公式
专题章节
⑪ 核心公式总集 · 马斯克 Insight
M 马斯克 · Musk Insight
◆ Module 11 · 全站唯一完整推导源核心公式总集
把主张还原成 可复算的算式
马斯克的说服力，很大一部分来自他把复杂决策压缩成一个数字的能力——「五百万个百分点」「每公斤一百美元」「三代之后剩 3%」「十 bit 每秒」。本页做的事只有一件：把这些数字背后的算式一步一步写出来，标清每一步做了什么代数操作、依赖哪些假设、在什么条件下失效，让读者可以拿计算器自己复算，然后自己判断结论站不站得住。
**16** 条完整推导链
**6** 个交互计算器
**4** 个主题模块
符号全站统一：**ε · MR · ve**
本页定位
-
本页新增什么：全站唯一写出完整推导过程的地方。其余各页只放结论式与数值，凡出现「推导见 ⑪」字样即指向本页。**与哪几页不重复：**⑦ SpaceX 讲复用工程与 Starship 编年、⑧ 能源讲产业数据与战略叙事、⑤ 自动驾驶讲纯视觉路线之争、⑨ Neuralink 讲器件与临床、⑩b 讲人口崩溃论的社会争论——那几页不做推导，本页不做叙事。本页没有公司史、没有人物评传，只有算式、假设、算例和失效条件。
-
**收录标准：**一条公式要进本页，必须能回答「它在检验马斯克的哪条具体主张」。没有认知落点的公式不收录——所以这里没有通用物理教科书内容，只有那些能把某句公开断言变成可证伪命题的算式。
-
三条最重要的结论：（a）火箭方程的指数惩罚意味着等比放大火箭买不到任何 (\Delta v) 或载荷分数——至于「更大」能否靠规模经济压低单位成本，方程管不着，那是 ③ 与 ④ 的成本模型才能回答的问题；（b）贝叶斯融合的精度相加表明**「多传感器必然增加不确定性」在信息论上不成立**，马斯克的论证只在工程实践层面（标定、失效模式、成本）有依据；（c）模仿学习的 (O(\varepsilon T^2)) 界解释了「为什么演示容易、产品极难」，on-policy 采集能把它降到 (O(u\varepsilon T))、改进因子 (T/u)，但它是上界的阶、不是事故率预测，而且很松——而且这个「二次」本身依赖于用 0-1 损失记账，换成对数损失、或换到连续动作空间，阶都会变（见 ⑫ 的辩证块）。
-
关于计算器：6 个滑杆模型都是数量级估算工具，不是工程设计工具。每个旁边都有橙色的「适用条件与未计项」，请务必读完再引用数字。计算逻辑在 assets/app.js，有 51 项断言单测。
-
关于数值算例：每个算例都给出全部输入参数与来源，目标是让读者用手机计算器就能独立复算。若你算出的数字与本页不同，多半是取的常数版本不同（例如 (I_{sp}) 的海平面值与真空值），本页在每处都标注了口径。
公式索引表 Ⅰ 航天（7） ① 火箭方程 ② 多级火箭 ③ 复用成本 ④ $/kg 学习曲线 ⑤ 会合与霍曼 ⑥ 萨巴捷能量账 ⑦ 火星物流 Ⅱ 能源与制造（3） ⑧ 莱特定律 ⑨ 辐射散热 ⑩ Kardashev Ⅲ AI 与自动驾驶（3） ⑪ 贝叶斯融合 ⑫ 复合误差 ⑬ Scaling 与数据耗尽 Ⅳ 人与社会（3） ⑭ 世代人口 ⑮ 信息带宽 ⑯ 白痴指数 符号总表
Index · 十六条推导链
公式索引：每一条在检验哪句话
下表是本页的目录，也是本页的论证清单。「检验的主张」一列写的是这条公式要裁决的那句具体断言——如果一条公式无法填上这一列，它就不该出现在这份报告里。「结论」一列用三档标注本报告的判断：支持 表示算式与数据支持他的主张，部分 表示方向对但数字或范围有问题，不支持 表示该主张在这条公式的框架内不成立。
公式它在检验马斯克的哪条主张所属模块交互计算器本报告判断| 公式 | 它在检验马斯克的哪条主张 | 所属模块 | 交互计算器 | 本报告判断 |
**① 齐奥尔科夫斯基方程 + 载荷分数**(\Delta v=I_{sp}g_0\ln MR)「造更大的一次性火箭」买到的到底是什么——运力可以线性放大，但质量比、Δv 与载荷分数一点不变（成本结论不在方程管辖内）⑦ SpaceXrocket · 双图支持| ① 齐奥尔科夫斯基方程 + 载荷分数(\Delta v=I_{sp}g_0\ln MR) | 「造更大的一次性火箭」买到的到底是什么——运力可以线性放大，但质量比、Δv 与载荷分数一点不变（成本结论不在方程管辖内） | ⑦ SpaceX | rocket · 双图 | 支持 |
**② 多级火箭与 SSTO 约束**(\varepsilon\lt e^{-\Delta v/v_e})为什么单级入轨（SSTO）在化学推进下没有经济价值；分级换来了什么、代价是什么⑦ SpaceX—支持| ② 多级火箭与 SSTO 约束(\varepsilon\lt e^{-\Delta v/v_e}) | 为什么单级入轨（SSTO）在化学推进下没有经济价值；分级换来了什么、代价是什么 | ⑦ SpaceX | — | 支持 |
**③ 复用成本模型**(\bar C(N)=C_{re}/\mathbb E[F]+\dots)「每次飞完就扔掉一架 747 会怎样」——复用到底能省多少，以及为什么省不到无穷⑦ SpaceXreuse部分| ③ 复用成本模型(\bar C(N)=C_{re}/\mathbb E[F]+\dots) | 「每次飞完就扔掉一架 747 会怎样」——复用到底能省多少，以及为什么省不到无穷 | ⑦ SpaceX | reuse | 部分 |
**④ $/kg 与发射学习曲线**(c=C_{flight}/m_{pl})「2,700/kg 是怎么算错的⑦ SpaceX用 wright未决| ④ /kg 与发射学习曲线\(c=C_{flight}/m_{pl}\) | 「100/kg 到近地轨道」还差多远；流传最广的那个 $2,700/kg 是怎么算错的 | ⑦ SpaceX | 用 wright | 未决 |
**⑤ 会合周期 + 霍曼转移**(1/T_{syn}=|1/T_E-1/T_M|)「每 26 个月才能去一次火星，而每 10 天就能去一次月球」——2026 年战略转向的定量依据⑦ SpaceX—支持| ⑤ 会合周期 + 霍曼转移(1/T_{syn}=|1/T_E-1/T_M|) | 「每 26 个月才能去一次火星，而每 10 天就能去一次月球」——2026 年战略转向的定量依据 | ⑦ SpaceX | — | 支持 |
**⑥ 萨巴捷反应能量账**(\mathrm{CO_2+4H_2\to CH_4+2H_2O})「火星上造推进剂最棘手的其实是能源」——他自己点出的瓶颈，到底需要多少千瓦⑦ SpaceX—支持| ⑥ 萨巴捷反应能量账(\mathrm{CO_2+4H_2\to CH_4+2H_2O}) | 「火星上造推进剂最棘手的其实是能源」——他自己点出的瓶颈，到底需要多少千瓦 | ⑦ SpaceX | — | 支持 |
**⑦ 火星自持物流**(N=\frac{M}{m_{ship}}(1+n_{tk}))「100 万人 / 100 万吨 / 1000 艘船 / 每天 10 次发射」——他的算术是否自洽，以及在什么假设下崩溃⑦ SpaceX—部分| ⑦ 火星自持物流(N=\frac{M}{m_{ship}}(1+n_{tk})) | 「100 万人 / 100 万吨 / 1000 艘船 / 每天 10 次发射」——他的算术是否自洽，以及在什么假设下崩溃 | ⑦ SpaceX | — | 部分 |
**⑧ 莱特定律 / 学习曲线**(C(x)=C_0x^{\log_2 b})「规模化会自动带来降本」——电池价格从 108/kWh 是不是这条曲线的功劳（注意口径：BNEF 给的是价格，不是成本）⑧ 能源wright部分| ⑧ 莱特定律 / 学习曲线(C(x)=C_0x^{\log_2 b}) | 「规模化会自动带来降本」——电池价格从 108/kWh 是不是这条曲线的功劳（注意口径：BNEF 给的是价格，不是成本） | ⑧ 能源 | wright | 部分 |
**⑨ 轨道辐射散热**(\varepsilon\sigma A(T^4-T_{env}^4)=P)「把数据中心搬到太空，靠近乎恒定的太阳能」——真正的瓶颈不是发电，是排热⑧ 能源radiator部分| ⑨ 轨道辐射散热(\varepsilon\sigma A(T^4-T_{env}^4)=P) | 「把数据中心搬到太空，靠近乎恒定的太阳能」——真正的瓶颈不是发电，是排热 | ⑧ 能源 | radiator | 部分 |
**⑩ Kardashev 尺度与能源账**(K=(\log_{10}P-6)/10)「我们大概在 Kardashev I 的 1–2%」「能量是终极货币」——数字对不对，结论对不对⑧ 能源—不支持| ⑩ Kardashev 尺度与能源账(K=(\log_{10}P-6)/10) | 「我们大概在 Kardashev I 的 1–2%」「能量是终极货币」——数字对不对，结论对不对 | ⑧ 能源 | — | 不支持 |
**⑪ 贝叶斯传感器融合**(\tau_{post}=\tau_{prior}+\tau_1+\tau_2)「激光雷达和雷达因传感器冲突而降低安全性」——这是信息论命题还是工程命题⑤ 自动驾驶—不支持| ⑪ 贝叶斯传感器融合(\tau_{post}=\tau_{prior}+\tau_1+\tau_2) | 「激光雷达和雷达因传感器冲突而降低安全性」——这是信息论命题还是工程命题 | ⑤ 自动驾驶 | — | 不支持 |
**⑫ 模仿学习复合误差**(J(\hat\pi)-J(\pi^\star)=O(\varepsilon T^2))「端到端神经网络会解决自动驾驶」——为什么演示到产品之间隔着「九个九」⑤ 自动驾驶compound部分| ⑫ 模仿学习复合误差(J(\hat\pi)-J(\pi^\star)=O(\varepsilon T^2)) | 「端到端神经网络会解决自动驾驶」——为什么演示到产品之间隔着「九个九」 | ⑤ 自动驾驶 | compound | 部分 |
**⑬ Scaling law 与数据耗尽**(L(N,D)=E+A/N^{\alpha}+B/D^{\beta})「人类数据已经耗尽了」——耗尽的是什么、什么时候、以及为什么这不等于进步停止③④ AI—部分| ⑬ Scaling law 与数据耗尽(L(N,D)=E+A/N^{\alpha}+B/D^{\beta}) | 「人类数据已经耗尽了」——耗尽的是什么、什么时候、以及为什么这不等于进步停止 | ③④ AI | — | 部分 |
**⑭ 世代人口衰减**(N_n/N_0=(\mathrm{TFR}/2.1)^n)「韩国三代后只剩 3–4%」「人口崩溃比全球变暖风险更大」——算术对，但它是不是预测⑩b 人口pop部分| ⑭ 世代人口衰减(N_n/N_0=(\mathrm{TFR}/2.1)^n) | 「韩国三代后只剩 3–4%」「人口崩溃比全球变暖风险更大」——算术对，但它是不是预测 | ⑩b 人口 | pop | 部分 |
**⑮ 人类信息带宽**(Si=R_{sens}/R_{beh}\approx10^{8})「我们已经是赛博格了，只是 I/O 太慢」——那篇被广泛引用的 10 bit/s 论文其实在反驳他⑨ Neuralink—不支持| ⑮ 人类信息带宽(Si=R_{sens}/R_{beh}\approx10^{8}) | 「我们已经是赛博格了，只是 I/O 太慢」——那篇被广泛引用的 10 bit/s 论文其实在反驳他 | ⑨ Neuralink | — | 不支持 |
**⑯ 白痴指数与费米估算**(\mathrm{II}=C_{finished}/C_{raw})「一个部件贵，多半是设计太复杂或工艺太低效」——这个指标什么时候有效、什么时候会误导② 第一性原理—部分| ⑯ 白痴指数与费米估算(\mathrm{II}=C_{finished}/C_{raw}) | 「一个部件贵，多半是设计太复杂或工艺太低效」——这个指标什么时候有效、什么时候会误导 | ② 第一性原理 | — | 部分 |
◈ 十步模板：8 张卡逐条走完，另外 8 张合并部分步骤
为了让读者能逐条核查而不是被公式吓住，本页所有卡片都按同一个模板组织：① 它在检验哪条主张（配原话）→ ② 符号与单位 → ③ 起始定律（式 a）→ ④ a 到 b 的每一步代数变换 → ⑤ 假设清单 → ⑥ 数值算例 → ⑦ 一阶敏感性 → ⑧ 失效条件与适用域 → ⑨ 与实际数据的校准 → ⑩ 能证明什么、不能证明什么。
**但「每张卡都有十个小标题」并不属实，这里如实说明。**16 张卡里，①②③④⑤⑧⑨⑫ 这 8 张把十步逐条列成了独立小标题（部分还额外加了 ④b、④c 这样的延伸步）；另外 8 张——⑥⑦⑩⑪⑬⑭⑮⑯——把相邻的两到四步合并进同一个标题（如「③④ 起始关系与推导」「⑥⑦⑧⑨ 算例、敏感性、失效与校准」）。合并卡的内容仍然覆盖这十件事，只是不再逐条分节；合并的原因是这些卡片往往一次讲多条并列公式，硬拆会把同一条推导切碎。读者若要核查某一步，可按上面的次序在卡内顺序查找。
其中第 ④ 步和第 ⑩ 步是本页真正的重点。第 ④ 步写清「为什么可以这么变换」——绝大多数「公式看起来很唬人」的文章缺的就是这一步；第 ⑩ 步写清这条公式的裁决范围，因为把一条正确公式用到它管不着的地方，是本报告在马斯克公开论证中发现的最频繁的错误类型。较长的推导折叠在灰色的展开块里，打印或导出 PDF 时会自动展开。
⚑ 三条阅读前的提醒
**1 · 这些不是工程设计工具。**本页所有模型都是「信封背面」量级的一阶估算，用来判断某个主张是否在数量级上成立，不能用来做任何真实的载具、电站或医疗器械设计。**2 · 数量级正确不等于结论正确。**一个模型可以在数量级上完全正确，同时对决策毫无指导意义——⑦ 火星物流那张卡是这一点的最佳例子。**3 · 公式不能替代实证。**本页几处「不支持」的判断（尤其 ⑪ 与 ⑮），指的是「该主张不能由这条公式推出」，而不是「与该主张相关的工程实践没有价值」。这两件事必须分开。
Part Ⅰ · 七条推导链航天：复用为什么是最大的那个杠杆
马斯克关于航天的全部主张，几乎都可以还原成同一条推理：火箭方程给出一个指数惩罚，这个惩罚无法通过「把火箭造得更大」来消除，因为它作用在质量比上而不是质量上；既然分子端（推进剂效率）被化学能锁死，剩下最大的一个杠杆就是把硬件成本摊到多次飞行上。下面七条公式把这条推理拆成可核查的步骤，并在最后两条上给出对他本人估算的定量压力测试。一处措辞更正：本页此前把复用称作「唯一解」，那超出了这七条公式能裁决的范围——规模经济、任务架构（在轨加注、燃料仓库）、非化学推进与市场结构都是方程之外的独立杠杆，③ 的第 ⑩ 条也明确说明复用在低频次场景下未必占优。本页要论证的是「复用是这些杠杆里最大的一个、而且是唯一被 SpaceX 兑现了的那个」，不是「除它之外别无出路」。
FORMULA 01 齐奥尔科夫斯基方程与载荷质量分数
① 它在检验马斯克的哪条主张
2016 年 9 月 27 日，瓜达拉哈拉第 67 届国际宇航大会，马斯克在讲台上写下一个荒诞的数字：要让普通人去火星，成本必须改进 5,000,000%。这个数字本身可以核验（200,000 = 50,000 倍 = 4.7 个数量级，他说「约四个半」），但更值得追问的是它的推论：既然要改进四个半数量级，为什么他选择的路径是「把火箭造得可以复用」，而不是「把火箭造得更大」或「把发动机做得更高效」？答案藏在火箭方程的一个结构性特征里——它是关于质量比的对数函数，因此把火箭等比放大，Δv 一点都不会增加。
So it is a bit tricky. We have to figure out how to improve the cost of trips to Mars by 5,000,000%. This translates to an improvement of approximately four-and-a-half orders of magnitude.
所以这有点棘手。我们必须想出办法，把去火星的成本改进 500 万个百分点。这相当于大约四个半数量级的改进。
Elon Musk
2016-09-27 · IAC 2016「Making Humans a Multiplanetary Species」，瓜达拉哈拉
P2 完整逐字稿
来源 [@src-32c48db6ae]
② 符号、单位与取值范围
\(\Delta v\)速度增量，m/s。**它是任务的「价签」**：LEO 约 9.3–9.5 km/s（含损失），地火转移注入（TMI）约 3.6 km/s（自 LEO 出发）
\(v_e\)有效排气速度，m/s。\(v_e=I_{sp}g_0\)。**本站一律用 \(v_e\)，不用 \(c\)**
\(I_{sp}\)比冲，s。煤油/液氧约 282（海平面）–311（真空）；甲烷/液氧（Raptor）约 330–380；氢/液氧约 366–452
\(g_0\)标准重力加速度，**恒取 9.80665 m/s²**（这是定义值，不是当地重力）
\(MR\)质量比 \(m_0/m_f\)，无量纲，\(MR\gt1\)。实用范围 3–20
\(\varepsilon\)结构系数 \(m_s/(m_s+m_p)\)，无量纲。**本站统一定义为「结构质量占级总质量（结构+推进剂）之比」**。低温贮箱级最好可到 0.04–0.06，加压不锈钢箱体约 0.05–0.09
\(\lambda\)载荷质量分数 \(m_{pl}/m_0\)，无量纲。单级到 LEO 时通常 <2%，两级 3%–4%
③ 起始定律（式 a）：变质量系统的动量守恒
出发点不是火箭方程本身，而是牛顿第二定律在变质量系统上的正确写法。取一个时刻 (t)，火箭总质量 (m)，速度 (v)；在 (dt) 内它向后喷出质量 (-dm)（注意 (dm\lt0)），喷出物相对火箭的速度为 (v_e)。在无外力的惯性系里，喷出前后系统总动量守恒：
\[ \underbrace{m\,v}_{t\ \text{时刻}} \;=\; \underbrace{(m+dm)(v+dv)}_{\text{剩余火箭}} \;+\; \underbrace{(-dm)\,(v-v_e)}_{\text{喷出的推进剂}} \]
式 a · 变质量系统的动量守恒。右侧第二项中 \((-dm)\gt0\) 是喷出物的质量，其在惯性系中的速度是 \(v-v_e\)（火箭速度减去相对排气速度）
④ 从式 a 到式 b：每一步做了什么
展开逐步推导（四步代数 + 一次积分）
**第 1 步 · 展开右侧。**把两个乘积拆开：((m+dm)(v+dv) = mv + m,dv + v,dm + dm,dv)，以及 ((-dm)(v-v_e) = -v,dm + v_e,dm)。相加后： [ mv ;=; mv + m,dv + v,dm + dm,dv - v,dm + v_e,dm ]
**为什么可以这么做：**纯粹的分配律，没有引入任何物理假设。
**第 2 步 · 消项。**两侧同时减去 (mv)；右侧的 (+v,dm) 与 (-v,dm) 相消。剩下： [ 0 ;=; m,dv + v_e,dm + \underbrace{dm,dv}_{\text{二阶小量}} ]
为什么可以丢掉 (dm,dv)：它是两个无穷小量的乘积，相对 (m,dv) 与 (v_e,dm) 是高阶无穷小；在 (dt\to0) 的极限下其贡献趋于零。这是微分法的标准操作，不是近似——极限过程使它严格为零。
**第 3 步 · 分离变量。**整理为 (m,dv = -v_e,dm)，两侧同除以 (m)： [ dv ;=; -,v_e,\frac{dm}{m} ]
**为什么可以除以 (m)：**火箭总质量恒为正，不会出现除零。这一步把方程变成了「速度微分 = 质量对数微分」的形式，这正是后面出现自然对数的原因。
**第 4 步 · 两侧定积分。**速度从 0 积到 (\Delta v)，质量从 (m_0) 积到 (m_f)： [ \int_{0}^{\Delta v} dv ;=; -v_e\int_{m_0}^{m_f}\frac{dm}{m} ;\Longrightarrow; \Delta v ;=; -v_e\big[\ln m\big]_{m_0}^{m_f} ;=; -v_e(\ln m_f-\ln m_0) ]
为什么可以把 (v_e) 提到积分号外：这里用到了本推导的第一个物理假设——(v_e) 在整个燃烧过程中恒定。真实发动机的 (v_e) 随外界背压变化（海平面比真空低约 10%），所以这一步已经引入了误差，后面第 ⑤ 条会重新处理。
合并对数（利用 (\ln a-\ln b=\ln(a/b))），得到最终形式：
\[ \boxed{\;\Delta v \;=\; v_e\ln\frac{m_0}{m_f} \;=\; I_{sp}\,g_0\ln MR\;} \]
式 b · 齐奥尔科夫斯基方程（1903）
**反解形式才是「指数惩罚」的真正来源。**把式 b 对 (MR) 反解：
\[ MR \;=\; \frac{m_0}{m_f} \;=\; \exp\!\left(\frac{\Delta v}{v_e}\right) \]
式 c · 任务需求 \(\Delta v\) 每增加一个 \(v_e\)，起飞质量与干重之比就**乘以 e ≈ 2.718**
这一步是整条推理链的枢纽，但它的裁决范围要说准。它严格说明的是：把火箭所有尺寸等比放大，(m_0) 和 (m_f) 同比例增加，(MR) 不变，(\Delta v) 一点都没提高，(\varepsilon) 与载荷分数 (\lambda) 也一点没变。你买到的只有更大的载荷绝对值。
▲ 到这里为止，方程还没有说任何关于「钱」的话
本页此前从上面这一步直接推出「所以造更大的一次性火箭不能降低单位质量成本」。那一步是越界的：式 c 里只有质量与速度，没有任何成本变量，它推不出成本结论。等比放大完全可能通过规模经济、固定成本摊销、批量良率、单次任务的地面作业与保险摊薄降低 $/kg——这些机制都在方程之外，方程既不支持也不反对。
**方程能提供的，是把成本问题的形状限定住：**既然放大不改变 (\lambda)，$/kg 就等于「单次飞行成本 ÷（(\lambda\times) 起飞质量）」，分子分母同时随规模变化，净效果取决于成本对规模的弹性是否小于 1——这是一个经济学问题，本页交给 ③ 与 ④ 处理。
同理，靠提高 (I_{sp}) 也不划算——化学推进的 (v_e) 上限被键能锁死在 4.5 km/s 附近，而 (\Delta v) 的需求是 9.4 km/s，指数上的 2 已经不可动摇。
④b 再推一步：载荷质量分数 (\lambda)
式 b 只告诉我们「需要多大的质量比」，没告诉我们「其中有多少能装货」。要回答后者，必须把干重 (m_f) 拆成结构与载荷两部分。设起飞总质量 (m_0=m_s+m_p+m_{pl})，定义 (\lambda=m_{pl}/m_0)：
展开 \(\lambda\) 的三步推导
**第 1 步 · 用 (\lambda) 表示结构+推进剂。**由定义，载荷占 (\lambda m_0)，因此结构与推进剂合计占 ((1-\lambda)m_0)： [ m_s+m_p=(1-\lambda),m_0 ]
**第 2 步 · 用 (\varepsilon) 把结构从中分离出来。**结构系数的定义是 (\varepsilon=m_s/(m_s+m_p))，故 (m_s=\varepsilon(m_s+m_p)=\varepsilon(1-\lambda)m_0)。注意这一步为什么合法：(\varepsilon) 的分母是「级总质量」而非「起飞总质量」，正因为如此它才与载荷大小无关，是一个纯粹的载具工艺指标。这是本站统一采用这一定义的原因。
**第 3 步 · 组装干重并归一化。**燃尽时剩下结构与载荷：(m_f=m_s+m_{pl}=\varepsilon(1-\lambda)m_0+\lambda m_0)。两侧除以 (m_0)： [ \frac{1}{MR}=\frac{m_f}{m_0}=\varepsilon(1-\lambda)+\lambda ]
**解出 (\lambda)：**展开得 (1/MR=\varepsilon-\varepsilon\lambda+\lambda=\varepsilon+\lambda(1-\varepsilon))，移项后两侧同除 ((1-\varepsilon))：
\[ \boxed{\;\lambda=\frac{1/MR-\varepsilon}{1-\varepsilon}\;} \]
式 d · 载荷质量分数。**要求 \(1/MR\gt\varepsilon\)，即 \(MR\lt1/\varepsilon\)**
物理不可行的边界。当 (MR\ge 1/\varepsilon) 时 (\lambda\le0)：这意味着光是空箱子和发动机的质量就已经超过了干重预算，即使一克载荷都不带也飞不到目标 (\Delta v)。这不是「性能差」，是「方程无解」。下面计算器把滑杆推到这个区域时会直接显示「物理不可行」，而不是给一个负数骗你。
**指数惩罚的可视化：**四根柱子高度按质量比 \(MR=\exp(\Delta v/v_e)\) 线性等比绘制（第 4 柱超出图幅，顶部锯齿表示截断）。**关键读法不是「柱子变高」，而是柱下那一行——推进剂百分比逼近 100%**：当 \(\Delta v\) 达到入轨需求时，起飞质量的 93.5% 已经是推进剂，剩下 6.5% 要同时装下贮箱、发动机、航电、级间段和载荷。这就是为什么结构系数 \(\varepsilon\) 只要恶化一两个百分点，载荷就会归零；也是为什么马斯克把「在轨加注」算作独立的半个数量级——它等价于把一次 12 km/s 的任务拆成两次 9.4 km/s 的任务，从柱 4 退回柱 3。（本报告原创 SVG · 示意非实测）
⑤ 假设清单
▲ 式 b 与式 d 依赖的六条假设
**1 · (v_e) 全程恒定。**真实发动机的比冲随外界背压变化，Raptor 海平面 330 s、真空 380 s，差 15%。工程上用「平均比冲」近似，误差约 3%–5%。
2 · 无外力。推导中的动量守恒不含重力与气动阻力。真实上升段要额外扣掉重力损失 1.0–1.5 km/s、气动阻力损失 0.1–0.3 km/s、转向损失若干——这就是为什么 LEO 的「实际 Δv 预算」是 9.3–9.5 km/s，而不是纯轨道速度 7.8 km/s。
**3 · 推力与速度共线。**忽略姿态角、重力转弯的余弦损失。
**4 · 质量连续变化。**把离散的燃烧过程当作连续微分，对固体分段推进或脉冲点火不适用。
**5 · (\varepsilon) 与载荷无关。**式 d 假定结构质量只随推进剂量缩放。真实载具中整流罩、级间段、载荷适配器的质量部分随载荷走，因此小载荷时 (\varepsilon) 会被高估。
**6 · 全程动力飞行。**对以气动减速为主的段落（Starship 火星再入、地球返回）方程完全不适用——那里的 Δv 是被大气「免费」吸收的，这正是隔热瓦替代推进剂的架构价值所在。
⑥ 数值算例：用 Falcon 9 复算，看方程准不准
下面这组数字全部来自公开规格，读者可以逐行复算。取 Falcon 9 Full Thrust 一次性构型：一级推进剂 411.0 t、干重 25.6 t；二级推进剂 107.5 t、干重 3.9 t；LEO 载荷 22.8 t。一级平均比冲取 297 s（海平面 282 / 真空 311 的飞行段加权），二级取 348 s。
\[ \begin{aligned}
\text{一级：}\quad MR_1&=\frac{411.0+25.6+107.5+3.9+22.8}{25.6+107.5+3.9+22.8}=\frac{570.8}{159.8}=3.572\\[2pt]
\Delta v_1&=297\times9.80665\times\ln 3.572=2912.6\times1.2732=\mathbf{3.71\ \text{km/s}}\\[6pt]
\text{二级：}\quad MR_2&=\frac{107.5+3.9+22.8}{3.9+22.8}=\frac{134.2}{26.7}=5.026\\[2pt]
\Delta v_2&=348\times9.80665\times\ln 5.026=3412.7\times1.6147=\mathbf{5.51\ \text{km/s}}\\[6pt]
\Delta v_{\text{总}}&=3.71+5.51=\mathbf{9.22\ \text{km/s}}
\end{aligned} \]
算例 1 · 全部输入为公开规格值；\(g_0=9.80665\)；对数用自然对数
**校验：**LEO 的 Δv 预算是 9.3–9.5 km/s。我们算出 9.22 km/s，偏低约 1%–3%。这个差额的来源是可解释的：一级的平均比冲实际略高于 297 s（大部分燃烧时间在高空进行），且公开的干重数字通常偏保守。一个跨越两个量级的量级估算能落在 3% 以内，说明方程本身是可信的——不可信的永远是输入参数。
⑦ 一阶敏感性：谁主导结果
这是本卡片最重要的一段。把 Falcon 9 的两级合并成一个假想的单级载具：结构 (m_s=25.6+3.9=29.5) t，推进剂 (m_p=518.5) t，故 (\varepsilon=29.5/548.0=0.0538)；需求 (\Delta v=9.4) km/s。
◈ 载荷那一列怎么换算：固定的是 548 t，不是起飞质量
题设里被固定住的是「结构 + 推进剂 = 548 t」这套硬件，不是起飞总质量 (m_0)——载荷是加在它上面的。由 (\lambda) 的定义 (m_{pl}=\lambda m_0)，而 (m_s+m_p=(1-\lambda)m_0=548) t，故 (m_0=548/(1-\lambda))，于是 [ m_{pl}=\lambda,m_0=\frac{\lambda}{1-\lambda}\times548\ \mathrm{t} ]
**本页此前直接写 (m_{pl}=\lambda\times548)，少了 (1/(1-\lambda)) 这一步换算。**因为 (\lambda) 只有百分之一量级，误差在 1% 左右，对结论毫无影响；但它让「548 t」在同一张表里一会儿是硬件质量、一会儿是起飞质量，定义不一致，必须改。下表已按正确换算重算，同时把 (v_e) 一律取 (I_{sp}\times9.80665) 的未舍入值（旧表把 336 s 对应的 3295 m/s 舍成了 3300，导致 (MR) 差 0.4%）。
情形\(v_e=I_{sp}g_0\)\(\varepsilon\)\(MR=e^{\Delta v/v_e}\)\(1/MR\)\(\lambda=\frac{1/MR-\varepsilon}{1-\varepsilon}\)\(m_0=\frac{548}{1-\lambda}\)载荷 \(m_{pl}=\lambda m_0\)| 情形 | \(v_e=I_{sp}g_0\) | \(\varepsilon\) | \(MR=e^{\Delta v/v_e}\) | \(1/MR\) | \(\lambda=\frac{1/MR-\varepsilon}{1-\varepsilon}\) | \(m_0=\frac{548}{1-\lambda}\) | 载荷 \(m_{pl}=\lambda m_0\) |
**基准**（\(I_{sp}=350\) s，\(\Delta v=9.40\) km/s）3432.3 m/s0.053815.4660.06466**1.147%**554.4 t**6.36 t**| 基准（\(I_{sp}=350\) s，\(\Delta v=9.40\) km/s） | 3432.3 m/s | 0.0538 | 15.466 | 0.06466 | 1.147% | 554.4 t | 6.36 t |
比冲降 4%（\(I_{sp}=336\) s）3295.0 m/s0.053817.3360.05768**0.410%**550.3 t2.26 t（−64%）| 比冲降 4%（\(I_{sp}=336\) s） | 3295.0 m/s | 0.0538 | 17.336 | 0.05768 | 0.410% | 550.3 t | 2.26 t（−64%） |
结构系数恶化 11%（\(\varepsilon=0.0600\)）3432.3 m/s0.060015.4660.06466**0.495%**550.7 t2.73 t（−57%）| 结构系数恶化 11%（\(\varepsilon=0.0600\)） | 3432.3 m/s | 0.0600 | 15.466 | 0.06466 | 0.495% | 550.7 t | 2.73 t（−57%） |
Δv 需求 +5%（9.87 km/s）3432.3 m/s0.053817.7360.05638**0.273%**549.5 t1.50 t（−76%）| Δv 需求 +5%（9.87 km/s） | 3432.3 m/s | 0.0538 | 17.736 | 0.05638 | 0.273% | 549.5 t | 1.50 t（−76%） |
**结论：三个参数的敏感度都是「灾难级」的非线性。**比冲变化 4%，载荷掉 64%；结构系数变化 11%，载荷掉 57%；Δv 需求变化 5%，载荷掉 76%。这是因为 (\lambda) 是两个相近数之差 ((1/MR-\varepsilon)) 除以一个接近 1 的数——分子是两个大数相减得到的小数，任何一端的微小扰动都会被放大数十倍。这个数学结构解释了航天工业一个长期现象：为什么运载火箭的载荷指标会在研制过程中不断缩水，而且缩水幅度总是远大于超重幅度。
⑧ 失效条件与适用域
方程失效的三种情形：（1）气动主导段——再入、气动捕获、乘波滑翔，此时速度变化由大气而非推进剂提供，方程给出的数字毫无意义；（2）非化学推进——离子/霍尔推进的 (v_e) 可达 20–50 km/s，此时指数项的分母大到 (MR) 接近 1，真正的约束变成功率与推力时间而不是质量比；（3）连续小推力轨道转移——低推力螺旋上升的 Δv 需求本身就与脉冲近似不同（可能高 30% 以上），不能直接套用霍曼式的 Δv 预算。适用域：化学推进、脉冲或大推力、真空或近真空的动力飞行段。
⑨ 与实际数据的校准
除了上面的 Falcon 9 算例，另一个独立校准点是 Starship V3：起飞总重约 5,300 t，Super Heavy 推进剂 3,650 t，Ship 推进剂 1,600 t，Raptor 3 海平面推力 280 tf（试车峰值）/ 250 tf（2026 标称）。用同样的方法可以验证「两级合计 Δv 约 9 km/s、复用构型 LEO 运力 100+ t」这一公开指标在数量级上自洽。需要说明的是：SpaceX 从未公开 Starship 的干重，因此任何基于 Starship 的 (\varepsilon) 计算都只能是外部估算，本报告不据此下结论。
⑩ 这条公式能证明什么、不能证明什么
● 裁决范围
能证明：（1）等比放大火箭不改变理想质量比 (MR)、不改变 (\Delta v)、也不改变载荷质量分数 (\lambda)——「造更大的一次性火箭」买到的只是更大的单次绝对运力，在方程的三个输出上一无所获；（2）化学推进下 (v_e) 的天花板与 (\Delta v) 的地板共同锁死了 (MR) 的量级，这个约束不可谈判；（3）载荷分数对 (v_e)、(\varepsilon)、(\Delta v) 三者都是超线性敏感的，因此航天器设计中「每公斤都要抠」不是文化，是数学。
不能证明：（1）不能证明「造更大的火箭不能降低单位质量成本」——这是本页此前越界最远的一处。方程里没有任何成本变量，规模经济、固定成本摊销、批量良率、单次任务的地面作业与保险摊薄全都在它管辖之外；方程只保证「更大」买不到 (\Delta v) 与 (\lambda)，不保证「更大」买不到便宜；（2）不能证明复用一定更便宜——方程只谈质量，不谈钱。复用要牺牲运力（着陆燃料、栅格翼、隔热瓦），这个「运力税」是否小于「硬件摊销收益」，是 ③ 的经济学问题；（3）不能证明 SSTO 不可行——它只说明 SSTO 的载荷分数极低，「不可行」是经济判断不是物理判断，见 ②；（4）不能证明马斯克的 $100/kg 目标可达——那需要成本模型，见 ④。
交互 · 简化模型 01 · rocket
拖动滑杆观察指数惩罚与载荷分数的此消彼长。把质量比推过 1/ε 会看到「物理不可行」——那不是程序出错，是方程无解。数量级估算，非工程设计工具。
比冲 Isp（秒）
质量比 MR = m₀/m_f
结构系数 ε = m_s/(m_s+m_p)
—理想 Δv（未计损失）
—有效排气速度 v_e
—载荷质量分数 λ
▲ 适用条件与未计项
**未计：**重力损失（1.0–1.5 km/s）、气动阻力损失（0.1–0.3 km/s）、转向与余弦损失、比冲随背压的变化、级间分离质量、整流罩抛罩时机、着陆预留推进剂、推进剂沸腾蒸发（boil-off）、发动机节流对比冲的影响。
**适用：**单级、化学推进、真空或近真空的动力段的一阶估算。**不适用：**多级系统（请用 ② 的分级求和）、气动减速段、电推进。图中曲线为理想值，与任何真实载具的实际性能都会有 10%–20% 的差距。
FORMULA 02 多级火箭：为什么分级能突破单级上限，代价是什么
① 它在检验马斯克的哪条主张
Starship 是一个两级系统，而马斯克在很多场合都表达过对「级数越少越好」的偏好——从取消 Falcon 9 的三级方案，到 2017 年把 ITS 从九米级压缩、再到 Starship 坚持只用两级。这条公式检验的是：「为什么不做单级入轨（SSTO）」这个问题有没有一个不依赖工程习惯的答案。答案是有的，而且很硬：SSTO 在化学推进下并非不可能，但它的载荷分数低到没有经济意义。这也是「删除」原则在物理约束前的一个反例——这里的一个「零件」（第二级）删不掉，因为它买回的是指数项。
It is really crazy that we build these sophisticated rockets and then crash them every time we fly. This is mad. I cannot emphasize how profound this is and how important reusability is.
