Thinking Machines Lab เปิดตัว Inkling โมเดล AI มัลติม็อดัลแบบเปิดที่มีน้ำหนักมากถึง 1 ล้านพารามิเตอร์

Thinking Machines Lab ได้เปิดตัว Inkling โมเดล AI มัลติม็อดัลแบบเปิดที่มีพารามิเตอร์เกือบ 1 ล้านล้านตัว ซึ่งสามารถประมวลผลข้อความ รูปภาพ และเสียงได้ การเปิดตัวเมื่อวันที่ 15 กรกฎาคม 2026 ถือเป็นหมุดหมายที่สำคัญที่สุดของบริษัท AI ที่ได้รับการสนับสนุนอย่างมาก ซึ่งก่อตั้งโดย Mira Murati อดีต Chief Technology Officer ของ OpenAI

แทนที่จะอ้างว่าเป็นโมเดลที่มีประสิทธิภาพสูงสุด Thinking Machines ได้วางตำแหน่ง Inkling ให้เป็นรากฐานที่สามารถปรับแต่งได้สำหรับบริษัท นักวิจัย และนักพัฒนา ที่ต้องการควบคุมพฤติกรรมของ AI ได้มากขึ้น น้ำหนักของโมเดลสามารถดาวน์โหลดได้จาก Hugging Face ภายใต้ใบอนุญาต Apache 2.0 และโมเดลสามารถปรับแต่งได้ผ่าน Tinker ซึ่งเป็นแพลตฟอร์มฝึกอบรมบนคลาวด์ของ Thinking Machines

การออกแบบนี้อาจมีความสำคัญเมื่อตลาด AI แบ่งออกเป็นสองส่วน คือ ระบบ AI ที่เป็นกรรมสิทธิ์และระบบ AI ที่เปิดกว้าง ซึ่งองค์กรสามารถปรับแต่งและรวมเข้ากับโครงสร้างพื้นฐานของตนเองได้

โมเดล 975 พารามิเตอร์ที่ใช้เพียงเศษเสี้ยวในครั้งเดียว

Inkling มีน้ำหนักมากถึง 975 พารามิเตอร์ ซึ่งทำให้เป็นหนึ่งในโมเดลที่มีน้ำหนักมากที่สุดที่เปิดกว้างที่สุด อย่างไรก็ตาม โมเดลนี้ใช้โครงสร้าง Mixture-of-Experts ที่กระจาย ซึ่งหมายความว่าเพียง 41 พารามิเตอร์เท่านั้นที่ถูกกระตุ้นขณะประมวลผลโทเค็นแต่ละตัว

โมเดลประกอบด้วย 66 เลเยอร์ Transformer และ 256 โครงสร้างผู้เชี่ยวชาญที่ถูกกำหนดเส้นทาง แต่ละโทเค็นจะถูกส่งไปยังผู้เชี่ยวชาญ 6 คน พร้อมด้วยผู้เชี่ยวชาญ 2 คนที่ใช้ร่วมกันซึ่งยังคงทำงานตลอดการร้องขอ โมเดลนี้มีจุดมุ่งหมายเพื่อให้ความสามารถในการประมวลผลของโมเดลขนาดใหญ่โดยไม่ต้องใช้ทุกพารามิเตอร์ในทุกการอนุมาน

Thinking Machines ระบุว่าโครงสร้าง Mixture-of-Experts ของ Inkling มีแนวคิดที่คล้ายกับ DeepSeek-V3 รวมถึงวิธีการกำหนดเส้นทางและสมดุลการทำงาน โมเดลนี้ยังใช้ชั้นการดูแลแบบ Sliding Window และชั้นการดูแลแบบ Global พร้อมด้วยการฝังตัวแบบ Positional Embedding ที่สัมพันธ์กัน แทนที่จะใช้ Rotary Positional Embedding ที่ใช้กันอย่างแพร่หลายในโมเดลภาษาใหม่ๆ

การให้เหตุผลแบบมัลติม็อดัลที่เป็นของแท้

Inkling เป็นโมเดลมัลติม็อดัลที่แท้จริง ซึ่งสามารถรับข้อมูลเข้าได้หลายรูปแบบ เช่น ข้อความ รูปภาพ และเสียง และสามารถส่งออกข้อมูลเป็นข้อความได้ รูปภาพจะถูกประมวลผลโดยใช้เครื่องมือเข้ารหัสแบบ Hierarchical Patch Encoder ในขณะที่เสียงจะถูกแปลงเป็นโทเค็นแบบไม่ต่อเนื่องและวางไว้ในพื้นที่การแสดงผลเดียวกันกับข้อความและข้อมูลภาพ

