拆解 SpaceXAI 的十萬億參數野心：Grok 每月發一個大模型？十倍提速？C 語言重寫的豪賭背後？為什麼砸 600 億美元買 Cursor？

開場：馬斯克的“十倍提速”到底是什麼貨色？

七月七號，SpaceXAI 發佈了 Grok 4.5。

因為有 Cursor 真實編程數據的調教，目前市場反響相當不錯。但有意思的是，馬斯克除了說它能力比肩 Opus 之外，給它挑的核心賣點，通篇都在講速度、token 效率和成本——全是跟“快”和“省錢”有關的詞。市場反響也印證了這一點。

為什麼這麼在乎速度？這就要拉回到五月底，馬斯克放出的那句狠話：SpaceXAI 用純 C 語言重寫了訓練軟件，速度比原來的 JAX 至少快了 10 倍，並且立下規矩，以後每個月都要發一個全新的基礎模型。

大模型行業雖然卷，但大多數公司一年也就憋出兩三個新模型。而卷王之王馬斯克不僅放話要一個月發一個，還要快 10 倍。這句話一出，圈內反應兩極：有人高呼馬斯克牛逼，有人直接當吹牛皮聽。

大家好我是小梗。

今天我們來看一家兩邊都沒站的研究機構 Mach33，他們幹了一件特別較真的事：用一套自下而上的工序模型，把 SpaceXAI 的“模型工廠”裡造模型的每一道工序，從底層的物理定律開始，一道一道算了一遍。

這篇名為《SpaceXAI 的 C 重寫豪賭，到底買到了什麼》的報告，算出了一個比“神話”和“吹牛”都有意思得多的結論：

所謂的十倍提速，對 SpaceXAI 自己的舊軟件來說，其實大約是四倍。如果對比全行業最好的開源工具，他們只領先了大約百分之三十三；而且在一年之內，這個優勢，可能會被同行追到只剩百分之八。

聽起來好像這筆底層的重寫投資很不划算？別急。真正的重點藏在後面：模型越大，這筆投資賺得越多。這套基建，根本不是為了今天的模型優化的。它是為了下一代、六萬億，甚至十萬億參數的巨型模型，提前鋪好的路。順著這條路往下推，你還會徹底看懂，那筆 600 億美元收購 Cursor 的交易，到底買到了什麼。

兩萬億估值，一半押在 AI 上

今年二月，SpaceX 和馬斯克的 AI 公司 xAI 合併在了一起，六月完成 IPO，其代碼是 SPCX。按 Mach33 的估算，這家公司大約兩萬億美元的估值裡，有五成左右押的不是火箭，而是 AI 基礎設施：

孟菲斯那個叫 Colossus 的超級計算集群
600 億美元收購 AI 編程工具 Cursor
大手筆買燃氣輪機發電
甚至還有把數據中心搬到軌道上的計劃

每一筆投入，背後都對應著 AI 進步路上的某一個瓶頸。

Mach33 今年給自己定的課題，就是把這些瓶頸從物理原理開始一個一個畫出來：當下卡住 AI 進步的是什麼，解開它要花多少錢，以及——這一點很妙——一家公司買了什麼，恰恰暴露了它被什麼卡住。就像你看到鄰居家突然裝了三臺抽水機，你就知道他家地下室進水了，不用等他自己承認。

那這次的主角，C 重寫，到底是個什麼事？

C 重寫：撕掉通用菜譜，貼著 GB300 一行一行寫

行業裡訓練大模型，普遍用 Google 開源的 JAX 或者 Meta 的 PyTorch 這類通用框架。打個比方，通用框架就像連鎖餐廳的標準菜譜：寫得四平八穩，什麼灶臺都能用，但正因為什麼灶臺都能用，它在你家那口具體的鍋上，火候永遠差著一截。

SpaceXAI 乾的事，是把整套菜譜撕了，用 C 語言重新手寫一份，而且是照著自己買的 NVIDIA GB300 芯片的脾氣，一行一行貼著硬件寫。鍋還是那口鍋，火還是那把火，但每一個動作都不再浪費。

為什麼偏偏是 C 語言？因為 C 幾乎是最貼近硬件的通用語言，沒有中間層，沒有自動幫你打理內存的管家，每一個字節放哪、什麼時候搬，全由程序員說了算。代價是開發又慢又苦，得養一批全世界最貴的工程師；好處是機器執行起來幾乎零浪費。

