Mira Murati rời OpenAI vào cuối năm 2024, khi OpenAI đang ở thời kỳ đỉnh cao trước khi niêm yết. Với tư cách là giám đốc công nghệ, cô đã dẫn theo một nhóm kỹ sư chủ chốt.
Nhiều người nghĩ cô sẽ tạo ra một mô hình ngôn ngữ khác để cạnh tranh với GPT.
Nhưng cô đã tạo ra Tinker.
Thinking Machines Lab thực sự đang làm gì?
Nói đơn giản: Tinker là một API cho phép nhà phát triển tạo "bản vá năng lực" cho bất kỳ mô hình nguồn mở lớn nào.
Bạn muốn Llama 4 viết Python tốt hơn? Cung cấp cho Tinker một bộ dữ liệu đã gắn nhãn, nó sẽ dùng học tăng cường để tinh chỉnh mô hình đó thành phiên bản "chuyên gia Python". Bạn không cần tự duy trì cụm GPU, không cần xây dựng pipeline huấn luyện, chỉ cần gọi API.
Ý tưởng sản phẩm này tương tự API fine-tuning của OpenAI, nhưng nền tảng khác biệt – cốt lõi của Tinker là tinh chỉnh dựa trên học tăng cường (RL), không phải tinh chỉnh giám sát thông thường. Tinh chỉnh RL khó kiểm soát hơn SFT, nhưng hiệu quả vượt trội ở một số tác vụ. DeepSeek đã cải thiện khả năng suy luận của mình bằng chính phương pháp này.
Nhà khoa học trưởng của Thinking Machines là John Schulman – một trong những tác giả của thuật toán PPO và là nhà thiết kế chính của khung huấn luyện RL thời kỳ đầu của OpenAI. Có thể hiểu, họ đã mời được người hiểu rõ nhất về học tăng cường.
Hai người khác: CTO là Soumith Chintala, người sáng lập PyTorch; CEO là Mira Murati. Ba người này tạo thành một bộ ba hiếm có: khung mô hình + lý thuyết RL + trực giác sản phẩm.
Thương vụ với Google lần này
Ngày 22 tháng 4, tại hội nghị Google Cloud Next ở Las Vegas, Thinking Machines Lab và Google Cloud đã công bố một hợp đồng mới.
Quy mô: hàng tỷ USD (TechCrunch đưa tin độc quyền, một nguồn tin mô tả là "hàng tỷ USD ở mức một chữ số", con số cụ thể không được tiết lộ).
Nội dung hợp đồng:
- Phần cứng: Hệ thống Nvidia GB300 NVL72 – tủ làm mát bằng chất lỏng lớn với 72 GPU mỗi nhóm, tốc độ huấn luyện và phục vụ nhanh gấp 2 lần thế hệ trước
- Mạng: Kiến trúc mạng Jupiter do Google tự phát triển, chuyên dùng để truyền trọng số giữa các GPU
- Dịch vụ phần mềm: Kubernetes Engine, cơ sở dữ liệu Spanner, Cloud Storage (kèm Anywhere Cache)
- Máy ảo: Instance A4X Max, mỗi máy được trang bị bốn GPU Nvidia Blackwell Ultra, 72 lõi CPU, 37TB bộ nhớ
Tại sao tinh chỉnh RL lại cần sức mạnh tính toán ở cấp độ này? Nhà nghiên cứu sáng lập Myle Ott giải thích nút thắt cốt lõi:
"Mỗi lần lặp huấn luyện, trọng số phải được đồng bộ qua lại hàng nghìn lần giữa hàng nghìn GPU. Băng thông kết nối không đủ, hiệu suất huấn luyện sẽ sụp đổ ngay lập tức."
Đây không phải là triển khai suy luận thông thường, mà là tác vụ huấn luyện tốn nhiều sức mạnh tính toán. Đánh giá của Myle Ott:
"Google Cloud cho phép chúng tôi chạy với tốc độ kỷ lục, độ tin cậy hoàn toàn đáp ứng yêu cầu của chúng tôi."
Chi tiết bối cảnh
Thời gian thành lập Thinking Machines: khoảng 14 tháng trước, đầu năm 2025.
Gọi vốn: Tháng 7 năm 2025, hoàn thành vòng gọi vốn hạt giống 2 tỷ USD, định giá 12 tỷ USD. Vòng hạt giống huy động được 2 tỷ là rất hiếm trong toàn ngành công nghệ, cho thấy niềm tin của nhà đầu tư vào đội ngũ vượt xa phán đoán thông thường.
Tình hình đội ngũ: Hơn 130 người. Nhưng đối mặt với một thách thức – Meta đã tuyển mất 7 thành viên sáng lập của Thinking Machines, trong đó có kỹ sư chủ chốt của Tinker. Mức độ chảy máu nhân tài này không hề nhỏ trong ngành AI.
Thương vụ với Nvidia: Tháng 3 năm nay, Thinking Machines đạt thỏa thuận khác với Nvidia – mua hệ thống GPU Vera Rubin với công suất hơn 1 gigawatt, Nvidia cũng đầu tư trực tiếp. Về sức mạnh tính toán, họ đang đặt cược vào cả Google và Nvidia.
Hợp đồng không có tính độc quyền: Họ có thể tiếp tục sử dụng các nhà cung cấp dịch vụ đám mây khác. Nhưng việc có được quyền truy cập sớm nhất vào lô GB300 của Google cho thấy Google đang chủ động giành lấy phòng thí nghiệm này.
Nhân tiện, tại Google Cloud Next lần này, Google đồng thời công bố hợp đồng mới với Anthropic và Meta – một loạt các phòng thí nghiệm hàng đầu bị khóa cùng lúc, đây là động thái rõ ràng của Google Cloud trong việc giành thị trường điện toán AI.
Tại sao hướng đi này thú vị
Ngành AI hiện có hai hướng chính đang phân nhánh:
Một hướng là tiếp tục xây dựng năng lực tổng quát – huấn luyện các mô hình lớn hơn, theo đuổi các benchmark lớn.
Hướng còn lại là tinh chỉnh theo chiều dọc – lấy các mô hình nguồn mở hiện có, tăng cường cho các tác vụ cụ thể và giao cho doanh nghiệp sử dụng. Thinking Machines đi theo hướng sau.
Logic kinh doanh nằm ở chỗ: hầu hết doanh nghiệp thực ra không cần GPT-5, họ cần "mô hình có thể xử lý chính xác tài liệu hợp đồng của chúng tôi", "trợ lý AI có thể vượt qua tiêu chuẩn kiểm tra mã nội bộ của chúng tôi". Tùy chỉnh thuyết phục hơn so với tổng quát, đặc biệt trong các ngành có yêu cầu cao về bảo mật dữ liệu.
Nếu Tinker có thể làm chủ con đường tinh chỉnh RL này, nó có thể trở thành lớp cơ sở thực sự trong kiến trúc công nghệ AI doanh nghiệp – không dễ thấy, nhưng khó để vượt qua.
Một công ty 14 tháng tuổi, đã có hợp đồng điện toán hàng tỷ USD từ Google, nhà khoa học trưởng là nhân vật cốt lõi trong lĩnh vực RL. Những gì họ công bố tiếp theo đáng để theo dõi.
Nguồn tham khảo: 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)