嬰幼兒保健描述：：人工智能ETF515980： 早安 今天臘八，過了臘八就是年嘍，今天你喝臘八粥了嗎？ 「凈值播報」 「消息面」 1.國家發展改革委：進一步推動5G通信、北斗導航等在現代物流領域應用 國家發展改革委經濟貿易司副司長張江波表示，近年來，我國智慧物流加速發展，為建設現代物流體系提供了有力支撐。“十四五”期間將積極促進智慧物流發展，包括進一步推動5G通信、北斗導航、移動互聯網、大數據、人工智能等新一代信息技術和設施設備在現代物流領域應用。 2.國盛證券：隨著消費跡象回暖以及新產品的布局落地 有望帶來消費電子行業拐點 國盛證券研報表示，2022年市場需求受到疫情以及宏觀環境影響，相對疲軟，其中蘋果鏈龍頭公司表現相對優異。但是以5G、云、人工智能、AR/VR、可穿戴等為核心的創新周期仍將繼續，消費電子龍頭公司平臺化優勢持續凸顯。我們認為市場后續將更加關注有汽車電子、AR/VR可穿戴等第二成長曲線的消費電子標的。目前消費電子板塊處于歷史估值底部，2023年隨著消費跡象回暖以及新產品的布局落地，有望帶來行業拐點。 3.中金2023年展望：消費電子否極泰來 靜待復蘇 中金公司研報表示，展望2023年，我們認為復蘇將成為消費電子行業的主題：1）手機市場安卓產業鏈隨庫存出清走出底部，新興市場增長潛力待挖掘，折疊屏等微創新有望提振需求；2）AIoT領域需求有望回暖，并在ARVR、服務機器人、儲能、智能汽車等細分方向百花齊放，驅動消費電子行業景氣度抬升。 華富人工智能ETF聯接A008020，蛋卷基金一折優惠申購鏈接：網頁鏈接 華富人工智能ETF聯接C008021，蛋卷基金免申購費用 鏈接：網頁鏈接 寒武紀-U(SH688256)深證成指(SZ399001)上證指數(SH000001) #布局歲末行情，你看好哪些方向？##既抗跌又能打的基金有哪些？##A股收官之戰，大盤會怎么走# @今日話題 @明大教主 @魚香基絲 @持有封基 @梧桐居士2010 @曹大勇 @慕陽明 @無聲 @釣魚蜜-澤北榮志 @張玄機 @米小滿 @小手冰涼mai @別猶豫別后悔 @青春的泥沼@ETF星推官@我是鱷魚@因特瑞斯汀_小明@昵稱可以吃@泡沫藝術家@只需要五次 風險提示：基金有風險，投資需謹慎。本資料僅為服務信息，不構成對于投資者的實質性建議或承諾，也不作為任何法律文件。本資料中全部內容均為截止發布日的信息，如有變更，請以最新信息為準。產品過往業績不代表未來表現。投資者購買基金時，請仔細閱讀基金的《基金合同》和《招募說明書》，根據自身風險承受能力，自行做出投資選擇。本資料涉及個股信息的，僅為介紹指數成分股之用，不構成個股投資建議。 深淵蠕叁： 寒武紀-U(SH688256)制裁后，產品失去競爭力、營收失去了大的增長潛力的話，完全不可能撐住目前的市值。按5億營收計算，20～30X P/S（20～30X市銷率對于芯片企業來說已經很高了，一般的就5～10X），約為100～150億。 安娜普爾納： 寒武紀-U(SH688256)哪位大哥的壓單，我吃了 小牛試刀3： 寒武紀-U(SH688256)這個操作蠻神奇的！這邊定增，這邊用募集的資金買理財。 丑惡人性-貪婪恐懼： 寒武紀-U(SH688256)有不少人今天忍不住沖動買了寒武紀。 苦盡甘來777： 寒武紀-U(SH688256)滿倉寒武紀三年，累計虧損70%。明年此時再看。 腦極體： AI發展七十余年，每一技術性突破都將給人類未來開辟新一種可能性。而它與科學研究的深度融合，則會裂變出無數或無窮種可能性。 萬眾矚目下，今年10月，有著諾貝爾獎“嫡傳”之稱的諾貝爾化學獎終于揭曉，授予了對“鏈接化學和生物正交化學的發展作出了貢獻”的三位化學家，他們分別是美國化學家Carolyn R. Bertozzi、丹麥化學家Morten Meldal、美國化學家K. Barry Sharpless。 實際上，靴子落地前，關于這一獎項到底花落誰家引起了無數熱議。其中國際化學領域權威期刊《Chemical Reviews》就曾對該獎獲得者進行了讀者投票預測，帶領DeepMind團隊開發出能夠精準預測蛋白質結構的AlphaFold 2的John Jumper獲得了最高票數。 盡管由于“時間問題”，最終John Jumper并未折桂，但在此之前，John Jumper團隊已成功拿到了另一個堪稱“豪華版諾貝爾獎”“科學界的奧斯卡”的獎項——2023年生命科學突破獎（Breakthrough Prize in Life Sciences），這是迄今科研領域里獎金最高的生物學及醫學獎項。 為何John Jumper及其領導開發的AlphaFold會收獲如此多的青睞？主要原因在于，AlphaFold的誕生解決了困擾生物學界半個多世紀的經典難題，即1972年諾貝爾化學獎得主Christian Anfinsen提出的蛋白折疊問題（Protein Folding Problem）——“蛋白質的氨基酸序列應該能完全決定其結構”。 John Jumper團隊開創性地利用人工智能技術，終于破解了這一著名猜想，不僅讓蛋白質結構預測的研究走入一個新階段，也將人們對“AI for Science（科學智能）”的關注推向高潮。 簡單來說，AI for Science就是讓人工智能利用自身強大的數據歸納和分析能力去學習科學規律和原理，得出模型來解決實際的科研問題，特別是輔助科學家在不同的假設條件下進行大量重復的驗證和試錯，從而大大加速科研探索的進程，如今這一方法已在多個前沿科學領域中取得了顯著的成果。 與大家此前耳熟能詳且觸手可及的人工智能應用相比，AI for Science所涉及的生物制藥、能源、材料研發等科研領域盡管離大眾生活看似遙遠，但其背后的共同之處在于，利用人工智能來“解放”生產力——讓人們能夠從許多重復性、機械化的基礎工作中釋放出來，在人工智能的輔助下進行更高效的生產工作。這正是人工智能的價值和魅力所在。 AI for Science：用人工智能催化一場新的“科學革命” 讓我們回到AlphaFold，從解析蛋白質的技術演進，來觀察AI的加入到底能給科研帶來怎樣的顛覆。 作為生命的物質基礎，蛋白質與生命及各種生命活動有著極其緊密的聯系，包括人體所有疾病的發生幾乎都與蛋白質功能異常有關。換句話說，如果能人為地激發或抑制蛋白靶標，“控制”蛋白質的結構和功能，就能夠大大加速對疑難雜癥的靶向藥物和高效療法的研發。 在過去，生物學家們曾廣泛使用X射線衍射、冷凍電子顯微鏡等實驗技術來破譯蛋白質的三維結構，這類方法耗時長且成本高。因此從1994年開始，多支科研團隊在兩年一屆的國際蛋白質結構預測競賽（CASP，Critical Assessment of protein Structure Prediction）上施展拳腳，并由此催生了I-TESSER、RaptorX、RoseTTAFold等蛋白質結構預測模型。 但是問題也隨之而來，這些大部分用計算機基于理論預測的蛋白質結構模型，其實與實際觀測到的實驗數據相去甚遠，正確率不足40%。其后續發展需要持續提高預測模型的精度，以無限縮小預測結構和實驗誤差。 不僅如此，從蛋白質結構預測推進到藥物研發環節，不同藥物設計方法的原理和應用場景也有著極大差異。