通用框架為了讓千千萬萬開發者都能上手，在你和芯片之間墊了一層又一層的翻譯，每層翻譯都要抽走一點性能。SpaceXAI 的選擇等於說：翻譯全撤掉，我們直接跟芯片對話。

馬斯克五月二十八號發帖說，這套自研 C 訓練棧相比 JAX，有“超過一個數量級”的潛在提速，也就是說至少快 10 倍。六月二十八號又補了一條，說三個月內，完整的訓練加推理棧都會切換到 C 和 C++。聽起來非常唬人。

但這裡有個所有人都繞不開的問題：快 10 倍，是跟什麼比？跟哪個配置的 JAX 比？跑什麼任務？拿原始的底層計算跑分，還是拿完整訓練流程？同一句“快 10 倍”，錨在一百個不同的基準上，能得出一百個不同的成色。外人根本無從知道他錨定的是哪一個。

Mach33 自己也交了底：他們是在公開場合邊學邊寫，整個模型有一百二十多個帶出處的輸入參數，跑了兩千次模擬。他們還統計了馬斯克歷史發言的“匯率”——硬件方面的承諾，基本都兌現了；軟件和時間表方面的承諾，歷史上普遍樂觀 2 到 5 倍。這兩個規律，他們都折算進了模型裡。

要看懂這些算出來的結果，得先搞明白一件事：AI 模型幹活，其實分成兩個完全不同的動作，一個快得驚人，一個慢得離譜。

模型讀得飛快，打字龜速：prefill vs decode

你每次用 AI，它其實在做兩件事：讀你的問題，然後打出回答。這兩件事的速度，天差地別。

讀的時候，模型是把你整段話一口氣吞下去的。成千上萬個計算單元同時開工，各嚼各的一塊，就像你看報紙，一眼掃過去整個版面都進了眼睛。行業管這個叫 prefill。這一步硬件忙得團團轉，效率極高。

打字的時候，完全是另一回事。模型每寫一個詞，都得把這個詞喂回給自己，才能想下一個詞。一個字，一個字，往外蹦。更要命的是，每蹦一個字，芯片都要把模型的參數從內存裡重新搬一遍。

SpaceXAI 現在這個 2 萬億參數級別的模型，每寫一個詞，大概要從內存裡搬 900 億個激活參數。這時候決定速度的不是芯片的算力，是內存帶寬——芯片紙面上的算力再猛，也只能乾等著數據搬過來。行業管這個叫 decode。

一個比方：讀，像你看書，一目十行；寫，像你用一根手指在手機上打字，還得每打一個字就把整本字典翻一遍。翻字典的速度取決於你的手多快，跟你腦子轉多快沒關係——這就是為什麼這些芯片實際跑起來，只能發揮紙面速度的一小部分。

讀便宜又快，寫又貴又慢，這中間的差距，就是軟件水平能大顯身手的地方：誰能把“翻字典”這個動作安排得更省、更巧，誰的芯片就能多幹出幾成的活。

那這跟訓練有什麼關係？關係大了。

強化學習是“打字生意”：訓練的大頭其實在生成

現代 AI 訓練，早就不是單純的“喂數據”了，大頭是“練習”——行業叫強化學習，RL。

什麼叫練習？模型自己寫出幾百萬個候選答案，然後被打分，再根據分數調整自己。你發現沒有，“寫出幾百萬個答案”，這不就是打字嗎？

Mach33 估算，強化學習階段大約 80% 的時間，模型都在打字。馬斯克自己今年二月在 Dwarkesh Patel 的播客上也說過同一個意思，他的原話是：“大部分 AI 都會是推理。現在，為了訓練而做的推理，已經佔了訓練的大頭。”

