Η Thinking Machines Lab, η startup τεχνητής νοημοσύνης που ίδρυσε η πρώην CTO της OpenAI Mira Murati, παρουσίασε το πρώτο μοντέλο που ανέπτυξε εσωτερικά. Το Inkling ακολουθεί μια διαφορετική λογική από τα κλειστά, γενικής χρήσης μοντέλα: είναι open-weight, ώστε οργανισμοί και προγραμματιστές να μπορούν να το κατεβάσουν και να το προσαρμόσουν.
Η κυκλοφορία δεν σημαίνει ότι εμφανίστηκε το ισχυρότερο μοντέλο της αγοράς. Η ίδια η Thinking Machines λέει ότι το Inkling δεν είναι σήμερα το καλύτερο συνολικά, είτε συγκριθεί με ανοικτά είτε με κλειστά συστήματα. Το βασικό της στοίχημα είναι διαφορετικό: ένα μοντέλο που προσαρμόζεται στις ανάγκες κάθε οργανισμού μπορεί να αποδειχθεί χρησιμότερο από ένα ενιαίο σύστημα που προσπαθεί να καλύψει όλους τους χρήστες.
Μεγάλο μοντέλο, επιλεκτική ενεργοποίηση
Το Inkling είναι ένα σύστημα mixture-of-experts με 975 δισεκατομμύρια συνολικές παραμέτρους. Για κάθε εργασία, όμως, ενεργοποιεί περίπου 41 δισεκατομμύρια. Η τεχνική αυτή επιτρέπει σε ένα πολύ μεγάλο μοντέλο να χρησιμοποιεί μόνο ένα μέρος της υποδομής του ανά ερώτημα, με στόχο καλύτερη ταχύτητα και χαμηλότερο κόστος λειτουργίας.
Η Thinking Machines αναφέρει ότι το μοντέλο εκπαιδεύτηκε σε 45 τρισεκατομμύρια tokens από κείμενο, εικόνα, ήχο και βίντεο και ότι μπορεί να κάνει εγγενή συλλογιστική και στα τέσσερα είδη δεδομένων. Στην πρώτη δημόσια έκδοση, ωστόσο, οι έξοδοι περιορίζονται σε κείμενο, συμπεριλαμβανομένου κώδικα, μορφοποιημένων τεχνουργημάτων και δομημένων δεδομένων.
Η εταιρεία δίνει έμφαση και στη δυνατότητα ρύθμισης της «προσπάθειας σκέψης». Ο χρήστης μπορεί να επιλέξει αν θέλει περισσότερη υπολογιστική προσπάθεια ή ταχύτερη απάντηση, ανάλογα με το κόστος και τη σημασία της εργασίας. Σε ένα benchmark που επικαλείται η εταιρεία, το Inkling χρειάστηκε το ένα τρίτο των tokens του Nvidia Nemotron 3 Ultra για να πετύχει την ίδια επίδοση στον προγραμματισμό. Πρόκειται για ισχυρισμό της Thinking Machines και όχι για ανεξάρτητη αξιολόγηση.
Το στοίχημα δεν είναι μόνο το μοντέλο
Η Thinking Machines προωθεί το Inkling περισσότερο ως αφετηρία παρά ως έτοιμο προϊόν. Μέσω της πλατφόρμας Tinker, οι οργανισμοί μπορούν να το εκπαιδεύσουν περαιτέρω και να το προσαρμόσουν στα δικά τους δεδομένα, διαδικασίες και λεξιλόγιο.
Αυτό μπορεί να έχει αξία σε έναν ασφαλιστικό οργανισμό που χρειάζεται να κατανοεί ειδικούς κανονισμούς, σε μια βιομηχανία με εσωτερικά εγχειρίδια ή σε μια ερευνητική ομάδα με πολύ συγκεκριμένη ορολογία. Το μοντέλο δεν χρειάζεται να γνωρίζει τα πάντα· χρειάζεται να λειτουργεί σωστά στο περιβάλλον όπου θα χρησιμοποιηθεί.
