作者 | 呂敬之 ?編輯 | 吾人??來源 |?#融中財經

AI界又出現了一個超級獨角獸。

AI領域從不缺乏顛覆性事件，卻極少有一家公司能像Thinking Machines Lab 這樣，在成立僅七個月、尚未推出正式產品、甚至沒有實際用戶的情況下，就以120億美元（折合人民幣850億元）的估值驚艷全球行業。

這家由前OpenAI首席技術官（CTO）Mira Murati牽頭創立的人工智能研究公司，憑借三十余人的“豪華團隊”，其中還包括OpenAI前安全研究副總裁、北大女學霸翁荔，不僅順利完成20億美元種子輪融資，更吸引了AMD、英偉達等行業巨頭爭相注資，一躍成為OpenAI、Anthropic和Google DeepMind等頭部企業的潛在勁敵。

不同于傳統創業公司“產品先行”的路徑，Thinking Machines Lab從誕生之初就自帶“顛覆屬性”。其核心團隊幾乎全員來自OpenAI，涵蓋了AI產品落地、核心技術研發等關鍵領域的頂尖人才，這種“頂配陣容”讓市場看到了復刻甚至超越OpenAI的可能性。

更值得關注的是，公司在無產品的情況下，選擇以技術研究成果為“名片”，通過發布研究博客和學術論文，向行業傳遞其在多模態基礎模型與下一代人機協作領域的布局，這種“技術驅動”的打法，也為AI初創公司的發展提供了全新范本 。

一個“沒有產品”的獨角獸

成立七個月、沒有產品也沒有用戶的公司被大佬們爭先投資，估值120億美元（折合人民幣850億）。

Thinking Machines Lab就是這么一家神奇的公司。

Thinking Machines Lab由前OpenAI首席技術官Mira Murati于2025年2月創立，是一家聚焦多模態基礎模型與下一代人機協作的人工智能研究公司；創立僅半年，便憑約三十人、三分之二出自OpenAI的豪華團隊完成由Andreessen Horowitz領投、英偉達與AMD跟投的20億美元種子輪，估值高達120億美元，并已與Google Cloud達成算力合作，計劃在未來幾個月內發布包含開源組件的首款產品，以幫助研究人員和初創公司定制自己的AI模型，同時正大規模招攬具備AI產品經驗的人才，被視為OpenAI、Anthropic和Google DeepMind的有力挑戰者。

為什么一家甚至還“沒有產品”的公司能獲得這么高的期待？這離不開“人、卡、勢”的三重優勢。

人的方面，Thinking Machines Lab可謂擁有頂級初創團隊。創始人Mira Murati是前OpenAI CTO，曾經一手把ChatGPT、DALL-E、GPT-4做成全球級產品；聯創Barret Zoph、John Schulman等人同樣是Transformer與RLHF路線的核心作者。

對投資機構而言，這支30人左右的小分隊幾乎是一張“全明星期權”：只要他們未來24個月里放出任何一條新曲線，就能直接對標OpenAI的1500億估值，850億只是提前折現。

卡的方面，大模型競爭已變成GPU軍備賽。Thinking Machines Lab在官宣當天就拿到英偉達、AMD的聯合注資，等于一次性鎖定幾萬張H100/H200的配額。在“得顯卡者得天下”的共識下，資本寧愿把估值一次性打滿，也不愿在卡更加稀缺的6個月后再去追高。

勢的方面，2024-2025年，AI估值模型從“收入P/S”迅速讓位于“生態席位費”：全球能真正從頭訓練GPT-4級稠密模型的團隊不超過5家，新名單已經關閉。Thinking Machines Lab是最后一個由“原OpenAI核心決策層”整體出走的標的，一旦錯過，下一個同等量級的敘事窗口可能3年后才出現。850億里有一半買的是“席位”，而不是產品。

