مدل هوش مصنوعی Inkling از راه رسید

01

از 05

ویژگی‌های مدل Inkling

بر اساس اطلاعات منتشرشده توسط Thinking Machines، مدل Inkling با مجموعه‌ای شامل ۴۵ تریلیون توکن از داده‌های متنی، تصویری، صوتی و ویدیویی آموزش دیده و قابلیت استدلال چندوجهی ذاتی در این چهار حوزه را دارد. با این حال، در نسخه فعلی خروجی‌های مدل به متن محدود شده و شامل کد، محتوای دارای قالب‌بندی و داده‌های ساختاریافته می‌شود.

انتشار مدل Inkling نخستین دستاورد عمومی Thinking Machines Lab پس از حدود ۱۸ ماه توسعه زیرساخت‌های هوش مصنوعی در خارج از دید عموم محسوب می‌شود. بخشی از این مسیر پیش‌تر با معرفی پژوهشی «مدل‌های تعاملی» در ماه می آشکار شده بود؛ مدل‌هایی که برای تعامل طبیعی‌تر طراحی شده‌اند و برخلاف چت‌بات‌های سنتی، توانایی گوش دادن، صحبت کردن و واکنش هم‌زمان دارند.

بیشتر بخوانید: جهش ۱۰۰ برابری سرعت هوش مصنوعی با شبکه نوری تراشه ها

مدل Inkling همچنین نخستین آزمایش جدی برای سنجش ایده محوری Thinking Machines است؛ این ایده که مدل‌های هوش مصنوعی قابل تطبیق با نیازهای هر سازمان، در نهایت می‌توانند نسبت به مدل‌های عمومی و یکسانی که بزرگ‌ترین آزمایشگاه‌های AI عرضه می‌کنند، عملکرد بهتری داشته باشند.

این مدل با تمرکز بر ارائه پاسخ‌های دارای سطح اطمینان طراحی شده است و به‌جای تولید پاسخ‌های احتمالی بدون پشتوانه، می‌تواند میزان عدم قطعیت خود را مشخص کند. کاربران همچنین امکان تنظیم سطح «تلاش پردازشی» مدل را دارند تا میان کیفیت پاسخ و سرعت پردازش تعادل ایجاد کنند. Thinking Machines اعلام کرده در یکی از آزمون‌های عملکردی، Inkling برای دستیابی به سطح مشابهی از توانایی برنامه‌نویسی نسبت به مدل Nemotron 3 Ultra انویدیا، تنها به یک‌سوم تعداد توکن‌ها نیاز داشته است.

02

از 05

جایگاه Thinking Machines در بازار هوش مصنوعی

با این وجود، این شرکت Inkling را به‌عنوان قدرتمندترین مدل هوش مصنوعی بازار معرفی نمی‌کند. Thinking Machines در آخرین مطلب وبلاگ خود تاکید کرده که Inkling «در حال حاضر قوی‌ترین مدل کلی موجود، چه در میان مدل‌های باز و چه بسته، نیست». تمرکز اصلی این مدل ارائه عملکردی متوازن در مجموعه‌ای گسترده از وظایف است. این رویکرد پرسش‌هایی درباره جایگاه واقعی مدل Inkling در بازار سازمانی ایجاد می‌کند.

Thinking Machines فعلا این مدل را بیشتر به‌عنوان یک پایه قابل توسعه معرفی می‌کند تا یک محصول نهایی؛ مدلی که سازمان‌ها می‌توانند از طریق پلتفرم Tinker آن را برای کاربردهای خاص خود تنظیم و بهینه کنند. در چنین مدلی، مسئولیت بررسی امنیت و کیفیت شخصی‌سازی‌های انجام‌شده بر عهده سازمان‌های استفاده‌کننده خواهد بود. این مسیر با استراتژی شرکت‌هایی مانند OpenAI، آنتروپیک و گوگل تفاوت دارد. مدل‌هایی مانند ChatGPT، Claude و جمنای ابتدا به‌عنوان دستیارهای عمومی هوش مصنوعی ساخته شدند و سپس قابلیت‌های عامل‌محور، خودکار و پیشرفته‌تر به آن‌ها اضافه شد.

03

از 05

آموزش مدل Inkling

پستی که Thinking Machines هفته گذشته منتشر کرد، مقدمه‌ای برای معرفی مدل Inkling محسوب می‌شد. این شرکت در آن نوشته بود مدل‌های هوش مصنوعی که به‌صورت متمرکز توسط یک شرکت آموزش داده شده و سپس در همان وضعیت ثابت باقی می‌مانند، در نهایت از مدل‌هایی که سازمان‌ها خودشان توسعه و شخصی‌سازی می‌کنند ضعیف‌تر خواهند بود؛ زیرا بخش مهمی از دانش تخصصی، وابسته به تجربه افراد و محیط‌های کاری خاص است.

در همین حال، انتقادها نسبت به مدل‌های بسته هوش مصنوعی نیز شدت گرفته است. «ساتیا نادلا»، مدیرعامل مایکروسافت، که شرکتش میلیاردها دلار در OpenAI و آنتروپیک سرمایه‌گذاری کرده، در مطلبی اعلام کرد سازمان‌هایی که به مدل‌های اختصاصی هوش مصنوعی وابسته می‌شوند، دو بار هزینه می‌پردازند؛ نخست هزینه اشتراک و سپس واگذاری دانش سازمانی نهفته در پرامپت‌ها و بازخوردهای آن‌ها؛ داده‌هایی که می‌توانند در نسخه‌های آینده مدل‌ها مورد استفاده قرار گیرند.