Η άλλη πλευρά είναι η ευθύνη. Όταν οι πελάτες κάνουν μόνοι τους fine-tuning, πρέπει και οι ίδιοι να ελέγχουν την ασφάλεια, τις προκαταλήψεις και τη συμπεριφορά του προσαρμοσμένου συστήματος. Η διαδικασία απαιτεί εξειδικευμένο προσωπικό μηχανικής μάθησης, κατάλληλα δεδομένα και συνεχή αξιολόγηση. Το open-weight δεν σημαίνει αυτόματα εύκολο ή ασφαλές.
Μια διαφορετική απάντηση στα κλειστά μοντέλα
Η προσέγγιση της Thinking Machines συγκρούεται με το μοντέλο των ChatGPT, Claude και Gemini, τα οποία κατασκευάστηκαν πρώτα ως γενικής χρήσης chatbot και στη συνέχεια απέκτησαν πιο αυτόνομες δυνατότητες. Στα κλειστά συστήματα, ο πάροχος ελέγχει τα βάρη του μοντέλου και ο πελάτης πληρώνει για την πρόσβαση και τη χρήση.
Στα open-weight μοντέλα, ο οργανισμός μπορεί να έχει μεγαλύτερο έλεγχο πάνω στην ανάπτυξη, στην προσαρμογή και στην τοποθέτηση των δεδομένων. Ταυτόχρονα, αναλαμβάνει μεγαλύτερο μέρος του κόστους υποδομής, της συντήρησης και της ασφάλειας. Η επιλογή δεν είναι απλώς τεχνική· αφορά το ποιος κρατά τη γνώση, ποιος ελέγχει τις ενημερώσεις και ποιος λογοδοτεί όταν το σύστημα αποτυγχάνει.
Η ίδια η Thinking Machines αναφέρει ότι το Inkling σχεδιάστηκε ώστε να δίνει πιο «βαθμονομημένες» απαντήσεις και να επισημαίνει την αβεβαιότητα αντί να μαντεύει. Είναι μια χρήσιμη κατεύθυνση για επιχειρήσεις, αλλά και αυτή χρειάζεται έλεγχο στην πράξη. Η δήλωση του μοντέλου ότι δεν είναι βέβαιο δεν αρκεί, αν ο χρήστης δεν έχει τρόπο να ελέγξει την πηγή ή το σκεπτικό του.
Τι μπορεί να σημαίνει για την Ελλάδα
Για τις ελληνικές επιχειρήσεις και ερευνητικές ομάδες, η συζήτηση γύρω από το Inkling μετατοπίζει το ενδιαφέρον από το «ποιο chatbot είναι καλύτερο» στο «ποιο μοντέλο μπορούμε να προσαρμόσουμε με ασφάλεια». Αυτό αφορά ιδιαίτερα κλάδους με ελληνική νομοθεσία, εξειδικευμένα τεχνικά αρχεία ή ανάγκη φιλοξενίας δεδομένων σε ελεγχόμενο περιβάλλον.
Η ευκαιρία, όμως, δεν βρίσκεται μόνο στην πρόσβαση στα βάρη. Χρειάζονται δεδομένα καλής ποιότητας, υποδομές υπολογισμού και άνθρωποι που γνωρίζουν τόσο τον κλάδο όσο και τη μηχανική μάθηση. Χωρίς αυτά, ένα μεγάλο open-weight μοντέλο μπορεί να μείνει ακριβό πείραμα ή να δημιουργήσει ψευδή αίσθηση ελέγχου.
Το Inkling είναι επομένως περισσότερο ένα σήμα για την κατεύθυνση της αγοράς παρά μια τελική απάντηση. Η Thinking Machines επιχειρεί να αποδείξει ότι η επόμενη γενιά AI θα αποτελείται από μοντέλα που κάθε οργανισμός θα διαμορφώνει για τον εαυτό του. Το αν αυτή η προσαρμογή θα υπερισχύσει των κλειστών υπηρεσιών θα κριθεί από το συνολικό κόστος, την ασφάλεια και το πόσο καλά μεταφράζεται η εξειδικευμένη γνώση σε πραγματική παραγωγική αξία.