1107 亿薪资、460 亿税收、1822 亿美元采购,马斯克造就的「美国梦」

深潮Publié le 2025-11-12Dernière mise à jour le 2025-11-13

马斯克的企业是真正的经济助推器,将科幻变为现实。

撰文:Larry Goldberg

编译:AididiaoJP,Foresight News

很少有人意识到,埃隆·马斯克不仅让自己变得富有,更是一股创造就业、缴纳税收、提振经济的重要力量。在过去的五年间(2021-2025 年),通过他旗下的公司包括特斯拉、SpaceX、xAI、The Boring Company 和 Neuralink,马斯克已将数千亿美元的资金注入美国人的口袋。这并非抽象的华尔街数字,而是在社区中真实流通的资金,从德克萨斯州的工厂车间到加利福尼亚州的工程中心,无处不在。让我们用具体数据来解析,看看马斯克的企业如何为美国经济注入活力。

就业与收入

过去五年,马斯克的公司累计支付了高达 1107 亿美元的薪资,这笔钱足以让洛杉矶的每位居民获得 2.7 万美元。这些收入支撑着超过 20 万名员工的生活,从制造电动皮卡 Cybertruck 的焊接工,到设计火星火箭的软件工程师。不仅是高层管理人员受益,特斯拉的平均年薪约 16 万美元,足以让员工安家立业、子女就学,并带动当地餐饮等行业的繁荣。

这些收入还在持续产生涟漪效应:员工将钱用于购买日用品、住房和度假等消费,根据经济学乘数效应,每 1 美元可产生 1.5 至 2 美元的经济价值。

税收贡献

马斯克的商业帝国在税收方面贡献显著。仅员工缴纳的个人所得税和工资税就达到 318 亿美元,用于支持教育、基建和社会保障体系。这笔金额相当于两次全额资助美国太空总署的预算。在企业层面,尽管享有绿色科技和研发相关的税收优惠,这些公司仍缴纳了 52 亿美元的企业所得税。加上雇主承担的约 90 亿美元工资税,显然,马斯克的企业在切实履行纳税义务,而非逃避。

若每位亿万富翁的企业都能如此贡献,公共财政将更为充裕。

供应链

马斯克不仅聚焦于自身企业,更通过供应链将财富扩散至全美。仅特斯拉就向美国供应商采购了 1660 亿美元的电池、芯片和钢材,有力地支持了密歇根州和内华达州的制造业。SpaceX 秉持「美国制造」原则,贡献了 70 亿美元的采购额,主要面向国内供应商采购火箭级合金和航空电子设备。再加上 xAI,总额达到 1730 亿美元的采购惠及了数千家中小企业,不仅创造了大量间接就业,还增强了美国供应链抵御全球风险的能力。

此外,xAI 已投入约 90 亿美元建设数据中心,并计划在未来两年内为「Colossus 2」项目再投入 400 亿至 600 亿美元。

总体影响:3380 亿美元的经济引擎

综合来看:1107 亿美元的薪资 + 460 亿美元的税收 + 1822 亿美元的供应商支出 = 自 2021 年以来为美国经济注入的 3380 亿美元。随着全自动驾驶出租车(Robotaxi)、人形机器人 Optimus 和超级计算机 Colossus 等项目扩大规模,这些支出将在短期内大幅增长,预计每年可达 3000 亿美元以上。考虑到经济乘数效应,这相当于为美国 GDP 安装了「涡轮增压器」。马斯克的影响力何在?他创造了高薪岗位,资助了公共事业,重建了工业实力,这证明,大胆的创新最终会让普通美国人受益。

尽管批评者质疑其风险,但数据不会说谎:马斯克的企业是真正的经济助推器,将科幻变为现实。随着 xAI 和 Neuralink 的发展,其影响还将扩大。在这个薪资增长停滞、产业外流的时代,埃隆·马斯克证明了:美国的创新力仍在塑造未来,并为之提供资金。

Lectures associées

Claude est accusé d’être devenu bête sur tout le web, Anthropic lève le voile : ce n’est pas le modèle qui vous trahit

Le titre «Tout le monde accuse Claude d’être devenu bête, Anthropic révèle la vérité : ce n’est pas le modèle le problème» résume un malentendu répandu parmi les utilisateurs de Claude Code. Beaucoup pensent qu’un modèle plus grand signifie nécessairement une IA plus intelligente, ce qui les pousse à choisir des versions plus coûteuses comme Fable. Cependant, Anthropic a récemment clarifié cette confusion en expliquant la différence cruciale entre deux paramètres : le choix du modèle (Model) et le niveau d’effort (Effort). Le modèle détermine les capacités «gelées» de l’IA, basées sur des poids fixes acquis lors de l’entraînement. Il définit ce que l’IA sait ou ne sait pas faire. En revanche, le paramètre Effort contrôle l’«attitude» de Claude : à quel point il explore les fichiers, exécute des tests, vérifie ses réponses et persévère dans des tâches complexes. Un Effort élevé génère jusqu’à 7 fois plus de tokens qu’un Effort faible, car l’IA effectue plus de travail de fond. En mars, un changement par défaut du niveau d’Effort de «high» à «medium» a causé une impression généralisée que Claude était soudainement «devenu stupide», déclenchant des critiques sur GitHub. Anthropic a ensuite rétabli le paramètre par défaut et a souligné que, souvent, un modèle plus petit avec un Effort élevé peut surpasser un grand modèle avec un Effort faible. La clé est de diagnostiquer les erreurs : si Claude manque de persévérance (ne lit pas les fichiers, abandonne trop tôt), il faut augmenter l’Effort. S’il manque de connaissances malgré un contexte adéquat, il faut changer de modèle. Anthropic compare ainsi les modèles : Sonnet est un généraliste minutieux, Opus un expert rapide, et Fable un spécialiste pour les problèmes les plus complexes. Cet article marque un tournant : l’enjeu n’est plus seulement d’avoir le meilleur modèle, mais de savoir orchestrer intelligemment les agents IA. Bien paramétrer l’Effort et choisir judicieusement le modèle permet d’optimiser les performances et de réduire les coûts. Désormais, la compétence essentielle consiste à «donner du travail à l’IA» de manière efficace, pour exploiter pleinement son potentiel.

