Elon Musk 讲第一性原理｜拆到底再往上推

别立志追求荣耀，要立志做功。

Don't aspire to glory. Aspire to work.

问题是主持人抛出来的。他说，现场大多数人连一个人都还没管过，职业生涯才刚起步。从 PayPal、Zip2 到后来那些硬核的硬件公司，Musk 一路都能吸引到各个领域最聪明的人。那么，对那个还没带过人的 Elon，他会说什么？

Musk 没有讲怎么招人，也没有讲 PayPal。他讲的是一个更朴素的东西：有用。

有用的程度要乘上人数

"我一般觉得，要尽可能做个有用的人。"他自己先承认，这话听起来有点俗。但他接着说，做个有用的人非常难，对很多人有用更难。

他给"有用"下了一个可以计算的定义：总效用曲线下的面积。横轴是人数，纵轴是你对每个人有多大用处，两者相乘。他说，这几乎就是物理学里"功"的定义。功等于力乘以距离，光用力不移动，不算做功。

由此他得出那句话：别追求荣耀，去做功。他的判断是，如果你立志做真正的功，成功的概率会高得多。

主持人追问：怎么判断那是真正的功？看外部，看产品为别人做了什么？你招人时最看重什么？Musk 只回答了前半个问题。看最终产品，问一句：这东西要是成功了，能对多少人有多大用处？然后，不管你是 CEO 还是创业公司里的任何角色，为了成功，什么都得肯干。招人的标准，这一段里他没有展开。

自我大过能力，回路就断了

讲完"做功"，Musk 马上补了另一半："还要时刻把自我砸碎。把责任揽到自己身上。"

他说，一个主要的失败模式，是自我与能力之比远远大于一。比值太高会怎样，他换了一个台下 AI 从业者熟悉的说法：

自我与能力之比太高，就会切断你跟现实的反馈回路。用 AI 的话说，你弄断了自己的强化学习回路。

If your ego-to-ability ratio gets too high, then you're gonna basically break the feedback loop to reality. In AI terms, you'll break your RL loop.

强化学习（RL）是让模型做出动作、拿到奖励或惩罚、再据此调整的训练方式。回路断了，模型就收不到信号，也就学不到东西。放到人身上，意思是：自负的人听不进现实给的反馈，于是不再进步。

他开出的办法有两条：把责任揽到自己身上，把自我降到最低。具体到行动上，就是不管任务宏大还是卑微，都去做。

这个态度也落在用词上。Musk 说，他更喜欢"工程"这个词，而不是"研究"。他甚至不想把 xAI 叫作实验室，只想让它就是一家公司。他的原则是：最简单、最直白、最不自负的说法，一般都是好选择。

这一段他用一句话收尾："你要让回路紧紧接上现实。这一点极其重要。"

成本的下限藏在原材料里

主持人接着问到第一性原理。他说，批评 Musk 的人里，有从没做出过东西的人，有不是工程师的人，有时还有什么都没干过的记者。可他身边也有一圈"曲线下面积"很大的人。该怎么对待这些声音？他会怎么教自己的孩子，比如儿子 X，去构建一套能预测的现实认知？

这一问里，Musk 没有回应批评者的部分。他直接讲方法：物理学的工具非常有用，能帮你理解任何领域，并取得进展。

第一个工具是第一性原理，他这样定义：

第一性原理，就是把事情拆到最基本、最可能为真的公理，再从那里尽可能严密地往上推理，而不是靠类比或比喻。

First principles obviously just means breaking it down to the fundamental axiomatic elements that are most likely to be true and then reason up from there as cogently as possible, as opposed to reasoning by analogy or metaphor.

第二个工具是极限思维：把某个量推到最小，或者把另一个量推到最大，看会发生什么。他说这些工具适用于任何领域，"这其实就像一种超能力"。

他拿火箭举例。一枚火箭该花多少钱？通常的做法是看过去的火箭花了多少，假定新火箭跟以前差不多。第一性原理的做法是看火箭用什么材料做：铝、铜、碳纤维、钢。火箭有多重，每种成分有多重，每公斤多少钱。这些加起来，就是一枚火箭成本的真正下限，成本可以无限逼近它。

算下来，原材料大概只占火箭历史成本的百分之一到二。他由此推断，制造环节一定效率极低。这就是成本还能优化多少的第一性原理分析，"而这还没算上可复用"。

"不行"可以拆开来解决

第二个例子来自 AI。他说的"去年年初"，按访谈时间算是 2024 年初。xAI 要建一个训练用的超级集群，需要 10 万块 H100 能协同训练。协同训练指的是所有 GPU 一起训同一个模型，步调必须一致，任何一环掉链子都会拖住整体。

他们去问供应商，得到的估计是 18 到 24 个月。Musk 的回答是：必须六个月搞定，不然就没有竞争力了。

于是把问题拆开：需要一栋楼，需要电，需要散热。

• 楼：没时间从零盖，只能找现成的。他们在孟菲斯找到一座闲置工厂，以前生产 Electrolux 的产品。
• 电：这座楼的输入功率只有 15 兆瓦，他们需要 150 兆瓦。办法是租发电机，摆在楼的一侧。
• 散热：他们租下了全美大约四分之一的移动制冷产能，冷水机摆在楼的另一侧。
• 供电平滑：这还不够。训练时功率波动非常大，可能在 100 毫秒内掉 50%，发电机跟不上。他们加了 Tesla 的 Megapack，并改了 Megapack 的软件，用来平滑训练中的功率波动。Megapack 是 Tesla 的大型储能电池，在这里相当于电网和机器之间的一个缓冲池。
• 网络：让 10 万块 GPU 协同训练，布网线非常难。他们分四班、24 小时连轴转。Musk 说，他就睡在数据中心，还亲自上手布线。

他说，去年还没人用 10 万块 H100 协同跑过一次训练，"今年也许有人做到了，我不知道"。

主持人在这里总结了一句。他说，听起来第一性原理的关键是问为什么、去挑战坐在对面的人，得不到满意的答案就不让那个"不行"成立。他接着说，硬件好像格外需要这一点：软件里有很多冗余，多加点 CPU 就行了，硬件上这行不通。

Musk 没有接受后半句：

第一性原理这些通用原则，软件硬件都适用，其实适用于任何事。

I think these general principles of first principle thinking apply to software and hardware, apply to anything really.

他只是拿了一个硬件的例子：别人说某件事不可能，但一旦拆成楼、电、散热、供电平滑这几个组成部分，就能逐个解决。

字幕到这里就结束了，集群的故事没有讲完。留下的问题也很明显：拆解能把"18 个月"压到"6 个月"，靠的除了方法，还有租下全美四分之一移动制冷的财力，和一家能改 Megapack 软件的兄弟公司。没有这些资源的团队，能从拆解里拿走多少，这一段没有回答。

对 builder 有什么用

• 给手上的项目算一次"曲线下的面积"：如果做成了，对多少人、有多大用处。两个数都说不清，先别急着做。
• 挑一个团队默认"本来就这么贵"的成本项，比如推理账单、数据标注、获客成本，按组成部分拆到最底层的单价，算出下限，再看现价是下限的几倍。
• 下次有人说"这要 18 个月"，别争论总工期。把它拆成组成部分，逐项问：哪一项是真瓶颈，哪一项能租、能借现成的。
• 回想团队最近一次被用户或数据证明判断错了是什么时候。如果想不起来，可能是自我已经高过能力，回路断了，该去补一个能直接收到负反馈的渠道。