Thinking Machines Lab: Распределенный ИИ и Tinker API

В мире искусственного интеллекта, где гонка за параметрами и вычислительной мощностью часто затмевает вопросы архитектуры взаимодействия, появляется голос, требующий пересмотра самой философии создания ИИ. Thinking Machines Lab, лаборатория под руководством Миры Мурати, опубликовала фундаментальный отчет, который бросает вызов доминирующей парадигме. Их тезис прост, но революционен: большинство современных ИИ-систем обучаются в нескольких крупных лабораториях, а затем «замораживаются» в виде статичных весов. Такой подход, утверждают исследователи, исключает людей, для которых эти модели созданы, из процесса формирования их поведения и ценностей.

Вместо того чтобы предлагать нам единый, универсальный и неизменный интеллект, Thinking Machines Lab предлагает путь к созданию ИИ, который является распределенным, настраиваемым и формируемым самими пользователями. Это не просто техническая оптимизация; это смена парадигмы от извлечения знаний к их культивированию. В этой статье мы подробно разберем четыре ключевых направления, предложенные лабораторией, и посмотрим, как инструменты вроде Tinker API позволяют инженерам и организациям взять контроль над «мозгами» своих ИИ-ассистентов.

Визуализация концепции распределенного ИИ от Thinking Machines Lab

01Четыре столпа распределенного ИИ

Отчет Thinking Machines Lab не ограничивается критикой текущего положения дел; он предлагает конкретную дорожную карту. Исследователи выделяют четыре технических направления, которые, по их мнению, необходимы для создания ИИ, расширяющего человеческую волю и суждение, а не заменяющего их.

1. Обучение сильных мультимодальных моделей с возможностью кастомизации

Первый шаг — это создание базовых моделей, которые изначально проектируются с учетом возможности глубокой настройки. Речь идет не только о текстовых моделях, но и о мультимодальных системах, способных взаимодействовать через аудио, видео и текст. Ключевое отличие здесь — «кастомизация» как встроенное свойство архитектуры, а не как послеобработка. Модель должна быть способна адаптироваться к специфическим контекстам без необходимости переобучения с нуля.

2. Инструменты для самостоятельной тонкой настройки (Fine-tuning)

Второе направление — это демократизация доступа к весам моделей. Лаборатория настаивает на том, что люди должны иметь инструменты, позволяющие им самим дообучать веса моделей. Это означает переход от модели «черного ящика», где пользователь лишь отправляет промпты, к модели «прозрачного стекла», где инженер или даже продвинутый пользователь может влиять на внутренние представления модели. Это снижает барьер входа для создания специализированных ИИ-агентов.

3. Интерфейсы, расширяющие канал коммуникации

Третье направление касается самого способа взаимодействия. Текущие интерфейсы (текстовые чаты с задержками) считаются узким горлышком. Thinking Machines Lab предлагает разработать интерфейсы, которые значительно расширяют канал связи между человеком и машиной. Это включает в себя непрерывное взаимодействие, мультимодальный ввод и снижение задержек до уровня, близкого к естественному человеческому диалогу.

4. Публикация исследований для инженеров

Наконец, четвертое направление — это открытость. Лаборатория призывает публиковать исследования так, чтобы больше инженеров понимали, как именно создаются модели. Это необходимо для того, чтобы знания о том, как «выравнивать» (align) модели под ценности пользователей, не концентрились в руках узкой группы специалистов, а становились достоянием широкого сообщества разработчиков.

💡

Ключевая идея. Эти четыре направления вместе сдвигают как знание, так и «выравнивание» (alignment) моделей ближе к конечным пользователям, делая ИИ не продуктом, а инструментом, который можно адаптировать под конкретные нужды.

02Почему распределенные знания требуют распределенного ИИ

За техническими предложениями Thinking Machines Lab скрывается глубокий философский и экономический аргумент, основанный на природе самих знаний. Лаборатория ссылается на работы философа Майкла Полани и экономиста Фридриха Хайека, чтобы обосновать необходимость распределенного подхода.

Значительная часть ноу-хау (know-how) является неявной (tacit), локальной и постоянно обновляется через обратную связь. Классический пример, приведенный в отчете: шеф-повар, который совершенствует рецепт. Он не может просто записать этот навык в базу данных. Знание о том, когда добавить специи, зависит от контекста, настроения, качества ингредиентов и личного опыта, который невозможно полностью формализовать. Планирование сверху вниз (central planning) терпит неудачу не потому, что знаний не хватает, а потому, что они приватны, мимолетны и распределены между множеством людей.

