# 马斯克 Grok 3 完整直播
> 
- 原标题：Grok 3 full Livestream with Elon Musk
- 时间：2025 年
- 频道：DexNotDexter
- 网页版：https://elon.ruinews.com/ep/grok-3-full-livestream-with-elon-musk/
- 精读字数：约 6422 字（阅读约 14 分钟）
> 本文为 elon.qiaomu.ai 基于原始视频与文稿的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。
2024 年 4 月，xAI 的人去找数据中心供应商，问了一个问题：在一个地方把 10 万张 GPU 连贯地跑起来，需要多久？

对方给的答复是 18 到 24 个月。

马斯克在直播里复述这段话时的语气很平静：**18 到 24 个月，意味着失败是必然的。**于是他做了个决定，自己建。结果是 122 天。

这场直播本来是要发布 Grok 3 的。但真正听完两个多小时，会发现模型只是结果，前面那一大段关于厂房、发电机、冷却塔、比特翻转和凌晨四点二十的内容，才是这次发布最有分量的部分。

## 先把使命说清楚，再说产品

开场马斯克没有讲参数，讲的是为什么做这件事。

> 我们要理解宇宙的本质，搞清楚到底发生了什么：外星人在哪，生命的意义是什么，宇宙怎么结束，又是怎么开始的。这些基本问题驱动着我们。（马斯克）

这套说法听着玄，但它直接决定了一个工程选择：xAI 要做**最大化追求真理的 AI**，哪怕真相有时候跟政治正确相冲突。

他的论证很干脆。要理解宇宙，就必须严格地追求真理，否则你理解的只是自己的幻觉和错误。这条路没有捷径可走。

Grok 这个名字来自海因莱因的《异乡异客》（Stranger in a Strange Land），书里一个在火星上长大的人用它表示"彻底而深刻地理解某件事"。团队特意补了一句：共情也是理解的一部分。

## 17 个月，从玩具到能上大学

从 Grok 1 到现在，只过了 17 个月。

马斯克自己评价 Grok 1："以现在的眼光看，它几乎就是个玩具。"3140 亿参数，放到 2023 年底算能打，放到今天就是个起点。

中间那段 Grok 2 的训练经历，被讲得很不体面。2024 年 2 月启动，团队以为手里芯片不少，实际跑起来发现，同时能连贯工作的训练卡远远不够。冷却出问题，供电出问题，平均 8000 张 H100 只能跑到 80% 的效率，**等效下来大概 6500 张在真正干活**，就这么跑了好几个月。

到了 Grok 3，数字变成 10 万张。算力比上一代多 10 倍以上，马斯克插话说"可能 15 倍"。

所以那句被反复引用的判断，在这场直播里有了具体的注脚：**智能的提升来自大集群**。人有最好的工程师、最好的 AI 人才，剩下唯一缺的东西就是算力。

## 把"建一个数据中心"拆成一道道能解的题

供应商报出 18 到 24 个月之后，团队开始拆问题。这段叙述几乎是 Grok 推理过程的人类版本。

第一层：需要一个建筑。自己盖来不及，只能用现成的。他们找的是那种公司破产、但厂房状况还不错的工厂。最后在孟菲斯找到一座伊莱克斯（Electrolux）留下的厂子。马斯克顺口抖了个包袱：孟菲斯是猫王的故乡，也是古埃及最早的首都之一。

第二层：需要电。初期至少要 120 兆瓦，厂房自带的容量只有 15 兆瓦。最终 20 万张 GPU 要吃掉 0.25 吉瓦。解决办法是在厂房一侧排满发电机拖车，一车接一车，撑到市电接进来为止。

第三层：需要冷却。厂房另一侧同样排满拖车，**他们租下了全美大约四分之一的移动冷却能力**。

第四层：密度。要达到这个密度必须上液冷，而在此之前，没有人做过这么大规模的液冷数据中心。管路、接头、流量，全部要从零趟一遍。

## 十万人的交响乐团，和突然安静的那一秒

整场直播里最生动的一段，是马斯克讲功率波动。

> GPU 集群的功率波动非常剧烈，像一场巨大的交响乐，十万甚至二十万个演奏者同时在台上。整个乐团会在 100 毫秒内从极响变成极静。这造成了巨大的功率波动，发电机完全懵了，它们从没见过这种场面。（马斯克）

发电机撑不住，就得在中间加缓冲。他们用了特斯拉的 Megapack 储能来做功率平滑。原有的控制逻辑对付不了这种节奏，xAI 和特斯拉的团队一起重新写了 Megapack 的程序，才让电流稳定下来，机器能正常跑。

