特斯拉(TSLA) 市值已经超过全球传统汽车企业市值总和的一半，单英战群雄、高处不胜寒。但是，最近一个月特斯拉入选标普指数，市值又双叒叕创新高了。无数人惊掉下巴，似乎没有什么能够阻止特斯拉马不停蹄一骑绝尘。尽管超级电池日众人失望并没有爆款产品，特斯拉股票还是上涨；尽管马斯克曝光新冠中招，特斯拉股票仍然上涨；尽管近期召回问题Model X 、美国调查特斯拉车辆悬挂安全问题，特斯拉股票依然暴力拉升。犹如打不死的小强，特斯拉越战越勇。一支好票任何时间买入都赚钱，任何时候下车都后悔。持续暴涨的Tesla，吸引了越来越多的投资人目光，大家对其估值的讨论异常激烈。面对1000倍市盈率，那么多人不计成本、不惜代价、蜂拥而至、趋之若鹜，真的理性吗？
一、低通胀低利率时代的成长性稀缺
当今世界经济，基本大背景是低通胀。发达经济体通胀率从90年代起就下降到2%左右，之后更是每10年下降一个台阶。很多国家通货膨胀已经消失了近30年，市场主流观点认为未来5年出现通货膨胀仍然是小概率事件。
造成通胀下行的主要有三个结构性因素——科技、全球化、跨国企业。二十世纪后科学技术进步大幅提高生产效率，带来成本大幅降低。二战后全球化自由贸易主义大行其道，在自由贸易体系下，技术、商品、资金得以充分流动，大量廉价的海外商品进入全球市场，生产总成本大大下降。科技和自由贸易创造了巨额财富，一批跨国巨头由此诞生，巨头公司往往垄断行业资源，对成本把控更有力度。在三大趋势不断强化下，企业生产力大幅提高，物价不断下降。在科技、全球贸易、跨国公司的影响下，发达经济体出现了失业率不断降低，但通胀几乎不变的现象。以往，通胀预期促进投资、投资引入新技术、新技术淘汰旧产能、出清旧产能焕发新生机，这是制造业产业升级的固有模式，如今这种传统模式风光不再。
特别08年金融危机后，需求/投资量大幅下降，各国央行因此采取了极度宽松的货币政策，希望以降低信贷成本的方式，刺激消费/投资需求，提振经济。但是该政策实施近10年，边际效用递减，效果越来越弱，并且利率已是降无可降，不仅造成通缩的压力，也严重拖累了经济增长。并且，掌握了社会上大部分财富的、受益于此轮放水趋势的头部企业和高收入家庭，没有跟随政府大幅增加消费/投资量。于是，货币政策不仅没有刺激支出，大量资本反而还因经济增长乏力，减少传统领域投资，囤积大量现金找不到出路。
低通胀低利率时代逼迫投资者远离传统价值股，不得不追逐高风险高收益的成长性创新企业，从而使有限的优质科技企业交易变得更加拥挤。 现在标普500的估值水平已经超过了2000年互联网泡沫时的顶峰。各国股市本轮市值疯狂，几乎都是以高增长的科技巨头引领。比如FAANG五巨头占到整个标普500指数23%的市值比例，而那些增长趋缓的传统价值股（例如能源股）却下跌了不少。没有人会用FAANG当下的营收和利润来给他们估值，投资人用的是对未来的预测。大家认为FAANG的高估值，来源于他们占领的庞大市场份额，以及随之而来的高利润率。市场对科技公司价值的判断非常夸张地前置，传统的估值思路在一定程度上失效。那么，以特斯拉为代表的科技企业估值思路出现变化的本质是什么？
二、临界点突破
互联网时代，网络经济价值从数学原理上就注定会指数型爆炸式增长。新技术一旦突破，传播速度迅速，将顷刻间颠覆传统行业，曾经引以为豪的传统龙头企业在颠覆性科技革命面前，优势会突然荡然无存，从此陨落，比如诺基亚、柯达，都是血淋淋的例子。初创公司可能在临界点前都一直在亏损，不过应用模式一旦取得突破，互联网获客轻而易举，用户规模会指数型增加，后期少量投入收益也会被迅速放大。头部企业回报无疑比以前更高，是非常明显的“1-9定律”。互联网科技公司领域特点是头部企业赢家通吃，一旦形成头部效应，寡头企业会有很宽的护城河，几乎都是垄断性的强大。创新行业各个细分领域里第一名的体量，可能比第二名、第三名加起来的总和还要高，距离也还在拉大，行业前三名基本是6-3-1的格局。
