Сумит Чинтала

ref · 25.Май.2026 07:53:15

Сооснователь и многолетний лидер PyTorch, фреймворка с открытым исходным кодом, на котором работают более 90% мировых ИИ-исследований — инженер родом из Хайдарабада, которого отвергли двенадцать американских университетов при поступлении в магистратуру, но который в итоге создал программный слой, на котором работает бóльшая часть современного ИИ.

Краткая информация

Поле	Детали
Гражданство	Индо-американец
Родился	Хайдарабад, Индия
Текущая должность	Технический директор (CTO), Thinking Machines Lab; приглашённый исследователь, NYU
Сферы исследований	Инфраструктура ИИ, фреймворки глубокого обучения, экосистемы с открытым исходным кодом, генеративные модели, домашняя робототехника
Образование	Бакалавр технологий (B.Tech), информационные технологии, VIT Vellore (2009); магистр наук (M.S.), компьютерные науки, NYU (~2012)
Личный сайт	soumith.ch
Блог	soumith.ch/blog
X / Twitter	@soumithchintala
GitHub	@soumith
Google Scholar	scholar.google.com

Обзор

Самит Чинтала — индо-американский ИИ-инженер, исследователь и организатор сообщества, наиболее известный как сооснователь и многолетний лидер PyTorch — фреймворка глубокого обучения с открытым исходным кодом, который он создал в FAIR (Meta) начиная с 2016 года и который вырос до платформы, обеспечивающей работу более 90% исследовательских и производственных систем ИИ по всему миру. Он провёл одиннадцать лет в Meta, уволившись в ноябре 2025 года после того, как, по его собственным словам, покинул «одно из самых влиятельных мест в ИИ-индустрии». Затем он присоединился к Thinking Machines Lab, ИИ-стартапу Миры Мурати, где в январе 2026 года был назначен техническим директором. К числу его исследовательских достижений относятся основополагающие статьи по GAN (LAPGAN, DCGAN, Wasserstein GAN), работы по инфраструктуре сообщества (Torch-7, EBLearn, convnet-benchmarks), а также текущие исследования в области домашней робототехники в NYU. Его история часто приводится как пример настойчивости: он подал заявления в двенадцать американских университетов для получения степени магистра и был отвергнут всеми, прежде чем в конечном итоге получил место в NYU, где учился под руководством Янна Лекуна.

Ранние годы и образование

Чинтала вырос в Хайдарабаде, Индия, посещал Hyderabad Public School. По его собственному признанию, в ранние годы у него были трудности с математикой, и к компьютерам и решению задач он пришёл через самостоятельное любопытство, а не благодаря академическим успехам. Он описывает свой путь как сформированный глубокой привязанностью к программному обеспечению с открытым исходным кодом — ориентация, которую он частично объясняет тем, что он рос без доступа к ответам, и обнаружил, что открытые знания «выравнивают игровое поле».

B.Tech, информационные технологии — Vellore Institute of Technology (VIT), Тамилнад, Индия, 2005–2009
Чинтала получил степень бакалавра в VIT Vellore, индийском инженерном колледже среднего уровня по стандартам конкурентного индийского технологического найма. После окончания он подал заявления в двенадцать американских университетов для получения степени магистра в области компьютерных наук — и был отвергнут всеми. Вместо того чтобы вернуться в Индию или отказаться от плана, он переехал в Соединённые Штаты по визе J-1 без чёткого дальнейшего пути и в конечном итоге добился зачисления в NYU.

M.S., компьютерные науки — New York University (~2010–2012)
В NYU научным руководителем Чинталы был Янн Лекун, который в то время превращал Институт Куранта NYU в центр исследований глубокого обучения. Его работа в аспирантуре охватывала робототехнику, компьютерное зрение и раннее генеративное моделирование, а также включала вклад в EBLearn — фреймворк глубокого обучения на C++, который он поддерживал вместе с Лекуном и Пьером Сермане. Этот период стал формирующим: работа непосредственно под руководством Лекуна в ранние годы возрождения глубокого обучения и вклад в инструменты машинного обучения с открытым исходным кодом заложили как техническую глубину, так и ориентацию на сообщество, которые определили его дальнейшую карьеру.