例如在制藥流程中，從前端的靶點發現、先導化合物的篩選優化，再到后期ADMET預測、甚至臨床效果預測等多個環節，都面臨著獨特的技術挑戰。在這個過程中，研究人員必須要進行高通量的重復性實驗，甚至要花費多年的時間，驗證次數也高達數百萬次。 而今，回看這個半世紀以來令無數學者著迷卻又難以跨越的難題，不過是科研領域延綿壁壘中的冰山一角。而成熟的AI技術與科研領域及多學科交叉融合誕生的“AI for Science”，無疑給這個難題以及人類在科學無人區的更多探索帶來了全新的可能性。 從2020年開始，AI for Science進入了集中爆發的發展階段，其中就包括了AlphaFold項目，其最新成果——由DeepMind在2021年發布的AlphaFold 2，已能成功預測98.5%的人類蛋白質三維結構，且預測結果與大部分蛋白質的真實結構只相差一個原子的寬度，可達到以往通過冷凍電子顯微鏡等復雜實驗觀察預測的水平。 類似于生命科學領域，分子動力學領域也出現了影響力同樣顯著的DeePMD-kit項目，其通過利用機器學習、高性能計算技術與物理建模相結合，能夠將分子動力學的極限提升至10億原子規模，同時保持高精度，大大解決了傳統分子動力學中“快而不準”、“準而不快”的難題。 還有在氣象預測領域，基于新型算子學習的神經網絡模型FourCastNet，能夠將天氣預報提速45000倍；在工業領域的流體、結構等PDE方程求解方面，也已證實基于數據+物理機理融合的AI方法，是解決復雜高維物理問題的突破口…… 一言以蔽之，無論是今年爆火的AI繪畫、AI對話模型ChatGPT等AI應用，亦或是大量AI for Science領域的項目案例，都足以證明AI正在為各個行業、領域帶來了一場范式革新。但AI for Science更重要的意義在于，其對前沿科研所施加的加速作用，將對人類社會和經濟發展有著更為基礎，也更為深遠的影響。 而且，AI for Science的應用也不僅僅局限于依據已知科學原理來高效驗證或試錯，它也讓更多科研人員能夠基于AI在更復雜的場景中做探索，結合數據反推復雜場景下更為準確的物理規律。 毫不夸張地說，人工智能將成為科學家繼計算機之后的全新生產工具，同時也正在催化一場新的“科學革命”。 跨越落地壁壘，從深度學習框架出發 但從暢想回歸現實，人工智能行業想要獲得長足發展，真正成為人類新的生產工具，必然要跨過落地這道關卡。而AI for Science所具備的全面、深層次革新價值，亦讓它面臨遠高于人們常見AI應用的落地壁壘。 主要原因在于，AI for Science的落地應用需要大量的工業場景數據支持，以及合理的科學機理等效，而且高維、海量的數據也對算力和內存提出了更高的要求。總的來看，目前AI for Science落地應用的最大壁壘主要體現在數據、平臺技術、軟硬協同、領域求解能力和優秀研發生態上。 從數據角度，工業場景的數據維度高、格式繁雜且存在孤島現象，同時由于隱私和法律上的一些限制，部分數據很難實現公開共享。因此如何高效治理這些多特征、多來源的數據，解決小樣本、零樣本數據建模，是當前AI在科研領域落地的基礎。 從軟硬件協同角度，AI for Science的發展既離不開深度學習框架的支持，也無法脫離底層高性能硬件的支撐。一方面，AI for Science需要更加科學地求解真實物理問題，如高階PDE方程組的求解，以及數據+物理機理驅動的模型開發。另一方面，傳統的科學計算中心已廣泛支持各類科研任務，在其持續增加智能計算硬件能力的同時，也需要科學計算/智算硬件與AI開發框架深度整合，支持各類新型AI for Science計算場景并達到性能領先。 從研發生態角度，AI for Science作為一個充分體現交叉學科的新興科研范式，涉及生物學、分子動力學、計算流體力學、固體力學等學科，需要大量的跨領域科研人才，且不斷擴展的開源生態庫要與傳統數據集模擬軟件、數據集打通，才能滿足研發人員對開發工具鏈的需求，逐步形成穩定且優質的科研生態。 為了跨越這些壁壘，拉低AI for Science的應用門檻，產、學、研各界的科學家、企業們都開始踏上了AI for Science的范式革新+普惠之路。 在深度學習框架領域，國外如TensorFlow、PyTorch、MXNet等AI框架，自誕生以來就一直在幫助眾多科學家和工程師進行學術研究及工程實現，大大促進了AI領域的發展。作為國內AI領域的先行者，百度也憑借百度飛槳（PaddlePaddle）從2016年打響國產AI框架開源第一槍，并一路朝著全面AI技術布局演進。如今，飛槳平臺已能夠對各類硬件實現廣泛適配，并能直接部署到大規模的科學計算集群，與已有的科學計算生態緊密融合，強力支撐AI for Science方案的部署與應用。 同樣在2016年，向輝也開始在百度接觸AI行業，隨后親身經歷了AI在計算機視覺、自然語言處理、推薦等領域的技術應用與快速更迭，如今她已成為百度飛槳AI for Science產品負責人。 向輝在接受36氪專訪時談到，面對AI for Science的落地挑戰，百度飛槳認為核心要解決的是構建一個通用化的深度學習平臺，能夠銜接下游的各種異構算力，提供支持科學計算問題求解的API，以及編譯加速機制等，以更好支撐典型的科學計算場景建設和分析，如支持氣象預測、流體仿真、材料發現等領域問題。“同時也要建設可持續的、融合科研、科學計算、平臺以及終端用戶的開放生態。”她說。 為讓不同領域的科學工作者都可以靈活地使用當下熱門的科研模型，早在2019年，百度飛槳就已開始嘗試在AI for Science領域進行技術形態、產品路線等規劃，并在2020年初至2021年底相繼發布了生物計算平臺“螺旋槳PaddleHelix”、量子計算平臺“量槳PaddleQuantum”，以及面向流體、固體、電磁等領域的科學計算平臺“賽槳PaddleScience”。 此外，百度飛槳還提供了PINN、FNO、DeepONet等主流模型，以及用戶可直接復用的標準案例，如CFD中障礙物繞流、渦激振動、達西流等。 百度飛槳還支持基于組件進行定制化的問題復現與分析，支持數據驅動以及與物理機理相結合的多種方法，分別在物理仿真、化合物分子表征、量子糾纏處理等場景有了突破性的進展。 其中，為了更好地服務廣大科學計算用戶對各類PDE方程的求解需求，百度飛槳也在積極實現與優秀科學計算Repo-DeepXDE的全量模型支撐，目前已初步完成所有模型的精度對齊工作，并在百度飛槳最新的高階自動微分機制、自動化的分布式策略以及編譯加速機制等加持下，部分用例的求解效率已領先同類產品。 為進一步推動AI for Science的落地進程，百度飛槳還與多家高校、科研機構等開展了流體、材料、生物等方面的范例建設，并形成了一些開放性的、多學科交叉的生態社區。今年5月還推出了“飛槳AI for Science共創計劃”，希望通過與各方一道進行技術聯合開發、推廣資源共享，共建生態商機。 回想這些社區的發展經歷，向輝對不少學生團隊的項目記憶猶新。她回憶，其中北航有一個學生團隊開展了一個真空羽流模擬實驗，實驗本身需要在真空條件下，無法在地面上復現，但通過飛槳AI for Science的產品，團隊繁衍出了玻爾茲曼方程的一些系數，最終達到了令人驚艷的效果。