特斯拉的坏消息一个接着一个。
资本市场市值大跌、全球主要市场销量大幅下滑、新车型Cybertruck（参数丨图片）迟迟难以交付、4680大圆柱电池也是雷声大雨点小、特斯拉全球裁员10%，更糟糕的是马斯克还深陷内幕交易丑闻，甚至有可能祸起萧墙......
特斯拉到底怎么了？针对此话题，笔者从不同角度进行了解读。
感兴趣的读者可参考：《》《》《》
在对大量现象进行深入分析后，笔者认为特斯拉陷入窘境最根本的原因是，马斯克所信仰的第一性原理正在失效。
什么意思？任何理论都有适用边界，不可能无限扩张，第一性原理也不例外。
技术可以提高，但理论的极限无法突破，也就是说，技术所能做的事情，不过是在边界内找到相对好的答案。
大家都知道，信息科技产业有标准一说，标准的本质就是在边界内做好事情，任何时候，技术在不成熟之前，是可以提高的，但是到了趋于成熟之后，理论上的极限是无法突破的。
举例来说，早先，由于技术不成熟，DVD只有700兆，因此工程师们才会在激光播放机的精度上进行改进，于是容量扩大了好几倍。但是，无论如何改进，DVD的容量都有一个理论上的极限，它受限于红色激光的波长。要想突破这个，那就是瞎费工夫，最终往这个方向投入巨资的东芝和微软完全失败了。
所以真正理智的人，会清晰地意识到边界的存在，面对同样的边界，有的人在边界内玩出精彩，但是也有的人总幻想边界很容易突破，最后处处碰壁。
对此，本文将以4680大圆柱电池和自动驾驶FSD 纯视觉方案为例进行深入分析。
理想很丰满，现实很骨感：4680大圆柱电池的红与黑
最早提出第一性原理的 是古希腊哲学家亚里士多德。 他认为，在每一系统的探索中，存在一个最基本的命题或假设，不能被省略或删除，也不能被违反。
而在马斯克看来，物理学原理是永恒不变的第一性原理，要想创新就必须放弃大部分人的思考方式，从物理学原理溯源，去分析整个过程是否合理。马斯克就是用这样的思维方式，先后在航天和电动汽车两大产业中获得空前的成功。
然而，在4680大圆柱电池的创新上，马斯克的第一性原理却遭到了重创。
先简单科普一下什么是4680大圆柱电池。顾名思义，这款圆柱电池的直径是46毫米，长是80毫米。 更大的圆柱结构，能提升单个电池中的能量物质占比，进而提升电池能量密度。
动力电池制造流程非常复杂，本文不可能全部展开，笔者将把篇幅聚焦在马斯克对4680大圆柱电池创新与阻碍上。
动力电池制造的流程大约可分为三大步骤：
第一大步骤是电极生产：将电池的阳极和阴极与溶剂、添加剂、粘合剂等材料混合起来以形成浆料。然后是涂覆步骤，将浆料施加到金属箔上。接着是干燥步骤，从涂覆的浆料中除去大部分溶剂。再之后把涂层压延。
第二大步骤是电芯生产：大批量生产电池单体，动力电池对于电池单体一致性要求严苛。后续还要将数量庞大（成百上千颗）电池单体组合成在一起，这是一项复杂的系统工程。
第三大步骤是组装：根据电池模组/电池包组的特点，可以分为两大类，分别是硬壳和软包。最后组装成不同的形态，比如方形电池、刀片电池，当然还有大圆柱电池。
马斯克的创新主要是两个方面：
第一，为了降本，选择大圆柱外型。
为什么要选择大圆柱外型？因为圆柱形物体在生产流水线中的运转速度高于方形物体。大家可不要小看这点，要知道方形电池每分钟只能生产25个电芯，而圆柱电池每分钟能生产300个电芯。你看，这效率真的是大幅提高。
凡选择必有代价，大圆柱电池的弊端是，圆柱形电芯在封装步骤中，圆柱与圆柱间会有缝隙，空间利用率低于方形电池。这点大家想象一下，应该不难理解。
那怎么办？很简单那就是把电池的尺寸变大，这样减少缝隙。但是尺寸变大，加工难度也会变大，其中最大的难点就是电池的极耳，也就是导电部分会承担更多电流，容易失控进而引发自燃。
你看这都是一环套一环的。为了解决这一问题，马斯克大手一挥：取消电池极耳这个环节。这就带来了第二个创新。
第二，取消湿法工艺。
你看动力电池制造的第一大步骤，电池的阳极和阴极与溶剂、添加剂、粘合剂等等混合成浆料，然后涂在金属箔上，接着就是干燥步骤，需要烘烤12个小时。
这就是湿法工艺，但马斯克认为这种工艺很蠢，既然最后要烘烤成干的，那为什么一开始要弄湿？要知道这部分的设备、人工、厂房成本占整个电池制造的 22.76%。直接不要了多好？
