# 影片筆記：20億美金燒光了？OpenAI前CTO發布模型慘遭滑鐵盧，真相背後竟然藏著這種陰謀！😱

## 一句話總結

前 OpenAI 高管 Mira Murati 創立 Thinking Machines 公司，耗資 20 億美元發布開源模型 **Inkling**（或稱 Inking/Incline）。儘管該模型在基準測試中表現平庸且架構借鑑中國模型，但透過「免費基礎模型 + 收費微調平台 Tinker」的商業模式，以及利用地緣政治合規需求，成功鎖定企業級 B2B 市場。

## 核心重點

1.  **戰略轉向與人才流失**：
    *   OpenAI 在 2024 年底經歷高管離職潮，Mira Murati、John Schulman、Barret Zoph 等核心人員集體出走。
    *   風投機構 A16Z 投資 20 億美元，使 Thinking Machines 估值達 120 億美元。
    *   公司放棄與 OpenAI 在通用大模型跑分上的競爭，轉而專注於企業級 B2B 市場。

2.  **Inkling 模型技術細節**：
    *   **架構**：採用混合專家模型（MOE），總參數量約 9,750 億，僅啟用 410 億參數。
    *   **能力**：上下文視窗 100 萬，預訓練數據 45 萬億 Tokens（含文本、影像、音訊）。
    *   **多模態**：直接處理原始音訊和畫素訊號，跳過獨立編碼器。
    *   **許可證**：Apache 2.0，權重發布於 Hugging Face。
    *   **表現**：基準測試成績平庸，未進前五，被 Claude 5、GPT5.6S、Moonshot Kimi K3 等壓制。

3.  **三大核心機制**：
    *   **智商調節器（Thinking Effort）**：動態調節算力。低設置處理瑣碎任務（快、便宜）；高設置處理複雜邏輯（深度思考），表現可硬剛 NVIDIA NeoTron S3 Ultra，但僅消耗其 1/3 Token。
    *   **極度誠實（Epistemics 認知學）**：訓練模型在結果不確定時承認「我不知道」，避免幻覺，適合金融與醫療領域。
    *   **山頂洞人語言**：經過 3,000 萬輪強化學習，將內部思考過程簡化為關鍵詞，節省大量 Token。

4.  **商業模式：Tinker 微調平台**：
    *   **痛點**：企業缺乏 GPU 管理與訓練架構能力。
    *   **解決方案**：推出自動化、傻瓜化的微調平台 **Tinker**（文中亦稱「聽課平臺」）。
    *   **變現邏輯**：免費開源基礎模型 Inkling 作為誘餌，通過收費的微調服務變現。不賣通用 API，賣「量產專屬專家的兵工廠」。

5.  **地緣政治與市場定位**：
    *   **借鑑中國技術**：Inkling 底層工程思路借鑑中國開源模型 Deepseek V3（路由專家、Sigmoid 路由器、滑動視窗注意力），早期訓練甚至使用中國模型生成的合成數據。
    *   **合規避風港**：利用美國監管層對海外模型（如阿里千問）的警告與調查，將 Inkling 定位為「純正美國血統」的合規避風港。
    *   **輕量化版本**：推出 **Inkling Small**（總參數 2,760 億，啟用 120 億），適合本地伺服器私有化部署。

## 詳細大綱

### I. 背景：OpenAI 的人才流失與 Thinking Machines 的成立
*   **人才搶劫**：2024 年底 OpenAI 高管離職潮，Mira Murati、John Schulman、Barret Zoph 等核心研究員集體離職。
*   **風投注資**：A16Z 投資 20 億美元，Thinking Machines 估值達 120 億美元。
*   **市場預期**：矽谷風投期待其推出顛覆 OpenAI 閉源霸權的產品，甚至預期 GPT6 級別的降維打擊。

### II. 產品發布：Inkling 的平庸表現與技術細節
*   **發布時間**：2026 年 7 月中旬。
*   **市場反應**：基準測試成績平庸，未進前五。
    *   被 Claude 5、GPT5.6S、Moonshot Kimi K3 等模型壓制。
*   **技術規格**：
    *   總參數量：9,750 億（MOE 架構）。
    *   啟用參數量：410 億。
    *   上下文視窗：100 萬。
    *   預訓練數據：45 萬億 Tokens（文本、影像、音訊）。
    *   多模態處理：直接處理原始音訊和畫素訊號，跳過獨立編碼器。
    *   許可證：Apache 2.0，權重發布於 Hugging Face。

