
论证起点:传播学基础
5月11日,由OpenAI前CTO Murati创立的AI实验室Thinking Machines,发布了新模型Interaction Model(交互模型)。这家实验室之前发表的OPD蒸馏范式,深刻影响了DeepSeek V4。此次,他们宣称新模型代表了下一代人机交互模式。他们的论证从传播学开始。1991年,Herbert Clark和Susan Brennan在经典论文《Grounding in Communication》中,提出人类有效交流的三个基础条件。Thinking Machines将这三个条件作为诊断框架,检查当前AI交互系统的状态。
- Copresence(共在性):双方共享同一个感知场,一方能感知另一方看到、听到和正在经历的环境。
- Contemporality(共时性):接收几乎与发送同步,不存在“等你说完再开始理解”的断层。
- Simultaneity(并发性):双方可以同时发送和接收信息,一方说话时,另一方能给出实时反馈。
在面对面对话中,这三个条件天然满足。但Thinking Machines诊断发现,当前AI系统前两条完全不满足,第三条在最近的全双工语音模型中有部分进展,但仍不完整。
当前AI系统的问题
当前AI最不符合在场定义的是,对话系统基于轮次(turn)概念。用户说完一段话,模型处理并输出回复,一个turn结束,下一个turn开始,这切断了共在。
- 缺乏共在性:AI只在用户主动输入时才感知用户,用户不说话时,其世界对AI不存在,AI的感知场仅限于用户主动推送的信息。
- 缺乏共时性:模型必须等用户“说完”才开始处理,Voice Activity Detection(VAD,语音活动检测)需检测到足够长的沉默才判定turn结束,期间模型对用户正在说的内容无实时理解。
虽然并发性在近两年进展最快,如OpenAI 5月7日发布的GPT - Realtime - 2,字节的Seeduplex全量上了豆包,但它们都只解决了并发性,前两条问题未解决。
现有语音模型分析
GPT - Realtime - 2
OpenAI在Thinking Machines发布前4天推出的语音模型,是目前最强的实时交互方案。它有GPT - 5级推理能力、128K上下文窗口和并行工具调用能力提升,在Big Bench Audio上比前代高15.2%。其通信层通过WebSocket实现全双工,解决了并发性问题,但模型层仍依赖VAD判断用户是否说完,未解决turn base的老问题,共时性无法解决。
Seeduplex
字节跳动在2025年4月推出的语音大模型,在模型层面实现全双工。其三流架构(听流、说流、控制流)加上R - PEC(相对位置编码),让模型能同时处理输入和输出,误打断率比半双工模型减少50%,抢话比例下降40%。但它和GPT - Realtime一样,未解决共在性和共时性问题,是纯语音模型,没有视觉输入,且没有绝对时钟锚定现实时间。
Thinking Machines的解决方案
共在性:多模态统一模型
为实现共在性,AI需接触用户接触的全部模态,因此他们训练了多模态模型。为满足共时性,他们没有采用给语音模型加编码器脚手架的主流方法,而是重新训练统一模型。因为不同模态处理需统一时间,外挂组件的延迟抖动会破坏对齐,所以要将交互性内化到模型,从零联合训练。具体做法是对音频、视频、文本输入做不同预处理,所有组件和主Transformer用Encoder - free Early Fusion(无编码器早期融合)从零联合训练,确保模态不互相拖慢,为时间锚定提供精度基础。此外,从头训练模型还因为交互能力会随模型能力增长,而脚手架无法实现。
共时性:连续内部时钟
共时性是架构核心,模型需连续内部时钟才能一直“在场”。当前语言模型时间观是事件驱动,而Thinking Machines的Interaction Model运行在200ms的micro - turn(微轮次)上,无论有无事件,每200ms处理一组输入token,生成一组输出token。选择200ms是因为这是人类对话中最小的有意义反馈间隔。每个micro - turn里,模型先读入输入token,再生成输出token,沉默也会被处理。这使模型在TimeSpeak和CueSpeak测试中表现远超GPT - 4o realtime。为实现200ms心跳,他们做了Trainer - sampler alignment(训练 - 采样对齐)和Streaming Sessions(流式会话),解决了训练和推理的时间分辨率问题,降低了内存读取成本。
并发性:输入输出并行
标准自回归Transformer无法同时接收和发送,Thinking Machine将时间切成200ms离散块,每个块内先处理输入token,再生成输出token。从人的感知尺度看,这短到感觉不到间隔,效果等同于并发。与Seeduplex的双工架构不同,它通过时间切分让串行执行在体验层面等价于并行,且避免了并行听说流的冲突问题。但并发性带来工程张力,为平衡保持存在感和深度思考对计算资源的需求,他们采用双模型架构。Interaction Model(TML - Interaction - Small)是276B参数的MoE(混合专家)模型,负责保心跳、维持多模态连续双向流和处理对话管理;Background Model(后台模型)负责深度工作,两个模型共享对话上下文。在FD - bench V1.5的对话质量评分上,Interaction Model得分高于GPT - 4o realtime、GPT - 4和Gemini 3。
“共在”交互的理念
除传播学规定的“好的沟通”,“共在”还能带来更好的AI体验。一直在场的AI能记得之前的事,随时响应,7 * 24小时搜集信息并回应,就像OpenClaw通过心跳制造时序和主动,通过记忆获得自进化和运行时积累基础。但当前AI交互管道窄,人的隐性知识无法传递。“共在”开辟了全新信息通道,能捕捉人皱眉、犹豫等情境性知识。当OpenAI、Anthropic、Google等公司将模型推向“后台异步执行”的agent范式时,Thinking Machines让AI进入人的循环,持续在场。当然,其系统也有不足,如276B MoE模型成本高,200ms micro - turn对推理基础设施要求高,且需从零训练。但如果“共在”论断成立,这将扩充AI智能边界,让AI获得“真正的工作流”。
98



被折叠的 条评论
为什么被折叠?