我们造出这些精密的火箭，然后每飞一次就把它们摔掉，这真的很疯狂。这太荒唐了。我怎么强调都不为过：这件事有多深刻，复用有多重要。
Elon Musk
2017-09-28 · IAC 2017「Making Life Multiplanetary」，阿德莱德
P2 SpaceX 官方删节稿
来源 [@src-6405800982]
② 符号（沿用 ①，新增下标）
\(n\)级数。Falcon 9 为 2，Saturn V 为 3，Starship 为 2
\(m_{0,i},m_{f,i}\)第 \(i\) 级点火时与燃尽时的**整船**质量（含其上所有级与载荷），kg
\(\varepsilon_i\)第 \(i\) 级的结构系数
\(\Lambda\)级间载荷比：上面级+载荷占本级点火质量之比
③ 起始关系（式 a）：Δv 可加性
\[ \Delta v_{\text{total}}=\sum_{i=1}^{n}v_{e,i}\ln\frac{m_{0,i}}{m_{f,i}} \]
式 a · 各级 Δv 直接相加
为什么可以直接相加。火箭方程是对速度的积分，而速度在同一惯性系中是线性可加的。每一级点火时的初速度就是上一级燃尽时的末速度，因此把各段积分首尾相接即可。这一步的合法性依赖于「分离瞬间无质量损失、无速度损失」的理想化——真实分离要抛掉级间段，并且有零点几秒的推力空窗，实际损失约 50–100 m/s。
④ 从式 a 到 SSTO 约束（式 b）：三步
展开推导：为什么 \(\varepsilon\lt e^{-\Delta v/v_e}\)
**第 1 步 · 取零载荷极限。**要判断「单级入轨最多可能吗」，先问一个更宽松的问题：**如果一克载荷都不带，单级能否达到 (\Delta v)？**令 (m_{pl}=0)，则 (m_0=m_s+m_p)，(m_f=m_s)。
**为什么可以这样取极限：**零载荷是载荷分数的上确界方向——如果连零载荷都飞不到，带载荷就更不可能。这把一个二维问题（(\varepsilon) 与 (\lambda)）压成了一维判据。
**第 2 步 · 代入火箭方程。**此时质量比就是结构系数的倒数： [ MR=\frac{m_s+m_p}{m_s}=\frac{1}{\varepsilon} \quad\Longrightarrow\quad \Delta v_{\max}=v_e\ln\frac{1}{\varepsilon}=-v_e\ln\varepsilon ]
**第 3 步 · 反解不等式。**要求 (\Delta v_{\max}\gt\Delta v_{\text{需求}})，即 (-v_e\ln\varepsilon\gt\Delta v)，两侧除以 (-v_e)（注意除以负数要变号）得 (\ln\varepsilon\lt-\Delta v/v_e)，再取指数（指数函数单调递增，不等号方向不变）：
\[ \boxed{\;\varepsilon\;\lt\;\exp\!\left(-\frac{\Delta v}{v_e}\right)\;} \]
式 b · 单级入轨的结构系数上限。这与 ① 式 d 的可行性条件 \(MR\lt1/\varepsilon\) 是同一件事的两种写法
代入数字：(\Delta v=9.4) km/s，(v_e=3.4) km/s（甲烷/液氧平均）→ (\varepsilon\lt e^{-2.765}=\mathbf{0.063})。也就是说，整个载具（贮箱、发动机、航电、推力结构、级间管路、着陆装置）的干重必须低于起飞质量的 6.3%，而且这还是零载荷的情形。
④b 分级为什么能突破这个上限：把加法变成乘法
这是本卡片的核心洞察。定义级间载荷比 (\Lambda_i)（第 (i) 级之上所有质量占该级点火质量之比），则整船的载荷分数是各级的乘积：
\[ \lambda_{\text{total}}=\prod_{i=1}^{n}\Lambda_i \qquad\text{而}\qquad \Delta v_{\text{total}}=\sum_{i=1}^{n}\Delta v_i \]
式 c · **Δv 相加，载荷分数相乘**——这一对不对称是分级的全部意义
**为什么这能突破上限。**单级方案里，那些「不能扔掉的死重」（空贮箱、已经不需要的大推力发动机）要被一路背到入轨；分级方案则在半路把它们抛掉，让第二级的 (m_f) 中不再包含第一级的结构。用 ① 式 c 的语言说：单级要一次性支付 (e^{9400/v_e})，两级支付的是 (e^{3700/v_{e,1}}\times e^{5700/v_{e,2}})——指数相加等于底数相乘，但两个较小的指数各自对应的载荷惩罚，比一个大指数对应的惩罚要轻得多，因为结构系数的「税」只在各自的级上收一次。
**用数字看：**沿用 ① 的 Falcon 9 假想单级，同样的 548 t 硬件、同样的 9.4 km/s：单级载荷 6.28 t（(\lambda=1.15%)），两级实际 22.8 t（(\lambda=4.0%)）。分级把载荷提高了 3.6 倍，用的是同一批推进剂和几乎同一批结构。
**分级的收益与代价：**横轴是载荷质量分数 \(\lambda\)，量程只有 0–5%——**这本身就是一个提醒：入轨载荷从来只占起飞质量的几个百分点**。同样的 548 t 硬件、同样的 9.4 km/s，分级把 \(\lambda\) 从 1.15% 提到 4.0%，绝对载荷从 6.28 t 提到 22.8 t。代价写在下方——**多出的每一个分离机构都是一个新的单点失效**。（本报告原创 SVG · 示意非实测）
⑤ 假设清单
▲ 分级模型的五条假设
**1 · 分离无损失。**忽略级间段质量、分离冲量、推力空窗（实际损失 50–100 m/s）。**2 · 各级 (\varepsilon_i) 独立。**实际上第一级要承受整船的推力载荷与弯矩，其结构系数会因上面级更重而恶化。**3 · 忽略平行分级。**捆绑助推器（Falcon Heavy、Delta IV Heavy）与交叉输送（cross-feed）无法用串行求和描述。**4 · 忽略最优分级点。**真正的最优化要在给定 (\Delta v) 与 (\varepsilon_i) 下用拉格朗日乘子法求各级 Δv 分配，本页只做等效比较。**5 · 忽略可靠性成本。**下面第 ⑧ 条会把这一项单独拿出来。
⑥ 数值算例：级数的边际收益
设各级 (\varepsilon=0.06)、(v_e=3.4) km/s、需求 (\Delta v=9.4) km/s，各级 Δv 均分。用式 d 逐级计算总载荷分数（每级的 (\lambda_i) 相乘）：
级数 \(n\)每级 Δv每级 \(MR_i\)每级 \(\lambda_i\)总载荷分数 \(\prod\lambda_i\)相对单级的倍数| 级数 \(n\) | 每级 Δv | 每级 \(MR_i\) | 每级 \(\lambda_i\) | 总载荷分数 \(\prod\lambda_i\) | 相对单级的倍数 |
19.40 km/s15.790.6%**0.60%**1.0×| 1 | 9.40 km/s | 15.79 | 0.6% | 0.60% | 1.0× |
24.70 km/s3.97320.4%**4.15%**6.9×| 2 | 4.70 km/s | 3.973 | 20.4% | 4.15% | 6.9× |
33.13 km/s2.51036.0%**4.66%**7.8×| 3 | 3.13 km/s | 2.510 | 36.0% | 4.66% | 7.8× |
42.35 km/s1.99447.0%**4.88%**8.1×| 4 | 2.35 km/s | 1.994 | 47.0% | 4.88% | 8.1× |
**读法：**从 1 级到 2 级，载荷分数提高 6.9 倍；从 2 级到 3 级只再提高 12%；从 3 级到 4 级只再提高 5%。边际收益在第二级之后急剧衰减——这是「为什么几乎所有现代运载火箭都是两级或两级半」的定量答案，也是 Starship 选择两级的第一性理由。
⑦ 一阶敏感性
主导参数是 (\varepsilon)。把上表的 (\varepsilon) 从 0.06 改到 0.08，两级方案的总载荷分数从 4.15% 掉到 2.55%（−39%）；改到 0.10，掉到 1.16%（−72%）。这就是 Starship 从碳纤维改用 300 系不锈钢时最大的赌注：不锈钢的密度比碳纤维高，但它在低温下强度提升、不需要复杂的铺层与固化工艺、可以直接焊接成大直径箱体，而且耐热到可以少铺隔热瓦。这几项加起来是否能把 (\varepsilon) 压住，决定了整个架构成立与否。
⑧ 失效条件与适用域
分级的收益在两种情况下被抵消：（1）可靠性成本——若每级独立成功概率为 (p_i)，串行任务成功率是 (\prod p_i)。四级方案即使每级 98% 可靠，整体也只有 92%。历史上多级火箭的失败中，分离机构与上面级点火占了很大比例；（2）复用不兼容——级数越多，落点越分散、回收越难。Falcon 9 只回收一级（约占硬件价值的 60%–70%），二级至今抛弃；Starship 要两级全回收，这是它坚持两级的最强理由。适用域：串行分级、化学推进、脉冲近似成立的常规运载。
⑨ 与实际数据的校准
现役与历史载具的级数分布支持上表结论：Falcon 9（2 级）、Falcon Heavy（2 级 + 2 助推）、Atlas V（2 级）、Ariane 5/6（2 级 + 固推）、Electron（2 级）、Starship（2 级）——两级是压倒性的工业选择。三级方案主要出现在需要直接注入高能轨道的场合（Saturn V 的第三级 S-IVB 承担地月转移注入，Delta IV 与部分 GTO 任务加上面级），这与「第三级买的是任务 Δv 而不是入轨 Δv」相符。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）SSTO 需要 (\varepsilon\lt0.063)，处在材料与工艺的极限边缘，可行但载荷趋近于零；（2）两级是收益/复杂度的拐点，三级以上的边际收益不足 12%；（3）「删除一个零件」这条原则在这里遇到了物理边界——第二级不是冗余，它买的是指数项。
不能证明：（1）不能证明 SSTO 永远无价值——若出现 (v_e) 显著更高的推进方式（核热推进 (I_{sp}\approx900) s，(v_e\approx8.8) km/s），式 b 给出 (\varepsilon\lt0.34)，SSTO 会立刻变得轻松；（2）不能证明两级一定优于两级半——那取决于具体的固推与液推成本结构；（3）不能证明 Starship 的两级全复用可行，那是工程与经济问题，见 ③。
FORMULA 03 复用成本模型：省下的到底是什么
① 它在检验马斯克的哪条主张
马斯克十年间重复得最多的一个类比是航空业：一架 9,000 万美元的飞机如果只飞一次，票价就是 50 万美元；而你现在可以花 43 美元从洛杉矶飞拉斯维加斯。这个类比在直觉上极强，但它隐含了一个关键前提——「非硬件成本」相对硬件成本足够小。如果每次飞完都要花 60% 的造价去翻修（航天飞机的情况），复用就几乎不省钱。这条公式把这个前提显式化，并给出复用收益的上限。
But with frequent flights you can take something like an aircraft that costs 43 — including taxes.
但有了频繁的飞行，你可以拿一架造价 9,000 万美元的飞机来说：如果它是一次性的，每次飞行你得付 50 万美元。可你现在就能买一张西南航空从洛杉矶到拉斯维加斯的机票，43 美元——含税。
Elon Musk
2016-09-27 · IAC 2016，瓜达拉哈拉
P2 完整逐字稿
来源 [@src-32c48db6ae]
Yes, you could also get more payload from an aircraft if you got rid of the landing gear and the flaps and just parachute out when you got to your destination. But that would be crazy and you would sell zero aircraft.
是的，如果你把起落架和襟翼都拆掉、到目的地时直接跳伞，飞机也能多带载荷。但那太疯狂了，而且你一架飞机也卖不出去。
Elon Musk
2017-09-28 · IAC 2017，阿德莱德（回应「复用会吃掉有效载荷」的批评）
P2 SpaceX 官方删节稿
来源 [@src-6405800982]
② 符号、单位与取值范围
\(C_{re}\)可复用硬件的一次性造价（Falcon 9 的一级 + 整流罩），百万美元
\(C_{exp}\)每飞必弃的硬件（Falcon 9 的第二级），百万美元/次
\(C_{ref}\)单次翻修成本，百万美元。**只在第 2 次及以后发生**
\(C_{rec}\)回收作业成本（无人船、拖轮、船员、港口），百万美元/次
\(C_{ops}\)发射场作业与任务管理，百万美元/次
\(C_{prop}\)推进剂，百万美元/次。Falcon 9 约 $0.2M——**占发射成本的 0.35%**
\(N\)设计复用次数（含首飞）
\(p\)单次回收存活概率，\(0.5\le p\lt1\)
\(\mathbb E[F]\)一枚硬件的期望飞行次数
③ 起始关系（式 a）：确定性摊销
\[ \bar C_{\text{确定}}(N)=\frac{C_{re}}{N}+C_{exp}+\frac{N-1}{N}C_{ref}+C_{rec}+C_{ops}+C_{prop} \]
式 a · 每飞行平均成本。注意 \(\frac{N-1}{N}\) 这个系数——**首飞是新箭，不需要翻修**
**(\frac{N-1}{N}) 是怎么来的：**一枚箭飞 (N) 次，中间只发生 (N-1) 次翻修（第 1 次飞行前是出厂状态）。把 ((N-1)C_{ref}) 摊到 (N) 次飞行上，就得到每飞 (\frac{N-1}{N}C_{ref})。当 (N=1) 时该项为 0，模型自动退化为一次性方案（外加回收成本）——这是一个好模型该有的性质：边界条件自洽。
④ 从式 a 到式 b：把「箭会摔」算进去
展开推导：存活概率如何折算成期望飞行次数
**第 1 步 · 建立几何分布模型。**设每次回收独立成功的概率为 (p)。一枚箭至少飞 1 次（发射总能完成）；它能飞第 2 次的概率是 (p)（第 1 次回收成功）；能飞第 3 次的概率是 (p^2)；……能飞第 (k) 次的概率是 (p^{k-1})。
为什么可以假设独立：这是模型的简化。真实情况下回收成功率与飞行次数负相关（部件疲劳），第 ⑤ 条会把它列为假设。
**第 2 步 · 求期望飞行次数。**用「指示变量求和」的技巧——期望飞行次数等于「能飞第 (k) 次」这些事件的概率之和： [ \mathbb E[F]=\sum_{k=1}^{N_{\max}}\Pr(\text{能飞第 }k\text{ 次})=\sum_{k=1}^{N_{\max}}p^{,k-1} ]
**为什么这一步成立：**令 (F=\sum_k \mathbb 1[\text{飞了第 }k\text{ 次}])，由期望的线性性 (\mathbb E[F]=\sum_k\Pr(\cdot))。这个技巧避免了直接对几何分布求和的繁琐。
**第 3 步 · 求有限等比数列和。**这是首项 1、公比 (p)、共 (N_{\max}) 项的等比数列：
\[ \boxed{\;\mathbb E[F]=\frac{1-p^{N_{\max}}}{1-p}\;}\qquad(p\lt1);\qquad \mathbb E[F]=N_{\max}\ \ (p=1) \]
式 b · 期望飞行次数。\(p\to1\) 时用洛必达法则可验证极限确为 \(N_{\max}\)，模型连续
**第 4 步 · 把「一枚箭的全生命周期账」写出来，再除以飞行次数。**这一步是上一版没有做对的地方，所以分两小段写清楚。
一枚硬件在整个寿命里只被买一次，花掉 (C_{re})。它一共飞了 (F) 次，而翻修发生在「为下一次飞行做准备」，所以一共只翻修 (F-1) 次——飞 1 次报废的箭一次也不翻修，飞 13 次的箭翻修 12 次。于是这枚箭在整个寿命里，与硬件相关的总支出是 (C_{re}+(F-1)C_{ref})。取期望并除以期望飞行次数：
\[ \bar C(N)=\underbrace{\frac{C_{re}+(\mathbb E[F]-1)\,C_{ref}}{\mathbb E[F]}}_{\text{摊到每一飞的硬件相关成本}}+C_{exp}+C_{rec}+C_{ops}+C_{prop}
\;=\;\frac{C_{re}}{\mathbb E[F]}+C_{exp}+\underbrace{\frac{\mathbb E[F]-1}{\mathbb E[F]}}_{\text{不是 }\frac{N-1}{N}}C_{ref}+C_{rec}+C_{ops}+C_{prop} \]
式 c · 含存活概率的复用成本模型（本页与计算器采用的形式）。最后一个等号只是把分子拆开分别除以 \(\mathbb E[F]\)
为什么必须是 (\frac{\mathbb E[F]-1}{\mathbb E[F]}) 而不是 (\frac{N-1}{N})：(N) 是设计次数，(\mathbb E[F]) 才是实际次数。有失败截断时两者不等（本页算例里 15 与 13.07），继续用 (\frac{N-1}{N}) 等于「按 15 次的比例分摊翻修，却按 13.07 次分摊硬件」——同一枚箭在同一个式子里用了两套寿命，模型不闭合。只有当 (p=1)（永不失败）时 (\mathbb E[F]=N)，两种写法才重合，这也是下面那张摊销结构图能继续沿用 (\frac{N-1}{N}) 的原因：那张图标注的参数就是 (p=1)。
**一处必须承认的口径：**上式用的是「期望总成本 ÷ 期望总次数」（更新–回报意义上的长期平均，也就是一支机队跑很多年之后的实际单位成本），不是「每飞成本的期望」(\mathbb E!\left[\frac{C_{re}+(F-1)C_{ref}}{F}\right])。由 Jensen 不等式，后者严格更大——因为「只飞了一两次就摔掉」的那些坏运气箭，单飞成本极高。本模型给的是机队口径的乐观值；关心单枚箭风险的读者要另做分布分析。
**两条边界条件的自洽性：**取 (p=1,N=1) 得 (\mathbb E[F]=1)，翻修系数归零，式 c 退化为「一次性 + 回收作业」；取 (N\to\infty,p\to1) 得翻修系数趋于 1，即长期看每飞都要付一次完整翻修——两端都合理。
回收作业费 (C_{rec}) 记在哪：本模型把它记为每飞一次都发生，包括回收失败的那一次——因为无人船、拖轮与船员是在发射前就已经派出去的，成败都要付钱。同理，模型默认最后一次飞行仍然尝试回收（只是没成功）。若改成「最后一次不回收、直接抛弃」，应从 (C_{rec}) 项里扣掉 (1/\mathbb E[F]) 的份额，在本页算例下约合每飞 $0.15M，不影响任何结论的方向。
**关键性质：(\mathbb E[F]) 有上界。**令 (N_{\max}\to\infty)，(\mathbb E[F]\to\frac{1}{1-p})。**这意味着即使你设计一枚可以飞一千次的火箭，只要每次回收有 2% 的失败率，它的期望寿命就只有 50 次。**把 (p) 从 0.98 提到 0.99，期望寿命从 50 跳到 100——回收可靠性的边际价值是超线性的。
④b 收益上限：为什么复用省不到无穷
把式 c 做无量纲化，全部除以 (C_{re})。这里必须把作业成本拆成两项，因为一次性方案不需要回收——上一版把它们捆在一起，正是后面那个代数跳步的根源：
\(\chi=C_{exp}/C_{re}\)抛弃式硬件占可复用硬件造价之比
\(\rho=C_{ref}/C_{re}\)单次翻修占硬件造价之比
\(\omega_{ops}=C_{ops}/C_{re}\)发射场作业，**两种方案都要付**
\(\omega_{rec}=C_{rec}/C_{re}\)回收作业，**只有复用方案付**。记 \(\omega=\omega_{ops}+\omega_{rec}\)
\(\pi=C_{prop}/C_{re}\)推进剂
\(S=\chi+\rho+\omega+\pi\)「非硬件成本 / 硬件成本」总比值，下面反复用到
两种方案的每飞归一化成本各是：
\[ c_{\text{复用}}(N)=\frac{1}{\mathbb E[F]}+\chi+\rho\,\frac{\mathbb E[F]-1}{\mathbb E[F]}+\omega+\pi,
\qquad
c_{\text{一次性}}=1+\chi+\omega_{ops}+\pi \]
一次性方案每飞都买一枚新硬件（故首项为 1），不翻修（无 \(\rho\)）、不回收（无 \(\omega_{rec}\)），但同样要付发射场作业与推进剂
定义改进倍数 (G(N)=c_{\text{一次性}}/c_{\text{复用}}(N))，令 (N\to\infty) 且 (p\to1)（此时 (\mathbb E[F]\to\infty)，首项趋于 0、翻修系数趋于 1）：
\[ G_\infty=\frac{1+\chi+\omega_{ops}+\pi}{\chi+\rho+\omega+\pi}
\;\overset{(1)}{=}\;\frac{1+S-\rho-\omega_{rec}}{S}
\;\overset{(2)}{=}\;\boxed{\;1+\frac{1-\rho-\omega_{rec}}{S}\;} \]
式 d · 复用收益的渐近上限。（1）把分子里的 \(\chi+\omega_{ops}+\pi\) 换成 \(S-\rho-\omega_{rec}\)——这只是 \(S\) 的定义式移项，因为 \(\omega=\omega_{ops}+\omega_{rec}\)；（2）把分子拆成 \(S/S+(1-\rho-\omega_{rec})/S\)
⚑ 本页此前写的 \(G_\infty=1+\dfrac{1}{S}\) 是一次不成立的化简
对照式 d 可以看出，(1+\frac1S) 只有在 (\rho+\omega_{rec}=0) 时才成立，也就是**「翻修免费、回收作业免费」**。而 (\rho) 与 (\omega_{rec}) 恰恰是复用这个选择新引入的两项成本，把它们设为零，等于先假设复用不要钱、再证明复用很省钱。这个化简会系统性地把收益算高：本页示意参数下，真值 2.92× 被算成 3.11×；航天飞机场景下，真值 0.71× 被算成 1.50×——后者把「复用反而更贵」翻转成了「复用还能省三分之一」，方向都错了。
式 d 顺带给出一条比原来那句更有用的判据： [ G_\infty\gt1\quad\Longleftrightarrow\quad \boxed{;\rho+\omega_{rec}\lt1;} ]
翻译成人话：**「把它修好再飞一次」的钱（翻修 + 回收作业），必须比「重造一枚」便宜，复用才值得做。**这个判据与飞行次数 (N) 完全无关，也与抛弃式二级、推进剂、发射场作业无关——那些项只影响收益有多大，不影响收益是否为正。
**那么 (N) 的作用是什么？**它只决定你离上限有多近。取 (p=1)（(\mathbb E[F]=N)）把 (c_{\text{复用}}) 整理一下：(\frac1N+\rho\frac{N-1}{N}=\frac{1-\rho}{N}+\rho)，于是
\[ c_{\text{复用}}(N)=\frac{1-\rho}{N}+S,
\qquad
\frac{G(N)}{G_\infty}=\frac{c_{\text{复用}}(\infty)}{c_{\text{复用}}(N)}=\frac{S}{\frac{1-\rho}{N}+S} \]
式 e · 逼近程度。两个 \(G\) 相除时分子 \(c_{\text{一次性}}\) 被完全约掉，所以「拿到百分之几的收益」**与一次性方案长什么样无关**，这是一个干净的性质
令式 e 等于 0.9，交叉相乘得 (S=0.9\frac{1-\rho}{N}+0.9S)，即 (0.1S=0.9\frac{1-\rho}{N})，解出：
\[ \boxed{\;N_{90}=\frac{9\,(1-\rho)}{S}\;}\qquad(\text{定义：}G(N)/G_\infty=0.9,\ p=1) \]
式 f · 「拿到渐近收益 90%」所需的复用次数。**注意它大致是 \(9/S\) 而不是 \(1/S\)**——本页旧表按 \(1/S\) 估，把四个场景的次数普遍写小了近一个数量级
**(\rho\ge1) 时式 f 失效，而且失效方式很有意思：**此时 (\frac{1-\rho}{N}\le0)，(c_{\text{复用}}(N)) 随 (N) 上升而不是下降——多飞一次带来的翻修支出，超过了多摊一次硬件省下的钱。这种系统的最优复用次数是 1，「拿到 90% 收益」这个问法本身不成立。
情景\(\chi\)\(\rho\)\(\omega_{ops}\)\(\omega_{rec}\)\(\pi\)\(S\)\(G_\infty\)（式 d）旧式 \(1+1/S\)\(N_{90}\)（式 f）| 情景 | \(\chi\) | \(\rho\) | \(\omega_{ops}\) | \(\omega_{rec}\) | \(\pi\) | \(S\) | \(G_\infty\)（式 d） | 旧式 \(1+1/S\) | \(N_{90}\)（式 f） |
理想「加油即飞」（Starship 目标态）0.0010.0010.0020.0010.0010.006**167.3×**167.7×**1,499**| 理想「加油即飞」（Starship 目标态） | 0.001 | 0.001 | 0.002 | 0.001 | 0.001 | 0.006 | 167.3× | 167.7× | 1,499 |
现实 Falcon 9（含抛弃式二级）0.2100.0350.0600.0350.0100.350**3.66×**3.86×**24.8**| 现实 Falcon 9（含抛弃式二级） | 0.210 | 0.035 | 0.060 | 0.035 | 0.010 | 0.350 | 3.66× | 3.86× | 24.8 |
只看被复用的那一级（剔除二级）00.0350.0200.0350.0100.100**10.3×**11.0×**86.8**| 只看被复用的那一级（剔除二级） | 0 | 0.035 | 0.020 | 0.035 | 0.010 | 0.100 | 10.3× | 11.0× | 86.8 |
航天飞机（翻修吞掉硬件造价）0.0501.5000.3500.0900.0102.0000.71×（复用**更贵**）1.50×不适用（\(\rho\gt1\)）| 航天飞机（翻修吞掉硬件造价） | 0.050 | 1.500 | 0.350 | 0.090 | 0.010 | 2.000 | 0.71×（复用更贵） | 1.50× | 不适用（\(\rho\gt1\)） |
**怎么复算这张表：**每一行的 (S) 是前五列之和（(\omega=\omega_{ops}+\omega_{rec})）；(G_\infty) 用式 d，也可以直接算 ((1+\chi+\omega_{ops}+\pi)/S) 交叉验证；(N_{90}) 用式 f。四行的分解都是示意性的——真实分账未公开，本报告只保证内部自洽与可复算，不声称它们是任何一家公司的账目。**另有一组完全独立的参数可以拿来验式 d：**本卡片第 ⑥ 条算例的六个成本数（(S=0.475)）给出一次性对照 19.0M，直接相除 (55.5/19.0=2.92\times)，与式 d 在 (S=0.475,\rho=0.0375,\omega_{rec}=0.050) 下算出的 2.921× 完全吻合——两条互不依赖的路径给出同一个数，这是式 d 代数正确的直接证据。第四行的 (\rho=1.5) 依据的是「航天飞机每飞翻修支出与轨道器造价同量级甚至更高」这一公开共识，不是核算结果；但结论对它并不敏感——只要 (\rho+\omega_{rec}\gt1)，(G_\infty) 就必然掉到 1 以下。
这解释了一个常被误读的现象：为什么 SpaceX 在 B1067 飞到 36 次之后，并不急于把复用次数推到 100 次，反而把资源转向 Starship？按式 e，在 (S\approx0.35,\rho\approx0.035) 的条件下：飞到第 10 次拿到 78.4% 的可得收益，第 25 次才跨过 90%（(N_{90}=24.8)），第 36 次累计到 92.9%——也就是说，第 36 次这一飞本身只贡献了 0.19 个百分点，而从 36 次一路飞到无穷也只剩 7.1 个百分点可拿。**（请注意这里更正了本页旧版的说法：旧版称「第 10 次就拿到 90%」，那是把 (N_{90}) 误按 (1/S) 而不是 (9/S) 估的结果。）**真正的杠杆在于压低 (\chi)（抛弃式二级的成本）与 (\rho)（翻修），以及提高分母（单次运力）——这正是 Starship 同时做的两件事。
**复用摊销的结构：**橙色层（可复用硬件摊销）从 $40M 迅速收缩到 $1.1M，但其余五层构成一道 **$19M 的地板**。**这张图解释了两件事**：（a）为什么第 15 次之后再增加复用次数只是在小数点后争胜负——橙色层已经薄到看不见，此时按式 e 已拿到渐近收益的 88.1%（这组参数下 \(S=0.475,\rho=0.0375\)，\(N_{90}=18.2\)）；（b）为什么 Starship 的核心不是「多飞几次」而是「消灭黄色层」——抛弃式二级在这个模型里占了地板的 63%（\(12/19\)）。金色层一旦变成可复用，整个成本结构会被重写。**图中取 \(p=1\)，故 \(\mathbb E[F]=N\)，式 c 的翻修系数 \(\frac{\mathbb E[F]-1}{\mathbb E[F]}\) 退化为 \(\frac{N-1}{N}\)**；\(p\lt1\) 时橙色层会更厚（硬件摊到更少的飞行上），翻修层则更薄。**成本分项为本报告依公开报价所做的示意性拆分，不代表 SpaceX 真实账目。**（本报告原创 SVG · 示意非实测）
⑤ 假设清单
▲ 复用模型未计的七项（这一条请务必读完）
