“通用大模型不是终点，「差异化智能」才是。”
作者丨夏清
编辑丨徐晓飞
迈入2026年，AI几乎“上知天文，下知地理”，查菜谱、写邮件、做PPT......大众对AI的“全能表现”早已司空见惯。
然而，让AI判断一篇财经新闻是否会影响资产价值，这项看起来再简单不过的任务，却把市面最顶级的AI模型集体难住了。
7月初，圈内传出一则值得玩味的消息。全球最大对冲基金桥水（Bridgewater Associates），与成立仅一年多的AI初创公司Thinking Machines Lab合作，对GPT、Claude和Gemini等前沿模型做了一次基础金融信息筛选测试。结果令人尴尬：用基础提示词时，这些前沿模型准确率仅徘徊在50%上下；即便加强指令，也不过勉强提升到70%出头，始终跨不过研究人员设定的80%可信部署门槛。
作为对照，桥水与Thinking Machines Lab的团队以开源的Qwen3-235B为基座，通过Tinker微调平台进行训练，最终产出了一个在相同任务上准确率达到84.7%的私有专家判断模型。并且，该模型在财务文档任务上优于GPT、Claude和 Gemini，推理成本更是降至后者的约十四分之一。
这次研究之所以引人注目，不仅因为它印证了AI在金融场景下的实战价值，更因为Thinking Machines Lab的创始人——前OpenAI首席技术官、被誉为“ChatGPT之母”的米拉·穆拉蒂（Mira Murati）。
米拉·穆拉蒂，正是ChatGPT、DALL-E、GPT-4背后那个真正把产品从论文变成现实的人。
这不禁令人疑惑：一个亲手将通用大模型推向巅峰的人，离职创业后为何转身瞄准对冲基金的“私有化定制”？这背后的逻辑，或许正指向AI行业的下一个分水岭。
01
穆拉蒂：从OpenAI“权力中心”到自立门户
米拉·穆拉蒂的故事，几乎是这轮AI浪潮的缩影。
1988年出生于阿尔巴尼亚，16岁移居加拿大，她先后在科尔比学院和达特茅斯学院拿下数学与机械工程双学位。
穆拉蒂的父母都是高中文学老师，鼓励她的学术追求。父母热衷于人文学科，穆拉蒂却从小痴迷数学和科学。“当我还是个孩子的时候，我就很喜欢数学，”穆拉蒂曾表示。“我一直在做习题集，然后最终参加了奥林匹克竞赛，我喜欢这样做。这真是一种热情。”这份数理训练的底子，为她后续横跨硬件、AR与AI的职业生涯埋下伏笔。
穆拉蒂的职业生涯始于2011年在东京高盛的暑期实习，并在法国公司卓达宇航（Zodiac Aerospace）短暂工作过。
随后2013-2016年，她就职于特斯拉，曾担任特斯拉Model X的高级产品经理，领导开发了Autopilot辅助驾驶软件，这段经历也让她直观感受到AI与物理世界结合的可能性。
2016年，穆拉蒂跳槽到专注于增强现实（AR）技术的初创公司Leap Motion，担任产品和工程副总裁。在接下来的两年里，她深挖人机交互技术，这为她未来从事人工智能工作奠定了基础。
正是在这些交叉领域的积累，为她在2018年加入OpenAI做好了铺垫。
加入OpenAI后，穆拉蒂在五年内连跳三级，从应用AI与合作伙伴副总裁，到产品与合作伙伴关系高级副总裁，最终升任首席技术官。她先后主导了ChatGPT、DALL-E、Codex、GPT-4等核心产品的研发，被业内称作“ChatGPT之母”。
甚至在2023年OpenAI内部动荡期间，她曾短暂出任临时CEO，推动山姆·奥特曼（Sam Altman）复职，随后回归CTO岗位。在OpenAI深耕六年多之后，穆拉蒂于2024年9月宣布辞职，以追求“我自己的探索”。
在OpenAI工作期间，穆拉蒂事业蒸蒸日上，因此其在科技、商业领域的影响力也备受瞩目。
米拉·穆拉蒂(Mira Murati)出席
在美国纽约举行的2024年 Met Gala，摄影：法新社
公开信息显示，穆拉蒂于2023年入选《财富》“最具影响力的商界女性”榜单，位列第57位，并在2024年再度跻身《时代》“人工智能百大影响力人物”，同样排名第57位。同年6月，达特茅斯学院授予她荣誉科学博士学位，以表彰她在人工智能、技术与工程领域的杰出贡献。
这位年轻女性，不仅凭借深邃精致的五官让人过目难忘，其在商业和工程方面的经验，同样令人叹服。
离开OpenAI后，穆拉蒂的“探索”很快浮出水面。
2025年2月，穆拉蒂正式宣布成立Thinking Machines Lab，彼时公司官网列出的初始团队名单让硅谷为之一震：29人中超过20人来自OpenAI，且多为ChatGPT、GPT-4等项目的核心骨干。穆拉蒂在OpenAI内部的声望，可见一斑。
Thinking Machines Lab成立仅五个月后，便在2025年7月完成20亿美元的种子轮融资，估值高达120亿美元，由a16z领投，英伟达、AMD等巨头跟投。
市场押注的，不仅是穆拉蒂的个人号召力，更是她提出的清晰愿景：与其说是打造另一个“大模型”，不如说是构建一个更理性、更可定制、更服务于“人类-AI协作”的未来。其核心目标之一，就是帮助用户调整AI系统以满足特定需求。
