Thinking Machines Lab، استارتاپ هوش مصنوعی بنیانگذاریشده توسط میرا موراتی (معاون فنی پیشین OpenAI)، صبح چهارشنبه نخستین مدل اختصاصی خود را با نام Inkling منتشر کرد. نکته برجسته این اعلان آن است که Inkling بهصورت open-weight (وزنهای مدل در دسترس عموم) عرضه شده است؛ یعنی توسعهدهندگان و شرکتها میتوانند وزنهای مدل را دانلود، بررسی و مستقیماً دستکاری کنند؛ رویکردی که در تقابل با مدلهای بسته و سرویسمحور بزرگان صنعت مانند OpenAI، Anthropic و Google قرار دارد.
معماری و قابلیتها
Inkling یک سیستم mixture-of-experts با مجموع 975 میلیارد پارامتر است، اما برای هر وظیفه تنها از بخشی از آن—حدود 41 میلیارد پارامتر—استفاده میکند؛ طراحیای متداول که مدلهای عظیم را سریعتر و کمهزینهتر بهکار میگیرد. شرکت اعلام کرده مدل روی حدود 45 تریلیون توکن شامل متن، تصویر، صوت و ویدیو آموزش دیده و بهصورت بومی روی چهار قالب دادهای استدلال میکند، با این حال در فاز فعلی خروجیهای Inkling محدود به متن (از جمله کد، آثار با سبک مشخص و دادههای ساختاریافته) است.
ویژگیهای کلیدی فنی و کاربردی
– قابل تنظیم بودن و تمرکز بر سفارشیسازی برای سازمانها: Inkling به عنوان نقطه شروع طراحی شده تا سازمانها با استفاده از پلتفرم Tinker مدل را فاینتیون کنند و آن را متناسب با دانش و فرایندهای داخلی خود بسازند.
– پاسخهای کالیبره و مدیریت عدم قطعیت: مدل تلاش میکند بهجای حدسزدن، عدم اطمینان را علامتگذاری کند و امکان تنظیم «میزان تلاش فکری» برای توازن سرعت و دقت فراهم است.
– بهرهوری در مصرف توکن: در یکی از بنچمارکها، شرکت ادعا میکند Inkling برای رسیدن به همان عملکرد کدنویسی از یکسوم توکنهای مدل Nemotron 3 Ultra انویدیا استفاده میکند.
موقعیت بازار و استراتژی کسبوکار
Thinking Machines مدل خود را کمتر بهعنوان یک محصول آماده و بیشتر بهعنوان سکوی آغازین عرضه میکند؛ بدین معنا که ارزش پیشنهادی اصلی، قابلیت سفارشیسازی و اکوسیستم پیرامون Tinker است. این استراتژی ریسکها و فرصتهای مشخصی دارد: از یک سو سازمانها کنترل و مالکیت بیشتری روی دانش داخلی خواهند داشت؛ از سوی دیگر مسئولیت ایمنسازی و تطبیق مدل بر عهده خود مشتریان است که نیازمند نیروی انسانی ماهر در یادگیری ماشین است.
مقایسه با رویکردهای بسته و نگرانیهای رقابتی
رویکرد Thinking Machines در تقابل با مدلهای عمومی و بستهای است که بهعنوان سرویس ارائه میشوند (مانند ChatGPT، Claude و Gemini). منتقدان مدلهای بسته هشدار دادهاند که استفاده از مدلهای اختصاصی میتواند موجب پرداخت دوباره—یکی برای اشتراک و دیگری برای واگذاری دانش کسبوکار از طریق پرامپتها—شود؛ دیدگاهی که مدیران عامل و رهبران صنعت مطرح کردهاند و باعث تقویت جذابیت گزینههای متنباز و خصوصی شده است.
پروژههای نمونه و ارزیابی
یک پروژه اخیر مشترک با Bridgewater Associates نشان داد که وقتی مدل متنباز با دانش مالی داخلی آن مجموعه فاینتیون شد، در تستهای استدلال مالی نمره قابلتوجهی کسب کرد (84.7%) و هزینه عملیاتی بهطور چشمگیری پایینتر بود؛ اگرچه این نتایج از سوی دو شرکت تهیهکننده اعلام شده و ارزیابی مستقل در دسترس نیست.
مسائل فنی و منابع
Thinking Machines اعلام کرده که Inkling پیشتر از ابتدا پیشترِین شد اما برای برخی دادههای پسآموزشی از مدلهای متنباز دیگر (از جمله Kimi K2.5 از Moonshot AI) کمک گرفته است؛ این روند تحت عنوان distillation در صنعت مورد بحث است و شرکت میگوید مدل بعدی از پسآموزش کاملاً خودبسنده استفاده خواهد کرد. همچنین این شرکت با انویدیا همکاری کرده و آموزش Inkling کاملاً روی سیستمهای GB300 NVL72 و زیرساخت Vera Rubin انجام شده است؛ هزینهها و مدل درآمدی برای پوشش این هزینهها هنوز بهصورت شفاف اعلام نشده است.
ابعاد سازمانی و فرهنگی
تیم Thinking Machines اکنون حدود 200 نفر را در اختیار دارد و شرکت تأکید میکند فرهنگ سازمانیاش بر تداوم و عدم تمرکز روی شخصیتهای فردی است؛ رویکردی که در مواجهه با تغییرات نیروی انسانی اولویت پایداری را حفظ میکند.
جمعبندی و پیام به بازار
Inkling نشاندهنده یک شرطبندی مهم در بازار هوش مصنوعی سازمانی است: اینکه مدلهایی که سازمانها خودشان میتوانند شکل دهند، در بسیاری از کاربردهای عملی بهتر و اقتصادیتر خواهند بود. برای شرکتها این یک فرصت است اما نیازمند سرمایهگذاری در نیروی انسانی، حاکمیت داده و مدیریت ریسک است. در کوتاهمدت Inkling میتواند گزینهای جذاب برای مجموعههایی باشد که خواهان کنترل، شفافیت و امکان سفارشیسازی عمیق مدلهای زبانی هستند؛ و در درازمدت، انتشار وزنها میتواند ساختار اقتصادی و اکوسیستم خدمات پیرامون هوش مصنوعی سازمانی را بازتعریف کند.