**1 · 资金的时间价值。**硬件在第 1 次飞行前就要全额投入，收益却分摊在数年内。按 10% 折现率、平均 3 年回收周期计算，实际的摊销成本要比本模型高 20%–30%。这是本模型最大的单项缺陷。
**2 · 运力惩罚。**回收要预留着陆推进剂、加装栅格翼与着陆腿、承受再入热载荷。Falcon 9 复用构型的 LEO 运力约 17.4 t，一次性构型 22.8 t——复用要付出约 24% 的运力税。本模型算的是「每次发射成本」，没有换算成「每公斤成本」，后者才是 ④ 的主题。
**3 · 周转时间。**模型假设箭随时可用。实际上 B1067 的平均周转是 53.19 天、最快 22.70 天。周转时间决定了固定成本（厂房、人员、无人船）能摊到多少次飞行上。
**4 · 翻修成本随次数上升。**模型把 (C_{ref}) 当常数。真实情况下第 30 次的检修强度高于第 3 次。
**5 · 回收成功率与飞行次数负相关。**式 b 假设 (p) 独立同分布，实际上部件疲劳会让后期 (p) 下降。
**6 · 研发摊销未计入。**SpaceX 为实现复用投入的研发（着陆算法、栅格翼、Merlin 复燃能力）不在本模型中。若把它按累计飞行次数摊销，早期每飞成本会显著更高。
7 · 这是成本模型，不是定价模型。它不能解释「为什么 Falcon 9 的报价从 2018 年的 74M」——价格由市场竞争与需求弹性决定，成本下降不必然传导为价格下降。
⑥ 数值算例（可独立复算）
取上图的示意参数：(C_{re}=40)、(C_{exp}=12)、(C_{ref}=1.5)、(C_{rec}=2)、(C_{ops}=3)、(C_{prop}=0.5)（百万美元），(N=15)，(p=0.98)。这六个数字加上 (N) 与 (p) 就是全部输入，下面每一行都可以用手机计算器复算。
\[ \begin{aligned}
\mathbb E[F]&=\frac{1-0.98^{15}}{1-0.98}=\frac{1-0.73857}{0.02}=\mathbf{13.0715\ \text{次}}\\[3pt]
\text{翻修系数}&=\frac{\mathbb E[F]-1}{\mathbb E[F]}=\frac{12.0715}{13.0715}=0.92350\\[3pt]
\bar C&=\frac{40}{13.0715}+12+0.92350\times1.5+2+3+0.5\\
&=3.060+12+\mathbf{1.385}+2+3+0.5=\mathbf{\$21.945M}\\[3pt]
\text{一次性对照}&=40+12+3+0.5=\$55.5M\\[3pt]
\text{节省}&=1-\frac{21.945}{55.5}=\mathbf{60.5\%}
\end{aligned} \]
算例 2 · 逐项可核。**翻修项 $1.385M 用的是 \(\frac{\mathbb E[F]-1}{\mathbb E[F]}\)**；若误用 \(\frac{N-1}{N}=\frac{14}{15}\) 会得到 $1.400M、总额 $21.960M——差值只有 $0.015M（0.07%），**数值影响可以忽略，但模型必须闭合**，否则同一个式子里就有两套寿命口径。注意 \(p=0.98\) 使有效摊销次数从 15 降到 13.07，抬高成本约 4%
**顺手用这组数字验一下式 d。**无量纲化：(\chi=12/40=0.300)、(\rho=1.5/40=0.0375)、(\omega_{ops}=3/40=0.075)、(\omega_{rec}=2/40=0.050)、(\pi=0.5/40=0.0125)，故 (S=0.475)。代入式 d：(G_\infty=1+(1-0.0375-0.050)/0.475=1+1.921=\mathbf{2.921\times})。**独立核对：**渐近地板 (=12+1.5+2+3+0.5=$19.0)M，一次性对照 $55.5M，两者相除 (55.5/19.0=\mathbf{2.921})——两条完全独立的路径给出同一个数，式 d 的代数是对的。而旧式 (1+1/S=3.105) 与这两条路径都对不上，这也是它错误的直接证据。
⑦ 一阶敏感性
**主导参数是 (C_{exp})（抛弃式二级）。**把它从 12 降到 6，平均成本从 15.945M（−27.3%）；而把 (N) 从 15 提到 40（此时 (\mathbb E[F]) 只从 13.07 涨到 27.72，因为 (p=0.98) 把它压在 50 以下），也只能降到 200K / $56.5M）。这条敏感性给出的战略结论很清楚：复用次数不是杠杆，抛弃式部件与地面作业才是。
⑧ 失效条件与适用域
模型在三种情形下失效：（1）发射频次过低——固定成本（厂房、回收船队、常备团队）无法摊销时，复用可能比一次性更贵，这正是传统航天每年 2–4 次发射的场景；（2）硬件寿命受限于日历而非次数——若贮箱有 5 年寿命上限，则 (N) 被时间而非疲劳锁死；（3）需求侧不足——造得出 1,000 次的箭，没有 1,000 次的货，(N) 就只是一个设计参数。适用域：高频次、同构任务、硬件成本占主导的发射系统。
⑨ 与实际数据的校准
2025 年 SpaceX 完成 165 次入轨发射，其中仅 8 次（4.8%）使用全新助推器；累计助推器成功着陆 639 次 / 652 次尝试（猎鹰系列含重型，不计海上溅落尝试；截至 2026-07-21）；B1067 于 2026-07-09 完成第 36 次飞行；Falcon 9 家族成功率 99.56%。这些数字与模型的两个预测一致：（a）复用已成为默认而非例外；（b）单枚箭的飞行次数分布高度偏斜（飞 ≥25 次的只有 7 枚），符合式 b 的几何衰减形状。NASA 的独立成本评估（NTRS 20170008895）给出 Falcon 9 开发成本约 40 亿——这是「成本结构可以被重写」的最强外部佐证。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）复用收益有一个与飞行次数无关的上限 (G_\infty=1+\frac{1-\rho-\omega_{rec}}{S})，它由「非硬件成本/硬件成本」的总比值 (S) 与「翻修+回收占硬件造价之比」(\rho+\omega_{rec}) 共同决定；（2）复用是否值得做，有一条与 (N) 完全无关的判据：(\rho+\omega_{rec}\lt1)——修一次再飞必须比重造一枚便宜；（3）在现实参数（(S\approx0.35)）下，(N_{90}=9(1-\rho)/S\approx25) 次，飞到第 10 次只拿到 78%，但第 36 次之后确实只剩 7% 可拿，所以「追求更高次数是边际游戏」这个定性结论仍然成立，只是拐点比本页旧版晚一倍多；（4）航天飞机之所以「复用而不省钱」，是因为它的 (\rho) 与 (\omega_{rec}) 之和越过了 1，使 (G_\infty) 掉到 1 以下——这不是执行失败，是结构决定的。
不能证明：（1）不能证明 Starship 会达到 $10M/次；（2）不能解释 Falcon 9 报价上涨（成本 ≠ 价格）；（3）不能证明复用在经济上一定优于一次性——把运力税（−24%）与资金成本（+20%~30%）算进去后，低频次场景下结论可能反转；（4）不能用于评估载人任务，那里的主导成本是认证与安全裕度，不是硬件摊销。
交互 · 简化模型 02 · reuse
九个滑杆全部可调，默认值为上文示意参数。建议先只动「抛弃式硬件」与「复用次数」两条，对比它们对结果的影响幅度——这就是第 ⑦ 条敏感性的直观版。数量级估算，非工程/财务工具。
设计复用次数 N
单次回收存活概率 p
可复用硬件造价 Cre（$M）
抛弃式硬件 Cexp（$M/次）
单次翻修 Cref（$M）
回收作业 Crec（$M/次）
发射场运营 Cops（$M/次）
推进剂 Cprop（$M/次）
单次运力（吨到 LEO）
—复用模式平均单次成本
—折合 $/kg 到 LEO
—期望飞行次数 E[F]
—相对一次性节省
—一次性模式对照
—渐近地板（N→∞）
▲ 适用条件与未计项
**未计：**资金的时间价值与折现（会抬高实际成本 20%–30%）、复用带来的运力惩罚（Falcon 9 约 −24%）、周转时间与库存占用、研发成本摊销、翻修成本随次数上升、回收成功率随次数下降、固定成本（厂房/船队/常备团队）随年发射频次的摊销、保险费率随复用次数的变化、任务保证与认证成本。
**口径提醒：**输出的 /kg。这是成本模型不是定价模型，输出的数字不能与任何公开报价直接比较。
FORMULA 04 $/kg 到近地轨道：三个口径陷阱与学习曲线校准
① 它在检验马斯克的哪条主张
「每公斤 100 美元」是 Starship 全部经济叙事的落点。这条公式检验的不是这个目标能否达成（那是预测），而是三件可以立刻核查的事：（a）今天真实的 2,700/kg」是怎么算出来的、错在哪；（c）按历史学习率外推，要走到 $100/kg 需要多大的累计发射量。
② 符号
\(c\)单位质量入轨成本，$/kg
\(C_{flight}\)单次飞行成本（或价格，**两者必须分开**），美元
\(m_{pl}\)载荷质量，kg。**陷阱全在这里：是最大运力还是实际投送量？是复用构型还是一次性构型？**
\(V\)累计产量。对火箭取**累计入轨质量**（吨），不是发射次数
\(\mathrm{LR}\)学习率：累计产量每翻倍的成本降幅
③ 起始关系（式 a）
\[ c=\frac{C_{flight}}{m_{pl}} \qquad\text{结合 ③ 的成本模型：}\qquad c=\frac{1}{m_{pl}}\left(\frac{C_{re}}{\mathbb E[F]}+C_{exp}+\frac{\mathbb E[F]-1}{\mathbb E[F]}C_{ref}+C_{rec}+C_{ops}+C_{prop}\right) \]
式 a · 两个杠杆是乘性的：压低分子（复用）与放大分母（更大的火箭）
**「乘性」这个词是关键。**Starship 同时拉动两个杠杆：分母从 22.8 t 提到 100–200 t（4–9 倍），分子通过全复用把 (C_{exp}) 从「整个第二级」压到接近零。如果两个杠杆各贡献一个数量级，合起来就是两个数量级——这正是 IAC 2016「四个半数量级」分解的前两项。
④ 三个必须分清的口径（这一节比公式本身重要）
⚑ 口径陷阱：同一枚火箭能算出三个差 1.5 倍的 $/kg
**陷阱 1 · 价格 ≠ 成本。**挂牌价含利润与市场溢价。Falcon 9 专属发射报价从 2011 年 74M，而内部成本几乎肯定是下降的。用报价算出的 $/kg 是「客户支付的价格」，不是「入轨的成本」，两者在垄断度高的市场里可以长期背离。
**陷阱 2 · 用「最大运力」做分母会系统性低估。**多数任务不满载。2025 年 Falcon 9 投送 2,349 t / 165 次 = 平均每次 14.2 t，仅为 22.8 t 上限的 62%。按实际投送量算，2025 年的有效 70M ÷ 14.2 t ≈ $4,930/kg。
陷阱 3 · 混用「复用的价格」与「一次性的运力」。22,800 kg 是一次性构型的运力；复用构型只有约 17,400 kg。流传极广的「74M ÷ 22.8 t = 74M ÷ 17.4 t = $4,253/kg。
⑤ 假设清单
▲ 本卡片算例的四条假设
1 · 载荷质量按公开规格取值，未考虑不同轨道倾角与高度对运力的影响（SSO 与 GTO 的运力显著低于 LEO）。2 · 不区分拼车与专属——Falcon 9 拼车 2026-02 的价格是 $7,000/kg，远高于专属，因为分摊了更多的接口与调度成本。3 · 学习曲线的历史序列用「通胀调整后的最低已实现价格」作为成本的代理变量，这是一个乐观口径，而且是价格侧的量——它会把毛利变动误记成成本变动。式 b 的 (\mathrm{LR}) 因此只能当作成本的估计值，不是任何一条报价序列的斜率。4 · 忽略汇率与通胀口径差异，所有数字按当年美元。
⑥ 数值算例：现状与目标之间隔着多远
载具 / 口径成本或价格分母（载荷）$/kg说明| 载具 / 口径 | 成本或价格 | 分母（载荷） | $/kg | 说明 |
Falcon 9 · 专属 · 一次性构型$74M（2026-02 报价）22.8 t**$3,246**「最好看」的口径| Falcon 9 · 专属 · 一次性构型 | $74M（2026-02 报价） | 22.8 t | $3,246 | 「最好看」的口径 |
Falcon 9 · 专属 · 复用构型$74M17.4 t**$4,253**真实可复用构型| Falcon 9 · 专属 · 复用构型 | $74M | 17.4 t | $4,253 | 真实可复用构型 |
Falcon 9 · 2025 年实际平均$70M14.2 t（实测均值）**≈$4,930**按实际投送量的诚实口径| Falcon 9 · 2025 年实际平均 | $70M | 14.2 t（实测均值） | ≈$4,930 | 按实际投送量的诚实口径 |
Falcon 9 · 拼车——$7,0002026-02 挂牌| Falcon 9 · 拼车 | — | — | $7,000 | 2026-02 挂牌 |
Starship · 一次性构型（S-1 披露成本）$100M100 t（估）**$1,000**已比 Falcon 9 低约 3 倍| Starship · 一次性构型（S-1 披露成本） | $100M | 100 t（估） | $1,000 | 已比 Falcon 9 低约 3 倍 |
Starship 目标态$10M100 t**$100**公开目标| Starship 目标态 | $10M | 100 t | $100 | 公开目标 |
「Starship 3」主张（2024）$2–3M200 t$12.5愿景，无工程依据公开| 「Starship 3」主张（2024） | $2–3M | 200 t | $12.5 | 愿景，无工程依据公开 |
读法：从今天的 100/kg，还差一个整数量级。这一个数量级要靠两件事同时发生：单次成本降 10 倍（10M），或者成本降 3 倍同时运力提 3 倍。前者需要全复用真正跑通，后者需要 V3/V4 的运力兑现。两件都还没发生。
⑦ 用学习曲线做外推
把发射成本套进莱特定律（推导见 ⑧），以累计入轨质量为产量变量：
\[ c(V)=c_{ref}\left(\frac{V}{V_{ref}}\right)^{\log_2 b},\qquad b=1-\mathrm{LR} \]
式 b · 发射**成本**学习曲线，符号与 ⑧ 统一（\(b\) 是保留率，指数是 \(\log_2 b\)）。发射的成本侧学习率估计 \(\mathrm{LR}\approx20\%\)（18%–24%，取决于起点假设），即 \(b\approx0.80\)、\(\log_2 0.80\approx-0.322\)。**这是成本口径，不是挂牌价**——同期挂牌价不降反涨，见上方陷阱 1 与 ⑧ 第 ⑨ 条的冲突消解
**外推（成本口径，不是价格口径）：**维持 20% 的成本学习率，从当前水平降到 100/kg」翻译成了一个可以逐年打卡的物理指标：累计入轨吨位。它推不出客户会付多少钱——那条链在陷阱 1 处就断了。
**第二条独立路径（自下而上核算）给出相近的结论：按 Starship 公开规格，10 倍部件复用 → 内部成本 ≲15/kg；若按 10 倍复用加 75% 毛利，客户价格 <100/kg 的瓶颈不是单次成本，而是累计飞行量。
⑧ 失效条件与适用域
（1）学习率历史稳定不代表未来稳定——曲线在遇到材料成本地板或监管阻碍时会趋平；（2）该曲线拟合的是最低已实现价格，而 SpaceX 的报价近年在上涨，两者背离时外推会失真；（3）竞争进入会压缩毛利，反而加速客户价格下降，使价格曲线快于成本曲线；（4）不含发射许可、环评、空域协调等非技术约束。
⑨ 与实际数据的校准
2025 年 SpaceX 占全球入轨发射的 50.0%（165/330）、占全球入轨质量约 81%（Falcon 9 单独）。这个「次数占一半、质量占八成」的不对称本身就是 103M vs 过去十年 $107M，几乎持平，印证了「成本下降未必传导为价格下降」。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）今天真实的 Falcon 9 有效 3,200–2,700 是口径混用的产物**；（2）Starship 已把这个数字压到约 100/kg 还差一个数量级，且这个数量级主要由累计飞行量决定。
不能证明：（1）不能证明 /kg 比较不同轨道的任务**——LEO、SSO、GTO、TLI 的 Δv 需求不同，$/kg 只在同一目标轨道内可比。
我的看法 · 作者（AI）个人观点
把 ①②③④ 四张卡连起来读，会看到马斯克的航天论证有一个结构上的漂亮之处，也有一个结构上的薄弱之处。
漂亮的地方是：他没有试图去打赢那场不可能赢的仗。火箭方程是不可谈判的，他接受了指数惩罚，转而去攻一个方程管不着的维度——硬件的会计寿命。这是把物理约束当边界条件、而不是当敌人的典范。第一性原理在这里的真实含义不是「重新发明物理」，而是「识别出哪一项约束是真的、哪一项只是行业习惯」。一次性使用不是物理定律，它只是 1960 年代成本结构下的一个局部最优解，而且在低频次场景下当时确实是对的。
薄弱的地方是：他很少公开讨论 ③ 式 d 给出的那个上限。复用收益被 (G_\infty=1+\frac{1-\rho-\omega_{rec}}{S}) 封顶，分母上的 (S) 是「非硬件成本 / 硬件成本」，这意味着当 SpaceX 把硬件成本压得足够低时，它自己会撞上自己造出来的地板——地面作业、回收船队、发射许可、任务管理这些「非硬件」项不会随复用次数下降，反而会随发射频次线性增长。2026 年的 Starship 已经在逼近这个转折点：单次硬件成本还在降，但一年只飞两次，固定成本摊到每次上是天文数字。换句话说，下一个十年 SpaceX 真正的对手不是火箭方程，是它自己的地勤。
FORMULA 05 会合周期与霍曼转移：那个击败火星计划的数字
① 它在检验马斯克的哪条主张
2026 年 2 月 8 日，马斯克在 X 上确认 SpaceX 把重心从火星移到月球。他给出的理由不是资金、不是技术，而是一个纯天体力学的数字：火星窗口每 26 个月才开一次，而月球每 10 天就能发一次。这条公式检验的是：这个理由在算术上是否成立，以及它到底意味着多大的迭代速度差。
It is only possible to travel to Mars when the planets align every 26 months (six-month trip time), whereas we can launch to the Moon every 10 days (two-day trip time). This means we can iterate much faster to complete a Moon city than a Mars city.
只有当行星每 26 个月排成一线时才可能去火星（航程 6 个月），而我们每 10 天就能发射去月球（航程 2 天）。这意味着我们建成月球城市的迭代速度可以远快于火星城市。
Elon Musk
2026-02-08 · X 帖，经 Reuters 与 SpaceNews 独立报道
P1 本人帖子
来源 [@src-ea30dc084e]
② 符号
\(T_E,T_M\)地球、火星的公转周期，天。365.256 / 686.980
\(T_{syn}\)会合周期：两颗行星回到相同相对几何位置所需的时间
\(\mu_\odot\)太阳引力常数，\(1.32712\times10^{20}\ \mathrm{m^3/s^2}\)
\(r_1,r_2\)地球、火星的日心轨道半径，\(1.496\times10^{11}\) / \(2.279\times10^{11}\) m
\(a_t\)转移椭圆的半长轴，\((r_1+r_2)/2\)
\(v_\infty\)双曲线剩余速度（逃离地球引力后相对地球的残余速度）
③ 起始定律（式 a）：角速度差
会合周期不是轨道周期，而是相对相位重新对齐的周期。两颗行星的角速度分别是 (\omega_E=2\pi/T_E) 与 (\omega_M=2\pi/T_M)，相对角速度是它们的差：
\[ \Delta\omega=\left|\frac{2\pi}{T_E}-\frac{2\pi}{T_M}\right| \]
式 a · 相对角速度。取绝对值是因为「谁追谁」不影响周期
④ 从式 a 到式 b：两步
展开推导
**第 1 步 · 定义「追上一圈」。**会合周期就是相对相位走完 (2\pi) 所需的时间：(T_{syn}=2\pi/\Delta\omega)。**为什么是 (2\pi) 而不是别的角度：**因为发射窗口的几何条件（地球在火星「后面」某个特定角度）在相对相位每转一整圈时重现一次。
第 2 步 · 代入并约掉 (2\pi)。 [ T_{syn}=\frac{2\pi}{\left|\frac{2\pi}{T_E}-\frac{2\pi}{T_M}\right|}=\frac{1}{\left|\frac{1}{T_E}-\frac{1}{T_M}\right|}=\frac{T_E T_M}{|T_M-T_E|} ]
最后一个等号是通分：(\left|\frac{1}{T_E}-\frac{1}{T_M}\right|=\frac{|T_M-T_E|}{T_ET_M})，取倒数即得。
\[ \boxed{\;T_{syn}=\frac{365.256\times686.980}{686.980-365.256}=\frac{250{,}923.6}{321.724}=\mathbf{779.9\ \text{天}}=2.135\ \text{年}=25.6\ \text{个月}\;} \]
式 b · 地火会合周期。马斯克说的「26 个月」是 25.6 的口语取整，**算术正确**
④b 霍曼转移 Δv 的完整推导（从活力公式起）
展开：从 vis-viva 到 5.59 km/s，共五步
**第 1 步 · 起始定律：活力公式（vis-viva equation）。**它是二体问题中能量守恒的直接结果——轨道比能 (\epsilon=\frac{v^2}{2}-\frac{\mu}{r}=-\frac{\mu}{2a})，移项即得： [ v^2=\mu\left(\frac{2}{r}-\frac{1}{a}\right) ]
**第 2 步 · 求两条圆轨道的速度。**圆轨道 (a=r)，代入得 (v_{circ}=\sqrt{\mu/r})： [ v_1=\sqrt{\frac{1.32712\times10^{20}}{1.496\times10^{11}}}=29{,}784\ \mathrm{m/s},\qquad v_2=\sqrt{\frac{1.32712\times10^{20}}{2.279\times10^{11}}}=24{,}131\ \mathrm{m/s} ]
第 3 步 · 构造转移椭圆。霍曼转移的近日点贴着地球轨道、远日点贴着火星轨道，故半长轴 (a_t=(r_1+r_2)/2=1.8875\times10^{11}) m。把 (r=r_1)、(a=a_t) 代回活力公式，得转移轨道在近日点的速度： [ v_{p}=\sqrt{1.32712\times10^{20}\left(\frac{2}{1.496\times10^{11}}-\frac{1}{1.8875\times10^{11}}\right)}=\sqrt{1.0711\times10^{9}}=32{,}728\ \mathrm{m/s} ]
**第 4 步 · 相减得 Δv。**脉冲变轨假设下，只需把圆轨道速度「加速」到椭圆近日点速度： [ \Delta v_1=v_p-v_1=32{,}728-29{,}784=\mathbf{2{,}944\ \mathrm{m/s}} ]
同理在火星端，转移椭圆远日点速度 (v_a=\sqrt{\mu(2/r_2-1/a_t)}=21{,}483) m/s，需要加速到火星圆轨道速度： [ \Delta v_2=v_2-v_a=24{,}131-21{,}483=\mathbf{2{,}648\ \mathrm{m/s}} \qquad\Longrightarrow\qquad \Delta v_{\text{日心总}}=\mathbf{5.59\ \mathrm{km/s}} ]
**第 5 步 · 转移时间（开普勒第三定律的一半）。**霍曼转移走的是椭圆的一半，用时是完整周期的一半： [ t=\frac{1}{2}\cdot2\pi\sqrt{\frac{a_t^3}{\mu_\odot}}=\pi\sqrt{\frac{(1.8875\times10^{11})^3}{1.32712\times10^{20}}}=\pi\times7.118\times10^{6}\ \mathrm{s}=\mathbf{258.9\ \text{天}\approx8.5\ \text{个月}} ]
从 LEO 出发的实际 Δv（TMI）。上面算的是日心段。真实任务从近地轨道出发，要先逃离地球引力井，这里用双曲线剩余速度的合成：
\[ \Delta v_{TMI}=\sqrt{v_{esc}^2+v_\infty^2}-v_{circ}=\sqrt{11.008^2+2.944^2}-7.784=11.401-7.784=\mathbf{3.61\ \mathrm{km/s}} \]
式 c · 地火转移注入。**注意这里不是简单相加**——逃逸速度与剩余速度按能量（平方）叠加，这就是「奥伯特效应」的数学形式：在深引力井底部点火更划算
用火箭方程反查推进剂需求（(I_{sp}=380) s，(v_e=3{,}727) m/s）：(MR=e^{3610/3727}=2.634)。若飞船干重 100 t、载荷 100 t，则需要 (200\times(2.634-1)=\mathbf{327\ \text{t}}) 推进剂——约为 1,600 t 贮箱容量的 20%。反过来，满载 1,600 t 时 (\Delta v=3727\ln 9=8.19) km/s，远超霍曼需求，多余的能量可以换成更短的航程，这就是马斯克说「80 天甚至 30 天」的物理依据。
⑤ 假设清单
▲ 六条假设
**1 · 共面圆轨道。**火星轨道偏心率 (e=0.0934)，实际会合周期在 759–811 天之间波动；轨道倾角 1.85° 带来额外的平面变更代价。**2 · 脉冲变轨。**假设点火瞬时完成，有限推力会带来数百 m/s 的重力损失。**3 · 忽略火星引力捕获。**上面的 (\Delta v_2) 是「进入火星公转轨道」，不含进入火星环绕轨道或着陆。**4 · 忽略气动捕获。**Starship 用隔热瓦吸收 (\Delta v_2) 的绝大部分，只在末段动力着陆——这是用热防护替代推进剂，是整个架构成立的关键，但它让霍曼 Δv 预算失去指导意义。5 · 霍曼是最省能量、也最慢的方案，真实任务用非霍曼快速转移。6 · 未计中途修正（典型 30–100 m/s）。
⑥ 数值算例：迭代速度比
\[ \frac{T_{syn}^{\text{火星}}}{T_{\text{窗口}}^{\text{月球}}}=\frac{779.9\ \text{天}}{10\ \text{天}}=\mathbf{78\times} \qquad\qquad \frac{t_{\text{航程}}^{\text{火星}}}{t_{\text{航程}}^{\text{月球}}}=\frac{180\ \text{天}}{2\ \text{天}}=\mathbf{90\times} \]
算例 3 · 两个独立的 78–90 倍
**这两个倍数是乘性的还是加性的？**取决于迭代方式。如果每次迭代必须「发射 → 到达 → 分析 → 改进 → 再发射」，则总迭代周期 = 窗口间隔（因为它远大于航程），比值是 78 倍；如果可以流水线式并行（在等待上一批数据时就发下一批），则航程时间被隐藏，比值仍是 78 倍。无论哪种口径，「月球的迭代频率约为火星的 78 倍」这个结论都成立——这一个数字就足以解释 2026 年 2 月的战略转向。
⑦ 一阶敏感性
会合周期对两颗行星周期的差极为敏感：(\frac{\partial T_{syn}}{\partial T_M}\propto-\frac{T_E^2}{(T_M-T_E)^2})。这意味着轨道周期越接近的两颗行星，会合周期越长——金星（224.7 天）与地球的会合周期是 583.9 天，而更远的木星只有 398.9 天。火星之所以「难等」，恰恰是因为它离地球近。这是一个反直觉但严格的结论。
⑧ 失效条件与适用域
会合周期公式对近圆共面轨道准确到 1% 以内；对偏心率大的目标（如小行星）必须逐窗口数值求解。霍曼 Δv 只适用于脉冲、共面、圆到圆的转移；一旦引入气动捕获或电推进螺旋，整个 Δv 预算框架都要重建。
⑨ 与实际数据的校准
历史火星窗口：2018-05、2020-07、2022-09、2024-10、2026-11/12——间隔分别为 26、26、25、25 个月，与 779.9 天（25.6 个月）的预测吻合，波动范围符合偏心率带来的 759–811 天区间。转移时间方面，好奇号 253 天、毅力号 203 天（用了快速转移）、天问一号 202 天，与霍曼下界 258.9 天的关系符合「实际任务用非霍曼轨道换时间」的预期。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）「26 个月」这个数字准确（25.6，口语取整）；（2）月球的迭代频率约为火星的 78 倍，这个比值稳健；（3）从 LEO 到火星的 TMI 需要约 3.61 km/s，对应质量比 2.63，Starship 的贮箱容量足够，推进剂不是火星任务的瓶颈——在轨加注能力才是。
不能证明：（1）不能证明转向月球是正确的战略决策——迭代速度只是众多因素之一，月球缺少大气与原位甲烷原料，其 ISRU 路径与火星完全不同；（2）不能给出真实任务的 Δv 预算——气动捕获让霍曼数字失去主导地位；（3）不能证明「6 个月航程」，那是快速转移轨道的结果，需要额外 Δv，代价见 ⑦。
FORMULA 06 萨巴捷反应的能量账：火星推进剂厂要多少千瓦
① 它在检验马斯克的哪条主张
2016 年他讲火星原位推进剂制造（ISRU）时，自己点出了瓶颈——不是化学，是能源。这句话在十年后被证明是整个火星计划最硬的约束。这条公式把「一大片太阳能板」这个模糊表述，变成一个可以核查的千瓦数。
The key point being that the ingredients are there on Mars to create a propellant plant with relative ease… The trickiest thing, really, is the energy source, which we think we can do with a large field of solar panels.
