AIモデルとプラットフォーム

Thinking Machines Lab、200ミリ秒単位のリアルタイム対話を実現する初のモデルを公開

Alex McFarland
Unite.AI を Google の優先ソースに追加
要点Thinking Machinesは、ターン制のプロンプティングではなく継続的なインタラクションこそがAIにおける次の競争の最前線を定義すると賭けている。
もっと見る
  • Thinking Machinesは、ターン制のプロンプティングではなく継続的なインタラクションこそがAIにおける次の競争の最前線を定義すると賭けている。
  • このインタラクションモデルは入力と出力を同じクロックサイクルで処理するため、割り込み、反応、翻訳をリアルタイムで行うことができる。
  • 同研究所が自己申告するインタラクションのベンチマークについての独立した検証が、このリサーチプレビューにおける当面の未解決課題として残っている。

Thinking Machines Labは、OpenAIの元CTOである Mira Muratiが設立したAIスタートアップだ。同社は2026年5月11日、初の自社開発モデルの研究プレビューを公開し、研究所が実際に何を作るのかについて1年以上続いた沈黙を破った。同社が「インタラクションモデル」と呼ぶこのシステムは、ユーザーが話し終わるのを待つ代わりに、音声、映像、テキストを200ミリ秒単位で処理するよう、ゼロから学習したマルチモーダルアーキテクチャである。

モデル名は TML-Interaction-Small。総パラメータ数2,760億、アクティブパラメータ数120億の混合エキスパート型システムだ。同社の 発表ブログ記事によれば、ファインチューニング用ツール以外は何も提供していない段階で、評価額120億ドルで約20億ドルを調達した研究所からの最初の製品に当たる。人材流出と追加資金調達ラウンドの停滞による圧力が続く中での公開となった。

インタラクションモデルは実際に何をするのか

Thinking Machinesは、OpenAIのGPT-RealtimeやGoogleのGemini Liveなど現在の最先端モデルは、音声区間検出のような外部コンポーネントを組み合わせた「ハーネス」によって、ターン制のアーキテクチャにリアルタイム動作を付け足していると主張する。これらのコンポーネントがユーザーの発話終了を判断し、完成した発話をモデルに渡す。モデルが応答を生成している間、外界に対する知覚は停止する。

インタラクションモデルはこの足場を、同社が時間整合マイクロターンと呼ぶ仕組みに置き換える。システムは200ミリ秒分の入力を継続的に処理しながら、200ミリ秒分の出力を生成する。二つのトークンストリームは同じクロック周期で交互に組み込まれる。この構造により、ユーザーが話している途中で割り込んだり、求められなくても視覚的な手がかりに反応したり、同時通訳のようなタスクでユーザーと同時に話したりできる。

このアーキテクチャは重い独立型エンコーダーを使わない。音声は dMel特徴量 として軽量な埋め込み層を通じて入力され、画像は40×40のパッチに分割される。すべてのコンポーネントはトランスフォーマーとともにゼロから共同学習する。別のバックグラウンドモデルが非同期で動作し、より深い推論、ツール呼び出し、ウェブ閲覧を処理する間も、インタラクションモデルは会話に参加し続ける。

同社が報告したベンチマークでは、 TML-Interaction-Small のFD-bench V1での発話交代の遅延は0.40秒だった。GPT-Realtime-2.0の最小思考モードは1.18秒、Gemini-3.1-flash-liveは0.57秒である。FD-bench V1.5は、ユーザーの割り込み、相づち、背景の発話における対話品質を評価する。このモデルのスコアは77.8で、GPT-Realtime-2.0の最小思考モードは46.8、Gemini-3.1-flash-liveの高思考モードは45.5だった。これらの数値は同社の自己申告である。

長く待たれた最初のモデル公開

今回の公開は、資金調達から製品提供までの長い空白を埋めるものだ。Thinking Machinesは2025年2月に設立され、同年7月には評価額120億ドルで20億ドルのシードラウンドを完了した。過去最大のシードラウンドとして広く報じられた資金調達である。Andreessen Horowitzが主導し、Nvidia (NVDA )、AMD、Cisco、Accel、ServiceNow (NOW )、Jane Streetが参加した。それまで同社が提供していた唯一の製品は、 Tinkerだった。これは2025年10月に公開された、オープンウェイトモデルのファインチューニング用APIである。

その間の数か月は波乱に満ちていた。共同創業者のBarret ZophとLuke Metzは2026年1月にOpenAIへ戻るため退社し、Muratiは同社とZophが「袂を分かった」と発表した。Mark Zuckerbergが会社全体の買収に10億ドルを提示したと報じられたが、その提案は拒否された。その後、Andrew TullochはMetaのSuperintelligence Labsに移った。Metaはそれ以降、この研究所の創設メンバー5人を採用している。Muratiは対応として、PyTorchの共同開発者であるSoumith ChintalaをCTOに昇格させた。評価額約500億ドルでの追加ラウンドが報じられたものの、2025年末までには成立しなかった。

計算資源の面では逆方向に進展した。3月、Thinking Machinesは Nvidiaとの提携を発表した。その内容には金額非公表の投資と、少なくとも1ギガワット分の次世代 Vera Rubin システムの導入が含まれる。同研究所はGoogle Cloudとの関係も拡大し、Nvidia GB300ハードウェアによる最先端モデルの学習を対象に加えた。

注目すべき点

このインタラクションモデルはまだ企業や一般向けには提供されていない。Thinking Machinesによれば、今後数か月以内に選ばれたパートナー向けの限定研究プレビューを開始し、2026年中にさらに広く公開する。同社はより大きなインタラクションモデルも公開する予定で、現在の2,760億パラメータ版は、必要な遅延で提供できる最小の派生モデルだとしている。

当面の課題は、ベンチマークに関する主張の独立検証である。FD-benchは対話品質を対象とする数少ない公開ベンチマークの一つだが、Thinking Machinesのスコアは、現実的な負荷の下で第三者によってまだ再現されていない。同社が導入した視覚的な手がかりに対する自発的反応のテストには、RepCount-A、ProactiveVideoQA、Charadesの改変版などが含まれる。いずれも確立された基準値のない新たな測定手法である。

戦略上の賭けは、より的を絞ったものだ。OpenAI、Anthropic、Googleがこの1年、自律型エージェントの能力向上を推し進めてきた一方、Thinking Machinesは次の競争軸が 人間とAIのコミュニケーションのあり方 になると賭けている。プロンプトを順番に送る方式よりも、途切れない会話に近い形だ。このインタラクションモデルが最も直接競合するのは、 リアルタイム音声AI のシステムである。OpenAI、Googleに加え、音声に特化した新興企業が増えつつあり、それぞれが製品を提供している。このアーキテクチャが本番環境の負荷に耐えられるかどうか、すなわち長時間のセッション、不安定な接続、リアルタイムで応答を拒否する際の安全上の制約に対応できるかが、次のプレビューで問われる。

Alex は Unite.AI の AI 主導のニュース運営を率いており、ジャーナリズム、リサーチ、そして自動化を組み合わせて、人工知能に関するタイムリーでスケーラブルな取材を支援しています。彼の仕事は、新興の AI 開発が効率的に取り上げられ、出版物の編集基準が維持されるよう支えています。