当AI算力遭遇地球能源硬约束，马斯克给出了一个激进的解决方案：将战场转向太空。SpaceX计划通过每年上万次星舰发射，在5年内实现太空算力对地球的全面超越。本文深度解析从月球基地到机器人自我复制的系统性破局路径，揭示下一代AI竞争的核心逻辑。

昨天，埃隆·马斯克与 Dwarkesh Patel、Stripe 联合创始人 John Collison，录制了一期将近三小时的播客。

在这场访谈中，马斯克第一次系统性讲清了一个判断：为什么他开始全力推动太空数据中心。

为了让Colossus 集群上线，xAI 不得不跨州修建电厂，甚至连部分关键设备都开始考虑自研。芯片产能正在指数级释放，但电力却被死死卡在审批流程、冷却条件和设备交付的漫长周期里。

这让他得出一个结论：地面这条路，走不通了。

在马斯克看来，未来36 个月内，部署 AI 最便宜的地方，不会在地球，而是在太空。

为此，SpaceX正在为一个极端目标做准备：让星舰年发射频次达到 1–3 万次，每次有效载荷 100–150 吨。这是太空算力实现规模化的前提条件。

他的预测更加激进。五年后，太空AI 每年的新增算力将达到数百吉瓦；每年被送入太空运行的 AI 算力，将超过地球上所有 AI 的历史累积总和。

从那一刻起，AI 算力竞争的主战场，将不再在地面。

这还没完。根据马斯克的判断，地球每年新增电力大约只能做到1 太瓦，这是硬上限。再往上扩，就必须跳出地球体系。

他的设想是，直接指向月球。月球土壤中约有20% 是硅，同时富含铝资源，可以就地制造太阳能电池板和散热结构；真正复杂的芯片，则从地球运送。

在这一体系中，月球基地将使用质量投射器，以每秒约2.5 公里的速度，把 AI 卫星射向深空，理论运力可达每年 1 拍瓦（100 万吉瓦）。这才是他口中“真正意义上的规模化”。

虽然SpaceX的终极目标仍然是火星，但马斯克也坦言，目前每一步都必须先跑通商业回报，才能进入下一阶段。所以，星舰将率先服务于轨道级数据中心。

那么，这一次访谈中，马斯克究竟还讲了哪些判断？接下来，就跟着硅基君一起来看看。

01 地球能源扩张，跟不上AI发展速度

理解这一点，必须先看全球电力供给的现实。

在中国以外，大多数国家的发电量要么持平，要么仅有微弱增长，整体接近平台期。只有中国仍在快速扩大发电能力。这意味着，如果把大规模数据中心建在中国以外的任何地方，电力都会成为瓶颈。

芯片产能呈指数级增长，而电力供给却几乎不动。这正是太空被重新放进讨论框架的原因。

太空在某种意义上，是一场监管与物理条件的“捷径”。在地面扩建数据中心，本就困难；规模越大，难度越高。而在太空，限制反而更少。

这里头的关键是能源条件。

拿发电来说。太空太阳能有两个优势：24 小时满功率，没有云层和大气层遮挡，光照强度提升 30%，而且不用配电池。

马斯克计算过：“中国太阳能板已经便宜到每瓦 0.25 美元。放到太空，发电效率是地面 5 倍，还省掉电池成本，综合下来每度电成本是地面的十分之一。”

此外，还有物理条件的客观限制。在地球上，建一个新的数据中心项目，大约需要30–36 个月才能落地。

即使大规模利用太阳能，地球本身也无法支撑这种扩展。

美国当前的平均用电规模约为0.5 太瓦。1 太瓦，意味着当前用电量翻倍。这意味着什么？意味着要同时建设大量数据中心、大量发电厂，以及配套的输配电系统。

一方面，整个过程，会被审批、监管和公用事业委员会层层束缚。

哪怕只是签一份互连协议，往往也要一年时间做研究。一年后，研究报告出来了，却发现连自身电表的功率数据都无法准确判断。

另一方面，设备是更现实的困境。

表面上看，我们只要造更多涡轮机就可以，但真正参与过就会发现：

涡轮叶片才是最大瓶颈。全球只有三家铸造厂能生产，而且订单已经排到2030 年。其他部件可以提前 12–18 个月准备，但叶片不行。

这并不是秘密。打电话给任何一家涡轮机厂商，他们都会告诉你同样的事实。

结论正在变得清晰：地面能源扩张的速度，很可能跟不上AI 的需求曲线。所以，至少36 个月内，太空会成为部署 AI 最便宜的地方。

02 太空AI 算力超过地球，只需要5年

五年后，地球与太空中安装的AI 算力容量，可能会出现一次结构性反转。

马斯克的判断是：每年在太空中发射并运行的AI 算力，将超过地球上所有 AI 算力的历史累积总量。按功率口径估算，五年后，每年新增的太空 AI 算力可能达到数百吉瓦。

