公开访谈 · 埃隆·马斯克

马斯克谈战争、AI、外星人、政治、物理、电子游戏与人类

Read in English →

访谈导读 · 忠实转述

马斯克在本次访谈中把多条技术路线归结为可靠性、效率和可扩展性:xAI要让工程、数学和物理答案尽量扎根现实,生成系统需要检查整体连贯性;Tesla依靠车端功耗约束发展更高效的真实世界AI,并为Optimus自行开发关键部件。他也主张AI监管、延迟开源,以及用AI重做X的内容推荐。

访谈观点

嘉宾观点 · 忠实转述

完整 12 条观点,按原观点顺序阅读。

观点目录 · 12 条 选择一条,跳转阅读
待分类

马斯克主张,应在当前窗口仍开放时让生命成为多行星物种,并最终走出太阳系。

他认为这个窗口可能很短、甚至关闭后不再出现;若不成为多行星生命,地球生命最终灭绝是确定的。

延伸分析 由 AI 生成

若这一主张继续主导资源配置,SpaceX的长期研发优先级可能仍会围绕可复用运输、在轨能力与深空任务展开。

相关领域:其他相关领域、多行星基础设施

后续观察

  • Starship轨道飞行与复用进展
  • 长期深空任务里程碑
AI 平台与生态

马斯克表示,xAI正把工程、数学和物理答案尽量做得扎根现实、可以依赖。

他认为现有大模型的工程答案并不可靠,而且在重要且困难的问题上往往最容易自信地答错。

延伸分析

若xAI能用可审计的工程和物理基准兑现这一目标,模型可靠性可能成为其区别于通用聊天模型的竞争维度。

相关领域:其他相关领域、基础模型服务

后续观察

  • 工程与物理基准表现
  • 高风险回答的引用与校验机制
  • 自信错误率
推理与测试时扩展

马斯克认为逐token预测会累积漂移,生成系统需要像修订书稿一样反复迭代草稿,直到整体连贯。

他表示当前模型内部逻辑并不一致,逐token路径中的小误差会累加,初稿需要继续修订才能让各部分相互吻合。

延伸分析

若整体复核与多轮修订能稳定减少漂移,推理阶段的额外计算可能换来更高的一致性,但也会增加延迟和成本。

相关领域:推理模型、测试时计算

后续观察

  • 自我校验带来的准确率增益
  • 推理延迟
  • 单位请求计算成本
AI 算力与规模化

以本次访谈时点为基准,马斯克判断AI扩张的约束将从当时的硅芯片短缺,转为约一年后的降压变压器短缺,并在约两年后转为整体电力短缺。

他同时认为,若交通和供暖全面电气化,电力产出需要提高到约三倍。

延伸分析

若这条访谈时的预测兑现,AI部署速度可能受并网和供电能力约束,同时提高电网设备、发电与数据中心电力系统的战略价值。

相关领域:AI数据中心、降压变压器、电力供应

后续观察

  • 数据中心并网排队时间
  • 大型变压器交付周期
  • AI负载新增电力需求
数据中心与能源

马斯克建议公用事业公司建设更多电厂并购置更多电池,并预计未来电池使用会非常广泛。

他认为当前电网几乎没有能量缓冲,而电池可以把夜间生产的电力移到白天使用。

延伸分析

若负载增长与峰谷差继续扩大,电网级储能可能承担更多削峰填谷和容量缓冲功能。

相关领域:电网级储能、公用事业公司

后续观察

  • 公用事业储能采购规模
  • 电网峰谷价差
  • 储能项目利用率
全球 AI 竞争

马斯克主张为前沿AI建立监管监督,并设置能够了解领先机构工作的客观第三方裁判。

他认为AI力量巨大、开发必须谨慎;即使第三方没有执法权,也至少应能公开提出担忧。

延伸分析

若形成具备技术访问权和公开披露能力的第三方机制,前沿模型公司的开发流程可能增加审计要求与透明度成本。

相关领域:前沿模型开发者、AI监管机构

后续观察

  • 第三方模型评估制度
  • 监管机构技术访问权限
  • 前沿模型风险披露规则
AI 平台与生态

马斯克总体倾向开源基础模型,并认为可以采用大约六个月的时间延迟。

他明确表示开源有价值,而且自己的总体倾向是开源。

延伸分析

若领先模型采用延迟开源,生态可能获得更多可复用能力,同时保留开发者短期领先窗口;实际影响取决于开放范围和许可证。

相关领域:开放权重模型、基础模型生态