خبر پیشنهادی: پژوهشگر OpenAI در آستانه راه‌اندازی استارتاپ ۲ میلیارد دلاری کشف دارو با هوش مصنوعی

«کلم دلانگ»، مدیرعامل Hugging Face، نیز دیدگاهی مشابه ارائه کرده است. او معتقد است مدل‌های مرزی یا پیشرفته (Frontier Models) در آینده بیشتر برای آزمایش‌های تحقیقاتی و کاربردهای بسیار ارزشمند استفاده خواهند شد، در حالی که بخش عمده کاربردهای عملی هوش مصنوعی به سمت مدل‌های خصوصی یا متن‌باز حرکت خواهد کرد؛ همان تقسیم‌بندی که Thinking Machines بر اساس آن استراتژی خود را بنا کرده است. شفاف‌ترین نمونه برای دفاع از این رویکرد، پروژه مشترک اخیر Thinking Machines با Bridgewater Associates است. پژوهشگران دو شرکت یک مدل متن‌باز موجود را گرفته و آن را با دانش مالی اختصاصی Bridgewater بهینه‌سازی کردند. نتیجه این فرایند، طبق ادعای دو شرکت، کسب امتیاز ۸۴.۷ درصد در آزمون‌های استدلال مالی بوده که از مدل‌های اختصاصی برتر بهتر عمل کرده و هزینه اجرای آن نیز حدود ۱۴ برابر کمتر بوده است. البته این نتایج هنوز توسط یک ارزیابی مستقل تایید نشده‌اند.

04

از 05

سرعت توسعه Thinking Machines

Thinking Machines همچنین تلاش دارد سرعت توسعه خود را به‌عنوان یک مزیت رقابتی برجسته کند. OpenAI برای تبدیل فناوری خود به یک محصول تجاری حدود پنج سال زمان صرف کرد و آنتروپیک تقریبا سه سال در این مسیر بود؛ اما Thinking Machines مدعی است همین مسیر را در حدود ۹ ماه طی کرده است.

یکی از پرسش‌های مطرح درباره Inkling این است که آیا این مدل از خروجی مدل‌های رقیب در فرایند آموزش استفاده کرده است یا خیر؛ روشی موسوم به Distillation که در سال‌های اخیر در صنعت هوش مصنوعی بحث‌برانگیز شده است. بر اساس توضیحات رسمی شرکت، پاسخ تا حدی مثبت است. Thinking Machines می‌گوید مدل Inkling را از ابتدا آموزش داده، اما برای تولید بخشی از داده‌های مرحله پساآموزش از مدل‌های متن‌باز دیگر، از جمله Kimi K2.5 شرکت Moonshot AI، استفاده کرده است. شرکت تاکید دارد نسل بعدی مدل‌هایش از فرایند پساآموزش مستقل استفاده خواهد کرد.

در حوزه هزینه‌ها، Thinking Machines رویکرد محافظه‌کارانه‌تری دارد. این شرکت در ماه مارس با انویدیا توافقی برای استقرار یک گیگاوات ظرفیت پردازشی Vera Rubin امضا کرد و آموزش Inkling را به‌طور کامل روی سیستم‌های GB300 NVL72 انجام داد، اما هنوز درباره نحوه تامین هزینه این زیرساخت توضیحی ارائه نکرده است. همچنین طبق گزارش‌ها، درآمدزایی تاکنون اولویت اصلی شرکت نبوده است.

05

از 05

هزینه‌ها و مدل اقتصادی شرکت

سؤال مهم این است که آیا هزینه‌های Thinking Machines در نهایت به مقیاس OpenAI یا آنتروپیک خواهد رسید یا مدل بهره‌وری‌محور این شرکت اقتصاد متفاوتی ایجاد خواهد کرد. در واقع، شرط اصلی Thinking Machines شاید رقابت در میزان هزینه‌کرد نباشد، بلکه این باشد که به چنین مقیاسی از هزینه نیاز پیدا نکند؛ زیرا انتشار عمومی وزن‌های مدل به این معناست که کاربران می‌توانند آن را اجرا کنند بدون اینکه مانند سرویس‌های مبتنی بر API شرکت‌هایی همچون OpenAI و آنتروپیک هزینه‌ای بابت هر بار استفاده پرداخت کنند. به همین دلیل، مدل درآمدی Thinking Machines احتمالا بر Tinker متمرکز خواهد بود؛ پلتفرمی که خدمات آموزش اختصاصی و سهمی از اکوسیستم میزبانی پیرامون مدل را ارائه می‌کند.

برای مطالعه بیشتر: آنتروپیک مدل Claude را با قابلیت‌های جدید به‌روزرسانی کرد

از نظر منابع انسانی، وضعیت شرکت اکنون تثبیت‌شده‌تر به نظر می‌رسد. Thinking Machines حدود ۲۰۰ کارمند دارد؛ تعداد نیرویی که پس از موج جدایی‌ها در اوایل سال افزایش یافته است؛ موجی که شامل پیوستن دو هم‌بنیان‌گذار شرکت به OpenAI در ژانویه نیز می‌شد. با این حال، Thinking Machines برخلاف بخش بزرگی از صنعت هوش مصنوعی، تمایلی به تمرکز بیش از حد روی افراد شاخص ندارد.

به گفته یک منبع داخلی، فرهنگ سازمانی شرکت بر تداوم تیمی و کاهش وابستگی به افراد خاص بنا شده است. این رویکرد باعث می‌شود تغییر اعضای تیم کمتر به یک ضربه جدی تبدیل شود، زیرا ساختار شرکت بر پایه قهرمان‌سازی از افراد شکل نگرفته است. این سیاست البته برای شرکتی که بخش قابل توجهی از هویت عمومی آن همچنان با نام میرا موراتی، هم‌بنیان‌گذار مشهورش، گره خورده است، نکته‌ای قابل توجه محسوب می‌شود.