WEBVTT
Kind: captions
Language: zh

00:00:00.166 --> 00:00:02.500
拿著20億美元的頂級風投

00:00:02.566 --> 00:00:05.300
帶著矽谷最強的AI大腦團隊

00:00:05.466 --> 00:00:07.500
秘密研發了將近兩年

00:00:08.066 --> 00:00:09.866
所有人都以為他們要掏出

00:00:09.866 --> 00:00:13.000
一個秒殺一切的終極武器結果呢

00:00:13.133 --> 00:00:15.500
前幾天他們剛釋出的新模型

00:00:15.666 --> 00:00:18.333
連基準測試的前五名都進不去

00:00:18.700 --> 00:00:21.500
甚至被一些開源模型按在地上摩擦

00:00:21.766 --> 00:00:25.733
2024年底的那場Openai高管離職潮

00:00:26.000 --> 00:00:27.666
現在回過頭來看

00:00:27.666 --> 00:00:31.166
完全就是一場精心策劃的人才搶劫

00:00:31.533 --> 00:00:32.533
Mira Murati

00:00:32.900 --> 00:00:35.500
這個曾經短暫接管過Openai

00:00:35.566 --> 00:00:37.566
也是一手主導了chatgpt

00:00:37.933 --> 00:00:39.866
開發上線的核心人物

00:00:39.933 --> 00:00:42.066
走的時候可不是孤身一人

00:00:42.133 --> 00:00:43.766
他前腳剛邁出大門

00:00:44.133 --> 00:00:47.300
後腳Openai的聯合創始人John Schulman

00:00:47.500 --> 00:00:49.500
研究副總裁Barret Zoph

00:00:49.700 --> 00:00:51.933
還有一整票的核心高階研究員

00:00:51.933 --> 00:00:53.333
就跟著遞了辭呈

00:00:53.533 --> 00:00:54.866
這些人加起來

00:00:55.100 --> 00:00:58.066
基本上抽乾了Openai半個研究大腦

00:00:58.133 --> 00:00:58.966
在矽谷

00:00:59.300 --> 00:01:03.066
頂尖的AI研究員比H100晶片還要稀缺

00:01:03.366 --> 00:01:06.066
Meta帶走的不是幾個高階打工人

00:01:06.266 --> 00:01:08.800
而是一整套被驗證過無數次

00:01:08.900 --> 00:01:12.366
從GPT3到GPT4跑通過的大模型

00:01:12.366 --> 00:01:15.266
訓練方法論和工程落地經驗

00:01:15.366 --> 00:01:17.566
這幫人見識過世界上最大

00:01:17.566 --> 00:01:20.266
規模的算力叢集是怎麼運轉的

00:01:20.266 --> 00:01:23.400
也踩過無數個導致模型崩潰的暗坑

00:01:24.100 --> 00:01:27.066
所以當他們宣佈要自立門戶的時候

00:01:27.133 --> 00:01:29.266
整個風險投資圈都瘋了

00:01:29.333 --> 00:01:31.166
矽谷的風投最懂算賬

00:01:31.366 --> 00:01:32.933
也最擅長FOMO

00:01:33.166 --> 00:01:36.166
A16Z直接拍了20億美元現金

00:01:36.700 --> 00:01:39.000
在這個連名字都還沒完全敲定

00:01:39.100 --> 00:01:42.300
一行產品程式碼都沒寫的新團隊桌上

00:01:42.533 --> 00:01:45.300
公司最後定名叫thinking MACHINES

00:01:45.866 --> 00:01:48.866
總齒輪估值直接衝到120億美元

00:01:49.000 --> 00:01:50.333
啥產品都沒有

00:01:50.333 --> 00:01:51.800
就值120億

00:01:51.966 --> 00:01:54.300
這在別的行業叫龐氏騙局

00:01:54.366 --> 00:01:56.166
但在這兩年的AI圈

00:01:56.200 --> 00:01:57.766
這叫搶佔最後一張

00:01:57.766 --> 00:01:59.900
通往AGI時代的船票

00:02:00.166 --> 00:02:01.733
風投們賭的是什麼

00:02:02.000 --> 00:02:04.066
賭的是Milla這幫人能搞出一個

00:02:04.066 --> 00:02:07.733
徹底顛覆Openai閉源霸權的新生態

00:02:07.800 --> 00:02:10.366
大家都在等等這兩年時間裡

00:02:10.366 --> 00:02:12.066
這20億美元能燒出

00:02:12.066 --> 00:02:13.800
什麼驚世駭俗的怪物

00:02:13.933 --> 00:02:15.866
整個行業都在屏息以待

00:02:16.066 --> 00:02:19.066
等著看GPT6級別的降維打擊

00:02:19.400 --> 00:02:22.100
然後時間來到2026年7月中旬

00:02:22.366 --> 00:02:23.700
也就是上週

00:02:24.333 --> 00:02:26.400
沉積了一年半的thinking MACHINES

00:02:26.533 --> 00:02:28.300
終於憋出了他們的大招

00:02:28.500 --> 00:02:30.533
開源模型代號Inking

00:02:31.300 --> 00:02:32.700
結果釋出會一開

00:02:32.733 --> 00:02:34.466
科技圈直接傻眼了

00:02:34.466 --> 00:02:36.966
這個號稱砸了重金閉關

00:02:36.966 --> 00:02:38.733
兩年訓練出來的模型

00:02:39.100 --> 00:02:42.500
在各種測試基準上的成績堪稱平庸

00:02:42.766 --> 00:02:44.766
前面有Claude fable 5和

00:02:44.766 --> 00:02:47.700
open AI自家的GPT5.6S

00:02:47.966 --> 00:02:50.066
這兩座大山穩如泰山

00:02:50.300 --> 00:02:53.766
旁邊連同一天釋出的Moonshot的Kimi K3

00:02:53.800 --> 00:02:55.733
這種2.8萬億引數的

00:02:55.733 --> 00:02:57.300
怪物都能跟它硬剛

00:02:57.533 --> 00:02:59.000
甚至把它比下去

