
AI交互现状与TML的挑战
当前,人们与AI的交流如同使用对讲机,输入信息后需等待几秒甚至几分钟,AI才会输出一大段文字。若人机交互一直停留在这种回合制方式,AGI便不会到来,因为人类协作并非回合制,而是信息在每一个毫秒里流动。据悉,Thinking Machines Lab(TML)正在改写这一规则,其创始人Mira Murati曾是OpenAI首席技术官,与老东家不同,她致力于人类与AI的协作,要先掀翻回合制。
TML-Interaction-Small发布
昨天,TML发布了TML-Interaction-Small,虽名字叫Small,但参数达2760亿,是行业内第一个原生支持实时、多模态人机协作的大模型。它响应延迟仅0.4秒,无需唤醒即可视觉主动介入,能实现听、看、想、说四个动作同步。在智能和交互的基准测试中,它双双登顶,部分竞品连参赛资格都没有,这意味着大模型下半场的战役已从算力与参数的堆砌,演变为机器情商与交互本能的革命。
外挂是一条死路
回想可知,面对面吵架比发邮件高效,因为邮件是回合制,会丢失情绪、表情、语气等信息,而面对面交流信息交换是并行、连续、双向的。当前的AI,包括OpenAI和Anthropic的旗舰产品,本质上都是邮件模式,TML的技术报告称这种现象为“单线程现实感知”,即用户说完之前,AI处于“五感消失”状态,生成回答时感知也被冻结。这种机制源于现有多模态AI绝大部分是外挂缝合的,级联、串行的方式增加了延迟并丢失信息。强化学习之父Rich Sutton曾说,所有依赖人类手工设计的复杂外挂系统,最终都会被底层模型通过暴力计算和统一架构降维打击,也就是说外挂没有未来,真正的交互能力应长在模型身体里,从提示词驱动升级为伴随式协作。
双向奔赴的无缝交互
TML-Interaction-Small(以下简称TML-Small)能实现听、看、想、说四个动作同步,源于底层架构的四个颠覆性创新。一是时间对齐的微轮转,TML-Small将现实世界的连续音视频流切分成每200毫秒一个的“微轮转”,在这个微小切片内,模型同时接收输入并生成输出,打破了“回合边界”,可实现“同声传译”。二是无编码器的早期融合,该模型没有采用庞大的独立语音识别系统或视觉编码模型,音频和视频原始切片与文本一起送入同一个Transformer架构,所有组件联合训练,实现了零损耗和无时差的原生多模态感知。三是前台交互 + 后台思考的双轨系统,TML采用双轨并行架构,交互模型驻留前台实时在线,遇到复杂任务时将上下文打包给后台异步处理。四是2760亿参数的算力经济学与底层工程,TML-Small作为276B参数的混合专家(MoE)模型,每次推理时活跃参数仅有12B,同时TML团队开发了流式会话技术,优化方案已贡献给开源框架SGLang。
竞品连考场都进不去
在“智能与交互质量”的综合评估中,TML-Small占据高智商和快响应两个顶点。在交互延迟测试中,它跑出0.40秒,比OpenAI和Google的最新实时模型还快,接近人类本能反应的极限。此外,TML还被迫创建了全新的评测维度,如用户要求每4秒提醒一次深呼吸,TML-Small准确率超过60%,而其他模型没有时间观念。在主动视觉测试中,传统语音助手需听到唤醒词才看屏幕,TML-Small能主动盯着屏幕,用户完成目标时主动插话提示。
带宽跃迁之后的世界
一旦AI突破回合制的协作带宽瓶颈,多个行业的商业逻辑将被重写。数字员工的定义会改变,拥有TML能力的数字员工能根据人类情绪主动调整服务。空间计算和下一代游戏也会变革,TML驱动的AR眼镜能提供危险提示、同声传译等功能,游戏里的NPC能主动互动。具身智能也将有更好的发展,TML每200毫秒处理一次的机制与机器人底层“感知—决策—控制”的循环匹配,是现阶段的最优解。
结语
TML在报告结尾坦承了局限,如超长会话的上下文管理、对优质网络的依赖,但更大规模的模型将在今年晚些时候推出。过去三年,行业注重堆砌参数让AI更聪明,却淡忘人类文明的伟大不仅在于个体灵光一现,还在于协作与沟通的本能。当打造AGI时,让机器与人类无缝交流比让它更聪明更重要,对讲机时代应该结束了。



被折叠的 条评论
为什么被折叠?



