Mira Murati deixou a OpenAI no final de 2024, quando a empresa estava em seu auge antes da abertura de capital. Como diretora de tecnologia, ela levou consigo um grupo de engenheiros principais.
Muitos pensaram que ela criaria outro modelo de linguagem para competir com o GPT.
Em vez disso, ela criou o Tinker.
O que o Thinking Machines Lab realmente faz
De forma simples: Tinker é uma API que permite que desenvolvedores adicionem "patches de capacidade" a qualquer modelo grande de código aberto.
Quer que o Llama 4 escreva Python melhor? Forneça ao Tinker um conjunto de dados rotulados, e ele usará aprendizado por reforço para ajustar esse modelo em uma versão "especialista em Python". Você não precisa manter seu próprio cluster de GPUs, nem construir um pipeline de treinamento – basta chamar a API.
A ideia do produto é semelhante à API de fine-tuning da OpenAI, mas a base é diferente – o núcleo do Tinker é o ajuste fino baseado em aprendizado por reforço (RL), não o ajuste fino supervisionado comum. O ajuste fino por RL é mais difícil de controlar do que o SFT, mas é significativamente mais eficaz em certas tarefas. A DeepSeek melhorou sua capacidade de raciocínio usando exatamente esse caminho.
O cientista-chefe do Thinking Machines é John Schulman – um dos autores do algoritmo PPO e principal designer da estrutura de treinamento RL inicial da OpenAI. Pode-se dizer que eles trouxeram a pessoa que mais entende de aprendizado por reforço.
Os outros dois: o CTO é Soumith Chintala, fundador do PyTorch; a CEO é a própria Mira Murati. Esses três formam uma combinação rara: estrutura de modelo + teoria de RL + intuição de produto.
O negócio com o Google
Em 22 de abril, na conferência Google Cloud Next em Las Vegas, o Thinking Machines Lab e o Google Cloud anunciaram um novo contrato.
Escala: bilhões de dólares (reportagem exclusiva do TechCrunch; uma fonte informada descreveu como "bilhões de dólares na casa de um dígito", o valor exato não foi divulgado).
Conteúdo do contrato:
- Hardware: Sistemas Nvidia GB300 NVL72 – grandes racks refrigerados a líquido com 72 GPUs por grupo, velocidade de treinamento e serviço 2 vezes maior que a geração anterior
- Rede: Arquitetura de rede Jupiter, desenvolvida pelo Google, especializada para transferência de pesos entre GPUs
- Serviços de software: Kubernetes Engine, banco de dados Spanner, Cloud Storage (com Anywhere Cache)
- Máquinas virtuais: Instâncias A4X Max, cada uma equipada com quatro GPUs Nvidia Blackwell Ultra, 72 núcleos de CPU, 37 TB de memória
Por que o ajuste fino por RL precisa desse nível de poder computacional? O pesquisador fundador Myle Ott explicou o gargalo central:
"A cada iteração de treinamento, os pesos precisam ser sincronizados milhares de vezes entre milhares de GPUs. Se a largura de banda de interconexão não for suficiente, a eficiência do treinamento desaba imediatamente."
Isso não é uma implantação de inferência comum, é uma tarefa de treinamento intensiva em computação. A avaliação de Myle Ott:
"O Google Cloud nos permitiu rodar em velocidade recorde, com confiabilidade que atende totalmente às nossas exigências."
Detalhes de contexto
Tempo de fundação do Thinking Machines: cerca de 14 meses atrás, início de 2025.
Captação de recursos: Julho de 2025, conclusão de uma rodada seed de US$ 2 bilhões, com avaliação de US$ 12 bilhões. Uma rodada seed de US$ 2 bilhões é extremamente rara em toda a indústria de tecnologia, mostrando que a confiança dos investidores na equipe supera o julgamento convencional.
Situação da equipe: Mais de 130 pessoas. Mas enfrenta um desafio – a Meta já contratou 7 membros fundadores do Thinking Machines, incluindo o engenheiro principal do Tinker. Esse nível de perda de talentos não é pequeno na indústria de IA.
O negócio com a Nvidia: Em março deste ano, o Thinking Machines fechou outro acordo com a Nvidia – compra de sistemas de GPU Vera Rubin com potência superior a 1 gigawatt; a Nvidia também investiu diretamente. Em termos de poder computacional, eles estão apostando tanto no Google quanto na Nvidia.
O contrato não é exclusivo: Eles podem continuar usando outros provedores de nuvem. Mas obter acesso antecipado ao primeiro lote de GB300 do Google mostra que o Google está ativamente disputando este laboratório.
A propósito, neste Google Cloud Next, o Google também anunciou novos contratos com a Anthropic e a Meta – vários laboratórios de ponta foram fechados de uma só vez, um movimento claro do Google Cloud para conquistar o mercado de computação de IA.
Por que esse caminho é interessante
A indústria de IA tem atualmente duas linhas principais se dividindo:
Uma é continuar acumulando capacidade geral – treinar modelos maiores, perseguir os grandes benchmarks.
A outra é o ajuste fino vertical – pegar modelos de código aberto existentes, reforçá-los para tarefas específicas e entregá-los para empresas. O Thinking Machines segue o segundo caminho.
A lógica de negócios é: a maioria das empresas não precisa do GPT-5; elas precisam de "um modelo que possa processar com precisão nossos documentos contratuais" ou "um assistente de IA que possa passar em nossos padrões internos de revisão de código". A personalização é mais convincente do que a generalidade, especialmente em setores com altos requisitos de segurança de dados.
Se o Tinker conseguir dominar o caminho do ajuste fino por RL, ele pode se tornar a verdadeira camada de base na pilha de tecnologia de IA empresarial – discreta, mas difícil de contornar.
Uma empresa de 14 meses, com um contrato de computação em nuvem de bilhões de dólares do Google, um cientista-chefe que é uma figura central no campo de RL. O que eles lançarem a seguir merece atenção.
Fontes de referência: 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)