Mira Murati旗下AI公司Thinking Machines最新研究方向揭秘
想象一下，与AI的协作不再是一问一答的机械对话，而是如同一位专注的助手全程陪伴。它能实时“看见”你的屏幕内容，“理解”你的语音指令，并即刻提供反馈与建议。这正是由前OpenAI首席技术官Mira Murati创立的AI公司Thinking Machines，正在全力探索的前沿方向——他们将其定义为“交互模型”，旨在彻底改变人机协作模式。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
根据公司最新披露的信息，这种创新的“交互模型”致力于实现人与AI之间更自然、更流畅的协同工作。其核心技术在于，模型能够持续接收并处理来自音频、视频和文本的多模态数据流，在此过程中进行实时推理、动态响应并执行相应操作。
这一研究方向，直接针对当前主流AI交互方式的核心局限。Thinking Machines对此给出了一个形象的比喻：现有的大多数模型是以“单线程”模式感知世界的。在用户完成输入或结束发言前，模型处于被动等待状态，对用户的行为和上下文缺乏感知；而一旦它开始生成输出，其感知通道便会“锁定”，无法接收任何新的信息输入，直至整个生成过程结束或被强制中断。
这种交互机制，效率低下，如同通过发送电子邮件来协商紧急事务，存在严重的沟通延迟。它不仅在人机之间形成了传递知识、意图与判断的“窄带瓶颈”，也限制了人类对AI工作过程的理解与把控。
那么，突破之道在哪里？Thinking Machines给出的解决方案是：实现AI在任意模态下的实时、连续交互。其核心目标是拓宽人机交互的“带宽”，让AI界面能够主动适应人类连续、动态且多任务并行的工作流程，而不是反过来要求人类去迁就AI断续、僵化的响应节奏。
为了更清晰地描绘这一技术愿景的应用潜力，Thinking Machines列举了几个典型场景：例如，在与AI共同进行文本创作时，它能实时聆听并自动标记出所有提及的动物名称；在跨国视频会议中，提供近乎零延迟的语音同声传译；甚至，通过电脑摄像头感知用户的坐姿，并及时提醒纠正，以关注健康。
目前，关于这项“交互模型”技术的详细白皮书已在Thinking Machines官方网站发布。不过，普通公众暂时还无法直接体验。公司的产品路线图显示，他们计划在“未来几个月内”率先向部分研究者开放“有限研究预览版”，并预计在“2025年晚些时候”启动更大规模的公开测试或发布。
需要关注的是，这家由Murati于2025年2月离开OpenAI后创办的明星AI实验室，近期也面临一些挑战。市场信息显示，其数名核心研发成员已相继离职，部分加入了Meta，甚至有人选择回归OpenAI，这对其技术研发的连续性与人才稳定性构成了一定考验。
常见问题解答
Q1：Thinking Machines的交互模型和普通AI模型有什么区别？
普通AI模型（如常见的大语言模型）通常采用“回合制”的单线程交互模式。它需要用户提交完整的指令后才会开始处理，且在生成回复的整个过程中无法感知任何新的输入。而Thinking Machines研发的交互模型，旨在模拟人与人之间的自然协作，能够并行、持续地处理来自麦克风、摄像头和键盘的实时数据流，并进行即时思考与响应，从而极大减少了人机交互中的信息延迟与中断，提升了协作效率。
Q2：Thinking Machines的交互模型目前可以使用吗？
目前该交互模型技术尚未对外开放使用。根据Thinking Machines公司公布的计划，他们将在未来几个月内首先推出一个有限范围的研究预览版本，并预计在2025年晚些时候进行更广泛的公开发布或测试。
Q3：Mira Murati为什么离开OpenAI去创立Thinking Machines？