科技公司的增长逻辑显然已经改变，以前传统企业都是投资驱动型线性增长。新经济打破了这种增长模式，线性模型变成了指数型模型。指数型的增长，给资本市场估值带来了革命性的变化。股票不必便宜就能吸引买家，而那些具备高增长潜力的股票，买家还会蜂拥而入。
近年来，特斯拉电动车软硬件一体化模式基本成熟，成功实现量产突破，超越盈亏平衡临界点，跨过输血到自我造血的物种生存门槛。智能汽车时代已经渐行渐近，而特斯拉可能是无人驾驶汽车领域一枝独秀的最佳路径。
三、算法革命
1900年，英国著名物理学家开尔文男爵在英国皇家学会发表了题为“在热和光动力理论上空的十九世纪的乌云”的演讲，开尔文所言的两朵乌云分别开创了量子力学和相对论。从公元前300年古希腊欧几里得的《几何原本》公理化开始，到牛顿的《自然哲学之数学原理》传统经典物理学发展，自然科学几乎所有领域都以向量空间（线性空间）为参照系。但是，量子力学和相对论却是张量空间，超越了向量空间局限性，奠定了人类文明新起点。
1、深度学习
2012年6月，《纽约时报》披露了Google X实验室的“谷歌大脑”项目，研究人员随机提取了1000万个静态图像，将其输入谷歌大脑，由1.6万台电脑的处理器构成的多达10亿个连接的网络系统。这台人工神经网络，像一个蹒跚学步的孩子一样吸收信息，自主使用数据和计算资源，尽管在输入中没有包含任何像猫的名字、猫的标题、猫的类别等解释性信息，但这个机器通过3天无监督式学习模式后，自学成材完全凭自身判断准确识别了‘猫’的概念。谷歌大脑是人工智能的一个里程碑，其背后支撑的关键技术叫做‘深度学习’（Deep learning）。深度学习技术的关键点在于对特征属性进行多层次分类，然后复合各层次特征基。数学而言，“复合各层次特征”即张量。
2015 年，三位深度学习领域奠基者：Yoshua Bengio、Geoffrey Hinton、Yann LeCun在 Nature 共同发表Deep Learning综述文章。此后，人工智能在很多领域从幻想变成现实，神经网络概念实现了技术重构，加速了面部识别、语音助手、仓储机器人、自动驾驶等领域发展。如今，只要口袋里有智能手机的人都可以切实体会到自然语言处理和计算机视觉方面的技术进步，这在十年前根本无法想象。深度学习的新进展为日常生活和专业科学带来强大的新工具—从拍摄、翻译、配送、医学、天文学到新材料。“深度学习”人工智能模型在最近两年非常火爆，大有一统江湖的气势。
2、高阶逻辑
传统经典物理学的物理量A一般是矢量，矢量测量的数值是通过作用特征基X得到特征值m：
AX=mX
如果系统有多个特征基X1、X2、X3......Xn，则有：
AX=m1X1+m2X2 +m3X3......+mnXn
这就是向量空间（也叫线性空间）。
向量空间的基础是特征基，这些特征基都是向量。向量具有单一性质、一个箭头方向、一阶特征属性。相应的，向量空间是一阶逻辑的空间。哥德尔证明了一阶逻辑空间是不完备的。
比如，保险业计算事故率，需要结合驾驶员属性F、车辆属性G、行驶区域属性H等多个要素的复合:
F(G(H(x)))
一阶逻辑空间特征要素只能加法，不可以乘法（复合）。所以一阶逻辑线性空间无法表达 F⊗G⊗H 三阶复合特征。数学而言，F(G(H(x)))不是向量，而是高阶张量。
高阶张量的引入，大大扩展了逻辑的层次性。有一个这样的所谓的高级数学题：
【命题：1元=1分
证明：
1元=100分
=10分×10分
=1角 ×1角
=0.1元×0.1元
=0.01元
=1分
】
