AI界又出现了一个超级独角兽。

AI领域从不缺乏颠覆性事件，却极少有一家公司能像Thinking Machines Lab 这样，在成立仅七个月、尚未推出正式产品、甚至没有实际用户的情况下，就以120亿美元（折合人民币850亿元）的估值惊艳全球行业。

这家由前OpenAI首席技术官（CTO）Mira Murati牵头创立的人工智能研究公司，凭借三十余人的“豪华团队”，其中还包括OpenAI前安全研究副总裁、北大女学霸翁荔，不仅顺利完成20亿美元种子轮融资，更吸引了AMD、英伟达等行业巨头争相注资，一跃成为OpenAI、Anthropic和Google DeepMind等头部企业的潜在劲敌。

不同于传统创业公司“产品先行”的路径，Thinking Machines Lab从诞生之初就自带“颠覆属性”。其核心团队几乎全员来自OpenAI，涵盖了AI产品落地、核心技术研发等关键领域的顶尖人才，这种“顶配阵容”让市场看到了复刻甚至超越OpenAI的可能性。

更值得关注的是，公司在无产品的情况下，选择以技术研究成果为“名片”，通过发布研究博客和学术论文，向行业传递其在多模态基础模型与下一代人机协作领域的布局，这种“技术驱动”的打法，也为AI初创公司的发展提供了全新范本 。

一个“没有产品”的独角兽

成立七个月、没有产品也没有用户的公司被大佬们争先投资，估值120亿美元（折合人民币850亿）。

Thinking Machines Lab就是这么一家神奇的公司。

Thinking Machines Lab由前OpenAI首席技术官Mira Murati于2025年2月创立，是一家聚焦多模态基础模型与下一代人机协作的人工智能研究公司；创立仅半年，便凭约三十人、三分之二出自OpenAI的豪华团队完成由Andreessen Horowitz领投、英伟达与AMD跟投的20亿美元种子轮，估值高达120亿美元，并已与Google Cloud达成算力合作，计划在未来几个月内发布包含开源组件的首款产品，以帮助研究人员和初创公司定制自己的AI模型，同时正大规模招揽具备AI产品经验的人才，被视为OpenAI、Anthropic和Google DeepMind的有力挑战者。

为什么一家甚至还“没有产品”的公司能获得这么高的期待？这离不开“人、卡、势”的三重优势。

人的方面，Thinking Machines Lab可谓拥有顶级初创团队。创始人Mira Murati是前OpenAI CTO，曾经一手把ChatGPT、DALL-E、GPT-4做成全球级产品；联创Barret Zoph、John Schulman等人同样是Transformer与RLHF路线的核心作者。

对投资机构而言，这支30人左右的小分队几乎是一张“全明星期权”：只要他们未来24个月里放出任何一条新曲线，就能直接对标OpenAI的1500亿估值，850亿只是提前折现。

卡的方面，大模型竞争已变成GPU军备赛。Thinking Machines Lab在官宣当天就拿到英伟达、AMD的联合注资，等于一次性锁定几万张H100/H200的配额。在“得显卡者得天下”的共识下，资本宁愿把估值一次性打满，也不愿在卡更加稀缺的6个月后再去追高。

势的方面，2024-2025年，AI估值模型从“收入P/S”迅速让位于“生态席位费”：全球能真正从头训练GPT-4级稠密模型的团队不超过5家，新名单已经关闭。Thinking Machines Lab是最后一个由“原OpenAI核心决策层”整体出走的标的，一旦错过，下一个同等量级的叙事窗口可能3年后才出现。850亿里有一半买的是“席位”，而不是产品。

再加上二级市场对AI的FOMO情绪外溢：只要公司放出“我们已能稳定训练100B以上多模态模型”的技术博客，哪怕没有对外API，二级市场就会用OpenAI 1500亿、Anthropic 600亿的锚直接做线性插值，把850亿“合理化”。因此，850亿并不是传统意义上的“收入估值”，而是“叙事＋算力＋人才”三位一体的看涨期权定价；真到下一轮产品落地，如果模型性能或商业化不及预期，估值同样可能迅速回调。

