上周马斯克在X平台上分享了一张关于特斯拉Dojo超级计算机集群“Terafab”的算力分配预估图其中Optimus人形机器人占据了25%的份额。这个数字一出来很多人的第一反应是一个还在实验室阶段、尚未大规模量产的人形机器人凭什么能分走四分之一这么宝贵的算力资源这背后是马斯克又一次的“画饼”还是揭示了特斯拉在AI和机器人领域一个被严重低估的战略重心如果你只把它看作一个简单的资源分配数字那就错过了最关键的信息。这个25%的算力分配本质上不是关于“机器人需要多少计算”而是关于特斯拉如何重新定义“工厂”和“生产”本身。它指向的是一个远比我们想象中更宏大、也更具体的未来特斯拉正在将整个物理世界的感知、决策与执行都构建成一个可训练、可迭代、可规模化的“软件问题”。Optimus不是终点而是这个新范式的第一个完整载体。理解这一点我们才能跳出“机器人 vs. 汽车”的零和思维看到特斯拉在算力布局上真正的野心。今天我们就来拆解这张简单的算力分配图背后隐藏的从芯片、模型到工厂的完整技术栈重构逻辑。1. 25%的算力给Optimus为什么不是浪费而是必然乍一看把顶级算力分配给一个尚未创造收入的产品似乎违背商业常识。但如果我们把Optimus理解为一个“移动的、多模态的、具身的AI训练与验证平台”这个决策的逻辑就清晰了。1.1 Optimus的核心任务解决“开环”到“闭环”的终极难题当前绝大多数工业机器人和服务机器人运行的都是“开环”程序。它们被预先编程在结构化环境中执行固定动作。一旦环境稍有变化或者任务需要调整就必须由工程师重新编程成本高、周期长。Optimus的目标是实现“闭环”智能。它需要实时感知通过摄像头、力矩传感器等理解非结构化的、动态的真实世界。实时决策基于感知信息在毫秒级时间内规划出安全、高效的动作序列。实时控制精准地执行这些动作并处理与物理环境交互时产生的微小扰动比如抓取滑动的物体。这每一个环节都是极度复杂的AI问题尤其是决策和控制需要海量的仿真和真实数据来训练模型。特斯拉的FSD完全自动驾驶已经证明了通过大规模真实世界数据迭代视觉和决策模型的路径是可行的。Optimus可以看作是FSD逻辑在三维物理空间中的延伸和复杂化——从“驾驶”扩展到“操作”。1.2 算力消耗的三大核心场景分配给Optimus的这25%算力主要会消耗在三个层面它们共同构成了一个数据飞轮大规模仿真训练在虚拟环境中创建数百万个“数字孪生”Optimus让它们执行抓取、装配、行走等任务通过强化学习等算法不断试错、优化策略。这是最“吃”算力的部分需要模拟复杂的物理交互刚体、柔体、流体。真实世界数据回传与处理每一台原型机或早期部署的Optimus在真实工厂或家庭中工作时都会产生海量的视频、传感器和控制数据。这些数据需要被清洗、标注可能是自动或半自动然后用于“蒸馏”仿真模型或者直接进行监督学习让模型变得更鲁棒。多模态大模型训练与微调Optimus需要一个强大的“大脑”来理解复杂指令如“把那个歪了的零件摆正”、进行任务分解和场景理解。这背后可能是基于Transformer架构的视觉-语言-动作VLA大模型。训练和持续优化这类模型同样是算力黑洞。所以这25%的算力买的是“智能”本身。特斯拉不是在为一个硬件产品分配资源而是在为一个即将到来的、由数以百万计智能体构成的物理AI网络提前支付“智力”基建的成本。2. 从Dojo到Terafab特斯拉的垂直算力栈意味着什么要理解Optimus的算力需求必须先理解特斯拉自研的算力基础设施。这不仅仅是“造个超算”那么简单而是一次从底层硬件到顶层应用的全栈重构。2.1 Dojo芯片与Terafab集群为AI训练而生的专用架构与通用GPU如NVIDIA H100不同特斯拉Dojo从设计之初就瞄准了神经网络训练尤其是像自动驾驶和机器人这类需要处理视频序列数据的场景。它的核心特点是高带宽、低延迟互联通过专有的D1芯片和极速互连技术能将成千上万个计算单元组成一个高效的巨型计算平面减少数据搬运开销这对于大规模分布式训练至关重要。与特斯拉数据格式和软件栈深度集成从车载芯片到云端训练芯片特斯拉试图打造一个无缝的数据流水线减少格式转换和兼容性带来的性能损耗。“Terafab”是Dojo集群的规模化形态。马斯克曾表示一个Terafab的算力相当于多个GPU集群。它的上线意味着特斯拉拥有了不依赖外部供应商的、可控的、且针对自身业务优化到极致的AI算力产能。2.2 垂直整合带来的战略优势这种自建算力栈的策略带来了几个关键优势这些优势直接支撑了像Optimus这样高算力需求项目的可行性优势维度具体体现对Optimus项目的意义成本可控摆脱对商用GPU市场的依赖长期训练成本更低。使得对Optimus进行不计成本的长期、大规模仿真训练成为可能加速智能进化。研发迭代自主硬件、编译器、训练框架协同优化快速迭代。可以针对机器人特有的计算模式如物理仿真、多智能体协同进行硬件和软件的特殊优化。数据隐私与安全所有敏感数据工厂环境、操作流程在自有算力上处理。保障了核心生产数据不外流这对于将Optimus部署到特斯拉超级工厂这样的核心场景至关重要。需求响应敏捷可根据Optimus项目进展动态调整Terafab的算力配额。项目遇到瓶颈时可以快速倾斜资源进行集中攻关无需经历漫长的采购和部署流程。