“這些案例都已證明，在某些場景中，百度飛槳的AI for Science能夠一定程度地解決開發者們的科研問題。”向輝說。 一路發展至今，百度飛槳AI for Science工具集已能支持AI方法與基礎學科方法交叉融合，最大的特點在于能突破基礎學科中“基于數值計算求解控制方程”面臨的維數高、時間長、跨尺度、算力不足等挑戰，將數值差分等效為“基于數據、物理機理驅動的神經網絡模型實現”。 開辟AI for Science賽道，對百度飛槳來說無疑是AI能力的又一次挑戰和躍升。在大幅加速科學問題求解的同時，它也將為行業在探索更多未知科學問題的路上深踩油門。 平臺之下，底層算力賦能軟硬協同發展 正如前文所說，AI for Science的科學問題加速求解和產業落地，不僅需要框架或軟件平臺層面的支持，亦需要基礎設施提供強大算力和軟件優化能力。 面向科學計算領域，有大量芯片廠商在圍繞如何提高AI算力，加速AI應用落地做相應布局。而英特爾正是這一賽道中頗具代表性的領軍企業之一，其一直以來都在致力于“讓AI無處不在”。 在英特爾人工智能架構師楊威與36氪的訪談中，他從一家芯片企業的角度出發，針對AI for Science這一領域給我們帶來了不一樣的視角和觀點。 楊威認為，AI for Science普及的主要難點卡在如何降低AI硬件的成本，以及要有易于上手的AI軟件優化工具。 他強調：英特爾從第二代至強可擴展處理器開始，實現了CPU內置的AI加速。通過AVX-512和DL Boost等AI加速技術，讓“用CPU跑AI”成為了可能。此舉的意義，在于能夠充分激活和利用部署更廣泛且成本優勢更明顯的CPU的算力，在輸出絕大多數應用所需的通用算力的同時，還能通過對AI推理的加速推進AI應用的落地。同時英特爾還向公眾開源，即免費提供各種AI軟件優化工具，包括oneAPI、OpenVINO等，這些軟件的技術門檻與使用難度較低，且能幫助用戶釋放至強CPU的AI加速能力。 此外，考慮到AI for Science領域的模型或相似變體對內存的消耗非常敏感，且對大內存應用來說CPU平臺的計算資源通常會更具優勢，英特爾還有的放矢地的進一步強化了這方面的能力——其與至強CPU搭檔的英特爾傲騰持久內存，能提供遠超主流DRAM的容量，更容易達成TB級內存配置并擁有接近DRAM的性能。也就是說，它能夠在盡可能降低科學計算模型在整個鏈路上時延的同時，突破限制AI for Science應用的內存容量瓶頸。 雖然在現階段，英特爾針對AI for Science等AI應用的核心硬件布局是以CPU為主，加速的應用類型也是以推理為主，但這只是其在XPU時代擴展AI產品組合的第一步。在英特爾的“XPU愿景”里，隨著未來數據類型和應用類型的高速增長和裂變，其底層硬件架構也將從CPU拓展到CPU與GPU、FPGA和AISC加速器俱全的XPU架構。 基于這一策略，英特爾2023年不但會推出代號為Sapphire Rapids的第四代至強可擴展處理器，還會發布可與這款CPU搭配，專攻科學計算及AI加速的、代號為Ponte Vecchio的數據中心GPU產品，并由此形成在AI推理上以高性價比、易獲取和使用的CPU為主，在AI訓練上則以GPU為主的更完善布局。而且這種XPU組合還可借助oneAPI工具包實現對異構硬件的統一編程和管理，具有靈活調配、無縫協作和高效易用等特點。 依托上述產品組合已經或即將帶來的強大算力支持，英特爾從硬件到軟件多維度地為AI for Science提供了優化，力求讓更多科研人員可以親自參與到開發和定制當中，并實現科學智能的真正普及。在其持續的努力下，如今已有許多合作伙伴實現了產品落地。 例如在AI小分子藥物設計領域，英特爾與劑泰生物合作，在小分子藥物優化方面實現了高通量的分子生成，有望在更大的化學空間中探索更多潛在的候選分子。在大分子藥物設計領域，英特爾則與百度飛槳、晶泰科技、上海交大等各大機構和高校進行了深入合作，基于AlphaFold 2實現了高通量和長序列蛋白結構預測推理的優化，并在AlphaFold 2中引入了TB級內存技術，總體達到了降本增效。 其中，英特爾與百度飛槳也早在2017年就開始了以軟硬件協同優勢為主的合作。隨著雙方在AI領域的持續布局，合作的廣度和深度也在不斷提升。例如，英特爾和百度飛槳致力于實現英特爾全棧軟硬件和飛槳的相互支持，通過oneAPI實現深度適配與性能優化，并通過飛槳+OpenVINO等方式共建部署生態。 有意思的是，如今百度飛槳與英特爾在AI for Science領域達成合作，不僅與這些前序的合作有關，也與開發者生態有著千絲萬縷的關系。 長期以來，百度飛槳都在積極發展開發者生態，如建設飛槳特殊興趣小組（PPSIG），希望通過開放的社區形式與全球開發者共同構建一個開放、多元和架構包容的生態體系。而英特爾的一位專家正巧是PPSIG-科學計算Science小組最早期的成員，曾積極參與了PaddlePaddle科學計算開源社區建設，并且對分子動力學模擬在生物蛋白分子和能源材料的應用產生了濃厚興趣。 在這個契機下，雙方在AI for Science的合作也水到渠成。從2022年3月起，百度飛槳與英特爾結合各自實際，經過多次討論交流，最終確定了任務方向與合作內容，共同開展AI for Science在分子動力學和生命科學領域的實質性工作，并取得了一系列成果，包括：百度飛槳實現了國內首個完成與傳統分子動力學軟件LAMMPS以及AI勢函數訓練軟件DeepMD-kit融合工作的AI深度學習框架，并基于英特爾oneAPI實現了從訓練到推理全流程打通的“0到1”式突破性進展；百度Helix Fold模型基于至強平臺的AVX-512、oneDNN和大內存能力進行優化，不但實現了性能的顯著提升，還可輕松預測推理長度超過4000，即超長序列的蛋白質結構。 結語：AI for Science的普惠之路，臨界點已近 一個是在深度學習領域深耕多年，已成長為國內開源AI框架一哥的百度飛槳，一個是科學計算領域Top級玩家英特爾，雙方正依托各自優勢產品和對AI領域的持續布局，以靈活多樣的“組合拳”不斷拉低AI for Science的應用門檻，共同朝著“讓AI無處不在，更加普惠千行百業”以及“讓合作貫穿產、學、研，助AI for Science打通理論、實驗和產業應用道路”的目標持續推進。 站在這個關鍵的時間節點，我們再次回溯AI發展的七十余年，或能更清晰地看到，它在每一個發展階段的爆發，都在歷史長河中砸出了創新的波紋，這些波紋終于在今天疊加成推動產業變革的巨浪。正如今天的AI for Science，就正在一浪又一浪地驅動著科研沖擊范式革新的臨界點，身處其中的每一個參與者，都在抑制不住地暢想這種沖擊成功后將為人類未來開辟的可能性。 畢竟，這將是如核裂變鏈接反應或寒武紀生命大爆發一樣的無窮種可能性。 莫南： 今年虧損了61%，非常慘，主要是拜中國華融(02799) 所賜。其實過程比這個數字曲折很多，因為今年過早抄底房地產，導致其實中間還出現過腰斬，是通過大量補倉才勉強保持了這個膝蓋斬的收益率。