特斯拉AI芯片战略定位 - 公司聚焦AI芯片，将其从“硬件支撑”提升为决定产品能力上限的核心要素 [1][12] - 公司披露了从AI5到AI9的多代产品路线图，并计划将芯片设计周期压缩至9个月一代 [1][12] - 此举体现了公司在重要战略领域投入关键资源的一贯作风 [1][12] 车端芯片演进与性能目标 - 车端芯片目标是为FSD提供更高算力与更大内存，并为未来更复杂的端到端大模型留出冗余 [3][13] - HW4/AI4芯片采用约7nm制程，算力约216TOPS，支持FSD V12端到端推理，但不足以支撑完全自动驾驶和具身智能的长期目标 [3][13] - AI5将同时采用三星2nm和台积电3nm先进节点，目标实现50倍性能提升，这综合了原始算力约10倍提升、运行内存容量提升至AI4的9倍等多重因素 [3][13] - 推测AI5单颗芯片的有效推理能力可能突破2000TOPS级别 [3][13] 跨业务协同与平台扩展 - AI5将同时服务于FSD和Optimus人形机器人两大核心业务，汽车与机器人将共享统一的算法体系和“感知-决策-执行”技术栈 [4][14] - 公司通过芯片与算法复用，实现智能车与机器人的底层架构协同进化 [4][14] - AI6的定位扩展到“训推一体”，旨在同时支持端侧推理和云端训练 [4][14] - 公司芯片路线从“汽车专用”走向“跨场景通用AI算力平台” [4][14] Dojo项目演变与太空算力布局 - Dojo最初是为自动驾驶训练定制的算力基础设施，首代D1芯片基于7nm工艺 [5][15] - 公司曾解散Dojo团队，但随后重启并将其重新命名为AI7，用途从地面数据中心扩展到太空算力 [4][14] - AI6和AI7被设想为能支持端侧推理、数据中心训练甚至适应太空环境的通用AI算力芯片 [5][15] - 太空算力成为AI7重要场景，依托与SpaceX的协同，利用太空在延迟、覆盖和基础设施成本上的潜在优势构建“太空数据中心” [6][16] - 太空算力需应对辐射、散热和能耗等极端环境挑战，对芯片可靠性、功耗控制和系统架构要求更高 [7][17] 快速迭代策略与工程化方案 - 公司计划将芯片设计周期缩短至9个月一代，以匹配AI算法的快速演进，解决传统汽车平台3-5年生命周期导致的算力升级滞后问题 [7][17] - 公司提出工程化补救方案，通过数据分块处理等技术，延长老款AI3芯片的“可用寿命”，以平衡用户规模与产品生命周期 [7][17] 路线图总结 - 公司AI芯片路线图算力增长激进，从AI4到AI5目标50倍性能提升，远超行业平均节奏 [11][21] - 应用场景从车端推理不断扩展至机器人、数据中心和太空算力 [11][21] - 迭代周期大幅压缩，试图以9个月一代的速度匹配AI模型的快速演进 [11][21]