ARTICLE · 981331
马斯克扔出终极预言:文本AI只是小儿科!未来全部算力,将被“实时视频”彻底吃光
一段短短 42 秒 的现场视频，最近在科技圈流传。
镜头前的埃隆·马斯克手握麦克风，语气平静，却给出了一项判断：
“未来整个人工智能领域绝大部分的算力，都会用来做‘实时视频理解’与‘实时视频生成’。”
▲ X Freeze 发布的马斯克现场演讲视频剪辑：断言实时视频将吞噬未来绝大部分 AI 算力
话音未落，他又补了两刀：xAI 旗下的 Grok 在图像和视频生成量上，已经“超过了其他所有人加起来的总和”；接下来，他们要把这种降维打击复制到代码，以及一个被他戏称为 “Macrohard”（巨硬） 的神秘项目。
很多人以为这又是马斯克日常的“推特吹牛”。但如果你顺着他过去一年的招聘轨迹、芯片采购、超级计算机涂装以及特斯拉自动驾驶的底层代码一路深扒，背后的布局便逐渐显形：
这句话连接着一套筹划已久的方案，目标是改写人工智能的底层规则。
一场针对微软的“冷笑话”，藏着最可怕的野心
要理解马斯克的算力预言，必须先搞懂他嘴里的那个“Macrohard”。
早在 2025 年下半年，外媒就捕捉到马斯克在 X 上放出的一句怪话：xAI 正在打造一家“纯 AI 软件公司”，名字就叫 Macrohard。
▲ The Verge 早期报道：马斯克戏称要用纯 AI 打造一家名为 Macrohard 的软件公司
明眼人一看就懂，这是冲着微软（Microsoft，微软）去的谐音梗调侃。但在硅谷，马斯克越是用开玩笑的语气说话，背后的动作往往越凶猛。
两个月后，马斯克在孟菲斯那座装载了数万张顶级计算卡的 Colossus II 超级计算机 厂房效果图上，大摇大摆地把“MACROHARD”几个巨型白字直接刷在了屋顶上。
▲ 马斯克转发概念图：将超级算力集群与 Macrohard 自动化软件帝国的野心紧紧捆绑
他的逻辑简单粗暴：传统软件公司不需要自己造物理硬件，那么在理论上，一家软件公司从写代码、做测试、审界面到日常运营的所有工序，全部可以用 AI 智能体舰队来模拟。
到了 2026 年 3 月，马斯克终于在一篇长文中彻底掀开了底牌，Macrohard 与“数字擎天柱”（Digital Optimus）项目。
▲ 马斯克发长文定义“快思考与慢思考”架构：用便宜的端侧芯片实时看屏幕、调动大模型
马斯克把这套数字人体系精妙地拆成了人类大脑的“快慢双系统”：
- 系统 2（慢思考 / 导航员）：
由云端的 Grok 大模型担任，负责高维度的逻辑规划与策略调度，使用的是昂贵且强大的云端算力集群； - 系统 1（快思考 / 神经直觉）：
由名为 Digital Optimus 的数字人系统担任。它直接部署在成本仅约 650 美元的特斯拉 AI4 硬件 上，以毫秒级的极低延迟，死死盯住电脑屏幕过去 5 秒的实时视频流，然后像人类一样敲击键盘、移动鼠标。
▲ 马斯克在推文回复中一针见血地定义：Digital Optimus 就是“实时视频人类仿真”
科技媒体《The Register》调侃说马斯克又把这个冷笑话搬出来了，但他们也不得不承认：马斯克正在试图用连续的“屏幕视频流”，把全球所有的桌面白领工作全部重构一遍。
▲ The Register 报道：AI 智能体舰队正试图模拟整家公司的日常运作
算力黑洞：为什么文字是“小溪”，视频是“海啸”？
为什么马斯克断定算力的大头一定是实时视频，聊天文本暂时排在后面？
只要对比一下物理世界的信息密度，答案一目了然：
- 文本时代：
你和 ChatGPT 聊一整天，来回传输的字符转换成 token，不过几万个数据点。这就像是在算力水管里流淌的一条涓涓细流。 - 视频时代：
哪怕只是一路 1080p、每秒 30 帧的普通高清视频，每一秒钟就有 30 张高密度画面。AI 不仅要在瞬间“看懂”画面里所有的物体、光影、运动趋势、物理规律，还要在下一瞬间“生成”出逻辑严丝合缝的连续动作。
这是从一维数据向四维时空的指数级跨越。
▲ 马斯克一手定调：实时视频理解与生成是下一代 AI 的核心方向
马斯克在特斯拉侧算过一笔极其残酷的硬件账：为了给自动驾驶做全仿真测试，Tesla AI 很早就能生成物理精确的实时视频。但这种生成背后的代价是什么？
“每渲染一路高清摄像头的实时画面，就要吃掉大约一张英伟达 H100 显卡！”
▲ 马斯克公开算力账本：每路高清摄像头消耗一张 H100，普及仍需数年工程降本
一辆特斯拉汽车周围有 8 个摄像头，如果要完全在云端实时生成虚拟世界来“给车脑上课”，单车仿真瞬间就要烧掉 8 张顶级计算卡。
马斯克坦言，这个成本对现在的消费级市场来说贵得离谱，但他赌两到三年内，随着芯片迭代与算法蒸馏，这个成本会被强行打下来。
左手世界模型，右手像素军备竞赛
为了打赢这场仗，马斯克在 xAI 内部拉起了一支极为特殊的“多模态特种部队”。
2025 年底，xAI 的 omni 团队核心成员 Ethan He 公开发帖，面向全球招募实时视频与多模态世界模型的研究员。而这位工程师此前的履历，正深度关联着大名鼎鼎的英伟达 Cosmos 物理世界基础模型项目。
▲ 英伟达 Cosmos 平台：将世界基础模型作为物理 AI 与物理仿真的核心基石
紧接着，加州大学圣地亚哥分校助理教授、LMSYS 联合创始人 Hao Zhang 迅速指出这场战役的工程命门：要想把视频生成和理解从“漫长的几十秒等待”压进“毫秒级实时互动”，稀疏注意力（Sparse Attention） 和 步数蒸馏（Step Distillation） 是绕不开的两座大山。
▲ Hao Zhang 指出：没有算法层面的极限压缩与步数蒸馏，“实时视频”就只能停留在演示片里
xAI 的动作快得惊人到了 2026 年年中，官方正式推出了 Grok Imagine Video 1.5。
▲ xAI 官方发布页：大幅提升生成速度，在单次推理中同步完成音效、对白与物理渲染
这项更新不仅把 6 秒 720p 视频的生成时间直接从几十秒砸到了 25 秒左右，更实现了在单次推理中同时生成对白、环境音效与连续物理运动。
第三方评测机构对 Grok Imagine 1.5 的 API 标价与竞技场天梯分进行了全方位解构：OpenAI 的 Sora、Google 的 Veo、快手的可灵以及字节系模型正在这一赛道拼得刺刀见红，而 xAI 正试图靠自建的大规模超算把单位生成成本砸向地板。
▲ kie.ai 深度拆解：视频模型正从“单纯拼画质”走向“每秒生成单价与低延迟”的商业决战
不仅是“生成”，在“理解”侧，进化同样惊人
2026 年 8 月，特斯拉资深 AI 工程师 Yun-Ta Tsai 兴奋地公开表示：在升级到 Grok 4.6 后，其对长视频的上下文理解能力产生了阶跃式的突破，他在日常工作中审阅海量视频数据的效率直接提升了一个数量级。
▲ 特斯拉工程师实测证实：Grok 4.6 在连续视频理解上的效率产生了数量级飞跃
终极赌局：他是疯子，还是先知？
在马斯克这条狂暴的“视频中心论”路线面前，全球科技圈分裂成了截然不同的阵营。
坚定支持者认为，马斯克又一次看穿了第一性原理。
科技投资人 Adam Lowisz 直言：“人类获取外部信息有超过 80% 依赖视觉，我们的大脑就是靠连续的视觉流建立物理世界模型的。AI 要想迈向通用人工智能（AGI），就必须像人眼一样看世界。”
▲ 行业观察者指出：人类正是靠视觉感知建立世界模型，AI 也不可能绕过这一步
知名博主 Omar | Fade 将这一幕与特斯拉和 SpaceX 的早期历史相提并论：“马斯克选择的下一步落在实时视界。他在用当年造电动车和火箭的同一套打法，用极致的算力规模，强行砸出一个新赛道。”
▲ 行业分析：马斯克正在 AI 领域复制他在电动车与航天领域的“规模吞噬”打法
但质疑的声音同样震耳欲聋
在相关推文下方，有网友尖锐地质问：“难道人类耗费几十吉瓦的电力、堆叠几百万张芯片，最终的目的就是为了在网上源源不断地生成劣质短视频和擦边内容？这是对地球资源的巨大浪费！”
▲ 社区质疑声音：将庞大的算力投入视频生成，是否会导致资源的严重浪费？
而在学术界，图灵奖得主 Yann LeCun 等顶尖学者也多次泼来冷水：不要把“生成好看的连续像素”狂妄地等同于“理解了世界模型”。
一个能生成逼真猫咪奔跑视频的 AI，并不代表它懂得重力加速度，更不代表它具备在真实物理世界里操纵机械臂或自动驾驶的因果推理能力。
沸腾的厂房，不会说谎的电表
争论归争论，但在商业与算力基础设施的底层，马斯克已经用真金白银做出了不可逆的选择。
仔细盘点马斯克眼下的所有拼图，你会发现一张可怕的闭环大网：
- SpaceX & 星链：
提供跨地域的极端能源部署与通信基础设施； - 孟菲斯 Colossus 超算集群：
准备向 10 吉瓦（GW） 级别的供电规模狂奔，提供无底洞般的训练与推理底座； - xAI (Grok)：
负责攻克多模态世界模型，在云端充当通晓物理规律的“超级大脑”； - Tesla (FSD & Optimus 人形机器人 / Digital Optimus 桌面数字人)：
负责在马路、工厂、电脑屏幕前，通过无数摄像头实时吞吐真实世界的视频流。
马斯克之所以大声疾呼“未来绝大部分算力属于实时视频”，是因为他必须为接下来那张以千亿美元计的电力和芯片账单，找到唯一合理的出口。
如果 AI 的终局只是替人类写写邮件、改改代码、做做聊天插件，那么今天全球数据中心的疯狂扩张很快就会撞上天花板，泡沫随时可能破裂。
但如果未来的每一台汽车、每一台人形机器人、每一台办公电脑，甚至每一个消费者的智能眼镜，每分每秒都在向上千亿参数的世界模型实时上传并索取高帧率的物理级视频流，
那么今天人类所有的算力总和，确实连塞牙缝都不够。
这场 42 秒预言所揭开的，超出了技术口水仗的范围，正在牵动未来科技产业格局。至于马斯克究竟是再次押中未来的先知，还是制造算力幻觉的狂徒，答案也许就在未来两到三年，那些被实时渲染点亮的屏幕与眼眸之中。
