Мира Мурати: почему Thinking Machines ставит на интерфейс человек–модель, а не на гонку параметров

Когда в сентябре 2024 года Мира Мурати объявила об уходе с поста технического директора OpenAI — компании, которую она помогла превратить из исследовательской лаборатории в главный символ AI-бума, — индустрия замерла в ожидании. Человек, руководивший созданием ChatGPT, DALL·E и GPT-4, мог пойти куда угодно: основать очередную лабораторию фундаментальных моделей, уйти в большую технологическую корпорацию, вообще исчезнуть из поля зрения на годы. Вместо этого она сделала ставку, которая выглядит почти контринтуитивной на фоне общей гонки: не строить самую большую модель в мире, а заняться тем, как обычные люди, исследователи и команды вообще способны управлять уже существующими моделями. Её новая компания называется Thinking Machines Lab, и её первый публичный продукт — Tinker — лучше любого манифеста объясняет, что это за ставка.

Кто такая Мурати и почему её выбор весит больше, чем кажется

Мурати родилась в Албании, получила инженерное образование и прошла путь, который сам по себе многое объясняет. В Tesla она работала над внедорожником Model X — продуктом, где сложнейшая инженерия должна была остаться невидимой для водителя. В Leap Motion занималась интерфейсами взаимодействия человека с компьютером. В OpenAI с 2018 года прошла путь до технического директора, курируя именно те проекты, которые вывели искусственный интеллект из лабораторий к сотням миллионов пользователей: ChatGPT, DALL·E, GPT-4.

Это важная деталь: Мурати — не теоретик, критикующий индустрию со стороны. Она — человек, который лучше почти всех понимает, как устроена фабрика больших моделей, и который принимал ключевые решения на этом пути. Когда такой человек говорит, что узкое место индустрии — не размер моделей, а разрыв между их возможностями и способностью людей этими возможностями пользоваться, это не маркетинговая позиция. Это вывод из собственного опыта.

В феврале 2025 года она объявила о создании Thinking Machines Lab. Состав сооснователей впечатляет даже по меркам перегретого рынка AI-талантов: выходцы из OpenAI, Anthropic и Google DeepMind, включая Джона Шульмана — одного из ключевых авторов подхода RLHF (обучение с обратной связью от человека), который сделал современные чат-модели вежливыми и полезными. Компания привлекла посевной раунд порядка двух миллиардов долларов при оценке около 10–12 миллиардов — один из крупнейших посевных раундов в истории технологической индустрии, при участии a16z и NVIDIA.

Тезис: разрыв между возможностями и пользованием

Идею Thinking Machines можно сформулировать одной фразой из их запускового манифеста: возможности AI-моделей растут стремительно, а понимание того, как ими пользоваться, отстаёт. Между тем, что модель может, и тем, что конкретный человек умеет из неё извлечь, зияет разрыв — и именно в этом разрыве теряется большая часть потенциальной пользы.

Проведём аналогию. Представьте, что автомобильная индустрия десятилетие подряд наращивала мощность двигателей, но все машины поставляла без руля и педалей — с набором API для желающих разобраться. Формально прогресс колоссальный, практически — транспорт доступен единицам. Примерно так, по логике Мурати, выглядит современный AI: модели уже умеют удивительно много, но способы заставить их делать то, что нужно именно вам — адаптировать под вашу задачу, ваши данные, ваши ограничения — остаются прерогативой узкого круга специалистов с доступом к дорогой инфраструктуре.

Отсюда три столпа публичной программы компании: системы должны быть мультимодальными (понимать не только текст), адаптируемыми (настраиваться под конкретные задачи) и понятными (чтобы пользователь осознавал, что происходит). И ещё одно обещание, которое в 2025 году звучит почти политическим заявлением: публиковать исследования и код, пока конкуренты один за другим закрываются.

Tinker: философия, воплощённая в API

Осенью 2025 года Thinking Machines представила первый продукт — Tinker. По сути это API для тонкой настройки и обучения с подкреплением открытых моделей — Llama, Qwen и им подобных — без необходимости самостоятельно управлять кластером GPU.

Чтобы оценить, почему это важно, нужно понимать, как выглядит тонкая настройка модели сегодня. Допустим, у исследовательской группы есть задача: научить языковую модель хорошо работать с медицинской терминологией, юридическими документами или специфическим стилем программного кода. Открытые модели позволяют это сделать — но на практике придётся арендовать десятки видеокарт, настраивать распределённое обучение, бороться с инфраструктурными сбоями, тратить недели на инженерию, которая не имеет отношения к самой задаче. Порог входа так высок, что большинство команд просто сдаются и используют универсальную модель «как есть», со всеми её ограничениями.

Tinker предлагает убрать этот инфраструктурный барьер: вы описываете задачу обучения, а кластер, планирование и сложная кухня остаются на стороне сервиса. Исследователь сосредоточивается на данных и постановке эксперимента, а не на борьбе с драйверами.