Thinking Machines ได้ฝึกอบรมโมเดลนี้ด้วยข้อมูล 45 ล้านโทเค็นจากข้อความ รูปภาพ เสียง และวิดีโอ บริษัทระบุว่าข้อมูลนี้รวมถึงสื่อแบบเปิดเผย แหล่งที่มาแบบได้รับอนุญาตหรือซื้อจากบุคคลที่สาม และเนื้อหาที่สร้างขึ้นหรือเพิ่มเติมแบบสังเคราะห์ อย่างไรก็ตาม บัตรโมเดลไม่ได้ให้รายชื่อข้อมูลที่สมบูรณ์ ทำให้ “น้ำหนักที่เปิดกว้าง” เป็นคำอธิบายที่เหมาะสมกว่า “โค้ดที่เปิดกว้าง”

บริษัทยังได้แนะนำระบบการให้เหตุผลที่สามารถควบคุมได้ ซึ่งช่วยให้นักพัฒนาสามารถปรับระดับการคำนวณที่ Inkling ใช้ในการตอบคำถามได้ การตั้งค่าการให้เหตุผลที่ต่ำลงสามารถลดความล่าช้าและปริมาณโทเค็นได้ ในขณะที่การตั้งค่าที่สูงขึ้นสามารถใช้สำหรับการเขียนโค้ดที่ยากขึ้น การใช้เครื่องมือทางวิทยาศาสตร์ หรืองานวิจัย

การออกแบบเพื่อปรับแต่งผ่าน Tinker

Inkling มีความสัมพันธ์อย่างใกล้ชิดกับ Tinker ซึ่งเป็นแพลตฟอร์มฝึกอบรมบนคลาวด์ที่ Thinking Machines เปิดตัวในปี 2025 Tinker ช่วยให้นักพัฒนาสามารถเขียนขั้นตอนการฝึกอบรมบนเครื่องของตนเอง ในขณะที่แพลตฟอร์มจัดการโครงสร้างพื้นฐาน GPU ที่กระจายสำหรับการฝึกอบรมโมเดลต่างๆ ตั้งแต่ขนาดเล็กจนถึงขนาดใหญ่

แพลตฟอร์มสนับสนุนการฝึกอบรมแบบมีคำแนะนำ การเรียนรู้แบบเสริม การเพิ่มประสิทธิภาพความชอบโดยตรง การกลั่นกรอง และการปรับให้เหมาะสมแบบ Low-Rank ลูกค้าสามารถดาวน์โหลดจุดตรวจสอบที่ได้ผล และ Thinking Machines ระบุว่าข้อมูลฝึกอบรมของลูกค้าจะใช้เพียงเพื่อปรับโมเดลของลูกค้าเท่านั้น ไม่ใช่เพื่อเพิ่มโมเดลพื้นฐานของตนเอง

เพื่อแสดงกระบวนการปรับแต่งนี้ บริษัทได้ขอให้ Inkling ปรับแต่งตัวเองให้เป็นโมเดลที่ไม่เคยใช้ตัวอักษร “e” โมเดลได้สร้างข้อมูลฝึกอบรมและวิธีการประเมินของตนเอง สร้างและรันงานฝึกอบรมผ่าน Tinker ทดสอบจุดตรวจสอบที่อัปเดต และโหลดน้ำหนักที่ปรับแต่งแล้วลงใน môi trườngการทำงาน

ประสิทธิภาพที่แข่งขันได้โดยไม่ต้องอ้างว่าเป็นแชมป์เปียน

Thinking Machines ยอมรับอย่างเปิดเผยว่า Inkling ไม่ใช่โมเดลที่มีประสิทธิภาพสูงสุดใน mọiหมวดหมู่ ผลการเปรียบเทียบโดยทั่วไปจัดให้ Inkling อยู่ในหมวดหมู่ของโมเดลที่มีน้ำหนักเปิดที่มีประสิทธิภาพสูง ในขณะที่โมเดลที่มีประสิทธิภาพสูงสุดจากบริษัทต่างๆ เช่น Anthropic, Google และ OpenAI ยังคงนำหน้า

Inkling ได้รับคะแนน 97.1% ในการสอบวัด American Invitational Mathematics Examination ประจำปี 2026 และ 87.2% ใน GPQA Diamond ซึ่งประเมินความสามารถในการให้เหตุผลทางวิทยาศาสตร์ระดับบัณฑิตศึกษา โมเดลได้รับคะแนน 77.6% ใน SWE-bench Verified และ 54.3% ใน SWE-bench Pro Public ซึ่งเป็นมาตรฐานที่ใช้ในการประเมินความสามารถของตัวแทนการเขียนโค้ดในการแก้ปัญหาวิศวกรรมซอฟต์แวร์จริง

