由前 OpenAI 技術長 Mira Murati 創立的 AI 新創公司 Thinking Machines Lab，於週三上午發布了其首款內部開發的 AI 模型，名為 Inkling。與 OpenAI、Anthropic 或 Google 的旗艦模型不同，Inkling 採用開放權重（open-weight），這意味著外部開發者和公司可以直接下載並修改它。

Inkling 是一個混合專家（mixture-of-experts）系統，總參數達 9750 億，但在任何特定任務中，它只會調用其中一小部分（約 410 億）參數。這是一種常見的設計，能讓超大型模型運行得更快、成本更低。根據該公司發布的資料，Inkling 經過 45 兆個文字、圖像、音訊和視訊 token 的訓練，並能原生處理這四種資料類型。不過，目前其輸出僅限於文字，包括程式碼、風格化內容和結構化資料。

經過一年半的幕後 AI 基礎設施建置，Inkling 模型是 Thinking Machines Lab 首次公開展示的成果。部分工作已在五月的研究預覽中浮現，當時展示了「互動模型」，這種 AI 旨在傾聽、說話（甚至打斷），而非像傳統聊天機器人那樣停下來等待。這也是對該新創公司核心理念的驗證：組織可自行調整的 AI，將會優於目前大型實驗室銷售的「一體適用」模型。

Inkling 旨在提供經過校準的答案，包括標示不確定性而非隨意猜測，並允許使用者在追求速度時調整「思考努力」程度。該公司表示，在某項基準測試中，Inkling 僅需使用 Nvidia 最新一代開放權重模型 Nemotron 3 Ultra 三分之一的 token，即可達到相同的程式碼生成效能。

Thinking Machines 並未宣稱 Inkling 是同類最佳模型。其最新部落格文章明確指出，Inkling「並非目前市面上最強大的整體模型，無論是開源還是閉源」。顯然，它追求的是全面的均衡表現。

這引發了一個疑問：在它所瞄準的企業市場中，這款產品究竟是為誰而設計的？目前，Thinking Machines 將 Inkling 定位為一個起點，而非成品，供組織透過其模型客製化平台 Tinker 進行微調。這也意味著，客戶而非 Thinking Machines，需負責確保其客製化模型的安全性。（微調需要具備深厚的機器學習專業人才。）

OpenAI、Anthropic 和 Google 分別透過 ChatGPT、Claude 和 Gemini 採取了截然不同的策略。這些模型最初都是作為通用型聊天機器人而建構，並在其上疊加了代理（agentic）和自主功能。

Thinking Machines 上週發布的一篇文章，顯然是為這次發布會鋪陳。該公司在文章中主張，由一家公司集中訓練並「一成不變」的 AI，其表現會不如組織自行塑造的 AI，因為許多專業知識是特定於擁有這些知識的人。

其他反對閉源模型的論點也日益受到關注。微軟執行長 Satya Nadella（其公司已向 OpenAI 和 Anthropic 投資數十億美元）在週日發布的部落格文章中警告，使用專有 AI 模型的企業實際上支付了兩次費用：一次是訂閱成本，另一次則是透過提交提示詞和修正，將其業務知識交給模型，這些知識可能被吸收到未來的模型版本中。

Hugging Face 執行長 Clem Delangue 上週在接受 TechCrunch 採訪時也提出了類似的預測。他表示，前沿模型將越來越多地保留用於實驗和高價值任務，而大多數生產級 AI 工作將轉向私有或開源替代方案，這正是 Thinking Machines 所圍繞的發展方向。

Thinking Machines 方法最明確的論證來自於最近與全球最大避險基金 Bridgewater Associates（值得一提的是，它並非 Thinking Machines 的投資者）合作的一個專案。兩家公司的研究人員採用了一個現有的開源模型，並利用 Bridgewater 自身的金融專業知識進行了進一步訓練。

據稱，該模型在金融推理測試中得分 84.7%，擊敗了頂級專有 AI 模型，同時運行成本約為其十四分之一，儘管這些結果來自兩家公司自己的評估，而非獨立評估。

無論如何，Thinking Machines 正在強調其發展速度之快。OpenAI 大約花了五年時間才將其技術推向市場並產生收入，Anthropic 則花了約三年。Thinking Machines 表示，他們在大約九個月內就達成了同樣的目標。

有些人可能會好奇 Inkling 是否使用了競爭對手模型的輸出進行訓練，這種被稱為「蒸餾」（distillation）的做法在業界引起了審查。根據該公司自己的資料，簡短的答案是「部分有」。Thinking Machines 從頭開始預訓練 Inkling，但它表示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後訓練資料。該公司堅稱，下一個模型將完全採用獨立的後訓練方式。

在成本方面，Thinking Machines 則顯得更為謹慎。它在三月與 Nvidia 達成合作，部署了一吉瓦的 Vera Rubin 運算能力，並完全在 Nvidia 的 GB300 NVL72 系統上訓練 Inkling。然而，該公司尚未說明如何支付這些成本，且據大多數報導，收入並非其首要任務。

（據稱去年 11 月曾傳出 500 億美元的募資案，但到今年 1 月已停滯；此後該公司拒絕談論其資金狀況。）

一個相關的問題是，Thinking Machines 的開支是否會達到 OpenAI 或 Anthropic 的規模，或者其效率驅動的方法是否意味著經濟模式有所不同。換句話說，該公司的賭注可能不是它最終會像其大型競爭對手那樣花錢，而是它根本不需要那樣做，因為一旦權重公開，任何下載它們的人都沒有義務向 Thinking Machines 支付運行費用，這與 OpenAI 和 Anthropic 出售的按量計費存取方式不同。

該公司的收入必須來自 Tinker 平台，透過訓練、微調以及現在從圍繞其建立的託管生態系統中分一杯羹。

至少在員工數量方面，情況看起來更為穩定。Thinking Machines 目前約有 200 名員工，高於今年稍早一波離職潮（包括兩位共同創辦人於一月轉投 OpenAI）後的水平。

就 Thinking Machines 而言，它似乎不熱衷於像業界許多公司那樣大肆宣傳個別舉動。據公司內部消息人士透露，其文化設計上偏好延續性，而非依賴任何單一人物。這很合理：如果人們從未被神化，那麼當他們更換團隊時，造成的挫折就會減少。對於一家公司來說，堅持這一點是值得稱讚的，尤其考慮到其許多故事仍然與其現已聞名的共同創辦人名字緊密相關，無論她是否刻意為之。