Mira Murati氏のThinking Machines Labは、中央集権的な「万能型（one-size-fits-all）」AI大手の支配に挑戦するために構築されたオープンウェイトモデル「Inkling」を携え、正式に市場に参入しました。同スタートアップは、生の汎用的なパワーではなくカスタマイズ性に賭けることで、エンタープライズAIの未来は、特化型でローカルに最適化されたインテリジェンスにあると主張しています。

Inklingのアーキテクチャ：MoEによる効率化

Inklingは、総パラメータ数9,750億という膨大なMixture-of-Experts（MoE）システムです。しかし、単一のタスクに対してアクティブ化されるのは約410億パラメータのみであり、高度な推論能力を維持しつつ、レイテンシとコストを削減しています。このモデルは、テキスト、画像、音声、ビデオの計45兆トークンから学習しており、ネイティブなマルチモーダル能力を備えています。同社は、Inklingがコーディングのベンチマークにおいて、わずか3分の1のトークン量でNvidiaのNemotron 3 Ultraに匹敵すると主張しており、これは学習効率の高さを示す明確な証拠です。

エンタープライズ向けカスタマイズへの戦略的転換

主に汎用チャットボットとして機能するOpenAI、Anthropic、Googleの主力製品とは異なり、Inklingは組織のための基盤としてマーケティングされています。Thinking Machinesは、このモデルを「出発点」として提示しており、企業が同社の「Tinker」プラットフォームを通じて、独自のデータを用いてファインチューニングを行うことを推奨しています。

この動きは、業界の「二重支払い」の罠に対処するものです。MicrosoftのCEOであるSatya Nadella氏は、企業はサブスクリプションに対して一度、そして独自のビジネスロジックをモデルに投入することで（それが最終的にプロバイダーの学習セットを強化することになるため）もう一度、合計二度支払うことになると警告していました。オープンウェイトモデルを提供することで、Thinking Machinesは企業がそのインテリジェンスを自社内に保持することを可能にします。

ハイステークスなインフラと急速な開発

Thinking Machinesは市場への投入を急ぎました。OpenAIは約5年、Anthropicは約3年を要しましたが、Thinking Machinesはわずか9ヶ月で同等のマイルストーンに到達したとしています。

そのスピードを実現するために、同社はハードウェアを活用しました。3月のNvidiaとの提携後、Inklingは完全にNvidiaのGB300 NVL72システム上で学習されました。同社は、初期のポストトレーニングにおいてMoonshot AIのKimi K2.5のようなオープンウェイトモデルを活用する蒸留（distillation）の手法を用いましたが、今後のポストトレーニングは完全に自社内で行うと誓っています。

主なポイント

  • オープンウェイトの利点: 開発者は9,750億パラメータのMoEモデルをダウンロードして修正することができ、クローズドなエコシステムからコントロールを切り離すことができます。
  • 効率第一の設計: タスクごとに410億パラメータのみをアクティブ化し、トークン使用量を削減することで、モデルは運用コストを大幅に抑えつつ、トップクラスの推論能力を提供します。
  • カスタマイズへの賭け: Thinking Machinesは、汎用的なチャットボットから、基盤モデルを各組織の特化型資産へと変えるプラットフォーム「Tinker」へとシフトしています。