這兩天特斯拉的股價正逼近歷史新高，再加上馬斯克自己掏腰包買了10億美元的特斯拉股票，讓大家對特斯拉的關注度更高了。有人覺得特斯拉股價過高，並拿中國的眾多新能源汽車公司進行對比；也有人認為馬斯克能力超群，相對於未來物理AI的巨大空間，特斯拉還有10倍的空間。特斯拉的長期競爭力究竟是什麼？是絕對領先的自動駕駛嗎，是遙遙領先的電動汽車出貨量嗎？其實特斯拉真正讓對手絕望的領先，是它在戰略定位上的領先。如果能把握到這一點，就能全面地理解特斯拉這家公司。什麼是戰略定位的領先？管理學大師邁克爾·波特指出，優秀的戰略定位是選擇不同的活動組合，做出清晰的取捨，創造獨特的價值定位，從而形成無法被簡單模仿的系統。波特以美國西南航空公司的低價戰略為例。上世紀八十年代，大多數航空公司採用“樞紐—輻射”模式：在大型機場集中客流，再通過轉機覆蓋全國和國際航線。這讓它們能承接長途和跨洲市場。為吸引不同層次旅客，傳統航司提供“全服務”，如頭等艙、公務艙、餐食、行李和常旅客計畫，依靠溢價來支撐更高成本。西南航空則另闢蹊徑：只營運點對點中短途航線，避免中轉繞行，降低飛行和管理成本並提升飛機利用率；機隊高度統一，只採購波音737，這樣維護培訓成本大幅降低；飛行期間，不提供免費餐食、娛樂系統或頭等艙，進一步壓縮服務成本。這些看似分散的舉措共同形成了一個高效的低成本戰略定位，讓對手難以複製。在中國，一個類似的例子是拼多多。它通過精簡SKU、供應鏈直連、扁平化組織等一整套活動組合，建構了低價高效的獨特體系。在這篇文章我就不具體展開了。那特斯拉的獨特戰略定位在那裡呢？我們先看特斯拉目前的Robotaxi項目。特斯拉於2025年6月在奧斯丁啟動了小規模Robotaxi試點服務，初期車隊由Model Y組成，搭載最新的FSD系統，雖然還沒有撤掉副駕駛上的安全員，但這個項目以極快的速度推進。在奧斯汀，特斯拉的Robotaxi服務區擴展到171平方英里，是Waymo的兩倍多。而Waymo在奧斯汀已經深耕近兩年。為什麼特斯拉能推進得如此快？首先，它選擇了基於視覺的技術路徑，不依賴高精度地圖和雷射雷達。與地圖+雷射雷達路線相比，視覺方案無需提前繪製和維護龐大的地圖資料庫，也不用依賴昂貴的感測器硬體，因此更新和擴展的速度更快、成本更低。演算法一旦足夠成熟，只要當地的政策和法規允許，就能直接在不同地區快速推廣部署。所以，馬斯克堅持用純視覺方案，雖然馬斯克堅稱是安全的原因，但我認為另外一個重要的原因就是，在演算法成熟的那一天，特斯拉能夠快速的低成本的部署它的自動駕駛汽車。如果你有瞭解特斯拉過往的所有的戰略選擇，會發特斯拉所有的選擇都是圍繞著降低成本、可快速複製、可大規模部署特點展開的。對於特斯拉的自動駕駛FSD，特斯拉的車隊規模、它的團隊技術實力、它的算力儲備，決定了特斯拉會比其它的公司迭代得更快。特斯拉在它的工廠端的戰略同樣服務於“快速+低成本”。特斯拉通過高度自動化和垂直整合來提升效率：Gigafactory網路集中電池、電機、整車裝配於一體，縮短供應鏈；Giga Press實現大部件一次成型，減少裝配工序。明年特斯拉還將推出Cubercab。Cybercab 之所以具備革命性，是專門為Robotaxi設計的：極簡的雙座設計，去除了為人類駕駛員準備的昂貴元件，將製造成本降至傳統車企難以企及的水平。所以特斯拉現在的目前戰略定位，是快速建立起自動出行平台生態（Robotaxi)，而且是低價的、可大規模部署的、安全程度高的自動出行平台態。這樣的平台生態，毫無疑問，具有強的網路效應的。