凯哥 ｜ 特斯拉：从汽车到 AI 的具生智能实验场

欢迎大家关注“凯哥讲故事系列”公众号，我是史凯

给你最本质，最实战的数字化转型指南

特斯拉：从汽车厂到 AI 工厂的具身智能实验场

一、深夜的语音：特斯拉到底是车厂，还是 AI 厂？

那天半夜，湾区下着毛毛雨。

大富刷着手机，刷到一条新闻：特斯拉又要在德州搞一个「AI 工厂」，机器人一上来就按百万台算，配套自研 AI5、AI6 芯片，还要把工厂的能源和空调都交给 AI 管。

他给大贵发了一条语音：

大富说： 「你说现在看特斯拉，是不是再叫它‘车厂’就有点落伍了？」

大贵那边还在北京加班，办公楼里只剩保安巡逻。听完语音，他回了一句：

大贵说： 「以前特斯拉是车轮上的电池，现在是芯片上的工人，工厂变成 AI 的‘跑步机’了。」

如果用一句话总结马斯克这几年在干什么：

他在把工厂，本身变成一个具身智能的巨大实验场。

车间里不只是有冲压机、焊接线和工人，还有摄像头、机器人、AI 芯片、数据中心，连空调都自己算风向。

你以为特斯拉的产品是车？ 不，产品是一整套：「车 + 工厂 + 机器人 + 芯片 + 数据场景」。

这就是我们今天要聊的： 特斯拉，怎么从汽车厂，长成了一个具身智能的 AI 工厂。

二、第一步：把工厂交给 AI 管——从空调开始的政变

很多人以为，特斯拉玩 AI，只在车上——自动驾驶、FSD。

但你翻它最新的影响力报告，惊喜会在另一个位置：工厂。

特斯拉在 2024 年的延伸影响力报告里写得很直白：

• 内华达超级工厂的大部分暖通空调（HVAC）系统，已经由 AI 控制；
• 德州工厂的塑料与喷涂车间上了 AI 优化控制，天然气使用效率显著提升；
• 整体上，在工厂和数据中心铺开「闭环 AI 系统」，用自主算法实时调节能耗。

这听着有点抽象，大贵当时就问：

大贵说： 「AI 管空调，听着像是厂里搞了个‘智能家居加强版’，这也配叫 AI 工厂？」

大富摆摆手：

大富说： 「你别小看空调。对工厂来说，空调用得好不好，就是利润表上的‘隐形科目’。」

在内华达这样的大厂，HVAC 往往是最大单项能耗之一。以前怎么管？

• 一堆工程师看着温度、压力、管道风速，靠经验调参数；
• 调一次要协调好几个部门，半天甚至几天；
• 结果就是：要么怕影响产能，宁愿多烧点气；要么怕浪费能源，车间里热得工人想打人。

特斯拉干了一件很典型的事：

1. 把传感器铺满——温度、湿度、气流、设备运行状态；
2. 数据全进中枢——传给 AI 模型，持续学习设备与环境的关系；
3. 让算法接管调度——风怎么走、阀门开多大、什么时候能“偷懒”节能，全是 AI 算。

结果呢？

• 能源账单往下掉；
• 碳排放报表好看了；
• 工人投诉少了；
• 影响力报告里多了一堆可以拿去吹的数字。

这背后逻辑其实很简单：

大富说： 「如果 AI 连能源这种‘慢变量’都能管顺，下一步它就敢碰生产这种‘快变量’。」

换句话说，空调是试刀石。

谁敢把工厂的能源系统交给 AI 管，谁就距离「AI 工厂」更近一步。

三、从 Dojo 到 AI5/AI6：特斯拉也在给自己造「芯片命」

讲完空调，得讲芯片。因为在特斯拉的世界观里：

工厂不是简单的自动化车间，而是一台巨大的推理与训练一体机。

1. Dojo 的试验与放弃

前几年，马斯克吹得最响的，是 Dojo 超级计算机——专门给自动驾驶模型训数据的。后来呢？

• 2025 年秋天，特斯拉传出消息：Dojo 项目「按下暂停键」，不再继续烧钱扩容；
• 外界一片争论：是技术路线有问题，还是单纯算不过英伟达的 GPU 生态；
• 马斯克随后强调：特斯拉会用新的 AI6 芯片配合「AI 工厂」概念，继续往前走。

