xAI算力利用率仅11%，扩张背后运维难题待解，能否提升至50%成关键考验
xAI算力利用率仅11%，扩张背后运维难题待解，能否提升至50%成关键考验
这个数字最先被The Information曝出，后又被Business Insider根据一份xAI内部备忘录实锤。这份备忘录出自xAI总裁Michael Nicolls之手，面对这个数字，他甩出四个字：低得尴尬。
The Information报道，xAI手里约有50万张英伟达GPU，虽然xAI官方至今未公开确认，但其官网已写明：Colossus集群已扩展到20万张GPU，目标是100万张。无论按哪个数字，xAI都坐拥公开披露中规模最大的AI算力集群之一。但根据Nicolls备忘录，这几十万张GPU实际只跑出了约11%的有效训练算力。
Nicolls给团队定的目标，未来几个月内要把这个数字拉到50%。从11%到50%，差的不是几台机器，而是一整套训练栈。
xAI在孟菲斯建成的Colossus集群内部，目前已扩至20万张GPU，目标是100万张，是公开披露中最大的AI超算之一。
11%不等于89%的GPU在睡觉。很多人第一次看到「11%」这个数字，会下意识理解成「89%的GPU在睡觉」，这也是它最容易被误读的地方。11%对应一个行业指标MFU（Model FLOPs Utilization，模型浮点运算利用率）。AI算力公司Lambda在白皮书里给它的定义是：MFU等于实际观测到的FLOPS，除以GPU理论峰值FLOPS。换句话说，它衡量的是你买的这块卡，在训练这一刻，把多少理论算力真正转化成了有效的训练吞吐。它不是任务管理器里那个「GPU占用率」。GPU可以100%忙着等数据、忙着同步、忙着重新计算，但有效输出寥寥。MFU衡量的正是那点真正干活的部分。
这11%意味着，理论上能产生100份训练吞吐的硬件，实际只跑了11份。剩下的89%不是闲着，是在做无用功，或者在等待。从烧钱的角度看，低MFU意味着大量电力和硬件时间消耗在通信、等待、数据搬运、重计算等环节，而没有转化为理想状态下的有效训练吞吐。
那11%在工程现实里到底差到什么程度？这就要看历史对照表。Lambda在白皮书里提到：生产级LLM训练的MFU通常落在35%到45%之间。这是正常水平。还有一组更犀利的对比数据来自谷歌PaLM论文。这篇论文有一张被广为引用的MFU对比表：英伟达自己维护的训练框架Megatron - LM，其GitHub页面上写明：在H100集群上训2B到462B参数模型，MFU最高可以到47%。强扩展到4608张H100时，因为通信开销暴露，MFU会从47%降到42%。把xAI的11%放进这张表里，它低于GPT - 3那个被嘲笑过效率低的古早年代，也低于Gopher、MT - NLG、PaLM、Megatron - LM，几乎是低于所有公开前沿训练系统的下沿。
至于低MFU的原因，Lambda也总结过。显存压力、单卡batch太小、过度的激活重计算（activation checkpointing）、把权重切得过碎的张量并行带来的跨GPU通信开销，任何一个都会拖累MFU。一位同行研究员的描述更形象：HBM显存比加速器慢得多，芯片大量时间在等数据进来；网络拓扑里任何一处瓶颈，都会拖垮几千张卡的同步。业内管这个叫「记忆墙（memory wall）」。11%不是单点故障，是系统级问题。
不过，把xAI单拎出来说事，也未必公平。The Information报道里还提到了一位同行匿名研究员的一句评价：「跑过40%对xAI的大多数竞争对手来说也很难」。这是一个刺破全行业体面的问题。报道里提到，一些研究员为了让自己的MFU数字「好看一点」，会反复重跑训练实验，人为抬高利用率。原因有两个：一是怕被老板骂；二是怕GPU被调走分给别的团队。这些研究员的逻辑是，我的卡现在确实在闲着，但我只是「在分析上一轮训练结果，马上就要再跑」，不能让它被收走。在AI大厂里，跑分这件事不只发生在公开榜单上，也发生在内部GPU调度系统里。
xAI并不是一个硬件部署上的反面教材。The Information提到，xAI在业内以「按英伟达推荐方式部署GPU」著称，是模范生。模范生只跑了11%，说明问题不在硬件、网络拓扑标准，而在更上层的训练栈、并行策略和模型工程。
11%这个数字，也捅破了行业心照不宣的那层窗户纸：买卡和用卡是两回事。
也几乎在同一时间，xAI开始把卡租出去了。据Business Insider报道，编程创业公司Cursor将使用「数万张xAI的GPU」来训练它的最新编程模型Composer 2.5。Cursor此前估值约290亿美元，近期又被曝正洽谈约500亿美元估值。
如果把两件事放在同一时间线上看，至少可以说明：在自训效率尚未完全释放时，把部分算力外部化，可能成为xAI摊薄基础设施成本的一种选择。
更微妙的是xAI基础设施团队近期的人事地震。原基础设施负责人Heinrich Küttler离职，Jake Palmer接管了物理基础设施，SpaceX的Daniel Dueri被调来负责算力基础设施。与此同时，Cursor原产品工程负责人Andrew Milich和Jason Ginsburg跳槽到xAI，直接向马斯克和Nicolls汇报。把这些信号串起来，能看到一个正在变形的Colossus：它在官方叙事里是「世界最大超算」、是xAI打败OpenAI的算力底牌；但在业务层，它正在一点点变成一座「半成品云厂商」。
AWS、Azure、GCP靠着出租算力赚到的利润是天文数字；CoreWeave、Lambda这种新玩家干脆围绕租GPU建生意。xAI如今走的是同一条路，只不过一边租一边自己也得训模型。自己跑不满，就让别人来跑，这是当代GPU资本的标准动作。
xAI官方至今没有正面回应过11%这个数字，官网首页仍然挂着122天建成、92天翻倍到20万张GPU、路线图通往100万张GPU的官方叙事。xAI Colossus 122天建成，从10万张GPU扩到20万张只用了92天，路线图通往100万张。但越快扩张，训练栈和并行策略的复杂度也越大。
但速度有速度的代价。Megatron - LM公开的数据已经给出了警告：当你把H100集群强扩展到4608张时，仅仅是通信开销，就足以把MFU从47%拖到42%。这是英伟达自己的旗舰训练框架，跑在标准化最强的硬件上。xAI要把卡数从20万推到100万，意味着通信、调度、容错、并行策略的复杂度还可能要再涨一个数量级。122天建成是工程奇迹，但每一天的奇迹背后，都有一笔运维债在悄悄记账。
AI竞赛的KPI正在切换。过去比的是仓库：谁先囤到H100、谁先建成超算、谁能从英伟达手里抢到下一批GB200。这个游戏花钱就能玩，所以马斯克、奥特曼、扎克伯格、黄仁勋都下场了。现在比的是工程师：谁的训练栈调得最好、谁能把每一美元GPU CapEx转化成最多的有效token。这个游戏花钱解决不了，只能靠时间、人才和工程文化。GPU是入场券，但MFU才是真正的考验。
xAI虽然拿到了最大的那张入场券，但它能不能把这张券兑现，还要看那个「低得尴尬」的数字，能不能真的拉到Nicolls所说的50%。