特斯拉的頭號粉絲木頭姐的觀點是：今天特斯拉的股價裡，真正由造車撐起來的部分，其實也就八十到一百美元，剩下的全部都是市場在給Robotaxi和自動駕駛平台的預期。她認為，一旦Robotaxi跑通，特斯拉就不再是賣車的公司，而是會從硬體製造商轉型為出行平台公司，特斯拉的利潤率和空間都將被徹底改寫。如果說Robotaxi是特斯拉物理AI的第一階段，那麼它的第二階段，也是更具想像力的戰略，就是通用人形機器人 Optimus。這背後的核心邏輯，就是資料、模型、算力、人才的復用。馬斯克曾反覆強調，特斯拉正在建構一個統一的AI技術堆疊。Optimus又會是比自動駕駛大10倍的市場空間。所以討論特斯拉的股價是高估的還是低估的，首先要看懂特斯拉的經營戰略。你如果不瞭解特斯拉的戰略定位，那特斯拉現在的估值無疑是高的離譜，你如果看懂了，但不認可物理AI未來的市場空間，特斯拉的估值也是高的離譜。我之所以長期持有特斯拉，是因為我認為物理AI將成為未來AI價值釋放的最大領域，而特斯拉是離物理AI最近的公司。 (輝哥想說)

靠電商和雲端運算席捲全球的亞馬遜，正在借這一波Gen AI浪潮，續寫新的故事——過去，它的AI戰略定位是做基礎平台，使用者可以通過Amazon Bedrock獲得全端式服務。但大家可能不知道，去年9月，它在舊金山成立了自己的AI實驗室，Amazon AGI SF Lab（以下簡稱亞馬遜AGI實驗室）。這標誌著亞馬遜的重大轉型：從基礎設施，轉向更具雄心的AGI研發。而且，這個實驗室的一號位還是名華人。大佬叫David Luan，已有15年的AI相關工作經驗。他是OpenAI的早期員工，曾做到工程副總裁，參與過GPT-2、GPT-3、CLIP和DALL·E等多個重要項目的研發。論資歷，Luan絕對算市場中的老炮。實驗室怎麼來的？亞馬遜之所以決定成立一家AGI實驗室，主要是受AGI時代這柄雙刃劍影響。一方面，如果Agent成了新的互動形態，人們不再親自上網購物，那亞馬遜依託於電商生態的廣告和佣金業務，顯然岌岌可危。但硬幣的另一面是機會。作為數位化的鼻祖，亞馬遜掌握著海量且極具價值的使用者行為資料：使用者的瀏覽路徑、他們對促銷、評論和頁面佈局的敏感度，以及不同群體之間的相似性。如果能把這座資料金礦挖掘到位，亞馬遜完全有能力打造一個真正實用的模型，摘下那顆低垂的Agent果實。正是在這樣的背景下，2024年6月，亞馬遜反向收購僱傭了Adept AI。△亞馬遜內部郵件“反向收購僱傭”指大科技公司不實際收購熱門AI初創公司，而是爭取初創公司的技術授權，吸納其核心團隊加入，但初創公司本身仍作為獨立個體存在。這樁收購無疑是個大事件。收購完成後，亞馬遜當即將重任交到時任Adept AI CEO的David Luan手中，並以他為首成立了亞馬遜AGI實驗室。量子位一通深挖，發現這個實驗室真的是高手雲集——首先，實驗室的一號位，華人David Luan，畢業於耶魯大學應用數學與政治科學專業。6歲時，Luan跟隨家人從中國搬到了美國。從小，他就對電腦抱有濃厚興趣，並且行動力驚人。8歲起，Luan就開始在伍斯特州立大學修讀夜校項目，5年苦讀後，終於拿到了學校頒發的電腦科學證書。而且Luan的AI職業起點相當早：2011年，Luan就創辦了一家深度學習公司，專注於視訊分類技術。這項成果後來被歐巴馬政府用於改進執法記錄儀。此後，為了追逐AI最前沿，Luan開始在多家知名AI企業之間輾轉。2018年，他加入OpenAI。當時，OpenAI團隊規模還不到四十人。不久，他升任工程副總裁，他的任務不是寫論文，而是將GPT-2、GPT-3等研究成果變成工程產品。