「長期主義」第186期科技說：特斯拉2022 AI日全記錄，原型機亮相

北美時間2022年9月30日（北京時間2022年10月1日），特斯拉在美國加州帕羅奧圖總部召開2022 AI日（AI DAY）活動，特斯拉CEO馬斯克，帶領特斯拉團隊，向大家展示展示人形機器人擎天柱Optimus原型機，介紹完全自動駕駛系統FSD、超算平台Dojo最新進展等。

本期「長期主義」，選擇特斯拉2022 AI日全記錄、發布會紀要、現場問答紀要，瓦礫村夫、智東西、車東西、電動星球News、華爾街見聞發布，六合商業研選整理與精校，分享給大家，enjoy！

正文：

全文23,848字

預計閱讀48分鐘

特斯拉2022 AI日全記錄

字數：7,202字

來源：智東西、車東西、電動星球News、華爾街見聞

北美時間2022年9月30日，特斯拉舉辦AI日活動，不同於以往馬斯克主講模式，本次AI日上，馬斯克簡短介紹重點展示的人形機器人擎天柱Optimus，之後是各業務負責人進行具體講解。

活動開始，周身沒有任何裝飾的人形機器人擎天柱Optimus原型機，緩緩走上舞台，完成行走、轉向、揮手等動作。特斯拉還播放一段擎天柱Optimus視頻，展示擎天柱Optimus可完成運輸物品、澆花等行為。按照馬斯克設想，未來擎天柱Optimus可用於家庭、做飯、修剪草坪、照顧老人，乃至成為人類夥伴或伴侶等。

擎天柱Optimus出場

特斯拉2021 AI日上，擎天柱Optimus只是概念，僅過去1年，特斯拉成功推出能行走、完成多種動作的原型機。為讓擎天柱Optimus順利發布，馬斯克將特斯拉2022 AI日從原定2022年8月19日推遲40多天。

對擎天柱Optimus，馬斯克非常看重，表示未來擎天柱Optimus將比汽車、自動駕駛更重要，未來特斯拉將生產數百萬台機器人，價格將比特斯拉汽車便宜，可能不到2萬美元，消費者未來3～5年就能買到。

自動駕駛方面，特斯拉一直在完善技術與產品，目前完全自動駕駛系統FSD Beta版已有16萬用戶使用，預計2022年底將具備全球推廣能力。

特斯拉自研超算平台Dojo，目前該產品正在幫助特斯拉在自動駕駛、機器人等方面取得更多成績。

整場發布會上，特斯拉多位工程師對擎天柱Optimus、FSD、Dojo等，進行詳細軟硬體等方面介紹，幾乎在介紹每個產品時，都聊到希望更多AI、硬體等人才加入特斯拉。馬斯克也表示，舉辦這個活動目的，是吸引更多AI人才加入特斯拉，做出更好產品。

擎天柱Optimus原型機亮相，預計價格不超2萬美元

發布會開始，馬斯克展示特斯拉人形機器人擎天柱Optimus原型機，從外形看，率先亮相的機器人造型確實很原型，周身直接裸露電線，沒有任何裝飾。擎天柱Optimus可獨立完成行走，向用戶揮手致意，甚至跳舞等動作。

擎天柱Optimus跳舞

馬斯克表示，擎天柱Optimus可做更多事情，受限於舞台，只能展示這些。特斯拉現場播放擎天柱Optimus視頻，視頻中擎天柱Optimus除四處走動外，還能完成運輸物品、澆花等行為。

擎天柱Optimus運輸東西

在工廠中，擎天柱Optimus能將一個長條狀物體，從工作台取出，再整齊排放至裝有相同物體的盒子中。從擎天柱Optimus自身視角的渲染圖看，它能用顏色區分現實世界中不同物體，如它將手持的長條形物體視為紫色、將工作台視為黃色等。

擎天柱Optimus搬運貨物

特斯拉之後展示一個更接近真人的真機版擎天柱Optimus，外形與2021 AI日上展示模型類似，具有人類外觀，自由度更高。真機版擎天柱Optimus可提供更多服務，如手指可自由移動、操作更多工具、右手可拿一些工具、甚至在工廠做一些重複性工作等。與初始版不同的是，真機版擎天柱Optimus沒有在現場走動，而是全程由工作人員搬運。

馬斯克表示，特斯拉機器人團隊過去1年，幾乎每周工作7天，每天工作十幾個小時，終於順利展示擎天柱Optimus原型機。從2022年2月推出初代研發平台，到推出原型機，僅用時6個多月時間。特斯拉團隊已做很多工作，目前擎天柱Optimus還處早期階段，未來可將其做得更好。

真機版擎天柱Optimus

馬斯克表示，擎天柱Optimus機器人項目代表特斯拉公司使命拓展。擎天柱Optimus設計基於人體，將具有對話能力，希望其行為方式與人的行為儘可能接近。未來完全體版本擎天柱Optimus，體重73kg，靜坐時用電功率100W，快走時用電功率500W，全身有200多個自由度，手部有27個自由度。

馬斯克預計，擎天柱Optimus可低成本生產，未來產量可達數百萬台，成本低於2萬美元，相比目前市面上類似機器人產品，成本將大幅降低。

馬斯克表示，機器人可降低勞動成本，讓社會發展更有動力，未來將沒有貧窮，人類可自由選擇工作類型，不再必須做體力活，可更多參與腦力工作，希望機器人可更安全的為人類帶來更多幫助。自動駕駛汽車對世界產生巨大影響，使運輸生產力提升至少半個數量級，未來機器人或許會帶數個數量級提升。

特斯拉第一代機器人從概念、設計、分析、建立、優化，已經過反覆驗證，對於這一新物種，擁有較低成本和較高工作效率，是驗證產品是否能真正推向市場關鍵。

從擎天柱Optimus澆花、搬東西這些更為細緻的功能看，特斯拉堅持向擬人形態機器人不斷進化，從手部動作、步態調整、控制系統等，依託特斯拉在汽車領域強大技術積累，與基礎設施、供應鏈能力，加上馬斯克在人形機器人領域野心與強大行動力，為機器人產業帶來無限可能。

馬斯克簡單介紹後，特斯拉機器人團隊對擎天柱Optimus進行介紹。從特斯拉2021 AI日開始，到目前擎天柱Optimus已進行三次演進，最終呈現出現有成果。

擎天柱Optimus設計是以特斯拉此前積累的車輛設計過程為基礎。特斯拉技術專家表示，汽車就是輪式機器人，擎天柱Optimus某種程度上只是把汽車立起來。

1、電動與控制系統：28個驅動器+2.3kWh電池組，可工作一整天

從擎天柱Optimus概念圖可看到，整個機器人包含28個電動驅動器（橙色）與電池及控制模塊（藍色）。

人類可吃少量食物來維持能量，為減少機器人耗能，特斯拉將人形機器人在空閑時消耗能量降到最低，只需按下開關就可調節其處於低電量或正常工作狀態。

擎天柱Optimus電力系統集成到機器人上半身，包含一塊容量2.3kWh電池組，工作電壓52V，充電後可運行一整天。該電池組獨特之處，在於把所有電池、感測器等，利用汽車與能源產品將其融合到一起。這樣設計是參考特斯拉汽車設計方案，希望減少更多線束，將配電與計算集中在軀幹中心。

擎天柱Optimus使用單顆特斯拉自研SoC晶元，支持LTE 4G連接，不同於特斯拉在汽車上使用的雙晶元自動駕駛方案。與汽車不同，擎天柱Optimus需處理視覺數據做出迅速反應，這基於多種感官輸入與通訊，因此裝有無線電連接、音頻支持等模塊，具有保護機器人本體與人類安全等特性。

擎天柱Optimus核心零部件展示

2、基礎結構設計：量化人體運動軌跡、力度，機器人行動更靈活

行動方面，擎天柱Optimus吸取特斯拉汽車動力系統設計經驗，團隊分析擎天柱Optimus需進行哪些行動，包括行走、上下樓等，之後首先通過對擎天柱Optimus行走的動態數據進行分析，然後分析出這些移動需要的時間、能耗、軌跡，根據這些數據設計出機器人關節與執行器。

安全性方面，特斯拉做針對性設計，為保護機器人，研發人員對其基礎結構進行優化，如擎天柱Optimus摔倒時，不會把變速器與胳膊弄壞，畢竟機器人維修成本很高。

擎天柱Optimus摔倒時可自我保護

特斯拉研發人員採用與特斯拉汽車相同底層技術，讓擎天柱Optimus所有組件中產生壓力，使其行走控制變得更容易，也不顯的僵硬。

擎天柱Optimus行走姿態模擬

以膝蓋為例，擎天柱Optimus設計時仿照人類真實膝蓋結構。研發人員將人類膝蓋與運動過程中受力進行模擬，學習如何讓機器人膝蓋使用更少的力，讓其能實現更好力度控制，並讓相關結構緊密包裹在膝蓋周圍。

擎天柱Optimus模擬人類骨骼結構

3、機械驅動系統：解析雲端數據，輕鬆定製28個驅動器

汽車與機器人在動力設計上，有很多相似之處，因此特斯拉在動力設計上經驗，可應用到機器人上。汽車驅動單元是為讓汽車加速，機器人有28個關節驅動器，與汽車驅動器在數量上差異不大，但人形機器人要做的任務更複雜，需走路或攀岩，因此研發人員用模型，生成機器人的連接轉矩速度軌跡，隨後輸入其優化模型來運行。

