شرکت Thinking Machines Lab، استارتاپ هوش مصنوعی که توسط میرا موراتی، مدیرعامل 기술 سابق OpenAI، تاسیس شده، روز چهارشنبه اولین مدل مالکیتدار خود به نام Inkling را با استراتژی «وزنباز» (open-weight) منتشر کرد. این حرکت، تضاد آشکاری با رویکرد بسته شرکتهایی چون OpenAI، Anthropic و Google ایجاد میکند، چرا که توسعهدهندگان و سازمانها اکنون میتوانند مدل را دانلود، بررسی و مستقیماً بر اساس نیازهای خود تغییر دهند.
معماری و مشخصات فنی Inkling
Inkling بر پایه معماری مختلط از خبرگان (Mixture-of-Experts) ساخته شده است با ۹۷۵ میلیارد پارامتر کل، هرچند که برای هر وظیفه تنها حدود ۴۱ میلیارد پارامتر فعال میشود. این طراحی رایج، مدلهای بسیار بزرگ را سریعتر و مقرونبهصرفهتر برای اجرا میسازد. مدل بر روی ۴۵ تریلیون توکن از دادههای چند_modal (متن، تصویر، صدا و ویدیو) آموزش دیده و به طور بومی در هر سه حوزه استدلال انجام میدهد.
فلسفه طراحی: کالیبراسیون بر پیشبینی، کنترل تلاش تفکر
برخلاف مدلهای پرچمدار که تمرکز بر بیشینهسازی دقت خام دارند، Inkling برای ارائه پاسخهای کالیبرهشده طراحی شده است. این یعنی مدل به جای حدس زدن در مواقع عدم قطعیت، به صراحت آن را اعلام میکند. علاوه بر این، کاربران میتوانند پارامتر «تلاش تفکر» (thinking effort) را بالا یا پایین بیاورند تا میان دقت و سرعت تعادل برقرار کنند. در تستهای داخلی شرکت، Inkling برای دستیابی به عملکرد کدنویسی معادل با Nvidia Nemotron 3 Ultra، تنها از یکسوم توکنها استفاده کرده است.
"Inkling قویترین مدل موجود امروز نیست—نه در دسته باز و نه در دسته بسته. هدف ما عملکرد متوازن و قابل اعتماد برای استقرار در محیطهای واقعی سازمانی است."
استراتژی «نقطه شروع» و پلتفرم Tinker
Thinking Machines بیتقلب اعلام کرده که Inkling یک «محصول تمامشده» نیست، بلکه یک نقطه شروع برای تنظیم دقیق (fine-tuning) سازمانی است. شرکت پلتفرم Tinker را برای این منظور عرضه میکند. این رویکرد، تضاد بیانیهای دارد با استراتژی رقبا: ChatGPT، Claude و Gemini ابتدا به عنوان چتباتهای همهمنظوره طراحی شدهاند و قابلیتهای عاملی (agentic) به عنوان لایه ثانویه اضافه شدهاند.
استدلال اقتصادی: چرا مدلهای متمرکز برای سازمانها ناکارآمدند؟
یک پست وبلاگ هفته گذشته از Thinking Machines، بستر فکری این انتشار را فراهم کرد: هوش مصنوعی که توسط یک شرکت به صورت متمرکز آموزش داده میشود و سپس «تثبیت» مییابد، در برابر هوش مصنوعی که سازمانها خود میسازند، عملکرد ضعیفتری دارد. دلیل آن این است که تخصص واقعی در دادهها و فرآیندهای اختصاصی سازمانها نهفته است، نه در دانش عمومی مدلهای پایه.
این دیدگاه اکنون پشتیبانی بزرگان صنعت را نیز به دست آورده است:
- ساتیا نادلا، مدیرعامل مایکروسافت (سرمایهگذار در OpenAI و Anthropic) در پستی در وبلاگ رسمی هشدار داد: سازمانهایی که از مدلهای اختصاصی استفاده میکنند، «دو بار پرداخت میکنند»—یک بار هزینه اشتراک، بار دوم تحویل دانش تجاری نهفته در پرامپتها و تصحیحات، که میتواند در نسخههای آینده مدل جذب شود.
- کلم دلاگ، مدیرعامل Hugging Face در گفتگویی با TechCrunch پیشبینی کرد: مدلهای پیشرو (frontier) برای آزمایش و وظایف باارزش بالا محفوظ خواهند ماند، در حالی که اکثریت کارهای تولیدی به مدلهای خصوصی یا متنباز منتقل میشود.
مطالعه موردی: Bridgewater Associates
ملموسترین شاهد این استدلال، همکاری اخیر با Bridgewater Associates، بزرگترین صندوق سرمایهگذاری خطرپذیر جهان، است. محققان دو طرف یک مدل متنباز موجود را بردند و آن را بر روی تخصص مالی Bridgewater تنظیم دقیق کردند. نتیجه: مدل تخصصی، عملکردی به مراتب بهتر در تحلیلهای مالی پیچیده داشت، بدون اینکه Thinking Machines سرمایهگذار Bridgewater باشد. این الگوی «بنیانگذاری بر مدل باز + تخصص مالکیتدار»正是 정확히 همان چیزی است که Thinking Machines به عنوان آینده هوش مصنوعی سازمانی ترویج میکند.
چالشها و افق روبرو
با وجود استدلال قوی، Inkling با چالشهای جدی روبروست:
- اکوسیستم و ابزارها: رقبا اکوسیستمهای بالغ توسعهدهنده، SDKها و یکپارچگیهای ابری دارند.
- اعتماد و امنیت: سازمانها برای استقرار مدلهای باز، زیرساختهای امنیتی و انطباق (compliance) قدرتمند نیاز دارند.
- پشتیبانی بلندمدت: تضمین بهروزرسانیهای امنیتی و بهبودهای مداوم بر عهده خود شرکت است.
با این حال، انتشار Inkling نشاندهنده یک نقطه عطف استراتژیک در صنعت است: انتقال قدرت از «تولیدکنندگان مدل یکسازه» به سمت «مالکان داده و تخصص». اگر Tinker بتواند فرآیند تنظیم دقیق را به اندازه کافی ساده، ایمن و مقرونبهصرفه کند، Thinking Machines میتواند معمار پارادایم جدید هوش مصنوعی سازمانی باشد.