00:02:59.466 --> 00:03:01.600
Inkling的成績在開源模型

00:03:01.600 --> 00:03:03.500
裡撐死只能算箇中遊

00:03:03.866 --> 00:03:05.500
而且最慘的是時機

00:03:05.800 --> 00:03:07.200
Inkling剛釋出一天

00:03:07.333 --> 00:03:10.666
Kimi K3就火爆到把算力全燒穿了

00:03:10.666 --> 00:03:13.266
直接把Inkling的熱度搶得一乾二淨

00:03:13.366 --> 00:03:15.300
我們來看看這20億砸出來的

00:03:15.300 --> 00:03:17.333
技術底子到底長什麼樣

00:03:17.700 --> 00:03:19.866
Inkling是一個總引數量達到

00:03:19.866 --> 00:03:22.933
9,750億的混合專家模型

00:03:23.100 --> 00:03:25.500
也就是大家常說的MOE架構

00:03:25.666 --> 00:03:27.566
聽起來接近萬億引數

00:03:27.666 --> 00:03:28.933
挺唬人對吧

00:03:29.200 --> 00:03:31.133
但實際上因為MOE的機制

00:03:31.200 --> 00:03:32.900
每次處理TOKEN的時候

00:03:33.100 --> 00:03:35.533
只有410億的引數被啟用

00:03:35.533 --> 00:03:36.500
參與計算

00:03:36.766 --> 00:03:39.066
它支援100萬的上下文視窗

00:03:39.066 --> 00:03:41.333
用了整整45萬億個TOKEN的

00:03:41.333 --> 00:03:43.466
文本影像和音訊資料

00:03:43.533 --> 00:03:45.000
從頭開始預訓練

00:03:45.100 --> 00:03:46.766
這裡面最值得一提的是

00:03:46.766 --> 00:03:49.766
它徹底改變了多模態的處理方式

00:03:50.466 --> 00:03:51.766
現在市面上大多數

00:03:51.766 --> 00:03:53.866
所謂的原生多模態模型

00:03:54.166 --> 00:03:56.166
其實也就是在外面掛了個殼

00:03:56.500 --> 00:03:57.900
遇到圖片和聲音

00:03:57.900 --> 00:04:00.166
得先過一遍獨立的編碼器

00:04:00.333 --> 00:04:02.366
翻譯成模型能懂的TOKEN

00:04:02.366 --> 00:04:03.400
然後再處理

00:04:03.466 --> 00:04:05.366
但incline跳過了這一步

00:04:05.866 --> 00:04:07.533
它是直接處理原始的

00:04:07.533 --> 00:04:09.700
音訊和畫素訊號的

00:04:10.333 --> 00:04:13.066
這種底層架構的重寫難度極大

00:04:13.133 --> 00:04:16.400
也是這群前Openai班底實力的體現

00:04:16.533 --> 00:04:19.666
而且比起Meta那種由一群

00:04:19.666 --> 00:04:22.100
法務寫出來的偽開源協議

00:04:22.566 --> 00:04:25.300
thinking MACHINES這次玩的非常野

00:04:25.533 --> 00:04:28.000
直接上了Apache 2.0許可

00:04:28.066 --> 00:04:29.400
沒有任何廢話

00:04:29.600 --> 00:04:32.133
模型權重直接扔在hugging face上

00:04:32.266 --> 00:04:33.566
你想怎麼用怎麼用

00:04:33.566 --> 00:04:35.866
你想怎麼改怎麼改但是

00:04:36.333 --> 00:04:38.266
哪怕有這些底層架構上的

00:04:38.266 --> 00:04:40.300
創新和厚道的開源協議

00:04:40.466 --> 00:04:42.666
也掩蓋不了一個致命的問題

00:04:42.900 --> 00:04:44.733
它的絕對智商不夠高

00:04:44.800 --> 00:04:46.866
在這個AI神仙打架

00:04:47.100 --> 00:04:49.366
恨不得跑分差個小數點都要

00:04:49.366 --> 00:04:52.400
發兩篇論文吹捧一下的2026年

00:04:52.700 --> 00:04:55.366
花20億美元就做出一個引數

00:04:55.366 --> 00:04:58.333
啟用量410億的還行的模型

00:04:58.500 --> 00:05:01.133
這怎麼看都像是一筆鉅虧的買賣

00:05:01.166 --> 00:05:03.200
那些業內研究員看完程式碼和

00:05:03.200 --> 00:05:06.200
跑分後的評價出奇的一致很酷

00:05:06.200 --> 00:05:07.900
但在投資人耳朵裡

00:05:07.900 --> 00:05:09.933
花了20億得到一句很酷

00:05:10.500 --> 00:05:11.866
大概等同於你花了

00:05:11.866 --> 00:05:14.000
幾百塊錢請女神吃米其林

00:05:14.333 --> 00:05:16.466
她最後對你說你是個好人

00:05:16.466 --> 00:05:18.600
這是一種非常體面的敷衍

00:05:18.800 --> 00:05:19.866
為什麼會這樣

00:05:20.133 --> 00:05:23.166
難道是Mira的團隊江郎才盡了

00:05:23.466 --> 00:05:25.900
還是說離開大廠的算力支援

00:05:26.100 --> 00:05:28.100
這幫天才也玩不轉了

00:05:28.166 --> 00:05:29.133
絕對不是

00:05:29.133 --> 00:05:31.566
這裡就出現了一個巨大的反常識

00:05:31.900 --> 00:05:35.333
也是全網絕大多數人看走眼的地方

00:05:35.500 --> 00:05:37.333
所有人都覺得做大模型

00:05:37.566 --> 00:05:39.666
就得像搞軍備競賽一樣

00:05:39.966 --> 00:05:41.400
更高更快更強

00:05:41.566 --> 00:05:43.733
誰的跑分高誰就是老大

00:05:43.800 --> 00:05:46.700
但這已經是兩年前老掉牙的玩法了

00:05:46.766 --> 00:05:48.000
現在做模型

00:05:48.300 --> 00:05:49.933
拼絕對智商的邊際

00:05:49.933 --> 00:05:51.366
