昨天，@RealJimChanos 提出，特斯拉相对较低的资本支出意味着他们在现实世界的人工智能和机器人领域并不是一个真正的竞争对手。 这种看待问题的方式*完全*是错误的，而且在我看来，这一事实实际上对特斯拉有利。 特斯拉的推理过程本质上是在车内进行的，因此他们的客户实际上是在为推理计算“资本支出”买单，而这现在可能占超大规模数据中心资本支出的大部分。 如果特斯拉需要在数据中心人工生成相关的驾驶数据，那么他们的资本支出可能会高出一个数量级。客户补贴的垂直整合模式真是太棒了。 这也是为什么特斯拉的客户将来可以将他们的汽车放入分布式边缘计算池中，并在汽车不行驶时赚钱的原因——就像 Akamai 和 Cloudflare 在他们的边缘节点中放置单个 GPU 一样。 特斯拉车队作为全球规模最大、分布最广的人工智能内容分发网络（CDN）（显然，由于汽车无法缓存内容，因此仅限人工智能应用）并非遥不可及。比亚迪也将拥有类似的机遇和推理成本优势。 除了显著的推理成本优势外，特斯拉还拥有全球第二大（仅次于 xAI）的 Hopper 集群，用于预训练。只要集群足够大，就只需要一个。集群规模决定了预训练的资本效率。 从一致性、速度和成本三个方面来看，至今无人能与 xAI 和特斯拉的集群相媲美，其中一致性最为重要。正因如此，Jensen 才将他们的数据中心设计和执行形容为“超乎常人”。值得一提的是，特斯拉还有一个 AI4 集群，用于训练后处理、训练中处理，或者我们现在称之为其他什么。 特斯拉在训练 Chinchilla 最优 FSD 模型方面也拥有显著的数据优势，因为真实世界的视频可以无限扩展，而且这种数据优势进一步降低了他们的训练成本——与实验室训练 LLM 相比，合成数据的生成和第三方数据来源/标注更少。 由于所有这些优势——最大的连贯集群、客户为推理付费、数据集规模和持续的数据生成成本——所导致的相对资本效率，可能会对资本效率较低的机器人和FSD竞争对手产生影响。 对于人工智能而言，代币成本至关重要。谷歌是LLM代币的低成本生产商（xAI位居第二），但特斯拉才是FSD和机器人领域关键代币成本最低的生产商。 人工智能是我职业生涯中第一次遇到低成本生产如此重要的情况，因为在逻辑推理的世界里，代币数量实际上决定了质量。我认为市场对这种动态的重视程度远远不够。 特斯拉很可能会被 FSD 的竞争对手超越——在我看来不太可能，但一切皆有可能——但这不会发生，因为他们的资本支出相对较低。 如果像FSD那样，LLM推断能在手机和PC的边缘端实现，那么超大规模数据中心运营商的资本支出将会大幅降低。这才是数据中心支出面临的真正风险，而不是所有价值/宏观层面的影响。顺便一提，如果扩展性规律持续有效，内存将是这种未来几年内才会出现的场景中的最大受益者。 吉姆是个聪明人，但我个人认为他对人工智能的看法存在误解。 令我感到奇怪的是，竟然有人会把人工智能视为泡沫，要知道量子泡沫和核泡沫都极其明显，即使大量股票下跌 99%，仍然可能被高估。
