ਮੀਰਾ ਮੁਰਾਤੀ ਦੀ Thinking Machines Lab ਨੇ Inkling ਦੇ ਨਾਲ ਅਧਿਕਾਰਤ ਤੌਰ 'ਤੇ ਖੇਤਰ ਵਿੱਚ ਪ੍ਰਵੇਸ਼ ਕਰ ਲਿਆ ਹੈ, ਜੋ ਕਿ ਕੇਂਦਰੀਕ੍ਰਿਤ, "ਇੱਕ-ਸਭ-ਦੇ-ਲਈ" (one-size-fits-all) AI ਦਿੱਗਜਾਂ ਦੇ ਦਬਦਬੇ ਨੂੰ ਚੁਣੌਤੀ ਦੇਣ ਲਈ ਬਣਾਇਆ ਗਿਆ ਇੱਕ open-weight ਮਾਡਲ ਹੈ। ਕੱਚੀ, ਆਮ-ਮੰਦਰਾ (general-purpose) ਸ਼ਕਤੀ ਦੀ ਬਜਾਏ ਕਸਟਮਾਈਜ਼ੇਬਿਲਟੀ (customizability) 'ਤੇ ਦਾਅ ਲਗਾਉਂਦੇ ਹੋਏ, ਸਟਾਰਟਅੱਪ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਦਾ ਭਵਿੱਖ ਵਿਸ਼ੇਸ਼, ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਅਨੁਕੂਲਿਤ ਬੁੱਧੀ (intelligence) ਵਿੱਚ ਹੈ।

Inkling ਦੀ ਆਰਕੀਟੈਕਚਰ: MoE ਰਾਹੀਂ ਕੁਸ਼ਲਤਾ

Inkling ਇੱਕ Mixture-of-Experts ਸਿਸਟਮ ਹੈ ਜਿਸ ਵਿੱਚ ਕੁੱਲ 975 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਹਨ। ਫਿਰ ਵੀ, ਇਹ ਕਿਸੇ ਵੀ ਸਿੰਗਲ ਟਾਸਕ ਲਈ ਸਿਰਫ ਲਗਭਗ 41 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਐਕਟੀਵੇਟ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਉੱਚ-ਪੱਧਰੀ ਤਰਕ (reasoning) ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ ਲੇਟੈਂਸੀ (latency) ਅਤੇ ਲਾਗਤ ਨੂੰ ਘਟਾਇਆ ਜਾਂਦਾ ਹੈ। ਮਾਡਲ ਨੇ ਟੈਕਸਟ, ਇਮੇਜ, ਆਡੀਓ ਅਤੇ ਵੀਡੀਓ ਦੇ 45 ਟ੍ਰਿਲੀਅਨ ਟੋਕਨਾਂ ਤੋਂ ਸਿੱਖਿਆ ਹੈ, ਜੋ ਇਸਨੂੰ ਮੂਲ ਮਲਟੀਮੋਡਲ (multimodal) ਯੋਗਤਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਕੰਪਨੀ ਦਾ ਦਾਅਵਾ ਹੈ ਕਿ Inkling ਕੋਡਿੰਗ ਬੈਂਚਮਾਰਕਸ 'ਤੇ Nvidia ਦੇ Nemotron 3 Ultra ਦੇ ਬਰਾਬਰ ਹੈ, ਜਦੋਂ ਕਿ ਇਹ ਸਿਰਫ ਇੱਕ ਤਿਹਾਈ ਟੋਕਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਟ੍ਰੇਨਿੰਗ ਕੁਸ਼ਲਤਾ ਦਾ ਇੱਕ ਸਪੱਸ਼ਟ ਸੰਕੇਤ ਹੈ।

ਐਂਟਰਪ੍ਰਾਈਜ਼ ਕਸਟਮਾਈਜ਼ੇਸ਼ਨ ਵੱਲ ਇੱਕ ਰਣਨੀਤਕ ਮੋੜ

OpenAI, Anthropic ਜਾਂ Google ਦੇ ਪ੍ਰਮੁੱਖ ਉਤਪਾਦਾਂ ਦੇ ਉਲਟ, ਜੋ ਮੁੱਖ ਤੌਰ 'ਤੇ ਜਨਰਲ-ਪਰਪਜ਼ ਚੈਟਬੋਟਸ ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ, Inkling ਨੂੰ ਸੰਸਥਾਵਾਂ ਲਈ ਇੱਕ ਬੁਨਿਆਦ ਵਜੋਂ ਮਾਰਕੀਟ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। Thinking Machines ਇਸ ਮਾਡਲ ਨੂੰ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਵਜੋਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਅਤੇ ਉਦਯੋਗਾਂ ਨੂੰ ਆਪਣੇ “Tinker” ਪਲੇਟਫਾਰਮ ਰਾਹੀਂ ਪ੍ਰੋਪਰਾਈਟਰੀ ਡੇਟਾ (proprietary data) ਨਾਲ ਇਸਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ।