△GPT-2論文2020年，Luan轉至Google Brain，擔任大語言模型項目的總技術負責人，聚焦於融合研究與工程的大型項目。但1年後，他就離開了Google。原因是他認為Google很多精力都分配在了廣告和搜尋相關的業務上，很難從零開始開展新的研究路線。而且大公司組織架構分散，難以集中發力。當時在Google，每個人有限定的資源credit，要跑一個龐大訓練任務，你得說服19、20個同事把這些資源讓給你。離開Google後，他開始憑藉自身專業的AI知識為公司提供諮詢服務。直到2022年，他才再次出山，和兩位Transformer作者（Ashish Vaswani和Niki Parmar）聯合成立了Adept AI。再後來，就是加盟亞馬遜了。從上述經歷不難看出，Luan的實戰經驗可謂相當厚實。聊完Luan，我們再來看看亞馬遜AGI實驗室的其他人——亞馬遜AGI實驗室的二把手是加州大學伯克利分校教授Pieter Abbeel。Abbeel是強化學習和機器人學領域的專家，帶領團隊在Deep Q-Learning、模仿學習、自我博弈等方向上都做出過奠基性貢獻。Google學術顯示，他的論文被引量超過了21萬。加入亞馬遜之前，他是一家專注於倉儲和物流場景下的機器人揀貨初創公司（Covariant.ai）的聯合創始人。這個場景，正好擊中了亞馬遜的業務核心。2024年8月，也就是Adept被收購不久後，亞馬遜同樣通過“反向收購僱傭”的方式，將Covariant納入麾下，Abbeel隨之以研究員身份正式加入亞馬遜AGI實驗室。此外，當時跟著Luan一起搬家到亞馬遜的，還有四名Adept AI的聯合創始人。第一位是Erich Elsen。Erich在史丹佛機械工程系拿下博士學位，是GPU計算的專家。他曾在DeepMind擔任資深研究員，參與撰寫了包括多篇高被引論文，代表作包括Chinchilla定律、稀疏矩陣GPU核心。加入亞馬遜AGI實驗室後，Erich負責多模態代理和強化學習基礎設施。負責產品的是Kelsey Szot。她擁有史丹佛數理與管科雙學位背景，曾在麥肯錫做諮詢顧問、在Google負責大型模型生產基礎設施。2022年，她聯合創立Adept AI，主導了ACT-1與Fuyu-8B等模型的產品化。最後還有Maxwell Nye和Augustus Odena這對好哥們（他倆就連在簡歷裡也不忘提對方的名字）。△Augustus Odena（左圖）和Maxwell Nye（右圖）這對黃金搭檔曾在Google共事，參與提出了Scratchpad，這一方法如今被視為現代AI推理系統的基石。不過，他倆在加入亞馬遜不久後便選擇離開了。兩次反向收購僱傭、大量招攬頂尖人才……可以說，為了組建這個AGI實驗室，亞馬遜下了不少力氣。讓David Luan當一號位，憑什麼？亞馬遜AGI實驗室人才濟濟，David Luan到底有怎樣的過人之處，才成為了亞馬遜這支秘密隊伍的領頭羊？之前我們已經提到，Luan自2011年便開始創業，除了先後加入微軟、OpenAI、Google外，他還是一位連續創業者。但要知道，Luan的優勢不僅體現在專業能力，還在於他的戰略眼光。早在2022年——ChatGPT問世之前，入局AI創業的Luan就有一套自己的想法：想辦法讓AI幹活。我們創辦Adept AI時，就發現大模型真挺擅長說話的，但沒什麼行動力。因此，他將目光投向了Agentic AI，並成立了當時的第一家Agent公司——Adept AI。2022年9月，Adept AI發佈了首個Agent模型，ACT-1。這個模型能夠通過自然語言指令執行螢幕任務，如在瀏覽器中導航、填寫表格和操作軟體。