但随之而来也有一系列质疑,包括他能否管理好这片新领域?包括收购之后是否会影响特斯拉?当然最受质疑的,还是马斯克的时间管理能力。
这就要求他一边找到降低成本的方法,一边又要从有史以来数额最大的技术收购中创造新收入,这事绝对不简单。
而且,受到考验的不只是马斯克解决问题的能力,更要求他把精力暂时从特斯拉、SpaceX、The Boring和Neuralink四家公司身上抽离出来。
而且千万别被马斯克嚣张的外表迷惑了,他其实是个非常出色的管理者,为每家公司都建立起了强大的企业文化。所以就算他稍有分心,业务也不至于立马翻车。
“这应该只是场短暂的风暴,很快就会过去。”
以特斯拉为例,按每股220美元计算,其市值约为7000亿美元,是全球第二大汽车制造商的3倍。SpaceX开创了可重复使用的火箭和天基高速互联网,根据今年8月的融资,其市值已达到1250亿美元,成为全球五大最有价值的航空航天企业之一。价值60亿美元的The Boring则想要以更快、更便宜的方式挖掘隧道,帮助城市解决交通拥堵问题。与此同时,Neuralink则在研究脑机接口,目前市值约在10亿美元。
所以在收购Twitter之前,马斯克掌握的这几家企业总价值已经高达8320亿美元。
马斯克持有的这5家企业,股份估值都高于10亿美元。
乔布斯倒是同时掌控过皮克斯和苹果,但皮克斯的体量几乎可以忽略不计,而且在2006年就被迪士尼以70亿美元的价格收购。
Liberty Media的John Malone凭借股权控制了多家公司,包括一级方程式集团、亚特兰大勇士棒球队、卫星广播公司SiriusXM、家庭购物领军品牌QVC,以及Liberty旗下其他媒体公司。但他们总共只雇用了约45000名员工,总市值预估为270亿美元。
但马斯克跟巴菲特之间有个核心区别——巴菲特属于投资委托人,他会收购那些拥有强大管理团队的企业,然后让职业经理人帮助运营。长期以来,他还拥有查理·芒格等得力干将,所以如果巴菲特自己打算退休,哈撒韦集团马上就能推选出新的合格领袖。
而且除了由Gwynne Shotwell负责运营的SpaceX,其实大多数分析人士都很难说出特斯拉、Neuralink和The Boring还有哪些影响力较强的高管和经理。这事对于The Boring和Neuralink倒是正常,毕竟还没上市而且体量不大。但就连特斯拉这边,其代理文件中也只列出了三名高管——马斯克本人,首席财管官Zachary Kirkhorn,还有工程主管Drew Baglino。
特斯拉希望把每年交付的汽车数量再增加50%,就是说要在2025年实现全年500万辆汽车的交付能力。
要完成这项目标,特斯拉必须建设新工厂、增加车型的电池续航,并很可能需要推出新的低价车型。与此同时,福特、通用等各大老牌汽车厂商的电动汽车也已经陆续出现,所以特斯拉的电车产品似乎没那么特别了。
他是马斯克信得过的人,不光管理这位富豪的资金、也帮他打理个人生活。
马斯克虽然要求苛刻、脾气暴躁,但也是个很有逻辑的人。某SpaceX前任高管就回忆道,马斯克经常斩钉截铁地强调“不要猜测、不要主观臆断”,最有价值的就是引发问题的客观根源。
例如,SpaceX雇用的很多工程师,都不是航空航天专业出身。这个决定对SpaceX而言意义重大,因为它能跳脱出从业者们的思维习惯,也彻底颠覆了当时的航天工业。同样的,特斯拉首席电机设计师Konstantinos Laskaris,也是公司第二届年度“AI日”上展出的“擎天柱”机器人的关节执行器设计者。
,Gerner就把Baglino形容为“就像一位参谋长”。
New Street Research分析师Pierre Ferragu表示,“特斯拉现在是家非常大的公司,拥有很多能力出众的人才,自主运营态势良好。从这个角度看,马斯克抽身管理Twitter,应该不会给特斯拉造成太大影响。”
为了应对这种情况,特斯拉可能得考虑怎么把自身品牌跟公司CEO区分开来。
Gerber认为,“特斯拉现在最好的选择,就是让特斯拉品牌跟马斯克个人保持距离。”
通用汽车和福特汽车在2021年内的营销支出合计超过60亿美元,而全部2530亿美元的销售额中也只有约240亿美元的纯利润。如果按类似的销售额和收入比来计算,特斯拉每年可能需要在广告上花费30亿到40亿美元,即占2023年预期营业利润220亿美元中的15%。
所以特斯拉绝对不能“沦为”普通车企,否则根本无法维持目前高达37倍的市值预期。
所以,纵观特斯拉面临的所有风险,保持品牌形象可能是其中最具挑战的一项。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。