马斯克旗下公司同时推进芯片制造与轨道算力，看似宏大叙事，实则揭示AI竞争边界正从模型与应用延伸至基础设施。本文拆解Terafab与Starmind的真实价值，探讨产品经理如何面对算力约束与资源边界，重新定义AI产品的竞争维度。

前段时间看到Terafab和Starmind的消息时，我第一反应其实很直接：这件事情挺震撼的。一套看起来很完整的叙事很快出现在眼前——自己制造芯片，把芯片变成算力，再用火箭把算力送入轨道，通过卫星网络连接全球，最后服务Grok、Optimus、Cybercab等产品。如果把Tesla、SpaceX和xAI放在一起看，它们似乎正在把芯片、算力、网络和应用连接成一个巨大的系统。

因为在过去几十年的科技产业里，很少有公司同时向这么多底层环节推进。芯片公司通常专注半导体，云厂商建设数据中心，软件公司围绕用户需求和产品体验展开竞争，但马斯克旗下公司的路线一直带有很强的向下延伸特征：为了部署卫星而降低发射成本；为了扩大电动车业务而深入电池和制造；为了发展AI、机器人和自动驾驶，又开始关注芯片供应和算力部署。

但是，我也没有急着把这件事总结成“马斯克又押中了未来”。过去几年，AI行业最不缺的就是宏大的故事。大模型会成为新的操作系统，Agent会重新定义软件，机器人会进入家庭和工厂，这些方向都值得期待，但提出方向和把方向做成稳定的产品与商业，中间往往隔着漫长的工程、成本和组织问题。研究一个新项目，如果只停留在故事最完整的那一刻，很容易把计划当成结果，把申请规模当成现实产能。

比如，Starmind所对应的百万级卫星数字，来自SpaceX向美国联邦通信委员会提交的轨道数据中心系统申请。FCC在2026年2月发布的文件显示，SpaceX申请的是“最多100万颗”非地球静止轨道卫星；申请被接受进入审查流程，并不代表100万颗卫星已经获批，更不代表它们已经开始部署。

Terafab同样处在宏大目标与复杂落地之间：它希望把逻辑芯片、存储、先进封装和测试等环节更紧密地组织起来，但半导体制造不是有资金和厂房就能迅速建立的能力，它依然受到设备、材料、人才、工艺和良率的共同限制。

把这些容易被放大的信息拆开以后，我反而觉得Terafab和Starmind更值得研究了。因为去掉“AI帝国”这种说法之后，一个更实际的问题浮现出来：为什么一家已经拥有模型、数据中心、火箭和卫星网络的公司，还要继续进入芯片制造和轨道算力？这个问题背后不是一个人的野心，而是AI产品竞争边界正在发生变化。

以前我一直觉得，AI产品之间的竞争主要还是模型、应用、交互和体验。作为产品经理，我们习惯研究用户遇到了什么问题、模型效果够不够好、操作流程是否顺畅，以及产品能不能形成可持续的商业价值。这些判断当然没有过时，但研究Terafab之后，我发现它们只覆盖了用户能够直接看到的一部分。

AI和传统软件有一个很重要的区别，它对现实资源的依赖更重。过去互联网产品的发展，很大程度建立在云计算提供的抽象能力之上。产品团队不需要知道服务器具体放在哪里，也不需要参与数据中心建设，只要购买相应资源，就可以把主要精力放在需求、体验和增长上。基础设施虽然重要，但大多数时候被封装成了一个可以按需调用的后台能力。

生成式AI正在改变这种关系。一个普通互联网产品的使用量增长十倍，通常意味着更多服务器；一个AI产品的任务量和复杂度同时增长，背后可能意味着更多加速芯片、更高的推理成本、更大的数据中心、更强的供电能力，以及更复杂的供应链。产品团队想增加更长上下文、实时多模态、更复杂的Agent任务和更低的响应延迟，最终都要由计算资源来兑现。

这也是为什么基础设施正在从“支撑产品的后台”变成“决定产品上限的条件”。一个企业AI助手即使找到了真实需求，如果单次任务成本无法下降，复杂任务的等待时间过长，或者高峰期无法稳定提供服务，产品价值就很难转化为规模化收入。

到这个阶段，芯片、电力和部署能力不再只是采购团队或技术团队的问题，它们会直接影响功能优先级、定价方式、服务范围和增长节奏。

这并不是说AI产品经理需要变成芯片专家，而是产品经理不能再把算力当成无限供给。设计一个能力时，除了问用户是否需要，还要理解它会消耗什么资源、成本会不会随着使用量线性增长、规模扩大以后哪个环节最先成为瓶颈。过去我们经常讨论产品的功能边界，未来还需要更早地讨论产品的资源边界。

