摘要

Baglino 的核心判断是：设计得当的数据中心会压低、而不是推高电价。 其作用机制在于提高电网利用率——普通家庭接入容量约为 40kW，平均用电仅 1-2kW；一座吉瓦级数据中心平均用电约 800MW，因此它们“基本就像铝冶炼厂或钢厂……是让其他所有用户都能用上可负担电力的客户”。他指出，数据中心渗透率最高的州，电价普遍最低，甚至出现过实际降价；如果用现场储能吸收“训练波动”，数据中心就能从电网负担——“仅本周”就有 3GW 数据中心同时关停、断开连接——变成稳定电网的资产。
Heron Power 的首款产品 Heron Link 是一台 5MW 固态变压器，可将从电网到芯片的损耗减半；对一座 1GW 数据中心而言，相当于多出约 35MW 可用算力。 宽禁带碳化硅使得制造“一枚 10,000伏晶体管……实际上比 GPU 还小”成为可能，因此电气隔离可以在数百千赫兹而非 60Hz 下完成，单位功率对应的变压器体积缩小 100x，电力电子系统也能取消额外的电动刀闸环节。
市场机会在于：美国电力负荷增速从 1980 年代到 2010 年代一直不超过 1%，这让公用事业供应链“板结”了。 公用事业的收益来自已部署资本开支的保证回报，而不是售出多少 kWh；在用量停滞的供应体系中，供应商变得“又肥又满足”，不断提高单位收费——Baglino 称之为“拖着一头恐龙……是走向电气化道路上的船锚”。电气化正以每年 3-5% 的速度增长，并要求电力供应达到当前约 3x，这套供应体系正是 Heron 要攻克的瓶颈。
加州高昂的零售电价源于野火责任、农村配电网络、老旧资产和净计量机制，而 Baglino 认为，负荷增长如今可能扭转这一局面。 净能源计量要求公用事业按零售价而非现货价回购屋顶光伏发电，同时这些 kWh 又从固定成本摊销所对应的分母中消失；随着电动车、热泵和数据中心重新带来负荷增长，PG&E CEO Patty Poppe 已表示，电价实际上可能下降。
他给出的基荷平准化度电成本（LCOE）排序是：100% 光伏加储能约 10 美分（理想沙漠条件下为 7-8 美分），Fervo 式地热目标为 5-6 美分，完全折旧的核电为 2-3 美分，而 Georgia 新核电项目超过 10 美分。 “我支持核电”，但他认为地热“将与核电正面竞争”，而亚洲不断下降的核电建设成本说明，美国或许可以重新学会低成本建设——前提是要承认，中国“以某种方式补贴了核电所涉及的一切”。
最能说明 Elon 管理方式的，是 Model S 电池需求被严谨建模为 8,000-8,800 节、Elon 却说“不能超过 7,200 节”并结束会议。 Baglino 事后认为，不可能的目标本身就是方法——“让所有人一起背上同等压力”，迫使团队打造更高效的动力系统，也推动 Panasonic 突破舒适区；后来 EPA 续航测量方式朝不利方向变化时，这一余量证明是必要的。Autopilot 也遵循同一模式：每周都会问，“下周能做到吗？”
Baglino 明确将自己的管理哲学与 Elon 的区分开来。 他的信条是“把工作成果与自我价值解绑”、快速失败、雇用比自己更强的人，这也是他对 Heron 团队的要求。当 Lukas 指出 Twitter 时代的 Elon 几乎没有表现出零自我、冷静客观的特征时，Baglino 澄清说：“我说的不是 Elon。”

精读

1. 把他带进 Tesla 的，是 Stanford 实地考察课，不是软件

Baglino 的起点来自 Gil Masters 的能源实地考察课：Hoover Dam、风电场，以及 Mojave 沙漠的 SEGS 槽式太阳能电站；在那里，他认识了 Tesla 早期创始人 JB Straubel。后来他在华盛顿智库 Resources for the Future 用 Stata 或 R 编写经济模型，并一直与 JB 保持联系，但很快“无聊到快疯了”，因为那份工作“什么都没有转化出来……至少在物理世界里没有”。
他在 Tesla 的第一个项目，是把从 AC Propulsion 获得授权的模拟电机、充电和电池管理控制系统，替换成嵌入式 DSP。真正吸引他的是即时反馈——开着 Roadster 在 Mission 区转悠，笔记本电脑实时显示各种信号；他还把一辆从墨西哥买来的燃油版 smart car 改成电动车，停在 Bryant Street 人行道上：“甚至都没挡住人行道。”

