SpaceX用C語言砌出AI訓練架構 馬斯克豪言快過JAX十倍，但數據喺邊？

系統究竟係乜東東？

綜合2026年5月28日多份報導，SpaceX呢套AI訓練架構主要由C語言編寫，實務上亦夾雜少量C++代碼 。佢嘅設計核心係要精準對應嗰22萬張Nvidia GB300 GPU嘅硬件佈局。Nvidia GB300係嗰代Blackwell Ultra架構嘅旗艦級數據中心GPU，專為超大規模AI工廠而設 。

馬斯克形容佢哋嘅設計哲學係「盡可能貼近裸機」，具體做法係大量運用「流水線並行處理」（pipeline parallelism）嘅技術 。

用C語言直接操控硬件，同而家AI業界高度依賴Python生態嘅做法有好大分別。JAX、PyTorch、TensorFlow呢啲框架，提供咗好多高階抽象層，令開發者可以好方便咁砌模型，但代價係會產生運行時開銷（runtime overhead），做唔到最極致嘅硬件利用率。SpaceX直接用C語言寫訓練堆疊，理論上可以踢走晒呢啲開銷，精細咁控制記憶體頻寬、運算排程同埋跨GPU之間嘅通訊，從而擠出最後一滴效能 。

佢哋嘅發展路線圖仲有後續計劃。馬斯克已經確認，下一步會開發一個同樣用C語言寫嘅推論架構（inference stack），目標係喺大規模嘅GB300 GPU區塊上，做到高速嘅強化學習（reinforcement learning）。呢項技術將來唔止會用喺SpaceX自己嘅項目，仲會應用到xAI同Tesla嘅AI工作流程 。短期最實際嘅目標，係用呢套系統嚟訓練xAI旗下下一代嘅Grok模型 。

十倍速有幾誇張？

要理解呢個宣稱有幾震撼，首先要知十倍提速喺呢個規模之下係咩概念。一般嚟講，透過純軟件優化要做到10倍效能提升係極之罕見，通常需要硬件架構革新或者演算法嘅根本性突破先做到。

打個比喻，Lambda Labs喺2026年1月發布過一份實務指南，示範點樣喺Nvidia Blackwell GPU上用JAX框架擴展訓練一個Transformer模型。結果顯示，由1張GPU擴展到16張GPU，吞吐量提升咗大約4.08倍——呢個係靠增加硬件規模得嚟嘅成果 。

但馬斯克宣稱嘅，係喺同等硬件規格之下，單靠自家軟件架構就可以跑出十倍速度。如果屬實，佢足以改寫前沿AI模型訓練嘅經濟效益，可能為SpaceX同xAI慳返以億計嘅訓練成本。

點解個宣稱仲未證實？

有幾個理由，令到我哋應該審慎看待呢個十倍速宣稱：

• 仲係預發布階段：目前所有報導都話呢套系統只係「接近完成」或者「準備進入V1.0里程碑」，唔係一個已經做完基準測試、正在跑生產模型嘅成品系統 。
• 消息來源單一：「十倍」呢個數字喺多個媒體出現，但追查返源頭，全部都係嚟自馬斯克嘅陳述。暫時未有任何獨立效能數據、MLPerf測試提交結果，或者技術白皮書可以支撐呢個講法 。
• 比較範圍模糊：佢哋冇披露具體嘅工作負載定義、模型架構或者浮點精度格式。喺某個特定、高度優化嘅運算上做到十倍加速，同喺一次完整、涵蓋多種運算嘅AI訓練流程入面做到十倍加速，係完全唔同嘅兩回事 。
• 往績參考：馬斯克以往喺AI同運算項目上，不時提出一啲好進取嘅時間表同效能宣稱，但最後往往比預期樂觀。呢個往績，令人更加覺得需要有獨立嘅實測數據嚟驗證。

大局觀：SpaceX嘅豪賭

今次呢個舉動，將SpaceX擺咗喺一個好細但係好進取嘅組織名單入面。業界絕大部分AI實驗室，都寧願接受JAX或者PyTorch喺生產力上嘅好處——因為快速實驗同埋龐大生態系統嘅價值，通常遠高過純硬件效率嘅追求。

但SpaceX似乎喺度賭：當規模大到去22萬張GPU級別嗰陣，呢個取捨會逆轉。用C語言由頭砌過曬成個訓練架構嘅開發成本，可以透過慳返天價嘅訓練費用同時間嚟抵銷有餘。

呢場賭局嘅結果，完全取決於「十倍速」呢個宣稱能否通過嚴格審視。喺SpaceX或者xAI公布詳細方法論、工作負載細節同可重複驗證嘅對比數據之前，呢個十倍速故事，暫時只能夠當係一個極具野心嘅工程學宣稱，而唔係一個已確立嘅事實。

（編按：本文綜合截至2026年5月底嘅多份公開報導同技術文件）