而与桥水的合作，正是这一理念在实战中最干脆的落地。
02
“私有专家判断模型”行业价值何在？
2025年10月，Thinking Machines Lab发布了首款产品Tinker。它并非模型，也不是APP，而是一个专为大模型微调设计的API接口。
在此之前，一家普通企业想微调一个百亿参数级的大模型，至少需要一支精通分布式训练和GPU集群管理的工程师团队。而Tinker的逻辑是：从一个小模型切换到一个大模型，就像开发者在Python代码中更改一个字符串一样简单，可轻松切换基座模型并启动微调流程。
在Tinker发布后，AI大神安德烈·卡帕西（Andrej Karpathy）第一时间发文盛赞，认为Tinker改变了以往的微调范式：用户不再仅仅靠“喂提示词”来引导模型，而是可以直接在权重层面训练出一个专精特定任务的“小专家”。在某些场景下，微调后的中小模型在稳定性和推理速度上，远优于给大模型堆砌一堆示例的Few-shot提示。
Tinker的亮相，为Thinking Machines Lab的技术路线锚定了方向：他们不是在和OpenAI比谁模型更大，而是在给企业递一把“锻造专属AI”的锤子。而桥水基金，正是第一个抡起这把锤子的人。
要理解桥水和Thinking Machines Lab研发的“私有专家判断模型”的价值，先得弄清它解决了什么痛点。
桥水作为宏观对冲基金，分析师每天要面对海量信息：央行报告、财经新闻、企业财报……判断一篇文件是否预示利率变化，或一条消息对某公司高管有无参考价值，这类基础筛选工作极其耗费人力，且资深专家的判断逻辑往往难以书写成固定规则，因为专家有很多时候需要依靠“直觉”。
桥水与Thinking Machines Lab的研究揭露了一个行业尴尬：通用大模型在专业垂直领域表现“平庸”。
测试显示，在使用基础提示词时，GPT、Claude、Gemini等前沿模型在金融筛选任务上的准确率仅约50%，接近抛硬币。即使使用了精心设计的详细提示词和三级分类体系，准确率也只勉强提升至70%左右，无法达到80%的可靠部署标准。
更令人沮丧的是，模型迭代带来的收益正在递减，GPT-5.4比GPT-5.2贵了43%，准确率却提升有限。
“私有专家判断模型”成为破局的关键。研究团队选择了开源模型Qwen3-235B作为基座，通过Tinker平台进行微调。但真正的重心不在模型，而在数据。
研究团队发现，通用的非专业标注服务错误百出，而纯粹依赖昂贵的专家标注又成本过高。于是，他们设计了一套精妙的验证机制：先用有缺陷的标签训练一个“粗模型”，再用这个模型去重新评估数据，将模型判断与原始标签不一致的“争议样本”交由真正的专家校正。这种方法在保证质量的同时，极大地控制了成本。
经过多轮训练，最终的微调模型在测试中达到了84.7%的准确率，错误率相比前沿模型降低了29.8%。更重要的是，其推理成本大约仅为后者的十四分之一。
这一研究结果再次证明前沿模型并未囊括所有可用数据，大量专有企业数据和未编码的人类专业知识仍存在于大模型的知识盲区中，尤其是企业内部私密数据。通过工具链微调开源模型，企业可以保留模型权重、数据乃至算力基础设施的控制权，避免将内部数据交给前沿实验室后成为其产品竞争的基础。
桥水方面表示，该模型已投入日常使用，并认为这种针对客户需求定制的“差异化智能”将是AI未来发展的核心方向。
03
AI的下一战，落脚于“差异化智能”
近年来，从OpenAI离职的高管已纷纷下场创业，并迅速在AI赛道形成一股不可忽视的力量。Anthropic由OpenAI前研究副总裁Dario Amodei携妹妹Daniela Amodei创立，主打“安全可控”；Perplexity的掌舵人Aravind Srinivas曾是OpenAI的研究员，凭“AI搜索”异军突起......
这批“OpenAI系”创业者一出场就自带光环，动辄斩获数十亿美元融资，估值飙升之快，令整个硅谷为之侧目。
OpenAI的人才外流，既印证了AI行业蕴含的巨大市场潜力，也折射出业内对技术路径与未来方向的核心分歧。但更明确的信号是，行业远未到终局。
Mira Murati的选择，代表了其中一条清晰的路径：通用大模型不是终点，“差异化智能”才是。
Thinking Machines Lab从成立到发布Tinker，再到与桥水联手证明微调模型的实战价值，每一步都在验证这条路径的可行性——企业不必将核心数据拱手让人，不必追逐不断涨价的API，而是可以通过开源模型+定制化训练，锻造属于自己的AI能力。
对行业而言，这场实验的意义或许更深远。当“改一行代码就能微调大模型”成为现实，AI就不再只是少数巨头的游戏。那些深藏在行业专家脑子里的经验——医生的诊断直觉、律师的判例判断、工程师的设计心得等“难以书写成指令”的经验，都有机会被转化为可复制、可规模化的数字资产。
对于AI的下一个战场，天平已悄然倾斜于“差异化智能”的细分场景。这场较量的核心，恰恰藏在企业内部那些难以言说、却价值连城的“专家判断力”之中。而Mira Murati，正站在这个战场的最前沿。
金领速配提示：文章来自网络，不代表本站观点。