汽車與機器人驅動器對比

機器人需要轉動，研發人員根據扭矩速度軌跡和關節驅動器效率圖，沿著軌道產生的能源消耗、執行任務與運行時間的累計能量，可定義特定執行機構的樣本，並發送到雲端。這樣一來，就可縮短其生產成百上千萬關節驅動器的時間。

不過機器人的每個關節都是特定的，28個關節都需要定製規格。因此研發人員需減少定製的執行器設計，解析並上傳到雲端，進行共性研究。

擎天柱Optimus共有6種執行器，包括3種不同規格舵機、3種不同規格類似重量秤一樣的牽引執行器等。在極限範圍內進行測試，其關節驅動器抬起一架半噸重鋼琴，這也是人形機器人必須具備功能。

擎天柱Optimus關節驅動器抬起一架半噸重鋼琴

4、手部感知系統：大、小形態均能抓握，手部也能感知物體

人手能以每秒300度速度移動，擁有成千上萬的觸覺感測器。擎天柱Optimus另一重點是手部，特斯拉希望擎天柱Optimus手部也能跟人類一樣靈活，能抓住物體，進行操作，擁有感測器進行感知等。

特斯拉研發團隊設計擎天柱Optimus手部時，同樣從生物學吸取靈感。通過6種執行器，讓擎天柱Optimus手可實現11個自由度移動，拿動重量20磅（9.1公斤）物體，可操作一些器械，或抓取小型物體等。

手的適應機制非常複雜，人類能認識到手在空間中位置，而這也是其能抓取物體關鍵，因此特斯拉目前也在進行相應測試。

5、視覺導航系統：採用汽車同款神經網路，自主識別行駛區域

擎天柱Optimus採用核心感測器為攝像頭，與特斯拉FSD系統中採用的攝像機類似。目前特斯拉收集很多數據，用於訓練擎天柱Optimus。

擎天柱Optimus行動方面，使用特斯拉汽車同樣神經網路「佔用網路」，來識別可行動區域，軟體在感知與分析外部環境後，會規划出行駛軌跡，然後根據軌跡規划出每個腳落腳點，最後通過執行器，執行移動動作。

擎天柱Optimus採用「佔用網路」識別可行動區域

特斯拉研發人員演示擎天柱Optimus行動能力成長軌跡。2022年4月，邁出第一步；2022年7月，讓人形機器人解鎖骨盆的應用，來保持平衡；2022年8月，讓手臂開始發揮作用；2022年9月，擎天柱Optimus腳趾也派上用場。

隨著人形機器人慢慢將更多關節等利用起來，並加以訓練，移動速度明顯提升。擎天柱Optimus目前行走速度還很慢，沒有達到2021年首次發布時宣稱的5英里/小時（約8公里/小時）水平。

擎天柱Optimus行動能力成長軌跡

6、行動控制系統：優化調參從測試映射至現實，解決機器人平衡難題

從人體步行過程來看，機器人有身體上的自我意識很重要，如能意識到自己四肢長度是多少、腳有多大，如何保持平衡，如何協調四肢運動。人類很容易就能做到這些，但對機器人來說很難。

擎天柱Optimus另一重點是保持直立狀態，不能輕易倒地。研發人員通過運動計劃與控制堆棧，生成機器人運動學模型，然後將所需路徑生成底層平台，讓整個系統參考其軌跡進行訓練。

擎天柱Optimus模擬系統中按照其期望的路徑規劃線路，不斷添加相互連接的軌跡，根據軌跡規划出每個腳落腳點，再讓執行器執行，以此保證機器人行走過程中平衡性。

擎天柱Optimus直立行走

運動訓練中，運動規劃式是理想情形，但實際上將其放到現實世界上不現實。在這個過程中缺少幾個關鍵動作，將其放置到現實世界中，會對模型動力學造成影響，特別是像兩足動力學這樣穩定的系統。

研發人員利用相應感測器與在現實世界中觀察，解決機器人控制難題，利用機器人骨盆位置、重心位置等，通過跟蹤機器人在工作室中路徑，構建更好的機器人模型，依據實際情況修正機器人行為。

特斯拉希望未來讓擎天柱Optimus變得更靈活，從原型機能走的更遠，讓它在各方面都進行改善，擁有更好導航、行動等能力。

7、手部控制系統：人類模擬視頻映射運動參考，掌握抓握物體位置

為解決人形機器人在觀察同時，操縱真實物體世界的難題，研發人員將這一問題分成兩個步驟，首先生成自然運動參考系統，再將其進行優化推廣。

假設有人對某一動作進行演示，研發人員通過視頻對其動作設置關鍵幀，並將其映射到機器人上。這樣只需要一個演示視頻，研發人員就可以將其推廣到機器人的現實操縱應用上。這就可以解決機器人在抓取物體時手應該放在哪裡，如何進行搬運放置等難題。

擎天柱Optimus通過模擬真人進行抓取動作

FSD進展順利，預計2022年底具備全球推廣能力

自動駕駛方面，特斯拉團隊首先介紹完全自動駕駛系統FSD情況。FSD Beta版，2021年有2,000位客戶參加測試，2022年擴展到16萬客戶，實現80倍增長。2022年以來，特斯拉已訓練7.5萬個神經網路模型，在此基礎上推出35個FSD版本更新。

自動駕駛技術架構方面，特斯拉做法是，先用自動化數據標註系統，對收集的數據進行自動標註，然後對數據進行處理，用來訓練神經網路，然後將AI模型部署到FSD計算機中，通過計算，算出對外部環境感知結果，進而規劃車輛行駛路線。

技術展示方面，特斯拉首先展示無保護左轉能力，如在左轉時，有行人和其他車輛，特斯拉在考慮到不同交通參與者行駛軌跡後，算出最合適行駛軌跡。

特斯拉FSD無保護左轉能力

特斯拉使用名為交互搜索技術。首先從視覺感知開始，感知交通參與者，然後去推測其行駛軌跡，之後生成幾種策略，最後選擇出最佳行駛軌跡。

特斯拉交互搜索技術架構

這裡需注意，外部目標如果越來越多，需要計算量會越來越大。特斯拉通過環視攝像頭，對外界進行感知，生成3D環境，並通過「佔用網路」找到可行駛區域，識別哪些是障礙物。

FSD工作時，先對攝像頭圖像進行校準，把圖像整合在一起，形成3D空間，將數據進行提取，輸入到神經網路中，通過相應演算法，構建空間特徵。

僅生成3D空間後，沒有各種物體精確位置，依然無法進行路徑規劃，所以特斯拉通過對關鍵特徵進行分析，算出位置數據。

特斯拉FSD基於視覺數據構建3D空間

特斯拉車隊在日常行駛中積累很多視頻片段，每個視頻有很多幀圖像。特斯拉需要14億幀圖像，才能訓練一個神經網路，需使用10萬個GPU工時（1個GPU工作1小時），所需算力巨大，需使用超級計算機與AI加速器，這也是特斯拉自研超算平台Dojo重要原因，基於Dojo，特斯拉能將神經網路訓練速度提升30%。

預測其他交通參與者行為方面，特斯拉做法是，攝像頭畫面先進入到RegNet網路（Meta旗下FAIR實驗室開發的卷積神經網路），處理之後的數據再進入Transformer模型（谷歌開發的深度學習模型）。可能有10億個參數，對他們進行共同優化。想要實現最大程度的算力，盡量減少延遲。

特斯拉汽車在運行過程中，將產生大量數據，這些數據也需進行標註。數據標註方面，特斯拉最先嘗試手工標註，費時費力；之後考慮過供應商合作方式，從最終結果看，無論時效性，還是質量，都不是很好，特斯拉需要非常高效、具備可擴展性的標註。

特斯拉目前採用人機合作標準方式，既有人類標註，也有機器標註。整體而言，機器標註效率更好，機器30分鐘工作量，人類可能需要很長時間，因此特斯拉正在構建自動標註系統。通過高效標註，讓現實世界中時空片段，轉化為可使用數據，從而讓FSD更加智能與高效。自動標註數據也需進行梳理，之前特斯拉在這方面沒有投入太多精力，現在已有很多工程師在做這方面工作。

特斯拉基於自動標註數據訓練模型

模擬系統是自動駕駛系統中非常重要部分，可提升車輛對長尾場景應對能力。特斯拉研發場景生成器，最快5分鐘可生成一個場景，相比傳統方式，速度提升1,000倍，還可掃描現實物體投射到屏幕上，模擬信號燈、停車標誌等，儘可能接近真實世界，這對模型訓練意義重大。

特斯拉研發場景生成器

目前特斯拉數據集，部分來自車隊傳回信息，部分來自模擬數據，都可更方便對場景做出判斷。通過數據引擎，可讓神經網路更加真實，為FSD帶來更多確定性，去解決現實世界中不確定性。如汽車在路口轉彎時，要判斷橫停的車輛究竟是停車狀態，還是緩慢行駛，只用創建更多網路進行評估，就能解決這種場景問題。

關於特斯拉FSD Beta版推廣情況，特斯拉表示2022年底，將具備在全球推廣FSD能力。除北美外，特斯拉還需與當地監管部門溝通，在有些國家與地區，自動駕駛監管政策還很滯後。

超算平台Dojo不斷迭代，保障特斯拉算力需求

特斯拉團隊在介紹擎天柱Optimus機器人與完全自動駕駛FSD時，已多次提到超算平台Dojo。

特斯拉2021 AI日上，首次展示特斯拉首款AI訓練晶元Dojo D1，與基於該晶元構建的超級計算機系統ExaPOD，可用於執行AI訓練任務，為上路車輛龐大的圖像處理需求提供支持。

