摘要

Grok 4 已将学术基准推近饱和，竞争焦点正从原始智能转向可用的自主执行能力。 它在 AIME 2025 上拿到 100%，Grok 4 Heavy 在 Humanity’s Last Exam 上达到 44.4%，高于 Gemini 2.5 的 26.9% 和 o3 的 21%。Emad Mostaque 的关键区分是：模型“在推理，但还不会规划”——规划、记忆和智能体整合将成为下一阶段的瓶颈。
xAI 的领先既是模型故事，也是基础设施与执行力故事。 公司成立仅 28 个月，就在 Elon Musk 实现运营 100,000 块 H100 这一看似不可能的承诺后，扩张到据称 340,000 块 GPU；嘉宾估算已部署硬件价值接近 100亿美元，并称 xAI 的目标是 100万块 GPU。Dave Blundin 回忆，专家曾说这种规模不可能保持系统一致性，随后只能感叹：“天哪，他真做到了。”
训练成本结构已经反转，围绕合成、结构化推理数据的新飞轮正在形成。 Mostaque 表示，后训练过去只占算力消耗约 1%，DeepSeek 时升至 10%，如今已大致与预训练持平，部分原因是前沿模型能够为下一代模型生成数据。但这并不保证 Grok 会“更理智”——模式坍塌仍可能发生；Peter Diamandis 则表示，模型竞争正从纯粹堆算力转向“工程与质量挑战”。
即使高端智能可能在高价值工作流中卖出更高价格，推理成本也正在快速商品化。 Grok 4 的报价为每100万输入token 3美元、每100万输出token 15美元；Mostaque 估算，“100万个非常好的词”成本约20美元，并预计同等智能的成本每年可下降 5–10 倍，最终可能降至每100万词 1美元。Diamandis 认为，能够压缩工程时间的边际能力提升，仍会让开发者支付显著更高的价格；Mostaque 则怀疑 300美元的 SuperGrok Heavy 套餐是为转化企业客户而设的亏损引流产品。
企业价值初期将来自增强能力、降低错误率和吸收数据，而不是立刻全面替代人类。 Emad 表示，Arc Institute 正在数百万份实验日志和 CRISPR 工作流上测试 Grok 4；Peter 引用了大致的医学研究结果：单独使用 AI 的表现超过医生，也超过医生加 AI 的组合。Mostaque 仍强调，受责任风险限制，全面替代“还远得很”；Salim Ismail 则强调，AI 能处理人类无法整合的扫描和传感器数据。
编码、游戏和视频暴露出同一个机会：生成能力先到位，规划、反馈和分发仍未解决。 xAI 展示了一款 4 小时生成的第一人称游戏，并称专用编码模型将在数周内推出；发布演讲者预计，第一款真正优秀的 AI 游戏和第一部值得观看的 AI 电影将在明年出现，而今年可能就会有半小时可看的 AI 电视内容。Mostaque 对在位企业的警告是：更低的制作成本对公司有利，但“对行业里的从业者来说，这很糟糕”。
如果前沿模型最终收敛到同一个能力平台，持久瓶颈就会转向接口、智能体、芯片获取和分发。 Mostaque 预计 Grok 5 将协调 60 到 6,000 个智能体，调用专业工具，表现得像一个“把事情办成、而且不睡觉”的远程员工。嘉宾讨论了 Google 约 300万块芯片、xAI 和 Meta 的百万芯片目标，以及整个行业的供应约束；Liquid AI 等高效边缘模型则可能提供日常智能层。

精读

1. Grok 4 能以研究生水平推理，但仍不会规划

发布视频将 Grok 4 描述为在学术问题上“所有学科都超过博士水平，没有例外”，但同时提醒，它可能缺乏常识，也尚未发明新技术或发现新物理。发布演讲者认为发明能力可能会在今年晚些时候出现，并表示如果明年还没有出现，他会“感到震惊”。
Blundin 称这是类似钢铁侠 JARVIS 的“黄金时刻”：助手可以造出战甲，但人类仍必须决定“你要如何拯救世界”。它能解决极其困难的问题，却不会独立判断应该造什么，以及为什么要造。
Mostaque 进一步明确了这一限制：“我认为它在推理，但目前还不会规划。”他将下一轮模型规模与约 1 ronnaFLOP、即 10²⁷ FLOPs 联系起来，并表示模型能力应继续在算力与数据的共同推动下提升。
Diamandis 问道，在所有学科都具备研究生水平的能力，是否已经足以称为 AGI，并表示：“我们已经在毫无察觉的情况下通过了图灵测试。我们会不会也在毫无察觉的情况下通过 AGI？”Mostaque 回应称，社会会迅速适应强大工具，但完整的智能体能力仍需要更多基础模块。