在Thinking Machines Lab背后的投资人中，英伟达和AMD备受关注。

英伟达和AMD投资Thinking Machines Lab，表面看是“投人”，骨子里是“买入口、锁需求、抢话语权”。把高端GPU直接塞进下一代“杀手级”模型，训练GPT-4.5级以上的多模态稠密模型，单集群就要几万张H100/H200，谁先抢到卡，谁就拥有下一个“爆款”入口。

英伟达和AMD把资本换成股权，等于把“卖卡”前置成“占股+绑定采购”，一次性锁定未来可能高达3-4万颗高端GPU的确定需求，避免被“自研芯片”计划截胡。

用“客户即股东”模式抬高竞品拿卡门槛，英伟达和AMD通过入股Thinking Machines Lab，把稀缺卡优先供给“自己人”，变相让竞争对手排队更久，从而延缓别家模型迭代节奏，巩固自身生态节奏话语权。

一篇论文

前几天，Thinking Machines Lab发表了一篇论文，这也是少见的论文比产品先行的创业公司。

Thinking Machines开辟了研究博客专栏「Connectionism」（联结主义），发表了第一篇博客文章“Defeating Nondeterminism in LLM Inference”（击败LLM推理中的非确定性）。

文中提到，尽管将温度参数设为0（即采用贪婪采样），LLM的输出仍然可能出现不一致。这种现象在实际应用中普遍存在，即使在相同的输入和模型配置下，多次运行得到的结果也可能不同。

对此，一种流行的解释是，这种现象是由于浮点数的非结合性（即浮点加法不满足结合律）和GPU并行计算中的原子操作竞争条件共同导致的。论文将这一观点称为“并发+浮点数”假说。

论文深入研究了LLM推理过程中使用的GPU内核，发现虽然浮点数的非结合性是导致数值差异的根本原因，但并发执行中的原子操作并非LLM推理非确定性的主要来源。提出“批大小变化”理论：作者指出，LLM推理中的非确定性主要源于服务器负载的变化，这会导致每次推理时的批大小（batch size）不同。而现有的GPU内核在设计上缺乏“批不变性”（batch invariance），即计算结果会随着批大小的变化而变化。

通过实验，论文展示了即使运行相同的矩阵乘法，当批大小不同时，得到的结果也可能存在显著差异。这表明，LLM推理系统在处理不同负载时，由于缺乏批不变性，会导致输出结果的不一致。作者提出，要解决非确定性问题，需要确保LLM推理中涉及的关键计算内核（如RMSNorm、矩阵乘法和注意力机制）具备批不变性。具体来说，要保证无论批大小如何变化，每个样本的归约（reduction）计算顺序都保持一致。

简单来说，文章研究的是如何提升模型输出的稳定性和可预测性。

这一点对用户来说至关重要，因为这直接关系到用户对AI系统的信任、开发者对问题的调试能力、系统的公平性与合规性、强化学习中的训练一致性、用户体验的稳定性以及科学研究的可复现性。

如果同一个问题每次询问AI都得到不同的答案，用户会质疑模型的可靠性，尤其是在法律、医疗、金融、教育等高风险领域，输出的一致性直接影响用户对系统的信任。开发者也需要可复现的模型输出，以便稳定地复现bug并进行修复，这是软件测试、回归测试和模型评估的基础。

此外，如果模型对相同输入给出不同输出，可能意味着某些群体或输入被系统性区别对待，这在审计、合规和公平性评估中是不可接受的，因为必须确保模型行为一致才能判断是否公平。在强化学习中，训练时使用的采样策略与推理时必须保持一致，否则会导致策略漂移，使模型表现下降，非确定性还会让“on-policy RL”变成“off-policy RL”，从而破坏训练目标。