特斯拉目前已擁有基於英偉達GPU的大型超算平台，與一個存儲30PB視頻素材的數據中心，目前正研發基於Dojo晶元的超算平台。

特斯拉用一組圖片，展示過去2年超算平台Dojo關鍵節點，從交付定製冷液分配單元CDU，到安裝第一台集成Dojo機櫃，再到2.2MW機組負載測試。

超算平台Dojo關鍵節點

特斯拉試圖優化Dojo設計的可擴展性，以快速試錯方式克服挑戰。Dojo具有單個可擴展計算平面、全局定址快速存儲器、統一的高帶寬+低延遲等特徵。

特斯拉技術工程師，特別談到Dojo電壓調節模塊，過去2年該電壓調節模塊更新14個版本，具有高性能、高密度、複雜集成性等特徵。

超算平台Dojo電壓調節模塊

熱膨脹係數CTE很重要，特斯拉與供應商合作提供電力解決方案，將超算平台Dojo熱膨脹係數CTE降低50%以上，使Dojo性能達到初始版本3倍。

特斯拉團隊展示通過Dojo，幫助AI繪圖軟體Stable Diffusion，繪製特斯拉電動皮卡Cybertruck在火星上行使圖像。

Cybertruck on Mars圖片

據介紹，只用4個Dojo機櫃，就能取代4,000個GPU組成的72個GPU機架。Dojo能將通常需要幾個月工作時間，減少到1周。

特斯拉自研D1晶元，也在超算平台Dojo中發揮重要作用。D1晶元採用台積電7nm製程工藝，在645mm²面積上分布500億顆晶體管，峰值算力達362 TFLOPS（BF16/CFP8精度下，BF16、CFP8為浮點計算格式標準），熱設計功耗TDP不超過400W。

基於D1晶元，特斯拉推出晶圓上系統級方案，通過應用台積電InFO_SoW封裝技術，將25個D1晶元組成1個訓練模塊Training Tile，一個訓練模塊峰值算力達9 PFLOPS（BF16/CFP8精度下），有計算、I/O（輸入/輸出）、功率、液冷等模塊，採用集中供電與散熱設計，散熱功率達15kW。

超算平台Dojo的訓練模塊Training Tile

Dojo系統托盤System Tray，有高速連接、密集集成等特性，峰值算力可達54 TFLOPS（BF16/CFP8精度下），功耗100+kW。

Dojo介面處理器是一個具有高帶寬內存的PCIe卡，利用特斯拉自家TTP介面。特斯拉傳輸協議TTP可以橋接到標準乙太網，TTPOE可將標準乙太網轉換至Z平面拓撲，擁有高Z平面拓撲連接性。

特斯拉2021 AI日至今，Dojo開發迎來系列裡程碑，包括安裝第一個Dojo機櫃、進行2.2mW負載測試等，特斯拉目前正以每天打造一個訓練模塊Training Tile速度推進Dojo研發工作。

超算平台Dojo機櫃

特斯拉將60個訓練模塊組成1台Dojo超級計算機，擁有1,500個D1晶元、53萬多個訓練節點。理論上，Dojo性能拓展沒有上限，可無限擴張。

實際應用中，特斯拉將120個訓練模塊，組成1個超級計算機系統ExaPOD，擁有3,000顆D1晶元、超過100萬個訓練節點，峰值算力突破E級，達1.1 EFLOPS（BF16/CFP8精度下），同時提供13TB運存、1.3TB緩存能力。

特斯拉團隊表示，算力是完全自動駕駛的根本，高效率晶元可更好為完全自動駕駛服務。特斯拉要做的，是讓Dojo成為AI訓練方面最強的超算系統。

特斯拉不對Dojo設計做任何限制，它可提供非常龐大、高效的系統，從硬體上打破傳統集成的物理界限，在編譯器上讓硬體變得更高效，只要物理條件允許，特斯拉可持續突破極限。

特斯拉宣布，預計2023年Q1部署第一台ExaPOD，建成功後ExaPOD將成為世界上最強大超級計算機之一。

特斯拉表示，配合專屬編譯器，DOJO訓練延遲，最低可做到同等規模GPU的1/50。特斯拉目標是，到2023年Q1量產時，DOJO可實現英偉達A100的4.4倍單晶元訓練速度，甚至能耗與成本都更低。

特斯拉2022 AI日發布會紀要

字數：5,656字

來源：瓦礫村夫

特斯拉2022 AI日上，馬斯克簡短介紹人形機器人擎天柱Optimus後，特斯拉各業務負責人進行具體講解。

人形機器人擎天柱Optimus

馬斯克：歡迎來到2022年特斯拉AI日。我們有一些非常激動人心的內容向你們展示，我想會讓你們印象深刻。

對於擎天柱Optimus機器人，我確實想要設定期望。2021年，它只是一個穿著機器人套裝的人，現在我們已取得長足進步。跟2021年相比，它會讓人印象深刻。我們將談一談我們在AI、自動駕駛、Dojo方面進展。

我們是不是應該讓機器人出場了？

Kate：在那之前，我們有個小小提示，這實際是我們第一次在沒有任何後備支持情況下，試用這個機器人。吊機、機械裝置、電纜等，什麼都沒有。

馬斯克：我們將向大家展示機器人做其他事情的視頻。

Milan：我們想再展示一些過去幾個月，圍繞機器人取得的進展，它可以四處走動、跳舞。

這只是小開始，你們可以看到，自動駕駛神經網路正在按原樣運行，我們只是直接在新平台上，針對機器人進行重新訓練。

馬斯克：當你看到渲染視圖時，那就是機器人所看到的世界。它可以非常清楚識別物體，如它應該拿起的物體。

Milan：我們使用與自動駕駛系統相同流程收集數據，並訓練神經網路，對於機器人，我們也是這樣部署。

這是一個例子，進一步展示機器人上半身功能。我們的確想在接下來幾個月內，完善這部分功能。

Kate：那並不是我們今天唯一要展示的內容。

馬斯克：你們剛才看到的這個機器人，我們稱之為小黃蜂Bumble C，那是開發版本的機器人，使用半現成驅動器。

實際上，我們已經更進一步，我們團隊完成一項了不起工作。實際上，我們有一個擎天柱Optimus機器人，使用完全由特斯拉設計生產的驅動器、電池組、控制系統等所有一切。它還不能行走，但幾周之內就可以。

我們想要展示這個機器人，實際上，它相當接近於投產標準。我們想要展示它所能做的所有事情，讓我們請出機器人。

你可以看到擎天柱Optimus，它擁有的自由度就是我們希望第一台量產機所能有的。那就是，獨立移動所有手指的能力，拇指有兩個自由度。它有對立的拇指，有左手與右手，能夠操作工具，做有用的事情。

我們目標是儘快生產有用的人形機器人。設計它時，我們採用和設計汽車相同原則，就是為了生產而設計。這樣才有可能高產量、低成本、高可靠性生產機器人。

擎天柱Optimus設計目標是能力極強，同時產量極高的機器人，最終可能生產數百萬台。擎天柱Optimus成本預計會比汽車低得多，可能不到兩萬美元，這是我的猜測。

它的潛力深不可測，你可以說，什麼是經濟？經濟是開展生產的實體數量乘以生產力，人口乘以人均產出。一旦人口數量沒有限制，經濟究竟意味什麼，也就不那麼清晰了，經濟會接近無窮大。

這意味著，一個富足的未來，一個沒有貧窮的未來。那時你可以擁有你想要的任何產品與服務，這的確是我們所知人類文明的根本性轉變。

非常重要的是，把這種理想變成現實的公司實體，需要接受公眾帶來的合理影響。我認為特斯拉的結構是非常理想的。

Kate：你們今天已經看到幾個機器人，讓我們快速回顧一下時間線。

出場為你們表演才藝的機器人，我們在6個月時間內製作完成，此後1個月內進行軟體集成與硬體升級。

與此同時，我們也在設計下一代機器人，這邊的這個機器人。這個傢伙，植根於車輛設計工藝基礎上，我們正在利用已有所有這些經驗。

重複一下，我們採用車輛設計的基礎，從概念到設計與分析，然後建造與驗證。這個過程中，我們將對成本與效率等方面進行優化，最終這些都是產品走向規模化的關鍵指標。

在軀幹內部，我們安裝電池組，容量2.3kWh，這對於一整天使用來說，是完美配置。接下來是大腦，它不在頭部，但很接近，在軀幹里，我們安裝中央電腦。

特斯拉已在每輛汽車上配備FSD系統，我們想利用自動駕駛系統硬體與軟體，來開發人形機器人平台。但因為它的需求與外形因素不同，我們首先要作出改變。

它需要做人腦所做的一切事情，包括處理視覺數據，根據多感測器輸入做出瞬間決定，還有通信。為支持通信，它配備無線連接與音頻支持。它還具有硬體級別安全功能，這對於保護機器人與機器人周圍的人都很重要。

Nilegen：我們是否能利用我們在汽車端能力與方法，來影響機器人？

既然我們有碰撞軟體，我們可以使用同樣軟體，可以讓它摔倒下來，這樣做的目的是為了確保，機器人即使摔倒，也只是表面損傷，當然最好別摔。我們希望它撣一撣灰塵，繼續完成任務。

