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

在這場訪談中，馬斯克第一次係統性講清了一個判斷：為什麽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裏。

這讓他得出一個結論：地麵這條路，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。五年後，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 的曆史累積總和。

從那一刻起，AI 算力競爭的主戰場，將不再在地麵。

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

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

在這一體係中，月球基地將使用質量投射器，以每秒約2.5 公裏的速度，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，星艦將率先服務於軌道級數據中心。

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

/ 01 /

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麽持平，要麽僅有微弱增長，整體接近平台期。隻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”。在地麵擴建數據中心，本就困難；規模越大，難度越高。而在太空，限製反而更少。

這裏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，沒有雲層和大氣層遮擋，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，發電效率是地麵 5 倍，還省掉電池成本，綜合下來每度電成本是地麵的十分之一。”

此外，還有物理條件的客觀限製。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。這意味著什麽？意味著要同時建設大量數據中心、大量發電廠，以及配套的輸配電係統。

一方麵，整個過程，會被審批、監管和公用事業委員會層層束縛。

哪怕隻是簽一份互連協議，往往也要一年時間做研究。一年後，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。

另一方麵，設備是更現實的困境。

表麵上看，我們隻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。全球隻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。

這並不是秘密。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：地麵能源擴張的速度，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。

/ 02 /

太空AI 算力超過地球，隻需要5年

五年後，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：每年在太空中發射並運行的AI 算力，將超過地球上所有 AI 算力的曆史累積總量。按功率口徑估算，五年後，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，問題就變成了係統級比功率：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，相當於每小時一艘星艦。

聽起來極端，但與航空業相比，這仍然是低頻係統。關鍵並不在於是否需要極地軌道，而在於高度。

也就是說，隻要飛得足夠高，就能逐步脫離地球陰影，同步軌道並非剛需。

幸運的是，發射體係正朝這個方向規劃。

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，並對外輸出。

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

這還沒完。

由於地球每年新增電力，大約隻能做到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% 矽，有充足的鋁，可以就地製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 公裏的速度把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於軌道級數據中心。

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，限製因素重新變成芯片。

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，這也是為什麽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，更本質的原因在於行業記憶。

如果在存儲或半導體行業工作三四十年，經曆過多輪周期性繁榮與崩潰，就會明白這種謹慎並非短視，而是對曆史代價的回應。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，芯片製造的人力結構，也常被誤解。晶圓廠裏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，並不依賴博士，而是熟練技工。這類人力，反而更難快速複製。

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。

/ 03 /

中美製造業競爭，美國隻能靠機器人贏

如果隻依賴人類勞動力，美國不可能在長期競爭中取勝。

原因並不複雜。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並不低。

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，至少不低於美國，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杆，這一假設本身也過於樂觀，現實中可能遠低於這一水平。中國在“人均產出”層麵，並不一定處於劣勢。

這意味著，在傳統的人力競爭框架下，美國處於結構性劣勢。

人口結構進一步放大了這一差距。美國出生率自1971 年起長期低於替代水平，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，但因過於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製造和基礎設施項目。

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裏斯蒂，我們已建成並投產鋰精煉廠，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，美國很難大規模複製這樣的精煉能力。一方麵，這類工作勞動強度高、環境複雜；另一方麵，現實是，很少有美國人願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：為什麽現在依賴機器人，而不是過去？

答案在於規模約束。美國隻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“並行擴展”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，全球製造格局正在重塑。

這種競爭力並非偶然，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。任何複雜產品，最終都會包含中國製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、製造活動，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製造、能源和原材料體係的國家，在 AI、電動車以及機器人本身的規模化製造上，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，而中國主導規模化製造。

那麽，美國的路徑在哪裏？

答案並不在於正麵對抗規模，而在於持續成為突破性創新的源頭。

而最終的突破性願景，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係統工程。

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。

如果能走到那裏，我會認為，這就是勝利。

/ 04 /

機器人自我複製能力，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、低成本製造，必須正麵解決兩個根本問題：現實世界智能，以及可規模化的製造體係。

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”的機器人係統。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，並不在於外形，而在於執行器係統。

手部是整個人形機器人中機電複雜度最高的部分，其複雜程度，甚至超過機器人其餘部件的總和。

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、電子控製係統以及傳感器的整體協同，而不是依賴現有供應鏈的拚裝方案。

現實是，這樣的供應鏈並不存在，隻能從零搭建，並且一開始就要為規模化生產而設計。

但硬件靈巧，並不等於機器人有用。

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，特斯拉並非從零開始。用於自動駕駛的智能係統，本質上已經是一套成熟的“現實世界控製框架”：

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、可執行的控製指令。

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於汽車。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範數據。因此，訓練策略必須不同。

我們的選擇是規模化。

通過製造成千上萬台Optimus，並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係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於單體控製。真正的智能核心，在於世界模型與規劃能力。

未來，更高級的AI 係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複雜目標，例如搭建和擴展工廠本身。

回到製造和成本這一最現實的問題。

Optimus 的所有關鍵部件均為定製設計，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，其初始成本結構並不相同。但隻要跨過規模化門檻，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複、連續且長期存在的任務。在特斯拉工廠中，初期可能隻有10%–20% 的工作由機器人完成。但目標並非減少員工數量，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麵，這一邏輯會變得更加清晰。中國在多個製造與資源環節（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，僅靠人力並不現實，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，並不是單台機器人的能力，而是規模化的自我複製能力。

如果一個國家能夠實現：

用機器人去製造更多的機器人，並在這一過程中不斷降低成本、提升能力，那麽產能就會進入自我強化的遞歸循環。

誰率先完成這一閉環，誰就將在下一代製造體係和人形機器人產業中，占據決定性優勢。