其實很有意思，因為單從財務指標上看，我介入華融也好，地產也好，都是在pb歷史低位，最典型的是1元介入龍光集團(03380) ,最低跌到3毛，按理說不應遭到如此慘烈的損失。我不認為我的買入是欠考慮或什么，事實也證明，地產后來也漲過了我建倉的位置(龍光已經換了別的地產股，但整體漲幅類似)。問題可能確實出在市場的極端性。顯然缺乏對這種極端性的應對，是我交易模式中的重大缺陷。能否在保證收益率不受影響的情況下，還能規避這種極端風險？我其實不確定，因為增加安全性往往意味著失去了一夜暴富的機會。 不論如何，拉長來看，我的資產還是遠大于兩年前，而且對市場的理解更加深入，回撤大可能起飛也快呢？ 價值投資的核心思想是長期看，價格會圍繞價值波動，投資的就是價值的增值和價格的回歸。這幾年市場呈現出前所未有的極端性，會出現負值的原油，會出現1000億的寒武紀，會出現15億市值的龍光(龍光去年分紅了60億)，其實極端的行情往往也意味著極端的機會。我想我還是會長期堅守價值投資之路，不用杠杠，耐心守望。2023，我們拭目以待。 北小九： 我們為什么要研究特斯拉？ 我們為什么要研究特斯拉？首先，新能源車這個行業，特斯拉是頭羊，也是行業的定義者，就像智能手機里的蘋果，而且它還特別賺錢，在行業里面是最頂尖的。 這是今年一季度的時候我做的PPT，主要就是特斯拉的各個財務指標，可以看到一直都是在向上走的，尤其是毛利率，在行業里已經是最頂尖的水平了。 第二，普通投資者是有條件研究特斯拉的。因為這家公司信息溝通做得特別好，這個很少見。其實在Model 3之前，市場上看特斯拉的人不是特別多。當時特斯拉的設計總監Franz，基本上每問必答。有的時候向馬斯克提問，偶然也會回答。給他們發私信，尤其是在提一些具體問題時。 我記得BEV算法剛出來的時候，我們都比較懵，不知道這是個什么東西，所以當時就問AK（注：指Andrej Karpathy），AK也很熱心，當時不但回答了，而且還給我發了個鏈接。其實，不管是AK、Franz，他們的本職工作都是工程師，并不是面向投資者的，但是心態特別開放。 和他們比，我們國內的車企高管在蔚小理之前，基本上沒有人搭理普通投資者。蔚小理之后這個情況好了挺多，增加了很多溝通的渠道。但是在溝通的時候PR的痕跡也很重，都沒有特斯拉這么快速和自然，雖然特斯拉是一家海外公司。 特斯拉的股權結構里面，個人投資者占比占了44%。比另外幾家大型的科技巨頭，比如微軟、亞馬遜，都高了很多，他們只有20%多。也可能是這個原因，特斯拉對于小投資者來說，生態是顯著地更友好。當然，現在特斯拉的影響力已經非常巨大了，現在再想獲得馬斯克的回復，那就非常非常難了。但是公司其他一些人，特別是以前建立過聯系的，還是比國內的車企，或者說科技公司，溝通要好很多。 特斯拉的創新與汽車產業革命 今天我準備了幾個話題，來談談我的感受。 第一點，特斯拉是一家創新驅動型的公司。 一方面，是科技創新，包括它的算法、FSD芯片、Dojo D1芯片。 從這個方向上來看，它干了其實很多公司的活，包括AMD的活和英偉達的活，其實它也干了。在英偉達通用芯片的這個路子以外，把專用芯片的路子也拓得很寬。那我們去看看FSD芯片，它上面的GPU的物理面積其實是非常小的，最大的兩塊是兩個2GHz的NPU。像我們國內的地平線、黑芝麻，其實都是沿著特斯拉開發芯片的這條路往前走，現在也有了很大的進步。只是叫法上有一些區別，地平線的叫法是BPU架構，其實它也是NPU，而且就是做成ASIC方向的SOC明顯成本更低，效率更高。這個方向其實我們國內的很多公司，都是按著特斯拉這條路走出來的。 另一方面，特斯拉是做工程創新，尤其是規模制造。 智能駕駛就先不聊了，還是聊聊工程制造上的創新，因為這個可能關注的人比智能駕駛要稍微少一點。 汽車這個產業基本上是每幾十年一次革命。從100年前福特搞流水線，把汽車的成本降到普通人買得起，再到豐田搞精益化生產，到德國車搞平臺化，再到現在特斯拉做高度集成，這是一個比較正向的歷史演進。沒有特斯拉也會有別的主機廠把這個行業的命革掉。再過個10年、20年、30年，又有了新的公司，把特斯拉給辦了，這個也很正常。 我年輕的時候，就特別想買輛大眾車。那個時候TSI、DSG這些概念特別火。因為當時，大眾就代表了德國制造，也代表了高級和可靠。這幾年，我跟大眾的管理層也交流過。像他們這種傳統的大型公司，特別注重平臺效益，要考核一個平臺到底要生產多少臺車出來、有多大規模。 比如說他一個PQ35，上面造了途觀、高爾夫、斯柯達還有奧迪的A3、TT，這個平臺衍生車型太多了，所以它零部件通用非常多。它最終還是要通過車的數量、規模去攤這個平臺的成本。所以這個行業，就越來越寡頭化。汽車本身是一個規模生意，規模越大，當然成本越低，但如果按照這個套路來做的話，新車企就很難走出來。 電子電氣架構集成 我們再看特斯拉，它在工程上最大的轉折點是Model 3的量產。Model 3交付，業界的反應其實比用戶的反應更大。當時可以說是石破天驚，最主要的看點就是這輛車電子電氣架構的集成水平非常非常高。在當時，我幾個比較熟的在主機廠工作的朋友，他們公司都買了Model 3回去拆解。雖然說Model 3這個車量產的時候不太順利，出了些問題。但是這個車本身在工程上對行業的影響是革命性的。 那電子電氣架構是什么東西呢？通俗的說，就是這個車所有能通電的通信設備的一個總稱，包括電力、通信、數據傳輸。傳統汽車的電子電氣架構是分布式的。這個是什么意思呢？我還是舉一個比較通俗的例子。 你打開一輛車，車的座椅是電動的、電調的，座椅上有控制器，有電機執行器，那有ECU，這個座椅本身，就是一套單獨的電腦系統。如果這車的座椅還加入按摩，這個系統就會比較復雜。還有收音機，也自帶芯片，也是一個獨立的系統，還有雨刮器、喇叭、空調、升降玻璃……這些你看到、用到的，每一個單元都是獨立的，相應的，每一個體系就是一個供應商。 傳統的這套電子電氣架構帶來了什么呢？從好的方面說，是特別成熟。主機廠扮演了一個集成商的角色。就大廠還好，至少自己還開發發動機。寶馬自己做直流，保時捷做水平對置，大眾做TSI直噴。那其他的東西呢？就外包。最后主機廠自己做個集成。小廠就是連發動機都沒有，變速箱也是采購的。 我們國家在2000年以后，國內有一款比較神奇的發動機，老車迷可能都知道，就是三菱的那個4G系列，4G63/64/93等，我們國內的長城、奇瑞、比亞迪，還有眾泰，好多國產品牌都是用這款發動機。變速箱買日本愛信的，買采埃孚的。所以說，那個時候我們的主機廠就自己出個品牌，出個生產線，把車一攢就下線了，除了白車身，這里面沒有一樣東西是自己的。 但也有不好的方面。在這一輛車里面，大大小小幾十個功能，那幾十個功能下面又套了上百個小功能，這上百個小功能，每一個功能或者每幾個功能，對應一個供應商。供應商和主機廠的開發節奏是完全匹配好的，大概都是三年一小改，六年一換代。在這個生命周期里，大家要步調一致，甚至說，核心供應商直接控制著整車的進度，牽一發動全身，主機廠想快也快不了。 那另外一點呢？就是供應商提供的硬件的功能是黑盒的，主機廠沒有權限，也打不開。主機廠想改呢？供應商給你改，或者說主機廠也沒有意愿，也沒有必要去改。 我舉一個例子，就是蔚來的老的866。