- Soumith Chintala는 Meta를 떠나 Mira Murati의 Thinking Machines Lab에 합류했습니다.
- 보고서에 따르면, 채용이 빠르게 진행되고, 자금 조달 목표도 상당하며, 초기 도구인 Tinker가 시범 테스트 단계에 있다고 합니다.
- PyTorch의 오픈소스 영향력은 널리 채택되고 NeurIPS에 획기적인 논문이 발표되면서 확대되고 있습니다.
- DeepLearning.AI는 개발자의 기술 향상을 위해 Coursera에서 PyTorch 전문가 자격증 과정을 시작합니다.
AI 세계는 중대한 전환을 지켜보고 있습니다. PyTorch의 공동 개발자 수 미친 친 탈라 메타를 떠나 전 OpenAI CTO 미라 무라티가 설립한 신생 벤처인 씽킹 머신즈 랩에 합류합니다. 이번 인수는 업계 전반의 선도적인 연구자들이 팀과 우선순위를 재편하는 속도를 여실히 보여줍니다.
이러한 변화는 헤드라인을 넘어, 많은 연구자와 엔지니어들이 매일 사용하는 프레임워크를 중심으로 진화하는 전략의 징후입니다. 리더십 변화는 변화를 반영할 수 있습니다. 보다 광범위한 커뮤니티 관리와 제품 개발 및 연구 협업에 대한 새로운 방향을 지향합니다.
PyTorch를 중심으로 리더십이 변화합니다
10년 이상 Meta의 AI 인프라를 형성하는 데 도움을 준 후, Soumith Chintala는 2025년 11월 초에 발표했습니다. 그는 PyTorch 리더십에서 물러나고 회사를 떠날 것이라고 밝혔습니다. 얼마 지나지 않아 그는 팀의 강점과 새로운 것을 만들고자 하는 열망을 언급하며 Thinking Machines Lab에 합류하게 되었다고 밝혔습니다.
Chintala의 경로는 하이데라바드와 VIT에서 2016년 PyTorch 공동 창립에 이르기까지 영감으로 널리 인용되었습니다. 연구 중심 툴킷을 표준으로 전환 이제 연구소, 스타트업, 대기업 등 다양한 분야에서 최첨단 작업을 수행할 수 있게 되었습니다.
그의 관리 하에 PyTorch는 실험적인 인기 제품에서 생산 준비 플랫폼. 프레임워크의 성장, 거버넌스 및 커뮤니티 기여 초석으로서의 역할을 굳건히 했습니다. 최신 머신 러닝 워크플로우에 대해 알아보세요.
그의 사임은 주요 AI 기관들의 광범위한 조직 개편과 함께 이루어졌습니다. 구체적인 내용은 보도마다 다르지만, 공통점은 분명합니다. 팀과 로드맵이 재조정되고 있습니다. 모델 규모, 데이터 파이프라인, 글로벌 배포를 통해 정의되는 시대에 경쟁하기 위해.
Thinking Machines의 목표, 채용 및 초기 제품 신호
미라 무라티는 자신이 '협업적 일반 지능'이라고 부르는 것에 초점을 맞춰 씽킹 머신 랩을 설립했습니다. 이 그룹의 핵심은 자연스러운 인간 상호작용을 위한 다중 모드 시스템책임감 있고 확장 가능한 연구-제품 경로에 중점을 둡니다.
보고서는 상당한 투자자 관심을 지적합니다. 잠재적 가치 평가를 언급하는 회담과 함께 이전의 2억 달러 시드 라운드가 널리 논의되었습니다. $ 50- $ 60 billion 다양한 분야. 인프라, 연구, 제품 전반에 걸쳐 다양한 분야의 인재를 영입하려는 경쟁이 치열해지면서 채용이 활발해 보입니다.