最重要的是，用户也期望AI产品像传统软件一样稳定，如果今天问“如何报税”得到一个答案，明天又变了，用户会感到困惑甚至愤怒，对企业来说，输出一致性是服务质量的一部分，直接影响品牌声誉。科学研究同样需要可复现的实验结果来比较不同模型或算法的优劣，如果模型输出每次都不同，就无法判断是模型改进带来的提升还是随机波动。因此，可预测性和可重复性不是技术细节，而是AI系统能否被人类信任、部署和规模化使用的底线要求，就像一台每次按键都打出不同字母的键盘无法被信任或改进一样，不可复现的AI也无法被真正应用。

AI大模型的下一章

Thinking Machines Lab的出圈，似乎也给AI大模型初创公司一些新的启示。

在追求模型性能的同时，必须高度重视输出的可预测性和可重复性，这是赢得用户信任、确保系统可靠性的关键，尤其在医疗、金融等高风险领域，一致性直接关系到用户是否敢用、愿用。

其次，技术透明和深入剖析问题根源至关重要，Thinking Machines Lab通过揭示LLM非确定性源于批大小变化而非浮点并发，表明AI公司应敢于挑战行业常识，用扎实研究拨开迷雾，这种“技术诚实”本身就是品牌力。

工程优化与学术研究需紧密结合，AI公司不能仅停留在算法层面，而要下沉到GPU内核、数值计算顺序等底层细节，通过批不变性内核、固定分块策略等工程手段，将理论确定性真正落地为产品确定性。

除此之外，开发者体验是生态护城河，提供可复现的推理结果、开源批不变算子库、支持确定性模式，能极大降低开发者调试和部署成本，吸引社区共建，形成“越用越稳”的飞轮。

确定性推理为AI高级应用铺平道路，强化学习、在线评估、合规审计、模型对比等场景都要求训练与推理零偏差，AI公司若率先解决非确定性，就能在RLHF、法律审计、金融风控等高价值市场占据先机。

Thinking Machines Lab以小团队切入“大模型基础设施痛点”并快速引发关注，提示AI公司不必卷参数、卷规模，而是可以聚焦“别人忽视的确定性缝隙”，用极致工程创新打出差异化，告诉行业：性能不是唯一指标，稳定、可信、可复现，才是AI大规模商用的真正门票。

纵观AI大模型行业的发展，也开启了下一个时。模型架构将更加注重效率与可解释性，不再单纯追求参数规模，而是探索如混合专家模型、稀疏激活、线性注意力等机制，在降低计算成本的同时维持性能，同时提升模型决策过程的可解释性以符合监管要求。

"确定性AI"将成为商业化分水岭，随着Thinking Machines Lab揭示非确定性根源，行业将加速推进批不变性内核、数值稳定算法及标准化测试协议，确保医疗、金融等关键场景的输出可复现，可能催生专门的"可信AI"认证体系。

训练推理一体化重构，边缘-云协同的分布式训练框架将成熟，支持千亿级模型在消费级硬件上微调，配合动态批处理、内存压缩技术实现"本地私有化部署+云端弹性扩展"的混合模式。第四，多模态融合进入2.0阶段，文本、视觉、音频、传感器数据将在统一token空间中进行原生融合，出现专为机器人、车载终端设计的"物理世界大模型"，推动AI从数字交互向实体操作进化。

未来，人机协作范式转变，模型将具备实时置信度评估能力，在不确定时主动调用工具或请求人类介入，推动"AI-人类混合决策链"成为企业标配工作流程。能源效率成为核心指标，行业可能建立"每token能耗"评级制度，驱动液冷服务器、模型压缩技术普及，预计2027年主流模型推理能耗将比2024年降低一个数量级。

这些趋势共同指向一个未来：AI大模型将从"暴力计算"转向"精密工程"，在可控、可信、可持续的基础上，真正成为社会关键基础设施。