開過的朋友可能都會比較清楚地感受到，蔚來的老866的底盤質感其實非常差。但是為什么這個底盤質量這么不好呢？因為它的供應商供應的底盤，就是幾個大的結構的ECU的調試，蔚來做不了主。蔚來可以提要求，由供應商來改，但是這個底盤系統，三四個供應商相互之間要協調，對主機廠來說，對接的人就很痛苦，協調的效率很低。而且當時蔚來的量不大，供應商給的支持也很有限。但是最終，蔚來還是要給客戶交車，最后的成果是什么呢？就是不好，這個底盤的體驗非常差。 那么到了現在的新的775，這一代蔚來的ET7，ET5，車底盤就突然變好了，而且好了很多。為什么呢？其實最主要的原因就是蔚來自己開發的ICC，有車身的域控制器。自己開發出來這套東西，供應商的黑盒子就不要了，就把底層代碼拿來，這些功能全部集成到我的ICC上，自己調。自己干效率就不一樣了，實際上，蔚來通過自己開發ICC把供應商的主動權就收回來了。 那我們回到特斯拉。前面說Model 3是一個石破天驚的產品，因為電子電氣架構過于先進了。并且，已經越過功能域，直接到了位置域。 功能域的意思，就是整車按照動力、底盤、還有車身，這幾個功能去做集成。位置域，就更先進一步，特斯拉是做到了左右車身域，再加一個中央控制域，這是術語，就叫跨域融合。 跨域融合是什么意思呢？中央域，負責自動駕駛、座艙，還有通信；左控制域，負責轉向、助力、剎車；右控制域，主要是做熱管理，還有安全動力。整車的這些功能，最終被集成到這三個大的域控上，每個域控上的功能是相互打通的。其實這個就比功能域又往前走了一步。 可能不太熟的朋友會有理解上的難度，我舉一個例子，就是語音控制。零幾年的時候，我買過一輛老的奔馳，當時這個車已經有語音助手了，當時我是覺得這車是非常高級的，就能用語音控制車里的東西。最大的功能就是通過藍牙接電話，還有導航，別的沒有了。但是現在再看，我們國產的這些十幾萬的車，語音助手能調的資源就太多了，座椅的調節、空調、香氛、甚至車輛姿態、方向盤、娛樂系統。這說明什么呢？說明這些功能和語音助手底層是打通的，全部能夠連接在一起。老的車則不同，就像鐵路警察各管一段，每個功能之間沒有連接。 這就是特斯拉先進的電子電氣架構帶來的最直接的一個影響。那么再往后轉化，這個優勢體現在哪兒？ 第一是成本。做了這套域控以后，特斯拉Model 3的零部件能直接從三萬個下降到一萬個。還有馬斯克一直說的整車線束，包括高壓線束和低壓線束縮短了至少十倍，現在還在往下縮，如果到了Model 2，可能要縮到30倍，那就省了很多材料上的錢。 另外還有，材料上它的線束特別短，工程優化也做得特別好，所以只有特斯拉在高壓線束用了鋁線。這個業內應該是獨一家，其他都是銅線。因為線束長，就要控制發熱和效率，那銅線就比鋁會貴三四倍。所以特斯拉能夠把成本打到很低，是從一點一滴做起來的。但首先要有一個比較好的架構去支持。 那么第二個意義是什么呢？就是把主動權從供應商手里面奪走。過去給奔馳、寶馬供貨那套方法就失效了。特斯拉做了高度集成以后，供應商的角色要做轉換。以前的供應商，主要是賣功能，就是賣一套座艙功能，還是動力總成，還是賣一套底盤總成、燈光總成，但是現在呢？就開始轉向賣硬件，因為我們知道賣一個功能的時候是軟件加上硬件打包一塊兒賣，這個溢價就比較高。但特斯拉這么一改，供應商就老老實實做硬件，軟件特斯拉自己集成到自己的平臺，自己做調試，供應商只需提供底層代碼。實際上，就把大供應商的利潤給切走了。所以特斯拉一直是講軟件定義汽車，那么我們從底層上來說就是，主動權奪走，把利潤也奪走。這個對行業的改變是非常直接的。特斯拉的這套電子電氣架構非常先進，先進到什么程度？2016年Model S上的那套三域，我們國家的上汽是今年才實現的，比亞迪是去年實現的。Model 3和Y的那套電子電氣架構，我們國產車量產的只有小鵬G9做到了。理想據說L8、L9也做到了。但是這個其實距離Model 3量產已經過去好多年了。 在追特斯拉的這條路上，最激進的就是小鵬，大部分廠商還是有很大的差距。我再舉一個大眾的例子。大眾的MEB平臺已經是很先進的平臺了，我看官宣資料，已經是走到了EA 2.0，就是電子電氣架構第二代。但它實際上還是有很多分布式架構的殘留。 你看ID 3、ID 4那么困難，直接能把小電瓶的電耗光，其實是自身的底子確實是有問題。其實也不僅僅是大眾，傳統主機廠都有這個問題。我列一個小數據，就是12V的保險絲，大眾ID 4上了77個，福特電馬88個。Model Y是幾個？是零。12V的繼電器ID 4上了7個，福特電馬22個。Model Y還是0。還有ECU的數量，Model Y可能連大眾ID 4的一半都沒有。當然，這個不僅僅是設計的問題，其實它還是反映出來了體系的問題。 大公司本身就有大企業病。大眾這家公司在德國的狀況真的是政企不分家，是綁定在一塊的。一個州的選票、工會的福利，都在大眾身上。所以迪斯，作為CEO說了不算。最有意思是，迪斯在任的時候，批個新項目得工會批了才算，尤其是大眾的新廠選址的時候。你能想象嗎？新場選址的時候，迪斯居然不在場，他沒有資格進。最后拍板的是誰呢？是工會拍的板。所以說在這么一個體系里面，就是這么一個效率，沒有辦法去改變。 在特斯拉，企業文化中很重要的一點就是，一旦有一個想法，馬上要去把它工程化，不要停留在討論和實驗室里的階段。你看馬斯克簽的那個加拿大的電池大牛，本身他也是偏工程化的，因為特斯拉簽了很多大牛，不管是哪方面的，做電池的，有些做其他工程的，都是偏工程化的，他不喜歡偏理論的科學家。 先進的電子電氣架構對車企的改變其實是不言而喻的。不但能夠提高效率，提高利潤，還能掌握控制權。其實就是主機廠本身的集成度上來了。俗話說“我的PCB我做主”，意思就是，我這塊板子是我說了算。其實這就是整個產業鏈價值量遷移的一個表現。長期來看，做域控的這些廠商其實價值是在縮水的，他以后只能去賺增量的錢。這也是特斯拉把高度集成的EA做完以后，國內產業鏈上的一個共振。 當我們回過頭來看特斯拉，發現其實他對產業鏈的改變是空前的。第一，就是前面說的價值量遷移。就我前面舉的這些例子，過去的Tier1，穩定，而且強勢。格局是非常固定的，日本有電裝，德國有博世、采埃孚，北美還有麥格納。他們以前的日子實在太好過了，就吃定了幾個大客戶，躺著掙錢。但是現在完全不一樣了，因為特斯拉還有新勢力重塑了這個行業。現在這些Tier1的日子已經難多了，想再躺著掙錢不容易了，他們現在也開始主動上門去找客戶。以前是客戶跟他們要排產，現在不是了，這在以前真的不可想象。另一方面，這些Tier1，也在轉型，是不是也可以做域控、做智能駕駛，也做點硬件。因為不轉型，這個行業就逐漸把你拋棄了。 特斯拉對這個產業的第二個改變，就是誕生了很多增量的供應商。以前行業里沒有這個東西，或者說很少，也不重要，但是現在就變大了，比如做攝像頭模組的。以前做消費電子，現在消費電子不行了，那開始轉到汽車電子，做域控制器的，做激光雷達的，做壓鑄的。雖然說特斯拉本身它不用激光雷達，也不用別人給它設計域控。但是他制造了這個需求，因為這行業里面別的主機廠要用。在這個趨勢下，將來誕生一家、或者誕生幾家中國的Tier1巨頭，我個人覺得是早晚的事。 一體壓鑄 電子電氣架構是第一個例子，第二個例子，再聊聊一體壓鑄。對產業鏈熟悉的朋友，對一體壓鑄肯定是不陌生的。