Thinking Machines Lab 发布实时交互 AI 模型
Mira Murati 的初创公司 Thinking Machines Lab 发布了能够原生全屏实时处理音频和视频的交互模型。演示展示了同步翻译、网络搜索和多人在线协作，毫无延迟。
Thinking Machines：Mira Murati 如何改写规则，让延迟成为 AI 最大的敌人
真实情况
Mira Murati 的 Thinking Machines Lab 刚刚展示了一款“交互模型”的工作原型——这绝非又一个多模态系统。它从根本上重新思考了 AI 如何感知时间和人类存在。当前所有模型，从 GPT-4o 到 Gemini，都采用逐步模式：用户发送请求，系统思考，然后响应。在此期间，模型既盲又聋。Murati 称之为“界面的紧身衣”，人类不得不去适应它。
TML-Interaction-Small 是一个 2760 亿参数的混合专家模型（120 亿活跃参数），以 200 毫秒为间隔处理音频和视频，同时生成响应。其轮换延迟为 0.40 秒，而 Gemini-3.1-flash-live 为 0.57 秒，GPT-realtime-2.0 为 1.18 秒。该系统可以未经邀请就插入对话，注意到视觉线索（编码错误、有人进入画面）并做出反应——所有这些都不需要像 Whisper 这样的外部语音识别模块。
但速度并非关键。关键在于架构上的转变：交互性已成为模型本身的属性，而非软件包装的属性。这就像一辆装了自行车铃的汽车与一辆围绕驾驶员设计的汽车之间的区别。
时间线与背景
Thinking Machines 的故事堪称硅谷历史上最大人才争夺战的编年史。
2025 年 2 月： OpenAI 前 CTO、ChatGPT 架构师 Mira Murati 宣布创立 Thinking Machines Lab。OpenAI 联合创始人 John Schulman 及数位关键研究员随她离开。
2025 年 7 月： 该公司完成了史上最大规模的种子轮融资——20 亿美元，估值 100-120 亿美元。Andreessen Horowitz、NVIDIA、Accel、ServiceNow、Cisco 和 AMD 参与投资。
2025 年 8 月： 《华尔街日报》报道称，Mark Zuckerberg 曾试图亲自收购 Thinking Machines。遭拒后，Meta 挖走了其约 50 名员工中的十余人。
2025 年 10 月： 推出 Tinker，一个用于微调开源模型的平台。早期用户包括普林斯顿、斯坦福和伯克利的研究团队。
2026 年 1 月： 遭遇重创。三位联合创始人——Barrett Zoph、Luke Metz 和 Sam Schoenholz——重返 OpenAI。Murati 公开声明她因“不道德行为”解雇了 Zoph。随后《连线》杂志调查披露了 Zoph 与一位女性高管之间未公开的私人关系。OpenAI 在一份内部备忘录中反驳了 Murati 的说法。
2026 年 3-4 月： Thinking Machines 反击。该公司从 Meta 挖来了 PyTorch 的创建者 Soumith Chintala，并任命其为 CTO。同时，与 NVIDIA 签署战略协议，部署至少 1 吉瓦的 Vera Rubin 系统。行业专家估计此类基础设施成本为 5000 亿美元。基于 GB300 的 Google Cloud 合作也得到扩展。
2026 年 5 月： 高潮。Thinking Machines 演示了交互模型，证明六个月内的人才流失并未阻碍其发展。
赢家与输家
赢家：Meta——最不明显的受益者。Zuckerberg 无需收购该公司便获得了 Thinking Machines 的关键开发者。PyTorch 的创建者 Soumith Chintala 如今是 Murati 的 CTO，这意味着 PyTorch 生态系统在 Thinking Machines 中仍占主导地位，间接使 Meta 受益。
输家：OpenAI。 失去 Schulman 以及人才流向 Murati，迫使该公司投入资源进行反挖角。Zoph 和 Metz 的回归是一场胜利，但代价高昂。OpenAI 不得不公开为雇佣一位有声誉污点的员工辩护。更糟的是：Thinking Machines 创造了一款直接攻击 OpenAI 旗舰界面——ChatGPT 语音模式的产品。