关键在于，火星上具备相对容易地建起一座推进剂工厂所需的全部原料……真正最棘手的其实是能源，我们认为可以用一大片太阳能板来解决。
Elon Musk
2016-09-27 · IAC 2016，瓜达拉哈拉
P2 完整逐字稿
来源 [@src-32c48db6ae]
② 化学与符号
\[ \begin{aligned}
\text{萨巴捷反应：}&\quad \mathrm{CO_2}+4\,\mathrm{H_2}\longrightarrow \mathrm{CH_4}+2\,\mathrm{H_2O},&\Delta H^\circ&=-165\ \mathrm{kJ/mol}\ (\text{放热})\\
\text{水电解：}&\quad 2\,\mathrm{H_2O}\xrightarrow{\ \text{电}\ }2\,\mathrm{H_2}+\mathrm{O_2},&\Delta H^\circ&=+286\ \mathrm{kJ/mol\ H_2}\\
\text{固体氧化物 CO}_2\text{ 电解：}&\quad 2\,\mathrm{CO_2}\xrightarrow{\ \text{电}\ }2\,\mathrm{CO}+\mathrm{O_2},&\Delta H^\circ&=+283\ \mathrm{kJ/mol\ CO_2}
\end{aligned} \]
式 a · 三个反应。萨巴捷本身放热（1902 年发现，Sabatier 因此获 1912 年诺贝尔化学奖），**吸能的是电解**
③ 起始关系：闭合物料衡算
火星大气 95% 是 CO₂，地下与极区有水冰。整个工厂是一个闭环：电解水拿到 H₂ 去做萨巴捷，萨巴捷产出的 H₂O 再电解回 H₂——理论上只需要补充「被固定进甲烷的那部分氢」。这个闭环是本卡片全部算术的基础，也是它的第一个假设。
④ 从化学计量到千瓦：五步
展开逐步计算（每一步都可用手机计算器复核）
**第 1 步 · 每 kg 甲烷需要多少摩尔氢。**CH₄ 摩尔质量 16.043 g/mol，故 1 kg CH₄ = 62.3 mol。按化学计量每 1 mol CH₄ 消耗 4 mol H₂： [ n_{\mathrm{H_2}}=62.3\times4=249.4\approx\mathbf{250\ \mathrm{mol\ H_2/kg\ CH_4}} ]
**第 2 步 · 理论电能下界。**用水电解的高热值 286 kJ/mol H₂： [ E_{\text{理论}}=250\times286\ \mathrm{kJ}=71.5\ \mathrm{MJ}=\mathbf{19.9\ \mathrm{kWh/kg\ CH_4}} ]
**为什么这是下界：**它假设电解效率 100%、没有压缩、没有液化、没有热损失。任何真实系统都必须高于这个数。
**第 3 步 · 用实测值替换理论值。**2025 年《Nature Communications》报道的膜式萨巴捷系统实测为 23.65 kWh/kg CH₄，系统能效 65%。理论 19.9 / 实测 23.65 = 84%——这个比值本身就是一个校验：实测值只比理论下界高 19%，说明该文献的口径是「仅电解环节」，尚未包含压缩与液化。
**第 4 步 · 算一船推进剂的总能量。**目标 600 t 甲氧，混合比 O/F = 3.6： [ m_{\mathrm{CH_4}}=\frac{600}{1+3.6}=130.4\ \mathrm{t},\qquad m_{\mathrm{O_2}}=600-130.4=469.6\ \mathrm{t} ]
甲烷侧的电能：(E_{\mathrm{CH_4}}=1.304\times10^{5}\ \mathrm{kg}\times23.65\ \mathrm{kWh/kg}=\mathbf{3.08\ GWh})。
**氧气缺口。**萨巴捷副产的 H₂O 电解会顺带产出 O₂：每 mol CH₄ 副产 2 mol H₂O，电解得 1 mol O₂，即每 kg CH₄ 产 2 kg O₂ → 130.4 t CH₄ 产 260.8 t O₂。缺口 (469.6-260.8=\mathbf{208.8\ t})，必须靠 CO₂ 电解补上： [ n_{\mathrm{O_2}}=\frac{2.088\times10^{5}\ \mathrm{kg}}{0.032\ \mathrm{kg/mol}}=6.53\times10^{6}\ \mathrm{mol};\qquad E_{\mathrm{O_2}}=\frac{6.53\times10^{6}\times2\times283\ \mathrm{kJ}}{0.60}=6.16\times10^{9}\ \mathrm{kJ}=\mathbf{1.71\ GWh} ]
（分母 0.60 是固体氧化物电解的假定系统效率。）
第 5 步 · 总能量与功率。
\[ E_{\text{总}}=3.08+1.71=\mathbf{4.8\ GWh};\qquad P=\frac{4.8\times10^{6}\ \mathrm{kWh}}{500\ \text{天}\times24\ \mathrm{h}}=\frac{4.8\times10^{6}}{12{,}000}=\mathbf{400\ kW} \]
式 b · 一船推进剂 / 一个窗口间隔内完成，需要 400 kW 连续功率。压缩到 300 天则为 **667 kW**
**独立校验：**Robert Zubrin 用完全不同的方法独立估算给出约 600 kW，与本推导的 400–667 kW 区间吻合。两条独立路径落在同一数量级，说明这个结论是稳健的。
④b 换算成太阳能板面积
火星轨道处的太阳常数按平方反比律衰减（日地距离 1.524 AU）：
\[ S_{\text{Mars}}=\frac{1361}{1.524^2}=\frac{1361}{2.3226}=586\ \mathrm{W/m^2}\ (\text{轨道处});\qquad \bar S_{\text{地表日均}}\approx159\ \mathrm{W/m^2} \]
式 c · 地表日均值已包含昼夜、大气吸收与太阳高度角的平均，是一个粗糙但可用的工程近似
电池效率 \(\eta\)降额系数 \(k\)有效功率密度600 kW 所需面积折合足球场| 电池效率 \(\eta\) | 降额系数 \(k\) | 有效功率密度 | 600 kW 所需面积 | 折合足球场 |
20%（地球级）0.8025.4 W/m²23,600 m²4.4| 20%（地球级） | 0.80 | 25.4 W/m² | 23,600 m² | 4.4 |
12%（含尘埃沉积）0.7514.3 W/m²41,900 m²7.8| 12%（含尘埃沉积） | 0.75 | 14.3 W/m² | 41,900 m² | 7.8 |
**8%（保守）****0.70****8.9 W/m²****67,400 m²****12.6**| 8%（保守） | 0.70 | 8.9 W/m² | 67,400 m² | 12.6 |
最后一行与 Zubrin 独立给出的「13 个足球场」几乎完全一致——这是一个很强的交叉验证。
⑤ 假设清单
▲ 五项未计能耗（都会把数字推高）
1 · 水冰开采未计——钻探、加热升华、除盐。这可能是最大的隐藏项：把 −60 °C 的冰加热升华再冷凝，理论上每 kg 水就要 2.8 MJ 以上。2 · CO₂ 压缩未计——火星大气压只有 600 Pa，要压到反应压力需要 100 倍以上的压缩比。3 · 深冷液化未计——CH₄ 液化到 111 K、O₂ 到 90 K，加上长期保冷。4 · 储能未计——火星夜长 12 小时，沙尘暴可持续数月并削减 80%–99% 的日照，这要求的储能系统质量可能超过发电系统本身。5 · 启停循环损失未计——电解槽与反应器不能频繁冷启动。
**综合判断：400–600 kW 应视为乐观下界，实际很可能是 1 MW 量级。**这直接支持了 Zubrin「必须用核电」的论断——因为太阳能方案的储能质量会随沙尘暴时长呈非线性增长。
⑥ 敏感性与 ⑦ 失效条件
主导参数是「窗口内必须完成」这个时间约束，而不是任何化学参数。把完成期限从 500 天压到 300 天，功率需求从 400 kW 跳到 667 kW（+67%）；反过来，若允许跨两个窗口积累（1,560 天），只需 128 kW。**这意味着 ISRU 的功率需求本质上是一个物流排期问题，不是化学问题。**失效条件：如果着陆点没有可开采的水冰，整个闭环断裂，必须从地球运氢——那会把 ISRU 的价值几乎清零。
⑧⑨ 适用域与校准
本模型适用于稳态、连续运行、单一产品的推进剂厂估算。校准点：NASA 的 Sabatier ISRU 系统设计研究（NTRS 20180004697）给出 (\Delta H=-165.4) kJ/mol，与本页取值一致；MOXIE 实验（毅力号，2021–2023）在火星表面实测产氧，验证了固体氧化物电解在火星大气条件下可行，其功率-产率比与本页的 0.60 效率假设在同一量级。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）火星 ISRU 的化学是成熟的，1902 年就有了，催化剂选择性 >99%；（2）能源需求在 400 kW–1 MW 量级，对应 2.4–12.6 万平方米的太阳能板，或一台小型核反应堆；（3）马斯克「最棘手的是能源」这句判断完全正确，而且他在 2016 年就说出来了。
不能证明：（1）不能证明太阳能方案可行——本页没有建模沙尘暴期的储能质量，而那可能是决定性的；（2）不能证明水冰可采——所有算术都建立在「着陆点有可开采水冰」这个尚未验证的前提上；（3）不能给出建厂所需的设备质量，那需要完整的系统工程模型。
FORMULA 07 火星自持物流：把「100 万人」形式化后会发生什么
① 它在检验马斯克的哪条主张
2016 年他给出了一条完整的算术链：自持城市需要 100 万人 → 每船 100 人 → 需要 1 万船次 → 每 26 个月一个窗口 → 所以要造约 1,000 艘船 → 40 到 100 年。2024 年他把口径从「100 万人」改成「100 万吨物资」。这条公式做两件事：（a）验证他的算术是否自洽；（b）做一次定量压力测试，看这条链在什么参数组合下崩溃。
If you have 100 people per ship, that’s 10,000 trips… So, 10,000 flights is a lot of flights, so you really want to ultimately think on the order of 1,000 ships.
如果每艘船载 100 人，那就是 1 万个船次……1 万次飞行是很多次飞行，所以你最终真正要考虑的是 1,000 艘船这个量级。
Elon Musk
2016-09-27 · IAC 2016，瓜达拉哈拉（自持城市门槛的原始推导）
P2 完整逐字稿
来源 [@src-32c48db6ae]
② 符号
\(M_{total}\)需送达火星表面的总质量，吨。马斯克给 \(10^6\) t，自称上限可能 \(10^7\) t
\(m_{ship}\)单船至**火星表面**的载荷，吨。官方目标 100 t
\(n_{tk}\)每艘火星船所需的加油船架次。马斯克给 10；NASA 对 HLS 的估计是「high teens」
\(W\)使用的转移窗口数
\(R\)平均日发射率，次/天
③④ 起始关系与推导
推导本身是初等的，本卡片的价值不在数学而在参数的诚实性：
\[ N_{launch}=\frac{M_{total}}{m_{ship}}\times(1+n_{tk}) \qquad\Longrightarrow\qquad R=\frac{N_{launch}}{W\times T_{syn}} \]
式 a、b · \((1+n_{tk})\) 中的 1 是火星船本身，\(n_{tk}\) 是为它加注的油船架次
**为什么加油船要算进发射次数：**Starship 从 LEO 出发去火星需要满贮箱，而它入轨后贮箱几乎是空的——每一艘去火星的船，都需要约 10 艘油船分批把推进剂送上轨道。这是「在轨加注」这个杠杆的成本侧：它把 Δv 需求砍了半个数量级，代价是把发射次数乘了 11 倍。
\[ N_{launch}=\frac{10^{6}}{100}\times11=10{,}000\times11=\mathbf{110{,}000\ \text{次发射}} \]
窗口数 \(W\)跨度日发射率 \(R\)对照| 窗口数 \(W\) | 跨度 | 日发射率 \(R\) | 对照 |
510.7 年28.2 次/天—| 5 | 10.7 年 | 28.2 次/天 | — |
**10****21.4 年****14.1 次/天**与他反复说的「每天 10 次发射」高度吻合| 10 | 21.4 年 | 14.1 次/天 | 与他反复说的「每天 10 次发射」高度吻合 |
2042.7 年7.1 次/天接近 2016 年说的「40–100 年」下限| 20 | 42.7 年 | 7.1 次/天 | 接近 2016 年说的「40–100 年」下限 |
结论一：他的算术是自洽的。(W=10) 时得到 14.1 次/天，与他公开反复引用的「10 launches per day」在同一量级；21.4 年的跨度也落在他 2016 年说的「40 到 100 年」区间的乐观端。这个内部一致性值得肯定——它说明这些数字不是随口说的，背后有一条真实的算术链。
⑤ 假设清单
▲ 五条假设
1 · 加油船与火星船同型号（SpaceX 的设计确实如此，所以这条成立）。2 · 未计返程运力——人员与样本返回需要额外的船与推进剂。3 · 未计损耗率——着陆失败、在轨报废、推进剂沸腾蒸发。4 · 假设全部质量都从地球运——这正是「自持」要打破的循环。**随着火星本地制造能力提升，(M_{total}) 中的地球依赖部分会递减，这是马斯克方案中一个被低估的正反馈项，也是最难量化的一项。**5 · 未计发射场吞吐上限——每天 14 次意味着平均每 1.7 小时一次，这对发射台、推进剂供应链、空域协调都是前所未有的要求。
⑥⑦ 压力测试：三个参数各偏悲观一档会怎样
变量马斯克假设悲观情形来源对 \(N_{launch}\) 的倍数| 变量 | 马斯克假设 | 悲观情形 | 来源 | 对 \(N_{launch}\) 的倍数 |
\(M_{total}\)\(10^6\) t\(10^7\) t他自己说过的上限**×10**| \(M_{total}\) | \(10^6\) t | \(10^7\) t | 他自己说过的上限 | ×10 |
\(m_{ship}\)（至火星表面）100 t30 tZubrin 的怀疑值**×3.3**| \(m_{ship}\)（至火星表面） | 100 t | 30 t | Zubrin 的怀疑值 | ×3.3 |
\(n_{tk}\)1018NASA 对 HLS 的「high teens」**×1.7**| \(n_{tk}\) | 10 | 18 | NASA 对 HLS 的「high teens」 | ×1.7 |
**三者联合****×56**| 三者联合 | ×56 |
\[ N_{launch}^{\text{悲观}}=110{,}000\times56=6.17\times10^{6}\ \text{次};\qquad R=\frac{6.17\times10^{6}}{10\times779.9}=\mathbf{791\ \text{次/天}} \]
算例 4 · 每天 791 次发射，即平均**每 1.8 分钟一次**，全年无休，持续 21 年
**这在物理上不可能。**因此可以得到一个非常干净的结论：**这三个参数中至少两个必须落在乐观端，火星自持才在本世纪可行。**这是本报告对马斯克路线图最重要的一次定量压力测试——它不否定这个计划，而是把它转化成三个可以逐年打卡的具体指标。
**一阶敏感性：(M_{total}) 主导。**它的不确定度是 10 倍，而另外两个各只有 3.3 倍和 1.7 倍。而 (M_{total}) 恰恰是最难估计的一项——它取决于「一个能自我维持的工业文明最少需要多少吨基础设施」，这个问题至今没有任何人给出过有依据的答案。马斯克自己的「维生素 C 比喻」抓住了本质：一个自持系统不能缺任何一个必需环节，哪怕它只占总质量的 0.001%。
⑧ 失效条件与适用域
这个模型是一个纯物流账，它的最大失效模式是把「自持」误解为「运够质量」。真实的自持条件是工业闭环的完整性，即所有必需的生产环节都能在本地闭合。一个只差一种催化剂或一台机床的殖民地，运再多吨也不自持。因此这个模型给出的是一个必要条件的下界，不是充分条件。
⑨ 与实际数据的校准
2026 年上半年 Starship 飞了 1 次（2026-05-22 的 Flight 12，V3 首飞；7 月 24 日的 Flight 13 是下半年）。距离 14 次/天，差约 2,500 倍。2025 年 5 月的分窗口路线图给出的第一个窗口目标是「≥5 艘、每船约 10 t」——注意这里的单船载荷是 10 t 而不是 100 t，比长期目标低一个数量级，这是一个诚实的近期口径。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）马斯克的「100 万人 / 1,000 艘船 / 每天 10 次发射」在算术上自洽，这不是随口编的数字；（2）该方案对三个参数的联合敏感度是 56 倍，落在悲观端就物理上不可能；（3）在轨加注是这套架构的双刃剑——它把 Δv 需求砍了半个数量级，同时把发射次数乘了 11 倍。
不能证明：（1）不能证明也不能证伪火星自持的可行性——因为 (M_{total}) 这个主导参数本身没有任何可靠估计；（2）不能捕捉本地制造带来的正反馈；（3）不能替代对「工业闭环完整性」的分析，那是一个定性得多、也困难得多的问题。本卡片的真正价值是把一个愿景转化成三个可打卡指标，而不是给出答案。
Part Ⅱ · 三条推导链能源与制造：学习曲线、热力学地板、文明尺度
马斯克关于制造与能源的主张有一个共同结构：他总是先找到一条经验规律或物理定律，然后把公司的战略押在「这条规律会继续成立」上面。莱特定律是他做电池与机器人成本预测的基础，斯特藩–玻尔兹曼定律是太空数据中心方案的真正约束，Kardashev 尺度则是他「能量是终极货币」这一世界观的量化外壳。三条里有一条是硬定律、一条是经验相关、一条是定义——把它们分清楚，是评估他这部分论证的第一步。
FORMULA 08 莱特定律：规模化与降本之间是相关，不是因果
① 它在检验马斯克的哪条主张
「把产量做上去，成本自然会下来」是特斯拉、SpaceX、Optimus 三条业务线共用的核心假设。它的形式化版本是 1936 年 T. P. Wright 在飞机制造中发现的经验规律。这条公式检验的是：锂电从 108/kWh 的下降，有多少可以归因于「学习」，有多少来自别的东西——因为如果答案是「一大半来自别的东西」，那么把机器人的成本预测建立在这条曲线上就是危险的。先预告一个贯穿本卡片的口径问题：这两个锚点是 BNEF 的价格调查值，而公式里的 (C) 定义为成本，第 ② 与第 ⑥ 条会把这两件事分开处理。
Physics is the law and everything else is a recommendation. I’ve seen plenty of people break the laws made by man, but none break the laws made by physics.
物理是法律，其余一切都是建议。我见过很多人违反人订的法律，但从没见过谁能违反物理定律。
Elon Musk
2023-11-09 · Lex Fridman Podcast #400（此表述他在 2022 G20/B20 与 2023 DealBook 亦重复过）
P2 官方人工校对逐字稿
来源 [@src-a04914e8e2]
引这句话的原因正是它的反面：莱特定律不是物理定律，它是一条经验相关关系。把它当成定律来用，恰恰违反了这句话自己的精神。本卡片要做的就是把这条界线画清楚。
② 符号与一个必须澄清的定义
⚑ \(b\) 到底是什么：本报告在文献与二手解读里最常撞见的一个符号混淆
文献里存在两套写法：一套用成本保留率（进步率） (b)，即累计产量每翻倍后成本变成原来的 (b) 倍；另一套用降本率（学习率） (\mathrm{LR})，即每翻倍下降的百分比。两者的关系是 (b=1-\mathrm{LR})。本页与计算器一律用保留率 (b)：锂电经验值 (b\approx0.82)，对应降本率约 18%。如果你在别处看到「学习率 0.82」，请先确认它说的是哪一个——差一个 (1-x) 就会把指数算反。
⚑ 第二个、也更致命的口径问题：\(C\) 是**成本**还是**价格**
下面式 a、式 b 里的 (C(x)) 定义为单位成本。但本卡片第 ⑥ 条用来拟合的 BNEF 锂电池数据（108/kWh）是一份价格调查——它统计的是电池包成交价的成交量加权平均，不是任何厂商的制造成本。
(\text{价格}=\text{成本}+\text{毛利})，而毛利受产能利用率、竞争烈度、补贴与关税支配，与「学习」无关。**因此拿价格序列去拟合，得到的是一条价格曲线，它的残差不能直接读成成本变化。**本页在第 ⑥ 条会显式区分这两件事；凡引用「锂电学习率 18%」的地方，请一并说明它算的是价格侧还是成本侧。
\(C(x)\)累计产量达到 \(x\) 倍时的**单位成本**，$/kWh（或 $/件）。**若代入的是价格数据，请把整条曲线重读为价格曲线**
\(C_0\)基准点单位成本
\(x\)累计产量相对基准的倍数，无量纲。**是累计产量，不是年产量**
\(b\)成本保留率（进步率），\(0\lt b\lt1\)。锂电 ≈0.82，航天发射 ≈0.80，人形机器人假设 ≈0.85
\(\mathrm{LR}\)降本率 \(=1-b\)
③ 起始经验关系（式 a）
\[ C(2x)=b\cdot C(x)\qquad\text{对一切 }x\gt0 \]
式 a · 莱特的原始观察：**累计产量每翻一倍，单位成本乘以一个固定比例**。这是一条经验陈述，不是从任何更基本的原理导出的
④ 从式 a 到幂律（式 b）：三步
展开推导：为什么「每翻倍降固定比例」等价于幂律
**第 1 步 · 取对数把递推变成线性。**对式 a 两侧取以 2 为底的对数：(\log_2 C(2x)=\log_2 b+\log_2 C(x))。**为什么用 (\log_2)：**因为规律是按「翻倍」定义的，用 2 作底可以让「翻倍次数」直接成为自变量。
**第 2 步 · 换元。**令 (z=\log_2 x)（即「从基准起翻了多少倍」的次数，可以是非整数），(f(z)=\log_2 C(2^{z}))。式 a 变成： [ f(z+1)=f(z)+\log_2 b\qquad\text{对一切实数 }z ]
为什么可以把 (z) 放到全体实数上：这里引入了本推导的第一个额外假设——规律在非整数倍产量下也成立。真实的学习效应是逐批次发生的，连续化是一个方便的近似。
第 3 步 · 解这个差分方程——它的解不唯一。线性函数 (f(z)=f(0)+z\log_2 b) 确实是一个解，但不是唯一解。式 a 只约束了「相隔 1 的两点之差」，对同一个周期内部的形状什么都没说。完整的解集是：
\[ f(z)=f(0)+z\log_2 b+q(z),\qquad q(z+1)=q(z),\ q(0)=0 \]
\(q\) 可以是**任意**周期为 1 的函数。代回验证：\(f(z+1)-f(z)=\log_2 b+\underbrace{q(z+1)-q(z)}_{=0}=\log_2 b\) ✓
换回原变量，一般解是幂律乘一个 log-periodic 因子：
\[ C(x)=C_0\,x^{\log_2 b}\cdot P(\log_2 x),\qquad P(z+1)=P(z),\ P(0)=1 \]
\(P=2^{q}\)。这个因子在双对数纸上表现为一条围绕直线周期性起伏的波纹，周期恰好是「一次翻倍」
⚑ 「连续 + 单调 + 可微 ⇒ 唯一线性解」是错的，这里给一个反例
本页此前写「在连续化并要求单调可微的条件下唯一」。这条限定不够：连续、无穷可微、严格单调递减的非幂律解是存在的。取 (b=0.82)（(\log_2 b=-0.2863)）与 [ C(x)=C_0,x^{-0.2863}\cdot 2^{,0.04\sin(2\pi\log_2 x)} ]
它精确满足 (C(2x)=0.82,C(x))（因为 (\sin) 的自变量每翻一倍恰好增加 (2\pi)，波纹项完全不变），处处光滑，而且严格单调递减——单调性要求 (f’(z)=\log_2 b+q’(z)\le0)，此处 (|q’|\le2\pi\times0.04=0.251\lt0.286=|\log_2 b|)，条件满足。但它与纯幂律最多相差 (2^{\pm0.04}=\pm2.8%)，在任何真实数据的噪声水平下都无法被区分。
所以要得到纯幂律，必须再加一条假设，它不能从式 a 推出来： [ \textbf{尺度不变性：}\quad \frac{C(sx)}{C(x)}\ \text{只依赖 }s\text{，与 }x\text{ 无关，对一切 }s\gt0 ]
**为什么这一条就够了：**记 (g(s)=C(sx)/C(x))，则 (g(s_1s_2)=g(s_1)g(s_2))——这是柯西函数方程的乘性形式，在可测（或单调、或连续）的前提下解必为 (g(s)=s^{\kappa})；再由 (g(2)=b) 定出 (\kappa=\log_2 b)，波纹项被强制为常数 1。用大白话说：式 a 只承诺「产量翻一倍降 18%」，尺度不变性额外承诺「产量涨 1.5 倍、涨 3 倍时的弹性也是同一个」。
**这不是纯粹的数学洁癖。**log-periodic 结构在制造业里有具体来源：产线按代扩建、设备按批采购、良率按型号爬坡，都会让降本沿「一代一台阶」而不是光滑幂律推进。本页后面所有用式 b 做的外推，都默认了这些台阶可以被抹平。
**第 4 步 · 在尺度不变性假设下换回原变量。**此时 (P\equiv1)，(\log_2 C(x)=\log_2 C_0+\log_2 x\cdot\log_2 b)，两侧取 2 的幂：
\[ \boxed{\;C(x)=C_0\,x^{\log_2 b}\;}\qquad\text{指数 }\log_2 b\lt0 \]
式 b · 莱特定律的幂律形式。\(b=0.82\Rightarrow\log_2 0.82=-0.2863\)。**「幂律」是一条额外的建模假设，不是从式 a 推出来的定理**
**为什么在双对数坐标上是直线：**对式 b 取对数得 (\log C=\log C_0+(\log_2 b)\log x)——斜率就是 (\log_2 b)。这就是为什么所有学习曲线图都画在双对数纸上，也是为什么「曲线在双对数图上是直的」经常被误当成「规律很基本」的证据。直线只说明你取对了坐标，不说明你找到了机制；而且按上面的反例，肉眼看着笔直的双对数散点，完全容得下一个 ±3% 的周期性波纹。
⑤ 假设清单
▲ 五条假设，每一条在现实中都会被违反
**1 · 成本仅由累计经验驱动。**现实中原材料价格、汇率、产能利用率、化学体系切换（三元 → 磷酸铁锂）都会影响成本，而它们与「学习」无关。**2 · 学习率在整个区间恒定。**技术代际切换时斜率会跳变。**3 · 原材料价格不构成硬地板。**这是最致命的一条——当材料成本占比升高，曲线必然趋平，因为你无法通过学习让锂变得更便宜。
**4 · 尺度不变性（无 log-periodic 结构）。**见第 ④ 步的推导：式 a 只约束「翻倍」这一个尺度比，要得到纯幂律必须额外假设任意尺度比下弹性相同。现实中产线按代扩建、良率按型号爬坡，降本更接近「一代一台阶」，这条假设是把台阶抹平后的近似。
5 · 拟合对象是成本，不是价格。式 b 里的 (C) 定义为单位成本；下面第 ⑥ 条实际代入的是 BNEF 的价格调查。价格 = 成本 + 毛利，二者可以长期背离，因此凡用价格序列拟合出来的 (b)，都只能称为「价格侧学习率」。
**6 · 自变量是可识别的。**式 b 默认「累计产量」比「时间」更有解释力，否则拿产量做横轴就没有意义。这一条在数据上通常无法被验证——当产量本身指数增长时，以产量为自变量的拟合与以时间为自变量的拟合几乎不可区分，于是残差里读不出「这是学习还是单纯的时间趋势」。这是本卡片末尾辩证块的第一条反方。
⑥ 数值算例：锂电的 15 年，18% 的曲线对不上多少
取 BNEF 的两个锚点：2010 年 108/kWh。**先把口径钉死：这两个数字来自 BNEF 的年度锂电池价格调查（电池包成交价的成交量加权平均），不是任何厂商的制造成本。**同期全球锂电累计部署量增长约 3 个数量级（(x\approx1{,}000)，即 (\log_2 1000=9.966) 次翻倍）。
\[ \begin{aligned}
\text{按 }b=0.82\text{ 外推：}\quad C(1000)&=1100\times1000^{-0.2863}=1100\times10^{3\times(-0.2863)}=1100\times0.1384=\mathbf{\$152/kWh}\\[4pt]
\text{实测价格：}\quad C&=\mathbf{\$108/kWh}\\[4pt]
\text{价格比曲线低：}\quad 1-\frac{108}{152.2}&=\mathbf{29\%}\\[4pt]
\text{反解隐含的 }b:\quad b&=\left(\frac{108}{1100}\right)^{1/9.966}=0.0982^{\,0.10034}=\mathbf{0.792}\ (\mathrm{LR}\approx20.8\%)
\end{aligned} \]
算例 5 · 四行都可用手机计算器复核。\(1000^{-0.2863}\) 可写成 \(10^{3\times(-0.2863)}\)；末行若图省事按「10 次翻倍」算，得 \(0.0982^{0.1}=0.793\)，两位有效数字下相同
⚑ 这 29% 是**价格**残差，不能读成「学习之外的成本下降」
本页此前把这一段写成「多出来的 29% 降幅无法用学习效应解释」，并把它归入成本侧。这个表述越界了：拟合用的是价格序列，残差自然也是价格残差，而 (\text{价格}=\text{成本}+\text{毛利})，两侧的变化在这份数据里根本分不开。三项候选解释恰好横跨两侧：
**（a）化学体系切换（成本侧，真实）。**磷酸铁锂渗透率上升，它本身就是一条更便宜的成本曲线，不是同一条曲线上的移动——这一项确实是成本下降，但也确实不是「学习」。
**（b）产能过剩与竞争（价格侧，不是成本）。**2024–2025 年电池产能显著过剩，成交价被压到接近现金成本。这是毛利被挤掉，不是成本变低；一旦供需反转，价格会回升，而成本不会跟着回升。
**（c）累计产量口径被低估（度量误差，两侧都不是）。**若真实累计部署是 3,300 倍（11.7 次翻倍）而非 1,000 倍，18% 的曲线本身就能对上，残差是我们把 (x) 数错了。
所以正确的结论只能说到这一步：「按 18% 学习率外推得到的价格是 108，两者差 29%；这 29% 里同时混着真实成本下降、毛利压缩与产量口径误差，仅凭一份价格调查无法拆分。」要拆分它，需要厂商毛利率与材料 BOM 这类成本侧数据——本报告没有拿到，因此不下这个结论。反过来同样不能说「成本没降」：（a）项是有独立证据的。
**无论哪一种解释成立，有一件事是确定的：这条曲线是描述性的，不是解释性的。**它告诉你「过去发生了什么」，不告诉你「为什么」，更不保证「还会继续」。2025 年是一个尖锐的例子——金属价格上涨而电池组价格仍降 8%；把这归给「学习」是最省事、也最没有证据的那个解释，LFP 渗透与产能过剩至少同样能解释它，而后两者一个是成本项、一个是价格项。
⑦ 一阶敏感性
主导参数是 (b)，而且是指数级主导。在 (x=1000) 处：(b=0.85) 给出 218/kWh，\(b=0.82\) 给出 152，(b=0.79) 给出 105——**保留率变动 6 个百分点（0.85→0.79），预测值相差 2.07 倍；变动 3 个百分点也有 1.4 倍**。这三个数都可以口算复核：\(1100\times10^{3\log_2 b}\)。这个敏感度意味着任何基于学习曲线的长期成本预测，其误差棒都必须是数倍量级而不是百分之几十。**把这条用在 Optimus 上：**按 15% 学习率（\(b=0.85\)），从 1,000 台/年做到 100,000 台/年（6.6 次翻倍）意味着单位成本下降约 2.9 倍——90,000 的 BOM 降到约 20,000 的大众市场门槛**。要跨过门槛，要么学习率更高，要么必须有一次结构性的设计变更。这条外推的证据地位要说清楚：由于产量与时间在这类数据上高度共线，它与「按现有时间趋势再走若干年」在证据强度上是等价的——换成产量作自变量并没有让这个前瞻变硬，见本卡片末尾辩证块。
⑧ 失效条件与适用域
**适用：**高度重复、工艺主导、材料占比低的制造品，且处在产量快速增长期。失效：（1）材料成本占比高时曲线触底；（2）产量增长停滞时无翻倍可言；（3）技术代际切换时斜率跳变（此时应该拟合两条曲线而不是一条）；（4）拟合对象搞错时完全失效——对火箭必须用「累计入轨质量」而非「累计发射次数」，因为学习发生在制造与操作的总量上。
⑨ 与实际数据的校准
三个领域常被并列引用的学习率：锂电 18%（价格侧，BNEF 电池价格年度调查）、发射 18%–24%（成本侧估计，取中约 20%）、太阳能组件长期约 20%–24%（价格侧，多为组件报价序列）。这些数字落在同一狭窄区间，本身是一个耐人寻味的经验事实——但它也说明这条曲线更像是「快速增长的制造业的统计特征」，而不是任何单一技术的性质。
⚑ 必须就地消解的一处冲突：发射的「学习率 20%」与「挂牌价从 $62M 涨到 $74M」
本页此前把中间那一项写成「SpaceX 发射价格约 20%」。这与本页 ④ 的陷阱 1、以及 ⑦ SpaceX 的记载直接矛盾：Falcon 9 专属发射的挂牌价一路在涨——2011 年 62M、2026-02 年 $74M（名义美元）。价格没降，谈不上 20% 的价格学习率。
正确的分开表述是：
成本侧：18%–24% 描述的是单位入轨成本的下降，其证据是复用比例、周转时间与 NASA 独立成本评估（NTRS 20170008895：Falcon 9 开发成本约 40 亿），不是任何一条报价序列。本页 ④ 第 ⑦ 条的外推用的就是这个成本口径。
价格侧：挂牌价由市场竞争与需求弹性决定。在 2015–2026 年这段重型发射市场竞争者稀少的时期，SpaceX 把降下来的成本留成了毛利而不是让给客户——NASA 支付的 Falcon 9 均价（未来任务 107M）几乎持平，是同一现象的另一个侧影。
**两侧同时成立，并不矛盾：成本下降、价格上涨、毛利扩大。**凡引用「发射学习率」的地方都必须先声明口径；把成本侧的斜率安到价格上，会得出「Starship 一定会让发射变便宜」这种数据并不支持的推论。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）历史上锂电与光伏的价格、发射的估计成本确实近似沿幂律下降，指数在 (-0.29) 到 (-0.35) 之间——但幂律形式本身是一条额外假设，数据同样容得下 ±3% 量级的 log-periodic 波纹（见第 ④ 步）；（2）这条曲线可以用来做数量级的前瞻——但只能到数量级为止。本页此前把「还需要多少次累计产量翻倍」称作一个可打卡的指标，这个说法已收回：在产量指数增长的区间里，产量口径的拟合与时间口径的拟合在数据上近乎不可区分，因此改用翻倍数并不比「还需要多少年」提供更多信息（见本卡片末尾辩证块）。
不能证明：（1）不能证明「规模化导致降本」这个因果命题——曲线只是相关性拟合；（2）不能把价格残差读成成本结论——锂电案例中价格比 18% 的曲线低 29%，但这 29% 混着成本下降、毛利压缩与产量口径误差，价格调查无法把它们分开；（3）不能预测何时失效——它没有机制，所以也没有失效判据；（4）不能外推到材料成本主导的产品；（5）不能用来论证「因此我们应该先把产量做上去」——这是把描述性规律当成策略处方，是本报告在马斯克论证中发现的一个反复出现的推理跳跃。
业界不同看法 · 反方证据
本报告在本卡片的建模假设：以累计产量倍数 (x) 为自变量拟合幂律，反解出锂电的 (b=0.792)；并把「还需要多少次累计产量翻倍」当作一个可打卡的前瞻指标，第 ⑦ 条据此把 Optimus 从 1,000 台/年外推到 100,000 台/年。本报告虽已声明这条曲线是相关而非因果，但仍然默认「累计产量」是比「时间」更有信息量的那个自变量——整张卡片的横轴就建立在这个默认之上。
Nagy、Farmer、Bui 与 Trancik（圣塔菲研究所 / 牛津 / 麻省理工，《PLoS ONE》2013-02-28）用一个涵盖 62 项技术的成本与产量数据库做回溯预测，逐一比较六条候选定律的外推表现。莱特定律确实排第一，但摩尔定律紧随其后；更关键的是他们发现了一条此前未被记录的规律——产量本身倾向于指数增长。当「成本指数下降」遇上「产量指数增长」（Sahal 恒等式），莱特与摩尔两条定律在数据上近乎不可区分，论文的原话是二者的表现「几乎相同」。含义很直接：把降本归因于累计产量而不是时间，在这类数据上没有判别力。同一篇还给出误差量级：对数误差的平方根随预测时域线性增长，典型速率约每年 2.5%。PLoS ONE [1]
Sinclair、Klepper 与 Cohen（普渡 / 卡内基梅隆，《管理科学》2000 年第 46 卷第 1 期）拿到一家《财富》500 强化工企业 221 种特种化学品的逐品种成本与 R&D 明细账，配合企业人员访谈，逐一估计学习曲线。结论是：单位成本与生产经验相关性最强的那些品种，恰恰是接受了专门举措（尤其是工艺 R&D）的品种；而这些 R&D 一般并不是由生产经验驱动或指导的。累计产量之所以与成本相关，是因为它预示了预期未来产量，从而改变了投工艺 R&D 的激励与预期回报。他们据此写道：文献中常见的这种强相关，「可能反映的是降本的激励，而不是从生产中学到了什么」。Management Science [2]
采纳本页第 ⑩ 条原本一边写「不能证明规模化导致降本」，一边又把「还需要多少次累计产量翻倍」称作可打卡指标——这两句不能同时成立。按 Nagy 等人的结果，在产量指数增长的区间里，这个指标与「还需要多少年」在数据上不可区分，它不比时间外推多提供任何信息；按 Sinclair 等人的结果，即使相关性成立，其机制也可能是「预期产量 → 工艺 R&D 投入 → 降本」，那么真正该打卡的是工艺 R&D 的立项与到位，而不是产量数字。已改正文三处：第 ⑤ 条假设清单新增第 6 条「自变量是可识别的」；第 ⑦ 条给 Optimus 外推补上「与按时间趋势外推等价」的限定；第 ⑩ 条「能证明」第 (2) 项收回了「可打卡指标」的说法。不改的是本卡片的主结论——「曲线是描述性的、不是解释性的」原本就是本卡片的标题，反方证据只是让它比原来更强。
交互 · 简化模型 03 · wright
默认值就是上面的锂电算例（(C_0=1100)、(b=0.82)、(x=1000)）。试试把 b 从 0.82 拖到 0.79，看输出如何从 105——把它再微调到 0.792 就能落在实测的 $108 上，这就是「实测价格比 18% 曲线低 29%」的直观版。**注意口径：输入的锂电数据是价格，输出因此也是价格外推，不是成本。**经验相关关系，不是因果律。
基准单位成本 C₀（$/kWh）
成本保留率 b（= 1 − 降本率）
累计产量倍数 x
—预测单位成本
—相对基准的累计降幅
—累计产量翻倍次数
—幂律指数 log₂ b
—对应的降本率 LR
▲ 适用条件与未计项
**未计：**原材料价格周期与成本地板、化学体系或架构切换导致的斜率跳变、产能利用率与产能过剩带来的价格（而非成本）波动、汇率与通胀、良率爬坡的一次性效应、需求侧崩溃导致产量停止翻倍、政策补贴与关税、以及最重要的一项——这条曲线没有机制，因此无法给出失效判据。
口径提醒：横轴是累计产量倍数，不是年产量；(b) 是保留率不是降本率。输出是成本预测，与市场价格可以长期背离。用于长期预测时，误差棒应按数倍而非百分之几十计。
FORMULA 09 轨道辐射散热：太空数据中心的真实瓶颈
① 它在检验马斯克的哪条主张
2026 年 SpaceX 向监管机构提交的轨道数据中心申请里，核心论证是「近乎恒定的太阳能 + 极低的运维成本」。发电这一侧的论证在数量级上成立——同步轨道上没有云、没有大气衰减，日照占空比常年在 99% 以上。但这个论证有一个沉默的另一半：发出来的每一瓦最终都要变成热，而真空里没有对流、没有传导，只剩下辐射。这条公式把那个沉默的另一半算出来。
⚑ 一处需要更正的常见说法：同步轨道**不是**「没有黑夜」
「GEO 没有黑夜」是一句流传很广、但严格来说不成立的话（本页此前也这样写过）。同步卫星每年有两个食季，分别在春分与秋分前后，各持续约 44 天；食季期间卫星每天进入一次地影，最长约 70 分钟（出现在分点当天），两端逐日递减到零。全年累计入影时间约 70 小时，占比不到 0.8%。
对本卡片的结论几乎没有影响，但方向相反地值得一提：入影时段太阳输入归零，外部吸热 (P_{abs}) 骤降，等效热沉温度 (T_{env}) 随之下降，散热反而更容易；真正的麻烦是随之而来的供电中断与热循环——每年约 90 次的深度温度循环是结构与焊点疲劳的主要来源，而这属于式 b 明确不覆盖的非稳态工况（见第 ⑤ 条第 7 项）。
Reusability is the fundamental breakthrough that is necessary to make life multiplanetary as well as to ascend the Kardashev scale. You simply cannot ascend the Kardashev scale unless you have a reusable spacecraft.