成本已經高到離譜

00:05:51.700 --> 00:05:52.966
為了在基準測試上

00:05:52.966 --> 00:05:54.933
提高那1%的準確率

00:05:55.066 --> 00:05:56.600
你需要多燒幾個億的

00:05:56.600 --> 00:05:58.333
電費和海量的算力

00:05:58.500 --> 00:06:00.600
還需要去各種犄角旮旯裡

00:06:00.600 --> 00:06:03.100
清洗根本不存在的高質量資料

00:06:03.266 --> 00:06:05.300
Mira在open AI待了那麼久

00:06:05.566 --> 00:06:07.333
他比任何人都清楚算力

00:06:07.333 --> 00:06:09.166
成本這筆賬是怎麼算的

00:06:09.266 --> 00:06:12.600
他太知道閉源大模型那個瘋狂燒錢

00:06:12.700 --> 00:06:14.666
靠無限堆引數換微小

00:06:14.666 --> 00:06:16.700
效能提升的死衚衕在哪裡

00:06:16.800 --> 00:06:19.600
如果你開了一家估值120億的公司

00:06:19.866 --> 00:06:21.533
你的目標絕對不是去打贏

00:06:21.533 --> 00:06:23.533
一場毫無意義的跑分比賽

00:06:23.766 --> 00:06:25.066
而是要建立一個

00:06:25.066 --> 00:06:27.100
能夠造血的商業帝國

00:06:27.266 --> 00:06:30.133
所以當你發現一群世界上最

00:06:30.133 --> 00:06:33.166
聰明最懂AI底層邏輯的人

00:06:33.166 --> 00:06:35.200
在一個關鍵的時間節點

00:06:35.366 --> 00:06:38.066
做了一個看起來平庸的產品時

00:06:38.166 --> 00:06:39.500
千萬不要覺得他們蠢

00:06:39.966 --> 00:06:41.533
他們只是在玩一個你

00:06:41.533 --> 00:06:43.166
沒看懂的高階遊戲

00:06:43.366 --> 00:06:46.866
Inkling在跑分上的拉胯和它的平庸

00:06:47.133 --> 00:06:49.166
完全是精準的商業算計

00:06:49.333 --> 00:06:51.866
因為thinking MACHINES壓根就沒想過去搶

00:06:51.866 --> 00:06:54.700
那頂世界第一聰明模型的皇冠

00:06:54.866 --> 00:06:56.700
把一個智商只排在中游

00:06:57.133 --> 00:06:58.900
但是算力消耗極低

00:06:59.000 --> 00:07:00.100
響應極快

00:07:00.166 --> 00:07:03.100
並且完全開源的模型免費扔給市場

00:07:03.333 --> 00:07:05.700
這只是他們整盤大棋的第一步

00:07:05.733 --> 00:07:07.666
這20億美元的彈藥

00:07:08.500 --> 00:07:10.100
其實全部打在了Incline

00:07:10.100 --> 00:07:12.500
反直覺的核心機制設計

00:07:12.566 --> 00:07:14.466
以及他們那個真正用來

00:07:14.466 --> 00:07:16.800
收割市場的秘密武器上

00:07:17.333 --> 00:07:19.333
如果你以為這個連前五都進

00:07:19.333 --> 00:07:21.766
不去的模型就是故事的結尾

00:07:22.133 --> 00:07:24.166
那你完全低估了企業級

00:07:24.166 --> 00:07:26.166
b to b市場的殘酷程度

00:07:26.300 --> 00:07:28.466
Inkling為了商業化落地

00:07:28.666 --> 00:07:31.466
甚至主動閹割掉了自己的部分人性

00:07:31.666 --> 00:07:34.333
只為了省下那點可憐的TOKEN費用

00:07:34.766 --> 00:07:36.333
它的內部運作邏輯

00:07:36.533 --> 00:07:38.733
以及thinking MACHINES接下來

00:07:38.733 --> 00:07:41.366
要靠什麼把這120億估值變現

00:07:41.500 --> 00:07:43.066
才是整個科技圈真正

00:07:43.066 --> 00:07:44.766
應該感到恐懼的東西

00:07:45.100 --> 00:07:47.100
當我們把Inkling內部那個

00:07:47.100 --> 00:07:49.100
控制智商的旋鈕拆開

00:07:49.166 --> 00:07:50.333
你就會明白

00:07:50.533 --> 00:07:53.800
未來的AI戰場根本不在排行榜上

00:07:54.000 --> 00:07:56.000
他那所謂的平庸跑分

00:07:56.266 --> 00:07:58.500
其實是一種極度剋制的表現

00:07:58.900 --> 00:08:02.100
Mira的團隊在Inkling裡埋了三個反直覺

00:08:02.800 --> 00:08:04.366
甚至有點瘋狂的設定

00:08:04.533 --> 00:08:05.700
這三個設定

00:08:05.733 --> 00:08:07.966
每一個都在精準聚集那些

00:08:07.966 --> 00:08:10.133
每天要處理上千萬次AI

00:08:10.133 --> 00:08:12.133
呼叫的企業客戶的痛點

00:08:12.366 --> 00:08:13.266
第一個設定

00:08:13.300 --> 00:08:15.400
我稱之為智商調節器

00:08:15.566 --> 00:08:17.600
inkling內建了一個叫思考

00:08:17.600 --> 00:08:20.100
力度thinking effort的旋鈕

00:08:20.266 --> 00:08:22.166
這個設計簡直是天才

00:08:22.300 --> 00:08:23.933
現在市面上大模型

00:08:24.266 --> 00:08:26.100
你問它1+1等於幾

00:08:26.366 --> 00:08:29.100
和問它幫我寫個微服務架構程式碼

00:08:29.300 --> 00:08:30.366
它在後臺呼叫的

00:08:30.366 --> 00:08:32.533
算力資源幾乎是一樣的

00:08:32.566 --> 00:08:34.400
這就像是你開著一輛

00:08:34.400 --> 00:08:36.566
耗油量巨大的重型卡車

