Es kommt nicht alle Tage vor, dass ein neues KI-Startup, das von denselben Leuten geleitet wird, die Werkzeuge wie ChatGPT entwickelt haben, eine atemberaubende Anschubfinanzierung von 2 Milliarden US-Dollar einsammelt. Vor allem, wenn sie noch nicht einmal ein Produkt auf den Markt gebracht haben. Wenn das passiert, wird man hellhörig. Das betreffende Startup ist Thinking Machine Lab.
Angeführt von der ehemaligen OpenAI-CTO Mira Murati und einem Dream-Team von KI-Forschern hat das Unternehmen eine schwindelerregende Bewertung von 12 Milliarden US-Dollar erreicht und erzeugt die Art von Aufregung, die man normalerweise nur bei einem neuen Marvel-Film sieht. Aber wenn man den Hype und die schwindelerregenden Zahlen hinter sich lässt, was versucht Thinking Machine Lab eigentlich zu entwickeln? Lassen Sie uns den Lärm durchbrechen und einen klaren Blick auf das Unternehmen, seinen einzigartigen Ansatz, sein erstes Produkt und was das alles für die Zukunft der KI bedeutet, werfen.
Was ist Thinking Machine Lab?
Thinking Machine Lab wurde im Februar 2025 gegründet und ist ein KI-Forschungs- und Produktunternehmen, das entstand, als ein großer Teil der Talente OpenAI verließ. Ihre Mission ist es, einige der größten Probleme der heutigen KI zu lösen, indem sie leistungsstarke Systeme verständlicher, anpassbarer und für eine breitere Palette von Entwicklern und Forschern nutzbar machen. Sie setzen voll auf offene Wissenschaft und Zusammenarbeit, was eine große Veränderung gegenüber dem verschlossenen, geheimnisvollen Ansatz ist, den wir bei vielen Branchenriesen sehen.
Diese kühne Vision zog schnell eine der größten Seed-Runden in der Geschichte des Risikokapitals an. Die Investition von 2 Milliarden US-Dollar wurde von Andreessen Horowitz angeführt und umfasste ein Who's Who der Tech-Titanen wie NVIDIA, AMD und Cisco. So viel Geld ist nicht nur ein Vertrauensbeweis in das All-Star-Team; es ist eine massive Wette auf ihre völlig andere Denkweise über KI.
Mit so viel Geld in der Kasse ist Thinking Machine Lab nicht nur ein weiteres Unternehmen, das an KI herumbastelt. Es positioniert sich als direkter Herausforderer der großen Player wie OpenAI, Google DeepMind und Anthropic. Aber sie versuchen nicht nur, eine größere Version dessen zu bauen, was bereits existiert. Sie versuchen, die Spielregeln zu ändern.
Die neue Philosophie von Thinking Machine Lab: Fokus auf Lernen, nicht nur auf Skalierung
In den letzten Jahren war die Hauptstrategie in der KI ziemlich einfach: einfach immer größer werden. Die vorherrschende Meinung war, dass man sich mit genügend Daten, genügend Rechenleistung und einem ausreichend massiven Modell den Weg zur künstlichen allgemeinen Intelligenz (AGI) erzwingen könnte. Thinking Machine Lab ist hier, um zu sagen: „Nicht so schnell.“
Laut dem Unternehmensforscher Rafael Rafailov geht es nicht nur darum, „gottgleiche Denker“ zu erschaffen. Es geht darum, „übermenschliche Lerner“ zu bauen. Er weist auf einen großen Fehler in den besten KI-Systemen von heute hin: Sie lernen nicht wirklich aus ihren Erfahrungen. Man kann einen ganzen Nachmittag damit verbringen, einem Programmierassistenten beizubringen, wie man ein kniffliges Problem löst, aber wenn man am nächsten Tag zurückkommt, fängt er wieder bei Null an. Wie Rafailov es ausdrückt, ist für die meisten KIs „jeder Tag ihr erster Arbeitstag“.
Dieser Ansatz ist unglaublich verschwenderisch. Anstatt einfach mehr Daten und Rechenleistung auf ein Problem zu werfen, konzentriert sich Thinking Machine Lab auf das „Meta-Lernen“, was im Grunde genommen bedeutet, einer KI beizubringen, wie man lernt. Das Ziel ist es, Systeme zu bauen, die sich tatsächlich Informationen merken, auf vergangenen Interaktionen aufbauen und mit der Zeit besser werden, genau wie ein Mensch. Es ist eine subtile, aber mächtige Verschiebung von dem Training einer KI, was sie denken soll, hin zur Fähigkeit, ihr beizubringen, wie sie selbst denken kann. Diese Idee ist der Kern von allem, was sie tun.
Von der Forschung zur Realität: Vorstellung von Tinker, dem ersten Produkt von Thinking Machine Lab
Wie also wird aus dieser neuen Philosophie ein tatsächliches Produkt? Das erste Angebot des Unternehmens ist ein Werkzeug namens Tinker, und es gibt uns einen ziemlich klaren Einblick in ihre Strategie.
