# 直播:马斯克 AI Day 揭晓 Optimus > - 原标题:WATCH: Elon Musk's AI Day With Optimus Reveal - LIVE - 时间:2022 年 - 频道:CNET Highlights - 网页版:https://elon.ruinews.com/ep/watch-elon-musk-s-ai-day-with-optimus-reveal-live/ - 精读字数:约 6626 字(阅读约 15 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。 去年特斯拉 AI Day 上那台“机器人”,里面是个穿紧身衣的真人。今年马斯克自己把这件事翻出来当笑话讲:去年那是个穿机器人套装的人,今年我们走了很长的路。他没夸张。新机器人上台时,没有任何缆绳、支架、机械备份,自己走出来的。马斯克说,这是它第一次脱离束缚运行,“我们只是不想让它脸着地”。 这场发布会信息密度极高,前半段讲机器人,后半段讲自动驾驶、芯片、超算和数据管线。工程师一个接一个上台,幻灯片密密麻麻。马斯克把全公司最硬核的技术摊在桌面上,目的写在明面上:说服全世界最聪明的那批人来特斯拉上班。 ## 先把“经济”这个词拆开 马斯克在机器人出场之前,花了几分钟讲一件听起来跟硬件无关的事:经济到底是什么。 他的定义很物理:**一个经济体的产出,等于参与生产的实体数量,乘以人均产出效率。** 这个公式里,人口一直是个硬约束。地球上能干活的人就那么多,所以经济总量有个天花板。 然后他推了一步:如果人形机器人可以大规模制造,而且成本足够低,那么“参与生产的实体数量”这个变量就失去了上限。公式里被卡住的那一项松开了,经济体的概念本身就模糊了。他的原话是,到那个阶段,经济会变成“准无限”。 这句话听起来像科幻。但紧接着他给了数字:Optimus 的目标成本低于两万美元,低于一辆车。量产规模最终可能是几百万台。他还给了一个量级对比:自动驾驶能把运输的生产效率提升半个数量级到一个数量级,而人形机器人对经济产出的潜在提升是**两个数量级**。 两个数量级是什么概念。一辆车卖三万美元,一个人形机器人卖两万美元,但车只能运输,机器人能搬运、能装配、能拧螺丝、能去超市。从资产回报的角度看,这两件事不在一个维度上。 ## 他为什么反复强调股权结构 整场演讲里,马斯克有三次主动把话题拐到特斯拉的公司治理上,这在技术发布会里很不寻常。 他的逻辑是这样的:如果特斯拉真的在朝通用人工智能(AGI)的方向走,那么由谁来控制这家公司就变成一个公共安全问题。特斯拉只有一类股票,是上市公司,公众可以买股票、可以投票。他说得很直白:**“如果我疯了,你们可以把我开除。”** 他补了一句:也许我已经疯了,我不知道。 这话有玩笑成分,但背后的担心是真的。一个掌握几百万台人形机器人、几百万辆自动驾驶汽车、以及全球最大真实世界数据流的公司,如果控制权集中在一个人或一个封闭小圈子里,风险会变得不对称。他给出的解法是把控制权分散到公开市场,让公众能通过买入和投票施加影响。 这个论证站不站得住可以讨论。一家上市公司由持股比例决定话语权,这一点他没有回避。但他至少把问题摆上了台面:**做 AGI 的实体,必须能被公众影响。** ## 机器人长得像人,是因为世界是按人设计的 为什么非得是人形?四条腿的机器狗不是更稳吗? 特斯拉硬件团队给出的理由不玄乎:**我们的工厂、楼梯、门把手、螺丝刀、货架高度,全部是按人体工程学设计的。** 一个能抓握、能拧、能搬的人形机器人,进入现成环境不需要改造世界。反过来,如果换个形态,每进一个场景都要重新设计一遍工具和通道,成本会失控。 手的部分讲得最细。五指、对生拇指、金属腱驱动、六个执行器、十一个自由度。人类手指每秒能移动 300 度,手上有数万个触觉传感器。特斯拉的手做不到这个水平,但做到了两件关键的事:一是大开口的抓握力,二是小物件精细捏取。手指驱动用了不可逆的离合机构,意思是机器人握住东西移动时,手部电机可以关掉,靠机械结构保持握力。 为什么用腱而不用连杆?现场有人问了这个。工程师的回答是:腱可以用金属编织线,强度比合成材料高;零件数量少,量产时更容易;腱驱动还能做反向间隙消除,手指动作不会有顿挫感。配合弹簧,手指收紧靠电机,张开靠弹簧回弹,省掉一半执行器。 