在近日举行的巴伦投资大会（Barron’s Investment Conference）上，埃隆·马斯克首次公开量化了他对旗下人工智能公司xAI即将推出的Grok 5模型实现通用人工智能（AGI）的预测，称其有“约10%的机会”达到这一里程碑。他强调，实时视频理解能力将是Grok 5触及AGI的核心要素。
据马斯克透露，Grok 5预计将于明年第一季度发布。 该模型将采用6万亿参数的MoE（混合专家）结构，稀疏度达70%，显存占用约为GPT-4o的1.8倍。 Grok 5被设计为一款多模态模型，能够统一编码文本、图像、音频和实时视频流，实现低于120毫秒的帧级延迟。
马斯克指出，xAI的核心竞争优势在于其可获取X平台（原Twitter）的实时数据。根据服务条款，X平台每日5亿条公开帖文和2亿小时视频流可实时回灌用于Grok 5的训练。 训练集群方面，Grok 5将使用孟菲斯（Memphis）超算的10万张H100 GPU，峰值性能达到750 PFLOPs，预计预训练将于2026年2月完成。
马斯克将“实时视频理解”定义为“AGI的入场券”，认为模型必须能够边观察边推理，完成人类所能执行的视觉任务，例如实时修理汽车或解读街景。 内部测试显示，Grok 5在300项视觉推理任务中的通过率为68%，已接近人类75%的基线水平。 在现场演示中，Grok 5成功实时分析了一段30秒的无人机航拍视频，识别出47个物体类别、推测交通流量、给出最短驾车路线并提醒前方施工危险，全程无需额外微调。
在提及AGI的风险与监管时，马斯克重申了2030年AGI实现的时间表，并表示“解除全人类武装”式的和平路径需要在全球可验证的框架内进行；xAI已预留10%的算力用于对齐与安全研究。
此外，xAI还宣布Grok 5计划于2026年公开挑战《英雄联盟》顶级职业战队，旨在测试其在复杂策略环境中的实时决策和适应能力。