驅動器能舉起一架重達半噸、9英尺長的音樂會大鋼琴。

機器人手的設計，受到生物學啟發，有5個手指，手指由金屬肌腱驅動，靈活又堅固，具有完成大範圍用力抓取能力，同時也為精準抓取很薄、很小物體進行優化。

Milan：我們在視頻中展示所有這些很酷內容，都是在短短几個月內完成。感謝過去幾年我們在自動駕駛系統上取得神奇進展，大部分組件都可以很容易移植到機器人環境中。

可以想想，這只是把輪子上機器人，轉變為長了腿的機器人，其中某些組件非常相似，另一些需要我們付出更多工作。

例如，我們計算機視覺神經網路，直接從自動駕駛系統移植到機器人環境，我們還在努力尋找方法，利用神經輻射場方面工作，改進這些「佔用網路」，獲得機器人周圍環境很好的體積渲染效果。例如，機器人解讀它需要與什麼東西進行互動。

另一個有趣問題，室內環境中，大多數情況沒有GPS信號，怎麼讓它導航到目的地？

我們一直在訓練更多神經網路，在機器人攝像頭獲取圖像中，識別高頻特徵與關鍵點，並在機器人導航環境，進行跨幀、跨時間追蹤。我們利用這些點，更好估計機器人姿勢，與工作環境中軌跡。

這是段視頻，演示在自動駕駛系統模擬器中運行運動控制的代碼，展示機器人行走能力的演變過程。可以看到，2022年4月開始時，它的行走速度相當緩慢。過去幾個月里，隨著解鎖更多關節與更多高級技術，如手臂平衡，它開始加速。

希望到目前為止，你們對我們過去幾個月工作，有很好了解。我們開始實現一個可用的機器人，但還遠遠沒有達到實用程度。我們前面還有很長、很令人激動的路。

我認為未來幾周內，我們需要完成首要任務，是讓擎天柱Optimus至少達到、甚至超越小黃蜂水平，小黃蜂就是你們剛看到的那個機器人原型機。

我們還將在我們一家工廠內，開始專註真正使用場景，致力真正解決問題，徹底夯實將這個產品部署到現實世界的所有要素，包括我之前提到的室內導航、優雅的全面管理，甚至提供服務、規模生產所需所有組件等。

我不知道你們想法，但看到我們展示內容後，我很肯定，我們可在未來幾個月或幾年內完成這個目標，把這個產品變成現實，並改變整個經濟。

我感謝整個擎天柱Optimus團隊在過去幾個月努力工作，我認為他們工作非常出色。所有這一切都在短短6~8個月完成，非常感謝你們。

自動駕駛/FSD Beta版

Ashok：2021年這個時候，約有2,000輛汽車使用FSD Beta軟體。自那以後，我們已經大幅改進軟體穩定性與能力。到目前為止，我們已向16萬客戶發布這個軟體。

過去1年，我們訓練7.5萬個神經網路模型，約每8分鐘完成1個模型訓練。我們在大型計算機集群上進行評估，發布其中281個模型，的確提升汽車性能。

這個創新速度出現在整個技術棧方方面面，包括規劃軟體、基礎設施、工具等，一切都在朝更高水平發展。

我們以這個十字路口場景為例，探討自動駕駛系統如何進行規劃與決策。

我們從側面小路走到十字路口，得為所有橫穿馬路的車輛讓路。就在我們即將進入十字路口時，路口另一側行人決定不走斑馬線，橫穿馬路。現在我們必須要給這個行人讓路，給右邊來的車輛讓路，我們還要理解行人與路口另一側車輛間關係，我們需要快速判斷大量物體間依賴關係。

人類在這方面很擅長，我們看到一個場景，理解所有可能的交互，評估最有可能發生的交互，通常最終選擇一個合理判斷。但同樣框架也可以拓展到遮擋物背後的物體。

我們使用來自於8個攝像頭的視頻源，生成周圍世界的三維佔用信息。這裡藍色部分，對應我們所說的「可見區域」，它基本上會被你在場景中看到的第一個遮擋物擋住。我們使用模型，生成「可見區域」中的「幽靈物體」。如果你對「幽靈物體」的生成區域與狀態轉換，進行正確建模，如果你把控制反應作為存在可能性的一個函數來調整，就可提取一些非常好的類似人類的行為。

Phil：「佔用網路」接收我們所有8個攝像頭視頻流作為輸入，直接在向量空間生成一個統一的佔用率。對於我們汽車周圍的每個三維位置，預測該位置被佔用的概率。

Tim：讓我們談談訓練的基礎設施。我們已經看了四、五個視頻，我思考與關心視頻片段數量，遠大於此。

我們剛才觀看Phil介紹的「佔用網路」，僅這個視頻，就需14億幀圖像，來訓練你們剛才看到的那個網路。如果你有10萬個GPU，那你需1個小時；但如果你只有1個GPU，你需10萬個小時。這個訓練任務所需時間長度，不是你能等得起的。

我們希望能更快進行發布，這意味著，我們需要進行並行處理，我們需要更大算力，這意味著我們需要超級計算機。

這就是為什麼我們在公司內部搭建3台超級計算機，包括1.4萬個GPU。我們使用其中1萬個GPU進行訓練，大約4千個GPU用於自動標註。

我可以一直說下去，我剛剛簡單介紹了我們內部2個項目，這實際上只是為優化我們內部算力的巨大工程的一部分。

通過所有這些優化的積累與整合，我們現在訓練「佔用網路」速度是原來2倍，因為它的效率翻倍。如果我們增加更多算力並採用並行計算，就可在幾小時內完成訓練，而不是幾天。

John：我是自動駕駛系統視覺團隊負責人。我今天要跟大家介紹兩個話題，第一，我們如何預測車道；第二，我們如何預測道路上其他對象未來行為。

我們通過這個車道檢測網路得到的是一系列車道連接性，這是由網路直接計算輸出。這裡沒有額外步驟，不需要把密集預測應用到分散預測中去，這就是未經過濾的網路的直接輸出。

以上我討論一些關於車道檢測的內容，我會簡單討論下，對於其他物體的未來路徑，如何進行建模與預測。我想快速展示兩個例子。

右邊視頻中，有一輛車闖紅燈，在我們面前轉彎。我們處理這種情況的方法，是對於所有物體，進行一系列短時間周期的未來軌跡預測。我們可以用這些結果來預測可能發生的危險，並使用剎車、轉向等行為，避免碰撞。

整體看，自動駕駛系統視覺技術棧預測的，不僅是周圍世界的幾何運動參數，還能預測豐富語義，從而實現安全的類似人的駕駛。

Jaegan：我談談自動標註。我們有幾種自動標註框架，支持各種類型網路。今天我想重點介紹這個優秀的車道網路。

這個網路很容易擴展，只要我們有足夠算力與行程數據。該場景中，約有50段行程進行自動標註，其中一些顯示在這裡，來自不同車輛的50段行程。這就是我們捕捉並將世界的時空片斷，轉化為網路監督的過程。

David：以我身後播放的模擬場景為例，舊金山市場街一個複雜十字路口，藝術家需2周時間才能完成設計。這對於我們來說太慢了。

我將談談使用Jaegan的自動基準標註與一些全新工具，我們可在短短5分鐘，過程式的生成這個場景與很多類似場景。這個速度非常驚人，比以前快1千倍。

這個方法為規模與尺度，做好準備。正如你在後面地圖上看到那樣，我們可以很容易生成舊金山大多數城市街道，不需花費數月甚至數年時間，只需要一個人工作2周時間。

我們回顧下，因為我們通過基準數據，生成所有片段數據集，包含現實世界中所有錯綜複雜情況，我們可以結合過程式的視覺與交通狀況的各種變化，創造出無限目標數據，供網路學習。

Kate：這個數據引擎框架適用於所有信號，無論是三維多攝像頭視頻，無論數據是人工標準、自動標註，還是模擬數據，無論是離線模型，還是線上模型。

特斯拉能大規模進行優化，這得益於車隊優勢，得益於我們終端團隊所搭建的基礎設施，與為我們網路提供的標註資源。針對所有這些數據進行訓練，我們需大量算力。

超算平台Dojo

Pete：我經常被問到，為什麼一家汽車公司要搭建用於訓練的超級計算機？

提出這個問題，還是從根本上誤解特斯拉本質。本質上講，特斯拉是家硬核科技公司。

Yaji：2021年，我們展示第一個可用的訓練模塊Training Tile。當時在訓練模塊之上，已經有負載在運行。

那時起，整個團隊一直在努力工作，致力能大規模進行部署。現在我們已取得驚人進展，整個過程中達成很多里程碑，我們也遇到很多意外挑戰，正是我們「快速試錯」哲學理念，讓我們可突破自身極限。

從我們定製D1晶元上均勻節點開始，可把它們連接到我們完整集成的訓練模塊上，然後將它們最終無縫連接，跨越機櫃的邊界，組成超算平台Dojo。

總之，一個ExaPOD可容納兩個Dojo，整體達到1.1 EFLOPS算力。在計算歷史上，這個程度技術與集成度只出現過幾次。

Rajeef：這個操作在25個Dojo晶元上，只需5微秒時間，而同樣操作在24個GPU上，需150微秒時間，相對於GPU，這是數量級改進。

這兩個網路表現如何？我們將要看到結果，都是在多晶元GPU和Dojo系統上進行測算的，但都歸一化為單個晶元數值。

在我們自動標註網路上，當前硬體上運行上一代VRMS軟體，已能夠超越英偉達A100性能；在我們生產硬體上運行我們較新VRMS軟體，能達到A100吞吐量2倍。我們模型顯示，通過一些關鍵編譯器優化，我們可以達到A100的3倍以上性能。

我們在「佔用網路」上看到更大飛躍，使用我們生產硬體，幾乎達到3倍性能提升，而且還有更大提升空間。

以前需要1個多月進行訓練網路，現在只需不到一周時間。我們從硬體設計開始，突破傳統整合界限，服務於我們單一巨型加速器願景。我們已經看到，應該如何在這個硬體上搭建編譯器。

