由前 OpenAI CTO Mira Murati 创立的 AI 初创公司 Thinking Machines Lab，在经过一年半的低调开发后，于本周三正式发布了旗下首款自研 AI 模型——Inkling。与 OpenAI、Anthropic、Google 的旗舰模型不同，Inkling 是一款开源权重（open-weight）模型，允许外部开发者和企业直接下载并自行修改。
Inkling 采用稀疏激活的混合专家（Mixture-of-Experts）架构，总参数规模达 9750 亿，但处理任何单一任务时仅激活约 410 亿参数——这是当前大模型常用的设计思路，可以在保持高性能的同时显著降低推理成本。训练数据涵盖文本、图像、音频和视频，总量约 45 万亿 tokens。根据官方发布材料，Inkling 原生支持跨这四种模态的推理，不过目前输出仍仅限于文本形态，包括代码、样式化产物和结构化数据。
定位：不是最强，但更懂"定制"
Thinking Machines Lab 在材料中明确表示，Inkling"不是目前可用的最强模型，无论是闭源还是开源版本"。公司的真正目标是全面的泛用性能 + 可高度定制，而非单点超越某一竞品。
具体能力上，Inkling 具备"校准答案"能力——当信息不足时主动标注不确定性，而非随意猜测；同时提供"思维 effort"调控选项，用户可在速度与深度思考之间权衡。在一项编码基准测试中，Inkling 达到与 Nvidia Nemotron 3 Ultra 相同性能时，消耗的 tokens 数量仅为后者的三分之一。
在商业模式上，Thinking Machines 现阶段并未将 Inkling 作为成品直接销售，而是定位为"起点"——企业可通过其模型定制平台 Tinker 对 Inkling 进行微调。这意味着定制化后的安全性、合规性等责任也一并转移至客户一方。官方也坦承，微调需要具备一定机器学习能力的专业团队。
企业 AI 的"双重付费"困境与开源路线的逻辑
Thinking Machines 本周发布的文章 The Future Worth Building is Human 清晰地勾勒出公司背后的核心论点：由单一公司集中训练后"固化"的 AI，表现不如由组织自行塑造的 AI，因为大量专业知识根植于持有它的人本身。
这一论断正在获得越来越多的行业共鸣。微软 CEO Satya Nadella 周日发文警告：使用专有 AI 模型的企业实际上付了"两笔钱"——一笔是订阅费用，另一笔则是将嵌入提示词和纠正反馈中的业务知识拱手让出，而这些数据可能被吸收进未来的模型版本。微软已向 OpenAI 和 Anthropic 投资数十亿美元。
Hugging Face CEO Clem Delangue 近期接受 TechCrunch 采访时也表达了类似判断：前沿模型将越来越多地保留用于实验和高价值任务，而大多数生产级 AI 工作将迁移至私有化或开源替代方案——这正是 Thinking Machines 所押注的方向。
Bridgewater 实验：定制模型以 1/14 成本击败闭源
最能验证 Thinking Machines 路线可行性的案例，来自其与全球最大对冲基金 Bridgewater Associates 的合作（Bridgewater 并非 Thinking Machines 的投资方）。双方团队以一款现有开源模型为基础，在 Bridgewater 自有的金融专业知识上进一步训练，最终在金融推理测试中取得了 84.7% 的成绩，超越了顶级专有 AI 模型，同时运行成本约为后者的 1/14。需要说明的是，这一结果来自双方自评，尚未经独立第三方验证。
速度对比：从五年到九个月
Thinking Machines 还在强调其惊人的落地速度：OpenAI 花费约五年才将技术推向市场并产生营收，Anthropic 约三年，而 Thinking Machines 在约九个月内完成了同等事情。
关于模型训练是否借助了竞品模型输出（业界所称的"蒸馏"），公司也给出了部分坦诚：Inkling 的预训练从零开始，但确实使用了包括 Moonshot AI 的 Kimi K2.5 在内的其他开源权重模型来生成部分后期训练数据，随后由大规模强化学习接管下一阶段。公司表示，下一代模型将实现完全自主的后期训练。
在成本层面，Thinking Machines 与 Nvidia 于今年 3 月达成合作，部署了 1 吉瓦（gigawatt）规模的 Vera Rubin 计算能力，Inkling 全部基于 Nvidia GB300 NVL72 系统完成训练，但尚未披露成本回收计划。有消息称其曾计划去年 11 月完成 500 亿美元融资，但至今年 1 月已陷入停滞，公司此后拒绝讨论融资情况。
团队规模企稳
此前经历一轮人员离职（包括两位联合创始人于今年 1 月转投 OpenAI）后，Thinking Machines 目前员工规模约 200 人，团队已趋于稳定。
不造神的企业文化
Thinking Machines 并不热衷于像行业大多数公司那样突出个人动向。据公司内部人士透露，其文化设计刻意强调延续性，而非依赖任何单一人物。这种做法有其道理：当人员流动不可避免时，如果从未将任何人推上神坛，损失感自然也更小。值得关注的是，尽管公司故事至今仍与其已成名联合创始人的名字深度绑定（无论她本人是否有意如此），这家公司仍在坚持这一立场。
影响与建议
- 商业维度：开源权重策略是一把双刃剑——降低采用门槛的同时，也意味着放弃了按调用量收费的结构性收入；Tinker 平台及托管生态分成将成为关键盈利锚点。
- 组织维度：去中心化的文化有助于降低人才流失的冲击，但也对知识管理和流程规范化提出了更高要求。
- 行业启示：对于效率优先的 AI 公司而言，"不必像大厂那样烧钱"本身可以是差异化优势，但前提是找到足够宽的生态变现路径。
评论