Thinking Machines Lab wprowadza Inkling – otwarty model AI, stawiając na personalizację zamiast uniwersalnych rozwiązań

Thinking Machines Lab, startup założony przez byłą dyrektor ds. technologii OpenAI, Mirę Murati, zaprezentował w środę 15 lipca 2026 roku swój pierwszy autorski model sztucznej inteligencji o nazwie Inkling. W przeciwieństwie do flagowych modeli OpenAI, Anthropic czy Google, Inkling jest modelem o otwartej wadze (open-weight), co oznacza, że zewnętrzni deweloperzy i firmy mogą go pobierać i bezpośrednio modyfikować.

Inkling: Architektura i możliwości

Inkling to system typu "mixture-of-experts" (mieszanka ekspertów) z łączną liczbą 975 miliardów parametrów, choć do wykonania konkretnego zadania wykorzystuje tylko ułamek tej puli – około 41 miliardów. To powszechne rozwiązanie, które pozwala na szybsze i tańsze uruchamianie bardzo dużych modeli. Model został wytrenowany na 45 bilionach tokenów tekstu, obrazów, dźwięku i wideo, i potrafi natywnie rozumować we wszystkich tych modalnościach, jak podaje firma. Obecnie jego możliwości generowania są ograniczone do danych tekstowych, w tym kodu, stylizowanych artefaktów i ustrukturyzowanych danych.

Model Inkling jest pierwszym publicznym dowodem pracy Thinking Machines Labs po półtora roku budowania infrastruktury AI, w dużej mierze poza zasięgiem opinii publicznej. Część tych prac ujawniono już w maju, w ramach zapowiedzi badawczej dotyczącej "modeli interakcji" – AI zaprojektowanej do słuchania i mówienia (a nawet przerywania), zamiast zatrzymywania się i czekania, jak to ma miejsce w przypadku typowych chatbotów.

Inkling wyróżnia się zdolnością do udzielania skalibrowanych odpowiedzi, w tym sygnalizowania niepewności zamiast zgadywania. Użytkownicy mogą również regulować "wysiłek myślowy" modelu, aby zbalansować szybkość działania z dokładnością. Firma twierdzi, że w jednym z testów porównawczych Inkling zużywa jedną trzecią tokenów w porównaniu do Nvidia Nemotron 3 Ultra (najnowszej generacji modeli open-weight) w celu osiągnięcia tej samej wydajności kodowania.

Thinking Machines nie twierdzi, że Inkling jest najlepszym modelem na rynku. W materiałach informacyjnych wyraźnie zaznaczono, że Inkling "nie jest najsilniejszym dostępnym modelem, ani zamkniętym, ani otwartym". Zamiast tego firma stawia na wszechstronną wydajność i możliwości dostosowania.

Strategia Thinking Machines: Personalizacja ponad uniwersalność

Model Inkling jest pozycjonowany jako produkt dla przedsiębiorstw, ale nie jako gotowe rozwiązanie, lecz jako punkt wyjścia. Ma on być dostrajany przez organizacje za pośrednictwem Tinker, platformy do personalizacji modeli oferowanej przez Thinking Machines. To podejście wymaga jednak od klientów posiadania odpowiednich umiejętności w dziedzinie uczenia maszynowego, aby zapewnić bezpieczeństwo i skuteczność własnych modyfikacji.

Strategia Thinking Machines kontrastuje z podejściem OpenAI, Anthropic i Google, które skupiły się na tworzeniu uniwersalnych chatbotów, takich jak ChatGPT, Claude i Gemini, z funkcjami agentowymi i autonomicznymi. W opublikowanym niedawno poście Thinking Machines argumentowało, że AI trenowana centralnie przez jedną firmę i "zabetonowana" w swojej formie, ustępuje AI, którą organizacje mogą samodzielnie kształtować. Wynika to z faktu, że wiele specjalistycznej wiedzy jest specyficzne dla osób, które ją posiadają. Centralne laboratoria sprzedają ten sam produkt, wielokrotnie udoskonalany przez twórców, podczas gdy przedsiębiorstwa gotowe do posiadania i dostosowywania własnych modeli mogą czerpać z nich znacznie większą wartość.

Argument ten zyskuje na znaczeniu. Satya Nadella, dyrektor generalny Microsoftu (który zainwestował miliardy zarówno w OpenAI, jak i Anthropic), ostrzegł w niedawnym wpisie na blogu, że przedsiębiorstwa korzystające z zastrzeżonych modeli AI efektywnie płacą dwukrotnie: raz za subskrypcję, a drugi raz, przekazując wiedzę biznesową zawartą w tysiącach promptów i korekt, która może zostać wchłonięta przez przyszłe wersje modeli. Podobną prognozę przedstawił Clem Delangue, dyrektor generalny Hugging Face, sugerując, że modele "frontier" będą coraz częściej zarezerwowane do eksperymentów i zadań o wysokiej wartości, podczas gdy większość produkcyjnych zastosowań AI przesunie się w stronę prywatnych lub otwartych alternatyw.

