840亿估值的AI公司，成立半年没产品，投资人追着塞钱；如今甩出首个研究，直接把大模型的“精神分裂症”给治了——这不是爽文，是硅谷正在上演的现实。OpenAI前CTO Mira Murati带队，三分之二员工来自OpenAI，20亿美元种子轮创纪录，现在他们告诉你：LLM推理结果忽左忽右？元凶是批次大小在搞鬼。从“空气估值”到“技术硬菜”，这波操作，到底是AI圈的新神话，还是给巨头们敲响的丧钟？

但Thinking Machines团队较真了：如果真是浮点运算的锅，为啥在GPU上重复跑同一个矩阵乘法，结果总能一样？他们扒开大模型推理的底层代码，发现了更隐蔽的问题：批次大小。

简单说，大模型服务器处理请求时，会把多个用户的提问打包成“批次”一起算——就像食堂打饭，100人吃饭就开10个窗口，50人吃饭开5个窗口。但问题来了：窗口数量（批次大小）一变，“打饭顺序”（计算顺序）就跟着变。比如矩阵乘法，批次大的时候按A→B→C的顺序算，批次小的时候按C→B→A的顺序算；浮点运算的“非结合性”（就是0.1 0.2 0.3的例子），让这两种顺序算出的结果有微小差异。

更要命的是，这种差异会在Transformer里“滚雪球”。第一层差0.0000001，第二层差0.00001，到第三十层可能就差出一个完全不同的token——就像蝴蝶效应，亚马逊雨林一只蝴蝶扇翅膀，最后得克萨斯州刮龙卷风。大模型推理的“精神分裂”，本质上是“批次大小变化导致计算顺序变化，最终输出跑偏”。

这问题咋解决？Thinking Machines的思路简单粗暴：不管批次大小怎么变，计算顺序必须固定死。就像食堂打饭，不管100人还是50人，都按“从左到右、从前到后”的顺序打，绝不允许换顺序。具体到技术上，他们给RMSNorm、矩阵乘法、注意力机制这三个核心模块，分别上了“紧箍咒”。

比如RMSNorm（大模型里的归一化层），过去批次大了就多开几个核心并行算，批次小了就少开几个；现在不管批次多大，每个核心只处理一个批次元素，算完一个再算下一个——效率可能低一点，但顺序绝对不乱。矩阵乘法更狠：直接放弃动态调整并行策略，不管输入形状啥样，都用同一套内核配置，哪怕比行业标杆CuBLAS慢20%，也要换“输出稳定”。

效果立竿见影：用Qwen3-235B大模型测试，1000个相同输入，在不同批次大小下，老方法有80个结果不同；用他们的方法，1000个结果完全一样。大模型的“精神分裂症”，被治好了。

看到这里你可能会问：为了稳定，牺牲20%性能，值吗？

在这个“参数竞赛”疯狂内卷的AI圈，答案似乎是否定的。毕竟现在的大模型，个个都在比“谁算得更快、谁参数更多”——GPT-4o吹“速度提升2倍”，Gemini Ultra秀“支持100万token上下文”，大家都在踩着油门飙车，生怕慢一秒就被淘汰。Thinking Machines倒好，主动踩刹车，说“我要慢一点，但稳一点”，这不是反其道而行之吗？

但如果你仔细想想，就知道这步棋多聪明。AI圈现在的问题是“跑得太快，忘了为什么出发”。大模型的终极目标是“可靠地解决问题”，而不是“比谁先跑到终点”。就像自动驾驶，你是要一辆百公里加速2秒但偶尔失灵的跑车，还是要一辆加速10秒但从不翻车的沃尔沃？对于医疗、金融、自动驾驶这些关键场景，“稳定”比“快”重要100倍。

更关键的是，20%的性能损失，其实是“可接受的妥协”。Thinking Machines算过账：现在大模型推理的瓶颈，根本不是算力不够，而是“不敢用”。比如一家银行想上AI客服，担心AI今天说“信用卡能延期”明天说“不能延期”，宁愿多雇100个真人客服——这100个人的工资，比20%的算力损耗贵多了。如果能用20%的性能换“绝对可靠”，企业愿意买单。

这群OpenAI前员工，显然看透了行业的“虚火”。他们在OpenAI时，大概率见过太多因为“推理不稳定”导致项目黄掉的案例——比如某个大客户要求“输出必须100%一致”，结果技术团队搞不定，最后只能放弃。现在自己创业，他们不想再重复这种无奈：与其追求“最快”，不如先做到“最稳”。

