start end text 0 28540 如果你持续关注硅谷AI产业动态,一定听过这场堪称传奇的人才出走事件。手握20亿美元顶级风头,集结一批从OpenAI出走的核心研发人才。秘密打磨接近两年,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。可最终的结果却让整个科技圈大跌眼镜。在前不久的发布会结束之后,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。 28540 30640 不少开源模型的综合表现 30640 32240 都能够实现对它的压制 32240 34500 回望2024年年底那场震动 34500 35680 全球AI行业的 35680 37240 OpenAI高管离职风波 37240 38780 大家才慢慢意识到 38780 41200 这根本不是简单的人员流动 41200 42560 而是一场精心布局 42560 44820 持续多年的人才收割行动 44820 45780 米拉姆拉蒂 45780 48120 也就是曾经短暂执掌OpenAI 48120 49940 全程主导ChatGPT 49940 51740 落地研发的核心关键人物 51740 54460 在2024年9月正式离开老东家 54460 56300 并且不是孤身一人 56300 58320 他踏出OpenAI大门之后 58320 60160 联合创始人约翰·舒尔曼 60160 62380 前研究副总裁巴雷特·佐夫 62380 66160 还有一大批资深核心研究员紧随其后递交辞呈 66160 67800 这群人的集体出走 67800 71120 几乎直接抽走了OpenAI半数核心研发力量 71120 73180 在硅谷的产业生态里面 73180 75500 顶尖人工智能研究员的稀缺程度 75500 78840 甚至超过英伟达H100系列高端算力芯片 78840 81960 米拉带走的远远不止数十名资深工程师 81960 86060 更是一套经过GPT3到GPT4完整项目验证 86060 88760 成熟可行的大模型训练方法论 88760 91220 还有整套工程落地的实战经验 91220 93060 这支团队亲眼见证过 93060 95660 全球规模顶尖算力集群的运行逻辑 95660 97420 也踩遍了训练过程里 97420 100240 各类会引发模型崩溃的隐蔽技术陷阱 100240 102860 因此当他们对外宣布独立创业的时候 102860 105240 整个风险投资圈子陷入狂热 105240 107460 硅谷风投机构最擅长算账 107460 110300 也最容易陷入害怕错失机遇的情绪 110300 111600 安德森霍洛维茨 111600 113900 直接敲定20亿美元现金投入 113900 115320 投资落地的时候 115320 117960 这家连正式名称都没有完全敲定 117960 121540 一行商用产品代码都还没有产出的初创团队 121540 123700 最终定名Thinking Machines Lab 123700 126180 投后估值直接冲到120亿美元 126180 130020 没有任何成熟产品就能拥有120亿美元估值 130020 133760 放在其他行业很容易被贴上庞氏骗局的标签 133760 136140 但是在近几年火热的AI赛道 136140 140360 资本把这称作抢占通往通用人工智能时代最后的传票 140360 142460 风投机构押注的核心目标 142460 144400 就是米拉带领的这支团队 144400 145720 能够打造出一套 145720 147980 打破OpenAI避原模式垄断的 147980 148960 全新产业生态 148960 150500 所有人静静观望 150500 152380 期待着20亿美元资金 152380 154280 两年时间能够孵化出 154280 156640 怎样惊世骇俗的人工智能产品 156640 158440 整个行业秉析宁神 158440 160580 等待新一代顶级大模型的 160580 161580 技术降维打击 161580 163980 时间来到2026年7月中旬 163980 165060 也就是近期 165060 166360 沉寂一年半之久的 166360 167420 Thinking Machines Lab 167420 170140 终于对外公开酝酿许久的重磅成果 170140 172260 开源基础模型代号Inklin 172260 174020 伴随着发布会正式落幕 174020 176760 整个科技行业陷入巨大的错愕 176760 179860 这款投入重金闭关研发两年打造的模型 179860 183640 在各类权威基准测试当中成绩只能用平庸形容 183640 185360 前方有克劳德·菲波5 185360 188880 OpenAI主流避原模型两座顶尖避原模型 188880 190060 稳定占据高位 190060 192420 同期发布的月之暗面KIMI K3 192420 194740 这款拥有2.8万亿参数的模型 194740 196640 同样能够和它正面抗衡 196640 198480 多项指标实现反超 198480 200720 Inkling在开源模型梯队当中 200720 203260 综合水平最多只能算作中油水准 203260 205860 更加尴尬的还有发布时间窗口 205860 208460 Inkling正式上线仅仅一天之后 208460 210440 Kimi K3热度全面爆发 210440 212120 大量开发者涌入调用 212120 213800 直接把算力资源耗尽 213800 216560 几乎抢走了Inkling全部公众关注度 216560 218000 