مختبر آلات الفكر يكشف عن Inkling، نموذج الذكاء الاصطناعي المتعدد الوسائط المفتوح الأول

شركة Thinking Machines Lab أطلقت Inkling، أول نموذج ذكاء اصطناعي عام الأغراض لها، لتمنح المطورين إمكانية الوصول إلى نظام يضم ما يقارب تريليون معلمة ويستطيع معالجة النصوص والصور والصوت. ويمثل إطلاقه في 15 يوليو 2026 أهم إنجاز على صعيد المنتجات حتى الآن لشركة الذكاء الاصطناعي التي حظيت بتمويل ضخم وأسستها المديرة التقنية السابقة في OpenAI، ميرا موراتي.

وبدلاً من الادعاء بأنها بنت أقوى نموذج في العالم، تقدم Thinking Machines نموذج Inkling كأساس قابل للتخصيص للشركات والباحثين والمطورين الذين يريدون تحكماً أكبر في سلوك أنظمتهم للذكاء الاصطناعي. ويمكن تنزيل أوزانه عبر Hugging Face بموجب ترخيص Apache 2.0، كما يمكن ضبط النموذج ضبطاً دقيقاً من خلال منصة التدريب Tinker التابعة للشركة.

وقد تبرز أهمية هذا التوجه مع انقسام سوق الذكاء الاصطناعي بين أنظمة رائدة مغلقة تتحكم فيها مجموعة صغيرة من الشركات، وبدائل مفتوحة الأوزان تستطيع المؤسسات تعديلها واستضافتها ودمجها في بنيتها التحتية.

نموذج يضم 975 مليار معلمة ويستخدم جزءاً منها فقط في كل مرة

يضم Inkling ما مجموعه 975 مليار معلمة، مما يجعله أحد أكبر النماذج مفتوحة الأوزان التي صدرت حتى الآن. لكنه يستخدم بنية متناثرة من مزيج الخبراء، بحيث لا تُفعّل سوى 41 مليار معلمة أثناء معالجة أي رمز منفرد.

ويحتوي النموذج على 66 طبقة محوّلات و256 خبيراً يُوجَّه العمل إليهم. ويُرسل كل رمز إلى ستة من هؤلاء الخبراء، إضافة إلى خبيرين مشتركين يظلان نشطين عبر الطلبات. ويهدف هذا النهج إلى توفير السعة المعرفية لنموذج بالغ الضخامة من دون الحاجة إلى استخدام كل معلمة في كل عملية استدلال.

وقالت Thinking Machines إن تصميم مزيج الخبراء يتبع إلى حد كبير أفكاراً قدمها DeepSeek-V3، بما فيها أساليب التوجيه وموازنة الأحمال. ويستخدم Inkling أيضاً مزيجاً من طبقات الانتباه ذات النافذة المنزلقة وطبقات الانتباه الشامل، إلى جانب تضمينات موضعية نسبية بدلاً من التضمينات الموضعية الدوارة الشائعة في النماذج اللغوية الحديثة.

ويدعم النموذج نافذة سياق تصل إلى مليون رمز. وتتيح Tinker للمطورين حالياً إعدادات بسعتي 64 ألف رمز و256 ألف رمز، فيما تتوفر سعة السياق الكاملة عند تشغيل الأوزان المُنزَّلة في بيئات متوافقة.

قدرات تفكير مدمجة تشمل النصوص والصور والصوت

Inkling متعدد الوسائط بطبيعته؛ فهو يقبل النصوص والصور والصوت كمدخلات ويولّد نصاً كمخرجات. وتُعالج الصور بواسطة مُرمِّز هرمي لرقع الصور، فيما يُحوَّل الصوت إلى رموز منفصلة ويُوضَع في فضاء التمثيل المشترك نفسه الذي يضم المعلومات النصية والبصرية.

