EP317. 特斯拉第二季大賣 + 企業 AI 論戰延燒 | M觀點

🚗 特斯拉 Q2 业绩强劲复苏与业务重心转移

核心观点

特斯拉 2026 年第二季度交车数据创下历史新高，标志着其汽车业务在连续两年衰退后重回增长轨道。然而，市场反应平淡，显示投资者对纯汽车销售业务的关注度下降，转而更看重 FSD（完全自动驾驶）、Robotaxi 及 Optimus 人形机器人等 AI 相关业务的前景。欧洲市场的强劲反弹、新车型推出以及 FSD 的普及是驱动本季增长的关键因素。

关键事实与论据

• 交车与生产数据：
• 2026 年 Q2 生产量达 451,758 台，同比增长 10%，环比增长约 12%。
• 交车量达 480,126 台（约 48 万台），同比大幅增长超 25%（去年 Q2 为 38 万台），环比增长 34%（今年 Q1 为 35.8 万台）。
• 交车量远超华尔街共识预期的 406,000 台，超出约 74,000 台（超预期 18%）。部分增长源于 Q1 库存车辆在 Q2 顺利交付。
• 能源业务：
• Q2 部署储能容量达 13.5 GWh，同比增长 41%，扭转了 Q1 同比下滑 15% 的局面。大单交付时间的调整影响了季度波动，预计未来 3-5 年该业务年化增长率可稳健维持在 20%-30%。
• 区域市场表现：
• 欧洲：1-5 月销量同比增长 57%，其中法国翻倍（+100%），瑞典增长 56%。原因包括油价波动促使消费者转向电动车、马斯克与政治关系疏离缓解品牌抵触情绪，以及低价版 Model 3 和七座版 Model Y Long (Model YL) 的推出。
• 中国：Model Y 仍保持单一车款销量冠军地位，反驳了福特 CEO 关于“全球电动车打不过中国”的观点。
• 产品与战略动态：
• FSD：在欧洲获荷兰监管批准，预计欧盟半数以上国家将采纳此结果；V14 Lite 版本发布，支持旧款 Hardware 3.0 车辆使用，有望提升订阅率。
• Model YL：7 月 2 日在北美正式推出（德州生产），主要满足多人口家庭需求，预计 9-10 月开始交车，对 Q3 贡献有限，利好 Q4。
• 未来关注重点：
• FSD 在北美的采用率目标为 70%-80%。
• Robotaxi（Cybercab）大规模上路进展，目前德州工厂已有超 100 台 Cybercab，迈阿密已开放服务，但总车数仍未破千。
• Optimus 人形机器人预计 7 月量产，初期产能数十至数百台/月，可能近期举办发布会。

结论

特斯拉 Q2 财报整体表现强劲，汽车业务回暖证实了其运营韧性。尽管股价未因交车数据大涨（存在“利多出尽”或预期提前消化现象），但 FSD、Robotaxi 和 Optimus 的进展才是决定长期估值的核心变量。投资者应重点关注后续财报中 FSD 采用率及 Robotaxi 商业化落地的具体数据。

🤖 企业 AI 论战：Palantir 路线的正确性与行业趋势

核心观点

围绕“模型公司（OpenAI/Anthropic） vs. 平台公司（Palantir）”的争论中，Palantir 强调的企业端 Harness（数据关联与决策逻辑保留在企业内部）路线被证明更具可持续性。近期微软推出前沿 AI 部署服务、桥水基金与 Thinking Machine 合作定制模型等新闻，均佐证了“企业需掌握自身数据主权与专业 Know-how”的趋势，而非单纯依赖外部通用大模型 API。

关键事实与论据

• Palantir vs. 模型公司的博弈：
• Palantir CEO Alex Karp 批评前沿 AI 实验室只顾自身利益，通过 Token 收费并可能利用用户数据训练下一代模型，从而抢走客户生意。
• OpenAI 和 Anthropic 近期纷纷推出类似 Palantir 的“部署公司”或企业服务平台，试图从单纯的模型提供商转型为平台服务商，这反向证明了 Palantir “平台+模型”路线的有效性。
• Palantir 的核心优势在于模型中立性（可灵活调用 OpenAI、Anthropic 或开源模型）及深厚的企业客户信任与行业 Know-how，这是纯模型公司难以通过 AI Coding 快速复制的“Alpha”。
• 微软的动作：
• 推出 "Microsoft Frontier Company" 业务单元，投入 25 亿美元并组建 6000 人的专家团队（含商业、专业及系统专家），直接进驻企业协助 AI 转型。
• 微软凭借与财富五百强企业的长期信任关系（类似 Office/Teams 的生态壁垒），即使其平台技术评分可能低于 Palantir，仍能通过“信任”切入市场。CEO 纳德拉也强调企业应将 IP 和竞争优势保留在模型之外（即 Harness）。
• 桥水基金 (Bridgewater) 案例：
• 桥水内部 AI 实验室 (AIA Labs) 与前 OpenAI CTO Mira Murati 创立的 Thinking Machine 合作。
• 问题：通用前沿模型在复杂金融判断任务中正确率仅 45%-50%，即使专家提示（Expert Prompting）也仅能提升至 70% 左右，缺乏“品味”和专业素养。
• 解决方案：使用开源模型 Qwen 3 (235B 参数)，结合桥水专家数据进行后训练 (Post Training/RLHF)。
• 结果：定制后的模型正确率提升至 84.7%，错误率降低近三成，推理成本下降 13.8 倍（从约 100 美元降至几美元）。这证明了“开源模型 + 垂直领域专家数据微调”可超越通用前沿模型，且成本低、隐私安全。

结论

Palantir 的路线是正确的：企业应建立基于自身数据的 Harness/平台，而非完全依赖外部黑盒模型。OpenAI 和 Anthropic 虽拥有最强基座模型，但缺乏企业端的数据整合能力与信任壁垒；微软凭借客户关系切入部署市场；而桥水案例证明，通过微调开源模型（如 NVIDIA Nemotron、Qwen），企业在特定领域可获得比通用 API 更优的性能、更低成本及更高的数据安全性。未来市场将是平台方（Palantir/微软）、模型方（OpenAI/Anthropic）与垂直定制方案共存的格局，Palantir 凭借先发优势和独占性地位相对安全。