Карьера

EBLearn и ранние проекты с открытым исходным кодом (до 2012)

До и во время магистратуры в NYU Чинтала совместно поддерживал EBLearn — фреймворк глубокого обучения на C++, разработанный в лаборатории Лекуна. В расцвете сил EBLearn был одним из основных инструментов для исследований в области глубокого обучения, и работа Чинталы над ним — вместе с исследованиями робототехники и компьютерного зрения, которые он проводил в NYU — стала его входом в экосистему машинного обучения с открытым исходным кодом.

Meta / Facebook AI Research (FAIR) (2014–2025)

Чинтала присоединился к Facebook AI Research в 2014 году, когда FAIR была небольшой командой примерно из дюжины исследователей. Он описывал ранние годы FAIR — особенно 2015 и 2016 — как «вероятно, самые продуктивные и профессионально приятные годы моей жизни», период работы над GAN, обнаружением объектов, ботами для StarCraft и основной инфраструктурой вместе с Робом Фергюсом, Леоном Ботту, Янном Лекуном, Алеком Рэдфордом и другими. Позже он дослужился до вице-президента, прежде чем уйти в ноябре 2025 года.

Torch-7 и convnet-benchmarks (2014–2016)
До PyTorch доминирующим фреймворком глубокого обучения с открытым исходным кодом, используемым Facebook, Google DeepMind и Twitter, был Torch-7 — фреймворк на основе Lua, который поддерживал Чинтала. Он также создал convnet-benchmarks — набор для тестирования производительности нейронных сетей, который стал золотым стандартом, используемым NVIDIA, AMD и Intel Nervana с 2015 по 2017 год для оптимизации их оборудования для глубокого обучения. Эти менее известные достижения заложили практику строгой, сравнительной и открытой оценки систем машинного обучения, которая позже сформировала философию дизайна PyTorch.

LAPGAN и DCGAN (2015)
В соавторстве с Реми Дентон, Артуром Шламом, Робом Фергюсом и другими Чинтала стал соавтором LAPGAN (NIPS 2015) — одной из первых статей, в которой генерировались правдоподобные фотографические изображения с использованием подхода на основе GAN и архитектуры лапласианской пирамиды. Сопровождающая статья DCGAN (arXiv 2015, с Рэдфордом и Мецом) представила архитектуру глубокой свёрточной GAN с методами стабилизации обучения, которые сделали GAN практически пригодными для генерации изображений. DCGAN стала одной из наиболее цитируемых статей по GAN и фактически положила начало эре генеративного моделирования изображений, которая привела к появлению Stable Diffusion, DALL-E и последующих систем генерации изображений.

Wasserstein GAN (2017)
В соавторстве с Мартином Аржовски и Леоном Ботту, Wasserstein GAN ввёл расстояние Вассерштейна в качестве целевой функции обучения для GAN, что существенно повысило стабильность обучения и теоретическую обоснованность. Впоследствии Чинтала описал отказ от GAN «после того, как не смог превратить их в стабильные алгоритмы обучения» — честная оценка, которая также отражает его инженерную этику: если метод нельзя надёжно развернуть, он ещё не заслуживает полной инвестиции.

PyTorch — создание и руководство (2016–2025)
PyTorch был создан в FAIR в 2016 году и выпущен публично в начале 2017 года. В число основателей-участников входили Чинтала, Адам Пашке, Сэм Гросс, Грег Чанан, Альбан Демезон, Эдвард Янг и другие. Ключевая философия дизайна — динамические вычислительные графы (define-by-run) вместо статических графов TensorFlow — сделала PyTorch гораздо более удобным для отладки и итераций, а API на основе Python снизил порог входа для исследователей без опыта системного программирования.

