【深度】OpenAI前CTO穆拉蒂官宣创业，新实验室核心团队多来自老东家：AI精英集体出走背后的技术路线之争与资本暗战
OpenAI前首席技术官米拉·穆拉蒂于2026年2月19日在社交平台X正式宣布成立Thinking Machines Lab（思维机器实验室）。这家初创企业29人团队中超过20人来自OpenAI，包括联合创始人约翰·舒尔曼任首席科学家、前研究副总裁巴雷特·佐夫任首席技术官。穆拉蒂正与风投机构洽谈约10亿美元融资，公司尚未发布任何产品或模型。
【本文原创贡献】 本文采用"技术路线分歧—组织解体—市场重构"的三层分析框架，将高管出走置于OpenAI商业化加速与开源社区反制的结构性冲突中考察；并通过交叉验证Crunchbase融资数据库、LinkedIn公开履历及The Information薪酬报道，推算OpenAI核心技术人员期权兑现周期与离职时间关联。
核心卖点
Thinking Machines Lab的差异化定位并非"更强大的AI"，而是"可协作的AI"——穆拉蒂提出三大目标：用户可定制化调整、理性化基础架构、开放科学文化。这与OpenAI当前闭源API+订阅的商业模式形成鲜明对照。
技术解读：从"黑箱智能"到"可调协作"
当前主流大模型如GPT-4o、Claude 3.5 Opus均采用端到端训练，用户只能通过提示词间接影响输出。穆拉蒂所言"帮助用户调整AI系统以满足特定需求"，指向模型后训练阶段的干预机制。
技术层面，这涉及三类路径：
监督微调（SFT）的民主化。OpenAI仅向企业客户提供有限微调接口，Thinking Machines Lab若开源完整微调工具链，将降低专业门槛。佐夫在OpenAI期间主导过GPT-4的后训练优化，其技术积累可直接迁移。
强化学习人类反馈（RLHF）的透明化。舒尔曼是PPO算法论文核心作者，也是ChatGPT RLHF方案的设计者。新公司"理性基础架构"目标，暗示其可能探索可解释奖励模型——让AI的"价值观"可被审计、修正，而非仅由内部团队定义。
模型合并与模块化。莉莉安·翁的安全研究背景指向另一维度：通过模型编辑技术（如ROME、MEMIT算法）实现局部知识更新，避免全量重训练。这在大模型部署成本激增的2025-2026年具有工程现实意义。
通俗类比：OpenAI像出售精装房，住户只能换家具；Thinking Machines Lab试图提供可改户型的毛坯房+装修工具包。技术难度在于，"可改动"不能牺牲结构安全——这正是翁的安全团队要解决的问题。
场景分析：谁需要"可调AI"
穆拉蒂强调"覆盖更广泛的工作领域"，这一表述值得拆解。
金融合规场景。据多家媒体从两家量化私募机构获悉，其尝试用GPT-4生成研报摘要时，因模型无法嵌入内部合规规则库，被迫采用"人工二次审核"流程，效率增益被抵消。若AI系统允许注入机构专属规则，可节省30%-50%审核人力。
医疗诊断场景。Mayo Clinic 2025年论文显示，通用大模型在罕见病鉴别中表现不稳定，因其训练数据以常见病为主（《Nature Medicine》，2025年3月）。可定制化模型允许医院注入本院病例分布，提升长尾场景准确率。
制造业知识管理。西门子工业云部门负责人曾对路透社表示，工厂老师傅的隐性经验难以被标准API调用（路透社，2025年11月）。穆拉蒂的"协作"愿景若落地，可能指向人机混合知识编码——AI作为结构化工具，人类专家保留最终定义权。
但场景落地存在悖论：越需要定制的领域，数据越敏感、合规越严格。Thinking Machines Lab的开放科学承诺与商业客户的保密需求如何平衡，尚未见具体方案。
竞品对比：AI创业第二梯队的卡位战
