آزمایشگاه Thinking Machines متعلق به میرا موراتی رسماً با معرفی Inkling وارد میدان شده است؛ یک مدل با وزن‌های باز (open-weight) که برای به چالش کشیدن سلطه غول‌های هوش مصنوعی متمرکز و «یک‌اندازه برای همه» ساخته شده است. این استارتاپ با شرط‌بندی روی قابلیت شخصی‌سازی به جای قدرت خام و همه‌منظوره، می‌گوید آینده هوش مصنوعی سازمانی در هوش تخصصی و بهینه‌سازی‌شده‌ی محلی نهفته است.

معماری Inkling: کارایی از طریق MoE

Inkling یک سیستم Mixture-of-Experts با مجموع پارامترهای عظیم ۹۷۵ میلیاردتایی است. با این حال، برای هر وظیفه واحد تنها حدود ۴۱ میلیارد پارامتر را فعال می‌کند که باعث کاهش تأخیر و هزینه و در عین حال حفظ استدلال سطح بالا می‌شود. این مدل از ۴۵ تریلیون توکن شامل متن، تصویر، صوت و ویدیو آموزش دیده است که به آن قابلیت‌های چندوجهی (multimodal) بومی می‌بخشد. این شرکت ادعا می‌کند که Inkling در بنچمارک‌های کدنویسی با Nemotron 3 Ultra شرکت Nvidia برابری می‌کند، در حالی که تنها از یک‌سوم توکن‌ها استفاده کرده است؛ نشانه‌ای آشکار از کارایی آموزش.

چرخش استراتژیک به سمت شخصی‌سازی سازمانی

برخلاف محصولات پرچم‌دار OpenAI، Anthropic یا Google که عمدتاً به عنوان چت‌بات‌های همه‌منظوره عمل می‌کنند، Inkling به عنوان یک زیربنا (foundation) برای سازمان‌ها بازاریابی می‌شود. Thinking Machines این مدل را به عنوان یک نقطه شروع معرفی می‌کند و از شرکت‌ها می‌خواهد تا آن را از طریق پلتفرم "Tinker" خود با داده‌های اختصاصی خود تنظیم دقیق (fine-tune) کنند.

این اقدام به تله «پرداخت دوگانه» در این صنعت می‌پردازد. ساتیا نادلا، مدیرعامل مایکروسافت، هشدار داده بود که شرکت‌ها دو بار هزینه پرداخت می‌کنند؛ یک بار برای اشتراک و بار دیگر با تزریق منطق تجاری منحصربه‌فرد خود به مدلی که در نهایت مجموعه آموزشی ارائه‌دهنده را غنی‌تر می‌کند. Thinking Machines با ارائه یک مدل با وزن‌های باز، به شرکت‌ها اجازه می‌دهد آن هوش را در داخل سازمان خود نگه دارند.

زیرساخت‌های پرریسک و توسعه سریع

Thinking Machines با سرعت به سمت بازار حرکت کرد. OpenAI تقریباً پنج سال و Anthropic حدود سه سال زمان برد؛ اما Thinking Machines می‌گوید تنها در ۹ ماه به دستاوردی مشابه رسیده است.

برای تأمین این سرعت، شرکت بر سخت‌افزار تکیه کرد. پس از مشارکت با Nvidia در ماه مارس، Inkling به‌طور کامل روی سیستم‌های GB300 NVL72 شرکت Nvidia آموزش دید. این شرکت از ترفندهای تقطیر (distillation) استفاده کرد — با بهره‌گیری از مدل‌های با وزن باز مانند Kimi K2.5 از Moonshot AI برای مراحل اولیه پس‌آموزش (post-training) — اما متعهد شده است که پس‌آموزش‌های آینده را کاملاً در داخل سازمان خود انجام دهد.

نکات کلیدی

  • مزیت وزن‌های باز: توسعه‌دهندگان می‌توانند مدل MoE با ۹۷۵ میلیارد پارامتر را دانلود و اصلاح کنند و کنترل را از اکوسیستم‌های بسته دور نگه دارند.
  • طراحی با اولویت کارایی: فعال کردن تنها ۴۱ میلیارد پارامتر در هر وظیفه و کاهش استفاده از توکن، به مدل اجازه می‌دهد تا استدلال سطح بالا را با کسری از هزینه‌های عملیاتی ارائه دهد.
  • شرط‌بندی روی شخصی‌سازی: Thinking Machines از چت‌بات‌های عمومی به سمت "Tinker" حرکت می‌کند؛ پلتفرمی که مدل‌های زیربنایی را به دارایی‌های تخصصی برای هر سازمان تبدیل می‌کند.