Thinking Machines Lab dévoile des modèles d'IA pour l'interaction en temps réel
La startup de Mira Murati, Thinking Machines Lab, a publié des modèles d'interaction capables de gérer l'audio et la vidéo plein écran en natif et en temps réel. Une démonstration a montré une traduction synchrone, une recherche web et une collaboration multi-personnes sans latence.
Thinking Machines : comment Mira Murati réécrit les règles, faisant de la latence le pire ennemi de l'IA
Ce qui se passe vraiment
Le Thinking Machines Lab de Mira Murati vient de dévoiler un prototype fonctionnel de « modèles d'interaction » — et ce n'est pas juste un autre système multimodal. C'est une refonte fondamentale de la façon dont l'IA perçoit le temps et la présence humaine. Tous les modèles actuels, de GPT-4o à Gemini, fonctionnent en mode pas à pas : l'utilisateur envoie une requête, le système réfléchit, puis répond. Entre-temps, le modèle est aveugle et sourd. Murati appelle cela la « camisole de force de l'interface » à laquelle les humains doivent s'adapter.
TML-Interaction-Small est un mélange d'experts de 276 milliards de paramètres (12 milliards de paramètres actifs) qui traite l'audio et la vidéo par tranches de 200 millisecondes tout en générant simultanément une réponse. La latence de changement de tour est de 0,40 seconde, contre 0,57 pour Gemini-3.1-flash-live et 1,18 pour GPT-realtime-2.0. Le système peut s'intercaler dans une conversation sans y être invité, remarquer un indice visuel (une erreur de codage, une personne entrant dans le cadre) et réagir — le tout sans modules externes de reconnaissance vocale comme Whisper.
Mais la vitesse n'est pas l'essentiel. L'essentiel est le changement architectural : l'interactivité est devenue une propriété du modèle, et non de l'enveloppe logicielle. C'est la différence entre une voiture avec un grelot de vélo boulonné et une voiture conçue autour du conducteur.
Chronologie et contexte
L'histoire de Thinking Machines est une chronique de la plus grande guerre des talents de l'histoire de la Silicon Valley.
Février 2025 : Mira Murati, ancienne CTO d'OpenAI et architecte de ChatGPT, annonce la création de Thinking Machines Lab. John Schulman, co-fondateur d'OpenAI, et plusieurs chercheurs clés partent avec elle.
Juillet 2025 : L'entreprise lève le plus grand tour de table de démarrage de l'histoire — 2 milliards de dollars pour une valorisation de 10 à 12 milliards de dollars. Andreessen Horowitz, NVIDIA, Accel, ServiceNow, Cisco et AMD participent.
Août 2025 : Le Wall Street Journal rapporte que Mark Zuckerberg a personnellement tenté d'acheter Thinking Machines. Après avoir été refusé, Meta a débauché plus d'une douzaine de ses quelque 50 employés.
Octobre 2025 : Lancement de Tinker, une plateforme de fine-tuning pour modèles open-source. Les premiers utilisateurs incluent des groupes de recherche de Princeton, Stanford et Berkeley.
Janvier 2026 : Un coup bas. Trois co-fondateurs — Barrett Zoph, Luke Metz et Sam Schoenholz — retournent chez OpenAI. Murati déclare publiquement avoir licencié Zoph pour « comportement contraire à l'éthique ». Une enquête ultérieure de Wired révèle des relations personnelles non divulguées entre Zoph et une dirigeante. OpenAI conteste la caractérisation de Murati dans une note interne.
Mars-Avril 2026 : Thinking Machines contre-attaque. L'entreprise débauche Soumith Chintala, créateur de PyTorch chez Meta, et le nomme CTO. Simultanément, un accord stratégique est signé avec NVIDIA pour déployer au moins 1 gigawatt de systèmes Vera Rubin. Les experts du secteur estiment le coût d'une telle infrastructure à 500 milliards de dollars. Le partenariat avec Google Cloud basé sur GB300 est également élargi.
Mai 2026 : Le point culminant. Thinking Machines démontre les modèles d'interaction, prouvant que six mois de pertes de talents n'ont pas arrêté le développement.
Gagnants et perdants
Gagnant : Meta — le bénéficiaire le moins évident. Zuckerberg a eu accès à des développeurs clés de Thinking Machines sans acheter l'entreprise. Soumith Chintala, créateur de PyTorch, est désormais le CTO de Murati, ce qui signifie que l'écosystème PyTorch reste dominant chez Thinking Machines, bénéficiant indirectement à Meta.
Perdant : OpenAI. Perdre Schulman et la fuite des talents vers Murati a obligé l'entreprise à consacrer des ressources au contre-débauchage. Le retour de Zoph et Metz est une victoire, mais à la Pyrrhus. OpenAI a dû justifier publiquement l'embauche d'un employé avec une ombre réputationnelle. Pire : Thinking Machines a créé un produit qui attaque directement l'interface phare d'OpenAI — le mode vocal de ChatGPT.
Perdant : Google. Gemini-3.1-flash-live, annoncé comme une percée dans l'interaction en temps réel, est déjà obsolète sur le papier. 0,57 seconde contre 0,40, c'est la différence entre « presque comme un humain » et « humain ».