所以你現在能看懂這步棋了：用 C 重寫軟件棧、貼著自家 GPU 寫代碼，本質上是一門打字速度的生意。

而打字提速，能收兩遍錢：

第一遍收在訓練週期裡，練習階段變短
第二遍收在服務用戶上，每次你跟 Grok 聊天，它打字快一分，成本就低一分

第二遍的賬 Mach33 放在了下一篇經濟學分析裡，今天這篇只算第一遍，也就是說，今天算出來的所有好處，還沒算上服務端這塊潛在的增量。

明白了讀和寫的區別，接下來就能把大模型訓練這條流水線整個拆開，看看時間到底花在哪了。答案跟大多數人想象的完全不一樣。

三天的訓練，八週的流水線：模型是怎麼“造”出來的？

說到“訓練大模型”，你腦子裡的畫面是不是這樣：幾十萬張顯卡轟隆隆跑上幾個月，電錶轉得像風扇？

Mach33 把流水線拆開一算，發現那個著名的“訓練大跑”，其實只是三天左右的一小步。整條生產線是這樣的：

數據準備和試跑
把海量文本清洗、去重、配比，再用小模型試跑驗證配方。
預訓練大跑
就是大家熟悉的燒電環節。
微調
教會模型聽懂指令、好好說話。
強化學習練習
讓它自己寫答案、捱打分、長本事。
測試與評估
安全評估、能力評測，一關一關過。

全流程 5 到 8 周。而其中預訓練——就是大家想象中那個燒電的環節——對一個 2 萬億參數的稀疏模型、用大約 20 萬張 H100 等效算力來算，中心情形只要 2.7 天。樂觀情況 9 個小時，壓力情況兩三週。

那麼，是不是卡越多越快呢？不是。

因為一次訓練能“餵飽”的芯片數量有上限，超過這個數，多出來的卡就沒活幹了，純粹站在旁邊看。Mach33 按公開的批次規模研究推算，這個上限大概就是 20 萬張 H100 等效——注意，卡住速度的是這個上限，不是你倉庫裡總共有多少卡。這也是整個模型裡證據最薄弱的一個數據，因為沒有任何一家實驗室會公佈自己一次訓練能用多少卡，這屬於核心商業機密，所以他們只能給區間，不給點。

流水線上真正的大塊頭是誰？強化學習練習。改寫前要 5 周，是整條線上最寬的一塊。而 C 重寫壓縮的恰恰就是這一塊——因為練習就是打字，重寫就是給打字提速——從 5 周壓到 2.4 周。數據準備、微調、測試，基本紋絲不動。

這個模型準不準？有一個可以驗證的硬數據點：馬斯克說過，那個 2 萬億參數的模型六月初開跑、七月底完成，實際週期大約 7.5 周。Mach33 的模型對“第一次跑這種規模”算出來是 7.6 周，誤差 0.8%。一個 120 個輸入的模型，能算到跟現實只差 0.8%，這就是他們敢把整篇分析發出來的底氣。

那“每個月一個新模型”這個目標可不可行呢？答案有點出乎意料。

“每月一個模型”靠的是流水線重疊，不是黑科技

這個承諾不但可行，而且不需要任何黑科技，靠的就是流水線重疊。

N 號模型在做強化學習練習的時候，N+1 號已經在預訓練了
數據團隊同時在給 N+2 號備料

每個模型單獨算還是要走完 5 周多的全流程，但出貨節奏等於週期除以重疊度——就像汽車下線的速度，遠比造一臺車的時間快。

按 1.5 倍的重疊算，中心情形是每 3.5 周出一個模型，一年 15 個左右。實際上，SpaceXAI 現在確實在同時跑多個模型，馬斯克號稱有七個。2000 次模擬下來，典型值 3.3 周，悲觀也就 4.9 到 5.4 周。

有意思的是，Mach33 這個中心值比馬斯克自己說的“一年 12 個”還激進，他們沒有往回調，而是原樣發出來，說八月到十二月的實際發佈間隔會給他們的預測打分。

流水線看完了，該回頭算總賬了：那句“比 JAX 快一個數量級”，對上實際算出來的工時，到底能剩下多少？

快十倍？拆開看還剩四倍：一次非常出色的大掃除

前面說了，10 倍這個數字的基準在哪，外人根本無從知曉，死磕這個數字是條死路。所以 Mach33 乾脆自己立錨：把重寫能撬動的每一根槓桿單獨拆出來，一根一根算清楚，再把它們乘起來。

訓練側的槓桿有三根：

讓芯片更忙
用更低精度的數學
讓芯片之間的協調更聰明

三根乘起來，大約 5 倍。

但這裡橫著一堵牆——物理和工程的現實是，全世界公開的前沿規模訓練，沒有任何一次能把硬件峰值算力持續用到 55% 以上。你的起點到這堵牆之間的距離，就是你能吃到的全部提升，一分都多不出來。

