（来源：图灵人工智能）
转自51CTO技术栈，仅用于学术分享，如有侵权留言删除报道
编辑 | 姜篇
马斯克：“What Anthropic did extremely well was make AI excellent at software engineering.”
马克斯：Anthropic做得非常好的一件事，是让AI变得擅长软件工程。
马斯克：“But no one has yet made AI excellent at real-world engineering.”
马斯克：但到现在，还没有人让AI真正擅长现实世界的工程。
马斯克接受央视财经独家采访时，给AI工程划出了一条分界线。
一边是已经挤满模型厂商的代码世界。Agent能读仓库、改文件、调用终端、运行测试，再根据报错继续修复。OpenAI、Anthropic、Google都在争夺开发者，Coding Agent正在成为大模型公司的标配。
另一边是汽车、机器人、工厂和火箭。马斯克认为，这片战场至今还没有人真正拿下。
马斯克在这场访谈里表示，他希望用SpaceX和Tesla的数据训练Grok，让模型进入汽车、机器人和火箭这类现实系统。
这个设想能否实现还没有答案，它却把开发者即将面对的问题说得很具体：模型要如何感知现场、理解物理约束、控制硬件，并让每个动作都可以验证和接管。
2026年9月25日，中国中央广播电视总台对马斯克进行了一场约26分钟的专访。话题从大模型、中国AI一路谈到机器人、电力与航天。
以下为访谈内容，我们进行了翻译与整理。
代码世界给AI准备好了试错场
马斯克形容AI现在的更新速度，用了一个很直白的说法。
马斯克：“The rate of AI software improvements and major announcements is so rapid that it makes my head spin.”
马斯克：AI软件的进步和重大发布太快了，快得让我头晕。
软件工程跑得最快。
马斯克：“What Anthropic did extremely well was make AI excellent at software engineering.”
马斯克：Anthropic做得非常好的一件事，是让AI变得擅长软件工程。
代码对AI很友好。
公开仓库提供了大量训练材料，编程语言有明确语法，编译器和类型检查器能立即报错，测试套件会告诉Agent改动是否通过。即使做错，它也可以在沙箱里重跑，最后用版本控制撤回。
一个Agent修复API参数错误时，可以在几分钟内完成“读代码、写修复、跑测试、根据错误继续修改”的循环。这个循环有数据，有工具，有清楚的失败信号。
软件工程没有被“彻底解决”。需求、架构、上线责任仍然很难。只是与物理世界相比，代码更容易让AI获得高频、便宜、可复现的反馈。
代码可以回滚，现实世界不行
紧接着，马斯克把软件与现实工程分开了。
马斯克：“But no one has yet made AI excellent at real-world engineering.”
马斯克：但到现在，还没有人让AI真正擅长现实世界的工程。
这里的“现实世界工程”，可以理解为与真实设备、材料和环境打交道的工程。一行控制代码落到车辆、机器人或火箭上，它的结果要穿过传感器、网络、执行器、材料强度和安全规则。
假设Agent需要修改自动驾驶的刹车逻辑。代码通过单元测试，只能证明函数在预设输入下工作。上路以前，团队还要处理摄像头遮挡、雷达噪声、路面摩擦系数、通信延迟、执行器老化和极端天气。某个边界条件若没进测试集，模型不会自动知道它存在。
代码跑错了可以发新版本。一台机器人撞倒货架以后，“回滚”修复不了现场的损失。
马斯克手里的筹码是SpaceX和Tesla的工程数据
马斯克给出的路线，是把SpaceX与Tesla积累的工程数据用起来。
马斯克：“I think we've got a real opportunity with the SpaceX training data and maybe with the Tesla training data to make AI extremely capable in real-world engineering.”
马斯克：我认为，借助SpaceX的训练数据，也许再加上Tesla的数据，我们有机会让AI在现实世界工程上变得非常强。
这类数据稀缺在过程与结果的关联。
SpaceX和Tesla能产生大量真实运行记录：设计变更、传感器数据、控制指令、仿真结果、零部件异常、故障复盘。模型如果能看到“工程师做了什么，系统随后发生了什么”，才有机会学到代码之外的因果关系。
数据在手，也不等于问题已经解决。
真实故障通常稀少，极端情况不可能反复制造，不同车型、生产批次和软件版本还会让分布不断变化。仿真里完美的方案，落到真机上可能因为一点摩擦、延迟或温度偏差失效。这就是机器人和自动驾驶长期要处理的“仿真到现实”差距。
马斯克说的是Grok的训练机会，目前还不能写成Grok已经成为现实世界工程师。
一台机器人强不强，模型只占一部分
访谈开始前，主持人与Optimus玩了几轮石头剪刀布。谈到机器人的反应速度，马斯克没有只说“模型更聪明”。
马斯克：“You can just improve the actuators, improve the sensors, improve the frame rate of the cameras, increase the amount of AI compute.”