00:08:36.566 --> 00:08:39.133
就為了去樓下便利店買包煙

00:08:39.333 --> 00:08:40.933
這在企業級應用裡是

00:08:40.933 --> 00:08:42.766
奢侈且不合理的浪費

00:08:42.900 --> 00:08:44.200
但有了這個旋鈕

00:08:44.466 --> 00:08:45.900
遊戲規則變了

00:08:45.900 --> 00:08:48.133
當你需要它處理海量的發票

00:08:48.133 --> 00:08:51.366
分類客服閒聊這些瑣碎任務時

00:08:51.466 --> 00:08:53.300
你可以把旋鈕調低

00:08:53.466 --> 00:08:56.100
這個時候的inling反應極快

00:08:56.300 --> 00:08:57.933
成本低到令人髮指

00:08:58.133 --> 00:09:01.000
雖然只會給出非常基礎的即時答案

00:09:01.000 --> 00:09:02.266
但完全夠用

00:09:02.500 --> 00:09:04.566
而當你碰到了核心業務邏輯

00:09:04.866 --> 00:09:06.333
複雜的程式碼修復

00:09:06.533 --> 00:09:09.500
或者需要深度推理的數學難題時

00:09:09.500 --> 00:09:11.333
你把旋鈕直接拉滿

00:09:11.400 --> 00:09:14.100
這個時候Inkling會瘋狂消耗算力

00:09:14.100 --> 00:09:15.733
進入深度思考模式

00:09:16.066 --> 00:09:18.933
它的表現能直接在基準測試裡硬剛

00:09:19.266 --> 00:09:22.366
甚至超過輝達的NEOTRON S3 Ultra

00:09:22.533 --> 00:09:25.766
而且只需要消耗後者1/3的TOKEN

00:09:25.933 --> 00:09:27.166
這意味著什麼

00:09:27.200 --> 00:09:29.200
這就意味著企業客戶

00:09:29.766 --> 00:09:31.700
終於可以真正意義上的

00:09:31.866 --> 00:09:33.766
控制自己的算力成本了

00:09:33.766 --> 00:09:35.200
當你每天需要執行

00:09:35.200 --> 00:09:37.400
幾百萬次AI agent的時候

00:09:37.666 --> 00:09:39.966
能夠動態調節算力支出

00:09:40.000 --> 00:09:42.966
這省下來的錢都是實打實的淨利潤

00:09:43.066 --> 00:09:45.200
第二個設定更反常識

00:09:45.800 --> 00:09:47.500
他被訓練的極度誠實

00:09:47.666 --> 00:09:50.100
現在大部分模型都有個臭毛病

00:09:50.100 --> 00:09:51.533
就是幻覺嚴重

00:09:51.566 --> 00:09:52.600
不管你問什麼

00:09:52.600 --> 00:09:54.333
他都要強行給你一個答案

00:09:54.733 --> 00:09:55.933
哪怕是胡說八道

00:09:55.933 --> 00:09:57.333
也要說的一本正經

00:09:57.500 --> 00:09:59.900
在寫小說或者陪你聊天的時候

00:10:00.133 --> 00:10:01.400
這叫創造力

00:10:02.000 --> 00:10:03.766
但在企業級應用裡

00:10:03.766 --> 00:10:06.166
比如金融預測或者醫療診斷

00:10:06.666 --> 00:10:09.966
這種自信的胡說八道是致命的所以

00:10:10.400 --> 00:10:12.366
thinking MACHINES用了一種叫做

00:10:12.533 --> 00:10:15.333
epistemics認知學的訓練方法

00:10:15.533 --> 00:10:17.900
簡單來說就是重賞那些

00:10:17.900 --> 00:10:20.066
敢於承認我不知道的行為

00:10:20.200 --> 00:10:23.133
團隊用強化學習瘋狂的訓練inclin

00:10:23.866 --> 00:10:26.500
當你對結果不確定的時候不要猜

00:10:26.600 --> 00:10:28.300
直接告訴我你搞不定

00:10:28.366 --> 00:10:30.566
結果就是Inkling在預測

00:10:30.566 --> 00:10:32.466
未來事件的準確率上

00:10:32.533 --> 00:10:36.066
直接幹翻了GPT5.5和OPEN4點八

00:10:36.133 --> 00:10:38.866
拿到了世界第一的成績對於

00:10:39.500 --> 00:10:41.666
華爾街的對沖基金或者

00:10:41.666 --> 00:10:43.600
醫療行業的巨頭來說

00:10:43.666 --> 00:10:45.300
一個關鍵時刻能

00:10:45.300 --> 00:10:47.466
果斷說出我算不出來

00:10:47.466 --> 00:10:49.200
這題超綱了的模型

00:10:49.333 --> 00:10:51.600
比一個只會拍腦袋瞎蒙的

00:10:51.600 --> 00:10:53.766
全能天才要靠譜一萬倍

00:10:54.100 --> 00:10:57.466
第三個設定可以說非常黑色幽默了

00:10:57.466 --> 00:10:59.166
為了極致的節省成本

00:10:59.366 --> 00:11:00.800
inking在經歷了3,000

00:11:00.800 --> 00:11:02.700
萬輪的強化學習之後

00:11:02.733 --> 00:11:05.566
竟然自己進化出了山頂洞人語言

00:11:05.733 --> 00:11:06.733
什麼意思呢

00:11:07.000 --> 00:11:09.700
現在的模型在處理複雜問題時

00:11:09.900 --> 00:11:12.066
內部會有一段思考過程

00:11:12.166 --> 00:11:13.700
大多數模型的內心

00:11:13.700 --> 00:11:15.400
獨白是標準的英語

00:11:15.866 --> 00:11:18.200
我認為我們現在需要分析這個問題

00:11:18.200 --> 00:11:20.166
以確定它的核心價值

00:11:20.466 --> 00:11:22.700
但這需要消耗大量的TOKEN

00:11:22.933 --> 00:11:24.966
Inkling發現語法在這個

00:11:24.966 --> 00:11:27.166
過程中純粹是浪費資源

00:11:27.333 --> 00:11:29.733
