Ce n'est pas tous les jours qu'une nouvelle startup d'IA, dirigée par les mêmes personnes qui ont créé des outils comme ChatGPT, parvient à lever la somme vertigineuse de 2 milliards de dollars en financement d'amorçage. Surtout quand elle n'a même pas encore lancé de produit. Quand cela arrive, on y prête attention. La startup en question est Thinking Machine Lab.
Dirigée par l'ancienne directrice technique d'OpenAI, Mira Murati, et une équipe de rêve de chercheurs en IA, l'entreprise a atteint une valorisation stupéfiante de 12 milliards de dollars et génère le genre d'engouement qu'on voit habituellement pour un nouveau film Marvel. Mais une fois qu'on dépasse le battage médiatique et les chiffres astronomiques, que cherche réellement à construire Thinking Machine Lab ? Essayons d'y voir plus clair et examinons l'entreprise, son approche unique, son premier produit et ce que tout cela signifie pour l'avenir de l'IA.
Qu'est-ce que Thinking Machine Lab ?
Fondée en février 2025, Thinking Machine Lab est une entreprise de recherche et de produits d'IA qui a vu le jour lorsqu'une grande partie des talents a quitté OpenAI. Sa mission est de résoudre certains des plus grands problèmes de l'IA aujourd'hui en rendant les systèmes puissants plus faciles à comprendre, à personnaliser et à utiliser pour un plus grand nombre de créateurs et de chercheurs. Ils prônent la science ouverte et la collaboration, ce qui constitue un changement majeur par rapport à l'approche fermée et secrète que l'on observe chez de nombreux géants du secteur.
Cette vision audacieuse a rapidement attiré l'un des plus importants financements d'amorçage de l'histoire du capital-risque. L'investissement de 2 milliards de dollars a été mené par Andreessen Horowitz et comprenait le gratin des géants de la tech comme NVIDIA, AMD et Cisco. Une telle somme n'est pas seulement un vote de confiance envers une équipe de choc ; c'est un pari énorme sur leur façon complètement différente de concevoir l'IA.
Avec de tels fonds, Thinking Machine Lab n'est pas juste une autre entreprise qui bricole avec l'IA. Elle se positionne comme un concurrent direct des grands acteurs tels qu'OpenAI, Google DeepMind et Anthropic. Mais ils ne cherchent pas simplement à construire une version plus grande de ce qui existe déjà. Ils essaient de changer les règles du jeu.
La nouvelle philosophie de Thinking Machine Lab : se concentrer sur l'apprentissage, pas seulement sur la mise à l'échelle
Ces dernières années, la stratégie principale en IA était assez simple : viser toujours plus grand. L'idée dominante était qu'avec suffisamment de données, de puissance de calcul et un modèle assez massif, on pouvait atteindre l'intelligence artificielle générale (AGI) par la force brute. Thinking Machine Lab est là pour dire : « Pas si vite. »
Selon Rafael Rafailov, chercheur au sein de l'entreprise, l'objectif n'est pas seulement de créer des « raisonneurs de niveau divin », mais de construire des « apprenants surhumains ». Il souligne une faille majeure dans les meilleurs systèmes d'IA actuels : ils n'apprennent pas vraiment de leurs expériences. Vous pouvez passer tout un après-midi à apprendre à un assistant de codage comment résoudre un problème complexe, mais lorsque vous revenez le lendemain, il repart de zéro. Comme le dit Rafailov, pour la plupart des IA, « chaque jour est leur premier jour de travail. »
Cette approche est incroyablement peu efficace. Au lieu de simplement bombarder un problème avec plus de données et de puissance de calcul, Thinking Machine Lab se concentre sur le « méta-apprentissage », qui consiste essentiellement à enseigner à une IA comment apprendre. L'objectif est de créer des systèmes qui peuvent réellement mémoriser des informations, s'appuyer sur les interactions passées et s'améliorer avec le temps, tout comme le fait un être humain. C'est un changement subtil mais puissant : passer de l'entraînement d'une IA sur ce qu'elle doit penser à lui donner la capacité d'apprendre à penser par elle-même. Cette idée est au cœur de tout ce qu'ils font.
De la recherche à la réalité : présentation de Tinker, le premier produit de Thinking Machine Lab
Alors, comment cette nouvelle philosophie se transforme-t-elle en un produit concret ? La première offre de l'entreprise est un outil appelé Tinker, et il nous donne un aperçu assez clair de leur stratégie.
