「這是世界上最聰明的人工智能。」

盡管比原定發(fā)布會(huì)時(shí)間推遲了近一個(gè)小時(shí)，但在今天中午（北京時(shí)間 9 月 10 日），xAI 創(chuàng)始人馬斯克還是發(fā)布了新一代大模型 Grok 4。

紙面上，Grok 4 已經(jīng)全面超越了所有競(jìng)爭(zhēng)對(duì)手，包括 OpenAI o3、Gemini 2.5 Pro 以及 Claude 4 等當(dāng)前的頂級(jí)大模型，不管是傳統(tǒng)的基準(zhǔn)測(cè)試，還是 SAT 考試（美國(guó)高考）以及各個(gè)學(xué)科的 GRE 水平測(cè)試。

但比起這些已經(jīng)有點(diǎn)乏味的傳統(tǒng)基準(zhǔn)測(cè)試，更有意思的是，Grok 4 還跑了被成為「人類最后一場(chǎng)閉卷考試」的 Humanity’s Last Exam（簡(jiǎn)稱 HLE 測(cè)試），并超越此前一眾模型，實(shí)現(xiàn)了最高 44.4% 的準(zhǔn)確率。

圖/ xAI

馬斯克在直播中也指出，Grok 4 比幾乎所有學(xué)科的所有研究生都更聰明，而至少在學(xué)術(shù)問(wèn)題上，也優(yōu)于所有學(xué)科的博士水平，「沒(méi)有例外。」

這還不是 Grok 4 全部潛力。按照馬斯克的說(shuō)法，Grok 4 基礎(chǔ)模型的第七版將在本月完成，然后將進(jìn)行后訓(xùn)練 RL（強(qiáng)化學(xué)習(xí)）等，最終也會(huì)擁有出色的視頻理解能力和工具調(diào)用能力。按照路線圖，接下來(lái)幾個(gè)月 xAI 還會(huì)推出代碼模型、多模型智能體以及視頻生成模型。

圖/ xAI

此外，它們還推出了一項(xiàng)更高等級(jí)的訂閱服務(wù)——SuperGrok Heavy，能夠使用「最強(qiáng)模型」Grok 4 Heavy。

不過(guò)相比紙面上的無(wú)敵，在實(shí)際演示過(guò)程中，Grok 還是會(huì)出現(xiàn)比較低級(jí)的錯(cuò)誤。更耐人尋味的是，就在 Grok 4 發(fā)布前幾個(gè)小時(shí)，xAI 首席科學(xué)家 Igor Babuschkin 突然宣布了辭職。

自稱“最強(qiáng)大模型”的Grok4，到底聰明在哪？

從技術(shù)視角出發(fā)，Grok 4 并不只是一次「常規(guī)迭代」。在這場(chǎng) 40 多分鐘的發(fā)布直播中，xAI 試圖傳達(dá)的信息是：這不僅是一個(gè)在挑戰(zhàn)人類智能的新模型，還是一個(gè)應(yīng)用潛力巨大的 AI。

馬斯克將 Grok 4 稱為「在所有學(xué)科都超過(guò)博士水平」，并不完全是營(yíng)銷夸張。在 AIME25、HMMT25、GPQA 等主流基準(zhǔn)測(cè)試中，Grok 4 將大模型的成績(jī)進(jìn)一步推向了極值，其中 Grok 4 Heavy 甚至在 AIME25（美國(guó)數(shù)學(xué)競(jìng)賽邀請(qǐng)賽）上拿下了滿分。

圖/ xAI

但更具標(biāo)志性的是 ARC-AGI 以及 HLE 測(cè)試。前者借由 OpenAI o3 的測(cè)試引起了業(yè)界重視，主要聚焦 AI 的「學(xué)習(xí)」能力，而非「技能」，Grok 4 在 v1 版本中超過(guò) o3 實(shí)現(xiàn)了 66%的準(zhǔn)確率，在最新的 v2 版本中更是大幅領(lǐng)先其他大模型，做到了 15.9%的準(zhǔn)確率。

至于 HLE 測(cè)試，則代表了人類智能的極限，由全球?qū)＜衣?lián)合提出 2500 個(gè)專業(yè)問(wèn)題，涉及數(shù)學(xué)、生物、計(jì)算機(jī)科學(xué)、化學(xué)、物理、工程學(xué)以及人類學(xué)等等不同學(xué)科，所以直接被命名為「人類終極考試」。