普通观众看到这里 218000 220980 大概率都会认定这是一场彻头彻尾的失败 220980 221960 顶级团队 221960 222780 顶级资金 222780 223620 顶级资源 223620 225740 最后打出一张平平无奇的牌 225740 228100 甚至被后发竞品全面碾压 228100 230700 但如果你只看到表面的跑分输赢 230700 234180 完全看不懂当下AI行业真正的内卷困局 234180 237360 更看不懂硅谷顶级资本真正的下注逻辑 237360 239680 现在整个AI行业已经陷入一种 239680 241340 极度畸形的内卷怪圈 241340 243900 绝大多数团队、媒体、开发者 243900 246380 都在疯狂迷信基准测试分数 246380 249260 把榜单排名当成唯一的评判标准 249260 251340 为了零点几分的微弱提升 251340 254040 无数公司动辄烧数亿美金算力 254040 255420 堆砌海量参数 255420 256800 清洗冗余数据 256800 258220 反复微调权重 258220 260820 最后做出来的模型跑分看似好看 260820 262300 但是商用成本极高 262300 263880 落地兼容性极差 263880 265580 企业部署难度巨大 265580 267400 完全是为了跑分而生 267400 269480 而非为了商用而生的产品 269480 271040 这也是最近一年来 271040 273240 无数顶级AI模型高开低走 273240 275920 热度爆红却无法变现的核心原因 275920 278260 行业早已不再缺聪明的模型 278260 279640 企业真正缺的 279640 281660 是稳定便宜可控能落地 281660 284060 零合规风险的工业化AI基础设施 284060 286960 而这恰恰就是Inkling精准卡位的赛道 286960 289660 大家一定要点赞订阅锁住频道 289660 293480 接下来我逐层拆解这场瞒天过海的AI商业布局 293480 294840 看懂了你就明白 294840 296240 这根本不是翻车 296240 299240 而是近两年最顶级的AI创业降位布局 299240 300880 我们不妨深入拆解 300880 305520 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 305520 310240 Inkling属于总参数量达到9750亿的混合专家模型 310240 312460 也就是业内常说的MOE架构 312460 314860 单单看总参数规模接近万亿 314860 316440 听起来极具冲击力 316440 318920 但是熟悉稀疏架构的从业者 318920 321180 都清楚MOE底层运行逻辑 321180 323300 每一次处理词源信息的时候 323300 326500 仅仅只有410亿参数被激活参与运算 326500 329460 模型原生支持100万长度上下文窗口 329460 331760 依托45万亿词源规模的文本 331760 333680 图像 音频混合数据 333680 335520 完成从零开始的预训链 335520 338160 整套体系当中最具备革新意义的 338160 340800 是它重构了多模态信息处理逻辑 340800 344760 目前市面上绝大多数宣称原生多模态的大模型 344760 348820 本质只是在基础语言模型外部附加一套处理组件 348820 350780 遇到图片、音频信息 350780 352180 需要独立编码器 352180 356580 先把视觉、听觉信号转化为模型能够识别的次元格式 356580 358460 再送入主体网络运算 358460 360780 而Inkling跳过中间转化流程 360780 364260 可以直接读取原始像素与音频波形信号 364260 367160 这种底层架构重构的工程难度极高 367160 371320 也直观体现出这支前OpenAI团队扎实的技术积累 371320 374760 对比Meta很多开源模型饱受争议的授权条款 374760 376160 Thinking Machines Lab 376160 377760 这次选择十分开放 377760 380360 直接采用Apache 2.0开源协议 380360 381980 没有附加繁杂限制 381980 385220 完整模型权重直接上传至哈格面部平台 385220 387080 开发者可以自由修改 387080 388480 部署 商用 388480 390500 即便拥有底层架构创新 390500 392640 搭配宽松友好的开源协议 392640 395500 依旧无法掩盖一处无法回避的短板 395500 398040 模型纯粹推理上线并不突出 398040 401060 当下AI行业早已进入白热化竞争阶段 401060 405360 各家机构哪怕基准测试出现小数点级别的分数差距 405360 407980 都会专门撰写论文大肆宣传 407980 409520 投入20亿美元资金 409520 412340 最终产出一款激活参数410亿 412340 414300 综合表现中等的模型 414300 417460 在外人眼里无疑是一笔严重亏损的投资 417460 419740 不少业内研究员研读论文 419740 422540 实测模型之后给出的评价高度统一 422540 424760 评语大多只有很酷两个字 424760 426260 站在投资人视角 426260 428520 花费巨额资金换来一句很酷 428520 431160 和你邀请他人享用高端米其林晚餐 431160 432580 