스타트업의 첫 번째 도구인 Tinker는 다음을 단순화하는 시스템으로 설명되었습니다. 대규모 언어 모델의 미세 조정. 프린스턴과 스탠포드와 같은 기관의 초기 조종사 초기 기업 사용자를 대상으로 한 시험은 팀이 실제 피드백을 바탕으로 반복 작업을 진행함에 따라 측정된 출시가 필요하다는 것을 시사합니다.
또한 여러 보고서에서는 업계 전반에 걸쳐 저명한 신입사원과 고문을 강조하여 다음과 같은 사실을 나타냅니다. Thinking Machines는 깊은 벤치를 구축하고 있습니다. 전문성을 향한 치열한 경쟁 속에서 개발을 가속화합니다.
PyTorch의 오픈소스 영향력은 계속 확장되고 있습니다.
PyTorch는 연구 및 생산을 위한 선택 플랫폼이 되었으며 100개가 넘는 곳에서 사용이 인용되었습니다. 150,000만 개의 공공 프로젝트. 그 영향은 전역에서 볼 수 있습니다. 컴퓨터 비전, NLP 및 생성 모델링신속한 프로토타입 제작과 유연한 배포가 필수적인 경우입니다.
주목할 만한 이정표는 Adam Paszke와 공동 연구자들이 2019년 NeurIPS에서 발표한 PyTorch의 첫 번째 전체 논문으로, 버전 0.4까지의 핵심 설계 선택 사항을 기록했습니다. 프레임워크의 원칙을 체계화했습니다. 그리고 성장하는 도서관과 도구의 생태계를 통합하는 데 도움이 되었습니다.
PyTorch Foundation의 거버넌스부터 활발한 커뮤니티 기여까지 프레임워크의 궤적은 다음과 같은 내용을 보여줍니다. 오픈소스 협업 규모 연구, 인프라, 교육이 공유된 목표를 중심으로 정렬될 때.
교육 추진: 새로운 PyTorch 전문가 자격증
DeepLearning.AI는 Laurence Moroney가 지도하는 Coursera에서 PyTorch for Deep Learning Professional Certificate 과정을 발표했습니다. 이 교육 과정은 다음과 같은 방법에 중점을 둡니다. PyTorch 모델을 빌드, 학습 및 배포실용적인 딥러닝을 더 많은 사람이 접할 수 있도록 하는 것을 목표로 합니다.
학습자와 팀에게 이러한 유형의 체계적인 경로는 기본 학습에서 실무 학습으로 전환하는 데 걸리는 시간을 단축할 수 있습니다. 실무 프로젝트와 모범 사례를 표준화함으로써, 자격증은 인재 파이프라인을 확대합니다 PyTorch를 중심으로 MLOps 스택을 공식화하는 조직을 지원합니다.
여기에서 생태계가 어떻게 진화할 수 있을까?
Thinking Machines가 성장하고 다른 연구소가 인프라에 더욱 집중함에 따라 PyTorch 커뮤니티는 다음에 대한 새로운 집중을 통해 이점을 얻을 수 있습니다. 효율성, 툴링 및 분산 교육. 다음 단계는 다음과 같은 특징을 가질 가능성이 높습니다. 연구와 배포 사이의 더욱 긴밀한 루프안전성과 신뢰성을 중시합니다.
한편, 개발자 커뮤니티는 엄격함과 접근성을 결합한 프로젝트를 통해 경계를 넓혀가고 있습니다. 교육 자료 및 구현(기초 튜토리얼부터 PyTorch에서 StyleGAN을 구축하는 방법에 대한 종단 간 가이드—모든 계층의 실무자들을 위한 장벽을 지속적으로 낮추고 있습니다.
오픈 소스 분야에서 입증된 실적과 점점 더 늘어나는 학습 리소스를 바탕으로 PyTorch는 AI 개발의 핵심으로 자리매김할 것입니다. 새로운 사업에 참여하는 경험이 풍부한 리더십지속 가능한 지역 사회 에너지와 공식적인 교육 경로는 실험과 실제 적용을 모두 촉진하는 혁신의 순환을 시사합니다.
