突破“黑盒”迷雾：TML与Mira Murati如何重塑AI可靠性，开启产业新纪元

TL;DR：

前OpenAI CTO Mira Murati创立的Thinking Machines Lab（TML）发布开创性“批次不变内核”方案，成功解决大语言模型推理中的随机性痛点，为高风险行业AI应用扫清障碍。此举预示着AI发展从追求模型规模向强调可靠性与可解释性的关键范式转变，并有望释放万亿级企业级AI市场潜力。

在人工智能浪潮的巅峰，大语言模型（LLMs）以其惊人的生成能力改写着技术前沿的定义。然而，在光鲜亮丽的背后，一个长期困扰业界的“幽灵”——AI输出的随机性和不可预测性——始终如影随形。无论是法律合同的风险提示，还是智能客服的问答回复，同一输入却可能得到截然不同的结果，这不仅削弱了用户信任，更严重阻碍了AI在关键、高风险领域的落地应用。如今，由OpenAI前CTO Mira Murati创办的Thinking Machines Lab（TML）正以其首份研究成果，为终结这种“推理乱象”提供了里程碑式的解决方案，预示着AI可靠性将成为下一个技术竞争高地和商业价值富矿。

揭示大模型“非确定性”的深层根源

长期以来，业界普遍将AI输出的随机性归咎于“随机种子”设置或模型固有的非确定性。然而，TML的研究博客Connectionism在其首篇文章中，揭示了一个更为底层且难以察觉的“元凶”：并行计算中的“批次处理”技术细节及其引发的浮点数运算累积误差¹。

简而言之，当大型模型在GPU集群上处理海量用户请求时，这些请求会被打包成大小不一的“批次”（batches）。不同批次大小、序列长度以及KV缓存状态的动态变化，会影响GPU内核（kernel）的选择策略，进而改变计算的执行顺序。更深层次的问题在于，计算机在处理浮点数运算时，由于精度限制，(a+b)+c 和 a+(b+c) 这类数学上等价的运算，在机器层面可能产生微小的数值差异。这些看似无关紧要的差异，在大模型的数万亿参数和层层递进的神经网络中，如雪球般不断放大，最终导致即使输入完全相同，输出结果也可能大相径庭。这种“批次不变性”的缺失，才是大模型随机性的核心症结。

TML的工程创新：批次不变内核与信任基石

面对这一系统性挑战，TML团队交出了一份极具工程智慧的答卷——**“批次不变内核”（Batch-Invariant Kernel）**方案¹。该方案的核心思想在于，无论数据如何分批、如何分组，AI系统中的关键计算模块——尤其是RMSNorm、矩阵乘法和注意力机制这三个对大模型推理至关重要的组成部分——都必须按照预设的、严格一致的步骤得出相同的中间结果。通过对这些核心模块进行专门优化，TML确保了计算流程在不同批次和并行策略下保持确定性，从而从根本上消除了随机性。

这项技术突破的严谨性得到了实验数据的有力支撑。团队采用拥有2350亿参数的Qwen3-235B-A22B-Instruct-2507模型进行测试：在传统的AI系统中，对同一问题进行1000次推理，可能产生高达80种不同的结果；而应用TML的“批次不变内核”方案后，只要输入内容不变，AI每次都能输出完全相同的答案，这在大语言模型发展史上尚属首次¹²。尽管初期会引入一定的性能损耗，但经过优化后，目前的性能影响已在可接受范围。

从“玄学”到“工程”：重塑企业级AI的应用边界

TML的技术创新，不仅仅是算法层面的优化，更是对AI应用边界的深刻重塑。长期以来，AI模型的“黑盒”属性和不可预测性，使得其在对可靠性、可审计性要求极高的行业难以大规模落地。

• 在医疗诊断领域，AI辅助系统若对同一患者的影像或病理报告给出前后矛盾的分析，将直接危及诊断准确性，干扰医生的决策，甚至引发医疗事故。
• 在金融风控领域，AI模型对相同贷款申请的评估结果波动，不仅可能导致风险误判、资产损失，更可能触犯严格的合规红线，面临巨额罚款和声誉危机。
• 在法律咨询、自动驾驶决策、工业控制等领域，任何随机性都可能带来灾难性后果。