膝盖那部分更像一篇论文。人类膝盖算不上简单的铰链,弯曲时力矩是非线性的。特斯拉用四连杆结构去逼近这条非线性曲线,结果是执行器需要的峰值力大幅下降,能耗跟着下降。工程师在台上说了一句挺有意思的话:我们人类就是一袋湿乎乎的果冻和骨头,站立时腿的振动频率根本不在 10 赫兹,所以机器人也没必要追求那么高的刚度,把模态数据喂给控制系统,让它适应就行。 全身 28 个自由度,六种执行器(三种旋转、三种线性),一款线性执行器在测试里举起了一架半吨重的九英尺三角钢琴。躯干中间是 2.3 千瓦时的电池包,够干一整天活。计算单元也在躯干里,头部没有。 ## 车轮上的机器人和腿上的机器人,共用一个大脑 自动驾驶部分由 Ashok 开场。他给了一组对比:去年同期,跑 FSD 测试版的车大约 2,000 辆;今年这个数字是 16 万。过去一年训练了 75,000 个神经网络模型,平均每八分钟出一个,最后只有 281 个真正上线提升了车辆表现。 支撑这一切的是三台自建超算,14,000 张 GPU,其中 10,000 张用于训练,4,000 张用于自动标注。30 PB 的分布式视频缓存,每天有 50 万段视频流进流出,每秒追踪 40 万次视频实例。今年训练基础设施扩容了 40% 到 50%。 核心模型叫 Occupancy Network(占据网络)。八个摄像头的视频流进去,输出一个统一的三维体积表示,对车身周围每一个三维位置预测“这里有没有东西被占据”。它不先识别“这是什么物体”,直接回答“这块空间能不能过”。所以被遮挡的障碍物,它也能瞬间推出来。 有个细节值得记下来:喂给网络的是摄像头原始的 12 位图像,并非常见的 8 位 RGB。多出来的四位让它有 16 倍动态范围,同时因为跳过了 ISP 图像处理环节,延迟更低。这个网络在车上每 10 毫秒跑一次。 然后是车道线。这部分是整场设计里最出乎意料的一处。 早期做法是在图像上做语义分割,把车道线涂出来。这条路在高速上够用,一到路口就崩。路口里的车道是交叉、分叉、互相连通的图结构,你没法用像素涂出来,更没法处理“这里到底是两条车道还是三条车道看不清楚”的模糊情况。 特斯拉的解法是把车道线预测变成一个**语言模型问题**。车道点变成词,点的位置是词的内容,点与点之间的连接关系变成语法。模型自回归地一个词一个词往外吐:先预测第一个车道点的位置,再预测下一段是延续还是新起点,再预测分叉点回溯到哪个已生成的点,最后吐出一个“句子结束”标记。 John 在台上说得很清楚,他们这么干是因为简单方法真的试过,不行。分割模型遇到不确定的场景会把两条可能的车道都画出来,后处理直接傻掉。而语言模型天然处理多模态分布:它必须选一条路走到底,生成一个连贯的预测,不会同时输出所有可能性。 这个思路还被直接搬到了机器人上。工厂里的“请去厨房”“请到三号货架”,本质上就是预测一组路径和连通关系,跟车道图是同一个数学结构。 ## Dojo:一家车厂为什么要自己造超算 Pete Bannon 上台第一句话就回答了所有人的疑问:为什么一家汽车公司要造超级计算机。 他的答案是,特斯拉本质上是一家硬核技术公司。自动驾驶团队训练的一些大模型要跑一个多月,这个周期让快速试错变得不可能。目标是 30 倍加速,同时成本和能耗要有竞争力。 设计过程中的关键抉择是:**放弃 DRAM,全部用片上 SRAM。** 这个决定带来一连串后果。SRAM 容量小但带宽极高、延迟极低,能喂饱运算单元。没有虚拟内存,因为没地方放页表。没有中断,整个加速器是一个裸金属硬件,编译器负责确定性地调度一切。训练范式选了模型并行,因为数据并行要额外的内存容量,他们拿不出来。 Dojo 训练瓦片集成了 25 颗芯片。整机柜的一层托盘装六个瓦片,54 petaflops 算力,640 GB 高带宽内存。一个 ExaPOD 装两套完整加速器,合计 1 exaflop 的机器学习算力。 Rajiv 给了一组硬碰硬的对比。跨 25 颗 Dojo 芯片做批归一化(BatchNorm)的全局归约和广播,8750 个节点协同,耗时 5 微秒。同样的操作在 24 张 GPU 上是 150 微秒。差了两个数量级。 ResNet-50 这种标准基准上,Dojo 已经能做到芯片对芯片打平,而且每颗芯片的批大小只要 8。