Thinking Machines Lab, een startup voor kunstmatige intelligentie gecreëerd door voormalig OpenAI CTO Mira Murati, lanceerde op woensdag 15 juli 2026 zijn eerste eigen AI-model, genaamd Inkling. In tegenstelling tot oplossingen van giganten als OpenAI, Anthropic en Google is Inkling open source, waardoor ontwikkelaars en bedrijven deze rechtstreeks kunnen downloaden en aanpassen.
Inkling is een ‘mix van experts’-systeem dat in totaal 975 miljard parameters heeft, maar slechts een fractie, ongeveer 41 miljard, gebruikt voor elke specifieke taak. Deze gemeenschappelijke architectuur optimaliseert uitgebreide modellen, waardoor ze sneller en kosteneffectiever worden. Volgens het lanceringsmateriaal van het bedrijf was het model getraind met 45 biljoen tekst-, beeld-, audio- en videotokens, waardoor het in al deze modaliteiten native kon redeneren. De output is voorlopig echter beperkt tot tekst en omvat code, gestileerde artefacten en gestructureerde gegevens.
Dit model vertegenwoordigt de eerste publieke vooruitgang van Thinking Machines Lab na anderhalf jaar gericht op het bouwen van een AI-infrastructuur die grotendeels buiten de schijnwerpers stond. Een deel van dit werk was in mei al gedemonstreerd, in een voorproefje van onderzoek naar ‘interactiemodellen’, kunstmatige intelligentie die is gemaakt om te luisteren, spreken en zelfs te onderbreken, in tegenstelling tot traditionele chatbots die op commando’s wachten. De lancering van Inkling test de belangrijkste gok van de startup: dat AI die door organisaties kan worden aangepast beter presteert dan de gestandaardiseerde modellen die door de grootste laboratoria worden verkocht.
Inkling is ontworpen om nauwkeurige antwoorden te geven, waarbij onzekerheid wordt aangegeven in plaats van giswerk, en stelt gebruikers in staat de “denkinspanning” aan te passen om prioriteit te geven aan snelheid. In een benchmarktest beweert het bedrijf dat Inkling een derde van de tokens verbruikt die worden gebruikt door Nvidia’s Nemotron 3 Ultra, het open source-model van de volgende generatie, om dezelfde codeerprestaties te bereiken.
Thinking Machines beweert niet dat de Inkling het beste model in zijn klasse is. In hun meest recente blogpost staat expliciet dat Inkling “niet het sterkste model is dat momenteel beschikbaar is, zowel open als gesloten.” Het duidelijke doel van het bedrijf is in plaats daarvan evenwichtige en veelzijdige prestaties.
Deze aanpak roept de vraag op welk publiek, binnen de zakelijke markt, het werkelijke doelwit van Inkling is. Voorlopig positioneert Thinking Machines Inkling minder als eindproduct en meer als uitgangspunt, iets dat organisaties kunnen verbeteren via Tinker, het sjabloonaanpassingsplatform van het bedrijf. Bijgevolg ligt de verantwoordelijkheid voor de veiligheid van aanpassingen bij de klant, en niet bij Thinking Machines. Het is de moeite waard te vermelden dat voor het aanpassen van modellen professionals nodig zijn met hoge kwalificaties op het gebied van machinaal leren.
OpenAI, Anthropic en Google hanteerden daarentegen heel verschillende strategieën met hun respectievelijke ChatGPT, Claude en Gemini. Ze zijn allemaal ontworpen om in de eerste plaats te concurreren als chatbots voor algemene doeleinden, waaraan later autonome en agentmogelijkheden zijn toegevoegd.
Een publicatie van Thinking Machines vorige week diende als basis voor deze lancering. Daarin betoogde het bedrijf dat kunstmatige intelligentie die centraal wordt getraind door één organisatie en op een vaste manier wordt gedefinieerd, slechter presteert dan AI die door organisaties zelf wordt gevormd, omdat veel van de kennis specifiek is voor de mensen die deze kennis bezitten.
Andere argumenten tegen gesloten modellen winnen steeds meer terrein. In een zondag gepubliceerde blogpost waarschuwde Satya Nadella, CEO van Microsoft, een bedrijf dat miljarden heeft geïnvesteerd in OpenAI en Anthropic, dat bedrijven die eigen AI-modellen gebruiken uiteindelijk twee keer moeten betalen. Een keer tegen abonnementskosten en opnieuw door de zakelijke kennis aan te bieden die is ingebed in hun aanwijzingen en correcties, die kunnen worden opgenomen in toekomstige versies van de sjablonen.