上面的谬误就是一个典型的概念混淆，‘100分’和‘10分×10分’相等吗？ 相信大多数读者都知道，100分 和 10分×10分 不相等。但并不一定都知道所以然。 究其根本，因为其中的‘分’和‘分⊗分’是完全不同层次的概念。‘分’是一阶逻辑概念，‘分⊗分’是二重特征属性复合的二阶逻辑概念。一阶特征变元和二阶特征变元，在逻辑上有本质区别，根本不可能划等号。如果强行划等号，逻辑谬误在所难免。
人类自然语言是一种形式语言逻辑，是一阶逻辑的，也就是说只能处理一阶谓词的概念，比如“分”。在一阶逻辑中，表达单一特征方向（向量）的谓词和谓词之间只能相加，不允许谓词乘以谓词。谓词⊗谓词这种二阶特征属性，对于一阶逻辑的形式语言而言这是不可判断命题。一阶逻辑系统对二阶复合特征属性的“分⊗分”没有定义，所以在我们日常意识中根本就无法明白“一分钱乘以一分钱的复合体”、“桌子乘以桌子的复合体”、“桌子乘以椅子的复合体”这种二阶复合特征属性的概念到底是个啥子鬼。
同样道理，当习惯线性逻辑轨迹的人类面对其它高阶逻辑张量系统时，也是一脸茫然。比如，虽然量子力学理论推导与实验结果完全吻合，但其实至今也没有人敢说真正懂量子力学，甚至量子力学泰斗也不理解。量子力学教父玻尔说：“如果谁没被量子力学搞得头晕，那他就一定是不理解量子力学。”爱因斯坦对‘复合特征态’的量子纠缠耿耿于怀，至死也未能理解上帝为什么是掷骰子的，爱因斯坦说：“我思考量子力学的时间百倍于广义相对论，但依然不明白。”量子力学大师费曼说：“我们知道它如何计算，但不知道它为何要这样去计算，但只有这样去计算才能得出既有趣又有意义的结果。”
另一个高阶逻辑系统是相对论，如果有人声称能够说明白“时间变短、尺度变长”是咋回事，基本可以肯定的是他不懂。因为高阶逻辑存在谓词复合，正如说谎者诡论那样，这对于自然语言（一阶逻辑）而言根本就是不可判定命题。换句话说，‘语文’（形式语言一阶逻辑）永远也说不清相对论中的‘数学’（高阶张量逻辑）。有人说，任何没有数学公式的论文都是伪科学。爱因斯坦写出了自己的公式，但却从来没有人敢站出来说自己完全理解了爱因斯坦方程。因为这个‘应力⊗能量’复合特征态张量是高阶逻辑的，自几何原本以来数千年自然科学所凭借的公理化一阶逻辑思维，根本够不着这个高不可攀的爱因斯坦张量等式。广义相对论是建立在n重特征属性的高阶张量基础上的。以爱因斯坦的智商，居然在刻苦学习了八年张量之后，仍不能释怀，令人惶恐地抱怨：“自从数学家入侵相对论以来，我本人就再也不能理解相对论了。”如果用一阶逻辑的向量空间思维来解说之，相对论很容易得出匪夷所思的悖论。尽管语文式解读千疮百孔，但是爱因斯坦方程的数学推演结论，至今也没有与任何实验结果矛盾。至今没有任何证据表明爱因斯坦张量方程可以推翻。因此，我们不理解它，不是它的错，而是我们形式化语言逻辑自然思维局限的错。
熟悉围棋的朋友容易看出，AlphaGo很多招式不像人类，没有沿用人类数百年积淀的棋谱定式。它出招更加自由奔放，根本不受传统玩法束缚，时不时祭奠出我们未知的妖刀，打得人类落花流水。虽然怪招频出，但是效果不错。机器人脑洞大开的玩法颠覆了高手们对围棋的认识。我们震撼其神器，心生恐惧，深深意识到这台机器是无法战胜的。新AlphaGo Zero能力究竟有多强，人类已无力望其项背。机器人骄人战绩让人类高手惊鸿一瞥，不得不服，于是大家很用功地研究这些看起来让人惊讶的新招式，试图附上合理性分析。希望理解AlphaGo强大思路，探知更强创新策略的基本原理。不过遗憾的是，尽管AlphaGo的每一步招式系统都存储了完整的参数集，但是当人类把这些参数一一复盘时，发现还是找不出它是如何胜人一筹的缘由。虽然机器下法已达到人类难以企及的神的高度，但是更加令人恐惧的是我们可能永远无法理解它是如何思考的。AlphaGo参数集逻辑黑箱，让人类陷入知其然不知其所以然的深深苦恼。深度学习的多层次特征参数， 意味着n重特征属性高阶逻辑，这是非线性的逻辑轨迹，多头交叉思路，让人摸不到头绪，无从剖析，仿若黑箱。AlphaGo令人恐怖的并非它下法多高明，而是它下棋的思维模式永远让人琢磨不透。