Tinker est une API et un ensemble d'outils conçus pour faciliter grandement la personnalisation de modèles d'IA open-source puissants, comme Llama de Meta, pour les développeurs et les chercheurs. Ce processus est appelé le fine-tuning (ou affinage), où vous prenez un modèle général et l'entraînez pour qu'il devienne un expert dans une tâche spécifique, que ce soit la rédaction de contrats juridiques ou la réponse à des questions médicales complexes.
Jusqu'à présent, le fine-tuning était un véritable casse-tête. C'était coûteux et compliqué, nécessitant des connaissances spécialisées, des tonnes de GPU et des logiciels sophistiqués pour y parvenir. Tinker s'occupe d'une grande partie de ce travail fastidieux. Il offre une interface simple qui permet aux utilisateurs de modifier les modèles avec seulement quelques lignes de code, ouvrant ainsi la porte à un plus grand nombre de personnes pour s'impliquer dans la recherche de haut niveau en IA.
C'est une avancée majeure, car elle donne du pouvoir aux innovateurs qui ne travaillent pas dans les grands laboratoires technologiques. Au lieu d'être coincés avec les API universelles d'une poignée d'entreprises, un plus grand nombre de personnes peuvent maintenant expérimenter et construire leur propre IA spécialisée. C'est un premier pas pour rendre les outils de création de l'IA de nouvelle génération accessibles à tous.
Comment votre entreprise peut utiliser ces mêmes idées dès aujourd'hui
Bien que Thinking Machine Lab développe des outils pour les plus grands chercheurs en IA du monde, vous n'avez pas besoin d'un doctorat ou d'une valorisation à un milliard de dollars pour intégrer les mêmes idées de personnalisation et d'apprentissage spécialisé dans votre propre entreprise. La vraie magie de l'IA opère lorsqu'elle est adaptée à vos besoins spécifiques, et vous pouvez commencer à le faire dès maintenant.
Tout comme Tinker aide un chercheur à affiner un modèle pour un problème scientifique spécifique, les entreprises ont besoin d'outils capables de spécialiser l'IA pour leurs propres flux de travail, en particulier pour des domaines comme le support client.
C'est exactement là qu'une plateforme comme eesel AI entre en jeu. Elle est construite sur les mêmes principes fondamentaux mais est conçue pour les équipes commerciales, pas pour les scientifiques de l'IA.
-
Personnalisation basée sur vos données. Vous n'avez pas à entraîner un modèle de langage massif à partir de zéro. eesel AI devient intelligent en apprenant directement des connaissances existantes de votre entreprise. Il se connecte à vos anciens tickets de support, articles de centre d'aide et documents internes pour comprendre la voix de votre marque et les vrais problèmes auxquels vos clients sont confrontés.
-
Accessible à toute l'équipe. Tinker ouvre l'IA aux développeurs, mais eesel AI la rend accessible à tous les autres. C'est une plateforme en libre-service avec des intégrations en un clic pour les outils que vous utilisez déjà, comme Zendesk, Freshdesk, et Slack. Vous pouvez avoir un agent d'IA personnalisé puissant et opérationnel en quelques minutes, sans avoir besoin d'ingénieurs.
-
Un contrôle total sur son fonctionnement. Le contrôle que Tinker donne aux chercheurs sur le processus d'entraînement est similaire au contrôle qu'eesel AI donne aux responsables du support. Vous décidez exactement quels tickets l'IA traite, vous créez des actions personnalisées pour elle (comme rechercher des informations de commande dans Shopify), et vous façonnez même sa personnalité et son ton. Cela garantit que l'IA fonctionne comme un véritable prolongement de votre équipe.
Tarifs de Thinking Machine Lab
Pour le moment, vous ne pouvez pas simplement acheter Tinker. Il n'est disponible gratuitement que pour un groupe restreint d'utilisateurs bêta, et il n'y a pas encore d'informations publiques sur les tarifs. C'est assez typique pour une entreprise en phase de démarrage qui est encore en pleine recherche et développement. Leur objectif actuel est de mettre l'outil entre les mains des chercheurs pour recueillir des commentaires, pas de gagner de l'argent.
