Thinking Machines Lab (TML) — компания экс-CTO OpenAI Миры Муратти — опубликовала эссе «The Future Worth Building Is Human». Это не маркетинговый текст и не философский трактат. TML формулирует три конкретных технических вызова: как обеспечить участие человека в цикле обучения модели, как дать командам право собственности на веса и как сделать alignment децентрализованным. Инструментом реализации служит Tinker — их продукт для LoRA fine-tuning, при котором команды обучают и хранят собственные адаптерные веса.
Контекст
Мира Муратти была CTO OpenAI и отвечала за разработку GPT-4, Codex, DALL·E и ChatGPT. В сентябре 2024 года она покинула компанию и основала Thinking Machines Lab — стартап, который с первых дней позиционирует себя как альтернативу централизованной модели доступа к ИИ через API.
LoRA (Low-Rank Adaptation) — метод эффективного дообучения больших языковых моделей: вместо полного переобучения команда тренирует небольшой набор адаптерных слоёв поверх базовой модели. Результат — кастомизированная версия, которую можно хранить и разворачивать самостоятельно без зависимости от облачного провайдера. При правильной реализации LoRA работает на потребительском железе и стоит в разы дешевле полного fine-tuning.
Сегодня рынок model ownership раскололся на два лагеря. Первый — централизованные API-провайдеры (OpenAI, Anthropic, Google): мощные модели через API, но веса остаются у компании. Второй — открытые модели (Qwen, DeepSeek, Llama) плюс экосистема fine-tuning: данные и веса под вашим контролем. TML претендует на третью позицию: коммерческий продукт корпоративного класса, но с полным владением весами.
Аналитика
Самое интересное в манифесте — переформулировка alignment как технической задачи с локальным решением. Сейчас «правильное поведение» модели определяет тот, кто её обучает: OpenAI, Anthropic, Google. Децентрализованный alignment означает, что каждая организация настраивает поведение модели под свой контекст — через дообучение на собственных данных. Это радикально меняет вопрос «кому доверять ИИ».
С точки зрения бизнеса владение весами создаёт новую экономику. Дообученная специализированная модель работает быстрее и дешевле general-purpose API-модели на конкретной задаче. Организация, вложившая ресурсы в fine-tuning, получает устойчивое конкурентное преимущество — адаптер сложно воспроизвести без исходных данных. Возникает новый класс активов: специализированные веса как интеллектуальная собственность.
Стратегически TML выбирает правильный фланг. Гонку за качеством базовой модели выигрывают те, у кого больше compute и данных — и здесь стартапу не победить. Конкурировать на поле data sovereignty и владения весами — территория, где крупные провайдеры структурно уязвимы. Для regulated industries (финансы, медицина, госсектор) и рынков с юрисдикционными ограничениями на передачу данных это аргумент сильнее любого бенчмарка.
Кейсы применения в бизнесе
B2B-SaaS стартап. Команда строит AI-ассистент для юридических или финансовых команд в КР. LoRA fine-tuning на доменных данных — прецеденты, терминология, внутренние шаблоны. Модель хранится на собственном сервере, клиентские данные не покидают контур. Аргумент в переговорах с enterprise-клиентом: «мы не отправляем ваши данные внешнему провайдеру». Точность на доменных задачах выше, стоимость инференса ниже.
Корпорация с legacy. Банк или телеком в ЦА хочет AI-функциональность, но compliance ограничивает передачу данных за периметр. LoRA fine-tuning на исторических данных — обращения в поддержку, внутренние документы — создаёт специализированную модель для on-premise деплоя. Vendor lock-in исчезает: организация владеет весами и может сменить базовую модель, сохранив адаптеры. Инвестиция в fine-tuning становится активом, а не операционным расходом.
SMB / локальный бизнес в КР. Небольшая команда не может позволить себе API-токены в масштабе. Один раз проведённый LoRA fine-tuning на open-source модели — для поддержки на кыргызском языке или классификации входящих заявок — создаёт рабочий инструмент с низкой стоимостью инференса. Сценарий работает на одной GPU уровня RTX 3090 с современными open-source фреймворками.
Кейсы в личной жизни
Разработчик. LoRA fine-tuning на личном архиве — переписки, кодовая база, документация — создаёт персональный AI-ассистент, обученный именно на вашем контексте. Tinker снижает порог входа: не нужна команда MLOps. Веса хранятся локально, данные не покидают машину.
Контент-мейкер. Дообученная модель на архиве собственных скриптов, tone of voice и структурах подачи выдаёт предложения значительно ближе к авторскому голосу, чем системный промпт. Разница между «звучит похоже» и «не отличить».
Студент / исследователь. LoRA доступен на потребительском железе. Адаптация открытых моделей — Qwen, DeepSeek, Llama — под конкретную задачу (суммаризация на русском, извлечение структур из документов на кыргызском) превращается в учебный проект выходного дня.
Как применить сегодня
- Прочитай эссе TML «The Future Worth Building Is Human» — понять философию полезно, даже если Tinker не в вашем стеке прямо сейчас.
- Если есть доменные данные (поддержка, контракты, кейсы) — оцени сценарий LoRA fine-tuning на open-source модели (Qwen 2.5, DeepSeek, Llama 3).
- Изучи Tinker от TML как вариант для команд, которым важно владение весами и enterprise-поддержка.
- Для SMB в КР: open-source фреймворки Axolotl или LlamaFactory — бесплатны, работают на одной GPU.
- Задай своему AI-вендору вопрос: «Кому принадлежат веса модели, на которой работает ваш продукт?» Ответ скажет многое о долгосрочных рисках vendor lock-in.