这是第一层转向： 从“我造一台世界上最牛的训练机”，转向“我为自己造一整条 AI 硬件谱系”。

2. AI5 / AI6：车里有芯，机器人也有芯

现在特斯拉在干的，是自家的 AI5、AI6 芯片。最近几个月的信息密度很高：

• AI5：原计划 2026 年量产，现在马斯克在 X 上确认，大规模量产要推迟到 2027 年中，Cybercab 这种「无人出租车」会先用 AI4 顶上；
• AI5 和 AI6 都会由 TSMC 和三星双代工，不同代工厂版本略有差异，但设计目标是避免性能差异过大；
• 2025 年 7 月，三星拿下价值约 165 亿美元的大单，负责未来 AI6 芯片生产，预计 2028 年左右达到量产，性能相较上一代翻倍。

更关键的是用途：

• AI5 给车用，是下一代自动驾驶与「机器人出租车」的大脑；
• AI6 不只是车，还要进机器人 ——用在 Optimus 这样的人形机器人上。

这意味着什么？

大贵说： 「以前是给车配芯片，现在是给‘工人’配芯片。」

在具身智能的语境下，车也是机器人，机器人也是车间里的“移动终端”。

• 路上跑的车，在现实世界采集驾驶场景数据，回到云端训模型；
• 工厂里的机器人，在产线上采集操作数据，反哺动作规划与控制算法；
• 驾驶模型、工厂控制模型、机器人模型，在背后的训练平台和芯片上，越来越统一。

这就是特斯拉的野心： 把车、机器人、工厂，统一成一套「芯片 + 算法 + 数据」的闭环系统。

四、Optimus 上线：工人、机器人和「数据采集员」站在同一条产线

如果说 AI5 / AI6 是大脑，工厂里的那个「身体」，就是 Optimus 人形机器人。

特斯拉官网对 Optimus 的定义很清楚：

做一款通用的、双足、可以自主完成危险、重复、无聊任务的人形机器人。

这句话要翻译成人话，就是： “凡是你们人类不想干的活，我都想让机器人干。”

1. 首批任务：先干厂里的苦力活

外界披露的 Optimus 路线图，大概是这么一条曲线：

• 2024 年：内部规划生产约 1 万台 Optimus，优先放在特斯拉自家工厂做重复性工作，比如在焊接线上搬运金属板；
• 2025 年：推出 V2 版本，产能目标是每月 1 万台，主要还是内部产线使用；
• 2025 年股东会上，马斯克放话：当年就在弗里蒙特工厂上第一批试点生产线；
• 2025 年 11 月，有媒体报道：特斯拉计划让 Optimus 年产达到一百万台，单价约 2 万美元，同时还在德州工厂新建一个专门的人形机器人工厂，目标是 2027 年达到年产千万台的规模。

这已经不是「玩具项目」，而是工业计划。

如果真的能做到一年一百万台，意味着什么？

• 这将是人类历史上第一次，把「人形机器人」当成家用电器一样量产；
• 每台 2 万美元，比一个发达国家工人的年人工还便宜；
• 一旦性能和可靠性过关，真正被替换的，不是那几个演讲 PPT，而是无数高危、重复、低技能岗位。

2. 机器人也要「上课」：数据采集员是新工种

Business Insider 最近描写了一个鲜少被外界注意的角色：数据采集员（data collection operators）。

这帮人干嘛？

• 穿上带传感器的外骨骼，手把手演示某个操作；
• 或者远程操控 Optimus 完成任务，把整套动作、反馈记录下来；
• 这些数据会被喂给模型，让机器人学会稳定、可复用的动作技能。

说白了： 人先干一遍，机器人边看边学。

大富在群里一边看报道，一边感慨：

大富说： 「以前工人教徒弟，现在是工人教机器人，一遍教会，全厂通用。」

大贵看了看自己加班到半夜的工时表，叹了口气：

大贵说： 「等哪天机器人也开始摸鱼，那就算真正智能了。」

这背后的关键逻辑是：

• 机器人要有身体（硬件），
• 要有大脑（芯片 + 模型），
• 更要有**「童年」——大量人类示范的数据**。

具身智能和纯文本大模型最大的差别在这儿： 文字可以凭空想象，动作必须一次次摔出来。

五、「AI 工厂」四件套：工厂 + 芯片 + 数据中心 + 机器人

马斯克最近在各种场合，频繁提一个词：AI Factory（AI 工厂）。

• 他在谈 xAI 和 NVIDIA、沙特合伙建「沙漠 AI 工厂」的时候，说过一句话：限制 AI 的不是模型，而是电——有没有足够的能量去喂这些芯片；
• NVIDIA 则干脆把自己的整套 GPU + 网络 + 存储方案命名为「AI 工厂」，含义是：谁掌握 AI 工厂，谁就掌握未来的算力基础设施。

