«Мира Муратти — человек, который помогала создавать GPT-4, — собрала часть бывшей команды и запустила Thinking Machines Lab

Вместо того чтобы строить очередного гиганта вроде ChatGPT, она сделала Tinker — инструмент, который позволяет компаниям собирать своих ИИ в пару строк кода. Облако всё ещё нужно, но оно спрятано за API: без серверов, GPU и бесконечных пайплайнов.

Работает просто: берёшь любую открытую модель — Llama, Qwen — и через API дообучаешь её под свои данные. Хочешь — решай уравнения, хочешь — анализируй химические реакции, хочешь — делай научного ассистента.

Первые клиенты — Princeton, Stanford и Berkeley, где Tinker уже помогает строить системы для математических доказательств и научного анализа.

Пара строк кода — и модель начинает понимать специфику твоего бизнеса: терминологию, тон общения, внутренние документы, даже формат отчётов. Не нужно администрировать GPU, поднимать контейнеры, возиться с пайплайнами. Всё это под капотом.

По сути, ты получаешь своего «мини-GPT» — умного, но заточенного только под твои задачи.

Кейсы, где это будет must-have:

— Юристы. Свой ИИ, натренированный на базе решений суда и внутренних договоров компании, готовит документы и даёт прогноз по делам.

— Медицина. Модель, обученная на истории пациентов конкретной клиники, помогает врачам ставить диагнозы быстрее и точнее, чем универсальные ассистенты.

— Бухгалтерия. ИИ, знающий именно локальные налоговые правила, автоматически готовит отчёты и сверяет декларации.

— Образование. Преподаватель создаёт ИИ-тьютора, который говорит его голосом, объясняет по его методике и помнит слабые места ученика.

— Исследования. Университет делает своего ассистента для чтения и аннотирования научных статей в конкретной области — например, квантовой химии.

Главная идея — не искать универсальный мозг, а клепать миллионы маленьких, дешёвых, но точных ИИ. Каждый будет знать свой узкий мир лучше, чем любой ChatGPT.

Контекст. После ухода из OpenAI Муратти делает ставку не на «одну большую голову», а на миллионы специализированных ИИ. Вся идея — democratize fine-tuning: не соревноваться с GPT-5, а дать возможность компаниям создавать свои мозги без облачной зависимости.

И что?

Tinker убирает барьер входа в создание ИИ. Любой разработчик может обучить модель под себя за день. Это открывает рынок кастомных моделей, который по оценкам McKinsey вырастет до $300 млрд к 2030 году. Если хотя бы 10% компаний начнут использовать такие API, это создаст сотни тысяч узкоспециализированных ИИ — юридических, медицинских, финансовых, исследовательских.

Для бизнеса: исчезает потребность в сторонних подрядчиках — можно собрать своего «внутреннего ИИ» под конкретные задачи, без инженеров и серверов.

Для инвесторов: начинается новая волна — от борьбы гигантов за универсальные модели к миллионам маленьких ИИ с локальной монетизацией.

Для людей: появятся персональные ассистенты под профессию, компанию и даже конкретного пользователя — мир переходит от одного большого GPT к миллиону умных мини-мозгов.

Нам 3.14здец

Узкоспециализированным специалистам — 9/10. Fine-tuning через API убивает рынок экспертов: юристы, бухгалтера, исследователи — все, чьи знания можно скормить модели, станут софтом. Один разработчик с Tinker сможет воспроизвести их работу за часы.

Облачным провайдерам — 7/10. До 40% прибыли AWS и Azure идёт от обучения моделей. Если кастомизация уйдёт в Tinker-уровень, этот поток срежется вдвое».

Matthew Green (©)

Источник: vk.com

Источник: ai-news.ru