ودرّبت Thinking Machines النموذج تدريباً مسبقاً على 45 تريليون رمز من النصوص والصور والصوت والفيديو. وقالت الشركة إن البيانات شملت مواد متاحة للجمهور، ومصادر من أطراف ثالثة رُخِّصت أو اقتُنيت، ومحتوى مُولَّداً أو مُعزَّزاً اصطناعياً. لكن بطاقة النموذج لا تقدم جرداً كاملاً لمجموعات البيانات، مما يجعل وصفه بأنه «مفتوح الأوزان» أدق من اعتباره مفتوح المصدر بالكامل.

وقدمت الشركة أيضاً نظام تفكير قابلاً للتحكم يتيح للمطورين ضبط مقدار الحوسبة التي يستخدمها Inkling قبل تقديم الإجابة. ويمكن للإعدادات المنخفضة تقليل زمن الاستجابة واستهلاك الرموز، بينما يمكن استخدام إعدادات أعلى لمهام البرمجة أو الرياضيات أو العلوم أو استخدام الأدوات الأكثر صعوبة.

وإلى جانب النموذج الرئيسي، عرضت Thinking Machines نسخة أولية من Inkling-Small، وهو نموذج مزيج خبراء يضم 276 مليار معلمة، منها 12 مليار معلمة نشطة. وقالت الشركة إن تحسين البيانات ومنهجية التدريب أتاح للنموذج الأصغر أن يضاهي النسخة الأكبر أو يتجاوزها في عدة تقييمات، رغم أن Inkling-Small لم يُطرح بعد بالإتاحة الكاملة نفسها.

مصمم للتخصيص عبر Tinker

يرتبط Inkling ارتباطاً وثيقاً بـ Tinker، منصة التدريب السحابية التي قدمتها Thinking Machines في عام 2025. وتتيح Tinker للمطورين كتابة إجراءات التدريب محلياً، بينما تتولى المنصة إدارة البنية التحتية الموزعة لوحدات معالجة الرسومات اللازمة للضبط الدقيق لنماذج تتراوح بين أنظمة صغيرة نسبياً وبنى مزيج خبراء تضم تريليون معلمة.

وتدعم المنصة الضبط الدقيق الخاضع للإشراف، والتعلم المعزز، والتحسين المباشر للتفضيلات، وتقطير النماذج، والتكييف منخفض الرتبة. ويمكن للعملاء تنزيل نقاط الحفظ الناتجة، وتقول Thinking Machines إن بيانات تدريب العميل لا تُستخدم إلا لضبط نماذجه، ولا تُدمج في النماذج الأساسية الخاصة بالشركة.

ولتوضيح عملية التخصيص، طلبت الشركة من Inkling ضبط نفسه ليصبح نموذجاً لا يستخدم الحرف اللاتيني «e» مطلقاً. فأنشأ Inkling بيانات التدريب وطريقة التقييم الخاصة به، ثم أنشأ مهمة ضبط دقيق وشغّلها عبر Tinker، واختبر نقطة الحفظ المحدَّثة، ثم حمّل الأوزان المعدَّلة في بيئة عمله.

وهذا العرض ضيق النطاق عمداً، لكنه يوضح الاستراتيجية الأوسع. إذ تريد Thinking Machines من المطورين التعامل مع النماذج الأساسية كنقاط انطلاق يمكن تكييفها مع مصطلحات المؤسسة وسير عملها وبياناتها وسياساتها والسلوك الذي تفضله، بدلاً من اعتبارها منتجات مكتملة يتحكم فيها موفر النموذج الأصلي وحده.

أداء تنافسي من دون ادعاء تصدّر الاختبارات المعيارية

تقر Thinking Machines صراحة بأن Inkling ليس أقوى نموذج متاح في كل فئة. وتضعه نتائج الاختبارات المعيارية عموماً بين الأنظمة مفتوحة الأوزان الأكثر قدرة، بينما تحتفظ النماذج الرائدة المغلقة من شركات منها Anthropic وGoogle وOpenAI بأفضلية إجمالية.