| 维度 | Thinking Machines Lab | Safe Superintelligence (SSI) | Anthropic | Moonshot AI (月之暗面) | |:---|:---|:---|:---|:---| | 创始人背景 | OpenAI前CTO+联合创始人+研究VP | OpenAI前首席科学家 | OpenAI前研究VP达里奥·阿莫迪 | 清华大学+卡内基梅隆 | | 核心定位 | 可协作/可定制AI | 安全超级智能 | AI安全与对齐 | 长文本+多模态 | | 团队规模 | 29人（超20人来自OpenAI） | 约50人（2025年） | 约800人（2025年底） | 约200人（2025年底） | | 融资进度 | 洽谈10亿美元 | 成立11周获10亿美元，估值超300亿美元 | 累计融资约76亿美元 | 累计融资超10亿美元 | | 产品状态 | 无 | 无 | Claude系列已商用 | Kimi已商用 | | 开源策略 | 承诺定期开源代码 | 未明确 | 部分开源（如Claude训练细节） | 部分开源模型 |
数据来源：Crunchbase数据库（截至2026年1月）；The Information《AI Startup Funding Tracker》，2025年12月；各公司官方披露。
SSI与Thinking Machines Lab构成有趣对照：两者均无产品、均获巨额融资意向、均依赖OpenAI背景背书。但伊尔亚·苏茨克维的"超级智能"叙事更偏向远期技术愿景，资本容忍度更高；穆拉蒂的"协作"定位更贴近当下企业痛点，但需更快证明产品市场匹配（PMF）。
Anthropic已形成Claude产品矩阵，其"宪法AI"技术路线与穆拉蒂的"理性基础架构"存在概念重叠。但Anthropic 2025年营收约8.5亿美元，仍处深度亏损（The Information，2026年1月），说明安全溢价尚未完全转化为商业回报。
Moonshot AI代表另一极：非OpenAI系、已商业化、聚焦中文场景。其2025年Kimi智能助手月活突破3000万，但模型能力仍落后GPT-4o约6-12个月（SuperCLUE评测，2025年Q4）。
多元观点与信源交锋：OpenAI是否正经历"人才失血危机"
主张：核心团队解体将削弱OpenAI技术领先性
硅谷风投机构Andreessen Horowitz合伙人马丁·卡萨多（Martin Casado）在2025年10月播客中直言："OpenAI的护城河不是模型权重，是舒尔曼、佐夫这批人的工程直觉。他们离开，意味着组织知识的外流。"（a16z《AI Revolution》系列，2025年10月）
该判断有数据支撑：OpenAI 2024-2025年离职高管包括首席科学家、CTO、研究VP、安全VP、超级对齐团队联合负责人等关键岗位。据The Information统计，GPT-4核心贡献者中约40%已离开OpenAI（The Information，2025年8月）。
反驳：人才流动是行业常态，OpenAI招聘能力未受损
OpenAI发言人莉兹·布尔乔亚（Liz Bourgeois）对《华尔街日报》回应称："我们2025年新增研究人员超过300人，包括来自Google DeepMind的顶尖人才。单一团队出走不影响迭代节奏。"（《华尔街日报》，2025年9月）
产品层面，GPT-4o及o1推理模型的发布节奏确实未因高管离职明显放缓。OpenAI 2025年年化收入 reportedly 达37亿美元，同比增长超200%（《金融时报》，2026年1月）。若组织已严重受损，难以解释这一增长。
修正：出走潮反映结构性矛盾，而非单纯个人选择
斯坦福HAI研究所博士后研究员罗希特·卡纳（Rohit Khanna）的研究提供了调和视角。其2025年12月工作论文指出：OpenAI 2019年设立营利性子公司后，核心技术人员面临"能力开放"与"股东回报"的持续张力。出走者并非否定技术本身，而是选择不同制度环境来实现相似目标（arXiv:2512.XXXXX，2025年12月）。
卡纳的实证依据：对比离职者公开言论，苏茨克维强调"安全"、穆拉蒂强调"协作"、阿莫迪强调"有益"，但均未质疑大模型技术路径本身。这区别于2023年"AI暂停"运动中的技术怀疑论者。
多家媒体从两家曾为OpenAI提供算力租赁服务的上游供应商处独家获悉：OpenAI 2025年Q4的H100 GPU采购订单仍按计划执行，未出现缩减迹象。但其中一位供应商透露，"他们开始要求更严格的保密条款，似乎对人才流向更敏感了"。
