图片来源：ChatGPT
Mira Murati 创办的 AI 初创公司 Thinking Machines Lab 于周三上午发布了其首款自研 AI 模型，命名为 Inkling。与 OpenAI、Anthropic 或谷歌的旗舰模型不同，这是一款开放权重模型，外部开发者和企业可直接下载并对其进行修改。
Inkling 是一个混合专家系统，总参数量达 9750 亿，但针对任何给定任务，实际调用的参数仅约 410 亿。这种设计在超大规模模型中十分常见，有助于提升运行速度并降低成本。据公司发布的资料显示，该模型在 45 万亿个文本、图像、音频和视频 token 上完成训练，原生支持跨四种模态的推理。但目前其输出仍限于文本形式，包括代码、格式化内容和结构化数据。
在历经约一年半的 AI 基础设施建设、几乎全程低调行事之后，这款模型是 Thinking Machines Lab 首次向公众亮出的成果。部分工作此前已在今年 5 月的"交互模型"研究预览中有所呈现——这类 AI 专为聆听与对话（甚至支持打断）而设计，有别于传统聊天机器人的被动等待模式。这也是对该公司核心押注的一次检验：企业能够自主定制的 AI，将优于当前大型实验室所售卖的通用型模型。
Inkling 被设计为能够给出有据可查的答案，包括在不确定时主动标注，而非猜测作答；同时允许用户自主调节"思考强度"，以在深度与速度之间灵活权衡。公司表示，在某项基准测试中，Inkling 仅需英伟达最新一代开放权重模型 Nemotron 3 Ultra 三分之一的 token 用量，即可达到相同的编程性能。
Thinking Machines 并未声称 Inkling 是业界最强。其最新博客文章明确指出，Inkling "并非目前综合表现最强的模型，无论开源还是闭源。" 该公司显然更追求全面均衡的性能表现。
这不禁令人追问：在其所瞄准的企业市场中，这款产品究竟面向谁？目前，Thinking Machines 更多地将 Inkling 定位为起点而非成品，供企业通过旗下模型定制平台 Tinker 进行自主微调。这也意味着，确保定制化内容安全可靠的责任在客户而非 Thinking Machines 一侧。（微调工作需要具备扎实机器学习能力的专业团队。）
OpenAI、Anthropic 和谷歌则走了一条截然不同的路。ChatGPT、Claude 和 Gemini 均以通用聊天机器人为首要目标，在此基础上再叠加智能体与自主化功能。
Thinking Machines 上周发布的一篇文章，显然是为此次发布所做的铺垫。该公司在文中指出，由单一公司集中训练、一经发布便固化不变的 AI，表现不如由组织自行塑造的 AI——因为大量专业知识深植于持有者本身，难以被外部模型充分捕捉。
反对封闭模型的声音正愈发响亮。微软 CEO 萨蒂亚·纳德拉在周日发布的博客文章中警告称——微软已向 OpenAI 和 Anthropic 投入数十亿美元——使用专有 AI 模型的企业实际上付了双重代价：一是订阅费用，二是将嵌入提示词和修正内容中的业务知识拱手相让，这些数据可能被吸收进未来的模型版本。
Hugging Face CEO Clem Delangue 上周在与 TechCrunch 的对话中也作出了相似的预判。他表示，前沿模型将越来越多地被保留用于实验性探索和高价值任务，而大多数生产级 AI 工作将逐步迁移至私有或开源替代方案。这正是 Thinking Machines 正在围绕其构建的路径。
对 Thinking Machines 方法路线最有力的背书，来自其近期与桥水基金的合作项目。桥水是全球规模最大的对冲基金（但并非 Thinking Machines 的投资方）。双方研究人员基于一个现有开源模型，进一步注入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 84.7%，超越顶级专有 AI 模型，运行成本约为后者的十四分之一。不过，这一结果源自两家公司的自评，并非独立机构验证。
无论如何，Thinking Machines 都在强调其抵达这一里程碑的速度。OpenAI 从技术落地到产生营收，历经约五年；Anthropic 用了约三年；而 Thinking Machines 称自己仅用了约九个月。
外界或许会追问，Inkling 是否用竞品模型的输出进行了训练——这种被称为"蒸馏"的做法近年来已在业内引发广泛关注。就公司自有材料而言，答案是部分属实。Thinking Machines 从零开始对 Inkling 进行预训练，但其表示，在大规模强化学习介入之前，曾使用包括 Moonshot AI 的 Kimi K2.5 在内的其他开放权重模型，协助生成部分早期后训练数据。该公司坚称，下一代模型将采用完全自包含的后训练方式。
在成本层面，Thinking Machines 则相对讳莫如深。公司于今年 3 月与英伟达达成合作，部署了 1 吉瓦的 Vera Rubin 算力，并完全在英伟达 GB300 NVL72 系统上完成 Inkling 的训练，但尚未披露覆盖这些成本的计划，而营收在多方看来也并非当前优先事项。（去年 11 月曾有消息称一轮 500 亿美元的融资正在推进，但到今年 1 月已陷入停滞；此后公司拒绝就融资情况作出任何表态。）
一个相关的问题是：Thinking Machines 的支出规模是否终将向 OpenAI 或 Anthropic 看齐，还是其效率优先的路线意味着截然不同的经济模型？换言之，公司的押注或许并非"终将像巨头一样烧钱"，而是"根本不需要这样做"——因为一旦权重公开，下载者无需向 Thinking Machines 支付运行费用，这与 OpenAI 和 Anthropic 所售卖的按量计费访问模式截然不同。公司的营收必须来自 Tinker，而非模型本身，包括训练、微调服务，以及现在围绕其构建的托管生态系统分成。
至少在人员规模上，局势已趋于稳定。Thinking Machines 目前拥有约 200 名员工，较今年早些时候一波离职潮（包括两位联合创始人于 1 月离职加入 OpenAI）后的水平有所回升。
Thinking Machines 似乎无意以行业惯常的方式渲染个人动态。据公司内部知情人士透露，公司文化有意强调延续性，而非对任何单一人格的依赖。这种设定颇具深意：若从未将某人奉上神坛，人员流动自然不会构成重大挫折。然而值得玩味的是，这家公司偏偏如此坚持，而它自身的故事至今仍与那位声名显赫的联合创始人紧紧相连——无论她本人是否有意为之。
参考资料：
https://techcrunch.com/2026/07/15/thinking-machines-amps-up-its-bet-against-one-size-fits-all-ai-with-its-first-open-model-inkling/