要理解这一预测，必须从物理约束而非技术想象出发。

首先是发射能力。

在地球上，在真正遭遇火箭燃料瓶颈之前，理论上可以支撑约1 太瓦级别的 AI 算力。

但如果目标是在五年内做到每年 100 吉瓦的太空 AI 部署，问题就变成了系统级比功率：太阳能阵列、散热器、结构件、芯片，一切都要一起算。

粗略估算，这意味着大约1 万次星舰发射。如果试图在一年内完成，相当于每小时一艘星舰。

听起来极端，但与航空业相比，这仍然是低频系统。关键并不在于是否需要极地轨道，而在于高度。

也就是说，只要飞得足够高，就能逐步脱离地球阴影，同步轨道并非刚需。

幸运的是，发射体系正朝这个方向规划。

SpaceX 正在为每年1万次，甚至2–3万次发射做准备，目标是把发射能力本身变成一种超大规模基础设施，并对外输出。

如果这一节奏成立，一个结论会显得异常激进：5年后，SpaceX 每年发射并运行的 AI 算力，可能超过地球上所有其他系统的总和。

这还没完。

由于地球每年新增电力，大约只能做到1 太瓦，这是硬上限。超过这个规模，就要从月球发射。

月球土壤含20% 硅，有充足的铝，可以就地制造太阳能电池和散热器，芯片从地球运上去就行。

马斯克设想的是：月球基地用质量投射器，以每秒2.5 公里的速度把AI卫星射向深空，运力能到每年 1 拍瓦（100 万吉瓦）。这才是“真正的规模化”。

最终，一切又回到SpaceX 的底层逻辑。终点是火星，但每一步都要产生现实现金流，推动下一阶段。

猎鹰9造就了星链，而星舰很可能会率先服务于轨道级数据中心。

当太空AI数据中心解决了电力问题，但随之也带来了另一个问题：当电力约束被解除，限制因素重新变成芯片。

在芯片侧，马斯克最大的担忧反而不是逻辑芯片，而是存储。逻辑芯片的演进路径相对清晰，而存储的供给弹性更差，这也是为什么DDR 价格率先上涨。

在马斯克看来，尽管芯片厂商已经在全速扩产了，还是不够快，从建fab 到高良率量产需要五年。

究其原因，马斯克认为，更本质的原因在于行业记忆。

如果在存储或半导体行业工作三四十年，经历过多轮周期性繁荣与崩溃，就会明白这种谨慎并非短视，而是对历史代价的回应。繁荣时期看似需求无限，崩溃往往随之而来，企业的首要目标变成“避免破产”。

同时，芯片制造的人力结构，也常被误解。晶圆厂里确实有成千上万名博士，深度理解工艺细节，但真正的大量工程工作，并不依赖博士，而是熟练技工。这类人力，反而更难快速复制。

所以，马斯克计划建设一座存储芯片工厂，覆盖存储、逻辑处理以及封装集成三个环节，目标是在2030 年前，将产能提升至每月一百万工作时的规模。

03 中美制造业竞争，美国只能靠机器人赢

如果只依赖人类劳动力，美国不可能在长期竞争中取胜。

原因并不复杂。中国人口规模约为美国的四倍，而更关键的是，人均投入的工作强度并不低。

长期领先的一方，往往会出现自满情绪，降低努力程度；这在职业体育和产业竞争中屡见不鲜。我的观察是，中国整体的工作投入水平，至少不低于美国，甚至可能更高。

即便通过组织优化、教育升级等方式重排人力资源，美国在人力总量上的劣势仍然无法弥补。

即使假设生产力提升带来四倍杠杆，这一假设本身也过于乐观，现实中可能远低于这一水平。中国在“人均产出”层面，并不一定处于劣势。

这意味着，在传统的人力竞争框架下，美国处于结构性劣势。

人口结构进一步放大了这一差距。美国出生率自1971 年起长期低于替代水平，退休人口持续增加，死亡人数正接近甚至超过出生人数。从长期趋势看，美国的人力供给正在收缩，而不是扩张。