Gagnant : NVIDIA. Jensen Huang continue de couvrir ses paris avec maestria. NVIDIA est investisseur dans OpenAI, Thinking Machines et Anthropic. Quel que soit le gagnant de la course aux modèles d'IA, les puces sont achetées à Santa Clara. L'accord de 1 gigawatt pour Vera Rubin signifie que même si Thinking Machines ne décolle pas en tant qu'entreprise, NVIDIA a déjà des commandes pour les années à venir.
Ce que les médias ne disent pas
Aperçu un : Le jeu périphérique dont personne ne parle. Toute la présentation de Thinking Machines tourne autour de la voix et de la vidéo à faible latence. Mais la véritable importance économique des modèles d'interaction ne réside pas dans les centres d'appels, mais dans l'industrie. Un modèle avec un sens intégré du temps peut surveiller une chaîne de production, une opération chirurgicale ou une expérience chimique et intervenir sans qu'on le lui demande — simplement en remarquant une anomalie. Actuellement, cela nécessite des systèmes de vision par ordinateur séparés qui ne peuvent pas parler. Thinking Machines unifie cela dans une seule architecture. Si le produit atteint les entreprises, il remplacera non pas les chatbots mais toute une classe de systèmes SCADA de sécurité industrielle. C'est un marché d'environ 80 milliards de dollars, que toutes les critiques de startups ignorent.
Aperçu deux : Le problème de reproductibilité. Les encodeurs vocaux externes comme Whisper peuvent être échangés, modifiant la qualité de reconnaissance. Mais dans l'architecture de Thinking Machines, il n'y a pas d'encodeurs — l'audio va directement sous forme de spectrogramme dMel via un embedding léger. Cela signifie que le modèle ne peut pas être « réparé » en remplaçant un composant. S'il hallucine sur certains accents ou dialectes, tout le système doit être réentraîné. Pour les clients corporatifs, cela pose un risque de verrouillage fournisseur à une échelle dont OpenAI n'a jamais rêvé.
Aperçu trois : Pyramide financière ou nouveau Intel ? Le schéma où NVIDIA investit dans des startups d'IA, et ces startups dépensent l'argent levé pour des puces NVIDIA, rappelle à certains analystes la bulle internet de la fin des années 90. Mais il y a une différence cruciale : les entreprises de télécoms en 1999 posaient de la fibre que personne n'utilisait. Thinking Machines construit des centres de données pour une demande existante — les commandes sont déjà là, la capacité est nécessaire maintenant. Cela ne deviendra une bulle que si le marché des services d'IA s'effondre, mais pour l'instant les valorisations montent. 12 milliards de dollars pour une entreprise sans produit public est agressif, mais huit mois avant la démo du modèle d'interaction, la valorisation était déjà à ce niveau.
Prévisions : 30 et 90 prochains jours
30 jours (d'ici mi-juin 2026). Thinking Machines ouvrira un accès limité à un aperçu de recherche pour des partenaires sélectionnés. Les candidats les plus probables : Redwood Research (a déjà travaillé avec Tinker), Stanford et Princeton. Je m'attends à ce que des tests indépendants confirment la latence de 0,4 seconde mais révèlent des problèmes de multilinguisme — l'architecture a été principalement entraînée sur l'anglais, et les performances sur les langues asiatiques avec des structures de pause différentes seront moins bonnes.
Pendant ce temps, les concurrents vont accélérer. OpenAI annoncera presque certainement une mise à jour de GPT-realtime avec une latence réduite — probablement autour de 0,5-0,6 seconde. Google tentera de contre-attaquer en intégrant Gemini à l'écosystème Android lors de Google I/O, traditionnellement tenu en mai.
90 jours (d'ici mi-août 2026). C'est une période critique pour Thinking Machines en tant qu'entreprise. L'entreprise a dépensé au moins 200 à 300 millions de dollars en infrastructures et salaires depuis sa création (130 employés, dont beaucoup d'ex-OpenAI avec des packages de rémunération de 2 à 5 millions de dollars par an plus des primes de signature). Si aucun client corporatif payant n'émerge en dehors de la communauté de recherche dans les 90 jours, des discussions sur un nouveau tour de table commenceront.
La sécurité industrielle sera le premier marché. Thinking Machines doit signer au moins un contrat majeur avec un fabricant du Fortune 500 — un partenariat avec Siemens ou Rockwell Automation, dont les systèmes de gestion de production ont besoin de surveillance en temps réel, semble logique.
L'événement le plus important à l'horizon de 90 jours est la décision de Meta. Après que Zuckerberg a échoué à acheter l'entreprise puis a débauché une partie de l'équipe, il a deux options : soit copier entièrement l'architecture de Thinking Machines pour Llama 5, soit proposer un nouvel accord, cette fois hostile. Étant donné que Soumith Chintala est désormais le CTO de Murati et connaît les rouages internes de Meta, je parierais sur la copie.
En fin de compte : Thinking Machines est passée de l'idée au produit en 16 mois, battant les systèmes phares d'OpenAI et de Google sur le paramètre clé du futur — le temps de réaction. Que Murati puisse transformer un avantage technologique en une entreprise durable est une question pour les trois prochains mois. Mais une chose est déjà claire : l'ère où l'on faisait attendre l'IA touche à sa fin.
— Editorial Team
Aucun commentaire pour le moment.