再往下一层是网络。十万张卡要像一个整体那样通信，任何一根线、任何一个固件设置出错，整个训练就散了。团队在凌晨四点二十左右定位到问题：BIOS 不匹配，某个参数没配对。定位方式是拿两台机器做 lspci 输出对比，一台能跑，一台不能跑，一行一行看差异。

马斯克把这套方法论说得很明白：**像 Grok 做推理那样，把问题拆成组成元素，然后逐个解决**。这是他们能在别人几分之一的时间里搞出一个连贯训练集群的唯一原因。整个过程没有什么魔法发生。

还有一层更底层的敌人。负责推理团队的 Tony 提到，跑十万张卡，等于跟宇宙的终极 boss 熵正面对抗：随时可能有宇宙射线打下来，把你某个晶体管里的一个比特翻掉。如果翻的是尾数位，整个梯度更新就废了，而这样的卡有十万张，需要时时刻刻盯着。

## 盲测代号"热巧克力"

说完基建，才轮到模型。

Grok 3 的预训练在 2025 年 1 月初完成，直播时模型还在继续训练。评估分三类：数学推理（AIME，美国数学邀请赛，一年一次）、博士级科学知识、计算机编程（竞赛编程加 LeetCode 面试题）。团队的说法是，Grok 3 在所有类别里处于独一档，连小号的 Grok mini 也摸到了前沿。

但工程师自己先把质疑提出来了：这些基准测的可能是教科书背得熟不熟、GitHub 仓库记得牢不牢，那真实场景里好不好用呢？

于是有了第二个测试。两周前，他们把一个早期版本的 Grok 3 匿名扔进 Chatbot Arena 盲测，代号 **Chocolate**。规则很简单：去掉所有产品外壳，只比模型本身，用户提一个问题，看到两个匿名回答，选更好的那个。

结果这个还在爬坡的版本，ELO 到了 1400 左右。此前没有模型到过这个分数。而且不是某一类第一，是综合能力、指令遵循、编程全部第一。团队说它还在往上走，同时手上已经有一个比送测版本更好的模型。

马斯克在这里补了一句用户体验上的实话：Grok 3 上线后，用户可能会发现**它几乎每天都在变好**，有时候 24 小时内就能感觉到差别。

## 会思考的模型，和"想久一点"这个新旋钮

光有好的预训练模型不够。团队的说法是，最好的 AI 得会像人一样思考：设想所有可能的解法，自我批评，验证，走不通就退回来，并且从第一性原理出发。

做法是拿最好的预训练模型继续做强化学习，把推理能力激发出来。这样能力可以同时在两个维度上扩展：训练时，和测试时。

直播里展示的推理模型有两个：Grok 3 Reasoning Beta 和 Grok 3 mini Reasoning。有意思的地方在于，mini 版本训练时间更长，某些测试上反而略好于大号推理模型。这反过来说明大号模型因为训练时间短，还有很大空间。

Tony 解释了图表上那段阴影条。推理模型可以被要求"想更久"，同一个问题反复求解多次再下结论，这就是**测试时计算**（test-time compute）。给了这份预算，模型的表现还能再往上抬一截。他的说法是，过去只让 AI 走一条思考链，现在可以同时走很多条。

## 五天前刚考完的那张卷子

关于"是不是在对着基准过拟合"这个问题，团队没有辩解，直接甩了一个新证据。

AIME 2025 在直播前五天刚刚结束。这是一场全新的、刚出炉的竞赛。他们把两个推理模型扔进同一张卷子，结果是**大号模型在新鲜考题上表现更好**。而如果去看去年的旧卷子，情况正好相反，小模型反而更占优，因为它把旧题学得更透。

这个对比说明的东西很关键：大模型的泛化能力更强，它学到的是解题方法，不是题库。

还有一层更反直觉的发现。Grok 的推理能力，只在数学题和竞赛编程题上训练过，任务类型非常窄。但它把这些能力迁移到了完全无关的事情上：写游戏、处理各种别的任务。团队的解释是，模型在数学和编程里学到的是一套通用动作：**发现自己的错误、纠正、死磕一个问题、试很多种变体、挑最好的那个**。这套动作换个场景照样能用。

