不用傻等AI回复了！OpenAI前CTO发布「实时交互模型」，未来新方向？

AIPress.com.cn报道

有没有想过这样一件事，我们跟AI对话的方式，其实很奇怪。

输出一段要求，等它回。它回完，再回复。你等它，它等你。

这样的情况像极了两个人在用对讲机聊天，一方说完，另一方才能开口。

这种回合制的交互方式，已经成了人和AI协作之间最大的障碍。

5月11日，OpenAI前CTO Mira Murati创立的Thinking Machines的AI实验室发布了一项新研究，正面回应这个问题。他们发布了一套名为"交互模型"的系统，其核心只有一个：AI应该像人一样参与进正常对话。

对答式AI的痛点：只能被动等回复

你可能会觉得，现在的大模型已经很厉害了。能写代码、能分析报告、能处理复杂任务。

但如果仔细回想一下日常使用体验，就会发现一个很别扭的地方：

必须把所有需求一次说清楚，才能得到一个符合要求的答案。

因为一旦它开始回答，你就不能插话。它生成内容的过程是封闭的，所以只能等。等它说完，再看有没有偏差，再重新描述需求，再等它重新回答。

这个过程，更像发一封邮件，然后等对方回复。

而现实中，真正高效的协作从来不是这样运作的。在真实的工作场景里，两个人坐在一起解决问题，会随时打断、随时确认、随时调整方向。信息是流动的，反馈是即时的。

Thinking Machines的研究团队认为，这才是问题的根本所在。现在的大模型，大多数在智能上已经很强，但交互方式却依然停留在非常落后的阶段。它们被设计成"等待指令、处理、输出"的线性流程，完全没有为真正的协作留出空间。

提出AI新范式：实时交互模型

Thinking Machines提出的交互模型，核心改变是：把交互能力直接训练进模型本身，而不是靠外部系统拼凑出来。

现在很多看起来"实时"的AI助手，其实是靠一堆外部模块组合实现的。先用一个检测器判断用户说没说完，再把音频传给模型处理，再调用语音合成模块把文字变成声音输出，里面每个环节都有损耗。

Thinking Machines的做法是，从零开始训练一个原生支持实时交互的模型。

技术上，他们设计了一种叫"微交互"的处理机制。

模型每200毫秒处理一小段音视频输入，同时生成200毫秒的输出。输入和输出持续交错运行，不用等你说完，也不用等它答完。

这带来巨大的效果提升：

•可以问它"帮我看看这段代码有没有bug"，它可以边看你敲代码边实时给出反馈•你让它给你做俯卧撑计数，它会真的盯着摄像头，每做一个动作喊一个数•甚至可以实现同声传译

⚡ 核心突破

这些能力，在回合制架构下几乎不可能实现。

双模型架构：兼顾实时响应与深度推理

光有"实时"还不够，因为有些任务确实需要深度思考和长链条推理，这和"快速响应"天然是矛盾的。

Thinking Machines的解决方案是把系统拆成两层。

•前台：交互模型，负责实时对话，始终在线，随时响应•后台：推理模型，负责处理复杂任务，比如调用工具、搜索网页、生成长文档、执行多步骤规划

两套模型共享上下文，后台完成一部分任务就把结果传回前台，由交互模型在合适的时机自然融入对话，而不是突然打断某一方。

这像一个配合默契的团队，一个人在前台负责接待，另一个人在后台快速处理，信息随时同步。

测评数据：交互质量和响应速度占优

Thinking Machines公布了一批测评数据。他们的模型在主流实时AI系统的对比中，在交互质量和响应速度两个维度上都处于领先位置。

更有意思的是，他们专门设计了几个针对新型交互能力的测试：

时间感知测试：让模型在你呼吸练习时，每四秒提醒一次吸气和呼气，要求时间精准，内容正确。

视觉主动响应测试：让模型盯着视频，在特定动作发生的瞬间主动开口回答，而不是等你说话。

实时计数测试：让模型通过摄像头统计你做了多少个俯卧撑，实时报出数字。

他们对比了GPT Realtime和Gemini Live等当前主流实时模型。结论是：现有模型在这些任务上几乎无法完成，大多数时候保持沉默，或者给出错误答案。

⚠️ 关键差异

因为这些任务的根本要求是主动感知、主动开口，而不是等待触发、被动响应。

论文坦诚模型不足之处

Thinking Machines在论文里也坦率列出了当前的局限：

•连续的音视频流会快速积累上下文，如果对话时间很长，模型的上下文管理会面临压力•低延迟流传输对网络稳定性要求很高，连接质量差的情况下体验会明显下降•目前发布的是一个276B参数的MoE模型，其中120亿参数处于激活状态•更大规模的版本因为速度问题还没有部署，计划今年晚些时候推出•实时交互场景下的安全性和对齐问题，也是他们正在持续研究的方向
OpenAI前CTO的"复仇者联盟"

Mira Murati曾在OpenAI任职六年半，2022年升任首席技术官，主导了ChatGPT、DALL-E、Codex、Sora等几乎所有明星产品的技术方向。在2023年11月Sam Altman被董事会罢免事件中，Murati曾短暂出任OpenAI临时CEO。2024年9月，她正式宣布离开OpenAI，寻求独立技术探索。

2025年2月，Thinking Machines Lab正式成立。创始团队集结了大批OpenAI核心元老，被业内称为AI行业的"复仇者联盟"。

公司成立仅5个月，便完成20亿美元种子轮融资，由a16z领投，Nvidia、AMD、Jane Street等机构跟投，公司估值达到120亿美元。

成立之后，公司遭遇了多次核心人员流失：2025年10月，联合创始人Andrew Tulloch离职加入Meta；2026年1月，CTO Barrett Zoph离开，联合创始人Luke Metz及核心成员Sam Schoenholz同步回归OpenAI；2026年4月，Meta再次挖走至少7名创始团队成员。

最初的五位联合创始人，最终仅剩John Schulman一人留守。

面对动荡，Mira Murati做出关键决策：将PyTorch创造者Soumith Chintala从Meta招入，并提拔为新任CTO。

即便遭遇大规模创始团队流失，公司仍在成立仅15个月后，推出了这一具有行业定义性的技术Demo。

过去几年，AI能力的竞争集中在一个维度：更聪明。更长的推理链、更强的代码能力、更大的知识库、更准确的输出。

但Thinking Machines的这项工作，指向了另一个可能被低估的领域：AI不只要更聪明，还要更会协作。

AI和人类之间真正的协作，可能才刚刚开始变得可能。