Tinker ist eine API und ein Satz von Werkzeugen, die es Entwicklern und Forschern wesentlich erleichtern sollen, leistungsstarke Open-Source-KI-Modelle wie Metas Llama anzupassen. Dieser Prozess wird als Feinabstimmung (Fine-Tuning) bezeichnet, bei dem man ein allgemeines Modell nimmt und es darauf trainiert, ein Experte für eine bestimmte Aufgabe zu werden, sei es das Verfassen von Rechtsverträgen oder die Beantwortung komplexer medizinischer Fragen.
Bisher war die Feinabstimmung ein riesiges Kopfzerbrechen. Es war teuer und kompliziert und erforderte spezielles Wissen, Tonnen von GPUs und ausgeklügelte Software, um es durchzuführen. Tinker nimmt einen großen Teil dieser Schwerstarbeit ab. Es bietet eine einfache Schnittstelle, mit der Benutzer Modelle mit nur wenigen Codezeilen anpassen können, was effektiv mehr Menschen die Tür zur hochrangigen KI-Forschung öffnet.
Das ist eine große Sache, denn es befähigt Innovatoren, die nicht in den großen Tech-Laboren arbeiten. Anstatt auf die Einheits-APIs einer Handvoll Unternehmen angewiesen zu sein, können nun mehr Menschen mit ihrer eigenen spezialisierten KI experimentieren und diese entwickeln. Es ist ein erster Schritt, um die Werkzeuge zum Bau von KI der nächsten Generation für alle verfügbar zu machen.
Wie Ihr Unternehmen dieselben Ideen heute nutzen kann
Während Thinking Machine Lab für die weltweit führenden KI-Forscher entwickelt, benötigen Sie keinen Doktortitel oder eine Milliarden-Dollar-Bewertung, um dieselben Ideen der Anpassung und des spezialisierten Lernens in Ihr eigenes Unternehmen zu bringen. Die wahre Magie der KI entfaltet sich, wenn sie auf Ihre spezifischen Bedürfnisse zugeschnitten ist, und das können Sie sofort beginnen.
Genau wie Tinker einem Forscher hilft, ein Modell für ein spezifisches wissenschaftliches Problem feinabzustimmen, benötigen Unternehmen Werkzeuge, die KI für ihre eigenen Arbeitsabläufe spezialisieren können, insbesondere für Dinge wie den Kundensupport.
Genau hier passt eine Plattform wie eesel AI ins Bild. Sie basiert auf denselben Kernprinzipien, ist aber für Geschäftsteams und nicht für KI-Wissenschaftler konzipiert.
-
Anpassung basierend auf Ihren Daten. Sie müssen kein massives Sprachmodell von Grund auf trainieren. eesel AI wird intelligent, indem es direkt aus dem vorhandenen Wissen Ihres Unternehmens lernt. Es verbindet sich mit Ihren vergangenen Support-Tickets, Help-Center-Artikeln und internen Dokumenten, um Ihre Markenstimme und die wirklichen Probleme Ihrer Kunden zu verstehen.
-
Zugänglich für das ganze Team. Tinker öffnet die KI für Entwickler, aber eesel AI macht sie für alle anderen zugänglich. Es ist eine Self-Service-Plattform mit Ein-Klick-Integrationen für Tools, die Sie bereits verwenden, wie Zendesk, Freshdesk und Slack. Sie können in wenigen Minuten einen leistungsstarken, benutzerdefinierten KI-Agenten einrichten, ohne dass Ingenieure erforderlich sind.
-
Volle Kontrolle über die Funktionsweise. Die Kontrolle, die Tinker Forschern über den Trainingsprozess gibt, ähnelt der Kontrolle, die eesel AI Support-Managern gibt. Sie entscheiden genau, welche Tickets die KI bearbeitet, erstellen benutzerdefinierte Aktionen für sie (wie das Nachschlagen von Bestellinformationen in Shopify) und formen sogar ihre Persönlichkeit und ihren Ton. Dies stellt sicher, dass die KI als echte Erweiterung Ihres Teams arbeitet.
Preise von Thinking Machine Lab
Im Moment kann man Tinker nicht einfach kaufen. Es ist nur für eine ausgewählte Gruppe von Beta-Nutzern kostenlos verfügbar, und es gibt noch keine öffentlichen Preisinformationen. Das ist ziemlich typisch für ein Unternehmen in der Frühphase, das sich noch tief in der Forschung und Entwicklung befindet. Ihr Ziel ist es im Moment, das Werkzeug in die Hände von Forschern zu geben, um Feedback zu sammeln, nicht um Geld zu verdienen.
