0:00.000–0:02.784
zh如果你持续关注硅谷AI产业动态,
0:02.784–0:05.917
zh一定听过这场堪称传奇的人才出走事件。
0:05.917–0:08.005
zh手握20亿美元顶级风头,
0:08.005–0:11.660
zh集结一批从OpenAI出走的核心研发人才。
0:11.660–0:13.226
zh秘密打磨接近两年,
0:13.226–0:17.750
zh所有人都默认他们会拿出一款能够横扫行业的顶尖大模型。
0:17.750–0:20.883
zh可最终的结果却让整个科技圈大跌眼镜。
0:20.883–0:23.145
zh在前不久的发布会结束之后,
0:23.145–0:28.540
zh他们推出的全新模型在主流权威基准评测榜单当中甚至无法冲进前五。
0:28.540–0:30.640
zh不少开源模型的综合表现
0:30.640–0:32.240
zh都能够实现对它的压制
0:32.240–0:34.500
zh回望2024年年底那场震动
0:34.500–0:35.680
zh全球AI行业的
0:35.680–0:37.240
zhOpenAI高管离职风波
0:37.240–0:38.780
zh大家才慢慢意识到
0:38.780–0:41.200
zh这根本不是简单的人员流动
0:41.200–0:42.560
zh而是一场精心布局
0:42.560–0:44.820
zh持续多年的人才收割行动
0:44.820–0:45.780
zh米拉姆拉蒂
0:45.780–0:48.120
zh也就是曾经短暂执掌OpenAI
0:48.120–0:49.940
zh全程主导ChatGPT
0:49.940–0:51.740
zh落地研发的核心关键人物
0:51.740–0:54.460
zh在2024年9月正式离开老东家
0:54.460–0:56.300
zh并且不是孤身一人
0:56.300–0:58.320
zh他踏出OpenAI大门之后
0:58.320–1:00.160
zh联合创始人约翰·舒尔曼
1:00.160–1:02.380
zh前研究副总裁巴雷特·佐夫
1:02.380–1:06.160
zh还有一大批资深核心研究员紧随其后递交辞呈
1:06.160–1:07.800
zh这群人的集体出走
1:07.800–1:11.120
zh几乎直接抽走了OpenAI半数核心研发力量
1:11.120–1:13.180
zh在硅谷的产业生态里面
1:13.180–1:15.500
zh顶尖人工智能研究员的稀缺程度
1:15.500–1:18.840
zh甚至超过英伟达H100系列高端算力芯片
1:18.840–1:21.960
zh米拉带走的远远不止数十名资深工程师
1:21.960–1:26.060
zh更是一套经过GPT3到GPT4完整项目验证
1:26.060–1:28.760
zh成熟可行的大模型训练方法论
1:28.760–1:31.220
zh还有整套工程落地的实战经验
1:31.220–1:33.060
zh这支团队亲眼见证过
1:33.060–1:35.660
zh全球规模顶尖算力集群的运行逻辑
1:35.660–1:37.420
zh也踩遍了训练过程里
1:37.420–1:40.240
zh各类会引发模型崩溃的隐蔽技术陷阱
1:40.240–1:42.860
zh因此当他们对外宣布独立创业的时候
1:42.860–1:45.240
zh整个风险投资圈子陷入狂热
1:45.240–1:47.460
zh硅谷风投机构最擅长算账
1:47.460–1:50.300
zh也最容易陷入害怕错失机遇的情绪
1:50.300–1:51.600
zh安德森霍洛维茨
1:51.600–1:53.900
zh直接敲定20亿美元现金投入
1:53.900–1:55.320
zh投资落地的时候
1:55.320–1:57.960
zh这家连正式名称都没有完全敲定
1:57.960–2:01.540
zh一行商用产品代码都还没有产出的初创团队
2:01.540–2:03.700
zh最终定名Thinking Machines Lab
2:03.700–2:06.180
zh投后估值直接冲到120亿美元
2:06.180–2:10.020
zh没有任何成熟产品就能拥有120亿美元估值
2:10.020–2:13.760
zh放在其他行业很容易被贴上庞氏骗局的标签
2:13.760–2:16.140
zh但是在近几年火热的AI赛道
2:16.140–2:20.360
zh资本把这称作抢占通往通用人工智能时代最后的传票
2:20.360–2:22.460
zh风投机构押注的核心目标
2:22.460–2:24.400
zh就是米拉带领的这支团队
2:24.400–2:25.720
zh能够打造出一套
2:25.720–2:27.980
zh打破OpenAI避原模式垄断的
2:27.980–2:28.960
zh全新产业生态
2:28.960–2:30.500
zh所有人静静观望
2:30.500–2:32.380
zh期待着20亿美元资金
2:32.380–2:34.280
zh两年时间能够孵化出
2:34.280–2:36.640
zh怎样惊世骇俗的人工智能产品
2:36.640–2:38.440
zh整个行业秉析宁神
2:38.440–2:40.580
zh等待新一代顶级大模型的
2:40.580–2:41.580
zh技术降维打击
2:41.580–2:43.980
zh时间来到2026年7月中旬
2:43.980–2:45.060
zh也就是近期
2:45.060–2:46.360
zh沉寂一年半之久的
2:46.360–2:47.627
enThinking Machines Lab
2:47.627–2:50.140
zh终于对外公开酝酿许久的重磅成果
2:50.140–2:52.260
zh开源基础模型代号Inklin
2:52.260–2:54.020
zh伴随着发布会正式落幕
2:54.020–2:56.760
zh整个科技行业陷入巨大的错愕
2:56.760–2:59.860
zh这款投入重金闭关研发两年打造的模型
2:59.860–3:03.640
zh在各类权威基准测试当中成绩只能用平庸形容
3:03.640–3:05.360
zh前方有克劳德·菲波5
3:05.360–3:08.880
zhOpenAI主流避原模型两座顶尖避原模型
3:08.880–3:10.060
zh稳定占据高位
3:10.060–3:12.420
zh同期发布的月之暗面KIMI K3
3:12.420–3:14.740
zh这款拥有2.8万亿参数的模型
3:14.740–3:16.640
zh同样能够和它正面抗衡
3:16.640–3:18.480
zh多项指标实现反超
3:18.480–3:20.720
zhInkling在开源模型梯队当中
3:20.720–3:23.260
zh综合水平最多只能算作中油水准
3:23.260–3:25.860
zh更加尴尬的还有发布时间窗口
3:25.860–3:28.460
zhInkling正式上线仅仅一天之后
3:28.460–3:30.440
zhKimi K3热度全面爆发
3:30.440–3:32.120
zh大量开发者涌入调用
3:32.120–3:33.800
zh直接把算力资源耗尽
3:33.800–3:36.560
zh几乎抢走了Inkling全部公众关注度
3:36.560–3:38.000
zh普通观众看到这里
3:38.000–3:40.980
zh大概率都会认定这是一场彻头彻尾的失败
3:40.980–3:41.960
zh顶级团队
3:41.960–3:42.780
zh顶级资金
3:42.780–3:43.620
zh顶级资源
3:43.620–3:45.740
zh最后打出一张平平无奇的牌
3:45.740–3:48.100
zh甚至被后发竞品全面碾压
3:48.100–3:50.700
zh但如果你只看到表面的跑分输赢
3:50.700–3:54.180
zh完全看不懂当下AI行业真正的内卷困局
3:54.180–3:57.360
zh更看不懂硅谷顶级资本真正的下注逻辑
3:57.360–3:59.680
zh现在整个AI行业已经陷入一种
3:59.680–4:01.340
zh极度畸形的内卷怪圈
4:01.340–4:03.900
zh绝大多数团队、媒体、开发者
4:03.900–4:06.380
zh都在疯狂迷信基准测试分数
4:06.380–4:09.260
zh把榜单排名当成唯一的评判标准
4:09.260–4:11.340
zh为了零点几分的微弱提升
4:11.340–4:14.040
zh无数公司动辄烧数亿美金算力
4:14.040–4:15.420
zh堆砌海量参数
4:15.420–4:16.800
zh清洗冗余数据
4:16.800–4:18.220
zh反复微调权重
4:18.220–4:20.820
zh最后做出来的模型跑分看似好看
4:20.820–4:22.300
zh但是商用成本极高
4:22.300–4:23.880
zh落地兼容性极差
4:23.880–4:25.580
zh企业部署难度巨大
4:25.580–4:27.400
zh完全是为了跑分而生
4:27.400–4:29.480
zh而非为了商用而生的产品
4:29.480–4:31.040
zh这也是最近一年来
4:31.040–4:33.240
zh无数顶级AI模型高开低走
4:33.240–4:35.920
zh热度爆红却无法变现的核心原因
4:35.920–4:38.260
zh行业早已不再缺聪明的模型
4:38.260–4:39.640
zh企业真正缺的
4:39.640–4:41.660
zh是稳定便宜可控能落地
4:41.660–4:44.060
zh零合规风险的工业化AI基础设施
4:44.060–4:46.960
zh而这恰恰就是Inkling精准卡位的赛道
4:46.960–4:49.660
zh大家一定要点赞订阅锁住频道
4:49.660–4:53.480
zh接下来我逐层拆解这场瞒天过海的AI商业布局
4:53.480–4:54.840
zh看懂了你就明白
4:54.840–4:56.240
zh这根本不是翻车
4:56.240–4:59.240
zh而是近两年最顶级的AI创业降位布局
4:59.240–5:00.880
zh我们不妨深入拆解
5:00.880–5:05.520
zh这笔20亿美元资金孵化出来的技术底子究竟具备哪些特点
5:05.520–5:10.240
zhInkling属于总参数量达到9750亿的混合专家模型
5:10.240–5:12.460
zh也就是业内常说的MOE架构
5:12.460–5:14.860
zh单单看总参数规模接近万亿
5:14.860–5:16.440
zh听起来极具冲击力
5:16.440–5:18.920
zh但是熟悉稀疏架构的从业者
5:18.920–5:21.180
zh都清楚MOE底层运行逻辑
5:21.180–5:23.300
zh每一次处理词源信息的时候
5:23.300–5:26.500
zh仅仅只有410亿参数被激活参与运算
5:26.500–5:29.460
zh模型原生支持100万长度上下文窗口
5:29.460–5:31.760
zh依托45万亿词源规模的文本
5:31.760–5:33.680
zh图像 音频混合数据
5:33.680–5:35.520
zh完成从零开始的预训链
5:35.520–5:38.160
zh整套体系当中最具备革新意义的
5:38.160–5:40.800
zh是它重构了多模态信息处理逻辑
5:40.800–5:44.760
zh目前市面上绝大多数宣称原生多模态的大模型
5:44.760–5:48.820
zh本质只是在基础语言模型外部附加一套处理组件
5:48.820–5:50.780
zh遇到图片、音频信息
5:50.780–5:52.180
zh需要独立编码器
5:52.180–5:56.580
zh先把视觉、听觉信号转化为模型能够识别的次元格式
5:56.580–5:58.460
zh再送入主体网络运算
5:58.460–6:00.780
zh而Inkling跳过中间转化流程
6:00.780–6:04.260
zh可以直接读取原始像素与音频波形信号
6:04.260–6:07.160
zh这种底层架构重构的工程难度极高
6:07.160–6:11.320
zh也直观体现出这支前OpenAI团队扎实的技术积累
6:11.320–6:14.760
zh对比Meta很多开源模型饱受争议的授权条款
6:14.760–6:16.160
enThinking Machines Lab
6:16.160–6:17.760
zh这次选择十分开放
6:17.760–6:20.360
zh直接采用Apache 2.0开源协议
6:20.360–6:21.980
zh没有附加繁杂限制
6:21.980–6:25.220
zh完整模型权重直接上传至哈格面部平台
6:25.220–6:27.080
zh开发者可以自由修改
6:27.080–6:28.480
zh部署 商用
6:28.480–6:30.500
zh即便拥有底层架构创新
6:30.500–6:32.640
zh搭配宽松友好的开源协议
6:32.640–6:35.500
zh依旧无法掩盖一处无法回避的短板
6:35.500–6:38.040
zh模型纯粹推理上线并不突出
6:38.040–6:41.060
zh当下AI行业早已进入白热化竞争阶段
6:41.060–6:45.360
zh各家机构哪怕基准测试出现小数点级别的分数差距
6:45.360–6:47.980
zh都会专门撰写论文大肆宣传
6:47.980–6:49.520
zh投入20亿美元资金
6:49.520–6:52.340
zh最终产出一款激活参数410亿
6:52.340–6:54.300
zh综合表现中等的模型
6:54.300–6:57.460
zh在外人眼里无疑是一笔严重亏损的投资
6:57.460–6:59.740
zh不少业内研究员研读论文
6:59.740–7:02.540
zh实测模型之后给出的评价高度统一
7:02.540–7:04.760
zh评语大多只有很酷两个字
7:04.760–7:06.260
zh站在投资人视角
7:06.260–7:08.520
zh花费巨额资金换来一句很酷
7:08.520–7:11.160
zh和你邀请他人享用高端米其林晚餐
7:11.160–7:12.580
zh最后只收到一句
7:12.580–7:14.120
zh你人很好高度相似
7:14.120–7:16.280
zh属于十分委婉的负面评价
7:16.280–7:18.140
zh很多人会顺势产生疑问
7:18.140–7:20.640
zh难道米拉团队已经将狼才进
7:20.640–7:23.040
zh脱离大厂充足算力扶持之后
7:23.040–7:26.540
zh这群天才工程师再也无法完成前沿模型研发
7:26.540–7:28.120
zh答案显然是否定的
7:28.120–7:31.420
zh这里藏着一个极异被大众忽略的反常识逻辑
7:31.420–7:35.260
zh也是绝大多数行业观察者出现判断偏差的关键
7:35.260–7:37.420
zh外界普遍默认研发大模型
7:37.420–7:39.760
zh必须无休止开展算力军备竞赛
7:39.760–7:41.980
zh追求更高参数 更强跑分
7:41.980–7:45.060
zh谁的榜单成绩领先 谁就是最终赢家
7:45.060–7:48.560
zh可这套竞争思路已经是两年之前的老旧玩法
7:48.560–7:52.160
zh现如今想要依靠基准测试提升1%的准确率
7:52.160–7:55.980
zh需要额外投入数亿美元电费 海量算力资源
7:56.060–7:59.760
zh还要耗费大量人力筛选稀缺高质量训练数据
8:00.000–8:02.706
zh边际成本已经膨胀到难以承受的地步。
8:02.706–8:04.934
zh米拉在OpenAI长期生耕,
8:04.934–8:07.480
zh比任何人都清楚算力成本核算逻辑。
8:07.480–8:12.083
zh深刻明白B原大模型无休止堆参数换取微小性能提升,
8:12.083–8:14.960
zh本身就是一条难以持续的死胡同。
8:14.960–8:18.040
zh如果运营一家估值120亿美元的企业
8:18.040–8:19.800
zh核心目标绝对不是
8:19.800–8:22.960
zh打赢一场没有实际商业价值的跑分竞赛
8:22.960–8:26.600
zh而是搭建一套能持续自我造血的商业体系
8:26.600–8:30.860
zh所以当大家看见一群掌握顶尖AI底层认知的技术人才
8:30.860–8:34.360
zh在关键节点推出一款看起来平平无奇的产品
8:34.360–8:36.920
zh千万不要简单判定他们决策失误
8:36.920–8:40.320
zh他们正在执行一套普通人难以看懂的长线布局
8:40.320–8:42.440
zhInkling跑分表现相对平庸
8:42.440–8:43.960
zh并不是研发能力不足
8:43.960–8:46.040
zh而是精准的商业策略规划
8:46.040–8:48.440
enTai Mankey & G. McKean ES Lab
8:48.440–8:50.160
zh从一开始就没有争夺
8:50.160–8:52.720
zh全球最强通用大模型的想法
8:52.720–8:54.440
zh把一款推理能力中等
8:54.440–8:55.660
zh算力消耗低廉
8:55.660–8:56.820
zh响应速度出众
8:56.820–8:58.360
zh并且完全开源的模型
8:58.360–8:59.560
zh免费对外开放
8:59.560–9:01.980
zh仅仅是整套战略布局的第一步
9:01.980–9:03.760
zh20亿美元的资金投入
9:03.760–9:05.060
zh绝大部分运用在
9:05.060–9:07.280
zhInkling反直觉的底层机制设计
9:07.280–9:09.180
zh以及他们真正用来实现
9:09.180–9:11.240
zh商业化变现的秘密武器之上
9:11.240–9:12.880
zh倘若大家单纯认为
9:12.880–9:15.180
zh这款无法冲进榜单前五的模型
9:15.180–9:16.140
zh就是故事终点
9:16.140–9:20.080
zh那就严重低估企业及弊端市场竞争的残酷程度
9:20.080–9:21.780
zh为了更好落地商业化
9:21.780–9:24.940
zhInkling甚至主动削减一部分自由联想能力
9:24.940–9:28.340
zh只为持续降低单次调用产生的词源开销
9:28.340–9:30.020
zh模型内部运行逻辑
9:30.020–9:31.640
zh加上Thinking Machines Lab
9:31.640–9:33.980
zh后续依靠估值变现的整套方案
9:33.980–9:37.200
zh才是整个科技行业真正需要警惕的地方
9:37.200–9:40.900
zh当我们拆解Inkling内部调节推理强度的核心机制
9:40.900–9:43.900
zh就能意识到未来人工智能赛道的主战场
9:43.900–9:46.340
zh根本不会集中在评测排行榜
9:46.340–9:48.340
zh这款模型看似平庸的跑分
9:48.340–9:50.740
zh是刻意控制之下形成的结果
9:50.740–9:53.920
zh米拉团队在Inkling内部设置三处反直觉
9:53.920–9:55.920
zh甚至有些激进的技术设定
9:55.920–9:57.640
zh每一项都精准击中
9:57.640–10:00.760
zh日军千万次AI调用企业客户的核心痛点
10:00.760–10:04.340
zh第一项设定可以称之为智能调节推理力度旋钮
10:04.340–10:07.360
zh官方命名为思考力度控制系统
10:07.360–10:09.180
zh这项设计充满巧思
10:09.180–10:11.440
zh市面上绝大多数主流大模型
10:11.440–10:13.560
zh处理简单问答1加1等于计
10:13.560–10:16.120
zh和撰写后端微服务架构代码
10:16.120–10:18.260
zh后台占用的算力资源差距极小
10:18.260–10:20.260
zh好比驾驶重型重载卡车
10:20.260–10:23.180
zh仅仅只为前往楼下便利店采购物品
10:23.180–10:25.980
zh在企业大规模批量调用场景之下
10:25.980–10:28.620
zh这种资源浪费很难长期承受
10:28.620–10:30.240
zh依托这套调节旋钮
10:30.240–10:32.040
zh运行规则彻底改变
10:32.040–10:33.880
zh当模型处理发票分类
10:33.880–10:37.160
zh标准化客服问答这类重复性基础任务
10:37.160–10:38.420
zh可以下调思考力度
10:38.420–10:40.660
zh此时Inkling反馈速度极快
10:40.660–10:42.720
zh调用成本压缩到极低水平
10:42.720–10:45.100
zh基础答案完全能够满足业务需求
10:45.100–10:47.160
zh一旦遭遇核心业务逻辑推演
10:47.160–10:48.400
zh复杂代码修复
10:48.400–10:50.040
zh高阶数学推理难题
10:50.040–10:51.920
zh直接拉高思考力度档位
10:51.920–10:55.340
zhInkling会调动更多算力进入深度推理模式
10:55.340–10:58.600
zh综合推理效率能够对标行业第一梯队大模型
10:58.600–11:01.020
zh同时算力消耗远低于同级产品
11:01.020–11:03.600
zh在企业商用场景具备极强优势
11:03.600–11:07.500
zh这意味着企业客户终于可以动态管控算力支出
11:07.500–11:10.780
zh当后台每日运行数百万次智能体任务
11:10.780–11:12.580
zh可以按需调整资源投入
11:12.580–11:16.060
zh省下的每一笔开支都会直接转化为企业净利润
11:16.060–11:18.840
zh第二项设定更加打破大众固有认知
11:18.840–11:22.460
zh研发团队刻意训练模型形成诚实输出特性
11:22.460–11:25.780
zh当下绝大多数大模型普遍存在幻觉问题
11:25.780–11:29.660
zh无论面对何种提问都会强行生成完整答案
11:29.660–11:31.520
zh哪怕内容完全不符合事实
11:31.520–11:33.540
zh依旧会以笃定语气输出
11:33.540–11:34.680
zh在文学创作
11:34.680–11:36.060
zh日常闲聊场景
11:36.060–11:37.600
zh这种自主生成能力
11:37.600–11:39.000
zh可以称之为创造力
11:39.000–11:40.220
zh放到金融预测
11:40.220–11:42.160
zh医疗诊断这类企业场景
11:42.160–11:43.720
zh毫无依据的编造内容
11:43.720–11:44.960
zh会带来致命风险
11:44.960–11:45.680
zh为此
11:45.680–11:47.080
enThinking Machines Lab
11:47.080–11:49.180
zh引入认知学导向训练方案
11:49.180–11:50.200
zh简单来讲
11:50.200–11:52.080
zh利用强化学习奖励模型
11:52.080–11:54.100
zh主动承认认知边界的行为
11:54.100–11:55.760
zh团队持续迭代训练
11:55.760–11:57.600
zh引导Inkling在信息不足
11:57.600–11:59.540
zh无法得出可靠结论的时候
11:59.540–12:00.980
zh不要强行猜测
12:00.980–12:03.100
zh直接告知使用者无法解答
12:03.100–12:05.120
zh最终训练成果十分突出
12:05.120–12:06.620
zhInkling在事件预测
12:06.620–12:08.680
zh数据分析类客观评测中
12:08.680–12:11.540
zh准确率超越多款主流通用大模型
12:11.540–12:13.280
zh达到行业顶尖水准
12:13.280–12:15.040
zh对于华尔街对冲基金
12:15.040–12:16.960
zh医疗行业大型机构而言
12:16.960–12:20.220
zh一台关键时刻敢于坦诚信息不足的模型
12:20.220–12:23.880
zh远比一位强行输出答案的通用模型更加可靠
12:23.880–12:26.480
zh第三项设定带着一丝黑色幽默
12:26.480–12:28.460
zh为极致压缩运行成本
12:28.460–12:31.260
zh经过3000万轮强化学习迭代之后
12:31.260–12:34.780
zhInkling自主演化出高度精简的内部思考语言
12:34.780–12:36.220
zh我们可以简单对比
12:36.220–12:38.860
zh差异主流模型处理复杂问题时
12:38.860–12:41.020
zh内部推理链条会使用规范
12:41.020–12:42.360
zh完整英文语句
12:42.360–12:44.540
zh需要消耗大量词源资源
12:44.540–12:47.320
