میرا موراتی کا Thinking Machines Lab باضابطہ طور پر Inkling کے ساتھ میدان میں اتر گیا ہے، جو کہ ایک open-weight ماڈل ہے جسے مرکزی، "ایک ہی سائز سب کے لیے" (one-size-fits-all) اے آئی کے بڑے اداروں کے غلبے کو چیلنج کرنے کے لیے بنایا گیا ہے۔ خام طاقت اور عمومی مقصد کے بجائے کسٹمائزیشن (customizability) پر جوا لگا کر، اس اسٹارٹ اپ کا کہنا ہے کہ انٹرپرائز اے آئی کا مستقبل مخصوص اور مقامی طور پر بہتر شدہ ذہانت (locally optimized intelligence) میں پنہاں ہے۔

Inkling کا آرکیٹیکچر: MoE کے ذریعے کارکردگی

Inkling ایک Mixture-of-Experts سسٹم ہے جس میں مجموعی طور پر 975 ارب پیرامیٹرز (parameters) ہیں۔ تاہم، یہ کسی بھی ایک کام کے لیے صرف تقریباً 41 ارب پیرامیٹرز کو فعال کرتا ہے، جس سے اعلیٰ درجے کی استدلال (reasoning) کو برقرار رکھتے ہوئے تاخیر (latency) اور لاگت میں کمی آتی ہے۔ اس ماڈل نے متن، تصویر، آڈیو اور ویڈیو کے 45 ٹریلین ٹوکنز (tokens) سے سیکھا ہے، جو اسے فطری طور پر ملٹی موڈل (multimodal) صلاحیتیں فراہم کرتا ہے۔ کمپنی کا دعویٰ ہے کہ Inkling کوڈنگ بینچ مارکس پر Nvidia کے Nemotron 3 Ultra کے برابر کارکردگی دکھاتا ہے، جبکہ یہ صرف ایک تہائی ٹوکنز استعمال کرتا ہے، جو کہ ٹریننگ کی کارکردگی کی ایک واضح علامت ہے۔

انٹرپرائز کسٹمائزیشن کی طرف ایک اسٹریٹجک موڑ

OpenAI، Anthropic یا Google کی فلیگ شپ مصنوعات کے برعکس، جو بنیادی طور پر عمومی مقصد کے چیٹ بوٹس (chatbots) کے طور پر کام کرتی ہیں، Inkling کو تنظیموں کے لیے ایک بنیاد (foundation) کے طور پر مارکیٹ کیا جا رہا ہے۔ Thinking Machines اس ماڈل کو ایک نقطہ آغاز کے طور پر پیش کرتا ہے، اور اداروں پر زور دیتا ہے کہ وہ اپنے "Tinker" پلیٹ فارم کے ذریعے ملکیتی ڈیٹا (proprietary data) کے ساتھ اسے فائن ٹیون (fine-tune) کریں۔

یہ اقدام صنعت کے "ڈبل پیمنٹ" (double payment) کے جال کا مقابلہ کرتا ہے۔ مائیکروسافٹ کے سی ای او ستیا نڈیلا نے خبردار کیا تھا کہ کمپنیاں دو بار ادائیگی کرتی ہیں—ایک بار سبسکرپشن کے لیے اور دوسری بار اپنے منفرد کاروباری منطق (business logic) کو ایسے ماڈل میں ڈال کر جو بالآخر فراہم کنندہ کے ٹریننگ سیٹ کو مالا مال کرتا ہے۔ ایک open-weight ماڈل پیش کر کے، Thinking Machines کمپنیوں کو اس ذہانت کو اپنے اندرونی طور پر (in-house) رکھنے کی اجازت دیتا ہے۔

ہائی اسٹیکس انفراسٹرکچر اور تیز رفتار ترقی

Thinking Machines نے مارکیٹ میں پہنچنے کے لیے تیزی دکھائی۔ OpenAI کو تقریباً پانچ سال اور Anthropic کو تقریباً تین سال لگے؛ Thinking Machines کا کہنا ہے کہ اس نے محض نو ماہ میں اسی طرح کا سنگ میل عبور کر لیا۔

اس رفتار کو برقرار رکھنے کے لیے، کمپنی نے ہارڈ ویئر کا سہارا لیا۔ مارچ میں Nvidia کے ساتھ شراکت داری کے بعد، Inkling کی تربیت مکمل طور پر Nvidia کے GB300 NVL72 سسٹمز پر کی گئی۔ کمپنی نے ڈسٹلیشن ٹرکس (distillation tricks) کا استعمال کیا—یعنی ابتدائی پوسٹ ٹریننگ کے لیے Moonshot AI کے Kimi K2.5 جیسے open-weight ماڈلز سے فائدہ اٹھایا—لیکن اس بات کا عہد کیا ہے کہ مستقبل کی تمام پوسٹ ٹریننگ مکمل طور پر ان ہاؤس (in-house) کی جائے گی۔

اہم نکات

  • Open-Weight کا فائدہ: ڈویلپرز 975 B-پیرامیٹر والے MoE ماڈل کو ڈاؤن لوڈ اور تبدیل کر سکتے ہیں، جس سے کنٹرول بند ایکو سسٹم (closed ecosystems) سے دور رہتا ہے۔
  • کارکردگی کو ترجیح دینے والا ڈیزائن: ہر کام کے لیے صرف 41 B پیرامیٹرز کو فعال کرنا اور ٹوکن کے استعمال میں کمی لانا ماڈل کو آپریشنل لاگت کے ایک معمولی حصے پر اعلیٰ درجے کی استدلال فراہم کرنے کے قابل بناتا ہے۔
  • کسٹمائزیشن پر جوا: Thinking Machines عام چیٹ بوٹس سے ہٹ کر "Tinker" کی طرف منتقل ہو رہا ہے، جو کہ ایک ایسا پلیٹ فارم ہے جو فاؤنڈیشن ماڈلز کو ہر تنظیم کے لیے مخصوص اثاثوں میں بدل دیتا ہے۔