2. 基准测试趋于饱和，前沿从回答问题转向发现问题

AIME 2025 给出了最清晰的信号：Grok 4 得分 100%。Diamandis 感叹：“你真的快把基准测试做完了。”但他同时指出，算力、数据和算法仍在进步，质量正越来越成为差异化因素。
Humanity’s Last Exam 包含 2,700 道题，覆盖领域极广；据估计，最优秀的人类在自己理解的领域内大约能拿到 5%，最高或许也只有 10%。Mostaque 举例说：“计算 Lie 群 G₂ 的分类空间的约化 12 维自旋配边。”这个例子说明，没有任何个人能与模型的知识广度匹敌。Blundin 还给出了一个来自五维引力理论的例子。
已发布的对比结果是：o3 得分 21%，Grok 4 为 25.4%，Gemini 2.5 为 26.9%，Grok 4 Heavy 为 44.4%。当被问及何时能达到 100% 时，Mostaque 回答“最多两年”，很可能就在明年。Diamandis 对测量问题感到不安：AI 可能很快就会提出并回答人类无法理解的问题，人类将无法判断它究竟在以多快的速度进步。
嘉宾对未来的最大猜想是新科学。Mostaque 提到，模型可能从数学推进到物理、化学和生物学，并称如果今年或最迟明年年底出现新物理学发现，他不会感到意外。Blundin 转述了 Alex Wissner-Gross 的猜想：解决量子隐形传态相关问题，或许能揭示宇宙中的其他智能；这只是推测，并非 Grok 4 已被证明具备的能力。

3. xAI 将极端规模转化为工程优势

Diamandis 提到 xAI 成立于 2023 年 3 月，并称公司在 28 个月内成为第一名模型。他回忆，Musk 曾承诺在当年夏末前部署 100,000 块 H100，当时听众都说“不可能”——但他最终做到了。
据称目前的集群包含 340,000 块 GPU，每块成本约 30,000 美元或更高，粗略计算价值约 100亿美元。Diamandis 还表示，xAI 计划在年底前部署 100万块 GPU。嘉宾将这一需求与每天约 10亿美元流入 AI，以及 Jensen Huang 预计到 2030 年行业年投资达 1万亿美元联系起来。
Blundin 描述了这场技术突围：专家认为如此庞大的集群不可能维持“幂律和一致性”。Musk 回到第一性原理，重新设计芯片连接，并让系统真正运行起来，最终引发行业感叹：“天哪，他真做到了。”
Mostaque 回忆，2022 年 Amazon 为他的团队搭建了一套 4,000 块 A100 的系统，当时是公开超算中速度第十快的系统；随着规模扩张，数百块芯片被烧毁。如今，硬件扩张和模型扩张都已经变成可以直接攻克的工程问题。

4. 后训练如今与预训练同等重要

Mostaque 将早期预训练描述为把互联网快照扔进“巨型超级计算机搅拌机”，产出的模型像“没喝咖啡、衣冠不整的研究生”。随后进行的强化学习清理只消耗约 1% 的算力；DeepSeek 将这一比例推高到 10%，而 Grok 4 的发布演示称，后训练投入如今已与预训练持平。
其运作机制是数据飞轮：前沿模型生成结构化推理轨迹和训练材料，供下一代模型使用，从而降低对无差别抓取互联网数据的依赖。Peter 的更广泛结论是，优秀模型之间的差异如今更多来自更好的数据、算法和工程质量，而不是简单地“把一切都扔进锅里”。
当被问及这是否会让 Grok 更理智时，Mostaque 诚实地回答：“但愿如此。”更多后训练并不会消除模式坍塌或潜空间故障，只是让模型获得了比原始 Reddit 数据和互联网规模数据更结构化的课程。
已公布的价格是每100万输入token 3美元、每100万输出token 15美元，并标注上下文长度为 56,000 token；API 讨论中则另行提到 256K 上下文。Blundin 提醒，许多宣传中的上下文窗口并不能完全使用，但如果大窗口确实可用，模型就能在一次处理中并行处理约 100 本书的信息。

