Mira Murati verließ OpenAI Ende 2024, als sich das Unternehmen in seiner Hochphase vor dem Börsengang befand. Als Technologiechefin nahm sie eine Gruppe von Kernentwicklern mit.
Viele erwarteten, dass sie ein weiteres Sprachmodell entwickeln würde, um mit GPT zu konkurrieren.
Stattdessen schuf sie Tinker.
Was Thinking Machines Lab eigentlich tut
Einfach gesagt: Tinker ist eine API, mit der Entwickler jedem großen Open-Source-Modell "Fähigkeits-Patches" hinzufügen können.
Sie möchten, dass Llama 4 besser Python schreibt? Geben Sie Tinker einen Satz annotierter Daten, und es feint das Modell mithilfe von Reinforcement Learning zu einer "Python-Experten"-Version. Sie müssen keinen eigenen GPU-Cluster betreiben, keine Trainingspipeline aufbauen – nur API-Aufrufe.
Das Produktkonzept ähnelt der Fine-Tuning-API von OpenAI, aber die Basis ist anders – der Kern von Tinker ist Feinabstimmung basierend auf Reinforcement Learning (RL), nicht gewöhnliches überwachtes Lernen. RL-Feinabstimmung ist schwieriger zu kontrollieren als SFT, aber bei bestimmten Aufgaben deutlich effektiver. DeepSeek verbesserte seine Reasoning-Fähigkeiten genau auf diesem Weg.
Der Chefwissenschaftler von Thinking Machines ist John Schulman – einer der Autoren des PPO-Algorithmus und Hauptentwickler des frühen RL-Trainingsrahmens von OpenAI. Man kann sagen, sie haben den führenden Experten auf dem Gebiet des Reinforcement Learning gewonnen.
Die beiden anderen: CTO ist Soumith Chintala, der Gründer von PyTorch; CEO ist Mira Murati selbst. Dieses Trio bildet eine seltene Kombination: Modell-Framework + RL-Theorie + Produktintuition.
Der Deal mit Google
Am 22. April gaben Thinking Machines Lab und Google Cloud auf der Google Cloud Next in Las Vegas einen neuen Vertrag bekannt.
Umfang: Milliarden US-Dollar (TechCrunch exklusiv; eine informierte Quelle beschrieb ihn als "einstellige Milliardenhöhe", der genaue Betrag wurde nicht veröffentlicht).
Vertragsinhalt:
- Hardware: Nvidia GB300 NVL72-Systeme – große flüssigkeitsgekühlte Racks mit 72 GPUs pro Einheit, Trainings- und Servicegeschwindigkeit doppelt so hoch wie die Vorgängergeneration
- Netzwerk: Googles eigene Jupiter-Netzwerkarchitektur, speziell für Gewichtstransfer zwischen GPUs
- Softwaredienste: Kubernetes Engine, Spanner-Datenbank, Cloud Storage (mit Anywhere Cache)
- Virtuelle Maschinen: A4X Max-Instanzen, jede mit vier Nvidia Blackwell Ultra GPUs, 72 CPU-Kernen, 37 TB Arbeitsspeicher
Warum benötigt RL-Feinabstimmung diese Rechenleistung? Gründungsforscher Myle Ott erklärte den Engpass:
"Bei jeder Trainingsiteration müssen Gewichte tausende Male zwischen tausenden GPUs synchronisiert werden. Reicht die Verbindungsbandbreite nicht aus, bricht die Trainingseffizienz sofort ein."
Dies ist keine gewöhnliche Inferenzbereitstellung, sondern rechenintensives Training. Myle Otts Bewertung:
"Google Cloud lässt uns mit Rekordgeschwindigkeit laufen, und die Zuverlässigkeit erfüllt unsere Anforderungen vollständig."
Hintergrunddetails
Gründungszeitpunkt von Thinking Machines: vor etwa 14 Monaten, Anfang 2025.
Finanzierung: Juli 2025, Abschluss einer Seed-Finanzierung in Höhe von 2 Milliarden US-Dollar bei einer Bewertung von 12 Milliarden US-Dollar. Eine Seed-Runde in dieser Größenordnung ist in der gesamten Technologiebranche äußerst selten und zeigt das außergewöhnliche Vertrauen der Investoren in das Team.
Aktuelles Team: Über 130 Mitarbeiter. Aber es gibt eine Herausforderung – Meta hat bereits 7 Gründungsmitglieder von Thinking Machines abgeworben, darunter den Hauptentwickler von Tinker. Diese Abwanderung ist in der KI-Branche nicht unerheblich.
Der Nvidia-Deal: Im März dieses Jahres erzielte Thinking Machines eine weitere Vereinbarung mit Nvidia – den Kauf von Vera Rubin GPU-Systemen mit einer Leistung von über 1 Gigawatt; Nvidia investierte auch direkt. In Bezug auf Rechenleistung setzen sie gleichzeitig auf Google und Nvidia.
Der Vertrag ist nicht exklusiv: Sie können weiterhin andere Cloud-Anbieter nutzen. Aber der frühe Zugang zu Googles GB300-Beständen zeigt, dass Google aktiv um dieses Labor wirbt.
Am Rande: Auf dieser Google Cloud Next kündigte Google gleichzeitig neue Verträge mit Anthropic und Meta an – mehrere führende Labore wurden auf einmal gebunden, ein deutliches Zeichen für Googles Vorstoß in den KI-Computing-Markt.
Warum dieser Weg interessant ist
Die KI-Branche hat derzeit zwei Hauptrichtungen, die sich verzweigen:
Eine ist der weitere Ausbau allgemeiner Fähigkeiten – Training größerer Modelle, Verfolgung großer Benchmarks.
Die andere ist vertikale Feinabstimmung – bestehende Open-Source-Modelle für spezifische Aufgaben verstärken und an Unternehmen liefern. Thinking Machines geht den zweiten Weg.
Die Geschäftslogik: Die meisten Unternehmen brauchen eigentlich kein GPT-5, sie brauchen "ein Modell, das unsere Vertragsdokumente genau verarbeiten kann" oder "einen KI-Assistenten, der unsere internen Code-Review-Standards besteht". Maßgeschneidert ist überzeugender als allgemein, besonders in Branchen mit hohen Datensicherheitsanforderungen.
Wenn Tinker den RL-Feinabstimmungsweg erfolgreich beschreitet, könnte es zur eigentlichen Basisschicht im KI-Technologie-Stack von Unternehmen werden – unscheinbar, aber schwer zu umgehen.
Ein 14 Monate altes Unternehmen mit einem Milliarden-Cloud-Vertrag von Google, einem Chefwissenschaftler, der eine Schlüsselfigur im RL-Bereich ist. Was sie als Nächstes veröffentlichen, wird spannend zu beobachten sein.
Quellenangabe: Exclusive: Google deepens Thinking Machines Lab ties with new multibillion-dollar deal (TechCrunch); Google Cloud inks AI infrastructure deal with Thinking Machines (SiliconAngle); CocoLoop, Thinking Machines Signs Multi-Billion Google GB300 Deal (Implicator.ai)