Пока это не более чем заявление. На момент публикаций не было представлено ни независимых бенчмарков, ни научных статей, ни воспроизводимых тестов — только слова.

Зачем вообще писать ИИ-стек на C?

Большинство лабораторий тренируют модели на Python-фреймворках. Причина проста: они дают удобные абстракции и позволяют быстро экспериментировать. Но за удобство приходится платить накладными расходами — каждый слой абстракции между кодом и GPU отъедает время и мешает тонкой ручной оптимизации памяти, расписания вычислений и межпроцессорного общения.

SpaceX выбрала противоположный путь. Как объяснил Маск, в основе философии их стека лежит «работа максимально близко к голому железу» — для этого активно используется конвейерный параллелизм. Код на C, будучи компилируемым в машинные инструкции напрямую, может практически идеально ложиться на архитектуру кластера без посредников .

Однако низкоуровневый подход имеет цену: всю обвязку, которую JAX или PyTorch дают «из коробки» (автоматическое дифференцирование, готовые оптимизаторы, динамическое управление памятью), инженерам SpaceX пришлось писать с нуля .

Более того, дорожная карта идёт дальше обучения. Уже подтверждено, что следующим этапом будет создание C-стека для инференса, заточенного под высокоскоростное обучение с подкреплением на больших блоках GB300. Маск отдельно отметил, что разрабатываемая технология пригодится не только SpaceX, но и его AI-компании xAI, а также Tesla .

Откуда взялась цифра 10x и можно ли ей верить

Заявление действительно радикальное: утверждается, что на крупномасштабных задачах их стек «более чем в 10 раз быстрее JAX» . В истории ИИ десятикратные скачки эффективности обычно требовали смены архитектуры чипов или фундаментально новых алгоритмов, а не только переписывания софта.

Для контекста: хорошо оптимизированное масштабирование даже на JAX не даёт волшебных чисел. В практическом руководстве Lambda Labs от января 2026 года обучение 27-миллионного трансформера на 16 ускорителях Nvidia Blackwell показало прирост пропускной способности всего в 4,08 раза по сравнению с одним GPU — и это далеко не 10-кратный прирост на каждом устройстве.

Почему к заявлению пока стоит отнестись с осторожностью:

• Статус «почти готово». Все публикации описывают стек как «близкий к завершению», но не как боевую систему, на которой уже считают модели .
• Единственный источник. Цифра 10x фигурирует в разных перепечатках, но везде восходит к словам Маска, без независимых тестов MLPerf или технических отчётов .
• Размытые условия сравнения. Не раскрываются ни архитектуры моделей, ни режимы точности вычислений (FP8, BF16 и т. д.). Десятикратный выигрыш на одной вылизанной операции не равен такому же ускорению на реальной тренировке модели .
• Исторический контекст. Маск не раз делал громкие предсказания по срокам и производительности AI-проектов, которые впоследствии корректировались или сдвигались, поэтому независимая проверка здесь особенно важна.

К чему всё это идёт

SpaceX присоединяется к очень короткому списку игроков, готовых полностью отказаться от стандартных фреймворков ради предельной производительности. Большинство компаний считают, что продуктивность разработки перевешивает сырую эффективность «железа». SpaceX, очевидно, делает противоположную ставку — она полагает, что при масштабе в 220 000 GPU расходы на создание уникального C-стека окупаются экономией каждого процента утилизации.

Оправдается ли ставка, зависит от того, подтвердится ли обещанный десятикратный прирост под пристальным взглядом независимых экспертов. Пока же это выдающаяся инженерная амбиция, а не доказанный факт.

Пока это не более чем заявление. На момент публикаций не было представлено ни независимых бенчмарков, ни научных статей, ни воспроизводимых тестов — только слова.

Зачем вообще писать ИИ-стек на C?

Большинство лабораторий тренируют модели на Python-фреймворках. Причина проста: они дают удобные абстракции и позволяют быстро экспериментировать. Но за удобство приходится платить накладными расходами — каждый слой абстракции между кодом и GPU отъедает время и мешает тонкой ручной оптимизации памяти, расписания вычислений и межпроцессорного общения.

SpaceX выбрала противоположный путь. Как объяснил Маск, в основе философии их стека лежит «работа максимально близко к голому железу» — для этого активно используется конвейерный параллелизм. Код на C, будучи компилируемым в машинные инструкции напрямую, может практически идеально ложиться на архитектуру кластера без посредников .

Однако низкоуровневый подход имеет цену: всю обвязку, которую JAX или PyTorch дают «из коробки» (автоматическое дифференцирование, готовые оптимизаторы, динамическое управление памятью), инженерам SpaceX пришлось писать с нуля .

Более того, дорожная карта идёт дальше обучения. Уже подтверждено, что следующим этапом будет создание C-стека для инференса, заточенного под высокоскоростное обучение с подкреплением на больших блоках GB300. Маск отдельно отметил, что разрабатываемая технология пригодится не только SpaceX, но и его AI-компании xAI, а также Tesla .

Откуда взялась цифра 10x и можно ли ей верить

Заявление действительно радикальное: утверждается, что на крупномасштабных задачах их стек «более чем в 10 раз быстрее JAX» . В истории ИИ десятикратные скачки эффективности обычно требовали смены архитектуры чипов или фундаментально новых алгоритмов, а не только переписывания софта.

Для контекста: хорошо оптимизированное масштабирование даже на JAX не даёт волшебных чисел. В практическом руководстве Lambda Labs от января 2026 года обучение 27-миллионного трансформера на 16 ускорителях Nvidia Blackwell показало прирост пропускной способности всего в 4,08 раза по сравнению с одним GPU — и это далеко не 10-кратный прирост на каждом устройстве.

Почему к заявлению пока стоит отнестись с осторожностью:

• Статус «почти готово». Все публикации описывают стек как «близкий к завершению», но не как боевую систему, на которой уже считают модели .
• Единственный источник. Цифра 10x фигурирует в разных перепечатках, но везде восходит к словам Маска, без независимых тестов MLPerf или технических отчётов .
• Размытые условия сравнения. Не раскрываются ни архитектуры моделей, ни режимы точности вычислений (FP8, BF16 и т. д.). Десятикратный выигрыш на одной вылизанной операции не равен такому же ускорению на реальной тренировке модели .
• Исторический контекст. Маск не раз делал громкие предсказания по срокам и производительности AI-проектов, которые впоследствии корректировались или сдвигались, поэтому независимая проверка здесь особенно важна.

К чему всё это идёт

SpaceX присоединяется к очень короткому списку игроков, готовых полностью отказаться от стандартных фреймворков ради предельной производительности. Большинство компаний считают, что продуктивность разработки перевешивает сырую эффективность «железа». SpaceX, очевидно, делает противоположную ставку — она полагает, что при масштабе в 220 000 GPU расходы на создание уникального C-стека окупаются экономией каждого процента утилизации.

Оправдается ли ставка, зависит от того, подтвердится ли обещанный десятикратный прирост под пристальным взглядом независимых экспертов. Пока же это выдающаяся инженерная амбиция, а не доказанный факт.