10. 面试题
本章用初/中/高级三档问答检验对 xAI/Colossus 基础设施的理解。答案紧扣前述章节，数字一律区分官方口径与估算/传闻。
初级（概念与事实）
Q1. Colossus 是什么？给出它的关键数字与来源。
答：xAI 位于孟菲斯（后续扩展至密西西比州南黑文（Southaven）的 Colossus 2）的超算集群。一手数字（NVIDIA 新闻稿，2024-10-28）：10 万卡液冷 NVIDIA H100、122 天建成、首批机柜上架后 19 天开始训练；随后约 92 天翻倍至 20 万卡（H100+H200）。网络采用 Spectrum-X 以太网（SN5600 交换机 800Gb/s + BlueField-3 SuperNIC）。Colossus 2 规划 100 万+ GPU、供电吉瓦级（官方口径"世界首个吉瓦级 AI 训练集群"）。（1. 背景、3. 架构）
Q2. xAI 为什么选 Spectrum-X 以太网而不是 InfiniBand？
答：三个理由（3.4 节、5.3 节）：其一，Spectrum-X 把此前 IB 独有的能力（自适应路由、芯片级逐流拥塞控制、AI fabric 可视化、多租户性能隔离）搬上标准以太网；其二，官方实测口径：Grok 训练持续 95% 数据吞吐、零丢包/零延迟劣化，对照传统以太网约 60%；其三，以太网的供应链弹性、成本与运维人才储备优于单供应商的 IB 生态。本质是把"AI 训练必须无损 IB"的假设改成了"增强以太网 + 芯片级拥塞控制"。
Q3. 为什么 Colossus 必须用液冷？算一笔账。
答：单柜 64 张 H100 ≈ 45 kW，已突破风冷约 35 kW/柜的实用上限；GB200 NVL72 整柜 86–120 kW+，风冷不存在选项。Mini Demo 场景 5：10 万卡 H100 风冷需 3,125 柜 vs 液冷 1,389 柜（密度约 2.25 倍），且 PUE 1.4→1.2 再省约 14% 电量（年省约 14.7 万 MWh）。Supermicro 官方案例：4U 8 卡 HGX × 8 台/柜、直接到芯片液冷 + 机柜内 CDU。（3.3 节、7. Mini Demo）
Q4. 10 万卡 H100 大概要多少电？孟菲斯的电网够吗？
答：100k × 700 W × 1.2（网络/存储开销）× 1.2（液冷 PUE）≈ 100.8 MW。孟菲斯首期电网批准 150 MW（MLGW/TVA），够用；扩到 20 万卡需约 201.6 MW，超出 51.6 MW——这就是 35 台自备燃气轮机的工程理由（把供电缺口从等电网扩容的 180 天压到 45 天，Mini Demo 场景 2）。（3.2 节）
Q5. xAI 开源过什么？
答：只有两件：Grok-1 权重（2024-03，314B MoE、8 选 2 专家、约 25% 权重活跃、Apache 2.0；仅权重 + 极简推理示例，无训练代码）和 PromptIDE（2023-11 的 Grok 提示工程 IDE，已停止维护下线）。Grok-2/3/4 系列未再开放权重。与 Google（JAX/XLA/MaxText 全栈开源）、Meta（Llama 权重 + 生态开源）形成光谱两端。（6.2 节）
中级（机制与设计权衡）
Q6. "单一训练域（single training domain）"的通信数学是什么？为什么模型越大它越值钱？
答：跨园区层次化 AllReduce 的固定惩罚 = 梯度消息大小 ÷ DCI 带宽 + 2 × 跨园区 RTT。分子随模型大小线性增长，分母 DCI 带宽是固定资产。Mini Demo 场景 3（10 万卡、DCI 1.6 Tbps、RTT 5 ms）：梯度 256 GB 时吞吐损失 0.7%，16 TB（万亿参数级全量数据并行）时达 9.9%。所以前沿模型竞赛里"把所有卡放进同一园区"的价值随模型规模放大——这是 xAI 把 10 万卡塞进孟菲斯一个厂房的理论依据。（2.2 节、7. Mini Demo）
Q7. 122 天的工期是怎么压出来的？为什么不能靠"加班"？
答：靠关键路径重排而非单点加速（Mini Demo 场景 1）：教科书串行流程 425 天，Colossus 式重排后集群就绪 122 天（3.48 倍）。三个动作：① 移动燃气轮机 25 天供电，让电网扩容（120 天）退出关键路径变后台任务；② 网络按 5 个 pod 并行滚动铺设；③ 服务器 10 个波次两两并行交付、边到货边上架，首批训练在第 61 天（约一成算力）就开始。加班只能压缩单任务工期，而瓶颈在依赖结构——砍非关键路径的工期对 makespan 零贡献。（4.2 节）
Q8. xAI 与特斯拉的硬件（Dojo/Cortex/AI5）是什么关系？
