深度调研：Thinking Machines「Interaction Model + Background Model」双脑范式与 aiself 的影响
一、事件简述
2026 年 5 月 11 日，Mira Murati 创立的 Thinking Machines Lab（TML，前 OpenAI CTO 团队 + 翁荔加入）发布首个产品：TML-Interaction-Small，一个 276B 参数 MoE、12B 激活的「Interaction Model」。这是该公司成立以来的第一次产品发布。
二、技术架构（来自官方博客）
来源：Interaction Models: A Scalable Approach to Human-AI Collaboration
1. 双脑分工
| 层 | 名字 | 工作 |
|---|---|---|
| 前台 | Interaction Model | 200ms 微回合，永远在听 / 看 / 说，处理对话节奏、临场反应、即时打断 |
| 后台 | Background Model | 异步深思、浏览、工具调用；前台委派时打包完整对话上下文给它；结果回流给前台 |
引用："sends a rich context package — not a standalone query, but the full conversation. Results stream back as the background model produces them."
两个模型共享上下文，所以用户既得到低延迟，又得到强推理。
2. 200ms 微回合机制
- 输入支持 text / audio / video
- 「micro-turns continuously interleaving the processing of 200ms worth of input and generation of 200ms worth of output」
- 编码器无关：audio → dMel 轻量 embedding；image → 40×40 patches
- 文本和音频同时输出
这不是 token 串行展平，是真正的并发 I/O。
3. 不需要 VAD 的 turn-taking
传统语音 agent 都要外挂 Voice Activity Detection。TML 把这一切「设计进模型」：
- 模型隐式追踪说话人是在「思考 / 让出 / 自我修正 / 邀请回应」
- 「The model jumps in as needed depending on the context」
- Turn boundary 从 micro-turn token 序列自然涌现
4. 关键基准
| 指标 | TML-Interaction-Small | GPT-realtime-2.0 |
|---|---|---|
| Audio MultiChallenge | 43.4% | 37.6% |
| FD-bench v1.5 交互质量 | 77.8 | 46.8 |
| Turn-taking 延迟 | 0.40s | 1.18s |
| TimeSpeak（时间感知语音） | 64.7% | 4.3% |
| CueSpeak（口头线索响应） | 81.7% | 2.9% |
| RepCount-A（视觉计数） | 35.4% | 1.3% |
| ProactiveVideoQA | 33.5 | 25.0（无响应基线） |
注意 TimeSpeak / CueSpeak / RepCount / ProactiveVideoQA 几项几乎是「能 vs 不能」的差距——这是新范式带出来的新能力，而非旧范式的渐进改进。
5. 已声明的局限
- 长会话仍需上下文管理
- 强依赖稳定网络（音视频流式）
- 更大模型「太慢，serve 不动」，所以先开小的
- 实时交互对 alignment / safety 是新挑战
三、行业语境
- VentureBeat：Thinking Machines shows off preview of near-realtime AI voice and video conversation — 强调这是 Murati 出走 OpenAI 后的「自证一击」
- Implicator：Thinking Machines Puts 200ms at Center of AI — 标题已经把判断说穿了：「chatbot turn 时代正在结束」
- Latent Space：advances SOTA Realtime Voice and kills standard VAD — 技术圈共识：杀掉 VAD 流程
- Unite.AI：Thinking Machines Lab Ships First Model With 200ms Real-Time Interaction
- StartupHub：Thinking Machines Lab Wants to Replace OpenAI Realtime With a Model That Listens While It Speaks