zhInkling内部推演过程抛弃完整语法
12:47.320–12:49.000
zh只保留核心关键词
12:49.000–12:50.800
zh推理效果几乎没有衰减
12:50.800–12:52.920
zh但是极大削减词源占用
12:52.920–12:54.320
zh听起来十分有趣
12:54.320–12:58.160
zh背后体现的是对推理效率极致压榨的工程思路
12:58.460–13:03.400
zh读到这里大家就能明白,这从来不是一款用来冲击榜单排名的展示型模型,
13:03.800–13:09.480
zh而是面向大规模企业商用量身打造,精打细算,稳定可靠的底层基础设施。
13:09.840–13:14.980
zh即便Inclin拥有诸多精妙设计,仅仅依靠开源模型本身无法创造收入,
13:15.080–13:18.404
zh能够支撑120亿估值完成变现的核心载体,
13:18.404–13:22.060
zh是配套同步推出的Tinker自动化微调平台。
13:22.420–13:26.740
zh这才是SY NTNG MacAINES Lab真正的商业核武器。
13:26.740–13:28.060
zh前面我们提到
13:28.060–13:29.380
zhInkling完全开源
13:29.380–13:31.540
zh任何人都可以免费下载部署
13:31.540–13:33.660
zh企业不会为此支付一分钱
13:33.660–13:35.600
zh可是真实落地场景当中
13:35.600–13:38.900
zh大型企业技术负责人拿到模型权重之后
13:38.900–13:40.700
zh很快会遭遇现实阻碍
13:40.700–13:43.160
zh想要让模型理解自身行业业务
13:43.160–13:44.600
zh读懂内部财务数据
13:44.600–13:46.460
zh适配客户服务场景
13:46.460–13:49.220
zh必须使用企业私有数据开展微调
13:49.220–13:50.880
zh模型微调门槛极高
13:50.880–13:53.440
zh研发人员需要精通整套训练架构
13:53.440–13:55.660
zh持续维护GPU算力集群
13:55.660–13:59.440
zh还要应对训练进程当中频繁出现的程序崩溃问题
13:59.440–14:02.620
zh绝大多数传统企业并不具备对应的技术团队
14:02.620–14:06.420
zh这个时候Thinking Machines Lab就可以顺势推出解决方案
14:06.420–14:08.320
zh向企业推荐Tinker平台
14:08.320–14:09.600
zh模型免费交付
14:09.600–14:11.540
zh但是微调操作门槛过高
14:11.540–14:12.940
zh借助Tinker平台
14:12.940–14:14.980
zh使用者不用理解底层框架
14:14.980–14:16.560
zh不用管理算力节点
14:16.560–14:18.440
zh直接上传私有业务数据
14:18.440–14:22.380
zh简单操作就能全自动训练专属垂直领域专家模型
14:22.380–14:25.300
zh在官方演示当中还有极具冲击力的功能
14:25.300–14:27.020
zh平台下达指令之后
14:27.020–14:29.520
zhInklin能够自主编写训练脚本
14:29.520–14:31.680
zh自动生成配套训练数据集
14:31.680–14:33.980
zh独立完成全部微调流程
14:33.980–14:36.140
zh加在全新全重实现自我迭代
14:36.140–14:38.020
zh达成全自动自主微调
14:38.020–14:40.000
zh这正是米拉真正的野心
14:40.000–14:42.240
zh她根本无意打造第二个OpenAI
14:42.240–14:45.740
zh依靠售卖标准化按磁源计费的通用API盈利
14:45.740–14:48.940
zh现如今基础大模型赛道早已红海厮杀
14:48.940–14:50.860
zh通用模型数量众多
14:50.860–14:53.220
zh不少开源产品在垂直场景
14:53.220–14:54.740
zh性能超越必源方案
14:54.740–14:56.160
enThinking Machines Lab
14:56.160–14:58.180
zh真实商业模式十分清晰
14:58.180–14:59.780
zh依靠可控性强
14:59.780–15:00.720
zh运行稳定
15:00.720–15:02.580
zh完全免费的开源模型
15:02.580–15:03.780
zh作为引流载体
15:03.780–15:07.220
zh吸引大量想要搭建私有人工智能系统的企业
15:07.220–15:10.680
zh随后依托简易自动化微调平台锁定客户
15:10.680–15:12.820
zh持续收取平台服务费用
15:12.820–15:15.420
zh他们不对外售卖通用智能大脑
15:15.420–15:19.020
zh而是对外提供批量定制行业专家模型的生产工具
15:19.020–15:22.540
zh未来倘若数万企业借助Tinker搭建专属财物
15:22.540–15:24.360
zh客服务医疗智能模型
15:24.360–15:26.180
zh没有人再会持续纠结
15:26.180–15:28.380
zhInkling在评测榜单排名高低
15:28.380–15:31.180
zh这笔20亿美元投入真的存在浪费吗
15:31.180–15:32.380
zh答案是否定的
15:32.380–15:33.860
zh米拉带领顶尖团队
15:33.860–15:36.360
zh跳出OpenAI必源竞争的内卷赛道
15:36.360–15:38.520
zh在企业定制人工智能赛道
15:38.520–15:40.000
zh筑器极高护城河
15:40.000–15:41.540
zh他们没有研发失败
15:41.540–15:45.660
zh而是在下一盘足以重塑全球AI商业格局的大棋
15:45.660–15:49.180
zh我们接着聊硅谷行业内部很少公开讨论的细节
15:49.180–15:51.520
zhInkling这套高效混合专家
15:51.520–15:54.800
zhMOE架构背后存在不少值得深究的线索
15:54.800–15:57.760
zh资深AI架构师研读底层代码之后
15:57.760–16:00.000
zh能够发现256个路由专业
16:00.000–16:01.778
zh資深AI架構師研讀底層代碼之後,
16:01.778–16:03.444
zh能夠發現256個路由專家單元,
16:03.444–16:04.778
zhSigmoid路由機制,
16:04.778–16:05.889
zh滑動窗口注意力配比,
16:05.889–16:08.222
zh整套工程設計思路和國內開源大模型深度求索,
16:08.222–16:10.000
zhDeep-Seek V3高度相似。
16:10.000–16:10.720
zh除此之外
16:10.720–16:12.480
zh模型早期预训练阶段
16:12.480–16:14.200
zhThinking Machines Lab大量
16:14.200–16:16.320
zh运用成熟开源模型生成的
16:16.320–16:17.780
zh合成数据辅助训练
16:17.780–16:20.680
zh大幅降低训练成本与失措周期
16:20.680–16:22.840
zh一家估值120亿美元
16:22.840–16:25.860
zh纯正美国背景顶尖AI实验室
16:25.860–16:27.900
zh由前OpenAI核心负责人戴队
16:27.900–16:30.140
zh手握英伟达高端算力资源
16:30.140–16:31.860
zh最终推出旗舰模型
16:31.860–16:34.380
zh大量参考国内开源模型成熟的
16:34.380–16:35.360
zh工程优化方案
16:35.360–16:37.420
zh很多外行看到消息第一反应
16:37.420–16:39.020
zh会质疑团队创新能力
16:39.020–16:41.080
zh认为只是照搬现有成果
16:41.080–16:43.360
zh站在工程与商业客观视角分析
16:43.360–16:45.500
zh这是非常理性务实的选择
16:45.500–16:48.580
zh最近几年海外高端算力芯片供给受限
16:48.580–16:51.720
zh国内AI研发团队无法像OpenAI一样
16:51.720–16:54.380
zh不计成本堆叠算力暴力训练模型
16:54.380–16:56.300
zh只能持续在算法效率
16:56.300–16:57.320
zh内存优化
16:57.320–16:58.920
zh参数调度层面深耕
16:58.920–17:02.220
zh倒逼开源模型运行效率突破全新高度
17:02.220–17:04.120
zh米拉团队十分清楚这一点
17:04.120–17:06.420
zh工程技术不存在面子之争
17:06.420–17:09.560
zh既然同行已经验证高效率优化路线可行
17:09.560–17:11.500
zh开源协议允许借鉴参考
17:11.500–17:13.660
zh站在前人成果之上继续迭代
17:13.660–17:15.580
zh就是最高效的选择
17:15.580–17:17.560
zh也正是依托成熟的优化思路
17:17.560–17:19.700
zh团队大幅压缩研发周期
17:19.700–17:23.300
zh快速完成9750亿参数巨型模型的
17:23.300–17:24.660
zh完整训练与迭代
17:24.660–17:25.520
zh讲到这里
17:25.520–17:27.720
zh大家会产生一个直击本质的疑问
17:27.720–17:29.920
zh既然国内开源模型效率出众
17:29.920–17:32.360
zh多款国产开源模型在代码
17:32.360–17:33.300
zh逻辑推理层面
17:33.300–17:35.600
zh能够对标国际顶级币源产品
17:35.600–17:37.440
zh使用成本极其低廉
17:37.440–17:41.320
zh美国本土企业为什么不直接选用现成国产开源模型
17:41.320–17:43.480
zh何必耗费资金使用Inkling
17:43.480–17:45.900
zh额外采购Tinker平台服务
17:45.900–17:50.300
zh这个问题刚好戳破Thinking Machines Lab整套布局最核心的商业命脉
17:50.300–17:52.960
zh事实上美国资本方并不缺乏理性
17:52.960–17:54.860
zh在Inkling正式发布之前
17:54.860–17:59.000
zh美国企业界曾经掀起一波使用海外开源模型的热炒
17:59.000–18:03.160
zh查看OPE NRO UTR平台词源路由统计数据
18:03.160–18:06.160
zh能够发现高峰期有大量企业调用流量
18:06.160–18:07.720
zh转向海外开源模型
18:07.720–18:11.720
zhCoinbase这类头部企业都悄悄迁移智能体业务
18:11.720–18:13.780
zh直接把运营成本削减一半
18:13.780–18:14.520
zh好用
18:14.520–18:15.060
zh低价
18:15.060–18:16.940
zh资本自然会用脚投票
18:16.940–18:19.560
zh全球规模顶尖对冲基金桥水
18:19.560–18:22.840
zh就曾利用自身业务数据微调国内开源模型
18:22.840–18:25.060
zh在金融推理评测中跑出高分
18:25.060–18:27.900
zh全面超越多款高价通用必源模型
18:27.900–18:29.540
zh使用成本大幅降低
18:29.540–18:32.920
zh低价定制垂直模型碾压昂贵通用大模型
18:32.920–18:35.840
zh这笔账所有企业决策者都能够看懂
18:35.840–18:38.080
zh但是繁荣周期并没有持续太久
18:38.080–18:40.980
zh地缘政策带来的监管压力快速到来
18:40.980–18:43.920
zh由于海外开源模型普及速度超出预期
18:43.920–18:46.160
zh美国监管机构开始高度警惕
18:46.160–18:49.680
zh持续向使用海外模型的企业发送警示信函
18:49.680–18:51.800
zh国会相关委员会启动调研
18:51.800–18:54.400
zh甚至有部门草拟采购限制条款
18:54.400–18:56.280
zh手握海量隐私业务数据
18:56.280–18:58.840
zh流水规模动辄百亿的华尔街投行
18:58.840–19:02.760
zh医疗集团与科技大厂根本无法承受这类合规风险
19:02.760–19:05.300
zh即便模型性能出色 价格低廉
19:05.300–19:07.920
zh一旦被贴上数据安全隐患标签
19:07.920–19:11.460
zh对于企业而言就是随时可能引爆的经营风险
19:11.460–19:14.660
zh与此同时 曾经支撑西方开源生态的Meta
19:14.660–19:16.860
zh近期持续收紧授权政策
19:16.860–19:21.240
zh后续Lama系列模型逐步转向更加封闭的商业授权模式
19:21.240–19:25.640
zh彻底终结了西方企业免费商用开源大模型的红利时代
19:25.640–19:27.240
zh就在这个行业窗口期
19:27.240–19:29.980
zh西方企业市场出现巨大需求真空
19:29.980–19:33.100
zh企业迫切需要开源模型降低算力开销
19:33.100–19:35.560
zh希望依靠微调保护私有数据
19:35.560–19:37.740
zh但是不敢选用海外免费模型
19:37.740–19:40.820
zh本土老牌开源路线又不断抬高准入门槛
19:40.820–19:43.280
zh此刻再回看Inkling的发布时机
19:43.280–19:44.740
zh一切都豁然开朗
19:44.740–19:48.200
zhInkling本身不需要争夺全球最强模型的名号
19:48.200–19:49.380
zh它的真实定位
19:49.380–19:51.800
zh是当下西方企业市场为数不多
19:51.800–19:52.900
zh合规安全
19:52.900–19:54.580
zh纯正美国本土血统
19:54.580–19:57.380
zh且综合性能达标的开源备选方案
19:57.380–20:00.720
zh米拉团队不仅交付一套安全可控的底层模型
20:00.720–20:03.520
zh还同步推出轻量化版本Inclean Small
20:03.520–20:07.500
zh这款缩小版本总参数规模压缩至2760亿
20:07.500–20:09.840
zh单次推理仅激活120亿参数
20:09.840–20:12.880
zh轻量化架构适配中小企业硬件设备
20:12.880–20:15.600
zh在专项垂直推理场景中表现亮眼
20:15.600–20:18.420
zh专门面向有本地私有化部署需求
20:18.420–20:21.040
zh服务器硬件资源有限的中小企业
20:21.040–20:23.920
zh硬件配置不足可以选用轻量化版本
20:23.920–20:26.740
zh缺少技术人员直接采购Tinker平台
20:26.740–20:28.660
zh担忧跨境数据合规风险
20:28.660–20:30.920
zh它又是本土正规团队开发
20:30.920–20:33.520
zh代码完整公开托管在哈格面部
20:33.520–20:35.240
zh全部流程透明可查
20:35.240–20:36.980
zh把所有线索串联起来
20:36.980–20:40.140
zhThinking Machines Lab完整商业版图清晰浮现
20:40.140–20:41.960
zh离开OpenAI的MamalaD
20:41.960–20:44.880
zh从一开始就没有打算在早已竞争白热化的
20:44.880–20:46.180
zh通用大模型赛道
20:46.180–20:48.040
zh复刻第二个ChatGPT
20:48.040–20:51.780
zh那条赛道只能无休止消耗投资人资金持续内卷
20:51.780–20:53.540
zh他依靠20亿美元资金
20:53.540–20:55.760
zh在OpenAI币源商业帝国旁边
20:55.760–20:56.960
zh开辟全新赛道
20:56.960–20:59.000
zh精准预判人工智能未来形态
20:59.000–21:01.680
zh不会是无所不能的通用超级大脑
21:01.680–21:03.960
zh而是千千万万扎根细分行业
21:03.960–21:07.900
zh低成本运行数据归属企业自身的领域专用模型
21:07.900–21:10.640
zh借鉴经过市场验证的高效开源架构
21:10.640–21:13.840
zh搭配团队成熟的成本控制方案打造Inkling
21:13.840–21:15.100
zh作为引流载体
21:15.100–21:17.720
zh再借助地缘环境催生的合规焦虑
21:17.720–21:20.040
zh吸引急需解决方案的企业客户
21:20.040–21:22.400
zh进入Tinker微调服务生态
21:22.400–21:24.460
zh花费20亿美元打造一款榜单
21:24.460–21:26.160
zh无法跻身前五的模型
21:26.160–21:28.500
zh表面看上去像是一场失败投资
21:28.500–21:31.300
zh但是倘若这20亿美元换来未来10年
21:31.300–21:34.120
zh全球企业及AI定制市场核心入口
21:34.120–21:36.620
zh这就是教科书级别的商业布局
21:36.620–21:39.960
zh当所有人紧盯评测排行榜相互竞争的时候
21:39.960–21:43.620
zh已经有人提前锁定人工智能淘金浪潮当中
21:43.620–21:45.480
zh合规产子的独家供应权
21:45.480–21:47.800
zh这也是120亿美元估值背后
21:47.800–21:50.240
zh最值得细细思考的行业真相
21:50.240–21:51.840
zh其实我们在延伸一层
21:51.840–21:55.080
zh你就能看懂硅谷资本更深层的赌具逻辑
21:55.080–21:58.000
zh近两年无数AI创业公司扎堆入场
21:58.000–22:00.220
zh大多都在跟风做通用大模型
22:00.220–22:01.500
zh做对话机器人
22:01.500–22:03.140
zh做花哨的多模态演示
22:03.140–22:05.840
zh真正能落地赚钱的寥寥无几
22:05.840–22:07.820
zh绝大多数AI初创企业
22:07.820–22:09.480
zh盈利模式极度单一
22:09.480–22:10.980
zh要么卖API调用
22:10.980–22:12.260
zh要么卖会员套餐
22:12.260–22:14.760
zh陷入无尽的价格战和算力内卷
22:14.760–22:16.280
zh稍万融资就倒闭
22:16.280–22:17.560
zh存活率极低
22:17.800–22:20.320
zh而SY NTNG Mac King ES Lab
22:20.320–22:21.840
zh彻底避开了这片红海
22:21.840–22:23.940
zh它不跟任何人抢C端用户
22:23.940–22:24.900
zh不卷跑分
22:24.900–22:26.140
zh不卷花式功能
22:26.140–22:27.860
zh直接切入最赚钱
22:27.860–22:28.500
zh最稳定
22:28.500–22:31.000
zh刚需最强的弊端企业服务市场
22:31.000–22:32.720
zh对于大型企业来说
22:32.720–22:33.600
zhAI成本
22:33.600–22:34.540
zh数据安全
22:34.540–22:35.620
zh私有化部署
22:35.620–22:36.640
zh定制化适配
22:36.640–22:38.340
zh是比模型聪不聪明
22:38.340–22:39.560
zh更重要的刚需
22:39.560–22:41.260
zh哪怕通用能力平庸
22:41.260–22:42.240
zh只要足够稳
22:42.240–22:43.180
zh足够便宜
22:43.180–22:44.120
zh足够安全
22:44.120–22:45.220
zh足够好微调
22:45.220–22:46.540
zh就是企业愿意
22:46.540–22:48.240
zh长期付费的核心资产
22:48.240–22:49.940
zh这也是为什么A16Z
22:49.940–22:51.820
zh敢于在没有成熟产品
22:51.820–22:53.700
zh没有实际营收的情况下
22:53.700–22:54.740
zh豪至20亿美金
22:54.740–22:57.040
zh资本赌的不是一款模型的输赢
22:57.040–22:59.360
zh而是赌未来企业AI私有化
22:59.360–23:00.160
zh定制化
23:00.160–23:02.020
zh合规化的万亿级风口
23:02.020–23:04.320
zh反观行业内很多盲目堆算力
23:04.320–23:05.100
zh卷参数
23:05.100–23:06.220
zh卷跑分的团队
23:06.220–23:07.480
zh看似热度爆棚
23:07.480–23:08.220
zh数据亮眼
23:08.220–23:10.680
zh实则完全偏离了真实商业需求
23:10.680–23:11.860
zh最终只能沦为
23:11.860–23:13.380
zh昙花一现的行业过客
23:13.380–23:14.340
zh除此之外
23:14.340–23:15.560
zh米拉团队的布局
23:15.560–23:17.440
zh还有一个极具远见的细节
23:17.440–23:19.040
zh那就是彻底放弃
23:19.040–23:20.540
zh避原锁库的传统玩法
23:20.540–23:22.540
zh坚持全开源 全透明
23:22.540–23:24.600
zh在当下AI舆论环境中
23:24.600–23:27.020
zh避原模型随时面临授权变动
23:27.020–23:28.900
zh服务关停 接口涨价
23:28.900–23:30.180
zh功能阉割的风险
23:30.180–23:32.340
zh企业用户极其没有安全感
23:32.340–23:34.820
zh而Inkling的Apache 2.0协议
23:34.820–23:36.900
zh给予了企业最大的自由度
23:36.900–23:38.840
zh可商用 可二次开发
23:38.840–23:41.340
zh可私有化部署 无板权捆绑
23:41.340–23:43.140
zh这种极致开放的姿态
23:43.140–23:45.860
zh刚好击中了当下企业最核心的诉求
23:45.860–23:47.080
zh免费拿模型
23:47.080–23:48.180
zh免费改模型
23:48.180–23:49.020
zh免费部署
23:49.020–23:51.360
zh最后只为精细化微调服务
23:51.360–23:53.060
zh自动化运为工具付费
23:53.060–23:54.300
zh这种先让利
23:54.300–23:55.980
zh后所刻的商业模式
23:55.980–23:58.300
zh远比一次性售卖API要长久
23:58.300–23:59.160
zh稳固得多
24:00.000–24:02.392
zh很多人始終想不通一個核心問題,
24:02.392–24:05.901
zh為什麼無數大廠耗費巨資打造的頂級通用大模型,
24:05.901–24:07.815
zh落地企業服務時頻頻翻車,
24:07.815–24:10.845
zh反而是Inclin這種跑分中庸的模型,
24:10.845–24:12.440
zh精準踩中了行業痛點。
24:12.440–24:15.400
zh答案其实藏在企业真实的AI落地困境里
24:15.400–24:17.160
zh绝大多数传统企业
24:17.160–24:18.100
zh金融机构
24:18.100–24:19.080
zh医疗集团
24:19.080–24:20.220
zh制造业工厂
24:20.220–24:22.200
zh根本不需要模型创作诗歌
24:22.200–24:23.020
zh撰写文案
24:23.020–24:24.140
zh完成趣味问答
24:24.140–24:26.540
zh也不需要极致的顶尖推力跑分
24:26.540–24:28.600
zh他们的核心需求极其朴素
