過去一年多，開源 AI 幾乎是一則「中國故事」。《路透社》與《華爾街日報》指出，在 Meta 的 Llama 4 表現不如預期、轉向較封閉的策略後，西方開源模型的進展明顯落後於中國同業；而企業為了控制成本，紛紛採用中國實驗室的開源模型，例如阿里巴巴的 Qwen，以及 DeepSeek、GLM、Kimi 等。如今，由 OpenAI 前技術長 Mira Murati 創立的 Thinking Machines 推出首款開源模型 Inkling，可能打破這個局面。
不過，Thinking Machines 在發表時罕見地自承：這不是目前最強的模型。根據《路透社》報導，Inkling 採開源權重（open-weight），使用者可自行下載、運行與客製化。一款開宗明義說自己不是最強的模型，究竟在賭什麼？
先認識 Inkling：原生多模態，每次只喚醒小部分參數
根據《VentureBeat》報導，Inkling 是一套原生多模態的混合專家（Mixture-of-Experts，MoE）模型，總參數達 9,750 億，但每次生成僅啟用其中 410 億，能跨文字、影像與音訊進行推理，並支援最大 100 萬 token 的脈絡長度。
《華爾街日報》補充，只喚醒一小部分參數的設計，讓模型的使用成本更低、速度更快。Thinking Machines 同時預告了一款較輕量、2,760 億參數的 Inkling-Small。
值得注意的是，Thinking Machines 把 Inkling 定位成一個廣泛、均衡的基礎模型：強在多個領域、也保有調整彈性。既然不主打效能登頂，它真正的賭注就押在三個產品設計上。
亮點一：用 Apache 2.0 授權，打「真開源」牌
第一個設計是授權模式。根據《VentureBeat》報導，Inkling 採用寬鬆的 Apache 2.0 授權，開發者可免費下載、修改、整合並商業化模型權重，不需支付權利金。這與市面上不少西方「開放」模型形成對比，後者常綁著雙重授權、使用範圍限制或營收上限。換句話說，Inkling 把「開源」二字還原成開發者真正能自由運用的形態。
在部署面，Inkling 可跨多種主流開源推論框架運行，包括 SGLang、vLLM、TokenSpeed 與 llama.cpp，並提供針對 NVIDIA Blackwell 系統最佳化的 NVFP4 量化版本。這讓企業在自有基礎設施上運行模型時，少了不少整合摩擦。
亮點二：可控推理深度，讓企業自己拿捏成本與效能
第二個設計，是讓開發者自己決定模型該「想多久」。根據《VentureBeat》報導，Inkling 的核心特色是可控推理力度（controllable thinking effort），開發者能以程式化方式調整模型的推理預算，數值範圍從 0.2 到 0.99，藉此在成本與效能曲線上選定自己的位置：簡單任務調低力度、少花 token，複雜的多步驟推理再把算力拉高。對自建模型的企業而言，這也意味著能源與運算資源的支出更可控。
這套機制背後有一個訓練中觀察到的現象作為佐證。《VentureBeat》報導，在超過 3,000 萬次 rollout 的大規模強化學習訓練中，研究人員發現模型會自發壓縮內部推理步驟、捨去語法上的冗贅，卻仍得出同樣正確的結論，他們稱之為「思維鏈壓縮（chain of thought condensation）」，效果是大幅降低延遲。
亮點三：抗審查，但沒有失守安全防線
Inkling 另一項差異化設計是對政治敏感或高度審查議題的低拒答率。Thinking Machines 將模型提交給 AI 新創 Cognition 開發的「宣傳與審查評測」，結果顯示 Inkling 在面對敏感主題時，能直接作答而非套用制式拒答話術。
不過，抗審查不等於沒有安全底線。在 StrongREJECT 基準測試中，Inkling 取得 98.6% 的分數；在 FORTRESS 基準測試上，對涉及武器、網路攻擊或暴力等對抗性查詢的拒答率達 78.0%，同時對外觀相似但實際無害的查詢維持 95.9% 的遵從率。
Thinking Machines 也坦承模型仍有典型弱點，例如偶爾會對角色扮演或迂迴包裝的有害提問讓步，因此建議企業把內建拒答只當成其中一道防線，在部署時再外掛如 Llama Guard 這類審核工具。《華爾街日報》另指出，該公司仍在研究這些內建安全機制在開源情況下會被如何改動，這也是部分封閉模型開發者對開源提出的疑慮之一。
不拚 benchmark，拚「企業採用經濟學」
把三個設計串起來，會看到 Thinking Machines 真正的商業邏輯：它賭的不是效能排行榜，而是企業採用的經濟學。根據《華爾街日報》報導，該公司的變現方式不是按 token 收取 API 費用，而是透過先前推出的雲端微調平台 Tinker，對訓練、微調與周邊託管服務收費，也就是讓開發者把支出從「按次租用他人模型」，轉為投資在自己能掌控的基礎設施上。
這套邏輯已有實例。《華爾街日報》報導，避險基金 Bridgewater Associates 用 Tinker 微調中國阿里巴巴的開源模型 Qwen3-235B，以自家資料訓練後，在金融文件分類任務上勝過 GPT-5 與 Claude Opus，運算成本卻降為約十三分之一。這類案例點出一個轉變：選擇底層模型，正從單純的採購，變成一項牽動後續所有客製化的架構決策。
企業對可自訂模型的需求，也呼應了產業近期的討論氛圍。《華爾街日報》與《Axios》都提到，Palantir 執行長 Alex Karp 與微軟執行長 Satya Nadella 先後示警，企業若把核心機構資料餵進自己無法掌控的集中式通用模型，可能反過來削弱自身的商業模式。《Axios》並引述 Karp 的說法，指封閉模型供應商的前沿工具太貴，且在智財保護上不夠透明。
Inkling 只是第一步，開源與封閉之爭仍在進行
Inkling 的登場，不代表 Thinking Machines 會一路走開源路線。《Axios》指出，該公司已在訓練更強的後繼模型，而未來的模型不必然全部開源。因此，Murati 目前的策略可能是逐案判斷：風險可控時開放，風險過高時保留。
《華爾街日報》點出這場路線之爭更深一層的立場差異：Thinking Machines 在公司宣言中，把當前少數封閉前沿實驗室主導的 AI 典範比作「中央計劃」，並引用經濟學家海耶克的論點，主張真正有生產力的知識是內隱、在地且分散地掌握在工作者手中，難以彙整給一個集中式的智慧體。
然而，Inkling 是否能撐起這套主張，仍要看它能否讓足夠多的企業願意把 AI 建在自己手裡。對整個產業而言，開源與封閉何者勝出還沒有答案，但西方陣營至少已經把一張新的籌碼推上了牌桌。
【推薦閱讀】
◆ 把 54GB 大模型壓進 iPhone 跑：PrismML 如何挑戰「模型越大越強」的產業定律
＊本文開放合作夥伴轉載，資料來源：Thinking Machine、《WIRED》、《The Wall Street Journal》、《AXIOS》、《Techstrong》、《VentureBeat》、《Reuters》，首圖來源：Thinking Machine
