深度 · 小互解读
OpenAI 前 CTO Mira Murati：AI 该放大人，不是取代人
从隐性知识、交互带宽到模型对齐，论证 AI 发展为何离不开人类参与。
速览
- Thinking Machines Lab 发布使命博客，提出以「延伸人类意志和判断力」为核心的 AI 发展路线，作为对业界「自主智能」路线的对照。
- 公司列出三条技术投入：训练前沿模型、开发让用户自行微调模型权重的工具 Tinker、研究支持实时多模态互动的「交互模型」。
- 文章以国际象棋和数学证明为例，指出 AI 能自主超越人类的领域都满足两个条件：目标静态可表达，且不存在隐藏的隐性知识；大多数实际工作不满足这两个条件。
- 文章批评当前以 METR 等「自主任务时长」为代表的评测体系只衡量 AI 单独能干什么，没有衡量人机协作的效果。
- 文章提出「去中心化对齐」主张，指出各实验室普遍用上一代旗舰模型生成下一代训练数据和奖励信号，会导致模型代际性格趋同。
⚑ 本文基于 Thinking Machines Lab 官方使命博客整理，文中主张、论证与技术路线描述均为该公司自身表态，非独立第三方评测或验证。
1公司与使命
这家公司想做一种什么样的 AI
Thinking Machines Lab（OpenAI 前 CTO Mira Murati 创立的 AI 实验室）发表使命博客，提出「AI 应该延伸人类意志和判断力」的公司使命，并给出实现这一使命的三条技术路径。
这篇博客定了一个方向：用 AI 放大人的意志和判断，再把这个方向拆成三条具体的技术投入落地。
◆
这篇文章的看点在于，它以公司使命的形式，正面提出一条与业内主流「自主智能」路线不同的技术路线，并公开列出三项具体投入：训练强模型、开发微调工具 Tinker、研究交互模型。
训练强模型
让模型在多模态互动、可定制性这些能力上持续逼近前沿，人类的判断需要靠强模型才能落地。
开发 Tinker
一套工具，让用户能自己微调模型权重，按自己的需求把 AI 改造成专属的样子。
研究交互模型
让模型原生支持实时、多模态的人机互动，把这项能力直接训练进模型本身。
公司同时提到，会把相关研究和实践手册向科学界公开，让更多人有能力用上这套微调能力。
2核心论据
下棋和证明数学题，AI 能一个人跑赢；大多数工作不行
AI 服务的是人做事情所依赖的知识：怎么把事情做好、什么事值得做。这类知识由做事的人在工作中持续产生。厨师琢磨一道新菜、店主调整货架上商品的摆放和定价，两人追求的是一套外人看不透的复杂目标，用的是自己的门道。这些门道会随着现实反馈不断更新，没法整理成写进数据库的静态清单，而且是局部的：换一家餐厅换一家店，追求的结果和用的办法都不一样。厨师和店主的全部知识，分散在每一个厨师和店主自己手里。