### III. 核心機制：反直覺的三個設定
1.  **智商調節器（Thinking Effort）**：
    *   動態調節算力消耗。
    *   低設置：處理瑣碎任務（發票分類、客服），反應快、成本低。
    *   高設置：處理複雜邏輯（程式碼修復、數學難題），進入深度思考。
    *   效能對比：表現可硬剛 NVIDIA NeoTron S3 Ultra，但僅消耗其 1/3 Token。
2.  **極度誠實（Epistemics 認知學）**：
    *   訓練模型在結果不確定時承認「我不知道」，而非產生幻覺。
    *   在預測未來事件準確率上超越 GPT5.5 和 Open4.8。
    *   適合金融與醫療領域。
3.  **山頂洞人語言（Token 節省機制）**：
    *   經過 3,000 萬輪強化學習後，模型內部思考過程簡化為關鍵詞（如「需要確定價值問題」）。
    *   節省大量 Token。

### IV. 商業戰略：Tinker 微調平台與變現邏輯
*   **微調痛點**：企業缺乏技術能力進行模型微調（GPU 管理、訓練架構）。
*   **Tinker 平台**：
    *   傻瓜化、自動化微調服務。
    *   演示案例：Inkling 在 Tinker 中自我生成訓練指令碼與數據，實現自動化自我微調。
*   **商業模式**：
    *   免費基礎模型（Inkling）。
    *   收費微調服務（Tinker）。
    *   不賣通用 API，賣「量產專屬專家的兵工廠」。

### V. 地緣政治與市場定位
*   **中國模型的影響**：
    *   Inkling 架構借鑑 Deepseek V3（路由專家、Sigmoid 路由器、滑動視窗注意力）。
    *   早期訓練使用中國模型生成的合成數據。
    *   中國模型因算力限制，在效率優化上領先。
*   **美國企業的困境**：
    *   過去傾向使用便宜的海外開源模型（如阿里千問）。
    *   監管層發出警告信，國會調查過度依賴海外模型的公司，起草採購禁令。
    *   Meta 收緊 Llama 系列授權。
*   **Inkling 的定位**：
    *   西方企業界唯一合法合規、純正美國血統的開源避風港。
    *   推出輕量化版本 **Inkling Small**（總參數 2,760 億，啟用 120 億），適合本地伺服器私有化部署。

## 工具 / 模型 / 名詞整理

*   **公司/組織**：
    *   OpenAI
    *   Thinking Machines（公司名）
    *   A16Z（風險投資機構）
    *   Meta
    *   Moonshot
    *   NVIDIA（輝達）
    *   Hugging Face
    *   Openrouter
    *   Coinbase
    *   橋水基金（Bridgewater，文中提及）
    *   阿里（Alibaba，文中提及千問）

*   **人物**：
    *   Mira Murati（前 OpenAI 高管，Thinking Machines 創始人）
    *   John Schulman（OpenAI 聯合創始人）
    *   Barret Zoph（OpenAI 研究副總裁）

*   **模型/產品**：
    *   ChatGPT
    *   GPT3, GPT4
    *   GPT5.6S
    *   GPT5.5
    *   Open4.8
    *   Claude 5（文中亦提及 Claude fable 5）
    *   Kimi K3（Moonshot 出品）
    *   **Inkling** / **Inking** / **Incline**（Thinking Machines 發布的開源模型，逐字稿中名稱有混用）
    *   **Inkling Small**（輕量化版本）
    *   **Tinker**（微調平台，文中亦提及「聽課平臺」）
    *   NeoTron S3 Ultra（NVIDIA 模型/產品）
    *   Deepseek V3（中國開源模型）
    *   Llama 系列（Meta 出品）
    *   千問（阿里出品）

