# SpaceX разработала собственную С-библиотеку для обучения ИИ с заявленным ускорением в 10 раз

> Компания SpaceX, принадлежащая Илону Маску (Elon Musk), завершает разработку первой версии внутреннего фреймворка для обучения моделей искусственного интеллекта на языке C, который, по словам основателя, обеспечит более чем десятикратное ускорение по...

- Canonical HTML: https://youragents.me/ru/media/news/spacex-razrabotala-sobstvennuju-s-biblioteku-dlja-obuchenija-ii-s-zajavlennym-uskoreniem-v-10-raz
- Markdown: https://youragents.me/ru/media/news/spacex-razrabotala-sobstvennuju-s-biblioteku-dlja-obuchenija-ii-s-zajavlennym-uskoreniem-v-10-raz.md
- Section: Новости
- Published: 2026-05-29T23:37:44+03:00
- Modified: 2026-05-29T23:37:44+03:00

Компания SpaceX, принадлежащая Илону Маску (Elon Musk), завершает разработку первой версии внутреннего фреймворка для обучения моделей искусственного интеллекта на языке C, который, по словам основателя, обеспечит более чем десятикратное ускорение по сравнению с JAX при работе на 220 тысячах графических процессоров Nvidia GB300. 

В конце мая 2026 года Илон Маск объявил о скором завершении работы над версией 1.0 внутреннего фреймворка SpaceX для обучения моделей ИИ. Инструмент написан на языке C и оптимизирован под кластер из 220 тысяч графических процессоров Nvidia GB300 с сетевыми адаптерами 800G. По словам Маска, фреймворк использует продвинутые методы параллелизма конвейеров и максимально приближен к «голому железу», что потенциально позволяет ускорить крупные тренировочные запуски более чем в 10 раз по сравнению с JAX — популярным фреймворком от Google.

Маск не раскрыл технические детали реализации, однако подчеркнул, что речь идёт о значительном повышении эффективности за счёт устранения накладных расходов, характерных для высокоуровневых фреймворков. В последующих комментариях он уточнил, что следующим шагом станет разработка аналогичного стека для инференса на C, который обеспечит высокую скорость обучения с подкреплением (reinforcement learning) на крупных блоках GB300.

Заявление вызвало бурную реакцию в профессиональном сообществе. Эксперты выразили сомнения в реалистичности десятикратного ускорения. Лукас Бейер (Lucas Beyer), инженер Google DeepMind, назвал утверждение Маска «бессмысленным» и предположил, что кто-то из команды SpaceX либо завышает ожидания, либо обещает невозможное. Навин Рао (Naveen Rao), сооснователь MosaicML, отметил, что ядра на графических процессорах уже оптимизированы вручную, и добиться 10-кратного прироста только за счёт перехода с JAX на C практически нереально. По его мнению, речь может идти о сравнении с неэффективной предыдущей реализацией в xAI, а не о принципиальном преимуществе языка программирования.

Джереми Ховард (Jeremy Howard), сооснователь fast.ai, также предположил, что предыдущий код xAI мог страдать от серьёзных неэффективностей, включая проблемы с управлением памятью. Рохан Анил (Rohan Anil), один из разработчиков JAX, допустил, что 10-кратное ускорение может относиться не ко всему процессу обучения, а лишь к отдельным подсистемам, например, коммуникационным протоколам. Клайв Чан (Clive Chan), инженер Nvidia, указал, что основное время при обучении моделей тратится на выполнение ядер на GPU, а не на запуск задач с CPU, поэтому ускорение CPU-кода вряд ли даст значимый эффект.

Некоторые участники дискуссии поддержали подход SpaceX. Джозеф Суарес (Joseph Suarez), разработчик PufferLib, привёл пример, когда переход с PyTorch на CUDA C позволил ускорить обучение небольших моделей в 5 раз. Однако он уточнил, что речь шла о моделях с 100 тысячами параметров, а не о крупных языковых моделях. Маск в ответ на критику подчеркнул, что публикация призвана привлечь специалистов, способных выжимать максимум из оборудования, и подтвердил, что SpaceX действительно использует небольшое количество C++ в проекте.

Вопрос о целесообразности разработки собственного фреймворка остаётся открытым. В индустрии доминируют PyTorch и JAX, однако ряд компаний, включая xAI и SpaceX, экспериментируют с альтернативными подходами, стремясь повысить эффективность обучения на крупных кластерах. При этом эксперты сходятся во мнении, что ключевым фактором остаётся не выбор языка программирования, а качество реализации и оптимизация низкоуровневых компонентов.

Источники: X-пост Илона Маска, 27 мая 2026; обсуждение в X с участием Лукаса Бейера (Google DeepMind), Навина Рао (MosaicML), Джереми Ховарда (fast.ai), Рохана Анила (JAX), Клайва Чана (Nvidia).