# 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

1.  **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。

2.  **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。

3.  **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。

4.  **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」。

5.  **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）
1.  **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。
2.  **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。
3.  **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

1.  **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。
2.  **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。
3.  **數據準備**：企業上傳私有業務數據至 Tinker 平台。
4.  **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」。
5.  **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

1.  **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。
2.  **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。
3.  **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。
4.  **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。
5.  **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