تصور کنید کسی که ابزار حیاتی‌ترین پروژه‌های شما را ساخته، ناگهان تیم را ترک کند. متا (Meta) دقیقاً در همین وضعیت است و دارد قلب تپنده‌ی تیم تحقیق خود را از دست می‌دهد.
جنگ استعدادها در دنیای هوش مصنوعی زاینده (Generative AI) تغییر جهت داده است. Thinking Machines Lab (TML) در حال تخلیه‌ی مخازن تخصص متا است و موفق شده است باهوش‌ترین پژوهگران این شرکت را به جذب کند. تکان‌دهنده‌ترین مورد، خروج سومیت چینتالا (Soumith Chintala) است؛ مردی که ۱۱ سال در متا بود و چارچوب یادگیری عمیق پای‌تورچ (PyTorch) را خلق کرد.
به گزارش TechCrunch و بر اساس بررسی پروفایل‌های لینکدین تا ۲۴ آوریل ۲۰۲۶، TML بیش از هر شرکت دیگری از متا نیروی متخصص جذب کرده است. لیست این مهاجرت گسترده شامل چهره‌های زیر است:
- پیوتر دلار (Piotr Dollár): متخصص ۱۱ ساله‌ی متا و نویسنده‌ی مدل اثرگذار سگمنت انی‌تینگ (Segment Anything).
- ویاو وانگ (Weiyao Wang): متخصص ۸ ساله‌ی متا که هفته‌ی گذشته پروژه SAM3D را ترک کرد.
- کنت لی (Kenneth Li): فارغ‌التحصیل دکتری هاروارد.
- آندریا مادوتو (Andrea Madotto) و جیمز سان (James Sun): از ارکان تیم‌های نرم‌افزاری و پژوهشی متا.
همان‌طور که در تحلیل قبلی ما درباره‌ی رقابت مدل‌های بازمتن اشاره کردیم، دسترسی به تخصص‌های سطح بالا، تنها نیمی از معادله است. TML برای تکمیل این پازل، به زیرساخت‌های عظیم روی آورده است. طبق اعلام رسمی در رویداد Google Cloud Next در روز سه‌شنبه‌ی گذشته، این استارتاپ قراردادی چند میلیارد دلاری با گوگل (Google) امضا کرد تا به جدیدترین تراشه‌های GB300 (GB300 chips) شرکت انویدیا (Nvidia) دسترسی داشته باشد.
این سطح از قدرت محاسباتی، TML را در یک رده‌ی زیرساختی مشابه با آنتروپیک (Anthropic) و متا قرار می‌دهد. با وجود اینکه متا حقوق‌های هفت‌رقمی افسانه‌ای پرداخت می‌کند، اما ارزش‌گذاری ۱۲ میلیارد دلاری TML، وسوسه‌ای مالی ایجاد کرده که حتی با استانداردهای سیلیکون‌ولی رقابتی است.
اما این جنگ یک‌طرفه نیست. طبق گزارش Business Insider در هفته‌ی گذشته، متا در اقدامی تلافی‌جویانه، ۷ نفر از بنیان‌گذاران TML را شکار کرده است. این تنش شدید پس از آن می‌آید که متا سال گذشته تلاش کرده بود TML را به‌طور کامل خریداری کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گام بعدی شما
- تحولات در توسعه‌ی PyTorch را زیر نظر بگیرید؛ خروج خالق آن می‌تواند مسیر تکامل این ابزار را تغییر دهد.
- مدل‌های خروجی TML را پس از استقرار کلاسترهای GB300 بررسی کنید تا قدرت واقعی این زیرساخت مشخص شود.
- استراتژی‌های جذب استعداد در استارتاپ‌های AI را مطالعه کنید تا بفهمید چگونه ارزش‌گذاری (Valuation) بر حقوق ثابت غلبه می‌کند.
گفتگو