再加上二級市場對AI的FOMO情緒外溢：只要公司放出“我們已能穩定訓練100B以上多模態模型”的技術博客，哪怕沒有對外API，二級市場就會用OpenAI 1500億、Anthropic 600億的錨直接做線性插值，把850億“合理化”。因此，850億并不是傳統意義上的“收入估值”，而是“敘事＋算力＋人才”三位一體的看漲期權定價；真到下一輪產品落地，如果模型性能或商業化不及預期，估值同樣可能迅速回調。

在Thinking Machines Lab背后的投資人中，英偉達和AMD備受關注。

英偉達和AMD投資Thinking Machines Lab，表面看是“投人”，骨子里是“買入口、鎖需求、搶話語權”。把高端GPU直接塞進下一代“殺手級”模型，訓練GPT-4.5級以上的多模態稠密模型，單集群就要幾萬張H100/H200，誰先搶到卡，誰就擁有下一個“爆款”入口。

英偉達和AMD把資本換成股權，等于把“賣卡”前置成“占股+綁定采購”，一次性鎖定未來可能高達3-4萬顆高端GPU的確定需求，避免被“自研芯片”計劃截胡。

用“客戶即股東”模式抬高競品拿卡門檻，英偉達和AMD通過入股Thinking Machines Lab，把稀缺卡優先供給“自己人”，變相讓競爭對手排隊更久，從而延緩別家模型迭代節奏，鞏固自身生態節奏話語權。

一篇論文

前幾天，Thinking Machines Lab發表了一篇論文，這也是少見的論文比產品先行的創業公司。

Thinking Machines開辟了研究博客專欄「Connectionism」（聯結主義），發表了第一篇博客文章“Defeating Nondeterminism in LLM Inference”（擊敗LLM推理中的非確定性）。

文中提到，盡管將溫度參數設為0（即采用貪婪采樣），LLM的輸出仍然可能出現不一致。這種現象在實際應用中普遍存在，即使在相同的輸入和模型配置下，多次運行得到的結果也可能不同。

對此，一種流行的解釋是，這種現象是由于浮點數的非結合性（即浮點加法不滿足結合律）和GPU并行計算中的原子操作競爭條件共同導致的。論文將這一觀點稱為“并發+浮點數”假說。

論文深入研究了LLM推理過程中使用的GPU內核，發現雖然浮點數的非結合性是導致數值差異的根本原因，但并發執行中的原子操作并非LLM推理非確定性的主要來源。提出“批大小變化”理論：作者指出，LLM推理中的非確定性主要源于服務器負載的變化，這會導致每次推理時的批大小（batch size）不同。而現有的GPU內核在設計上缺乏“批不變性”（batch invariance），即計算結果會隨著批大小的變化而變化。

通過實驗，論文展示了即使運行相同的矩陣乘法，當批大小不同時，得到的結果也可能存在顯著差異。這表明，LLM推理系統在處理不同負載時，由于缺乏批不變性，會導致輸出結果的不一致。作者提出，要解決非確定性問題，需要確保LLM推理中涉及的關鍵計算內核（如RMSNorm、矩陣乘法和注意力機制）具備批不變性。具體來說，要保證無論批大小如何變化，每個樣本的歸約（reduction）計算順序都保持一致。

簡單來說，文章研究的是如何提升模型輸出的穩定性和可預測性。

這一點對用戶來說至關重要，因為這直接關系到用戶對AI系統的信任、開發者對問題的調試能力、系統的公平性與合規性、強化學習中的訓練一致性、用戶體驗的穩定性以及科學研究的可復現性。

如果同一個問題每次詢問AI都得到不同的答案，用戶會質疑模型的可靠性，尤其是在法律、醫療、金融、教育等高風險領域，輸出的一致性直接影響用戶對系統的信任。開發者也需要可復現的模型輸出，以便穩定地復現bug并進行修復，這是軟件測試、回歸測試和模型評估的基礎。

此外，如果模型對相同輸入給出不同輸出，可能意味著某些群體或輸入被系統性區別對待，這在審計、合規和公平性評估中是不可接受的，因為必須確保模型行為一致才能判斷是否公平。在強化學習中，訓練時使用的采樣策略與推理時必須保持一致，否則會導致策略漂移，使模型表現下降，非確定性還會讓“on-policy RL”變成“off-policy RL”，從而破壞訓練目標。

