Thinking Machines Lab发布首款开放权重AI模型Inkling
由前OpenAI首席技术官Mira Murati创立的AI初创公司Thinking Machines Lab于周三上午发布了其首款自研AI模型Inkling。与OpenAI、Anthropic或Google的旗舰模型不同，该模型采用开放权重（open-weight）形式，意味着外部开发者和企业可以直接下载并修改它。
技术架构与性能表现
Inkling是一个混合专家（MoE）系统，总参数量为9750亿，但在处理任何特定任务时仅调用其中一部分——约410亿。这种设计使得超大规模模型运行更快、成本更低。据该公司发布材料称，它使用了45万亿个文本、图像、音频和视频token进行训练，并原生支持在这四种模态上进行推理。不过目前，其输出仅限于文本，包括代码、样式化制品和结构化数据。
Inkling旨在提供经过校准的答案，包括标记不确定性而非随意猜测，并允许用户在希望以速度换取性能时调整“思考力度”。据该公司称，在一个基准测试中，Inkling使用的token数量仅为Nvidia Nemotron 3 Ultra（其最新一代开源权重模型）的三分之一，却达到了相同的编码性能。
Thinking Machines并未声称Inkling是同类最佳产品。其最新博客文章明确指出，Inkling“并非当今可用的最强整体模型，无论是开源还是闭源。”相反，它显然追求的是均衡的性能表现。
市场定位与核心理念
在花费一年半时间主要在公众视野之外构建AI基础设施后，该模型成为Thinking Machines Lab的首个公开成果；其中部分工作已在“交互模型”的五月研究预览中有所体现——这种AI旨在倾听和说话（甚至能打断），而非像典型聊天机器人那样停止并等待。这也是对该初创公司核心赌注的一次检验，即组织能够自行调整的AI将优于目前大型实验室销售的千篇一律的模型。
这就引出了一个问题：在其目标的企业市场中，这款产品究竟是为谁准备的？目前，Thinking Machines将Inkling营销为一个起点，而非成品，供组织通过其模型定制平台Tinker自行微调。这也意味着客户需自行确保其定制内容的安全性。（微调需要专业的机器学习人才。）
OpenAI、Anthropic和Google分别通过ChatGPT、Claude和Gemini采取了截然不同的方法，这些产品最初都是作为通用聊天机器人构建的，随后才叠加了智能体（agentic）和自主功能。
Thinking Machines上周发布的一篇帖子显然为此发布提供了背景，该公司在该帖中指出，由一家公司集中训练然后固定不变的AI，其表现不如组织自行塑造的AI，因为大量专业知识都特定于掌握这些知识的人员。
行业趋势与合作案例
其他反对封闭模型的论点正日益强劲。微软CEO Satya Nadella在其周日发表的博客文章中警告称，使用专有AI模型的企业实际上支付了两次费用：一次是订阅成本，另一次则是通过将其提示词和修正中嵌入的商业知识拱手相让，而这些知识可能被吸收进未来的模型版本中。
Hugging Face CEO Clem Delangue上周在与TechCrunch的对话中做出了类似的预测。他表示，前沿模型将越来越多地保留用于实验和高价值任务，而大多数生产型AI工作将转向私有或开源替代方案——这正是Thinking Machines所围绕构建的精确分工。
支持Thinking Machines方法的最有力论据来自其与全球最大对冲基金Bridgewater Associates合作的近期项目（值得注意的是，Bridgewater并非Thinking Machines的投资方）。两家公司的研究人员利用现有开源模型，并结合Bridgewater自身的金融专业知识进行了进一步训练。据称，该模型在金融推理测试中得分84.7%，击败了顶级专有AI模型，且运行成本仅为前者的约十四分之一——尽管这些结果出自这两家公司的自我评估，而非独立评估。
发展速度与商业模式
无论如何，Thinking Machines都在强调其进展之快。OpenAI花了大约五年时间将其技术推向市场并实现收入，Anthropic则花了大约三年。Thinking Machines表示，它在大约九个月内就实现了同样的成就。
一些人会怀疑Inkling是否使用了竞争对手模型的输出来进行训练，这种被称为“蒸馏”的做法在行业内一直受到严格审视。根据该公司自身的资料，简短的回答是部分如此。Thinking Machines从头开始预训练了Inkling，但表示它使用了其他开源权重模型——包括月之暗面的Kimi K2.5——来帮助生成早期后训练数据，直到大规模强化学习接管为止。该公司坚持认为，下一个模型将完全使用自包含的后训练方法。
在成本方面，Thinking Machines表现得更为谨慎。今年三月，它与Nvidia达成了一项合作，部署千兆瓦级的Vera Rubin计算能力，并完全使用Nvidia的GB300 NVL72系统对Inkling进行了训练——但尚未说明计划如何覆盖这些成本，而且据多数报道，收入并非其优先事项。（据报道，去年十一月正在组建一轮高达500亿美元的融资，但到一月已陷入停滞；自那以后，该公司一直拒绝谈论其融资状况。）
一个相关的问题是，Thinking Machines的支出规模是否会达到OpenAI或Anthropic的水平，还是说其以效率为导向的方法意味着经济模型有所不同。换句话说，该公司的押注可能并非在于它最终会像其更大的竞争对手那样花费巨资，而在于它根本不需要这样做——因为一旦权重公开，任何下载这些权重的人都没有义务付费让Thinking Machines来运行它们，这与OpenAI和Anthropic所销售的按量计费访问模式不同。因此，公司的收入必须来自Tinker（而非模型本身），通过训练、微调以及如今围绕其构建的主机生态系统分成来实现。
团队与文化
至少从员工人数来看，情况似乎更加稳定。Thinking Machines目前雇佣了约200人，较今年早些时候一波离职潮后报告的人数有所上升，其中包括两位联合创始人于1月离开公司加入OpenAI。
就Thinking Machines而言，它似乎并不像行业中的许多公司那样热衷于突出个人动向。据公司内部人士透露，其文化在设计上更倾向于连续性，而非依赖任何单一的个人魅力。这很合理：如果人们从未被捧上神坛，那么他们更换团队所带来的挫折感就会小得多。考虑到该公司自身的故事仍与其现已成名的联合创始人的名字紧密相连，无论她是否有意为之，坚持这种理念实属难得。