
科幻照进现实:AI交互新追求
2013年的科幻电影《Her》中,操作系统Samantha(萨曼莎)让观众首次具象化了理想的AI存在方式。它不等用户说完即可开口、能感知语气迟疑,且始终「在场」,而非被动等待唤醒。十三年后,由OpenAI前CTO Mira Murati创立的Thinking Machines Lab发布研究预览,其构建的交互模型在底层追求上,与Samantha的逻辑高度契合。
核心概念:「presence」持续在场
这篇题为《交互模型:人机协作的可扩展方案》的博客,核心强调的便是「presence」——持续在场。2024年Mira Murati在OpenAI主持发布了GPT - 4o的高级语音模式,让人机交互更接近人与人的自然交流。两年后,她带着团队另起炉灶,又把这件事从头做了一遍,评论区吐槽犀利,有评论称人类已被移出AI协作群聊。
现有交互问题:缺乏人类参与通道
文章开篇结合METR在2025年的研究报告指出,主流AI公司倾向将「模型自主完成长任务」作为重要能力指标,导致交互界面几乎没给人类留出持续参与的空间。但实际工作中,需求难以最初就交代完美,高质量产出需人持续介入与反复调整,现有的「回合制」机制缺乏这样的通道。
理论依据:高效沟通的要素
语言学者Clark和Brennan在1991年的研究表明,高效沟通依赖共在、同时性和并发性,双方需共处同一情境,同步接收和表达信息。Walter Ong在1982年关于「口语稍纵即逝性」的研究显示,对话的本质在于高频参与。结合哈耶克1945年的理论,有价值的知识存在于即时的细节传递中。而现在的模型工作时,用户输入,AI等待;AI输出时,对用户的即时反应一无所知,Thinking Machines将此比喻为靠发邮件来回拉扯处理紧迫分歧。
实时语音市场局限:两条路线的困境
目前实时语音市场存在两条有局限的路线。大多数主流商业系统靠在模型外接入语音活动检测(VAD)等组件拼接出「伪实时」,这种外挂组件管理方式局限性明显,模型无法主动打断对话等。另一方面,市场上出现的Moshi、PersonaPlex等无需VAD的原生全双工系统,多为较小规模模型,为低延迟在综合智能水平上做了妥协。
创新之举:原生支持实时交互系统
Thinking Machines认同强化学习学者Richard Sutton的观点,认为依赖人工设计组件的系统最终会被通用学习赶超,交互能力必须成为模型原生的一部分。为此,他们参考业界在全双工语音交互与异步智能体上的探索,从头训练了原生支持实时交互的系统。该系统由感知时间的「交互模型」(前台)和异步运行的「后台模型」(负责深层推理)协同工作。
独特机制:微轮次分析与模态处理优化
基于时间对齐的微轮次分析/微轮次机制,模型以200毫秒为处理单元,持续交替处理输入与输出,保留用户的沉默、抢话等真实信息。打破人为轮次边界后,模型能隐式追踪用户状态,无需独立的对话管理模块,还能同步说话、中途插话等。在模态处理上,省去独立的大型编码器,音视频经轻量处理后直接与Transformer主体联合训练,实现「流式会话」机制并优化底层算力与通信,确保低延迟稳定运行。遇到复杂任务时,前台抛上下文给后台,后台流式返回结果,前台融入对话,兼顾实时响应与深度推理,同时模型进行了拒绝对话的拟真训练与防越狱的鲁棒性测试。
亮眼成绩:多项测试表现出色
测试中,名为TML - Interaction - Small(活跃参数12B)的模型表现亮眼。在评估打断、背景音干扰的FD - bench v1.5基准中,TML获77.8分,远超GPT Realtime - 2.0(46.8分)和Gemini(54.3分),轮次切换延迟仅0.40秒。在需深度推理的FD - bench v3中,其响应质量/Pass@1(82.8/68.0)也稳压竞品高延迟版本。在其他综合测试中,TML同样展现平衡性,在Harmbench保持了99.0%的安全拒绝率,虽在部分纯智力单项上略落后于Qwen 3.5 Omni或GPT - 2.0极高延迟版,但它是唯一在响应速度与智能水平上实现双优的模型。
自建评测:凸显原生交互能力
为精准衡量原生交互能力,Thinking Machines自建多项评测。对比学术界现有的StreamBridge、AURA等文本输出原型,TML实现了真正的语音并发输出。在考察主动发言、同步纠错、持续视觉追踪以及看视频抢答等单项测试中,TML均取得有效成绩,而主流模型在这些场景下几乎全部得零分或沉默以对。
架构局限与计划:待改进与未来展望
这套架构目前有局限,长会话的上下文积累难以管理,流式音视频高度依赖网络稳定性,且尚未扩展至更大参数量的版本,计划于今年晚些时候发布。
探索初衷与路线:让人类介入更流畅
参与这项工作的研究员Neal Wu概括初衷为「如果和AI协作更像和人说话,会怎样?」原生支持交互的模型是他们的初步尝试。Thinking Machines CTO Soumith Chintala将整体路线图分为三步:提升人与AI之间的信息带宽;拉高人类加AI的智能上限;帮助人类在未来体系中继续发挥核心作用。在许多AI研发方向倾向让模型更自主、减少人类介入的当下,Thinking Machines选择让人类介入更流畅,让沟通带宽成为基础设施。翁荔在推文中提到,人与人之间的协作对改善人与AI之间的协作至关重要。
灵魂拷问:AI在场感带来的思考
一个持续在场、能即时感知情绪和状态的AI,与传统工具型AI带来的心理感受不同。当模型在场感越来越强,人们对它的认知和依赖会发生怎样的改变?论文未作答,只留下「实时对齐与安全」的开放性方向。可以预见,当科幻电影情节降临桌面,AI变成始终陪伴的「存在」时,我们真正需要对齐的或许不只是模型,更是人类自己在新世界中的位置。
48



被折叠的 条评论
为什么被折叠?



