Thinking Machines Lab, en kunstig intelligens-startup skabt af den tidligere OpenAI CTO Mira Murati, lancerede onsdag den 15. juli 2026 sin første egen AI-model, kaldet Inkling. I modsætning til løsninger fra giganter som OpenAI, Anthropic og Google er Inkling open source, hvilket giver udviklere og virksomheder mulighed for at downloade og ændre det direkte.
Inkling er et “blanding af eksperter”-system, der har 975 milliarder samlede parametre, men kun bruger en brøkdel, omkring 41 milliarder, til hver specifik opgave. Denne fælles arkitektur optimerer omfattende modeller, hvilket gør dem hurtigere og mere omkostningseffektive. Ifølge virksomhedens lanceringsmateriale blev modellen trænet med 45 billioner tekst-, billed-, lyd- og video-tokens, idet den var i stand til at ræsonnere indbygget i alle disse modaliteter. Dens output er dog indtil videre begrænset til tekst, der dækker kode, stylede artefakter og strukturerede data.
Denne model repræsenterer Thinking Machines Labs første offentlige fremskridt efter halvandet år fokuseret på at bygge AI-infrastruktur stort set uden for rampelyset. En del af dette arbejde var allerede blevet demonstreret i maj, i en forhåndsvisning af forskning i “interaktionsmodeller”, kunstig intelligens skabt til at lytte, tale og endda afbryde, i modsætning til traditionelle chatbots, der venter på kommandoer. Lanceringen af Inkling tester startup’ets vigtigste indsats: at AI, der kan tilpasses af organisationer, overgår de standardiserede modeller, der sælges af de største laboratorier.
Inkling er designet til at give præcise svar, hvilket indikerer usikkerhed frem for gætværk, og giver brugerne mulighed for at justere “tænkeindsats” for at prioritere hastighed. I en benchmark-test hævder virksomheden, at Inkling bruger en tredjedel af de tokens, der bruges af Nvidias Nemotron 3 Ultra, dens næste generation af open source-model, for at opnå den samme kodningsydelse.
Thinking Machines påstår ikke, at Inkling er den bedste model i sin klasse. Deres seneste blogindlæg siger eksplicit, at Inkling “ikke er den stærkeste model, der er tilgængelig i øjeblikket, uanset om det er åben eller lukket.” Virksomhedens klare mål er i stedet en afbalanceret og alsidig præstation.
Denne tilgang rejser spørgsmålet om, hvilken målgruppe på erhvervsmarkedet, der er Inklings sande mål. For nu positionerer Thinking Machines Inkling mindre som et slutprodukt og mere som et udgangspunkt, noget som organisationer kan forbedre gennem Tinker, virksomhedens skabelontilpasningsplatform. Derfor ligger ansvaret for sikkerheden ved tilpasninger hos kunderne, ikke tænkemaskinerne. Det er værd at nævne, at modeltilpasning kræver fagfolk med høje kvalifikationer inden for maskinlæring.
OpenAI, Anthropic og Google tog på den anden side meget forskellige strategier med deres respektive ChatGPT, Claude og Gemini. Alle var designet til at konkurrere primært som chatbots til generelle formål, med autonome og agent-funktioner tilføjet senere.
En publikation lavet af Thinking Machines den foregående uge tjente som grundlag for denne lancering. Heri argumenterede virksomheden for, at kunstig intelligens trænet centralt af en enkelt organisation og defineret på en fast måde underpræsterer AI, der er formet af organisationerne selv, da meget af viden er specifik for de mennesker, der har den.
Andre argumenter mod lukkede modeller vinder frem. I et blogindlæg, der blev offentliggjort søndag, advarede Satya Nadella, administrerende direktør for Microsoft, en virksomhed, der har investeret milliarder i OpenAI og Anthropic, om, at virksomheder, der bruger proprietære AI-modeller, ender med at betale to gange. Én gang for abonnementsomkostninger og igen ved at give forretningsviden indlejret i deres prompter og rettelser, som kan indarbejdes i fremtidige versioner af skabelonerne.
