内容摘要：“通用大模型并非终点，「差异化智能」才是未来的核心。”作者丨夏清编辑丨徐晓飞迈入2026年，人工智能已近乎“全知全能”：从查菜谱、写邮件到制作PPT，大众对AI的广泛覆盖早已习以为常。然而，当任务升级

“通用大模型并非终点，母用「差异化智能」才是千问未来的核心。”

作者丨夏清
编辑丨徐晓飞

迈入2026年，微调人工智能已近乎“全知全能”：从查菜谱、个模写邮件到制作PPT，型干大众对AI的母用广泛覆盖早已习以为常。

然而，千问当任务升级为“判断一篇财经新闻是微调否会影响资产价值”时，这一看似简单的个模逻辑题，却让市面上最顶级的型干AI模型集体“翻车”。

7月初，母用金融圈流传出一则极具深意的千问消息。全球最大对冲基金桥水基金（Bridgewater Associates）与成立仅一年的微调AI初创公司Thinking Machines Lab合作，对GPT、个模Claude和Gemini等前沿大模型进行了一次基础金融信息筛选测试。型干结果令人尴尬：在基础提示词下，这些顶级模型的准确率仅在50%徘徊；即便强化指令，准确率也仅勉强突破70%，始终无法跨越研究人员设定的80%可信部署门槛。

作为对比，桥水与Thinking Machines Lab团队以开源的阿里Qwen3-235B为基座，利用Tinker微调平台进行训练，最终产出一个私有专家判断模型。该模型在相同任务上的准确率达到84.7%，不仅在财务文档处理上全面优于GPT、Claude和Gemini，其推理成本更是降至后者的约十四分之一。

此次研究之所以引发轰动，不仅在于其验证了AI在金融垂直领域的实战价值，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）。

穆拉蒂是那个将ChatGPT、DALL-E、GPT-4从论文推向现实的关键人物。

这不禁让人深思：一位亲手将通用大模型推向巅峰的领袖，离职创业后为何转身聚焦于对冲基金的“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·穆拉蒂的职业生涯，堪称这轮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（Colby College）和达特茅斯学院（Dartmouth College）获得数学与机械工程双学位。

穆拉蒂的父母均为高中文学教师，深受人文学科熏陶的她，却自幼痴迷于数学与科学。“小时候我就喜欢数学，”穆拉蒂曾回忆道，“我热衷于做习题集，甚至参加奥林匹克竞赛。这是一种纯粹的热情。”这种扎实的数理基础，为她日后横跨硬件、AR与AI的跨界生涯埋下伏笔。

穆拉蒂的职业起点始于2011年在东京高盛的暑期实习，随后在法国卓达宇航（Zodiac Aerospace）短暂任职。

2013年至2016年，她加入特斯拉，担任Model X高级产品经理，主导开发Autopilot辅助驾驶软件。这段经历让她直观地体会到AI与物理世界结合的巨大潜力。

2016年，穆拉蒂跳槽至增强现实（AR）初创公司Leap Motion，担任产品和工程副总裁。在随后的两年里，她深耕人机交互技术，为未来投身人工智能奠定了坚实基础。

正是这些交叉领域的积累，促成了她2018年加入OpenAI的契机。

在OpenAI的六年里，穆拉蒂连升三级：从应用AI与合作伙伴副总裁，升至产品与合作伙伴关系高级副总裁，最终担任首席技术官（CTO）。她主导了ChatGPT、DALL-E、Codex、GPT-4等核心产品的研发，被业界尊称为“ChatGPT之母”。

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。2024年9月，穆拉蒂宣布辞职，寻求“个人的探索”。

在OpenAI期间，穆拉蒂不仅在事业上蒸蒸日上，更在商业领域获得极高认可。

米拉·穆拉蒂（Mira Murati）出席2024年纽约Met Gala
摄影：法新社

公开数据显示，穆拉蒂于2023年入选《财富》“最具影响力的商界女性”榜单（第57位），2024年再度跻身《时代》“人工智能百大影响力人物”（第57位）。同年6月，达特茅斯学院授予她荣誉科学博士学位，以表彰其在AI、技术与工程领域的杰出贡献。

这位兼具深邃智慧与精致外表的女性，凭借在商业与工程领域的卓越经验，赢得了广泛赞誉。

离开OpenAI后，穆拉蒂的“探索”迅速落地。

2025年2月，穆拉蒂正式宣布成立Thinking Machines Lab。公司初始团队名单令硅谷震惊：29名成员中超过20人来自OpenAI，且多为ChatGPT、GPT-4项目的核心骨干。

成立仅五个月后，即2025年7月，Thinking Machines Lab完成20亿美元种子轮融资，估值高达120亿美元。本轮融资由a16z领投，英伟达、AMD等科技巨头跟投。

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：与其打造另一个“通用大模型”，不如构建一个更理性、可定制、服务于“人类-AI协作”的未来。其核心目标之一，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”的行业价值何在？

2025年10月，Thinking Machines Lab发布了首款产品Tinker。它既不是模型，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，企业若想微调百亿参数级的大模型，需组建精通分布式训练和GPU集群管理的工程师团队。而Tinker的逻辑极简：从切换小模型到大模型，如同在Python代码中修改一个字符串般简单，即可轻松切换基座模型并启动微调流程。

Tinker发布后，AI领域大神安德烈·卡帕西（Andrej Karpathy）第一时间发文盛赞，认为Tinker改变了微调范式：用户不再仅靠“喂提示词”引导模型，而是直接在权重层面训练出专精特定任务的“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Few-shot示例的做法。

Tinker的亮相，锚定了Thinking Machines Lab的技术路线：他们不与OpenAI比拼模型规模，而是为企业递上一把“锻造专属AI”的锤子。桥水基金，正是第一个抡起这把锤子的人。

要理解“私有专家判断模型”的价值，需先厘清其解决的痛点。

桥水作为宏观对冲基金，分析师每日面对海量信息：央行报告、财经新闻、企业财报等。判断文件是否预示利率变化，或消息对高管是否有参考价值，这类基础筛选工作极度耗费人力。且资深专家的判断逻辑往往难以固化为规则，因为专家常依赖“直觉”。

桥水与Thinking Machines Lab的研究揭示了一个行业尴尬：通用大模型在专业垂直领域表现“平庸”。

测试显示，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%，近乎抛硬币。即便使用精心设计的详细提示词和三级分类体系，准确率也仅勉强提升至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%，但准确率提升有限。

“私有专家判断模型”成为破局关键。

研究团队选择开源模型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。

团队发现，通用非专业标注服务错误百出，而纯粹依赖昂贵专家标注成本过高。于是，他们设计了一套精妙的验证机制：
1. 先用有缺陷的标签训练一个“粗模型”；
2. 用该模型重新评估数据；
3. 将模型判断与原始标签不一致的“争议样本”交由真正专家校正。

这种方法在保证质量的同时，极大控制了成本。

经过多轮训练，最终微调模型在测试中达到84.7%的准确率，错误率相比前沿模型降低29.8%。更重要的是，其推理成本仅为后者的十四分之一。

这一结果证明，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离职的高管纷纷下场创业，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掌舵人Aravind Srinivas曾是OpenAI研究员，凭“AI搜索”异军突起。

这批“OpenAI系”创业者自带光环，动辄斩获数十亿美元融资，估值飙升之快令硅谷侧目。

OpenAI的人才外流，既印证了AI行业的巨大市场潜力，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海中的经验——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。