马斯克用Grok替代员工,部门裁员90%!

转自:量子位

马斯克开始用 AI 取代手底下员工了!

这一次,他把刀挥向了 X(前推特)——用 Grok 取代 X 员工。

据 The Information 消息,上个月有两位知情人士向他们透露,马斯克解雇了X公司里负责打击垃圾邮件、影响力行动、非法内容以及其他信任与安全问题的工程团队的一半成员。

这个团队在本轮裁员之前已缩减至不足 20 人,而老马在 2022 年收购推特时,其团队规模曾超过 100 人。

从超 100 人→不足 10 人,足以见得老马裁员的程度有多深、有多狠。

事实上,如果回顾老马 10 月中旬发布的一条推文,那么此次曝出的裁员消息也就不意外了。

当时老马表示,要在未来几周内彻底移除X启发式推荐算法,由 Grok 接手,通过阅读和观看全部内容来全自动匹配用户兴趣。

连算法都全交给 AI 了,那背后的算法工程师及相关支持者们自然也就面临失业了。

而抛开 X 相关事件不谈,老马布下的棋子其实还很多。比如今年 8 月,硬刚微软成立巨硬(Macrohard),号称要用 AI 把微软产品重做一遍。

一旦把这些事情放到一起看,老马背后的意图就不言自明了——

用AI替代人力,用自动化替代传统工程。

就是说,大 BOSS 马斯克,现在已经盯上了 AI 这把“尚方宝剑”。

引入双胞胎新人执行者

为了完成用Grok改造X的目标,马斯克将这把剑交给了xAI两位双胞胎新人执行者——

现年33岁,来自乌克兰的 Dima 和 Ievgin Soboliev 。

据此前《连线》爆料,自 OpenAI 挖走了 xAI 之前的工程师负责人 Uday Ruddarraju 和 Mike Dalton 之后,这对双胞胎兄弟就成了 xAI 的顶级工程师,并直接向马斯克汇报。

(注:x 和 xAI 今年3月就正式合并了,不过团队运作仍相对独立)

上图的Dima,曾在哈尔科夫国立大学攻读应用数学专业,毕业后去了硅谷工作。

一开始加入了Facebook(现Meta),后快速辗转于谷歌、云原生数据库公司SingleStore、国际跨境电商平台Joom,以及全球顶级自营量化交易公司Jump Trading Group。

从2017年开始,他又加入机器学习初创公司Laserlike,后来该公司被苹果收购。

也是通过这次收购,从2018~2024年,他在苹果从事与搜索有关的工作。之后又离开苹果加入OpenAI,但不到一年便离职转投xAI。

而Ievgin Soboliev,也是在哈尔科夫国立大学攻读完应用数学后去了硅谷。

他一开始加入了曾经非常知名的程序化广告技术公司Rocket Fuel Inc。

后来不知道是不是受到Dima影响,去了Meta从事广告机器学习工作,之后于2022年至2025年在苹果工作。

据知情人士透露,今年夏季,两兄弟在大致相同的时间加入了 xAI 。他们经常一起工作,同事们也直接称他们为“那对双胞胎”。

而且兄弟二人在 X 内部一直推行典型的“马斯克模式”——

要求工程师在办公室长时间工作,包括周末;根除低效率现象;并迅速裁撤他们认为不必要的职位等。

目前尚不清楚 X 还可能裁掉多少工程师。知情人士称,X 至少还有另外 100 名工程师负责不同部分的工作。

马斯克到底要干啥?

如开头所言,此次裁员正是马斯克“用AI替代人力,用自动化替代传统工程”的其中一步。

他曾公开表示,希望让X的算法“完全AI化”,并让用户能够通过询问xAI的Grok聊天机器人来调整他们信息流中显示的内容。

这一手更新,直接让Grok从无情的总结机器罗伯特、X上的维基百科,上位到了X的总管。

现在X上到处都是Grok,未来还会有更多Grok。

与此同时,他还在推进“巨硬(Macrohard)计划”——用 AI 自动化软件开发。他表示:

Macrohard是一家纯粹的 AI 软件公司。

原则上,鉴于微软等软件公司本身不生产任何物理硬件,应该有可能完全用 AI 模拟它们。

从 Macrohard 商标注册内容来看,我们可以提炼以下几个关键要点:

  • 用于生成人工智能语音和文本的可下载软件

  • 用于编写代码、设计和运行视频游戏的人工智能工具

  • 图像、视频和语言理解系统

一句话,马斯克这是要用 AI ,把微软曾经做过的事情重做一遍。

而且据老马自曝,他还把印着Macrohard的标语,涂在了xAI位于孟菲斯的最大数据中心的屋顶上。

显而易见,不论是裁员还是Macrohard计划,马斯克都在尽力用AI改造他名下的公司。

而这种稍显激进的AI至上战略,所带来的风险也不容老马忽视。

最直接的矛盾在于,负责平台安全的团队与生成内容的AI系统之间,出现了致命的“权责不对等”。

团队负责清理违规内容,但对Grok会生成什么却毫无控制权,这导致他们相当被动。

而且由于X和xAI合并后团队各自独立,当安全团队正在清理Grok生成的有害内容时,同一公司的xAI团队可能正在训练Grok变得更具“创造性”——

这种内部目标的不一致,也容易让安全问题陷入无人负责的真空地带。

此外,马斯克的裁员计划也影响到了一些关键项目。多年来,马斯克一直希望在X上推出一项支付服务“X Money”,但公司未能争取到一些关键州监管机构的支持,导致这一计划受阻。