Чинтала был фактическим руководителем PyTorch на протяжении почти восьми лет, одновременно выполняя функции менеджера продукта, технического руководителя, директора по коммуникациям, менеджера сообщества и инженера по релизам. Он ответил на тысячи вопросов на форумах PyTorch и Torch; он описывает эти инвестиции в сообщество на низовом уровне как центральные для создания хороших продуктов. Под его руководством PyTorch вырос из исследовательского прототипа в фреймворк, на котором работают практически все передовые ИИ-компании — включая обучение GPT, Claude, Gemini, LLaMA и Stable Diffusion — а также производственные развёртывания в Tesla, Instagram, TikTok, Snapchat, Pinterest и крупнейших фармацевтических исследовательских программах.

В своём прощальном посте в блоге (6 ноября 2025 года) он охарактеризовал PyTorch как «обучение эксаскейла» и питание «фундаментальных моделей, которые переопределяют интеллект» и подтвердил, что фреймворк достиг «усыновления более 90% в ИИ». Он ушёл с явной целью «снова делать что-то маленькое» — вырваться из влияния своей роли, чтобы вернуть ощущение создания с нуля.

NYU — приглашённые исследования в области робототехники (2019–настоящее время)

Наряду со своей ролью в Meta, Чинтала сотрудничает с Леррелом Пинто в NYU над проектами домашней робототехники, направленными на создание роботов, которые могут выполнять домашние задачи без исчерпывающего обучения для каждой задачи:

Robot Utility Models — продемонстрировали ~90% точность zero-shot на базовых задачах (открывание двери, выдвижение ящика, переориентация объектов) в новых, невиданных ранее средах.
On Bringing Robots Home (DobbE) — 109 задач, протестировано в 10 домах в Нью-Йорке, 81% успеха, на изучение новой задачи требуется 20 минут.
Дополнительные работы по тактильным представлениям, манипуляции с ловкостью и системам семантической памяти для домашних роботов.

Thinking Machines Lab — CTO (ноябрь 2025 г. – настоящее время)

После ухода из Meta в ноябре 2025 года Чинтала присоединился к Thinking Machines Lab Миры Мурати, написав просто: «thinking machines… the people are incredible». В январе 2026 года, после ухода Баррета Зофа (вернувшегося в OpenAI), Мурати назначила Чинталу техническим директором. Она описала его как «блестящего и опытного лидера» с более чем десятилетним опытом фундаментального вклада в инфраструктуру ИИ. В настоящее время его основное внимание в Thinking Machines сосредоточено на инфраструктуре ИИ, исследованиях ИИ и робототехнике.

Ключевые достижения

PyTorch — сооснователь и руководитель на протяжении почти восьми лет; фреймворк глубокого обучения с открытым исходным кодом, используемый сейчас 90%+ ИИ-исследователей по всему миру и обеспечивающий работу практически всех передовых ИИ-систем в производстве. Дизайн динамических вычислительных графов и API на основе Python, которые продвигал Чинтала, установили доминирующую парадигму для дизайна фреймворков машинного обучения.
DCGAN (arXiv 2015, с Рэдфордом и Мецом) — представил архитектуру глубокой свёрточной GAN с методами стабилизации обучения (пакетная нормализация, конкретный выбор функций активации), которые сделали GAN практически полезными; одна из наиболее цитируемых статей по генеративному моделированию и основа для последующего десятилетия исследований генерации изображений.
LAPGAN (NIPS 2015) — одна из первых демонстраций фотореалистичного синтеза изображений с использованием GAN и подхода лапласианской пирамиды; помогла утвердить генеративное моделирование на основе GAN как жизнеспособное направление исследований.
Wasserstein GAN (ICML 2017) — ввёл целевую функцию обучения на основе расстояния Вассерштейна для GAN, что существенно повысило стабильность обучения и обеспечило теоретическое обоснование; основополагающий для последующей методологии обучения GAN.
Torch-7 — поддерживал предшествующий PyTorch фреймворк глубокого обучения на Lua, используемый Google DeepMind, Twitter и Meta; прямой предшественник PyTorch и платформа сообщества, на которой впервые были опробованы дизайнерские идеи PyTorch.
convnet-benchmarks — создал золотой стандарт набора для тестирования глубокого обучения (2015–2017), используемый NVIDIA, AMD и Intel Nervana для оптимизации их оборудования; ранний и влиятельный пример открытой, сравнительной оценки систем машинного обучения.
EBLearn — совместно поддерживал фреймворк глубокого обучения на C++ вместе с Янном Лекуном и Пьером Сермане до 2012 года; один из предшественников современной экосистемы фреймворков машинного обучения.
Домашняя робототехника (с Леррелом Пинто, NYU) — продемонстрировал производительность zero-shot в домашних задачах (Robot Utility Models) и масштабируемое обучение на основе демонстрации в реальных домах (DobbE) — внёс вклад в доказательную базу для развёртываемых домашних роботов.