Это и есть практическое воплощение тезиса «не гонка параметров». Вместо одной гигантской модели на все случаи жизни — инструментарий, позволяющий множеству команд строить свои специализированные модели. Логика, знакомая по истории вычислительной техники: персональные компьютеры победили не потому, что были мощнее мейнфреймов, а потому, что оказались доступнее и ближе к конкретным задачам конкретных людей.

Стратегическая развилка с гигантами

Полезно посмотреть, чем этот подход отличается от стратегий основных игроков. OpenAI, Google DeepMind и Anthropic конкурируют за передний край — кто построит самую способную универсальную модель. Это путь колоссальных капитальных затрат: дата-центры, энергия, многомиллиардные контракты на вычисления. У этого пути есть внутренняя логика: если верить, что масштабирование приведёт к качественному скачку, победитель получает всё.

Thinking Machines сознательно занимает другой слой рынка — инструменты и интерфейсы вокруг моделей, причём в первую очередь открытых. Это стратегически интересный ход. Во-первых, компания не вступает в прямую гонку расходов с игроками, у которых бюджеты на порядок больше. Во-вторых, она становится союзником экосистемы открытых моделей: чем лучше открытые веса, чем удобнее их настраивать, тем меньше монополия закрытых фронтир-моделей. В-третьих, слой адаптации — это место, где рождается реальная ценность для конечных применений: ни одна универсальная модель не будет идеально знать специфику конкретной клиники, лаборатории или производства.

Этот тезис хорошо согласуется с тем, что мы не раз наблюдали в других областях применения AI. В фармацевтике, например, узким местом оказываются не сами алгоритмы, а качество данных и инженерия внедрения; в робототехнике прорывы последних лет связаны не столько с «размером мозга» модели, сколько с тем, как её соединили с физическим миром. Модели становятся товаром — коммодити, а дифференциация перемещается в слой применения.

Открытость как политическая позиция

Обещание публиковать исследования и код — не просто жест доброй воли. В условиях, когда OpenAI де-факто отказалась от открытости, заложенной в её название, а Anthropic и Google раскрывают детали своих систем всё скупее, позиция Thinking Machines — это ставка на доверие научного сообщества и талантов. Лучшие исследователи хотят публиковаться; лаборатории по всему миру хотят строить работу на чужих открытых результатах. Компания, которая даёт им такую возможность, получает репутационный капитал и приток людей.

Присутствие Шульмана и других ключевых исследователей подтверждает: это не декларация ради пиара, а часть предложения для рынка труда. Вопрос лишь в том, сколько эта политика продержится — к этому мы ещё вернёмся.

Что пока неизвестно — и что может пойти не так

Честный разбор требует перечислить открытые вопросы, которых немало.

Первый — коммерческий. Thinking Machines не раскрывает ни размер пользовательской базы Tinker, ни выручку. Рынок инструментов для тонкой настройки конкурентный: облачные гиганты и специализированные платформы предлагают похожие сервисы, и не очевидно, что даже превосходный продукт быстро окупит двухмиллиардные инвестиции и многомиллиардную оценку.

Второй вопрос — стратегический. Останется ли компания исключительно в слое инструментов, или рано или поздно начнёт строить собственные фронтир-модели? История индустрии подсказывает: соблазн велик, а инструментальный бизнес часто оказывается ступенькой к более амбициозным планам. Публично Thinking Machines ничего подобного не подтверждала, но и не исключала.

Третий — давление на открытость. При оценке в десятки миллиардов инвесторы рано или поздно спросят, где ров — то, что конкуренты не могут скопировать. Полностью открытые исследования рва не создают. Удержать баланс между научной открытостью и коммерческой защищённостью будет непросто, и прецеденты (та же OpenAI) неутешительны.

Наконец, дорожная карта за пределами Tinker публично не подтверждена. Манифест говорит о мультимодальных, понятных системах и о «интерфейсах человек–модель», но какие конкретно продукты последуют за API для разработчиков — вопрос открытый. Не исключено, что следующим шагом станут продукты для более широкой аудитории, где опыт Мурати по «упаковке» сложной технологии в понятную форму пригодится больше всего.

Почему эта ставка важна независимо от судьбы компании

Даже если Thinking Machines не станет следующей OpenAI, сама постановка задачи уже влияет на индустрию. Последние годы дискуссия об AI вращалась вокруг масштаба: сколько параметров, сколько токенов, сколько миллиардов на вычисления. Мурати со товарищи напоминают о другой половине уравнения: технология создаёт ценность только тогда, когда люди могут направить её на свои задачи. Гонка параметров без работы над интерфейсом и адаптацией — это строительство всё более мощных двигателей без руля.

Показательно, что один из самых влиятельных людей отрасли — человек, у которого было всё, чтобы возглавить гонку масштаба, — посчитал более перспективным именно этот фронт. Это не гарантия успеха: рынок инструментов жёсток, обещания открытости дорого стоят, а конкуренты не дремлют. Но это сильный сигнал о том, где, по мнению людей, видевших индустрию изнутри, находится настоящее узкое место. И если они правы, следующие несколько лет в AI будут не столько о том, кто построит самую большую модель, сколько о том, кто научит остальных извлекать из моделей пользу.