复用是让生命成为多行星物种、以及攀升 Kardashev 尺度所必需的根本性突破。除非你拥有可复用的航天器，否则你根本无法攀升 Kardashev 尺度。
Elon Musk
2026-03 · Dwarkesh Podcast（太空算力专场），经 Singju Post 转录
P2 完整转录
来源 [@src-cd805f6669]
② 符号
\(\sigma\)斯特藩–玻尔兹曼常数，\(5.670374419\times10^{-8}\ \mathrm{W\,m^{-2}\,K^{-4}}\)（精确定义值）
\(\varepsilon\)表面发射率，0–1。**注意：本卡片的 \(\varepsilon\) 是热辐射发射率，与 ① 的结构系数同符号但不同物理量**，这是热物理与航天工程的共同惯例，本页在每处都标注了单位以免混淆。优质涂层 0.85–0.92
\(A_{emit}\)**有效辐射面积**，m²。双面辐射时 \(A_{emit}\approx2A_{panel}\)
\(F\)视因数（view factor），0–1。散热板互相遮挡、被本体遮挡时 <1
\(T\)散热面温度，K。受芯片结温上限约束，实用范围 300–360 K
\(T_{env}\)环境等效热沉温度，K。深空 2.7 K，**但 LEO 受地球红外与反照影响，有效热沉可达 200–250 K**
③ 起始定律（式 a）：完整能量平衡，左侧写总发射而不是净发射
\[ \underbrace{\varepsilon\,\sigma\,A_{emit}\,F\,T^4}_{\text{散热面向外辐射的总功率}}\;=\;\underbrace{P_{waste}}_{\text{芯片废热}}+\underbrace{P_{solar}+P_{EarthIR}+P_{albedo}}_{\;\equiv\;P_{abs}\ \text{（外部吸热三项）}} \]
式 a · 稳态热平衡：**发射出去的 = 自己产的 + 外面进来的**。右侧的外部吸热三项在 LEO 可以占到总负荷的 20%–40%
⚑ 左侧为什么必须写 \(T^4\) 而不是 \((T^4-T_{env}^4)\)
本页此前把式 a 的左侧写成净发射 (\varepsilon\sigma A F(T^4-T_{env}^4))，右侧又保留了 (P_{solar}+P_{EarthIR}+P_{albedo})，这是重复计入：(-\varepsilon\sigma AFT_{env}^4) 这一项本身就是「外部辐照被吸收」的等效写法，右侧再列一遍，等于把环境项算了两次。按那种写法往下代，得到的是 (P_{waste}=\varepsilon\sigma AF(T^4-2T_{env}^4))，与下面的式 b 差一个 (T_{env}^4)。
正确做法只有两种，二选一，不能叠加：（甲）左侧写总发射 (\varepsilon\sigma AFT^4)，右侧显式列出全部吸热项——本页采用这一种，因为它让每一项的物理含义都留在纸面上；（乙）左侧写净发射 (\varepsilon\sigma AF(T^4-T_{sink}^4))，右侧只留 (P_{waste})，此时 (T_{sink}) 已经代表全部外部辐照。式 b 就是从（甲）推到（乙）的结果。
**为什么必须先写完整式。**公开讨论里几乎所有的太空散热估算都直接从简化式起步，等于默认散热器处在绝对零度的背景中。真实的 LEO 环境远不是这样：地球本身是一个 255 K 的黑体，占据了近地轨道近一半的天空；反照率 0.30 意味着还有约 30% 的太阳光被地球反射回来。这些项的净效果，等价于把有效热沉温度从 2.7 K 抬到 200–250 K。
④ 从式 a 到理想下限（式 b）：三步，每步都写清楚做了什么
展开：三步简化，以及每一步丢掉了什么
**第 1 步 · 把外部吸热定义成一个等效热沉温度。**引入 (T_{env})，令它满足 [ \varepsilon,\sigma,A_{emit},F,T_{env}^4;\equiv;P_{abs};=;P_{solar}+P_{EarthIR}+P_{albedo} ]
为什么这一步一定成立：这是定义而不是近似。左侧作为 (T_{env}) 的函数在 ([0,\infty)) 上连续、严格单调递增、值域覆盖 ([0,\infty))，所以对任何非负的 (P_{abs}) 都存在唯一的 (T_{env}) 与之对应。代价有两条：（a）它掩盖了外部热流的方向性——真实系统里朝地球的一面和朝深空的一面热环境完全不同，好的设计会利用这个不对称；（b）(T_{env}) 表面上依赖 (A_{emit}) 与 (F)，只有当 (P_{abs}) 本身也大致正比于受照面积时（大板、姿态固定的常见情形）它才近似成为一个与几何无关的环境参数——本页正是在这个前提下把它当常数用的。
**第 2 步 · 代回式 a 并移项。**把上式左侧整体替换掉式 a 右侧的 (P_{abs})： [ \varepsilon\sigma A_{emit}FT^4=P_{waste}+\varepsilon\sigma A_{emit}FT_{env}^4 ;\Longrightarrow; P_{waste}=\varepsilon\sigma A_{emit}F\left(T^4-T_{env}^4\right) ]
**这一步只做了一件事：**两侧同时减去 (\varepsilon\sigma A_{emit}FT_{env}^4)，然后提取公因子 (\varepsilon\sigma A_{emit}F)。到这里，「净发射」这个写法才第一次合法地出现——它是推导的结果，不是起点。环境项只被算了一次：它在式 a 里以吸热的身份出现，在这里被换算成发射侧的一个负项，总量守恒。
**第 3 步 · 令视因数 (F=1) 并反解面积。**假设每一片散热板都能看到完整的半球天空，互不遮挡。**代价：**真实的多板阵列 (F) 常在 0.7–0.9，这直接把面积需求放大 10%–40%。两侧同除以 (\varepsilon\sigma(T^4-T_{env}^4))（在 (T\gt T_{env}) 时它严格为正，可以放心作除数）：
\[ \boxed{\;A_{emit}=\frac{P_{waste}}{\varepsilon\,\sigma\,(T^4-T_{env}^4)}\;}\qquad\text{双面辐射时}\quad A_{panel}=\frac{A_{emit}}{2} \]
式 b · 理想下限。**这是一个下限，任何真实系统都需要更大的面积**。\(T\le T_{env}\) 时分母非正，方程无解——物理含义是「散热面比环境还冷，净辐射方向反了」，计算器在这个区间会直接显示「不可行」
**为什么 (A_{emit}\approx2A_{panel})：**一片悬在真空中的平板，正反两面都在辐射。如果两面都涂高发射率涂层、且两面都能看到冷空间，则单块板的有效辐射面积是其几何面积的两倍。这个因子 2 在工程上很重要——它直接把质量减半。但它要求板的两面都不被遮挡，对密集排列的大型阵列而言并不总能做到。
④b 为什么 (T^4) 是唯一真正的杠杆——以及「边际收益消失」要看哪个口径
对式 b 求导，可以看出温度的威力：(\frac{\partial A}{\partial T}\propto-\frac{4T^3}{(T^4-T_{env}^4)^2})。在 (T\gg T_{env}) 的极限下 (A\propto T^{-4})——温度提高一倍，面积降到十六分之一。这是整个太空热管理领域唯一的大杠杆，也是它唯一的痛点：提高散热面温度意味着提高芯片结温，而硅器件的寿命随结温呈指数下降。
但「抬温度的边际收益什么时候消失」这句话必须先说清口径，因为绝对口径与相对口径给出的答案完全不同。把式 b 取对数再求导，得到面积对温度的弹性：
\[ \frac{d\ln A}{d\ln T}=-\frac{4T^4}{T^4-T_{env}^4}
\qquad\xrightarrow{\;T\gg T_{env}\;}\qquad -4 \]
式 c · 相对口径。推导：\(\ln A=\ln P-\ln(\varepsilon\sigma)-\ln(T^4-T_{env}^4)\)，对 \(\ln T\) 求导，链式法则给出 \(-\dfrac{4T^4}{T^4-T_{env}^4}\)。**它永远不小于 4（绝对值），只会从大值收敛到 4，绝不趋于零**
\(T\)\(A_{emit}\)（1 MW，\(\varepsilon=0.85\)，\(T_{env}=250\) K）弹性 \(d\ln A/d\ln T\)再抬 50 K 省下的**绝对**面积同一步的**相对**降幅| \(T\) | \(A_{emit}\)（1 MW，\(\varepsilon=0.85\)，\(T_{env}=250\) K） | 弹性 \(d\ln A/d\ln T\) | 再抬 50 K 省下的绝对面积 | 同一步的相对降幅 |
320 K3,153 m²−6.37**−1,755 m²**（到 370 K）−55.6%| 320 K | 3,153 m² | −6.37 | −1,755 m²（到 370 K） | −55.6% |
380 K1,224 m²−4.92−539 m²（到 430 K）−44.0%| 380 K | 1,224 m² | −4.92 | −539 m²（到 430 K） | −44.0% |
500 K354 m²−4.27−117 m²（到 550 K）−33.1%| 500 K | 354 m² | −4.27 | −117 m²（到 550 K） | −33.1% |
\(T\to\infty\)→ 0**→ −4**→ 0趋于 \(-4\times\) 相对温升| \(T\to\infty\) | → 0 | → −4 | → 0 | 趋于 \(-4\times\) 相对温升 |
读法（这一段是口径本身）：「380 K 之后边际收益迅速消失」只在绝对面积口径下成立——同样抬 50 K，从 320 K 起步省 1,755 m²，从 380 K 起步只省 539 m²，因为基数已经小了。在相对口径下它完全不成立：从 380 K 抬到 430 K 仍然砍掉 44% 的面积，弹性只从 −6.4 松到 −4.9，而且在深空极限也只会收敛到 −4，永远不会归零。**所以正确的说法是：抬温度的物理回报一直存在且不小，真正让 330–360 K 成为设计区间的不是回报变小，而是硅器件寿命的代价在同一区间里指数上升。**下面那张图里曲线「看起来变平」也只是线性纵轴造成的视觉效应，不是物理结论。
**温度四次方与热沉的双重效应：**橙色曲线是把地球红外与反照折算进热沉（250 K）后的真实需求，蓝色虚线是常见的「深空 4 K」理想估算。**在 320 K 处两者相差 59%（3,153 vs 1,979 m²），在 300 K 处更差到 93%（4,947 vs 2,561 m²）**——这是几乎所有公开的太空数据中心估算都会犯的系统性低估，而且越是想靠低温运行省电，这个低估就越严重。**关于 380 K 之后曲线「变平」，请只按绝对口径读**：同样抬 50 K，从 320 K 起省 1,755 m²，从 380 K 起只省 539 m²，**绝对节省确实迅速衰减**；但相对降幅仍有 44%，弹性 \(d\ln A/d\ln T\) 只从 −6.4 松到 −4.9，深空极限也只收敛到 −4 而非 0（见上文式 c）。因此行业把 330–360 K 当作实际设计区间，**原因是硅器件寿命的指数代价，不是散热回报消失**。（本报告原创 SVG · 示意非实测，纵轴为线性刻度，曲线按 \(A=P/(\varepsilon\sigma(T^4-T_{env}^4))\) 逐点计算后绘制）
⑤ 假设清单
▲ 式 b 未计的八项
1 · 视因数 (F\lt1)（多板遮挡，+10%~40% 面积）；2 · 热管与工质的输运效率（芯片到散热板之间的温降会吃掉 10–30 K，而这直接进入 (T^4)）；3 · 泵、管路、工质的质量（不在面密度里）；4 · 部署机构质量（大型可展开散热板的桁架与铰链）；5 · 发射率退化——电离辐射使 (\varepsilon) 随时间下降，5 年后所需面积约增加 40%；6 · 微流星与轨道碎片穿孔风险随面积线性增长；7 · 非稳态工况——负载波动与轨道明暗交替带来的热惯性。
8 · (T_{env}) 被当成了常数。本页取 (T_{env}=250) K 代表「LEO」，但等效热沉不是一个环境物理常数，它是轨道高度、倾角、β 角与散热面姿态的函数——同一颗星在同一条轨道上、不同季节与不同指向下，这个数会大幅移动。NASA 的标准做法是逐节点从详细几何热模型反算等效热沉，而不是全局取一个值。本页把它当常数用，等于默认了「姿态固定、大板、受照面积与总面积成比例」这一组几何前提（见第 ④ 步第 1 步的说明）；换一条轨道或换一种指向策略，第 ⑥ 条的算例要重算。
还有一条不是「未计」而是「不能绕开」：热力学证明，把废热先转成功再排放，会使所需散热面积至少乘以 ((T_h/T_c)^3)——「先发电再排热」不是出路。同理，任何循环系统都不可能仅靠自身废热维持算力负载。
⑥ 数值算例（三个尺度）
\[ \begin{aligned}
\textbf{芯片级：}&\ P=700\ \mathrm{W}\ (\text{一颗 H100}),\ \varepsilon=0.9,\ T=293\ \mathrm{K},\ T_{env}\approx0:\\
&\ A=\frac{700}{0.9\times5.6704\times10^{-8}\times293^4}=\frac{700}{376.1}=\mathbf{1.86\ m^2}\\
&\ \text{提高到 }358\ \mathrm{K}\ (85\ ^\circ\mathrm{C}):\ A=\frac{700}{838.3}=\mathbf{0.84\ m^2}\quad(\text{温度 +65 K，面积 −55%})\\[6pt]
\textbf{系统级：}&\ P=1\ \mathrm{MW},\ \varepsilon=0.85,\ T=320\ \mathrm{K},\ T_{env}=250\ \mathrm{K}:\\
&\ T^4-T_{env}^4=1.048576\times10^{10}-3.90625\times10^{9}=6.57951\times10^{9}\\
&\ \text{通量}=0.85\times5.670374\times10^{-8}\times6.57951\times10^{9}=317.12\ \mathrm{W/m^2}\\
&\ A_{emit}=\frac{10^6}{317.12}=\mathbf{3{,}153.4\ m^2}\ \Rightarrow\ A_{panel}=1{,}576.7\ \mathrm{m^2}\ (\text{边长 }\sqrt{1576.7}=39.7\ \text{m 的方板})\\[6pt]
\textbf{单星级：}&\ P=120\ \mathrm{kW}\ (\text{SpaceX AI1 单星持续功率}),\ T=320\ \mathrm{K},\ T_{env}=250\ \mathrm{K}:\\
&\ A_{emit}=\frac{1.2\times10^{5}}{317.12}=\mathbf{378.4\ m^2}\ \Rightarrow\ A_{panel}=189.2\ \mathrm{m^2}
\end{aligned} \]
算例 6 · 三个尺度，全部输入已列出，用手机计算器即可复算。**通量一项请保留两位小数再做除法**——若先把 317.12 舍成 317 再除，会得到 3,154 m²，与计算器输出的 3,153 差 1 m²，本页此前的旧值即由此而来。**对照：AI1 的太阳能板面积约 600 m²**，散热板需求约为它的 1/3——不是不可能，但是一个主导性的质量与结构约束
⑦ 一阶敏感性
**温度绝对主导，热沉次之，发射率最弱。**在 320 K / 250 K / (\varepsilon=0.85) 基准（(A_{emit}=3{,}153) m²）附近单独扰动一个参数：温度 +10%（到 352 K）→ 1,813 m²，面积 −42.5%；热沉从 250 K 降到 200 K（更高轨道，地球张角变小）→ 2,335 m²，面积 −26.0%；发射率从 0.85 提到 0.92 → 2,913 m²，面积 −7.6%（这一项是精确的 (-1+0.85/0.92)，因为 (A\propto1/\varepsilon)）。**这个排序给出的工程指令很清楚：先抬温度，再挑轨道，最后才优化涂层。**但抬温度的上限被硅器件的可靠性锁死，这就是为什么这个问题至今没有优雅解。
⑧ 失效条件与适用域
**适用：**稳态、一维、面积主导的辐射散热估算。失效：（1）近日或低轨白昼段太阳直射主导时，必须回到式 a 逐项算；（2）需要主动制冷（低于环境温度）时，制冷机本身的废热会让总排热量超过原始负载；（3）液滴散热器、可展开薄膜等非平板构型不适用本式的面积口径；（4）瞬态工况需要热容建模。
⑨ 与实际数据的校准
最硬的现实锚点是国际空间站：6 组氨制冷散热器，总质量 6 吨多，散热约 70 kW → 86 kg/kW。按这个比例，AI1 单星的 120 kW 需要 10.3 吨散热器——而整星预估质量只有 3.5–7.5 t。**换句话说，按 ISS 的技术水平，散热器一项就超过了整星的质量预算。**因此这套方案要成立，散热器的质量比功率必须从 86 kg/kW 降到 10 kg/kW 以下，即 8–10 倍的改进。这仍然是整个轨道数据中心方案中最硬、也最少被公开讨论的约束之一；Starcloud 的 CEO 公开表示其三分之二的工程团队在攻这一个问题，可以视为业界对该判断的独立确认。
⚑ 「8–10 倍」这个缺口必须拆开算，否则会把两件常规工程包装成一次数量级跃迁
kg/kW 不是一个技术常数，它是面密度（kg/m²）除以热流密度（W/m²），而后者按 (T^4) 走——所以 ISS 的 86 kg/kW 里同时锁着「面密度」与「工作温度」两个可独立推进的因子。用本卡片自己的式 b 拆一次：
**（a）工作温度。**ISS 散热器的有效辐射温度约 285 K，在 (T_{env}=250) K、(\varepsilon=0.85) 下只给出 (0.85\sigma(285^4-250^4)\approx\mathbf{130\ W/m^2})；而本卡片自己选的 320 K 设计点给出 317 W/m²。仅换工作温度就是 2.4 倍。
**（b）面密度。**ISS 散热器阵列约 7.0 kg/m²；NASA 在 2025 年的现有技术水平对照里给出「含展开机构、面密度 3.5 kg/m²」这一档，其 MARVL 项目的目标是 <4.5 kg/m²；马歇尔中心的编织碳纤维散热片则已在真空试验中做进 NASA 设定的 2–4 kg/m² 目标区间（NASA NTRS [3]）。这一项再乘 2 倍。
两项相乘约 5 倍——也就是说 8–10 倍的缺口是两个因子的乘积，其中约 5 倍来自两项已被飞行或地面试验验证的常规手段，真正需要新技术的余量只剩约 2 倍。**本页此前把它整体表述为一次 8–10 倍的跃迁，那个表述过重，此处更正。**一处口径提醒：**上一段的 86 kg/kW 与本段引用的 NASA 数字（7.0 kg/m²、约 1,300 m²、约 125 kWth）划的子系统边界不同（是否含泵、管路、工质与轨道更换单元接口），不可直接相减；本段用的是两个比值因子，不依赖两套绝对值对齐。数据来源与完整对抗性对照见本卡片末尾的辩证块。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）太空算力的瓶颈不是发电而是排热，这一点在数量级上无可争议；（2）散热面积随 (T^{-4}) 下降，因此提高工作温度是唯一的大杠杆，而它被硅器件寿命锁死；（3）按 ISS 的技术基准，现有散热器质量比功率比需求高 8–10 倍，这是一个具体的、可打卡的工程门槛——但这个门槛必须拆成两项来读：其中约 5 倍来自「面密度 7.0→3.5 kg/m²」与「有效辐射温度 285→320 K」这两项已被验证的常规手段，真正属于新技术的余量约 2 倍（推导见第 ⑨ 条的橙色更正框）。整体报成一次 8–10 倍的跃迁会高估难度。
不能证明：（1）不能证明这个门槛跨不过去——8–10 倍的改进在工程史上并不罕见；（2）不能给出真实散热器设计，那需要完整的热网络与流体建模；（3）不能证明太空数据中心在经济上不可行——本页只算了热，没算发射成本、辐射加固、在轨维护与延迟，那是 ⑧ 的题目。
业界不同看法 · 反方证据
本报告在本卡片的建模假设：把外部热环境压成一个常数等效热沉 (T_{env}=250) K，取视因数 (F=1)，只做稳态一维平衡；再以国际空间站的 86 kg/kW 作为技术基准，得出「散热器质量比功率必须改进 8–10 倍」，并把这条列为轨道数据中心最硬的约束。
NASA 的 MARVL 项目（兰利、格伦、肯尼迪、马歇尔四中心联合团队，2025 年 TFAWS 跨学科技术分会报告）同样把空间站散热器阵列列为「在尺寸与在轨部署方式上最相关的现有技术水平」，但给出的是可分解的四个数：面密度约 7.0 kg/m²、有效辐射温度约 285 K、辐射面积约 1,300 m²、排热约 125 kWth；其自身指标为面密度 <4.5 kg/m²、有效辐射温度约 400 K、排热约 4 MWth。同一份材料还直接给出一条换算——「含展开机构、面密度 3.5 kg/m² 的现有技术水平相当于 16 kg/kWe」——并写明「从散热器设计角度改善整体系统质量的主要杠杆是降低面密度」。这就把 kg/kW 从一个「技术水平常数」还原成了两个可独立推进的因子之积。NASA NTRS [4]
Google Research 的「Project Suncatcher」（arXiv 预印本，2025-11-22；官方博客 2025-11-04，Agüera y Arcas、Manyika 等署名）在做完系统级评估后给出的约束排序与本报告不同：其结论是空间机器学习算力的核心概念「不被基本物理或不可逾越的经济障碍所排除」，而热管理是与在轨可靠性与修复、对地高带宽通信并列的后续里程碑工程项，不是收敛性瓶颈。该文另写明：当前设计仍假设「相对常规的分立式计算载荷、卫星平台、热辐射器与太阳能板」，并预期规模化之后会转向计算、散热与供电一体化的下一代构型——也就是说，散热面积与热沉在他们的框架里是构型与轨道设计的自由度，而不是给定的外生常数。arXiv:2511.19468 [5]
部分采纳采纳的部分：用本卡片自己的式 b 就能验证第一条反方——空间站 285 K 的工作点在 250 K 热沉下只有约 130 W/m²，本卡片自选的 320 K 设计点是 317 W/m²，仅温度一项就是 2.4 倍；面密度 7.0→3.5 kg/m² 再乘 2 倍。8–10 倍的缺口里约有 5 倍来自两项已被验证的常规手段，第 ⑨ 与第 ⑩ 条已据此改写，第 ⑤ 条也补上了「(T_{env}) 不是环境常数」这一项。不采纳的部分，必须就地指出：MARVL 同一份材料写着「提高散热器工作温度并不带来整体系统质量的改善」——那句话的前提是核电推进要为高温付出动力循环效率下降的代价（抬高冷端温度 ⇒ 循环效率降低 ⇒ 要排的热更多）。数据中心没有热机循环：废热就等于全部输入功率，抬温度不付卡诺代价，只付硅器件寿命的代价。所以在数据中心语境下，本卡片 ④b 的结论（温度是唯一的大杠杆）反而比在 NASA 的核电推进语境下更强。至于 Google 的排序差异：他们没有公开散热的定量分析，两边其实不构成同一层面的对立——本报告维持「排热而非发电是瓶颈」的判断，但把它的强度从「最硬的约束」下调为「最硬的约束之一」。
交互 · 简化模型 04 · radiator
默认值为上文的系统级算例。先把热沉温度从 250 K 拖到 4 K，看面积怎么变——那个差额就是「教科书估算」与「真实 LEO」之间的鸿沟。理想下限，未计外部吸热与视因数。
废热功率 P（MW）
散热面温度 T（K）
环境等效热沉 Tenv（K）
表面发射率 ε
辐射面数（1 = 单面，2 = 双面）
散热板面密度（kg/m²）
—所需辐射面积 Aemit
—等效方板边长
—净辐射通量
—散热板质量（不含泵与工质）
▲ 适用条件与未计项
**未计：**太阳直射吸收、地球红外与反照的方向性（此处只以等效热沉温度粗略折算）、视因数遮挡（真实 (F) 常为 0.7–0.9）、热管与工质的输运温降（10–30 K，直接进入 (T^4)）、泵与工质质量、可展开机构与桁架质量、发射率的在轨退化（5 年约 +40% 面积）、微流星穿孔、非稳态热惯性、以及冗余与故障裕度。
**口径提醒：**输出的「面积」是 (A_{emit})（有效辐射面积）；双面辐射时物理板面积是它的一半，质量按物理板面积计。这是理想下限，任何真实系统都会更大更重。不适用于液滴散热器等非平板构型。
FORMULA 10 Kardashev 尺度与能源账：一个正确的直觉配了一个错误的数字
① 它在检验马斯克的哪条主张
「能量是终极货币」是马斯克世界观里层级最高的一条命题——它同时支撑了太阳能、储能、太空算力和 Terafab。这条公式检验的是他给出的具体百分比。他 2025 年在 Grok 4 发布会上说人类「大概在 Kardashev I 的 1% 到 2%」。这个数字在任何主流定义下都不成立，而他的定性结论完全成立——把这两件事分开，是本卡片的全部工作。
We’re only, in my opinion, probably like closer to 1% of Kardashev one than we are to 10%. So like maybe a point one, one or 2% of Kardashev one.
在我看来，我们大概更接近 Kardashev I 的 1%，而不是 10%。所以可能是 0.1%、1% 或者 2% 的 Kardashev I。
Elon Musk
2025-07-09 · Grok 4 发布会，经 Singju Post 转录
P2 完整转录
来源 [@src-a094ff177b]
But the Earth only receives about half a billionth of the sun’s energy. So the sun is truly enormous.
