Thinking Machines Lab, una startup di intelligenza artificiale creata dall’ex CTO di OpenAI Mira Murati, ha lanciato mercoledì 15 luglio 2026 il suo primo modello di intelligenza artificiale, chiamato Inkling. A differenza delle soluzioni di giganti come OpenAI, Anthropic e Google, Inkling è open source e consente a sviluppatori e aziende di scaricarlo e modificarlo direttamente.
Inkling è un sistema “mix di esperti” che ha 975 miliardi di parametri totali, ma ne utilizza solo una frazione, circa 41 miliardi, per ogni attività specifica. Questa architettura comune ottimizza modelli estesi, rendendoli più veloci ed economici. Secondo i materiali di lancio dell’azienda, il modello è stato addestrato con 45 trilioni di token di testo, immagini, audio e video, essendo in grado di ragionare in modo nativo in tutte queste modalità. Tuttavia, i suoi output sono, per ora, limitati al testo, coprendo codice, artefatti stilizzati e dati strutturati.
Questo modello rappresenta il primo progresso pubblico di Thinking Machines Lab dopo un anno e mezzo dedicato alla costruzione di infrastrutture di intelligenza artificiale in gran parte fuori dai riflettori. Parte di questo lavoro era già stato dimostrato a maggio, in un’anteprima della ricerca sui “modelli di interazione”, intelligenze artificiali create per ascoltare, parlare e persino interrompere, a differenza dei tradizionali chatbot che attendono comandi. Il lancio di Inkling mette alla prova la scommessa principale della startup: che l’intelligenza artificiale adattabile dalle organizzazioni superi i modelli standardizzati venduti dai laboratori più grandi.
Inkling è progettato per fornire risposte accurate, indicando incertezza piuttosto che congetture, e consente agli utenti di adattare lo “sforzo di pensiero” per dare priorità alla velocità. In un test benchmark, la società afferma che Inkling consuma un terzo dei token utilizzati da Nemotron 3 Ultra di Nvidia, il suo modello open source di prossima generazione, per ottenere le stesse prestazioni di codifica.
Thinking Machines non afferma che Inkling sia il miglior modello della sua categoria. Il loro post sul blog più recente afferma esplicitamente che Inkling “non è il modello più potente attualmente disponibile, sia aperto che chiuso”. L’obiettivo chiaro dell’azienda è, invece, prestazioni equilibrate e versatili.
Questo approccio solleva la questione di quale pubblico, all’interno del mercato aziendale, sia il vero target di Inkling. Per ora, Thinking Machines posiziona Inkling meno come un prodotto finale e più come un punto di partenza, qualcosa che le organizzazioni possono migliorare attraverso Tinker, la piattaforma di personalizzazione dei modelli dell’azienda. Di conseguenza, la responsabilità della sicurezza delle personalizzazioni spetta ai clienti, non a Thinking Machines. Vale la pena ricordare che la personalizzazione del modello richiede professionisti con elevate qualifiche nell’apprendimento automatico.
OpenAI, Anthropic e Google, invece, hanno adottato strategie molto diverse con i rispettivi ChatGPT, Claude e Gemini. Tutti sono stati progettati per competere principalmente come chatbot generici, con funzionalità autonome e di agente aggiunte in seguito.
Una pubblicazione realizzata da Thinking Machines la settimana precedente è servita come base per questo lancio. In esso, l’azienda sosteneva che l’intelligenza artificiale addestrata centralmente da una singola organizzazione e definita in modo fisso ha prestazioni inferiori all’intelligenza artificiale modellata dalle organizzazioni stesse, poiché gran parte della conoscenza è specifica delle persone che la detengono.
Altri argomenti contro i modelli chiusi stanno guadagnando terreno. In un post sul blog pubblicato domenica, Satya Nadella, CEO di Microsoft, una società che ha investito miliardi in OpenAI e Anthropic, ha avvertito che le aziende che utilizzano modelli di intelligenza artificiale proprietari finiscono per pagare due volte. Una volta per i costi di abbonamento e un’altra volta fornendo la conoscenza aziendale incorporata nei suggerimenti e nelle correzioni, che possono essere incorporati nelle versioni future dei modelli.