通過這些複雜的現實世界網路，Dojo性能得到證明。我們也知道，我們第一次大規模部署的目標應該是什麼，即我們高計算強度的自動標註網路。

今天這些網路使用72個GPU機架上的4,000個GPU。憑藉我們密集算力與高性能，希望只用4個Dojo機櫃，就能提供同樣計算吞吐量。這4個Dojo機櫃將成為第一個ExaPOD的一部分，我們計劃將於2023年Q1部署，它是特斯拉現有自動標註能力的2倍多。

第一個ExaPOD，是我們計劃在美國加州帕羅奧圖建造的7個ExaPOD的一部分，就在這面牆對面。我們有其中1個ExaPOD展示櫃，供大家觀看。

結束語

馬斯克：我們真心想要展示特斯拉技術的深度與廣度，與AI、計算硬體、機器人、驅動器等。

我們努力改變人們對於特斯拉公司看法。很多人認為，我們只是家汽車公司，我們只生產很酷的汽車。大多數人不知道，特斯拉可以說是全球AI、硬體、軟體領導者。

我們正在建造可以說是第一個、自Cray-1超級計算機（1976~1982年世界上最快的超級計算機）以來、可能是最激進的計算機架構。

如果你致力開發世界上最先進技術，真正以積極方式影響世界，加入特斯拉就對了。

特斯拉2022 AI日現場問答紀要

字數：10,990字

來源：瓦礫村夫

特斯拉2022 AI日上，馬斯克帶領特斯拉團隊，介紹擎天柱Optimus原型機、完全自動駕駛系統FSD、超算平台Dojo後，回答現場觀眾提出的23組問題。

馬斯克：希望我們講述足夠細節，現在接受提問。

Q1：擎天柱Optimus給我留下深刻印象，我想知道為什麼手部採用繩驅方式？為什麼你們為手部選擇繩驅方式？因為機械腱不是很耐用。還有為什麼要用彈簧載入模型？

Mike：這是個好問題。當評估任何種類驅動方案時，不管是繩驅系統，還是基於連桿系統，都要有所取捨。

我們選擇繩驅系統主要原因是，首先我們調查一些合成肌腱，發現金屬船用電纜的強度要高得多。這些電纜優點之一，是它能很好減小能量消耗。

我們想要生產大量手部，進行量產時，很多零部件，很多小的連桿裝置，最終會成為一個問題。繩驅比連桿更優的一個重要原因，是可以實現消隙。消隙本質是，讓你的手指在運動時不會滯後。

彈簧載入模型帶來的主要好處，是允許我們主動張開手部。我們不需要使用兩個驅動器來驅動手指關閉與張開，我們有能力讓機械腱驅動它們關閉，然後彈簧被動伸長。

這點在我們手上也可以看到，我們有能力主動彎曲手指，也有能力伸展手指。

馬斯克：我們設計擎天柱Optimus目的，是儘快實現發揮最大作用的機器人。

有很多方法來解決人形機器人各種問題，我們可能並沒有在所有技術方案上，都找到正確答案。我應該說，對於你們看到的這些技術方案隨時間演變，我們持開放態度，它們並不是一成不變。

但我們必須要做出選擇，我們想選擇某種能讓我們儘快實現生產的方案，如我所說，可儘快讓它發揮作用。我們努力遵循目標，是以最快速度生產有用機器人，並可以量產。

我們將在特斯拉工廠里對這個機器人進行內部測試，看它有多大作用。我們需要在現實中完成閉環，以確保機器人有用。

我們有信心用目前設計的手部，來完成這個目標，但可以肯定的是，手部設計會有第2版、第3版，隨著時間推移，我們可能會對機器人結構，進行相當大改變。

Q2：擎天柱Optimus機器人的確令人印象深刻，雙足機器人的確很難。但我注意到，你們計劃中可能缺少對人類精神價值承認。我想知道，擎天柱Optimus是否會有個性，並能在幫我們折衣服時，被我們笑話逗笑？

馬斯克：我們希望能有真正有趣的擎天柱Optimus版本。擎天柱Optimus，既可以是功利性，可以完成任務，也可以像朋友、夥伴，與你一起玩耍。

我相信，人們會想出這個機器人各種創造性用途。一旦解決核心的智能與驅動器問題，你就可以給機器人穿上各種馬甲，可以用不同方式給機器人更換皮膚。

我相信人們會想出擎天柱Optimus各種不同有趣版本。

Q3：我想知道對於擎天柱Optimus，有沒有等同於人工干預的行為。似乎，對於人類與機器有不同判斷的時刻，進行標註很重要，對於人形機器人而言，這可能也是理想的信息來源？

Ashok：我認為我們會有多種方法遠程操控機器人，在它出錯時進行干預，特別是當我們在訓練機器人時。

我們希望能以某種方式將它設計成這樣，如果它要撞到什麼東西，我們就可以按個按鈕，它就會停下來，而不會壓碎你手或其他東西，這些都是干預數據。

我們也可從我們模擬系統學到很多東西，可以檢查碰撞並監督那些不好行為。

馬斯克：我們希望隨著時間推移，擎天柱Optimus能成為科幻電影中機器人，就像《星際迷航：下一代》，就像Data（《星際迷航》系列電影中人形機器人角色）那樣。

我們可以給機器人編程，讓它不那麼像機器人，讓它更友好。它可以學習模仿人類，並且表現的非常自然。隨著AI普遍進步，我們可以將這個功能添加給機器人。

它顯然應該能夠執行簡單指令，甚至可以憑直覺知道，你想要什麼。你可以給它高等級指令，它能把指令分解成一系列行為，並加以執行。

Q4：圍繞擎天柱Optimus，你們認為，你們可以實現幾個數量級的改進與經濟產出，這真的很令人激動。當特斯拉成立時，使命是加速可再生能源或可持續交通發展。對於擎天柱Optimus，你們是否認為其使命仍然符合特斯拉使命宣言，還是需要將使命更新為「加速無限富足或無限經濟出現」？

馬斯克：嚴格來說，擎天柱Optimus不直接與加速可持續能源發展相一致。

但它能以比人更高的效率完成工作，我想它確實有助於可持續能源發展。我認為隨著擎天柱Optimus出現，特斯拉使命範圍的確已經擴大為，讓未來變得更美好。

看擎天柱Optimus，我不知道你們怎麼想，但我很激動想要看到擎天柱Optimus未來的樣子。

你可以判斷下，對於任何一項技術，你想要看看它在1年、2年、3年、5年、10年後是什麼樣？我想說，你肯定想看擎天柱Optimus未來是什麼樣。

其他不少技術已進入停滯期。我不想在這裡指名道姓，但我認為，擎天柱Optimus在5年、10年後將變得非常神奇，令人震驚。我真的很想看到這種情況發生，我希望你也是。

Q5：我想知道，你們是否有計劃擴展機器人對話能力？第2個問題是，擎天柱Optimus終極目標是什麼？

馬斯克：擎天柱Optimus肯定會有對話能力，你可以與它對話，對話感覺會很自然。

從終極目標角度看，我不知道，我想它會不斷發展。我不確定結局會怎樣，但一定很有趣。

我們必須始終小心，不能走上終結者這條路。我原本想，也許我們應該以終結者踩碎頭骨的視頻開場，但人們可能會對此過於認真。

《終結者2》中終結者踩碎頭骨出場的經典場面

我們確實希望擎天柱Optimus是安全的，我們設計一些保障措施，你可以通過本地一個無法通過網路更新的只讀存儲器，讓機器人停止工作。我認為這很重要，坦率說，很有必要。就像一個本地停止按鈕，沒法通過遠程控制之類的手段進行更改。

但它肯定會很有趣，不會無聊。

Q6：你們圍繞Dojo與其應用，展示非常有吸引力產品。我想Dojo平台未來是什麼？你們是否會像亞馬遜AWS那樣，提供基礎設施與服務？還是會像英偉達那樣銷售晶元？Dojo未來計劃是什麼？我看到你們用7納米技術，開發成本很容易就超過1,000萬美元，你們商業模式什麼樣？

馬斯克：Dojo是台非常大的計算機，會使用大量電力，需要大量冷卻裝置。我認為未來讓Dojo以亞馬遜AWS方式運作可能更合理，而不是賣機器。

運營Dojo最有效方式，就是讓它成為可以在線使用的服務。通過它，你可以更快、更省錢的訓練模型。

當世界向軟體2.0過渡時，軟體2.0將使用大量神經網路進行訓練。隨著時間推移，這是合理的，因為會有更多神經網路，人們會希望使用最快、更便宜的神經網路訓練系統。我認為，在這個方向上會有很多機會。

Q7：對人形機器人能夠理解情感與藝術，並能為創造力做出貢獻，你們有什麼看法？

馬斯克：我認為，你已經看到，機器人至少能夠生成非常有趣的藝術，如DALL·E與DALL·E2（DALL·E與DALL·E2是OpenAI開發的人工智慧系統，可通過自然語言描述，自動創作真實圖片與藝術）。

我認為，我們將開始看到AI甚至可以創作電影，有連貫性、有趣的電影，並能夠講笑話。

特斯拉以外很多公司，AI發展速度都很驚人，我們正走向非常有趣的未來。

Ashok：擎天柱Optimus機器人可以創造實體藝術，而不僅是數字藝術。你可以用文字或語音要求它做些舞蹈動作，它未來能創作這些動作。這更像是實體藝術，而不僅是數字藝術。