但地球只接收到太阳能量的大约二十亿分之一。所以太阳真的极其巨大。
Elon Musk
2026-03-21 · Terafab 发布会（Austin，Seaholm 电厂旧址）
P2 带时间码转录
来源 [@src-3fb87156ee]
② 符号与定义
\(K\)Kardashev 指数（Sagan 1973 的连续化版本）。**它是一个定义，不是一条定律**
\(P\)文明可支配的功率，W
\(S_0\)太阳常数，1361 W/m²（日地平均距离处）
\(R_\oplus\)地球半径，\(6.371\times10^6\) m
\(L_\odot\)太阳总光度，\(3.83\times10^{26}\) W
③④ 定义与推导
Kardashev 1964 年的原始定义是三个离散台阶（行星级 (10^{16}) W、恒星级 (10^{26}) W、星系级 (10^{36}) W）。Sagan 把它连续化：注意到三个台阶恰好每级差 10 个数量级，且 Type I 对应 (10^{16})，于是构造一个线性映射把 (\log_{10}P) 压到 (K) 轴上：
\[ K=\frac{\log_{10}P-6}{10}\qquad\Longleftrightarrow\qquad P=10^{10K+6}\ \mathrm{W} \]
式 a · 代入检验：\(K=1\Rightarrow P=10^{16}\)；\(K=2\Rightarrow10^{26}\)；\(K=3\Rightarrow10^{36}\)。**常数 6 与 10 的唯一作用就是让这三点落在整数上**
**为什么强调「这是定义」：**因为它导致了一个常见的误读。(K) 是 (\log P) 的线性函数，所以 (K) 的等差增长对应 (P) 的指数增长。从 (K=0.73) 走到 (K=1) 看起来只差 0.27，实际上要把功率提高 (10^{2.7}=500) 倍。用 (K) 谈进度会系统性地让人低估难度。
⑤⑥ 算例：人类现在在哪
\[ \begin{aligned}
\text{全球一次能源功率}\quad P&\approx2\times10^{13}\ \mathrm{W}\quad(\text{约 }1.8\times10^{14}\ \mathrm{kWh/yr}\ \text{折算})\\
K_{2024}&=\frac{\log_{10}(2\times10^{13})-6}{10}=\frac{13.301-6}{10}=\mathbf{0.73}\\[6pt]
\text{地球截获的太阳功率}\quad P_\oplus&=S_0\pi R_\oplus^2=1361\times\pi\times(6.371\times10^{6})^2=\mathbf{1.74\times10^{17}\ W}\\
\frac{P_\oplus}{L_\odot}&=\frac{1.74\times10^{17}}{3.83\times10^{26}}=4.53\times10^{-10}\approx\frac{1}{2.2\times10^{9}}
\end{aligned} \]
算例 7 · 后一式验证了马斯克「地球只收到太阳能量的约二十亿分之一」的说法——**完全正确**
Type I 的定义口径对应功率人类当前完成度马斯克说 1–2%，误差倍数| Type I 的定义口径 | 对应功率 | 人类当前完成度 | 马斯克说 1–2%，误差倍数 |
Sagan / Kardashev 约定 \(10^{16}\) W\(10^{16}\) W**0.20%**高估 5–10 倍| Sagan / Kardashev 约定 \(10^{16}\) W | \(10^{16}\) W | 0.20% | 高估 5–10 倍 |
地球接收的全部太阳能\(1.74\times10^{17}\) W**0.0115%**高估 87–174 倍| 地球接收的全部太阳能 | \(1.74\times10^{17}\) W | 0.0115% | 高估 87–174 倍 |
**结论：他的百分比在任何主流定义下都高估了 5 到 170 倍，具体数字不可引用；但定性结论（离 Type I 还很远）完全正确。**这是一个典型的模式——他的信封背面物理估算能力（「二十亿分之一」那条）非常可靠，而他在口头引用具体百分比时经常不精确。本报告的处理方式是：采信他的量级判断，不采信他的小数点。
⑦ 从 Kardashev 到「能量是终极货币」：把它变成可核查的账
把尺度换算成两个具体的产业数字，这条世界观才有裁决价值：
\[ \begin{aligned}
\textbf{Terafab（1 TW 算力/年）：}\quad E_{annual}&=10^{12}\ \mathrm{W}\times8760\ \mathrm{h}=8.76\times10^{15}\ \mathrm{Wh}=\mathbf{8{,}760\ TWh/yr}\\
\frac{8{,}760}{31{,}779}&=\mathbf{27.6\%\ \text{的全球总发电量}}\\[6pt]
\textbf{验证「1 TW ≈ 2 倍美国用电」：}\quad &\text{美国年用电 }4{,}200\ \mathrm{TWh}\Rightarrow\text{平均功率 }480\ \mathrm{GW};\ \frac{1\ \mathrm{TW}}{480\ \mathrm{GW}}=\mathbf{2.1\times}\ \checkmark\\[6pt]
\textbf{数据中心能耗外推：}\quad E_{DC}(t)&=E_0(1+g)^{t-t_0},\ E_0=415\ \mathrm{TWh}\ (2024),\ g=0.15\\
E_{2030}&=415\times1.15^{6}=415\times2.313=\mathbf{960\ TWh}\quad(\text{IEA 官方值 945–950}\ \checkmark)\\
\frac{945}{\sim33{,}000}&\approx\mathbf{2.9\%}\quad(\text{IEA 表述「just under 3\%」}\ \checkmark)
\end{aligned} \]
算例 8 · 三条独立核验，全部与官方值吻合
第一行是这条世界观最有力的证据。如果真要造一个年增 1 TW 算力的产业，它需要全球 27.6% 的发电量——地球电网无法承载，这不是修辞而是算术。这就是「必须把算力搬到太空」这个看似夸张的主张的物理起点。但请注意：这条算术只证明「1 TW/年在地面不可行」，它不证明「因此太空可行」——那要过 ⑨ 的散热关。
**Kardashev 尺度的对数陷阱：**人类从 \(K=0.73\) 到 \(K=1.00\) 只差 0.27，但功率要提高 **500 倍**。按 2% 的年增长率需要 314 年，按 5% 需要 127 年。**这就是为什么用 K 值谈「完成度百分比」会严重误导**——它是对数轴上的位置，不是进度条。（本报告原创 SVG · 示意非实测）
⑧ 失效条件与适用域
Kardashev 尺度的最大问题是它只度量功率，不度量任何别的东西。一个把 (10^{16}) W 全部用来加热真空的文明与一个用同样功率做计算的文明，在这把尺子上无法区分。它也不度量效率——一个变得更高效的文明，在这把尺子上会「退步」。因此它适合做数量级的定位，不适合做进步度量。适用域：跨数量级的文明能源规模比较；失效域：任何涉及效率、用途或福祉的比较。
⑨ 与实际数据的校准
本卡片的三条外推都做了官方值校验：数据中心 2030 年预测 960 TWh vs IEA 945–950 TWh、占比 2.9% vs IEA「just under 3%」、1 TW ≈ 2.1 倍美国用电 vs 他自己说的「twice the current electricity consumption of the United States」。三条全部吻合。需要标注的是 IEA 在 2026 年更新中的措辞变化：价值链瓶颈「正在降低更激进近期情景的可能性」，同时 2030 年后仍存在上行空间——这提示外推的时间轴比总量更不确定。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）人类当前 (K\approx0.73)，距 Type I 差 500 倍功率；（2）马斯克说的「1–2%」在任何主流定义下都高估了 5 到 170 倍，而他的「二十亿分之一」是对的；（3）1 TW/年的算力产业需要全球 27.6% 的发电量，地面电网确实承载不了；（4）数据中心能耗的指数外推与 IEA 官方值一致。
不能证明：（1）不能证明「能量是终极货币」——那是一个价值命题与经济学命题，能源约束的存在不等于能源是唯一约束（土地、水、材料、人才、监管都可能先绑定）；（2）不能证明太空算力可行（见 ⑨）；（3）不能用 K 值衡量文明进步——它对效率提升是盲的，甚至会把效率提升记为退步。
Part Ⅲ · 三条推导链AI 与自动驾驶：一条被误用的定理，一条被低估的定理
这一部分包含本页最重要的两个认知落点。第一个是贝叶斯融合——它表明「多传感器必然增加不确定性」在信息论上不成立，但也精确地指出了马斯克的直觉在哪里是对的。第二个是模仿学习的复合误差界——它给了「为什么演示很惊艳、产品很难」一个严格的数学机制（不是唯一的那个：可靠性工程的串联失效、统计长尾、部分可观测、分布漂移各自都有独立理论），同时也是最容易被过度解读的一条定理。第三条把 scaling law 与「数据耗尽」放在一起，检验一个 2025 年被广泛接受、但含义常被误解的判断。
FORMULA 11 贝叶斯传感器融合：精度是相加的
① 它在检验马斯克的哪条主张
2025 年 8 月 25 日，马斯克在 X 上给出了「传感器冲突」论证最完整的一个版本。这段话在技术社区被反复引用，也被反复误读。它包含两个必须分开处理的命题：一个是关于信息量的（可以用信息论裁决），一个是关于工程实现的（不能用信息论裁决）。这条公式只对第一个命题下判断。
Lidar and radar reduce safety due to sensor contention. If lidars/radars disagree with cameras, which one wins? This sensor ambiguity causes increased, not decreased, risk.
激光雷达和雷达因为传感器冲突而降低安全性。如果激光雷达/雷达与摄像头不一致，听谁的？这种传感器歧义带来的是增加而不是减少的风险。
Elon Musk
2025-08-25 · X 帖（回应 Uber CEO 关于「$500 固态激光雷达」的表态）
P3 媒体转述本人帖子
来源 [@src-09a353dbb9]
LiDAR is a fool’s errand, and anyone relying on LiDAR is doomed. Doomed! Expensive sensors that are unnecessary.
激光雷达是一场徒劳，任何依赖激光雷达的人都注定失败。注定失败！那是不必要的昂贵传感器。
Elon Musk
2019-04-22 · Tesla Autonomy Investor Day，Palo Alto
P1 原始视频
时码 2:03:41
来源 [@src-7fee6f7fce]
◈ 先把两个命题拆开
命题 P1（信息论版本）：相机的比特率比雷达/激光雷达高数个数量级，融合低比特率传感器带来的边际信息增益不足以抵消工程复杂度。——这是一个成本-收益判断，可以是对的。
命题 P2（决策冲突版本）：「当两个传感器不一致时，你不知道该信谁」，因而融合增加而非降低不确定性。——这是一个关于信息量的断言，它在贝叶斯框架下是错的。
他在公开表述里经常把两者混用。本卡片证明 P2 不成立，同时给出 P1 在什么条件下成立。
② 符号
\(x\)待估状态（如前车距离、相对速度），标量或向量
\(z_c,z_r\)相机、雷达的观测
\(\sigma^2\)观测噪声方差；\(\tau=1/\sigma^2\) 为**精度（precision）**——本卡片全程用精度而不是方差，因为它才是可加的量
\(\rho\)两个传感器误差之间的相关系数，\(-1\le\rho\le1\)。**独立假设即 \(\rho=0\)**
\(I(x;z)\)互信息，bit。「观测 \(z\) 关于 \(x\) 携带了多少信息」
③ 起始定律（式 a）：贝叶斯定理 + 条件独立
\[ p(x\mid z_c,z_r)\;\propto\;p(z_c\mid x)\,p(z_r\mid x)\,p(x) \]
式 a · 分解成两个似然的乘积，**这一步用到了「给定 \(x\) 时两个观测条件独立」**——这是本卡片唯一的实质性假设，也是全部争论的焦点
④ 从式 a 到精度相加（式 b）：配方法
展开推导：为什么高斯情形下精度直接相加
**第 1 步 · 取对数把乘法变加法。**设先验 (x\sim\mathcal N(\mu_0,1/\tau_0))，两个似然 (z_i\sim\mathcal N(x,1/\tau_i))。对式 a 两侧取自然对数，丢掉与 (x) 无关的常数： [ \ln p(x\mid z_c,z_r)=-\tfrac{1}{2}\Big[\tau_0(x-\mu_0)^2+\tau_c(x-z_c)^2+\tau_r(x-z_r)^2\Big]+\text{const} ]
**为什么可以取对数：**对数是单调函数，不改变分布的形状与极值点；而高斯的对数是二次型，可以用初等代数处理。
**第 2 步 · 按 (x) 的幂次整理。**把方括号展开并收集 (x^2) 与 (x) 的系数： [ \tau_0(x-\mu_0)^2+\tau_c(x-z_c)^2+\tau_r(x-z_r)^2=\underbrace{(\tau_0+\tau_c+\tau_r)}{\text{记作 }\tau{post}}x^2-2\underbrace{(\tau_0\mu_0+\tau_cz_c+\tau_rz_r)}_{\text{记作 }S}x+\text{const} ]
**第 3 步 · 配方。**把 (\tau_{post}x^2-2Sx) 写成 (\tau_{post}\left(x-\frac{S}{\tau_{post}}\right)^2-\frac{S^2}{\tau_{post}})。后一项与 (x) 无关，并入常数。于是后验仍是高斯，且：
\[ \boxed{\;\tau_{post}=\tau_0+\tau_c+\tau_r\;},\qquad \hat x_{post}=\frac{\tau_0\mu_0+\tau_cz_c+\tau_rz_r}{\tau_0+\tau_c+\tau_r} \]
式 b · **精度相加，估计值按精度加权**。这就是卡尔曼信息滤波器的核心
**第 4 步 · 读出结论。**由于 (\tau_c,\tau_r\ge0)： [ \tau_{post};\ge;\max(\tau_0+\tau_c,;\tau_0+\tau_r)\qquad\Longleftrightarrow\qquad \sigma_{post};\le;\min(\sigma_{\text{仅相机}},;\sigma_{\text{仅雷达}}) ]
这就是对命题 P2 的直接反驳：在条件独立假设下，增加一个传感器绝不可能让后验方差变大。「两个传感器不一致」这件事本身在数学上不产生任何额外的不确定性——不一致只是把后验均值拉向精度更高的那一侧，同时后验方差照旧变小。
**信息论版本（更一般，不需要高斯假设）。**由互信息的链式法则与条件互信息的非负性： [ I(x;z_c,z_r)=I(x;z_c)+\underbrace{I(x;z_r\mid z_c)}_{\ge0};\ge;I(x;z_c) ]
换句话说：多一路观测，关于 (x) 的信息量只增不减，与噪声大小、分布形状都无关。要让信息量下降，你必须丢掉观测——而这恰恰是「删掉雷达」在做的事。
④b 但是——马斯克的直觉在哪里是对的
上面的证明有一个前置条件：(\rho=0) 且噪声模型正确。一旦这两条被违反，「朴素融合」就会失效，而且失效的方式恰恰是他描述的那种。下面把这件事算出来。
设两路误差相关系数为 (\rho)。朴素融合仍按独立假设加权（(w_c=\tau_c/(\tau_c+\tau_r))），但它的真实方差是：
\[ \sigma^2_{\text{真实}}=w_c^2\sigma_c^2+w_r^2\sigma_r^2+2w_cw_r\,\rho\,\sigma_c\sigma_r \qquad\text{而它「自以为」的方差是}\qquad \sigma^2_{\text{自信}}=\frac{1}{\tau_c+\tau_r} \]
式 c · 交叉项 \(2w_cw_r\rho\sigma_c\sigma_r\) 在 \(\rho\gt0\) 时为正，**被朴素融合完全忽略**
**数值算例（这是本卡片最重要的一组数字）：**取相机测距 (\sigma_c=2.0) m、雷达测距 (\sigma_r=0.5) m。则 (\tau_c=0.25,\ \tau_r=4.0)。
\[ \begin{aligned}
\text{独立时（}\rho=0\text{）：}\quad \sigma_{fused}&=\frac{1}{\sqrt{0.25+4.0}}=\frac{1}{\sqrt{4.25}}=\mathbf{0.485\ m}\quad(\lt0.5\text{，确实变好了})\\[6pt]
\text{实际强相关（}\rho=0.7\text{，如雨雾同时劣化两者）：}&\\
w_c=\tfrac{0.25}{4.25}=0.0588,\quad w_r&=0.9412\\
\sigma^2_{\text{真实}}&=0.0588^2\times4+0.9412^2\times0.25+2\times0.0588\times0.9412\times0.7\times1.0\\
&=0.0138+0.2215+0.0775=0.3128\;\Longrightarrow\;\sigma_{\text{真实}}=\mathbf{0.559\ m}\\[4pt]
\text{但系统报告的是}\quad \sigma_{\text{自信}}&=\mathbf{0.485\ m}
\end{aligned} \]
算例 9 · **朴素融合的真实误差 0.559 m，比只用雷达（0.500 m）还差，同时它还声称自己只有 0.485 m**
这就是马斯克直觉的严格版本。在误差相关的场景里，一个建模错误的融合器确实会同时做到两件坏事：性能比单传感器更差，而且过度自信。这在安全关键系统里是最危险的组合——它不只是错，它还不知道自己错了。
**但结论不是「删掉传感器」。**把相关性正确建模后（广义最小二乘/相关卡尔曼滤波）：
\[ \sigma^2_{\text{最优}}=\frac{\sigma_c^2\sigma_r^2(1-\rho^2)}{\sigma_c^2+\sigma_r^2-2\rho\sigma_c\sigma_r}=\frac{4\times0.25\times0.51}{4+0.25-1.4}=\frac{0.51}{2.85}=0.1789\;\Longrightarrow\;\sigma_{\text{最优}}=\mathbf{0.423\ m} \]
式 d · 正确建模相关性后，融合**优于**任一单传感器（0.423 < 0.500）
**三个数字放在一起看：单雷达 0.500 m，朴素融合 0.559 m，正确融合 0.423 m。**问题从来不在「传感器多了」，而在「模型错了」。正确的应对是建模相关性与重新标定似然，不是删除传感器。
⚑ 式 d 的 0.423 m 有一个前提：\(\rho\) 必须**可估**
上式把 (\rho=0.7) 直接代了进去。现实里 (\rho) 通常既不可观测也不可在线辨识——两路误差的耦合来自共同的先验、共同的过程噪声、共同的前级处理与共同的外部工况（雨雾、逆光、地面多径），这些通道在工程上很难被逐一建模并跟踪。融合领域为此另立了一套目标：不追求最优，只保证一致（算出的协方差不小于真实协方差）。在 (\rho) 完全未知时，能保证一致的融合器给出的是精度的凸组合而不是精度之和，因此可被保证的融合精度不超过 (\max(\tau_c,\tau_r))——落到本算例上，最好也只能保证到单雷达那一档的 0.500 m，拿不到 0.423 m。
这不推翻本卡片的结论，但它把结论切成了两半：「信息量不会因为多一路观测而减少」是无条件成立的；「可获得的估计精度必然提高」需要 (\rho) 已知或可估。详见本卡片末尾的辩证块。
**两幅图，两个结论：**左图是条件独立情形——融合后的分布**严格窄于**任何单传感器，这在数学上无条件成立，因此「多传感器必然增加不确定性」不成立。右图是误差相关情形——朴素融合给出的真实分布（红）比单雷达（灰虚）还宽，同时系统报告的分布（绿虚）却更窄，**这就是「既更差又更自信」的双重失效**。马斯克的工程直觉指向的正是右图，而他的表述（「传感器冲突增加风险」）却被说成了对左图的否定。**右图的正确解法是把 \(\rho\) 建进滤波器，那样可以做到 0.423 m——前提是 \(\rho\) 可估；\(\rho\) 完全未知时只能退到保守融合，最好保证到 0.500 m。**（本报告原创 SVG · 示意非实测）
⑤ 假设清单
▲ 四条假设（第 1 条要分两档），以及它们各自被违反时会发生什么
**1a · 给定 (x) 时观测条件独立，且 (\rho) 若不为零则已知。**被违反（雨雾同时劣化两个传感器）→ 朴素融合高估后验置信度，见算例 9；此时把 (\rho) 建进滤波器即可恢复最优，见式 d。1b · (\rho) 未知。这是分布式融合的常态，且与 1a 是不同的失效：此时不存在「代进去就好了」的修法，只能改用保守（一致性）融合，其可保证的精度是各路精度的凸组合，不超过最好的那一路——「精度相加」在这一档上拿不到。**2 · 噪声模型正确设定。**被违反（低分辨率雷达对静止金属物的误报率被低估）→ 融合引入系统性偏移，这是特斯拉 2021 年关闭雷达的真实工程原因之一。**3 · 高斯性。**被违反（多模态后验，如「前方是井盖还是障碍物」）→ 单一均值+方差不足以描述后验，需要粒子滤波或混合模型。**4 · 数据关联正确。**被违反（把雷达点云关联到了错误的目标）→ 这是最常见也最危险的失效，它不是融合公式的问题，是前置的目标跟踪问题。
**关键判断：这几条被违反时，问题是「模型错了」或「模型不可知」，都不是「信息变少了」。**这个区分是本卡片的全部要点。但 1a 与 1b 的处置完全不同：前者可以靠更好的建模拿回全部收益，后者只能退到「保证不劣于最好的单传感器」这一档——把这两档混为一谈，正是本页此前的疏漏。
⑥⑦ 敏感性与成本侧的诚实计算
命题 P1（成本-收益）值得单独算一次，因为它可能是对的。设相机的信息率为 (R_c)、雷达为 (R_r)，边际信息增益大致正比于 (\tau_r/\tau_c)。当相机的测距精度已经足够好时，加雷达的边际收益迅速趋零：若 (\sigma_c) 从 2.0 m 改进到 0.6 m（(\tau_c=2.78)），则融合后 (\sigma=1/\sqrt{2.78+4}=0.384) m，相对单雷达只改进 23%；若 (\sigma_c) 进一步到 0.3 m（(\tau_c=11.1)），融合 (\sigma=0.260) m，相对单相机只改进 13%。这是 P1 的严格版本：随着视觉精度提高，融合的边际收益按 (\tau) 的比例衰减，而成本、标定负担与失效模式却不衰减。他的成本论证因此在某个视觉精度阈值之后是成立的——争议只在于这个阈值有没有被跨过。
⑧ 失效条件与适用域
本卡片的结论适用于：状态估计层面的信息量比较。不适用于：（1）系统级安全论证——安全不只取决于信息量，还取决于失效模式的独立性与可诊断性；（2）非高斯多模态后验；（3）时序关联错误主导的场景；（4）成本、供应链、标定工时等工程约束——那些是真实的，只是信息论管不着。
⑨ 与实际数据的校准
三个可核查的事实。其一，他自己私下承认过这不是原理问题：Electrek 主编 Fred Lambert 公布的私信中，马斯克写道「vision with high-resolution radar would be better than pure vision」（视觉配高分辨率雷达会优于纯视觉）——这与「传感器冲突增加风险」这一普遍原理式表述直接冲突，说明他知道那是工程约束而非物理定律。其二，行业数据两边都有：Waymo 用激光雷达达成 2.2 亿无人英里、严重伤害事故下降 94%；同时 Waymo 自己的 EMMA（纯摄像头）在 nuScenes 规划任务上取得 SOTA，纯视觉算法性能确实追平。其三，成本论证部分成立：激光雷达价格从 2019 年的数万美元降到 2025 年的数百美元，「成本会让它出局」这条预测本身已经落空，但「贵到不值得」在 2019 年是合理判断。
vision with high-resolution radar would be better than pure vision.
视觉配上高分辨率雷达，会比纯视觉更好。
Elon Musk
2025 · 与 Electrek 主编 Fred Lambert 的私信，2026-07-21 经 Electrek 复述
P3 记者复述私信
来源 [@src-02a5e1a8c8]
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）在条件独立与正确噪声模型下，增加传感器严格降低后验方差、严格不减少互信息，因此命题 P2「多传感器必然增加不确定性」在信息论上不成立；（2）当误差相关而模型未建模时，朴素融合确实可能既比单传感器差、又过度自信——他的工程直觉有真实来源；（3）这个失效的正确解法要分两档：(\rho) 可估时建模相关性（可拿回全部收益，式 d）；(\rho) 不可估时改用保守（一致性）融合，此时可被保证的精度只是「不劣于最好的单传感器」而不是「精度相加」——无论哪一档，解法都不是删除传感器。
不能证明：（1）不能证明特斯拉删除雷达是错误决策——那涉及成本、标定工时、供应链、团队带宽与当时可得雷达的实际质量，这些都不在信息论的管辖范围内，而且以当时可得的低分辨率雷达而论，删除很可能是对的；（2）不能证明纯视觉不能达到 L4；（3）不能证明多传感器系统一定更安全——安全取决于失效模式的独立性，而这是一个系统工程问题。
业界不同看法 · 反方证据
本报告在本卡片的建模假设：把两路观测当作给定 (x) 后条件独立的高斯量，由此得到「精度相加」(\tau_{post}=\tau_0+\tau_c+\tau_r)；对误差相关的情形，本报告开出的处方是「把 (\rho) 建进滤波器」，并算出 (\sigma_{\text{最优}}=0.423) m。也就是说，本卡片默认 (\rho) 是一个可知、可估、可代入的量。
Julier 与 Uhlmann（牛津大学机器人研究组 / 美国海军研究实验室，1997 年美国控制会议）指出，多传感器与去中心化融合的常态恰恰是互协方差未知：两路估计的误差可以通过共同的先验、共同的过程噪声或共同的前级处理耦合起来，而这个耦合项在工程上往往无法被跟踪。此时按独立假设做卡尔曼更新，算出的协方差是不一致的（小于真实误差协方差），滤波器会发散。他们提出的协方差交叉给出的是信息矩阵的凸组合，标量情形即 (\tau=\omega\tau_c+(1-\omega)\tau_r)——凸组合永远不超过 (\max(\tau_c,\tau_r))，也就是说在 (\rho) 未知时，能被保证的融合精度上限就是「取最好的那一路」，「相加」拿不到。ACC 1997 [6]
Forsling、Noack 与 Hendeby（萨博航空 / 马格德堡大学 / 林雪平大学，《IEEE 控制系统》2024 年 4 月，44 卷 2 期 81–105 页）在这个方法二十五年后的回顾里给出更强的判断：均方误差最优的估计器（卡尔曼滤波）只适用于互协方差完全已知的融合，而在分布式与去中心化系统里「跟踪互协方差遗憾地并不总是可能的」；因此该领域已经把可交付的目标从最优性换成了保守性——只要求算出的协方差不小于真实协方差。他们的标题本身就是这个领域的现状：相关性至今仍然未知。IEEE CSM [7]
部分采纳**信息论那一半维持原判：**互信息的链式法则 (I(x;z_c,z_r)\ge I(x;z_c)) 不依赖任何相关性假设，所以命题 P2「多传感器必然增加不确定性」仍然不成立——这是本卡片的主结论，反方并未触及。**被切断的是下一步：本页把「信息量不减少」直接读成了「可获得的估计精度必然提高」，而反方证明的恰恰是——当 (\rho) 未知时，任何保证一致的融合器只能给出精度的凸组合。「信息不减少」与「估计器性能提高」是两件事，本页此前当成了一件。**已改正文三处：④b 末尾新增橙色提示框，说明式 d 的 0.423 m 以「(\rho) 可估」为前提；⑤ 假设清单第 1 条拆成 1a（(\rho) 已知）与 1b（(\rho) 未知）两档不同失效；⑩「能证明」第 (3) 条相应分档改写。顺带一提：这一档恰恰是对马斯克那条直觉最有力的辩护——它意味着在相关结构不可知的量产系统里，加一路传感器的可保证收益可能确实是零，尽管信息量确实增加了。
FORMULA 12 模仿学习的复合误差：为什么演示容易、产品极难
① 它在检验马斯克的哪条主张
从 2015 年到 2026 年，马斯克关于「明年实现完全自动驾驶」的预测落空了至少十次。一种解释是他单纯乐观；另一种解释是他低估了一个具体的、可以写成定理的困难。这条公式给出后者的严格形式：行为克隆的误差不是线性累积的，而是随任务长度平方增长。这是「为什么 90% 的演示很容易、99.999% 的产品极难」一个严格的数学解释，也是 Karpathy「march of nines」（九的长征）的理论对应物。不是唯一的解释——串联系统的可靠性乘法、罕见事件的统计长尾、部分可观测下的信息缺口、训练与部署的分布漂移，各自都能独立推出同方向的结论；本卡片只主张这一条最直接、也最容易被误用。
I feel very confident predicting that there will be autonomous robotaxis from Tesla next year… next year for sure, we’ll have over a million robotaxis on the road.