24:28.600–24:30.400
zh就是稳定低成本
24:30.400–24:30.980
zh可管控
24:30.980–24:31.680
zh不幻觉
24:31.680–24:33.480
zh能对接自身业务数据
24:33.480–24:35.280
zh同时全程保障数据
24:35.280–24:35.920
zh不外泄
24:35.920–24:36.920
zh过去几年
24:36.920–24:40.220
zh大量企业跟风接入各类顶尖臂源大模型API
24:40.220–24:42.780
zh看似快速完成了AI数字化升级
24:42.780–24:44.540
zh实则埋下了无数隐患
24:44.540–24:47.000
zh首先是持续走高的调用成本
24:47.000–24:51.100
zh企业日均数万数十万次的重复性基础调用
24:51.100–24:52.700
zh累积下来的算力开支
24:52.700–24:54.800
zh每年动辄数百万甚至上千万
24:54.800–24:56.600
zh长期投入完全没有上线
24:56.600–24:58.560
zh其次是数据泄露风险
24:58.560–25:00.460
zh企业内部的客户资料
25:00.460–25:01.460
zh财务报表
25:01.460–25:02.540
zh生产数据
25:02.540–25:03.560
zh并立信息
25:03.560–25:06.700
zh一旦上传至第三方B元模型云端服务器
25:06.700–25:08.600
zh就彻底脱离了自身管控
25:08.600–25:10.760
zh随时可能面临数据抓取
25:10.760–25:11.960
zh缓存留存
25:11.960–25:13.440
zh合规溯源的风险
25:13.440–25:14.620
zh更关键的是
25:14.620–25:16.780
zh通用大模型的过度聪明
25:16.780–25:18.800
zh反而成为企业落地的累赘
25:18.800–25:21.040
zh很多企业业务只需要标准化
25:21.040–25:22.400
zh流程化的固定输出
25:22.400–25:24.220
zh不需要模型自由发挥
25:24.220–25:25.340
zh发散创作
25:25.340–25:28.040
zh通用模型自带的高自由度推理能力
25:28.040–25:29.700
zh不仅会增加算力损耗
25:29.700–25:32.300
zh还容易输出不符合企业规章制度
25:32.300–25:33.480
zh行业规范的内容
25:33.480–25:35.480
zh需要人工二次审核修正
25:35.480–25:37.180
zh反而降低了工作效率
25:37.180–25:38.920
zh而Inclin的全套设计
25:38.920–25:41.480
zh恰好针对性解决了这些行业顽疾
25:41.480–25:44.160
zh可调节的思考力度杜绝算力浪费
25:44.160–25:46.100
zh极致诚实的输出特性
25:46.100–25:47.960
zh规避业务幻觉风险
25:47.960–25:50.560
zh轻量化部署适配各类企业硬件条件
25:50.560–25:52.100
zh完全开源的属性
25:52.100–25:53.800
zh满足私有化部署需求
25:53.800–25:56.260
zh再搭配Tinker全自动微调平台
25:56.260–25:59.160
zh彻底抹平了企业AI落地的技术鸿沟
25:59.160–26:02.080
zh哪怕是没有专业算法团队的传统企业
26:02.080–26:05.060
zh也能轻松搭建专属行业AI系统
26:05.060–26:07.520
zh这种精准贴合商业落地的产品逻辑
26:07.520–26:11.320
zh也是它能够碾压一众跑分更强模型的核心底气
26:11.320–26:12.280
zh除此之外
26:12.280–26:16.020
zh我们还能从行业迭代周期看懂这套布局的前瞻性
26:16.020–26:19.520
zh如今通用大模型的技术迭代已经进入瓶颈期
26:19.520–26:22.000
zh性能提升的边际效益持续递减
26:22.000–26:25.740
zh单纯比拼参数和算力已经没有实质商业意义
26:25.740–26:30.460
zh未来AI行业的竞争早已从技术参数竞赛转向商业落地竞赛
26:30.460–26:32.540
zh谁能更低成本更合规
26:32.540–26:34.420
zh更便捷地帮助各行各业
26:34.420–26:35.940
zh完成AI私有化
26:35.940–26:36.940
zh定制化改造
26:36.940–26:38.740
zh谁就能掌握行业话语权
26:38.740–26:41.320
zh米拉团队放弃无意义的跑分内卷
26:41.320–26:42.880
zh深耕企业服务赛道
26:42.880–26:46.300
zh本质是提前预判了AI行业的终局形态
26:46.300–26:47.880
zh放弃短期的流量热度
26:47.880–26:50.100
zh锁定了长期的行业垄断地位
26:50.100–26:51.340
zh看完这期视频
26:51.340–26:54.780
zh你如何看待大模型一味比拼跑分的内卷现状
26:54.780–26:57.040
zh又觉得未来企业AI定制服务
26:57.040–26:58.540
zh会走向怎样的格局
26:58.540–27:00.580
zh欢迎在评论区理性交流
27:00.580–27:03.680
zh如果你觉得本期深度行业解读干货充足
27:03.680–27:05.680
zh记得点赞并且订阅频道
27:05.680–27:08.600
zh后续持续跟踪全球AI巨头的战略博弈
27:08.600–27:10.700
zh不要错过更多前沿产业分析
27:10.700–27:12.000
zh我们下期再见
0:00.000–0:02.784
如果你持续关注硅谷AI产业动态,
0:02.784–0:05.917
一定听过这场堪称传奇的人才出走事件。
0:05.917–0:08.005
手握20亿美元顶级风头,
0:08.005–0:11.660
集结一批从OpenAI出走的核心研发人才。
0:11.660–0:13.226
秘密打磨接近两年,
0:13.226–0:17.750
所有人都默认他们会拿出一款能够横扫行业的顶尖大模型。
0:17.750–0:20.883
可最终的结果却让整个科技圈大跌眼镜。
0:20.883–0:23.145
在前不久的发布会结束之后,
0:23.145–0:28.540
他们推出的全新模型在主流权威基准评测榜单当中甚至无法冲进前五。
0:28.540–0:30.640
不少开源模型的综合表现
0:30.640–0:32.240
都能够实现对它的压制
0:32.240–0:34.500
回望2024年年底那场震动
0:34.500–0:35.680
全球AI行业的
0:35.680–0:37.240
OpenAI高管离职风波
0:37.240–0:38.780
大家才慢慢意识到
0:38.780–0:41.200
这根本不是简单的人员流动
0:41.200–0:42.560
而是一场精心布局
0:42.560–0:44.820
持续多年的人才收割行动
0:44.820–0:45.780
米拉姆拉蒂
0:45.780–0:48.120
也就是曾经短暂执掌OpenAI
0:48.120–0:49.940
全程主导ChatGPT
0:49.940–0:51.740
落地研发的核心关键人物
0:51.740–0:54.460
在2024年9月正式离开老东家
0:54.460–0:56.300
并且不是孤身一人
0:56.300–0:58.320
他踏出OpenAI大门之后
0:58.320–1:00.160
联合创始人约翰·舒尔曼
1:00.160–1:02.380
前研究副总裁巴雷特·佐夫
1:02.380–1:06.160
还有一大批资深核心研究员紧随其后递交辞呈
1:06.160–1:07.800
这群人的集体出走
1:07.800–1:11.120
几乎直接抽走了OpenAI半数核心研发力量
1:11.120–1:13.180
在硅谷的产业生态里面
1:13.180–1:15.500
顶尖人工智能研究员的稀缺程度
1:15.500–1:18.840
甚至超过英伟达H100系列高端算力芯片
1:18.840–1:21.960
米拉带走的远远不止数十名资深工程师
1:21.960–1:26.060
更是一套经过GPT3到GPT4完整项目验证
1:26.060–1:28.760
成熟可行的大模型训练方法论
1:28.760–1:31.220
还有整套工程落地的实战经验
1:31.220–1:33.060
这支团队亲眼见证过
1:33.060–1:35.660
全球规模顶尖算力集群的运行逻辑
1:35.660–1:37.420
也踩遍了训练过程里
1:37.420–1:40.240
各类会引发模型崩溃的隐蔽技术陷阱
1:40.240–1:42.860
因此当他们对外宣布独立创业的时候
1:42.860–1:45.240
整个风险投资圈子陷入狂热
1:45.240–1:47.460
硅谷风投机构最擅长算账
1:47.460–1:50.300
也最容易陷入害怕错失机遇的情绪
1:50.300–1:51.600
安德森霍洛维茨
1:51.600–1:53.900
直接敲定20亿美元现金投入
1:53.900–1:55.320
投资落地的时候
1:55.320–1:57.960
这家连正式名称都没有完全敲定
1:57.960–2:01.540
一行商用产品代码都还没有产出的初创团队
2:01.540–2:03.700
最终定名Thinking Machines Lab
2:03.700–2:06.180
投后估值直接冲到120亿美元
2:06.180–2:10.020
没有任何成熟产品就能拥有120亿美元估值
2:10.020–2:13.760
放在其他行业很容易被贴上庞氏骗局的标签
2:13.760–2:16.140
但是在近几年火热的AI赛道
2:16.140–2:20.360
资本把这称作抢占通往通用人工智能时代最后的传票
2:20.360–2:22.460
风投机构押注的核心目标
2:22.460–2:24.400
就是米拉带领的这支团队
2:24.400–2:25.720
能够打造出一套
2:25.720–2:27.980
打破OpenAI避原模式垄断的
2:27.980–2:28.960
全新产业生态
2:28.960–2:30.500
所有人静静观望
2:30.500–2:32.380
期待着20亿美元资金
2:32.380–2:34.280
两年时间能够孵化出
2:34.280–2:36.640
怎样惊世骇俗的人工智能产品
2:36.640–2:38.440
整个行业秉析宁神
2:38.440–2:40.580
等待新一代顶级大模型的
2:40.580–2:41.580
技术降维打击
2:41.580–2:43.980
时间来到2026年7月中旬
2:43.980–2:45.060
也就是近期
2:45.060–2:46.360
沉寂一年半之久的
2:46.360–2:47.627
Thinking Machines Lab
2:47.627–2:50.140
终于对外公开酝酿许久的重磅成果
2:50.140–2:52.260
开源基础模型代号Inklin
2:52.260–2:54.020
伴随着发布会正式落幕
2:54.020–2:56.760
整个科技行业陷入巨大的错愕
2:56.760–2:59.860
这款投入重金闭关研发两年打造的模型
2:59.860–3:03.640
在各类权威基准测试当中成绩只能用平庸形容
3:03.640–3:05.360
前方有克劳德·菲波5
3:05.360–3:08.880
OpenAI主流避原模型两座顶尖避原模型
3:08.880–3:10.060
稳定占据高位
3:10.060–3:12.420
同期发布的月之暗面KIMI K3
3:12.420–3:14.740
这款拥有2.8万亿参数的模型
3:14.740–3:16.640
同样能够和它正面抗衡
3:16.640–3:18.480
多项指标实现反超
3:18.480–3:20.720
Inkling在开源模型梯队当中
3:20.720–3:23.260
综合水平最多只能算作中油水准
3:23.260–3:25.860
更加尴尬的还有发布时间窗口
3:25.860–3:28.460
Inkling正式上线仅仅一天之后
3:28.460–3:30.440
Kimi K3热度全面爆发
3:30.440–3:32.120
大量开发者涌入调用
3:32.120–3:33.800
直接把算力资源耗尽
3:33.800–3:36.560
几乎抢走了Inkling全部公众关注度
3:36.560–3:38.000
普通观众看到这里
3:38.000–3:40.980
大概率都会认定这是一场彻头彻尾的失败
3:40.980–3:41.960
顶级团队
3:41.960–3:42.780
顶级资金
3:42.780–3:43.620
顶级资源
3:43.620–3:45.740
最后打出一张平平无奇的牌
3:45.740–3:48.100
甚至被后发竞品全面碾压
3:48.100–3:50.700
但如果你只看到表面的跑分输赢
3:50.700–3:54.180
完全看不懂当下AI行业真正的内卷困局
3:54.180–3:57.360
更看不懂硅谷顶级资本真正的下注逻辑
3:57.360–3:59.680
现在整个AI行业已经陷入一种
3:59.680–4:01.340
极度畸形的内卷怪圈
4:01.340–4:03.900
绝大多数团队、媒体、开发者
4:03.900–4:06.380
都在疯狂迷信基准测试分数
4:06.380–4:09.260
把榜单排名当成唯一的评判标准
4:09.260–4:11.340
为了零点几分的微弱提升
4:11.340–4:14.040
无数公司动辄烧数亿美金算力
4:14.040–4:15.420
堆砌海量参数
4:15.420–4:16.800
清洗冗余数据
4:16.800–4:18.220
反复微调权重
4:18.220–4:20.820
最后做出来的模型跑分看似好看
4:20.820–4:22.300
但是商用成本极高
4:22.300–4:23.880
落地兼容性极差
4:23.880–4:25.580
企业部署难度巨大
4:25.580–4:27.400
完全是为了跑分而生
4:27.400–4:29.480
而非为了商用而生的产品
4:29.480–4:31.040
这也是最近一年来
4:31.040–4:33.240
无数顶级AI模型高开低走
4:33.240–4:35.920
热度爆红却无法变现的核心原因
4:35.920–4:38.260
行业早已不再缺聪明的模型
4:38.260–4:39.640
企业真正缺的
4:39.640–4:41.660
是稳定便宜可控能落地
4:41.660–4:44.060
零合规风险的工业化AI基础设施
4:44.060–4:46.960
而这恰恰就是Inkling精准卡位的赛道
4:46.960–4:49.660
大家一定要点赞订阅锁住频道
4:49.660–4:53.480
接下来我逐层拆解这场瞒天过海的AI商业布局
4:53.480–4:54.840
看懂了你就明白
4:54.840–4:56.240
这根本不是翻车
4:56.240–4:59.240
而是近两年最顶级的AI创业降位布局
4:59.240–5:00.880
我们不妨深入拆解
5:00.880–5:05.520
这笔20亿美元资金孵化出来的技术底子究竟具备哪些特点
5:05.520–5:10.240
Inkling属于总参数量达到9750亿的混合专家模型
5:10.240–5:12.460
也就是业内常说的MOE架构
5:12.460–5:14.860
单单看总参数规模接近万亿
5:14.860–5:16.440
听起来极具冲击力
5:16.440–5:18.920
但是熟悉稀疏架构的从业者
5:18.920–5:21.180
都清楚MOE底层运行逻辑
5:21.180–5:23.300
每一次处理词源信息的时候
5:23.300–5:26.500
仅仅只有410亿参数被激活参与运算
5:26.500–5:29.460
模型原生支持100万长度上下文窗口
5:29.460–5:31.760
依托45万亿词源规模的文本
5:31.760–5:33.680
图像 音频混合数据
5:33.680–5:35.520
完成从零开始的预训链
5:35.520–5:38.160
整套体系当中最具备革新意义的
5:38.160–5:40.800
是它重构了多模态信息处理逻辑
5:40.800–5:44.760
目前市面上绝大多数宣称原生多模态的大模型
5:44.760–5:48.820
本质只是在基础语言模型外部附加一套处理组件
5:48.820–5:50.780
遇到图片、音频信息
5:50.780–5:52.180
需要独立编码器
5:52.180–5:56.580
先把视觉、听觉信号转化为模型能够识别的次元格式
5:56.580–5:58.460
再送入主体网络运算
5:58.460–6:00.780
而Inkling跳过中间转化流程
6:00.780–6:04.260
可以直接读取原始像素与音频波形信号
6:04.260–6:07.160
这种底层架构重构的工程难度极高
6:07.160–6:11.320
也直观体现出这支前OpenAI团队扎实的技术积累
6:11.320–6:14.760
对比Meta很多开源模型饱受争议的授权条款
6:14.760–6:16.160
Thinking Machines Lab
6:16.160–6:17.760
这次选择十分开放
6:17.760–6:20.360
直接采用Apache 2.0开源协议
6:20.360–6:21.980
没有附加繁杂限制
6:21.980–6:25.220
完整模型权重直接上传至哈格面部平台
6:25.220–6:27.080
开发者可以自由修改
6:27.080–6:28.480
部署 商用
6:28.480–6:30.500
即便拥有底层架构创新
6:30.500–6:32.640
搭配宽松友好的开源协议
6:32.640–6:35.500
依旧无法掩盖一处无法回避的短板
6:35.500–6:38.040
模型纯粹推理上线并不突出
6:38.040–6:41.060
当下AI行业早已进入白热化竞争阶段
6:41.060–6:45.360
各家机构哪怕基准测试出现小数点级别的分数差距
6:45.360–6:47.980
都会专门撰写论文大肆宣传
6:47.980–6:49.520
投入20亿美元资金
6:49.520–6:52.340
最终产出一款激活参数410亿
6:52.340–6:54.300
综合表现中等的模型
6:54.300–6:57.460
在外人眼里无疑是一笔严重亏损的投资
6:57.460–6:59.740
不少业内研究员研读论文
6:59.740–7:02.540
实测模型之后给出的评价高度统一
7:02.540–7:04.760
评语大多只有很酷两个字
7:04.760–7:06.260
站在投资人视角
7:06.260–7:08.520
花费巨额资金换来一句很酷
7:08.520–7:11.160
和你邀请他人享用高端米其林晚餐
7:11.160–7:12.580
最后只收到一句
7:12.580–7:14.120
你人很好高度相似
7:14.120–7:16.280
属于十分委婉的负面评价
7:16.280–7:18.140
很多人会顺势产生疑问
7:18.140–7:20.640
难道米拉团队已经将狼才进
7:20.640–7:23.040
脱离大厂充足算力扶持之后
7:23.040–7:26.540
这群天才工程师再也无法完成前沿模型研发
7:26.540–7:28.120
答案显然是否定的
7:28.120–7:31.420
这里藏着一个极异被大众忽略的反常识逻辑
7:31.420–7:35.260
也是绝大多数行业观察者出现判断偏差的关键
7:35.260–7:37.420
外界普遍默认研发大模型
7:37.420–7:39.760
必须无休止开展算力军备竞赛
7:39.760–7:41.980
追求更高参数 更强跑分
7:41.980–7:45.060
谁的榜单成绩领先 谁就是最终赢家
7:45.060–7:48.560
可这套竞争思路已经是两年之前的老旧玩法
7:48.560–7:52.160
现如今想要依靠基准测试提升1%的准确率
7:52.160–7:55.980
需要额外投入数亿美元电费 海量算力资源
7:56.060–7:59.760
还要耗费大量人力筛选稀缺高质量训练数据
8:00.000–8:02.706
边际成本已经膨胀到难以承受的地步。
8:02.706–8:04.934
米拉在OpenAI长期生耕,
8:04.934–8:07.480
比任何人都清楚算力成本核算逻辑。
8:07.480–8:12.083
深刻明白B原大模型无休止堆参数换取微小性能提升,
8:12.083–8:14.960
本身就是一条难以持续的死胡同。
8:14.960–8:18.040
如果运营一家估值120亿美元的企业
8:18.040–8:19.800
核心目标绝对不是
8:19.800–8:22.960
打赢一场没有实际商业价值的跑分竞赛
8:22.960–8:26.600
而是搭建一套能持续自我造血的商业体系
8:26.600–8:30.860
所以当大家看见一群掌握顶尖AI底层认知的技术人才
8:30.860–8:34.360
在关键节点推出一款看起来平平无奇的产品
8:34.360–8:36.920
千万不要简单判定他们决策失误
8:36.920–8:40.320
他们正在执行一套普通人难以看懂的长线布局
8:40.320–8:42.440
Inkling跑分表现相对平庸
8:42.440–8:43.960
并不是研发能力不足
8:43.960–8:46.040
而是精准的商业策略规划
8:46.040–8:48.440
Tai Mankey & G. McKean ES Lab
8:48.440–8:50.160
从一开始就没有争夺
8:50.160–8:52.720
全球最强通用大模型的想法
8:52.720–8:54.440
把一款推理能力中等
8:54.440–8:55.660
算力消耗低廉
8:55.660–8:56.820
响应速度出众
8:56.820–8:58.360
并且完全开源的模型
8:58.360–8:59.560
免费对外开放
8:59.560–9:01.980
仅仅是整套战略布局的第一步
9:01.980–9:03.760
20亿美元的资金投入
9:03.760–9:05.060
绝大部分运用在
9:05.060–9:07.280
Inkling反直觉的底层机制设计
9:07.280–9:09.180
以及他们真正用来实现
9:09.180–9:11.240
商业化变现的秘密武器之上
9:11.240–9:12.880
倘若大家单纯认为
9:12.880–9:15.180
这款无法冲进榜单前五的模型
9:15.180–9:16.140
就是故事终点
9:16.140–9:20.080
那就严重低估企业及弊端市场竞争的残酷程度
9:20.080–9:21.780
为了更好落地商业化
9:21.780–9:24.940
Inkling甚至主动削减一部分自由联想能力
9:24.940–9:28.340
只为持续降低单次调用产生的词源开销
9:28.340–9:30.020
模型内部运行逻辑
9:30.020–9:31.640
加上Thinking Machines Lab
9:31.640–9:33.980
后续依靠估值变现的整套方案
9:33.980–9:37.200
才是整个科技行业真正需要警惕的地方
9:37.200–9:40.900
当我们拆解Inkling内部调节推理强度的核心机制
9:40.900–9:43.900
就能意识到未来人工智能赛道的主战场
9:43.900–9:46.340
根本不会集中在评测排行榜
9:46.340–9:48.340
这款模型看似平庸的跑分
9:48.340–9:50.740
是刻意控制之下形成的结果
9:50.740–9:53.920
米拉团队在Inkling内部设置三处反直觉
9:53.920–9:55.920
甚至有些激进的技术设定
9:55.920–9:57.640
每一项都精准击中
9:57.640–10:00.760
日军千万次AI调用企业客户的核心痛点
10:00.760–10:04.340
第一项设定可以称之为智能调节推理力度旋钮
10:04.340–10:07.360
官方命名为思考力度控制系统
10:07.360–10:09.180
这项设计充满巧思
10:09.180–10:11.440
市面上绝大多数主流大模型
10:11.440–10:13.560
处理简单问答1加1等于计
10:13.560–10:16.120
和撰写后端微服务架构代码
10:16.120–10:18.260
后台占用的算力资源差距极小
10:18.260–10:20.260
好比驾驶重型重载卡车
10:20.260–10:23.180
仅仅只为前往楼下便利店采购物品
10:23.180–10:25.980
在企业大规模批量调用场景之下
10:25.980–10:28.620
这种资源浪费很难长期承受
10:28.620–10:30.240
依托这套调节旋钮
10:30.240–10:32.040
运行规则彻底改变
10:32.040–10:33.880