最后只收到一句 432580 434120 你人很好高度相似 434120 436280 属于十分委婉的负面评价 436280 438140 很多人会顺势产生疑问 438140 440640 难道米拉团队已经将狼才进 440640 443040 脱离大厂充足算力扶持之后 443040 446540 这群天才工程师再也无法完成前沿模型研发 446540 448120 答案显然是否定的 448120 451420 这里藏着一个极异被大众忽略的反常识逻辑 451420 455260 也是绝大多数行业观察者出现判断偏差的关键 455260 457420 外界普遍默认研发大模型 457420 459760 必须无休止开展算力军备竞赛 459760 461980 追求更高参数 更强跑分 461980 465060 谁的榜单成绩领先 谁就是最终赢家 465060 468560 可这套竞争思路已经是两年之前的老旧玩法 468560 472160 现如今想要依靠基准测试提升1%的准确率 472160 475980 需要额外投入数亿美元电费 海量算力资源 476060 479760 还要耗费大量人力筛选稀缺高质量训练数据 480000 487480 边际成本已经膨胀到难以承受的地步。米拉在OpenAI长期生耕,比任何人都清楚算力成本核算逻辑。 487480 494960 深刻明白B原大模型无休止堆参数换取微小性能提升,本身就是一条难以持续的死胡同。 494960 498040 如果运营一家估值120亿美元的企业 498040 499800 核心目标绝对不是 499800 502960 打赢一场没有实际商业价值的跑分竞赛 502960 506600 而是搭建一套能持续自我造血的商业体系 506600 510860 所以当大家看见一群掌握顶尖AI底层认知的技术人才 510860 514360 在关键节点推出一款看起来平平无奇的产品 514360 516920 千万不要简单判定他们决策失误 516920 520320 他们正在执行一套普通人难以看懂的长线布局 520320 522440 Inkling跑分表现相对平庸 522440 523960 并不是研发能力不足 523960 526040 而是精准的商业策略规划 526040 528440 Tai Mankey & G. McKean ES Lab 528440 530160 从一开始就没有争夺 530160 532720 全球最强通用大模型的想法 532720 534440 把一款推理能力中等 534440 535660 算力消耗低廉 535660 536820 响应速度出众 536820 538360 并且完全开源的模型 538360 539560 免费对外开放 539560 541980 仅仅是整套战略布局的第一步 541980 543760 20亿美元的资金投入 543760 545060 绝大部分运用在 545060 547280 Inkling反直觉的底层机制设计 547280 549180 以及他们真正用来实现 549180 551240 商业化变现的秘密武器之上 551240 552880 倘若大家单纯认为 552880 555180 这款无法冲进榜单前五的模型 555180 556140 就是故事终点 556140 560080 那就严重低估企业及弊端市场竞争的残酷程度 560080 561780 为了更好落地商业化 561780 564940 Inkling甚至主动削减一部分自由联想能力 564940 568340 只为持续降低单次调用产生的词源开销 568340 570020 模型内部运行逻辑 570020 571640 加上Thinking Machines Lab 571640 573980 后续依靠估值变现的整套方案 573980 577200 才是整个科技行业真正需要警惕的地方 577200 580900 当我们拆解Inkling内部调节推理强度的核心机制 580900 583900 就能意识到未来人工智能赛道的主战场 583900 586340 根本不会集中在评测排行榜 586340 588340 这款模型看似平庸的跑分 588340 590740 是刻意控制之下形成的结果 590740 593920 米拉团队在Inkling内部设置三处反直觉 593920 595920 甚至有些激进的技术设定 595920 597640 每一项都精准击中 597640 600760 日军千万次AI调用企业客户的核心痛点 600760 604340 第一项设定可以称之为智能调节推理力度旋钮 604340 607360 官方命名为思考力度控制系统 607360 609180 这项设计充满巧思 609180 611440 市面上绝大多数主流大模型 611440 613560 处理简单问答1加1等于计 613560 616120 和撰写后端微服务架构代码 616120 618260 后台占用的算力资源差距极小 618260 620260 好比驾驶重型重载卡车 620260 623180 仅仅只为前往楼下便利店采购物品 623180 625980 在企业大规模批量调用场景之下 625980 628620 这种资源浪费很难长期承受 628620 630240 依托这套调节旋钮 630240 632040 运行规则彻底改变 632040 633880 当模型处理发票分类 633880 637160 标准化客服问答这类重复性基础任务 637160 638420 可以下调思考力度 638420 640660 此时Inkling反馈速度极快 640660 642720 调用成本压缩到极低水平 642720 645100 基础答案完全能够满足业务需求 645100 647160 一旦遭遇核心业务逻辑推演 647160 648400 复杂代码修复 648400 650040 高阶数学推理难题 650040 651920 