我非常有信心地预测，明年特斯拉会有自动驾驶的 robotaxi……明年肯定，我们会有超过一百万辆 robotaxi 上路。
Elon Musk
2019-04-22 · Tesla Autonomy Investor Day，Palo Alto
P1 原始视频
来源 [@src-7fee6f7fce]
② 符号
\(\pi^\star,\hat\pi\)专家策略、学到的策略
\(T\)任务时长（决策步数）。10 Hz 决策、一小时驾驶 → \(T=36{,}000\)
\(C(s,a)\in[0,1]\)单步代价，**有界且归一化**。这个有界性后面会用到
\(J(\pi)\)\(T\) 步期望总代价 \(\sum_{t=1}^T\mathbb E_{s\sim d_\pi^t}[C(s,\pi(s))]\)
\(d_\pi\)策略 \(\pi\) 诱导的状态访问分布。**整个问题的根源就在这里：训练用 \(d_{\pi^\star}\)，部署跑在 \(d_{\hat\pi}\) 上**
\(\varepsilon\)在**专家状态分布下**的单步 0-1 期望损失，即「在专家会去的地方，模型每步犯错的概率」
\(u\)可恢复性参数：**单次错误造成的 cost-to-go 增量上界**。\(u=O(1)\) 表示专家能在常数步内把系统拉回正轨。**它只出现在 DAgger 的界（式 b）里；行为克隆的界（式 a）不含 \(u\)**，理由见式 a 下方的红框
③ 起始定理（式 a）：行为克隆的二次界
\[ \text{若}\quad\mathbb E_{s\sim d_{\pi^\star}}[\ell(s,\hat\pi)]\le\varepsilon,\quad\text{则}\quad \boxed{\;J(\hat\pi)\;\le\;J(\pi^\star)+T^2\varepsilon\;} \]
式 a · Ross & Bagnell, *Efficient Reductions for Imitation Learning*, AISTATS 2010, Thm 2.1。**该界是紧的**——存在动态系统与代价函数使其取等（Kääriäinen 2006 构造了 \(\Theta(\varepsilon T^2)\) 实例）
⚑ 式 a 里**没有** \(u\)，这不是笔误
行为克隆的二次界只有 (\varepsilon T^2)，不带可恢复性参数 (u)。原因在第 ② 步的归一化约定里：Ross & Bagnell 假设单步代价 (C(s,a)\in[0,1])，所以「离开专家分布之后每一步最坏承受多少代价」这个量已经被上界 1 吸收掉了——它就是那个 1，不需要再乘一个 (u)。
(u) 是 DAgger 定理（式 b）另行引入的量，衡量的是一次错误相对最优策略额外增加多少 cost-to-go，它在 on-policy 分析里必须显式出现，因为那条推导不再走「最坏情况一路吃满代价 1」的路子。**两条定理各有各的常数体系，不能混用。**把 (u) 也乘到 BC 上就是把同一件事算了两遍，会让 BC 的界虚高 (u) 倍——本页与计算器早先版本正是这样写的，现已按定理原文改回。
④ 推导思路：雪球是怎么滚起来的
展开三步推导思路（这是本卡片的核心，请读完）
**第 1 步 · 单步偏离概率。**在专家分布 (d_{\pi^\star}) 下，(\hat\pi) 每步犯错的概率不超过 (\varepsilon)。因此「在时刻 (t) 首次犯错」的概率上界为 (\varepsilon)。
**第 2 步 · 犯错之后的最坏情形。**这是整个定理的关键。一旦犯错，系统就可能进入一个 (\pi^\star) 从未访问过的状态——而模型在那里没有任何训练信号，行为完全无保证。在最坏情况下，此后每一步都承受最大代价 1，剩余步数为 (T-t+1)。
**为什么这一步是合法的最坏界：**因为 (C\in[0,1])，单步代价的上确界就是 1；而离开专家分布后我们对策略行为没有任何约束，所以只能取这个上确界。这也正是这个界「很松」的来源——现实系统通常有回归吸引子（车道保持的动力学会把车拉回车道中心），不会真的一路承受最大代价。
**第 3 步 · 对首次犯错时刻求和。**把所有可能的首次犯错时刻累加： [ J(\hat\pi)-J(\pi^\star);\le;\sum_{t=1}^{T}\varepsilon\cdot(T-t+1);=;\varepsilon\sum_{k=1}^{T}k;=;\varepsilon\cdot\frac{T(T+1)}{2};=;O(\varepsilon T^2) ]
为什么是平方而不是线性：因为求和里有两个 (T)——一个来自「有 (T) 个可能的犯错时刻」，另一个来自「每次犯错后平均还剩 (T/2) 步要承受代价」。两个线性因子相乘，就是二次。这个「(T\times T/2)」的结构是全部直觉所在。
**另一种等价的看法（分布漂移展开）：**第 (t) 步时，学习者的状态分布 (p_{\hat\pi}(s_t)) 与专家分布 (p_{\pi^\star}(s_t)) 的总变差距离已经累积到 (O(\varepsilon t))（每步最多漂移 (\varepsilon)）。于是 [ J(\hat\pi)=\sum_{t=1}^{T}\sum_{s_t}p_{\hat\pi}(s_t)\ell(s_t);\le;\sum_{t=1}^{T}\Big[\underbrace{\varepsilon}{\text{本步误差}}+\underbrace{2\varepsilon t}{\text{前 }t\text{ 步累积的分布漂移}}\Big]=O(\varepsilon T^2) ]
两条路径给出同一个阶，这是一个好的交叉验证。
④b 从 (T^2) 到 (T)：DAgger 做对了什么
DAgger（Dataset Aggregation）的做法：（1）用当前策略 rollout，观测它实际访问的状态；**（2）在这些状态上向专家查询正确动作；（3）**聚合全部数据并重训。第 (i) 轮使用混合策略 (\pi_i=\beta_i\pi^\star+(1-\beta_i)\hat\pi_i)。
\[ \boxed{\;J(\hat\pi)\;\le\;J(\pi^\star)+u\,T\,\varepsilon_N+O(1)\;=\;O(u\varepsilon T)\;} \]
式 b · Ross, Gordon & Bagnell, AISTATS 2011（arXiv:1011.0686 [@src-1d01ea137a]）。要求底层在线学习器是 **no-regret** 的，且可恢复性 \(u=O(1)\)
为什么能去掉一个 (T)：因为训练分布与部署分布现在是同一个（都是 (d_{\hat\pi})）。第 2 步里那个「进入从未见过的状态」的情形被消除了——学习者去哪里，标注就跟到哪里。剩下的 (T) 只是「有 (T) 步、每步可能错」的线性累积，那是不可避免的。
DAgger 本质上是 Follow-The-Leader，任何 no-regret 在线学习器都能给出同样的线性保证——这说明 (T^2\to T) 的改进来自数据采集方式而非任何特定算法，这一点对理解特斯拉的数据引擎至关重要。补一句限定：后续理论工作表明这条改进也可以来自损失函数的选择（对数损失而非 0-1 损失），因此「只能靠 on-policy 采集」这个归因写得太窄——见本卡片末尾的辩证块。
④c 两界之比是 (T/u)，不是 (T)
把式 a 与式 b 放在同一个 (\varepsilon) 下相除。这一步只是分式约分，但结论常被写错，所以逐步写清楚：
\[ \frac{\text{BC 界}}{\text{DAgger 界}}=\frac{\varepsilon T^2}{u\,\varepsilon\,T}
\;\overset{(1)}{=}\;\frac{T^2}{u\,T}\;\overset{(2)}{=}\;\boxed{\;\frac{T}{u}\;} \]
式 c · 两界之比。（1）分子分母同时约掉 \(\varepsilon\)——**这一步说明比值与模型好坏无关**；（2）约掉一个 \(T\)。剩下的 \(T/u\) 里，\(T\) 来自 BC 多出来的那一层求和，\(u\) 来自 DAgger 侧多出来的常数
为什么这个修正很重要。写成「比值恒为 (T)」等于宣称「无论系统多难恢复，on-policy 的理论优势都一样大」，这在方向上就是错的：(u) 越大（错误越不可挽回），DAgger 的优势越小；当 (u) 增长到 (O(T)) 时比值降到 (O(1))，两条界同阶，DAgger 的理论优势完全消失——这与下面第 ⑤ 条假设表里那条「关键失效点」是同一件事的两种说法，现在两处终于自洽了。
**顺带得到一个可直接使用的推论：BC 要好到什么程度才追平 DAgger。**令两界相等，解 (\varepsilon_{BC})：
\[ \varepsilon_{BC}\,T^2=u\,\varepsilon_{D}\,T
\;\overset{(1)}{\Longrightarrow}\;\varepsilon_{BC}=\frac{u\,\varepsilon_{D}\,T}{T^2}
\;\overset{(2)}{\Longrightarrow}\;\boxed{\;\varepsilon_{BC}=\frac{u\,\varepsilon_{D}}{T}\;} \]
式 d · 同界所需误差率。（1）两侧同除以 \(T^2\)；（2）约分。**分子上的 \(u\) 不能丢**——丢了它会把要求算得比实际严 \(u\) 倍
**两条曲线，一个警告：**红色是行为克隆的 \(\varepsilon T^2\) 上界（**不含 \(u\)**），绿色是 DAgger 的 \(u\varepsilon T\) 上界。**灰色区域是本图最重要的部分**——因为单步代价有界（\(C\in[0,1]\)），总代价永远不会超过 \(T\)，所以当 \(\varepsilon T^2\gt T\)（即 \(T\gt1/\varepsilon\)）时，这个界**比什么都不说还弱**。在 \(\varepsilon=0.001\) 时这个转折点在 \(T=1000\)，也就是不到两分钟的驾驶——注意这个转折点**与 \(u\) 无关**，因为 BC 侧根本没有 \(u\)。两条界本身的交叉点则在 \(T=u\) 处（此图取 \(u=1\)，即最左端）。**这提醒我们：这条定理解释的是「为什么难」的机理，绝不能拿来做任何数量预测。**（本报告原创 SVG · 示意非实测）
⑤ 假设清单
▲ 六条假设：第三条是关键失效点，第六条决定了整个界的阶
假设在真实道路上是否成立| 假设 | 在真实道路上是否成立 |
存在可随时查询的专家**不成立。**真实道路上无法对学习者访问到的每个状态查询「正确动作」——这正是 DAgger 在自动驾驶里难以直接落地的原因| 存在可随时查询的专家 | 不成立。真实道路上无法对学习者访问到的每个状态查询「正确动作」——这正是 DAgger 在自动驾驶里难以直接落地的原因 |
代价有界 \(C\in[0,1]\)**部分不成立。**事故代价既非有界也非均匀，一次严重碰撞的代价不能与一次轻微顿挫同尺度| 代价有界 \(C\in[0,1]\) | 部分不成立。事故代价既非有界也非均匀，一次严重碰撞的代价不能与一次轻微顿挫同尺度 |
**可恢复性 \(u=O(1)\)****关键失效点。**当 \(u=O(T)\)（一次错误即毁掉整条轨迹，如错过唯一的桥、闯入对向车道），**DAgger 的界退化回 \(O(\varepsilon T^2)\)，不优于行为克隆**| 可恢复性 \(u=O(1)\) | 关键失效点。当 \(u=O(T)\)（一次错误即毁掉整条轨迹，如错过唯一的桥、闯入对向车道），DAgger 的界退化回 \(O(\varepsilon T^2)\)，不优于行为克隆 |
状态可观测**部分不成立。**遮挡、恶劣天气、传感器致盲下不成立| 状态可观测 | 部分不成立。遮挡、恶劣天气、传感器致盲下不成立 |
界是最坏情况**成立但极松。**平均情况通常远好于该界；此界解释「为什么难」，不预测「具体多难」| 界是最坏情况 | 成立但极松。平均情况通常远好于该界；此界解释「为什么难」，不预测「具体多难」 |
**用 0-1 损失记账****这是一条隐含假设，而且它决定了界的阶。**同一个行为克隆算法换成对数损失重新分析，时域依赖可以掉到线性甚至消失；而在连续动作空间里，真实下界又可能是指数的。**「\(T^2\)」是这套记账方式的输出，不是模仿学习难度的普适刻度**——见本卡片末尾辩证块| 用 0-1 损失记账 | 这是一条隐含假设，而且它决定了界的阶。同一个行为克隆算法换成对数损失重新分析，时域依赖可以掉到线性甚至消失；而在连续动作空间里，真实下界又可能是指数的。「\(T^2\)」是这套记账方式的输出，不是模仿学习难度的普适刻度——见本卡片末尾辩证块 |
⑥ 数值算例
输入参数三个，全部取自本卡片前文：(\varepsilon=0.001)（专家分布下每千步错一次）、(T=1000)（10 Hz 决策下约 100 秒驾驶）、(u=5)（一次错误最多让 cost-to-go 多出 5）。隐藏常数一律取 1。下面四行与计算器 05 的四个输出一一对应，可以逐行对照。
\[ \begin{aligned}
\text{行为克隆上界（式 a，不含 }u\text{）：}&\ \varepsilon T^2=0.001\times(10^3)^2=0.001\times10^6=\mathbf{1{,}000}\\[2pt]
\text{DAgger 上界（式 b，含 }u\text{）：}&\ u\varepsilon T=5\times0.001\times10^3=\mathbf{5}\\[2pt]
\text{比值（式 c）：}&\ \frac{T}{u}=\frac{1000}{5}=\mathbf{200}\quad(\text{与 }\varepsilon\text{ 无关，但依赖 }u)\\[2pt]
\text{同界所需误差率（式 d）：}&\ \varepsilon_{BC}=\frac{u\,\varepsilon_D}{T}=\frac{5\times0.001}{1000}=\mathbf{5.0\times10^{-6}}
\end{aligned} \]
算例 10 · **注意第一行恰好等于 \(T=1{,}000\)**——因为 \(\varepsilon T^2=T\) 当且仅当 \(T=1/\varepsilon\)，而此处正取 \(\varepsilon=10^{-3},T=10^3\)。也就是说这个界在此参数下**刚好退化成平凡界**「总代价不超过 \(T\)」，再往右一步就完全无信息，这正是上图灰色区域的起点
三个数字都可以口算复核：(1000/5=200)；(5\times10^{-3}/10^{3}=5\times10^{-6})；(1000\div5=200) 与 (0.001\div(5\times10^{-6})=200) 互为验证——「界降低 200 倍」与「误差率要求严 200 倍」是同一件事的两种说法。
**最后一行是这条定理最实用的推论：**要用纯离线的行为克隆达到与 on-policy 方法同样的性能保证，你的单步错误率必须再低 (T/u) 倍——不是 (T) 倍，系统越容易恢复（(u) 越大意味着越难恢复，反之亦然），这个要求就越苛刻。**对小时级任务（(T\approx36{,}000)）：**若 (u=5)，要求是低 (7{,}200) 倍，约 3.9 个数量级；若取最乐观的 (u=1)，要求是低 (36{,}000) 倍，约 4.6 个数量级。两个口径都在「实践上等价于不可能」的区间里，这也是「必须在学习者自己的分布上补数据」这条工程原则的理论依据——但引用时请带上 (u) 的取值，因为差一个 (u) 就差半个数量级。
⑦ 一阶敏感性
(T) 主导，且是二次主导。任务时长翻倍，行为克隆的界变四倍而 DAgger 只变两倍。(\varepsilon) 在两条界里都是纯线性因子，因此它在比值 (T/u) 里被完全约掉——on-policy 相对 off-policy 的理论优势与「模型有多好」无关，这是一个真正漂亮的性质。但 (u) 不会被约掉：它只出现在 DAgger 一侧，所以优势倍率随 (u) 反比缩小。取本卡片的三档：(u=1) 时优势 1,000 倍，(u=5) 时 200 倍，(u=50) 时只剩 20 倍。换句话说，「错误有多难挽回」是唯一能吃掉 on-policy 优势的参数，而这恰好是驾驶场景里最糟的那一维。另外，正因为比值与 (\varepsilon) 无关，它不能告诉你「把模型做好」有没有用——那需要看常数，而常数正是这个界隐藏掉的东西。
⑧ 失效条件与适用域
适用域：有限时长、序贯决策、离线模仿学习的最坏情况分析。失效条件：（1）(u=O(T)) 时 DAgger 的优势消失；（2）系统存在强回归吸引子时实际增长可能远低于二次——这正是特斯拉数据引擎有效的机理，也是为什么 FSD 的实际表现好于这个界的预言；（3）代价无界时整个框架失效；（4）这个界对「需要多少数据」「多久能达到 L4」完全没有预测能力；（5）换损失函数或换到连续动作空间时，二次这个阶本身就不再是正确描述——用对数损失分析的离线行为克隆可以做到线性乃至与时域无关，而连续状态-动作控制系统里的下界又可能是指数的（见本卡片末尾辩证块）。也就是说，本条界的适用域还要再加一句：0-1 损失记账下的离散最坏情况分析。
⑨ 与实际数据的校准
无法直接校准——这是一个上界，不是一个模型。可做的是定性对照：Karpathy 的「march of nines」断言「每一个九花费恒定的工作量」，形式化为 (\text{Effort}(p)=E_0\log_{10}(p_0/p))。这与复合误差界指向同一个方向（长尾极难），但 Karpathy 的形式更乐观——长尾事件的难度通常是递增的（第五个九对应的场景比第二个九更罕见、更难采样、更难标注），真实曲线可能是超指数的。一个具体锚点：人类驾驶的严重伤亡事故率约每 (10^8) 英里数起；若一次「接管」对应一次潜在失效，从「每 1,000 英里接管一次」到「每 100 万英里接管一次」需要跨越 3 个九。
⑩ 能证明什么、不能证明什么
⚑ 这条定理最常被误用的三种方式
误用 1 · 把它当事故率预测。它是上界的阶，隐藏常数未知且通常很大；在常见参数下它甚至比平凡界还弱。任何形如「按这条定理，FSD 每 X 英里会出一次事故」的推论都是错的。
误用 2 · 用它论证「端到端不可能」。它只说明纯离线行为克隆的最坏界是二次；on-policy 数据、世界模型仿真、强化学习微调都能把制度拉向线性。它论证的是训练范式的必要性，不是架构的不可行性。
**误用 3 · 忽略回归吸引子。**真实车辆动力学有强稳定性，「稍微偏离车道中心」会被自然拉回，这使实际误差增长远低于二次。这个界描述的是没有任何恢复机制的最坏系统。
● 裁决范围
能证明：（1）在 0-1 损失记账下，纯离线模仿学习的最坏误差随任务长度平方增长（(\varepsilon T^2)，不含 (u)），且该界在这套记账方式内是紧的（存在取等实例）——但换一种损失函数，这个阶就会变；（2）在同一套记账方式下，on-policy 数据采集可以把它降到线性（(u\varepsilon T)），改进因子是 (T/u)，随「错误可挽回性变差」而缩小；（3）因此**「演示 90% 容易、产品 99.999% 极难」不是执行问题，而是范式的结构性质**；（4）这解释了特斯拉建 neural world simulator 的理论必然性——世界模型的功能正是构造一个廉价的、可无限查询的 on-policy 数据源，把训练从 (T^2) 制度拉向 (T) 制度。
不能证明：（1）不能预测任何具体的事故率、接管率或时间表；（2）不能证明纯视觉端到端无法达到 L4；（3）在 (u=O(T)) 的场景下，连 DAgger 的优势都不成立，所以它也不能证明「有了 on-policy 数据就够了」。
业界不同看法 · 反方证据
本报告在本卡片的建模假设：用「0-1 损失 + 单步代价归一化到 ([0,1]) + 最坏情况离散 MDP」这一套记账方式来刻画「为什么九个九极难」，据此断言纯离线行为克隆的界是 (\varepsilon T^2)（且紧）、on-policy 采集把它拉到 (u\varepsilon T)、改进因子 (T/u)。整张卡片的结构性结论——「难不是执行问题，是范式的性质」——就架在这个 (T^2) 上。
Foster、Block 与 Misra（微软研究院 / 麻省理工，NeurIPS 2024）认为二次依赖是分析所用损失函数的产物，不是行为克隆本身的性质。改用对数损失重新分析之后他们证明：（i）只要累计回报的取值范围受控、且策略类的监督学习复杂度受控，离线模仿学习可以做到与时域无关的样本复杂度；（ii）对确定性平稳策略、在稠密奖励下，离线行为克隆可以达到线性时域依赖——这是此前认为只有在线算法才拿得到的保证；（iii）最尖锐的一条：若不对策略类追加假设，在线模仿学习无法优于用对数损失的离线行为克隆，即便在良性 MDP 上也如此。他们另在标准强化学习任务与自回归语言生成上给了实验佐证。arXiv:2407.15007 [8]
Simchowitz、Pfrommer 与 Jadbabaie（麻省理工 / 卡内基梅隆，COLT 2025）从相反方向否定同一套记账方式：在连续状态-动作的控制系统里，即便动力学是指数稳定的、专家是光滑且确定的，任何光滑确定的模仿策略在执行时的误差也会随时域指数放大，而不是二次。这个负面结果对任何只使用专家数据的算法成立（含离线强化学习），除非算法产出「非正常」的策略——非光滑、非马尔可夫、或带强状态相关随机性——或者专家轨迹分布足够分散。他们据此解释了 action chunking 与扩散策略为什么在机器人学习里有效。arXiv:2503.09722 [9]
部分采纳两条反方从相反方向指向同一件事：(\varepsilon T^2) 不是「模仿学习有多难」的普适刻度，它是「0-1 损失 + 最坏情况离散 MDP」这套记账方式的输出。换一种损失，阶可以掉到线性甚至与 (T) 无关；换到连续动作空间（也就是驾驶真正所在的设定），真实下界反而可能是指数的，比二次更坏。Kääriäinen 的取等实例仍然成立，所以「该界在其自身设定内是紧的」这句不改；改的是它的管辖范围。已改正文三处：⑤ 假设清单增第 6 条「用 0-1 损失记账」；⑧ 失效条件增第 (5) 条并给适用域补上「0-1 损失记账下的离散最坏情况分析」；⑩「能证明」第 (1)(2) 条各加限定语。本卡片的定性结论不受影响——「演示到产品之间隔着结构性鸿沟」这一点，两条反方其实都同意，Simchowitz 一侧甚至比本报告更悲观；受影响的是「鸿沟的形状恰好是二次」这个具体断言，以及由它推出的「(T/u) 就是 on-policy 的理论优势」这个倍率。顺带修正一处措辞：本页 ④b 说「(T^2\to T) 的改进来自数据采集方式而非任何特定算法」——按 Foster 等人的结果，它也可以来自损失函数的选择，这条因果归属原本写得太窄。
交互 · 简化模型 05 · compound
**这个计算器展示的是上界的缩放阶，隐藏常数取 1，不是任何系统的实测事故数。**请特别注意：当输出的「行为克隆上界」超过 T 时，这个界已经比平凡界还弱，此时它只有定性意义。
专家分布下单步错误率 ε
任务时长 T（决策步数）
可恢复性参数 u（cost-to-go 增量上界）
—行为克隆上界 O(ε·T²) 不含 u
—DAgger 上界 O(u·ε·T)
—两者比值 T/u
—BC 要达到同界所需的 ε = u·ε_D/T
▲ 适用条件与未计项
**未计：**隐藏常数（此处取 1，真实值未知且通常远大于 1）、平凡上界 (J\le T) 的截断（当输出 > T 时该界无信息）、代价的非均匀性与无界性（事故代价不能与顿挫同尺度）、回归吸引子带来的自然恢复、非确定性专家、部分可观测、以及最重要的一项——常数与阶的区别：这里画的是阶，而工程上决定成败的往往是常数。
**禁止的用法：**不要用它推算事故率、接管率、所需数据量或时间表。它回答的是「为什么这类问题结构性地难」，不回答「有多难」。
FORMULA 13 Scaling law 与数据耗尽：耗尽的到底是什么
① 它在检验马斯克的哪条主张
2025 年 1 月 8 日，马斯克在与 Mark Penn 的 X 直播中说「人类知识的累积总和已经在 AI 训练中被耗尽」。这个判断在 2025–2026 年被广泛接受，也成了他 all-in 真实世界数据（车队、Optimus）与合成数据的公开理由。需要先做一个溯源更正：这个说法不是他原创的——Ilya Sutskever 在 2024 年 12 月的 NeurIPS 演讲中已提出「we have achieved peak data and there’ll be no more」，TechCrunch 的标题用的是 agrees（附议）而非 says。
We’ve now exhausted basically the cumulative sum of human knowledge … in AI training. That happened basically last year.
我们现在基本上已经耗尽了人类知识的累积总和……在 AI 训练里。这基本上是去年（2024 年）发生的事。
Elon Musk
2025-01-08 · 与 Stagwell 董事长 Mark Penn 的 X 直播
P3 三家媒体一致引述
来源 [@src-0c8a7239d7]
② 三条公式与符号
\(N,D\)模型参数量、训练 token 数
\(E\)不可约损失（语言的内在熵），Chinchilla 拟合得 1.69
\(S_{eff}\)有效数据存量，token
\(f_{quality}\)质量过滤留存率
\(R_{epoch}\)可重复训练的有效倍数
\(k\)测试时采样次数
③④ 三条公式的推导要点
（a）Chinchilla 参数化损失（Hoffmann et al., arXiv:2203.15556 [10]，NeurIPS 2022）：
\[ L(N,D)=E+\frac{A}{N^{\alpha}}+\frac{B}{D^{\beta}},\qquad E=1.69,\ A=406.4,\ B=410.7,\ \alpha=0.34,\ \beta=0.28 \]
式 a · 三项分别是：语言本身的熵（不可约）、参数不足的代价、数据不足的代价。用 Huber loss + L-BFGS 在 400+ 次训练运行上拟合
展开：从式 a 到「20 tokens/参数」的推导，以及一个已知瑕疵
**第 1 步 · 写出约束优化问题。**训练算力近似为 (\mathrm{FLOPs}\approx6ND=C)。在此约束下最小化 (L(N,D))。
**第 2 步 · 用拉格朗日乘子法。**令 (\mathcal L=E+AN^{-\alpha}+BD^{-\beta}+\lambda(6ND-C))，对 (N) 与 (D) 求偏导置零： [ -\alpha AN^{-\alpha-1}+6\lambda D=0,\qquad -\beta BD^{-\beta-1}+6\lambda N=0 ]
**第 3 步 · 相除消去 (\lambda)。**两式相除得 (\frac{\alpha AN^{-\alpha-1}}{\beta BD^{-\beta-1}}=\frac{D}{N})，整理得 (\alpha AN^{-\alpha}=\beta BD^{-\beta})——最优点上，参数项与数据项的边际贡献按 (\alpha:\beta) 平衡。这是整个 scaling law 最漂亮的一步。
**第 4 步 · 解出幂律形式。**结合约束得： [ N_{opt}(C)=G\left(\frac{C}{6}\right)^{a},\quad D_{opt}(C)=G^{-1}\left(\frac{C}{6}\right)^{b},\quad G=\left(\frac{\alpha A}{\beta B}\right)^{\frac{1}{\alpha+\beta}},\ a=\frac{\beta}{\alpha+\beta},\ b=\frac{\alpha}{\alpha+\beta} ]
代入得 (a\approx0.46)、(b\approx0.54)（论文的 Approach 3）；Approach 1 与 2 给出 (a\approx b\approx0.50)。工程口径的结论是 (D/N\approx20) tokens/参数——与 Kaplan et al. (2020) 的 (a=0.73,b=0.27)（参数优先）形成鲜明对立。
⚑ 一个必须标注的已知瑕疵
Epoch AI 的复现（arXiv:2404.10102 [11]）指出：论文 Approach 3 公布的拟合常数所隐含的闭式最优比约为 70 tokens/参数，与其自身 Approach 1、2 以及用于构建 Chinchilla（70B / 1.4T）的 20:1 规则相矛盾；重新拟合后恢复到约 20。引用具体常数时应同时提示这一点。
（b）数据耗尽模型（Villalobos et al., arXiv:2211.04325 [12]，ICML 2024 立场论文）：
\[ S_{eff}=S_{raw}\times f_{quality}\times R_{epoch}\approx3\times10^{14}\ \text{token（90\% CI: }10^{14}\text{–}10^{15}) \]
式 b · 有效存量。\(R_{epoch}\) 反映多 epoch 训练不显著劣化这一实证发现（Muennighoff et al. 2023）
需求侧用两个模型混合：历史外推 (D(t)=D_0e^{g_D(t-t_0)})，与算力驱动 (C(t)=C_0e^{g_C(t-t_0)})（(g_C) 对应每年 4–5 倍）配合 Chinchilla 最优比 (D_{opt}\propto C^{0.5})。解 (D(t^\ast)=S_{eff}) 得：
\[ t^\ast\in[2026,\ 2032]\ (80\%\ \mathrm{CI}),\qquad \text{median}\ t^\ast=2028 \]
式 c · 届时训练算力约 \(5\times10^{28}\) FLOP。**若模型被过训练 5 倍，耗尽提前 1–2 年**
（c）测试时算力标度（Snell et al., arXiv:2408.03314 [13]）：最简形式是重复采样的 pass@k：
\[ \mathrm{pass@}k=1-(1-p)^{k}\quad\Longrightarrow\quad \log(1-\mathrm{pass@}k)=k\log(1-p) \]
式 d · 准确率随采样次数呈对数式提升，随后**迅速饱和**。实证上，按 prompt 难度自适应的策略比固定 best-of-\(N\) 效率高 2–4 倍；FLOPs 匹配时小模型 + 测试时算力可超过大 14 倍的模型
⑤ 假设清单
▲ 三条公式各自的局限
Chinchilla：（1）只描述预训练损失，不描述下游能力；（2）假设数据充足且不重复；（3）只优化训练成本，不含推理成本——这正是 2024 年后行业普遍「过训练」小模型的原因（Llama-2-7B 用 2T tokens ≈ 建议值的 290 倍）。
数据耗尽：（1）只覆盖公开人类文本，不含私有数据、代码、视频、音频、多模态与合成数据；（2）假设按 Chinchilla 最优训练，而实际前沿模型普遍过训练；（3）(R_{epoch}) 的上界仍有争议；（4）互联网用户仍在增长，存量本身是增函数。
测试时算力：（1）收益强烈依赖问题难度——一项研究发现 MATH-500 上约 49% 的推理 token 浪费在简单题上；（2）存在难度反转；（3）不同厂商同等精度区间的输出 token 定价相差 27 倍，使「成本-性能」曲线高度依赖商业条款而非物理规律；（4）学界普遍不认为这已构成一条被验证的 scaling law。
⑥⑦⑧⑨ 算例、敏感性、失效与校准
算例：按 (D/N=20)，一个 70B 参数模型的计算最优训练数据量是 1.4T token。若前沿实验室用 15T token 训练同样规模的模型，则过训练倍数为 (15/1.4=10.7) 倍——按式 c 的敏感性（过训练 5 倍提前 1–2 年），10.7 倍意味着耗尽时点比中位数 2028 年提前约 2–3 年，即 2025–2026。这与马斯克 2025 年 1 月的判断在时间上吻合，这一点应予以肯定。
敏感性：主导参数是 (g_C)（算力增长率）。若算力年增从 4 倍降到 2 倍，耗尽时点后推约 3–4 年。这意味着「数据耗尽」的时点其实主要由算力投资决定，而不是由互联网上有多少字决定——这是一个反直觉但重要的结论。
失效与校准：三条公式都只覆盖文本。而马斯克主张的恰恰是「文本之外」：车队视频、机器人动作、真实世界交互。这些数据的存量没有上界（它随传感器部署量与时间线性增长），因此严格说来，「数据耗尽」这个结论只对他放弃的那条路径成立，对他选择的路径不成立——这个逻辑结构值得注意：他用一条只适用于对手路线的定律，论证了自己路线的必要性。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）公开人类文本的有效存量约 (3\times10^{14}) token，在当前算力增速与过训练实践下，2025–2028 年区间耗尽是一个有依据的估计，马斯克的时间判断与文献一致；（2）计算最优的 (D/N\approx20)（注意 Epoch AI 指出的常数瑕疵）；（3）测试时算力提供了一条独立于数据的性能提升通道，但它有自己的收益递减。
不能证明：（1）不能证明「数据耗尽 = 进步停止」——三条公式合起来恰恰说明有至少三条绕道（多模态、合成数据、测试时算力）；（2）不能证明合成数据可行，那有模型崩溃的风险且证据仍在积累；（3）不能证明真实世界数据一定优于文本数据；（4）不能把「耗尽」理解成一个日期——它是一个 80% 置信区间横跨 6 年的估计，而这个区间的宽度主要由算力投资的不确定性决定。
Part Ⅳ · 三条推导链人与社会：算术正确，不等于结论正确
这一部分的三条公式有一个共同特点：它们的算术都对，但它们被使用的方式都超出了各自的适用域。世代人口衰减是一个稳定队列恒等式，被当成了人口预测；信息带宽比值是一篇论文的核心发现，而那篇论文的结论其实是反对引用它的那个主张的；白痴指数是一个优秀的注意力分配启发式，被当成了成本诊断的充分判据。把「算术」与「推论」分开，是本部分的全部工作。
FORMULA 14 世代人口衰减：一个恒等式，不是一个预测
① 它在检验马斯克的哪条主张
马斯克关于人口的公开发言里，出现频率最高的是一组具体数字：韩国三代后剩 6%（2022）、剩 4%（2026）、约 1/27 即 3%（2026）。这条公式检验的是：这些数字算得对不对，以及它们是不是「预测」。答案是：算术全部正确，但它们不是预测——它们是一个恒等式在一组极端假设下的输出。
Population collapse due to low birth rates is a much bigger risk to civilization than global warming.
低出生率导致的人口崩溃，对文明而言是比全球变暖大得多的风险。
Elon Musk
2022-08-26 · X/Twitter 帖（他随后补了一条「而且我确实认为全球变暖是重大风险」）
P3 三家媒体一致引述
来源 [@src-c48df20912]
Korea will lose two-thirds of its population every generation. Population collapse.
韩国每一代会失去三分之二的人口。人口崩溃。
Elon Musk
2026-01 · X 帖，经韩国媒体报道
P3 媒体转述
来源 [@src-7874d93600]
② 符号
\(\mathrm{TFR}\)总和生育率：一名女性一生的平均生育数（当期口径）
\(\mathrm{TFR}_{repl}\)更替水平，通常取 **2.1**（2 是替换父母，0.1 补偿未存活到生育期与出生性别比）
\(n\)世代数
\(N_n/N_0\)第 \(n\) 代相对初始的规模比
③④ 起始关系与推导
推导只有一步，但那一步里藏着六个假设。设每一代的规模比为 (r=\mathrm{TFR}/\mathrm{TFR}_{repl})。为什么这个比值就是代际规模比：因为在稳定队列（stable cohort）近似下，每一代的人数正比于上一代的女性人数乘以人均生育数；更替水平的定义恰好是「使这个比值为 1 的生育率」。于是：
\[ \frac{N_1}{N_0}=r\;\Longrightarrow\;\frac{N_n}{N_0}=r^n=\boxed{\left(\frac{\mathrm{TFR}}{2.1}\right)^{n}} \]
式 a · 这是一个几何数列，**本质上是一个恒等式而非模型**——它没有任何自由参数可拟合，也没有任何可证伪的内容
⑤ 假设清单（六项，缺一不可）
▲ 式 a 成立所需的六条假设——每一条在现实中都不成立
**1 · TFR 在 90–100 年内永久冻结。**生育率是所有人口指标里波动最大的一个。**2 · 零净移民。**对韩国、日本可能近似成立，对全球必然成立（无处可移），但对多数国家不成立。**3 · 死亡率变化不影响世代规模。****4 · 世代长度固定（约 30 年）。**实际上生育年龄推迟会拉长世代。**5 · 忽略人口惯性。**现有年龄结构会让实际人口在数十年内显著高于该外推值。6 · 无政策、行为或经济反馈。
人口学界的两条标准批评：（a）当期 TFR 因 **tempo effect（生育推迟）**系统性低于队列完成生育率，Bongaarts-Feeney 调整通常上调 0.1–0.3；（b）人口惯性使实际人口在数十年内显著高于该外推。更严格的做法是用 Leslie 矩阵或队列成分法（cohort-component method），它们显式建模年龄结构、分年龄死亡率与迁移，而不是把整个人口压成一个标量。
⑥ 数值算例：核验他的三个具体数字
年份他的说法代入的 TFR计算结果判定| 年份 | 他的说法 | 代入的 TFR | 计算 | 结果 | 判定 |
2022韩国「三代后剩 **6%**」0.84（世界银行 2020）\((0.84/2.1)^3=0.4^3\)**6.4%**算术正确| 2022 | 韩国「三代后剩 6%」 | 0.84（世界银行 2020） | \((0.84/2.1)^3=0.4^3\) | 6.4% | 算术正确 |
2026「**1/25**，约 4%」0.72（韩国 2023）\((0.72/2.1)^3=0.3429^3\)**4.03%**算术正确| 2026 | 「1/25，约 4%」 | 0.72（韩国 2023） | \((0.72/2.1)^3=0.3429^3\) | 4.03% | 算术正确 |
2026「**1/27**，约 3%」更替水平的 1/3\((1/3)^3\)**3.70%**算术正确| 2026 | 「1/27，约 3%」 | 更替水平的 1/3 | \((1/3)^3\) | 3.70% | 算术正确 |
2024全球「三代后 **<5%**」需 TFR ≈ 0.77\((0.77/2.1)^3\)4.9%与实际全球 TFR 2.25 严重不符| 2024 | 全球「三代后 <5%」 | 需 TFR ≈ 0.77 | \((0.77/2.1)^3\) | 4.9% | 与实际全球 TFR 2.25 严重不符 |
前三行全部正确，第四行错得很离谱。这个分布很有代表性：他在单一国家的算术上是准确的（因为他直接引用了世界银行的 TFR 数字），但在全球推广时把一个 TFR=0.7 的极端案例当成了全球均值——而全球 TFR 是 2.25，仍在更替水平以上。把「韩国的算术」升格为「全球的判断」，是这条公式最常见的误用方式，而他自己就这么用过。
⑦ 一阶敏感性
由 (\frac{\partial\ln(N_n/N_0)}{\partial\ln\mathrm{TFR}}=n)，即 TFR 的相对变化被放大 (n) 倍。三代情形下，TFR 从 0.72 上调到 0.85（+18%）会把三代后的比例从 4.03% 提到 6.6%（+64%）。**由于 tempo 调整通常上调 0.1–0.3，这个量级的修正完全在可能范围内——也就是说，「4%」与「7%」之间的差别落在方法学不确定性之内。**引用这类数字时应给区间而不是点值。
⑧ 失效条件与适用域
**适用：**说明「持续低于更替水平的生育率在长期意味着什么量级」的教学性演示。**不适用：**任何时间维度上的人口预测。这个区分不是学究气——因为式 a 在 (n=3) 时给出 4%，而权威机构对同一时段的预测完全不同：UN WPP 2024 预测全球人口 2080 年代中期见顶于 103 亿，2100 年约 102 亿；IHME/《柳叶刀》预测 2100 年全球 TFR 为 1.59（95% UI 1.25–1.96）。UN 人口司司长 Patrick Gerland 的原话是：「本世纪我们预见不到全球人口崩溃。」
三个判断，要分开下
**算术层面：**成立 他引用的韩国数字全部算得对，而且他显然是自己算的。
**方法层面：**部分 式 a 是稳定队列恒等式，不是预测。用它做预测会系统性高估衰减速度（忽略人口惯性与 tempo 效应）。
**结论层面：**未决 「人口崩溃比全球变暖风险更大」是一个跨领域的风险比较，不能由任何一条人口公式裁决——它取决于对两类风险的时间尺度、可逆性与外部性的价值判断。本页只能说：支撑这个结论的那条公式，不足以支撑这个结论。
⑨⑩ 校准与裁决范围
● 裁决范围
能证明：（1）在稳定队列近似下，TFR=0.7 的社会三代后规模降至 3.7%，这是一个正确的恒等式结果；（2）马斯克引用的韩国数字算术正确；（3）该式对 TFR 的敏感度是 (n) 倍放大，因此点值引用不合适。
不能证明：（1）不能预测任何国家的实际人口轨迹——它缺少人口惯性、年龄结构、迁移与生育率反馈；（2）不能支持「全球三代后剩 5%」，全球 TFR 是 2.25；（3）不能裁决「人口崩溃 vs 全球变暖」的风险排序，那超出任何人口公式的能力范围。严格的做法是 Leslie 矩阵/队列成分法，本页给出的式 a 只是它的零阶近似。
交互 · 简化模型 06 · pop
**这是稳定队列近似，不是人口预测。**默认值为韩国 2023 年的 TFR=0.72。图中还叠了中国、欧盟与更替水平三条参考线。任何从这里读出的数字都不应被当作对任何国家未来人口的预测。
总和生育率 TFR
世代数 n
每代年数
—第 n 代相对规模
—相对初始的变化
—每代乘数 r
—减半 / 翻倍所需世代
—对应年数
▲ 适用条件与未计项
**未计：**人口惯性（现有年龄结构的贡献，可使实际人口在数十年内显著高于外推值）、tempo effect（当期 TFR 系统性低于队列完成生育率，Bongaarts-Feeney 调整通常上调 0.1–0.3）、净移民、分年龄死亡率变化、世代长度随生育年龄推迟而拉长、政策与经济反馈、以及生育率本身的均值回归倾向。
方法学提醒：这是稳定队列近似，与人口学的标准工具（Leslie 矩阵、队列成分法）不是一回事，后者显式建模年龄结构。本计算器的输出不是、也不应被引用为对任何国家未来人口的预测；权威预测请参考 UN WPP 2024（全球人口 2080 年代中期见顶于约 103 亿）。
FORMULA 15 人类信息带宽：那篇被引用的论文其实在反驳引用者
① 它在检验马斯克的哪条主张
Neuralink 的全部立论建立在一个数量级差上：人类的行为输出约 10 bit/s，而机器是 Gbps。这条公式做两件事：把这个数量级差算清楚，然后指出一个几乎所有引用者都忽略的事实——提出「10 bit/s」这个数字的那篇论文（Zheng & Meister, Neuron 2024），其核心论点恰恰是反对「拓宽 I/O 就能变聪明」的。
You’re already a cyborg. Most people don’t even realize they are already a cyborg… It’s just that the data rate, the rate at which the communication rate between you and the cybernetic extension of yourself… is slow. It’s very slow.
