最近，Kimi K3 把美国 AI 圈刺激得不轻，马斯克都主动发推“反思”。
一个钱更少、卡更少的中国团队，做出来的模型，居然坐上了全球前沿模型的牌桌。
真正刺激美国人的是：钱更多，算力更多，顶尖研究员也更多，为什么没有把中国团队远远甩开？
有人给出的答案是：Infra is research。基础设施本身，就是研究。
什么意思？
中国很多 AI 团队没把研究员和工程师分得那么清。模型跑不起来，提出算法的人也得下去调机器、清数据、改框架。训练中断，可能是通信出了问题，可能是显存不够，也可能是数据脏了。
这些事看起来不像研究。但你能把多大的模型跑起来，一天能完成几次实验，决定了你到底能够研究什么。
马斯克看完这种说法，也接了一句。他说，一些美国公司把研究员当成“领主”，把工程师当成“农民”。研究员负责提出漂亮的想法，工程师负责收拾烂摊子。
这种文化很有毒。
因为两者做到最好，本质上都是工程师。硬要分开，效率就低了！
这件事，我在中国智能驾驶里见过一次。那家公司叫 Momenta。
前两天，在《亭口三人谈》里，我和许政、智驾专家 Momenta 的曹旭东，蔚来的章健勇，以及后来从小鹏去了英伟达的吴新宙。
Momenta 最有意思。2019 年前后，自动驾驶行业最时髦的是 L4 Robotaxi。L4 是贵族路线。先做一辆不需要人类接管的无人车，再慢慢把技术下放到普通汽车上。
Momenta 原本也做 L4，后来却跑去做量产 L2，提出“一套飞轮、两条腿”：一条腿做量产辅助驾驶，从真实车辆上获得数据；另一条腿继续做 L4。两条路线共用一套数据和算法闭环。
这个决定当时被骂得很惨。
- 友商CEO当面说，这是“搏二兔而不得一兔”。同时追两只兔子，最后可能一只也抓不到。- 友商CTO也提出过一个问题：海量数据，真的是高级别自动驾驶的“银弹”吗？- 另一位友商CEO则一直认为，L2 和 L4 的安全门槛不同。L2 做得再好，也不一定自然走到 L4。
所谓“银色子弹”，就是能够一枪解决所有问题的万能武器。自动驾驶没有这种东西。不是算法更大、数据更多，车就会突然获得完全自动驾驶能力。
Momenta 也没有靠另一场辩论回答。它直接钻进了量产的泥地里。
2021 年，Momenta 给智己 L7 做量产项目。据后来的一篇深度报道复盘，当时部署一个软件版本要花三天。部署完，车还不一定跑得起来。十个团队轮流拿着 U 盘往车上插。
智己高管半夜来到现场，问他们：“这么早下班？软件版本做出来了吗？”
这才是智能驾驶真实的样子。不是发布会上那段丝滑的演示视频。是版本管理、车端部署、测试验证、故障定位，以及十个团队怎么在同一辆车上干活。Momenta 把相关工程团队从二十多人扩到一百多人，重新建立工具链和集成体系。最后，一次版本部署从三天缩短到一小时以内。
注意，这里没有突然出现一种更厉害的算法。只是版本跑得更快，问题更容易复现，车辆数据能够更快回流。
但这又直接改变了算法迭代的速度。
这就是 Infra，也是 research。
到 2026 年 7 月，Momenta 宣布量产装车突破 100 万台，并在香港上市。我们还不能说 Momenta 赢得了 L4 的终局。但至少在量产 L2 这一局，它证明了自己：
L2 不只是研究完成以后的落地。量产本身，就是研究的一部分。
章健勇也是这样。他带领蔚来团队，在只有约 2.5 TOPS 算力的 EyeQ4 平台上做出了 NOP。今天看，2.5 TOPS 简直寒酸。但工程的价值，本来就不是等资源无限充足，而是在有限的芯片、功耗和成本里，把东西做出来。
吴新宙也一样。2019 年小鹏第一次 1024 活动上，他就讲过两条路线：先做 L4，再向下覆盖 L2。或者先把 L2 装进几十万辆车，再一步步逼近 L4。后来，他带着小鹏从 NGP 做到 XNGP，最后去了英伟达。
这三个人都没有找到什么银色子弹。他们只是特别能干那些不漂亮的活。带团队、做工具、调系统、改流程，最后把一个演示项目变成用户每天都能开的产品。
这件事让我很有感触。因为年轻时的我，恰好有点看不起这些事情。
我从河南考上清华以后，对自己的智商和推理能力非常自信。大一学线性代数、微积分和大学物理，我成绩很好，总成绩年级第一。我特别喜欢简洁的公式。一个复杂的问题，最后被压缩成几行漂亮的推导。多高级。
到了大二，我开始学《工程热力学》，突然觉得特别恶心。烧锅炉的公式不告诉你怎么完整推导，直接给你一堆参数和待定值。不同工况还要查表。表里全是 1.356、1.686 这种毫无规律的经验数字。
当时我想：这也能叫科学？
后来才明白，这恰恰就是工程。现实世界不会为了让公式更漂亮，就主动删掉摩擦、误差、材料差异和复杂工况。
十年前，我看过一本 MIT 学者苏珊娜·伯杰写的书，叫《重塑制造业》。MIT 团队走访了美国、德国、中国等地的 250 多家企业，最后发现了一件事：
制造本身，就是创新发生的地方。
一张设计图进入工厂以后，材料、设备、成本和良率会不断暴露新问题。工程师修改制造过程，其实也在重新设计产品。
美国过去以为，把制造外包出去，只是搬走了一部分低利润工作。后来才发现，一起被搬走的，还有制造过程中形成的知识。
美国发现：自己亏大了！ 那不搞制造业了，搞一些不需要制造的AI吧，在AI领域碾压中国！
结果，相同的故事又在 AI 领域发生。
美国公司以为，最聪明的人负责设计模型，剩下的人准备好 GPU 和数据就行。结果模型越来越大以后，数据怎么清洗、机器怎么连接、训练怎么恢复、实验怎么加速，反而决定了研究能够走多远。
所以：
Infra本身就是研究。制造本身就是创新。
马斯克Kimi3momenta