答：资产边界清晰，协同靠商业协议。Colossus 是 xAI 的；Dojo（据报道 2025-08 主项目被叫停）、Cortex（得州，约 5 万卡 H100 起步，Cortex 2.0 据报道约 250 MW）、AI5 芯片都是特斯拉的。协同发生在模型层：2026-03 官宣的 "Digital Optimus / Macrohard" 联合项目（Reuters 报道）中，Grok 作 System 2 负责高层推理，特斯拉端侧系统作 System 1 处理约最近 5 秒的屏幕/键鼠实时流；据报道特斯拉 2026-01 达成向 xAI 投资 20 亿美元的协议（股东层面曾有争议与诉讼）。面试时混淆两边资产是常见错误。（2.3 节、8.4 节）
Q9. 孟菲斯燃气轮机争议的来龙去脉？
答：工程动机是供电缺口（Q4）。合规链条（Reuters/法院文件口径）：孟菲斯最多 35 台临时轮机 → EPA 2026-01 收紧"临时设备豁免" → 密西西比州 MDEQ 2026-03 批准南黑文 41 台永久轮机（约 1.2 GW）→ Reuters 报道实际运行 59 台未许可轮机 → NAACP 等 2026-04 诉《清洁空气法》 → DOJ 2026-06 以国家安全介入 → 据报道承诺 2027 年底前拆除孟菲斯临时轮机。教训：速度策略必须配止损条件与降级预案（原则六）。（8.1 节）
Q10. 为什么 xAI 几乎不开源也不发论文？这对它的基础设施叙事有什么影响？
答：动机：速度文化的自然延伸——保密不给对手免费信息，也省去技术写作与审计成本。代价：① 技术信誉只能靠产品行为与第三方估算维持，训练效率（MFU）与可靠性不可审计；② 学术界与开源社区的人才管道变窄，招聘要靠溢价与使命感对冲；③ 外界数字（Epoch AI 对 Grok-4 约 4.9 亿美元算力、14 万吨 CO2 的估算）只能标注为"第三方估算"。对照 Google 用 NSDI 论文换来的审计性与招聘红利。（6.3 节、8.3 节）
高级（系统设计与开放问题）
Q11. 设计一个 50 万卡 GB300 集群的供电与散热方案，你会从 xAI 案例吸取什么、避开什么？
答（参考框架）：供电——按 1200 W/卡 × 1.2 开销 × 1.2 PUE 估算设施负载约 864 MW，先锁定电网长协（基载）+ 燃气轮机/储能桥接，并把 EPA 口径下的许可时序写进关键路径（避开 xAI 的 59 台未许可轮机教训）；散热——DLC 唯一选项，每柜 72 卡 × 1200 W ≈ 86 kW，需约 6,945 柜，重点设计 CDU 冗余、水质管理与泄漏检测；网络——400 Gb/s/卡注入即 200 Pb/s 级 fabric，沿用 Spectrum-X 路线但要求厂商给出超大规模（10 万+ 端点）的长尾抖动数据；选址——"单都会区双园区"（xAI Colossus 2 模式）在电力天花板与单点故障之间折中；可靠性——补齐 xAI 的黑盒：量化可用率目标、双路径恢复预案、高频异步 checkpoint（参考 Google 案例 的 NSDI'24 方法论）。（3 章、8.5 节、9 章）
Q12. xAI 创始团队过半离职（含 Babuschkin/Yang/Wu/Ba），从基础设施角度怎么解读？
答：三层解读：① 速度文化的折旧率——用里程碑承诺与使命感压缩工期，核心工程师的忠诚以工程周期为半衰期；离职者中恰是训练系统与模型理论的灵魂人物，说明透支发生在最关键的位置。② 治理摩擦——马斯克横跨五家公司的资源调度（xAI/X/特斯拉/SpaceX 的算力与人才互借）制造持续的利益冲突与股东诉讼，技术负责人的决策自主权受限。③ 招聘市场的再平衡——对手（OpenAI、Meta MSI、独立创业）用稳定治理与充足算力吸收这波人才。教训：超集群项目的组织设计（股权、决策权、备份梯队）是基础设施的一部分，不是 HR 问题。（8.3 节）
Q13. 据报道 xAI 把 Colossus 算力租给 Anthropic/Google——自建集群又租给对手，这个商业模式矛盾吗？
答：不矛盾，是"算力过剩焦虑症"的对冲组合（8.5 节）。训练自用抢时间窗是战略价值最大化；第二梯队算力（旧卡/阶段性闲置）出租把固定成本变成现金流，摊薄吉瓦级投资的财务风险；同时租用关系制造了对手对自身基础设施的依赖。需注意证据等级：Anthropic 年租 50 亿美元的说法来自低可信度来源（未证实），Google 租约 11 万卡为二手报道；官方可确认的对冲只有 Grok 上架 AWS Bedrock。面试中引用必须区分这两级。（6.4 节）
Q14. xAI 模式可以复制吗？给出"可以/不可以"的边界条件。
答：可复制的部分：关键路径重排（原则一）、电力一等公民（原则二）、通信数学决策集群形态（原则三）、fabric 端到端验收（原则四）、滚动交付。不可复制/不应复制的部分：① 马斯克资产组合（X 数据分发、供应商私交、跨公司调度、资本通道）没有通用性；② 先上线后合规的套利窗口已制度性关闭（EPA 2026 规则、诉讼先例），复制的合规利率显著更高；③ 不设防的速度——没有止损条件与可靠性工程的 xAI 式冲刺，在强监管行业（金融/政务/医疗）不可接受；④ 单点治理风险——一个人的控股集团模式在多数公司治理结构下不可行。结论：学它的工程方法，不学它的治理豁免权。（9 章）