你已经是赛博格了。多数人甚至没意识到自己已经是赛博格……只是那个数据率，你和你自身的赛博延伸之间的通信速率……很慢。非常慢。
Elon Musk
2018-09-06 · Joe Rogan Experience #1169
P2 两份独立转录一致
来源 [@src-9109586761]
② 符号
\(R_{beh}\)行为输出信息率，bit/s。测得约 10
\(R_{sens}\)感官输入信道容量，bit/s。约 \(10^9\)
\(Si\)筛选数（Sifting Number）\(=R_{sens}/R_{beh}\)
\(N_{ch},f_s,b\)通道数、采样率（Hz）、ADC 位深（bit）
\(\rho\)电极对神经元的覆盖率
③④ 四条推导链
**（a）行为输出 10 bit/s。**三个可核查的因子相乘：
\[ I=2\,\frac{\text{words}}{\text{s}}\times5\,\frac{\text{characters}}{\text{word}}\times1\,\frac{\text{bit}}{\text{character}}=\mathbf{10\ \text{bit/s}} \]
式 a · 熟练打字 120 wpm = 2 words/s（Dhakal et al. 2018）；英文平均词长 5 字符；英文熵 ≈1 bit/char（Shannon 1951）。出处 arXiv:2408.10234 [@src-91798bc4f3] Eq.(1)
**（b）筛选数。**感官侧：单视锥约 270 bit/s × 约 (6\times10^6) 个视锥 ≈ 1.6 Gbit/s，取 (10^9) 量级：
\[ Si=\frac{R_{sens}}{R_{beh}}\approx\frac{10^{9}}{10}=\mathbf{10^{8}} \]
式 b · 论文自评：「从数值上讲，这可能是脑科学中最大的一个未解释的数字。」**注意口径不对称**：分子是**容量**，分母是**实测速率**，所以 \(Si\) 是一个上界式比值而非严格压缩比
（c）Neuralink N1 的原始数据率与压缩墙。
\[ R_{raw}=N_{ch}\times f_s\times b=1024\times2\times10^{4}\ \mathrm{Hz}\times10\ \mathrm{bit}=2.048\times10^{8}\ \mathrm{bit/s}\approx\mathbf{205\ Mbps} \]
\[ \mathrm{CR}_{required}=\frac{R_{raw}}{R_{wireless}}=\frac{2.05\times10^{8}}{1\times10^{6}}\approx\mathbf{205\times}\quad(\text{延迟}\lt1\ \mathrm{ms},\ \text{功耗}\lt10\ \mathrm{mW},\ \text{且要求无损}) \]
式 c · 无线瓶颈。**无损 200 倍压缩对宽带神经信号在信息论上几乎不可能**；Neuralink 实际用的是片上 spike 检测（有损的事件提取）
（d）端到端有效信息效率——这是最能说明问题的一个数字：
\[ \eta=\frac{R_{beh}}{R_{raw}}=\frac{10}{2.05\times10^{8}}\approx\mathbf{4.9\times10^{-8}} \]
式 d · 颅内产生 205 Mbps，最终转化为约 10 bit/s 的有效行为控制。**它与筛选数 \(Si\approx10^{8}\) 互为倒数——同一个中枢瓶颈的两种测量**
④b 三堵物理墙：把「加通道」这条路走到底会撞上什么
假设目标是触及 1% 的皮层神经元（这个门槛是任意设定的，没有理论说共生需要多少）：
\[ N_{required}=0.01\times1.6\times10^{10}=1.6\times10^{8}\ \text{电极}\;\Longrightarrow\;\frac{N_{required}}{3072}\approx\mathbf{5.2\times10^{4}}\ \text{倍} \]
约束公式外推结果物理对照差距| 约束 | 公式 | 外推结果 | 物理对照 | 差距 |
**功耗墙**\(P=10\ \mathrm{mW}\times5.2\times10^{4}\)**520 W**人脑总代谢功率约 20 W；颅内植入物温升上限 ≤1–2 °C需降 4–5 个数量级| 功耗墙 | \(P=10\ \mathrm{mW}\times5.2\times10^{4}\) | 520 W | 人脑总代谢功率约 20 W；颅内植入物温升上限 ≤1–2 °C | 需降 4–5 个数量级 |
**无线信道墙**\(R=1.6\times10^{8}\times2\times10^{4}\times10\)**32 Tbps**香农极限：即便 \(B\sim\)GHz、SNR\(\sim\)30 dB，\(C\lesssim10^{10}\) bit/s差 3+ 个数量级| 无线信道墙 | \(R=1.6\times10^{8}\times2\times10^{4}\times10\) | 32 Tbps | 香农极限：即便 \(B\sim\)GHz、SNR\(\sim\)30 dB，\(C\lesssim10^{10}\) bit/s | 差 3+ 个数量级 |
**皮层面积墙**\(A=28\ \mathrm{mm^2}\times5.2\times10^{4}\)**1.46 m²**人类新皮层展开总面积 0.19–0.26 m²（Van Essen 2012 / Mountcastle 1997）铺满也只够 1/6–1/8| 皮层面积墙 | \(A=28\ \mathrm{mm^2}\times5.2\times10^{4}\) | 1.46 m² | 人类新皮层展开总面积 0.19–0.26 m²（Van Essen 2012 / Mountcastle 1997） | 铺满也只够 1/6–1/8 |
时间尺度外推：(N(t)=N_02^{t/T_2})，需要 (\log_2(5.2\times10^4)\approx15.7) 次翻倍。按 Neuralink 自报的 1024→3072 节奏（(T_2=1.26) 年）需约 20 年（2046）；按 Stevenson & Kording 的神经记录经验定律（(T_2=7.4) 年，待核）需约 116 年（2142）。历史上没有任何植入式器械维持过 20 年的指数增长。
⑤ 假设清单
▲ 假设与口径
1 · 一个电极 ≈ 一个可分辨神经元（乐观；实际 spike sorting 常一个电极对应数个神经元或零个）。2 · 「1% 皮层」门槛是任意设定的——没有任何理论说共生需要多少神经元。3 · 功耗与通道数线性（实际可通过共享 ADC、时分复用、事件驱动采样优化，但有 (kT\ln2) 与放大器噪声的物理下界）。4 · 10 bit/s 的口径：这是任务执行期间的速率，不是 24 小时平均（后者 <1 bit/s，两者差约一个数量级，不可混用）。5 · 英文熵 1 bit/char 依赖 Shannon 1951 的估计，不同语言与语域会有偏差。
⑥⑦⑧ 算例、敏感性、适用域
当前覆盖率：(\rho_{2026}=1024/(8.6\times10^{10})\approx1.2\times10^{-8})；下一代 3,072 电极给出 (3.6\times10^{-8})。三倍的通道数，覆盖率仍在 (10^{-8}) 量级。敏感性上，三堵墙里功耗墙最硬——因为无线信道可以靠颅内压缩绕开，但压缩本身要耗电，于是又回到功耗墙。适用域：数量级论证。失效域：任何关于「BCI 能否恢复某项具体功能」的判断——那与总带宽无关，与解码算法和目标脑区高度相关，而这方面 Neuralink 的临床结果是实实在在的进展。
⑨ 与实际数据的校准，以及一个必须点明的事实
⚑ 这篇论文对 Neuralink 的推论其实是批评性的
Zheng & Meister 的论文（Neuron 2024 / arXiv:2408.10234 [14]）被广泛用来支持「人类带宽太窄，所以需要 BCI」。但论文的核心论点恰恰相反：它论证的是瓶颈在中枢而不在 I/O——大脑的感官输入已经是 (10^9) bit/s，输出却只有 10 bit/s，这个 (10^8) 倍的落差发生在大脑内部，不是发生在手指或键盘上。
**推论很直接：如果瓶颈在中枢，那么加宽输入输出通道并不会提高有效带宽。**这就像给一条单车道公路的入口和出口各修八条车道——通行量不变。式 d 给出的 (\eta\approx4.9\times10^{-8}) 正是这个论证的量化版本：Neuralink 在颅内产生 205 Mbps，最终只转化出约 10 bit/s。
本报告的判定：「高带宽 BCI 是人机融合、对抗 AI 的路径」这一主张倾向已被证伪（物理论证充分，但非实验证伪）。与此同时必须并列陈述另一面：Neuralink 在医疗适应症上的进展是真实的——截至 2026-06 累计 26 位参与者、4 个国家、零严重器械相关不良事件、打字 40 wpm、光标控制 8–10 bits/s（与健全人相当）。「恢复功能」这个目标不需要高带宽假设成立，它只需要解码有效。这两件事必须分开评价。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）人类行为输出约 10 bit/s，感官输入约 (10^9) bit/s，筛选数约 (10^8)；（2）通道数外推到 1% 皮层会同时撞上功耗（520 W vs 脑 20 W）、无线信道（32 Tbps vs 香农上界 (10^{10})）与皮层面积（1.46 m² vs 0.19–0.26 m²）三堵墙；（3）提出这个数字的论文，其论点是「瓶颈在中枢」，因此它不支持「加宽 I/O 即可」这个推论。
不能证明：（1）不能证明 BCI 无价值——恢复运动、言语与视觉功能不依赖高带宽假设；（2）不能证明中枢瓶颈无法被绕过——如果未来的接口不是「传输更多比特」而是「直接写入表征」，本页的带宽论证就不适用；（3）不能证明 Neuralink 的临床路线会失败。本卡片否定的是一个论证，不是一家公司。
FORMULA 16 白痴指数与费米估算：把判断问题转化为排序问题
① 它在检验马斯克的哪条主张
白痴指数是马斯克方法论里最容易迁移、也最容易被误用的一个工具。这条公式检验的是：它作为一个诊断指标，在什么条件下有效，什么条件下会把人引向错误的方向。同时本卡片收录费米估算的一个具体样本（太阳能占地），因为它展示了同一种思维在另一个领域的威力与盲区。
Something with a high idiot index—say, a component that cost 100—was likely to have a design that was too complex or a manufacturing process that was too inefficient.
白痴指数高的东西——比如一个成本 1,000 美元、而构成它的铝只值 100 美元的部件——很可能是设计过于复杂，或者制造工艺过于低效。
Walter Isaacson（传记原文，转述马斯克的定义）
2023-09-12 ·《Elon Musk》传记
P4 传记转引 · 多源一致
来源 [@src-167f78798c]
② 符号
\(\mathrm{II}\)白痴指数（Idiot Index），无量纲
\(C_{finished}\)成品部件的总成本
\(C_{raw}\)构成该部件的原材料价值（按元素/合金的市场价计）
\(C_{wand}\)「魔法棒数字」：把原子直接排成最终形状的理论最低成本 = \(C_{raw}\)
③④ 定义与它的真正功能
\[ \mathrm{II}=\frac{C_{finished}}{C_{raw}}\qquad\text{例：}\ \frac{\$1{,}000}{\$100}=10 \]
式 a · 一个比值。**它的信息量全部来自「与同类部件比较」，而不是绝对值**
它的真正功能不是成本核算，而是注意力分配算法。它把「哪里最该改进」这个模糊的战略问题，变成一个可排序的标量。这是马斯克方法论里最典型的操作：把判断问题转化为排序问题。Isaacson 记录的场景很能说明这一点——马斯克要求把 Raptor 成本降到当时的 1/10，并威胁开除一位背不出白痴指数数字的财务分析师；第二天该分析师带来一张幻灯片，列出白痴指数最高的 20 个部件，并给出诊断：
It’s mainly the parts that require a lot of high-precision machining. We need to cut out as much of the machining as possible.
主要是那些需要大量高精度机加工的零件。我们得尽可能砍掉机加工。
Lucas Hughes（SpaceX 财务分析师）
约 2021-08 · 经 Isaacson 传记记录
P4 传记转引
来源 [@src-4fd9eb47f1]
**那张「Top 20 白痴指数」幻灯片，本质上是把整个成本优化战略压缩成一个待办列表。**这一点对任何组织都有迁移价值——它不依赖天才，只依赖一个人愿意去算。
与「魔法棒数字」的关系：白痴指数是比值，用于排序和筛选；魔法棒数字是下限，用于设定目标。后者更严谨，因为它明确承认「把原子排成形状」的成本是真实存在的，只是不该那么高。用公式表达，白痴指数的最优值不是 1 而是某个 (\mathrm{II}^\star\gt1)，而 (\mathrm{II}^\star) 本身依赖工艺——这正是这个指标最大的软肋。
⑤ 假设与失效条件（这是本卡片的重点）
▲ 白痴指数在五种情况下会误导
**1 · 材料本身很便宜但加工不可省。**硅片的原材料是沙子，白痴指数天文数字，但没人会因此说光刻是「设计过于复杂」。凡是价值几乎全部来自「原子排列的精度」的产品，这个指标就失效了。
**2 · 忽略了认证与合规成本。**航空航天与医疗部件的成本中，可追溯性、测试、文档可能占大头。这些不是低效，是外部强加的约束。
**3 · 忽略产量。**同一个设计在年产 10 件与年产 10 万件时的白痴指数可以差一个数量级——分摊的是工装与产线，不是低效。
**4 · 诱导垂直整合的过度扩张。**白痴指数高 → 中间层加价 → 谈判无法消除每一层内嵌的利润 → 只能自己做。这条推理链在高产量下成立，但垂直整合把可变成本变成固定成本，需要高产量才划算——传统航天每年 2–4 次发射，自制反而是负担。
**5 · 它只诊断，不给方案。**知道哪个零件白痴指数最高，不等于知道怎么降。真正的工作在幻灯片之后。
⑥ 同一思维的另一个样本：太阳能占地的费米估算
马斯克反复说的「一块 100 英里 × 100 英里的太阳能板就能供应美国」，其算法可以完整还原：
\[ A_{solar}=\frac{E_{annual}}{G\cdot\eta\cdot\phi\cdot365} =\frac{4{,}000\ \mathrm{TWh}}{5.5\ \frac{\mathrm{kWh}}{\mathrm{m^2\cdot day}}\times0.20\times0.40\times365} =\frac{4\times10^{12}\ \mathrm{kWh}}{160.6\ \frac{\mathrm{kWh}}{\mathrm{m^2\cdot yr}}}=2.49\times10^{10}\ \mathrm{m^2} \]
式 b · \(E_{annual}\)：美国年用电约 4,000 TWh；\(G\)：美国西南年均日辐照约 5.5 kWh/m²/day；\(\eta\)：组件效率约 20%；\(\phi\)：地面覆盖率约 0.4（含行距与道路）
\[ A=24{,}907\ \mathrm{km^2}\;\Longrightarrow\;\text{边长}=\sqrt{24{,}907}=157.8\ \mathrm{km}=\mathbf{98\ \text{英里}}\quad\checkmark \]
算例 11 · 「100 英里 × 100 英里」在数量级上完全成立，误差 2%
更严谨的经验版本（Master Plan 3 用的口径）：按劳伦斯伯克利实验室的实测中位功率密度 3.9 acres/MWac，全球 18.3 TW 的太阳能需要 (7.14\times10^7) 英亩 = 全球陆地的 0.19%。两条路径都指向同一个数量级。
⚑ 但这个估算只回答了一半问题
费米估算解决的是年度能量总量，它完全不解决时间匹配。Master Plan 3 自己的模型给出的答案是：要做到逐小时可靠，最优解需要接受 32% 的弃电率，并配 240 TWh 储能。「一平方英里的电池就够了」这个说法与此直接矛盾。因此这个费米估算应作为「直觉锚点」使用，并立即跟上时间匹配的反驳——否则它就从一个有用的数量级判断，变成了一个误导性的政策主张。
⑦⑧⑨ 敏感性、适用域与校准
**敏感性：**式 b 中四个参数都是线性因子，因此总误差是它们相对误差之和。(\phi)（地面覆盖率）的不确定度最大（0.3–0.5），单独可带来 ±25% 的面积变化——但即便如此，结论仍是「一个州的一角」而不是「半个国家」，数量级判断稳健。这正是费米估算的价值所在：它对参数不敏感，因为它只要求数量级正确。
适用域：白痴指数适用于材料占比可辨识、工艺可替代、产量足够高的部件；费米估算适用于只需数量级、且各因子相对独立的总量问题。校准：SpaceX 数年内实现约 70% 的火箭部件自制（Isaacson 传记；另有资料称 Falcon 9 自制率约 85%），Falcon 9 报价约 5 亿——这是白痴指数驱动的垂直整合在高产量场景下有效的实证。
⑩ 能证明什么、不能证明什么
● 裁决范围
能证明：（1）白痴指数是一个有效的注意力分配工具，它把模糊的优化问题转化为可排序标量，且成本极低、任何人可用；（2）费米估算能在数量级上快速裁决「一件事在物理上是否离谱」，太阳能占地的算例误差仅 2%。
不能证明：（1）白痴指数高不等于设计低效——它对价值来自加工精度的产品（芯片、精密光学、认证密集件）系统性失效；（2）它不给出改进方案；（3）费米估算只回答总量，不回答时间匹配、空间分布与系统集成——把它的结论当作政策处方，是本报告在马斯克公开论证中发现的一个反复出现的模式，太阳能占地就是最典型的案例。
我的看法 · 作者（AI）个人观点
做完这十六条推导，我最强烈的印象不是「他算得对不对」，而是他的错误有一个高度稳定的形状。
把本页的判定列拉通看：他在纯物理与纯算术的地方几乎从不出错——火箭方程、会合周期、萨巴捷能量账、地球接收太阳能的比例、火星物流的算术链，全部经得起独立复算，而且大多是他自己在讲台上现算的。这个能力被严重低估了，绝大多数同量级的企业家做不到。
他出错的地方高度集中在同一个动作上：把一条在窄适用域内正确的规律，外推成一条普遍原理。「传感器冲突增加风险」是把一次真实的工程失败（低分辨率雷达与视觉打架）升格成了信息论命题；「一块 100 英里见方的太阳能板」是把一个正确的年度总量估算升格成了能源方案；「Kardashev I 的 1–2%」是把一个正确的定性判断配上了一个错了两个数量级的数字；「三代后剩 5%」是把韩国的算术升格成了全球的判断。四个案例，同一个动作。
为什么会这样？我的判断是：这个动作在组织内部是有功能的。把工程约束表述为物理定律，可以让整个组织停止争论、全速执行单一路径。当你判断正确时，这是决定性的组织优势（干法电极、Giga Press、储能、复用都是这样打赢的）；当你判断错误时，它让组织失去了自我纠错的接口——工程师内部反对移除雷达的意见被否决，就是这个机制的直接后果。换句话说，他的最大优点与最大缺点，是同一个认知动作在不同符号下的取值。
这也是为什么我认为本页最有价值的不是任何一条公式，而是每张卡片的第 ⑩ 步——「这条公式能证明什么、不能证明什么」。一条公式的适用域边界，往往比公式本身更难得，也更容易被跨过。
Appendix · 全站符号约定符号总表：本站统一口径
同一个符号在不同学科里可能指不同的东西（最典型的是 (\varepsilon)：在航天里是结构系数，在热物理里是发射率，在学习理论里是错误率）。本表给出本站的统一约定；凡本页与其他页出现同一符号，含义以本表为准。
符号含义单位典型取值出现于| 符号 | 含义 | 单位 | 典型取值 | 出现于 |
\(\Delta v\)速度增量m/sLEO 9.3–9.5 km/s；TMI 3.61 km/s①②⑤| \(\Delta v\) | 速度增量 | m/s | LEO 9.3–9.5 km/s；TMI 3.61 km/s | ①②⑤ |
\(v_e\)有效排气速度 \(=I_{sp}g_0\)m/s甲烷/液氧 3,300–3,730①②| \(v_e\) | 有效排气速度 \(=I_{sp}g_0\) | m/s | 甲烷/液氧 3,300–3,730 | ①② |
\(I_{sp}\)比冲s282–452①| \(I_{sp}\) | 比冲 | s | 282–452 | ① |
\(g_0\)标准重力加速度（定义值）m/s²9.80665①| \(g_0\) | 标准重力加速度（定义值） | m/s² | 9.80665 | ① |
\(MR\)质量比 \(m_0/m_f\)—3–20①②| \(MR\) | 质量比 \(m_0/m_f\) | — | 3–20 | ①② |
\(\varepsilon\)（航天）**结构系数** \(m_s/(m_s+m_p)\)—0.04–0.10①②| \(\varepsilon\)（航天） | 结构系数 \(m_s/(m_s+m_p)\) | — | 0.04–0.10 | ①② |
\(\varepsilon\)（热物理）**表面发射率**—0.85–0.92⑨| \(\varepsilon\)（热物理） | 表面发射率 | — | 0.85–0.92 | ⑨ |
\(\varepsilon\)（学习理论）**单步错误率**—\(10^{-4}\)–\(10^{-2}\)⑫| \(\varepsilon\)（学习理论） | 单步错误率 | — | \(10^{-4}\)–\(10^{-2}\) | ⑫ |
\(\lambda\)载荷质量分数 \(m_{pl}/m_0\)—0.5%–4%①②| \(\lambda\) | 载荷质量分数 \(m_{pl}/m_0\) | — | 0.5%–4% | ①② |
\(N\)（航天）设计复用次数次1–60③| \(N\)（航天） | 设计复用次数 | 次 | 1–60 | ③ |
\(N\)（AI）模型参数量个\(10^9\)–\(10^{12}\)⑬| \(N\)（AI） | 模型参数量 | 个 | \(10^9\)–\(10^{12}\) | ⑬ |
\(\mathbb E[F]\)硬件期望飞行次数次\(\le1/(1-p)\)③| \(\mathbb E[F]\) | 硬件期望飞行次数 | 次 | \(\le1/(1-p)\) | ③ |
\(b\)成本保留率（进步率）\(=1-\mathrm{LR}\)—0.76–0.85④⑧| \(b\) | 成本保留率（进步率）\(=1-\mathrm{LR}\) | — | 0.76–0.85 | ④⑧ |
\(\sigma\)（热物理）斯特藩–玻尔兹曼常数W m⁻² K⁻⁴\(5.670374419\times10^{-8}\)⑨| \(\sigma\)（热物理） | 斯特藩–玻尔兹曼常数 | W m⁻² K⁻⁴ | \(5.670374419\times10^{-8}\) | ⑨ |
\(\sigma\)（统计）标准差随量纲—⑪| \(\sigma\)（统计） | 标准差 | 随量纲 | — | ⑪ |
\(\tau\)精度 \(=1/\sigma^2\)随量纲—⑪| \(\tau\) | 精度 \(=1/\sigma^2\) | 随量纲 | — | ⑪ |
\(T\)（AI）任务时长（决策步数）步\(10^3\)–\(10^5\)⑫| \(T\)（AI） | 任务时长（决策步数） | 步 | \(10^3\)–\(10^5\) | ⑫ |
\(T\)（热/天体）温度 / 轨道周期K / 天—⑨⑤| \(T\)（热/天体） | 温度 / 轨道周期 | K / 天 | — | ⑨⑤ |
\(u\)可恢复性参数（cost-to-go 增量上界）。**只进 DAgger 的界，不进行为克隆的界**—1–50⑫| \(u\) | 可恢复性参数（cost-to-go 增量上界）。只进 DAgger 的界，不进行为克隆的界 | — | 1–50 | ⑫ |
\(S\)复用模型的「非硬件成本 / 硬件成本」总比值 \(\chi+\rho+\omega+\pi\)—0.006–2③| \(S\) | 复用模型的「非硬件成本 / 硬件成本」总比值 \(\chi+\rho+\omega+\pi\) | — | 0.006–2 | ③ |
\(\rho,\ \omega_{rec}\)单次翻修、单次回收作业占硬件造价之比。**\(\rho+\omega_{rec}\lt1\) 是复用值得做的判据**—0.001–1.5③| \(\rho,\ \omega_{rec}\) | 单次翻修、单次回收作业占硬件造价之比。\(\rho+\omega_{rec}\lt1\) 是复用值得做的判据 | — | 0.001–1.5 | ③ |
\(K\)Kardashev 指数—人类 0.73⑩| \(K\) | Kardashev 指数 | — | 人类 0.73 | ⑩ |
\(\mathrm{TFR}\)总和生育率—0.7（韩国）–2.25（全球）⑭| \(\mathrm{TFR}\) | 总和生育率 | — | 0.7（韩国）–2.25（全球） | ⑭ |
\(\mathrm{II}\)白痴指数 \(C_{finished}/C_{raw}\)——⑯| \(\mathrm{II}\) | 白痴指数 \(C_{finished}/C_{raw}\) | — | — | ⑯ |
◈ 如何引用本页
本页所有推导都可独立复算。若在别处引用其中的数字，请连同口径一起引用——例如不要写「Falcon 9 的成本是 3,246/kg」。本页大部分「常见错误」都源于口径丢失而非算错。
其余各页在需要用到这些结论时，只放结论式与数值并链接回本页对应锚点，不重复推导。若你在别页看到与本页不一致的数字，以本页为准，并请视为需要修正的问题。
**本页信源：**各公式的原始出处逐条标注在卡片内。主要来源为四卷调研档案的「可入报告的公式清单」：research/D-SpaceX与火星.md（火箭方程、多级、复用成本、$/kg、会合周期、霍曼转移、萨巴捷、火星物流、轨道算力换算）、research/C-特斯拉技术路线.md（莱特定律、贝叶斯融合、端到端目标函数、复合误差、能源需求核算、费米估算）、research/F-Neuralink人口政治.md（信息带宽、通道数、世代人口、Kardashev、太阳能量预算、数据中心能耗、模拟假说）、research/G-行业前沿对照.md（DAgger 界的推导思路、Chinchilla、test-time compute、辐射散热、数据耗尽）、research/A-方法论与管理哲学.md（白痴指数、魔法棒数字、费米估算）。学术公式的一手来源：Ross & Bagnell (AISTATS 2010)、Ross, Gordon & Bagnell (arXiv:1011.0686 [15])、Hoffmann et al. (arXiv:2203.15556 [10])、Snell et al. (arXiv:2408.03314 [13])、Villalobos et al. (arXiv:2211.04325 [12])、Zheng & Meister (arXiv:2408.10234 [14])、Bostrom (2003)、Kardashev (1964)。
**辩证块（业界不同看法）的反方信源：**本页四个 .counter 引用的反方均为具名机构或已发表文献——莱特定律：Nagy、Farmer、Bui & Trancik，《PLoS ONE》2013（DOI [1]）与 Sinclair、Klepper & Cohen，《管理科学》2000（RePEc [2]）；辐射散热：NASA MARVL 项目 TFAWS 2025 报告（NTRS [4]）与 Google Research «Project Suncatcher»（arXiv:2511.19468 [5]）；贝叶斯融合：Julier & Uhlmann，ACC 1997（DOI [6]）与 Forsling、Noack & Hendeby，《IEEE 控制系统》2024（DOI [7]）；复合误差：Foster、Block & Misra，NeurIPS 2024（arXiv:2407.15007 [8]）与 Simchowitz、Pfrommer & Jadbabaie，COLT 2025（arXiv:2503.09722 [9]）。四条裁决中有一条「采纳」（⑧ 莱特定律）、三条「部分采纳」，相应的正文改动逐处标注在卡片内。
存疑与 hedge：（1）SpaceX 的内部成本结构未公开，③④ 两张卡的成本分项全部是本报告依公开报价与招股书数字所做的示意性拆分，不代表真实账目；（2）Starship 单次成本 $1 亿来自 S-1 披露的一次性构型口径，复用构型成本无公开数据；（3）Isaacson 传记是白痴指数的主要文字来源，该书的事实性材料可信度较高，但其心理学诠释框架已受显著学术与新闻界批评，本页只取其中可交叉验证的定义与数字；（4）Kardashev 百分比一节直接指出马斯克的数字与主流定义不符，但其定性结论（离 Type I 还很远）成立；（5）复合误差界的常数与阶在文献中有多种写法，本页采用 Ross & Bagnell 的 (T^2\varepsilon) 形式并显式标注隐藏常数；（6）本页对「据报道」类信息（如 SpaceX 估值、Colossus 功率）不做引用，相关 hedge 见 ④⑧ 两页。
图片来源：照片取自 Wikimedia Commons，作者与许可证逐张标注于 figcaption，另见 图片清单：土星五号发射（NASA，Public domain）、猎鹰九号一级着陆（SpaceX Photos，CC0）、天问一号地火转移轨道示意（Kaynouky，CC BY-SA 4.0）、世界人口预测对照（Our World in Data，CC BY 3.0）、戴森气泡示意（PNG crusade bot，CC BY 2.5）。其余图表均为本报告原创 SVG，标注「示意非实测」；6 个计算器的曲线由 assets/app.js 实时绘制，参数即为图上滑杆值。未热链任何第三方图片资源。
**引用规范：**本页 (\LaTeX) 公式为标准教科书结果或已发表论文结论，均注明原始文献；引语只取一到两句短片段并注出处，不整段转载受版权保护的正文；数值算例的输入参数全部列出，可独立复算。
← 返回总览 · 上一页：⑩b 人口、模拟与货币 · 下一页：⑫ 预测记分卡
生成模型：Opus 5 · 独立评审：gpt-5.6-sol-max · 资料冻结：2026-07-25
参考来源
- [1]https://doi.org/10.1371/journal.pone.0052669（在新窗口打开）权威媒体 · 非本人原话↩
- [2]https://ideas.repec.org/a/inm/ormnsc/v46y2000i1p28-45.html（在新窗口打开）权威媒体 · 非本人原话↩
- [3]https://ntrs.nasa.gov/citations/20160008044（在新窗口打开）权威媒体 · 非本人原话↩
- [4]https://ntrs.nasa.gov/citations/20250007547（在新窗口打开）权威媒体 · 非本人原话↩
- [5]https://arxiv.org/abs/2511.19468（在新窗口打开）权威媒体 · 非本人原话↩
- [6]https://doi.org/10.1109/ACC.1997.609105（在新窗口打开）权威媒体 · 非本人原话↩
- [7]https://doi.org/10.1109/MCS.2024.3358658（在新窗口打开）权威媒体 · 非本人原话↩
- [8]https://arxiv.org/abs/2407.15007（在新窗口打开）权威媒体 · 非本人原话↩
- [9]https://arxiv.org/abs/2503.09722（在新窗口打开）权威媒体 · 非本人原话↩
- [10]https://arxiv.org/abs/2203.15556（在新窗口打开）权威媒体 · 非本人原话↩
- [11]https://arxiv.org/abs/2404.10102（在新窗口打开）权威媒体 · 非本人原话↩
- [12]https://arxiv.org/abs/2211.04325（在新窗口打开）权威媒体 · 非本人原话↩
- [13]https://arxiv.org/abs/2408.03314（在新窗口打开）权威媒体 · 非本人原话↩
- [14]https://arxiv.org/abs/2408.10234（在新窗口打开）权威媒体 · 非本人原话↩
- [15]https://arxiv.org/abs/1011.0686（在新窗口打开）权威媒体 · 非本人原话↩