Следовательно, ИИ должен быть распределенным, чтобы эффективно использовать распределенные знания. Цель ИИ — помочь организациям культивировать эти знания, а не извлекать их и заменять человека. Это фундаментальное отличие от подхода, где ИИ рассматривается как замена человеческому труду.

Важно отметить исключения: шахматы и математика. В этих областях цели статичны, выразимы, а скрытых знаний нет. Поэтому самоиграющие алгоритмы (self-play) и автономное решение задач работают там отлично. Но вне этих замкнутых доменов одного лишь интеллекта недостаточно. Нужна интеграция с человеческим контекстом.

03Технические узкие места: канал связи и оценка

Исходя из этой философской рамки, отчет переосмысливает два известных ограничения как инженерные задачи, которые необходимо решить.

Thinking Machines Lab: Почему будущее ИИ — за распределенными моделями

Узкое горлышко коммуникации

Первое ограничение — это канал связи. Стандартный интерфейс «маленькое текстовое поле и долгое ожидание ответа» является серьезным барьером. Thinking Machines Lab предлагает решить эту проблему с помощью моделей взаимодействия (interaction models). Эти модели принимают аудио, видео и текст непрерывно, используя микротурны (micro-turns) длительностью около 200 миллисекунд. Это создает ощущение живого диалога, а не обмена сообщениями в мессенджере.

Проблема оценки (Evaluation)

Второе ограничение — это сама оценка эффективности ИИ. Существующие бенчмарки, такие как исследования METR, измеряют, как долго модель работает автономно. Однако этот подход упускает из виду то, что люди и машины могут достичь вместе. Отчет утверждает, что мы должны оценивать не только автономные способности модели, но и качество совместной работы человека и ИИ. Это требует новых метрик, которые учитывают синергию, а не только изолированную производительность.

⚠️

Важно. Оценка ИИ только по автономным бенчмаркам вводит в заблуждение. Истинная ценность распределенного ИИ раскрывается в совместной работе с человеком, где задержка и формат взаимодействия играют критическую роль.

04Владение и децентрализованное выравнивание

За вопросами интерфейсов стоит более глубокая проблема: где живут ценности? Thinking Machines Lab предупреждает, что единый центр выравнивания (alignment authority) становится единой точкой отказа и захвата. Если все модели обучаются и настраиваются одним провайдером, то и ценности, заложенные в них, будут едиными и контролируемыми из центра.

Промпты (подсказки) меняют поверхностное поведение модели, но не затрагивают глубинные привычки и представления, зашитые в веса. Поэтому лаборатория настаивает на том, что ценности должны быть закодированы непосредственно в весах модели. Именно здесь вступает в игру их инструмент — Tinker API.

Tinker API: Практическая реализация

Tinker позволяет инженерам тонко настраивать (fine-tune) модели с открытыми весами, такие как Llama и Qwen, используя метод LoRA (Low-Rank Adaptation). Этот подход экспонирует низкоуровневые примитивы и позволяет экспортировать портативные веса адаптеров. Это дает организациям возможность владеть своими собственными версиями моделей, которые отражают их уникальные ценности и стили.

Ниже приведен минимальный пример цикла обучения, следующий официальному паттерну:

terminalpython

import tinker
from tinker import types

# Reads TINKER_API_KEY from your environment
service_client = tinker.ServiceClient()

# LoRA fine-tuning client for an open-weights base model
training_client = service_client.create_lora_training_client(
    base_model="Qwen/Qwen3-8B",
    rank=32
)

for batch in dataset:
    # batch: list[types.Datum]
    fwd_bwd = training_client.forward_backward(
        batch,
        "cross_entropy"
    )
    optim = training_client.optim_step(
        types.AdamParams(
            learning_rate=1e-4
        ),
        fwd_bwd
    )
    # accumulate gradients
    # update the weights

# Save the trained LoRA weights, then get a client to use them
sampling_client = training_client.save_weights_and_get_sampling_client(
    name="my-adapter"
)

Этот код демонстрирует простоту интеграции. Инженер может взять базовую модель, дообучить её на собственных данных, сохранить адаптер и использовать его для генерации. При этом базовая модель остается неизменной, а изменения инкапсулированы в легковесный адаптер.