ใน Humanity’s Last Exam Inkling ได้คะแนน 29.7% โดยไม่ใช้เครื่องมือ และ 46% เมื่อมีการเข้าถึงเครื่องมือ การทำงานที่มีเครื่องมือของ Inkling นั้นแข่งขันกับโมเดลที่เปิดกว้างหลายรูปแบบ แต่ยังคงต่ำกว่าระบบที่ปิดที่แข็งแกร่งที่สุดในผลเปรียบเทียบของ Thinking Machines

Inkling ยังได้รับคะแนน 1,257 ในการประเมิน Design Arena’s Agentic Web Development ซึ่งผู้ประเมินที่เป็นมนุษย์เปรียบเทียบแอปพลิเคชันที่สร้างโดยโมเดลต่างๆ คะแนนนี้ทำให้ Inkling อยู่ใกล้กับระบบที่ปิดหลายระบบ และนำหน้าโมเดลที่เปิดกว้างที่มีชื่อเสียงหลายรูปแบบ

ต้นทุนที่ลดลงมาพร้อมกับความต้องการฮาร์ดแวร์ที่สำคัญ

ข้อโต้แย้งเรื่องต้นทุนของ Inkling มีพื้นฐานมาจากโครงสร้างที่กระจายและระบบการให้เหตุผลที่สามารถควบคุมได้ การกระตุ้น 41 พารามิเตอร์แทนการใช้ทั้ง 975 พารามิเตอร์ควรทำให้การอนุมานมีประสิทธิภาพมากกว่าการรันโมเดลที่มีความหนาแน่นที่คล้ายกัน ในขณะที่การอนุญาตให้นักพัฒนาปิดการให้เหตุผลที่ขยายสำหรับการร้องขอที่ไม่ต้องการ

ผ่าน Tinker การกำหนดค่า 64,000 โทเค็นมีราคาอยู่ที่ 1.87 ดอลลาร์ต่อล้านโทเค็นสำหรับการเติม 4.68 ดอลลาร์ต่อล้านโทเค็นสำหรับการสุ่มตัวอย่าง และ 5.61 ดอลลาร์ต่อล้านโทเค็นสำหรับการฝึกอบรม การกำหนดค่า 256,000 โทเค็นมีราคาสูงกว่าที่ 3.74 ดอลลาร์สำหรับการเติม 9.36 ดอลลาร์สำหรับการสุ่มตัวอย่าง และ 11.23 ดอลลาร์สำหรับการฝึกอบรม โดยมีอัตราที่ลดลงสำหรับการรับเข้าแบบแคช

ตัวเลขเหล่านี้ทำให้การทดลองโมเดลขนาดใหญ่เข้าถึงได้มากกว่าการประกอบคลัสเตอร์ฝึกอบรมเฉพาะ แต่ Inkling ไม่ใช่โมเดลที่นักพัฒนาส่วนใหญ่จะรันบนเวิร์กสเตชันปกติ จุดตรวจสอบ BF16 ที่สมบูรณ์แบบต้องการหน่วยความจำกราฟิกส์รวมอย่างน้อย 2 เทระไบต์ ซึ่งเทียบเท่ากับ GPU Nvidia B300 8 ตัวหรือ H200 16 ตัว

การสร้างสมดุลระหว่างการคัดค้านการเซ็นเซอร์กับการควบคุมความปลอดภัย

หนึ่งในเป้าหมายการออกแบบที่ไม่เหมือนใครของ Inkling คือสิ่งที่ Thinking Machines อธิบายว่าเป็น “การคัดค้านการเซ็นเซอร์” บริษัทระบุว่าได้ฝึกอบรมโมเดลนี้เพื่อตอบคำถามเกี่ยวกับหัวข้อที่อาจมีความอ่อนไหวทางการเมืองหรือสถาบัน แทนที่จะปฏิเสธโดยอัตโนมัติ

Cognition ได้ประเมิน Inkling โดยใช้มาตรฐานการโฆษณาและการเซ็นเซอร์ และ Thinking Machines รายงานว่าโมเดลแสดงรูปแบบที่แข็งแกร่งของ “การไม่ปฏิบัติตามการเซ็นเซอร์” ความคิดพื้นฐานคือโมเดลที่เปิดกว้างไม่ควรสืบทอดข้อจำกัดทางการเมืองที่ไม่จำเป็นหรือความคิดเห็นที่เป็นมาตรฐานเพียงเพราะผู้พัฒนาเดิมฝังไว้