وقد حقق Inkling نتيجة 97.1% في الاختبار المعياري لامتحان الرياضيات الأمريكي للمدعوين لعام 2026 و87.2% في GPQA Diamond، الذي يقيس التفكير العلمي على مستوى الدراسات العليا. وسجل 77.6% في SWE-bench Verified و54.3% في SWE-bench Pro Public، وهما اختباران يُستخدمان لتقييم قدرة وكلاء البرمجة على حل مشكلات حقيقية في هندسة البرمجيات.

وفي Humanity’s Last Exam، حقق Inkling نتيجة 29.7% من دون أدوات و46% عند إتاحة الأدوات له. وكان أداؤه مع الأدوات منافساً لعدة نماذج مفتوحة، لكنه ظل دون أقوى الأنظمة المغلقة التي شملتها مقارنة Thinking Machines.

كما حصل Inkling على 1,257 نقطة في لوحة ترتيب تطوير الويب بالوكلاء لدى Design Arena، حيث يقارن مقيمون بشريون تطبيقات أنشأتها نماذج مختلفة. ووضعته هذه النتيجة بالقرب من عدة أنظمة مغلقة، ومتقدماً على عدد من المنافسين الراسخين ذوي الأوزان المفتوحة.

وكما هي الحال مع أي مجموعة اختبارات ينشرها المورّد نفسه، تحتاج النتائج إلى إعادة تحقق مستقلة. وقد استخدمت Thinking Machines نتائج خارجية حيثما توفرت، لكن عدة تقييمات اعتمدت على أطر اختبار داخلية أو إعدادات خاصة أو نتائج أفاد بها موفرو النماذج المنافسة بأنفسهم.

تكاليف أقل تقابلها متطلبات كبيرة للعتاد

تستند حجة Inkling المتعلقة بالتكلفة إلى حد كبير إلى بنيته المتناثرة وقدرات التفكير القابلة للتحكم. فتفعيل 41 مليار معلمة بدلاً من جميع المعلمات البالغ عددها 975 ملياراً يفترض أن يجعل الاستدلال أكثر كفاءة بكثير من تشغيل نموذج كثيف بحجم مماثل، مع السماح للمطورين بتعطيل التفكير المطوّل للطلبات التي لا تحتاج إليه.

وعبر Tinker، تُسعَّر نسخة 64 ألف رمز بمبلغ 1.87 دولار لكل مليون رمز في المعالجة الأولية للمدخلات، و4.68 دولارات لكل مليون رمز مولَّد بأخذ العينات، و5.61 دولارات لكل مليون رمز تدريب. وترتفع أسعار إعداد 256 ألف رمز إلى 3.74 دولارات للمعالجة الأولية، و9.36 دولارات لأخذ العينات، و11.23 دولاراً للتدريب، مع أسعار أقل للمدخلات المخزنة مؤقتاً.

وتجعل هذه الأسعار تجريب النماذج الكبيرة أكثر إتاحة من بناء عنقود تدريب مخصص، لكن Inkling ليس نموذجاً يستطيع معظم المطورين تشغيله على محطة عمل عادية. إذ تتطلب نقطة الحفظ الكاملة بصيغة BF16 ما لا يقل عن تيرابايتين من ذاكرة الرسومات الإجمالية، أي ما يعادل ثماني وحدات Nvidia B300 أو 16 وحدة H200.

وتقلل نقطة حفظ مكمَّمة بصيغة NVFP4 المتطلب إلى نحو 600 غيغابايت، لكنها تظل بحاجة إلى بنية تحتية مثل أربع وحدات B300 أو ثماني وحدات H200. لذلك يُرجَّح عملياً أن تصل مؤسسات كثيرة إلى Inkling عبر Tinker أو موفري استدلال من أطراف ثالثة، بدلاً من استضافة النموذج الكامل مباشرة.

الموازنة بين مقاومة الرقابة وضوابط السلامة

من أهداف تصميم Inkling الأقل شيوعاً ما تصفه Thinking Machines بمقاومة الرقابة. وتقول الشركة إنها درّبت النموذج تحديداً على الإجابة عن أسئلة تتناول موضوعات قد تكون حساسة سياسياً أو مؤسسياً، بدلاً من رفضها تلقائياً.