Clem Delangue, CEO di Hugging Face, ha fatto una previsione simile in una conversazione la scorsa settimana. Ha affermato che i modelli all’avanguardia saranno sempre più mirati alla sperimentazione e a compiti di alto valore, mentre la maggior parte del lavoro di produzione dell’intelligenza artificiale migrerà verso alternative private o open source, esattamente la divisione che Thinking Machines sta sviluppando.
L’argomento più forte a favore dell’approccio di Thinking Machines è venuto da un recente progetto con Bridgewater Associates, il più grande hedge fund del mondo, che non è un investitore di Thinking Machines. I ricercatori di entrambe le società hanno preso un modello open source esistente e lo hanno ulteriormente addestrato con l’esperienza finanziaria di Bridgewater. Il risultato, come riportato, ha raggiunto l’84,7% nei test di ragionamento finanziario, superando i principali modelli di intelligenza artificiale proprietari, pur costando circa un quattordicesimo del valore operativo. È importante notare, però, che questi risultati provengono dalla valutazione delle due società, e non da un’analisi indipendente.
In ogni caso, Thinking Machines evidenzia la rapidità con cui è arrivata a questo stadio. OpenAI ha impiegato circa cinque anni per portare la sua tecnologia sul mercato e generare entrate, mentre Anthropic circa tre. Thinking Machines afferma di aver ottenuto lo stesso risultato in circa nove mesi.
Alcuni si chiederanno se Inkling sia stato addestrato sulla base dei risultati dei modelli della concorrenza, una pratica nota come “distillazione” che è stata oggetto di esame accurato da parte del settore. La risposta breve, secondo i materiali dell’azienda, è: parzialmente. Thinking Machines ha pre-addestrato Inkling da zero, ma ha utilizzato altri modelli open source tra cui Kimi K2.5 di Moonshot AI per generare alcuni dei dati iniziali post-addestramento prima che subentrasse l’apprendimento di rinforzo su larga scala. Il prossimo modello, garantisce l’azienda, impiegherà un post-formazione completamente autonomo.
Per quanto riguarda i costi, Thinking Machines è stata più riservata. L’azienda ha collaborato con Nvidia a marzo per implementare un gigawatt di potenza di calcolo Vera Rubin e ha addestrato Inkling interamente sui sistemi GB300 NVL72 di Nvidia. Tuttavia, non ha detto come intende coprire questi costi e le entrate, secondo la maggior parte delle analisi, non sono una priorità. Secondo quanto riferito, un round di raccolta fondi da 50 miliardi di dollari segnalato a novembre dello scorso anno si è bloccato a gennaio e da allora la società ha evitato di commentare la sua situazione finanziaria. Una questione correlata è se la spesa di Thinking Machines raggiungerà un giorno la portata di OpenAI o Anthropic, o se il suo approccio incentrato sull’efficienza significhi economie diverse. In altre parole, la scommessa dell’azienda potrebbe riguardare meno la spesa come i suoi rivali più grandi e più quella di non averne bisogno, poiché poiché i pesi sono pubblici, nessuno che li scarica è tenuto a pagare Thinking Machines per gestirli, a differenza dei paywall venduti da OpenAI e Anthropic. Le entrate dell’azienda devono provenire da Tinker, non dal modello stesso, attraverso la formazione, la messa a punto e ora una parte dell’ecosistema di hosting costruito attorno ad esso.
Lo staff, almeno, sembra più stabile. Thinking Machines impiega attualmente circa 200 persone, un aumento rispetto ai dati pubblicati dopo un’ondata di licenziamenti all’inizio di quest’anno, inclusi due co-fondatori che si sono uniti a OpenAI a gennaio. Thinking Machines, a sua volta, non mostra alcun interesse nell’evidenziare i movimenti individuali, come è comune nella maggior parte del settore. Secondo una fonte interna all’azienda, la sua cultura, per impostazione predefinita, dà priorità alla continuità rispetto alla dipendenza da qualsiasi personalità. Ciò ha senso poiché cambiare squadra rappresenta una piccola battuta d’arresto quando inizialmente le persone non venivano mai messe su un piedistallo.