Clem Delangue, CEO van Hugging Face, deed vorige week in een gesprek een soortgelijke voorspelling. Hij zei dat geavanceerde modellen zich steeds meer zullen richten op experimenten en hoogwaardige taken, terwijl het meeste AI-productiewerk zal migreren naar private of open-source alternatieven – precies de divisie die Thinking Machines aan het ontwikkelen is.
Het sterkste argument voor de Thinking Machines-aanpak kwam van een recent project met Bridgewater Associates, ‘s werelds grootste hedgefonds, dat geen Thinking Machines-investeerder is. Onderzoekers van beide bedrijven hebben een bestaand open source-model overgenomen en verder getraind met de eigen financiële expertise van Bridgewater. Het resultaat, zoals gerapporteerd, behaalde 84,7% in tests voor financieel redeneren, waarmee het de belangrijkste propriëtaire AI-modellen overtrof, terwijl het ongeveer een veertiende van de exploitatiewaarde kostte. Het is echter belangrijk op te merken dat deze resultaten voortkomen uit de evaluatie van de twee bedrijven, en niet uit een onafhankelijke analyse.
Hoe dan ook benadrukt Thinking Machines hoe snel dit stadium is bereikt. Het kostte OpenAI ongeveer vijf jaar om zijn technologie op de markt te brengen en inkomsten te genereren, en Anthropic ongeveer drie jaar. Thinking Machines beweert hetzelfde te hebben bereikt in ongeveer negen maanden.
Sommigen zullen zich afvragen of Inkling is opgeleid op basis van de resultaten van modellen van concurrenten, een praktijk die bekend staat als ‘distillatie’ en die onderwerp is geweest van nauwkeurig onderzoek door de industrie. Het korte antwoord is, volgens de eigen materialen van het bedrijf: gedeeltelijk. Thinking Machines trainde Inkling helemaal opnieuw, maar gebruikte andere open source-modellen, waaronder Kimi K2.5 van Moonshot AI, om enkele van de initiële gegevens na de training te helpen genereren voordat grootschalige versterkingsleren de overhand kreeg. Het volgende model, zo garandeert het bedrijf, zal gebruik maken van volledig op zichzelf staande post-training.
Wat de kosten betreft, is Thinking Machines terughoudender. Het bedrijf werkte in maart samen met Nvidia om een gigawatt aan Vera Rubin-rekenkracht in te zetten en trainde Inkling volledig op Nvidia’s GB300 NVL72-systemen. Het heeft echter niet gezegd hoe het deze kosten wil dekken, en de inkomsten zijn volgens de meeste analyses geen prioriteit geweest. Een fondsenwervingsronde ter waarde van 50 miljard dollar die in november vorig jaar werd gerapporteerd, zou in januari tot stilstand zijn gekomen, en het bedrijf heeft sindsdien vermeden commentaar te geven op zijn financiële situatie. Een verwante vraag is of de uitgaven van Thinking Machines op een dag de schaal van OpenAI of Anthropic zullen bereiken, of dat de op efficiëntie gerichte aanpak een andere economie betekent. Met andere woorden: de weddenschap van het bedrijf gaat wellicht minder over het uitgeven dan bij de grotere rivalen, maar meer over het niet hoeven doen ervan. Omdat de gewichten openbaar zijn, hoeft niemand die ze downloadt Thinking Machines te betalen om ze te laten draaien, in tegenstelling tot de betaalmuren die worden verkocht door OpenAI en Anthropic. De inkomsten van het bedrijf moeten afkomstig zijn van Tinker, niet van het model zelf, door middel van training, verfijning en nu een deel van het hosting-ecosysteem dat eromheen is gebouwd.
Het personeel lijkt in ieder geval stabieler. Thinking Machines heeft momenteel ongeveer 200 mensen in dienst, een stijging ten opzichte van de cijfers die werden vrijgegeven na een golf van ontslagen eerder dit jaar, waaronder twee medeoprichters die zich in januari bij OpenAI voegden. Thinking Machines toont op zijn beurt geen interesse in het benadrukken van individuele bewegingen, zoals gebruikelijk is in het grootste deel van de industrie. Volgens een interne bedrijfsbron geeft de bedrijfscultuur, door het ontwerp, voorrang op continuïteit boven afhankelijkheid van welke persoonlijkheid dan ook. Dit is logisch omdat het wisselen van team een kleine tegenslag betekent als mensen aanvankelijk nooit op een voetstuk werden geplaatst.
