恕我直言，今天你跟AI的交流，跟對講機沒什么區(qū)別。

輸入，發(fā)送，它開始思考。你盯著屏幕，等幾秒，甚至幾分鐘。然后它吐出一大段文字。你讀完，再輸入下一條。

如果人機交互永遠停留在這個方式，AGI不會到來。

因為人類協(xié)作從來不是回合制的。兩個人面對面吵架，語氣、表情、停頓、搶話，信息在每一個毫秒里流動。這才是真實的帶寬。

有一家公司正在改寫這個規(guī)則。它叫Thinking Machines Lab，創(chuàng)始人Mira Murati，前OpenAI首席技術官。她的目標與老東家不同：OpenAI做頂級閉源模型，她做人類與AI的協(xié)作。

要協(xié)作，先掀翻回合制。

昨天，TML發(fā)布了TML-Interaction-Small。名字叫Small，參數2760億，是行業(yè)內第一個原生支持實時、多模態(tài)人機協(xié)作的大模型。0.4秒響應延遲，無需喚醒的視覺主動介入，聽、看、想、說四個動作同步。

在智能和交互的基準測試中，它雙雙登頂。部分競品連參賽資格都沒有。

大模型下半場的戰(zhàn)役，已經從算力與參數的堆砌，演變?yōu)闄C器情商與交互本能的革命。

01

外掛是一條死路

回想一下，為什么面對面吵架比發(fā)郵件高效？

郵件是回合制的。你寫一段，我回一段。中間隔著思考和打字的時間，情緒、表情、語氣全部丟失。面對面不同。我還沒說完，你就打斷；我剛皺眉，你就調整說辭。信息的交換是并行的、連續(xù)的、雙向的。

當前的AI，包括OpenAI和Anthropic的旗艦產品，本質上都是郵件模式。

TML的技術報告里給這種現(xiàn)象起了個名字：單線程現(xiàn)實感知。用戶說完之前，AI處于“五感消失”狀態(tài)。它聽不到你的語氣，看不到你的表情，不知道你停頓是因為猶豫還是因為喘氣。它生成回答的過程中，感知同樣被凍結。除非你強行打斷，否則它就像一臺背誦錄音機，從頭放到尾。

這套機制的根源在于架構。現(xiàn)有的多模態(tài)AI，絕大部分是外掛縫合的。語音活動檢測模塊判斷用戶是否說完，語音識別模塊把聲音轉成文字，大語言模型思考，語音合成模塊把文字讀出來。級聯(lián)，串行，每一步都增加延遲，每一步都丟失信息。

強化學習之父Rich Sutton在《The Bitter Lesson》里說過一句話，TML把它貼在報告里：所有依賴人類手工設計的復雜外掛系統(tǒng)，最終都會被底層模型通過暴力計算和統(tǒng)一架構降維打擊。

翻譯成人話：外掛沒有未來。真正的交互能力，必須長在模型身體里，像呼吸一樣自然。從提示詞驅動，升級為伴隨式協(xié)作。

02

雙向奔赴的無縫交互

說起來簡單，做起來難。要在技術底層徹底打破“回合制”的束縛，難度無異于給天上的飛機更換引擎。

TML-Interaction-Small（以下簡稱TML-Small）之所以能做到聽、看、想、說四個動作的同步，源于底層架構的四個易于理解的顛覆性創(chuàng)新：

1.時間對齊的微輪轉

這就是TML架構中最有想象力的核心。

傳統(tǒng)的Transformer架構把輸入和輸出的信息流都壓縮成了一個有序的token序列。但文字與音頻和視頻包含的信息量和復雜程度截然不同，不能被簡單地劃分到同一個維度之中，因此TML-Small將現(xiàn)實世界的連續(xù)音視頻流都切分成了每200毫秒一個的“微輪轉”。

在這個200毫秒的微小切片之內，模型同時接收輸入并生成輸出。它無需等待用戶完成整個交互過程，只需要用這種高頻碎片化的方式就可以持續(xù)不斷地與用戶進行雙向的信息交換。

這種類似微積分的處理方式有效地打破了人為設置的“回合邊界”，模型也能夠自然地聽懂人們說話時喘氣帶來的停頓和話語權的交接。當前音頻模型主要的應用場景“同聲傳譯”即可由此實現(xiàn)。

2.無編碼器的早期融合

告別了“縫合怪”，TML也實現(xiàn)了極致的早期融合。

由于堅信外掛的模塊不是通往AGI的正確道路，這款新模型沒有采用龐大的獨立語音識別系統(tǒng)或視覺編碼模型。

音頻被直接轉化為dMel信號，視頻畫面被切分為40×40像素的微小圖塊并經過輕量級的MLP網絡處理，隨后這些音視頻的原始切片就會和文本一起送入同一個Transformer架構之中。

