北京时间2月18日，科技界瞩目已久的xAI携手马斯克，通过直播正式发布了Grok系列的最新模型——Grok3。此前，马斯克通过持续预热和信息释放，已将全球对Grok3的期待值推至高点。发布会承诺的强大能力与实际表现之间是否存在差距，成为了此次发布后的焦点。
发布会上，马斯克声称Grok3在数学、科学和编程领域表现卓越，甚至预言它将为SpaceX的火星探索任务贡献力量，并有望在未来三年内取得诺贝尔奖级别的科学突破。这类大胆预测引发了广泛关注，但其真实性仍有待考证。考虑到AI模型发展日新月异，这类远期预测往往伴随着极高的不确定性。
发布后不久，许多测试者第一时间体验了Grok3的Beta版本。然而，测试结果却令人略感失望。例如，Grok3在解答“9.11与9.9哪个大”这类简单问题时，竟然未能给出正确答案，这一现象迅速在网络上引发热议。
不仅如此，海外用户也进行了类似的测试，结果显示Grok3在回答基础物理、数学问题时也显得力不从心。例如，“比萨斜塔上两个球哪个先落下”这样的经典问题同样难住了它。“天才不愿回答简单问题”的调侃声浪开始出现。这些测试暴露了Grok3在基础知识理解方面的不足，也引发了人们对其通用性的担忧。
更为尴尬的是，在xAI发布会直播现场，马斯克演示Grok3分析他声称常玩的游戏《流放之路2》的职业与升华效果时，Grok3给出的答案多数是错误的，而马斯克本人似乎并未注意到这一明显错误。这一幕不仅被网友调侃为马斯克游戏水平的“实锤”，更让人们对Grok3的可靠性产生了质疑。这也侧面反映出AI模型在处理复杂、特定领域知识时仍存在挑战。
事实上，在发布会前的预热中，马斯克就曾表示xAI即将推出超越DeepSeek R1的AI模型。然而，实际测试表明，Grok3的表现并未明显优于DeepSeek R1或o1-Pro等其他主流模型。部分测试者甚至认为，Grok3在某些方面的表现不如其前辈。这表明，在当前AI技术发展阶段，超越现有顶尖模型并非易事。
尽管官方PPT显示Grok3在大模型竞技场Chatbot Arena中取得了“遥遥领先”的成绩，但这一结果可能受到数据展示方式的影响。榜单的纵轴仅显示了1400-1300分段的排名，使得原本微小的差距在视觉上被放大。实际模型跑分结果显示，Grok3与DeepSeek R1及GPT4.0的差距仅为1%-2%。这种数据展示技巧虽然常见，但也容易 misleading 受众。
值得注意的是，为了训练Grok3，马斯克投入了巨额资源。据他透露，Grok3的训练使用了超过20万张H100 GPU，总训练时间高达两亿小时。这一数字引发了业界对AI模型训练方向的讨论。然而，有网友对比发现，使用2000张H800训练两个月的DeepSeek V3，算力消耗仅为Grok3的263分之一，而两者在榜单上的差距却不到100分。这提示我们，算力投入与模型性能提升之间的关系并非简单的线性关系。
这一系列情况表明，随着模型规模的增大，性能提升的边际效应日益明显。即使是拥有海量高质量数据的xAI，也面临着优质训练数据不足的挑战。面对这一困境，马斯克在社交媒体上强调当前版本仅为测试版，未来几个月将推出完整版，并鼓励用户反馈问题。这表明xAI也在积极收集用户反馈，以优化Grok3的最终性能。
Grok3的初步表现无疑为那些试图通过“大力出奇迹”训练更强大模型的后来者敲响了警钟。随着模型参数规模的飞速增长，训练成本也在急剧上升。如何在有限的资源下实现模型性能的最大化，已成为行业亟待解决的关键问题。或许，正如OpenAI前首席科学家Ilya Sutskever所言，“预训练模型的时代即将结束”，未来的AI系统需要具备真正的自主性和类人脑的推理能力。这预示着AI研究的重心可能需要从单纯的模型规模扩张转向更高效、更智能的学习方法。
