Thinking Machines Lab под руководством Миры Мурати выступила с техническим манифестом: сегодняшний ИИ слишком централизован — его обучает горстка организаций, а потом «замораживает». Лаборатория предлагает развернуть логику и строить ИИ вокруг распределённого знания.
В чём аргумент
Основная мысль: неявная локальная экспертиза — например, отточенные приёмы повара — не укладывается в базы данных. А значит, ИИ-системы должны настраиваться там, где их применяют, а не управляться из единой точки.
Из этого лаборатория выводит четыре направления:
- сильные мультимодальные модели с заложенной возможностью настройки;
- инструменты дообучения, позволяющие пользователю самому менять веса модели;
- интерфейсы на непрерывном мультимодальном вводе с «микрошагами» по 200 мс вместо пошагового обмена репликами в текстовом поле;
- открытые исследования, чтобы больше инженеров понимали, как устроена разработка моделей.
Как это выглядит технически
Лаборатория представила Tinker API — инструмент дообучения моделей с открытыми весами (Llama, Qwen) через LoRA (низкоранговую адаптацию). Пользователь получает переносимые «адаптеры» весов и держит данные и правки у себя, а не полагается на удалённый сервис.
Ключевое отличие подхода — в трактовке выравнивания (alignment). Вместо централизованных спецификаций лаборатория предлагает «много разнообразных собственных моделей». Ценности, по их логике, должны быть закодированы в весах модели, а не в промптах — это убирает единую точку отказа в контроле.
Зачем это на практике
Примеры применения понятные: больница дообучает модель на своих протоколах, юрфирма подгоняет её под свой стиль, служба поддержки правит ответы прямо по ходу диалога. Участие человека здесь — не ограничение, которое надо обойти, а техническая задача: встроить знание организации в саму модель, оставив право собственности за пользователем.