「ChatGPT之母」用千問微調了個模型，干翻GPT和Gemini

邁入2026年，AI幾乎“上知天文，下知地理”，查菜譜、寫郵件、做PPT......大眾對AI的“全能表現”早已司空見慣。

然而，讓AI判斷一篇財經新聞是否會影響資產價值，這項看起來再簡單不過的任務，卻把市面最頂級的AI模型集體難住了。

7月初，圈內傳出一則值得玩味的消息。全球最大對沖基金橋水（Bridgewater Associates），與成立僅一年多的AI初創公司Thinking Machines Lab合作，對GPT、Claude和Gemini等前沿模型做了一次基礎金融信息篩選測試。結果令人尷尬：用基礎提示詞時，這些前沿模型準確率僅徘徊在50%上下；即便加強指令，也不過勉強提升到70%出頭，始終跨不過研究人員設定的80%可信部署門檻。

作為對照，橋水與Thinking Machines Lab的團隊以開源的阿里Qwen3-235B為基座，通過Tinker微調平臺進行訓練，最終產出了一個在相同任務上準確率達到84.7%的私有專家判斷模型。并且，該模型在財務文檔任務上優于GPT、Claude和 Gemini，推理成本更是降至后者的約十四分之一。

這次研究之所以引人注目，不僅因為它印證了AI在金融場景下的實戰價值，更因為Thinking Machines Lab的創始人——前OpenAI首席技術官、被譽為“ChatGPT之母”的米拉·穆拉蒂（Mira Murati）。

米拉·穆拉蒂，正是ChatGPT、DALL-E、GPT-4背后那個真正把產品從論文變成現實的人。

這不禁令人疑惑：一個親手將通用大模型推向巔峰的人，離職創業后為何轉身瞄準對沖基金的“私有化定制”？這背后的邏輯，或許正指向AI行業的下一個分水嶺。

米拉·穆拉蒂的故事，幾乎是這輪AI浪潮的縮影。

1988年出生于阿爾巴尼亞，16歲移居加拿大，她先后在科爾比學院和達特茅斯學院拿下數學與機械工程雙學位。

穆拉蒂的父母都是高中文學老師，鼓勵她的學術追求。父母熱衷于人文學科，穆拉蒂卻從小癡迷數學和科學。“當我還是個孩子的時候，我就很喜歡數學，”穆拉蒂曾表示?！拔乙恢痹谧隽曨}集，然后最終參加了奧林匹克競賽，我喜歡這樣做。這真是一種熱情?！边@份數理訓練的底子，為她后續橫跨硬件、AR與AI的職業生涯埋下伏筆。

穆拉蒂的職業生涯始于2011年在東京高盛的暑期實習，并在法國公司卓達宇航（Zodiac Aerospace）短暫工作過。

隨后2013-2016年，她就職于特斯拉，曾擔任特斯拉Model X的高級產品經理，領導開發了Autopilot輔助駕駛軟件，這段經歷也讓她直觀感受到AI與物理世界結合的可能性。

2016年，穆拉蒂跳槽到專注于增強現實（AR）技術的初創公司Leap Motion，擔任產品和工程副總裁。在接下來的兩年里，她深挖人機交互技術，這為她未來從事人工智能工作奠定了基礎。

正是在這些交叉領域的積累，為她在2018年加入OpenAI做好了鋪墊。

加入OpenAI后，穆拉蒂在五年內連跳三級，從應用AI與合作伙伴副總裁，到產品與合作伙伴關系高級副總裁，最終升任首席技術官。她先后主導了ChatGPT、DALL-E、Codex、GPT-4等核心產品的研發，被業內稱作“ChatGPT之母”。

甚至在2023年OpenAI內部動蕩期間，她曾短暫出任臨時CEO，推動山姆·奧特曼（Sam Altman）復職，隨后回歸CTO崗位。在OpenAI深耕六年多之后，穆拉蒂于2024年9月宣布辭職，以追求“我自己的探索”。

在OpenAI工作期間，穆拉蒂事業蒸蒸日上，因此其在科技、商業領域的影響力也備受矚目。

米拉·穆拉蒂(Mira Murati)出席

在美國紐約舉行的2024年 Met Gala，攝影：法新社

公開信息顯示，穆拉蒂于2023年入選《財富》“最具影響力的商界女性”榜單，位列第57位，并在2024年再度躋身《時代》“人工智能百大影響力人物”，同樣排名第57位。同年6月，達特茅斯學院授予她榮譽科學博士學位，以表彰她在人工智能、技術與工程領域的杰出貢獻。

這位年輕女性，不僅憑借深邃精致的五官讓人過目難忘，其在商業和工程方面的經驗，同樣令人嘆服。

離開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，彼時公司官網列出的初始團隊名單讓硅谷為之一震：29人中超過20人來自OpenAI，且多為ChatGPT、GPT-4等項目的核心骨干。穆拉蒂在OpenAI內部的聲望，可見一斑。

Thinking Machines Lab成立僅五個月后，便在2025年7月完成20億美元的種子輪融資，估值高達120億美元，由a16z領投，英偉達、AMD等巨頭跟投。

市場押注的，不僅是穆拉蒂的個人號召力，更是她提出的清晰愿景：與其說是打造另一個“大模型”，不如說是構建一個更理性、更可定制、更服務于“人類-AI協作”的未來。其核心目標之一，就是幫助用戶調整AI系統以滿足特定需求。

