從 144 TOPS 到 AI5：Tesla 為什麼要同時控制資料、模型、晶片與工廠？

雲端訓練與車端推理，是同一條生產線

雲端集群負責從大量片段中訓練新模型，車端晶片負責在毫秒內把模型變成方向、加速與煞車。前者要吞吐量，後者要低延遲、低功耗與可靠性。兩端若分開設計，模型可能很強卻跑不進車裡，或晶片很快卻沒有足夠資料餵它。

報告描述 Cortex 集群同時支援 FSD 與 Optimus，並估計 AI5 在算力與記憶體上大幅提升。這顯示 Tesla 想把模型、編譯器、晶片與車輛需求放在同一個閉環中。

TOPS 是規格，不是答案

晶片規格常用 TOPS 比較，但不同資料精度、模型結構、記憶體頻寬與功耗，會讓相同 TOPS 產生不同實際表現。對端到端模型而言，記憶體與資料搬移可能比單純運算量更先成為瓶頸。

因此 AI5 的 2,000–2,500 TOPS 估計只能當方向。真正要看的是：同一模型在車端的延遲、功耗、熱管理、成本，以及雙晶片冗餘下的故障切換。

自研晶片的財務價值，要靠規模兌現

自研可以讓晶片為特定模型最佳化，也可能降低外購成本與供應風險。但流片、驗證與車規可靠性代價很高，只有車隊與訂閱規模夠大，研發費用才攤得薄。

這也是 Robotaxi 車隊與 FSD 訂閱為何相互強化：更多車帶來資料與晶片需求，更多訂閱提供軟體現金流，軟體收入再支撐算力投入。反過來，如果訂閱滲透與車隊擴張不如預期，全棧投入也會變成龐大的固定成本。

TOPS 很大，不代表車就更會開

TOPS 衡量的是特定精度下每秒可執行的運算次數，適合比較晶片理論吞吐量，卻不能單獨代表模型效果。記憶體頻寬、延遲、功耗、軟體編譯、感測器輸入與模型架構都會影響實際表現。同樣的 TOPS，若資料搬運效率不同，能在車上執行的模型大小與反應速度可能差很多。

車用晶片還有另一個限制：它必須在高溫、震動與長年使用下維持可靠，不能像資料中心顯示卡只追求峰值效能。冗餘供電、故障切換、資安更新與車規認證都會增加設計難度。AI5 若要成為 Robotaxi 大腦，真正的考題是每瓦效能、端到端延遲與失效安全，而不是規格表上的最大數字。

因此，硬體升級應與軟體能力一起驗證。新晶片是否讓影像解析度提高、可同時處理更多攝影機、模型更新週期縮短，或在相同功耗下增加冗餘，才是營運上的價值。若模型仍被資料品質或監管卡住，再高的算力也可能只是坐在車內等待許可。

垂直整合的優勢，也是資本支出的壓力

Tesla 同時掌握車端資料、訓練模型、自研晶片、資料中心與整車製造，理論上可以快速把道路問題回傳到模型，再把改善發布到量產車。少了供應商之間的接口協調，迭代速度可能更快；車端與雲端也能圍繞同一套模型共同最佳化。這是垂直整合最迷人的部分。

但每一層都需要大量資本。訓練叢集、電力、冷卻、晶片設計、先進製程與車規驗證不能只買一次，模型越大，持續投入越高。若 Robotaxi 商業化延後，算力資產仍會折舊，專用晶片也可能遇到下一代規格追趕。垂直整合把供應商利潤留在公司內，也把技術風險與資本風險一起留了下來。

評估這套堆疊時，可以看三個回報：每單位訓練成本帶來多少接管率改善、每一代車端晶片支援多久，以及模型升級能否覆蓋既有車隊。若硬體世代切換過快，舊車無法取得同等能力，資料規模的優勢可能被車隊碎片化抵銷。真正好的整合，不是每一項都自己做，而是整體迭代更快、總成本更低。