Thinking Machines发布首个开源模型Inkling，押注可定制化AI路线

AI

Thinking Machines Lab是由前OpenAI首席技术官米拉·穆拉蒂创立的AI初创公司，该公司于周三发布了旗下首个自研AI模型——Inkling。与OpenAI、Anthropic或谷歌的旗舰模型不同，Inkling采用开放权重设计，这意味着外部开发者和企业可以直接下载并对其进行修改。

Inkling是一套混合专家系统，总参数量达9750亿，但针对任何特定任务，实际调用的参数量约为410亿。这种设计方式十分常见，能够有效降低超大型模型的运行速度与成本。据公司官方资料显示，该模型基于45万亿Token的文本、图像、音频及视频数据进行训练，具备原生跨模态推理能力。不过，Inkling当前的输出能力仅限于文本形式，包括代码、格式化内容及结构化数据。

Inkling是Thinking Machines Lab在过去一年半时间里大量低调投入AI基础设施建设后，首次面向公众的成果展示。此前，该公司已于今年5月发布了"交互模型"研究预览版——这是一类能够主动聆听、流畅对话乃至适时打断的AI，有别于传统聊天机器人的被动等待模式。Inkling的发布同时也是对该公司核心理念的一次验证：相比大型实验室当前销售的"一刀切"模型，企业能够自行调整和适配的AI将能创造更大价值。

Inkling在设计上注重输出可信度，会主动标注不确定项而非随意猜测，并允许用户根据速度需求灵活调节"思考强度"。在一项基准测试中，该公司表示，Inkling仅使用了英伟达Nemotron 3 Ultra最新一代开放权重模型三分之一的Token量，便达到了相同的代码性能表现。

值得注意的是，Thinking Machines并未宣称Inkling是业界最强模型。公司在发布材料中明确指出，Inkling"并非当今最强的模型，无论是闭源还是开源"。其真正追求的，是全面均衡的性能表现与高度可定制化能力。

这自然引出了一个问题：这款产品的目标用户究竟是谁？目前来看，Inkling定位为企业级产品，Thinking Machines也更多将其作为一个起点来推广，而非一个完成品。企业用户可以通过该公司的模型定制平台Tinker对其进行精细调整。但这也意味着，客户需要自行确保定制版本的安全性（而微调本身对机器学习人才的要求相当高）。

OpenAI、Anthropic和谷歌在这一方面采取了截然不同的路径——ChatGPT、Claude和Gemini均首先作为通用聊天机器人构建，再在此基础上叠加智能体及自主功能。

Thinking Machines上周发布的一篇文章，显然是为本次发布所做的铺垫。文章认为，由单一公司集中训练并固化的AI，性能不及由企业自行塑造的AI，原因在于大量专业知识是特定人群所独有的。其背后的核心逻辑是：集中式实验室向所有人销售同一产品，并由开发者反复迭代；而愿意自主拥有并定制模型的企业，则能从中挖掘出更高的价值。

这一论点正在获得越来越多的认同。微软CEO萨蒂亚·纳德拉在上周日发布的一篇博文中指出——尽管微软已向OpenAI和Anthropic双双投入了数十亿美元——使用专有AI模型的企业实际上付出了双重代价：一是订阅费用，二是将嵌入在大量提示语和纠错过程中的商业知识拱手相让，这些数据可能被吸收进未来的模型版本。

Hugging Face CEO克莱姆·德兰格在上周与TechCrunch的对话中也做出了类似预测。他表示，前沿模型将越来越多地用于探索性研究和高价值任务，而大多数生产环节的AI工作将转向私有或开源替代方案——这正是Thinking Machines所押注的格局分化。

支撑Thinking Machines这一论点最有力的证据，来自其与全球最大对冲基金桥水联合基金（注：桥水并非Thinking Machines的投资方）的一项合作项目。双方研究人员在一个现有开源模型的基础上，进一步融入了桥水自身的金融专业知识进行训练。据称，最终模型在金融推理测试中得分达到84.7%，超越了顶尖专有AI模型，而运行成本仅为后者的约十四分之一。不过，这些结果来自两家公司的内部评估，并非独立机构的验证。