圖/ xAI

在 Grok 4 之前，排名第一的模型 Gemini 2.5 Pro 準(zhǔn)確率為 21.6%，其次是 OpenAI o3 20.3%。相比之下，Grok 4 的準(zhǔn)確率則提高到了 25.4%，并且在借助工具的完整形態(tài)下還能進(jìn)一步提高到 44.4%。

現(xiàn)場(chǎng)演示中，xAI 就展示了 Grok 4 對(duì) HLE 測(cè)試中專家級(jí)題目的準(zhǔn)確，馬斯克認(rèn)為人類中也只有極少人能夠準(zhǔn)確。而類似的問(wèn)題，還有 2499 個(gè)。

除此之外，還有一個(gè)基于商業(yè)場(chǎng)景模擬的 Vending-Bench（自動(dòng)售貨機(jī)基準(zhǔn)測(cè)試），需要 AI 進(jìn)行管理庫(kù)存、聯(lián)系供應(yīng)商、設(shè)定價(jià)格等。從測(cè)試結(jié)果來(lái)看， Grok 4 比起 Claude Opus 4 以及真人的運(yùn)營(yíng)效率都要高，創(chuàng)造的凈值是真人的 5 倍以上。

而在直播中，xAI 還進(jìn)行了多項(xiàng)演示，包括實(shí)時(shí)抓取 X 平臺(tái)上的帖子，整理出各家參與 HLE 測(cè)試的時(shí)間線，或是找出 xAI 團(tuán)隊(duì)中頭像最古怪的那一個(gè)。既展示了 Grok 4 的能力，也強(qiáng)調(diào)了與 X 平臺(tái)深度整合的優(yōu)勢(shì)。

圖/ xAI

直播中生成時(shí)間最長(zhǎng)的一個(gè)現(xiàn)場(chǎng)演示，則是 Grok 4 對(duì)于 2025 年 MLB 世界大賽冠軍的分析預(yù)測(cè)，亮點(diǎn)主要在于它對(duì)工具、數(shù)據(jù)的使用和分析過(guò)程，包括瀏覽了很多賠率網(wǎng)站的數(shù)據(jù)來(lái)計(jì)算。而整個(gè)過(guò)程，耗時(shí)近 4 分半。

此外，Grok 4 還能遍覽關(guān)鍵論文和資料來(lái)開發(fā)一個(gè)網(wǎng)頁(yè)，模擬兩個(gè)黑洞接觸會(huì)發(fā)生的變化。馬斯克還表示，接下來(lái)他們還會(huì)為 Grok 4 提供真正的專業(yè)工具，包括物理學(xué)家使用的專業(yè)擬真軟件，并預(yù)測(cè) Grok 4 明年或許就能發(fā)現(xiàn)新的物理定律。

這聽(tīng)上去過(guò)于夸張，也缺乏實(shí)質(zhì)支撐，但馬斯克的 AI 敘事可能并不在于趕超 Google 和 OpenAI，而是要改變目標(biāo)本身。而且從產(chǎn)品設(shè)計(jì)角度看，xAI 正在嘗試將 Grok 4 變成一個(gè)與信息流緊密耦合的 AI 工具，而不是一個(gè)只能回答問(wèn)題的機(jī)器人。

圖/ xAI

在模型理解維度，Grok 4 還展示了對(duì)多模態(tài)輸入的部分能力。盡管現(xiàn)場(chǎng)沒(méi)有正式演示圖像理解和生成能力，但馬斯克強(qiáng)調(diào)了其「正在訓(xùn)練」。這意味著 Grok 4 的完整形態(tài)仍會(huì)是多模態(tài)大模型，而非 DeepSeek-R1 這樣僅支持文本的推理模型。

換言之，這也意味著 Grok 4 能處理更復(fù)雜的感知輸入，進(jìn)一步拓展在現(xiàn)實(shí)世界的適用場(chǎng)景——例如人形機(jī)器人、自動(dòng)駕駛、科研建模等。

值得一提的是，馬斯克在直播中提及，「Grok 4 Heavy」才是當(dāng)前最強(qiáng)版本，在推理、編碼乃至物理學(xué)原理的理解上都勝過(guò)通用版模型。但 Heavy 版本目前仍處于內(nèi)測(cè)階段，且暫未向公眾開放。

