मीरा मुराटी यांची Thinking Machines Lab ने Inkling च्या मदतीने अधिकृतपणे क्षेत्रात प्रवेश केला आहे. हे एक open-weight मॉडेल असून, केंद्रीकृत आणि “one-size-fits-all” (सर्वांसाठी एकच) अशा AI दिग्गजांच्या वर्चस्वाला आव्हान देण्यासाठी तयार करण्यात आले आहे. केवळ कच्च्या, सर्वसाधारण शक्तीऐवजी कस्टमायझेशनवर (customizability) भर देऊन, या स्टार्टअपने म्हटले आहे की, एंटरप्राइझ AI चे भविष्य हे विशेषीकृत आणि स्थानिक पातळीवर ऑप्टिमाइझ केलेल्या इंटेलिजन्समध्ये आहे.

Inkling ची आर्किटेक्चर: MoE द्वारे कार्यक्षमता

Inkling ही एक Mixture-of-Experts प्रणाली आहे, ज्यामध्ये एकूण 975 अब्ज पॅरामीटर्स आहेत. तरीही, कोणत्याही एका कामासाठी ती केवळ सुमारे 41 अब्ज पॅरामीटर्स सक्रिय करते, ज्यामुळे उच्च-स्तरीय तर्कक्षमता (reasoning) कायम ठेवत विलंब (latency) आणि खर्च कमी होतो. या मॉडेलने मजकूर, प्रतिमा, ऑडिओ आणि व्हिडिओच्या 45 ट्रिलियन टोकन्समधून शिक्षण घेतले आहे, ज्यामुळे त्याला नेटिव्ह मल्टिमोडल क्षमता प्राप्त झाल्या आहेत. कंपनीचा दावा आहे की, Inkling केवळ एक तृतीयांश टोकन्स वापरून कोडिंग बेंचमार्कवर Nvidia च्या Nemotron 3 Ultra च्या बरोबरीने कामगिरी करते, जे प्रशिक्षणाच्या कार्यक्षमतेचे स्पष्ट लक्षण आहे.

एंटरप्राइझ कस्टमायझेशनकडे एक धोरणात्मक वळण

OpenAI, Anthropic किंवा Google च्या फ्लॅगशिप उत्पादनांच्या उलट, जी प्रामुख्याने सर्वसाधारण चॅटबॉट्स म्हणून काम करतात, Inkling ला संस्थांसाठी एक पाया (foundation) म्हणून मार्केट केले जात आहे. Thinking Machines या मॉडेलला एक सुरुवात म्हणून सादर करते आणि उद्योगांना त्यांच्या “Tinker” प्लॅटफॉर्मद्वारे स्वतःच्या मालकीच्या (proprietary) डेटासह ते फाईन-ट्यून करण्याचे आवाहन करते.

हे पाऊल उद्योगातील “double payment” (दुहेरी पेमेंट) सापळ्यातून बाहेर काढण्यासाठी आहे. Microsoft चे CEO सत्य नाडेला यांनी इशारा दिला होता की, कंपन्या दोनदा पैसे भरतात—एकदा सबस्क्रिप्शनसाठी आणि दुसऱ्यांदा स्वतःचे अद्वितीय बिझनेस लॉजिक अशा मॉडेलमध्ये फीड करून, जे शेवटी प्रदात्याचा (provider) ट्रेनिंग सेट समृद्ध करते. 'Open-weight' मॉडेल ऑफर करून, Thinking Machines कंपन्यांना ती इंटेलिजन्स स्वतःच्या अंतर्गत (in-house) ठेवण्यास मदत करते.

हाय-स्टेक्स इन्फ्रास्ट्रक्चर आणि जलद विकास

Thinking Machines ने बाजारपेठेत अत्यंत वेगाने प्रवेश केला. OpenAI ला साधारण पाच वर्षे आणि Anthropic ला सुमारे तीन वर्षे लागली; Thinking Machines चे म्हणणे आहे की त्यांनी केवळ नऊ महिन्यांत तसाच टप्पा गाठला आहे.

या वेगाला बळ देण्यासाठी कंपनीने हार्डवेअरचा आधार घेतला. मार्चमध्ये Nvidia सोबत भागीदारी केल्यानंतर, Inkling चे प्रशिक्षण पूर्णपणे Nvidia च्या GB300 NVL72 सिस्टिम्सवर देण्यात आले. कंपनीने डिस्टिलेशन ट्रिक्सचा (distillation tricks) वापर केला—सुरुवातीच्या पोस्ट-ट्रेनिंगसाठी Moonshot AI च्या Kimi K2.5 सारख्या open-weight मॉडेल्सचा लाभ घेतला—परंतु भविष्यातील सर्व पोस्ट-ट्रेनिंग पूर्णपणे इन-हाऊस (in-house) चालवण्याचे वचन दिले आहे.

मुख्य निष्कर्ष

  • Open-Weight फायदा: डेव्हलपर्स 975 अब्ज पॅरामीटर असलेले MoE मॉडेल डाउनलोड आणि मॉडिफाय करू शकतात, ज्यामुळे नियंत्रण क्लोज्ड इकोसिस्टम्सपासून दूर राहते.
  • कार्यक्षमता-प्रथम डिझाइन: प्रत्येक कामासाठी केवळ 41 अब्ज पॅरामीटर्स सक्रिय करणे आणि टोकनचा वापर कमी केल्यामुळे, हे मॉडेल अत्यंत कमी ऑपरेशनल खर्चात उच्च दर्जाची तर्कक्षमता प्रदान करू शकते.
  • कस्टमायझेशनचा डाव: Thinking Machines सामान्य चॅटबॉट्सकडून “Tinker” कडे वळत आहे, जे एक असे प्लॅटफॉर्म आहे जे फाउंडेशन मॉडेल्सना प्रत्येक संस्थेसाठी विशेष मालमत्तेमध्ये (specialized assets) रूपांतरित करते.