因此Optimus能分到25%的算力前提是特斯拉手里有100%可控的Terafab。如果依赖外部云服务或采购GPU如此高比例、长期且不确定回报的投入在财务上很难通过审批。3. 超越Optimus算力分配图揭示的“AI原生工厂”愿景如果我们把目光从Optimus这个单体机器人身上移开结合其他分配项如FSD、机器人出租车等会发现这张图描绘的是一个完整的“AI原生”业务闭环。Optimus在其中扮演的是“手”和“脚”的角色。3.1 从“制造产品”到“制造制造能力”传统汽车工厂的自动化是围绕固定产线、固定车型设计的。一旦车型换代产线需要耗时数月甚至数年来进行昂贵的改造。特斯拉的愿景是通过Optimus这类通用机器人构建一个“软件定义”的工厂。它的核心逻辑是产线柔性化Optimus可以通过重新编程和训练快速适应新的装配任务而不是依赖固定的机械臂和传送带。问题响应自动化工厂摄像头和传感器发现问题如零件缺陷、装配错位系统可以自动生成任务调度附近的Optimus前去处理。流程持续优化所有机器人的操作数据汇聚到TerafabAI不断分析寻找更优的作业路径、更省力的姿势、更快的节拍然后通过OTA空中升级推送给所有机器人。这意味着未来特斯拉推出新车型时可能不需要重建工厂只需要为工厂里的Optimus军团“训练”并“部署”一套新的软件即可。工厂本身成了一个可以持续学习和升级的“AI智能体”。分配给Optimus的算力有一部分正是在为这个“工厂大脑”提供训练燃料。3.2 与FSD和机器人出租车的协同效应算力分配图中FSD自动驾驶也占据显著比例。这二者并非割裂技术同源FSD解决的视觉感知、路径规划、预测决策问题与Optimus的视觉导航、手臂运动规划在底层算法上是相通的。在Terafab上训练的视觉基础模型可以同时赋能汽车和机器人。数据互补FSD车辆覆盖了室外道路的长尾场景Optimus则深入室内和工厂的精细操作场景。两者数据结合能训练出对物理世界理解更全面的通用世界模型。商业闭环FSD和机器人出租车RoboTaxi致力于解放人在“行”中的时间而Optimus则致力于解放人在“生产”和“服务”中的体力劳动。它们共同构成了特斯拉“用AI和机器人重塑人类工作与生活”的宏大叙事。因此Optimus的算力投入其效益会外溢到整个特斯拉的AI技术体系中降低其他AI项目的边际研发成本。4. 给开发者与工程师的启示我们正在进入“具身智能”算力时代马斯克的这张图与其说是一个公司内部的资源规划不如说是向整个科技行业发出的一个强烈信号“具身智能”Embodied AI的军备竞赛已经正式从算法论文阶段进入了拼算力、拼数据、拼工程化的实战阶段。对于关注此领域的开发者和技术决策者而言有几个方向值得深入思考4.1 关注仿真与真实数据的融合技术Optimus的成功离不开超大规模的仿真。这意味着以下技术栈将变得至关重要高保真物理仿真引擎如NVIDIA的Isaac Sim、开源的PyBullet、MuJoCo等的深入使用和定制开发。仿真到真实Sim2Real技术如何将仿真中学习的策略高效地迁移到真实机器人上减少“现实差距”。自动化数据流水线能处理从真实机器人回传的海量多模态数据并自动生成仿真任务或标注。注意不要认为有了强大算力就可以忽视仿真环境的质量。一个存在系统性偏差的仿真环境会训练出在现实中完全无效甚至危险的策略。仿真的保真度与算力投入同等重要。4.2 重新审视机器人的“软件架构”未来的机器人软件可能更像一个大型分布式AI应用云端大脑在Terafab这样的超算上运行的大型VLA模型或世界模型负责复杂任务规划和高层决策。边缘小脑在机器人本体上的嵌入式芯片如特斯拉的FSD芯片负责低延迟的感知、局部路径规划和伺服控制。持续学习框架如何安全地将云端训练的新模型OTA更新到边缘端并在边缘端进行轻量化的在线学习和适应。这种云-端协同的架构对通信、安全、模型压缩和部署都提出了新的挑战。4.3 寻找垂直领域的落地切入点特斯拉有雄厚的财力和完整的生态去打造通用Optimus。对于大多数团队来说更现实的路径是聚焦场景选择一个具体的、高价值的垂直场景如精密电子装配、实验室自动化、特殊环境巡检。利用现有基础模型基于开源的或商用的视觉、语言大模型进行微调快速获得场景理解能力。强化仿真能力即使没有特斯拉级别的算力也要构建针对特定场景的高效仿真环境这是迭代算法、积累经验的主要手段。重视数据闭环设计从真实部署中自动收集难点数据、反馈给仿真和训练流程的机制哪怕初期规模很小。归根结底马斯克为Optimus预留25%的Terafab算力是一个关于“优先级”和“信念”的声明。它声明了特斯拉将最具战略意义的资源押注在了“智能体”与“物理世界”交互的这个前沿阵地上。这不仅仅是关于一个机器人产品能否成功更是关于一家公司是否相信下一个时代的核心竞争力在于将智能无缝地注入每一个物理实体和流程之中。对于我们而言无论是否身处机器人行业都需要理解当最顶尖的算力开始大规模流向“具身智能”时它预示的是一场比生成式AI更深远的变革——AI将从纯粹的比特世界大步走进原子世界开始真正地“动手”改变现实。而这场变革的基础设施正由像Dojo和Terafab这样的专用算力平台一砖一瓦地构建起来。