后续观察

  • xAI模型开放节奏
  • 权重与训练代码开放范围
  • 模型许可证限制
AI 平台与生态

马斯克认为,X对用户未关注账号的内容推荐应完全由AI完成,以帖子与用户的向量空间匹配取代以启发式规则为主的系统。

他指出当前推荐主要依赖启发式规则,而且没有共同关注者时,即使内容很有趣,用户也看不到。

延伸分析

若向量匹配有效覆盖社交图之外的内容,X可能提升内容发现和使用时长;效果仍取决于推荐质量、可控性与反馈信号。

相关领域:X推荐系统、数字内容平台

后续观察

  • 非关注内容曝光占比
  • 推荐满意度与负反馈
  • 端到端推荐模型上线范围
待分类

马斯克表示,Community Notes只有在过去经常持不同意见的人对同一条注释达成一致时才会展示。

他把跨分歧共识称为这一机制的核心,并认为过去常有分歧的人若能同意,内容更可能为真。

延伸分析

若跨分歧共识能持续抵抗协同操纵,这类机制可能提高平台事实校注的可信度;其效果取决于参与者覆盖和评分模型。

相关领域:其他相关领域、平台事实校注

后续观察

  • 注释跨群体一致率
  • 注释纠错与撤回速度
  • 参与者代表性
自动驾驶与无人出租车

马斯克表示,Tesla端到端驾驶模型能仅从视频自行学会识别道路对象,甚至学会读路牌,而团队没有显式教这些概念。

他说团队没有教模型什么是汽车、行人或骑车人,模型从视频中学会了这些道路对象。

延伸分析

若这种从视频涌现学习的能力在安全指标上稳定成立,端到端训练可能减少手工标注和规则工程,并加快自动驾驶能力迭代。

相关领域:其他相关领域、端到端自动驾驶

后续观察

  • 端到端版本安全指标
  • 人工干预率
  • 未显式标注能力的泛化表现
AI 算力与规模化

马斯克判断,Tesla的真实世界AI路线在计算效率上更高,而这种效率来自车端约100瓦的硬约束。

他两次强调Tesla路线更节省计算,并明确表示团队没有别的选择,因为车端只有约100瓦。

延伸分析

若Tesla能在严格功耗下维持性能,低功耗推理可能成为其规模部署自动驾驶软件的成本与硬件优势。

相关领域:Tesla车端AI、低功耗推理

后续观察

  • 车端推理功耗
  • 单位算力性能
  • 旧硬件上的能力覆盖
机器人与具身智能

马斯克表示,Optimus需要Tesla自行开发没有现成适用方案的关键部件,并预测其最终成本可以低于汽车。

他称现有大量电机设计没有一款适合人形机器人,并认为机器人质量更小、执行器也少于汽车。

延伸分析

若垂直开发能实现汽车式量产并把成本降到汽车以下,Optimus的部署空间可能扩大;同时,自研全部关键部件会提高前期资本与执行要求。

相关领域:其他相关领域、人形机器人零部件、机器人制造

后续观察

  • Optimus量产设计冻结
  • 单机物料与制造成本
  • 自研执行器良率
嘉宾未来判断汇总 · 忠实转述

以2023年11月9日这次访谈为时间基准,他当时判断AI扩张约一年后会遇到降压变压器短缺、约两年后会遇到整体电力短缺,并预计电网电池使用会显著增加;他还预计Optimus最终成本可低于汽车。这些都是访谈时的预测,不代表今天已经实现。

延伸分析汇总

若这些判断兑现,AI数据中心的约束可能从芯片供给继续转向电网设备、电力与储能;模型服务的竞争也可能更多取决于事实可靠性和单位能耗效率。Tesla在自动驾驶与人形机器人上的端到端学习和垂直开发,可能影响相关产品的成本与扩张速度。

来源信息与原始链接

收录标题:Elon Musk: War, AI, Aliens, Politics, Physics, Video Games, and Humanity

收录日期:2026年8月28日。收录时间不代表发言时间。

打开原始来源 ↗

阅读说明

正文观点、理由及未来判断是对嘉宾表达的整理与转述,原话节选保留原语言。“延伸分析”及其汇总由 AI 生成,不代表嘉宾表态,受文中条件及证据范围限制,不构成投资建议。

继续读 埃隆·马斯克

正在读取相关访谈…

查看全部已收录访谈 →