Thinking Machines
Pourquoi c’est important
En profondeur
Thinking Machines Lab a été fondée au début de 2025 par Mira Murati, qui a passé six ans et demi chez OpenAI et en a été la directrice technique pendant les lancements de ChatGPT et de GPT-4. L'équipe fondatrice se lit comme un appel nominal du développement moderne des grands modèles de langage : Barrett Zoph, chercheur derrière une bonne partie du post-entraînement de ChatGPT, est devenu directeur technique, et John Schulman, cofondateur d'OpenAI ayant contribué à inventer le RLHF, s'est joint comme scientifique en chef. Le but affiché du laboratoire est de refermer l'écart entre des capacités d'IA qui avancent vite et la capacité de la communauté élargie à comprendre, personnaliser et réellement utiliser ces systèmes, avec un accent sur la collaboration humain-IA plutôt que sur l'automatisation complète. En 2025, il a livré son premier produit, Tinker, un service géré d'ajustement fin de modèles en poids ouverts, et il s'est engagé à publier ses recherches au fil de l'eau.
L'équipe fondatrice
Le talent, c'est toute l'histoire ici. Murati a quitté OpenAI à la fin de 2024 après avoir brièvement été PDG par intérim durant la crise de direction de novembre 2023; en quelques mois, elle avait assemblé une équipe fondatrice largement tirée d'OpenAI, avec des chercheurs additionnels d'Anthropic, de Google DeepMind et de Meta. Zoph a codirigé les travaux de post-entraînement qui ont transformé le GPT-4 brut en ChatGPT, et Schulman a été auteur principal à la fois de l'algorithme PPO et de la chaîne RLHF devenue la façon standard d'aligner les modèles de conversation. Le motif est familier — Anthropic a elle-même été fondée par des anciens d'OpenAI en 2021, et Safe Superintelligence a été lancée par un autre cofondateur d'OpenAI — mais Thinking Machines a rassemblé sans doute la plus forte concentration d'expertise en post-entraînement à l'extérieur d'un laboratoire de pointe.
Tinker : l'ajustement fin comme API
Tinker, le premier produit du laboratoire, est un service d'ajustement fin exposé sous forme d'API, mais avec un niveau de contrôle inhabituel. La plupart des offres d'ajustement fin sont des boîtes noires : vous téléversez un jeu de données et vous recevez un modèle. Tinker expose plutôt des primitives d'entraînement de bas niveau — passes avant et arrière, étapes d'optimiseur, échantillonnage à partir des poids courants — de sorte que l'utilisateur écrit la boucle d'entraînement en Python ordinaire pendant que le laboratoire s'occupe de répartir le travail sur ses grappes de GPU. Le service ajuste des modèles en poids ouverts, incluant les familles Llama et Qwen, et il utilise LoRA pour que plusieurs clients puissent partager les mêmes poids de base tout en gardant chacun un petit adaptateur peu coûteux. Cette conception garde praticables autant les flux d'ajustement fin supervisé que ceux d'apprentissage par renforcement, sans que l'utilisateur ait à louer ou à configurer le moindre serveur.
Pas un laboratoire de modèles de pointe (pour l'instant)
Vu la valorisation, l'hypothèse naturelle serait que Thinking Machines court contre OpenAI et Google pour entraîner un plus gros modèle de fondation. Ce n'est pas le cas jusqu'ici : l'entreprise n'a publié aucun modèle pré-entraîné à elle, et son premier produit s'appuie sur les poids ouverts d'autres laboratoires plutôt que de leur faire concurrence. Le pari implicite, c'est que l'industrie a surinvesti dans l'échelle du pré-entraînement et sous-investi dans le post-entraînement — l'étape d'apprentissage par renforcement et d'ajustement fin où les modèles deviennent réellement utiles pour une tâche précise — et que donner aux chercheurs et aux entreprises de l'extérieur un vrai contrôle sur cette étape est une affaire en soi. Que ce pari tienne reste une question ouverte, mais c'est un choix de positionnement délibéré, pas une incapacité à livrer.
Le pari de 12 milliards
Au milieu de 2025, l'entreprise a levé environ 2 milliards de dollars dans une ronde d'amorçage qui l'évaluait à près de 12 milliards — l'un des plus gros financements d'amorçage de l'histoire des technologies, bouclé avant qu'elle ait annoncé le moindre produit. Le chiffre reflète une thèse d'investisseurs bien précise, née des guerres de talents de l'après-2023 : un petit groupe de chercheurs ayant l'expérience d'un laboratoire de pointe vaut plus que presque n'importe quel autre actif en IA. En pratique, le capital achète deux choses que le laboratoire ne peut pas obtenir autrement — de grandes réservations de calcul GPU et les rémunérations nécessaires pour retenir une équipe que tous les rivaux tentent de débaucher. Ça place aussi la barre très haut : à cette valorisation, Tinker doit devenir une véritable entreprise de plateforme, et le programme de recherche doit justifier que le laboratoire se tienne aux côtés des entreprises que ses fondateurs ont quittées.