一、AI亟待解决的核心问题：为何同一问题，答案总不一样？
如果你多次向ChatGPT提问同一个问题，会发现得到的回答常常大相径庭。这种“随机性”并非AI的“个性”，而是行业长期以来的痛点——当前的AI模型被普遍认为是“非确定性系统”，其输出结果难以复现。
这一问题不仅困扰普通用户，更给企业和科研带来麻烦：依赖AI做数据分析的企业可能因结果波动导致决策偏差；科研人员难以基于随机输出验证实验结论；就连AI自身的迭代核心技术“强化学习”（通过奖励正确答案优化模型），也会因答案不一致产生“数据噪音”，影响训练效率。
二、Mira Murati与她的Thinking Machines Lab：明星实验室的“硬核配置”
要解决这一核心难题的，正是前OpenAI首席技术官Mira Murati创办的Thinking Machines Lab（思维机器实验室）。这家被业内寄予厚望的实验室，自带“顶配”光环：
资金实力：手握20亿美元种子轮融资，为前沿研究提供充足底气；
人才阵容：集结了一众OpenAI前顶尖研究员，组建了“全明星”研发团队；
估值表现：凭借强大的背景与潜力，当前估值已达到120亿美元；
核心愿景：攻克AI领域的关键难题，首当其冲便是解决模型输出的“非确定性”，打造可复现响应的AI。
三、破局思路：问题根源在GPU内核，管控编排是关键
近日，实验室通过首篇技术博客《Defeating Nondeterminism in LLM Inference》（攻克大语言模型推理中的非确定性），首次公开了破局思路。研究员Horace He指出：
AI输出的随机性，根源在于GPU内核的编排方式。当用户输入问题后，AI进入“推理阶段”——此时运行在英伟达芯片中的小型程序（即GPU内核）需协同工作生成答案。但目前这些内核的组合与调度缺乏精准控制，最终导致输出结果不稳定。
Horace He认为，只要对GPU内核的“编排层”进行精细化管控，就能让AI模型从“不可预测”转向“可复现”，彻底解决随机性问题。
四、解决随机性的深层价值：不止“靠谱”，更赋能行业
攻克随机性的意义，远不止让AI回答更“稳定”：
赋能企业与科研：为依赖AI的企业提供可靠输出，减少决策风险；帮助科研人员基于可复现结果推进研究，提升效率；
优化AI训练：让强化学习过程更“顺畅”——消除数据噪音后，模型能更精准地通过“奖励机制”迭代升级。这也与实验室的战略规划契合：此前有报道称，其计划利用强化学习为企业定制AI模型。
五、开放承诺与未来布局：首款产品即将亮相
除了公开技术方向，Thinking Machines Lab还宣布启动名为“Connectionism”（联结主义）的系列博客，承诺未来将定期发布技术博文、代码及研究细节。实验室表示，这一举措旨在“既造福公众，也完善自身研究文化”——这与OpenAI创立初期的开放理念一致，但后者已随规模扩大转向封闭，因此Murati团队能否坚守承诺备受关注。
此外，Mira Murati在7月曾透露，实验室首款产品将在未来几个月发布，且“对开发定制模型的研究员和初创公司有用”。目前尚未明确该产品是否会应用“反随机性”技术，但外界对其落地效果充满期待。
六、结语：120亿美元估值下的“大考”
从资金、人才到技术方向，Thinking Machines Lab已展现出冲击AI前沿难题的实力。但真正的考验才刚刚开始：它不仅需要成功攻克“非确定性”等技术难关，更要将研究成果转化为落地产品——唯有如此，才能支撑起120亿美元的估值，真正改写AI行业的发展轨迹。这家明星实验室的下一步动作，值得全行业关注。