marsbitIl y a 1 h

Claude est accusé d’être devenu bête sur tout le web, Anthropic lève le voile : ce n’est pas le modèle qui vous trahit

marsbitIl y a 1 h

La Fondation Ethereum pourrait-elle devenir une "mascotte" ? Des organisations diversifiées se partagent désormais ses fonctions

La Fondation Ethereum (EF) est en pleine restructuration. L'équipe de support protocolaire a été dissoute et au moins huit cadres ont démissionné cette année, marquant la plus importante réduction d'effectifs de l'EF à ce jour. Ces départs coïncident avec l'émergence d'organisations indépendantes comme ETHLabs et Ethereum Institutional, qui reprennent des fonctions autrefois assumées par la Fondation. La réforme interne, initiée par le co-fondateur Vitalik Buterin, visait à restructurer l'organisation. Un récent communiqué a annoncé le licenciement de 54 employés, soit 20% du personnel, qualifiant ces postes de non essentiels. Parallèlement, d'anciens membres de l'EF créent de nouvelles entités : ETHLabs se concentre sur la recherche et le développement pour faire d'Ethereum une couche de règlement mondiale, tandis qu'Ethereum Institutional promeut l'adoption institutionnelle de la blockchain. Simultanément, l'EF innove techniquement. Son équipe de sécurité a testé avec succès l'utilisation d'agents IA pour auditer le réseau Ethereum, découvrant une vulnérabilité réelle. Si l'EF affirme que l'IA ne remplace pas les chercheurs, elle pourrait à terme impacter sa structure. Face à ces changements et aux critiques sur sa gouvernance, l'influence centrale de l'EF sur l'écosystème semble diminuer. Certains observateurs suggèrent qu'elle pourrait évoluer vers un rôle plus symbolique, laissant des organisations plus agiles piloter l'adoption à grande échelle et le développement futur d'Ethereum.

marsbitIl y a 1 h

La Fondation Ethereum pourrait-elle devenir une "mascotte" ? Des organisations diversifiées se partagent désormais ses fonctions

marsbitIl y a 1 h

Près d'une centaine de joueurs se ruent vers les données incarnées : 44,7 milliards levés en un an, qui peut vraiment gagner de l'argent en "vendant des données" ?

Près d'une centaine d'acteurs se ruent dans le secteur des données d'embodiment : 44,7 milliards de yuans levés en un an, mais qui peut vraiment gagner de l'argent en "vendant des données" ? Le secteur des données pour l'intelligence incarnée (embodiment) est en plein essor, avec 97 acteurs identifiés en Chine, dont 70 dans la collecte et 27 dans l'infrastructure. Sur un an, 15 prestataires de services indépendants spécialisés ont levé environ 44,7 milliards de yuans, un montant modeste comparé aux investissements totaux dans l'embodiment. La collecte s'organise autour de quatre approches principales : téléopération de robots physiques, collecte sans robot (via capteurs de mouvement), synthèse par simulation et distillation de vidéos internet. La plupart des acteurs combinent plusieurs méthodes. Les prestataires indépendants constituent le groupe le plus important (40%), devant les plateformes publiques (26%) et les fabricants de robots (25%). La capacité de production annuelle actuelle est estimée entre 1,6 et 1,8 million d'heures de données, avec un objectif de multiplication par 15 à 20 d'ici 1 à 3 ans. Des "usines à données" sont implantées dans 20 provinces, principalement dans les régions côtières développées. Le financement reste concentré sur des sociétés en phase précoce ; plus de la moitié des prestataires indépendants financés ont moins d'un an. La startup Lightwheel AI se distingue, ayant levé 31 milliards de yuans et atteint une valorisation de plus de 20 milliards de dollars. Cependant, les investisseurs restent prudents, aucun n'ayant effectué de pari massif sur le secteur. En résumé, le marché des données d'embodiment est devenu une piste indépendante et créatrice d'emplois, mais il en est encore à ses débuts. La viabilité commerciale d'un modèle basé sur la seule vente de données n'est pas encore démontrée. Les prochaines années seront cruciales pour vérifier si ces "vendeurs de pelles" peuvent réellement être rentables.

marsbitIl y a 4 h

Près d'une centaine de joueurs se ruent vers les données incarnées : 44,7 milliards levés en un an, qui peut vraiment gagner de l'argent en "vendant des données" ?

marsbitIl y a 4 h

Trading

Spot
活动图片