这就像开车，AI圈现在全是飙车党，而Thinking Machines想当“老司机”——不追求速度纪录，但能把乘客安全送到目的地。在“快”已经内卷到极致的当下，“稳”反而成了稀缺品。

如果你以为Thinking Machines只是解决了一个技术问题，那就太小看他们了。翁荔（前OpenAI安全团队负责人，现Thinking Machines高管）在推文中透露：公司首个产品名叫“Connection Machine”（连接机器），致敬“连接主义”。

这词儿有点老，但分量极重。连接主义是AI的“老祖宗”，上世纪60年代就有了——当时科学家提出“人工神经元模型”，认为智能来自“神经元之间的连接”，而不是规则编程。后来的深度学习、神经网络，都是连接主义的“徒子徒孙”。但这些年，AI圈忙着堆参数、拼算力，早就把“连接主义”的初心忘了——大家更关心“模型有多少参数”，而不是“神经元之间的连接是否合理”。

Thinking Machines把产品名叫“Connection Machine”，摆明了要“复古”：他们想回到AI的本源，从“连接”的底层重构大模型。解决推理确定性，只是第一步——让神经元之间的“连接计算”稳定可靠；接下来，他们可能要重新设计神经网络的架构，甚至挑战现在的“Transformer霸权”。

这野心有多大？相当于特斯拉不只是造电动车，而是要重新定义“汽车”——从轮子到发动机，全部自己来。OpenAI现在走的路是“堆参数 数据”，Google走的是“多模态 通用智能”，而Thinking Machines想走“底层技术重构 连接主义复兴”。

为什么是他们？因为这群人太懂AI的“老底”了。Alec Radford（GPT一作）、Bob McGrew（OpenAI前首席研究官）、John Schulman（PPO算法之父）……这些人是亲手搭建GPT系列的“基建工人”，知道现有大模型的“承重墙在哪儿，裂缝在哪儿”。他们现在出来创业，不是要在现有地基上盖更高的楼，而是想挖掉旧地基，重新打桩——这才是最让巨头们害怕的。

Thinking Machines这波操作，看似只是发了篇论文，实则在AI圈投下了一颗炸弹。最坐不住的，可能是两类人：

第一类是现有大模型巨头，比如OpenAI、Anthropic、Google。他们现在的推理系统，都是按“动态批次”设计的——为了效率，批次大小变，计算顺序就跟着变。如果Thinking Machines证明“批次不变性”是刚需，这些巨头要么跟进（重构底层代码，成本极高），要么被客户抛弃（企业转向更稳定的方案）。就像当年iPhone出来后，诺基亚要么学触屏，要么被淘汰。

第二类是芯片巨头英伟达。Thinking Machines为了“批次不变性”，宁愿不用英伟达优化到极致的CuBLAS库，甚至说“不同的张量核心指令会导致结果变化”——这等于直接说“英伟达的硬件优化，和推理稳定性是冲突的”。如果企业开始追求“稳定”，可能会倒逼英伟达调整芯片设计，甚至给AMD、Intel这些竞争对手机会。

但对整个行业来说，这是好事。AI圈需要这样的“搅局者”——他们带着巨头的基因，却不被巨头的路径依赖绑架；他们有资本撑腰，敢做“短期不赚钱但长期有价值”的事。840亿估值不是终点，而是起点：当“连接主义”重新成为主流，当“推理确定性”成为标配，AI可能会告别“野蛮生长”，真正进入“靠谱时代”。

从840亿“空气估值”到甩出“技术硬菜”，Thinking Machines用3个月证明：在AI圈，“前OpenAI员工”的招牌固然值钱，但更值钱的，是这群人敢“反套路”的勇气——不追参数、不炒概念，而是回到AI最本质的问题：让机器的输出，像数学公式一样可靠。

现在再看“连接主义”的复兴，你会发现：AI的未来，可能不在千亿参数的“超级大脑”里，而在每一个“批次不变”的计算步骤中。毕竟，能把简单的事情做到极致稳定，本身就是一种伟大。

至于那些还在质疑“840亿估值太贵”的人，建议回头看看：2012年，当DeepMind还在研究“AlphaGo”时，也有人说“下围棋的AI值几个钱”——现在，DeepMind的估值已经超过500亿美元了。AI圈的规律从来都是：你看不懂的估值，可能藏着你没看到的未来。"