當然這堵牆是經驗記錄，不是物理定律，有決心的實驗室有可能突破它——有家叫 Etched 的芯片創業公司就號稱，把 Transformer 直接焊死在專用推理芯片裡，利用率能到 80% 甚至 90%，不過這是自報數據，產品還沒出貨。Mach33 的處理很穩健：模型按觀察到的記錄封頂，超出的部分算作額外驚喜，不進中心估計。

然後把練習和生成那條腿混進來——它佔整個週期大約 45%——全週期的提速落在 4.0 倍，這是跟 SpaceXAI 自己的舊軟件比。2000 次模擬裡，典型結果 5 倍上下，樂觀邊緣 8 倍，而 10 倍出現的概率，是 0.2%。

你換個角度想想這事。4 倍是什麼概念？相當於你家工廠原來四條產線有三條在空轉，現在全開起來了。把浪費的產能撿回來，這是一筆實打實的大錢，沒什麼可嘲笑的。

但它和“發明了快 10 倍的新技術”，是兩碼事。一個是打掃房間，一個是蓋新樓。馬斯克說的是蓋新樓，實際算出來的是一次非常出色的大掃除。

還記得開頭說的那個規律嗎——他的軟件類承諾歷史上樂觀 2 到 5 倍，10 除以 4，正好 2.5，嚴絲合縫地落在他自己的歷史區間裡。

算出 4 倍還只是平均賬。更有意思的問題是：這麼多環節裡，到底哪個才真正決定出貨快慢？答案又一次打臉直覺。

真正卡脖子的，不是預訓練算力

對於一個 120 個輸入的模型，誰都能跳出來質疑其中 30 個。Mach33 用一張“龍捲風圖”一錘定音：把每根槓桿從最差拉到最好，其他變量全部凍住，看出貨節奏能被撬動多少。

排第一的是什麼？數據準備和測試的時間，能把出貨節奏拉出正 42%、負 28% 的擺動。就是那些最不性感的活兒：洗數據、配環境、跑評測。

排第二的是重寫帶來的練習提速，正 30%、負 14%。

排第三的是流水線重疊度，正 15%、負 25%。

那麼，預訓練的提速對整體出貨節奏有多大影響呢？答案是，只有可憐的負 0.4% 到正 2.8%，在圖表最底下只是一小截存根。

為什麼影響這麼小？因為前面算過了——預訓練本來就只佔 2.7 天，一條三天的工序，就算你把它提速一百倍，八週的流水線也快不了幾個小時。這部分從來就不是慢的那一環，只是它聽起來最像“訓練速度”這四個字罷了。

買更多 GPU 這一項也小得出奇，原因更微妙：單次訓練能用的芯片有上限，上限之下加卡沒用。多買的卡能幹嘛？多開幾條並行的流水線。所以加卡不是提速的故事，是重疊度的故事，又繞回第三名去了。

這就像一個學生總覺得自己考不好是因為做題太慢，拼命練速算。結果把整個備考過程拆開一算，做題只佔 5% 的時間，真正的大頭是整理筆記和對答案。速算練得再猛，總分也就多兩三分。

這張圖對你看新聞還有一個實際用處。以後再看到“某某公司訓練速度提升多少倍”的標題，先問一句：提升的是哪一段？

如果是預訓練那一段，那就是圖底下那截存根，對出貨節奏幾乎沒影響
如果提升的是數據流水線、評測流程，或者練習階段的生成速度，那才是真正會反映到發佈日曆上的東西

同樣一個“提速”的標題，落在不同的工序上，含金量能差出一個數量級。

到這裡，跟 SpaceXAI 自己的舊軟件比，賬算完了，這是 4 倍的貨真價實的提升。但你我作為投資者，真正該問的是另一個問題——跟對手比呢？答案就沒那麼風光了。

領先 33%，保質期一年：對行業的真實優勢有多大？

跟全行業最好的開源服務軟件比，Mach33 的帶寬模型算出來，SpaceXAI 重寫之後的優勢是大約 1.25 倍——每張 GPU 每秒多產出 33% 的 token。