Bien que cela ait du sens pour un laboratoire de R&D, les entreprises ont besoin de connaître les coûts. Pour prendre des décisions éclairées et gérer les budgets, vous avez besoin d'une tarification claire et prévisible. C'est l'une des principales différences entre un outil de recherche expérimental et une plateforme prête pour une utilisation professionnelle concrète.
L'avenir est à l'IA spécialisée
Thinking Machine Lab est plus qu'une simple startup avec beaucoup de financement. Elle représente un changement potentiel dans le fonctionnement de l'industrie de l'IA. Avec son équipe de haut niveau et sa vision claire, elle est en passe de faire évoluer le débat d'une course à la taille par la force brute vers une concentration plus intelligente sur l'apprentissage efficace et la personnalisation approfondie.
La conclusion principale est assez claire : la véritable puissance de l'IA ne réside pas dans la création d'un unique modèle géant capable de tout faire. Elle réside dans la construction de systèmes plus petits et plus efficaces qui peuvent être facilement adaptés à des besoins et des ensembles de données spécifiques.
Alors que Thinking Machine Lab ouvre cette voie pour les chercheurs, les entreprises peuvent, et devraient, appliquer ces mêmes idées dès aujourd'hui. Les outils sont déjà là pour construire une IA spécialisée capable de résoudre de vrais problèmes, d'automatiser les flux de travail et de rendre votre équipe plus efficace.
Passez à l'étape suivante avec l'IA spécialisée
Vous n'avez pas besoin d'un laboratoire de recherche à 2 milliards de dollars pour créer une IA personnalisée pour votre équipe. Avec eesel AI, vous pouvez créer un agent d'IA spécialisé qui apprend de vos connaissances et résout instantanément les problèmes des clients. Vous pouvez commencer en quelques minutes seulement.
Cette vidéo donne un aperçu de Tinker, le premier produit lancé par la nouvelle entreprise de Mira Murati, Thinking Machine Lab.
Questions fréquentes
Thinking Machine Lab vise à rendre les systèmes d'IA puissants plus faciles à comprendre, à personnaliser et à utiliser pour un plus grand nombre de créateurs et de chercheurs. Ils se concentrent sur la science ouverte et la collaboration, s'attaquant aux problèmes de complexité et d'accessibilité limitée de l'IA actuelle.
L'entreprise a attiré cet investissement massif grâce à sa direction par l'ancienne directrice technique d'OpenAI, Mira Murati, et une équipe de rêve de chercheurs en IA. Des investisseurs comme Andreessen Horowitz, NVIDIA, AMD et Cisco ont vu un potentiel important dans leur vision et leur approche uniques de l'IA.
Thinking Machine Lab remet en question l'idée que la seule voie à suivre pour atteindre l'AGI est la force brute avec des données massives et une énorme puissance de calcul. Au lieu de cela, ils se concentrent sur le « méta-apprentissage », en enseignant à l'IA comment apprendre et se souvenir des expériences, ce qui mène à des « apprenants surhumains » plutôt qu'à de simples « raisonneurs de niveau divin ».
Tinker est le premier produit de l'entreprise, une API et un ensemble d'outils conçus pour simplifier le fine-tuning (l'affinage) de modèles d'IA open-source puissants. Il illustre leur philosophie en rendant la personnalisation avancée accessible, permettant à davantage de développeurs et de chercheurs de spécialiser des modèles d'IA sans avoir besoin de ressources considérables.
Actuellement, Tinker n'est disponible gratuitement que pour un groupe restreint d'utilisateurs bêta, et aucune information publique sur les tarifs n'a encore été communiquée. C'est typique d'une entreprise en phase de démarrage, axée sur la recherche et la collecte de commentaires avant un lancement commercial plus large.
Thinking Machine Lab se différencie en donnant la priorité au « méta-apprentissage » et aux systèmes efficaces et adaptatifs plutôt qu'à la simple mise à l'échelle et à la puissance de calcul brute. Ils mettent également l'accent sur la science ouverte et l'accessibilité à la personnalisation puissante de l'IA, contrairement aux approches souvent fermées des grands acteurs.
La vision à long terme est de faire évoluer l'industrie de l'IA d'une course aux modèles monolithiques et géants vers la construction de systèmes plus petits et plus efficaces. Ces systèmes seraient facilement adaptables à des besoins et des ensembles de données spécifiques, favorisant un avenir d'IA spécialisée et profondément personnalisée.
