马斯克 xAI 的秘密项目曝光了

—じ☆ve人生—

马斯克的 xAI 非常神秘。
回忆了下，过去一年，我从没见过任何 xAI 员工的公开访谈。这家公司除了例行发布会，只有马斯克这一个信息出口。
不像 OpenAI 的员工经常到处演讲，不像 Anthropic 的研究员经常会接受访谈，xAI 的工程师们像隐形人一样。
所以昨天下午，当我刷到 xAI 核心骨干 Sulaiman Ghori 的一期播客时，我非常惊喜。
这哥们聊了很多内部细节，从公司文化到具体项目，信息量巨大。
但没想到，今天早上醒来，X 上有人爆料说，Sulaiman Ghori 可能已经被公司开除了。原因是他在播客中泄露了公司机密。

震惊。

大家也可以去看看： https://www.youtube.com/watch?v=8jN60eJr4Ps

#01
xAI 的通用 Agent 思路
这期播客，我最感兴趣的话题是 MacroHard。相当于 xAI 的通用 Agent。这也是 Sulaiman Ghori 小哥当前正在参与的核心项目。MacroHard 相当于是数字世界的 Optimus。
特斯拉的 Optimus 是让机器人做任何人类能做的物理任务，MacroHard 是让 AI 做任何人类能做的数字任务。
怎么做到的？直接模拟人类的操作方式。
看屏幕，敲键盘，点鼠标。Sulaiman 的原话是：任何软件都不需要适配，我们可以部署到任何人类目前能工作的场景。
OpenAI 有 Operator，Anthropic 有 Computer Use，大家都在做类似的事情。但 xAI 在一个关键问题上，选了一条不同的路。
xAI 内部很早就做了一个决定：MacroHard 的模型必须比人类快至少 1.5 倍。注意，不是更聪明，是更快。
为什么？他打了个比方：没有人愿意等电脑花 10 分钟做一件我 5 分钟就能做完的事。但如果它能在 10 秒内完成，我愿意为此付任何价钱。
这个逻辑其实来自特斯拉 FSD 的经验。自动驾驶如果反应比人慢，没人敢用。
同样的道理，一个帮你操作电脑的 AI，如果慢吞吞地思考、一步一步地点击，你早就手痒自己动手了。
所以当其他实验室在堆参数、加推理的时候，xAI 在砍延迟、压模型。别人往左，他们往右。
目前的结果是：最新测试显示，MacroHard 的速度可能达到人类的 8 倍，甚至更多。
这就带来一个问题：快，会不会意味着笨？
#02
小模型的路子
要快，就得用小模型。这是基本的物理约束。其他实验室做通用 Agent 的思路是加推理、堆参数、把模型做大。xAI 的这个决定，让他们走上了一条完全相反的路。
但这里有一个直觉上的担忧：小模型会不会意味着弱模型？参数少了，能力就差了。这是过去几年 Scaling Law 灌输给我们的观念。
xAI 的实践给出了一个不同的答案。
他们在测试 MacroHard 时，经常会遇到惊喜。有些任务，模型根本没有专门训练过，但它做得完美无缺。这种泛化能力超出了团队的预期。
他把这个现象和特斯拉的 FSD 做了类比。FSD 用的也是相对小的模型，但它能处理训练数据里从未出现过的场景。原因是什么？权重效率。
大模型有很多冗余。就像一个人用 100 句话解释一件事，另一个人只用 10 句话，信息量可能是一样的。
小模型被迫压缩，反而可能提炼出更本质的模式。这不是什么神秘的事情，而是约束带来的副产品。
而且小模型还有一个隐藏优势：迭代速度。
Sulaiman 说，因为模型小，他们的训练周期从原来的四周缩短到了一周，有时候甚至是一天之内多次迭代。
这意味着什么？他们可以同时跑 20 个实验，别人只能跑 2 个。在 AI 这个领域，实验次数几乎等于进步速度。
所以这不是一个简单的大 vs 小的问题。
这是一个系统性的选择：你要一个跑得慢但单次更强的模型，还是一个跑得快、迭代更快、最终可能更好的模型？
xAI 选了后者。
#03
和特斯拉汽车的结合
还有一个更劲爆的信息：xAI 计划把 MacroHard 部署在特斯拉汽车上。我当时看到非常惊讶。马斯克是真的敢想，他们在认真考虑用北美 400 多万辆特斯拉车里的计算芯片来部署 MacroHard。
特斯拉的车载电脑是为自动驾驶设计的，算力不弱。更重要的是，这些车大部分时间都停着，可能在充电，可能在车库里。电脑是闲置的。
与此同时，它们已经具备了联网能力、散热系统、供电系统。
换句话说，这是 400 万台现成的边缘计算节点，不需要额外建数据中心，不需要额外布线，不需要额外装空调。
xAI 的想法是：付钱给车主，租用他们汽车的闲置算力。
车主赚点外快，可能把车贷都覆盖了。xAI 得到了一个分布式的、成本极低的算力网络。  这是一个纯软件方案，不需要任何硬件建设。
当然，这个方案能不能落地还有很多变数。但它揭示了 xAI 的一种思维方式：不是问有什么资源可以用，而是问有什么资源被低估了。
特斯拉车载电脑的资本效率，比在 AWS 上租 VM 高得多。这个事实一直存在，只是没人想过这么用。
#04
已经在内部跑 Demo 了
Sulaiman 还透露了一个细节，关于虚拟员工部署时遇到的坑。他们在给客户部署虚拟员工时，会先采访人类员工，让他们描述自己的工作流程。然后发现虚拟员工老在某些地方出错。
他们去观察人类员工实际操作，结果发现人类漏掉了 20 个步骤没说。
因为那些步骤已经变成了肌肉记忆，人类自己都意识不到。就像你开车的时候，不会想着踩油门、松离合、打方向盘。你只是开。
这是一个很深刻的洞察：
人类对自己做的事情，其实没那么了解。我们以为自己在做 A，实际上我们在做 A+B+C+D，只是 BCD 已经自动化到意识之外了。
所以 MacroHard 团队现在的流程是：先采访，再观察，最后对比差异。那些差异，往往就是虚拟员工出错的地方。
还有一个更有意思的事。
xAI 已经开始在公司内部测试虚拟员工了，有时候甚至不告诉其他同事。
结果经常有人在 Slack 上问：嘿，这个同事今天不在吗？我去他工位找他，发现是空的。
因为那个工位上的员工，从一开始就是 AI。

meto

车主能靠出租算力赚钱，xAI 又能省下多少成本啊？@元宝

liqiang2216

看看