Первый открытый релиз бывшего технического директора OpenAI
В среду стартап Thinking Machines Lab, основанный экс-CTO OpenAI Мирой Мурати, представил свою первую внутреннюю ИИ-модель — Inkling. В отличие от флагманских решений OpenAI, Anthropic или Google, эта модель имеет открытые веса — сторонние разработчики и компании могут свободно скачивать её и дорабатывать под свои нужды.
Inkling построена по архитектуре «смесь экспертов» и насчитывает 975 миллиардов параметров в сумме, однако для каждой конкретной задачи задействуется лишь небольшая часть — около 41 миллиарда. Такой подход сегодня широко распространён: он позволяет огромным моделям работать быстрее и обходиться дешевле. Обучение проходило на 45 триллионах токенов — текстах, изображениях, аудио и видео. По заявлению компании, модель изначально умеет рассуждать, опираясь на все четыре типа данных, хотя пока её ответы ограничены текстом, включая код, стилизованные артефакты и структурированную информацию.
Этот релиз — первая публичная демонстрация результатов полутора лет работы Thinking Machines над ИИ-инфраструктурой, которая до сих пор велась в основном за закрытыми дверями. Часть наработок уже мелькала в майском исследовательском превью «моделей взаимодействия» — ИИ, который не просто ждёт запроса, а умеет слушать, говорить и даже перебивать, в отличие от классических чат-ботов. Запуск Inkling также проверяет главную ставку стартапа: адаптируемый под конкретную организацию ИИ превзойдёт универсальные модели, которые сегодня продают крупнейшие лаборатории.
Калиброванные ответы и настраиваемое «мышление»
Inkling спроектирована так, чтобы выдавать взвешенные ответы — в том числе сообщать о неуверенности вместо того, чтобы гадать. Пользователи могут регулировать «интенсивность размышлений» модели, выбирая между скоростью и глубиной проработки запроса. Компания утверждает, что на одном из бенчмарков Inkling тратит втрое меньше токенов, чем последняя открытая модель Nvidia Nemotron 3 Ultra, достигая при этом того же качества в задачах на написание кода.
Thinking Machines не называет Inkling лучшей в своём классе. В брифинге прямо сказано: это «не самая мощная модель из доступных сегодня, ни среди открытых, ни среди закрытых». Очевидно, что ставка делается на сбалансированную производительность и возможность тонкой настройки под клиента.
Это поднимает вопрос о целевой аудитории внутри корпоративного рынка, на который ориентируется стартап. Пока Inkling позиционируется скорее как фундамент, а не готовый продукт — платформа для самостоятельной кастомизации через Tinker, фирменный инструмент компании для дообучения моделей. Это также означает, что за безопасность своих модификаций отвечают сами заказчики, а не Thinking Machines. Тонкая настройка таких систем требует серьёзных компетенций в машинном обучении.
OpenAI, Anthropic и Google пошли совершенно иным путём: их ChatGPT, Claude и Gemini создавались как универсальные чат-боты, поверх которых позже добавили агентские и автономные функции.
Почему ставка на кастомизацию набирает обороты
Публикация Thinking Machines на прошлой неделе чётко обозначила идеологический фон релиза. Компания утверждает: ИИ, централизованно обученный одной компанией и затем зафиксированный, проигрывает системам, которые организации адаптируют сами, ведь значительная часть экспертизы уникальна и принадлежит конкретным людям.
Эта точка зрения набирает популярность. В воскресном блог-посте гендиректор Microsoft Сатья Наделла, чья компания вложила миллиарды и в OpenAI, и в Anthropic, предупредил: предприятия, использующие проприетарные ИИ-модели, фактически платят дважды — сначала за подписку, а затем отдавая бизнес-знания, зашитые в их промтах и корректировках, которые могут быть поглощены будущими версиями моделей.
Гендиректор Hugging Face Клем Деланг в разговоре с TechCrunch неделей ранее сделал похожий прогноз: фронтирные модели всё чаще будут использоваться для экспериментов и высокоценных задач, тогда как основная производственная работа с ИИ перетечёт к приватным или опенсорсным альтернативам. Именно на такое разделение и делает ставку Thinking Machines.
Кейс с Bridgewater и вопрос о дистилляции
Самый наглядный аргумент в пользу подхода Thinking Machines — недавний проект с Bridgewater Associates, крупнейшим в мире хедж-фондом (который, стоит заметить, не является инвестором стартапа). Исследователи обеих компаний взяли существующую открытую модель и дообучили её на финансовой экспертизе самого Bridgewater. Результат, как сообщается, набрал 84,7% в тестах на финансовое мышление, обойдя ведущие проприетарные ИИ-системы, и при этом обходился примерно в четырнадцать раз дешевле в эксплуатации. Правда, эти цифры получены в ходе внутренней оценки, а не независимого аудита.
Thinking Machines подчёркивает, как быстро удалось дойти до релиза. OpenAI потребовалось около пяти лет, чтобы вывести технологию на рынок и начать показывать выручку, Anthropic — около трёх. У Thinking Machines аналогичный путь занял примерно девять месяцев.
Закономерен вопрос: не обучалась ли Inkling на ответах конкурирующих моделей — практика, известная как дистилляция, которая вызывает пристальное внимание во всей индустрии. Короткий ответ из материалов компании: отчасти да. Предварительное обучение Inkling проходило с нуля, но для генерации части ранних данных на этапе пост-обучения использовались другие открытые модели, включая Kimi K2.5 от Moonshot AI — до того как широкомасштабное обучение с подкреплением взяло на себя основную нагрузку. В следующей модели, как обещает компания, пост-обучение будет полностью автономным.
Экономика открытости и командная культура
Что касается расходов, Thinking Machines хранит молчание. В марте компания заключила партнёрство с Nvidia для развёртывания гигаватта вычислительных мощностей Vera Rubin и обучила Inkling целиком на системах Nvidia GB300 NVL72, однако не раскрывает, как планирует покрывать эти затраты. Выручка, по большинству оценок, приоритетом не была. Сообщалось о раунде финансирования на 50 миллиардов долларов, который готовился в ноябре прошлого года, но к январю забуксовал; с тех пор компания отказывается обсуждать своё финансовое положение.
Смежный вопрос: достигнут ли когда-нибудь расходы Thinking Machines масштабов OpenAI или Anthropic, или же её ставка на эффективность диктует иную экономику. Иными словами, пари компании, возможно, не в том, что она будет тратить на уровне крупных конкурентов, а в том, что ей это вообще не понадобится. Когда веса открыты, ничто не обязывает тех, кто их скачал, платить Thinking Machines за использование — в отличие от дозированного доступа, который продают OpenAI и Anthropic. Выручка должна генерироваться через Tinker — обучение, тонкую настройку и, теперь уже, долю в хостинговой экосистеме, выстроенной вокруг платформы.
Со штатом ситуация более определённая. Сейчас в Thinking Machines работает около 200 человек — больше, чем сообщалось после волны уходов в начале года, включая двух сооснователей, вернувшихся в OpenAI в январе.
Thinking Machines, судя по всему, не стремится разыгрывать карту отдельных ярких фигур, как это делает большая часть индустрии. По словам внутреннего источника, корпоративная культура сознательно выстроена в пользу преемственности, а не опоры на одну личность. Логично: переход людей между командами не выглядит катастрофой, если их изначально не возводили на пьедестал. Примечательно, что компания настаивает на этом, учитывая, насколько её собственная история по-прежнему ассоциируется с именем знаменитой соосновательницы — запланированно это или нет.