公开报道并未详细说明Mira Murati离开OpenAI的具体个人原因，仅确认她于2025年2月离职后创立了Thinking Machines。这家新公司的明确使命是开发能够实现实时多模态交互的下一代AI技术。不过，正如资讯所述，公司在推进这一雄心勃勃的技术目标的同时，也正处于核心团队成员的变动期。
相关攻略
最近，一个反复出现的新闻标题越来越常见：某大型企业一边高调宣扬AI带来的效率提升，一边大规模裁员。 主角轮番更替，背后的逻辑却如出一辙。企业既面临内部削减成本的压力，又需要向外界展示竞争优势。对许多企业而言，这意味着加大AI的使用力度，同时裁减被认为“多余”的员工——尽管目前对AI能力与可靠性的评估
人工智能深度融入企业ESG治理，成为推动绿色转型的关键引擎。它显著提升了数据管理、风险识别与决策效率，助力企业将可持续发展转化为竞争优势。然而，AI应用也面临数据质量、合规成本及伦理挑战，企业需在利用技术红利的同时，构建以人为本的负责任治理框架。
想要高效利用豆包AI进行代码审查，精准发现潜在缺陷、提升代码可维护性与安全性？这需要掌握正确的方法。直接提交一段代码并简单指令“帮我审查”，往往难以获得深度、有价值的反馈。关键在于采用结构化指令与多维度验证策略，以下将详细拆解具体操作步骤。 一、提供清晰上下文与明确审查指令 豆包AI的代码审查质量，
苹果将在其销售培训平台AppleSalesCoach中引入AI虚拟讲师，用于制作个性化培训视频。该功能可根据员工负责的产品线、需提升的技能及母语生成定制内容。所有内容均由内部专家团队策划与审核，确保准确性，且AI生成视频会添加明确标识以区分。
FigmaAI重命名图层时因缺乏上下文导致命名混乱。优化关键在于提供清晰上下文线索：绑定父级Frame语义并启用上下文继承，使子图层命名统一携带前缀；利用变体属性联动，强制AI读取属性定义并将属性名与值注入图层名；对视觉信息贫乏的图层，可在描述字段插入强语义注释作为上下文锚点，从而引。
热门专题
热门推荐
5月12日，马来西亚吉隆坡成功举办了一场具有前瞻性的行业盛会——中国-马来西亚电动汽车、电池技术与新能源人才创新发展论坛。来自两国政府部门、领军企业、顶尖高校及国际组织的代表共聚一堂，深入交流了在未来产业协同、清洁能源技术创新及高端人才培养等核心领域的合作路径与机遇。 马来西亚第一副总理兼乡村及区域
具身智能要迈过的第一道硬门槛，从来都是量产。 过去几年，全球人形机器人行业反复印证了这一点：舞台演示可以很快，工程验证可以很快，视频传播也可以很快。但当一台机器人要从实验室走向产线，再走向客户现场，问题的复杂度会呈指数级上升。 特斯拉的Optimus就是一个典型的参照系。马斯克多次表达过对Optim
向朋友问路时，如果对方清楚路线，通常会立刻回答“直走然后左转”。但如果对方并不确定，往往会先停顿一下，犹豫地说“呃……好像是……往那边？”。这个开口前的短暂迟疑，往往比最终给出的答案更能说明问题——对方是否真的知道答案。 近期，美国天普大学计算机与信息科学系的一项研究，正是捕捉到了AI回答问题时类似
这项由浙江大学、华南理工大学、南京大学和北京大学联合开展的前沿研究，于2026年4月正式发布，其论文预印本编号为arXiv:2604 24575。 图像分割技术听起来或许有些专业，但它早已深度融入我们的日常生活。无论是智能手机拍摄的背景虚化人像、AI系统在CT影像中精准勾勒病灶轮廓，还是自动驾驶汽车
“大唐”预售热潮尚未平息，“大汉”已蓄势待发，比亚迪王朝系列正以前所未有的攻势，叩响高端市场的大门。 在北京车展引发轰动的比亚迪大唐，预售订单已迅速突破10万台大关，彰显了市场对比亚迪高端产品的强烈期待。而最新信息显示，汉家族即将迎来一位重磅新成员——“大汉”，这款定位D级旗舰的轿车，目标直指20-