在AI行业竞相追逐更大参数模型的「军备竞赛」中，OpenAI前CTO米拉·穆拉蒂却选择了一条截然不同的道路。她创立的Thinking Machines Lab（TML）发布了首款AI模型Inkling，主打成本与性能的平衡，并采用开放权重模式。这一策略不仅为企业的数字化转型提供了全新选择，也预示着AI模型发展正从「蛮力竞赛」转向更务实的路径。
从OpenAI到TML：一位技术领袖的数字化转型新赌注
米拉·穆拉蒂曾是OpenAI的核心人物，深度参与了GPT系列与DALL·E的研发。如今她带着TML重返赛道，首款模型Inkling却一反行业常态——既不追求参数规模最大，也不力争性能绝对领先。穆拉蒂的赌注是：在数字化转型的浪潮中，企业真正需要的是可定制、低成本、易部署的AI模型，而不是耗资千万、只服务于通用任务的超级巨无霸。
这种思路与许多「捡了芝麻丢了西瓜」的企业数字化转型案例形成了有趣对比。过去两年，大量企业斥巨资接入闭源大模型，却发现推理成本高昂、无法针对自身数据进行微调。穆拉蒂认为，开放权重模式能让开发者「站在巨人肩膀上」进行二次定制，从而真正解放AI的生产力。她曾在内部表示：「AI不应该是少数巨头的特权，而应当成为每个行业数字化的基础设施。」
这一赌注背后，是对市场痛点的精准洞察。根据第三方调研，超过60%的中型企业认为现有AI工具导航中的大模型「用不起、改不动」。穆拉蒂的选择，正是要填补这片空白。
Inkling模型解剖：9750亿参数背后的「活跃」哲学
Inkling模型拥有9750亿个参数，乍看之下规模惊人，但其中仅有410亿个是「活跃参数」。这意味着处理任何一次用户查询时，只有AI「大脑」的一小部分被激活，从而大幅降低计算资源消耗。这种架构与大模型训练中常用的MoE（混合专家）技术一脉相承，但穆拉蒂团队将其推向极致。
「我们训练了一头大象，但每次只唤醒其中一只蚂蚁。」TML的工程负责人这样形容。与传统闭源模型动辄需要上万张GPU集群才能推理不同，Inkling在中等规模服务器集群上就能流畅运行，推理成本仅为同参数级别模型的五分之一。这种成本优势在长文本生成、实时对话等场景中尤为突出。
更关键的是，Inkling在性能上并没有妥协太多。在MMLU、HellaSwag等主流基准测试中，它的表现与GPT-3.5持平，部分中文任务甚至超越。考虑到其运行成本，这种「够用好用」的定位正好切中了许多最新科技产品开发者的需求——他们不需要一个诺贝尔奖级别的模型，而需要一个能在预算内稳定输出、且可以按业务逻辑修改的引擎。
借鉴中国技术：DeepSeek与Kimi的智慧融合
Inkling最引人注目的特点，是公开承认其架构借鉴了中国AI公司深度求索（DeepSeek）的DeepSeek-V3模型，并在后训练阶段使用月之暗面（Moonshot）旗下Kimi K2.5生成的数据进行了优化。这一「师夷长技」的做法，在硅谷同行中极为罕见。
DeepSeek-V3以其高效的注意力机制和低推理成本闻名，而Kimi K2.5则在长上下文处理和对话连贯性上表现优异。TML将两者结合：基础架构继承DeepSeek的轻量级设计，后训练则用Kimi的高质量对话数据打磨。这种「杂交」思路，本质上是将中国团队在工程优化上的积累，与穆拉蒂团队在世界模型理解上的经验嫁接。
这种跨国技术融合，对当前科技产品市场的创新生态有重要启示。过去，美国AI企业往往对开源技术采用「拿来主义」但避谈来源；穆拉蒂却坦率表示「中国团队在很多工程细节上领先我们」。这种开放心态，可能会推动更多跨国协作，让最新科技不再局限于单一国家。同时，也提醒我们——数字化转型不是闭门造车，而是对全球最佳实践的有机整合。
开放权重与成本平衡：AI模型的新商业逻辑