Najbardziej przekonujący dowód na słuszność argumentacji Thinking Machines pochodzi z projektu z Bridgewater Associates, największym funduszem hedgingowym na świecie. Badacze z obu firm wzięli istniejący model open-source i dalej go trenowali na wewnętrznej wiedzy finansowej Bridgewater. Wynik? Model uzyskał 84,7% w testach rozumowania finansowego, bijąc czołowe zastrzeżone modele AI, a jednocześnie kosztował około jednej czternastej ich ceny. Należy jednak zaznaczyć, że wyniki te pochodzą z wewnętrznej oceny obu firm, a nie niezależnej.

Wyzwania i perspektywy finansowe

Thinking Machines podkreśla szybkość, z jaką osiągnęło obecny etap. OpenAI potrzebowało około pięciu lat, a Anthropic około trzech, aby wprowadzić technologię na rynek i generować przychody. Thinking Machines twierdzi, że dokonało tego w około dziewięć miesięcy.

Pojawiły się pytania, czy Inkling był trenowany na danych wyjściowych z modeli konkurencji, co jest praktyką zwaną "destylacją". Firma potwierdza, że częściowo tak. Inkling został wstępnie wytrenowany od podstaw, ale Thinking Machines wykorzystało inne modele open-weight, w tym Moonshot AI Kimi K2.5, do generowania części wczesnych danych po wstępnym treningu, zanim przejęło to uczenie wzmacniające na dużą skalę. Firma zapewnia, że kolejny model będzie wykorzystywał w pełni samodzielne dane po treningu.

W kwestii kosztów Thinking Machines jest bardziej powściągłe. W marcu firma zawarła strategiczne partnerstwo z Nvidią w celu wdrożenia gigawata mocy obliczeniowej Vera Rubin i twierdzi, że sam Inkling był trenowany wyłącznie na systemach Nvidia GB300 NVL72. Firma nie ujawniła jednak, jak zamierza zbilansować te wydatki z przychodami, które do tej pory nie były jej głównym celem. Chociaż w listopadzie ubiegłego roku mówiło się o rundzie finansowania w wysokości 50 miliardów dolarów, która według wielu doniesień utknęła w martwym punkcie do stycznia, firma odmawia komentarzy na temat swojej sytuacji finansowej. Nvidia jednak ogłosiła "znaczącą inwestycję" w Thinking Machines, gdy firmy ogłosiły marcowe partnerstwo.

Kluczowe pytanie brzmi, czy wydatki Thinking Machines kiedykolwiek osiągną skalę OpenAI czy Anthropic, czy też ich podejście oparte na efektywności oznacza, że ekonomia wygląda inaczej. Zakład firmy może polegać na tym, że nie będzie musiała wydawać tyle, co więksi rywale, ponieważ po upublicznieniu wag, nic nie zobowiązuje pobierających je do płacenia Thinking Machines za ich uruchamianie. To Tinker, a nie sam model, ma być źródłem przychodów firmy, poprzez szkolenia, dostrajanie i, od teraz, udział w ekosystemie hostingowym zbudowanym wokół niego.

Liczba pracowników wydaje się być bardziej stabilna. Thinking Machines zatrudnia obecnie około 200 osób, co stanowi wzrost w porównaniu do poziomu po fali odejść na początku tego roku, w tym dwóch współzałożycieli, którzy w styczniu przeszli do OpenAI. Firma nie wydaje się być zainteresowana promowaniem pojedynczych osób, stawiając na ciągłość zamiast polegania na jednej osobowości. Jest to godne uwagi, biorąc pod uwagę, jak wiele z historii firmy wciąż jest kojarzone z nazwiskiem jej słynnej współzałożycielki, niezależnie od jej intencji.

Wprowadzenie Inklinga i strategia Thinking Machines Lab podkreślają rosnący trend w branży AI, gdzie elastyczność i możliwość dostosowania modeli do specyficznych potrzeb przedsiębiorstw stają się kluczowymi czynnikami sukcesu. W obliczu dominacji gigantów technologicznych oferujących uniwersalne rozwiązania, podejście oparte na otwartych modelach i platformach do personalizacji może otworzyć nowe możliwości dla firm, które chcą czerpać maksymalną wartość z AI, jednocześnie zachowując kontrolę nad swoimi danymi i procesami. Będzie to wymagało jednak od klientów znacznych inwestycji w rozwój wewnętrznych kompetencji w zakresie uczenia maszynowego.

Źródło: techcrunch.com