*   **技術/架構術語**：
    *   MOE（混合專家模型）
    *   Apache 2.0 許可
    *   Epistemics（認知學訓練方法）
    *   Sigmoid 路由器
    *   滑動視窗注意力
    *   Token（計費/運算單位）
    *   GPU 叢集
    *   基準測試（Benchmark）

## 操作流程整理

1.  **基礎模型部署**：
    *   企業從 Hugging Face 下載 Apache 2.0 許可的 Inkling 模型權重。
    *   根據需求選擇標準版或輕量化版 Inkling Small。

2.  **使用 Tinker 平台進行微調**：
    *   企業將專屬數據上傳至 Tinker 平台。
    *   Tinker 平台自動化生成訓練指令碼與數據。
    *   執行自動化自我微調，生成企業專屬專家模型。

3.  **API 呼叫與調節**：
    *   企業通過 API 呼叫微調後的模型。
    *   根據任務複雜度調節 **Thinking Effort（智商調節器）**：
        *   簡單任務：低設置，快速回應，低成本。
        *   複雜任務：高設置，深度思考，高準確率。

## 值得注意的限制或風險

*   **基準測試表現平庸**：Inkling 在基準測試中未進前五，被 Claude 5、GPT5.6S、Kimi K3 等壓制。
*   **架構依賴性**：Inkling 的底層工程思路借鑑中國開源模型 Deepseek V3，且早期訓練使用中國模型生成的合成數據。
*   **合規風險**：雖然定位為「純正美國血統」，但技術來源與中國模型高度相關，需面對監管層對海外模型依賴的調查與採購禁令風險。
*   **技術門檻**：儘管 Tinker 平台傻瓜化，但企業仍需理解 MOE 架構、Token 消耗與算力調節的基本概念。

## 逐字稿辨識疑點

*   **模型名稱不一致**：逐字稿中該模型被稱為 **Inkling**、**Inking**、**Incline**、**Inkling**。需查證 Thinking Machines 官方發布的模型正確名稱。
*   **產品名稱不一致**：微調平台被稱為 **Tinker**，後文又出現 **聽課平臺**（疑為 Tinker 的聽寫錯誤）。
*   **模型名稱疑點**：
    *   **Claude fable 5**：疑為 **Claude 5** 或特定版本名稱，需查證。
    *   **GPT5.6S**：需查證 OpenAI 是否發布此版本。
    *   **Open4.8**：需查證 OpenAI 是否發布此版本。
    *   **NeoTron S3 Ultra**：需查證 NVIDIA 是否發布此型號（通常為 Nvidia 的模型或晶片系列，名稱可能為聽寫錯誤，如 NeMo 或其他）。
*   **人名拼寫**：
    *   **Mira Murati**：正確拼寫通常為 **Mira Murati**。
    *   **Barret Zoph**：正確拼寫通常為 **Barret Zoph** 或 **Barret Zoph**（需查證 OpenAI 高管名單，通常為 Barret Zoph）。
    *   **John Schulman**：正確拼寫通常為 **John Schulman**。
*   **公司名稱拼寫**：
    *   **thinking MACHINES**：需查證 Thinking Machines 的正確大小寫或官方名稱。
    *   **THINKING machine**：需查證。
*   **技術術語疑點**：
    *   **epistemics**：通常拼寫為 **Epistemology**（認識論）或特定訓練方法名稱，需查證是否為該公司專有術語。
    *   **9,750億引數**：需查證該模型確切參數量。
    *   **410億引數**：需查證啟用參數量。
    *   **2,760億** / **120億**：Inkling Small 的參數量需查證。
*   **其他疑點**：
    *   **2026年7月中旬**：需確認影片發布時間與所述時間的關係，或是否為預測性內容。
    *   **45%的企業呼叫流量**：Openrouter 的具體數據需查證。
    *   **84.7分**：橋水基金微調千問模型的具體測試分數需查證。

## 可延伸追問

*   Thinking Machines 官方是否已確認 Inkling 模型的正確名稱與技術規格？
*   Tinker 平台目前的收費模式與具體服務內容為何？
*   美國監管層對海外開源模型的具體採購禁令草案內容為何？
*   Deepseek V3 與 Inkling 在架構上的具體異同點為何？
*   Inkling Small 在本地伺服器私有化部署的具體硬體要求為何？