Clem Delangue, CEO for Hugging Face, kom med en lignende forudsigelse i en samtale i sidste uge. Han sagde, at avancerede modeller i stigende grad vil være rettet mod eksperimenter og opgaver af høj værdi, mens det meste AI-produktionsarbejde vil migrere til private eller open source-alternativer – præcis den division, Thinking Machines er ved at udvikle.
Det stærkeste argument for Thinking Machines-tilgangen kom fra et nyligt projekt med Bridgewater Associates, verdens største hedgefond, som ikke er en Thinking Machines-investor. Forskere fra begge virksomheder tog en eksisterende open source-model og videreuddannede den med Bridgewaters egen økonomiske ekspertise. Resultatet, som rapporteret, opnåede 84,7% i økonomiske ræsonnementstester, hvilket overgik de vigtigste proprietære AI-modeller, mens det kostede cirka en fjortendedel af værdien at drive. Det er dog vigtigt at bemærke, at disse resultater kommer fra evalueringen af de to virksomheder og ikke fra en uafhængig analyse.
Under alle omstændigheder fremhæver Thinking Machines, hvor hurtigt det nåede dette stadie. Det tog OpenAI omkring fem år at bringe sin teknologi på markedet og generere indtægter, og Anthropic omkring tre. Thinking Machines hævder at have opnået det samme på omkring ni måneder.
Nogle vil stille spørgsmålstegn ved, om Inkling blev trænet baseret på resultater fra konkurrenternes modeller, en praksis kendt som “destillation”, der har været genstand for industriens undersøgelse. Det korte svar, ifølge virksomhedens egne materialer, er: delvist. Thinking Machines fortrænede Inkling fra bunden, men brugte andre open source-modeller, inklusive Moonshot AI’s Kimi K2.5 til at hjælpe med at generere nogle af dens indledende post-træningsdata, før forstærkningslæring i stor skala tog over. Den næste model, garanterer virksomheden, vil anvende fuldt selvstændig efteruddannelse.
Med hensyn til omkostninger har Thinking Machines været mere forbeholdne. Virksomheden samarbejdede med Nvidia i marts for at implementere en gigawatt Vera Rubin-computerkraft og trænede Inkling udelukkende på Nvidias GB300 NVL72-systemer. Den har dog ikke oplyst, hvordan den planlægger at dække disse omkostninger, og indtægterne har ifølge de fleste analyser ikke været en prioritet. En indsamlingsrunde på 50 milliarder dollar rapporteret i november sidste år gik angiveligt i stå i januar, og virksomheden har undgået at kommentere sin økonomiske situation siden da. Et relateret spørgsmål er, om Thinking Machines’ udgifter en dag vil nå omfanget af OpenAI eller Anthropic, eller om dets effektivitetsfokuserede tilgang betyder en anden økonomi. Med andre ord handler virksomhedens indsats måske mindre om at bruge penge som sine større konkurrenter og mere om ikke at skulle gøre det, eftersom da vægtene er offentlige, er ingen, der downloader dem, forpligtet til at betale Thinking Machines for at køre dem, i modsætning til betalingsvæggene, der sælges af OpenAI og Anthropic. Virksomhedens omsætning skal komme fra Tinker, ikke selve modellen, gennem træning, finjustering og nu en del af hosting-økosystemet bygget op omkring det.
Personalet virker i hvert fald mere stabilt. Thinking Machines beskæftiger i øjeblikket omkring 200 mennesker, en stigning i forhold til tal, der blev offentliggjort efter en bølge af fyringer tidligere på året, herunder to medstiftere, der sluttede sig til OpenAI i januar. Thinking Machines viser til gengæld ingen interesse i at fremhæve individuelle bevægelser, som det er almindeligt i det meste af branchen. Ifølge en intern virksomhedskilde prioriterer dens kultur, ved design, kontinuitet frem for afhængighed af enhver personlighed. Dette giver mening, da det at skifte hold repræsenterer et mindre tilbageslag, da folk aldrig blev sat på en piedestal i starten.