而與橋水的合作，正是這一理念在實戰中最干脆的落地。

2025年10月，Thinking Machines Lab發布了首款產品Tinker。它并非模型，也不是APP，而是一個專為大模型微調設計的API接口。

在此之前，一家普通企業想微調一個百億參數級的大模型，至少需要一支精通分布式訓練和GPU集群管理的工程師團隊。而Tinker的邏輯是：從一個小模型切換到一個大模型，就像開發者在Python代碼中更改一個字符串一樣簡單，可輕松切換基座模型并啟動微調流程。

在Tinker發布后，AI大神安德烈·卡帕西（Andrej Karpathy）第一時間發文盛贊，認為Tinker改變了以往的微調范式：用戶不再僅僅靠“喂提示詞”來引導模型，而是可以直接在權重層面訓練出一個專精特定任務的“小專家”。在某些場景下，微調后的中小模型在穩定性和推理速度上，遠優于給大模型堆砌一堆示例的Few-shot提示。

Tinker的亮相，為Thinking Machines Lab的技術路線錨定了方向：他們不是在和OpenAI比誰模型更大，而是在給企業遞一把“鍛造專屬AI”的錘子。而橋水基金，正是第一個掄起這把錘子的人。

要理解橋水和Thinking Machines Lab研發的“私有專家判斷模型”的價值，先得弄清它解決了什么痛點。

橋水作為宏觀對沖基金，分析師每天要面對海量信息：央行報告、財經新聞、企業財報……判斷一篇文件是否預示利率變化，或一條消息對某公司高管有無參考價值，這類基礎篩選工作極其耗費人力，且資深專家的判斷邏輯往往難以書寫成固定規則，因為專家有很多時候需要依靠“直覺”。

橋水與Thinking Machines Lab的研究揭露了一個行業尷尬：通用大模型在專業垂直領域表現“平庸”。

測試顯示，在使用基礎提示詞時，GPT、Claude、Gemini等前沿模型在金融篩選任務上的準確率僅約50%，接近拋硬幣。即使使用了精心設計的詳細提示詞和三級分類體系，準確率也只勉強提升至70%左右，無法達到80%的可靠部署標準。

更令人沮喪的是，模型迭代帶來的收益正在遞減，GPT-5.4比GPT-5.2貴了43%，準確率卻提升有限。

“私有專家判斷模型”成為破局的關鍵。研究團隊選擇了開源模型Qwen3-235B作為基座，通過Tinker平臺進行微調。但真正的重心不在模型，而在數據。

研究團隊發現，通用的非專業標注服務錯誤百出，而純粹依賴昂貴的專家標注又成本過高。于是，他們設計了一套精妙的驗證機制：先用有缺陷的標簽訓練一個“粗模型”，再用這個模型去重新評估數據，將模型判斷與原始標簽不一致的“爭議樣本”交由真正的專家校正。這種方法在保證質量的同時，極大地控制了成本。

經過多輪訓練，最終的微調模型在測試中達到了84.7%的準確率，錯誤率相比前沿模型降低了29.8%。更重要的是，其推理成本大約僅為后者的十四分之一。

這一研究結果再次證明前沿模型并未囊括所有可用數據，大量專有企業數據和未編碼的人類專業知識仍存在于大模型的知識盲區中，尤其是企業內部私密數據。通過工具鏈微調開源模型，企業可以保留模型權重、數據乃至算力基礎設施的控制權，避免將內部數據交給前沿實驗室后成為其產品競爭的基礎。

橋水方面表示，該模型已投入日常使用，并認為這種針對客戶需求定制的“差異化智能”將是AI未來發展的核心方向。

近年來，從OpenAI離職的高管已紛紛下場創業，并迅速在AI賽道形成一股不可忽視的力量。Anthropic由OpenAI前研究副總裁Dario Amodei攜妹妹Daniela Amodei創立，主打“安全可控”；Perplexity的掌舵人Aravind Srinivas曾是OpenAI的研究員，憑“AI搜索”異軍突起......

這批“OpenAI系”創業者一出場就自帶光環，動輒斬獲數十億美元融資，估值飆升之快，令整個硅谷為之側目。

OpenAI的人才外流，既印證了AI行業蘊含的巨大市場潛力，也折射出業內對技術路徑與未來方向的核心分歧。但更明確的信號是，行業遠未到終局。

Mira Murati的選擇，代表了其中一條清晰的路徑：通用大模型不是終點，“差異化智能”才是。

Thinking Machines Lab從成立到發布Tinker，再到與橋水聯手證明微調模型的實戰價值，每一步都在驗證這條路徑的可行性——企業不必將核心數據拱手讓人，不必追逐不斷漲價的API，而是可以通過開源模型+定制化訓練，鍛造屬于自己的AI能力。

對行業而言，這場實驗的意義或許更深遠。當“改一行代碼就能微調大模型”成為現實，AI就不再只是少數巨頭的游戲。那些深藏在行業專家腦子里的經驗——醫生的診斷直覺、律師的判例判斷、工程師的設計心得等“難以書寫成指令”的經驗，都有機會被轉化為可復制、可規?；臄底仲Y產。

對于AI的下一個戰場，天平已悄然傾斜于“差異化智能”的細分場景。這場較量的核心，恰恰藏在企業內部那些難以言說、卻價值連城的“專家判斷力”之中。而Mira Murati，正站在這個戰場的最前沿。

*文章源于雷峰網(公眾號：雷峰網)