再回到我刚看到Terafab时，我关注的是马斯克是不是要自己造芯片，但后来再看，这个问题有些表面。大型科技公司进入上游产业，很多时候不是因为它想成为那个行业里全能的新玩家，而是因为某个关键环节已经开始影响自身的发展速度。Tesla深入电池和制造，是因为成本与供应决定汽车能做到多大规模；SpaceX自研火箭并持续推进复用，是因为发射成本决定卫星网络是否具有经济性。沿着这个逻辑看，Terafab更像是在处理未来AI业务可能面对的芯片供给不确定性。

Tesla的自动驾驶和Optimus、xAI的模型训练与推理、SpaceX设想中的轨道计算，都可能成为芯片消耗大户。当需求规模足够大时，芯片就不只是“向供应商多下一些订单”的问题。如果外部产能、交付周期或产品路线无法匹配内部节奏，公司就会开始考虑把一部分关键能力往内部收。Terafab的战略价值因此未必只体现在单颗芯片能不能更便宜，也可能体现在能否让设计、制造、测试和实际应用之间的反馈更快。

过去软件产品强调快速迭代，是因为用户反馈可以迅速传递给产品和研发团队，修改后又能很快上线验证。AI产品的反馈链正在向更底层延伸：应用希望提供什么体验，会影响模型如何取舍；模型采用什么架构，会影响芯片和系统优化；芯片的性能、功耗与供应，又会反过来限制应用可以提供什么能力。如果这些团队距离更近，需求到计算能力之间的反馈周期有机会被压缩，这可能比单纯增加一座工厂更有战略意义。

当然，垂直整合不等于所有事情都自己做。先进半导体制造依赖高度全球化的设备、材料和人才体系，Terafab不可能因为把多个环节放进一个计划，就自动替代成熟晶圆厂、光刻设备商和整个供应链。它是否能够建立稳定工艺、提高良率并控制成本，需要几年甚至更长时间验证。对这个项目更合理的理解，不是“马斯克要取代整个芯片行业”，而是他希望减少最可能限制自身AI业务的外部不确定性。

如果说Terafab主要在回答芯片从哪里来，那么Starmind提出的问题是算力应该部署在哪里。我们已经习惯计算发生在地面数据中心，因为地面拥有成熟的电力、网络、维护和供应链。但AI数据中心越建越大以后，土地、供电、并网、冷却和建设周期逐渐成为新的约束，于是轨道计算开始从一个听起来遥远的概念，变成一些公司认真研究的基础设施选项。

SpaceX对Starmind的官方描述强调在太阳同步轨道利用太阳能，并在卫星本地完成AI计算后把结果传回地面。这个设想吸引人的地方，不只是“把服务器送上太空”，而是把发射能力、能源获取、卫星通信和计算部署放进同一个系统里。如果火箭复用能够持续降低单位发射成本，而卫星网络又能承担数据传输，那么SpaceX确实比普通云厂商多了一组探索轨道算力的条件。

但太空并不是没有成本的计算天堂，它只是把地面数据中心的问题换成了另一组问题。地面要处理土地、供电和冷却，轨道上则要处理发射成本、辐射环境、散热、故障维护、通信带宽、轨道资源和太空垃圾。尤其是散热这件事，太空虽然温度低，但真空环境中缺少空气对流，设备产生的热量主要依赖辐射排出，系统设计并不会因为“太空很冷”而变得简单。百万级规模还会带来非常严肃的轨道安全与治理问题。

因此，Starmind真正需要证明的不是卫星上能不能运行AI芯片。小规模的在轨计算完全可以实现，真正困难的是它能不能在性能、成本、寿命和可靠性之间找到可持续的平衡，并最终形成一种比地面方案更有价值的服务。现阶段把它理解为对地面云计算的直接替代还太早，更现实的路径可能是先服务那些数据本来就产生在太空、回传原始数据代价较高的场景，例如遥感图像筛选、气象分析、环境监测和卫星自主运行。

这种路径和边缘计算的发展很相似。计算并不是越集中越好，关键要看数据在哪里产生、结果需要多快返回，以及传输成本是否高于本地处理成本。手机、摄像头和工业设备之所以开始承担更多本地计算，并不是云计算失去价值，而是计算位置本身会影响延迟、隐私、带宽和产品体验。轨道计算如果能够先在少数适合的任务里证明价值，再逐步扩展，比一开始就用它替代全球数据中心更符合产品落地规律。