馬斯克：是的，計算機絕對可以製作實體藝術。

Ashok：就像跳舞、踢足球，或其他什麼，它需要變得更加靈活。隨著時間推移，肯定能做到。

Q8：關於特斯拉自動駕駛系統介紹，我注意到你們所用的模型深受語言模型啟發。我想知道，作出這個選擇的歷史是什麼，與它帶來多少改進？我之前認為，在車道轉換中使用語言模型，這是非常有趣的選擇。

John：我們過渡到語言模型，有兩方面原因。

第一，它能讓我們以其他方法做不到的程度進行車道預測。正如Ashok之前提到，當我們以密集的三維方式預測車道時，你只能對某些類型車道進行建模，但我們想要得到交叉路口縱橫交錯的道路連接。如果不把這個任務變成一個圖預測，就不可能做到這一點。如果你想用密集分割的方式來完成任務，這不能成功。

第二，車道預測也是多模態問題，有時你沒有足夠視覺信息，來準確知道路口另一側情況，因此需要能夠進行歸納並生成連貫性預測的方法。你不希望同時預測兩條或三條車道，你希望只預測一條，而生成模型，比如這些語言模型，就能做到這一點。

Q9：對於神經網路，你們如何進行軟體單元測試？你們是不是有大量、成千上萬用例，在訓練完神經網路後，必須先通過這些用例測試，才能作為產品發布？你們軟體單元測試的策略是什麼？

Ashok：我們定義一系列測試，從針對軟體本身的單元測試開始，對於神經網路模型，我們定義測試集。

如果你只有一個大型測試集，我們發現這不夠。我們需要複雜、針對不同模式的測試集，然後我們對它們進行整理，並在產品使用過程中擴展這個集合。

多年來，我們整理過的曾經失敗的用例，以幾十萬計。對任何新模型，我們都要針對這些失敗歷史進行測試，不斷給這個測試集增加用例。

在此之上，我們還有影子模式，我們悄悄把這些模型發布到汽車上，我們收回它們何時失敗或成功數據。

我們還有廣泛測試流程，推送給客戶前，要經過9層過濾，我們有很好的基礎架構使這一切變得高效。

馬斯克：我是測試人員之一，我進行汽車實測。我一直都在車上測試最新內測版本，看它會不會撞車。

Q10：我看到這些大的模型，當擴展數據與模型參數時，實際上都可以進行推理。你們是否認為，本質上需要用數據與規模擴展基礎模型，這樣至少可以得到「教師模型」，可能可以解決所有問題，然後就可以提煉出一系列「學生模型「。你們是這樣看待基礎模型的嗎？

Ashok：這與我們自動標註模型很相似。我們不僅只在汽車上運行模型，我們訓練完全離線，非常龐大的模型，它們沒法實時在車上運行。我們只是在伺服器上離線運行這些模型，生成非常好的標註數據，然後可用這些數據訓練線上網路。這就是這些「教師模型」、「學生模型」的提鍊形式。

就基礎模型而言，我們正在建立非常非常龐大的數據集，容量高達數PB級。我們看到，當我們擁有這些大型數據集時，其中一些任務的運行效果非常好，如我提到的運動參數，輸入視頻、輸出所有物體的運動參數等。

人們曾經認為我們沒法用攝像頭完成檢測，檢測深度、速度、加速度等。想像一下，為使這些高階導數準確，預測必須多麼精準。這一切都來自這些大型數據集與大型模型。我們把基礎模型，看作是表達幾何與運動參數的方式。

John：基本上，只要我們基於大數據集進行訓練，就會看到模型性能會有很大提升。只要我們以某個其他輔助任務的某個預訓練步驟，初始化我們網路，都能看到改進。自監督或監督的大數據集，都有很大幫助。

Q11：埃隆說特斯拉有可能有興趣建立通用人工智慧AGI系統。鑒於這類技術可能產生的變革性影響，投資於通用人工智慧AGI的安全技術，似乎是謹慎舉動。我知道特斯拉做了很多技術上狹義的AI安全性研究，我想知道特斯拉是否打算或嘗試布局通用人工智慧AGI安全技術領域？

馬斯克：如果說，我們將對通用人工智慧AGI做出重大貢獻，那麼肯定會在安全方面進行投資。

我非常看重AI安全性，我認為在政府層面應該有AI監管機構，就像任何影響公共安全的都有監管機構。對飛機、汽車、食品、藥品，我們都有監管機構，因為它們影響公共安全，而AI也會影響到公共安全。

我認為，政府還沒有真正理解這一點，但我認為應該有裁判員來確保或試圖確保通用人工智慧AGI的公共安全。

你可以想一想，創造通用人工智慧AGI所需要素是什麼？可訪問數據集極其重要。如果你有大量汽車與人形機器人，就像人類一樣處理來自現實世界的PB級視頻音頻數據，這可能就是最大的數據集。

除此之外，你顯然可以增量式掃描互聯網，但互聯網無法做到，在現實世界中擁有數以百萬計、甚至數以億計攝像機，還有音頻與其他感測器。

我認為，我們可能會有最多數據，也可能會有最大訓練算力。因此我們可能會對通用人工智慧AGI做出貢獻。

Q12：我們沒有談及電動卡車Semi，我想知道，從感知角度看，你們正在考慮Semi哪些改變？與汽車相比，需求顯然非常不一樣。如果你們不這麼認為的話，原因是什麼？

特斯拉電動卡車Semi出現在AI日現場，但未被具體談到

馬斯克：我認為，不管駕駛什麼車輛，需要的是什麼？需要的是，生物神經網路與眼睛，基本上就是攝像頭。而你主要感測器，就是安裝在慢速萬向節上的兩個攝像頭，很慢的萬向節，那就是你的頭。

如果一個生物神經網路加上慢速萬向節上兩個攝像頭，可以駕駛Semi卡車，那麼如果你有8個360度環顧視覺的攝像頭，以更高幀率與更快反應速度運行，我想很明顯，你應該能比人類更好駕駛Semi或任何車輛。

Q13：假設擎天柱Optimus將被用於不同場景，並針對這些場景以不同速度演變，是不是有可能為其獨立開發與部署不同軟硬體組件，並將它們部署在擎天柱Optimus上？這樣總體來說，擎天柱Optimus未來發展會更快？

馬斯克：我們沒理解。不幸的是，我們神經網路沒能理解這個問題。

Q14：我想問自動駕駛系統，你們打算什麼時候把FSD beta版推廣到美國與加拿大以外國家？你們認為，目前自動駕駛系統技術棧中，最大瓶頸或障礙是什麼？你們將計劃如何解決問題，讓自動駕駛系統能在性能、安全保證、人類使用信心方面，超越人類駕駛？我記得你們也提到計劃在FSD V11中，把高速公路與城市合併為統一技術棧，並作出一些架構上改進，可以具體解釋一下嗎？

馬斯克：從技術角度看，2022年底前應該可在全球範圍內推出FSD Beta版，但對很多國家而言，我們需要得到監管部門批准。在某種程度上，我們受其他國家監管批准限制。我認為從技術角度看，2022年底前可準備好在全球範圍內推出Beta版。

我們預計2022年10月將有重大改進，它將能特別擅長評估快速移動的交通車輛速度，還有其他改進。

John：過去量產版本自動駕駛系統與FSD Beta版間，存在很多差異，隨著時間推移，這些差異越來越小。我記得幾個月前，所有FSD Beta版與量產版自動駕駛系統，都使用相同純視覺物體檢測技術棧。

目前兩者仍然存在一些差異，最主要的是我們預測車道方式。我們升級車道模型，就像我在演講中提到，這樣它就可以處理更複雜幾何形狀。量產版自動駕駛系統中，我們仍然使用較簡單車道模型。

我們正在擴展目前FSD Beta模型，讓它能處理所有高速公路場景。

馬斯克：我駕駛特斯拉汽車，使用FSD Beta版，事實上擁有統一技術棧，它在城市街道與高速公路上都使用FSD技術棧，對我來說，表現很好。

我們需要在各種天氣狀況下進行驗證，如大雨、雪、灰塵，確保它在各種環境下，都能比量產版本技術棧表現更好。

我們已很接近這個目標，我們肯定會在2022年底之前準備好，也可能是2022年11月。

Paul：基於我個人駕駛體驗，高速公路FSD技術棧已遠超量產版技術棧。我們希望2022年底前，把停車技術棧也包括在FSD技術棧中。基本上，2022年底前，你坐在停車場的車裡，車子會開到停車場盡頭的一個車位上。

馬斯克：需要優化的基本指標是，車輛能在必要的干預前，行駛多少里程。大幅提高車輛在干預前，完全自動駕駛行駛的里程數，這對安全至關重要。這是我們每周測量的基本指標，我們在這方面作出巨大改進。

Q15：我很好奇，如果你回到20多歲，你希望那時的自己懂得些什麼，你會給年輕的自己什麼建議？

馬斯克：我正在努力想一些有用的話說……是的，加入特斯拉是其中一件事。

我想，努力讓自己接觸儘可能多牛人。讀很多書，我就是這麼做的。

我認為，不一定需要太卷，這樣做有一些好處。對於20歲的我來說，要更多享受當下，偶爾停下來聞聞花香，這可能是個好主意。

例如，我們在開發獵鷹1號火箭時，我們在誇賈林環礁（西太平洋馬紹爾群島最大島嶼）這個美麗小島上開發火箭。那整段時間裡，我甚至沒有在海灘上喝過一次酒。我會說，我應該可以在海灘上喝上一杯，那也不會有什麼問題。

