OpenAI前CTO王者歸來，宣佈AI不再需要對話方塊

“邊聽邊說邊看，這跟一個真人還有啥區別？”

0.4秒能做什麼？

眨一次眼大約需要0.3秒，而Thinking Machines Labs最新發佈的Interaction Model，把AI響應延遲壓到了0.4秒，比OpenAI的GPT-realtime-2.0快了將近三倍。

但這篇報導真正想說的，不是0.4秒這個數字。

如果你以為Interaction Model只是一個"速度更快"的語音助手，那就完全搞錯了。

真正的突破藏在互動方式裡：之前的AI模型，包括GPT-4o在內，都是"輪流對話"。使用者說話時AI聽不到別的，AI說話時也不接收新資訊。一來一回，像發微信。

Thinking Machines做的，是把這種模式徹底翻了過來。它的模型可以邊聽邊說邊看，你講話時它能"嗯嗯"回應，你程式碼寫錯了它能直接插話，你視訊裡做了個動作它能即時分析。

這不是GPT-4o的升級，這是對GPT-4o所在範式的降維打擊。

而做這件事的人，正是當年在OpenAI主導GPT-4o路線的首席技術官Mira Murati。

01 Interaction Model 的震撼

5月11日，前OpenAI CTO Mira Murati創辦的Thinking Machines Labs放出了一段demo和一個技術部落格，立刻點燃了整個AI社區。

swyx的評價格外直白："徹底碾壓了GDM和OpenAI。"Nathan Lambert稱之為"真正與眾不同的demo"。

什麼讓他們這麼激動？

技術架構上，Thinking Machines放棄了標準的"輪流對話"模式，採用全雙工架構——同時處理輸入和輸出，模型可以一邊聽一邊說一邊看。具體來說，系統每200毫秒處理一次輸入輸出片段，所有感知和生成都在同一個Transformer內部完成，不需要專門的語音編碼器（如Whisper）做預處理。

雙模型系統也很有意思：一個"前台"Interaction Model（276B參數MoE，12B活躍參數）專門處理即時對話、上下文管理和即時回應；一個"後台"Background Model非同步處理持續推理、聯網搜尋和複雜工具呼叫，結果再流式傳回前台。

基準測試提供了更硬核的證明——TML-Interaction-Small在互動質量（FD-bench）上達到77.8，幾乎是GPT-realtime-2.0（46.8）的兩倍。延遲0.40秒對1.18秒，快了近三倍。而且在視覺互動測試中，競爭對手面對視訊提問"沉默了"或"回答錯誤"，Thinking Machines的模型卻能精準回應。

這不是增量改進，是代際差距。

02 對話方塊終結者

要理解這個模型為什麼重要，得先理解對話方塊為什麼有問題。

從ChatGPT到GPT-4o，人機互動的核心模式一直沒有變：使用者輸入→AI等待→AI回覆。使用者打字時AI"眼盲耳聾"，AI說話時使用者只能等它說完。Thinking Machines在部落格裡用了一個絕妙的類比："就像試圖通過電子郵件而不是當面解決關鍵分歧。"

對話本來應該是流暢的、雙向的、即時的。對話方塊把人類強行塞進了一個"發消息等回覆"的框架裡。

Interaction Model要打破的，就是這個框架。

它帶來的幾個新能力，每一個都在重新定義"什麼叫和AI對話"：

同時聽說。你講話時AI能發出"嗯""我看看"等回應——這在人類對話中叫backchanneling，是"我在聽"的訊號。之前的AI做不到，因為它要等你講完才開始處理。

主動打斷。AI看到你程式碼裡有Bug，可以直接插話提醒。這在"輪流對話"模式裡是不可能的——AI在生成回覆時根本不接受外界輸入。

原生時間感知。普通LLM沒有"時鐘"概念——它們只能通過文字提示詞知道時間。Interaction Model天然知道時間流逝，"每4分鐘提醒我檢查溫度"這種需求不需要額外程式設計。