قيّمت Cognition نموذج Inkling باستخدام اختبارها المعياري للدعاية والرقابة، وأفادت Thinking Machines بأن النموذج أظهر أنماطاً قوية من «عدم الامتثال للرقابة». وتتمثل الفكرة الأساسية في أن النموذج المفتوح ينبغي ألا يرث قيوداً سياسية غير ضرورية أو آراء موحدة لمجرد أن مطوره الأصلي ضمّن فيه تلك التفضيلات.

ولا يعني ذلك أن Inkling مصمم للإجابة عن كل طلب. فقد درّبت الشركة النموذج بصورة منفصلة على رفض التعليمات المتعلقة بالأسلحة والعنف والإساءة السيبرانية والتهديدات الكيميائية أو البيولوجية والتلاعب وغيرها من الأنشطة الخطرة.

وحقق Inkling نتيجة 78% في الجزء العدائي من اختبار السلامة FORTRESS، مع الإجابة الصحيحة عن 95.9% من الأسئلة السليمة المصممة لتبدو كطلبات ضارة. كما حقق 98.6% في StrongREJECT، الذي يقيس مدى رفض النماذج للتعليمات الضارة بوضوح. وتقول Thinking Machines إن هذه النتائج مجتمعة تشير إلى قدرة النموذج على الحفاظ على ضوابط السلامة من دون حجب الأسئلة المشروعة بإفراط، رغم أن أثر الضبط الدقيق اللاحق من أطراف ثالثة لا يزال مسألة بحثية مفتوحة.

من قيادة OpenAI إلى شركة ناشئة بقيمة 12 مليار دولار

أُطلقت Thinking Machines Lab رسمياً في فبراير 2025، بعد عدة أشهر من مغادرة موراتي لشركة OpenAI. وكانت قد شغلت منصب المديرة التقنية في OpenAI خلال إطلاق منتجات شملت ChatGPT وDALL-E وأنظمة الشركة المبكرة للصوت والوسائط المتعددة.

وضم الفريق الأصلي نحو 30 باحثاً ومهندساً استُقطبوا من OpenAI وMeta وMistral ومؤسسات أخرى للذكاء الاصطناعي. وكان نحو ثلثي الموظفين عند الإطلاق قد عملوا سابقاً لدى OpenAI. وضمت المجموعة المؤسسة جون شولمان، أحد مؤسسي OpenAI، وباريت زوف وليليان وينغ وأندرو تولوك ولوك ميتز، بخبرات شملت التعلم المعزز ومواءمة النماذج والذكاء الاصطناعي متعدد الوسائط والتدريب المسبق والتدريب اللاحق.

وبعد خمسة أشهر فقط من إطلاقها، جمعت Thinking Machines نحو ملياري دولار عند تقييم بلغ 12 مليار دولار. وقادت Andreessen Horowitz الجولة، بمشاركة Nvidia (NVDA ) وAccel وServiceNow (NOW ) وCisco وAMD وشركة التداول الكمي Jane Street.

ووسعت Nvidia منذ ذلك الحين علاقتها بالشركة من خلال شراكة استراتيجية متعددة السنوات. وقد أُعلن الاتفاق في مارس 2026، وينص على نشر أنظمة Nvidia Vera Rubin من الجيل التالي بقدرة لا تقل عن غيغاواط واحد لدعم تدريب نماذج Thinking Machines ومنصاتها للذكاء الاصطناعي القابل للتخصيص. كما قدمت Nvidia استثماراً إضافياً في الشركة.

Inkling يعكس رهاناً أوسع على الذكاء الاصطناعي اللامركزي

ترى Thinking Machines أن معظم أنظمة الذكاء الاصطناعي تدربها مجموعة صغيرة من الشركات، ثم توزعها كمنتجات ثابتة إلى حد كبير. أما بديلها فهو منظومة تستطيع فيها الشركات والأفراد تكييف النماذج باستمرار باستخدام معارفهم وتفضيلاتهم وأحكامهم الخاصة.