位於誇賈林環礁臨時發射場內準備試射的獵鷹1號

Q16：你們用擎天柱Optimus讓所有機器人行業從業者都感到激動。這感覺很像10年前自動駕駛技術，但自動駕駛已經被證明比10年前看起來難度高得多。有什麼是我們10年前不懂但現在懂了、可以讓人形機器人更快到來的？

馬斯克：在我看來，通用人工智慧AGI正在快速發展，幾乎每周都不缺少重要進展。

目前AI似乎能在幾乎所有基於規則的遊戲中獲勝，能創作令人印象深刻的藝術，參與非常複雜的對話，撰寫文章等。這些都在不斷進步，還有這麼多有才華的人在研究AI，硬體也越來越好。

不僅是我們在特斯拉的工作，AI正處於強勁指數型發展曲線上，很明顯，我們會從中受益。

特斯拉恰好非常擅長於驅動器、電機、變速箱、控制器、電力電子設備、電池、感測器。

如我所說，四個輪子上的機器人與有手腳的機器人間，最大區別是正確解決驅動器問題。這是關於驅動器與感測器的問題，關於如何控制這些驅動器與感測器。你必須具備生產一款有競爭力的機器人所需的各類要素，而我們正在這麼做。

Q17：特斯拉與你正在將人類帶往新的水平。你說擎天柱Optimus將被用於下一家特斯拉工廠，我問題是，新的特斯拉工廠是不是完全會由擎天柱Optimus進行管理？什麼時候人們可以訂購人形機器人？

馬斯克：是的，我想開始時，我們會讓擎天柱Optimus在工廠里執行非常簡單任務，如裝載零件。就像你在視頻中看到，把零件從一個地方搬運到另一個地方，或把零件裝載到我們更傳統的車身焊接機器人單元中。

我們一開始會嘗試研究，如何讓它發揮作用，然後逐步擴大它使用範圍。我認為，擎天柱Optimus使用場景會指數級增長，會非常快。

至於人們什麼時候可以訂購，我不知道，我認為並不遙遠。我想你是指，人們什麼時候能收到機器人。我不知道，我會說可能3年，不超過5年，3~5年內你可能會收到擎天柱Optimus。

Q18：我認為，推動通用人工智慧AGI進展的最好方法，是讓全世界儘可能多的聰明人參與進來。與機器人公司相比，考慮到特斯拉規模與資源，考慮到目前人形機器人研究現狀，特斯拉將一些模擬硬體部分開源出來，不是很合理嗎？我認為，特斯拉可以成為主導的平台提供方，成為整個人形機器人研究領域的安卓或iOS系統，而不是僅限於讓特斯拉研究人員或自家工廠研發擎天柱Optimus，可以開放擎天柱Optimus，讓整個世界探索人形機器人的研究。

馬斯克：我認為，我們必須小心擎天柱Optimus有可能以不好的方式被使用，這有可能發生。你可以向擎天柱Optimus發出指令，但這些指令是由一些你不能違反的機器人法規所制約，不能對別人造成傷害。我認為，擎天柱Optimus可能會帶來一些安全方面討論。

Q19：對擎天柱Optimus而言，當前與理想的控制器帶寬是多少？這個活動是為公司的深度與廣度所做的有力廣告。特斯拉有何獨特之處，可以做到這一點？

David：對於帶寬問題，你必須了解或弄清楚你想完成任務是什麼。如果你接受一個頻率轉換任務，你希望你的肢體做些什麼？那就是你的帶寬來源。這不是一個你可以直接說的具體數字，你需要了解你的用例，而那就是帶寬的來源。

馬斯克：關於帶寬問題，我認為我們可能最終會增加帶寬，效果等價於提升機器人靈活性與反應時間。你可以保存機器人狀態，並不是以1赫茲速度，但也不需要提升到100赫茲水平。不知道具體是多少，也許是10赫茲或25赫茲。

隨著時間推移，我認為帶寬會大幅增加，或等價於靈活性提升、延遲降低。我們希望隨著時間推移，能最小化延遲，最大化靈活性。

我們目前已是一家相當大公司，我們有很多領域專業技術需要發展，以研發電動汽車、自動駕駛技術。基本上，特斯拉是若干家初創公司的組合，目前為止它們幾乎都很成功，所以我們一定是做對了什麼。

我認為，管理公司核心責任之一，是提供一個環境，讓偉大的工程師充分成長。我認為，在很多公司，也許大多數公司，如果某人是一個真正有才華的工程師，他們的才華在很多公司都被壓制。

在某些公司，人才被壓制的方式，也許看起來並不那麼糟糕，因為看起來工作挺舒適，你的工資很高，但你需要實現的產出卻如此低，這就像"甜蜜陷阱"。

在矽谷，有一些「甜蜜陷阱」存在。對於工程師來說，它們看起來不像是壞選擇，但你得說，一位好工程師加入，他們實現什麼產出？這些工程人才的產出似乎很低，即使他們看起來過的很開心。這就是為什麼我說，矽谷有一些「甜蜜陷阱」公司。

特斯拉不是一個「甜蜜陷阱」，我們要求很高，你需要完成大量工作，而那些工作都很酷，都很不簡單。但如果你是一位超級有才華的工程師，你的才能會比在其他地方得到更充分發揮。

SpaceX也是如此。

Q20：第一個問題，過去幾年裡，我一直在關注你們進展。今天你們在車道檢測方面做一些改變。你們說，之前你們採用的是即時語義分割，現在為了創建車道信息，你們已經建立轉移模型。你們現在還面臨哪些共同挑戰？例如，作為好奇的工程師，你們未來要解決什麼問題，我們作為研究者就可以開始研究這些問題。

第二個問題，我對數據引擎很感興趣。你們展示一個案例，汽車停止行駛。你們是如何從擁有的數據中，找到與此非常相似的例子？如果能展開介紹下數據引擎，就太好了。

Phil：我先回答第一個問題。拿「佔用網路」為例，你在演講中看到內容，1年前還不存在。我們只花1年時間，就發布超過12個「佔用網路」模型。

為實現一個基礎模型，來表達所有場所、所有天氣條件下的整個物理世界，非常具有挑戰性。

就在1年多以前，我們只在二維世界裡行駛，我們是用同樣靜態邊，表示牆與路緣，這顯然不理想。牆與路緣間有很大區別，當你開車時，你會做出不同選擇。

我們意識到，我們必須轉為三維表達後，我們不得不重新思考整個問題，考慮如何加以解決。這是過去1年，我們必須克服的挑戰中一個例子。

Kate：回到你第二個問題，我們實際上如何獲取棘手的停駛車輛例子，有幾個方法可以解決，舉兩個例子。

第一，我們可以觸發分歧信號。那個表示停車的比特位，會在停車與行駛狀態間閃爍，而這會觸發數據回傳。

第二，我們可以更好利用陰影模式的邏輯。如果客戶無視某輛車，但我們認為應該因此而停車，我們也會回傳這個數據。

這些都是不同的觸發邏輯，讓我們能夠回傳，並得到這些數據。

Q21：有很多公司都在關注通用人工智慧AGI問題，這是很難問題。原因之一是，這個問題本身就很難定義，不同公司有不同定義，他們專註視角也不一樣。特斯拉是如何定義通用人工智慧AGI問題？你們具體關注是什麼？

馬斯克：我們實際上並沒有特別關注通用人工智慧AGI問題。我只是說，通用人工智慧AGI似乎很可能是我們正在做的事情的新興屬性。

我們正在創建所有這些自動駕駛汽車與人形機器人，它們身處巨大數據流中，數據流入，經過處理，這是迄今為止數量最大的現實世界數據集。

這些數據，你不能僅通過搜索互聯網獲得，你必須走入外面世界，與人互動，與道路互動。地球是一個巨大地方，現實混亂複雜。

我認為，這似乎是一個新興屬性。如果你有幾千萬或幾億輛自動駕駛汽車，甚至相當數量的人形機器人，也許人形機器人數量更多，那麼這就是數量最大的數據集。

這些視頻經過處理，很有可能，汽車肯定會比人類司機出色得多，人形機器人將可能變得越來越難以與人類區分。

如我所說，你有通用人工智慧AGI的新興屬性。可以說，全人類整體來說也是超級智能，特別是當我們提升人類之間的數據交互速率。

類似事情似乎在很早之前就發生過，互聯網就像人類獲得的神經系統。突然間，通過連接到互聯網，人類任何一份子都可以掌握所有知識，幾乎所有知識，至少其中很大一部分。

以前，我們是通過個體滲透來交換信息。為了傳輸數據，你必須寫信，必須有人負責把信交給另一個人，中間還發生一大堆事情。想想看，這真是太慢。

即使你在國家圖書館，你仍無法獲得全世界所有信息，你也肯定無法搜索這些信息。而很明顯，沒多少人會在國家圖書館。

我是說，其中一個很棒的均衡元素，就獲取信息或知識而言，互聯網是歷史上最大均衡器。我想任何研究歷史的學生，都會同意這一點。

1千年前，書很少，也非常昂貴，只有少數人懂得如何閱讀，更少的人有書可讀。現在你可以立即獲得任何書籍，你基本上可免費學習任何知識，這很不可思議。

最近有人問我，我最喜歡身處哪個歷史時期？我回答是現在。現在是歷史上最有趣時期，我讀過很多歷史書，讓我們盡最大努力保持這種狀態。

回到之前一個問題，我回答是，關於特斯拉自動駕駛系統，隨著時間推移，神經網路逐漸消化軟體越來越多部分。

當然，極限情況下，你可以簡單獲取汽車所看到的視頻，並將其與方向盤、踏板的轉向輸入進行比較，這些都是非常簡單的輸入。原則上，你可以直接在這兩者間進行訓練，因為那就是人類在用生物神經網路所做的事情。