直接拉高思考力度档位 651920 655340 Inkling会调动更多算力进入深度推理模式 655340 658600 综合推理效率能够对标行业第一梯队大模型 658600 661020 同时算力消耗远低于同级产品 661020 663600 在企业商用场景具备极强优势 663600 667500 这意味着企业客户终于可以动态管控算力支出 667500 670780 当后台每日运行数百万次智能体任务 670780 672580 可以按需调整资源投入 672580 676060 省下的每一笔开支都会直接转化为企业净利润 676060 678840 第二项设定更加打破大众固有认知 678840 682460 研发团队刻意训练模型形成诚实输出特性 682460 685780 当下绝大多数大模型普遍存在幻觉问题 685780 689660 无论面对何种提问都会强行生成完整答案 689660 691520 哪怕内容完全不符合事实 691520 693540 依旧会以笃定语气输出 693540 694680 在文学创作 694680 696060 日常闲聊场景 696060 697600 这种自主生成能力 697600 699000 可以称之为创造力 699000 700220 放到金融预测 700220 702160 医疗诊断这类企业场景 702160 703720 毫无依据的编造内容 703720 704960 会带来致命风险 704960 705680 为此 705680 707080 Thinking Machines Lab 707080 709180 引入认知学导向训练方案 709180 710200 简单来讲 710200 712080 利用强化学习奖励模型 712080 714100 主动承认认知边界的行为 714100 715760 团队持续迭代训练 715760 717600 引导Inkling在信息不足 717600 719540 无法得出可靠结论的时候 719540 720980 不要强行猜测 720980 723100 直接告知使用者无法解答 723100 725120 最终训练成果十分突出 725120 726620 Inkling在事件预测 726620 728680 数据分析类客观评测中 728680 731540 准确率超越多款主流通用大模型 731540 733280 达到行业顶尖水准 733280 735040 对于华尔街对冲基金 735040 736960 医疗行业大型机构而言 736960 740220 一台关键时刻敢于坦诚信息不足的模型 740220 743880 远比一位强行输出答案的通用模型更加可靠 743880 746480 第三项设定带着一丝黑色幽默 746480 748460 为极致压缩运行成本 748460 751260 经过3000万轮强化学习迭代之后 751260 754780 Inkling自主演化出高度精简的内部思考语言 754780 756220 我们可以简单对比 756220 758860 差异主流模型处理复杂问题时 758860 761020 内部推理链条会使用规范 761020 762360 完整英文语句 762360 764540 需要消耗大量词源资源 764540 767320 Inkling内部推演过程抛弃完整语法 767320 769000 只保留核心关键词 769000 770800 推理效果几乎没有衰减 770800 772920 但是极大削减词源占用 772920 774320 听起来十分有趣 774320 778160 背后体现的是对推理效率极致压榨的工程思路 778460 783400 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, 783800 789480 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。 789840 794980 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, 795080 802060 能够支撑120亿估值完成变现的核心载体,是配套同步推出的Tinker自动化微调平台。 802420 806740 这才是SY NTNG MacAINES Lab真正的商业核武器。 806740 808060 前面我们提到 808060 809380 Inkling完全开源 809380 811540 任何人都可以免费下载部署 811540 813660 企业不会为此支付一分钱 813660 815600 可是真实落地场景当中 815600 818900 大型企业技术负责人拿到模型权重之后 818900 820700 很快会遭遇现实阻碍 820700 823160 想要让模型理解自身行业业务 823160 824600 读懂内部财务数据 824600 826460 适配客户服务场景 826460 829220 必须使用企业私有数据开展微调 829220 830880 模型微调门槛极高 830880 833440 研发人员需要精通整套训练架构 833440 835660 持续维护GPU算力集群 835660 839440 还要应对训练进程当中频繁出现的程序崩溃问题 839440 842620 绝大多数传统企业并不具备对应的技术团队 842620 846420 这个时候Thinking Machines Lab就可以顺势推出解决方案 846420 848320 向企业推荐Tinker平台 848320 849600 模型免费交付 849600 851540 但是微调操作门槛过高 851540 852940 借助Tinker平台 852940 854980 使用者不用理解底层框架 854980 856560 不用管理算力节点 856560 858440 直接上传私有业务数据 