Thinking Machines 推出 Inkling，一款 9750 億參數的開放權重 AI 模型

Thinking Machines Lab 推出 Inkling，這是一款擁有 9750 億參數的開放權重模型，挑戰了集中化的 AI 典範。

Thinking Machines Lab 推出的 Inkling 是一款擁有 9750 億參數的混合專家（MoE）模型，每項任務僅啟用 410 億個活躍參數，為企業提供了一種開放權重的替代方案，以對抗 OpenAI、Anthropic 和 Google 那種「一套模型適用所有人」的模式。

「由單一公司集中訓練、然後固定不變的 AI，其表現不如由組織自行塑造的 AI，」Thinking Machines Lab 上週在一篇部落格文章中表示，並將此次發布定位為企業客製化的起點，而非最終成品。

Inkling 以 45 兆個 Token 進行訓練，涵蓋文字、圖像、音訊和影片，並能原生地在這三種模態之間進行推理。在程式碼基準測試方面，該公司表示，Inkling 只需使用 Nvidia Nemotron 3 Ultra 三分之一的 Token 量，即可達到相同的效能，不過 Thinking Machines 並未揭露該項比較的測試條件。該模型運行於 Nvidia 的 GB300 NVL72 系統上，這是雙方於三月宣布建立戰略合作夥伴關係的一部分，旨在部署 10 億瓦（1 吉瓦）的 Vera Rubin 算力容量。

Thinking Machines 背後的賭注是：那些願意透過其客製化平台 Tinker 來微調自家模型的組織，能夠比那些為專有模型支付訂閱費用的企業，從 AI 中提取更多價值。微軟執行長薩提亞·納德拉（Satya Nadella）週日也提出了類似論點，警告企業使用專有 AI 實際上是在雙重付費——一次是訂閱成本，另一次則是將嵌入在提示詞和修正內容中的業務知識拱手交出。

這項論點正在獲得 Thinking Machines 自身行銷以外的支持。Hugging Face 執行長克萊姆·德朗格（Clem Delangue）上週預測，前沿模型將越來越侷限於實驗用途，而大多數的生產級 AI 工作將轉向私有或開源替代方案。與全球最大對沖基金橋水聯合公司（Bridgewater Associates）合作的一項專案提供了佐證：根據一份於 6 月底發布的聯合論文，研究人員將一個現有的開源模型進行進一步訓練，灌輸橋水公司的金融專業知識，該模型在金融推理測試中獲得 84.7% 的成績——擊敗了頂級專有模型——同時運行成本僅約為其十四分之一。

Thinking Machines 強調了其達成此一里程碑的速度。OpenAI 花了約五年、Anthropic 花了約三年才將技術推向市場並展現營收；Thinking Machines 表示他們在約九個月內就做到了同樣的事。該公司目前約有 200 名員工，相較於今年稍早一波離職潮（包括兩位共同創辦人於一月離職加入 OpenAI）後的員工人數有所增加。

關於 Inkling 的訓練數據仍存在一些疑問。該公司從頭開始預訓練了該模型，但在大規模強化學習接手之前，曾使用其他開放權重模型（包括 Moonshot AI 的 Kimi K2.5）來幫助生成部分早期的訓練後數據。Thinking Machines 表示，下一個模型將完全採用自給自足的訓練後流程。

在商業方面，其經濟模式與規模更大的競爭對手不同。去年 11 月曾有報導稱，一輪據稱達 500 億美元的融資正在成形，但多家媒體報導指出該輪融資到 1 月時已陷入停滯；此後該公司一直拒絕討論其融資狀況，儘管 Nvidia 表示在三月宣布合作夥伴關係時已進行了「重大投資」。該公司尚未透露其如何平衡基礎設施支出與營收的計畫。

其營收模式本身也非常規。一旦 Inkling 的權重公開，任何下載它的人都無需向 Thinking Machines 付費即可運行——這與 OpenAI 和 Anthropic 所銷售的計量存取模式不同。該公司的營收必須來自 Tinker，透過訓練、微調以及從圍繞它建立的託管網路中抽取分成來實現。

對投資者而言，這次發布將考驗開放權重模型的論點能否產生可持續的營收。如果企業能夠以極低的成本（正如橋水公司的專案所顯示的）微調 Inkling，使其達到或超越專有模型的表現，那麼集中化的 AI 訂閱模式將面臨結構性壓力。投資 Thinking Machines 並提供其基礎設施的 Nvidia，無論哪個模型勝出，只要算力需求持續增長，都將從中受益。然而，缺乏公開揭露的營收以及停滯的融資輪，引發了外界對 Thinking Machines 在需要展現獲利路徑之前，能維持基礎設施支出多久的疑問。

本文僅供參考，不構成投資建議。