研究完Terafab和Starmind之后，我不会简单地说马斯克正在打造一个完全封闭的AI帝国。很多人喜欢把这些事情串起来，最后得到一个很完整的故事：芯片自己做，算力自己建，卫星自己发射，应用自己消化，最后形成一个完全闭环的AI体系。

这个故事听起来确实很漂亮。但如果把每个环节拆开看，会发现中间还有很多现实问题没有解决。Terafab要面对的是半导体制造本身的复杂性，Starmind要面对的是轨道计算的经济性，而最终这些基础设施能不能产生价值，还取决于模型、产品和用户需求的发展。

所以我现在不太倾向于把它理解成“马斯克要把整个AI产业链全部掌控在自己手里”。

我把这些动作理解成一种提前布局。如果未来芯片供应会影响AI、机器人和自动驾驶的发展，那么提前参与芯片制造，就是降低未来的不确定性。如果未来数据中心建设速度跟不上算力需求，那么探索新的算力部署方式，也是寻找新的解决方案。如果轨道计算最终想成立，那么前提还Starship能够把发射成本和频率做到足够低。所以它关注的可能不是“所有事情都自己做”，而是哪些事情可能成为未来发展的限制因素。

这一点其实和很多公司的发展路径类似。企业规模还小的时候，更关注把产品做好；但当业务越来越大之后，很多原本可以外部采购的能力，会慢慢变成影响增长速度的因素。

当然，内部化这些能力也不是没有代价。自己建设芯片产能，意味着承担更高的资本投入和更长的回收周期。探索轨道计算，也意味着面对大量还没有被验证的问题。如果未来需求增长没有达到预期，或者外部供应链的发展速度超过自己的建设速度，这些投入也可能成为巨大的负担。

所以我脑子当时就一直在想这几个问题：“Terafab能不能拥有稳定的制造能力？Starmind能不能找到比地面数据中心更有价值的应用场景？Starship能不能把发射成本降低到支持大规模部署的水平？”而这些问题，最终都会回到一个最简单的商业判断：投入这些资源之后，产生的价值是否超过了成本！

当我开始思考清楚之后，我最大的收获其实是开始重新理解AI产品竞争这件事。以前我认为AI产品竞争主要发生在屏幕里面，比如模型、应用、交互和体验。但现在来看，屏幕之外的东西也正在影响产品最终能做到什么程度。芯片供应是否稳定，数据中心能不能及时扩展，推理成本能不能降下来，都会直接影响一个AI产品的体验。

这也是为什么同一个模型，在不同产品里可能表现完全不同。有的产品看起来模型能力很强，但因为响应慢、成本高、稳定性不足，很难真正商业化。有的产品模型能力并不是最先进，但通过成本控制、流程设计和场景选择，反而能够快速落地。

所以对AI产品经理来说，不能只关注模型效果。模型能力只是起点，最终产品能不能成立，还要看成本、速度、可靠性和用户价值之间能不能达到平衡。另外一个变化是，产品路线和基础设施路线需要越来越紧密。在产品早期，团队通常会优先选择最快的方式验证需求，比如调用通用模型API、组合现有工具、快速搭建Demo。这个阶段最重要的是确认用户是否真的需要。但当产品开始扩大规模之后，问题会慢慢变化：成本怎么办？性能怎么办？数据如何沉淀？哪些能力需要自己掌握？

这时候，产品团队就不能只看前端体验，也需要开始理解背后的基础设施。当然，这并不意味着AI产品经理需要去学习如何设计芯片或者建设数据中心。更重要的是要知道自己的产品依赖什么和未来可能会被什么限制，过去互联网产品经理更多关注用户需求和产品体验。

未来AI产品经理可能还需要增加一个能力：理解智能背后的供应链和基础设施！

因为AI最终不是只存在代码里的能力，它需要真实世界里的芯片、电力、计算资源和工程系统共同支撑。而这些因素，可能正在逐渐决定下一代AI产品能够走多远。

未来影响AI产品发展的，除了模型本身，还有芯片从哪里来、数据中心建在哪里、电力是否充足，以及某些计算任务是否需要转移到离数据更近的地方。真正成熟的AI产品思维，不只是设计用户看见的界面和功能，也要理解支撑这些智能能力的整个系统，并在宏大愿景与现实约束之间做出可以落地的选择。