2. 第一次见 Elon： “不能超过 7,200”

在为 Model S 建模电池容量时，Baglino 的团队向 Elon 逐项解释重量、风阻、轮胎效率和 EPA 续航等假设，最终算出需要 8,000-8,800 节电芯。Elon 的全部回应是：“不能超过 7,200……会议结束。”团队当时的反应是：“刚才发生了什么？”
Baglino 事后回看，认为 Elon 可能掌握了自己不知道的背景——电芯成本，以及 Panasonic 面临的能量密度压力——“但我其实不认为他真掌握了这些。他只是直接在脑中算出来了。”真正高明之处在于这种机制：看似不可能的目标，能把“所有人的最佳状态”逼出来。团队最终做到了：更高效的电机、更低风阻的车身、更高能量密度的 Panasonic 电芯；后来 EPA 续航测量方法转向不利时，这些努力全部派上了用场。只是当时他的感受是：“我再也不想和他待在同一个会议室了。”

3. 漫长的 Tesla 任期：脸皮要厚、放下自我，以及财报电话会的恐惧

Lukas 概括了典型的 Elon 校友叙事：“我告诉了他真相，他不听，后来事实证明我是对的，于是他把我开了。”Baglino 的回应是：“你需要把工作成果和自我价值解绑。”即使 3 个月的工作被推翻，也要接受“确实有很好的理由”。他认为，早期上司 JB Straubel 和 Craig Carlson 教会他进门前先把自我放下——“这对商业普遍成立，不只是对 Elon 的公司成立”。
JB 离开后，Baglino 接手了电芯路线图、电池包、动力系统、电力电子和能源业务，最终成为公司高管。财报电话会前，Elon 可能刚从 Neuralink 赶来，“当时甚至可能是从 OpenAI 来的”，录音开始前只在会议室待了 5 分钟。“所有会根据每句话来推动股价的人都在听……如果你说错话，第二天大概就不在公司了。”他的结论是：“那大概是我人生中压力最大的时刻之一。”

4. 生产地狱与 flufferbot：先删机器人，再删零件

对 Model 3 的“生产地狱”，Baglino 给的是背景而非辩护：公司要从每年数万辆——可能约 100,000 辆 Model S/X——扩大到数百万辆，意味着“公司的每个环节都需要增长……而且是数量级的增长”。当电话那头的一位高管说“直接把那个东西删了”，真正传达的是一个整体问题——“我们怎么才能生产更多产品”——把这句话过度解读成针对某一个动作，反而会误读本意。
具体案例是一台机器人——“我们好像叫它 flufferbot 之类的东西”——负责在电池包顶部安装一个脆弱的干燥剂袋，但它不断报错、频繁停线。两三天内，团队的逻辑一路推演下去：人可以修，不能因此停线；如果人是在修机器人，那就把机器人删掉；等等，干脆把这个零件也删掉。随后团队又找到了“另外 7 个版本”的同类机会。残酷之处也很明确：那个花了 2 周写机器人程序、并为它据理力争的工程师，“第二天可能就不在了”。

5. Heron 的文化与 Elon 明确分开：放下自我

在打造 Heron 时，Baglino 看重谦逊、透明沟通和快速失败。对工作成果投入过多自我认同，会让人面对失败时转而寻找“任何发现的积极一面”——“这个测试结果有点奇怪……也许我们需要重测”——而不是主动追踪问题。
Lukas 的反驳值得保留：Twitter 时代的 Elon，怎么看都不像一个零自我、冷静客观的观察者。Baglino 则干脆把两者分开：“我说的不是 Elon。”他描述的是自己对团队的要求，不是对前老板管理风格的评价。
第二条原则是雇用比自己更强的人。管理者往往会因为需要证明自己更聪明，而习惯性地“在下属面前摆出权威”。正确做法恰恰相反：雇用比自己更聪明、经验更丰富的人，补上自己的盲区，让他们获得更大空间，“因为你自己也是这样成长的”。

