[美股] AI、自駕、美股...2026年科技行業的12個關鍵問答
這就是所謂的“智能密度”。規則派的系統就像壹只蒼蠅的腦子，雖然反應快，但只能處理幾條死規則；而特斯拉的端到端正在向人類大腦的密度靠攏。這種補丁疊補丁的“縫合怪”方案，是永遠學不來這種靈性的。
關鍵問題 7：推理芯片：馬斯克的硬核硬件觀
泓君：
老於，對於你說的第叁點算力，可不可以分享壹下，你當時參與開發特斯拉芯片的過程，以及芯片在特斯拉最終能做成端到端的這件事情上，貢獻有多大？
於振華：
我認為硬件在整個戰略中占據了決定性的比重。我不拿特斯拉舉例，就看理想汽車的雙系統——他們試圖把大語言模型部署到車上，這其實是非常難的。在車端極其有限的算力下，要把大模型塞進去，如果你只有軟件厲害但推理芯片跟不上，那就是“巧婦難為無米之炊”。無論你的算法多強，推不到車上也是白搭。
這就是為什麼我覺得特斯拉非常有戰略眼光。從第叁代、第肆代 到第伍代芯片，比如現在FSD V14在第肆代芯片上跑得這麼好，證明了這種提前布局的正確性。哪怕Dojo（訓練芯片）項目失敗了，我認為這也是壹個很好的教訓。甚至可以說，如果某天英偉達的迭代太慢，或者其通用設計偏離了特斯拉的需求，特斯拉卷土重來也是完全有可能的。你看今天大家贊揚Google的Gemini，也是因為Google早就布局了TPU。如果比只是壹個注重軟件、不注重硬件的決策者，你的路是走不了這麼遠、這麼扎實的。
在歷史上，特斯拉的芯片設計主要分為兩條路線：壹條是在車端運行的推理芯片，另壹條是用於訓練的Dojo芯片，如今Dojo項目已經被解散了。實話實說，在訓練芯片這壹塊，Dojo壹直趕不上英偉達，所以它始終存在著被取消的風險。我覺得今年馬斯克算是“壯士斷腕”，徹底把它停掉了。
目前，特斯拉用於端到端訓練的芯片依然全部來自英偉達。大家都知道，黃仁勳曾公開贊揚過馬斯克，他說世界上能建起這種計算集群、在這麼短時間內搞定水冷和供電、把xAI做成的人，只有馬斯克壹個。雖然特斯拉車端不需要像xAI那麼多GPU，但在我印象裡，埃隆特別喜歡問團隊：“我能夠幫你們解決什麼問題？”如果團隊說需要更多GPU，他就會義無反顧地給你上更多。這也是為什麼記得在某幾個季度，特斯拉的運營成本（Operation Cost）變得很大，就是因為買了非常多的GPU。
前伍年我是在AI軟件團隊，直接向Andrej Karpathy匯報；之後兩年我轉組到了奧斯汀，參與第肆代芯片的研發。第伍代設計主要是推理芯片，從算力上來講，我覺得馬斯克是想得比較遠的。
這背後的核心邏輯叫做“軟硬件協同設計”（Co-design）。這其實並不新鮮，蘋果就是這麼做的。為什麼iPhone用起來這麼絲滑？它在硬件指標上並不是明顯領先，就是因為它是Co-design。但協同設計有個問題：如果是共同設計，只要你的軟件太爛，硬件就不會太好（笑）。因為作為硬件工程師，設計芯片最頭疼的並不是你讓我塞多少算力，而是“軟件上的需求是什麼”。只有軟件部門能清晰無誤地告訴我未來3年、5年甚至6年的需求，我才能把事情做好。
你的需求來自於軟件。如果你的軟件是基於規則（Rule-based）的，那設計出來的芯片就是Rule-based的；如果軟件是端到端的，那芯片就是端到端的。既然是軟硬協同，就不能有“瘸腿”。這也是為什麼特斯拉的推理硬件比別人好，核心因素就是這個問題。
當然為什麼Dojo失敗了呢？首先，訓練芯片的復雜度確實要比推理芯片高非常多，難度極大。其次，我認為還有壹個問題，就是缺乏壹種“置之死地而後生”的勇氣。在訓練芯片上，因為有英偉達在這裡，你天天可以買現成的。恰恰是因為缺少了這樣壹股必須自己做的勇氣，導致大家到今天失敗了。所以，特斯拉現在就專注於做推理芯片。