視覺即時互動。AI可以邊看使用者動作邊回應——你做深蹲它幫你數數，你寫程式碼它幫你盯著錯誤。

這些能力組合在一起，指向一個結論：對話方塊是AI的第一代UI。Interaction Model是第二代。它們的差別，就像命令列和圖形介面，像鍵盤機和觸屏機。

03 Mira的"出埃及記"

2024年9月，Mira Murati宣佈離開OpenAI，隨後創立了Thinking Machines Labs。與其他AI創業公司不同，Thinking Machines Labs更像一次"OpenAI分裂"。

公司創始團隊約30人，約2/3來自OpenAI，涵蓋了從ChatGPT創始團隊到GPT-4o核心開發者的完整班底。

當時外界對Mira Murati離職的猜測很多，但真正的原因其實藏在OpenAI的路線之爭中。

在OpenAI擔任CTO期間，Murati一直推動的方向是"全模態即時互動"——這也是GPT-4o發佈時的核心理念：一個能看、能聽、能說、能即時回應的AI。

但OpenAI內部還有另一條路線在崛起，以後來主導o1系列的團隊為代表——"思維鏈、大規模推理、慢思考"。不是追求即時，而是追求"想得更久、想得更深"。

兩條路線的衝突在2024年達到頂點。

上半年為了狙擊Google的Google I/O大會，Mira Murati帶領團隊以極快速度推出了GPT-4o。到了下半年，面對Claude 3.5 Sonnet在程式碼和邏輯上的壓制，Sam Altman和管理層又對o1團隊施加了極大的壓力，要求盡快將“Strawberry”項目產品化。

雖然Murati主導了GPT-4o的“看聽講”全能，但9月份發佈的o1-preview和o1-mini卻完全是“退化”的形態，它們不支援語音，不支援多模態，甚至不支援網路搜尋。

這種明顯的割裂說明，OpenAI內部無法在短期內將“全模態即時互動”與“慢思考思維鏈”融合到一個統一架構中，兩條路線最終只能各自為戰、分道揚鑣。

因此，在o1模型剛剛發佈不到兩周後，Murati毫無徵兆地宣佈辭任CTO。有海外媒體統計，2024年國外科技公司離職CTO的平均任期為3.9年，但Mira在OpenAI工作了6.3年。

出走的不只她一個人。她帶走了一批原OpenAI的核心研究人員。公司很快拿到了a16z領投的約20億美元融資，估值120億美元。

但創業遠比想像中艱難。核心員工大量流失——7人以上跳槽Meta，也有人回流OpenAI。唯一的好消息是2025年下半年，PyTorch創始人Soumith Chintala加入擔任CTO，給團隊注入了頂級的技術底盤。

如今Thinking Machines只有約130人。Interaction Model的發佈，是Murati出走一年多來拿出的最有力回擊——她證明了自己在OpenAI時堅持的方向，確實能走通，而且能走得更遠。

04 重新定義人機互動

Thinking Machines在技術部落格裡寫了一句意味深長的話："通過使互動成為模型的原生能力，模型的規模增長將同時帶來更智能和更有效的協作。"

翻譯成人話就是：以前的AI，越大越聰明，但互動方式還是那個對話方塊；Thinking Machines要讓AI越大越聰明的同時，也越"好聊"。

這是對整個AI行業趨勢的判斷——未來競爭的焦點不在模型規模本身，而在"互動深度"。

如果這個判斷是對的，那麼最快在未來三年裡，以下幾個行業將被重新定義：

即時監控。AI能7x24小時盯著視訊流，看到安全違規時立刻插話提醒，而不是等巡檢人員發現異常再上報。

語音客服。0.4秒延遲意味著客戶幾乎感受不到對面是AI——聲音延遲降到人耳感知閾值以下。

工業維護。AI能在工程師拆裝置時即時指導、即時警告、即時查閱手冊。

醫藥研發。原生時間感知讓AI能跟蹤實驗處理程序、提醒關鍵時間節點、在異常發生時立即介入。

2千億參數、12億活躍、0.4秒延遲——這些數字固然令人印象深刻。但Thinking Machines真正在賭的是：當對話方塊被拆掉的那一天，人機互動會被重新定義。而她選擇的路徑，最終會被證明是正確的那一條。 (雷峰網)