而在 Grok 4 的發(fā)布背后，是 10 倍于 Grok 3 的訓(xùn)練算力，也是 xAI 數(shù)月前在美國(guó)孟菲斯完成部署的超算集群「Colossus」。按照透露，這套超算塞下了 10 萬(wàn)張英偉達(dá) H100 GPU，并可能率先部署 GB200 計(jì)算節(jié)點(diǎn)。

一次倉(cāng)促的直播發(fā)布，Grok其實(shí)已麻煩纏身

如果只看模型本身，Grok 4 的確展示了不容忽視的實(shí)力。尤其在這次直播中，Grok 的語(yǔ)音能力也迎來(lái)了升級(jí)——不僅能夠自然地切換語(yǔ)調(diào)，還新增了包括英式發(fā)音在內(nèi)的多個(gè)聲音角色。xAI 甚至展示了 Grok 可以「唱歌」，并在指令下朗讀詩(shī)歌。

問(wèn)題也出現(xiàn)在這里。在交互中，Grok 被要求「唱一首歌」，但卻進(jìn)入了「念詩(shī)」?fàn)顟B(tài)，用朗讀語(yǔ)氣念出了歌詞。雖然是個(gè)小失誤，卻暴露出語(yǔ)音模型背后對(duì)多模態(tài)理解尚不穩(wěn)定的事實(shí)——唱歌不只是發(fā)音，而是旋律、語(yǔ)調(diào)和節(jié)奏的協(xié)同輸出，Grok 顯然還沒(méi)準(zhǔn)備好。

圖/ xAI

類似的小插曲貫穿整場(chǎng)發(fā)布。發(fā)布直播原定時(shí)間比計(jì)劃晚了一小時(shí)開始，沒(méi)有任何解釋。直播內(nèi)容雖然豐富，但整體節(jié)奏略顯倉(cāng)促，功能展示之間缺乏過(guò)渡邏輯。一些演示明顯是預(yù)先準(zhǔn)備好的。這種略顯倉(cāng)促的節(jié)奏，與前一天高管的離職消息疊加后，難免讓人聯(lián)想到內(nèi)部的不穩(wěn)定。

就在發(fā)布當(dāng)天，xAI 首席科學(xué)家 Igor Babuschkin 宣布離職，而在更早前，X 公司 CEO Linda Yaccarino 也辭去了職務(wù)，并留下了一句意味深長(zhǎng)的話：「現(xiàn)在，隨著 X 與 xAI 一起進(jìn)入新篇章，最好的事情還在后頭。」

兩人一走，發(fā)布會(huì)一開，再加上馬斯克在直播中多次表達(dá)的那種對(duì) AI「太聰明」的擔(dān)憂，構(gòu)成了一種微妙的不安感：Grok 4 也許真的很強(qiáng)，但它背后的組織架構(gòu)、產(chǎn)品節(jié)奏，可能并沒(méi)有準(zhǔn)備好迎接它自己造出的「智能飛躍」。

圖/ xAI

更現(xiàn)實(shí)的問(wèn)題是，Grok 4 還必須面對(duì)全世界最強(qiáng)的兩個(gè)對(duì)手——OpenAI 的 ChatGPT，和 Google 的 Gemini。在技術(shù)實(shí)力逐漸追平的今天，真正的分水嶺往往并不在于模型能不能答對(duì)一個(gè)考題，而在于平臺(tái)、生態(tài)和用戶。

更麻煩的是，Grok 還維持了一種「不一樣」的姿態(tài)——有性格、敢說(shuō)話、更自由。這是馬斯克為它設(shè)計(jì)的人設(shè)。但也正是這種人設(shè)，讓 Grok 更容易翻車。就像過(guò)去幾個(gè)月，它因?yàn)樯善?nèi)容而引發(fā)輿論。

所以，這一代 Grok 4 確實(shí)很強(qiáng)，甚至可能已經(jīng)比研究生乃至博士更聰明。但技術(shù)領(lǐng)先不代表用戶信任，也不代表產(chǎn)品成熟，實(shí)際體驗(yàn)我們還是要看模型在實(shí)際體驗(yàn)中的表現(xiàn)。

馬斯克在直播中一度表示，有點(diǎn)擔(dān)心「AI 的智能遠(yuǎn)遠(yuǎn)超過(guò)人類」對(duì)于我們是好是壞，但又強(qiáng)調(diào)「已經(jīng)某種程度上接受了這樣的現(xiàn)實(shí)，即使它不是好的，我也至少想活著看到它發(fā)生。」