因此，美国无法在人类劳动力这条战线上取胜。

但在另一条战线上，仍然存在机会，那就是机器人。

这正是人形机器人（如Optimus）的战略意义所在。过去，有大量事情在技术上可行，但因过于劳动密集或成本过高而无法实施。

现在，这一约束正在发生变化。机器人意味着，可以重新审视那些曾被放弃的制造和基础设施项目。

特斯拉已经开始在这一方向上布局。在德克萨斯州科珀斯克里斯蒂，我们已建成并投产锂精炼厂，这是美国最大的锂精炼设施，也是中国以外规模最大的之一。

在德州，还建设了镍与阴极材料精炼设施，这也是美国目前规模最大的阴极精炼厂。

这些项目的共同前提，是高度自动化。

如果依赖人力，美国很难大规模复制这样的精炼能力。一方面，这类工作劳动强度高、环境复杂；另一方面，现实是，很少有美国人愿意长期从事精炼工作。

机器人改变了这一约束。通过Optimus，可以扩建更多精炼厂，提高美国在关键材料上的自给能力，而不必依赖有限的人力供给。

这引出了一个更根本的问题：为什么现在依赖机器人，而不是过去？

答案在于规模约束。美国只有中国约四分之一的人口。如果让人去做这些事，就意味着无法同时完成其他关键任务。机器人提供的是一种“并行扩展”的能力，而不是人力替代。

将视角放到全球，这一差距更加明显。比亚迪正在逼近特斯拉的产量和销量规模。随着中国产能持续增长，全球制造格局正在重塑。

这种竞争力并非偶然，而是源自极其深厚的基础能力。中国的精炼产能约为世界其他地区总和的两倍。

从能源、采矿到精炼，再到四级、一级供应链，几乎所有基础环节都具备规模优势。任何复杂产品，最终都会包含中国制造或中国精炼的成分。

能源数据进一步印证了这一点。今年中国的发电量预计将超过美国的三倍。电力是实体经济的底层指标：工厂运转、基础设施建设、制造活动，都依赖电力。如果电力规模是三倍，工业潜力也大致在这一量级。

在没有人形机器人带来“递归式生产力跃迁”的前提下，像中国这样拥有完整制造、能源和原材料体系的国家，在 AI、电动车以及机器人本身的规模化制造上，都将占据主导地位。

一个可能的分工正在浮现：美国负责突破性创新，而中国主导规模化制造。

那么，美国的路径在哪里？

答案并不在于正面对抗规模，而在于持续成为突破性创新的源头。

而最终的突破性愿景，指向更远的空间。如果要在太空中扩展AI，需要的是现实世界 AI、人形机器人，以及百万吨级的太空基础设施。那将是一个完全不同数量级的系统工程。

如果有一天，月球质量驱动器能够运行，能源、材料和扩展性问题将被根本性改写。到那一步，竞争逻辑本身都会发生变化。

如果能走到那里，我会认为，这就是胜利。

04 机器人自我复制能力，才是胜利的关键

美国如果想像中国一样，实现人形机器人的大规模、低成本制造，必须正面解决两个根本问题：现实世界智能，以及可规模化的制造体系。

先看硬件本身。

到目前为止，市场上尚未出现真正展示出“类人手部灵活性”的机器人系统。而 Optimus 的设计目标，正是尽可能覆盖人手所具备的全部自由度。这一目标的难点，并不在于外形，而在于执行器系统。

手部是整个人形机器人中机电复杂度最高的部分，其复杂程度，甚至超过机器人其余部件的总和。

要实现这一能力，必须从物理第一性原理出发，重新设计电机、齿轮、传动机构、电子控制系统以及传感器的整体协同，而不是依赖现有供应链的拼装方案。

现实是，这样的供应链并不存在，只能从零搭建，并且一开始就要为规模化生产而设计。

但硬件灵巧，并不等于机器人有用。

真正决定人形机器人价值上限的，是现实世界智能。在这一点上，特斯拉并非从零开始。用于自动驾驶的智能系统，本质上已经是一套成熟的“现实世界控制框架”：

以视觉为核心，融合惯性测量、定位等多源传感器数据，将高维、连续的环境输入，压缩为稳定、可执行的控制指令。

这一技术路径，对机器人同样成立。

当然，机器人的学习难度明显高于汽车。它拥有更多自由度，却无法像驾驶那样，天然获得数百万小时的人类示范数据。因此，训练策略必须不同。

我们的选择是规模化。

通过制造成千上万台Optimus，并将其部署在受控环境中进行“自我对弈”，同时结合高保真仿真系统生成大规模合成数据，用虚拟世界不断反哺现实世界训练，从而逐步缩小仿真与真实环境之间的差距。

进一步看，智能的演进不会止步于单体控制。真正的智能核心，在于世界模型与规划能力。

未来，更高级的AI 系统可以承担任务分解、路径规划与多机器人协同的角色，指挥机器人集群完成复杂目标，例如搭建和扩展工厂本身。

回到制造和成本这一最现实的问题。

Optimus 的所有关键部件均为定制设计，这意味着在早期阶段，生产曲线一定是缓慢的。

与部分以低价切入市场的机器人产品不同，Optimus 的定位是同时具备高水平智能与高机电性能，其初始成本结构并不相同。但只要跨过规模化门槛，成本下降的速度将非常快。

规模从何而来？答案在应用场景。

机器人最适合执行重复、连续且长期存在的任务。在特斯拉工厂中，初期可能只有10%–20% 的工作由机器人完成。但目标并非减少员工数量，而是在人员规模继续增长的同时，通过机器人显著放大人均产出。

当视角从工厂扩展到国家层面，这一逻辑会变得更加清晰。中国在多个制造与资源环节（如稀土精炼）具备明显优势，这迫使美国重新思考自身的产业基础。

要在关键领域重建能力，仅靠人力并不现实，而人形机器人可能成为建设这些基础设施的关键工具。

最终，真正决定胜负的，并不是单台机器人的能力，而是规模化的自我复制能力。

如果一个国家能够实现：

用机器人去制造更多的机器人，并在这一过程中不断降低成本、提升能力，那么产能就会进入自我强化的递归循环。

谁率先完成这一闭环，谁就将在下一代制造体系和人形机器人产业中，占据决定性优势。