Thinking Machines-ის ფსონი პერსონალიზაციაზე: კომპანიამ პირველი ღია AI მოდელი Inkling წარადგინა

Thinking Machines Lab-მა, ხელოვნური ინტელექტის სტარტაპმა, რომელიც OpenAI-ის ყოფილმა ტექნოლოგიურმა დირექტორმა, მირა მურატიმ დააფუძნა, ოთხშაბათს დილით თავისი პირველი შიდა AI მოდელი, სახელწოდებით Inkling, გამოუშვა. OpenAI-ის, Anthropic-ისა თუ Google-ის ფლაგმანი მოდელებისგან განსხვავებით, Inkling არის „ღია წონის“ (open-weight) სისტემა. ეს ნიშნავს, რომ გარე დეველოპერებსა და კომპანიებს შეუძლიათ მისი ჩამოტვირთვა და საკუთარი საჭიროებებისამებრ პირდაპირი მოდიფიცირება.

Inkling წარმოადგენს ექსპერტთა ნაზავის (mixture-of-experts) სისტემას, რომელიც ჯამში 975 მილიარდ პარამეტრს მოიცავს. თუმცა, ნებისმიერი კონკრეტული დავალების შესრულებისას ის მხოლოდ ამ პარამეტრების მცირე ნაწილს — დაახლოებით 41 მილიარდს — იყენებს. მსგავსი დიზაინი გავრცელებულია ძალიან დიდ მოდელებში, რათა მათი მუშაობა უფრო სწრაფი და ეკონომიური იყოს. მოდელი გადამზადდა 45 ტრილიონ ტოკენზე, რომელიც მოიცავდა ტექსტს, გამოსახულებას, აუდიოსა და ვიდეოს. კომპანიის განცხადებით, Inkling-ს ოთხივე მიმართულებით ლოგიკური მსჯელობის უნარი გააჩნია, თუმცა ამ ეტაპზე მისი გამომავალი მონაცემები მხოლოდ ტექსტით შემოიფარგლება, რაც მოიცავს კოდს, სტილიზებულ არტეფაქტებსა და სტრუქტურირებულ მონაცემებს.

ეს მოდელი Thinking Machines Labs-ის პირველი საჯარო პროდუქტია წელიწადნახევრიანი მუშაობის შემდეგ, რომელიც ძირითადად საზოგადოების თვალთახედვის მიღმა მიმდინარეობდა. ამ სამუშაოს ნაწილი მაისში გამოჩნდა „ინტერაქციული მოდელების“ კვლევითი ვერსიის სახით — ეს არის ხელოვნური ინტელექტი, რომელიც შექმნილია მოსასმენად და სასაუბროდ (და შეწყვეტისთვისაც კი), ნაცვლად იმისა, რომ ტიპური ჩატბოტებივით გაჩერდეს და მომხმარებლის პასუხს დაელოდოს.

სტრატეგიული ფსონი პერსონალიზაციაზე

Inkling-ის გამოშვება არის სტარტაპის მთავარი იდეის გამოცდა: ორგანიზაციების მიერ საკუთარ საჭიროებებზე მორგებული ხელოვნური ინტელექტი აჯობებს იმ უნივერსალურ მოდელებს, რომლებსაც ამჟამად უმსხვილესი ლაბორატორიები ყიდიან. Inkling შექმნილია დაკალიბრებული პასუხების გასაცემად, რაც მოიცავს გაურკვევლობის დაფიქსირებას გამოცნობის ნაცვლად. მომხმარებლებს ასევე შეუძლიათ „აზროვნების ძალისხმევის“ (thinking effort) დარეგულირება, როდესაც სურთ სისწრაფის გაზრდა ხარისხის ხარჯზე.

ერთ-ერთი ტესტის მიხედვით, Inkling სამჯერ ნაკლებ ტოკენს იყენებს Nvidia-ს Nemotron 3 Ultra-სთან შედარებით იმავე კოდირების ეფექტურობის მისაღწევად. Thinking Machines არ ამტკიცებს, რომ Inkling თავის კლასში საუკეთესოა. საინფორმაციო მასალებში პირდაპირ არის აღნიშნული, რომ ის „არ არის დღეს არსებული ყველაზე ძლიერი მოდელი, იქნება ეს ღია თუ დახურული“. ნაცვლად ამისა, აქცენტი კეთდება მრავალმხრივ შესრულებასა და პერსონალიზაციის შესაძლებლობაზე.

ვისთვის არის განკუთვნილი Inkling?