وتساعد هذه الفلسفة على تفسير طرح Inkling بأوزان قابلة للتنزيل بدلاً من إتاحته حصرياً عبر واجهة مغلقة. كما تربط النموذج بمنصة Tinker، التي توفر البنية التحتية التدريبية اللازمة لتعديل السلوك من دون إجبار كل مؤسسة على بناء عنقود كبير خاص بها من وحدات معالجة الرسومات.

لكن ثمة تعارضاً مستمراً بين هذه الرؤية والواقع العملي للإصدار. فـInkling مفتوح بما يكفي لتنزيله وتعديله، لكنه كبير إلى درجة تجعل استضافة النموذج الكامل ممكنة عملياً للمؤسسات ذات التمويل القوي فقط. وتُوصَف بيانات تدريبه ضمن فئات عامة بدلاً من توثيقها بالكامل، وقد يؤدي التخصيص إلى إضعاف ضوابط السلامة المدمجة في نقطة الحفظ الأصلية.

ومع ذلك، يمنح الإصدار المطورين الغربيين خياراً كبيراً آخر مفتوح الأوزان، في وقت جاءت فيه كثير من أقوى النماذج القابلة للتخصيص من مختبرات صينية مثل DeepSeek وAlibaba وMoonshot AI وZhipu AI. وأشارت رويترز إلى أن تطوير النماذج مفتوحة الأوزان في الغرب فقد زخماً مع اتجاه عدة شركات أمريكية رائدة إلى استراتيجيات أكثر انغلاقاً.

ما الذي يعنيه Inkling للذكاء الاصطناعي؟

قد تعتمد أهمية Inkling بدرجة أقل على تصدره كل اختبار معياري، وبدرجة أكبر على قدرة المطورين على تحويله إلى أنظمة متخصصة تتفوق على النماذج العامة في مجالات أضيق.

وغالباً ما تمتلك الشركات في التمويل والرعاية الصحية والهندسة والأمن السيبراني والبحث العلمي وتطوير البرمجيات معرفة داخلية قيّمة لا تمثلها بيانات التدريب العامة جيداً. وقد يتيح نموذج أساسي قوي مفتوح الأوزان، مقترن ببنية تحتية متاحة للتعلم المعزز والضبط الدقيق، لهذه المؤسسات إدماج المزيد من خبراتها مباشرة في سلوك النموذج.

وفي الوقت نفسه، يحتاج النموذج إلى إثبات أن ادعاءاته المتعلقة بالكفاءة تُترجم إلى انخفاض في إجمالي تكاليف النشر، ولا سيما عند احتساب البنية التحتية وحجم الاستدلال والضبط الدقيق والمراقبة واختبارات السلامة. كما سيحتاج الباحثون المستقلون إلى فحص أدائه في الاختبارات المعيارية وقدراته متعددة اللغات وحياده السياسي ومعدلات هلوساته ومقاومته لتراجع السلامة بعد التخصيص.

ودخلت Thinking Machines السوق بفريق ذي خبرة استثنائية، ودعم استثماري كبير، والتزامات بالبنية التحتية ترتبط عادة بمختبرات ذكاء اصطناعي أقدم بكثير. ويمثل Inkling أول فرصة للشركة لإثبات أن هذه الموارد تستطيع إنتاج ما يتجاوز الخطط البحثية الطموحة ومنصات التدريب.

ولا يحل النموذج محل الأنظمة المغلقة الرائدة، ولا تدّعي Thinking Machines Lab أنه يفعل ذلك. بل يقدم Inkling طرحاً مختلفاً: قد يتشكل مستقبل الذكاء الاصطناعي المتقدم ليس فقط على يد من يدرب أقوى نموذج عام الأغراض، بل أيضاً على يد من يمنح المطورين أقوى أساس لبناء نماذجهم الخاصة.