5. 廉价智能与高价订阅可以共存

Mostaque 将 Grok 4 的成本与 Claude 4 Sonnet 和 o3 作比较，同时称 Grok 4 的表现优于两者。按每个token约 0.7 个词计算，他估算“100万个聪明的优质词”成本约为 20美元。
仅依靠 Vera Rubin 硬件，他预计明年推理成本就会下降 3–4 倍；再叠加算法进步，同等智能的成本每年可能下降 5–10 倍。他给出的终点是：“100万个惊艳的词，只要 1美元。”
Diamandis 认为，SuperGrok Heavy 每月 300美元仍可能对代码、机械设计及其他关键工作具有吸引力。如果边际能力提升能够节省昂贵的工程时间，或把错误答案变成正确答案，买家就可能接受再高 10 倍的价格，即使竞争产品正越来越商品化。
Mostaque 猜测，高级套餐正在亏钱，类似 OpenAI 此前对其 Pro 档位的描述。他将其视为面向企业的亏损引流产品：先解决“界面问题”，通过 Andrej Karpathy 所称的上下文工程把团队数据接入模型，再向企业销售；对企业而言，每位高级知识工作者每月 300美元微不足道。

6. 企业采用从研究和医疗增强开始

Mostaque 表示，Arc Institute 这家同属投资组合、也是领先的生物医学研究中心，已经在研究工作流中测试 Grok 4。模型可以筛过数百万份实验日志，并在“瞬间”选出有前景的假设，包括 CRISPR 研究。他补充说，xAI 的企业业务仅启动了 2 个月，Grok 将通过超大规模云厂商提供。
Mostaque 预计，医疗领域会先走“增强优先”路线：降低错误率、改善结果，最终才会替代专业人士。Diamandis 认为监管将是主要障碍，而 Mostaque 强调，全面替代所涉及的责任风险“还远得很”。
嘉宾引用了一项 Google 医疗 AI 研究的大致结果。Diamandis 描述称，医生单独诊断的准确率约为 80%，医生加 AI 的“半人马”组合接近 87%，AI 单独使用则在 90% 出头。Mostaque 记得医生单独使用的数字是 70%，并提到 Daniel Kraft 估计医生约 30% 的诊断是错误的。这些数字只是大致呈现，并非一个已经确定的单一结果。
Mostaque 强调，人类偏见也会影响输出。Ismail 更广泛的观点是，问题不只是击败一个医生：现有扫描和传感器已经产生了超出个人吸收能力的信息，而 AI 可以纳入那些“过去根本不可能进入诊断”的数据。

7. 生成式娱乐扩大供给，但注意力和分发仍然稀缺

发布视频展示了一款据称在 4 小时内完成的第一人称射击游戏。发布演讲者强调，核心游戏逻辑并不是唯一难点：获取纹理、文件和其他资产，过去一直是制作具有视觉说服力的作品时的约束。
发布演讲者预计，AI 将生成艺术内容，把它映射到 3D 模型上，并通过 Unreal 或 Unity 等引擎生成可执行文件，可能就在今年，最迟明年。时间判断是：明年出现一款真正优秀的 AI 电子游戏，今年出现半小时可看的电视内容，明年出现一部值得观看的 AI 电影。
Diamandis 预计娱乐内容会出现激进碎片化：游戏可能每 4 小时迭代一次，朋友们也许会观看同一部电影的个性化版本，并拥有不同结局。他预计互动媒体会比被动观看增长更快，包括能够直接回应观众的角色和声音。
Mostaque 反驳称，人类的注意力不会增长。他引用的数字是：游戏市场约 4,500亿美元，电影市场约 700亿美元；电子游戏市场已从约 1,700亿美元增长到 5,000亿美元，Metacritic 平均分则从 69% 升至 74%；电影行业增长幅度小得多，IMDb 平均评分约为 6.3。
Mostaque 认为，大众共享的头部故事仍会存在，因为“分发、分发、还是分发”依旧决定触达范围。更低的成本对公司有利，也能帮助个人创作者讲出更丰富的故事，但“对行业里的从业者来说，这很糟糕”。