TML的“批次不变内核”方案，为这些高风险行业提供了急需的“安全锁”和“信任基石”。它将AI的决策过程从过去的“玄学”推向了可控、可验证的“工程学”范畴。这意味着企业可以更有信心地将AI部署到核心业务流程中，实现真正的数字化转型和智能化升级。TML虽然尚未公布具体的商业化计划，但其技术对金融和医疗行业已经展现出巨大的、尚未被满足的市场需求和商业潜力¹。

穆拉蒂的战略远见：从规模竞赛到可靠性革命

TML的成立及其首份成果，也折射出创始人Mira Murati对AI发展路径的独特理解和深刻洞察。在大多数AI公司仍在竞相追逐更大模型、更强生成能力的当下，Murati却选择了一条“反其道而行之”的道路：不追求更强模型，而是致力于填补AI能力与人类需求之间的差距，解决可靠性问题¹。

这与她在OpenAI期间的经验息息相关——作为ChatGPT等核心技术的开发者，她深知技术越强大，对可靠性、可控性和可解释性的要求就越高。TML的使命，正如其研究博客命名“Connectionism”（联结主义）所暗示的，是要回归AI的基础研究，让AI的运作机制不再是神秘莫测的“黑匣子”，而是能被理解、被信任的系统。这种战略选择，不仅体现了对技术失控风险的深刻警惕，更展现了构建更智能、更人性化、可定制且通用AI系统的长远愿景³⁴。

TML团队的豪华阵容——包括OpenAI联合创始人John Schulman、前研究副总裁Barret Zoph以及AI安全专家Andrew Tulloch等——也证明了这一研究方向的战略重要性¹。这些核心人才的加入，不仅带来了顶尖的AI研发能力，更凝聚了对AI未来负责任发展的共同信念。

资本的判断：AI可靠性将是下一波淘金热？

TML在成立短短七个月内，在未发布任何产品的情况下，便完成了20亿美元的种子轮融资，估值高达120亿美元（有报道称或达200亿美元），领投方为硅谷顶级风投a16z，英伟达、AMD、思科等科技巨头也参与其中¹³。这一惊人的融资速度和估值，清晰地表明了资本市场对AI可靠性这一赛道的高度认可和强烈信心。

这不仅是对Mira Murati及其团队实力的信任，更是对AI基础设施中“可信赖”这一核心价值的超前投资。它传递出一个明确信号：在AI技术日益普及的背景下，解决其固有的不确定性、提高稳定性和可解释性，将是解锁更广阔商业应用、实现技术深度融合社会的关键。资本看中的不仅仅是TML的技术本身，更是其作为构建未来AI信任层基石的战略地位，这或将引发新一轮围绕AI可靠性、安全性与治理的投资热潮。

超越技术：迈向可信赖的AI文明未来

TML的“批次不变内核”技术突破，其意义已远超单一的技术进步。它标志着人工智能发展进入了一个新的阶段：从单纯追求计算能力和模型规模的“蛮力时代”，向更加注重“可信赖”、“可控性”和“与人类价值对齐”的“工程化文明时代”迈进。

当AI不再是变幻莫测的魔法，而是能提供稳定、可预测结果的工具时，我们才能真正将其融入社会经济的肌理，赋能更广泛的行业，解决更复杂的人类挑战。这不仅关乎商业效率和风险规避，更触及了AI伦理、治理和社会信任的深层议题。TML的研究为AI的责任性创新树立了新的标杆，也为构建一个更加智能、安全、可靠的人工智能文明指明了方向。未来3-5年内，我们可以预见，“可信赖AI”将从一个学术概念，转变为衡量所有AI产品和服务的核心竞争力指标，并催生一个全新的围绕AI可靠性、可审计性、可解释性技术及服务的新兴生态系统。

引用

• 大模型随机性
• AI可靠性
• 批次不变内核
• 企业级AI
• Mira Murati