因為全球最大的壓鑄機生產廠商——力勁就是中國的。我今天就把特斯拉做一體壓鑄的來龍去脈大致聊一聊。 一體壓鑄本身不是什么新東西，以前奔馳、凱迪拉克都用，但過去是小件，比如說，變速箱的殼體、支架，大件誰也沒干過。 大件和小件的區別，不僅僅是大，當然第一個肯定是大——尺寸和重量都不一樣了，因為市場上就沒有這么大的壓鑄機，沒有雞，所以也沒有蛋。 最主要的差別是什么呢？大的壓鑄件是結構件，小的壓鑄件并不是。大件，比如說特斯拉的后車體板，它本身是承擔整車安全的，包括整車的核載，尤其是前車體，減震塔也包進去了，所以強度的標準不一樣。特斯拉在量產Model Y的時候，開始做后體板的一體式壓鑄，當時真的是全球去找壓鑄機廠商，找了很多公司，希望按特斯拉的要求重新開發一個機器。 除了布勒，還找了國內的海天，海天當時覺得風險太大，而且這個思路腦洞太大了，萬一沒干成，投入都白費。海天的想法確實也代表了別的廠商想法，確實是風險太大了。因為這個行業本身也很小，來來回回就那么幾家。最后接這個活的是力勁科技。我和特斯拉的工程師交流的時候，就這兩年，他們也覺得，現在增量可能得找布勒去做。但是這個研發的過程一波三折，一個全新東西出來，包括設備，包括模具、合金、材料，大家注意這幾個定語：什么叫一體壓鑄，這個定語是高真空薄壁車身結構壓鑄件。這個know-how是非常復雜的。最終，特斯拉把這事兒給干成了。力勁科技那年就是行業最牛股，我記得漲了差不多100多倍。因為從特斯拉之后，一體壓鑄就成了一個行業趨勢，被特斯拉認證過的。現在的主機廠基本上新車型都開始做一體壓鑄了，因為對主機廠來說確實非常有利，老車型已經在線的那就沒有辦法做到。現在特斯拉呢，就是Model Y，后車體早就有了，前車德州也下線了，Model 3應該是明年會切過來。 傳統汽車的制造，四大工藝，沖焊涂總——沖壓、焊接、涂裝和總裝。其中，板材沖壓焊接這套流程對鋼材料比較適宜，對鋁不行，因為鋁的焊接性能不好，工藝比較復雜，要用鉚焊、膠粘、螺絲。所以鋁制車身就很貴，不僅僅是材料貴，工藝也貴，工時也貴，費時費力。膠粘，聽起來好像有點聳人聽聞，但是很正常，這個工藝我在幾個主機廠都看見過。電動車的特性對車重非常敏感，重了就影響續航，也影響裝載電池。所以說特斯拉為了減重，早批車都是全鋁的。從Model 3起,特斯拉開始做鋼鋁混合。鋁繞不開，所以，成本始終是一個懸而未決的問題。傳統的總裝工藝大概是300到500個零件，最直接的問題是誤差。零件越多，累計誤差越大，為了控制誤差，就需要更多時間、更高成本。尤其是到了智能車，因為智能車要裝傳感器，裝毫米波雷達，裝攝像頭，有的還有裝激光雷達，那在車身上就要考慮到什么問題呢？要考慮偏行角和滾轉角。要考慮偏行角和滾轉角，就要考慮安裝精度。所以，馬斯克去年5月份就說，下一代Model 2的工藝，就沒有毫米這個單位了，直接是微米。要實現微米的精度，一體壓鑄是最好的，沒有這些個部件連接，一個東西一下就都出來了。 一個行業剛起步的時候，有引領者，方案就很容易趨同；沒有引領者的時候，就容易八仙過海。我舉個例子，就說車身傳感器的布置，全身七八個相機放哪兒，現在所有的車的相機布置基本都參考了特斯拉的布置方案。后面陸續可能有些優化，比如Model 3側面的攝像頭，其實它裝的FOV就有點小，很多主機廠大多在這里做了優化，估計特斯拉也會改。但是，特斯拉沒有激光雷達。所以各個廠商裝激光雷達那真是八仙過海，各顯神通，什么樣的都有。而為什么會出現這個局面呢？因為誰都沒用過激光雷達，激光雷達廠商不知道，主機廠自己也不知道。大家看到的都是實驗室的一個結論。在理論上來說，裝車頂上FOV最大，看得最遠。那裝成翻蓋，不用的時候收起來最美觀，風阻也小。但是實際應用以后，裝到車頂上容易被太陽曬，還容易過熱。裝保險杠上容易臟，過個污水、水坑什么的就糊住了。翻蓋的，還容易有位移，因為翻蓋那個結構是機械的，本身這個行業，我們就要去掉機械，你就添加機械，那將來位移不準了，還得重新校準。所以說各有各的優點，各有各的缺點，但是具體什么樣誰都不知道。但是就激光雷達本身來說，它本身就更脆弱。那做二維轉鏡，尺寸又特別大，也是各有各的問題。所以最后結果是什么呢？有主機廠和激光雷達廠商一塊，摸著石頭過河。但是我相信，經過一代試錯以后，最終這個方案還是會再統一起來，這其實就像智能手機早期一樣，什么樣的都有，但最后都是大直板。 我們回過頭來說一體壓鑄，特斯拉先量產了Model Y的后車身壓鑄件。為什么是后車身呢？因為這個地方，不容易撞也沒有安全風險，也沒有結構上的風險，因為它從結構上來說，就是左右的一個縱梁，還有中間的橫梁，再加倆個輪罩，這個結構本身是可以連接到一塊兒的，它不需要驗證。所以特斯拉先做了后底板。這里比較有意思的是什么呢？就是跟進的廠商小鵬也在做，蔚來、理想其實也都跟了。大家都是先去開發后底板。其實為什么大家都要先做后底板呢？除了我前面說的這個原因以外，最主要的大家是覺得，特斯拉還沒做，那我也不做，等你做完前底板我再做。包括最后整個底盤的水楞板的壓鑄，大家也是在看。 今年上半年特斯拉得州廠已經把前底板做出來了，大家可以看圖，右面藍色的前底板，這個方案很激進了，因為除了前縱梁、橫梁，減震塔也包進去了。傳統工藝的第一個大問題，就是鋁制車身成本高，那除了鋁貴，材料貴，工藝上也很貴。第二，它的問題是效率，我們講生產效率上的指標，主要是兩個，一個是生產節拍，一個是生產環節的數量，這兩個相乘，就是一臺車的生產時間。節拍就是兩個相鄰的工序，經過流線的時間。總裝環節，一線大廠基本上就是一分鐘一個環節，自動化高的可能能快到40秒，這基本上就是極限了。另外一個指標是生產環節的數量。傳統的焊接工藝大概是100多個工序，速度慢就慢在這兒了。現在全球設計最先進的是得州廠和柏林廠，拉滿以后十個小時一輛車。這個效率實現以后，就是新的全球第一，現在的全球第一是上海工廠。大眾最先進的廠去年是30個小時一輛車，今年的目標是20個小時一輛車。這個效率大家感受一下。 一體壓鑄量產以后，據馬斯克講，中短期降本，長期是增效。那么怎么去理解降本呢？一體壓鑄的降本沒法說是從哪降，因為它是一個鏈式反應。首先是工序上的時間，因為單一模具一次成型，總裝效率就提高很多了，原來100多次焊接。另外工序減少以后，模具是可以反復使用的，現在就一個后底板壓鑄件，比原來的沖壓焊接就少了79個零件，成本降了40%。 那后面還有什么？ 還有倉儲，還有物流同步也降低了。Model Y的一個后底板的生產時間是45秒，因為它是一次成型，一下就出來了。還有占地面積，據官方的口徑是縮小了35%。再有就是研發成本降低，因為現在三個大件，過去是300多個小件。過去要開發300多個東西，現在是開發三個。所以開發周期縮短了。 還有一個最重要的影響，是減重。整車，三個大壓鑄件全都量產了以后，重量能下降10%，那么就可以少裝一種電池。都說特斯拉的能耗表現是最好的，好在哪兒了呢？因為確實車就輕了，這個是最直接的。 還有成本，一臺壓鑄機正好可以換300個焊接機器人。那么最終反映到成本上，一個傳統的B級車，像帕薩特這樣的，一個全鋼的白車身成本大概就是七八千塊錢，鋼鋁混的，一萬五六，做到全鋁的，那就三萬以上了。