訓練視頻的是方向盤與踏板移動，中間沒有其他軟體。我們還沒有到達這個程度，但也正在逐漸向這個方向發展。

Q22：這麼多人使用FSD，就性能統計而言，你們如何評估公司的風險承受能力？你們是不是認為，需要有更大透明度，或來自第三方監管，以確定什麼是足夠優秀，並定義基於如此大量里程的表現閾值？

馬斯克：特斯拉首要設計要求是安全，對各方面來說都如此。

就汽車機械安全而言，我們是政府測試過的所有汽車中，就被動機械安全而言，導致受傷概率最低的。我們在主動安全方面，也獲得最高評級。

未來它將會達到這樣程度：安全性高的出奇，甚至比人類優秀的多。

關於自動駕駛系統，我們確實公布了廣義上統計數據，根據里程統計特斯拉汽車不開啟自動駕駛系統，對比開啟FSD Beta版情況。我們看到，一路走來，自動駕駛系統的穩定改進。

有時會有這樣矛盾：是不是應該等到汽車比人類安全3倍時，再部署這項技術？

但我認為，在道德上這其實是錯誤想法。只要你相信，自動駕駛可以減少傷害與死亡，你就有道德上義務來部署它，即使你會被起訴，會被很多人指責。

因為那些被你拯救生命的人，不知道他們生命得到拯救。那些偶爾死去或受傷的人，他們肯定認為，無論如何，都是自動駕駛系統的錯。

這就是為什麼你必須看總里程數統計，有多少事故發生，有多少事故是嚴重的，造成多少人死亡。

我們已有超過300萬輛汽車在路上，每天行駛總里程數很大。它不會是完美的，但重要的是，它顯然比不進行部署更安全。

Q23：我不從事硬體方面工作，也許硬體團隊與你們各位可以給我一些啟發，為什麼擎天柱Optimus設計需要有對稱性？因為我們人類有左右撇子，對吧？我們使用某些肌肉頻率，高於其他肌肉，隨著時間推移，會出現磨損。所以你可能會看到，某些關節故障，或某些執行器故障的發生會更頻繁。

隨著時間推移，我理解目前還是很早期階段，作為人類，我們對於超級人類的能力有很多幻想與虛構，我們所有人都不想直接走到那裡，我們想要伸長我們手臂，想要所有這些富於幻想的設計。考慮到其他所有因素，就電池與計算強度而言，也許你們可以利用所有這些方面，創建更有趣的機器人。我希望你們能夠探索這些方向。

馬斯克：我認為，能把神探加杰特（美國動畫片《神探加杰特》主角）變成真實的，會很酷，那會很棒。

目前我們只想生產一個基本工作良好的人形機器人。我們目標是以最快速度生產出有用的人形機器人。我想這將使我們立足於現實，確保我們做的是有用的事情。

最困難的事情之一，是要做到有用，然後實現曲線之下的高效用總值。例如，你平均給每個人提供多少幫助，乘以，你一共幫助多少人，得到效用總值。

努力把人們喜歡的有用產品發布給大量的人，極度困難，困難程度難以想像。這就是為什麼我說，一家有已發布產品的公司，與一家沒有發布產品的公司，有著巨大差異，簡直是天壤之別。

即使你發布產品，能不能讓產出價值超過投入成本？這也極其困難，特別對於硬體而言。

我認為，隨著時間推移，做一些有創意的事會很酷，如配備8條手臂，發布不同版本。也許會有一些硬體公司能為擎天柱Optimus添加一些功能，比如說，可能添加一個電源介面，或類似東西。或者你可以為擎天柱Optimus添加附件，就像給手機添加附件一樣。

隨著時間推移，可能有很多很酷的事情可以做。可能會有由很多小公司、甚至大公司組成的生態系統，為擎天柱Optimus生產附件。

結束語

馬斯克：我想感謝團隊辛勤工作，你們都很了不起。感謝大家到來，也感謝線上各位，感謝大家關注。

我認為這將成為很棒的視頻，你也可以快進到你認為最有趣的部分。但我們努力為你提供大量細節，這樣你可以在閑暇時觀看視頻。你可以專註於你認為有趣的部分，而跳過其他部分。

感謝大家，我們會努力每年都舉行這樣活動，我們甚至可能會每月做一次播客，但能讓大家參與這一過程，能向各位展示正在發生的很酷事情，這很棒。

「長期主義」欄目每周六、與長假更新，分以下系列：

宏觀說：全球各大國政要、商業領袖等

社會說：比爾·蓋茨等

成長說：洛克菲勒、卡內基等

科學說：歷年諾獎獲得者、騰訊科學WE大會等

科技說：馬斯克、貝索斯、拉里·佩奇/謝爾蓋·布林、扎克伯格、黃仁勛、Vitalik Buterin、Brian Armstrong、Jack Dorsey、孫正義、華為、馬化騰、張小龍、張一鳴、王興等

投資說：巴菲特、芒格、Baillie Gifford、霍華德·馬克斯、彼得·蒂爾、馬克·安德森、凱瑟琳·伍德等

管理說：任正非、稻盛和夫等

能源說：曾毓群等

汽車說：李想、何小鵬、王傳福、魏建軍、李書福等

智能說：DeepMind、OpenAI等

元宇宙說：Meta/Facebook、蘋果、微軟、英偉達、迪士尼、騰訊、位元組跳動、Epic Games、Roblox、嗶哩嗶哩/B站等

星際說：中國國家航天局、NASA、歷年國際宇航大會，SpaceX、Starlink、藍色起源、維珍銀河等

消費說：亞馬遜、沃爾瑪、阿里、京東、拼多多、美團、東方甄選等

每個系列聚焦各領域全球頂尖高手、產業領軍人物，搜集整理他們的致股東信、公開演講/交流、媒體採訪等一手信息，一起學習經典，汲取思想養分，做時間的朋友，做長期主義者。

相關研報：

【頭號玩家第二季預售】：科技創新帶來範式轉換，拓展無盡新邊疆

九宇資本趙宇傑：1.5萬字頭號玩家年度思考集，科技創新，無盡前沿

九宇資本趙宇傑：1.5萬字智能電動汽車年度思考集，軟體定義，重塑一切

【重磅】前沿周報：擁抱科技，洞見未來，70期合集打包送上

【重磅】六合年度報告全庫會員正式上線，5年多研究成果系統性交付

【智能電動汽車專題預售】百年汽車產業加速變革，智能電動汽車時代大幕開啟

【頭號玩家第一季預售】：科技巨頭探索未來，頭號玩家梯隊式崛起

【首份付費報告+年度會員】直播電商14萬字深度報告：萬億級GMV風口下，巨頭混戰與合縱連橫

【重磅】科技體育系列報告合集上線，「科技+體育」深度融合，全方位變革體育運動

【重磅】365家明星公司，近600篇報告，六合君4年多研究成果全景呈現

九宇資本趙宇傑：CES見聞錄，開個腦洞，超級科技巨頭將接管一切

【萬字長文】九宇資本趙宇傑：5G開啟新周期，進入在線世界的大航海時代｜GBAT 2019 大灣區5G峰會

九宇資本趙宇傑：抓住電子煙這一巨大的趨勢紅利，抓住產業變革中的變與不變

【IPO觀察】第一季：中芯國際、寒武紀、思摩爾、泡泡瑪特、安克創新等11家深度研報合集

【IPO觀察】第二季：理想、小鵬、貝殼、螞蟻、Snowflake、Palantir等12家公司深度研報合集

【IPO觀察】第三季：Coinbase、Roblox、快手、霧芯科技等12家公司深度研報合集

【重磅】年度觀察2019系列合集：歷時3個多月，超20萬字近500頁，復盤過去，展望未來，洞悉變與不變

【珍藏版】六合寶典：300家明星公司全景掃描，歷時3年，210萬字超5,000頁，重磅推薦

九宇資本趙宇傑：對智能電動汽車產業的碎片化思考

九宇資本趙宇傑：九宮格分析法，語數外教育培訓領域的道與術

【2022回鄉見聞錄】20位90、00後2萬字，4國13地，全方位展現國內外疫情防疫、春節氛圍、發展現狀差異

【2021回鄉見聞錄】22位90後2萬字，就地過年與返鄉過年碰撞，展現真實、立體、變革的中國

【2020回鄉見聞錄】20位90後2萬字，特殊的春節，時代的集體記憶

【重磅】22位「90後」2萬字回鄉見聞錄，講述他們眼中的中國縣城、鄉鎮、農村

六合君3周歲生日，TOP 60篇經典研報重磅推薦

下午茶，互聯網世界的三國殺

5G助推AR開啟新產業周期，AR眼鏡開啟專用AR終端時代

新商業基礎設施持續豐富完善，賦能新品牌、新模式、新產品崛起，打造新型多元生活方式

【重磅】中國新經濟龍頭，赴港赴美上市報告合輯20篇

知識服務+付費+音頻，開啟內容生產新的產業級機遇，知識經濟10年千億級市場規模可期

從APP Store暢銷榜4年更替，看內容付費崛起

新三板，我們有個九宇會家族

新三板破萬思考：新三板日交易量10年100倍？

九宇資本趙宇傑：科技改變消費，讓生活更美好｜2017 GNEC 新經濟新消費峰會

九宇資本趙宇傑：創業時代的時間法則，開發用戶平行時間｜2016 GNEC 新經濟新智能峰會

九宇資本趙宇傑：互聯網引領新經濟，內容創業連接新生態｜2016 GNEC 新經濟新營銷峰會

請務必閱讀免責聲明與風險提示