输家：Google。 Gemini-3.1-flash-live 曾被宣布为实时交互领域的突破，但纸面上已经过时。0.57 秒与 0.40 秒之间的差别，就是“几乎像人类”与“像人类”之间的差别。
赢家：NVIDIA。 Jensen Huang 继续巧妙地两面下注。NVIDIA 是 OpenAI、Thinking Machines 和 Anthropic 的投资者。无论谁赢得 AI 模型竞赛，芯片都从圣克拉拉购买。1 吉瓦的 Vera Rubin 协议意味着，即使 Thinking Machines 未能成功商业化，NVIDIA 也已获得未来数年的订单。
媒体未提及的
洞察一：无人提及的周边应用。 Thinking Machines 的整个演示围绕低延迟语音和视频展开。但交互模型的真正经济意义不在于呼叫中心，而在于工业。一个内嵌时间感的模型可以监控生产线、外科手术或化学实验，并在无需询问的情况下进行干预——只需注意到异常。目前，这需要无法对话的独立计算机视觉系统。Thinking Machines 将其统一在单一架构中。如果该产品进入企业市场，它将取代的不仅是聊天机器人，而是整个工业安全 SCADA 系统类别。这是一个价值约 800 亿美元的市场，所有初创公司评论都忽略了这一点。
洞察二：可复现性问题。 像 Whisper 这样的外部语音编码器可以更换，从而改变识别质量。但在 Thinking Machines 的架构中，没有编码器——音频直接以 dMel 频谱图的形式通过轻量级嵌入。这意味着无法通过更换组件来“修复”模型。如果模型在某些口音或方言上产生幻觉，整个系统必须重新训练。对于企业客户而言，这带来了 OpenAI 从未想象过的供应商锁定风险。
洞察三：金融金字塔还是新英特尔？ NVIDIA 投资 AI 初创公司，而这些初创公司将筹集的资金用于购买 NVIDIA 芯片的模式，让一些分析师想起了 90 年代末的互联网泡沫。但有一个关键区别：1999 年的电信公司铺设了无人使用的光纤。Thinking Machines 正在为现有需求建设数据中心——订单已经存在，现在就需要产能。只有当 AI 服务市场崩溃时，它才会变成泡沫，但目前估值仍在上升。一家没有公开产品的公司估值 120 亿美元确实激进，但在交互模型演示的八个月前，估值已经达到这个水平。
预测：未来 30 天和 90 天
30 天（至 2026 年 6 月中旬）。 Thinking Machines 将向特定合作伙伴开放有限的研究预览。最可能的候选者：Redwood Research（已与 Tinker 合作）、斯坦福和普林斯顿。我预计独立测试将确认 0.4 秒的延迟，但会揭示多语言问题——该架构主要基于英语训练，在具有不同停顿结构的亚洲语言上表现会更差。
与此同时，竞争对手将加速行动。OpenAI 几乎肯定会宣布更新 GPT-realtime，降低延迟——可能降至 0.5-0.6 秒。Google 将试图通过将 Gemini 与 Android 生态系统整合来反击，传统上在 5 月举行的 Google I/O 大会上。
90 天（至 2026 年 8 月中旬）。 这是 Thinking Machines 作为一家企业的关键时期。自成立以来，该公司已在基础设施和薪资上花费至少 2-3 亿美元（130 名员工，其中许多是前 OpenAI 员工，年薪加签约奖金达 200-500 万美元）。如果 90 天内研究社区之外没有出现付费企业客户，新一轮融资的讨论将开始。
工业安全将是第一个市场。Thinking Machines 必须至少与一家财富 500 强制造商签署重大合同——与西门子或罗克韦尔自动化合作，其生产管理系统需要实时监控，这似乎是合乎逻辑的。
90 天范围内最重要的事件是 Meta 的决定。在 Zuckerberg 未能收购该公司并挖走部分团队后，他有两个选择：要么在 Llama 5 中完全复制 Thinking Machines 的架构，要么提出新的交易，这次是敌意的。鉴于 Soumith Chintala 现在是 Murati 的 CTO，并且了解 Meta 的内部运作，我押注于复制。
最终：Thinking Machines 在 16 个月内从想法走向产品，在未来的关键参数——反应时间上击败了 OpenAI 和 Google 的旗舰系统。Murati 能否将技术优势转化为可持续的业务，是未来三个月的问题。但有一点已经明确：让 AI 等待的时代即将结束。
— Editorial Team
暂无评论。