於是他的內心獨白變成了這樣

00:11:30.133 --> 00:11:32.500
需要確定價值問題

00:11:32.566 --> 00:11:34.100
只要幾個關鍵詞

00:11:34.133 --> 00:11:35.266
效果一模一樣

00:11:35.266 --> 00:11:37.100
但省下了海量的TOKEN

00:11:37.266 --> 00:11:38.866
這聽起來很好笑

00:11:39.000 --> 00:11:40.666
但這背後透露出的

00:11:40.666 --> 00:11:42.300
是恐怖的效率壓榨

00:11:42.533 --> 00:11:44.466
所以你看懂了嗎

00:11:44.700 --> 00:11:46.200
這根本不是一個用來在

00:11:46.200 --> 00:11:49.333
排行榜上刷存在感的花瓶模型

00:11:49.466 --> 00:11:50.866
這是一個為了大規模

00:11:50.866 --> 00:11:53.100
企業級應用量身定製的

00:11:53.400 --> 00:11:55.166
精明極度摳門

00:11:55.266 --> 00:11:58.200
但在關鍵時刻絕對靠譜的基礎設施

00:11:58.466 --> 00:12:01.500
然而哪怕Inclin有這些精妙的設計

00:12:01.766 --> 00:12:04.300
它依然只是個不賺錢的開源模型

00:12:04.366 --> 00:12:07.166
真正用來把那120億估值變現的

00:12:07.200 --> 00:12:08.566
是隨之而來的那個

00:12:08.566 --> 00:12:10.366
叫Tinker的微調平臺

00:12:10.666 --> 00:12:12.200
這才是thinking MACHINES

00:12:12.366 --> 00:12:13.966
真正的商業核武器

00:12:14.133 --> 00:12:16.500
前面我們說過Inkling開源了

00:12:16.500 --> 00:12:17.866
你拿走隨便用

00:12:17.866 --> 00:12:19.266
他們一分錢不收

00:12:19.300 --> 00:12:20.800
但在實際操作中

00:12:20.800 --> 00:12:23.166
如果你是一個大企業的CTO

00:12:23.500 --> 00:12:24.800
你拿到了這個模型

00:12:24.800 --> 00:12:26.666
你會發現你根本用不了

00:12:26.766 --> 00:12:29.200
因為你要讓這個模型懂你的業務

00:12:29.500 --> 00:12:30.900
懂你的財務資料

00:12:30.933 --> 00:12:32.400
懂你的客戶習慣

00:12:32.533 --> 00:12:33.666
你需要用你自己的

00:12:33.666 --> 00:12:35.166
資料對它進行微調

00:12:35.366 --> 00:12:36.333
微調這個事

00:12:36.566 --> 00:12:37.933
門檻高的離譜

00:12:38.166 --> 00:12:40.300
你需要懂複雜的訓練架構

00:12:40.500 --> 00:12:42.933
需要管理成堆的GPU叢集

00:12:43.066 --> 00:12:44.400
還需要處理隨時

00:12:44.400 --> 00:12:46.300
可能崩潰的訓練程式碼

00:12:46.533 --> 00:12:47.900
絕大多數企業根本

00:12:47.900 --> 00:12:49.466
沒有這種技術能力

00:12:49.500 --> 00:12:53.133
這時候thinking MACHINES微笑著走出來了

00:12:53.200 --> 00:12:55.566
指著Tinker平臺說老闆

00:12:55.900 --> 00:12:58.333
你看模型我免費送你了

00:12:58.333 --> 00:13:00.700
但你微調起來太費勁了對吧

00:13:00.766 --> 00:13:03.100
來用我們的Tinker平臺吧

00:13:03.100 --> 00:13:05.000
你不用管什麼底層架構

00:13:05.133 --> 00:13:06.733
不用管算力節點

00:13:06.866 --> 00:13:09.333
直接把你的私有資料喂進來

00:13:09.400 --> 00:13:10.566
點幾個按鈕

00:13:10.866 --> 00:13:13.166
我們全自動幫你訓練出一個專屬

00:13:13.166 --> 00:13:16.100
於你的垂直領域的超級專家模型

00:13:16.200 --> 00:13:17.533
在他們的演示裡

00:13:17.533 --> 00:13:19.333
更恐怖的一幕出現了

00:13:19.533 --> 00:13:20.900
他們連上聽課平臺

00:13:20.900 --> 00:13:22.866
給Inclin下達了一個指令

00:13:22.966 --> 00:13:26.066
讓他剝奪自己使用字母e的能力

00:13:26.166 --> 00:13:29.600
接下來讓人頭皮發麻的事情發生了

00:13:29.766 --> 00:13:31.733
Inclin自己在Tinker裡寫

00:13:31.733 --> 00:13:33.100
了一套訓練指令碼

00:13:33.200 --> 00:13:35.066
自己生成的訓練資料

00:13:35.100 --> 00:13:37.166
自己跑完了整個訓練任務

00:13:37.400 --> 00:13:40.266
然後載入了新的權重覆蓋自己

00:13:40.600 --> 00:13:43.466
它實現了徹底的自動化自我微調

00:13:43.700 --> 00:13:46.333
這就是Mira Murati真正的野心

00:13:46.566 --> 00:13:48.933
她壓根就不想做下一個Openai

00:13:48.966 --> 00:13:51.266
去賣那種千篇一律按

00:13:51.266 --> 00:13:53.600
字數收費的全能型API

00:13:53.766 --> 00:13:55.466
在這個多模型共存

00:13:55.866 --> 00:13:58.066
甚至連開源模型都能在垂直

00:13:58.066 --> 00:14:00.300
領域打爆閉源模型的時代

00:14:00.466 --> 00:14:03.566
做單一的基礎模型已經是一片紅海

00:14:03.766 --> 00:14:05.766
thinking MACHINES的真實玩法是

00:14:06.500 --> 00:14:10.200
用一個表現穩定可控性極強並且

00:14:10.200 --> 00:14:12.866
完全免費的開源模型作為誘餌

