北大校友Lilian Weng出鏡，爆出120億估值首個交互模型！

新智元報道

編輯：Aeneas KingHZ

【新智元導讀】北大校友翁荔首次出鏡，介紹了Thinking Machines的又一產品——交互模型！200毫秒神同步，能聽懂你的猶豫，更能實時感知協作。AI不再是冷冰冰的回復機器，更是同頻呼吸的靈魂隊友。OpenAI前高管天團，終于又有新作亮相了。

就在剛剛，Thinking Machines又一重磅產品——交互模型（Interaction Models）正式亮相了！

作為OpenAI前安全負責人、如今Thinking Machines Lab的聯合創始人，Lilian Weng獻出了她的出鏡首秀。

在這段備受矚目的視頻中，她展示了AI如何從一個「只會對話的工具」進化為「能實時協作的伙伴」。

在視頻中，Lilian Weng提了一個要求：每聽到一次動物的名字，都計數一次。

而且，非常難得的是，即使她在喝水或思考而停止說話時，AI也并沒有打斷。

最后，當她講完，AI給出正確答案：鹿出現一次，綿羊一次，郊狼一次，卡皮巴拉一次。

注意，這個交互模型可以隱式地追蹤她是在思考、讓步、自我糾正還是邀請回應，這個過程中，并沒有專門內置的對話管理組件！

此前，這家由前OpenAI CTO Mira Murati創辦的明星公司，在0產品、0論文的情況下，就憑借全明星創始團隊完成了高達20億美元的種子輪融資，由a16z領投，英偉達、AMD、微軟等巨頭跟投，估值直接沖上120億美元，刷新了硅谷早期融資紀錄。

繼去年10月發布首個開發者平臺Tinker（一個讓大模型微調變得像呼吸一樣簡單的工具）之后，這一次，他們又交出了一份讓業界刮目相看的成績單。

當交互帶寬被拉滿，AI 就不再是我們的工具，而是我們意識的實時延伸。這或許徹底改變人類與AI互動的方式，取得通往AGI路徑上又一次勝利的里程碑！

AI時代的iPhone時刻終將到來！

AI終于學會了「插嘴」

這一步比AGI更動人

想象一下，你正在和一位博學的朋友聊天。你話還沒說完，只是稍作停頓，在腦海中搜尋一個詞，他便敏銳地捕捉到了你的猶豫，輕聲給出了那個詞。

或者當你正興奮地描述一個構思時，他眼神微動，在恰當的時機發出一聲贊嘆。

這種「同頻呼吸」的節奏感，是我們作為人類最習以為常、也最珍視的協作體驗。

但在過去兩年里，盡管AI的智力在指數級增長，我們與它的交互卻始終像是在進行一場跨世紀的電郵往來。

無論ChatGPT多么博學，你必須打包好你的思想，點擊發送，然后屏息凝神，等待反饋。

這種尷尬的「回合制」（Turn-based）殘余，正是阻礙人機真正融合的那層障礙。

就在剛剛，由OpenAI前研究主管Lilian Weng與Mira Murati等人領銜的初創公司Thinking Machines (TML)發布了其首個重磅成果：交互模型（Interaction Models）。