特斯拉最新的前后車體大規模應用以后，成本就一萬多塊錢，這是特斯拉工程上的一個口徑，財務上沒有驗證過，但是這個成本大家是能看得到的。他們的目標是什么？沖焊涂總四大工藝中，把焊裝這個環節干掉。 一體壓鑄的技術門檻首先是材料上。我前面說過鋁合金的問題，因為一體壓鑄，需要免熱處理的技術材料。過去奔馳、寶馬的鋁件都要做熱處理，因為它這個件小，好做。不用熱處理，才能把這個件做得很大。特斯拉的材料直接是它龍飛船上的合金材料，所以它是直接復用了，就不用再單獨開發。奔馳、寶馬做熱處理的目的，主要還是符合車身強度，因為減震塔和車身連接的時候，鋼和鋁是不能焊的，只能鉚。鉚對鋁的延伸率要求特別高，如果延伸不好就裂了。熱處理就是為了把硬度降下來。現在國內能做免熱處理合金的公司也有很多，但對特斯拉來說它的壁壘就是，龍飛船的合金材料是完全復用的。 其實我們在研究特斯拉的時候要注意他有一個基本原則，就是他做的任何東西都是奔著低成本和可復用去的。比如我舉過好多次的例子，Model 3的電機，就直接裝到“獵鷹九號”的一級回收火箭上，連logo都沒動，什么都沒改。這就是他們一個比較樸素的理念：盡量省錢。那現在特斯拉的一體壓鑄走到什么程度了？今年疫情結束以后，我去調研了一下，上海規劃了六條線，因為在疫情結束前實際上是三條到場，兩條在途。還有一個大型的沒裝，那個我估計可能是上最底下的底板的。當時預計是8月份，我估計已經投產了，這個應該是問題不大。剛才說做大底板的，整個拉下來產的一條線，一周兩千多個，滿產的話，六條線就是兩百到三百萬的件，正好對應一百萬輛車。現在特斯拉的產能已經拉到了一年100到110萬的區間，因為再往后特斯拉就自己做壓鑄了，這個業務已經給了廣東鴻圖。現在已經在測模具了，廣東鴻圖的股價已經反映出這個事情了。 另外特斯拉加州廠應該是四臺，得州是三到四臺，但最終都是八臺。現在壓鑄機四個廠都已經配上了，上海這邊Model Y實現了后底板的一體壓鑄已經做完了，那么后面的另外兩個部分，得州廠的前車體也量產了。更遠期一點，馬斯克的計劃就是整個白車身全部實現一體壓鑄，焊裝生產線直接就不要了。我看過特斯拉的一個專利文件，就是白車身一體壓鑄，當時我們就說，這肯定是一萬兩千噸的壓鑄機上，專門干Model 2或者Model Q。因為到那個時候，除了四門兩蓋，還有覆蓋件，車身結構就一次性成型。所以說，特斯拉把造車這個很復雜的事，變得很簡單，就像樂高一樣，去拼汽車。所有這些創新到最后都是體現在效率上。 我算過一個賬，按照土地效率來看，上海廠大概是1500畝，按照一百萬的動態產能算，畝產666輛車。這個算法可能有點搞笑，有點像種地，不嚴謹，但還是能反映出一個公司追求的是什么東西。國內比較強的新勢力工廠畝產150輛，有些老的傳統的廠畝產不到100輛。這個算法確實不嚴謹，但在我看來，確實能反映出造車公司的理念來。這個用地里面包括停車場、測試跑道、綠化，其實都是給生產服務的。這里面還反映出動線設計合理不合理，都要考慮進去。尤其是特斯拉，它是非常強的端到端的生產，因為它連零件庫都沒有，集裝箱拉過來，直接頂到車間門口，就算倉庫了，停車場也是物盡其用。上海就是在蘆潮港租了一塊地。車就停那，直接上船就走了，那么在工廠交國內的車呢，也是隨生產隨交。 今年大概在9月底10月初，上海工廠停產了一天，為什么停呢？當時我去問了，他們跟我說是因為停車場滿了，再生產出來沒地兒擱。很多人都問為什么停產了，是供應電斷了嗎？其實就是這么簡單一個原因。你要從這些方向去看，這家公司就極其地務實。特斯拉加州那個廠買的就是豐田一家二手的廠。因為豐田搬家的時候連設備都搬走了，從當時各種報道還包括他們的推特來看，特斯拉就是小米加步槍在干。那么大一個廠，只有十分之一的地方通電。而且，先天基因不好，布局就非常不好，就是從右向左過來，從沖壓到白車身到總裝，動線繞來繞去，誰都不挨著誰。物流送貨到今年，還是用人力開電瓶車拉貨，你能想象嗎？這真是上世紀的東西，硬件確實太差了。但是這公司非常務實，差，我也要用。到現在新廠就不一樣了，因為馬斯克一直說，我們生產的產品一個是車，一個是工廠。工廠是我們更重要的一個產品，但是用戶接觸不到，所以我們看上海工廠確實是全球的一個樣板，因為后面還有更先進的得州廠，還有柏林廠。 特斯拉的營銷創新 除了技術上的創新，還有營銷上的創新。營銷上我推薦大家看一個指標，就是全球的庫存周轉率。今年上半年，這個比率大概是到了三天，下半年到過四天，這個是什么概念？就是車從生產線下來交給用戶，特斯拉平均用時三到四天。整個行業的標準平均是33天，再加上一些傳統廠商大概要到60天。為什么就是特斯拉這么快？因為它是直營的，而傳統廠商還有個批發的環節。要把車先賣給經銷商，經銷商再去賣，一輛車從下線到客戶手里面，一個多月，那都算快的。 我們看特斯拉的交付，尤其在西班牙的交付就很有代表性，交付場地就在巴塞羅那的碼頭上。下了船，客戶在那打著手電等著，車下了船開了就走。因為它庫存的周轉率高，一方面，庫存費用就少，流轉費用低，另一方面它資金利用率就很高，整體來說企業的運營效率大幅提高。 但是直營模式本身也是雙刃劍，因為雖然效率高了，可是沒有經銷商做緩沖，風險也變大了，其實也是逼著主機廠要把產能的需求匹配好。 舉個例子，有經銷商的時候，價格是不透明的，去每一家談，每個4S店給的價格都不一樣。直營以后，全是透明的了，上網就知道是什么價格，所以一個主機廠，一旦降價，就是全國性的維權。第二，沒有經銷商庫存，一旦訂單下滑，需求跟不上，必須就得降價促銷，促得慢了，生產線都要用來停車。小鵬G9這次的事情就弄得大家都很被動，因為確實是產能拉上來了，可是現在訂單跟不上。那你怎么辦？小鵬90%都是自營的，只剩一點是外包的，沒有庫存去做緩沖，碰到這種情況就會非常難受。 一體壓鑄的創新，還有電子架構創新，今天就說到這里。 下面我想把上海工廠的生產也大概說一說。 特斯拉沒有上海工廠不行 其實我覺得，上海這個奇跡，在柏林很難復制，在美國也很難復制，也可以說，沒有上海就沒有現在的特斯拉。因為上海這個廠是全新的廠。2018年7月份簽的協議，到第二年1月份奠基，10月份第一輛車就下線。當年建設、當年投產，這個效率全球都是沒有的。 一方面是咱們上海政策上的優勢，當年這個政策就是一路綠燈，流程很快。 另外，上海有完善的配套，包括熟練工人、工程師。因為我們這里有大眾、通用，可以挖人才。 第三就是供應鏈，上海有寶鋼，其他的供應鏈距離上海都是四個鐘頭以內。 而且最重要的，上海還有出海口，說走就走。這是上海奇跡的一個基礎，上海的定義就是一個出口樞紐。尤其是今年柏林投產也慢，產能也慢。所以歐洲市場還得靠上海。 跟上海對比，就是柏林，柏林也是特斯拉的海外廠，但是進度就是上不去。去年馬斯克已經把跟德國政府PR的負責人給炒了。柏林廠為什么慢？從建設到投產兩年，其實如果不看上海，一點都不慢。在歐洲有這個效率已經是很快的。速度追不上上海，原因也有好幾個。 第一是政府層面的。德國有比較嚴格的法規，今年上半年和去年底最大困擾就是廢水排放的問題，工業廢水就不用說了，肯定要回收成中水，再利用。但就是生活廢水，一個廠幾千上萬人，也是很大的量。政府要審，一大幫環保組織也要審，所以你看推特上的照片，一桌子紙質文件一張張那么看，確實是快不了，而德國政府，又不像我們能加班，我們可以抽調人手集中審核。 