真正的差距在特斯拉自己的负载上:自动标注网络用生产硬件是 A100 的两倍吞吐,编译器优化后能到三倍以上;占据网络接近三倍。 最有杀伤力的一句话是:**一个 Dojo 瓦片可以顶替六个 GPU 机箱,而它的成本低于其中一个 GPU 机箱。** 部署上,现在自动标注占用了 4,000 张 GPU、72 个 GPU 机架。同样的吞吐量,四个 Dojo 机柜就够了。第一个 ExaPOD 计划 2023 年第一季度建成,能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了七个 ExaPOD。 中间还讲了一个翻车现场。理论上很美的系统,实测时性能只有预期的 4%。原因是 Dojo 主机的机器学习算力是 GPU 主机的十倍,单台主机上的数据加载器根本喂不饱。他们的解法是自研网络接口卡,把加载主机通过以太网接到 Dojo 网格上,用硬件加速的 DMA 传输。改完之后,占用率从 4% 跳到 97%。 这段插曲比任何参数都有说服力。它说明这套系统真的在跑,也真的踩过坑。 ## 数据引擎:13,900 个片段治好了“路边的车” Kate 讲了一个具体案例,值得完整复述。 场景是这样的:车辆接近一个路口准备转弯,前方停着一辆车。自动驾驶系统判断这辆车在等红灯,于是减速。实际情况是,那辆车里没人,只是随便停在路边。 特斯拉的诊断工具把这个误判识别出来,修正标签,把片段归入评测集。这类“转弯处的临时停车”案例,一共诊断出 126 个。 然后是从车队里挖数据。用触发器找出所有类似场景,修正标签,最后修了 13,900 个片段加进训练集。模型架构一点没改,只喂了新数据,这个误判就消失了。屏幕上,原来标成橙色的“停车等待”变成了红色的“临时停放”。 她说了句很关键的话:**学术界常常把数据当作固定常量,只改模型;特斯拉反过来,数据是最确定、最有效的杠杆。** 光是“车辆运动”这一个信号,今年就更新了五次,每次都靠新数据把准确率往上推。 这套流程能跑起来,靠的是三样东西:车队规模、自建的数据管线、以及自动标注能力。 自动标注那部分数字很夸张。为了训练车道网络,需要几千万趟行程的数据,覆盖上百万个路口。人工标注走不通。他们做了多趟重建的自动标注系统:先用多摄像头视觉惯性里程计恢复高精度轨迹和场景结构(车内漂移率每米 1.3 厘米、每米 0.45 毫弧度),再把不同车辆、不同时间经过同一地点的多趟行程做联合对齐和优化,最后由人工做一次确认。 结果:**原本需要 500 万小时人工标注的一万趟行程,在集群上 12 小时跑完。** 新行程的自动标注每趟只要 30 分钟。Ashok 补充说,后端管线每天要执行 2,000 万个这样的函数调用,流式处理 50 万段视频。他说这套东西像一个生产标签的工厂,有产线、有质量、有库存。 ## 仿真:两周的活,五分钟干完 David 讲仿真。旧金山 Market Street 一个复杂路口,过去美术团队要做两周。现在用自动标注产出的真值数据,加上 Houdini 里的程序化生成工具,五分钟出一个场景。 流程是自动的:道路边界标签生成路面网格,车道图标签重新拓扑,车道线数据扫掠出标线贴花,中央隔离带生成绿化,模块化建筑生成器生成遮挡物,地图数据决定红绿灯和路牌位置,车道邻接关系决定随机车流。 更关键的是,因为一切都是数据驱动的,可以**在真值上做扰动**。想换材质、换树种、换季节、换成都市场景还是乡村场景,点一下按钮。想让网络更关注某个路口的导向标线,直接在仿真里修改车道图,造出一种现实世界里根本不存在的交通流。 工程上他们做了瓦片化:150 米见方的地理散列瓦片,导出成几何和实例文件,跟渲染引擎解耦。加载器按需召唤任意数量的瓦片,转成虚幻引擎资产。旧金山大部分街道,一个人两周就生成完了。所有这些瓦片可以过夜重跑,保证新加入的语义标签能同步到全部场景。 ## 问答环节里的真话 后半段一个多小时的提问,马斯克回答得比演讲部分更放松,也更容易看出他的判断。 关于什么时候普通人能买到 Optimus,他说:**“三年之内,不会超过五年,你大概就能收到一台。”** 部署路径是从工厂里最简单的活开始,比如把零件从一个地方搬到另一个地方,或者把零件送进焊接机器人单元。然后有用场景的数量会指数增长。 关于 AGI,他反复强调特斯拉没有专门去做这件事,但 AGI 可能是一个**涌现产物**。