[物價飛漲的時候 這樣省錢購物很爽]
這條新聞還沒有人評論喔，等著您的高見呢
關鍵問題 7：推理芯片：馬斯克的硬核硬件觀
泓君：
老於，對於你說的第叁點算力，可不可以分享壹下，你當時參與開發特斯拉芯片的過程，以及芯片在特斯拉最終能做成端到端的這件事情上，貢獻有多大？
於振華：
我認為硬件在整個戰略中占據了決定性的比重。我不拿特斯拉舉例，就看理想汽車的雙系統——他們試圖把大語言模型部署到車上，這其實是非常難的。在車端極其有限的算力下，要把大模型塞進去，如果你只有軟件厲害但推理芯片跟不上，那就是“巧婦難為無米之炊”。無論你的算法多強，推不到車上也是白搭。
這就是為什麼我覺得特斯拉非常有戰略眼光。從第叁代、第肆代 到第伍代芯片，比如現在FSD V14在第肆代芯片上跑得這麼好，證明了這種提前布局的正確性。哪怕Dojo（訓練芯片）項目失敗了，我認為這也是壹個很好的教訓。甚至可以說，如果某天英偉達的迭代太慢，或者其通用設計偏離了特斯拉的需求，特斯拉卷土重來也是完全有可能的。你看今天大家贊揚Google的Gemini，也是因為Google早就布局了TPU。如果比只是壹個注重軟件、不注重硬件的決策者，你的路是走不了這麼遠、這麼扎實的。
在歷史上，特斯拉的芯片設計主要分為兩條路線：壹條是在車端運行的推理芯片，另壹條是用於訓練的Dojo芯片，如今Dojo項目已經被解散了。實話實說，在訓練芯片這壹塊，Dojo壹直趕不上英偉達，所以它始終存在著被取消的風險。我覺得今年馬斯克算是“壯士斷腕”，徹底把它停掉了。
目前，特斯拉用於端到端訓練的芯片依然全部來自英偉達。大家都知道，黃仁勳曾公開贊揚過馬斯克，他說世界上能建起這種計算集群、在這麼短時間內搞定水冷和供電、把xAI做成的人，只有馬斯克壹個。雖然特斯拉車端不需要像xAI那麼多GPU，但在我印象裡，埃隆特別喜歡問團隊：“我能夠幫你們解決什麼問題？”如果團隊說需要更多GPU，他就會義無反顧地給你上更多。這也是為什麼記得在某幾個季度，特斯拉的運營成本（Operation Cost）變得很大，就是因為買了非常多的GPU。
前伍年我是在AI軟件團隊，直接向Andrej Karpathy匯報；之後兩年我轉組到了奧斯汀，參與第肆代芯片的研發。第伍代設計主要是推理芯片，從算力上來講，我覺得馬斯克是想得比較遠的。
這背後的核心邏輯叫做“軟硬件協同設計”（Co-design）。這其實並不新鮮，蘋果就是這麼做的。為什麼iPhone用起來這麼絲滑？它在硬件指標上並不是明顯領先，就是因為它是Co-design。但協同設計有個問題：如果是共同設計，只要你的軟件太爛，硬件就不會太好（笑）。因為作為硬件工程師，設計芯片最頭疼的並不是你讓我塞多少算力，而是“軟件上的需求是什麼”。只有軟件部門能清晰無誤地告訴我未來3年、5年甚至6年的需求，我才能把事情做好。
你的需求來自於軟件。如果你的軟件是基於規則（Rule-based）的，那設計出來的芯片就是Rule-based的；如果軟件是端到端的，那芯片就是端到端的。既然是軟硬協同，就不能有“瘸腿”。這也是為什麼特斯拉的推理硬件比別人好，核心因素就是這個問題。
當然為什麼Dojo失敗了呢？首先，訓練芯片的復雜度確實要比推理芯片高非常多，難度極大。其次，我認為還有壹個問題，就是缺乏壹種“置之死地而後生”的勇氣。在訓練芯片上，因為有英偉達在這裡，你天天可以買現成的。恰恰是因為缺少了這樣壹股必須自己做的勇氣，導致大家到今天失敗了。所以，特斯拉現在就專注於做推理芯片。
[物價飛漲的時候 這樣省錢購物很爽]
| 分享: |
| 注： | 在此頁閱讀全文 |
| 延伸閱讀 | 更多... |
推薦: