Thinking Machines Lab stellt KI-Modelle für Echtzeit-Interaktion vor
Mira Muratis Startup Thinking Machines Lab hat Interaktionsmodelle veröffentlicht, die natives Vollbild-Audio und -Video in Echtzeit ermöglichen. Eine Demonstration zeigte synchrones Übersetzen, Websuche und Mehrpersonen-Kollaboration ohne Verzögerung.
Thinking Machines: Wie Mira Murati die Regeln neu schreibt und Latenz zum größten Feind der KI macht
Was wirklich passiert
Mira Muratis Thinking Machines Lab hat gerade einen funktionierenden Prototypen von „Interaktionsmodellen“ vorgestellt – und das ist nicht einfach ein weiteres multimodales System. Es ist ein grundlegendes Umdenken darüber, wie KI Zeit und menschliche Präsenz wahrnimmt. Alle aktuellen Modelle, von GPT-4o bis Gemini, arbeiten im Schritt-für-Schritt-Modus: Der Benutzer sendet eine Anfrage, das System denkt nach, dann antwortet es. Dazwischen ist das Modell blind und taub. Murati nennt das die „Zwangsjacke der Schnittstelle“, an die sich der Mensch anpassen muss.
TML-Interaction-Small ist ein 276-Milliarden-Parameter-Mixture-of-Experts (12 Milliarden aktive Parameter), das Audio und Video in 200-Millisekunden-Blöcken verarbeitet und gleichzeitig eine Antwort generiert. Die Turn-Switching-Latenz beträgt 0,40 Sekunden, verglichen mit 0,57 bei Gemini-3.1-flash-live und 1,18 bei GPT-realtime-2.0. Das System kann unaufgefordert in ein Gespräch eingreifen, einen visuellen Hinweis bemerken (einen Codierungsfehler, eine Person, die ins Bild tritt) und reagieren – alles ohne externe Spracherkennungsmodule wie Whisper.
Aber Geschwindigkeit ist nicht die Hauptsache. Die Hauptsache ist der architektonische Wandel: Interaktivität ist zu einer Eigenschaft des Modells geworden, nicht der Software-Hülle. Es ist der Unterschied zwischen einem Auto mit einem Fahrradklingel und einem Auto, das um den Fahrer herum entwickelt wurde.
Zeitstrahl und Kontext
Die Geschichte von Thinking Machines ist eine Chronik des größten Talentkriegs in der Geschichte des Silicon Valley.
Februar 2025: Mira Murati, ehemalige CTO von OpenAI und Architektin von ChatGPT, gründet Thinking Machines Lab. OpenAI-Mitbegründer John Schulman und mehrere wichtige Forscher gehen mit ihr.
Juli 2025: Das Unternehmen sammelt die größte Seed-Runde der Geschichte ein – 2 Milliarden Dollar bei einer Bewertung von 10-12 Milliarden Dollar. Andreessen Horowitz, NVIDIA, Accel, ServiceNow, Cisco und AMD beteiligen sich.
August 2025: Das Wall Street Journal berichtet, dass Mark Zuckerberg persönlich versucht hat, Thinking Machines zu kaufen. Nach der Ablehnung hat Meta über ein Dutzend seiner rund 50 Mitarbeiter abgeworben.
Oktober 2025: Einführung von Tinker, einer Plattform zum Feintuning von Open-Source-Modellen. Zu den ersten Nutzern gehören Forschungsgruppen von Princeton, Stanford und Berkeley.
Januar 2026: Ein Tiefschlag. Drei Mitbegründer – Barrett Zoph, Luke Metz und Sam Schoenholz – kehren zu OpenAI zurück. Murati erklärt öffentlich, sie habe Zoph wegen „unethischen Verhaltens“ entlassen. Eine anschließende Wired-Untersuchung deckt unoffengelegte persönliche Beziehungen zwischen Zoph und einer weiblichen Führungskraft auf. OpenAI bestreitet Muratis Darstellung in einem internen Memo.
März-April 2026: Thinking Machines schlägt zurück. Das Unternehmen wirbt Soumith Chintala, den Schöpfer von PyTorch, von Meta ab und ernennt ihn zum CTO. Gleichzeitig wird eine strategische Vereinbarung mit NVIDIA unterzeichnet, um mindestens 1 Gigawatt Vera-Rubin-Systeme zu deployen. Branchenexperten schätzen die Kosten einer solchen Infrastruktur auf 500 Milliarden Dollar. Die Partnerschaft mit Google Cloud auf Basis von GB300 wird ebenfalls ausgebaut.
Mai 2026: Der Höhepunkt. Thinking Machines demonstriert Interaktionsmodelle und beweist, dass sechs Monate Talentverluste die Entwicklung nicht gestoppt haben.
Gewinner und Verlierer
Gewinner: Meta – der am wenigsten offensichtliche Nutznießer. Zuckerberg erhielt Zugang zu wichtigen Thinking-Machines-Entwicklern, ohne das Unternehmen zu kaufen. Soumith Chintala, Schöpfer von PyTorch, ist jetzt Muratis CTO, was bedeutet, dass das PyTorch-Ökosystem bei Thinking Machines dominant bleibt, was Meta indirekt zugutekommt.
Verlierer: OpenAI. Der Verlust von Schulman und der Talentabfluss zu Murati zwangen das Unternehmen, Ressourcen für Gegenabwerbung aufzuwenden. Die Rückkehr von Zoph und Metz ist ein Sieg, aber ein Pyrrhussieg. OpenAI musste öffentlich rechtfertigen, einen Mitarbeiter mit einem Reputationsschatten einzustellen. Schlimmer noch: Thinking Machines hat ein Produkt geschaffen, das direkt OpenAIs Flaggschiff-Schnittstelle – den Sprachmodus von ChatGPT – angreift.
Verlierer: Google. Gemini-3.1-flash-live, als Durchbruch bei der Echtzeit-Interaktion angekündigt, ist auf dem Papier bereits veraltet. 0,57 Sekunden vs. 0,40 ist der Unterschied zwischen „fast wie ein Mensch“ und „Mensch“.
Gewinner: NVIDIA. Jensen Huang hedgt weiterhin meisterhaft seine Wetten. NVIDIA ist Investor bei OpenAI, Thinking Machines und Anthropic. Wer auch immer das KI-Modell-Rennen gewinnt, Chips werden in Santa Clara gekauft. Die 1-Gigawatt-Vera-Rubin-Vereinbarung bedeutet, dass NVIDIA selbst dann, wenn Thinking Machines als Geschäft nicht abhebt, bereits Aufträge für Jahre hat.
Was die Medien nicht sagen
Erkenntnis Eins: Das Peripherie-Spiel, über das niemand spricht. Die gesamte Thinking-Machines-Präsentation dreht sich um latenzarme Sprach- und Video-Interaktion. Aber die eigentliche wirtschaftliche Bedeutung von Interaktionsmodellen liegt nicht in Callcentern, sondern in der Industrie. Ein Modell mit einem eingebetteten Zeitgefühl kann ein Fließband, eine chirurgische Operation oder ein chemisches Experiment überwachen und eingreifen, ohne gefragt zu werden – einfach, indem es eine Anomalie bemerkt. Derzeit erfordert dies separate Computer-Vision-Systeme, die nicht sprechen können. Thinking Machines vereint dies in einer einzigen Architektur. Wenn das Produkt zu Unternehmen gelangt, wird es nicht Chatbots ersetzen, sondern eine ganze Klasse industrieller Sicherheits-SCADA-Systeme. Das ist ein Markt von etwa 80 Milliarden Dollar, den alle Startup-Reviews ignorieren.
Erkenntnis Zwei: Das Reproduzierbarkeitsproblem. Externe Sprach-Encoder wie Whisper können ausgetauscht werden, was die Erkennungsqualität verändert. Aber in der Architektur von Thinking Machines gibt es keine Encoder – Audio geht direkt als dMel-Spektrogramm durch ein leichtes Embedding. Das bedeutet, dass das Modell nicht durch Austausch einer Komponente „repariert“ werden kann. Wenn es bei bestimmten Akzenten oder Dialekten halluziniert, muss das gesamte System neu trainiert werden. Für Unternehmenskunden stellt dies ein Vendor-Lock-in-Risiko in einem Ausmaß dar, von dem OpenAI nie geträumt hat.
Erkenntnis Drei: Finanzpyramide oder neues Intel? Das Muster, bei dem NVIDIA in KI-Startups investiert und diese Startups das aufgenommene Geld für NVIDIA-Chips ausgeben, erinnert einige Analysten an die Internetblase der späten 90er Jahre. Aber es gibt einen entscheidenden Unterschied: Telekommunikationsunternehmen verlegten 1999 Glasfaser, die niemand nutzte. Thinking Machines baut Rechenzentren für bestehende Nachfrage – Aufträge sind bereits da, Kapazität wird jetzt benötigt. Es wird nur dann zu einer Blase, wenn der KI-Dienstleistungsmarkt zusammenbricht, aber derzeit steigen die Bewertungen. 12 Milliarden Dollar für ein Unternehmen ohne öffentliches Produkt ist aggressiv, aber acht Monate vor der Interaktionsmodell-Demo lag die Bewertung bereits auf diesem Niveau.
Prognose: Nächste 30 Tage und 90 Tage
30 Tage (bis Mitte Juni 2026). Thinking Machines wird den eingeschränkten Zugang zu einer Forschungsvorschau für ausgewählte Partner öffnen. Die wahrscheinlichsten Kandidaten: Redwood Research (hat bereits mit Tinker gearbeitet), Stanford und Princeton. Ich erwarte, dass unabhängige Tests die 0,4-Sekunden-Latenz bestätigen, aber Probleme mit Mehrsprachigkeit aufdecken – die Architektur wurde hauptsächlich auf Englisch trainiert, und die Leistung bei asiatischen Sprachen mit anderen Pausenstrukturen wird schlechter sein.
In der Zwischenzeit werden die Wettbewerber aufrüsten. OpenAI wird mit ziemlicher Sicherheit ein Update von GPT-realtime mit reduzierter Latenz ankündigen – wahrscheinlich auf 0,5-0,6 Sekunden. Google wird versuchen, durch die Integration von Gemini in das Android-Ökosystem auf der Google I/O, die traditionell im Mai stattfindet, zu kontern.
90 Tage (bis Mitte August 2026). Dies ist eine kritische Phase für Thinking Machines als Unternehmen. Das Unternehmen hat seit seiner Gründung mindestens 200-300 Millionen Dollar für Infrastruktur und Gehälter ausgegeben (130 Mitarbeiter, viele davon ehemalige OpenAI-Mitarbeiter mit Vergütungspaketen von 2-5 Millionen Dollar pro Jahr plus Unterzeichnungsprämien). Wenn innerhalb von 90 Tagen keine zahlenden Unternehmenskunden außerhalb der Forschungsgemeinschaft auftauchen, wird über eine neue Finanzierungsrunde gesprochen.
Industrielle Sicherheit wird der erste Markt sein. Thinking Machines muss mindestens einen großen Vertrag mit einem Fortune-500-Hersteller abschließen – eine Partnerschaft mit Siemens oder Rockwell Automation, deren Produktionsmanagementsysteme Echtzeit-Überwachung benötigen, scheint logisch.
Das wichtigste Ereignis im 90-Tage-Horizont ist die Entscheidung von Meta. Nachdem Zuckerberg das Unternehmen nicht kaufen konnte und dann einen Teil des Teams abgeworben hat, hat er zwei Optionen: entweder die Architektur von Thinking Machines für Llama 5 vollständig kopieren oder einen neuen Deal vorschlagen, diesmal feindlich. Da Soumith Chintala jetzt Muratis CTO ist und Metas Interna kennt, würde ich auf Kopieren wetten.
Am Ende: Thinking Machines ist in 16 Monaten von der Idee zum Produkt gelangt und hat die Flaggschiff-Systeme von OpenAI und Google beim Schlüsselparameter der Zukunft – der Reaktionszeit – geschlagen. Ob Murati einen technologischen Vorteil in ein nachhaltiges Geschäft verwandeln kann, ist eine Frage der nächsten drei Monate. Aber eines ist bereits klar: Die Ära, in der KI warten muss, geht zu Ende.
— Editorial Team
Noch keine Kommentare.