Thinking Machines ამ ეტაპზე Inkling-ს განიხილავს არა როგორც მზა პროდუქტს, არამედ როგორც საწყის წერტილს. ორგანიზაციებს შეუძლიათ მისი დახვეწა Tinker-ის — კომპანიის მოდელების პერსონალიზაციის პლატფორმის — მეშვეობით. ეს ასევე ნიშნავს, რომ მომხმარებლები და არა Thinking Machines, არიან პასუხისმგებელნი იმაზე, რომ მათი მოდიფიკაციები იყოს უსაფრთხო.

OpenAI, Anthropic და Google სრულიად განსხვავებულ მიდგომას იყენებენ ChatGPT-ის, Claude-ისა და Gemini-ის შემთხვევაში. ეს მოდელები შეიქმნა, როგორც ზოგადი დანიშნულების ჩატბოტები, რომლებსაც მოგვიანებით დაემატა ავტონომიური ფუნქციები. Thinking Machines კი მიიჩნევს, რომ ერთი კომპანიის მიერ ცენტრალიზებულად გაწვრთნილი AI ჩამოუვარდება იმ სისტემებს, რომლებსაც თავად ორგანიზაციები აყალიბებენ საკუთარი სპეციფიკური ცოდნის საფუძველზე.

ინდუსტრიის ექსპერტების მოსაზრებები

ეს არგუმენტი სულ უფრო მეტ მხარდამჭერს იძენს. Microsoft-ის აღმასრულებელმა დირექტორმა, სატია ნადელამ გააფრთხილა საწარმოები, რომ საკუთრების უფლებით დაცული (proprietary) მოდელების გამოყენებისას ისინი ფაქტობრივად ორჯერ იხდიან: ერთხელ გამოწერის საფასურს და მეორედ — საკუთარი ბიზნეს ცოდნის გადაცემით, რომელიც მომავალში მოდელების გასაუმჯობესებლად გამოიყენება. Hugging Face-ის ხელმძღვანელი კლემ დელანგიც პროგნოზირებს, რომ უმსხვილესი მოდელები სულ უფრო მეტად იქნება რეზერვირებული ექსპერიმენტებისთვის, ხოლო წარმოების ძირითადი ნაწილი კერძო ან ღია კოდის მქონე ალტერნატივებზე გადავა.

ამ მიდგომის ეფექტურობის მაგალითად კომპანიას მოჰყავს პროექტი Bridgewater Associates-თან, მსოფლიოს უდიდეს ჰეჯ-ფონდთან. მკვლევრებმა აიღეს არსებული ღია მოდელი და ის Bridgewater-ის ფინანსურ ექსპერტიზაზე დაყრდნობით გადაამზადეს. შედეგად, მოდელმა ფინანსური ლოგიკის ტესტებში 84.7% დააგროვა, რითაც აჯობა წამყვან დახურულ მოდელებს, ხოლო მისი მუშაობა დაახლოებით 14-ჯერ იაფი დაჯდა.

ტექნიკური დეტალები და რესურსები

Inkling-ის მომზადების პროცესთან დაკავშირებით გაჩნდა კითხვები ე.წ. „დისტილაციის“ (distillation) შესახებ — ეს არის პრაქტიკა, როდესაც ახალი მოდელი კონკურენტების მოდელების გამომავალ მონაცემებზე იწვრთნება. კომპანიის მასალების მიხედვით, Inkling ნულიდან მომზადდა, თუმცა ადრეულ ეტაპზე გამოყენებული იქნა სხვა ღია მოდელები (მათ შორის Moonshot AI-ს Kimi K2.5) მონაცემების გენერირებისთვის, სანამ მასშტაბური განმამტკიცებელი სწავლება (reinforcement learning) დაიწყებოდა.

ხარჯების მხრივ, Thinking Machines უფრო თავშეკავებულია. მარტში გაფორმდა პარტნიორობა Nvidia-სთან GB300 NVL72 სისტემების გამოსაყენებლად, თუმცა უცნობია, როგორ აპირებს კომპანია ამ ხარჯების დაფარვას. კომპანიის ბიზნეს მოდელი ორიენტირებულია არა თავად მოდელზე, არამედ Tinker პლატფორმაზე, საიდანაც შემოსავალი წვრთნის, პერსონალიზაციისა და ჰოსტინგის სერვისებიდან უნდა მოვიდეს.

ამჟამად Thinking Machines-ში დაახლოებით 200 ადამიანია დასაქმებული. კომპანიის შიდა კულტურა ორიენტირებულია უწყვეტობაზე და არა ცალკეულ პიროვნებებზე დამოკიდებულებაზე. ეს სტრატეგია მიზნად ისახავს გუნდის სტაბილურობის შენარჩუნებას იმ შემთხვევაშიც კი, თუ საკვანძო თანამშრომლები შეიცვლებიან.