這個單位你可以直接換算成兩樣東西：

訓練裡練習階段的時長
服務用戶時每個 token 的成本

換句話說，同樣一萬張卡，別人產一百份答案的時間，SpaceXAI 能產一百三十三份；反過來說，提供同樣的服務，它可以少買四分之一的卡。

為什麼只有 33%，而不是對自己那個 4 倍？因為最好的開源服務軟件——那些全世界工程師一起打磨了幾年的項目——彼此之間的差距本來就只剩百分之幾十了，行業的地板已經很高，你再天才，能墊的也只有最後那一小截。

最差情況呢？毫無優勢。不過最差情況的代價也很溫和：那就用回開源軟件唄，損失的只有面子。

但這 33% 是有保質期的，而且保質期不長。侵蝕它的力量有兩股，各走各的時鐘。

兩股侵蝕力量：三週的“保密期”和一年的芯片鬧鐘

第一股：軟件技巧的保密期，以周計算。

2025 年初 DeepSeek 公開自己的推理優化方案時，開源社區的 vLLM 項目用了多久把核心技術吸收進去？你猜一猜。三週。你的技巧一旦被人看見了效果，同行逆向工程出來只是時間問題，而這個時間短得可憐。

第二股：芯片換代，以年計算，而且很準時，就像鬧鐘一樣。

這次重寫是貼著 NVIDIA 的 GB300 寫的，代碼和硬件咬得越緊，性能越好——但也意味著芯片一換代，你貼身定製的那部分就得作廢一批。NVIDIA 現在一年出一代新架構，Rubin 六月就已經投產了。日曆一翻頁，你的定製優化就過期一輪。

兩股力量一疊加，Mach33 給出的十二個月後的領先幅度：8%，區間從 2% 到 16%。

那這波操作圖什麼？注意一個細節：每次芯片換代、優勢清零之後，SpaceXAI 會重新貼著新芯片再調一遍。這裡大概率是部分移植，而不是每年從頭重寫。這樣，他們就能趁著對手還在搬家的時候，重新收穫一茬新鮮的領先。

所以真正值錢的資產，不是這 33% 本身，而是“每代芯片都能最快完成重建”的這塊肌肉。這塊肌肉你其實見過：Colossus 集群，就是靠它比所有競爭對手都快這一招建起來的。

一年就被磨平的優勢，動用幾十位頂級工程師去換，這買賣乍一看是虧的。讓整件事翻盤的，是下面這一節——也是整篇分析裡最硬核的部分。

這份禮物，是給 6T 和 10T 準備的：模型越大，收益越“複利”

把模型尺寸這個變量拉開，整個畫面就變了。

作者利用前面的數字，計算了每訓練一個模型能省下的時間：

今天的 2 萬億參數模型，可以省下接近 3 周的時間
6 萬億參數模型，可以省下 8.8 周
10 萬億，可以省下 15.8 周
20 萬億，37 周，將近九個月

而且從頭到尾，省下的時間都主要來自打字那一側。

不光省的時間在增加，領先倍數本身也在增加：從 2T 時的約 1.25 倍，漲到 20T 時的約 1.5 倍。

為什麼？想象一個模型大到單張卡裝不下——2 萬億參數的模型要切成 10 張 GPU 一組來放，20 萬億就得切到差不多 100 張一組。切得越碎，卡和卡之間的通信開銷越多，協調成本滾雪球般膨脹。

而一套跟硬件嚴絲合縫的定製軟件，恰恰最擅長砍掉的就是這種開銷。就像一個 10 人的小團隊怎麼開會都行，一個 100 人的項目組，流程好壞能差出一倍的產出。

Aaron 發佈這篇分析的時候，在 X 上把幾個月的建模濃縮成了兩條核心發現，跟這裡正好對上：

訓練週期的提速主要來自強化學習，不是預訓練
重寫省下的時間會隨模型變大而複利式增長

他的收尾是這麼說的：這完全是 SpaceX 和馬斯克的風格，他們看起來是想造一座頂級模型工廠，能比任何人更快地量產更大的模型。強調一下這裡說的模型工廠的概念，還記得馬斯克說過特斯拉真正的產品是汽車製造工廠嗎？

再看一個對得上的事實：馬斯克的路線圖上，已經明確寫著 6T 和 10T 的訓練計劃。所以這次重寫的定位就清楚了——它不是給現在這代模型做的優化，是給下一代巨型模型提前修的高速公路。路修好的時候，車正好造出來。

