Thinking Machines Lab, il laboratorio guidato da Mira Murati, ha pubblicato un report che difende un’idea precisa: l’AI dovrebbe essere distribuita, personalizzabile e modellata dai suoi utenti, invece che addestrata in pochi luoghi e poi congelata. La tesi conta perché sposta il baricentro dall’ottimizzazione centralizzata del modello alla capacità di adattarlo dove il lavoro accade davvero.
Il report indica quattro direzioni tecniche: addestrare modelli forti con interazione multimodale e personalizzabilità; costruire strumenti che permettano alle persone di fare fine-tuning dei model weights in autonomia; sviluppare interfacce che allarghino il canale di comunicazione uomo-macchina; pubblicare ricerca perché più ingegneri capiscano come vengono costruiti i modelli.
Perché la conoscenza distribuita richiede AI distribuita
Sotto queste direzioni c’è un’affermazione sulla natura della conoscenza. Molto know-how è tacito, locale e aggiornato di continuo tramite feedback: un cuoco che affina una ricetta non può scrivere quell’abilità in un database. Il report cita Michael Polanyi e Friedrich Hayek per sostenere che la pianificazione centralizzata fallisce perché questa conoscenza è privata e transitoria, non scarsa. Le eccezioni dichiarate sono scacchi e matematica: domini chiusi con obiettivi statici ed esprimibili, dove self-play e risoluzione autonoma funzionano bene.
I due colli di bottiglia
Il report riformula due limiti noti come obiettivi ingegneristici. Il primo è il canale di comunicazione: una piccola casella di testo e una lunga attesa. Gli interaction models del laboratorio ricevono audio, video e testo in continuo, con micro-turni di circa 200ms. Il secondo limite è la valutazione stessa: benchmark come quello di METR misurano quanto a lungo un modello lavora da solo, trascurando ciò che persone e macchine ottengono insieme.
Ownership e alignment decentralizzato
Sul fronte dei valori, il report avverte che una singola autorità di alignment diventa un single point of capture: i prompt cambiano il comportamento di superficie, mentre le abitudini più profonde del modello restano fisse. Da qui l’idea che i valori vadano codificati nei model weights. È qui che l’API Tinker diventa concreta: fa fine-tuning di open-weights model come Llama e Qwen usando LoRA, espone primitive di basso livello e permette di esportare adapter weights portabili di cui l’organizzazione mantiene la proprietà.
Gli esempi d’uso citati sono diretti: un ospedale che fa fine-tuning sul proprio protocollo tenendo dati e adapter weights in casa, uno studio legale che adatta un modello al proprio stile, un team di supporto che corregge il modello a metà task tramite l’interazione live.
- Il report tratta la partecipazione umana come sfida tecnica, non come limite alla capacità.
- La conoscenza tacita e locale è la ragione dichiarata per cui l’AI stessa deve essere distribuita.
- L’alignment viene inquadrato come molti modelli diversi e posseduti, non come una specifica centrale.
Fonte: Mira Murati’s Thinking Machines Lab Makes The Technical Case For Human-Centered AI Built On Customizable Model Weights — https://www.marktechpost.com/2026/07/11/mira-muratis-thinking-machines-lab-makes-the-technical-case-for-human-centered-ai-built-on-customizable-model-weights/
Hai qualcosa da aggiungere? Unisciti alla discussione.