00:14:13.166 --> 00:14:15.333
把所有渴望擁有獨立AI

00:14:15.333 --> 00:14:17.133
大腦的企業吸引過來

00:14:17.400 --> 00:14:18.966
然後再用一個傻瓜化

00:14:18.966 --> 00:14:21.566
自動化的微調平臺把他們鎖死

00:14:21.733 --> 00:14:23.966
賺取高昂的平臺服務費

00:14:24.100 --> 00:14:26.700
他們不賣最聰明的通用大腦

00:14:26.866 --> 00:14:29.766
他們賣的是量產專屬專家的兵工廠

00:14:29.766 --> 00:14:30.733
當有一天

00:14:30.900 --> 00:14:33.533
全世界數以萬計的企業都在用

00:14:33.533 --> 00:14:36.166
Tinker平臺微調自己的財務模型

00:14:36.566 --> 00:14:38.766
客服模型醫療模型時

00:14:38.766 --> 00:14:41.400
誰還在乎Inkling在那個所謂的

00:14:41.400 --> 00:14:44.200
基準測試排行榜上排第幾名

00:14:44.500 --> 00:14:47.066
所以那20億美金花的冤嗎

00:14:47.100 --> 00:14:48.000
一點都不冤

00:14:48.300 --> 00:14:50.466
Mira帶著最頂級的團隊

00:14:50.600 --> 00:14:53.600
跳出了Openai閉源爭霸的死局

00:14:53.800 --> 00:14:56.700
轉身在企業級定製服務這條賽道上

00:14:56.966 --> 00:14:59.000
築起了一道深不見底的護城河

00:14:59.300 --> 00:15:00.666
他們不僅沒有搞砸

00:15:00.800 --> 00:15:02.700
反而在下一盤足以顛覆

00:15:02.700 --> 00:15:05.466
整個AI商業格局的超級大棋

00:15:05.666 --> 00:15:07.966
我們來聊一個矽谷科技圈

00:15:08.266 --> 00:15:09.600
不太願意放在臺面

00:15:09.600 --> 00:15:11.466
上大肆宣揚的秘密

00:15:11.666 --> 00:15:13.600
Inlink那套高效的混合

00:15:13.600 --> 00:15:16.933
專家MOE架構其實大有來頭

00:15:17.066 --> 00:15:19.500
如果你找個懂行的AI架構師

00:15:19.666 --> 00:15:22.066
把Inlink的底層程式碼扒開看

00:15:22.266 --> 00:15:24.933
看它的256個路由專家設計

00:15:25.266 --> 00:15:26.533
sigmoid路由器

00:15:26.666 --> 00:15:29.333
甚至是滑動視窗注意力的比例

00:15:29.666 --> 00:15:30.733
你會發現一個讓人

00:15:30.733 --> 00:15:32.266
下巴掉下來的事實

00:15:32.400 --> 00:15:34.700
它的核心工程思路跟中國

00:15:34.700 --> 00:15:37.333
開源大模型Deepseek V3的架構

00:15:37.533 --> 00:15:39.700
幾乎是一個模子刻出來的

00:15:39.700 --> 00:15:40.666
不僅如此

00:15:40.700 --> 00:15:42.500
在早期的訓練階段

00:15:42.700 --> 00:15:45.900
thinking MACHINES甚至大量使用了另一款

00:15:45.900 --> 00:15:48.866
中國模型生成的合成數據來打底

00:15:49.166 --> 00:15:51.400
一家估值120億美元的純

00:15:51.400 --> 00:15:53.466
血美國頂尖AI實驗室

00:15:53.733 --> 00:15:56.133
由open a i的前CTO帶隊

00:15:56.166 --> 00:15:57.600
手裡握著一堆當今

00:15:57.600 --> 00:15:59.733
最強的Nvidia算力晶片

00:15:59.900 --> 00:16:02.266
結果最後端出來的旗艦模型

00:16:02.866 --> 00:16:04.400
居然大量借鑑了中國

00:16:04.400 --> 00:16:06.266
開源模型的工程藍圖

00:16:06.333 --> 00:16:08.700
很多外行看到這可能要開噴了

00:16:08.700 --> 00:16:11.066
覺得這幫天才是不是江郎才盡

00:16:11.066 --> 00:16:12.066
只會抄作業

00:16:12.533 --> 00:16:15.533
但站在商業和工程的客觀角度來看

00:16:15.700 --> 00:16:18.466
這是一個特別清醒且務實的決定

00:16:18.600 --> 00:16:21.666
這幾年因為算力晶片被卡脖子

00:16:21.800 --> 00:16:23.700
中國的大模型團隊沒辦法

00:16:23.700 --> 00:16:26.100
像Openai那樣閉著眼睛靠

00:16:26.100 --> 00:16:28.333
瘋狂堆算力來暴力破局

00:16:28.600 --> 00:16:29.733
他們被逼無奈

00:16:29.900 --> 00:16:32.200
只能在演算法的效率記憶體

00:16:32.200 --> 00:16:34.300
最佳化和引數排程上死磕

00:16:34.666 --> 00:16:37.066
結果反而把開源模型的執行效率

00:16:37.066 --> 00:16:39.733
給硬生生逼到了一個全新的高度

00:16:39.966 --> 00:16:42.300
Miro的團隊太清楚這一點了

00:16:42.366 --> 00:16:44.600
工程技術面前沒有面子問題

00:16:45.166 --> 00:16:46.600
既然別人在效率最佳化

00:16:46.600 --> 00:16:48.400
上已經跑通了最優解

00:16:48.566 --> 00:16:50.166
開源協議也允許

00:16:50.333 --> 00:16:51.866
那直接拿來用

00:16:52.166 --> 00:16:55.000
站在前人的肩膀上繼續往前跑

00:16:55.066 --> 00:16:56.700
就是最聰明的做法

00:16:56.733 --> 00:16:59.333
這直接導致他們連跑帶顛

00:16:59.600 --> 00:17:01.866
只用了不到9個月的時間

00:17:01.866 --> 00:17:04.500
就把這個9,750億引數的

00:17:04.500 --> 00:17:07.000