人类的自然语言是线性化的。线性化分析的主体是向量，向量只有一个特征方向，无论多少个向量组合相加，结果还是一阶特征的向量。自然语言一个谓词代表一个箭头方向，表达一阶逻辑，人类天然熟悉。但遗憾的是，无论多少维度的一阶逻辑线性空间，充其量只能刻画一条“线”特征。我们熟悉的向量空间，只能表达线元特征，永远无法表达二阶面元特征和三阶以上的体元特征。所以，对于同一时间只能想一件事、对于惯常线性轨迹思路的人类而言，高阶体元特征的张量复杂晦涩。人类对维度空间的探索已经很透彻了，但是对于高阶系统却仍然知之甚少。我们理解高阶复合特征的困难在于，即使对其中所有一阶特征元都了然于心，但复合凑一起仍不知是啥。就像毛毛虫永远不理解一阶逻辑推理，不知道树杆加上尖石能制作武器矛；也许我们很难理解高阶逻辑，永远无法参悟‘桌子⊗椅子’复合的意义。但是，即使我们无法理解，也并不表示它们毫无意义。这种高阶逻辑能力，对于只有一个脑袋，只熟悉线性逻辑轨迹的我们，就是黑箱。
m个特征元相加构成m维线性空间，n个特征元相乘构成n阶张量空间。正如毛毛虫无法明白多维线性组合一样，也许人类思维模式很难适应高阶复合特征属性。不过，高阶特征分析的困惑，在深度学习人工智能中不再成为障碍。深度学习的多层次特征参数，具有n重特征属性。其中非线性逻辑轨迹，具有高阶逻辑特征。仍然以AlphaGo为例。围棋对弈需要考虑定式搏击、片区战术、全局战略三种层次，这是三种不同性质的特征属性。人类在下围棋时，需要在一个时间片段分析搏击、下一个时间片段审视战术、再一个片段统筹战略。我们只有一个脑袋，一心不能二用。面对三种不同特征逻辑，只能来回切换不同进程，轮流思考来完成多个任务。‘搏击⊗战术⊗战略’三阶体元，同时具有三个方向特征。如果每个脑袋进行一项特征分析，三种互不相关的特征元，需要三个脑袋同时思考。假如一个怪物有三个脑袋，应该可以同时思考三种不同的事情。但是三头怪物的身体到底听哪个脑袋的呢？对于三阶体元生物，答案是三个都听。多个脑袋，各自思考不同的事情，却能够完美融合，指挥身体协调一致行动，犹如神话里面多头怪兽，怪异神奇。AlphaGo就是这样的多头怪兽，它不用一个特征一个特征地单独思考，而是同时复合分析n阶特征属性。
3、智能汽车的重点是算法升级完善
特征元复合乘积有别于域(标量)和向量的数乘，是特征分析演算史的决定性进步。从线性空间特征元加法，到主理想环上模的特征元乘法，人工智能基础算法虽然取得根本性突破，但是群论在深度学习多层次复合特征结构的作用至今没有挖掘，未来之路还有很长。
我们知道，训练机器学习就是调参，找到合适的参数集匹配研究对象。
机器学习的参数，也就是数学中特征值m：
AX=mX
如果系统有多个维度的特征基X1、X2、X3......Xn，则有n个特征值参数m1、m2......mn：
AX=m1X1+m2X2 +m3X3......+mnXn
事实上，比特征值更重要的是特征基。但是在线性空间中，特征基都是一阶的向量，特征基之间只能进行加法运算。
然而，现实中，特征属性可能具有复合性质。比如保险业计算事故率S，需要结合驾驶员属性F、车辆属性G等多个要素的复合（特征乘积）:S=F⊗G
通常认为‘乘积’运算是一种特殊‘加法’简捷运算。所谓维度就是特征加法，而特征乘积有可能避免维度灾难。因为我们可以把{F、G、S、e}看作在乘法运算下的一个群。
最初的机器学习是人为设定的特征基，现在的深度学习系统则会自动获取特征基。动态特征基也许具有人类无法想象的怪异特征属性，但是无论动态特征基如何让人捉摸不透，它们之间一定满足大千世界固有的循环本质，只要能够抓住最基本的群特征元就行了。