马斯克在这里给了一句挺妙的总结：现实是数学的具象化。

顺便说，17 个月前 Grok 1 几乎解不出任何一道高中数学题。现在团队的说法是，人类考试已经不够难了，很快就没有基准可刷了。

## 现场两个 demo：火星轨道和一款不存在的游戏

第一道题，只有一句话的 prompt，没有任何脚本预设：*生成一段 3D 动画代码，展示从地球发射、登陆火星、并在下一个发射窗口返回地球的过程。*

Grok 开始输出思考轨迹（thinking trace），用户可以点进去看它在想什么。团队提到，展示出来的思考是经过部分遮挡的，防止模型被瞬间抄走。

几分钟后代码出来了，用 matplotlib，写着"数值求解开普勒定律"。跑起来之后，地球和火星在转，一个绿色小球从地球出发，切到火星，停一会儿，再切回来。马斯克看完的评价是，真实轨道还要考虑很多复杂性，但这个已经相当接近，他自己项链上挂的吊坠就是这个图案。

第二道题更难：*做一个把俄罗斯方块和宝石迷阵（Bejeweled）混在一起的游戏。*

这道题的意义在于原创性。让 AI 做俄罗斯方块，网上有无数现成代码可以抄。这次的考验是，它能不能想出一个把两种机制缝合起来、而且还真的好玩的东西。团队给这个任务开了"Big Brain"模式，用更多算力做推理，同时发了三次请求做备份。

结果跑起来了。画面像俄罗斯方块，颜色有点怪，机制被改了：三个同色方块连成一线就消失，然后重力激活，上面的方块往下掉。方块满行到底消不消，团队自己也没完全搞清楚，说"看你怎么理解"。他们还补了一句：每次问它，出来的版本都不一样。

马斯克当场宣布了一件事：**xAI 要成立一个 AI 游戏工作室**，就在这场直播里正式对外说。

## DeepSearch：把"搜一下"变成"派个实习生去查"

接下来是产品层的重头戏。

逻辑链条是这样的：最好的预训练模型加上最好的推理模型，构成了底座；人类解题从来不只靠一支笔一张纸，还需要浏览器、搜索引擎、代码解释器；把这些工具给到推理模型，就得到了 Grok agent 的第一代产品，**DeepSearch**。

它跟现在的搜索不一样。传统搜索一次检索就返回结果，DeepSearch 会先想清楚用户到底想要什么，需要核实哪些事实，应该去读多少个网站，然后自己去读、去交叉验证，最后给出结论。左边是进度条，右边是它每一步在干什么的摘要。

直播里跑了三个查询。

第一个问星舰下一次发射是什么时候。模型跑了一分钟左右，翻出第七次飞行的情况、被停飞的原因、FCC 的文件，结论是不早于 2 月 24 日，也可能更早。中间还自动生成了一张表。团队开了个玩笑，说在 xAI 内部，**"到第一张表的时间"是唯一值得关注的延迟指标**。

第二个问 Dota 2 硬核模式当前最流行的出装。结果是 Invoker 当道，然后是风暴之灵，模型还顺带指出早期版本里最火的根本不是这几个。

第三个问怎么赢下巴菲特那十亿美元的"疯狂三月"全对竞猜。答案还没发生，只能等。马斯克调侃说，40 美元的订阅去博十亿美元，这笔投资挺划算。

DeepSearch 有一个其他搜索引擎做不到的能力：你可以点开子任务面板，看它**怎么判断哪些信息源可信、哪些不可信、怎么交叉比对**。你也可以直接命令它只用 X 上的来源。这种可操控性是普通搜索给不了的。

马斯克给了一个很实在的换算：这件事你自己去查，可能花掉半小时到一小时，交给它，十分钟后回来，活儿已经干完了，而且可能干得比你更好。

## 什么时候能用，以及一个关于名字的提醒

节奏是这样的：

- 发布当天开始向 X 的 Premium Plus 订阅用户开放，X 应用已经更新，高级功能都在里面
- 推出一个独立订阅 SuperGrok，面向想要最强能力和最早尝鲜的人，配套 Grok 独立应用和网站
- 网站是 grok.com，iOS 应用商店也能搜到

关于用哪个入口，团队说得很坦白：**网页版永远是最新最强的版本**。因为上架 App Store 要走审核，手机形态本身也有功能限制，所以最新能力总是先到 grok.com。

这里有个好玩的识别方法。打开应用，如果显示的是 "Grok"，那装的是新版；如果还是那个旧拼写的名字，说明新版还没推到你这里。

马斯克也主动给这次发布降了温：这是 beta，别指望一开始就完美，但会以几乎每天的速度变好。如果想要更成熟的体验，等一周。语音模式大约还需要一周的打磨，他当天试过，说"效果相当不错，但还要再打磨一下"。

