Mira Murati meninggalkan OpenAI pada akhir 2024, tepat saat perusahaan tersebut berada di puncak menjelang IPO. Sebagai CTO, ia pergi bersama sekelompok insinyur inti.
Banyak yang mengira ia akan mengejar model bahasa bergaya GPT lainnya. Namun, ia justru membangun Tinker.
Apa yang sebenarnya dilakukan Thinking Machines Lab
Singkatnya: Tinker adalah API yang memungkinkan pengembang menerapkan "tambalan kemampuan" ke model bahasa besar sumber terbuka mana pun.
Ingin Llama 4 lebih mahir menulis Python? Berikan Tinker sekumpulan data berlabel, dan ia akan menggunakan pembelajaran penguatan untuk menyetel model tersebut menjadi versi "ahli Python". Tidak perlu memelihara klaster GPU sendiri atau membangun pipeline pelatihan — cukup panggil API.
Konsep produk ini mirip dengan fine-tuning API milik OpenAI, tetapi pendekatan dasarnya berbeda — inti Tinker adalah penyetelan berbasis pembelajaran penguatan (RL), bukan penyetelan pembelajaran terawasi biasa. Penyetelan RL lebih sulit dikendalikan daripada SFT, tetapi memberikan hasil yang jauh lebih baik pada tugas-tugas tertentu. Peningkatan kemampuan penalaran DeepSeek juga berasal dari jalur yang sama.
Kepala ilmuwan Thinking Machines adalah John Schulman — salah satu penulis algoritma PPO dan arsitek utama kerangka kerja pelatihan RL awal OpenAI. Singkatnya, mereka mendatangkan orang yang paling memahami RL.
Dua lainnya: CTO Soumith Chintala, pencipta PyTorch; dan CEO Mira Murati sendiri. Ketiganya membentuk kombinasi yang langka: kerangka model + teori RL + intuisi produk.
Kesepakatan dengan Google
Pada 22 April, di Google Cloud Next di Las Vegas, Thinking Machines Lab dan Google Cloud mengumumkan kontrak baru.
Skala: miliaran dolar (TechCrunch melaporkan secara eksklusif, dengan sumber menggambarkannya sebagai "satu digit miliaran dolar"; jumlah pastinya tidak diungkapkan).
Detail kontrak:
- Perangkat keras: Sistem Nvidia GB300 NVL72 — kabinet berpendingin cairan besar dengan 72 GPU masing-masing, memberikan kecepatan pelatihan dan inferensi 2x lebih cepat dari generasi sebelumnya
- Jaringan: Arsitektur jaringan Jupiter buatan Google, khusus untuk transfer bobot antar GPU
- Layanan perangkat lunak: Kubernetes Engine, database Spanner, Cloud Storage (dengan Anywhere Cache)
- Mesin virtual: Instance A4X Max, masing-masing dengan empat GPU Nvidia Blackwell Ultra, 72 inti CPU, dan 37 TB memori
Mengapa penyetelan RL membutuhkan daya komputasi setingkat ini? Peneliti pendiri Myle Ott menjelaskan hambatan utamanya:
"Pada setiap iterasi pelatihan, bobot harus disinkronkan bolak-balik di ribuan GPU ribuan kali. Jika bandwidth interkoneksi tidak mencukupi, efisiensi pelatihan akan langsung runtuh."
Ini bukan deployment inferensi biasa — ini adalah tugas pelatihan intensif komputasi. Penilaian Myle Ott:
"Google Cloud memungkinkan kami beroperasi dengan kecepatan rekor, dengan keandalan yang sepenuhnya memenuhi persyaratan kami."
Detail latar belakang
Thinking Machines didirikan sekitar 14 bulan lalu, pada awal 2025.
Pendanaan: Pada Juli 2025, mereka menutup putaran benih senilai $2 miliar dengan valuasi $12 miliar. Putaran benih senilai $2 miliar sangat jarang terjadi di seluruh industri teknologi, mencerminkan kepercayaan investor yang melampaui penilaian konvensional.
Tim: 130+ orang. Namun, mereka menghadapi tantangan — Meta telah merekrut 7 anggota pendiri dari Thinking Machines, termasuk insinyur utama Tinker. Skala kehilangan bakat ini signifikan di industri AI.
Kesepakatan dengan Nvidia: Pada bulan Maret, Thinking Machines mencapai kesepakatan lain dengan Nvidia — membeli sistem GPU Vera Rubin setara lebih dari 1 gigawatt, dengan Nvidia juga melakukan investasi langsung. Dalam hal komputasi, mereka memasang taruhan pada Google dan Nvidia secara bersamaan.
Kontrak bersifat non-eksklusif: Mereka dapat terus menggunakan penyedia cloud lain. Namun, mendapatkan akses awal ke batch GB300 Google menunjukkan bahwa Google secara aktif bersaing untuk laboratorium ini.
Omong-omong, di Google Cloud Next kali ini, Google juga mengumumkan kontrak baru dengan Anthropic dan Meta — mengunci beberapa laboratorium top sekaligus, sebuah langkah jelas oleh Google Cloud untuk merebut pasar komputasi AI.
Mengapa jalur ini menarik
Industri AI kini memiliki dua jalur yang bercabang:
Satu jalur terus menumpuk kemampuan umum — melatih model yang lebih besar, mengejar skor benchmark besar.
Jalur lainnya adalah penyetelan vertikal — mengambil model sumber terbuka yang ada, memperkuatnya untuk tugas-tugas tertentu, dan memberikannya kepada perusahaan. Thinking Machines mengejar yang terakhir.
Logika bisnisnya: Sebagian besar perusahaan sebenarnya tidak membutuhkan GPT-5. Mereka membutuhkan "model yang dapat memproses dokumen kontrak kami secara akurat" atau "asisten AI yang lulus standar tinjauan kode internal kami." Kustomisasi lebih meyakinkan daripada generalisasi, terutama di industri dengan persyaratan keamanan data yang tinggi.
Jika Tinker dapat membuat penyetelan RL berjalan lancar, ia bisa menjadi lapisan infrastruktur sejati dalam tumpukan AI perusahaan — tidak mencolok, tetapi sulit dilewati.
Perusahaan berusia 14 bulan dengan kontrak komputasi Google bernilai miliaran dolar, dan kepala ilmuwan yang merupakan tokoh sentral di bidang RL. Apa yang mereka rilis selanjutnya layak untuk terus diikuti.
Sumber: 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)