SpaceX用C語言打造AI訓練系統，馬斯克宣稱比JAX快10倍

馬斯克將其設計理念描述為「盡可能貼近裸金屬（bare metal）」，並透過大量運用「管線平行處理（pipeline parallelism）」來實現 。

C語言作為編譯式低階語言，其本質與當前AI業界普遍依賴的Python生態系截然不同。無論是JAX、PyTorch還是TensorFlow，這些框架透過高層次的抽象化，大幅簡化了模型的開發流程，但同時也無可避免地引入了執行時期的效能損耗。SpaceX直接使用C語言，理論上能繞過這層抽象，獲得更精細的記憶體頻寬、運算排程及GPU之間通訊的控制權 。

這項計畫的布局不僅止於訓練。馬斯克已確認，後續會規劃一個同樣以C語言編寫的推論堆疊（inference stack），目標是在大規模的GB300 GPU上，進行高速的強化學習。他表示，這項技術不僅適用於SpaceX，也將用於其創辦的xAI與特斯拉（Tesla）的AI運算任務 。最直接的近期目標，則是為xAI的下一代對話機器人模型Grok提供訓練動力 。

10倍速神話，真有可能嗎？

馬斯克提出的說法很直接：這套客製化C語言堆疊，在同等硬體上進行大規模訓練時，速度將比JAX快「超過十倍」 。若此言屬實，這將是AI訓練效率的一次歷史性飛躍。通常要達到10倍的提升，需要來自硬體、演算法或兩者兼具的根本性架構突破，鮮少能僅憑軟體優化達成。

以JAX為例，即便經過良好優化，其擴展效率也常呈現次線性成長。根據一份2026年1月的實用指南，以JAX在Nvidia Blackwell GPU上訓練一個Transformer模型時，從1顆GPU擴展到16顆，吞吐量僅提升了4.08倍，這與單顆GPU效能提升10倍的說法相去甚遠 。若真的能在22萬顆GPU的規模下實現10倍於JAX的速度，將徹底重塑尖端AI訓練的經濟學。

為何這個「10倍速」說法仍待驗證？

有幾個理由值得我們對此保持審慎態度：

• 發布前狀態：目前所有報導都將此系統描述為「接近完成」或「即將達到1.0版里程碑」，而非一個已經完成基準測試、正在運行實際模型的生產系統 。
• 來源單一：儘管「10倍速」的說法在多個媒體上出現，但它們的來源始終都指向馬斯克本人的陳述，並無任何獨立的效能數據、MLPerf測試結果或技術論文可供佐證 。
• 比較範圍不明：未揭露比較時使用的工作負載定義、模型架構或精度格式。針對某個特定、高度優化的運算項目提升10倍，與在一個完整、多元的訓練任務上全面加快10倍，是截然不同的概念 。
• 過往紀錄：馬斯克在AI與運算專案上，曾有過多次對時程與效能做出過度樂觀預測的紀錄，這也加深了對其進行獨立驗證的必要性。

更宏觀的視角

此舉讓SpaceX躋身於少數但日益增長的組織之列，這些組織願意完全繞過主流的機器學習框架。多數AI實驗室接受JAX或PyTorch所帶來的生產力折衷，因為它們能快速實驗，且擁有龐大的生態系，這些優點通常超越了對硬體極致效率的追求。

SpaceX的賭注顯然是：在極大規模下，這些利弊會開始翻轉。也就是說，在一個由22萬顆GPU構成的叢集上，從頭建構一個C語言專屬技術堆疊的開發成本，會被後續節省下來的龐大訓練成本所抵銷。

這個賭注是否划算，完全取決於那「10倍速」的說法能否在嚴格的檢視下被重現。在SpaceX或xAI公布其方法論、工作負載細節，並提供可被驗證的比較結果之前，這項宣稱仍只是一個非凡的工程野心，而非既定的事實。