虽千万人吾往矣。
Auto mode、Background agent、Claude code/codex可以跑几十个小时的独立任务……
这些你应该都不陌生：你描述一下要做什么，然后离开屏幕，让 AI 自己跑。喝完咖啡回来验收。
似乎一切都理所当然，AI不应该就是这样的吗？
1、产品哲学之争：要不要人
这背后其实是一个产品哲学和隐含假设：未来的工作不需要human in the loop。
不过前天，Mira Murati 的 Thinking Machines 发了一篇博客，大意是说：这个方向走错了。
Thinking Machines是OpenAI 前CTO Mira Murati创办的，种子轮就融了20 亿，估值100亿美金的明星创业团队。一年多时间里他们几乎没说话，所有人都在猜：他们到底要做什么？
前天他们的第一个正式模型 Interaction Models亮相了，基本上是一句话：现在主流AI交互方式从根上错了。
错在大家把 AI 想象成一个"工人"——你描述任务，它去执行，执行完交付。这个范式叫 turn-based interaction，是过去所有 LLM 产品的底层假设。从 ChatGPT 到 Claude Code 到 OpenClaw，本质都是这个范式的变体。
TML（Thinking Machine Labs） 说，这是把人推出 AI 工作过程的根本原因。当 AI 必须等你说完才能动、你也必须等它说完才能动，"一起做"这件事就从一开始就被结构性地排除了。所以 Anthropic、OpenAI、Gemini才会都发现：让 AI 独自长跑比让人插手更"高效"——不是模型本身需要独自跑，是这个范式逼着它必须独自跑。
四月份 Anthropic 发的 Claude Mythos 系统卡里有一段话，TML 在博客里直接引用了：
"我们最强的模型，正在以更大权限、更少人类介入的方式被使用。"
Mythos 是 Anthropic 至今最强的模型，能自己在真实软件里挖出 zero-day 漏洞。因为太危险，Anthropic 决定不公开发布。这份系统卡是 Anthropic 这一年的产品哲学最坦诚的官方表达：
模型越强，越要让它自己跑。
但同一份系统卡里，Anthropic 自己也写下了这条路线的代价。在 alignment 那一章，他们记录了几起让人很不安的模型欺骗人的案例。
2、Thinking Machine的反主流选择
TML 做了相反的选择。但他们也清楚一个巨大的难题：人在键盘前确实是 AI 的瓶颈——你打字、思考、犹豫的速度，都比模型生成慢得多。
他们的解决方案是：从零开始训一个原生支持实时交互的模型。
不过他们的解决方案是：如果我们 from scratch 训一个原生支持实时交互的模型，人就可以一直在现场。
简单说就是把"一来一回"的对话拆成 200 毫秒一个的微观片段，AI 同时听、同时想、同时说、同时看。你和它的关系不是"我说完你说"，是"我们一直在场"。
Turn based（主流方案）和下方的Thinking machines方案对比
他们 demo 的几个场景：实时翻译——你说西班牙语，AI 同步说英文，不是等你说完一句它再翻，是叠着说。写代码——你在敲键盘，AI 在旁边盯着屏幕，看到你写出 bug 的那一刻直接打断你："这里你漏了一个判断。"不是等你提交、跑测试、再来找它 debug，是当场。
这些场景的共同点是：人没有离场。AI 不是替你做，是陪你做。
3、说一点跟我自己有关的事
做了 7 年的 AI 翻译，其中有一段时间，我们在 LanguageX 做过一种产品形态，叫交互式翻译。
交互式翻译是什么？
主流的 AI 翻译流程是这样的：机器先把整段翻完，给你一个完整的译文，译者再去修改。这个流程在翻译行业的术语叫"译后编辑"——post-editing。译者干的活，本质是给AI擦屁股的清洁工。
交互式翻译反过来。译者不用看一个影响他思路的机翻译文，而是直接输入动手翻，输入一个词后，系统就实时调整后面整句的预测——你写了"虽然"，它会把后面调整成让步从句；你把主句改了，它会重组从句；你换了一个用词风格，它会沿着你的风格往下走——译者和 AI 是同时在场的。
国内有腾讯交互式翻译，美国有一家公司叫 Lilt，都做过类似的尝试。
一切都似曾相识。
不过我必须坦诚地告诉你结果——这条路在翻译行业没有赢。
主流的 AI 翻译产品形态，依然是机器全译 + 人工译后编辑。Trados、memoQ、Phrase、SmartCAT、以及2023年后的LanguageX，编辑器的逻辑都是 turn-based 的 post-editing。
其中有比较多的复杂考量，但最根本的一个原因是：AI翻译需要的译后编辑量越来越少，特别在LLM翻译之后，翻译可以不按句，而是按段切分segment。
所以翻译行业先于编程行业大概 5 到 7 年，做过完全相同的产品哲学之争——是给人留位置，还是把人推出去？翻译行业当时选了把人推出去。
4、是否值得？
看到Thinking Machine Labs这篇博客的时候，我心里第一反应不是兴奋，是复杂。
他们正在用 2026 年的算力、模型规模、和团队豪华度，重新挑战交互式翻译当年赌输的命题。
这一次会不会有不同的结果？我不知道。
但为他们的选择和勇气点赞。
我相信产品应该在追求效率的同时，为人找到一个合适的位置。
翻译行业的历史告诉我，"给人留位置"这条路非常难走——技术、习惯、商业模式全在另一边。在动态中预测和寻找人的正确位置，本身就是难的。但它值得探索，值得有第二家、第三家公司去探索。
因为，如果所有人都在另一条路走到底，世界可能失去更重要的另一种可能性，颠覆式创新永远在边缘发生。
就像Yann LeCun的世界模型和李飞飞的空间智能，非主流的声音也值得关注。
你呢，你认为值得吗？
Thinking Machine博文地址：https://thinkingmachines.ai/blog/interaction-models/