8. 编码的下一层抽象是上下文，而不是更多手写代码

发布演讲者表示，xAI 最近训练了一个兼顾速度与智能的专用编码模型，预计将在“数周内”发布。Mostaque 称现有 Grok 模型已经能写出整洁代码，并预计专用模型会进一步提升。
Diamandis 重新提到 Mostaque 早先“5 年内不再需要程序员”的预测，这一说法曾招致印度用户的辱骂邮件。随后他问，顶尖程序员是否只是会因此写出多 100 倍的代码。Mostaque 回答称，下一种角色将是负责指挥系统的“真正优秀的上下文工程师”。
Mostaque 的逻辑是，代码之所以成为中间语言，是因为编译器无法理解人类意图的复杂性。他提到 Cursor 在一年内实现 5亿美元营收，Anthropic 的营收约为 40亿美元，其中可能约三分之二与代码相关。
剩下的弱点是编排。Diamandis 表示，模型已经能生成模块和仪表盘，有时甚至会提前想到他尚未考虑的需求，但创意项目仍需要规划、协调、多智能体系统，以及更紧密的 UI 反馈闭环。

9. Grok 5 的竞争将围绕智能体、世界模型和稀缺算力展开

发布演讲者表示，xAI 将在 3–4 周内开始用超过 100,000 块 GB200 训练视频模型。Mostaque 将其与团队首次训练的最先进视频模型作对比：当时使用了 700 块 H100；如今领先的视频项目通常使用约 2,000–4,000 块芯片。
Mostaque 称视频模型是“世界模型”：学习视觉变化的同时，也会学到物理规律的表征，从而支持 3D 资产、模拟世界和自动驾驶训练数据。他预计 xAI 的系统初期会是独立模型，但语言、图像和视频系统最终可能会合并为一个模型。
他设想的 Grok 5 是一个多智能体系统，拥有“60、600 或 6,000 个”工作者、一个世界模型、系统连接能力，以及调用 Maya、物理模拟器和 Lean 的能力。规模足够大后，它就会变成一个“极其多才多艺的工作人员”；人类与 Grok 5 或 Grok 6 的交互，可能看起来就像一次 Zoom 通话。
Mostaque 预计 Gemini 3、GPT-5 和 Grok 4 级别的系统将处于大致相同的智能平台上。差异化因素将变成一个类似远程同事的接口：给它发消息、交代任务，在它不确定时收到进度确认，并让它运行超过目前所称的 7 小时任务时长。他偏好的 AGI 定义是“真正有用的智能”（actually useful intelligence），能够“把事情办成，而且不睡觉”（just gets the job done and it doesn’t sleep）。
资本并不是首要约束。嘉宾提到 Google 约 300万块芯片、xAI 和 Meta 的百万芯片目标、OpenAI 的资本以及 Stargate 规模的基础设施，还有 Amazon Trainium 对 Anthropic 的支持。下一次跃迁将是 1,000万块芯片，而全世界据估计只有 2,000万块；因此获取、封装和供应能力将成为决定性因素。
Diamandis 注意到，Apple 尚未进入讨论。Blundin 表示，Apple 控制着 TSMC 约三分之一、用于其 M2 和 M3 产品线的制造产能，可能成为数据中心领域的重要玩家。Mostaque 认为，模型一旦足够好，就会开始像公用事业，因此高效边缘模型的重要性将持续上升。
Nvidia 仍是默认选择——“买 Nvidia 不会被解雇”（you don’t get fired getting Nvidia）——但买家会在任何能买到的地方采购有能力的芯片，因为虚拟工作人员的成本远低于人类团队。Diamandis 表示，Liquid AI 的边缘模型可以运行在 M3 级芯片和汽车硬件上，据称效率约为暴力运行 Transformer 的 100 倍；它们可能负责提供日常智能，而稀缺的前沿系统则处理“天才级”工作。

Grok 4 惊艳亮相、《苦涩的教训》、第三党、AI 浏览器，最高法院 8-1 支持特朗普的 RIF 计划个性化 AI 语言教育——Andrew Hsu 与 Speak