6. 压缩排期：持续砍掉最长的那根杆

Baglino 的父亲是 Teradyne 的工程经理，教给他的做法是把自下而上的估算与自上而下的业务视角对齐，再推动两者之间的折中，“因为如果你给人 12 个月，他们会用掉 15 个月……这就是人性”。但现实中，一套 40 周的冲压模具“可能根本压缩不了多少”，那就围绕它先用软模具。团队会玩“帐篷里最长杆的打地鼠游戏”，不断竖起新的最长杆，为自己想要的排期找理由；高管的职责就是“持续把这些杆砍短”。当一根最长杆落地，其他人就会停下来休息。不行：先把你的 4 周零件做出来、做到完美，然后去帮那个需要 36 周交付的人。
Lukas 从软件角度反驳，尤其是对初级团队而言，他们往往严重低估工作量——“第一个 90%、第二个 90%、第三个 90%”——所以管理者要做的是留出余量，而非压缩排期。Baglino 同意软件有所不同：关键在于集成和功能演示节点，因为“你基本上可以用更多代码，或者一遍又一遍地重新架构，把时间无限填满”。
一个无法压缩的截止日期案例，是洛杉矶机场举行的一场 400 人 Roadster 活动（Arnold 也去了），每位名人都要完成一次 4 秒的 0-60 英里/小时加速。为撑过连续发车，技术人员在帘幕后面临时搭了干冰快速冷却装置；大约跑到第 300 次时，镁合金电机支架裂了，导致电机在加速和能量回收时，在电池包与后备箱之间来回撞击——“但一切都没问题。”

7. 豪华就是重量

豪华车的关键在 NVH（噪声、振动与声振粗糙度）配置：预算型轿车可能只用 50 美元的吸音材料，豪华车则用 500 美元，这“就是安静座舱和勉强能接受的噪声之间的区别”。令人满意的关门声来自车门刚度和密封条唇边：“你是在用一些重量……以及一些成本，换取这些舒适性配置。”
他不是传统意义上的车迷——“我永远不会开非电动车，至少不会开心地开”——但赛道经历让他学会了“仅凭方向盘传来的反馈，就知道自己距离稳定性边界还有多远”。他说自己开得更快，主要是因为“我总是长期处于迟到状态”。

8. Autopilot 的起点：Mobileye 演示与“下周能做到吗？”

2012 或 2013 年，JB 让他负责提升 Model S 在自适应巡航和 Euro NCAP 主动安全方面的竞争力。Baglino 以物理和控制理论为先的方法在 ACC 上奏效，但“很快就看清楚了，即便当时也不可能靠这套方法一路走到最后”。
转折发生在 2014 年初：Mobileye 展示了一辆 Audi A8 或类似车型，仅靠单个单目摄像头自动驾驶，Baglino 回忆称当时可能还融合了雷达。Elon 看完演示后出来宣布：“我们要让汽车自己驾驶。”而且要基于现有硬件实现。“人有两只眼睛，为什么不能只用视觉驾驶汽车”——这个想法就是从那时开始的。
此后的每周会议上，问题变成：“汽车什么时候能从 California 自动开到 Boston？……下周能做到吗？”Baglino 称之为“现实扭曲场的惊人价值”。最终，他说：“我是能源极客”，于是转去 Tesla Energy；当时 Powerwall 1 团队只有 3 名工程师。Autopilot 则交给“一系列试图与 Elon 一起面对‘为什么明天还做不到’这一现实的负责人”。
对 FSD，他表现出真正的谦逊：团队从“启发式和基于物理的最优控制规划，转向纯神经网络，从像素直接到执行器……我能预见这一点吗？不能。我完全没有那个背景”。