那特斯拉的 AI 工厂，和这些有啥不一样？

别的家的 AI 工厂，是**「数据中心 + 算力集群」**； 特斯拉的 AI 工厂，多了两样东西：车间和机器人。

你可以把它拆成四块：

1. 工厂本体
   • 就是那些钢筋水泥和产线设备，生产电动车、电池、人形机器人。
   • 但每个工位都尽量加上传感器、摄像头、执行器，变成「可观测、可操控」的节点。
2. AI 芯片 + 车载/机载算力
   • 车上是 FSD 智能驾驶的平台；
   • 机器人身上是具身智能的平台；
   • 都在向 AI5/AI6 迁移，用一套硬件谱系统一整个平台。
3. 数据中心与训练平台
   • 虽然 Dojo 项目停了，但特斯拉没有停下在德州等地扩建 AI 数据中心、用大量 GPU 进行训练的计划；
   • 数据中心与工厂在同一园区甚至同一电力系统里，废热回收、能耗一体管理。
4. 具身智能终端：车 + 机器人
   • 5 百万台在路上的特斯拉，实时上传驾驶环境数据；
   • 数以万计的 Optimus，在工厂里重复做同一类工作，不断产生动作与反馈数据。

这四块拼在一起，才是完整的「AI 工厂」。

大富说： 「别把 AI 工厂理解成一栋大楼，它更像是一个有肌肉、有神经、有大脑的‘超级生物’。」

大贵听完只回了一句：

大贵说： 「那咱们这些打工人，是不是已经在这个生物的消化系统里了？」

六、具身智能的关键资源：不是算力，是场景和高质量数据集

讲到这儿，问题就来了： 特斯拉靠什么，把这个「超级生物」养活？

很多人第一反应是：钱、算力、芯片。 但坐在工厂一线的人都知道，真正贵的，是 场景和数据。

1. 车轮上的数据矿

特斯拉公开的信息显示：

• 截至 2024 年底，全球跑着大约 500 万台特斯拉汽车，每一台都能持续上传道路数据；
• 自动驾驶模型训练需要海量、长时、真实世界的视觉和传感器数据，这些数据不是仿真出来的，是客户每天帮它跑出来的。

这是什么概念？

• 别的公司搞自动驾驶，要自己去组织车队、招安全员、规划线路；
• 特斯拉是直接拿用户车队当数据采集终端。

大富说： 「别人训练模型要花钱租场地、找司机，特斯拉训练模型，是车主倒贴钱帮它采集数据。」

这就是具身智能一个最“黑”的商业模式： 你掏钱买一个机器人（车），日常帮你跑腿； 同时，这个机器人又在悄悄给它的「母体」贡献训练数据。

2. 产线上的动作教科书

同样的逻辑，在工厂里也成立。

• 每一个焊接动作、搬运动作、装配动作，都可以被记录成一条条「动作轨迹 + 力反馈 + 视觉信息」；
• 人形机器人要接管这些工作，就得先把这些数据吃透。

这里还多了一层：质量标注。

• 哪一次焊得好？
• 哪一次拧螺丝扭矩刚刚好？
• 哪一次拿件姿势最稳？

这些都可以变成模型训练时的「正样本」。

从这个角度看，特斯拉工厂不是简单的「制造场」，更像是一个动作数据集的生产基地。

大贵说： 「以前产线 KPI 是产量、良率，现在得再加一条：‘今天喂给机器人多少条高质量动作数据？’」

你现在再看「高质量数据集」这五个字，就会发现：

• 在互联网时代，数据多来自点击、浏览、下单；
• 在具身智能时代，数据来自撞车、跌倒、摔零件、错焊、漏装。

真正的高质量数据，是那些你原本想避免，却不得不亲身经历的错误。

七、中国工厂的三重追问：要不要学特斯拉？学到什么程度？

讲完特斯拉，总得问一句：中国要不要学？

在国内的制造业和园区里，现在流行三种声音：

1. 「我们也要搞 AI 工厂，整个园区上一个大模型平台！」
2. 「先把 OEE 提上去再说 AI，别一天到晚玩概念。」
3. 「算力、芯片都在别人手里，搞啥 AI 工厂？」

那特斯拉给我们提供了什么参照？

1. 第一重：工厂要从「造产品」，变成「造数据 + 造能力」

如果你把工厂只当成一个「把物料变成产品」的地方，那 AI 在这里永远是锦上添花。

特斯拉的做法是：

• 每一个生产步骤，能数字化就数字化，能被模型理解就被模型理解；
• 工厂里跑出来的数据，不只是用于报表，而是回到模型里优化下一轮决策；
• 最终目标，是形成一种 「工厂-模型-芯片」的共进化：
  • 工厂给模型提供新的极端、边缘场景；
  • 模型学会之后，反过来指导工厂优化路径、节能方案、机器人动作；
  • 新一代芯片，再把这些能力固化到车和机器人上。

