- Soumith Chintala forlater Meta og blir med Mira Muratis Thinking Machines Lab.
- Rapporter indikerer rask ansettelse, betydelige finansieringsmål og et innledende verktøy, Tinker, i pilottesting.
- PyTorchs fotavtrykk med åpen kildekode vokser, med utbredt bruk og en banebrytende NeurIPS-artikkel.
- DeepLearning.AI lanserer et PyTorch Professional-sertifikat på Coursera for å skaffe utviklere ferdigheter.
AI-verdenen opplever en avgjørende overgang PyTorchs medskaper Soumit Chintala forlater Meta for å bli med i Thinking Machines Lab, et nytt prosjekt grunnlagt av den tidligere teknologidirektøren i OpenAI, Mira Murati. Flyttingen understreker tempoet der ledende forskere omformer team og prioriteringer i hele bransjen.
Utover overskriftene signaliserer endringen utviklende strategier rundt rammeverket som mange forskere og ingeniører er avhengige av daglig. Med, lederskifter kan gjenspeile et skifte mot bredere samfunnsforvaltning og nye retninger innen produktutvikling og forskningssamarbeid.
Lederskifter rundt PyTorch
Etter over et tiår med å forme Metas AI-infrastruktur, Soumith Chintala kunngjorde tidlig i november 2025 at han ville trekke seg fra PyTorch-ledelsen og forlate selskapet. Kort tid etter bekreftet han at han hadde sluttet seg til Thinking Machines Lab, og viste til teamets styrke og et ønske om å bygge nye ting.
Chintalas vei har blitt mye omtalt som en inspirasjon: fra Hyderabad og VIT til å være med på å grunnlegge PyTorch i 2016, å gjøre et forskningssentrert verktøysett om til en standard som nå driver banebrytende arbeid på tvers av laboratorier, oppstartsbedrifter og store bedrifter.
Under hans ledelse utviklet PyTorch seg fra en eksperimentell favoritt til en produksjonsklar plattformRammeverkets vekst, styring og bidrag fra lokalsamfunnet befestet sin rolle som hjørnestein av moderne maskinlæringsarbeidsflyter.
Hans avgang kommer midt i en større omstrukturering av store AI-organisasjoner. Selv om detaljene varierer fra rapport til rapport, er den felles tråden tydelig: team og veikart blir justert å konkurrere i en tid definert av modellskala, datarørledninger og distribusjon med globalt fotavtrykk.
Thinking Machines' mål, ansettelser og tidlige produktsignaler
Mira Murati etablerte Thinking Machines Lab med fokus på det hun beskriver som samarbeidende generell intelligens. Gruppens nordstjerne bygger multimodale systemer for naturlig menneskelig interaksjon, med vekt på ansvarlige og skalerbare veier fra forskning til produkt.
Rapporter peker på betydelig investorinteresse: en tidligere såkornrunde på 2 milliarder dollar har blitt mye diskutert, sammen med samtaler som viser til en potensiell verdsettelse i 50 - 60 milliarder dollar Ansettelsesaktiviteten ser ut til å være livlig, noe som gjenspeiler kappløpet om å samle tverrfaglige talenter som spenner over infrastruktur, forskning og produkt.
Oppstartsbedriftens første verktøy, Tinker, har blitt beskrevet som et system for å forenkle finjustering av store språkmodeller. Tidlige pilotprosjekter ved institusjoner som Princeton og Stanford og tester med innledende bedriftsbrukere antyder en målt utrulling etter hvert som teamet itererer med tilbakemeldinger fra den virkelige verden.
Flere rapporter fremhever også fremtredende rekrutter og rådgivere i bransjen, noe som indikerer at Thinking Machines bygger en dyp benk å akselerere utviklingen midt i hard konkurranse om ekspertise.
PyTorchs åpen kildekode-fotavtrykk fortsetter å utvide seg
PyTorch har blitt en foretrukket plattform for forskning og produksjon, med bruk sitert i godt over 150 000 offentlige prosjekter. Virkningen er synlig på tvers datasyn, NLP og generativ modellering, der rask prototyping og fleksibel utrulling er avgjørende.
En bemerkelsesverdig milepæl var PyTorchs første fullstendige artikkel ved NeurIPS (2019), forfattet av Adam Paszke og samarbeidspartnere, som dokumenterte sentrale designvalg frem til versjon 0.4. Det arbeidet kodifiserte rammeverkets prinsipper og bidro til å forene et voksende økosystem av biblioteker og verktøy.
Fra PyTorch-stiftelsens styring til levende bidrag fra lokalsamfunnet, illustrerer rammeverkets utvikling hvordan skalaer for åpen kildekode-samarbeid når forskning, infrastruktur og utdanning er sammenstilt rundt felles mål.
Utdanningsfremstøt: et nytt PyTorch-profesjonelt sertifikat
DeepLearning.AI annonserte PyTorch for Deep Learning Professional Certificate på Coursera, veiledet av Laurence Moroney. Læreplanen fokuserer på hvordan man bygge, trene og distribuere PyTorch-modeller, med mål om å gjøre praktisk dyplæring mer tilgjengelig for et bredere publikum.
For elever og team kan denne typen strukturert læringsløp redusere tiden det tar å gå fra grunnleggende til produksjon. Ved å standardisere praktiske prosjekter og beste praksis, Sertifikatet utvider talentporteføljen og støtter organisasjoner som formaliserer MLOps-stakkene sine rundt PyTorch.
Hvordan økosystemet kan utvikle seg herfra
Etter hvert som Thinking Machines øker og andre laboratorier dobler innsatsen på infrastruktur, vil PyTorch-fellesskapet dra nytte av fornyet fokus på effektivitet, verktøy og distribuert opplæringDen neste fasen vil sannsynligvis inneholde tettere sløyfer mellom forskning og utplassering, med fokus på sikkerhet og pålitelighet.
I mellomtiden fortsetter utviklermiljøet å tøye grensene med prosjekter som blander grundighet og tilgjengelighet. Pedagogiske beskrivelser og implementeringer – fra grunnleggende veiledninger til komplette guider for bygging av StyleGAN i PyTorch– fortsette å senke barrierene for utøvere på alle nivåer.
Med dokumenterte resultater innen åpen kildekode og et voksende utvalg av opplæringsressurser, er PyTorch posisjonert til å forbli en sentral pilar i AI-utvikling. Kombinasjonen av erfaren leder som blir med i nye prosjekter, vedvarende samfunnsenergi og formelle utdanningsløp antyder en innovasjonssyklus som gir næring til både eksperimentering og implementering i den virkelige verden.