9. 板结的电网：Heron Power 为什么存在

结构性背景是：从 1980 年代到 2010 年代，美国电力负荷增速一直不超过 1%；照明、空调和算力效率提升，使数据中心在终端用电中的占比从 1990 年代到 2010 年代几乎没有增长。人才和技术开发因此流向日本、韩国、中国、印度等增长型市场。
激励机制也在起作用：公用事业对已部署资本开支获得保证回报，而不是按售出多少电力获得回报。在需求不增长的情况下，供应商出货量停滞，却变得“又肥又满足”，随着时间推移不断提高同一单位产品的收费，因为“这其实就是公用事业想做的事——在上面花更多钱”。他在 Tesla 时把这种状态称为“拖着一头恐龙……供应体系几乎就是走向电气化道路上的船锚”。
需求侧则是：如今电力只占终端能源消费的约 1/3；Baglino 曾参与的“Master Plan Part 3”讨论的是一个全面电气化的可持续经济，这意味着电力产量需要达到当前的 3x。“简短答案是，可以”：资源和技术都存在，经济上也行得通；但随着电气化以每年 3-5% 的速度增长，“我们需要新的供应商”。

10. 加州电价：不断缩小的分母，如今开始反转

Baglino 开场先抛出一个反直觉事实：加州零售电价很高，但家庭平均电费账单“处于中游”——气候温和、空调需求少、用电量低。推高电价的因素包括野火防治和历史火灾责任——“相对其他地方，这可能是单项最大的加价项”——更高的组件成本、农村配电网络，以及需要更换的老旧基础设施。公用事业既要像服务旧金山市中心一样，全面服务 Mendocino County 北部农村地区——“把它和 Delaware 比一比”——这意味着完全不同的配电半径和成本。
争议最大的是净能源计量：屋顶光伏按照零售价获得补偿，而不是公用事业在市场上实际能够支付的现货价。按照他的固定成本框架，每一度屋顶光伏发电都会从电网成本摊销所对应的分母中消失，于是每 kWh 的成本必然上升。加州屋顶光伏普及程度足够高，已经能实质性改变这笔账。
反转正在发生：电动车、热泵和数据中心——“甚至可能进入家庭，比如 Xfra（听音如此），就是把数据中心放进家里的想法”——重新带来了负荷增长。Baglino 说，方程式的分子，即整个系统的总成本，终于也上升了。“如果你听 PG&E CEO Patty Poppe 的说法……只要负荷继续增长、监管结构不变，我们实际上会让加州电价下降。”

11. Heron Link：一枚比 GPU 还小的 10,000伏晶体管

Heron 要替代的现有硬件包括开关设备：真空或惰性气体中的电动“Frankenstein 式刀闸”，打开需要数百毫秒甚至数秒，也是数据中心或工厂建设中交付周期最长的设备之一；以及由钢、油和铜构成的被动式变压器。它们面对的是一个高度碎片化的市场：美国有 3,000 家公用事业，每家都有各自的定制要求。
物理原理在于，宽禁带材料——碳化硅、GaN——每微米能够承受更高电压，同时寄生电容更低，因此在相同损耗下可以实现更快开关。GPU 有“无数个”晶体管——“我甚至不知道是多少，万亿个还是别的什么”——而“功率器件只有一个……但那是一个经过高度工程化设计的器件”。碳化硅让你可以制造“一枚 10,000伏晶体管……实际上比 GPU 还小”。
产品层面，电网到计算机之间仍然需要电气隔离，但如果把隔离频率从 60Hz 提高到数百千赫兹——“每秒 60 次才能搬运一包能量，而不是每秒 200,000 次”——单位功率对应的变压器体积就能缩小 100x。变压器两侧的电力电子器件可以原生中断电流，从而取消这一架构中的额外机械开关；系统也不再使用易燃油料。Baglino 说，他在 Bernal 一带的路上亲眼见过不止一台变压器着火。该架构还可以把 300kV → 13/34kV → 480V → 208V 的多级转换压缩为一级，同时输出多个电压。眼下他优先面向新建的太阳能、储能、工厂和数据中心，老旧被动式基础设施则可以逐步替换。
按他的说法，效率损耗是这样的：“你取 1GW 电力，把它转换成 700MW 的热量；再消耗 300MW，把这些热量排到大气中。这实际上就是数据中心。”从电网到芯片的转换链路中，可能有 8-10% 的电力损失。Heron 将其减半，对建设 1GW 数据中心的客户而言，“意味着可以多获得 35MW 的可用算力”。