开放权重模式是Inkling的核心卖点。与开源代码不同，开放权重允许开发者访问模型训练好的参数，并基于自身数据进行微调，但源代码可能不公开。这种「半开放」策略，既保留了定制灵活性，又规避了完全开源带来的安全风险。
从商业逻辑看，TML的目标是用「薄利多销」挑战「厚利少卖」。闭源模型公司通常按API调用收费，客户每使用一次都要付费；而开放权重模型企业可以一次性售卖模型使用权，或提供微调服务。对于做AI画图、文生图等垂直应用的开发者而言，他们更愿意买断模型后再做深度定制，而非被单一供应商锁定。
当然，开放权重也带来新的挑战。如何防止模型被用于生成有害内容？如何确保微调后的版不会丧失安全护栏？TML表示正在开发一套兼容层，让模型即便在定制后也能保留基本安全策略。同时，他们也推出了配套的微调工具Tinker，让开发者可以「像操作笔记本电脑一样」完成模型定制，而无需管理底层GPU集群。
这种「模型+工具」的模式，其实与AI工具箱的生态理念不谋而合——降低门槛，让更多人参与AI应用创新。
定制化微调工具Tinker：让开发者掌控模型命运
如果说Inkling是新引擎，那么Tinker就是令其运转的驾驶舱。Tinker是TML去年推出的云端微调平台，允许开发者在个人笔记本上通过浏览器对Inkling进行训练和定制，底层算力由TML自动调度。
这一设计直击当前AI开发的痛点：开发者想微调大模型，往往需要先配置复杂的Kubernetes集群、处理数据并行策略、管理GPU故障。Tinker将这些复杂度全部封装，用户只需上传数据、选择微调参数，即可完成从「通用模型」到「专属模型」的转换。
举个例子，一家在线教育公司可以拿着自己的题库数据，利用Tinker将Inkling微调成数学辅导模型，花费的成本可能只有调用GPT-4的百分之一。这种能力对于推进数字化转型中的中小企业来说，无疑是雪中送炭。不少开发者在试用后表示：「这就像是从组装电脑变成了使用预装Mac——你不需要知道硬件怎么接，只要会装应用就行。」
TML还计划开放Tinker的插件市场，允许第三方贡献微调模板、数据标注工具等。这让人联想起AI工具导航的聚合价值，一个围绕Inkling的生态正在形成。
安全与开放的博弈：Inkling的防护与挑战
任何开放权重的模型都面临双重安全风险：人类滥用和AI自身漏洞。TML表示，Inkling在发布前经过了生物武器辅助、网络攻击辅助等红色团队测试，结果「表现良好」。但他们也坦承，由于模型权重可以自由修改，安全护栏并非一劳永逸。
对此，TML采取了两层策略：第一，基础模型内置安全过滤器，即使被微调，某些高风险输出也会被阻断；第二，建立社区报告机制，鼓励开发者发现并上报定制模型中的安全漏洞。这种「社区自治」的思路，类似于开源软件中常见的众包安全审核。
然而，闭源模型厂商一直质疑开放权重模式的安全性。Anthropic曾公开表示，「开放权重本质上是将制造武器的能力交到任何人手中」。穆拉蒂的回应是：「我们不能因为担心被滥用，就放弃技术进步带来的普惠价值。关键在于建立有效的使用规则和监督机制，而非退回黑盒时代。」
这场关于安全与开放的辩论，将在未来数年持续。而对于正处数字化转型深水区的企业而言，Inkling的出现至少提供了一个值得尝试的新选项——一个成本更低、自主权更高、且具备国际技术血统的AI引擎。
结语：AI模型发展的第三种可能
穆拉蒂的Inkling不是最强大的模型，但可能是当前最懂得「妥协」的模型。它既不像闭源巨头那样唯我独尊，也不像完全开源模型那样毫无商业支撑。这种中间路线，恰好契合了全球数字化转型中「既要又要」的复杂诉求。
当AI Agent技术逐步走向生产环境，当AI画图、文生图等创意工具重塑内容行业，一个既能控制成本又能保证质量的模型底座，将成为竞争的关键。Inkling或许只是开始，但它证明了一条道理：在数字化的马拉松里，速度不是唯一指标，性价比和可塑性同样重要。