当模型处理发票分类
10:33.880–10:37.160
标准化客服问答这类重复性基础任务
10:37.160–10:38.420
可以下调思考力度
10:38.420–10:40.660
此时Inkling反馈速度极快
10:40.660–10:42.720
调用成本压缩到极低水平
10:42.720–10:45.100
基础答案完全能够满足业务需求
10:45.100–10:47.160
一旦遭遇核心业务逻辑推演
10:47.160–10:48.400
复杂代码修复
10:48.400–10:50.040
高阶数学推理难题
10:50.040–10:51.920
直接拉高思考力度档位
10:51.920–10:55.340
Inkling会调动更多算力进入深度推理模式
10:55.340–10:58.600
综合推理效率能够对标行业第一梯队大模型
10:58.600–11:01.020
同时算力消耗远低于同级产品
11:01.020–11:03.600
在企业商用场景具备极强优势
11:03.600–11:07.500
这意味着企业客户终于可以动态管控算力支出
11:07.500–11:10.780
当后台每日运行数百万次智能体任务
11:10.780–11:12.580
可以按需调整资源投入
11:12.580–11:16.060
省下的每一笔开支都会直接转化为企业净利润
11:16.060–11:18.840
第二项设定更加打破大众固有认知
11:18.840–11:22.460
研发团队刻意训练模型形成诚实输出特性
11:22.460–11:25.780
当下绝大多数大模型普遍存在幻觉问题
11:25.780–11:29.660
无论面对何种提问都会强行生成完整答案
11:29.660–11:31.520
哪怕内容完全不符合事实
11:31.520–11:33.540
依旧会以笃定语气输出
11:33.540–11:34.680
在文学创作
11:34.680–11:36.060
日常闲聊场景
11:36.060–11:37.600
这种自主生成能力
11:37.600–11:39.000
可以称之为创造力
11:39.000–11:40.220
放到金融预测
11:40.220–11:42.160
医疗诊断这类企业场景
11:42.160–11:43.720
毫无依据的编造内容
11:43.720–11:44.960
会带来致命风险
11:44.960–11:45.680
为此
11:45.680–11:47.080
Thinking Machines Lab
11:47.080–11:49.180
引入认知学导向训练方案
11:49.180–11:50.200
简单来讲
11:50.200–11:52.080
利用强化学习奖励模型
11:52.080–11:54.100
主动承认认知边界的行为
11:54.100–11:55.760
团队持续迭代训练
11:55.760–11:57.600
引导Inkling在信息不足
11:57.600–11:59.540
无法得出可靠结论的时候
11:59.540–12:00.980
不要强行猜测
12:00.980–12:03.100
直接告知使用者无法解答
12:03.100–12:05.120
最终训练成果十分突出
12:05.120–12:06.620
Inkling在事件预测
12:06.620–12:08.680
数据分析类客观评测中
12:08.680–12:11.540
准确率超越多款主流通用大模型
12:11.540–12:13.280
达到行业顶尖水准
12:13.280–12:15.040
对于华尔街对冲基金
12:15.040–12:16.960
医疗行业大型机构而言
12:16.960–12:20.220
一台关键时刻敢于坦诚信息不足的模型
12:20.220–12:23.880
远比一位强行输出答案的通用模型更加可靠
12:23.880–12:26.480
第三项设定带着一丝黑色幽默
12:26.480–12:28.460
为极致压缩运行成本
12:28.460–12:31.260
经过3000万轮强化学习迭代之后
12:31.260–12:34.780
Inkling自主演化出高度精简的内部思考语言
12:34.780–12:36.220
我们可以简单对比
12:36.220–12:38.860
差异主流模型处理复杂问题时
12:38.860–12:41.020
内部推理链条会使用规范
12:41.020–12:42.360
完整英文语句
12:42.360–12:44.540
需要消耗大量词源资源
12:44.540–12:47.320
Inkling内部推演过程抛弃完整语法
12:47.320–12:49.000
只保留核心关键词
12:49.000–12:50.800
推理效果几乎没有衰减
12:50.800–12:52.920
但是极大削减词源占用
12:52.920–12:54.320
听起来十分有趣
12:54.320–12:58.160
背后体现的是对推理效率极致压榨的工程思路
12:58.460–13:03.400
读到这里大家就能明白,这从来不是一款用来冲击榜单排名的展示型模型,
13:03.800–13:09.480
而是面向大规模企业商用量身打造,精打细算,稳定可靠的底层基础设施。
13:09.840–13:14.980
即便Inclin拥有诸多精妙设计,仅仅依靠开源模型本身无法创造收入,
13:15.080–13:18.404
能够支撑120亿估值完成变现的核心载体,
13:18.404–13:22.060
是配套同步推出的Tinker自动化微调平台。
13:22.420–13:26.740
这才是SY NTNG MacAINES Lab真正的商业核武器。
13:26.740–13:28.060
前面我们提到
13:28.060–13:29.380
Inkling完全开源
13:29.380–13:31.540
任何人都可以免费下载部署
13:31.540–13:33.660
企业不会为此支付一分钱
13:33.660–13:35.600
可是真实落地场景当中
13:35.600–13:38.900
大型企业技术负责人拿到模型权重之后
13:38.900–13:40.700
很快会遭遇现实阻碍
13:40.700–13:43.160
想要让模型理解自身行业业务
13:43.160–13:44.600
读懂内部财务数据
13:44.600–13:46.460
适配客户服务场景
13:46.460–13:49.220
必须使用企业私有数据开展微调
13:49.220–13:50.880
模型微调门槛极高
13:50.880–13:53.440
研发人员需要精通整套训练架构
13:53.440–13:55.660
持续维护GPU算力集群
13:55.660–13:59.440
还要应对训练进程当中频繁出现的程序崩溃问题
13:59.440–14:02.620
绝大多数传统企业并不具备对应的技术团队
14:02.620–14:06.420
这个时候Thinking Machines Lab就可以顺势推出解决方案
14:06.420–14:08.320
向企业推荐Tinker平台
14:08.320–14:09.600
模型免费交付
14:09.600–14:11.540
但是微调操作门槛过高
14:11.540–14:12.940
借助Tinker平台
14:12.940–14:14.980
使用者不用理解底层框架
14:14.980–14:16.560
不用管理算力节点
14:16.560–14:18.440
直接上传私有业务数据
14:18.440–14:22.380
简单操作就能全自动训练专属垂直领域专家模型
14:22.380–14:25.300
在官方演示当中还有极具冲击力的功能
14:25.300–14:27.020
平台下达指令之后
14:27.020–14:29.520
Inklin能够自主编写训练脚本
14:29.520–14:31.680
自动生成配套训练数据集
14:31.680–14:33.980
独立完成全部微调流程
14:33.980–14:36.140
加在全新全重实现自我迭代
14:36.140–14:38.020
达成全自动自主微调
14:38.020–14:40.000
这正是米拉真正的野心
14:40.000–14:42.240
她根本无意打造第二个OpenAI
14:42.240–14:45.740
依靠售卖标准化按磁源计费的通用API盈利
14:45.740–14:48.940
现如今基础大模型赛道早已红海厮杀
14:48.940–14:50.860
通用模型数量众多
14:50.860–14:53.220
不少开源产品在垂直场景
14:53.220–14:54.740
性能超越必源方案
14:54.740–14:56.160
Thinking Machines Lab
14:56.160–14:58.180
真实商业模式十分清晰
14:58.180–14:59.780
依靠可控性强
14:59.780–15:00.720
运行稳定
15:00.720–15:02.580
完全免费的开源模型
15:02.580–15:03.780
作为引流载体
15:03.780–15:07.220
吸引大量想要搭建私有人工智能系统的企业
15:07.220–15:10.680
随后依托简易自动化微调平台锁定客户
15:10.680–15:12.820
持续收取平台服务费用
15:12.820–15:15.420
他们不对外售卖通用智能大脑
15:15.420–15:19.020
而是对外提供批量定制行业专家模型的生产工具
15:19.020–15:22.540
未来倘若数万企业借助Tinker搭建专属财物
15:22.540–15:24.360
客服务医疗智能模型
15:24.360–15:26.180
没有人再会持续纠结
15:26.180–15:28.380
Inkling在评测榜单排名高低
15:28.380–15:31.180
这笔20亿美元投入真的存在浪费吗
15:31.180–15:32.380
答案是否定的
15:32.380–15:33.860
米拉带领顶尖团队
15:33.860–15:36.360
跳出OpenAI必源竞争的内卷赛道
15:36.360–15:38.520
在企业定制人工智能赛道
15:38.520–15:40.000
筑器极高护城河
15:40.000–15:41.540
他们没有研发失败
15:41.540–15:45.660
而是在下一盘足以重塑全球AI商业格局的大棋
15:45.660–15:49.180
我们接着聊硅谷行业内部很少公开讨论的细节
15:49.180–15:51.520
Inkling这套高效混合专家
15:51.520–15:54.800
MOE架构背后存在不少值得深究的线索
15:54.800–15:57.760
资深AI架构师研读底层代码之后
15:57.760–16:00.000
能够发现256个路由专业
16:00.000–16:01.778
資深AI架構師研讀底層代碼之後,
16:01.778–16:03.444
能夠發現256個路由專家單元,
16:03.444–16:04.778
Sigmoid路由機制,
16:04.778–16:05.889
滑動窗口注意力配比,
16:05.889–16:08.222
整套工程設計思路和國內開源大模型深度求索,
16:08.222–16:10.000
Deep-Seek V3高度相似。
16:10.000–16:10.720
除此之外
16:10.720–16:12.480
模型早期预训练阶段
16:12.480–16:14.200
Thinking Machines Lab大量
16:14.200–16:16.320
运用成熟开源模型生成的
16:16.320–16:17.780
合成数据辅助训练
16:17.780–16:20.680
大幅降低训练成本与失措周期
16:20.680–16:22.840
一家估值120亿美元
16:22.840–16:25.860
纯正美国背景顶尖AI实验室
16:25.860–16:27.900
由前OpenAI核心负责人戴队
16:27.900–16:30.140
手握英伟达高端算力资源
16:30.140–16:31.860
最终推出旗舰模型
16:31.860–16:34.380
大量参考国内开源模型成熟的
16:34.380–16:35.360
工程优化方案
16:35.360–16:37.420
很多外行看到消息第一反应
16:37.420–16:39.020
会质疑团队创新能力
16:39.020–16:41.080
认为只是照搬现有成果
16:41.080–16:43.360
站在工程与商业客观视角分析
16:43.360–16:45.500
这是非常理性务实的选择
16:45.500–16:48.580
最近几年海外高端算力芯片供给受限
16:48.580–16:51.720
国内AI研发团队无法像OpenAI一样
16:51.720–16:54.380
不计成本堆叠算力暴力训练模型
16:54.380–16:56.300
只能持续在算法效率
16:56.300–16:57.320
内存优化
16:57.320–16:58.920
参数调度层面深耕
16:58.920–17:02.220
倒逼开源模型运行效率突破全新高度
17:02.220–17:04.120
米拉团队十分清楚这一点
17:04.120–17:06.420
工程技术不存在面子之争
17:06.420–17:09.560
既然同行已经验证高效率优化路线可行
17:09.560–17:11.500
开源协议允许借鉴参考
17:11.500–17:13.660
站在前人成果之上继续迭代
17:13.660–17:15.580
就是最高效的选择
17:15.580–17:17.560
也正是依托成熟的优化思路
17:17.560–17:19.700
团队大幅压缩研发周期
17:19.700–17:23.300
快速完成9750亿参数巨型模型的
17:23.300–17:24.660
完整训练与迭代
17:24.660–17:25.520
讲到这里
17:25.520–17:27.720
大家会产生一个直击本质的疑问
17:27.720–17:29.920
既然国内开源模型效率出众
17:29.920–17:32.360
多款国产开源模型在代码
17:32.360–17:33.300
逻辑推理层面
17:33.300–17:35.600
能够对标国际顶级币源产品
17:35.600–17:37.440
使用成本极其低廉
17:37.440–17:41.320
美国本土企业为什么不直接选用现成国产开源模型
17:41.320–17:43.480
何必耗费资金使用Inkling
17:43.480–17:45.900
额外采购Tinker平台服务
17:45.900–17:50.300
这个问题刚好戳破Thinking Machines Lab整套布局最核心的商业命脉
17:50.300–17:52.960
事实上美国资本方并不缺乏理性
17:52.960–17:54.860
在Inkling正式发布之前
17:54.860–17:59.000
美国企业界曾经掀起一波使用海外开源模型的热炒
17:59.000–18:03.160
查看OPE NRO UTR平台词源路由统计数据
18:03.160–18:06.160
能够发现高峰期有大量企业调用流量
18:06.160–18:07.720
转向海外开源模型
18:07.720–18:11.720
Coinbase这类头部企业都悄悄迁移智能体业务
18:11.720–18:13.780
直接把运营成本削减一半
18:13.780–18:14.520
好用
18:14.520–18:15.060
低价
18:15.060–18:16.940
资本自然会用脚投票
18:16.940–18:19.560
全球规模顶尖对冲基金桥水
18:19.560–18:22.840
就曾利用自身业务数据微调国内开源模型
18:22.840–18:25.060
在金融推理评测中跑出高分
18:25.060–18:27.900
全面超越多款高价通用必源模型
18:27.900–18:29.540
使用成本大幅降低
18:29.540–18:32.920
低价定制垂直模型碾压昂贵通用大模型
18:32.920–18:35.840
这笔账所有企业决策者都能够看懂
18:35.840–18:38.080
但是繁荣周期并没有持续太久
18:38.080–18:40.980
地缘政策带来的监管压力快速到来
18:40.980–18:43.920
由于海外开源模型普及速度超出预期
18:43.920–18:46.160
美国监管机构开始高度警惕
18:46.160–18:49.680
持续向使用海外模型的企业发送警示信函
18:49.680–18:51.800
国会相关委员会启动调研
18:51.800–18:54.400
甚至有部门草拟采购限制条款
18:54.400–18:56.280
手握海量隐私业务数据
18:56.280–18:58.840
流水规模动辄百亿的华尔街投行
18:58.840–19:02.760
医疗集团与科技大厂根本无法承受这类合规风险
19:02.760–19:05.300
即便模型性能出色 价格低廉
19:05.300–19:07.920
一旦被贴上数据安全隐患标签
19:07.920–19:11.460
对于企业而言就是随时可能引爆的经营风险
19:11.460–19:14.660
与此同时 曾经支撑西方开源生态的Meta
19:14.660–19:16.860
近期持续收紧授权政策
19:16.860–19:21.240
后续Lama系列模型逐步转向更加封闭的商业授权模式
19:21.240–19:25.640
彻底终结了西方企业免费商用开源大模型的红利时代
19:25.640–19:27.240
就在这个行业窗口期
19:27.240–19:29.980
西方企业市场出现巨大需求真空
19:29.980–19:33.100
企业迫切需要开源模型降低算力开销
19:33.100–19:35.560
希望依靠微调保护私有数据
19:35.560–19:37.740
但是不敢选用海外免费模型
19:37.740–19:40.820
本土老牌开源路线又不断抬高准入门槛
19:40.820–19:43.280
此刻再回看Inkling的发布时机
19:43.280–19:44.740
一切都豁然开朗
19:44.740–19:48.200
Inkling本身不需要争夺全球最强模型的名号
19:48.200–19:49.380
它的真实定位
19:49.380–19:51.800
是当下西方企业市场为数不多
19:51.800–19:52.900
合规安全
19:52.900–19:54.580
纯正美国本土血统
19:54.580–19:57.380
且综合性能达标的开源备选方案
19:57.380–20:00.720
米拉团队不仅交付一套安全可控的底层模型
20:00.720–20:03.520
还同步推出轻量化版本Inclean Small
20:03.520–20:07.500
这款缩小版本总参数规模压缩至2760亿
20:07.500–20:09.840
单次推理仅激活120亿参数
20:09.840–20:12.880
轻量化架构适配中小企业硬件设备
20:12.880–20:15.600
在专项垂直推理场景中表现亮眼
20:15.600–20:18.420
专门面向有本地私有化部署需求
20:18.420–20:21.040
服务器硬件资源有限的中小企业
20:21.040–20:23.920
硬件配置不足可以选用轻量化版本
20:23.920–20:26.740
缺少技术人员直接采购Tinker平台
20:26.740–20:28.660
担忧跨境数据合规风险
20:28.660–20:30.920
它又是本土正规团队开发
20:30.920–20:33.520
代码完整公开托管在哈格面部
20:33.520–20:35.240
全部流程透明可查
20:35.240–20:36.980
把所有线索串联起来
20:36.980–20:40.140
Thinking Machines Lab完整商业版图清晰浮现
20:40.140–20:41.960
离开OpenAI的MamalaD
20:41.960–20:44.880
从一开始就没有打算在早已竞争白热化的
20:44.880–20:46.180
通用大模型赛道
20:46.180–20:48.040
复刻第二个ChatGPT
20:48.040–20:51.780
那条赛道只能无休止消耗投资人资金持续内卷
20:51.780–20:53.540
他依靠20亿美元资金
20:53.540–20:55.760
在OpenAI币源商业帝国旁边
20:55.760–20:56.960
开辟全新赛道
20:56.960–20:59.000
精准预判人工智能未来形态
20:59.000–21:01.680
不会是无所不能的通用超级大脑
21:01.680–21:03.960
而是千千万万扎根细分行业
21:03.960–21:07.900
低成本运行数据归属企业自身的领域专用模型
21:07.900–21:10.640
借鉴经过市场验证的高效开源架构
21:10.640–21:13.840
搭配团队成熟的成本控制方案打造Inkling
21:13.840–21:15.100
作为引流载体
21:15.100–21:17.720
再借助地缘环境催生的合规焦虑
21:17.720–21:20.040
吸引急需解决方案的企业客户
21:20.040–21:22.400
进入Tinker微调服务生态
21:22.400–21:24.460
花费20亿美元打造一款榜单
21:24.460–21:26.160
无法跻身前五的模型
21:26.160–21:28.500
表面看上去像是一场失败投资
21:28.500–21:31.300
但是倘若这20亿美元换来未来10年
21:31.300–21:34.120
全球企业及AI定制市场核心入口
21:34.120–21:36.620
这就是教科书级别的商业布局
21:36.620–21:39.960
当所有人紧盯评测排行榜相互竞争的时候
21:39.960–21:43.620
已经有人提前锁定人工智能淘金浪潮当中
21:43.620–21:45.480
合规产子的独家供应权
21:45.480–21:47.800
这也是120亿美元估值背后
21:47.800–21:50.240
最值得细细思考的行业真相
21:50.240–21:51.840
其实我们在延伸一层
21:51.840–21:55.080
你就能看懂硅谷资本更深层的赌具逻辑
21:55.080–21:58.000
近两年无数AI创业公司扎堆入场
21:58.000–22:00.220
大多都在跟风做通用大模型
22:00.220–22:01.500
做对话机器人
22:01.500–22:03.140
做花哨的多模态演示
22:03.140–22:05.840
真正能落地赚钱的寥寥无几
22:05.840–22:07.820
绝大多数AI初创企业
22:07.820–22:09.480
盈利模式极度单一
22:09.480–22:10.980
要么卖API调用
22:10.980–22:12.260
要么卖会员套餐
22:12.260–22:14.760
陷入无尽的价格战和算力内卷
22:14.760–22:16.280
稍万融资就倒闭
22:16.280–22:17.560
存活率极低
22:17.800–22:20.320
而SY NTNG Mac King ES Lab
22:20.320–22:21.840
彻底避开了这片红海
22:21.840–22:23.940
它不跟任何人抢C端用户
22:23.940–22:24.900
不卷跑分
22:24.900–22:26.140
不卷花式功能
22:26.140–22:27.860
直接切入最赚钱
22:27.860–22:28.500
最稳定
22:28.500–22:31.000
刚需最强的弊端企业服务市场
22:31.000–22:32.720
对于大型企业来说
22:32.720–22:33.600
AI成本
22:33.600–22:34.540
数据安全
22:34.540–22:35.620
私有化部署
22:35.620–22:36.640
定制化适配
22:36.640–22:38.340
是比模型聪不聪明
22:38.340–22:39.560
更重要的刚需
22:39.560–22:41.260
哪怕通用能力平庸
22:41.260–22:42.240
只要足够稳
22:42.240–22:43.180
足够便宜
22:43.180–22:44.120
足够安全
22:44.120–22:45.220
足够好微调
22:45.220–22:46.540
就是企业愿意
22:46.540–22:48.240
长期付费的核心资产
22:48.240–22:49.940
这也是为什么A16Z
22:49.940–22:51.820
敢于在没有成熟产品
22:51.820–22:53.700
没有实际营收的情况下
22:53.700–22:54.740
豪至20亿美金
22:54.740–22:57.040
资本赌的不是一款模型的输赢
22:57.040–22:59.360
而是赌未来企业AI私有化
22:59.360–23:00.160
定制化
23:00.160–23:02.020
合规化的万亿级风口
23:02.020–23:04.320
反观行业内很多盲目堆算力
23:04.320–23:05.100
卷参数
23:05.100–23:06.220
卷跑分的团队
23:06.220–23:07.480
看似热度爆棚
23:07.480–23:08.220