比如我们人类下围棋，会下意识的分解围棋博弈的特征属性为‘搏击’、‘战术’、‘战略’等。但是alphaGo能够动态获取更多的特征属性F、G、H、I、J、K等。由于F、G、H、I、J、K和S等可够成群，在一定约束条件下，我们总能利用群理论解读到循环特征下的基本特征元，从而从群结构中探寻更基本的规律。
张量和群，都是研究特征乘积的，所以这两个领域在数学书中往往相生相伴。那么，以张量为基础的深度学习，什么时候群论会大展身手呢？ 个人认为有三种途径： ①现有CPU、GPU等只有标量乘法、无法直接向量乘积，量子计算机使得向量复合乘识运算成为可能，从而推动群乘法在深度学习中的广泛应用。 ②参考量子力学测量物理量的方法，所谓量子“坍塌”是指高阶特征（复合特征、纠缠态）量子本征态，“坍塌”（概率波）到一阶向量特征态。即从高阶张量空间“坍塌”到一阶向量空间。例如：AX=mX，此处A是二阶复合特征（动量P⊗位移X）的二阶张量，X是一阶特征的向量位移，m是特征值（可观测值）；A对X作用，“坍塌”为矢量X上的可观测值m。 有点类似于，李群（可视为复合特征的高阶张量空间）与切空间李代数（一阶特征的向量空间）。③当数据元足够稠密(连续)时，可以对李群切空间，转换为李代数，变“特征元乘法”为“特征元加法”，从而化为大家熟悉的线性空间（注意：高等代数是线性空间；微积分是连续无穷维线性空间，例如希尔伯特连续无穷维谱分析；概率论是张量空间坍塌到线性空间，比如概率波是高阶张量的量子态坍塌到向量空间)。 因为暂时现阶段数据元没有足够到稠密，所以李群暂无用武之地。以后呢？假如今后有哪个公司能获得足够多的稠密数据元，那么特征元乘积（引入群论）问题会迎刃而解吗？ 数学理论中连续才能微分，才有切空间。至于现实中数据元要达到如何稠密才算连续，可能误差可容就行吧。纯属拍脑袋猜测，感觉特斯拉车多，收集数据能占很大便宜。
erlangen纲领和诺特定理阐述了大千世界群原理。比如，线性空间可看作加法群，张量空间可看作乘法群。单群是基础而完备的参照系。 未来， 群论一旦进入人工智能，那么它不仅能识别猫和狗，也许还能识别猫和狗都是 生物界 --> 动物类 --> 脊索动物门 --> 哺乳纲 --> 食肉目 ；它不仅能识别波斯猫和狸花猫，也许还能判断出波斯猫和狸花猫都是生物界 --> 动物类 --> 脊索动物门 --> 哺乳纲 --> 食肉目 --> 猫科
可见的未来，深度学习最具价值的应用很可能是无人驾驶汽车，汽车行业规模足够大、影响足够深。尽管特斯拉的机器人工厂、电池技术、车辆性能等硬件已经鹤立鸡群，不过决定特斯拉未来的主因却是其软件。AlphaGo围棋算法与Waymo自动驾驶算法同出一门，都是深度学习模型应用。同样地，特斯拉的FSD 也是深度学习系统，背后是高阶逻辑大脑，这项技术的成长潜力不可限量。
目前，特斯拉的FSD HW3.0（FSD即全自动驾驶Full Self-Driving）虽然技术不是最先进，却是性价比最高的系统。谷歌等robotaXi路线追求一步到位完全百分之百自动驾驶，估计是10年内都难以真正商业化运营。相对而言，特斯拉步步为营的战略似乎更靠谱些，至少特斯拉已经跨过从输血到自我造血的物种生存门槛。随着自动驾驶的进步，使用便捷性的提升，客户认可度的提高，卖车越来越多，数据积累越来越足，营收越来越多，效益越来越好，更多收入又继续投入到更进一步研发，研发升级越来越快，良性循环。能够自我造血的商业模式，每前进一步，都会加速人工智能新物种自我进化的进程。特斯拉独霸天下远非一步之遥，但是趋势日益明显。虽然从理论到实践仍然有很长的路要走，相比较而言，即将成功的spaceX项目、星链项目、胶囊火车项目等等，可能使得雄心勃勃的马斯克看起来让渴望确定性和成长性的投资人更为放心吧。
