​​Thinking Machines实验室要治治AI的“精分”，让输出不再看心情​

麻薯滑芝士

硅谷那家神秘感拉满、一出手就吸金20亿美元的AI实验室——Thinking Machines Lab，总算没继续“神隐”。最近他们放出了第一篇研究长文，直接捅破了一层行业窗户纸：为啥你问ChatGPT同一个问题，每次答案都像开盲盒？

这篇名为《打败大模型推理中的非确定性》的博文，出自研究员Horace He之手。他一点没客气，直接把矛头指向了大模型推理过程中最底层、也最容易被忽略的一环——英伟达GPU里面那些负责计算的“内核程序”（kernel）是怎么协调干活的。

简单来说，现在这些AI每次回答你问题时，底层调用计算资源的方式有点像“随机组队打副本”，每次队友配合都不一样，结果输出也看心情。而Thinking Machines Lab想干的，就是给这套流程立点规矩，让计算过程更可控，让AI的输出稳如老狗。

但这可不只是让聊天机器人变得更“听话”那么简单。尤其对企业用户和科研党来说，AI回答老是飘忽不定，根本没法放心用——写代码、分析数据、生成报告，哪敢交给一个随缘选手？

更值得一提的，是这事儿和强化学习（Reinforcement Learning, RL）的关系。RL本身就像是AI的“夸夸训练营”，答对了给奖励，引导模型越学越准。可如果模型自己输出都不稳定，反馈信号就会吵得像菜市场，训练效率直接打折。所以，如果能控制输出结果，RL的训练过程会顺滑不少，定制化模型的效率也会大大提高。

Thinking Machines Lab之前就向投资人透露过，他们想用RL技术帮企业定制AI模型。现在看来，这篇博客里提到的“确定性推理”，很可能就是他们产品化道路上的关键一步。

说到产品，创始人Mira Murati（对，就是那位OpenAI前CTO）早在七月份就预告过：他们的第一款产品将在几个月内发布，专门面向“搞研究的和初创公司”。虽然还没官宣具体是啥，但外界已经忍不住猜：会不会就是一个能控制AI输出稳定性的工具？

另一点挺拉好感的，是他们承诺会持续分享研究进展，甚至开源部分代码。这篇博客就是新栏目“Connectionism”的开篇之作。他们直言：“科学只有在分享中才能进步”。是不是瞬间梦回OpenAI早年那种开放精神？不过也有人吐槽：当年OpenAI也是这么说的，后来嘛…懂的都懂。所以这次，穆拉蒂的团队能不能真的坚持开放，还得走着瞧。

无论如何，这家号称估值已冲上120亿美元的明星初创，终于不再只靠阵容和融资额刷存在感，而是实打实抛出技术观点，挑战AI行业“默认接受”的问题。

现在压力可来到了其他AI公司这边：如果Thinking Machines真能搞定“非确定性”，让AI回答不再抽风——你们跟还是不跟？