数据亮眼
23:08.220–23:10.680
实则完全偏离了真实商业需求
23:10.680–23:11.860
最终只能沦为
23:11.860–23:13.380
昙花一现的行业过客
23:13.380–23:14.340
除此之外
23:14.340–23:15.560
米拉团队的布局
23:15.560–23:17.440
还有一个极具远见的细节
23:17.440–23:19.040
那就是彻底放弃
23:19.040–23:20.540
避原锁库的传统玩法
23:20.540–23:22.540
坚持全开源 全透明
23:22.540–23:24.600
在当下AI舆论环境中
23:24.600–23:27.020
避原模型随时面临授权变动
23:27.020–23:28.900
服务关停 接口涨价
23:28.900–23:30.180
功能阉割的风险
23:30.180–23:32.340
企业用户极其没有安全感
23:32.340–23:34.820
而Inkling的Apache 2.0协议
23:34.820–23:36.900
给予了企业最大的自由度
23:36.900–23:38.840
可商用 可二次开发
23:38.840–23:41.340
可私有化部署 无板权捆绑
23:41.340–23:43.140
这种极致开放的姿态
23:43.140–23:45.860
刚好击中了当下企业最核心的诉求
23:45.860–23:47.080
免费拿模型
23:47.080–23:48.180
免费改模型
23:48.180–23:49.020
免费部署
23:49.020–23:51.360
最后只为精细化微调服务
23:51.360–23:53.060
自动化运为工具付费
23:53.060–23:54.300
这种先让利
23:54.300–23:55.980
后所刻的商业模式
23:55.980–23:58.300
远比一次性售卖API要长久
23:58.300–23:59.160
稳固得多
24:00.000–24:02.392
很多人始終想不通一個核心問題,
24:02.392–24:05.901
為什麼無數大廠耗費巨資打造的頂級通用大模型,
24:05.901–24:07.815
落地企業服務時頻頻翻車,
24:07.815–24:10.845
反而是Inclin這種跑分中庸的模型,
24:10.845–24:12.440
精準踩中了行業痛點。
24:12.440–24:15.400
答案其实藏在企业真实的AI落地困境里
24:15.400–24:17.160
绝大多数传统企业
24:17.160–24:18.100
金融机构
24:18.100–24:19.080
医疗集团
24:19.080–24:20.220
制造业工厂
24:20.220–24:22.200
根本不需要模型创作诗歌
24:22.200–24:23.020
撰写文案
24:23.020–24:24.140
完成趣味问答
24:24.140–24:26.540
也不需要极致的顶尖推力跑分
24:26.540–24:28.600
他们的核心需求极其朴素
24:28.600–24:30.400
就是稳定低成本
24:30.400–24:30.980
可管控
24:30.980–24:31.680
不幻觉
24:31.680–24:33.480
能对接自身业务数据
24:33.480–24:35.280
同时全程保障数据
24:35.280–24:35.920
不外泄
24:35.920–24:36.920
过去几年
24:36.920–24:40.220
大量企业跟风接入各类顶尖臂源大模型API
24:40.220–24:42.780
看似快速完成了AI数字化升级
24:42.780–24:44.540
实则埋下了无数隐患
24:44.540–24:47.000
首先是持续走高的调用成本
24:47.000–24:51.100
企业日均数万数十万次的重复性基础调用
24:51.100–24:52.700
累积下来的算力开支
24:52.700–24:54.800
每年动辄数百万甚至上千万
24:54.800–24:56.600
长期投入完全没有上线
24:56.600–24:58.560
其次是数据泄露风险
24:58.560–25:00.460
企业内部的客户资料
25:00.460–25:01.460
财务报表
25:01.460–25:02.540
生产数据
25:02.540–25:03.560
并立信息
25:03.560–25:06.700
一旦上传至第三方B元模型云端服务器
25:06.700–25:08.600
就彻底脱离了自身管控
25:08.600–25:10.760
随时可能面临数据抓取
25:10.760–25:11.960
缓存留存
25:11.960–25:13.440
合规溯源的风险
25:13.440–25:14.620
更关键的是
25:14.620–25:16.780
通用大模型的过度聪明
25:16.780–25:18.800
反而成为企业落地的累赘
25:18.800–25:21.040
很多企业业务只需要标准化
25:21.040–25:22.400
流程化的固定输出
25:22.400–25:24.220
不需要模型自由发挥
25:24.220–25:25.340
发散创作
25:25.340–25:28.040
通用模型自带的高自由度推理能力
25:28.040–25:29.700
不仅会增加算力损耗
25:29.700–25:32.300
还容易输出不符合企业规章制度
25:32.300–25:33.480
行业规范的内容
25:33.480–25:35.480
需要人工二次审核修正
25:35.480–25:37.180
反而降低了工作效率
25:37.180–25:38.920
而Inclin的全套设计
25:38.920–25:41.480
恰好针对性解决了这些行业顽疾
25:41.480–25:44.160
可调节的思考力度杜绝算力浪费
25:44.160–25:46.100
极致诚实的输出特性
25:46.100–25:47.960
规避业务幻觉风险
25:47.960–25:50.560
轻量化部署适配各类企业硬件条件
25:50.560–25:52.100
完全开源的属性
25:52.100–25:53.800
满足私有化部署需求
25:53.800–25:56.260
再搭配Tinker全自动微调平台
25:56.260–25:59.160
彻底抹平了企业AI落地的技术鸿沟
25:59.160–26:02.080
哪怕是没有专业算法团队的传统企业
26:02.080–26:05.060
也能轻松搭建专属行业AI系统
26:05.060–26:07.520
这种精准贴合商业落地的产品逻辑
26:07.520–26:11.320
也是它能够碾压一众跑分更强模型的核心底气
26:11.320–26:12.280
除此之外
26:12.280–26:16.020
我们还能从行业迭代周期看懂这套布局的前瞻性
26:16.020–26:19.520
如今通用大模型的技术迭代已经进入瓶颈期
26:19.520–26:22.000
性能提升的边际效益持续递减
26:22.000–26:25.740
单纯比拼参数和算力已经没有实质商业意义
26:25.740–26:30.460
未来AI行业的竞争早已从技术参数竞赛转向商业落地竞赛
26:30.460–26:32.540
谁能更低成本更合规
26:32.540–26:34.420
更便捷地帮助各行各业
26:34.420–26:35.940
完成AI私有化
26:35.940–26:36.940
定制化改造
26:36.940–26:38.740
谁就能掌握行业话语权
26:38.740–26:41.320
米拉团队放弃无意义的跑分内卷
26:41.320–26:42.880
深耕企业服务赛道
26:42.880–26:46.300
本质是提前预判了AI行业的终局形态
26:46.300–26:47.880
放弃短期的流量热度
26:47.880–26:50.100
锁定了长期的行业垄断地位
26:50.100–26:51.340
看完这期视频
26:51.340–26:54.780
你如何看待大模型一味比拼跑分的内卷现状
26:54.780–26:57.040
又觉得未来企业AI定制服务
26:57.040–26:58.540
会走向怎样的格局
26:58.540–27:00.580
欢迎在评论区理性交流
27:00.580–27:03.680
如果你觉得本期深度行业解读干货充足
27:03.680–27:05.680
记得点赞并且订阅频道
27:05.680–27:08.600
后续持续跟踪全球AI巨头的战略博弈
27:08.600–27:10.700
不要错过更多前沿产业分析
27:10.700–27:12.000
我们下期再见
0:00.000–0:02.784
zh如果你持续关注硅谷AI产业动态,
如果你持续关注硅谷AI产业动态,
0:02.784–0:05.917
zh一定听过这场堪称传奇的人才出走事件。
一定听过这场堪称传奇的人才出走事件。
0:05.917–0:08.005
zh手握20亿美元顶级风头,
手握20亿美元顶级风头,
0:08.005–0:11.660
zh集结一批从OpenAI出走的核心研发人才。
集结一批从OpenAI出走的核心研发人才。
0:11.660–0:13.226
zh秘密打磨接近两年,
秘密打磨接近两年,
0:13.226–0:17.750
zh所有人都默认他们会拿出一款能够横扫行业的顶尖大模型。
所有人都默认他们会拿出一款能够横扫行业的顶尖大模型。
0:17.750–0:20.883
zh可最终的结果却让整个科技圈大跌眼镜。
可最终的结果却让整个科技圈大跌眼镜。
0:20.883–0:23.145
zh在前不久的发布会结束之后,
在前不久的发布会结束之后,
0:23.145–0:28.540
zh他们推出的全新模型在主流权威基准评测榜单当中甚至无法冲进前五。
他们推出的全新模型在主流权威基准评测榜单当中甚至无法冲进前五。
0:28.540–0:30.640
zh不少开源模型的综合表现
不少开源模型的综合表现
0:30.640–0:32.240
zh都能够实现对它的压制
都能够实现对它的压制
0:32.240–0:34.500
zh回望2024年年底那场震动
回望2024年年底那场震动
0:34.500–0:35.680
zh全球AI行业的
全球AI行业的
0:35.680–0:37.240
zhOpenAI高管离职风波
OpenAI高管离职风波
0:37.240–0:38.780
zh大家才慢慢意识到
大家才慢慢意识到
0:38.780–0:41.200
zh这根本不是简单的人员流动
这根本不是简单的人员流动
0:41.200–0:42.560
zh而是一场精心布局
而是一场精心布局
0:42.560–0:44.820
zh持续多年的人才收割行动
持续多年的人才收割行动
0:44.820–0:45.780
zh米拉姆拉蒂
米拉姆拉蒂
0:45.780–0:48.120
zh也就是曾经短暂执掌OpenAI
也就是曾经短暂执掌OpenAI
0:48.120–0:49.940
zh全程主导ChatGPT
全程主导ChatGPT
0:49.940–0:51.740
zh落地研发的核心关键人物
落地研发的核心关键人物
0:51.740–0:54.460
zh在2024年9月正式离开老东家
在2024年9月正式离开老东家
0:54.460–0:56.300
zh并且不是孤身一人
并且不是孤身一人
0:56.300–0:58.320
zh他踏出OpenAI大门之后
他踏出OpenAI大门之后
0:58.320–1:00.160
zh联合创始人约翰·舒尔曼
联合创始人约翰·舒尔曼
1:00.160–1:02.380
zh前研究副总裁巴雷特·佐夫
前研究副总裁巴雷特·佐夫
1:02.380–1:06.160
zh还有一大批资深核心研究员紧随其后递交辞呈
还有一大批资深核心研究员紧随其后递交辞呈
1:06.160–1:07.800
zh这群人的集体出走
这群人的集体出走
1:07.800–1:11.120
zh几乎直接抽走了OpenAI半数核心研发力量
几乎直接抽走了OpenAI半数核心研发力量
1:11.120–1:13.180
zh在硅谷的产业生态里面
在硅谷的产业生态里面
1:13.180–1:15.500
zh顶尖人工智能研究员的稀缺程度
顶尖人工智能研究员的稀缺程度
1:15.500–1:18.840
zh甚至超过英伟达H100系列高端算力芯片
甚至超过英伟达H100系列高端算力芯片
1:18.840–1:21.960
zh米拉带走的远远不止数十名资深工程师
米拉带走的远远不止数十名资深工程师
1:21.960–1:26.060
zh更是一套经过GPT3到GPT4完整项目验证
更是一套经过GPT3到GPT4完整项目验证
1:26.060–1:28.760
zh成熟可行的大模型训练方法论
成熟可行的大模型训练方法论
1:28.760–1:31.220
zh还有整套工程落地的实战经验
还有整套工程落地的实战经验
1:31.220–1:33.060
zh这支团队亲眼见证过
这支团队亲眼见证过
1:33.060–1:35.660
zh全球规模顶尖算力集群的运行逻辑
全球规模顶尖算力集群的运行逻辑
1:35.660–1:37.420
zh也踩遍了训练过程里
也踩遍了训练过程里
1:37.420–1:40.240
zh各类会引发模型崩溃的隐蔽技术陷阱
各类会引发模型崩溃的隐蔽技术陷阱
1:40.240–1:42.860
zh因此当他们对外宣布独立创业的时候
因此当他们对外宣布独立创业的时候
1:42.860–1:45.240
zh整个风险投资圈子陷入狂热
整个风险投资圈子陷入狂热
1:45.240–1:47.460
zh硅谷风投机构最擅长算账
硅谷风投机构最擅长算账
1:47.460–1:50.300
zh也最容易陷入害怕错失机遇的情绪
也最容易陷入害怕错失机遇的情绪
1:50.300–1:51.600
zh安德森霍洛维茨
安德森霍洛维茨
1:51.600–1:53.900
zh直接敲定20亿美元现金投入
直接敲定20亿美元现金投入
1:53.900–1:55.320
zh投资落地的时候
投资落地的时候
1:55.320–1:57.960
zh这家连正式名称都没有完全敲定
这家连正式名称都没有完全敲定
1:57.960–2:01.540
zh一行商用产品代码都还没有产出的初创团队
一行商用产品代码都还没有产出的初创团队
2:01.540–2:03.700
zh最终定名Thinking Machines Lab
最终定名Thinking Machines Lab
2:03.700–2:06.180
zh投后估值直接冲到120亿美元
投后估值直接冲到120亿美元
2:06.180–2:10.020
zh没有任何成熟产品就能拥有120亿美元估值
没有任何成熟产品就能拥有120亿美元估值
2:10.020–2:13.760
zh放在其他行业很容易被贴上庞氏骗局的标签
放在其他行业很容易被贴上庞氏骗局的标签
2:13.760–2:16.140
zh但是在近几年火热的AI赛道
但是在近几年火热的AI赛道
2:16.140–2:20.360
zh资本把这称作抢占通往通用人工智能时代最后的传票
资本把这称作抢占通往通用人工智能时代最后的传票
2:20.360–2:22.460
zh风投机构押注的核心目标
风投机构押注的核心目标
2:22.460–2:24.400
zh就是米拉带领的这支团队
就是米拉带领的这支团队
2:24.400–2:25.720
zh能够打造出一套
能够打造出一套
2:25.720–2:27.980
zh打破OpenAI避原模式垄断的
打破OpenAI避原模式垄断的
2:27.980–2:28.960
zh全新产业生态
全新产业生态
2:28.960–2:30.500
zh所有人静静观望
所有人静静观望
2:30.500–2:32.380
zh期待着20亿美元资金
期待着20亿美元资金
2:32.380–2:34.280
zh两年时间能够孵化出
两年时间能够孵化出
2:34.280–2:36.640
zh怎样惊世骇俗的人工智能产品
怎样惊世骇俗的人工智能产品
2:36.640–2:38.440
zh整个行业秉析宁神
整个行业秉析宁神
2:38.440–2:40.580
zh等待新一代顶级大模型的
等待新一代顶级大模型的
2:40.580–2:41.580
zh技术降维打击
技术降维打击
2:41.580–2:43.980
zh时间来到2026年7月中旬
时间来到2026年7月中旬
2:43.980–2:45.060
zh也就是近期
也就是近期
2:45.060–2:46.360
zh沉寂一年半之久的
沉寂一年半之久的
2:46.360–2:47.627
enThinking Machines Lab
Thinking Machines Lab
2:47.627–2:50.140
zh终于对外公开酝酿许久的重磅成果
终于对外公开酝酿许久的重磅成果
2:50.140–2:52.260
zh开源基础模型代号Inklin
开源基础模型代号Inklin
2:52.260–2:54.020
zh伴随着发布会正式落幕
伴随着发布会正式落幕
2:54.020–2:56.760
zh整个科技行业陷入巨大的错愕
整个科技行业陷入巨大的错愕
2:56.760–2:59.860
zh这款投入重金闭关研发两年打造的模型
这款投入重金闭关研发两年打造的模型
2:59.860–3:03.640
zh在各类权威基准测试当中成绩只能用平庸形容
在各类权威基准测试当中成绩只能用平庸形容
3:03.640–3:05.360
zh前方有克劳德·菲波5
前方有克劳德·菲波5
3:05.360–3:08.880
zhOpenAI主流避原模型两座顶尖避原模型
OpenAI主流避原模型两座顶尖避原模型
3:08.880–3:10.060
zh稳定占据高位
稳定占据高位
3:10.060–3:12.420
zh同期发布的月之暗面KIMI K3
同期发布的月之暗面KIMI K3
3:12.420–3:14.740
zh这款拥有2.8万亿参数的模型
这款拥有2.8万亿参数的模型
3:14.740–3:16.640
zh同样能够和它正面抗衡
同样能够和它正面抗衡
3:16.640–3:18.480
zh多项指标实现反超
多项指标实现反超
3:18.480–3:20.720
zhInkling在开源模型梯队当中
Inkling在开源模型梯队当中
3:20.720–3:23.260
zh综合水平最多只能算作中油水准
综合水平最多只能算作中油水准
3:23.260–3:25.860
zh更加尴尬的还有发布时间窗口
更加尴尬的还有发布时间窗口
3:25.860–3:28.460
zhInkling正式上线仅仅一天之后
Inkling正式上线仅仅一天之后
3:28.460–3:30.440
zhKimi K3热度全面爆发
Kimi K3热度全面爆发
3:30.440–3:32.120
zh大量开发者涌入调用
大量开发者涌入调用
3:32.120–3:33.800
zh直接把算力资源耗尽
直接把算力资源耗尽
3:33.800–3:36.560
zh几乎抢走了Inkling全部公众关注度
几乎抢走了Inkling全部公众关注度
3:36.560–3:38.000
zh普通观众看到这里
普通观众看到这里
3:38.000–3:40.980
zh大概率都会认定这是一场彻头彻尾的失败
大概率都会认定这是一场彻头彻尾的失败
3:40.980–3:41.960
zh顶级团队
顶级团队
3:41.960–3:42.780
zh顶级资金
顶级资金
3:42.780–3:43.620
zh顶级资源
顶级资源
3:43.620–3:45.740
zh最后打出一张平平无奇的牌
最后打出一张平平无奇的牌
3:45.740–3:48.100
zh甚至被后发竞品全面碾压
甚至被后发竞品全面碾压
3:48.100–3:50.700
zh但如果你只看到表面的跑分输赢
但如果你只看到表面的跑分输赢
3:50.700–3:54.180
zh完全看不懂当下AI行业真正的内卷困局
完全看不懂当下AI行业真正的内卷困局
3:54.180–3:57.360
zh更看不懂硅谷顶级资本真正的下注逻辑
更看不懂硅谷顶级资本真正的下注逻辑
3:57.360–3:59.680
zh现在整个AI行业已经陷入一种
现在整个AI行业已经陷入一种
3:59.680–4:01.340
zh极度畸形的内卷怪圈
极度畸形的内卷怪圈
4:01.340–4:03.900
zh绝大多数团队、媒体、开发者
绝大多数团队、媒体、开发者
4:03.900–4:06.380
zh都在疯狂迷信基准测试分数
都在疯狂迷信基准测试分数
4:06.380–4:09.260
zh把榜单排名当成唯一的评判标准
把榜单排名当成唯一的评判标准
4:09.260–4:11.340
zh为了零点几分的微弱提升
为了零点几分的微弱提升
4:11.340–4:14.040
zh无数公司动辄烧数亿美金算力
无数公司动辄烧数亿美金算力
4:14.040–4:15.420
zh堆砌海量参数
堆砌海量参数
4:15.420–4:16.800
zh清洗冗余数据
清洗冗余数据
4:16.800–4:18.220
zh反复微调权重
反复微调权重
4:18.220–4:20.820
zh最后做出来的模型跑分看似好看
最后做出来的模型跑分看似好看
4:20.820–4:22.300
zh但是商用成本极高
但是商用成本极高
4:22.300–4:23.880
zh落地兼容性极差
落地兼容性极差
4:23.880–4:25.580
zh企业部署难度巨大
企业部署难度巨大
4:25.580–4:27.400
zh完全是为了跑分而生
完全是为了跑分而生
4:27.400–4:29.480
zh而非为了商用而生的产品
而非为了商用而生的产品
4:29.480–4:31.040
zh这也是最近一年来
这也是最近一年来
4:31.040–4:33.240
zh无数顶级AI模型高开低走
无数顶级AI模型高开低走
4:33.240–4:35.920
zh热度爆红却无法变现的核心原因
热度爆红却无法变现的核心原因
4:35.920–4:38.260
zh行业早已不再缺聪明的模型
行业早已不再缺聪明的模型
4:38.260–4:39.640
zh企业真正缺的
企业真正缺的
4:39.640–4:41.660
zh是稳定便宜可控能落地
是稳定便宜可控能落地
4:41.660–4:44.060
zh零合规风险的工业化AI基础设施
零合规风险的工业化AI基础设施
4:44.060–4:46.960
zh而这恰恰就是Inkling精准卡位的赛道
而这恰恰就是Inkling精准卡位的赛道
4:46.960–4:49.660
zh大家一定要点赞订阅锁住频道
大家一定要点赞订阅锁住频道
4:49.660–4:53.480
zh接下来我逐层拆解这场瞒天过海的AI商业布局
接下来我逐层拆解这场瞒天过海的AI商业布局
4:53.480–4:54.840
zh看懂了你就明白
看懂了你就明白
4:54.840–4:56.240
zh这根本不是翻车
这根本不是翻车
4:56.240–4:59.240
zh而是近两年最顶级的AI创业降位布局
而是近两年最顶级的AI创业降位布局
4:59.240–5:00.880
zh我们不妨深入拆解
我们不妨深入拆解
5:00.880–5:05.520
zh这笔20亿美元资金孵化出来的技术底子究竟具备哪些特点
这笔20亿美元资金孵化出来的技术底子究竟具备哪些特点
5:05.520–5:10.240
zhInkling属于总参数量达到9750亿的混合专家模型
Inkling属于总参数量达到9750亿的混合专家模型
5:10.240–5:12.460
zh也就是业内常说的MOE架构
也就是业内常说的MOE架构
5:12.460–5:14.860
zh单单看总参数规模接近万亿
单单看总参数规模接近万亿
5:14.860–5:16.440
zh听起来极具冲击力
听起来极具冲击力
5:16.440–5:18.920
zh但是熟悉稀疏架构的从业者
但是熟悉稀疏架构的从业者
5:18.920–5:21.180
zh都清楚MOE底层运行逻辑
都清楚MOE底层运行逻辑
5:21.180–5:23.300
zh每一次处理词源信息的时候
每一次处理词源信息的时候
5:23.300–5:26.500
zh仅仅只有410亿参数被激活参与运算
仅仅只有410亿参数被激活参与运算
5:26.500–5:29.460
zh模型原生支持100万长度上下文窗口
模型原生支持100万长度上下文窗口
5:29.460–5:31.760
zh依托45万亿词源规模的文本
依托45万亿词源规模的文本
5:31.760–5:33.680
zh图像 音频混合数据
图像 音频混合数据
5:33.680–5:35.520
zh完成从零开始的预训链
完成从零开始的预训链
5:35.520–5:38.160
zh整套体系当中最具备革新意义的
整套体系当中最具备革新意义的
5:38.160–5:40.800
zh是它重构了多模态信息处理逻辑
是它重构了多模态信息处理逻辑
5:40.800–5:44.760
zh目前市面上绝大多数宣称原生多模态的大模型
目前市面上绝大多数宣称原生多模态的大模型
5:44.760–5:48.820
zh本质只是在基础语言模型外部附加一套处理组件
本质只是在基础语言模型外部附加一套处理组件
5:48.820–5:50.780
zh遇到图片、音频信息
遇到图片、音频信息
5:50.780–5:52.180
zh需要独立编码器
需要独立编码器
5:52.180–5:56.580
zh先把视觉、听觉信号转化为模型能够识别的次元格式
先把视觉、听觉信号转化为模型能够识别的次元格式
5:56.580–5:58.460
zh再送入主体网络运算
再送入主体网络运算
5:58.460–6:00.780