不過圖表的最右端，立著兩堵牆。第一堵在 12 萬億參數附近：預訓練本身的純計算又重新變成瓶頸，重寫沒顧上的那條腿又開始拖後腿。第二堵牆值得單獨講。

因為它解釋的不是一個技術選擇，而是一筆讓很多人看不懂的 600 億美元收購。

數據牆，和 600 億買來的印鈔機

一個 20 萬億參數的模型，按今天前沿水平每個參數 20 個 token 的數據強度，需要大約 400 萬億 token 的訓練文本——這還是底線，更重的訓練配方按激活參數算要幾百個 token，需求還得翻幾倍。

而全人類現存可用的文字，按 Epoch AI 的估算，總共大約 300 萬億 token。

看清楚了嗎？需求 400 萬億起步，庫存 300 萬億封頂。到 20T 這個尺寸，卡脖子的不再是芯片，不再是軟件效率，是人類寫過的字不夠用了。

這堵牆跟前面那些瓶頸有個本質區別：芯片可以加錢買，軟件可以加人寫，但人類幾千年攢下來的文字總量，你砸再多錢，明天早上也不會多出一倍。

還記得背景那一節說的嗎——一家公司買了什麼，就暴露了它在什麼方面卡住了。

現在你再看那筆交易：600 億美元，全股票，收購 AI 編程工具 Cursor，本季度交割。市場上很多人覺得貴得離譜。

但放進“數據即將見底”這個框架裡，這筆賬完全是另一個算法：Cursor 的用戶每天都在生成真實的編程數據，而且自帶反饋閉環——代碼跑沒跑通，用戶接沒接受建議，這些都是天然的評分。

這不是買了一個軟件公司，這是在數據枯竭之前，買下了一臺能持續印出新數據的印鈔機。前面 Aaron Burnett 那條推文的第一句話也在暗示同一件事：Grok 4.5 的成功，已經有 Cursor 數據的功勞了。

多模態是同一筆交易的另一條路：一張高清圖片在今天的前沿流水線裡要吃 800 到 1100 個 token，視頻再把需求乘上幾個數量級。圖像和視頻，等於另一座還沒怎麼開採的數據礦山。

把三年連起來看，瓶頸是會移動的：

2024 年卡脖子的是芯片
現在卡的是生成效率——這次重寫攻克的正是它
下一個輪到數據

而 SpaceXAI 的收購清單，恰好踩著這個節奏，趕在市場給這些資產重新定價之前，提前把籌碼收入囊中。

不過在所有這些推演之上，還得潑一盆冷水：以上全部結論，都建立在“世界正常運轉”的前提上。Mach33 專門算了一遍，如果不正常，會怎樣。

三種世界，三種節奏：壓力、折衷、樂觀三套劇本

他們把模型在四個尺寸、三個自洽的世界裡各跑了一遍：壓力世界、折衷世界、樂觀世界。每個格子裡，芯片、效率、數據預算、練習提速、流水線，全套設定同時生效——不是挑一個變量使壞，而是讓整個世界一起變好或者一起變壞，這樣每個格子才是一個真實可能發生的劇本，而不是紙上拼出來的怪物。

幾個格子念給你聽：

今天的 2T 尺寸
- 壓力世界：9.3 週一個
- 折衷世界：3.5 週一個
- 樂觀世界：1 週一個
路線圖上的 6T
- 壓力世界：33 周
- 中心：8.8 周
- 樂觀：2.2 周
10T
- 壓力世界：直接標註“不會嘗試”，因為一年都跑不完
- 中心：16.2 周
- 樂觀：3.6 周
20T
- 折衷世界：43.7 周，將近一年
- 樂觀世界：也要 8 周

三個讀法：

在壓力世界裡——就是所有壞事一起發生的角落——SpaceXAI 照樣能每 9 周左右出一個 2T 級模型，模型工廠餓不死；但 10T 以上的訓練要花一年多，沒人會去啟動它。也就是說，規模化這件事，需要中心或更好的世界才成立，而卡住它的是芯片，不是機架也不是軟件。
在折衷世界裡，“每月一個模型”是 2T 級別專屬的現象；到 10T，節奏拉長到 16 周左右，到 20T 是 44 周，除非算力和單次訓練的上限跟著模型一起長。
就算在樂觀世界，一個 20T 模型也是兩個月起步的大工程。