05Централизованный замороженный ИИ против распределенного подхода

Чтобы лучше понять разницу, давайте сравним два подхода по ключевым параметрам:

Где обучается: В централизованной модели обучение происходит в нескольких крупных лабораториях, после чего модель «замораживается». В распределенной модели ИИ адаптируется там, где выполняется работа.
Кто формирует ценности: В централизованной модели это владелец модели. В распределенной — организация и её пользователи.
Адаптация: Централизованная модель использует промпты и каркасы (scaffolding). Распределенная — тонкую настройку весов через инструменты вроде Tinker.
Интерфейс: Централизованная модель предлагает текстовое поле и ожидание хода. Распределенная — живое, мультимодальное взаимодействие.
Локус выравнивания: Централизованная модель опирается на один центральный спецификацию. Распределенная — на множество разнообразных, принадлежащих пользователям моделей.

📌

Факт. Распределенный подход не отрицает существование больших базовых моделей, но делает акцент на том, что финальная «интеллигентность» и полезность модели определяются её способностью к локальной адаптации.

06Примеры использования

На практике эти идеи трансформируются в конкретные инженерные задачи. Рассмотрим несколько сценариев:

Медицинские учреждения: Больница может дообучить модель на своих собственных протоколах лечения. При этом как данные, так и веса адаптеров остаются внутри периметра безопасности больницы. Это обеспечивает соответствие стандартам и конфиденциальность.

Юридические фирмы: Фирма может адаптировать модель под свой внутренний стиль написания документов. Когда внутренние руководства меняются, модель можно переобучить. Это создает постоянно улучшающийся инструмент, который становится частью корпоративной культуры.

Службы поддержки: Команда поддержки может использовать живое взаимодействие для исправления модели прямо во время задачи. Если ИИ ошибается, оператор может мгновенно скорректировать его поведение, и эта коррекция будет сохранена в весах адаптера для будущих случаев.

В каждом из этих случаев организация сохраняет владение, а не арендует фиксированную модель. Это снижает риски зависимости от провайдеров и повышает безопасность данных.

07Что это значит на практике

Отчет Thinking Machines Lab рассматривает человеческое участие не как ограничение возможностей, а как техническую задачу. Это важный сдвиг в мышлении. Если мы признаем, что неявные знания локальны и распределены, то архитектура ИИ должна отражать эту реальность.

Для инженеров и технических лидеров это означает необходимость инвестировать в:

Обучение работе с весами: Понимание LoRA и тонкой настройки становится таким же важным навыком, как и написание промптов.
Разработку мультимодальных интерфейсов: Создание интерфейсов, которые позволяют непрерывное взаимодействие, а не только текстовый обмен.
Локальное развертывание: Рассмотрение возможности запуска моделей на собственных серверах для полного контроля над данными и процессом обучения.

В условиях, когда доступ к передовым моделям из РФ может быть ограничен, подход распределенного ИИ с открытыми весами и инструментами вроде Tinker становится не просто философской альтернативой, а практической необходимостью. Он позволяет создавать мощные, специализированные решения, независимые от геополитических и технических ограничений глобальных провайдеров.

Будущее, которое предлагает Thinking Machines Lab, — это будущее, где ИИ не является монолитным божеством, спущенным с небес, а является гибким, настраиваемым инструментом, который каждый может сделать своим. Это путь от «аренды интеллекта» к «владению интеллектом».

08Ключевые выводы

Участие человека рассматривается как техническая задача, а не ограничение.
Неявные, локальные знания — это причина, по которой сам ИИ должен быть распределенным.
Модели взаимодействия расширяют канал человек-ИИ за счет непрерывного мультимодального ввода с микротурнами.
Tinker позволяет командам кодировать свои ценности в портативные веса LoRA, которыми они владеют.
Лаборатория рассматривает выравнивание как множество разнообразных, принадлежащих пользователям моделей, а не один центральный спецификацию.

09Источники

Thinking Machines Lab, «The Future Worth Building Is Human» (Jul 10, 2026): https://thinkingmachines.ai/blog/the-future-worth-building-is-human/
Thinking Machines Lab, «Interaction Models: A Scalable Approach to Human-AI Collaboration» (May 2026): https://thinkingmachines.ai/blog/interaction-models/
Tinker documentation (quickstart and TrainingClient API): https://tinker-docs.thinkingmachines.ai/
Kwa, West et al., «Task-Completion Time Horizons of Frontier AI Models», METR (2025): https://metr.org/time-horizons/

Источник: MarkTechPost ↗