當然，在今天看來這些能力好像已經並不新鮮。但朋友們啊，ACT-1是三年前的產物！別說如今爆火的Agent了，就連ChatGPT都還沒影子呢。Luan認為，電腦應該去適應人類，而不是讓人類去適應電腦。因此，Adept也一直採取著這種以人為中心的方法論。成立不到一年，Adept AI便完成了超4億美元的融資，一舉成為當年融資最成功的AI初創公司之一。加入亞馬遜，給AI搭“健身房”說起來，Adept幹得風生水起，核心團隊為何後來要接受被併？主要有兩點原因：首先，亞馬遜坐擁全球最頂尖的算力基礎設施之一，這是小公司無論如何都難以企及的。而對於AI行業來說，算力正是決定模型進步快慢的發動機。因此，想要前往智能的前沿，必須搭乘擁有發動機夠猛的“跑車”。其次，亞馬遜還能提供稀缺的真實資料。經過這麼多年的挖掘，網際網路上的高品質資料已經快要枯竭了，大模型發展因此開始減速。事到如今，人類在日常工作中的實際運算元據成為了高品質的稀缺訓練資料。AI大神Andrej Karpathy對此曾做過一個類比：想像你要訓練一個打網球的智能體，你肯定不能讓它99%的時間都在看YouTube網球視訊，只用1%的時間真正上場打球。在Luan看來，亞馬遜業務範圍極廣，“幾乎每個500強企業在現實裡開展的核心業務，都能在亞馬遜內部找到類似的事情”。這些能產生大量真實資料的內部環境，是Agent的最佳訓練場所。還有一個最關鍵的原因，那就是Luan不甘心只是做一個提供AI銷售服務的小公司。在我的整個職業生涯中，我只想建構最智能、最有用的人工智慧。因此，2024年，Adept AI與亞馬遜達成反向收購僱傭，Luan帶著團隊裡最核心的技術人員一起加入了亞馬遜AGI實驗室。今年年初，亞馬遜AGI實驗室發佈首個產品——Amazon Nova Act，一個基於亞馬遜內部最強自研AI Amazon Nova延伸出來的Agent模型。它繼承了Adept AI的技術遺產（ACT-1、Fuyu模型等），又結合亞馬遜的AWS基礎設施，在多步驟複雜任務上表現出色。根據亞馬遜官方披露，Nova Act在Agent的公開基準測試ScreeSpot和Ground UI上取得了不錯成績。並且在ScreeSpot介面元素定位上的表現格外優異，精準率接近94%亞馬遜AGI實驗室透露，這裡面的秘訣在於強化學習。我們在亞馬遜AGI實驗室做的是大規模自我博弈。十幾年前，DeepMind靠這種方式擊敗了人類。亞馬遜AGI實驗室沒有靠人力去給每一個操作編碼，據Luan所說，他們為AI搭建了一間“健身房”。在這間健身房裡，隨處可見各種常用的“健身器材”，比如ERP、CAD、電子病歷系統、會計軟體等。AI可以利用這些工具，通過強化學習自己摸索出正確的使用方式。沒想到，人工智慧也需要健身了。（手動狗頭）看來，加入亞馬遜AGI實驗室後的Luan仍然謹記實用主義的信仰，一心只為打造最有用的AGI。One More Thing最後，八卦時間～Adept AI最初的3名核心發起人，一位是David Luan，還有兩位都是Transformer八子之一。一位是Niki Parmar，另一位是Ashish Vaswani。不過，Vaswani不到一年就離開了。△從左到右：Niki Parmar, Ashish Vaswani, David Luan據彭博社爆料，Vaswani離開的原因是與Adept AI的某位聯合創始人意見不合。已知：Vaswani離開Adept AI時，Parmar跟著一起離開了，兩人後來又聯合成立了Essential AI。 (量子位)