858440 862380 简单操作就能全自动训练专属垂直领域专家模型 862380 865300 在官方演示当中还有极具冲击力的功能 865300 867020 平台下达指令之后 867020 869520 Inklin能够自主编写训练脚本 869520 871680 自动生成配套训练数据集 871680 873980 独立完成全部微调流程 873980 876140 加在全新全重实现自我迭代 876140 878020 达成全自动自主微调 878020 880000 这正是米拉真正的野心 880000 882240 她根本无意打造第二个OpenAI 882240 885740 依靠售卖标准化按磁源计费的通用API盈利 885740 888940 现如今基础大模型赛道早已红海厮杀 888940 890860 通用模型数量众多 890860 893220 不少开源产品在垂直场景 893220 894740 性能超越必源方案 894740 896160 Thinking Machines Lab 896160 898180 真实商业模式十分清晰 898180 899780 依靠可控性强 899780 900720 运行稳定 900720 902580 完全免费的开源模型 902580 903780 作为引流载体 903780 907220 吸引大量想要搭建私有人工智能系统的企业 907220 910680 随后依托简易自动化微调平台锁定客户 910680 912820 持续收取平台服务费用 912820 915420 他们不对外售卖通用智能大脑 915420 919020 而是对外提供批量定制行业专家模型的生产工具 919020 922540 未来倘若数万企业借助Tinker搭建专属财物 922540 924360 客服务医疗智能模型 924360 926180 没有人再会持续纠结 926180 928380 Inkling在评测榜单排名高低 928380 931180 这笔20亿美元投入真的存在浪费吗 931180 932380 答案是否定的 932380 933860 米拉带领顶尖团队 933860 936360 跳出OpenAI必源竞争的内卷赛道 936360 938520 在企业定制人工智能赛道 938520 940000 筑器极高护城河 940000 941540 他们没有研发失败 941540 945660 而是在下一盘足以重塑全球AI商业格局的大棋 945660 949180 我们接着聊硅谷行业内部很少公开讨论的细节 949180 951520 Inkling这套高效混合专家 951520 954800 MOE架构背后存在不少值得深究的线索 954800 957760 资深AI架构师研读底层代码之后 957760 960000 能够发现256个路由专业 960000 970000 資深AI架構師研讀底層代碼之後,能夠發現256個路由專家單元,Sigmoid路由機制,滑動窗口注意力配比,整套工程設計思路和國內開源大模型深度求索,Deep-Seek V3高度相似。 970000 970720 除此之外 970720 972480 模型早期预训练阶段 972480 974200 Thinking Machines Lab大量 974200 976320 运用成熟开源模型生成的 976320 977780 合成数据辅助训练 977780 980680 大幅降低训练成本与失措周期 980680 982840 一家估值120亿美元 982840 985860 纯正美国背景顶尖AI实验室 985860 987900 由前OpenAI核心负责人戴队 987900 990140 手握英伟达高端算力资源 990140 991860 最终推出旗舰模型 991860 994380 大量参考国内开源模型成熟的 994380 995360 工程优化方案 995360 997420 很多外行看到消息第一反应 997420 999020 会质疑团队创新能力 999020 1001080 认为只是照搬现有成果 1001080 1003360 站在工程与商业客观视角分析 1003360 1005500 这是非常理性务实的选择 1005500 1008580 最近几年海外高端算力芯片供给受限 1008580 1011720 国内AI研发团队无法像OpenAI一样 1011720 1014380 不计成本堆叠算力暴力训练模型 1014380 1016300 只能持续在算法效率 1016300 1017320 内存优化 1017320 1018920 参数调度层面深耕 1018920 1022220 倒逼开源模型运行效率突破全新高度 1022220 1024120 米拉团队十分清楚这一点 1024120 1026420 工程技术不存在面子之争 1026420 1029560 既然同行已经验证高效率优化路线可行 1029560 1031500 开源协议允许借鉴参考 1031500 1033660 站在前人成果之上继续迭代 1033660 1035580 就是最高效的选择 1035580 1037560 也正是依托成熟的优化思路 1037560 1039700 团队大幅压缩研发周期 1039700 1043300 快速完成9750亿参数巨型模型的 1043300 1044660 完整训练与迭代 1044660 1045520 讲到这里 1045520 1047720 大家会产生一个直击本质的疑问 1047720 1049920 既然国内开源模型效率出众 1049920 1052360 多款国产开源模型在代码 1052360 1053300 逻辑推理层面 1053300 1055600 能够对标国际顶级币源产品 1055600 1057440 使用成本极其低廉 1057440 1061320 美国本土企业为什么不直接选用现成国产开源模型 1061320 1063480 