Thinking Machines发布首款通用AI模型Inkling：开放权重、自主可控的全新路径

从零构建，而非简单复刻 Thinking Machines Lab由前OpenAI首席技术官Mira Murati创立，近日正式发布其首款通用人工智能基础模型——Inkling。该模型完全由团队自主训练完成，所有参数权重均完整开源，支持本地部署与全量微调。公司强调，Inkling并非任何现有模型的衍生版本或微调变体，而是基于原创训练流程与数据策略实现的端到端构建成果。 开放权重，聚焦真实可控性 Inkling采用开放权重（open-weight）发布模式，区别于当前主流闭源商业模型。这意味着企业与开发者可将其完整模型文件下载至自有基础设施，在不依赖外部API、不上传敏感数据的前提下，完成领域适配、逻辑嵌入与安全加固。Thinking Machines指出，真正的AI自主权，不应止步于‘能用’，而在于‘能改、能控、能验’——模型必须成为组织能力的一部分，而非黑箱服务的延伸。 技术演进：扎根实践，兼容并蓄 在架构设计与训练优化过程中，Inkling参考了近年来全球范围内具有工程实效性的先进方法。其主干结构借鉴了高效训练范式下的成熟设计思路，后训练阶段则融合了高质量合成数据生成技术的经验成果。需要明确的是，所有技术吸收均经过内部验证与重构，未直接调用或封装第三方模型代码、权重或服务接口。模型训练所用数据全部由Thinking Machines自主采集、清洗与标注，核心训练流程在自有算力集群上完成。 不止于语言：迈向具身交互的下一步 Inkling并非终点，而是Thinking Machines技术路线的起点。公司已启动多模态能力扩展，5月公布的交互模型原型支持实时音频与视频输入理解，并可触发设备操作、环境响应等闭环动作。这一方向不追求参数规模竞赛，而聚焦于AI如何自然嵌入物理世界与人类工作流——例如会议实时协同、产线异常识别、远程设备调试等高价值场景。 使命驱动的长期主义 Thinking Machines自成立之初即确立‘AI应服务于人的判断扩展，而非替代’的核心理念。团队拒绝将模型包装为万能黑箱，也无意参与短期流量或榜单排名竞争。20亿美元种子轮融资所获资源，正持续投入于可验证的推理增强、轻量化部署工具链及企业级治理模块开发。在AI日益复杂的今天，这家公司选择回归一个朴素问题：当技术真正交到用户手中时，它是否仍保有透明度、可解释性与可塑性？Inkling，正是这一追问的第一份实践答卷。