是在人員規模繼續增長的同時，通過機器人顯著放大人均產出。

當視角從工廠擴展到國家層面，這一邏輯會變得更加清晰。中國在多個制造與資源環節（如稀土精煉）具備明顯優勢，這迫使美國重新思考自身的產業基礎。

要在關鍵領域重建能力，僅靠人力并不現實，而人形機器人可能成為建設這些基礎設施的關鍵工具。

最終，真正決定勝負的，并不是單臺機器人的能力，而是規模化的自我復制能力。

如果一個國家能夠實現：

用機器人去制造更多的機器人，并在這一過程中不斷降低成本、提升能力，那么產能就會進入自我強化的遞歸循環。

誰率先完成這一閉環，誰就將在下一代制造體系和人形機器人產業中，占據決定性優勢。

文/朗朗

PS：如果你對AI大模型領域有獨特的看法，歡迎掃碼加入我們的大模型交流群。