ਇਹ ਕਦਮ ਉਦਯੋਗ ਦੇ “ਡਬਲ ਪੇਮੈਂਟ” (double payment) ਜਾਲ ਨਾਲ ਨਜਿੱਠਦਾ ਹੈ। Microsoft ਦੇ CEO Satya Nadella ਨੇ ਚੇਤਾਵਨੀ ਦਿੱਤੀ ਸੀ ਕਿ ਕੰਪਨੀਆਂ ਦੋ ਵਾਰ ਭੁਗਤਾਨ ਕਰਦੀਆਂ ਹਨ—ਇੱਕ ਵਾਰ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਲਈ ਅਤੇ ਦੂਜੀ ਵਾਰ ਇੱਕ ਅਜਿਹੇ ਮਾਡਲ ਵਿੱਚ ਵਿਲੱਖਣ ਬਿਜ਼ਨਸ ਲੌਜਿਕ (business logic) ਪਾ ਕੇ, ਜੋ ਅੰਤ ਵਿੱਚ ਪ੍ਰਦਾਤਾ ਦੇ ਟ੍ਰੇਨਿੰਗ ਸੈੱਟ ਨੂੰ ਅਮੀਰ ਬਣਾਉਂਦਾ ਹੈ। ਇੱਕ open-weight ਮਾਡਲ ਪੇਸ਼ ਕਰਕੇ, Thinking Machines ਫਰਮਾਂ ਨੂੰ ਉਸ ਬੁੱਧੀ ਨੂੰ in-house ਰੱਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।

ਉੱਚ-ਦਾਅਵਾਂ ਵਾਲਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਅਤੇ ਤੇਜ਼ ਵਿਕਾਸ

Thinking Machines ਨੇ ਬਾਜ਼ਾਰ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰਵੇਸ਼ ਕੀਤਾ। OpenAI ਨੂੰ ਲਗਭਗ ਪੰਜ ਸਾਲ ਅਤੇ Anthropic ਨੂੰ ਤਿੰਨ ਸਾਲ ਲੱਗੇ; Thinking Machines ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਉਸਨੇ ਸਿਰਫ ਨੌਂ ਮਹੀਨਿਆਂ ਵਿੱਚ ਇੱਕ ਤੁਲਨਾਯੋਗ ਮੀਲ ਪੱਥਰ ਹਾਸਲ ਕਰ ਲਿਆ ਹੈ।

ਉਸ ਰਫਤਾਰ ਨੂੰ ਸ਼ਕਤੀ ਦੇਣ ਲਈ, ਫਰਮ ਨੇ ਹਾਰਡਵੇਅਰ ਦਾ ਸਹਾਰਾ ਲਿਆ। ਮਾਰਚ ਵਿੱਚ Nvidia ਨਾਲ ਭਾਈਵਾਲੀ ਤੋਂ ਬਾਅਦ, Inkling ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ Nvidia ਦੇ GB300 NVL72 ਸਿਸਟਮਾਂ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਸੀ। ਕੰਪਨੀ ਨੇ ਡਿਸਟੀਲੇਸ਼ਨ ਟ੍ਰਿਕਸ (distillation tricks) ਦੀ ਵਰਤੋਂ ਕੀਤੀ—ਸ਼ੁਰੂਆਤੀ ਪੋਸਟ-ਟ੍ਰੇਨਿੰਗ ਲਈ Moonshot AI ਦੇ Kimi K2.5 ਵਰਗੇ open-weight ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ—ਪਰ ਭਵਿੱਖ ਦੀ ਪੋਸਟ-ਟ੍ਰੇਨਿੰਗ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ in-house ਚਲਾਉਣ ਦਾ ਵਾਅਦਾ ਕਰਦੀ ਹੈ।

ਮੁੱਖ ਗੱਲਾਂ (Key Takeaways)

  • Open-Weight ਫਾਇਦਾ: ਡਿਵੈਲਪਰ 975 B-ਪੈਰਾਮੀਟਰ ਵਾਲੇ MoE ਮਾਡਲ ਨੂੰ ਡਾਊਨਲੋਡ ਅਤੇ ਸੋਧ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਕੰਟਰੋਲ ਬੰਦ ਇਕੋਸਿਸਟਮਾਂ (closed ecosystems) ਤੋਂ ਦੂਰ ਰਹਿੰਦਾ ਹੈ।
  • ਪਹਿਲਾਂ ਕੁਸ਼ਲਤਾ ਵਾਲਾ ਡਿਜ਼ਾਈਨ: ਪ੍ਰਤੀ ਟਾਸਕ ਸਿਰਫ 41 B ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਐਕਟੀਵੇਟ ਕਰਨਾ ਅਤੇ ਟੋਕਨ ਦੀ ਵਰਤੋਂ ਨੂੰ ਘਟਾਉਣਾ ਮਾਡਲ ਨੂੰ ਸੰਚਾਲਨ ਲਾਗਤ ਦੇ ਇੱਕ ਹਿੱਸੇ 'ਤੇ ਉੱਚ-ਪੱਧਰੀ ਤਰਕ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।
  • ਕਸਟਮਾਈਜ਼ੇਸ਼ਨ ਦਾ ਦਾਅ: Thinking Machines ਆਮ ਚੈਟਬੋਟਸ ਤੋਂ ਹਟ ਕੇ “Tinker” ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ, ਜੋ ਇੱਕ ਅਜਿਹਾ ਪਲੇਟਫਾਰਮ ਹੈ ਜੋ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲਾਂ ਨੂੰ ਹਰੇਕ ਸੰਸਥਾ ਲਈ ਵਿਸ਼ੇਸ਼ ਸੰਪਤੀਆਂ (specialized assets) ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ।