AI大模型的数字陷阱，连Grok-3都翻车
科技旋涡作者|贾桂鹏
日前，马斯克与xAI团队，在直播中正式发布了最新版本Grok3。
此前，马斯克将Grok-3描述为“地球上最聪明的AI”。他在X平台上表示：“自己整个周末都在和团队打磨产品。”
不过，据媒体报道，有人测试了最新的Beta版Grok3，并提出了那个经典的用来刁难大模型的问题：“9.11与9.9哪个大?”遗憾的是，在不加任何定语以及标注的情况下，号称目前最聪明的Grok3，仍然无法正确回答这个问题。
难道马斯克口中“地球上最聪明的AI”就给出了这种答案吗?Grok3到底行不行?
9.11和9.9哪个大这个看似很简单的问题为什么Grok3会出现错误呢?其实，大模型在处理“9.11”时，可能会将其拆分为“9”、“11”两个部分。由于小数点后的“11”大于“9”，这导致了错误地判断。
而且，在某些情况下，如日期或章节编号，9.11确实比9.9大。例如，“9月11日”比“9月9日”晚，“第9章第11节”也比“第9章第9节”晚。大模型可能在学习过程中积累了这些badcase，从而产生了错误的判断。
还有，在分析大模型的底层注意力机制时，我们发现大模型对小数点后的“11”和“9”更为关注。这可能是导致错误的原因之一。然而，当我们排除这些明显的可能性时，问题可能出在位置编码或大模型更底层的推理逻辑上。
因此，不仅是Grok3，包括ChatGPT在内的很多大模型都在这个问题上跌了跟头。
值得一提的是，用同样的问题询问DeepSeek时，无论是否开启深度思考(R1)模式，对方都给出了正确的答案：9.9大于9.11。
而且，除了这个数字问题外，在xAI发布会直播中，在分析游戏《流放之路 2》的职业与升华效果时，Grok 3也给出了大量错误答案，并且马斯克也没有看出这些明显的错误。
尽管在官方PPT中，Grok3在大模型竞技场Chatbot Arena中看似“遥遥领先”，但实际上其与DeepSeek R1和GPT4.0的差距仅为1%到2%。
不过，对此这个问题马斯克并不以为然，其公开回应称，当前的Grok 3仅是测试版，这个阶段错误越多越好，而完整版将在未来几个月推出，并邀请用户反馈使用问题。
另外，此外，马斯克在直播中透露，未来，最快一周后Grok应用程序将具备“语音模式”，这将为Grok模型提供合成语音。几个月后，xAI将开源上一代模型Grok 2。“我们的一般做法是，当下一个版本完全推出时，我们将开源上一个版本(Grok)。”
马斯克曾多次警告说，人工智能会给人类文明带来风险，但他仍在极力推动加大对这一领域的投资。
我们从本次发布的Grok 3里面，可以看出来，马斯克还是押注大算力AI，Grok 3无论在训练集群规模、用电量上都是首屈一指的，这也在一定程度上转化为了Grok 3在多个基准测试上的SOTA表现。不过，马斯克这次押注能不能成功，我们还要接下来继续看AI的发展。