龐然大物給搞定了說到這

00:17:07.000 --> 00:17:09.333
你可能會問一個直擊靈魂的問題

00:17:09.766 --> 00:17:12.400
既然中國的開源模型效率這麼高

00:17:12.566 --> 00:17:13.666
能力這麼強

00:17:13.733 --> 00:17:15.900
連Kimi K3這種怪物

00:17:15.933 --> 00:17:17.966
都已經能在程式碼和前端

00:17:17.966 --> 00:17:20.200
設計上跟Claude 5硬剛了

00:17:20.333 --> 00:17:23.066
而且使用成本幾乎跟白送一樣

00:17:23.533 --> 00:17:25.666
那美國的那些大企業幹嘛不直接

00:17:25.666 --> 00:17:28.200
去用這些現成的免費中國模型

00:17:28.366 --> 00:17:29.800
他們何必還要費勁

00:17:29.800 --> 00:17:31.666
巴拉地去用什麼Inkling

00:17:31.766 --> 00:17:34.500
還要去花錢買Tinker平臺的服務呢

00:17:34.700 --> 00:17:37.533
這個問題正好點破了thinking MACHINES

00:17:37.566 --> 00:17:40.266
這盤大棋最核心的商業命門

00:17:40.366 --> 00:17:43.466
事實上美國的資本家們一點都不傻

00:17:43.500 --> 00:17:45.133
在Inkling釋出之前

00:17:45.500 --> 00:17:47.200
美國企業界確實出現過

00:17:47.200 --> 00:17:49.733
一陣瘋狂的薅羊毛熱潮

00:17:49.800 --> 00:17:52.766
去看看Openrouter之前的TOKEN路由

00:17:52.766 --> 00:17:55.466
資料就會發現在某個高峰起

00:17:55.533 --> 00:17:58.933
大概有45%的企業呼叫流量全都

00:17:58.933 --> 00:18:01.600
悄悄跑到了國外的開源模型上

00:18:01.600 --> 00:18:04.166
像Coinbase這種級別的大廠

00:18:04.666 --> 00:18:07.600
都在默默把自己的AI agent遷移過去

00:18:07.600 --> 00:18:10.133
因為成本能直接砍掉一半以上

00:18:10.300 --> 00:18:11.800
模型好用又便宜

00:18:12.066 --> 00:18:14.000
資本家當然會用腳投票

00:18:14.100 --> 00:18:17.700
比如全球最大的對沖基金橋水

00:18:18.166 --> 00:18:19.933
他們就自己拿業務資料

00:18:20.066 --> 00:18:22.000
微調了阿里的千問模型

00:18:22.166 --> 00:18:23.966
結果在金融推理測試裡

00:18:23.966 --> 00:18:27.066
直接跑出了84.7分的高分

00:18:27.533 --> 00:18:29.066
把一眾昂貴的閉源

00:18:29.066 --> 00:18:30.933
通用模型按在地上打

00:18:31.200 --> 00:18:34.066
而成本甚至不到原來的1/10

00:18:34.166 --> 00:18:35.766
便宜的專屬小模型能

00:18:35.766 --> 00:18:37.866
打爆昂貴的通用大模型

00:18:38.000 --> 00:18:39.700
這個賬大家都會算

00:18:39.733 --> 00:18:41.533
但好日子沒過多久

00:18:41.800 --> 00:18:44.400
一道來巨大的政策鐵拳砸了下來

00:18:44.500 --> 00:18:46.800
由於這些模型實在太好用

00:18:46.933 --> 00:18:48.333
蔓延速度太快

00:18:48.400 --> 00:18:50.400
美國監管層坐不住了

00:18:50.466 --> 00:18:52.733
各種警告信開始滿天飛

00:18:52.733 --> 00:18:55.500
國會委員會甚至開始著手調查那些

00:18:55.500 --> 00:18:58.533
過度依賴海外開源模型的技術公司

00:18:59.000 --> 00:19:01.566
相關的政府甚至在起草採購禁令

00:19:01.733 --> 00:19:04.300
對於那些掌握著海量敏感資料

00:19:04.300 --> 00:19:07.266
業務流水動輒百億級別的華爾街

00:19:07.266 --> 00:19:10.333
投行醫療巨頭和科技大廠來說

00:19:10.400 --> 00:19:12.400
這種地緣政治帶來的合規

00:19:12.400 --> 00:19:14.866
風險是絕對不可承受的

00:19:14.933 --> 00:19:16.366
哪怕模型再便宜

00:19:16.700 --> 00:19:19.300
一旦被打上資料安全風險的標籤

00:19:19.500 --> 00:19:22.766
對企業來說就是一顆隨時會爆的雷

00:19:23.400 --> 00:19:24.466
更要命的是

00:19:24.466 --> 00:19:27.066
原本在開源生態裡扛大旗的Meta

00:19:27.300 --> 00:19:29.100
最近也開始收緊政策

00:19:29.133 --> 00:19:31.566
把LLAMA系列的後續版本推向了

00:19:31.566 --> 00:19:34.266
更加封閉的商業授權路線

00:19:34.333 --> 00:19:36.400
就在這個特殊的節骨眼上

00:19:37.000 --> 00:19:39.000
西方大企業的面前出現

00:19:39.000 --> 00:19:40.766
了一個巨大的真空地帶

00:19:41.000 --> 00:19:42.800
他們極度渴望用開源

00:19:42.800 --> 00:19:44.700
模型來降低算力成本

00:19:45.066 --> 00:19:46.733
極度需要通過微調來

00:19:46.733 --> 00:19:48.466
保護自己的私有資料

00:19:48.900 --> 00:19:51.866
但他們現在不敢用國外的免費模型

00:19:52.133 --> 00:19:53.766
又發現本土的開源

00:19:53.766 --> 00:19:55.666
大廠開始設圍牆了

00:19:55.866 --> 00:19:58.000
這時候你再看Inkling的釋出

00:19:58.166 --> 00:20:00.400
是不是有一種恍然大悟的感覺

00:20:00.666 --> 00:20:02.866
Inkling根本就不需要去爭奪

00:20:02.866 --> 00:20:05.966
