一、发布会高光：Grok3的“宇宙级”野心

2025年2月18日，马斯克携xAI团队高调发布Grok3，宣称这是“地球上最聪明的AI”，并计划将其用于SpaceX火星探测任务的复杂计算，甚至预言“三年内实现诺贝尔奖级别突破”。从技术参数看，Grok3的算力配置堪称“暴力美学”：基于10万块英伟达H100GPU搭建的Colossus超算，消耗2亿GPU小时训练，算力是前代Grok2的10倍以上。在数学、科学和编程领域的基准测试中，Grok3全面超越GPT4o、Gemini等主流模型，甚至以1400分刷新了盲测榜单LYSYSArena的历史纪录。

然而，这场技术盛宴的余温未散，一场“小学数学级”的测试却让Grok3跌下神坛。

二、翻车现场：一道题撕开AI的“常识黑洞”

当用户向Grok3提问“9.11与9.9哪个更大”时，这款号称“最聪明”的AI给出了错误答案。相比之下，竞争对手DeepSeek无论是否开启深度思考模式，均能正确回答“9.9更大”；而ChatGPT4o、GeminiAdvanced等模型也曾在此问题上集体翻车，但Grok3的失误因其高调宣传更显讽刺。



为何AI“奥数冠军”败给常识？

1.数值比较的“思维陷阱”：对人类而言，“9.11”是两位小数（9.11），而“9.9”可视为一位小数（9.90），因此9.90>9.11。但AI可能将输入简化为“9.11vs9.9”的字符串对比，误判为“9.11>9.9”。

2.训练数据的“偏见”：Grok3虽擅长处理复杂数学问题，但训练数据中可能缺乏对“常识性数值比较”的针对性优化，导致模型过度依赖符号逻辑而非实际语义。

3.模式依赖的局限性：据实测，Grok3在普通模式下答错，但开启“Think模式”（深度推理）后却能正确解题。这表明其基础模型仍需依赖特定功能模块弥补短板。

三、技术争议：算力堆砌VS算法优化

Grok3的失败引发了行业对AI发展路径的反思。xAI选择“大力出奇迹”，通过扩大基座模型规模（推测达2000亿参数以上）和堆砌算力提升性能，但此举被质疑性价比极低。相比之下，DeepSeek等团队更注重算法优化，例如用2048块GPU训练2788千小时，通过“蒸馏深度思考数据”提升模型效率。

专家观点：ScalingLaw的“天花板”之争

中国中文信息学会理事张俊林指出，Grok3的路径依赖预训练阶段的“模型尺寸扩大”，而当前行业趋势是转向RL（强化学习）和TestTimeScaling（推理时扩展）等性价比更高的方法。若RL和TestTime的天花板尚未触顶，盲目扩大基座模型可能是一种“资源浪费”。

四、行业启示：AI的“智商”与“情商”如何兼得？

1.常识库建设的紧迫性：AI在专业领域的高智商表现与常识缺失形成鲜明对比。未来需构建更全面的常识数据集，例如将日常对话、基础教育题目纳入训练。

2.功能模块的精细化设计：Grok3的“Think模式”证明，通过模块化分工（如分离逻辑推理与常识判断）可针对性补足短板，但这也增加了使用门槛。

3.用户期待的落差管理：马斯克将Grok3定位为“理解宇宙”的通用AI，但其表现暴露了宣传与实际能力的差距。行业需更谨慎地平衡技术突破与用户预期。

五、未来展望：Grok3的“进化论”与AI竞争格局

尽管遭遇质疑，Grok3的潜力仍不可小觑。其开放的DeepSearch智能搜索引擎、图像生成与语音交互功能已展现多模态能力，而马斯克承诺“每天改进模型”并计划通过API开放企业级服务。若能在常识推理上补足短板，Grok3或将成为AGI（通用人工智能）竞争中的关键选手。

然而，这场“翻车事件”也提醒我们：AI的终极挑战或许不是攻克奥数题，而是理解人类世界中那些“不言自明”的常识。正如网友调侃：“天才AI的崩溃，从一道小学数学题开始。”

Grok3的发布如同一面镜子，既映照出AI技术的飞跃——从火星任务计算到图像生成的惊艳细节，也暴露出其“高智商低情商”的致命伤。当马斯克用10万GPU点燃算力狂欢时，行业更需要冷静思考：AI的“聪明”，究竟该如何定义？是benchmark上的冰冷分数，还是对人类常识的细腻理解？答案或许藏在两者平衡的某个临界点，而Grok3的“进化之路”，正是寻找这一临界点的缩影。