四、对 aiself 的含义
1. 这是 personal AI 交互层的范式拐点
「Chatbot turn」（等用户说完 → 模型回应 → 等用户再说）是过去三年所有 personal AI 产品（Siri/Alexa/Replika/Pi/ChatGPT Voice/Claude Voice）共同的交互骨架。TML 把它替换为「同时听同时说，模型自己判断什么时候插话」。
这不是性能优化，是产品形态的拐点：
- 「陪伴感」第一次有了模型层的基础（之前都是 prompt + TTS 拼出来的）
- 「主动行为」第一次能从模型自然涌现（ProactiveVideoQA 33.5 vs 25.0）
- 「视觉感知 + 语言响应」第一次低延迟同流
2. aiself 必须做的三件事
(a) 把「双脑架构」写进产品规划 即使 aiself 首发不是 voice-first，架构层面也应该按「前台低延迟 interaction layer + 后台异步 background agent」拆。这跟 Anthropic 的 Routines 殊途同归（见同日另一份调研）——前台快、后台深的范式正在固化。如果 aiself 一开始只设计「单一同步对话循环」，未来重写成本极高。
(b) 把「voice / video」放进 v2 路线图的明牌位 TML 现在还是 partner preview，public 在「今年晚些时候」。GPT-realtime-2.0 + Gemini 3.1-flash-live 也在加速。到 2026 Q4，「voice-first personal AI」会从早期采用者市场扩散到主流。aiself MVP 可以用文本 / 卡片，但 v2 必须 voice-capable，否则会被新一代 personal AI 用户视为「老一代产品」。
(c) 想清楚「Background Model」对 aiself 的成本结构意味着什么 TML 架构里真正烧钱的是 Background Model（深推理、浏览、工具调用），不是 Interaction Model。aiself 调用第三方模型时：
- 前台交互可以用便宜小模型（如未来开源版的 interaction-style 模型）
- 后台才用 Sonnet/Opus/Gemini Pro 跑深思
- 这跟「单模型直接接 prompt」的成本曲线完全不同
需要专门做一份 aiself 模型选型 × 成本结构的分析，把 TML 范式的成本影响算清楚。
3. 战略上的两难
TML 的范式好处全在「实时陪伴感」。但 aiself 团队（Rik × Suke）一直强调的另一条路是「主动 + 异步」——agent 应该像同事而不是像情人，应该在用户不在的时候帮你干活，回来给你一个 summary。
这两条路在 TML 范式下其实是同一架构的两端：
- Interaction Model = 在线时的陪伴感
- Background Model = 离线时的主动工作
所以 TML 范式对 aiself 的「主动 + 异步」叙事是利好，因为它合法化了「agent 应该有一个『后台脑』替你跑事情」的产品逻辑。问题在于：aiself 是否要做前台 Interaction Model 这一半？如果只做后台（类似 Routines / scheduled agent），那 aiself 就跟 Anthropic 的 Routines 正面冲突。如果两边都做，资源够不够？
这是产品定位会议必须回答的问题。
五、行动建议
| 优先级 | 行动 | 时间窗 |
|---|---|---|
| P0 | 把「双脑架构」作为 aiself MVP 架构决策项，专门开 1 次架构会 | 本周 |
| P0 | 决策：aiself MVP 是否做 voice？做 → 必须双脑；不做 → 写清楚 v2 时机 | 本周 |
| P1 | TML public release 时申请 API access；Murati 团队下一步公告（partner 名单 / 价格）持续追踪 | 持续 |
| P1 | 写一份「aiself 模型选型 × 成本结构」分析，把 interaction layer / background layer 分别算 | 两周内 |
| P2 | 关注谁会跟进发布同类「interaction model」——Anthropic / Google / 开源（Qwen / DeepSeek） | 持续 |
六、不确定性 & 需要补充调研的点
- TML-Interaction-Small 的 API 价格还没公布——Background Model 调用计费方式未知（按 token 还是按 wall-clock）
- 「Background Model」是否是 TML 自家模型，还是可挂任意 LLM？官方博客没明说，需要等更多技术细节
- 200ms 微回合的网络容错：弱网/移动场景表现未知；这对 aiself（如果做手机端）至关重要
- TML 还没说 on-device / edge 计划——纯云架构 vs 端云协同，对 aiself 的隐私叙事影响不同