Obwohl das für ein F&E-Labor sinnvoll ist, müssen Unternehmen die Kosten kennen. Um kluge Entscheidungen zu treffen und Budgets zu verwalten, benötigen Sie eine klare und vorhersehbare Preisgestaltung. Das ist einer der Hauptunterschiede zwischen einem experimentellen Forschungswerkzeug und einer Plattform, die für den realen Geschäftseinsatz bereit ist.
Die Zukunft ist spezialisierte KI
Thinking Machine Lab ist mehr als nur ein weiteres Startup mit viel Finanzierung. Es repräsentiert einen potenziellen Wandel in der Funktionsweise der KI-Branche. Mit seinem erstklassigen Team und seiner klaren Vision ist es bereit, die Diskussion von einem Wettlauf um Größe mit roher Gewalt hin zu einem intelligenteren Fokus auf effizientes Lernen und tiefgreifende Anpassung zu lenken.
Die wichtigste Erkenntnis hier ist ziemlich klar: Die wahre Stärke der KI liegt nicht darin, ein einziges, riesiges Modell zu schaffen, das alles kann. Sie liegt darin, kleinere, effizientere Systeme zu bauen, die leicht an spezifische Bedürfnisse und Datensätze angepasst werden können.
Während Thinking Machine Lab diese Grenze für Forscher erschließt, können und sollten Unternehmen dieselben Ideen heute anwenden. Die Werkzeuge sind bereits vorhanden, um spezialisierte KI zu bauen, die echte Probleme lösen, Arbeitsabläufe automatisieren und Ihr Team effizienter machen kann.
Machen Sie den nächsten Schritt mit spezialisierter KI
Sie benötigen kein Forschungslabor im Wert von 2 Milliarden US-Dollar, um eine benutzerdefinierte KI für Ihr Team zu erstellen. Mit eesel AI können Sie einen spezialisierten KI-Agenten erstellen, der aus Ihrem Wissen lernt und Kundenprobleme sofort löst. Sie können in nur wenigen Minuten loslegen.
Dieses Video gibt einen Überblick über Tinker, das erste Produkt, das von Mira Muratis neuem Unternehmen, Thinking Machine Lab, auf den Markt gebracht wurde.
Häufig gestellte Fragen
Thinking Machine Lab zielt darauf ab, leistungsstarke KI-Systeme verständlicher, anpassbarer und für eine breitere Palette von Entwicklern und Forschern nutzbar zu machen. Sie konzentrieren sich auf offene Wissenschaft und Zusammenarbeit und gehen damit die Probleme der Komplexität und der begrenzten Zugänglichkeit in der aktuellen KI an.
Das Unternehmen zog diese massive Investition aufgrund seiner Führung durch die ehemalige OpenAI-CTO Mira Murati und ein Dream-Team von KI-Forschern an. Investoren wie Andreessen Horowitz, NVIDIA, AMD und Cisco sahen erhebliches Potenzial in ihrer einzigartigen Vision und ihrem Ansatz zur KI.
Thinking Machine Lab stellt die Idee in Frage, dass die Erreichung von AGI durch rohe Gewalt mit massiven Daten und Rechenleistung der einzige Weg ist. Stattdessen konzentrieren sie sich auf „Meta-Lernen“, indem sie der KI beibringen, wie man aus Erfahrungen lernt und sich erinnert, was zu „übermenschlichen Lernern“ anstelle von nur „gottgleichen Denkern“ führt.
Tinker ist das erste Produkt des Unternehmens, eine API und ein Satz von Werkzeugen, die entwickelt wurden, um die Feinabstimmung leistungsstarker Open-Source-KI-Modelle zu vereinfachen. Es veranschaulicht ihre Philosophie, indem es erweiterte Anpassungen zugänglich macht und mehr Entwicklern und Forschern ermöglicht, KI-Modelle ohne umfangreiche Ressourcen zu spezialisieren.
Derzeit ist Tinker nur für eine ausgewählte Gruppe von Beta-Nutzern kostenlos verfügbar, und es gibt noch keine öffentlichen Preisinformationen. Dies ist typisch für ein Unternehmen in der Frühphase, das sich auf Forschung und das Sammeln von Feedback vor einer breiteren kommerziellen Einführung konzentriert.
Thinking Machine Lab unterscheidet sich durch die Priorisierung von „Meta-Lernen“ und effizienten, anpassungsfähigen Systemen gegenüber reiner Größe und roher Rechenleistung. Sie betonen auch die offene Wissenschaft und die Zugänglichkeit leistungsstarker KI-Anpassungen, im Gegensatz zu den oft verschlossenen Ansätzen größerer Akteure.
Die langfristige Vision ist es, die KI-Branche von einem Wettlauf um monolithische, riesige Modelle hin zum Bau kleinerer, effizienterer Systeme zu verlagern. Diese Systeme wären leicht an spezifische Bedürfnisse und Datensätze anpassbar und würden eine Zukunft spezialisierter und tiefgreifend angepasster KI fördern.