理由是数据量:几百万辆自动驾驶汽车加几百万台人形机器人,带着摄像头、麦克风和其它传感器在真实世界里跑,这个数据集体量远超互联网上能抓到的任何东西。他的原话是,互联网做不到的事情是,它没法拥有几亿个在真实世界里移动的摄像头。 关于 Dojo 会不会对外卖,他的判断是:**Dojo 更适合以亚马逊 AWS 那种方式运营,当作产品卖给某家公司并不现实。** 这台机器耗电巨大、需要专门冷却,装进别人机房办不到。做成在线服务,让客户用更快的速度、更低的成本训练模型,才是合理的商业模式。他还顺带提了一句“软件 2.0”,意思是未来所有软件都会被神经网络重写一遍,那么训练算力就是新的水电煤。 关于 AI 监管,他的立场很明确:应该有一个政府层面的 AI 监管机构,就像航空、汽车、食品药品都有监管机构一样,因为这些领域都影响公共安全。他补了一句,这件事各国政府目前还没搞明白。 关于 FSD 落地范围,他说技术上年底前具备全球推测试版的能力,但很多国家卡在监管审批。他提到下个月会有一个大幅改进的版本,特别擅长判断快速横向来车的速度。车队内部已经在高速场景跑统一的技术栈,比现有的量产版本好很多,目标是年底前把停车场场景也并进来,实现从停车场到停车场的全程。 关于核心指标,他给了一个非常朴素的答案:**每两次必要干预之间能跑多少英里。** 这个数字每周都在测,在激进地改善。 有个问题问他,如果回到二十多岁会给自己什么建议。他想了很久,说了一句不太马斯克的话:在夸贾林环礁开发猎鹰一号火箭的那段时间,那座岛很漂亮,但他一次都没去沙滩上喝过一杯酒。“我应该去沙滩上喝一杯的。” 还有一个问题问特斯拉凭什么能同时做这么多事。他的回答里有个词很锋利,叫“蜜罐公司”(Honey Trap)。他说硅谷有一些地方,对工程师看起来不坏,薪水高、环境舒服,但一个优秀工程师走进去,实际产出非常低。这种地方就是蜜罐。特斯拉不干这种事,要求高,你会做成很多事,过程不轻松。 ## 这场发布会真正在说什么 把两小时的内容压缩成一句话:特斯拉在试图证明,**真实世界的人工智能需要的是一整套完整的闭环,光有更聪明的算法远远不够。** 闭环的每一环都得自己造。车上要有算力,于是有了 FSD 芯片。训练要有算力,于是有了 Dojo。数据要有人采,于是有了几百万辆车的车队。数据要有人标,于是有了多趟重建的自动标注。标完要能造长尾场景,于是有了程序化仿真。模型要能验证,于是有了评测集和数据引擎。机器人要能动,于是有了自研执行器、电池包、手和膝盖。 任何一环外包出去,整个迭代速度就会被最慢的那一环拖住。这才是“垂直整合”在这个语境下的真实含义。它指向的是迭代周期,跟财务报表没什么关系。 至于 Optimus 本身,坦率说,舞台上那台机器人的动作还很初级。它挥手,它展示关节,它被工作人员扶着转了个身。马斯克自己承认,很多技术方案可能选错了路,架构会随时间大幅演进。 但他给的时间表很具体:三年到五年。他给的成本很具体:低于两万美元。他给的产量很具体:最终几百万台。这些数字能不能兑现另说,至少它们可以被验证,可以被证伪。这比“改变世界”这种话有用得多。 ## 给读者的几件事 - 如果你在做机器学习系统,重点看 Occupancy Network 的设计取舍:它跳过了目标检测,直接预测三维空间占据概率。不问“这是什么”,只回答“能不能过”,反而让遮挡推理变得简单。这个思路可以迁移到很多机器人感知任务上。 - 把车道线预测做成语言模型这件事值得抄。当一个视觉问题存在多模态歧义、又需要输出结构化的连通图时,自回归的序列生成比稠密分割加后处理更稳。工程上别害怕从别的领域搬现成范式。 - 数据引擎那套方法论可以直接用:找出模型的系统性误判,用触发器从真实数据里挖同类样本,修正标签,只把最有价值的样本加进训练集,架构保持不动。13,900 个片段解决一个具体的产品问题,这个投入产出比比重新设计网络高得多。 - 如果你关注机器人创业,注意马斯克对手和膝盖的执念。腱驱动加弹簧回弹省掉一半执行器,四连杆结构把膝盖力矩曲线线性化从而降低峰值力。这些设计的出发点都是量产成本。 - 如果你想进这个方向,马斯克在台上重复了至少五遍的话是:来特斯拉。他把整场发布会当成招聘广告来做。你可以不认同他的时间表,但这场发布会的技术密度值得你花两小时把原始视频看完,别只看剪辑片段。