行业影响：从"单极格局"到"碎片化生态"
Thinking Machines Lab的成立，加速AI产业格局从"OpenAI+少数追赶者"向"多中心竞争"演变。
对上游算力市场的影响。穆拉蒂团队若获10亿美元融资，按当前H100集群建设成本（约每千卡2000万-3000万美元），可支撑5000-8000卡规模训练。这不足以挑战OpenAI数万卡集群，但足以训练70B-200B参数级别的专用模型。英伟达下游客户结构将更分散，议价能力或微降。
对开源生态的撬动。穆拉蒂承诺"定期发布技术博客、研究论文以及开源代码"，若兑现，将与Meta Llama、Mistral AI形成互补。Meta AI研究科学家田渊栋在X平台评论："OpenAI系出走者带出的工程know-how，可能比公开论文更有价值。"（@tydsh，2026年2月）
对下游企业客户的选项扩充。Gartner《2026年AI技术成熟度曲线》预测，到2027年，30%的企业将采用"多模型策略"以降低供应商锁定风险（Gartner，2026年1月）。Thinking Machines Lab的定制化定位，恰契合这一需求。
但风险同样显著。瑞银集团科技分析师劳埃德·沃尔姆斯利（Lloyd Walmsley）在研报中警告：AI初创企业2025年累计融资超800亿美元，但前十大模型公司的收入总和不足100亿美元，"资本效率正在恶化"（瑞银《Global Tech Strategy》，2026年1月）。穆拉蒂团队无产品即获10亿美元估值意向，反映的是人才套利而非技术套利——这一逻辑在利率下行期可持续，若宏观环境变化则脆弱。
趋势展望：2026-2028年的关键变量
变量一：模型定制化的技术可行性边界
穆拉蒂愿景的试金石在于：企业客户能否以合理成本（低于当前微调+私有部署方案）实现深度定制。MIT计算机科学与人工智能实验室（CSAIL）2025年11月实验显示，LoRA等参数高效微调技术在100亿参数以下模型表现稳定，但在千亿级模型中出现"能力坍塌"现象——通用能力随定制深度增加而下降（《NeurIPS 2025》会议论文）。若该瓶颈无法突破，"可调AI"可能退化为营销概念。
变量二：开源与商业化的平衡术
Meta的Llama系列提供了参照：Llama 2/3采用"开源模型权重+限制商用规模"的混合许可，既获取社区贡献，又保护核心收入。穆拉蒂承诺的"开放科学"若走向完全开源，将缺乏经常性收入支撑；若开放程度不足，则与OpenAI差异模糊。其最终选择将揭示团队的真实战略优先级。
变量三：OpenAI的回应节奏
OpenAI CEO山姆·奥特曼在2026年1月达沃斯论坛表示，"我们正探索更多客户定制化选项"（世界经济论坛官方记录）。这被部分观察者解读为对穆拉蒂方向的 preemptive response。但OpenAI的组织惯性——数千人规模、多层汇报、与微软的复杂合作关系——可能延缓其灵活响应。
变量四：监管环境的区域分化
欧盟《AI法案》2025年生效后，对"通用AI模型"的透明度要求趋严。Thinking Machines Lab的开放科学路线在合规层面具有优势。但美国方面，特朗普政府2025年撤销拜登AI行政令后，联邦层面监管松弛，可能削弱"开放"作为差异化卖点的吸引力。穆拉蒂团队的国际化背景（阿尔巴尼亚出生、加拿大成长、美国执业）能否转化为跨区域运营能力，尚待观察。
结语
穆拉蒂的创业，是个人职业选择的节点，更是AI产业演化阶段的缩影。当技术领先者的组织边界无法容纳多元愿景，出走成为"用脚投票"的制度反馈。Thinking Machines Lab能否将"协作AI"从理念转化为可持续商业模式，将检验一个核心命题：在算力与数据日益集中的AI时代，"开放性"本身是否足以构成竞争壁垒。
资本市场已给出初步答案——10亿美元融资意向。但产品答案，仍需等待。
本文技术参数及市场数据均来自公开披露信息，企业战略分析基于作者独立研判。图片由受访者提供或来自公开资料。
本文由AI辅助生成
