Grok 4 已正式加冕，成为全球 AI 之王！
埃隆·马斯克在田纳西州孟菲斯的巨像超级计算集群（Colossus）上，为苦涩的教训这一理念下了一场惊天豪赌。现在看来，他旗下的 xAI 已经势不可挡。
正是这一招险棋，让 Grok 4 瞬间降维打击了所有其他前沿 AI 模型。
那么，究竟什么是苦涩的教训？它又为何能赋予 xAI 不可撼动的领先地位？
AI 研究的苦涩教训：简单、粗暴，但有效
苦涩的教训是 AI 研究领域的传奇人物理查德·萨顿在 2019 年提出的一个核心思想。它一针见血地指出：试图依赖人类的精巧设计和专业知识来指导 AI 发展，其实是一条歧途。
真正能创造奇迹的，反而是那些拥抱简单通用算法，并能最大限度利用海量算力和海量数据的笨方法。
这个教训之所以苦涩，是因为它让无数顶尖研究者难以接受一个残酷的现实：他们呕心沥血构思的精妙算法，在纯粹的蛮力计算和高质量大数据面前，常常不堪一击。
xAI 的王牌：无可匹敌的算力霸权
现在，让我们回到马斯克的豪赌上。xAI 在算力和数据这两大支柱上，究竟有多强大？
在算力层面，xAI 已经建立了一个绝对的霸权。
他们打造了全球最大的单一英伟达计算集群，将超过 20 万块高性能 GPU 联结成一台巨型 AI 训练计算机。根据公开数据，到 2025 年 6 月，这台名为巨像（Colossus）的超算将配备 15 万块 H100、5 万块 H200 及 3 万块 GB200 GPU。
但这远未到终点。马斯克已公开表示，下一阶段的目标是建成一个拥有 100 万个 GPU 的超级集群，规模是现在的近 5 倍。
这一事实，对于全球所有致力于前沿 AI 研发的公司和国家而言，无异于一声惊雷。xAI 不仅已经拥有世界第一的统一训练集群，其扩张速度更是让所有对手望尘莫及。
马斯克雷厉风行的执行力，使他成为英伟达 CEO 黄仁勋最重视的客户之一。这意味着，当英伟达推出最新、最强的 GPU 时，xAI 总能获得优先供货权。
更可怕的是，xAI 将新到手的 GPU 部署到集群中的速度，也远非其他公司所能比拟。
试想一下：凭借现有的巨大领先、马斯克无与伦比的融资能力、优先获得下一代 GPU 的特权，以及将算力光速转化为训练能力的执行力……还有谁能与 xAI 在算力上一较高下？
答案是，没有谁能。
当然，这并不意味着对手们已经放弃。OpenAI 的萨姆·奥特曼正在全力建设星际之门集群，并联合主权财富基金在中东布局，但这些项目的进度都远远落后于 xAI 的巨像。
这也揭示了 OpenAI 为何在察觉到算力优势即将旁落 xAI 之际，便迅速将战略重心转向推理模型——这本质上是将 AI 智能的生成压力，从资源密集的训练阶段，转移到了成本更可控的推理阶段。
破解数据瓶颈：从合成数据到多模态未来
但是，请记住，苦涩的教训有两个关键要素，算力只是其一。另一个要素——数据，又如何呢？
这恰恰是 xAI 面临的更棘手的挑战。
他们可以像所有竞争者一样爬取公开的互联网数据。他们还拥有 X（前推特），这是一个极其宝贵的实时文本数据金矿，尤其是在新闻和时事讨论方面。
但这足以喂饱那台巨大的算力怪兽吗？恐怕还不够。
为了填补数据鸿沟，并支撑未来更庞大的算力集群，xAI 的策略主要集中在两个方向：
大规模生成合成文本数据 拥抱更丰富的数据格式（音频、图像、视频）
1. 合成数据：用算力优势换取认知优势
合成数据是当前 AI 领域的绝对热点，而 xAI 也将大部分精力倾注于此，以扩充 Grok 4 的训练集。
数学、编程、逻辑推理和基准测试等领域，是合成数据最完美的用武之地，因为 AI 生成答案的对错可以被轻易、精确地验证。
一道数学题，答案代入方程，成立或不成立，一目了然。 一段代码，能无错运行，就是成功。
那么，xAI 在合成数据生成上有什么秘诀吗？从概念上讲，其实没有。真正的决胜点在于，谁能找到最高效的方法，让合成数据在训练中发挥最大价值。
但别忘了，xAI 拥有压倒性的算力优势。 这意味着他们可以比对手更快地、更多地进行实验和迭代。即使他们最初的好点子密度不高，也能通过大规模的试错，比别人更快地逼近正确答案。
要一次就找对训练策略是极其困难的，即便是行业巨头也难免失手。据传，OpenAI 近期 GPT-4.5 的波折与 Meta Llama 4 的困境，都与训练设置中的战略失误有关。
xAI 的算力优势，让他们在使用前沿合成数据技术时，拥有了更多试射的机会。最终结果不言而明——Grok 4 展现出了超越所有对手的、强大的问题解决与推理能力。
2. 多模态：通往通用人工智能的必经之路
这正是马斯克和 xAI 正在全力冲刺的方向，其核心载体就是他们在Grok 4 发布会上多次提及的基础模型 7（Foundation Model 7）。
我们必须认识到一个基本事实：要传递相同的信息，音频和图像比文本需要更多数据，而视频的数据量则远超前两者。
AI 模型的发展，正如互联网的演进。互联网早期受限于带宽，内容以文本为主，后来才逐渐成熟到可以无缝处理音视频。AI 亦是如此。
尽管当前的多模态模型已具备处理音视频的能力，但这更像是模型在完成核心训练后外挂上去的功能，而非从一开始就根植于其核心训练数据中。
然而，如果我们的终极目标是通用人工智能 (AGI)，那么地球上唯一的存在证明——人类，恰恰提供了相反的路径：
一个婴儿的神经网络，首先是通过海量的感官、音频和视频数据，建立起一个强大的世界模型，然后才在这个模型之上，叠加学习了语言的理解能力。
这与我们当前构建大语言模型的方式完全相反。
通过即将到来的基础模型 7训练，xAI 正朝着更贴近人类认知发展过程的训练机制迈出关键一步。使用更丰富的多模态数据，可以迅速满足其庞大算力集群对数据的渴求。这也是为什么他们计划在一个由 10 万块下一代 BG200 组成的全新集群上，训练其视频模型的原因。
之所以至今无人大规模这样做，是因为在复杂的 AI 训练流程中，处理如此海量的非结构化数据极其困难。
幸运的是，马斯克恰好是这方面的专家，这要归功于特斯拉在全自动驾驶 (FSD) 项目中积累的、关于视频数据训练的深厚经验。
结语：加速奇点
综合来看，xAI 凭借其绝对领先的算力优势，以及与特斯拉的独特协同，正处在将图像、音频、视频等丰富数据深度融入大模型早期训练的最佳位置。
通过这种方式，他们正在同时破解苦涩的教训中算力和数据两大难题，朝着通用人工智能的奇点，全速前进。
本期推荐其他阅读：
马斯克2GW超级电厂曝光，为xAI的100万块GPU买下整座发电厂，AI巨兽Grok算力将无限，跨海搬运！
19世纪天才数学家遗作，竟藏着模拟大脑的钥匙？用0和1模拟大脑此路不通，SNAGs的60维结构隐藏在细胞数学中，未来计算机新方向
我们看了 78 个视频，统计了特斯拉 Robotaxi 在 100 次行程内的所有失误，结论：足够惊艳，但还不够省心
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