为此，在2019 年 2 月，特斯拉花 2.19 亿美元收购了Maxwell，该公司可以完成马斯克的设想，把湿法工艺变成干法工艺。
然而，理想很丰满，现实很骨感，4680大圆柱立刻遭到了量产危机。
牵一发而动全身，取消一个流程，增添无数麻烦。主要是以下三个：
第一，最初的麻烦是干法工艺会减少电池循环次数。
一旦取消湿法工艺，那么所有的环节都必须变成干的。然而，湿法工艺的好处是在金属箔片上附着正负极材料时，粘性强且稳定，一旦变成干的，粘性就变弱了，为此，特斯拉不得不去研发粘结剂。
但问题是，使用粘结剂会阻碍锂离子的流动，会大幅缩短电池寿命，所以4680大圆柱的循环次数只有1000次，但别的电池的循环次数超过 2500 次。
第二，是让人头疼的流水线的设备研发。
干法电极设备要把材料碾压成纤维化状态，看起来很简单，但在大规模生产中，对设备有极高的要求，
需要用合适的力度将材料中的粘结剂滚压成合适的纤维化状态。在实验室环境中，这件事很简单。但大规模生产要求设备能连续、精准地处理整个任务。
不要觉得很简单，调试设备和工艺没有捷径，它需要一次次反复尝试。为此，特斯拉投入了大量的时间、金钱和精力。
第三，是让人无语的焊接效果。
4680大圆柱电池的极耳很大，由此，需要焊接的极耳面积增加，面积越大，出错概率越高，而且稍有不慎，就会让电池报废。
除此之外，小麻烦更是不计其数。比如马斯克之所以选择大圆柱造型是因为生产效率够高，但这对产线的要求也高，生产线上哪怕掉落一些的灰尘和碎片，也会导致电池短路，实验室环境下没有这些问题，但在大规模生产线上，这些问题无法避免。
从4680大圆柱电池发布至今，马斯克只实现了最初目标的1/3，仅量产了工艺更简单的干法石墨负极，但接下来还有更难的干法硅负极和正极。
到2023年年末，特斯拉的4680大圆柱电池的良品率只有92%，看似很高，但还是不够，良品率必须超过95%，才能迈过规模效应的门槛。
而且，只有更便宜的4680大圆柱电池才能支持特斯拉造出2.5万美元的廉价车型，要知道如今的特斯拉已完成车型研发，还突破了更大规模的一体压铸技术。但4680大圆柱电池却成了阻碍计划的最后一块绊脚石。目前来看，依旧遥遥无期。
纯视觉方案撑不起马斯克的终极梦想
自动驾驶一直都是马斯克重点投入的领域，而智能交通服务商则是特斯拉商业模式的终极梦想。
按照马斯克的设想，一台车96%的时间，都在停车场闲置。马斯克帮车主算了一笔账，只要车主的车加入特斯拉的出租车队，你人在写字楼上班，汽车去路上接活，每年最多能分你3万美元。
按照特斯拉的测算，如此丰厚的收入，起码有10%的车主会加入，也就是说，只要特斯拉的累计销量达到1000万辆，这个百万自动驾驶出租车车队就能开张了。
感兴趣的读者可参考：《》
当然，这一蓝图的前提是实现自动驾驶。至少得是L3级别，车企能承担驾驶责任了，特斯拉的管理中心可以派操作员远程管理了，政府才能允许它接管车主的汽车。
自动驾驶大致可以分为感知、预测、决策、控制等模块。
主流的智驾算法模型，按照感知、预测等功能来划分成不同的多个小模型，每个模型都要单独对其进行训练和优化。
在马斯克看来，这样复杂的架构，不够简洁，不够第一性原理。他推出的端到端模型由神经网络链接而成，也就是将复杂的感知与决策融合到同一个模型中，并且只需通过训练这一个大模型，就能达到优化和提升各个功能模块的能力，从而减少传统架构下对逐一模块训练所带来的研发成本。
这就是特斯拉FSD V12，FSD V12取消之前30万行程序员手写的代码。
如果你不懂“神经网络”“端到端”这些术语，没关系，你只要知道，这些都是Open AI的ChatGPT等大模型的底层逻辑就行了。
用户输入问题，ChatGPT直接给出答案，它不会把思考过程展开给你看，但无论如何，ChatGPT的回答表现得很像人。端到端自动驾驶，也是一样，它将驾驶数据被输入进统一的神经网络后，将直接输出对车辆的控制信号。
由于没有“中间人”卡信息，端到端的自动驾驶相比与搭载激光雷达的多模块算法有更高的理论上限，更容易获得全局最优解。