第二是，在歐洲會遇到本土企業的排擠，地方保護主義，其實給政府很大壓力，還有工會，你想特事特辦，門都沒有，你要挖人，還有經濟保護協議，所以招人在德國一直是個事。因為柏林廠是在一個很偏的地方，當時我記得他們特意買了小鐵路方便員工上下班，但是去年年底，人員整編都做不完。即使到今年還是在陸續招人。 第三，德國還有本身的一個問題，這里面分幾個情況。 第一個情況是它都有工會，這個美國可以有，也可以沒有，特斯拉美國那邊就沒有。但是在德國工會就繞不過去。 第二個情況是人的問題。咱們看工廠建設，上海廠是鋼結構的，柏林廠是鋼筋混凝土的，柏林廠那么大的一個現澆的混凝土的屋頂，施工太難了，稍微有點沒做好，就漏水。而鋼結構本身就快。我們這邊還有一個最大的不同，就是有農民工。因為我干過房地產，我比較熟。農民工到工地上就是為了掙錢，能接受加班。 我們的農民工就效率太高了。其實這就是中國奇跡的一個基礎啊！即便是工廠技術工人，上海以前四班三運轉，人停機器不停，但德國那邊，做五休二，九點來，六點走，快不起來。生產線它再自動化也得人操作，所以說柏林廠復制上海的奇跡非常難，美國那邊比德國好一點，至少沒有工會，但是和上海廠沒法比，所以說特斯拉沒有上海是不行的。 今年還有一個變量，那就是今年上半年上海經歷了比較嚴重的疫情。在疫情之后，特斯拉把中國的新增投資砍掉了。也是考慮到風險，還有一些政治上的壓力。所以對中國來說，這其實是一個損失，對特斯拉也是一個損失。特斯拉創新的地方實在太多了，我感覺說也說不完。那今天就以這幾個例子，談我個人的一點觀察，拋磚引玉，也歡迎大家指正。 Q&A Q1.特斯拉與比亞迪，與三家新勢力的差距。 先說比亞迪，比亞迪做垂直整合做得確實是非常強大，今年比亞迪有一個現象，正好前段時間剛做過調研，和大家分享一下。從9月份的最后一周，大家去觀察一下，去看一看，整個電動車板塊的估值殺得非常厲害。但是還要考慮到美股的宏觀因素，加息比較嚴重。但是從我自己能親眼看到的，從產銷，尤其銷售這一段，9月份的最后一周，每個廠商的數據下滑得都非常厲害。進入到10月份，整個黃金周沒有一家廠商完成既定的目標，一直到整個10月份結束，每家的訂單都不好。 舉小鵬為例。小鵬這家公司，我們可以說G9這個車型不是太成功，因為上市的時候遇到問題。但是我當時比較意外，小鵬的戰敗車型就是輸給競爭對手的車型，十個里面，有六個是比亞迪，這個是萬萬沒想到的，G9，十個有六個都輸給了比亞迪的唐。今年能看到比亞迪在品牌向上做的非常好：以前我們覺得比亞迪是一個特別low的車，你讓我去開比亞迪，我寧可走路，也不想開，但是今年，隨著騰勢這個品牌做起來了，比亞迪自己的這個SKU往上走，品牌形象往上來的很大。那么今年特斯拉也降價了，它會形成一個什么局面呢？比亞迪在二十五萬以內這個區間，人擋殺人、佛擋殺佛，在業界就這一個月也開始有比亞迪現象了，大家就開始說比亞迪怎么了，怎么突然一下就品牌崛起了呢？怎么突然就累積到一個新高度了呢？現在所有和比亞迪硬杠的主機廠，只要落到這個區間里面，都非常難受，尤其是小鵬。因為它的價格完全是在比亞迪的價格帶里面。這就是比亞迪今年能看到的最直接的一個變化。 另外，我們說比亞迪，往往是說智能化不行。這個問題要怎么看？據我的觀察，其實現在的用戶對智能化沒有那么關心，尤其是二十五萬以內的車型。用戶對智能化的理解，更多是座艙的智能化。你只要有座艙智能化，就行了。為什么問界系列M5賣得那么好？就是座艙特別能打，他智能駕駛有嗎？沒有，他連自家那套都沒用，上的博世的方案，但一樣賣得好。說明智能座艙對用戶來說是一個更大的剛需。所以比亞迪智能化在現在這個階段看，是不影響它的銷售的，但是在長遠看，如果再到下一個智能化階段，也許會是限制它的一個問題，它現在當然也在做。這是比亞迪的情況。 理想，其實李想本人也是一個非常好的產品經理，但是理想的問題是什么呢？就是他在做切電動的這個本兒他沒下，這個賬早晚要找補回來，因為今年上海，直接就停掉了混動車的綠牌，也有傳聞說其他大城市要跟進，因為北京一開始就不讓。所以，你早晚也要切到純電上來，可是你一直做增程，占了這個便宜，純電車型沒有研發投入，但這個錢早晚也要花，早先對智能駕駛投入也不夠，這個課也要補。還有，作為一個相對高端的品牌，一定要自己的補能站，如果沒有補能站，沒有充電樁的話，得和出租車一塊兒搶充電樁，那還算什么高檔車？所以理想將來還要自己去建自營的補能站，這個資本開支現在沒有花，從今年開始到明年，陸陸續續都要花出去，所以到那個時候，要看理想這個欠賬補得怎么樣。 蔚來我覺得它是國內目前唯一的高端品牌車型，但這個公司，長期存在著花錢太猛，收效太慢，目標太遠大的問題。其實蔚來這個車本身是非常好的，什么都用最好的。我和供應鏈去溝通的時候就發現，蔚來的廠商要求太高了，就連腦袋頂上那個圖達通獵鷹的雷達在車外，對它的噪聲控制都有很高的要求，但是，這個造成了它資金利用效率非常低。如果將來蔚來能夠走得更長遠的話，我覺得它的前途也很好，因為，它做高端車型就是有這個優勢，從上往下打，很容易。從下往上打很難，我看小鵬做高端車就非常困難，比亞迪多少年才開始往高端上走。而蔚來現在品牌已經立住了，再往下打，就容易得多。 寒武紀-U(SH688256)： 寒武紀(688256)10月31日在投資者關系平臺上答復了投資者關心的問題。 投資者： 請問美國10月8日新一輪對中國芯片產業制裁對貴司影響如何？是否影響貴司先進制程芯片在中國臺灣代工企業的后續投產？貴司未來業務發展計劃，對上述因素有何應對... 網頁鏈接 7X24快訊： 【寒武紀：擬使用不超30億元暫時閑置資金購買理財產品】公司及控股子公司擬使用不超30億元暫時閑置自有資金購買理財產品。 鹽末先生： 超短打板賬戶利潤回撤清零39萬本金虧損約6萬，虧損率超過15% 中線波段兩融賬戶利潤回撤清零106萬本金虧損約18萬，虧損率約18% 目前持倉全綠，2022慘烈收場。 超短打板賬戶元旦后10日內清倉退出。 中線波段賬戶以低吸與首板為主。 單季度利潤超過100%之前停止實盤分享。 上半年重倉寒武紀單票虧損超過30萬，下半年重倉海聯金匯單票虧損超過20萬，其它票坐過山車無數，小虧小賺相抵。 靜下來，回歸初心，以股悟道。 價值-2020： 截至12月28日，科創板上市公司的數量，已從首批的25家增長到500家，總市值約5.8萬億元。三年多來，科創板交易機制不斷優化，已推出做市商制度，目前科創板投資者超960萬戶，活躍交易賬戶超620萬戶。華熙生物(SH688363) 容百科技(SH688005) 寒武紀-U(SH688256) 久之策略： 2020年，科創指數上漲，是因為總盤子小，資金量看起來尚可，但是到了2022年，科創板總市值已到5.94萬億，流動性問題已經非常明顯了，再不想辦法，這個不賺錢的市場，終究會被拋棄。上證指數(SH000001) 科創50(SH000688) 寒武紀-U(SH688256) -等風來-： 寒武紀-U(SH688256) 今晚發布了30億額度閑置資金理財的公告，引來一堆猜測，當然這種猜測以利好為主。但這種不是非常常規的公告嗎？ 對應著我原文分析的問題三：還有哪些“話術”是一直能吸著你的？ 這也是一種話術。吸著你，給你短暫的按摩