埃隆·马斯克在特斯拉最新一次财报电话会议上透露,公司计划在英特尔尚未完成的14A制程上构建AI芯片——这是一场押注于尚不存在的芯片技术的豪赌。
"英特尔很高兴与我们在一些核心制造技术上展开合作,"马斯克说道。他所指的是特斯拉计划中的"Terafab"芯片制造项目,据他介绍,该项目旨在大规模生产自研AI芯片。他还补充说,特斯拉计划采用"英特尔的14A制程,这是最先进的工艺,事实上目前尚未完全成熟"。
这最后一点似乎并未让他感到担忧。"等到Terafab扩大规模时,14A应该已经相当成熟,或者可以投入实用……我们认为这将是一次出色的合作,"马斯克补充道。
马斯克所提及的14A制程,是英特尔即将推出的18A之后的下一代节点,而18A本身目前也尚未投产。这一制程被视为英特尔在过去几年中持续落后于竞争对手后,重新夺回市场地位的关键一搏。
马斯克将此次举措定性为对供应短缺的生存性应对,而非对芯片供应商施压的手段。"Terafab不是某种用来向芯片供应商施压的机制,"他说,"我们看不到未来获得足够数量AI芯片的路径……如果不自己造芯片,我们预计将会碰壁。"
然而,这种紧迫感与财务数据之间存在一定出入。特斯拉汽车销量依然可观,但年度营收出现下滑,利润进一步缩水,随着AI和制造业投入持续攀升,利润率也承受着压力。
这在一定程度上解释了这一战略背后的逻辑。如果特斯拉下一阶段的核心是自动驾驶和AI,而非单纯卖车,那么确保自身芯片供应——乃至自主制造芯片——就变得顺理成章。
此外,马斯克式的"登月"思维依然贯穿其中。"我们确实有一些想法,或许能打造出性能大幅领先的AI芯片,"他说,随即补充道,这些目前还只是"研究性想法……胜算不高",但一旦成功,可能带来"巨大的突破"。
这种押注长线的思路同样体现在特斯拉的其他规划中。在无人驾驶出租车方面,他延续了一贯的表述:扩张正在推进,稳步但缓慢,欧洲监管层面仍是难以突破的瓶颈。在人形机器人方面,愿景则更为宏大。马斯克再次将Optimus定位为终极目标,表示产能正在"缓慢"爬坡,并将最终实现规模化量产。
综合来看,特斯拉看起来已不再只是一家涉足AI领域的汽车公司,而更像是一家碰巧还在卖车的科技企业。特斯拉正准备斥资数百亿美元构建芯片、机器人和自动驾驶系统,同时坦承可能无法为自身的宏大计划提供足够的芯片供应。
如果这听起来像是同时推进太多事情,马斯克似乎并不为此焦虑——毕竟,他重金押注的那套制造工艺,目前连研发都还没完成。
Q&A
Q1:特斯拉的Terafab项目是什么?它的目标是什么?
A:Terafab是特斯拉计划中的自主芯片制造项目,目标是大规模生产专用AI芯片。马斯克表示,推进该项目的核心原因在于,特斯拉预判未来将无法从外部获得足够数量的AI芯片,因此必须走上自主制造的道路。这不是为了向现有芯片供应商施压,而是出于对供应瓶颈的切实担忧。
Q2:英特尔14A制程现在完成了吗?特斯拉为什么选择它?
A:目前英特尔14A制程尚未完成,连其前序节点18A也还未正式投产。马斯克坦承14A"尚未完全成熟",但他认为等到Terafab项目正式规模化量产时,14A制程届时应该已趋于成熟。特斯拉选择14A,是因为它代表英特尔最前沿的制造工艺,被视为英特尔重夺市场竞争力的关键技术。
Q3:特斯拉目前的财务状况如何?AI投入是否影响了盈利?
A:根据最新财报数据,特斯拉汽车销量依然庞大,但年度营收同比有所下滑,利润进一步收窄,利润率也在受压。主要原因在于成本上升,同时在AI研发和制造业务上的支出持续增加。这也从侧面说明,特斯拉正加速向以自动驾驶和AI为核心的商业模式转型,而非单纯依赖汽车销售。
好文章,需要你的鼓励
企业AI搜索公司Glean宣布年度经常性收入(ARR)达3亿美元,较15个月前的1亿美元增长三倍。尽管谷歌、微软、OpenAI等科技巨头纷纷入局企业AI搜索市场,Glean凭借"上下文图谱"技术深度理解企业业务需求,并帮助客户显著降低AI计算成本。该公司提供按用量计费和混合定价两种模式,客户涵盖Databricks、Reddit、Pinterest及三星等企业。Glean上轮融资后估值达72亿美元。
香港中文大学与MiniMax提出ClaimDiff-RL框架,将图像描述的AI训练从整体打分升级为逐条核查,有效解决了传统方式导致AI"少说保平安"的问题,同时在多项基准测试上超越Gemini-3-Pro-Preview。
杰夫·贝索斯旗下的蓝色起源公司在佛罗里达卡纳维拉尔角进行静态点火测试时,新格伦重型火箭发生爆炸。这是美国历史上最大规模的火箭爆炸之一,也是蓝色起源公司遭遇的最严重失败。所有人员安全,但该事故可能导致新格伦火箭项目长期暂停。此前该火箭已成功完成三次发射,并实现了助推器回收和重复使用。
ParaVT是一个由南洋理工等多校联合提出的并行视频工具调用框架,通过让AI同时分析多段视频并引入PARA-GRPO算法解决训练中的格式崩溃与工具跳过问题,在六项长视频理解测试中平均提升约7.9%。