何必耗费资金使用Inkling 1063480 1065900 额外采购Tinker平台服务 1065900 1070300 这个问题刚好戳破Thinking Machines Lab整套布局最核心的商业命脉 1070300 1072960 事实上美国资本方并不缺乏理性 1072960 1074860 在Inkling正式发布之前 1074860 1079000 美国企业界曾经掀起一波使用海外开源模型的热炒 1079000 1083160 查看OPE NRO UTR平台词源路由统计数据 1083160 1086160 能够发现高峰期有大量企业调用流量 1086160 1087720 转向海外开源模型 1087720 1091720 Coinbase这类头部企业都悄悄迁移智能体业务 1091720 1093780 直接把运营成本削减一半 1093780 1094520 好用 1094520 1095060 低价 1095060 1096940 资本自然会用脚投票 1096940 1099560 全球规模顶尖对冲基金桥水 1099560 1102840 就曾利用自身业务数据微调国内开源模型 1102840 1105060 在金融推理评测中跑出高分 1105060 1107900 全面超越多款高价通用必源模型 1107900 1109540 使用成本大幅降低 1109540 1112920 低价定制垂直模型碾压昂贵通用大模型 1112920 1115840 这笔账所有企业决策者都能够看懂 1115840 1118080 但是繁荣周期并没有持续太久 1118080 1120980 地缘政策带来的监管压力快速到来 1120980 1123920 由于海外开源模型普及速度超出预期 1123920 1126160 美国监管机构开始高度警惕 1126160 1129680 持续向使用海外模型的企业发送警示信函 1129680 1131800 国会相关委员会启动调研 1131800 1134400 甚至有部门草拟采购限制条款 1134400 1136280 手握海量隐私业务数据 1136280 1138840 流水规模动辄百亿的华尔街投行 1138840 1142760 医疗集团与科技大厂根本无法承受这类合规风险 1142760 1145300 即便模型性能出色 价格低廉 1145300 1147920 一旦被贴上数据安全隐患标签 1147920 1151460 对于企业而言就是随时可能引爆的经营风险 1151460 1154660 与此同时 曾经支撑西方开源生态的Meta 1154660 1156860 近期持续收紧授权政策 1156860 1161240 后续Lama系列模型逐步转向更加封闭的商业授权模式 1161240 1165640 彻底终结了西方企业免费商用开源大模型的红利时代 1165640 1167240 就在这个行业窗口期 1167240 1169980 西方企业市场出现巨大需求真空 1169980 1173100 企业迫切需要开源模型降低算力开销 1173100 1175560 希望依靠微调保护私有数据 1175560 1177740 但是不敢选用海外免费模型 1177740 1180820 本土老牌开源路线又不断抬高准入门槛 1180820 1183280 此刻再回看Inkling的发布时机 1183280 1184740 一切都豁然开朗 1184740 1188200 Inkling本身不需要争夺全球最强模型的名号 1188200 1189380 它的真实定位 1189380 1191800 是当下西方企业市场为数不多 1191800 1192900 合规安全 1192900 1194580 纯正美国本土血统 1194580 1197380 且综合性能达标的开源备选方案 1197380 1200720 米拉团队不仅交付一套安全可控的底层模型 1200720 1203520 还同步推出轻量化版本Inclean Small 1203520 1207500 这款缩小版本总参数规模压缩至2760亿 1207500 1209840 单次推理仅激活120亿参数 1209840 1212880 轻量化架构适配中小企业硬件设备 1212880 1215600 在专项垂直推理场景中表现亮眼 1215600 1218420 专门面向有本地私有化部署需求 1218420 1221040 服务器硬件资源有限的中小企业 1221040 1223920 硬件配置不足可以选用轻量化版本 1223920 1226740 缺少技术人员直接采购Tinker平台 1226740 1228660 担忧跨境数据合规风险 1228660 1230920 它又是本土正规团队开发 1230920 1233520 代码完整公开托管在哈格面部 1233520 1235240 全部流程透明可查 1235240 1236980 把所有线索串联起来 1236980 1240140 Thinking Machines Lab完整商业版图清晰浮现 1240140 1241960 离开OpenAI的MamalaD 1241960 1244880 从一开始就没有打算在早已竞争白热化的 1244880 1246180 通用大模型赛道 1246180 1248040 复刻第二个ChatGPT 1248040 1251780 那条赛道只能无休止消耗投资人资金持续内卷 1251780 1253540 他依靠20亿美元资金 1253540 1255760 在OpenAI币源商业帝国旁边 1255760 1256960 开辟全新赛道 1256960 1259000 精准预判人工智能未来形态 1259000 1261680 不会是无所不能的通用超级大脑 1261680 1263960 而是千千万万扎根细分行业 1263960 1267900 低成本运行数据归属企业自身的领域专用模型 1267900 1270640 借鉴经过市场验证的高效开源架构 