zh而Inkling跳过中间转化流程
而Inkling跳过中间转化流程
6:00.780–6:04.260
zh可以直接读取原始像素与音频波形信号
可以直接读取原始像素与音频波形信号
6:04.260–6:07.160
zh这种底层架构重构的工程难度极高
这种底层架构重构的工程难度极高
6:07.160–6:11.320
zh也直观体现出这支前OpenAI团队扎实的技术积累
也直观体现出这支前OpenAI团队扎实的技术积累
6:11.320–6:14.760
zh对比Meta很多开源模型饱受争议的授权条款
对比Meta很多开源模型饱受争议的授权条款
6:14.760–6:16.160
enThinking Machines Lab
Thinking Machines Lab
6:16.160–6:17.760
zh这次选择十分开放
这次选择十分开放
6:17.760–6:20.360
zh直接采用Apache 2.0开源协议
直接采用Apache 2.0开源协议
6:20.360–6:21.980
zh没有附加繁杂限制
没有附加繁杂限制
6:21.980–6:25.220
zh完整模型权重直接上传至哈格面部平台
完整模型权重直接上传至哈格面部平台
6:25.220–6:27.080
zh开发者可以自由修改
开发者可以自由修改
6:27.080–6:28.480
zh部署 商用
部署 商用
6:28.480–6:30.500
zh即便拥有底层架构创新
即便拥有底层架构创新
6:30.500–6:32.640
zh搭配宽松友好的开源协议
搭配宽松友好的开源协议
6:32.640–6:35.500
zh依旧无法掩盖一处无法回避的短板
依旧无法掩盖一处无法回避的短板
6:35.500–6:38.040
zh模型纯粹推理上线并不突出
模型纯粹推理上线并不突出
6:38.040–6:41.060
zh当下AI行业早已进入白热化竞争阶段
当下AI行业早已进入白热化竞争阶段
6:41.060–6:45.360
zh各家机构哪怕基准测试出现小数点级别的分数差距
各家机构哪怕基准测试出现小数点级别的分数差距
6:45.360–6:47.980
zh都会专门撰写论文大肆宣传
都会专门撰写论文大肆宣传
6:47.980–6:49.520
zh投入20亿美元资金
投入20亿美元资金
6:49.520–6:52.340
zh最终产出一款激活参数410亿
最终产出一款激活参数410亿
6:52.340–6:54.300
zh综合表现中等的模型
综合表现中等的模型
6:54.300–6:57.460
zh在外人眼里无疑是一笔严重亏损的投资
在外人眼里无疑是一笔严重亏损的投资
6:57.460–6:59.740
zh不少业内研究员研读论文
不少业内研究员研读论文
6:59.740–7:02.540
zh实测模型之后给出的评价高度统一
实测模型之后给出的评价高度统一
7:02.540–7:04.760
zh评语大多只有很酷两个字
评语大多只有很酷两个字
7:04.760–7:06.260
zh站在投资人视角
站在投资人视角
7:06.260–7:08.520
zh花费巨额资金换来一句很酷
花费巨额资金换来一句很酷
7:08.520–7:11.160
zh和你邀请他人享用高端米其林晚餐
和你邀请他人享用高端米其林晚餐
7:11.160–7:12.580
zh最后只收到一句
最后只收到一句
7:12.580–7:14.120
zh你人很好高度相似
你人很好高度相似
7:14.120–7:16.280
zh属于十分委婉的负面评价
属于十分委婉的负面评价
7:16.280–7:18.140
zh很多人会顺势产生疑问
很多人会顺势产生疑问
7:18.140–7:20.640
zh难道米拉团队已经将狼才进
难道米拉团队已经将狼才进
7:20.640–7:23.040
zh脱离大厂充足算力扶持之后
脱离大厂充足算力扶持之后
7:23.040–7:26.540
zh这群天才工程师再也无法完成前沿模型研发
这群天才工程师再也无法完成前沿模型研发
7:26.540–7:28.120
zh答案显然是否定的
答案显然是否定的
7:28.120–7:31.420
zh这里藏着一个极异被大众忽略的反常识逻辑
这里藏着一个极异被大众忽略的反常识逻辑
7:31.420–7:35.260
zh也是绝大多数行业观察者出现判断偏差的关键
也是绝大多数行业观察者出现判断偏差的关键
7:35.260–7:37.420
zh外界普遍默认研发大模型
外界普遍默认研发大模型
7:37.420–7:39.760
zh必须无休止开展算力军备竞赛
必须无休止开展算力军备竞赛
7:39.760–7:41.980
zh追求更高参数 更强跑分
追求更高参数 更强跑分
7:41.980–7:45.060
zh谁的榜单成绩领先 谁就是最终赢家
谁的榜单成绩领先 谁就是最终赢家
7:45.060–7:48.560
zh可这套竞争思路已经是两年之前的老旧玩法
可这套竞争思路已经是两年之前的老旧玩法
7:48.560–7:52.160
zh现如今想要依靠基准测试提升1%的准确率
现如今想要依靠基准测试提升1%的准确率
7:52.160–7:55.980
zh需要额外投入数亿美元电费 海量算力资源
需要额外投入数亿美元电费 海量算力资源
7:56.060–7:59.760
zh还要耗费大量人力筛选稀缺高质量训练数据
还要耗费大量人力筛选稀缺高质量训练数据
8:00.000–8:02.706
zh边际成本已经膨胀到难以承受的地步。
边际成本已经膨胀到难以承受的地步。
8:02.706–8:04.934
zh米拉在OpenAI长期生耕,
米拉在OpenAI长期生耕,
8:04.934–8:07.480
zh比任何人都清楚算力成本核算逻辑。
比任何人都清楚算力成本核算逻辑。
8:07.480–8:12.083
zh深刻明白B原大模型无休止堆参数换取微小性能提升,
深刻明白B原大模型无休止堆参数换取微小性能提升,
8:12.083–8:14.960
zh本身就是一条难以持续的死胡同。
本身就是一条难以持续的死胡同。
8:14.960–8:18.040
zh如果运营一家估值120亿美元的企业
如果运营一家估值120亿美元的企业
8:18.040–8:19.800
zh核心目标绝对不是
核心目标绝对不是
8:19.800–8:22.960
zh打赢一场没有实际商业价值的跑分竞赛
打赢一场没有实际商业价值的跑分竞赛
8:22.960–8:26.600
zh而是搭建一套能持续自我造血的商业体系
而是搭建一套能持续自我造血的商业体系
8:26.600–8:30.860
zh所以当大家看见一群掌握顶尖AI底层认知的技术人才
所以当大家看见一群掌握顶尖AI底层认知的技术人才
8:30.860–8:34.360
zh在关键节点推出一款看起来平平无奇的产品
在关键节点推出一款看起来平平无奇的产品
8:34.360–8:36.920
zh千万不要简单判定他们决策失误
千万不要简单判定他们决策失误
8:36.920–8:40.320
zh他们正在执行一套普通人难以看懂的长线布局
他们正在执行一套普通人难以看懂的长线布局
8:40.320–8:42.440
zhInkling跑分表现相对平庸
Inkling跑分表现相对平庸
8:42.440–8:43.960
zh并不是研发能力不足
并不是研发能力不足
8:43.960–8:46.040
zh而是精准的商业策略规划
而是精准的商业策略规划
8:46.040–8:48.440
enTai Mankey & G. McKean ES Lab
Tai Mankey & G. McKean ES Lab
8:48.440–8:50.160
zh从一开始就没有争夺
从一开始就没有争夺
8:50.160–8:52.720
zh全球最强通用大模型的想法
全球最强通用大模型的想法
8:52.720–8:54.440
zh把一款推理能力中等
把一款推理能力中等
8:54.440–8:55.660
zh算力消耗低廉
算力消耗低廉
8:55.660–8:56.820
zh响应速度出众
响应速度出众
8:56.820–8:58.360
zh并且完全开源的模型
并且完全开源的模型
8:58.360–8:59.560
zh免费对外开放
免费对外开放
8:59.560–9:01.980
zh仅仅是整套战略布局的第一步
仅仅是整套战略布局的第一步
9:01.980–9:03.760
zh20亿美元的资金投入
20亿美元的资金投入
9:03.760–9:05.060
zh绝大部分运用在
绝大部分运用在
9:05.060–9:07.280
zhInkling反直觉的底层机制设计
Inkling反直觉的底层机制设计
9:07.280–9:09.180
zh以及他们真正用来实现
以及他们真正用来实现
9:09.180–9:11.240
zh商业化变现的秘密武器之上
商业化变现的秘密武器之上
9:11.240–9:12.880
zh倘若大家单纯认为
倘若大家单纯认为
9:12.880–9:15.180
zh这款无法冲进榜单前五的模型
这款无法冲进榜单前五的模型
9:15.180–9:16.140
zh就是故事终点
就是故事终点
9:16.140–9:20.080
zh那就严重低估企业及弊端市场竞争的残酷程度
那就严重低估企业及弊端市场竞争的残酷程度
9:20.080–9:21.780
zh为了更好落地商业化
为了更好落地商业化
9:21.780–9:24.940
zhInkling甚至主动削减一部分自由联想能力
Inkling甚至主动削减一部分自由联想能力
9:24.940–9:28.340
zh只为持续降低单次调用产生的词源开销
只为持续降低单次调用产生的词源开销
9:28.340–9:30.020
zh模型内部运行逻辑
模型内部运行逻辑
9:30.020–9:31.640
zh加上Thinking Machines Lab
加上Thinking Machines Lab
9:31.640–9:33.980
zh后续依靠估值变现的整套方案
后续依靠估值变现的整套方案
9:33.980–9:37.200
zh才是整个科技行业真正需要警惕的地方
才是整个科技行业真正需要警惕的地方
9:37.200–9:40.900
zh当我们拆解Inkling内部调节推理强度的核心机制
当我们拆解Inkling内部调节推理强度的核心机制
9:40.900–9:43.900
zh就能意识到未来人工智能赛道的主战场
就能意识到未来人工智能赛道的主战场
9:43.900–9:46.340
zh根本不会集中在评测排行榜
根本不会集中在评测排行榜
9:46.340–9:48.340
zh这款模型看似平庸的跑分
这款模型看似平庸的跑分
9:48.340–9:50.740
zh是刻意控制之下形成的结果
是刻意控制之下形成的结果
9:50.740–9:53.920
zh米拉团队在Inkling内部设置三处反直觉
米拉团队在Inkling内部设置三处反直觉
9:53.920–9:55.920
zh甚至有些激进的技术设定
甚至有些激进的技术设定
9:55.920–9:57.640
zh每一项都精准击中
每一项都精准击中
9:57.640–10:00.760
zh日军千万次AI调用企业客户的核心痛点
日军千万次AI调用企业客户的核心痛点
10:00.760–10:04.340
zh第一项设定可以称之为智能调节推理力度旋钮
第一项设定可以称之为智能调节推理力度旋钮
10:04.340–10:07.360
zh官方命名为思考力度控制系统
官方命名为思考力度控制系统
10:07.360–10:09.180
zh这项设计充满巧思
这项设计充满巧思
10:09.180–10:11.440
zh市面上绝大多数主流大模型
市面上绝大多数主流大模型
10:11.440–10:13.560
zh处理简单问答1加1等于计
处理简单问答1加1等于计
10:13.560–10:16.120
zh和撰写后端微服务架构代码
和撰写后端微服务架构代码
10:16.120–10:18.260
zh后台占用的算力资源差距极小
后台占用的算力资源差距极小
10:18.260–10:20.260
zh好比驾驶重型重载卡车
好比驾驶重型重载卡车
10:20.260–10:23.180
zh仅仅只为前往楼下便利店采购物品
仅仅只为前往楼下便利店采购物品
10:23.180–10:25.980
zh在企业大规模批量调用场景之下
在企业大规模批量调用场景之下
10:25.980–10:28.620
zh这种资源浪费很难长期承受
这种资源浪费很难长期承受
10:28.620–10:30.240
zh依托这套调节旋钮
依托这套调节旋钮
10:30.240–10:32.040
zh运行规则彻底改变
运行规则彻底改变
10:32.040–10:33.880
zh当模型处理发票分类
当模型处理发票分类
10:33.880–10:37.160
zh标准化客服问答这类重复性基础任务
标准化客服问答这类重复性基础任务
10:37.160–10:38.420
zh可以下调思考力度
可以下调思考力度
10:38.420–10:40.660
zh此时Inkling反馈速度极快
此时Inkling反馈速度极快
10:40.660–10:42.720
zh调用成本压缩到极低水平
调用成本压缩到极低水平
10:42.720–10:45.100
zh基础答案完全能够满足业务需求
基础答案完全能够满足业务需求
10:45.100–10:47.160
zh一旦遭遇核心业务逻辑推演
一旦遭遇核心业务逻辑推演
10:47.160–10:48.400
zh复杂代码修复
复杂代码修复
10:48.400–10:50.040
zh高阶数学推理难题
高阶数学推理难题
10:50.040–10:51.920
zh直接拉高思考力度档位
直接拉高思考力度档位
10:51.920–10:55.340
zhInkling会调动更多算力进入深度推理模式
Inkling会调动更多算力进入深度推理模式
10:55.340–10:58.600
zh综合推理效率能够对标行业第一梯队大模型
综合推理效率能够对标行业第一梯队大模型
10:58.600–11:01.020
zh同时算力消耗远低于同级产品
同时算力消耗远低于同级产品
11:01.020–11:03.600
zh在企业商用场景具备极强优势
在企业商用场景具备极强优势
11:03.600–11:07.500
zh这意味着企业客户终于可以动态管控算力支出
这意味着企业客户终于可以动态管控算力支出
11:07.500–11:10.780
zh当后台每日运行数百万次智能体任务
当后台每日运行数百万次智能体任务
11:10.780–11:12.580
zh可以按需调整资源投入
可以按需调整资源投入
11:12.580–11:16.060
zh省下的每一笔开支都会直接转化为企业净利润
省下的每一笔开支都会直接转化为企业净利润
11:16.060–11:18.840
zh第二项设定更加打破大众固有认知
第二项设定更加打破大众固有认知
11:18.840–11:22.460
zh研发团队刻意训练模型形成诚实输出特性
研发团队刻意训练模型形成诚实输出特性
11:22.460–11:25.780
zh当下绝大多数大模型普遍存在幻觉问题
当下绝大多数大模型普遍存在幻觉问题
11:25.780–11:29.660
zh无论面对何种提问都会强行生成完整答案
无论面对何种提问都会强行生成完整答案
11:29.660–11:31.520
zh哪怕内容完全不符合事实
哪怕内容完全不符合事实
11:31.520–11:33.540
zh依旧会以笃定语气输出
依旧会以笃定语气输出
11:33.540–11:34.680
zh在文学创作
在文学创作
11:34.680–11:36.060
zh日常闲聊场景
日常闲聊场景
11:36.060–11:37.600
zh这种自主生成能力
这种自主生成能力
11:37.600–11:39.000
zh可以称之为创造力
可以称之为创造力
11:39.000–11:40.220
zh放到金融预测
放到金融预测
11:40.220–11:42.160
zh医疗诊断这类企业场景
医疗诊断这类企业场景
11:42.160–11:43.720
zh毫无依据的编造内容
毫无依据的编造内容
11:43.720–11:44.960
zh会带来致命风险
会带来致命风险
11:44.960–11:45.680
zh为此
为此
11:45.680–11:47.080
enThinking Machines Lab
Thinking Machines Lab
11:47.080–11:49.180
zh引入认知学导向训练方案
引入认知学导向训练方案
11:49.180–11:50.200
zh简单来讲
简单来讲
11:50.200–11:52.080
zh利用强化学习奖励模型
利用强化学习奖励模型
11:52.080–11:54.100
zh主动承认认知边界的行为
主动承认认知边界的行为
11:54.100–11:55.760
zh团队持续迭代训练
团队持续迭代训练
11:55.760–11:57.600
zh引导Inkling在信息不足
引导Inkling在信息不足
11:57.600–11:59.540
zh无法得出可靠结论的时候
无法得出可靠结论的时候
11:59.540–12:00.980
zh不要强行猜测
不要强行猜测
12:00.980–12:03.100
zh直接告知使用者无法解答
直接告知使用者无法解答
12:03.100–12:05.120
zh最终训练成果十分突出
最终训练成果十分突出
12:05.120–12:06.620
zhInkling在事件预测
Inkling在事件预测
12:06.620–12:08.680
zh数据分析类客观评测中
数据分析类客观评测中
12:08.680–12:11.540
zh准确率超越多款主流通用大模型
准确率超越多款主流通用大模型
12:11.540–12:13.280
zh达到行业顶尖水准
达到行业顶尖水准
12:13.280–12:15.040
zh对于华尔街对冲基金
对于华尔街对冲基金
12:15.040–12:16.960
zh医疗行业大型机构而言
医疗行业大型机构而言
12:16.960–12:20.220
zh一台关键时刻敢于坦诚信息不足的模型
一台关键时刻敢于坦诚信息不足的模型
12:20.220–12:23.880
zh远比一位强行输出答案的通用模型更加可靠
远比一位强行输出答案的通用模型更加可靠
12:23.880–12:26.480
zh第三项设定带着一丝黑色幽默
第三项设定带着一丝黑色幽默
12:26.480–12:28.460
zh为极致压缩运行成本
为极致压缩运行成本
12:28.460–12:31.260
zh经过3000万轮强化学习迭代之后
经过3000万轮强化学习迭代之后
12:31.260–12:34.780
zhInkling自主演化出高度精简的内部思考语言
Inkling自主演化出高度精简的内部思考语言
12:34.780–12:36.220
zh我们可以简单对比
我们可以简单对比
12:36.220–12:38.860
zh差异主流模型处理复杂问题时
差异主流模型处理复杂问题时
12:38.860–12:41.020
zh内部推理链条会使用规范
内部推理链条会使用规范
12:41.020–12:42.360
zh完整英文语句
完整英文语句
12:42.360–12:44.540
zh需要消耗大量词源资源
需要消耗大量词源资源
12:44.540–12:47.320
zhInkling内部推演过程抛弃完整语法
Inkling内部推演过程抛弃完整语法
12:47.320–12:49.000
zh只保留核心关键词
只保留核心关键词
12:49.000–12:50.800
zh推理效果几乎没有衰减
推理效果几乎没有衰减
12:50.800–12:52.920
zh但是极大削减词源占用
但是极大削减词源占用
12:52.920–12:54.320
zh听起来十分有趣
听起来十分有趣
12:54.320–12:58.160
zh背后体现的是对推理效率极致压榨的工程思路
背后体现的是对推理效率极致压榨的工程思路
12:58.460–13:03.400
zh读到这里大家就能明白,这从来不是一款用来冲击榜单排名的展示型模型,
读到这里大家就能明白,这从来不是一款用来冲击榜单排名的展示型模型,
13:03.800–13:09.480
zh而是面向大规模企业商用量身打造,精打细算,稳定可靠的底层基础设施。
而是面向大规模企业商用量身打造,精打细算,稳定可靠的底层基础设施。
13:09.840–13:14.980
zh即便Inclin拥有诸多精妙设计,仅仅依靠开源模型本身无法创造收入,
即便Inclin拥有诸多精妙设计,仅仅依靠开源模型本身无法创造收入,
13:15.080–13:18.404
zh能够支撑120亿估值完成变现的核心载体,
能够支撑120亿估值完成变现的核心载体,
13:18.404–13:22.060
zh是配套同步推出的Tinker自动化微调平台。
是配套同步推出的Tinker自动化微调平台。
13:22.420–13:26.740
zh这才是SY NTNG MacAINES Lab真正的商业核武器。
这才是SY NTNG MacAINES Lab真正的商业核武器。
13:26.740–13:28.060
zh前面我们提到
前面我们提到
13:28.060–13:29.380
zhInkling完全开源
Inkling完全开源
13:29.380–13:31.540
zh任何人都可以免费下载部署
任何人都可以免费下载部署
13:31.540–13:33.660
zh企业不会为此支付一分钱
企业不会为此支付一分钱
13:33.660–13:35.600
zh可是真实落地场景当中
可是真实落地场景当中
13:35.600–13:38.900
zh大型企业技术负责人拿到模型权重之后
大型企业技术负责人拿到模型权重之后
13:38.900–13:40.700
zh很快会遭遇现实阻碍
很快会遭遇现实阻碍
13:40.700–13:43.160
zh想要让模型理解自身行业业务
想要让模型理解自身行业业务
13:43.160–13:44.600
zh读懂内部财务数据
读懂内部财务数据
13:44.600–13:46.460
zh适配客户服务场景
适配客户服务场景
13:46.460–13:49.220
zh必须使用企业私有数据开展微调
必须使用企业私有数据开展微调
13:49.220–13:50.880
zh模型微调门槛极高
模型微调门槛极高
13:50.880–13:53.440
zh研发人员需要精通整套训练架构
研发人员需要精通整套训练架构
13:53.440–13:55.660
zh持续维护GPU算力集群
持续维护GPU算力集群
13:55.660–13:59.440
zh还要应对训练进程当中频繁出现的程序崩溃问题
还要应对训练进程当中频繁出现的程序崩溃问题
13:59.440–14:02.620
zh绝大多数传统企业并不具备对应的技术团队
绝大多数传统企业并不具备对应的技术团队
14:02.620–14:06.420
zh这个时候Thinking Machines Lab就可以顺势推出解决方案
这个时候Thinking Machines Lab就可以顺势推出解决方案
14:06.420–14:08.320
zh向企业推荐Tinker平台
向企业推荐Tinker平台
14:08.320–14:09.600
zh模型免费交付
模型免费交付
14:09.600–14:11.540
zh但是微调操作门槛过高
但是微调操作门槛过高
14:11.540–14:12.940
zh借助Tinker平台
借助Tinker平台
14:12.940–14:14.980
zh使用者不用理解底层框架
使用者不用理解底层框架
14:14.980–14:16.560
zh不用管理算力节点
不用管理算力节点
14:16.560–14:18.440
zh直接上传私有业务数据
直接上传私有业务数据
14:18.440–14:22.380
zh简单操作就能全自动训练专属垂直领域专家模型
简单操作就能全自动训练专属垂直领域专家模型
14:22.380–14:25.300
zh在官方演示当中还有极具冲击力的功能
在官方演示当中还有极具冲击力的功能
14:25.300–14:27.020
zh平台下达指令之后
平台下达指令之后
14:27.020–14:29.520
zhInklin能够自主编写训练脚本
Inklin能够自主编写训练脚本
14:29.520–14:31.680
zh自动生成配套训练数据集
自动生成配套训练数据集
14:31.680–14:33.980
zh独立完成全部微调流程
独立完成全部微调流程
14:33.980–14:36.140
zh加在全新全重实现自我迭代
加在全新全重实现自我迭代
14:36.140–14:38.020
zh达成全自动自主微调
达成全自动自主微调
14:38.020–14:40.000
zh这正是米拉真正的野心
这正是米拉真正的野心
14:40.000–14:42.240
zh她根本无意打造第二个OpenAI
她根本无意打造第二个OpenAI
14:42.240–14:45.740
zh依靠售卖标准化按磁源计费的通用API盈利
依靠售卖标准化按磁源计费的通用API盈利
14:45.740–14:48.940
zh现如今基础大模型赛道早已红海厮杀
现如今基础大模型赛道早已红海厮杀
14:48.940–14:50.860
zh通用模型数量众多
通用模型数量众多
14:50.860–14:53.220
zh不少开源产品在垂直场景
不少开源产品在垂直场景
14:53.220–14:54.740
zh性能超越必源方案
性能超越必源方案
14:54.740–14:56.160
enThinking Machines Lab
Thinking Machines Lab
14:56.160–14:58.180
zh真实商业模式十分清晰
真实商业模式十分清晰
14:58.180–14:59.780
zh依靠可控性强
依靠可控性强
