SpaceX用C语言打造AI训练系统，马斯克宣称性能超越JAX十倍

这套系统到底长什么样？

根据2026年5月28日发布的多个报道，SpaceX的这套训练系统已接近1.0版本。它几乎完全由C语言编写，仅在实际操作中使用了少量C++ 。其架构能精准映射到底层硬件布局，与22万颗GB300 GPU的逻辑结构严密吻合 。

马斯克将此设计哲学概括为“尽可能贴近硬件裸机”。为此，系统大量运用了“流水线并行”（Pipeline Parallelism）技术，这是一种能将一个巨大的计算任务拆分成多个连续阶段、并行执行的方法，旨在最大化地压榨GPU集群的每一分潜力 。

这一选择与当今AI行业的主流做法形成了鲜明对比。目前，谷歌的JAX、Meta的PyTorch等框架大多建立在Python语言之上。Python简单易懂，生态丰富，但其高度抽象的特性不可避免地带来了运行时的性能开销。用C语言则是直接与硬件对话，理论上能消除这种开销，在内存带宽、计算调度和多GPU通信上实现更精准的控制 。

SpaceX的规划不止于训练。马斯克已证实，一个同样用C语言编写的推理系统已在规划中，目标是利用大块的GB300 GPU进行高速的强化学习。他表示，这项技术不仅会用于SpaceX，还将应用于他旗下的其他公司，如xAI和特斯拉 。最直接的近期目标，则是用这套系统来训练xAI下一代的大语言模型——Grok 。

10倍性能提升，为何值得怀疑？

马斯克的“10倍”豪言，之所以引发关注也备受质疑，有以下几个层面的原因。

首先，这一说法缺乏实证。所有信息均源自马斯克的表态及其在社交媒体上的发言，并没有独立的性能数据、MLPerf（一个衡量AI系统性能的行业基准测试）分数或详细技术白皮书作为佐证 。在科学和工程领域，一项未经独立复现的声明，只能被视为一种雄心勃勃的工程目标。

其次，对比的对象和条件不明。性能提升10倍的对比基准是什么？是针对某个特定的、经过极致优化的运算，还是在一个完整的、多样化的训练任务上实现的？使用的模型架构、数据精度（如FP8、BF16等）是什么？这些关键细节均未披露 。

为了理解这个对比的难度，我们可以看一个实际案例：一份2026年1月发布的实践指南显示，在使用JAX框架在英伟达Blackwell GPU上训练一个Transformer模型时，将GPU数量从1颗扩展到16颗，吞吐量仅提升了4.08倍 。这还是在优化良好的情况下。在一个拥有22万颗GPU的庞然大物上实现10倍的每单位GPU效率提升，其技术难度可想而知。

最后，马斯克本人对技术项目的时间和性能预估有过多次过于乐观的历史。因此，业界对这类“遥遥领先”的说法自然会打上一个问号。

为何SpaceX要另起炉灶？

这一举动将SpaceX置于一个极小但正在壮大的组织行列中——它们甘愿彻底绕开标准的机器学习框架。

对于绝大多数AI实验室而言，接受JAX或PyTorch带来的少量性能折损是划算的，因为这意味着能极速进行实验、复用庞大的生态和社区资源。而SpaceX的算盘或许是这样打的：在22万颗GPU的极端规模之下，效率上的微小差异都会被天文数字般地放大，以至于从头构建一套定制系统的巨大开发成本，与之带来的训练成本节省相比，也变得微不足道。

这是一场豪赌。赌的是，在AI训练的“极限地带”，现有框架的通用性已成为瓶颈，而回归底层、追求完全掌控的“裸机”哲学，才是打开下一次飞跃的钥匙。

最终，这场赌局能否成功，完全取决于那个“10倍”的说法能否在公开、严格的检验下得到重现。在此之前，它仍是太空探索技术公司又一个雄心勃勃的工程技术野心，而非一个既定事实。