## 观众问答里透露的几个关键信息

**语音是一个模型，不是拼接的 TTS。** 有人问语音模式是不是"语音识别加文字转语音"的组合，回答是：一个 Grok 变体，直接听懂你说的话，直接生成音频。Igor 举了个例子，他今天跟它对话，模型从某段文本里读到了他的名字，念错了，他说"不对，我叫 Igor"，模型就记住了，后面一直念对。这种即时纠正，文字转语音的管线做不到。

**API 几周内上线。** 推理模型和 DeepSearch 都会进 API。团队更看好企业场景，测试时计算加上工具调用，能明显提速很多业务流程。

**开源策略是先放上一代。** 惯例是等下一代完全成熟稳定之后再开源上一代。Grok 3 大概还需要几个月才能到那个状态，届时会开源 Grok 2。

**Grok 是男是女？** 马斯克的回答是：你想让它是什么就是什么。

**会有多个 Grok 吗？** 可以有多个。Igor 说团队内部就有人打算弄一个"健身 Grok"专门管训练。

## 下一站：1.2 吉瓦

直播快结束时，马斯克透露了下一个集群的规模，用的参照物是《回到未来》里那台需要 1.21 吉瓦的车。

从 0.25 吉瓦跳到大约 1.2 吉瓦，接近五倍。硬件换到 GB200 和 GB300 这一代，建成后仍然是世界上最强的训练集群。

关于"什么时候能解决黎曼猜想"，负责推理的 Tony 给了个半开玩笑的技术回答：最简单的办法是枚举所有可能的字符串，只要你有验证器，加上足够的算力，总能撞出来。更认真的版本是，未来几年机器会开始拿到一些奖牌，菲尔兹奖、诺贝尔奖这个级别，但大概率还需要人类专家在回路里。

还有一个绕不开的"两年"。有人问什么时候把 Grok 装到火箭上，马斯克的答案是两年。他自己也知道这个梗：所有事情都是两年之后。紧接着他给了实际的时间表：地火转移窗口每 26 个月出现一次，下一个大约在明年年底，如果一切顺利，星舰会带着 Optimus 机器人去火星。

最后，团队被问到一个略显奇怪的问题：这个项目最难的部分是什么。回答没有绕开：让整个训练在 10 万张 H100 上连贯地跑起来，本质上是在跟熵打一场必输的仗，你只能一直赢下去。

至于马斯克自己的角色，他在开场就自嘲过了：我不干什么，只是偶尔出现一下。

## 这场直播真正值得拿走的几条

把两个多小时听完，产品参数反而是最容易被替代的部分。真正有用的，是那套把"不可能的时间表"变成工程步骤的方法，以及几个关于 AI 能力下一步走向的判断。

如果你也在这条路上做事，下面这几件事可以立刻用上：

- **先质疑供应商的时间表，再决定自建还是租用。** 18 到 24 个月等于出局，这个判断一旦成立，后面的所有困难都变成"必须解决"而不是"要不要解决"。
- **把大目标拆成物理约束。** 建筑、电力、冷却、网络、比特翻转，每一层都是独立的题，每道题都有解。拆不开的大目标才是真的难。
- **算力之外，测试时计算是被低估的杠杆。** 同一个问题让模型多跑几遍再取最优，不需要重训就能涨分。这条对做产品的人尤其划算。
- **训练数据的窄，不等于能力窄。** 只在数学和竞赛编程上做强化学习，学到的却是"自查、纠错、坚持、多路尝试"这套通用动作。选训练任务时，优先选那些能逼出通用元能力的。
- **给自己的 AI 配上工具，而不是只加参数。** 浏览器、搜索、代码解释器，这是把聊天机器人变成 agent 的分界线。DeepSearch 的本质就是这个加法。
- **做搜索类产品，把推理过程露出来。** 让用户看到信息源怎么被筛选、怎么被交叉验证，可信度立刻不一样，这是传统搜索框做不到的差异化。
- **新版本先上网页端，再考虑 App。** 审核周期和移动端限制会吃掉你的迭代速度，最强的能力永远应该先放在你能完全控制的地方。
- **接受 beta 状态，用日更节奏换市场时间。** 与其等到完美，不如先放出去，用每天可见的改进留住用户。前提是你真的做得到每天改。
- **关注开源节奏，规划你的技术栈。** 上一代模型会在下一代稳定后开源，这意味着半年左右你就能拿到今天的前沿能力做本地部署。

马斯克最后说的是，让他们每天早上爬起来的东西，是把 Grok 免费给出去，然后看着使用量往上涨。

这话听着像场面话。但想想那 122 天、那些发电机拖车、那四分之一的全国移动制冷能力、那个凌晨四点二十才定位到的 BIOS 参数，它确实不完全是。
