Thinking Machines Lab, la società fondata dall’ex responsabile tecnologica di OpenAI Mira Murati, ha delineato una strategia di sviluppo dell’intelligenza artificiale basata sulla partecipazione continua delle persone, sulla personalizzazione dei modelli e sulla distribuzione del controllo tra individui e organizzazioni. La missione dichiarata consiste nel costruire sistemi capaci di estendere la volontà e il giudizio umani, lasciando agli utenti la possibilità di definire gli obiettivi dell’AI e di modificarne progressivamente il comportamento attraverso il lavoro svolto insieme.
La proposta parte dal funzionamento prevalente dei modelli attuali, che vengono addestrati all’interno di poche grandi infrastrutture e successivamente distribuiti in una configurazione relativamente stabile. Gli utenti possono influenzare le risposte mediante prompt, istruzioni di sistema e strumenti esterni, mentre la conoscenza acquisita durante le attività quotidiane modifica raramente i parametri fondamentali del modello. Thinking Machines Lab intende sviluppare AI che continuino ad apprendere dalle persone e che possano essere adattate direttamente alle esigenze, alle competenze e alle priorità di chi le utilizza.
La società individua quattro direzioni tecniche principali. La prima riguarda l’addestramento di modelli avanzati, con particolare attenzione all’interazione multimodale e alla personalizzazione; la seconda consiste nella realizzazione di strumenti che permettano agli utenti di intervenire direttamente sui pesi dei modelli, la terza punta alla creazione di nuove interfacce capaci di ampliare il canale di comunicazione tra persone e macchine, mentre la quarta prevede la pubblicazione di ricerche, procedure e materiali tecnici utili a rendere più comprensibile il processo di costruzione dell’AI.
Il concetto di AI distribuita deriva dalla natura della conoscenza utilizzata nel lavoro reale. Una ricetta sviluppata da uno chef, il metodo seguito da un commerciante per organizzare il proprio negozio o l’esperienza accumulata da un tecnico durante gli interventi non costituiscono informazioni statiche e facilmente trasferibili in un database centralizzato; si tratta di conoscenze tacite, locali e soggette a modifiche continue, che emergono attraverso l’esperienza, il contesto e il confronto con risultati concreti.
La concentrazione di queste conoscenze all’interno di un unico sistema può ridurre la varietà delle soluzioni e trasformare pratiche differenti in una risposta media, progettata per adattarsi a un numero molto ampio di utenti. Thinking Machines Lab propone un ecosistema composto da modelli personalizzati in luoghi e organizzazioni differenti, capaci di conservare le competenze specifiche di ciascun ambiente e di evolvere mentre tali competenze cambiano. L’AI dovrebbe contribuire a coltivare la conoscenza interna di un’impresa, sostenendo il modo particolare in cui quell’organizzazione opera, prende decisioni e produce valore.
Gli ambiti caratterizzati da obiettivi stabili e informazioni interamente osservabili possono beneficiare maggiormente di sistemi autonomi. Negli scacchi, per esempio, le regole sono definite e la condizione di successo consiste nella vittoria; in matematica, il modello può lavorare verso la dimostrazione di un risultato formalmente verificabile. Le attività economiche, professionali e creative comprendono obiettivi mutevoli, informazioni non esplicitate e valutazioni che dipendono dal contesto, rendendo necessario un flusso continuo di esperienza e giudizio umano.
La personalizzazione proposta non si limita alla costruzione di prompt più dettagliati. Thinking Machines Lab considera necessario permettere alle persone di addestrare direttamente i pesi del modello, perché le istruzioni inserite nel contesto possono modificare il comportamento visibile senza trasformare le tendenze più profonde apprese durante l’addestramento. Un’organizzazione dovrebbe poter incorporare nel sistema le proprie procedure, i criteri decisionali e il sapere specialistico, conservarne il controllo e continuare ad aggiornarli nel tempo.
Una prima applicazione concreta di questa impostazione è Tinker, un’API di addestramento rivolta a ricercatori e sviluppatori. Il servizio gestisce l’infrastruttura distribuita, la pianificazione delle risorse e l’affidabilità dei cluster di GPU, lasciando all’utente il controllo sui dati, sugli algoritmi e sugli ambienti utilizzati per il fine-tuning. L’interfaccia espone operazioni per calcolare i gradienti, aggiornare i pesi, generare campioni e salvare lo stato dell’addestramento.
Tinker utilizza LoRA, una tecnica che addestra un adattatore compatto collegato al modello di base anziché aggiornare tutti i suoi parametri. Questo approccio riduce il fabbisogno computazionale e permette di creare versioni specializzate mantenendo separato il modello originario; l’utente può salvare i checkpoint ed esportare i pesi addestrati, ottenendo un componente che può essere conservato e utilizzato al di fuori del singolo processo di training.
L’API supporta modelli open weight appartenenti a famiglie differenti, tra cui Qwen, DeepSeek, GPT-OSS, Kimi e Nemotron. Thinking Machines Lab dichiara inoltre che i dati caricati dagli utenti vengono impiegati esclusivamente per addestrare i rispettivi modelli e non vengono riutilizzati per l’addestramento dei sistemi proprietari dell’azienda. Questa separazione è essenziale per le organizzazioni che desiderano incorporare dati interni e conoscenze specialistiche senza trasferirne il valore al fornitore della piattaforma.
