Thinking Machines实验室发布人本可定制AI技术蓝图，倡导模型权重自主化

报告概览

2026年7月，Mira Murati牵头的Thinking Machines实验室在官网发布《The Future Worth Building Is Human》报告，明确指出当前主流AI模型大多由少数机构训练后冻结，导致使用者无法参与模型的演进与价值设定。报告将人本AI视为可实现的技术挑战，并提出四条可操作的技术方向。

四大技术路线

强大且可定制的多模态模型
- 训练具备音频、视频、文本连续输入能力的模型，交互时延约200毫秒，实现“微回合”人机对话。
面向用户的权重微调工具
- 开源的Tinker平台提供LoRA微调接口，支持在Llama、Qwen等开源基座上生成可迁移的适配器权重。
拓宽人机交互通道
- 通过实时流式输入消除传统文本框的瓶颈，使模型能够在不中断的对话中即时响应。
去中心化对齐与知识分布
- 将价值编码进模型权重而非提示词，鼓励组织自行维护对齐机制，防止单点权力垄断。

Tinker API 实践示例

import tinker
service = tinker.ServiceClient()
client = service.create_lora_training_client(base_model="Qwen/Qwen3-8B", rank=32)
for batch in dataset:
    fwd_bwd = client.forward_backward(batch, "cross_entropy")
    client.optim_step(types.AdamParams(learning_rate=1e-4))
client.save_weights_and_get_sampling_client(name="hospital-adapter")

上述代码展示了如何在医院内部数据上微调模型，并将生成的LoRA权重安全保存，供本地部署使用。

去中心化对齐的意义

报告引用Polanyi与Hayek的知识理论，强调隐性、局部且持续更新的知识难以通过集中式数据库完整捕获。若价值仅嵌入提示词，模型本体仍保持固定，导致价值迁移成本高、透明度低。通过将价值写入权重，组织可在内部审计、版本回滚时保持完整可追溯。

典型落地场景

医院：在本地微调模型以遵循最新诊疗指南，数据与适配器权重均不离网。
律所：定制法律语言模型，随内部政策更新实时迭代，确保合规。
客服团队：利用实时交互模型在对话进行中即时纠偏，提高用户满意度。

行业影响与展望

Thinking Machines的技术路线挑战了当前“中心化、冻结后即服务”的商业模型，呼吁AI生态向“分布式、可拥有、可调控”转变。若该方案得到广泛采纳，未来企业将拥有自己的AI“核心”，而非仅是API租赁服务，这将重塑AI供应链、数据治理乃至监管框架。

“AI的价值不应由少数模型所有者独占，而应成为每个组织可以自行塑造的工具。”——报告摘录

结语

人本可定制AI的技术论证已经落地，关键在于社区与企业是否愿意投入基础设施与人才进行权重微调。Thinking Machines实验室提供的工具链和理念为这一转型提供了可操作的路径，值得业界持续关注。