最近，美国 AI 圈被 Kimi K3 刺激得不轻，马斯克都开始发推“反思”了！

美国钱更多、卡更多，结果 Kimi 还是追上来了。 这事把美国 AI 圈刺激得不轻。

有人总结，问题可能出在 Infra。美国把研究员当贵族，把调机器、清数据、改框架的人当农民。 中国团队没分这么清。谁的模型跑不起来，谁就下去修。

马斯克看完说：这种“领主和农民”的公司文化，有毒。 说白了，美国人以为工程是研究的下游。中国人是在干活的时候，把东西研究出来。

一位华人 AI 工程师 Huaijiang Zhu 给出的答案是：Infra is research。基础设施的好些脏活累活，本身就是研究。

一次大模型训练跑不起来，可能是通信堵塞，可能是数据污染，可能是显存分配出了问题 —— 这听起来都是计算机时代的基础工程活，而不是大模型多少参数这种高级的活。

解决这些问题，大多是耗费心力的脏活、累活，需要加班加点去做，但得奖了基本没有自己的功劳。这仿佛是替研究员打杂，所以大家都不爱干。

马斯克说，一些商业公司偏要把自己叫作“实验室”，慢慢形成了一种“领主与农民”的等级文化：研究员负责思考，工程师负责把系统跑起来。他继续说：两者做得最好的，本质也是工程师。

也就是说，都应该做脏活累活的，但一些农民伪装成了领主开始喝咖啡了，所以效率就低了！

这让我马上想到了中国智能驾驶。前两天，在《亭口三人谈》里，我和许政、智驾专家 回顾过去十年，谈到了三位清华校友：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。

他说这十年做得最成功的辅助驾驶团队，都是认识到“辅助驾驶没有银色子弹，与其说是领主式的理论问题，不如说是农民式的工程问题”。

所谓“银色子弹”，来自西方传说，指能够一枪解决怪物的万能武器。“没有银弹”的意思就是：复杂问题不存在一个算法、一种传感器，或者堆一批数据，就能一招通吃。

换句话说：谁愿意放下身段真正面对脏活、累活，谁就越接近成功。

如果要找一个最能说明“Infra 就是研究”的例子，Momenta 可能最合适。2019 年前后，自动驾驶行业最受追捧的是 L4 Robotaxi。当时大家相信一条“自上而下”的路线：先把 L4 做出来，再逐渐向下覆盖量产车。

Momenta 却在这个时候转向量产 L2，提出“一套飞轮、两条腿”：一条腿做量产辅助驾驶，获得海量真实数据；另一条腿继续探索 L4，两条路线共用数据和算法闭环。

这个决定当时遭到了猛烈质疑：

- 2020 年的 MEET 大会上，有一位CEO当面用一句“搏二兔而不得一兔”质疑 Momenta，意思是同时追两只兔子，最后可能一只也抓不到。- 还有一位CEO也公开质疑纯数据驱动路线：海量数据真的是高级别自动驾驶的“银弹”吗？- 第三位CEO则长期坚持，L2 与 L4 的目标和安全门槛不同。从 L2 出发，并不一定能够自然抵达 L4。

Momenta 也不是靠另一场辩论回答这些质疑的。它直接钻进了量产的泥地里。2021 年，Momenta 为智己 L7 做量产项目。一篇深度报道记录过当时的场面：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一面。不是在演示车上跑通一个漂亮视频，而是版本管理、工具链、车端部署、测试验证、跨团队协作、故障定位和项目管理。

Momenta 把相关工程团队从二十多人扩充到一百多人，重新建立集成与交付体系，最终把一次版本部署从三天压缩到一小时以内。

注意，这里没有什么突然降临的“银弹”。只有大量不漂亮、不性感，却决定系统到底能不能运行的工程工作。但这些工作反过来改变了算法。

这就是“Infra is 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 已经赢得了 L4 的终局，但至少在量产 L2 这一局，它证明了自己：

L2 不是偏离研究的弯路。量产本身，可以成为研究的发动机。

章健勇的经历也是如此。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，这点算力甚至寒酸。但工程的价值，本来就不是等资源无限充足，而是在确定的硬件、功耗和成本里，把系统逼到极限。

吴新宙也一样。他从高通来到小鹏时，虽然做过自动驾驶和 ADAS，但在国内量产智驾领域还没有被充分验证。2019 年，小鹏第一次 1024 活动上，他就讲过两条路线：一条是先做 L4，再向下覆盖 L2；另一条是先把 L2 做进量产车，再逐渐逼近 L4。

后来，他带领小鹏从 NGP 做到 XNGP，最后去了英伟达。回头看，这些人的共同点，不是手里握着某颗银色子弹。而是愿意带着团队，长期处理那些没人愿意讲、讲出来也不好听的工程问题。

这件事让我很有感触，因为年轻时的我，恰好也有一点这种“研究贵族病”。我从河南考上清华，对自己的智商和推理能力非常自信。高中都不背公式的，比如物理考试时，只要有牛顿第二定律、动能动量定理，就可以推出一切运动学公式。

到了大学，大一学线性代数、微积分和大学物理，我学得非常好，总成绩年级第一。因为这些学科有漂亮的公式，也有清晰的推导，一切都很优雅。

到了大二，我开始学《工程热力学》，突然感到非常厌恶。一旦加上“工程”两个字，公式就变丑了。烧锅炉的计算不告诉你怎么完整推导，而是给你一堆参数和待定值。不同工况要查不同的表，表里全是 1.356、1.686 这种毫无规律的经验数字。

当时我觉得，这怎么能叫科学？

后来我才明白：这恰恰就是工程，很脏、很累、很不完美，但可以解决问题，也可以蕴育创新。

十年前，我看过一本 MIT 学者苏珊娜·伯杰写的书，中文名叫《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：制造并不是创新完成以后的下游环节。

制造本身，就是创新发生的地方。

一张设计图真正进入生产，材料、工艺、设备、成本和良率会不断暴露新的问题。工程师修改制造过程的同时，也在重新定义产品。

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。但一起被搬走的，还有制造过程中形成的知识，以及下一轮创新赖以生长的土壤。

简而言之，美国亏大了！

美国说那行，制造业搞不过，那搞点只需要脑子的，也就是AI！结果，逃不过的宿命又在 AI 和智能驾驶领域发生。

AI 公司以为，研究员负责发明模型，工程师只要准备好 GPU 和数据就行。自动驾驶公司也曾经以为，只要找到足够漂亮的算法，剩下的不过是量产落地。

最后大家才发现：模型怎么训练，系统怎么部署，数据怎么回流，问题怎么复现，团队怎么协同，这些看上去最不高级的工作，本身就在决定技术能够走多远。

Infra本身 就是研究。

制造本身就是创新。

工程不是研究的农民。那些最接近现实、最不优雅、也最容易被人看不起的工作，往往才是新能力真正长出来的地方。制造业马斯克kimi3