1270640 1273840 搭配团队成熟的成本控制方案打造Inkling 1273840 1275100 作为引流载体 1275100 1277720 再借助地缘环境催生的合规焦虑 1277720 1280040 吸引急需解决方案的企业客户 1280040 1282400 进入Tinker微调服务生态 1282400 1284460 花费20亿美元打造一款榜单 1284460 1286160 无法跻身前五的模型 1286160 1288500 表面看上去像是一场失败投资 1288500 1291300 但是倘若这20亿美元换来未来10年 1291300 1294120 全球企业及AI定制市场核心入口 1294120 1296620 这就是教科书级别的商业布局 1296620 1299960 当所有人紧盯评测排行榜相互竞争的时候 1299960 1303620 已经有人提前锁定人工智能淘金浪潮当中 1303620 1305480 合规产子的独家供应权 1305480 1307800 这也是120亿美元估值背后 1307800 1310240 最值得细细思考的行业真相 1310240 1311840 其实我们在延伸一层 1311840 1315080 你就能看懂硅谷资本更深层的赌具逻辑 1315080 1318000 近两年无数AI创业公司扎堆入场 1318000 1320220 大多都在跟风做通用大模型 1320220 1321500 做对话机器人 1321500 1323140 做花哨的多模态演示 1323140 1325840 真正能落地赚钱的寥寥无几 1325840 1327820 绝大多数AI初创企业 1327820 1329480 盈利模式极度单一 1329480 1330980 要么卖API调用 1330980 1332260 要么卖会员套餐 1332260 1334760 陷入无尽的价格战和算力内卷 1334760 1336280 稍万融资就倒闭 1336280 1337560 存活率极低 1337800 1340320 而SY NTNG Mac King ES Lab 1340320 1341840 彻底避开了这片红海 1341840 1343940 它不跟任何人抢C端用户 1343940 1344900 不卷跑分 1344900 1346140 不卷花式功能 1346140 1347860 直接切入最赚钱 1347860 1348500 最稳定 1348500 1351000 刚需最强的弊端企业服务市场 1351000 1352720 对于大型企业来说 1352720 1353600 AI成本 1353600 1354540 数据安全 1354540 1355620 私有化部署 1355620 1356640 定制化适配 1356640 1358340 是比模型聪不聪明 1358340 1359560 更重要的刚需 1359560 1361260 哪怕通用能力平庸 1361260 1362240 只要足够稳 1362240 1363180 足够便宜 1363180 1364120 足够安全 1364120 1365220 足够好微调 1365220 1366540 就是企业愿意 1366540 1368240 长期付费的核心资产 1368240 1369940 这也是为什么A16Z 1369940 1371820 敢于在没有成熟产品 1371820 1373700 没有实际营收的情况下 1373700 1374740 豪至20亿美金 1374740 1377040 资本赌的不是一款模型的输赢 1377040 1379360 而是赌未来企业AI私有化 1379360 1380160 定制化 1380160 1382020 合规化的万亿级风口 1382020 1384320 反观行业内很多盲目堆算力 1384320 1385100 卷参数 1385100 1386220 卷跑分的团队 1386220 1387480 看似热度爆棚 1387480 1388220 数据亮眼 1388220 1390680 实则完全偏离了真实商业需求 1390680 1391860 最终只能沦为 1391860 1393380 昙花一现的行业过客 1393380 1394340 除此之外 1394340 1395560 米拉团队的布局 1395560 1397440 还有一个极具远见的细节 1397440 1399040 那就是彻底放弃 1399040 1400540 避原锁库的传统玩法 1400540 1402540 坚持全开源 全透明 1402540 1404600 在当下AI舆论环境中 1404600 1407020 避原模型随时面临授权变动 1407020 1408900 服务关停 接口涨价 1408900 1410180 功能阉割的风险 1410180 1412340 企业用户极其没有安全感 1412340 1414820 而Inkling的Apache 2.0协议 1414820 1416900 给予了企业最大的自由度 1416900 1418840 可商用 可二次开发 1418840 1421340 可私有化部署 无板权捆绑 1421340 1423140 这种极致开放的姿态 1423140 1425860 刚好击中了当下企业最核心的诉求 1425860 1427080 免费拿模型 1427080 1428180 免费改模型 1428180 1429020 免费部署 1429020 1431360 最后只为精细化微调服务 1431360 1433060 自动化运为工具付费 1433060 1434300 这种先让利 1434300 1435980 后所刻的商业模式 1435980 1438300 远比一次性售卖API要长久 1438300 1439160 稳固得多 1440000 1452440 很多人始終想不通一個核心問題,為什麼無數大廠耗費巨資打造的頂級通用大模型,落地企業服務時頻頻翻車,反而是Inclin這種跑分中庸的模型,精準踩中了行業痛點。 