Thinking Machines
Por que isso importa
Em profundidade
A Thinking Machines Lab foi fundada no início de 2025 por Mira Murati, que passou seis anos e meio na OpenAI e atuou como diretora de tecnologia durante os lançamentos do ChatGPT e do GPT-4. A equipe fundadora reúne alguns dos principais nomes do desenvolvimento moderno de LLMs: Barrett Zoph, cientista de pesquisa por trás de boa parte do pós-treinamento do ChatGPT, tornou-se CTO, e John Schulman, cofundador da OpenAI que ajudou a abrir caminho para o RLHF, entrou como cientista-chefe. O objetivo declarado do laboratório é fechar a lacuna entre capacidades de IA que avançam rapidamente e a habilidade da comunidade mais ampla de entender, customizar e realmente usar esses sistemas, com ênfase na colaboração entre humanos e IA, e não na automação total. Em 2025, lançou seu primeiro produto, Tinker, um serviço gerenciado para ajuste fino de modelos de pesos abertos, e se comprometeu a publicar pesquisas ao longo do caminho.
A Equipe Fundadora
Talento é toda a história aqui. Murati deixou a OpenAI no fim de 2024, depois de atuar brevemente como CEO interina durante a crise de liderança de novembro de 2023; em poucos meses, havia montado uma equipe fundadora vinda em grande parte da OpenAI, com outros pesquisadores da Anthropic, do Google DeepMind e da Meta. Zoph coliderou o trabalho de Pós-Treinamento que transformou o GPT-4 bruto no ChatGPT, e Schulman foi autor principal tanto do algoritmo PPO quanto do pipeline de RLHF que virou a forma padrão de alinhar modelos de chat. O padrão é conhecido — a própria Anthropic foi fundada por ex-integrantes da OpenAI em 2021, e a Safe Superintelligence foi criada por outro cofundador da OpenAI —, mas a Thinking Machines reuniu possivelmente a concentração mais densa de experiência em pós-treinamento fora de um laboratório de fronteira.
Tinker: Ajuste Fino como API
Tinker, o primeiro produto do laboratório, é um serviço de Ajuste fino exposto como uma API, mas com um nível incomum de controle. A maioria das ofertas de ajuste fino é uma caixa-preta: você envia um dataset e recebe um modelo. Tinker expõe primitivas de treinamento de baixo nível — passagens forward e backward, etapas do otimizador, amostragem dos pesos atuais —, de modo que o usuário escreve o loop de treinamento em Python comum enquanto o laboratório cuida de agendar o trabalho em seus clusters de GPU. O serviço aplica ajuste fino a modelos de Pesos abertos, incluindo as famílias Llama e Qwen, e usa LoRA para que muitos clientes compartilhem os mesmos pesos base enquanto cada um mantém um adaptador pequeno e barato. Esse projeto mantém viáveis tanto o ajuste fino supervisionado quanto os workflows de aprendizado por reforço sem que o usuário alugue ou configure um único servidor.
Ainda Não é um Laboratório de Modelos de Fronteira
Dada a avaliação, a suposição natural é que a Thinking Machines esteja correndo contra OpenAI e Google para treinar um Modelo de fundação maior. Até agora, não está: a empresa não lançou nenhum modelo pré-treinado próprio, e seu primeiro produto constrói sobre pesos abertos de outros laboratórios, em vez de competir com eles. A aposta implícita é que a indústria investiu demais em escala de pré-treinamento e de menos em pós-treinamento — a etapa de aprendizado por reforço e ajuste fino em que os modelos realmente se tornam úteis para uma tarefa específica —, e que dar a pesquisadores e empresas externos controle real sobre essa etapa constitui um negócio por si só. Se a aposta se sustenta é uma pergunta em aberto, mas trata-se de uma escolha deliberada de posicionamento, não de uma falha em lançar.
A Aposta de US$ 12 Bilhões
Em meados de 2025, a empresa levantou cerca de US$ 2 bilhões em uma rodada seed que a avaliou em aproximadamente US$ 12 bilhões — um dos maiores financiamentos seed da história da tecnologia, fechado antes que a empresa anunciasse qualquer produto. O número reflete uma tese específica dos investidores nas guerras por talento posteriores a 2023: um pequeno grupo de pesquisadores com experiência em laboratórios de fronteira vale mais do que quase qualquer outro ativo em IA. Na prática, o capital compra duas coisas que o laboratório não conseguiria de outra forma — grandes reservas de computação em GPU e os pacotes de remuneração necessários para manter uma equipe que todo rival tenta recrutar. Também estabelece uma barra excepcionalmente alta: nessa avaliação, Tinker precisa crescer até virar um verdadeiro negócio de plataforma, e a agenda de pesquisa precisa justificar que o laboratório esteja ao lado das empresas que seus fundadores deixaram.