与「XAI」相关的搜索结果

xAI 成立至今大约只有 3 年。 这期间，它已经建成： - Colossus 1 + Colossus 2，合计约 67 万块 GPU - Grok Imagine - Grok Voice - Grok Build - Grok Bot - Grok 4.7 Grok 的目标显然不只是短暂登顶榜单。 模型、Agent、应用和算力全部集中在同一体系内，而且速度还在加快。

2026.9.19 TGS2026 MSIブース Chara：リュミオール/シャドウバース　⑨ Model：月海つくねさん （@XaiabP ） 撮影ありがとうございました！ #MSI_TGS2026# #TGS2026# #おつきみくらぶ#

Blue Origin is great and if we had nothing to compare it with, we'd be incredibly impressed with what they built, having raised just $30B. But let's just use BO to put SpaceX's capital efficiency into perspective; — SPCX invented the orbital class reusable booster — flew + landed it like 650 times — built Starlink; 10M+ customers — built Dragon; launched like 60 humans to the ISS — got ~95% of the way to making a fully reusable Starship operational — acquired xAI, positioning them to do Starmind All of this on just $10B worth of private equity Like what the fuck

xAI推出Grok Bot创作者奖励计划，奖励每两周发放一次，该项目评估两个核心指标：机器人用户群的广度（有多少不同的用户正在使用它）和用户参与度的深度（这些用户回访的频率）。该计划旨在推广那些能让人养成习惯的工具——这种具有粘性的实用功能能够提升平台不同价格等级用户的订阅留存率。

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

xAI launched ~3 years ago Since then: Colossus 1 + Colossus 2 ≈ 670k GPUs Grok Imagine Grok Voice Grok Build Grok Bot Grok 4.7 Grok didn’t just catch a leaderboard for a week. models, agents, apps, compute under one roof... and they aren't slowing down

马斯克12岁的时候就想过，人为什么不干脆自杀呢？ 他总觉得人这一生可能根本没有意义，特别沮丧。 他想从书里找到答案，结果读了尼采，海德格尔和叔本华，反而更加抑郁了。 多年后，他还劝大家，别在青少年时期读尼采。 后来帮他走出这段困境的，是一本科幻小说《银河系漫游指南》。 书里，一台超级计算机花了七百多万年，算出生命，宇宙和万物的终极答案：42。 所有人都不明白这个数字是什么意思，计算机告诉他们，问题在于，他们连自己究竟想问什么都没弄清楚。 这个情节让马斯克换了个想法。 既然暂时找不到生命的意义，也可以把寻找答案当作活下去的理由。 去探索宇宙，让人类知道得更多，才有机会弄清楚我们为什么存在，甚至发现自己原来连问题都没有问对。 这本书甚至成为了他做Grok的灵感。 他把《银河系漫游指南》看作一本用幽默写成的哲学书，也希望Grok能带着这样的幽默感，陪人类追问那些还没有答案的问题。 他给xAI定下的目标就是理解宇宙，少年时让他沮丧的那些疑问，他希望有一天能借助AI继续寻找答案。

Gavin Baker: "The Magnificent 7 will go from $10-12 trillion to $50-100 trillion. But one or two of them will go extinct." His foundation-model survival list is short: - Google — search-plus-Gemini flywheel - Meta — Llama + ad-revenue self-funding - xAI — X + Tesla data footprint Anthropic, OpenAI, everyone else — Baker treats them as commoditized. His FOMO warning: "Application SaaS is done. If you went all-in on crypto and SaaS in 2021, don't repeat the trade." On AGI: "Elon says 3 years. I say 5 is safer." On regulation: "The leading labs weaponized fear of China. There's going to be no regulation." The math he keeps quoting: $12T → $100T is 8x. But 1-2 die means winners take 30-40% of the total, not 14%. Baker's frame: no regulation + AGI in 5 years + Mag 7 8x = biggest enterprise-value transfer in market history is happening right now.