1452440 1455400 答案其实藏在企业真实的AI落地困境里 1455400 1457160 绝大多数传统企业 1457160 1458100 金融机构 1458100 1459080 医疗集团 1459080 1460220 制造业工厂 1460220 1462200 根本不需要模型创作诗歌 1462200 1463020 撰写文案 1463020 1464140 完成趣味问答 1464140 1466540 也不需要极致的顶尖推力跑分 1466540 1468600 他们的核心需求极其朴素 1468600 1470400 就是稳定低成本 1470400 1470980 可管控 1470980 1471680 不幻觉 1471680 1473480 能对接自身业务数据 1473480 1475280 同时全程保障数据 1475280 1475920 不外泄 1475920 1476920 过去几年 1476920 1480220 大量企业跟风接入各类顶尖臂源大模型API 1480220 1482780 看似快速完成了AI数字化升级 1482780 1484540 实则埋下了无数隐患 1484540 1487000 首先是持续走高的调用成本 1487000 1491100 企业日均数万数十万次的重复性基础调用 1491100 1492700 累积下来的算力开支 1492700 1494800 每年动辄数百万甚至上千万 1494800 1496600 长期投入完全没有上线 1496600 1498560 其次是数据泄露风险 1498560 1500460 企业内部的客户资料 1500460 1501460 财务报表 1501460 1502540 生产数据 1502540 1503560 并立信息 1503560 1506700 一旦上传至第三方B元模型云端服务器 1506700 1508600 就彻底脱离了自身管控 1508600 1510760 随时可能面临数据抓取 1510760 1511960 缓存留存 1511960 1513440 合规溯源的风险 1513440 1514620 更关键的是 1514620 1516780 通用大模型的过度聪明 1516780 1518800 反而成为企业落地的累赘 1518800 1521040 很多企业业务只需要标准化 1521040 1522400 流程化的固定输出 1522400 1524220 不需要模型自由发挥 1524220 1525340 发散创作 1525340 1528040 通用模型自带的高自由度推理能力 1528040 1529700 不仅会增加算力损耗 1529700 1532300 还容易输出不符合企业规章制度 1532300 1533480 行业规范的内容 1533480 1535480 需要人工二次审核修正 1535480 1537180 反而降低了工作效率 1537180 1538920 而Inclin的全套设计 1538920 1541480 恰好针对性解决了这些行业顽疾 1541480 1544160 可调节的思考力度杜绝算力浪费 1544160 1546100 极致诚实的输出特性 1546100 1547960 规避业务幻觉风险 1547960 1550560 轻量化部署适配各类企业硬件条件 1550560 1552100 完全开源的属性 1552100 1553800 满足私有化部署需求 1553800 1556260 再搭配Tinker全自动微调平台 1556260 1559160 彻底抹平了企业AI落地的技术鸿沟 1559160 1562080 哪怕是没有专业算法团队的传统企业 1562080 1565060 也能轻松搭建专属行业AI系统 1565060 1567520 这种精准贴合商业落地的产品逻辑 1567520 1571320 也是它能够碾压一众跑分更强模型的核心底气 1571320 1572280 除此之外 1572280 1576020 我们还能从行业迭代周期看懂这套布局的前瞻性 1576020 1579520 如今通用大模型的技术迭代已经进入瓶颈期 1579520 1582000 性能提升的边际效益持续递减 1582000 1585740 单纯比拼参数和算力已经没有实质商业意义 1585740 1590460 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 1590460 1592540 谁能更低成本更合规 1592540 1594420 更便捷地帮助各行各业 1594420 1595940 完成AI私有化 1595940 1596940 定制化改造 1596940 1598740 谁就能掌握行业话语权 1598740 1601320 米拉团队放弃无意义的跑分内卷 1601320 1602880 深耕企业服务赛道 1602880 1606300 本质是提前预判了AI行业的终局形态 1606300 1607880 放弃短期的流量热度 1607880 1610100 锁定了长期的行业垄断地位 1610100 1611340 看完这期视频 1611340 1614780 你如何看待大模型一味比拼跑分的内卷现状 1614780 1617040 又觉得未来企业AI定制服务 1617040 1618540 会走向怎样的格局 1618540 1620580 欢迎在评论区理性交流 1620580 1623680 如果你觉得本期深度行业解读干货充足 1623680 1625680 记得点赞并且订阅频道 1625680 1628600 后续持续跟踪全球AI巨头的战略博弈 1628600 1630700 不要错过更多前沿产业分析 1630700 1632040 我们下期再见