La Mira Murati, coneguda per la seva trajectòria en intel·ligència artificial, ha presentat juntament amb Thinking Machines Lab una visió que desafia el paradigma actual de models centralitzats i congelats. La seva proposta: una IA distribuïda, personalitzable i modelada pels usuaris, on el coneixement tàcit i local de cada organització es pugui incorporar directament als pesos del model. Aquest enfocament no només canvia l'arquitectura tècnica, sinó que redefineix qui controla i alinea la intel·ligència artificial.
La idea central és que la major part del coneixement valuós en empreses i institucions és tàcit, s'actualitza constantment mitjançant la retroalimentació i no es pot extreure ni capturar en una base de dades estàtica. Un xef que perfecciona una recepta, un metge que adapta protocols o un advocat que afina el seu estil: tots posseeixen un saber que la IA tradicional, entrenada una vegada i després congelada, no pot reflectir. Thinking Machines Lab proposa que la IA ha de ser distribuïda per gestionar aquest coneixement distribuït, no per extreure'l ni reemplaçar-lo.
Per aconseguir-ho, el laboratori ha definit quatre direccions tècniques. La primera, entrenar models multimodals amb capacitat d'interacció contínua i personalització. La segona, desenvolupar eines com Tinker que permeten als equips tècnics ajustar els pesos dels models mitjançant tècniques com LoRA (Low-Rank Adaptation). La tercera, construir interfícies que ampliïn el canal de comunicació humà-màquina, passant de torns de text a micro-torns d'uns 200 mil·lisegons que integren àudio, vídeo i text en temps real. La quarta, publicar recerca oberta perquè més enginyers comprenguin com es construeixen els models.
Aquest canvi de paradigma té implicacions profundes per a empreses que busquen adoptar IA de manera sobirana. En lloc de llogar un model fix que amb prou feines es pot modificar mitjançant instruccions superficials, les organitzacions poden posseir adaptadors de pesos exportables, entrenats amb les seves pròpies dades i que reflecteixen els seus valors i processos. Per exemple, un hospital podria afinar un model amb els seus protocols interns mantenint les dades i els pesos a les seves instal·lacions. Un despatx d'advocats podria adaptar el model al seu estil i actualitzar-lo cada cop que canviïn les directives internes. Un equip de suport tècnic podria corregir el model en plena interacció, guiant-lo amb micro-torns continus.
Des d'una perspectiva tècnica, Thinking Machines Lab planteja que l'alineació no ha de ser un únic punt de captura centralitzat. Si tot el poder de decidir quins valors incorpora un model resideix en un sol laboratori, es crea un risc de captura o biaix uniforme. Per això, proposen que els valors es codifiquin en els pesos, no en els prompts. Els prompts canvien la capa superficial del comportament, però els hàbits profunds del model romanen fixos. En canvi, els pesos ajustats mitjançant fine-tuning porten amb si la empremta de l'organització que els va entrenar.
Aquesta visió connecta directament amb la necessitat de disposar d'infraestructura tècnica adequada. Les empreses que vulguin implementar aquest tipus d'IA distribuïda requereixen plataformes de desenvolupament de programari a mida que integrin models oberts, sistemes d'emmagatzematge segur i capacitats d'orquestració al núvol. Aquí és on companyies com Q2BSTUDIO aporten la seva experiència, oferint serveis que van des de la personalització de models de llenguatge fins a la integració amb entorns cloud com AWS o Azure, garantint que les dades i els adaptadors romanguin sota control del client.
A més, la seguretat es converteix en un pilar fonamental. En posseir els pesos del model i les dades d'entrenament, l'organització s'ha de protegir contra accessos no autoritzats i possibles fuites d'informació. Els serveis de ciberseguretat resulten essencials per auditar el pipeline de fine-tuning, blindar els entorns d'inferència i garantir que la IA personalitzada no exposi vulnerabilitats. Igualment, la intel·ligència de negoci (BI) i eines com Power BI es beneficien de models que comprenen el llenguatge propi de l'empresa, permetent generar informes i anàlisis contextualitzats sense dependre d'assistents genèrics.
Els agents d'IA, una de les tendències més prometedores, també encaixen en aquesta filosofia. En lloc d'agents autònoms que actuen sense supervisió, Thinking Machines Lab advoca per agents col·laboratius que interactuen en micro-torns amb els humans, corregint el seu rumb en temps real. Això permet tasques complexes on la intel·ligència humana i l'artificial es complementen, com la revisió de documents legals o el diagnòstic assistit per imatge. La combinació de fine-tuning local amb interfícies multimodals obre la porta a sistemes que aprenen i s'adapten al context específic de cada equip.
En definitiva, la proposta de la Mira Murati i Thinking Machines Lab representa un gir cap a una IA més democràtica i útil. No es tracta de construir models més grans, sinó de distribuir-los de manera que cada organització pugui conrear el seu propi coneixement sense perdre el control. Perquè aquesta visió sigui pràctica, cal un ecosistema d'eines de desenvolupament, plataformes cloud segures i consultoria especialitzada. Empreses com Q2BSTUDIO estan preparades per acompanyar les organitzacions en aquest camí, oferint solucions de programari a mida, integració al núvol i protecció de dades, perquè la IA personalitzada sigui una realitat operativa i no només un concepte teòric.