什麼全球最聰明大模型的虛名

00:20:06.100 --> 00:20:07.133
它的真實身份

00:20:07.400 --> 00:20:08.933
是西方企業界當下

00:20:08.933 --> 00:20:10.866
唯一一個合法合規

00:20:11.066 --> 00:20:12.766
擁有純正美國血統

00:20:12.900 --> 00:20:15.566
且效能足夠能打的開源避風港

00:20:15.766 --> 00:20:17.700
Mira的團隊不僅給了大家

00:20:17.700 --> 00:20:19.533
一個安全的基礎設施

00:20:19.733 --> 00:20:21.466
甚至還貼心的推出了一個

00:20:21.466 --> 00:20:24.733
代號為Inkling small的輕量化版本

00:20:24.933 --> 00:20:26.300
這個小版本的總參

00:20:26.300 --> 00:20:28.966
數量被壓到了2,760億

00:20:29.133 --> 00:20:32.600
每次處理問題只啟用120億個引數

00:20:32.800 --> 00:20:35.366
但它在很多複雜的推理測試上

00:20:35.366 --> 00:20:38.166
得分甚至超過了那個大塊頭的原版

00:20:38.466 --> 00:20:40.733
這簡直就是專門為那些想要在

00:20:40.733 --> 00:20:43.066
公司內部本地伺服器上跑

00:20:43.066 --> 00:20:45.933
私有化部署的老闆們量身定做的

00:20:46.100 --> 00:20:47.800
你公司伺服器不夠大

00:20:47.800 --> 00:20:50.100
沒關係用inkling small

00:20:50.300 --> 00:20:52.200
你沒有技術人員搞微調

00:20:52.300 --> 00:20:55.000
沒關係買我們的Tinker平臺服務

00:20:55.266 --> 00:20:57.766
你擔心資料洩露和政治風險

00:20:57.766 --> 00:20:58.766
更沒關係

00:20:58.933 --> 00:21:01.500
我們是拿了A16Z20億

00:21:01.500 --> 00:21:03.400
美金的本土正規軍

00:21:03.600 --> 00:21:06.200
程式碼就在hugging face上開源放著

00:21:06.366 --> 00:21:07.266
乾乾淨淨

00:21:07.566 --> 00:21:09.366
把所有線索串聯在一起

00:21:09.600 --> 00:21:11.366
THINKING machine的終極商業

00:21:11.366 --> 00:21:13.066
版圖就徹底清晰了

00:21:13.100 --> 00:21:16.066
離開Openai的Mira Murati從來就

00:21:16.066 --> 00:21:18.166
沒想過要在這個早就殺成

00:21:18.166 --> 00:21:20.900
一片紅海的通用大模型賽道里

00:21:20.933 --> 00:21:23.466
再去造一個一模一樣的ChatGPT

00:21:23.766 --> 00:21:26.766
那是一條靠無休止燒投資人的錢

00:21:27.000 --> 00:21:29.133
巨大的政策來維持的瘋狂內卷之路

00:21:29.166 --> 00:21:30.733
他用這20億美金

00:21:31.066 --> 00:21:33.800
深深在Openai的閉源帝國旁邊

00:21:34.066 --> 00:21:36.066
挖出了一條全新的護城河

00:21:36.266 --> 00:21:38.200
他看準了未來AI的形態

00:21:38.866 --> 00:21:40.900
絕對不是一個無所不能的神

00:21:40.900 --> 00:21:43.300
而是千千萬萬個在各個

00:21:43.300 --> 00:21:44.966
細分領域裡任勞任怨

00:21:45.200 --> 00:21:47.700
便宜好用且資料完全歸

00:21:47.700 --> 00:21:49.366
企業自己所有的專才

00:21:49.666 --> 00:21:52.300
所以他借用了行業裡驗證

00:21:52.300 --> 00:21:54.200
過最高效的開源架構

00:21:54.333 --> 00:21:56.933
加上團隊變態的成本控制能力

00:21:57.400 --> 00:21:59.166
做出了inclin這個誘餌

00:21:59.266 --> 00:22:00.566
然後再利用地緣

00:22:00.566 --> 00:22:02.500
政治帶來的合規恐慌

00:22:02.866 --> 00:22:05.133
順理成章的把這群焦頭爛額的

00:22:05.133 --> 00:22:07.900
企業大客戶全部圈進了自己

00:22:07.900 --> 00:22:10.800
真正賺錢的Tinker微調平臺裡

00:22:11.000 --> 00:22:12.933
花20億美元做了一個

00:22:12.933 --> 00:22:15.266
跑分進不了前五的模型

00:22:15.466 --> 00:22:16.966
聽起來是個笑話

00:22:17.000 --> 00:22:20.333
但如果這20億買下的是未來10年整個

00:22:20.333 --> 00:22:23.500
企業級AI定製市場的超級入口呢

00:22:23.666 --> 00:22:25.266
那這就是一場教科書

00:22:25.266 --> 00:22:27.300
級別的商業降維打擊

00:22:27.533 --> 00:22:29.933
在大家都盯著跑分排行榜

00:22:29.933 --> 00:22:31.500
爭得面紅耳赤的時候

00:22:31.666 --> 00:22:34.266
有人已經悄悄把未來淘金熱裡

00:22:34.266 --> 00:22:37.166
唯一合規的鏟子製造廠給買下來了

00:22:37.400 --> 00:22:40.933
這才是這筆120億估值的交易背後

00:22:41.100 --> 00:22:43.400
最讓人細思極恐的真相

00:22:43.566 --> 00:22:45.866
好啦今天咱們就到這裡

00:22:45.866 --> 00:22:47.733
看懂了這家公司的玩法

00:22:47.800 --> 00:22:50.900
你就會對接下來科技巨頭們的走向

00:22:50.900 --> 00:22:52.400
有一個全新的認知

00:22:52.600 --> 00:22:53.966
別忘了點贊訂閱

00:22:54.133 --> 00:22:55.000
有什麼看法

00:22:55.000 --> 00:22:56.133
咱們評論區見