這一次，AI終于打破了沉默，學會了「插嘴」。

除了Lilian Weng展示的無縫對話管理功能之外，這個AI還有以下令人深刻的記憶點。

它會根據上下文按需介入，而不僅僅是在用戶說完話之后。

用戶和模型可以同時說話，這樣就能實現實時翻譯這類功能。

令人驚訝的是，這個模型還具有對時間流逝的直接感知。

在與用戶對話和聆聽的同時，它可以同時進行搜索、瀏覽網頁或生成用戶界面，并根據需要將搜索結果融入對話中。

在更長的真實會話中，這些過程都會持續進行，讓你感覺更像是在和它合作，而不是在提示它。

網友們直言：這個產品太酷了。

200毫秒的革命

終結AI的「冷場」時代

目前，AI模型大多患有一種「數字自閉癥」。

當你說話時，它是耳聾的——它必須等待一個名為VAD（語音活動檢測）的「外掛腳手架」告訴它：「好了，人類說完了，你現在可以處理了。」

在它生成回復時，它又是盲目的——如果你在它說話中途指著屏幕上的Bug大喊，它往往聽不見。

Thinking Machines決定拆掉這些腳手架。

他們發布的交互模型采用了名為「時間對齊微回合（Time-Aligned Micro-Turns）」的架構。

傳統的AI是以「句子」或「段落」為單位處理信息的，但這個架構不再把對話看作是一塊塊巨大的「磚頭」，而是將其切碎成200毫秒為一個單位的微小流片段。

這是什么概念？200毫秒正是人類反應時間的生理極限。

在這種頻率下，輸入與輸出不再是先后順序，而是交織共生。

AI并不是等你把話說完才開始理解，而是每200毫秒就在進行一次「感知-反饋」的循環。

這就像人類的神經反射系統——你還沒意識到自己說錯話，AI的耳朵和大腦已經捕捉到了你的發音偏差。

在Lilian Weng出鏡的演示中，模型不再是被動等待指令，它能實時追蹤Lilian何時在思考、何時在讓步、何時在進行自我糾正，甚至能預判她何時邀請回應。

技術從「指令響應」進化為了「感知共振」。

正如Lilian Weng所言：「人與人之間的協作，對于改善人機協作至關重要。」

徹底告別VAD（語音檢測外掛）

市面上幾乎所有的實時語音AI都在用一種叫VAD的技術。它的邏輯是：監測靜音，如果用戶超過0.5秒沒說話，就判定「用戶說完了」，然后觸發AI回復。

這就是為什么目前的AI總是接話太慢，或者在你思考停頓時粗魯地打斷你。

TML的模型則是原生感知。

它不需要靜音檢測，它能通過你的語氣、語速、呼吸聲，甚至是視頻里的眼神，判斷你是在「思考」、「想讓人接話」還是「自我糾正」。這種「懂你」的能力是長在模型骨子里的。

「前臺交互+后臺思考」的雙模型協作

這是TML最天才的設計。

實時交互模型（InteractionModel），就像人類的「直覺」和「反射」，負責保持在線，負責聽、看、說、感知情緒，確保200ms的響應速度。

異步背景模型（Background Model）：就像人類的「深度思考」，負責調用工具、搜索網頁、運行復雜邏輯。

當你跟AI聊天時，前臺模型負責陪你「扯淡」和感知，后臺模型在瘋狂幫你查資料。

一旦后臺有了結果，前臺模型會找一個「合適的時機」（而不是粗暴打斷）把結果揉進對話里。

他們的出發點是連續的音頻與視頻——這些模態本質上是實時的。

文本可以等，但實時對話不能等。通過優先針對最困難的場景進行設計，TML團隊最終得到了一種架構：它原生支持多模態、具備時間感知能力，并且能夠處理跨所有模態的并發輸入與輸出流。

他們不使用大型獨立編碼器來處理音視頻，而是采用預處理盡可能少的方案。

• 音頻：以dMel格式輸入，通過輕量級嵌入層轉換

• 圖像：分割成40×40的圖塊，由hMLP編碼

• 音頻解碼：使用流頭（flow head）

所有組件與Transformer從零開始聯合訓練。

這一切，都證明了他們官網的這句話：「好的協作，不是某個人最后給出一個完美答案。好的協作，是有人在當下真正投入、共同在場。」

行業地震：GPT真的被超越了嗎？

很多人會問：OpenAI的GPT Realtime API不也能做到實時嗎？

答案是：邏輯完全不同。

根據TML發布的技術報告，他們的TML-Interaction-Small模型（12B活躍參數的MoE架構）在FD-bench（專門衡量交互質量的基準測試）上，已經全面領先于GPT Realtime等競爭對手。

核心差距在于「主控權」：

• GPT等模型：依然是被動的。除非你叫它，否則它不動。

• TML模型：具有視覺主動性（VisualProactivity）。它能主動看到世界發生了變化，并在不需要你發指令的情況下開口。

比如你做俯臥撐，GPT必須等你問「我做了幾個」才會回答；而TML的模型能一邊看著你做，一邊自然地喊出：「1、2、3……加油，最后兩個！」

Mira Murati的復仇，還是新征途？

曾經，Thinking Machines的橫空出世，讓整個硅谷為之側目。

作為前OpenAI的二號人物，Mira Murati在離職后并沒有選擇復刻一個更大參數的GPT，而是選擇了「交互」這個切口。

這反映了她對AI未來的判斷：智能固然重要，但協作才是AI進入人類生活的入場券。

過去三年，所有AI實驗室都在拼誰更聰明，參數更大、推理更強、上下文更長。但幾乎沒有人認真想過，人類跟AI之間的交互界面本身，就是一個巨大的瓶頸。

如果AI永遠需要人類去「伺候」它的Prompt，去忍受它的延遲，那它永遠只是個好用的計算器。只有當AI能夠「感知時間」、「感知猶豫」、「自然插嘴」時，它才真正具備了人的屬性。

Thinking Machines選擇的行業路線告訴我們：AI的下一個戰場，不在參數表上。

你覺得，他們押對方向了嗎？

參考資料：

https://x.com/thinkymachines/status/2053938892152435174

https://x.com/miramurati/status/2053939069890298321

https://thinkingmachines.ai/blog/interaction-models/