据悉,金融监管机构的一个重要考量点是,支付公司是否拥有稳定的领导层和足够的员工来支持客户并打击欺诈。

而X Money团队,在过去一年中一直面临频繁的人员流动。

总之,马斯克的AI改造计划在砍向人力成本的同时,也正在砍伤平台安全的根基、核心业务的未来。

AI这把剑,其双刃已现。

One More Thing

说到裁员,老马今年9月还血裁了一波xAI团队

xAI是老马2023年创办的AI初创企业,旗下主要产品就是Grok模型,而9月被裁的就是帮忙训练Grok模型的数据标注团队。

据非官方统计,当时该团队有超过500名员工(约占数据标注团队的1/3)被通知卷铺盖走人。

而裁来裁去,你猜怎么着?留下来的几乎全是华人了。

当时有一张xAI团队合影在社交媒体上疯传,原因是照片中几乎全是东亚面孔。

而就在Grok 4发布后不久,一位自称是“Grok项目唯一白人参与者”的员工在X上发文:

今天我被@X解雇了,我是唯一一个参与@grok项目的白人……

虽然未确认这条推文的真实性,但侧面说明老马可能确实偏爱华人(bushi。

最后,推荐国内性价比最高的一款镜像AI系统,一站搞定全球六大顶级的AI工具,包含以下所有的AI模型:

☑ GPT5.1/GPT5.1 Thinking系列模型
☑ Gemini-3.0-Pro
☑ Claude 4.5大模型
☑ 满血版DeepSeek-V3.2/R1大模型
☑ Sora 2 视频大模型
☑ Nano banana Pro 画图
☑ Midjourney 7.0绘画
☑ Grok 4.1/Grok 4模型
☑ Kimi和codex模型 
☑ Google-Veo3.1视频模型
☑ 即梦 4.0图片/视频
☑ 其它主流AI模型

内容概要:本文围绕“基于多面体聚合与闵可夫斯基和的电动汽车可调能力评估研究”展开,系统提出一种基于多面体建模与几何运算的聚合方法,用于量化大规模电动汽车集群的可调节能力。通过构建单车充电可行域的凸多面体表示,并利用闵可夫斯基和实现群体调控潜力的数学聚合,形成统一的等效灵活资源集合,从而精确刻画电动汽车集群在时间与功率维度上的整体调节边界。该方法结合Matlab代码实现,支持对聚合结果的可视化呈现与边界分析,为电力系统中的需求响应、虚拟电厂运营及分布式能源调度提供了高精度建模工具。研究强调科研应兼顾严谨逻辑与创新思维,倡导借助YALMIP等优化工具提升建模效率与求解可靠性。; 适合人群:具备电力系统分析、凸优化理论或运筹学背景,从事新能源并网、电动汽车调度、综合能源系统等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握多面体建模与闵可夫斯基和在电力系统灵活性聚合中的数学原理与实现方法;②学习利用Matlab完成电动汽车集群可调能力的建模、聚合与可视化分析;③应用于虚拟电厂资源聚合、需求响应潜力评估、配电网柔性负荷调控等实际场景的建模与优化决策。; 阅读建议:建议读者结合文中Matlab代码逐模块复现算法流程,重点理解多面体定义、约束处理及闵可夫斯基和的近似计算实现,同时参考提供的YALMIP工具包资源,深入掌握优化建模技巧,以全面提升对复杂系统聚合建模的能力。
内容概要:本文系统研究了基于Wasserstein生成对抗网络(W-GAN)的光伏出力场景生成方法,旨在应对新能源出力的高度不确定性。相较于传统GAN,W-GAN通过引入Wasserstein距离与梯度惩罚机制,显著提升了模型训练的稳定性与生成数据的质量,能够更精确地捕捉光伏功率时序数据的波动性与时序相关性。研究详细阐述了模型架构设计、损失函数构建、梯度惩罚项(GP)的实现细节,并通过Python代码实现了完整的数据预处理、模型训练、场景生成与后评估流程。生成的高保真光伏场景在统计特性(如分布形态、波动幅度、日内趋势)上与真实数据高度吻合,有效满足了电力系统对不确定性建模的严苛要求。; 适合人群:具备Python编程能力和深度学习基础知识,从事新能源发电预测、电力系统规划、运行调度、储能配置及风险管理等领域的研究生、科研人员和工程技术人员。; 使用场景及目标:①为含高比例光伏的电力系统进行可靠性评估、优化调度与安全校核提供高质量、多样化的输入场景;②支撑储能系统容量配置、需求响应策略制定等决策,以应对光伏出力的波动性;③作为深度学习在能源领域应用的典型案例,服务于相关课题的教学、科研与项目开发。; 阅读建议:建议读者深入研读并运行所提供的Python代码,重点关注W-GAN中判别器(Critic)的构造、梯度惩罚项的编码实现以及训练过程中的超参数(如学习率、惩罚系数)调优策略,可通过对比生成场景与真实场景的可视化结果来评估模型性能,并尝试将其扩展至条件W-GAN(CW-GAN)以生成特定气象条件下的光伏场景。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值