无论如何，Thinking Machines都在强调自身的进展速度。OpenAI大约用了五年时间才将技术推向市场并实现营收，Anthropic约用了三年，而Thinking Machines表示，自己仅用了约九个月便走完了这段历程。

或许有人会追问，Inkling是否使用了竞争对手模型的输出数据进行训练——这种被称为"蒸馏"的做法已在业内引发广泛关注。对此，该公司给出的回答是：部分采用。Inkling的预训练从零开始，但公司表示在早期后训练阶段，曾借助包括Moonshot AI的Kimi K2.5在内的其他开放权重模型来辅助生成数据，直至大规模强化学习接管后续流程。该公司坚称，下一代模型将完全采用自包含的后训练方式。

在成本方面，Thinking Machines态度相对保守。该公司于今年3月与英伟达达成战略合作，计划部署1吉瓦的Vera Rubin算力，并表示Inkling完全基于英伟达的GB300 NVL72系统训练完成。但该公司尚未披露如何平衡成本与营收——就目前而言，营收显然并非优先事项。（据悉，一轮500亿美元融资传闻于去年11月浮出水面，但多家媒体报道称该进程于今年1月陷入停滞；此后公司拒绝就融资情况置评，不过英伟达在3月宣布合作时表示已对Thinking Machines进行了"重大投资"。）

另一个相关问题是，Thinking Machines的投入规模是否会最终赶上OpenAI或Anthropic，抑或其效率优先的策略意味着商业逻辑本就有所不同。换言之，这家公司的赌注或许并非"终将像大型对手那样大手笔投入"，而是"根本不需要这样做"——因为一旦模型权重公开，任何人下载后都无需向Thinking Machines支付运行费用，这与OpenAI和Anthropic按量计费的模式截然不同。真正的营收来源在于Tinker平台，而非模型本身——通过训练、微调服务以及围绕其构建的托管生态从中分成。

在人员规模方面，情况相对稳定。Thinking Machines目前拥有约200名员工，较今年早些时候经历一波离职潮（包括两位联合创始人于1月份离职前往OpenAI）后有所回升。

Thinking Machines似乎无意像业内许多公司那样，刻意渲染某些个人动态。据公司内部人士透露，公司文化有意强调整体的延续性，而非对某一个体的依赖。这种取向颇为合理：如果从未将某人置于核心位置，人员流动所带来的冲击自然也就更小。只是，对于一家公司而言，这样的坚持颇为耐人寻味——毕竟无论其联合创始人是否有意为之，公司的故事至今仍与那位声名显赫的创始人密不可分。

Q&A

Q1：Inkling模型是什么？有什么特别之处？

A：Inkling是Thinking Machines Lab发布的首个自研AI模型，采用开放权重设计，外部开发者和企业可自由下载并修改。它是一套混合专家系统，总参数量达9750亿，实际运行时只调用约410亿参数。模型基于45万亿Token的多模态数据训练，支持文本、图像、音频、视频的原生推理，但当前输出仅限于文本。Inkling的设计重点在于输出可信度和可定制化，而非追求单一维度的性能最强。

Q2：Thinking Machines的商业模式是怎样的？靠什么盈利？

A：Thinking Machines的核心收入来源并非Inkling模型本身，而是其模型定制平台Tinker。由于Inkling采用开放权重模式，用户下载后无需向Thinking Machines付费运行。公司的盈利逻辑是通过Tinker平台提供训练、微调服务，以及从围绕模型构建的托管生态中抽取分成。这与OpenAI、Anthropic的按量计费模式存在本质区别。

Q3：Inkling和OpenAI、Anthropic的模型相比处于什么水平？

A：Thinking Machines在发布材料中明确表示，Inkling"并非当今最强的模型，无论是闭源还是开源"。但在特定基准测试中，Inkling仅使用英伟达Nemotron 3 Ultra约三分之一的Token量，就达到了相同的代码性能，体现出较高的效率优势。公司追求的是全面均衡的性能与高可定制性，而非在单项指标上与头部模型正面竞争。