14:59.780–15:00.720
zh运行稳定
运行稳定
15:00.720–15:02.580
zh完全免费的开源模型
完全免费的开源模型
15:02.580–15:03.780
zh作为引流载体
作为引流载体
15:03.780–15:07.220
zh吸引大量想要搭建私有人工智能系统的企业
吸引大量想要搭建私有人工智能系统的企业
15:07.220–15:10.680
zh随后依托简易自动化微调平台锁定客户
随后依托简易自动化微调平台锁定客户
15:10.680–15:12.820
zh持续收取平台服务费用
持续收取平台服务费用
15:12.820–15:15.420
zh他们不对外售卖通用智能大脑
他们不对外售卖通用智能大脑
15:15.420–15:19.020
zh而是对外提供批量定制行业专家模型的生产工具
而是对外提供批量定制行业专家模型的生产工具
15:19.020–15:22.540
zh未来倘若数万企业借助Tinker搭建专属财物
未来倘若数万企业借助Tinker搭建专属财物
15:22.540–15:24.360
zh客服务医疗智能模型
客服务医疗智能模型
15:24.360–15:26.180
zh没有人再会持续纠结
没有人再会持续纠结
15:26.180–15:28.380
zhInkling在评测榜单排名高低
Inkling在评测榜单排名高低
15:28.380–15:31.180
zh这笔20亿美元投入真的存在浪费吗
这笔20亿美元投入真的存在浪费吗
15:31.180–15:32.380
zh答案是否定的
答案是否定的
15:32.380–15:33.860
zh米拉带领顶尖团队
米拉带领顶尖团队
15:33.860–15:36.360
zh跳出OpenAI必源竞争的内卷赛道
跳出OpenAI必源竞争的内卷赛道
15:36.360–15:38.520
zh在企业定制人工智能赛道
在企业定制人工智能赛道
15:38.520–15:40.000
zh筑器极高护城河
筑器极高护城河
15:40.000–15:41.540
zh他们没有研发失败
他们没有研发失败
15:41.540–15:45.660
zh而是在下一盘足以重塑全球AI商业格局的大棋
而是在下一盘足以重塑全球AI商业格局的大棋
15:45.660–15:49.180
zh我们接着聊硅谷行业内部很少公开讨论的细节
我们接着聊硅谷行业内部很少公开讨论的细节
15:49.180–15:51.520
zhInkling这套高效混合专家
Inkling这套高效混合专家
15:51.520–15:54.800
zhMOE架构背后存在不少值得深究的线索
MOE架构背后存在不少值得深究的线索
15:54.800–15:57.760
zh资深AI架构师研读底层代码之后
资深AI架构师研读底层代码之后
15:57.760–16:00.000
zh能够发现256个路由专业
能够发现256个路由专业
16:00.000–16:01.778
zh資深AI架構師研讀底層代碼之後,
資深AI架構師研讀底層代碼之後,
16:01.778–16:03.444
zh能夠發現256個路由專家單元,
能夠發現256個路由專家單元,
16:03.444–16:04.778
zhSigmoid路由機制,
Sigmoid路由機制,
16:04.778–16:05.889
zh滑動窗口注意力配比,
滑動窗口注意力配比,
16:05.889–16:08.222
zh整套工程設計思路和國內開源大模型深度求索,
整套工程設計思路和國內開源大模型深度求索,
16:08.222–16:10.000
zhDeep-Seek V3高度相似。
Deep-Seek V3高度相似。
16:10.000–16:10.720
zh除此之外
除此之外
16:10.720–16:12.480
zh模型早期预训练阶段
模型早期预训练阶段
16:12.480–16:14.200
zhThinking Machines Lab大量
Thinking Machines Lab大量
16:14.200–16:16.320
zh运用成熟开源模型生成的
运用成熟开源模型生成的
16:16.320–16:17.780
zh合成数据辅助训练
合成数据辅助训练
16:17.780–16:20.680
zh大幅降低训练成本与失措周期
大幅降低训练成本与失措周期
16:20.680–16:22.840
zh一家估值120亿美元
一家估值120亿美元
16:22.840–16:25.860
zh纯正美国背景顶尖AI实验室
纯正美国背景顶尖AI实验室
16:25.860–16:27.900
zh由前OpenAI核心负责人戴队
由前OpenAI核心负责人戴队
16:27.900–16:30.140
zh手握英伟达高端算力资源
手握英伟达高端算力资源
16:30.140–16:31.860
zh最终推出旗舰模型
最终推出旗舰模型
16:31.860–16:34.380
zh大量参考国内开源模型成熟的
大量参考国内开源模型成熟的
16:34.380–16:35.360
zh工程优化方案
工程优化方案
16:35.360–16:37.420
zh很多外行看到消息第一反应
很多外行看到消息第一反应
16:37.420–16:39.020
zh会质疑团队创新能力
会质疑团队创新能力
16:39.020–16:41.080
zh认为只是照搬现有成果
认为只是照搬现有成果
16:41.080–16:43.360
zh站在工程与商业客观视角分析
站在工程与商业客观视角分析
16:43.360–16:45.500
zh这是非常理性务实的选择
这是非常理性务实的选择
16:45.500–16:48.580
zh最近几年海外高端算力芯片供给受限
最近几年海外高端算力芯片供给受限
16:48.580–16:51.720
zh国内AI研发团队无法像OpenAI一样
国内AI研发团队无法像OpenAI一样
16:51.720–16:54.380
zh不计成本堆叠算力暴力训练模型
不计成本堆叠算力暴力训练模型
16:54.380–16:56.300
zh只能持续在算法效率
只能持续在算法效率
16:56.300–16:57.320
zh内存优化
内存优化
16:57.320–16:58.920
zh参数调度层面深耕
参数调度层面深耕
16:58.920–17:02.220
zh倒逼开源模型运行效率突破全新高度
倒逼开源模型运行效率突破全新高度
17:02.220–17:04.120
zh米拉团队十分清楚这一点
米拉团队十分清楚这一点
17:04.120–17:06.420
zh工程技术不存在面子之争
工程技术不存在面子之争
17:06.420–17:09.560
zh既然同行已经验证高效率优化路线可行
既然同行已经验证高效率优化路线可行
17:09.560–17:11.500
zh开源协议允许借鉴参考
开源协议允许借鉴参考
17:11.500–17:13.660
zh站在前人成果之上继续迭代
站在前人成果之上继续迭代
17:13.660–17:15.580
zh就是最高效的选择
就是最高效的选择
17:15.580–17:17.560
zh也正是依托成熟的优化思路
也正是依托成熟的优化思路
17:17.560–17:19.700
zh团队大幅压缩研发周期
团队大幅压缩研发周期
17:19.700–17:23.300
zh快速完成9750亿参数巨型模型的
快速完成9750亿参数巨型模型的
17:23.300–17:24.660
zh完整训练与迭代
完整训练与迭代
17:24.660–17:25.520
zh讲到这里
讲到这里
17:25.520–17:27.720
zh大家会产生一个直击本质的疑问
大家会产生一个直击本质的疑问
17:27.720–17:29.920
zh既然国内开源模型效率出众
既然国内开源模型效率出众
17:29.920–17:32.360
zh多款国产开源模型在代码
多款国产开源模型在代码
17:32.360–17:33.300
zh逻辑推理层面
逻辑推理层面
17:33.300–17:35.600
zh能够对标国际顶级币源产品
能够对标国际顶级币源产品
17:35.600–17:37.440
zh使用成本极其低廉
使用成本极其低廉
17:37.440–17:41.320
zh美国本土企业为什么不直接选用现成国产开源模型
美国本土企业为什么不直接选用现成国产开源模型
17:41.320–17:43.480
zh何必耗费资金使用Inkling
何必耗费资金使用Inkling
17:43.480–17:45.900
zh额外采购Tinker平台服务
额外采购Tinker平台服务
17:45.900–17:50.300
zh这个问题刚好戳破Thinking Machines Lab整套布局最核心的商业命脉
这个问题刚好戳破Thinking Machines Lab整套布局最核心的商业命脉
17:50.300–17:52.960
zh事实上美国资本方并不缺乏理性
事实上美国资本方并不缺乏理性
17:52.960–17:54.860
zh在Inkling正式发布之前
在Inkling正式发布之前
17:54.860–17:59.000
zh美国企业界曾经掀起一波使用海外开源模型的热炒
美国企业界曾经掀起一波使用海外开源模型的热炒
17:59.000–18:03.160
zh查看OPE NRO UTR平台词源路由统计数据
查看OPE NRO UTR平台词源路由统计数据
18:03.160–18:06.160
zh能够发现高峰期有大量企业调用流量
能够发现高峰期有大量企业调用流量
18:06.160–18:07.720
zh转向海外开源模型
转向海外开源模型
18:07.720–18:11.720
zhCoinbase这类头部企业都悄悄迁移智能体业务
Coinbase这类头部企业都悄悄迁移智能体业务
18:11.720–18:13.780
zh直接把运营成本削减一半
直接把运营成本削减一半
18:13.780–18:14.520
zh好用
好用
18:14.520–18:15.060
zh低价
低价
18:15.060–18:16.940
zh资本自然会用脚投票
资本自然会用脚投票
18:16.940–18:19.560
zh全球规模顶尖对冲基金桥水
全球规模顶尖对冲基金桥水
18:19.560–18:22.840
zh就曾利用自身业务数据微调国内开源模型
就曾利用自身业务数据微调国内开源模型
18:22.840–18:25.060
zh在金融推理评测中跑出高分
在金融推理评测中跑出高分
18:25.060–18:27.900
zh全面超越多款高价通用必源模型
全面超越多款高价通用必源模型
18:27.900–18:29.540
zh使用成本大幅降低
使用成本大幅降低
18:29.540–18:32.920
zh低价定制垂直模型碾压昂贵通用大模型
低价定制垂直模型碾压昂贵通用大模型
18:32.920–18:35.840
zh这笔账所有企业决策者都能够看懂
这笔账所有企业决策者都能够看懂
18:35.840–18:38.080
zh但是繁荣周期并没有持续太久
但是繁荣周期并没有持续太久
18:38.080–18:40.980
zh地缘政策带来的监管压力快速到来
地缘政策带来的监管压力快速到来
18:40.980–18:43.920
zh由于海外开源模型普及速度超出预期
由于海外开源模型普及速度超出预期
18:43.920–18:46.160
zh美国监管机构开始高度警惕
美国监管机构开始高度警惕
18:46.160–18:49.680
zh持续向使用海外模型的企业发送警示信函
持续向使用海外模型的企业发送警示信函
18:49.680–18:51.800
zh国会相关委员会启动调研
国会相关委员会启动调研
18:51.800–18:54.400
zh甚至有部门草拟采购限制条款
甚至有部门草拟采购限制条款
18:54.400–18:56.280
zh手握海量隐私业务数据
手握海量隐私业务数据
18:56.280–18:58.840
zh流水规模动辄百亿的华尔街投行
流水规模动辄百亿的华尔街投行
18:58.840–19:02.760
zh医疗集团与科技大厂根本无法承受这类合规风险
医疗集团与科技大厂根本无法承受这类合规风险
19:02.760–19:05.300
zh即便模型性能出色 价格低廉
即便模型性能出色 价格低廉
19:05.300–19:07.920
zh一旦被贴上数据安全隐患标签
一旦被贴上数据安全隐患标签
19:07.920–19:11.460
zh对于企业而言就是随时可能引爆的经营风险
对于企业而言就是随时可能引爆的经营风险
19:11.460–19:14.660
zh与此同时 曾经支撑西方开源生态的Meta
与此同时 曾经支撑西方开源生态的Meta
19:14.660–19:16.860
zh近期持续收紧授权政策
近期持续收紧授权政策
19:16.860–19:21.240
zh后续Lama系列模型逐步转向更加封闭的商业授权模式
后续Lama系列模型逐步转向更加封闭的商业授权模式
19:21.240–19:25.640
zh彻底终结了西方企业免费商用开源大模型的红利时代
彻底终结了西方企业免费商用开源大模型的红利时代
19:25.640–19:27.240
zh就在这个行业窗口期
就在这个行业窗口期
19:27.240–19:29.980
zh西方企业市场出现巨大需求真空
西方企业市场出现巨大需求真空
19:29.980–19:33.100
zh企业迫切需要开源模型降低算力开销
企业迫切需要开源模型降低算力开销
19:33.100–19:35.560
zh希望依靠微调保护私有数据
希望依靠微调保护私有数据
19:35.560–19:37.740
zh但是不敢选用海外免费模型
但是不敢选用海外免费模型
19:37.740–19:40.820
zh本土老牌开源路线又不断抬高准入门槛
本土老牌开源路线又不断抬高准入门槛
19:40.820–19:43.280
zh此刻再回看Inkling的发布时机
此刻再回看Inkling的发布时机
19:43.280–19:44.740
zh一切都豁然开朗
一切都豁然开朗
19:44.740–19:48.200
zhInkling本身不需要争夺全球最强模型的名号
Inkling本身不需要争夺全球最强模型的名号
19:48.200–19:49.380
zh它的真实定位
它的真实定位
19:49.380–19:51.800
zh是当下西方企业市场为数不多
是当下西方企业市场为数不多
19:51.800–19:52.900
zh合规安全
合规安全
19:52.900–19:54.580
zh纯正美国本土血统
纯正美国本土血统
19:54.580–19:57.380
zh且综合性能达标的开源备选方案
且综合性能达标的开源备选方案
19:57.380–20:00.720
zh米拉团队不仅交付一套安全可控的底层模型
米拉团队不仅交付一套安全可控的底层模型
20:00.720–20:03.520
zh还同步推出轻量化版本Inclean Small
还同步推出轻量化版本Inclean Small
20:03.520–20:07.500
zh这款缩小版本总参数规模压缩至2760亿
这款缩小版本总参数规模压缩至2760亿
20:07.500–20:09.840
zh单次推理仅激活120亿参数
单次推理仅激活120亿参数
20:09.840–20:12.880
zh轻量化架构适配中小企业硬件设备
轻量化架构适配中小企业硬件设备
20:12.880–20:15.600
zh在专项垂直推理场景中表现亮眼
在专项垂直推理场景中表现亮眼
20:15.600–20:18.420
zh专门面向有本地私有化部署需求
专门面向有本地私有化部署需求
20:18.420–20:21.040
zh服务器硬件资源有限的中小企业
服务器硬件资源有限的中小企业
20:21.040–20:23.920
zh硬件配置不足可以选用轻量化版本
硬件配置不足可以选用轻量化版本
20:23.920–20:26.740
zh缺少技术人员直接采购Tinker平台
缺少技术人员直接采购Tinker平台
20:26.740–20:28.660
zh担忧跨境数据合规风险
担忧跨境数据合规风险
20:28.660–20:30.920
zh它又是本土正规团队开发
它又是本土正规团队开发
20:30.920–20:33.520
zh代码完整公开托管在哈格面部
代码完整公开托管在哈格面部
20:33.520–20:35.240
zh全部流程透明可查
全部流程透明可查
20:35.240–20:36.980
zh把所有线索串联起来
把所有线索串联起来
20:36.980–20:40.140
zhThinking Machines Lab完整商业版图清晰浮现
Thinking Machines Lab完整商业版图清晰浮现
20:40.140–20:41.960
zh离开OpenAI的MamalaD
离开OpenAI的MamalaD
20:41.960–20:44.880
zh从一开始就没有打算在早已竞争白热化的
从一开始就没有打算在早已竞争白热化的
20:44.880–20:46.180
zh通用大模型赛道
通用大模型赛道
20:46.180–20:48.040
zh复刻第二个ChatGPT
复刻第二个ChatGPT
20:48.040–20:51.780
zh那条赛道只能无休止消耗投资人资金持续内卷
那条赛道只能无休止消耗投资人资金持续内卷
20:51.780–20:53.540
zh他依靠20亿美元资金
他依靠20亿美元资金
20:53.540–20:55.760
zh在OpenAI币源商业帝国旁边
在OpenAI币源商业帝国旁边
20:55.760–20:56.960
zh开辟全新赛道
开辟全新赛道
20:56.960–20:59.000
zh精准预判人工智能未来形态
精准预判人工智能未来形态
20:59.000–21:01.680
zh不会是无所不能的通用超级大脑
不会是无所不能的通用超级大脑
21:01.680–21:03.960
zh而是千千万万扎根细分行业
而是千千万万扎根细分行业
21:03.960–21:07.900
zh低成本运行数据归属企业自身的领域专用模型
低成本运行数据归属企业自身的领域专用模型
21:07.900–21:10.640
zh借鉴经过市场验证的高效开源架构
借鉴经过市场验证的高效开源架构
21:10.640–21:13.840
zh搭配团队成熟的成本控制方案打造Inkling
搭配团队成熟的成本控制方案打造Inkling
21:13.840–21:15.100
zh作为引流载体
作为引流载体
21:15.100–21:17.720
zh再借助地缘环境催生的合规焦虑
再借助地缘环境催生的合规焦虑
21:17.720–21:20.040
zh吸引急需解决方案的企业客户
吸引急需解决方案的企业客户
21:20.040–21:22.400
zh进入Tinker微调服务生态
进入Tinker微调服务生态
21:22.400–21:24.460
zh花费20亿美元打造一款榜单
花费20亿美元打造一款榜单
21:24.460–21:26.160
zh无法跻身前五的模型
无法跻身前五的模型
21:26.160–21:28.500
zh表面看上去像是一场失败投资
表面看上去像是一场失败投资
21:28.500–21:31.300
zh但是倘若这20亿美元换来未来10年
但是倘若这20亿美元换来未来10年
21:31.300–21:34.120
zh全球企业及AI定制市场核心入口
全球企业及AI定制市场核心入口
21:34.120–21:36.620
zh这就是教科书级别的商业布局
这就是教科书级别的商业布局
21:36.620–21:39.960
zh当所有人紧盯评测排行榜相互竞争的时候
当所有人紧盯评测排行榜相互竞争的时候
21:39.960–21:43.620
zh已经有人提前锁定人工智能淘金浪潮当中
已经有人提前锁定人工智能淘金浪潮当中
21:43.620–21:45.480
zh合规产子的独家供应权
合规产子的独家供应权
21:45.480–21:47.800
zh这也是120亿美元估值背后
这也是120亿美元估值背后
21:47.800–21:50.240
zh最值得细细思考的行业真相
最值得细细思考的行业真相
21:50.240–21:51.840
zh其实我们在延伸一层
其实我们在延伸一层
21:51.840–21:55.080
zh你就能看懂硅谷资本更深层的赌具逻辑
你就能看懂硅谷资本更深层的赌具逻辑
21:55.080–21:58.000
zh近两年无数AI创业公司扎堆入场
近两年无数AI创业公司扎堆入场
21:58.000–22:00.220
zh大多都在跟风做通用大模型
大多都在跟风做通用大模型
22:00.220–22:01.500
zh做对话机器人
做对话机器人
22:01.500–22:03.140
zh做花哨的多模态演示
做花哨的多模态演示
22:03.140–22:05.840
zh真正能落地赚钱的寥寥无几
真正能落地赚钱的寥寥无几
22:05.840–22:07.820
zh绝大多数AI初创企业
绝大多数AI初创企业
22:07.820–22:09.480
zh盈利模式极度单一
盈利模式极度单一
22:09.480–22:10.980
zh要么卖API调用
要么卖API调用
22:10.980–22:12.260
zh要么卖会员套餐
要么卖会员套餐
22:12.260–22:14.760
zh陷入无尽的价格战和算力内卷
陷入无尽的价格战和算力内卷
22:14.760–22:16.280
zh稍万融资就倒闭
稍万融资就倒闭
22:16.280–22:17.560
zh存活率极低
存活率极低
22:17.800–22:20.320
zh而SY NTNG Mac King ES Lab
而SY NTNG Mac King ES Lab
22:20.320–22:21.840
zh彻底避开了这片红海
彻底避开了这片红海
22:21.840–22:23.940
zh它不跟任何人抢C端用户
它不跟任何人抢C端用户
22:23.940–22:24.900
zh不卷跑分
不卷跑分
22:24.900–22:26.140
zh不卷花式功能
不卷花式功能
22:26.140–22:27.860
zh直接切入最赚钱
直接切入最赚钱
22:27.860–22:28.500
zh最稳定
最稳定
22:28.500–22:31.000
zh刚需最强的弊端企业服务市场
刚需最强的弊端企业服务市场
22:31.000–22:32.720
zh对于大型企业来说
对于大型企业来说
22:32.720–22:33.600
zhAI成本
AI成本
22:33.600–22:34.540
zh数据安全
数据安全
22:34.540–22:35.620
zh私有化部署
私有化部署
22:35.620–22:36.640
zh定制化适配
定制化适配
22:36.640–22:38.340
zh是比模型聪不聪明
是比模型聪不聪明
22:38.340–22:39.560
zh更重要的刚需
更重要的刚需
22:39.560–22:41.260
zh哪怕通用能力平庸
哪怕通用能力平庸
22:41.260–22:42.240
zh只要足够稳
只要足够稳
22:42.240–22:43.180
zh足够便宜
足够便宜
22:43.180–22:44.120
zh足够安全
足够安全
22:44.120–22:45.220
zh足够好微调
足够好微调
22:45.220–22:46.540
zh就是企业愿意
就是企业愿意
22:46.540–22:48.240
zh长期付费的核心资产
长期付费的核心资产
22:48.240–22:49.940
zh这也是为什么A16Z
这也是为什么A16Z
22:49.940–22:51.820
zh敢于在没有成熟产品
敢于在没有成熟产品
22:51.820–22:53.700
zh没有实际营收的情况下
没有实际营收的情况下
22:53.700–22:54.740
zh豪至20亿美金
豪至20亿美金
22:54.740–22:57.040
zh资本赌的不是一款模型的输赢
资本赌的不是一款模型的输赢
22:57.040–22:59.360
zh而是赌未来企业AI私有化
而是赌未来企业AI私有化
22:59.360–23:00.160
zh定制化
定制化
23:00.160–23:02.020
zh合规化的万亿级风口
合规化的万亿级风口
23:02.020–23:04.320
zh反观行业内很多盲目堆算力
反观行业内很多盲目堆算力
23:04.320–23:05.100
zh卷参数
卷参数
23:05.100–23:06.220
zh卷跑分的团队
卷跑分的团队
23:06.220–23:07.480
zh看似热度爆棚
看似热度爆棚
23:07.480–23:08.220
zh数据亮眼
数据亮眼
23:08.220–23:10.680
zh实则完全偏离了真实商业需求
实则完全偏离了真实商业需求
23:10.680–23:11.860
zh最终只能沦为
最终只能沦为
23:11.860–23:13.380
zh昙花一现的行业过客
昙花一现的行业过客
23:13.380–23:14.340
zh除此之外
除此之外
23:14.340–23:15.560
zh米拉团队的布局
米拉团队的布局
23:15.560–23:17.440
zh还有一个极具远见的细节
还有一个极具远见的细节
23:17.440–23:19.040
zh那就是彻底放弃
那就是彻底放弃
23:19.040–23:20.540
zh避原锁库的传统玩法
避原锁库的传统玩法
23:20.540–23:22.540
zh坚持全开源 全透明
坚持全开源 全透明
23:22.540–23:24.600
zh在当下AI舆论环境中
在当下AI舆论环境中
23:24.600–23:27.020
zh避原模型随时面临授权变动
避原模型随时面临授权变动
23:27.020–23:28.900
zh服务关停 接口涨价
服务关停 接口涨价
23:28.900–23:30.180