马斯克：可以改进执行器、改进传感器、提高摄像头帧率，再增加AI算力。
只盯着模型跑分，会把这套软硬件协同漏掉。
机器人能否抓稳一只杯子，同时受视觉识别、深度估计、网络延迟、控制频率、关节精度、电机扭矩和材料摩擦影响。模型给出了正确动作，执行器慢了100毫秒，结果依然可能不对。
Agent要同时打通感知、模型与规划、实时控制、硬件执行和安全接管
开发者会重新遇到一套工程语言。平均响应时间不够，还要看最坏延迟；离线准确率不够，还要看错误发生时能否进入安全状态；云端跑通不够，还要看边缘设备断网时怎么处理。
有限算力会逼出更好的工程
谈到中国AI模型，马斯克特别提到了每单位算力的性能。
马斯克：“I'd rate probably China as being by far the best in terms of performance per unit of compute.”
马斯克：如果按每单位算力的性能来看，我认为中国可能明显领先。
对现实世界Agent来说，这个指标确实重要。一辆车或一台机器人的边缘计算资源有上限，功耗、散热和通信都会限制模型。开发者不能默认“再换一个更大模型”。
模型蒸馏、量化、缓存、算子优化、任务调度、端云分工，都会直接影响产品能不能落地。在物理系统里，一毫秒延迟、一瓦功耗和一次断网，往往比榜单多两分更具体。
马斯克还预测，中国可能在2到3年内通过光刻和芯片制造缓解算力限制。这同样是他的个人估计，没有公开的技术路线可以证明这个时间表。
开发者的新战场，在软件和物理系统交界处
访谈后半段，主持人问年轻人应该怎样面对AI时代。马斯克的建议没有停在“学会提示词”。
马斯克：“My recommendation for education would be to get as broad-based an education as possible. And that includes arts and sciences, engineering, wide general knowledge.”
马斯克：我建议尽可能接受广泛的教育，包括艺术、科学、工程和广泛的通识。
马斯克：“In order to know what to ask the robots for, you need to be able to formulate the question.”
马斯克：要知道该让机器人做什么，你先得能够把问题说清楚。
对开发者来说，“广泛”可以落得很具体。
做机器人不一定要亲手设计电机，但要知道传感器为什么会漂移，实时系统为什么怕尾延迟，控制器为什么需要独立的安全边界。做自动驾驶不一定要成为材料专家，但要能跟硬件、测试和安全团队共同定义什么叫“可以上线”。
软件不会因此退场。它会变成现实系统的控制层和观测层。后端工程师会碰到设备遥测与时序数据，平台工程师会搭建仿真、回放与发布系统，安全工程师要定义Agent的权限与接管规则。
会调API只能把模型接进来。能把输入、决策、执行、验证和责任连成一个可运行的闭环，才能让它在现实世界里工作。
评论区：机器人很难达到人类水平
一位网友觉得，这场访谈的问题很好，因为主持人了解马斯克，也了解工程。
另一边，评论区很快把话题拉回物理限制。有人认为，涉及熟练劳动时，机器人很难达到人类水平。
还有人问到材料和能源：数十亿台人形机器人需要的稀土、通用材料、能源和土地，从哪里来？
最直白的一条留言是：机器人需要地下的矿产，而地质条件不会像软件那样轻松提升10倍。
这些质疑恰好印证了软件工程与现实工程的差别。代码、模型和算法可以快速复制，能源、材料、机械精度和安全验证都有自己的速度。
写在最后
Coding Agent已经给出了一个参考：环境里有足够的数据、可调用的工具和清晰的验收信号时，模型就能进入工程流程。
现实世界工程会用更高的代价重新测试这个结论。错误反馈更慢，数据更稀缺，执行带着真实后果，每一层都需要独立验证。
马斯克想让Grok去学这门课。对开发者来说，更确定的变化是，未来的软件会更深地进入车辆、机器人、工厂和能源系统。写出代码之后，还要让它看得见、动得了、停得住，出事时追得回。
这是AI走出IDE以后，开发者需要补上的部分。
参考链接：
https://www.youtube.com/watch?v=34-5wOGmCKc