最重要的是，用戶也期望AI產品像傳統軟件一樣穩定，如果今天問“如何報稅”得到一個答案，明天又變了，用戶會感到困惑甚至憤怒，對企業來說，輸出一致性是服務質量的一部分，直接影響品牌聲譽。科學研究同樣需要可復現的實驗結果來比較不同模型或算法的優劣，如果模型輸出每次都不同，就無法判斷是模型改進帶來的提升還是隨機波動。因此，可預測性和可重復性不是技術細節，而是AI系統能否被人類信任、部署和規模化使用的底線要求，就像一臺每次按鍵都打出不同字母的鍵盤無法被信任或改進一樣，不可復現的AI也無法被真正應用。

AI大模型的下一章

Thinking Machines Lab的出圈，似乎也給AI大模型初創公司一些新的啟示。

在追求模型性能的同時，必須高度重視輸出的可預測性和可重復性，這是贏得用戶信任、確保系統可靠性的關鍵，尤其在醫療、金融等高風險領域，一致性直接關系到用戶是否敢用、愿用。

其次，技術透明和深入剖析問題根源至關重要，Thinking Machines Lab通過揭示LLM非確定性源于批大小變化而非浮點并發，表明AI公司應敢于挑戰行業常識，用扎實研究撥開迷霧，這種“技術誠實”本身就是品牌力。

工程優化與學術研究需緊密結合，AI公司不能僅停留在算法層面，而要下沉到GPU內核、數值計算順序等底層細節，通過批不變性內核、固定分塊策略等工程手段，將理論確定性真正落地為產品確定性。

除此之外，開發者體驗是生態護城河，提供可復現的推理結果、開源批不變算子庫、支持確定性模式，能極大降低開發者調試和部署成本，吸引社區共建，形成“越用越穩”的飛輪。

確定性推理為AI高級應用鋪平道路，強化學習、在線評估、合規審計、模型對比等場景都要求訓練與推理零偏差，AI公司若率先解決非確定性，就能在RLHF、法律審計、金融風控等高價值市場占據先機。

Thinking Machines Lab以小團隊切入“大模型基礎設施痛點”并快速引發關注，提示AI公司不必卷參數、卷規模，而是可以聚焦“別人忽視的確定性縫隙”，用極致工程創新打出差異化，告訴行業：性能不是唯一指標，穩定、可信、可復現，才是AI大規模商用的真正門票。

縱觀AI大模型行業的發展，也開啟了下一個時。模型架構將更加注重效率與可解釋性，不再單純追求參數規模，而是探索如混合專家模型、稀疏激活、線性注意力等機制，在降低計算成本的同時維持性能，同時提升模型決策過程的可解釋性以符合監管要求。

"確定性AI"將成為商業化分水嶺，隨著Thinking Machines Lab揭示非確定性根源，行業將加速推進批不變性內核、數值穩定算法及標準化測試協議，確保醫療、金融等關鍵場景的輸出可復現，可能催生專門的"可信AI"認證體系。

訓練推理一體化重構，邊緣-云協同的分布式訓練框架將成熟，支持千億級模型在消費級硬件上微調，配合動態批處理、內存壓縮技術實現"本地私有化部署+云端彈性擴展"的混合模式。第四，多模態融合進入2.0階段，文本、視覺、音頻、傳感器數據將在統一token空間中進行原生融合，出現專為機器人、車載終端設計的"物理世界大模型"，推動AI從數字交互向實體操作進化。

未來，人機協作范式轉變，模型將具備實時置信度評估能力，在不確定時主動調用工具或請求人類介入，推動"AI-人類混合決策鏈"成為企業標配工作流程。能源效率成為核心指標，行業可能建立"每token能耗"評級制度，驅動液冷服務器、模型壓縮技術普及，預計2027年主流模型推理能耗將比2024年降低一個數量級。

這些趨勢共同指向一個未來：AI大模型將從"暴力計算"轉向"精密工程"，在可控、可信、可持續的基礎上，真正成為社會關鍵基礎設施。