12. 数据中心是电网最好的客户

核心论点是：一户拥有 200安培、约 40kW 接入容量的家庭，平均只用 1-2kW；一座拥有 1GW 并网容量的数据中心，平均用电量则达到 800MW。“它们基本就像铝冶炼厂或钢厂——是让其他所有用户都能负担电网成本的客户。”从实际数据看，数据中心渗透率最高的州“压倒性地拥有最低电价，而且电价确实下降过”。Lukas 追问：“所以你真的认为，数据中心会让电价下降？”Baglino 回答：“我确实这么认为。”
这套逻辑有前提：如果公用事业的资本开支激励机制导致过度建设，或者并网成本被分摊给居民用户，结论就不成立。他的解决方案是：“数据中心应该直接承担通往自身的基础设施成本，因为这些数据中心的投资回报率非常高，而这部分基础设施相对于 GPU 的成本其实并不高。”
稳定性方面，训练负载需要现场储能吸收“训练波动”；储能一旦部署，数据中心就可以帮助应对用电峰值、稳定频率和电压，而不是直接断开连接。历史上，数据中心一直是电网负担：整流器造成的闪变需要公用事业善后；而在一次电网波动期间，“就在本周，3GW 数据中心同时关停”。

13. “我支持核电”，但地热可能胜过核电

Baglino 并不排斥核电：他很高兴 Diablo Canyon 延长了运营期限，希望美国制定真正的核废料处理方案，并指出亚洲已经走在学习曲线上——随着重复建设经验增加，单位 kW 建设成本“持续下降”，“没有出现任何安全问题……这并不是拿安全换成本”。美国停止建设核电后失去了这一趋势，但他“相信，只要重新开始建设核电，我们就能找到更可负担的方式”。
他给出的 LCOE 梯度是：100% 光伏加储能——Tesla 曾据此让 American Samoa 的岛屿实现完全可再生能源供电——成本仍“基本是 10 美分”，如果是中东这类极佳的沙漠资源，可能降至 7 或 8 美分；Fervo 式地热“正努力降到 6 或 5 美分”；完全折旧的现有核电约为“2 或 3 美分”；刚完工的 Georgia 核电设施“我认为超过了 10 美分”。他的判断是：“在可负担的全天候基荷可再生电力方面，地热将与核电正面竞争。”
对于中国低成本核电是否依赖补贴，他给出的是真诚但不正面回答的答案：“不管他们是不是直接补贴核电，他们都以某种方式补贴了核电所涉及的一切”——混凝土、钢材和高端金属都包括在内。

14. 从 70W GaN 充电器到 5MW Link，以及停车场电池

他指着笔记本电脑充电器作类比：MacBook 电源适配器已经是一台固态变压器，“大概每秒开关 800,000 次”；一个小型 70W 双输出 GaN 插头，里面就有一个小拇指大小的隔离变压器，可能配备约 5mm 的 GaN 芯片，并以每秒 1,000,000 次的频率开关。“Heron 做的基本上就是……把同样的东西用于工业电子。我们的产品额定功率不是 70W，而是 5MW。但概念是一样的。”
最后谈到充电为什么会变慢：锂离子电池就像体育场里的“巨大停车场”——前面的车位容易找到，最后的车位很难找到；如果是一个面积大得多的线性停车场，成本会“贵得离谱”，所以你始终在权衡二维与三维的问题。Lukas 的反应很到位：“这个比喻太棒了。”Baglino 回答：“这是锂离子电池最好的比喻。”

投资人 Meng Xing 谈开源影响、中国 AI 人物与 RL 数据的未来 Ben Thompson谈大科技、中国与资金将尽的AI热潮 - [Invest Like the Best, EP.487]