La seconda area riguarda il canale attraverso cui gli esseri umani comunicano con l’AI. L’interfaccia basata su una casella di testo e su turni alternati limita la quantità di informazioni che una persona può trasferire e rende difficile intervenire durante l’elaborazione. Nelle collaborazioni umane, gli interlocutori parlano, ascoltano, osservano, si interrompono, correggono una frase e modificano il comportamento in base a segnali verbali e visivi ricevuti in tempo reale.
Thinking Machines Lab ha sviluppato a questo scopo una prima versione sperimentale degli interaction model, addestrati da zero per elaborare continuamente audio, video e testo. L’architettura utilizza più flussi sincronizzati e suddivide l’interazione in microturni della durata di 200 millisecondi, durante i quali il modello può ricevere nuovi input e produrre output senza attendere il completamento del turno dell’utente. Il silenzio, le sovrapposizioni vocali, le esitazioni e le interruzioni rimangono così parte del contesto temporale elaborato dal sistema.
Il modello può riconoscere quando una persona sta ancora riflettendo, sta correggendo una frase o sta lasciando spazio alla risposta, intervenendo verbalmente o visivamente nel momento ritenuto opportuno. Può parlare mentre continua ad ascoltare, effettuare una traduzione simultanea, reagire a un cambiamento osservato attraverso la videocamera ed eseguire contemporaneamente ricerche, chiamate a strumenti o generazione di interfacce. Queste capacità vengono integrate direttamente nel modello, evitando di affidare la gestione della conversazione a una serie di componenti esterni separati.
L’architettura combina un interaction model, responsabile della presenza continua e delle risposte immediate, con un modello in background incaricato delle attività che richiedono ragionamento prolungato, pianificazione o uso complesso degli strumenti. Il primo sistema mantiene il dialogo con l’utente mentre il secondo lavora in modo asincrono; i due modelli condividono il contesto e i risultati dell’elaborazione vengono inseriti nella conversazione quando diventano disponibili e quando risultano pertinenti rispetto a ciò che la persona sta facendo.
Il prototipo TML-Interaction-Small ha registrato una latenza di circa 0,40 secondi nel benchmark FD-bench dedicato alla gestione dei turni vocali, raggiungendo anche un punteggio medio di 77,8 nella versione 1.5 dello stesso test. La valutazione considera scenari comprendenti interruzioni dell’utente, segnali di ascolto, conversazioni rivolte ad altre persone e voci presenti sullo sfondo, misurando la capacità del sistema di comprendere quando rispondere e quando rimanere in ascolto.
Thinking Machines Lab collega questa impostazione anche a una revisione dei criteri utilizzati per misurare le capacità dell’AI. Molti benchmark valutano per quanto tempo un agente riesca a completare autonomamente un’attività software, attribuendo un valore crescente alla durata dei compiti svolti senza supervisione. Questa misura descrive le capacità indipendenti del modello e non rileva quanto il sistema migliori il giudizio dell’utente, favorisca la produzione di nuove conoscenze o aumenti la qualità dei risultati ottenuti attraverso la collaborazione.
La valutazione di un’AI collaborativa dovrebbe quindi considerare la capacità di anticipare le esigenze della persona, richiedere un intervento nei momenti appropriati, accogliere correzioni durante il lavoro e diventare progressivamente più utile attraverso l’esperienza condivisa. Ogni organizzazione deve poter verificare se il sistema rafforza le competenze interne e contribuisce al raggiungimento dei propri obiettivi, senza limitarsi a misurare la quantità di operazioni eseguite automaticamente.
La strategia comprende inoltre un modello di allineamento distribuito. I sistemi commerciali incorporano valori, preferenze linguistiche e criteri decisionali definiti prevalentemente dalle aziende che li addestrano; quando le stesse regole vengono applicate a tutti gli utenti, il comportamento del modello riflette inevitabilmente la prospettiva del soggetto che controlla il processo di sviluppo. Thinking Machines Lab considera questa concentrazione un problema tecnico e politico, perché assegna a poche organizzazioni il potere di stabilire quali comportamenti debbano essere considerati corretti per comunità differenti.
Il problema può intensificarsi quando una nuova generazione di modelli viene addestrata utilizzando dati sintetici e segnali di ricompensa prodotti dalla generazione precedente. Le preferenze già presenti vengono trasmesse al nuovo sistema, valutate attraverso criteri derivati dallo stesso ambiente e progressivamente consolidate; la ripetizione di questo ciclo può ridurre la diversità delle risposte e rendere più difficile l’emergere di comportamenti, idee e stili differenti.
Thinking Machines Lab propone che individui e organizzazioni possano incorporare i propri valori direttamente nei pesi dei modelli che possiedono. L’ecosistema risultante sarebbe composto da AI sviluppate in contesti diversi, capaci di esprimere priorità differenti, confrontarsi e apprendere reciprocamente. La sicurezza rimane un processo continuo di valutazione e controllo, poiché la stessa capacità di personalizzare profondamente un modello può essere utilizzata per finalità utili o dannose.
La proprietà del modello assume in questa visione un significato operativo. Un’impresa che utilizza un’AI standard come servizio trasferisce parte delle proprie attività a una capacità esterna e uniforme; un’impresa che può adattare, conservare ed esportare i pesi costruisce progressivamente un patrimonio digitale derivato dalla propria esperienza. L’AI diventa una componente dell’organizzazione e continua a differenziarsi insieme alle persone che la addestrano.