อย่างไรก็ตาม นี่ไม่ได้หมายความว่า Inkling จะตอบทุกคำถาม บริษัทได้ฝึกอบรมโมเดลเพื่อปฏิเสธคำแนะนำที่เกี่ยวข้องกับอาวุธ ความรุนแรง การละเมิดไซเบอร์ การคุกคามทางเคมีหรือชีวภาพ การบงการ และกิจกรรมอันตรายอื่นๆ

Inkling ได้รับคะแนน 78% ในส่วนการโจมตีของมาตรฐานความปลอดภัย FORTRESS และตอบคำถามที่ไม่เป็นอันตราย 95.9% ที่ออกแบบมาเพื่อเหมือนกับคำถามที่เป็นอันตรายได้สำเร็จ โมเดลยังได้คะแนน 98.6% ใน StrongREJECT ซึ่งวัดว่าโมเดลปฏิเสธคำแนะนำที่ชัดเจนว่าเป็นอันตรายได้ดีหรือไม่ Thinking Machines ระบุว่าสิ่งนี้บ่งชี้ว่าโมเดลสามารถรักษาการควบคุมความปลอดภัยได้โดยไม่ต้องปิดกั้นคำถามที่ถูกต้องมากเกินไป

จากผู้นำ OpenAI สู่สตาร์ทอัพมูลค่า 12 พันล้านดอลลาร์

Thinking Machines Lab ก่อตั้งอย่างเป็นทางการในปี 2025 หลังจากที่ Mira Murati ออกจาก OpenAI เธอเคยดำรงตำแหน่ง Chief Technology Officer ของ OpenAI ในระหว่างการเปิดตัวผลิตภัณฑ์ต่างๆ เช่น ChatGPT, DALL-E และระบบเสียงและระบบมัลติม็อดัลในระยะแรก

ทีมเดิมประกอบด้วยนักวิจัยและวิศวกรประมาณ 30 คนจาก OpenAI, Meta, Mistral และองค์กร AI อื่นๆ ประมาณสองในสามของพนักงานที่เปิดตัวเคยทำงานที่ OpenAI ก่อนหน้านี้ ทีมผู้ก่อตั้งรวมถึง John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch และ Luke Metz ซึ่งมีประสบการณ์ครอบคลุมการเรียนรู้แบบเสริม การจัดแนวโมเดล AI มัลติม็อดัล การฝึกอบรมล่วงหน้า และการฝึกอบรมหลังการฝึก

เพียงห้าเดือนหลังจากการเปิดตัว Thinking Machines ได้ระดมทุนประมาณ 2 พันล้านดอลลาร์ที่มูลค่า 12 พันล้านดอลลาร์ Andreessen Horowitz นำการระดมทุนด้วยการเข้าร่วมจาก Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD และ Jane Street

Nvidia ได้ขยายความสัมพันธ์กับบริษัทผ่านการเป็นพันธมิตรเชิงกลยุทธ์หลายปี ซึ่งประกาศในเดือนมีนาคม 2026 สัญญานี้กำหนดให้ติดตั้งระบบ Nvidia Vera Rubin รุ่นต่อไปอย่างน้อย 1 กิกะวัตต์ เพื่อสนับสนุนการฝึกอบรมโมเดลและการปรับแต่ง AI ของ Thinking Machines Nvidia ยังลงทุนเพิ่มเติมในบริษัท

Inkling สะท้อนถึงการเดิมพันที่กว้างขึ้นใน AI ที่กระจาย

Thinking Machines แย้งว่าระบบ AI ส่วนใหญ่ถูกฝึกอบรมโดยบริษัทไม่กี่แห่ง แล้วจัดจำหน่ายเป็นผลิตภัณฑ์ที่มีการแก้ไขเล็กน้อย แทนที่จะให้บริษัทและบุคคลสามารถปรับแต่งโมเดลได้โดยใช้ความรู้ ความชอบ และการตัดสินใจของตนเอง

การออกแบบนี้ช่วยอธิบายได้ว่าทำไม Inkling จึงถูกปล่อยออกมาพร้อมกับน้ำหนักที่สามารถดาวน์โหลดได้ แทนที่จะถูกเสนอผ่านอินเทอร์เฟซที่เป็นกรรมสิทธิ์เท่านั้น นอกจากนี้ยังเชื่อมโยงโมเดลกับ Tinker ซึ่งให้โครงสร้างพื้นฐานในการฝึกอบรมที่จำเป็นสำหรับการปรับเปลี่ยนพฤติกรรมโดยไม่บังคับให้ทุกองค์กรต้องสร้างคลัสเตอร์ GPU ขนาดใหญ่