所有組件都從零開始聯(lián)合訓練，就是TML-Small能夠做到零損耗和無時差的原生多模態(tài)感知的秘訣。

3.前臺交互+后臺思考的雙軌系統(tǒng)

性能、速度和成本，全球的AI企業(yè)都在費盡心思試圖突破這個不可能三角的邊界。很多端到端的語音大模型為了追求毫秒級的延遲，往往只能做簡單的閑聊，也就是只能做一些簡單的翻譯，一旦遇到復雜的數學推理或是編程直接崩潰。

TML給出了一種優(yōu)雅的架構解法：雙軌并行。

交互模型始終駐留前臺，保持實時在線，和人類企業(yè)的前臺服務人員一樣負責察言觀色、快速回應、穩(wěn)住場面。

一旦遇到需要深思熟慮、調用搜索、使用工具的復雜任務時，前臺就會將豐富的上下文打包給后臺進行異步處理。

4.2760億參數的算力經濟學與底層工程

如此高頻的交互，必然會帶來致命的算力成本壓力。好在，TML-Small并非浪得虛名，作為一個276B參數的混合專家（MoE）模型，每次推理時的活躍參數僅有12B。

同時，為了應對海量200毫秒級別的碎片產生的推理開銷，TML團隊也學習國產AI企業(yè)深入底層，開發(fā)了流式會話（Streaming sessions）技術。通過在GPU內存中持久化保留序列能夠避免頻繁的內存重新分配，這套優(yōu)化方案也已經貢獻給了開源框架SGLang。

03

競品連考場都進不去

榜單上的數據讓人沉默。

在“智能與交互質量”的綜合評估中，TML-Small同時占據高智商和快響應兩個角落的頂點。在交互延遲測試中，它跑出0.40秒，比OpenAI和Google的最新實時模型還快，接近人類本能反應的極限。

但真正讓人震撼的是另外兩件事。

第一件，TML被迫創(chuàng)建了全新的評測維度。因為現(xiàn)有的商業(yè)模型，在這些任務上的得分基本都是零。測試很簡單：用戶要求每4秒提醒一次深呼吸。TML-Small準確率超過60%。其它模型陷入沉默。它們沒有時間觀念。

第二件，主動視覺測試。傳統(tǒng)的語音助手必須聽到喚醒詞才看一眼屏幕。TML-Small主動盯著屏幕，用戶完成目標時主動插話提示。沒有喚醒，沒有外掛，AI第一次真正長出了眼睛，擁有了時間。

04

帶寬躍遷之后的世界

一旦AI突破了回合制的協(xié)作帶寬瓶頸，它就不再是一個屏幕里的文本生成器。幾個行業(yè)的商業(yè)邏輯將被重寫。

數字員工的定義要改了?，F(xiàn)在的AI客服只會照本宣科。你語氣變了，它聽不出來；你皺眉了，它看不見。換成一個擁有TML能力的數字員工，它能在你不耐煩之前主動停掉冗長的回答，能在你猶豫時補充信息?？头N售、咨詢，這些依賴人類情緒識別的行業(yè)，將迎來一次范圍打擊。

空間計算和下一代游戲也會變。蘋果Vision Pro被詬病“缺乏靈魂”，缺的就是一個實時伴隨的智能體。TML驅動的AR眼鏡，智能體和你看到同樣的景象，能做危險提示，能同聲傳譯。游戲里的NPC不用再呆呆地站在固定位置，它們有時間觀念，能主動互動，徹底擺脫腳本。

具身智能終于有了大腦。自動駕駛和機器人面對的世界沒有暫停鍵。傳統(tǒng)大模型“等你說完我再思考”的模式，對機器人來說是致命的卡頓。TML每200毫秒處理一次的機制，恰好匹配機器人底層“感知—決策—控制”的循環(huán)。這是現(xiàn)階段的最優(yōu)解，也是唯一解。

05

結語

TML在報告結尾坦承了局限：超長會話的上下文管理、對優(yōu)質網絡的依賴。但更大規(guī)模的模型將在今年晚些時候推出。

過去三年，行業(yè)拼命堆砌參數，讓AI寫更復雜的代碼、解更難的數學題。有一件事正在被淡忘：

人類文明的偉大，不僅有個體的靈光一現(xiàn)，還有協(xié)作與溝通的本能。

當人類試圖打造AGI時，讓機器懂得如何與人類同頻呼吸、無縫交流，遠比讓它變得更聰明更加重要。

對講機時代應該結束了。

轉載開白 | 商務合作 | 內容交流

請?zhí)砑游⑿牛篶utstill

添加微信請備注姓名公司與來意