Thinking Machines Lab de Mira Murati Propõe IA Centrada no Ser Humano com Pesos Customizáveis

Os Quatro Pilares Técnicos da Proposta

O laboratório define quatro direções técnicas interligadas. A primeira é treinar modelos robustos com interação multimodal e customizabilidade nativa — modelos que entendem áudio, vídeo e texto de forma contínua. A segunda é construir ferramentas que permitam que pessoas e organizações façam fine-tuning e treinem pesos de modelo por conta própria, sem depender de infraestrutura centralizada. A terceira é desenvolver interfaces que ampliem o canal de comunicação humano-máquina, indo muito além da caixa de texto tradicional. A quarta é publicar pesquisa abertamente para que mais engenheiros entendam como os modelos são construídos — um compromisso com a transparência que contrasta com a tendência de caixas-pretas da indústria.

Conhecimento Distribuído Exige IA Distribuída

O argumento filosófico do relatório é tão importante quanto o técnico. Citando Michael Polanyi e Friedrich Hayek, o laboratório defende que grande parte do conhecimento humano é tácito, local e atualizado constantemente por feedback — um chef refinando uma receita não consegue codificar sua expertise em um banco de dados. O planejamento central falha porque esse conhecimento é privado e efêmero, não escasso. Portanto, a IA precisa ser distribuída para usar conhecimento distribuído, ajudando organizações a cultivar seu conhecimento proprietário em vez de extraí-lo e substituí-lo.

O relatório cita xadrez e matemática como exceções — domínios fechados com objetivos estáticos onde auto-jogo e resolução autônoma funcionam bem. Fora desses domínios, inteligência bruta não basta.

Gargalos Técnicos e a API Tinker

O relatório reformula dois limites conhecidos como alvos de engenharia. O canal de comunicação (uma caixa de texto com longa espera) é atacado pelos “modelos de interação” do laboratório, que processam áudio, vídeo e texto continuamente em micro-turnos de ~200ms. A avaliação é o segundo gargalo: benchmarks como os do METR medem quanto tempo um modelo trabalha sozinho, ignorando o que humanos e máquinas realizam juntos.

Na prática, essas ideias se materializam na API Tinker, que permite fine-tuning de modelos open-weights como Llama e Qwen usando LoRA. A API expõe primitivas de baixo nível e permite exportar pesos de adaptador portáteis. Um loop supervisionado segue este padrão:

import tinker
from tinker import types

service_client = tinker.ServiceClient()
training_client = service_client.create_lora_training_client(
    base_model="Qwen/Qwen3-8B", rank=32,
)

for batch in dataset:
    fwd_bwd = training_client.forward_backward(batch, "cross_entropy")
    optim = training_client.optim_step(types.AdamParams(learning_rate=1e-4))
    fwd_bwd.result()
    optim.result()

sampling_client = training_client.save_weights_and_get_sampling_client(
    name="meu-adaptador",
)

Alinhamento Descentralizado

O relatório faz um alerta contundente: uma única autoridade de alinhamento se torna um ponto único de captura. Prompts mudam o comportamento superficial, mas hábitos profundos do modelo permanecem fixos. Por isso, o laboratório defende que valores devem ser codificados nos pesos do modelo, não em prompts. A abordagem contrasta frontalmente com o modelo dominante:

Casos de Uso Concretos

O relatório mapeia as ideias para cenários reais. Um hospital poderia fazer fine-tuning de um modelo com seus próprios protocolos, mantendo dados e pesos de adaptador internamente. Um escritório de advocacia adaptaria um modelo ao seu estilo interno, retreinando sempre que as diretrizes mudassem. Uma equipe de suporte usaria interação ao vivo para corrigir o modelo durante a tarefa. Em todos os casos, a organização mantém a propriedade em vez de alugar um modelo fixo.

Por Que Isso Importa

A proposta do Thinking Machines Lab chega num momento em que o debate sobre soberania de IA se intensifica. Empresas e governos começam a questionar a dependência de modelos controlados por poucos players. A visão de Mira Murati oferece um caminho técnico concreto para um futuro onde a IA é uma ferramenta de autonomia organizacional, não um serviço que se consome passivamente. Para o ecossistema brasileiro de tecnologia, a abordagem é particularmente relevante: permite que empresas locais adaptem modelos a contextos regulatórios, linguísticos e culturais específicos sem depender de infraestrutura estrangeira.