那么端到端能实现自动驾驶的终极目标——无人驾驶吗？在笔者看来，不能。
如今大部分人没有人意识到，自动驾驶的边界就是人工智能的边界，而人工智能的边界是数学的边界，没错，数学是有边界的。
1930年代，计算机学家图灵提出了三个问题，给数学问题划了一道明确的边界。
第一个问题，世界上是否所有数学问题都有明确的答案？
如果这个问题不解决，就辛辛苦苦去解题，最后可能发现无解，一切努力都是在浪费时间。
第二个问题，如果有明确的答案，是否可以通过有限步骤的计算得到答案？
第三个问题，对于那些有可能在有限步骤计算出来的数学问题，能否有一种假想的机械，让它不断运动，最后当机器停下来的时候，那个数学问题就解决了？
接着，再设置两个限制条件，要设计一种有效的，通用的办法，保证按照这个办法做事，最终能够找到答案。
随后，在1931年，数学家哥德尔回应了图灵的问题，他认为许多数学家试图构建一个既完备又一致的数学体系，这样的的努力方向，是错误的，数学体系不可能既完备又一致。也就是说，保证了完备性，结论就会矛盾；保证了一致性，就会有很多结论无法用逻辑推理的方法证明。
另外早在1900年，数学家希尔伯特就提出过一个疑问：对于某一类数学问题，有没有一个方法，通过有限步，就能判断它有没有解？根据希尔伯给出的结论，很多数学问题，就算有算法，但有没有解是不知道的。
没错，数学家们已经回答了，数学不是万能的，是有明确边界的，从这样一个第一性原理出发，我们基本可以得出结论：无人驾驶根本就不可能实现。
比方说，世界上很多问题不是数学问题。
假如，你正在以很快的速度开车，突然发现前方有小学生在打闹。如果要避让，车就会撞墙，你将面临危险。
请问在这种情况下，你是选择撞墙还是选择撞向小学生呢？如果汽车厂商告诉你，我们这个车就是讲道德的，我们的自动驾驶系统在这种情况下一定会首先确保行人的安全，请问这样的车你会买吗？你会让汽车做决定，牺牲你自己吗？
可见，这是一个伦理道德问题，没有标准答案，人工智能再强大，也无法计算这样的问题。
最要命的问题是，车辆行驶的情况非常复杂，无论什么样的模型，无论多么强大的算力，都算不出来。换句话说，自动驾驶这道数学题有没有解，能不能用有限步骤算出来，我们是不知道的。
比如，美国50个州都有各自的交通法规，各地的气候条件和路况都不一样，这还不算美国和中国更不一样。这意味着什么呢？这意味着在一个地区训练出来的自动驾驶方案，换一个地方就完全没用了。
另外，对自动驾驶大模型来说，用2%的数据就能训练一个能解决路面80%的情况的自动驾驶系统，但是剩下那20%的情况，你就是用再多的数据也未必能解决。
在FSD的开发过程中，特斯拉积累了超过90亿英里使用里程，这是全球最大的自动驾驶数据来源；为了利用这些数据，特斯拉不断扩充其超算集群，到处挖顶级AI工程师，自研算法、芯片和大算力GPU。但即便如此，至少目前还是没能喂饱大模型。
没错，这道数学题很有可能是无解的。
进一步说，即便算力增加也无法解决自动驾驶大模型的普适性问题，计算能力增加，原来可以计算的问题会算得更快，甚至瞬间解决，但是不可算的还是不可算。
我们打个比方，你如果有一台制冷机，可以将温度降低。如果你有一个超大功率的制冷机，温度降低得会快得多。但是，用再多、再大的制冷机也不可能将温度降到绝对零度以下，因为那是物理学的一条边界。
没错，数学的边界不可能被突破，所以，和4680大圆柱电池一样，我们对特斯拉FSD别抱太大期望了。
尾声
特斯拉的成功 与失败 ，都 归咎于 第一性原理： 抛弃行业成规、质疑原有要求，从最本质的物理学出发重新想一件事该怎么做。
然而，世界上的理论都是有边界的，物理学也不是万能的，挡在特斯拉面前的还有制造业。
动力电池就是典型的制造业，环环相扣，牵一发而动全身，从物理学角度讲，取消湿法工艺，用干法工艺是可行的，但从制造业的角度讲，就必须把整个工艺流程全部都推倒重来。
如果说，4680大圆柱电池的生产流程能够重新发明，那么自动驾驶问题则是一个无解的问题，因为数学的边界不可能被突破，算不出来就是算不出来。
没错，成也萧何败萧何，第一性原理开始失效了，马斯克要怎么办，我们拭目以待。