对中国企业来说，如果你只是：

• 上了几套系统；
• 买了几台协作机器人；
• 然后开个新闻发布会叫「AI 工厂」——

那你其实离特斯拉的逻辑还很远。

大富说： 「AI 工厂不是买几台机器人、挂几块屏幕，真正的标准是——你的工厂能不能持续产出喂给 AI 的好数据。」

2. 第二重：芯片自研不是必选项，但「算力路线」得想清楚

特斯拉可以搞 AI5、AI6，是因为：

• 它手里有足够大的车队和潜在机器人保有量，摊得平芯片研发成本；
• 自动驾驶、具身智能，对延迟、安全、功耗有极强约束，通用 GPU 不一定最优解；
• 它没有完全放弃通用算力，而是在「数据中心用 GPU + 终端用自研 ASIC」之间做平衡。

中国绝大多数实体企业，没必要上来就喊「自研芯片」。 但有三件事必须搞清楚：

1. 自己的业务，是不是有那种对实时性、安全性、能耗极端敏感的 AI 场景；
2. 未来 3–5 年，打算把多少决策放在本地终端（车、机器人、设备）上，而不是扔到云上算；
3. 有没有能力和上游芯片、模组厂联合定义一套 「适合自己场景的算力模组」。

大贵说： 「不是每个厂都要造芯片，但每个厂都得知道——自己的 AI 到底是在谁的芯片上活着。」

3. 第三重：人、机器人和制度，谁先跟不上节奏？

特斯拉的故事还有一层，很容易被忽略：劳动与制度的冲突。

• Optimus 的目标之一，就是在工厂替代一部分危险、重复、枯燥的任务；
• 但在机器人完全可靠之前，仍然需要大量人类工人来示范、监督、纠错；
• 一旦机器人能独立干活，最先被“优化”的，很可能就是那批最辛苦、最容易被替代的工种。

这对任何一个想学特斯拉的中国工厂来说，都是必须面对的问题：

• 你怎么跟工会、当地政府解释「机器人上岗，人往哪儿去」？
• 你怎么在薪酬体系上承认「数据采集员」「模型训练操作员」这种新工种的价值？
• 你怎么避免把 AI 工厂做成一件 PR 项目，而不是一场社会动员？

大富说： 「搞 AI 工厂，难的不是把机器人请进来，是想好人往哪儿去。」

大贵说： 「机器人用得好的工厂，会把人升级成‘机器人教练’；用得不好的，只会多一批被优化掉的临时工。」

八、结尾：谁先下班——工人、工程师还是机器人？

文章写到这儿，外面已经快天亮了。

大富发了一条最后的语音给大贵：

大富说： 「你发现没，特斯拉现在干的事情，其实是把整个世界变成它的‘具身智能训练场’： 路上跑的车，采集的是‘世界怎么开’； 工厂里的机器人，学的是‘世界怎么干活’； 数据中心里的芯片，算的是‘世界怎么更便宜地拧下一个螺丝’。」

大贵想了想，回了一句有点丧的感慨：

大贵说： 「那我们呢？ 我们是在帮它训练世界，还是在被它训练？」

如果你是一个做智能制造、新质生产力、低碳工厂的人，特斯拉的故事至少给了三点不那么好听的提醒：

1. 别再把 AI 当成 PPT 里的魔法棒。 真正的 AI 工厂，是一步步从能源、产线、机器人摸上去的，每一步都要用数据说话。
2. 高质量数据集，不是数据团队坐在工位上“设计”出来的，是整个工厂摔出来、犯错犯出来的。 你不敢让系统在真实场景下摔跟头，就别指望它能自己爬起来。
3. AI 工厂一定会重塑劳动关系。 机器人来之前，请先想好工人的去处；算力上线之前，请先把制度补齐。否则，你造出来的不是 AI 工厂，而是一个更复杂、更冷漠的流水线。

最后，把话题扯回最开始那句玩笑。

有一天，可能会出现这么一幕：

• 工人下班了，机器人还在干；
• 工程师下班了，AI 在云端继续训；
• 工厂的灯没关，因为 AI 发现夜里电便宜，自己决定加班。

到那时，人类最大的议题，可能已经不是「如何数字化」，而是——

大富说： 「在一个工厂会自己做决策、机器人会自己学东西的时代，人类还有什么是必须亲自去做的？」

大贵沉默了几秒，说： 「可能只剩下两件： 一件是负责给这一切命名； 另一件，是决定要不要按下‘关机’。」

特斯拉已经把这个问题，提前搬进了自己的工厂里。 接下来，轮到全世界的制造业，一起作答。