Награды и признание

TIME100 AI — включён в список самых влиятельных людей в области ИИ по версии журнала Time.
Широко признан как способствовавший наступлению современной эпохи ИИ благодаря роли PyTorch в обучении GPT, Claude, LLaMA, Stable Diffusion и большинства других передовых моделей.
Влияние сообщества PyTorch — восьмилетнее руководство Чинталы PyTorch широко признаётся одним из самых значимых индивидуальных вкладов в инфраструктуру ИИ; коллеги описывают его как «программный слой, который питает всю ИИ-индустрию».

Ключевые отношения

Янн Лекун — научный руководитель в NYU; нанял Чинталу в FAIR; Чинтала приписывает ему вместе с Робом Фергюсом заслугу в создании «волшебного раннего FAIR». Ранняя поддержка Лекуном студента из непрестижного учебного заведения и его последующее сотрудничество с Чинталой в FAIR были решающими для траектории Чинталы.
Адам Пашке — основной сооснователь PyTorch; на тот момент студент бакалавриата в Польше, который внёс вклад в кодовую базу PyTorch и был приглашён на стажировку в FAIR — пример открытости Чинталы к участникам независимо от их дипломов.
Алек Рэдфорд — коллега по FAIR и соавтор DCGAN; период исследований GAN в FAIR принёс одни из наиболее цитируемых ранних работ обоих исследователей.
Мартин Аржовски и Леон Ботту — соавторы Wasserstein GAN; Ботту — старший исследователь FAIR и один из математических основоположников этой области.
Мира Мурати — нынешний работодатель и генеральный директор Thinking Machines Lab; назначила Чинталу техническим директором в январе 2026 года.
Леррел Пинто — сотрудник NYU по домашней робототехнике; их совместная работа представляет собой наиболее устойчивый исследовательский фокус Чинталы за пределами инфраструктуры машинного обучения.
Марк Цукерберг и Майк Шрёпфер (Schrep) — в прощальном посте Чинтала явно поблагодарил их обоих за «веру в то, что открытие исходного кода имеет фундаментальное значение и является разумной бизнес-стратегией» — представляя открытый исходный код как общее убеждение, а не политику, спускаемую сверху.

Личный стиль

Профессиональные ценности Чинталы можно напрямую прочитать из списка принципов на его личном сайте: он «принимает лень» (автоматизировать всё нежелательное), «принимает простоту», «избегает игрушечных или гипотетических проблем» и «неистово любит открытый исходный код». Последний пункт — самый биографический: свою приверженность открытому исходному коду он объясняет тем, что вырос без готового доступа к знаниям и видит открытую публикацию инструментов как способ «выровнять игровое поле». Его стиль управления сообществом — ответы на тысячи вопросов на форумах, оставаясь доступным, приветствуя вклад от студентов бакалавриата в Польше и аспирантов на NeurIPS — отражает тот же эгалитарный инстинкт, который позволил сообществу PyTorch процветать. Его описание ухода из Meta улавливает напряжение, которое проходит через всю его карьеру: выбор между институциональным влиянием (руководство фреймворком, на котором работает весь ИИ) и творческой свободой создания чего-то маленького и неудобного. Его решение уйти в пользу любопытства, а не остаться ради власти, соответствует ценностям, которые он последовательно выражал.