zh功能阉割的风险
功能阉割的风险
23:30.180–23:32.340
zh企业用户极其没有安全感
企业用户极其没有安全感
23:32.340–23:34.820
zh而Inkling的Apache 2.0协议
而Inkling的Apache 2.0协议
23:34.820–23:36.900
zh给予了企业最大的自由度
给予了企业最大的自由度
23:36.900–23:38.840
zh可商用 可二次开发
可商用 可二次开发
23:38.840–23:41.340
zh可私有化部署 无板权捆绑
可私有化部署 无板权捆绑
23:41.340–23:43.140
zh这种极致开放的姿态
这种极致开放的姿态
23:43.140–23:45.860
zh刚好击中了当下企业最核心的诉求
刚好击中了当下企业最核心的诉求
23:45.860–23:47.080
zh免费拿模型
免费拿模型
23:47.080–23:48.180
zh免费改模型
免费改模型
23:48.180–23:49.020
zh免费部署
免费部署
23:49.020–23:51.360
zh最后只为精细化微调服务
最后只为精细化微调服务
23:51.360–23:53.060
zh自动化运为工具付费
自动化运为工具付费
23:53.060–23:54.300
zh这种先让利
这种先让利
23:54.300–23:55.980
zh后所刻的商业模式
后所刻的商业模式
23:55.980–23:58.300
zh远比一次性售卖API要长久
远比一次性售卖API要长久
23:58.300–23:59.160
zh稳固得多
稳固得多
24:00.000–24:02.392
zh很多人始終想不通一個核心問題,
很多人始終想不通一個核心問題,
24:02.392–24:05.901
zh為什麼無數大廠耗費巨資打造的頂級通用大模型,
為什麼無數大廠耗費巨資打造的頂級通用大模型,
24:05.901–24:07.815
zh落地企業服務時頻頻翻車,
落地企業服務時頻頻翻車,
24:07.815–24:10.845
zh反而是Inclin這種跑分中庸的模型,
反而是Inclin這種跑分中庸的模型,
24:10.845–24:12.440
zh精準踩中了行業痛點。
精準踩中了行業痛點。
24:12.440–24:15.400
zh答案其实藏在企业真实的AI落地困境里
答案其实藏在企业真实的AI落地困境里
24:15.400–24:17.160
zh绝大多数传统企业
绝大多数传统企业
24:17.160–24:18.100
zh金融机构
金融机构
24:18.100–24:19.080
zh医疗集团
医疗集团
24:19.080–24:20.220
zh制造业工厂
制造业工厂
24:20.220–24:22.200
zh根本不需要模型创作诗歌
根本不需要模型创作诗歌
24:22.200–24:23.020
zh撰写文案
撰写文案
24:23.020–24:24.140
zh完成趣味问答
完成趣味问答
24:24.140–24:26.540
zh也不需要极致的顶尖推力跑分
也不需要极致的顶尖推力跑分
24:26.540–24:28.600
zh他们的核心需求极其朴素
他们的核心需求极其朴素
24:28.600–24:30.400
zh就是稳定低成本
就是稳定低成本
24:30.400–24:30.980
zh可管控
可管控
24:30.980–24:31.680
zh不幻觉
不幻觉
24:31.680–24:33.480
zh能对接自身业务数据
能对接自身业务数据
24:33.480–24:35.280
zh同时全程保障数据
同时全程保障数据
24:35.280–24:35.920
zh不外泄
不外泄
24:35.920–24:36.920
zh过去几年
过去几年
24:36.920–24:40.220
zh大量企业跟风接入各类顶尖臂源大模型API
大量企业跟风接入各类顶尖臂源大模型API
24:40.220–24:42.780
zh看似快速完成了AI数字化升级
看似快速完成了AI数字化升级
24:42.780–24:44.540
zh实则埋下了无数隐患
实则埋下了无数隐患
24:44.540–24:47.000
zh首先是持续走高的调用成本
首先是持续走高的调用成本
24:47.000–24:51.100
zh企业日均数万数十万次的重复性基础调用
企业日均数万数十万次的重复性基础调用
24:51.100–24:52.700
zh累积下来的算力开支
累积下来的算力开支
24:52.700–24:54.800
zh每年动辄数百万甚至上千万
每年动辄数百万甚至上千万
24:54.800–24:56.600
zh长期投入完全没有上线
长期投入完全没有上线
24:56.600–24:58.560
zh其次是数据泄露风险
其次是数据泄露风险
24:58.560–25:00.460
zh企业内部的客户资料
企业内部的客户资料
25:00.460–25:01.460
zh财务报表
财务报表
25:01.460–25:02.540
zh生产数据
生产数据
25:02.540–25:03.560
zh并立信息
并立信息
25:03.560–25:06.700
zh一旦上传至第三方B元模型云端服务器
一旦上传至第三方B元模型云端服务器
25:06.700–25:08.600
zh就彻底脱离了自身管控
就彻底脱离了自身管控
25:08.600–25:10.760
zh随时可能面临数据抓取
随时可能面临数据抓取
25:10.760–25:11.960
zh缓存留存
缓存留存
25:11.960–25:13.440
zh合规溯源的风险
合规溯源的风险
25:13.440–25:14.620
zh更关键的是
更关键的是
25:14.620–25:16.780
zh通用大模型的过度聪明
通用大模型的过度聪明
25:16.780–25:18.800
zh反而成为企业落地的累赘
反而成为企业落地的累赘
25:18.800–25:21.040
zh很多企业业务只需要标准化
很多企业业务只需要标准化
25:21.040–25:22.400
zh流程化的固定输出
流程化的固定输出
25:22.400–25:24.220
zh不需要模型自由发挥
不需要模型自由发挥
25:24.220–25:25.340
zh发散创作
发散创作
25:25.340–25:28.040
zh通用模型自带的高自由度推理能力
通用模型自带的高自由度推理能力
25:28.040–25:29.700
zh不仅会增加算力损耗
不仅会增加算力损耗
25:29.700–25:32.300
zh还容易输出不符合企业规章制度
还容易输出不符合企业规章制度
25:32.300–25:33.480
zh行业规范的内容
行业规范的内容
25:33.480–25:35.480
zh需要人工二次审核修正
需要人工二次审核修正
25:35.480–25:37.180
zh反而降低了工作效率
反而降低了工作效率
25:37.180–25:38.920
zh而Inclin的全套设计
而Inclin的全套设计
25:38.920–25:41.480
zh恰好针对性解决了这些行业顽疾
恰好针对性解决了这些行业顽疾
25:41.480–25:44.160
zh可调节的思考力度杜绝算力浪费
可调节的思考力度杜绝算力浪费
25:44.160–25:46.100
zh极致诚实的输出特性
极致诚实的输出特性
25:46.100–25:47.960
zh规避业务幻觉风险
规避业务幻觉风险
25:47.960–25:50.560
zh轻量化部署适配各类企业硬件条件
轻量化部署适配各类企业硬件条件
25:50.560–25:52.100
zh完全开源的属性
完全开源的属性
25:52.100–25:53.800
zh满足私有化部署需求
满足私有化部署需求
25:53.800–25:56.260
zh再搭配Tinker全自动微调平台
再搭配Tinker全自动微调平台
25:56.260–25:59.160
zh彻底抹平了企业AI落地的技术鸿沟
彻底抹平了企业AI落地的技术鸿沟
25:59.160–26:02.080
zh哪怕是没有专业算法团队的传统企业
哪怕是没有专业算法团队的传统企业
26:02.080–26:05.060
zh也能轻松搭建专属行业AI系统
也能轻松搭建专属行业AI系统
26:05.060–26:07.520
zh这种精准贴合商业落地的产品逻辑
这种精准贴合商业落地的产品逻辑
26:07.520–26:11.320
zh也是它能够碾压一众跑分更强模型的核心底气
也是它能够碾压一众跑分更强模型的核心底气
26:11.320–26:12.280
zh除此之外
除此之外
26:12.280–26:16.020
zh我们还能从行业迭代周期看懂这套布局的前瞻性
我们还能从行业迭代周期看懂这套布局的前瞻性
26:16.020–26:19.520
zh如今通用大模型的技术迭代已经进入瓶颈期
如今通用大模型的技术迭代已经进入瓶颈期
26:19.520–26:22.000
zh性能提升的边际效益持续递减
性能提升的边际效益持续递减
26:22.000–26:25.740
zh单纯比拼参数和算力已经没有实质商业意义
单纯比拼参数和算力已经没有实质商业意义
26:25.740–26:30.460
zh未来AI行业的竞争早已从技术参数竞赛转向商业落地竞赛
未来AI行业的竞争早已从技术参数竞赛转向商业落地竞赛
26:30.460–26:32.540
zh谁能更低成本更合规
谁能更低成本更合规
26:32.540–26:34.420
zh更便捷地帮助各行各业
更便捷地帮助各行各业
26:34.420–26:35.940
zh完成AI私有化
完成AI私有化
26:35.940–26:36.940
zh定制化改造
定制化改造
26:36.940–26:38.740
zh谁就能掌握行业话语权
谁就能掌握行业话语权
26:38.740–26:41.320
zh米拉团队放弃无意义的跑分内卷
米拉团队放弃无意义的跑分内卷
26:41.320–26:42.880
zh深耕企业服务赛道
深耕企业服务赛道
26:42.880–26:46.300
zh本质是提前预判了AI行业的终局形态
本质是提前预判了AI行业的终局形态
26:46.300–26:47.880
zh放弃短期的流量热度
放弃短期的流量热度
26:47.880–26:50.100
zh锁定了长期的行业垄断地位
锁定了长期的行业垄断地位
26:50.100–26:51.340
zh看完这期视频
看完这期视频
26:51.340–26:54.780
zh你如何看待大模型一味比拼跑分的内卷现状
你如何看待大模型一味比拼跑分的内卷现状
26:54.780–26:57.040
zh又觉得未来企业AI定制服务
又觉得未来企业AI定制服务
26:57.040–26:58.540
zh会走向怎样的格局
会走向怎样的格局
26:58.540–27:00.580
zh欢迎在评论区理性交流
欢迎在评论区理性交流
27:00.580–27:03.680
zh如果你觉得本期深度行业解读干货充足
如果你觉得本期深度行业解读干货充足
27:03.680–27:05.680
zh记得点赞并且订阅频道
记得点赞并且订阅频道
27:05.680–27:08.600
zh后续持续跟踪全球AI巨头的战略博弈
后续持续跟踪全球AI巨头的战略博弈
27:08.600–27:10.700
zh不要错过更多前沿产业分析
不要错过更多前沿产业分析
27:10.700–27:12.000
zh我们下期再见
我们下期再见
影片筆記：砸 20 億推出爭議大模型！離開 OpenAI 的頂尖人才，跳出跑分競賽另辟賽道
<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->
⚠️ 可先使用，仍有待修正項目
本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。
- 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）
<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->
一句話總結
前 OpenAI 核心團隊出走成立 Thinking Machines Lab，獲得 20 億美元投資後發布開源模型 Inkling，雖在基準測試中表現平庸，但透過「智能調節推理力度」、「誠實輸出」及「自動化微調平台 Tinker」鎖定企業商用場景，以合規與低成本策略避開通用模型內卷，構建商業護城河。
核心重點
- 團隊背景與資本佈局：
- 2024 年底，Mira Murati、John Schulman 等 OpenAI 核心高管集體離職，帶走半數研發力量。
- 成立 Thinking Machines Lab，獲得 Andreessen Horowitz (a16z) 20 億美元投資，估值達 120 億美元。
- 業界預期其帶來技術降維打擊，打破 OpenAI 閉源壟斷。
- Inkling 模型發布與表現：
- 2026 年 7 月發布基礎模型 Inkling，參數量 9750 億（MOE 架構，激活參數 410 億）。
- 基準測試排名平庸，未進前五，落後於 Claude 3.5、OpenAI 主流模型及月之暗面 KIMI K3。
- 被視為「降維打擊」的商業佈局，而非爭奪「最強通用大模型」頭銜。
- 三大反直覺技術設定（針對企業痛點）：
- 智能調節推理力度：根據任務複雜度動態調整算力。簡單任務（如發票分類）調低思考力度，降低成本；複雜任務（如代碼修復）調高力度，對標第一梯隊效率。
- 誠實輸出特性：透過強化學習引導模型在資訊不足時承認無法解答，減少「幻覺」，適合金融、醫療等嚴肅場景。
- 極致壓縮成本：演化出精簡的內部思考語言，拋棄完整語法，僅保留核心關鍵詞，削減詞源（Token）佔用。
- 商業變現模式：Tinker 平台：
- 免費開源 Inkling（含輕量化版 Inkling Small）作為引流。
- 通過同步推出的 Tinker 自動化微調平台變現。
- 企業無需管理算力，上傳私有數據即可自動訓練垂直領域專家模型，實現「自我迭代」。
- 市場邏輯與合規優勢：
- 利用美國企業對數據合規、隱私保護的焦慮，以及對海外（如中國）開源模型的地緣政治擔憂。
- 提供「純正美國血統」、代碼公開託管於 Hugging Face、可本地私有化部署的解決方案。
- 競爭終局從技術參數競賽轉向商業落地競賽，未來屬於「成千上萬扎根細分行業、低成本、數據歸屬企業自身的領域專用模型」。
詳細大綱
I. 傳奇出走與資本狂熱
- OpenAI 高管離職風波：2024 年底，Mira Murati、John Schulman 等核心人員集體辭職，抽走 OpenAI 半數研發力量。
- 風投押注：Andreessen Horowitz 投入 20 億美元，Thinking Machines Lab 估值達 120 億美元，被視為搶佔通用人工智能時代的「最後船票」。
- 行業期待：業界期待其帶來技術降維打擊，打破 OpenAI 閉源模式壟斷。
II. 發布與錯愕：Inkling 的平庸表現
- 發布時間：2026 年 7 月中旬，沉寂一年半後公開成果。
- 基準測試結果：
- 無法進入主流權威基準前五。
- 落後於 Claude 3.5、OpenAI 主流閉源模型。
- 被月之暗面 KIMI K3（2.8 萬億參數）正面抗衡甚至反超。
- 綜合水平僅屬中上游，且發布後立即被 KIMI K3 搶走開發者關注度。
- 表面結論：頂級團隊、資金、資源，最終產出平平無奇甚至被碾壓的產品。
III. 深度拆解：Inkling 的技術底層與架構
- 模型架構：
- 總參數量 9750 億的混合專家模型（MOE 架構）。
- 稀疏激活：每次僅激活 410 億參數。
- 原生支持 100 萬長度上下文窗口。
- 基於 45 萬億詞源規模的文本、圖像、音頻混合數據預訓練。
- 多模態創新：
- 跳過中間轉化流程，直接讀取原始像素與音頻波形信號。
- 重構多模態信息處理邏輯，無需獨立編碼器。
- 開源協議：採用 Apache 2.0 協議，權重上傳至 Hugging Face（逐字稿稱「哈格面部」），允許自由修改、部署、商用。
- 技術借鑑：
- 底層代碼顯示與國內開源模型 DeepSeek V3 高度相似（256 個路由專家單元、Sigmoid 路由機制、滑動窗口注意力配比）。
- 早期預訓練使用成熟開源模型生成的合成數據輔助，降低成本與週期。
IV. 三大反直覺技術設定（針對企業痛點）
- 思考力度控制系統（智能調節推理力度）：
- 解決「重型卡車送貨」式的算力浪費問題。
- 簡單任務（如發票分類、客服）：調低思考力度，極快響應，極低成本。
- 複雜任務（如代碼修復、數學推理）：調高思考力度，對標第一梯隊推理效率，但消耗低於同級產品。
- 誠實輸出特性（認知邊界引導）：
- 引入認知學導向訓練，利用強化學習獎勵模型。
- 引導模型在信息不足時主動承認無法解答，而非強行編造（減少幻覺）。
- 在金融預測、醫療診斷等場景中，準確率超越多款主流通用大模型。
- 極致壓縮運行成本（內部思考語言）：
- 經過 3000 萬輪強化學習迭代，自主演化出高度精簡的內部思考語言。
- 拋棄完整語法，只保留核心關鍵詞，極大削減詞源佔用，推理效果未減。
V. 商業變現核心：Tinker 自動化微調平台
- 平台功能：
- 使用者無需理解底層框架或管理算力節點。
- 上傳私有業務數據，自動全過程訓練專屬垂直領域專家模型。
- Inkling 可自主編寫訓練腳本、生成配套訓練數據集，實現「自我迭代」與「全自動自主微調」。
- 商業邏輯：
- 引流：免費提供開源模型 Inkling（含輕量化版本 Inkling Small，2760 億參數，激活 120 億）。
- 變現：通過 Tinker 平台收取服務費用，鎖定客戶。
- 定位：不賣通用智能大腦 API，而是提供「批量定制行業專家模型生產工具」。
VI. 市場環境與合規焦慮
- 海外開源模型的困境：
- 美國企業曾轉向使用海外（如中國）開源模型以降低成本（如 Coinbase 遷移業務，橋水基金微调）。
- 監管壓力：美國監管機構發送警示信函，國會啟動調研，擬定採購限制條款。
- 數據安全：華爾街投行、醫療集團無法承受數據跨境合規風險。
- Meta 授權收緊：Llama 系列逐步轉向封閉商業授權，終結免費商用紅利。
- Inkling 的定位：
- 純正美國本土血統，合規安全。
- 代碼完整公開託管於 Hugging Face，流程透明。
- 滿足企業對「本地私有化部署」與「數據不出境」的剛需。
VII. 行業洞察與未來預判
- 內卷現狀：多數團隊迷信基準測試分數，堆砌參數，導致商用成本高、落地兼容性差。
- 終局形態：AI 競爭從技術參數競賽轉向商業落地競賽。未來不是「無所不能的通用超級大腦」，而是「成千上萬扎根細分行業、低成本、數據歸屬企業自身的領域專用模型」。
- 資本邏輯：a16z 投資 20 億美元賭的是「企業 AI 私有化、定制化、合規化」的萬億級風口，而非單個模型的輸贏。
- 總結：Thinking Machines Lab 通過放棄跑分內卷，深耕企業服務賽道，築起高護城河，完成了一次頂級的商業佈局。
工具 / 模型 / 名詞整理
- Thinking Machines Lab：Mira Murati 離開 OpenAI 後創立的初創公司名稱（逐字稿中有聽寫錯誤如 SY NTNG Mac King ES Lab）。
- Inkling：Thinking Machines Lab 發布的開源基礎模型代號。
- *註：逐字稿中模型名稱拼寫存在不一致，包括 "Inkling", "Inkling Small" 等。*
- OpenAI：前雇主，ChatGPT 開發者。
- ChatGPT：OpenAI 的產品。
- GPT3, GPT4：OpenAI 的模型版本。
- Andreessen Horowitz (a16z)：投資 Thinking Machines Lab 的風投機構（逐字稿稱「安德森霍洛維茨」）。
- Claude 3.5：逐字稿稱「克勞德·菲波 5」，指 Anthropic 的模型。
- OpenAI 主流閉源模型：泛指 OpenAI 的付費 API 模型。
- 月之暗面 KIMI K3：逐字稿稱「月之暗面 KIMI K3」，指中國公司月之暗面（Moonshot AI）的模型。
- Meta：Facebook 母公司，Llama 系列開發者。
- Llama 系列：Meta 的開源模型系列。
- DeepSeek V3：逐字稿稱「深度求索, Deep-Seek V3」，指中國公司深度求索的模型。
- Hugging Face：逐字稿稱「哈格面部平台」，開源模型託管平台。
- Apache 2.0：Inkling 使用的開源協議。
- Tinker：Thinking Machines Lab 推出的自動化微調平台（逐字稿中也有拼寫為 "Tinker" 或 "SY NTNG Mac King ES Lab" 對應的公司名，平台名主要為 Tinker）。
- Inkling Small：Inkling 的輕量化版本，總參數 2760 億，激活 120 億。
- Coinbase：提及使用海外開源模型的美國企業。
- 橋水基金 (Bridgewater)：提及使用海外開源模型的美國對沖基金。
- MOE 架構：混合專家模型（Mixture of Experts）。
- 詞源：逐字稿中多次使用，結合上下文疑為 Token（詞元/記號）的聽寫錯誤。
- 閉源：逐字稿中出現「避原」、「必源」等混用，疑為 Closed-source 的聽寫錯誤。
操作流程整理
- 企業需求分析：企業面臨數據合規焦慮、海外模型監管壓力及 Meta 授權收緊問題，需要本地私有化部署方案。
- 獲取基礎模型：下載開源的 Inkling 模型（或輕量化版 Inkling Small），利用 Apache 2.0 協議進行自由部署。
- 數據準備：企業上傳私有業務數據至 Tinker 平台。
- 自動化微調：
- Tinker 平台自動全過程訓練專屬垂直領域專家模型。
- Inkling 模型自主編寫訓練腳本、生成配套訓練數據集。
- 實現「自我迭代」與「全自動自主微調」。
- 部署與應用：
- 根據任務類型選擇推理力度（簡單任務低力度，複雜任務高力度）。
- 利用模型的「誠實輸出特性」處理金融、醫療等嚴肅場景，減少幻覺風險。
- 享受極致壓縮成本帶來的低運營費用。
值得注意的限制或風險
- 基準測試表現平庸：Inkling 在主流權威基準測試中未進前五，落後於 Claude 3.5 及 OpenAI 主流模型，甚至被月之暗面 KIMI K3 反超，技術實力在通用領域未獲公認領先。
- 技術借鑑爭議：底層代碼顯示與國內開源模型 DeepSeek V3 高度相似（如 256 個路由專家單元、Sigmoid 路由機制），可能引發技術原創性爭議。
- 數據合規與地緣政治：雖然強調「純正美國血統」，但美國監管機構對海外開源模型的警示信函及國會調研顯示，數據跨境合規風險依然存在，華爾街投行等機構對數據出境敏感。
- 商業模式依賴性：變現高度依賴 Tinker 平台，若企業無法接受該平台服務或自行開發微調能力，可能影響長期用戶鎖定。
- 時間點疑義：影片提及「2026 年 7 月中旬」發布模型，若當前時間早於此，則為預測性或未來視角敘述，需確認是否為口誤或特定敘事手法。
逐字稿辨識疑點
- 人名拼寫與稱呼不一致：
- 逐字稿中多次出現「米拉姆拉蒂」、「米拉帶走」、「米拉在 OpenAI 長期生耕」、「MamalaD」、「Mira Murati」等，指代同一人，但拼寫混亂。
- 「約翰·舒爾曼」對應 John Schulman。
- 「巴雷特·佐夫」對應 Barrett Zoph。
- 模型名稱拼寫錯誤/不一致：
- 模型主要被稱為 Inkling，但逐字稿中多次出現 Inkling、Inkling、Inkling Small 等拼寫變體，甚至出現 Inkling 與 Inkling 混用。
- 「克勞德·菲波 5」應指 Claude 3.5。
- 「月之暗面 KIMI K3」應指 Kimi K2 或 Kimi K3（需查證月之暗面具體模型版本，逐字稿為 KIMI K3）。
- 「Deep-Seek V3」應為 DeepSeek V3。
- 公司/機構名稱聽寫錯誤：
- 「安德森霍洛維茨」應為 Andreessen Horowitz (a16z)。
- 「哈格面部平台」應為 Hugging Face。
- 「SY NTNG Mac King ES Lab」或「SY NTNG MacainES Lab」應為 Thinking Machines Lab 的嚴重聽寫錯誤。
- 「Tai Mankey & G. McKean ES Lab」應為 Thinking Machines Lab 的聽寫錯誤。
- 技術術語疑點：
- 「詞源」：逐字稿中多次使用「詞源」，結合上下文（如「詞源開銷」、「詞源路由」），疑為 Token（詞元/記號）的聽寫錯誤。
- 「避原」：逐字稿中多次使用「避原模型」、「必源方案」、「閉源」混用，疑為 閉源 (Closed-source) 的聽寫錯誤。
- 「日軍千萬次」：疑為 日均千萬次 的聽寫錯誤。
- 「無板權捆綁」：疑為 無版權捆綁 或 無版權限制。
- 「花格」：疑為 Hugging Face 或相關平台的誤聽。
- 「OPE NRO UTR 平台」：疑為 Hugging Face 或 OpenRouter 等平台的誤聽，結合上下文「詞源路由統計數據」，可能是指某個 API 路由平台。
- 「B原大模型」：疑為 閉源大模型。
- 「臂源大模型」：疑為 閉源大模型。
- 「必源競爭」：疑為 閉源競爭。
- 數據與事實疑點：
- 逐字稿提到「2026 年 7 月中旬」，若當前時間早於此，則為預測性或未來視角敘述，或為口誤。
- 「2.8 萬億參數」的 K
尚未產生學習筆記
請在 Telegram 指令最後加上「學習」，例如：videonote 網址 英文 雙語 學習