Thinking Machines
Por qué importa
En profundidad
Thinking Machines Lab fue fundada a principios de 2025 por Mira Murati, quien pasó seis años y medio en OpenAI y fue su directora de tecnología durante los lanzamientos de ChatGPT y GPT-4. El equipo fundador parece una lista de figuras del desarrollo moderno de los LLM: Barrett Zoph, científico investigador detrás de buena parte del post-entrenamiento de ChatGPT, se convirtió en CTO, y John Schulman, cofundador de OpenAI que ayudó a abrir camino para RLHF, se unió como científico jefe. El objetivo declarado del laboratorio es cerrar la brecha entre unas capacidades de IA que avanzan rápidamente y la capacidad de la comunidad en general para comprender, personalizar y usar realmente esos sistemas, con énfasis en la colaboración humano-IA por encima de la automatización completa. En 2025 lanzó su primer producto, Tinker, un servicio gestionado para el ajuste fino de modelos de pesos abiertos, y se ha comprometido a publicar investigación a medida que avanza.
El equipo fundador
El talento es toda la historia aquí. Murati dejó OpenAI a finales de 2024 después de ejercer brevemente como CEO interina durante la crisis de liderazgo de noviembre de 2023; en cuestión de meses había reunido un equipo fundador procedente en gran medida de OpenAI, además de investigadores de Anthropic, Google DeepMind y Meta. Zoph codirigió el trabajo de post-entrenamiento que convirtió el GPT-4 en bruto en ChatGPT, y Schulman fue autor principal tanto del algoritmo PPO como del pipeline de RLHF que se convirtió en la forma estándar de alinear modelos de chat. El patrón resulta familiar — la propia Anthropic fue fundada por exempleados de OpenAI en 2021, y otro cofundador de OpenAI creó Safe Superintelligence —, pero Thinking Machines reunió posiblemente la concentración más densa de experiencia en post-entrenamiento fuera de un laboratorio de frontera.
Tinker: ajuste fino como API
Tinker, el primer producto del laboratorio, es un servicio de Ajuste fino expuesto como una API, pero con un nivel de control inusual. La mayoría de las ofertas de ajuste fino son cajas negras: subes un dataset y recibes un modelo. Tinker, en cambio, expone primitivas de entrenamiento de bajo nivel — pasadas hacia adelante y hacia atrás, pasos del optimizador, muestreo a partir de los pesos actuales — para que el usuario escriba el bucle de entrenamiento en Python común mientras el laboratorio se encarga de programar el trabajo en sus clústeres de GPU. El servicio ajusta modelos de Pesos abiertos, incluidas las familias Llama y Qwen, y usa LoRA para que muchos clientes puedan compartir los mismos pesos base mientras cada uno conserva un adaptador pequeño y barato. Ese diseño mantiene prácticos tanto el ajuste fino supervisado como los flujos de trabajo de aprendizaje por refuerzo, sin que el usuario alquile ni configure un solo servidor.
No es un laboratorio de modelos de frontera (todavía)
Dada la valoración, la suposición natural es que Thinking Machines compite con OpenAI y Google por entrenar un Modelo de fundamento más grande. Hasta ahora no es así: la empresa no ha publicado ningún modelo preentrenado propio, y su primer producto se basa en los pesos abiertos de otros laboratorios en vez de competir con ellos. La apuesta implícita es que la industria ha invertido demasiado en la escala del preentrenamiento y demasiado poco en el post-entrenamiento — la etapa de aprendizaje por refuerzo y ajuste fino en la que los modelos realmente se vuelven útiles para una tarea específica —, y que dar a investigadores y empresas externos un control real sobre esa etapa constituye un negocio en sí mismo. Sigue abierta la pregunta de si esa apuesta se sostiene, pero es una elección deliberada de posicionamiento, no un fracaso de lanzamiento.
La apuesta de 12.000 millones de dólares
A mediados de 2025, la empresa recaudó aproximadamente 2.000 millones de dólares en una ronda semilla que la valoró en unos 12.000 millones — una de las mayores financiaciones semilla en la historia de la tecnología, cerrada antes de que la empresa hubiera anunciado producto alguno. La cifra refleja una tesis específica de los inversionistas surgida de las guerras por el talento posteriores a 2023: que un pequeño grupo de investigadores con experiencia en laboratorios de frontera vale más que casi cualquier otro activo en IA. En la práctica, el capital compra dos cosas que el laboratorio no puede obtener de otro modo — grandes reservas de cómputo en GPU y los paquetes de remuneración necesarios para retener a un equipo que cada rival intenta arrebatarle. También fija un listón inusualmente alto: con esa valoración, Tinker necesita convertirse en un verdadero negocio de plataforma y la agenda de investigación debe justificar que el laboratorio se sitúe junto a las empresas que abandonaron sus fundadores.