ยังคงมีความตึงเครียดระหว่างวิสัยทัศน์นี้และความเป็นจริงของการเปิดตัว Inkling มีความเปิดกว้างพอที่จะดาวน์โหลดและปรับแต่ง แต่ขนาดที่ใหญ่พอที่จะทำให้เพียงองค์กรที่มีเงินทุนที่ดีเท่านั้นที่สามารถโฮสต์โมเดลที่สมบูรณ์แบบได้ ข้อมูลฝึกอบรมของโมเดลอธิบายไว้ในหมวดหมู่กว้างๆ มากกว่าที่จะถูกบันทึกไว้อย่างสมบูรณ์ และการปรับแต่งอาจทำให้การควบคุมความปลอดภัยที่สร้างไว้ในโมเดลเดิมอ่อนแอลง

การเปิดตัวนี้ให้โอกาสนักพัฒนาทางตะวันตกในการเข้าถึงโมเดลที่มีน้ำหนักเปิดขนาดใหญ่อีกครั้ง ในขณะที่โมเดลที่ปรับแต่งได้หลายรูปแบบที่มีประสิทธิภาพมากที่สุดมาจากห้องปฏิบัติการจีน เช่น DeepSeek, Alibaba, Moonshot AI และ Zhipu AI

สิ่งที่ Inkling หมายถึงสำหรับ AI

ความสำคัญของ Inkling อาจขึ้นอยู่น้อยกว่ากับการนำโมเดลไปใช้ในการสร้างระบบที่เชี่ยวชาญซึ่งสามารถเอาชนะโมเดลทั่วไปในโดเมนที่แคบลงได้

บริษัทในด้านการเงิน การดูแลสุขภาพ วิศวกรรม การรักษาความปลอดภัยทางไซเบอร์ การวิจัยทางวิทยาศาสตร์ และการพัฒนาซอฟต์แวร์มักจะมีความรู้ภายในที่มีคุณค่าซึ่งแสดงออกมาไม่ดีในข้อมูลฝึกอบรมสาธารณะ โมเดลที่มีน้ำหนักเปิดที่มีประสิทธิภาพ เมื่อรวมกับโครงสร้างพื้นฐานการเรียนรู้แบบเสริมและการปรับแต่งที่เข้าถึงได้ จะช่วยให้องค์กรเหล่านี้สามารถเข้ารหัสความเชี่ยวชาญของตนเองลงในพฤติกรรมของโมเดลได้

ในขณะเดียวกัน โมเดลจะต้องแสดงให้เห็นว่าข้อโต้แย้งเรื่องประสิทธิภาพสามารถลดต้นทุนการนำไปใช้จริง โดยเฉพาะเมื่อพิจารณาถึงโครงสร้างพื้นฐาน การอนุมาน ปริมาณ โมเดลที่ปรับแต่ง การตรวจสอบ และการทดสอบความปลอดภัย นักวิจัยอิสระจะต้องตรวจสอบประสิทธิภาพของโมเดล การทำงานแบบหลายภาษา ความเป็นกลางทางการเมือง อัตราการหลอกลวง และความต้านทานต่อการเสื่อมสภาพด้านความปลอดภัยหลังจากการปรับแต่ง

Thinking Machines เข้าสู่ตลาดด้วยทีมที่มีประสบการณ์ไม่ธรรมดา การสนับสนุนจากนักลงทุน และความมุ่งมั่นโครงสร้างพื้นฐานที่ไม่พบเห็นได้ทั่วไปในห้องปฏิบัติการ AI ที่อายุน้อยกว่า Inkling คือโอกาสแรกของบริษัทในการแสดงให้เห็นว่าทรัพยากรเหล่านี้สามารถผลิตได้มากกว่าแผนการวิจัยที่ทะเยอทะยานและแพลตฟอร์มฝึกอบรม

โมเดลไม่ได้แทนที่ระบบที่เป็นกรรมสิทธิ์ และ Thinking Machines Lab ไม่ได้อ้างว่ามันทำได้ แทนที่จะให้ Inkling เป็นข้อเสนอที่แตกต่าง: อนาคตของ AI ที่ซับซ้อนอาจถูกกำหนดไม่เพียงแต่โดยผู้ที่ฝึกโมเดลทั่วไปที่มีประสิทธิภาพมากที่สุดเท่านั้น แต่ยังรวมถึงผู้ที่ให้นักพัฒนาพื้นฐานที่แข็งแกร่งที่สุดสำหรับการสร้างโมเดลของตนเองด้วย