節奏和規模，在表格的每一個角落裡都是互相交換的——快就小，大就慢。

這對你的錢包意味著什麼：四個關鍵信號

最後，把所有這些數字翻譯成你我真正關心的語言：如果你的持倉或關注列表裡有 SPCX，這篇分析到底能給我們什麼啟發？

1. 別把 C 重寫當護城河來估值

對 SpaceXAI 自己，它是 4 倍提速；對整個市場，它只是 33% 的領先；而 33% 一年後就剩 8%。一個每年自動折舊七成多的優勢，如果你把它當成永久護城河來定價，那就是在替別人的敘事買單。

那什麼才值得定價？是重建能力本身——每次芯片換代，都能最快把軟件重新貼合硬件的那支團隊、那套流程。真正的資產不是這一茬莊稼，是這塊地的肥力。

2. “模型工廠”敘事有邊界：2T 可以月更，10T 自然變慢

“模型工廠”這個敘事，在 2T 尺度上站得住腳，經得起物理推敲。每月一個模型不需要奇蹟，流水線就夠了——Mach33 的估計甚至比馬斯克自己報的節奏還略快一點。

但要注意這個敘事的適用邊界：一旦模型往 10T 走，節奏自然拉長到按月甚至按季度計。如果到時候有人拿“發佈變慢了”來講衰落故事，或者反過來拿“又是月更”來講神話故事，你手裡有這張表，知道兩邊都在偷換尺寸。

3. Cursor 那 600 億，要記在“數據牆”這一欄

Cursor 那 600 億，賬要記在數據欄，不要記在軟件欄。按 SpaceXAI 自己路線圖上的參數量，文字會比算力先耗盡。能持續產生真實交互數據、自帶反饋閉環的資產，是下一段路的稀缺品。

這個邏輯同樣適用於你看其他 AI 公司的收購：誰在買數據源，誰就是在為數據牆做準備；誰還在囤芯片，誰的作戰計劃就還停留在上一場戰爭。

4. 一個可以驗證的觀察點：盯發佈間隔，看 C 重寫的“成績單”

九月到十月，是 C 重寫完整落地的窗口。Mach33 立了一個編號 M2 的預測：訓練週期的縮短只會發生在 C 重寫全面上線之後，而且提速會集中在強化學習階段。

翻譯成人話：**盯著發佈間隔看。**八月之前和十月之後的 Grok 發佈節奏，就是這個預測的公開考卷。

其實評分已經開始了——還記得開頭那張成績單嗎？Grok 4.5 開放時，馬斯克主打的賣點不完全是能力，而是速度和每 token 的成本，恰好就是 Mach33 模型裡標註為“未建模上行空間”的那條服務端通道。

X 上面有一個 24 萬粉絲的賬號叫做 XFreeze，它發帖歷數了接下來這波 Grok 的更新：

Grok 4.5 的上下文窗口可能下週就會跳到 100 萬 token
2T 基礎模型本月練完、下月上線
採用 C/C++ 直接對接 GB300 硬件推理，速度有望實現翻倍
Grok 4.5 的早期測試權給了特斯拉和 SpaceX 的工程師，反饋來自解決真實工程問題的團隊
到 2026 年底每月一個全新基礎模型

將近 50 萬人看了這條帖子。注意，這類帖子本身就是需要打折的二手信息，但它告訴你一件事：散佈在時間線上的樂觀情緒，已經把“月更模型”當成板上釘釘了。而你剛剛花十幾分鍾搞明白的是，這件事成立的條件、適用的尺寸範圍、和它失效的時間表——這就是你和情緒之間的信息差。

最後的折扣：這是一張“擺事實、講推理”的桌子，不是投資建議

把該打的折扣都打上。

這篇分析裡每一條馬斯克相關的輸入，都是他自己在 X 上說的，無法獨立驗證，而他的軟件類承諾歷史上樂觀 2 到 5 倍。Mach33 自己也持有 SpaceX 的股票，包括 IPO 之前的倉位，這一點他們在文末披露了——獨立研究，但不是沒有立場的研究。還有，他們自己承認是邊學邊寫，這是他們進入 AI 領域的頭幾篇作品。

所以這篇內容，包括我今天的轉述，都只是幫你把事實和推理擺上桌面，不構成任何投資建議，買賣的決定，永遠得你自己拿。