รู้จักโมเดล AI ‘Inkling’ จาก Thinking Machines Lab โมเดลที่เปิดให้องค์กรปรับแต่งเองได้ ท้าชนแนวคิด AI สำเร็จรูปจากค่ายใหญ่

หลังจากซุ่มสร้างโครงสร้างพื้นฐาน AI อย่างเงียบ ๆ มาราวปีครึ่ง Thinking Machines Lab สตาร์ทอัพของ Mira Murati อดีต Chief Technology Officer ของ OpenAI ก็ส่งผลงานชิ้นแรกออกสู่สาธารณะ และเป็นผลงานที่เลือกเดินคนละทางกับ OpenAI, Anthropic และ Google อย่างชัดเจน เพราะแทนที่จะปั้นแชทบอทสำเร็จรูปมาแข่ง บริษัทกลับวางเดิมพันว่า AI ที่องค์กรปรับแต่งเองได้จะชนะ AI แบบครอบจักรวาลในระยะยาว

Thinking Machines Lab เปิดตัว 'Inkling' โมเดล AI ตัวแรกที่พัฒนาขึ้นเองทั้งหมด โดยปล่อยเป็นโมเดลแบบ Open-weight หมายถึงการเปิดเผยน้ำหนักโมเดล (Weights) หรือชุดตัวเลขมหาศาลที่ทำหน้าที่เสมือนสมองของ AI ให้สาธารณะดาวน์โหลดได้ฟรี นักพัฒนาและองค์กรภายนอกจึงนำโมเดลไปติดตั้งบนเซิร์ฟเวอร์ของตัวเอง ดัดแปลง หรือฝึกเพิ่มเติมได้อย่างอิสระ ต่างจากโมเดลเรือธงของค่ายใหญ่ที่เก็บน้ำหนักโมเดลไว้เป็นความลับ และเปิดให้ใช้ผ่านระบบของบริษัทเท่านั้น

แกะสเปก Inkling โมเดลเกือบล้านล้านพารามิเตอร์ที่รันจริงแค่เสี้ยวเดียว

Inkling ใช้สถาปัตยกรรมแบบ Mixture-of-Experts (MoE) ที่มีพารามิเตอร์รวม 975,000 ล้านตัว แต่เรียกใช้จริงเพียงราว 41,000 ล้านตัวต่อการประมวลผลแต่ละครั้ง ซึ่งเป็นเทคนิคยอดนิยมที่ช่วยให้โมเดลขนาดใหญ่มากทำงานได้เร็วขึ้นและถูกลง โมเดลถูกฝึกด้วยข้อมูล 45 ล้านล้านโทเคน ครอบคลุมทั้งข้อความ ภาพ เสียง และวิดีโอ จึงเข้าใจข้อมูลได้หลายรูปแบบโดยกำเนิด และรองรับ Context Window ได้ยาวถึง 1 ล้านโทเคน แม้ว่าตอนนี้ผลลัพธ์ที่โมเดลสร้างออกมาจะยังจำกัดอยู่ที่ข้อความ โค้ด และข้อมูลแบบมีโครงสร้างเท่านั้น

จุดที่บริษัทชูเป็นพิเศษคือ Inkling ถูกออกแบบให้ตอบแบบ 'ประเมินความมั่นใจของตัวเองได้' คือยอมบอกตรง ๆ เมื่อไม่แน่ใจแทนที่จะเดามั่ว และเปิดให้ผู้ใช้ปรับระดับ 'ความพยายามในการคิด' (Thinking Effort) ขึ้นลงได้ตามต้องการ เพื่อแลกความแม่นยำกับความเร็วและต้นทุน โดยบริษัทระบุว่าในการทดสอบมาตรฐานด้านการเขียนโค้ดอย่าง Terminal Bench นั้น Inkling ใช้โทเคนเพียงราว 1 ใน 3 ของ Nemotron 3 Ultra โมเดลแบบ Open-weight รุ่นล่าสุดของ Nvidia เพื่อทำคะแนนเท่ากัน

ผลทดสอบอื่น ๆ ที่บริษัทเปิดเผยก็อยู่ในระดับแข็งแรง เช่น SWE-bench Verified ด้านการแก้โจทย์ซอฟต์แวร์จริงได้ 77.6% โจทย์คณิตศาสตร์ AIME 2026 ได้ 97.1% และ GPQA Diamond ด้านความรู้วิทยาศาสตร์ระดับสูงได้ 87.2% นอกจากนี้ยังเปิดตัวรุ่นเล็กอย่าง 'Inkling-Small' ที่มีพารามิเตอร์รวม 276,000 ล้านตัวและใช้งานจริง 12,000 ล้านตัวมาให้ทดลองล่วงหน้า สำหรับงานที่ต้องการต้นทุนต่ำและความเร็วสูงกว่าด้วย

ไม่ได้อยากเป็นที่หนึ่ง แต่อยากเป็น 'จุดตั้งต้น' ให้องค์กรปั้นโมเดลของตัวเอง

สิ่งที่น่าสนใจคือ Thinking Machines ไม่ได้อ้างเลยว่า Inkling คือโมเดลที่เก่งที่สุด บล็อกโพสต์ของบริษัทเขียนไว้ตรง ๆ ว่า Inkling 'ไม่ใช่โมเดลที่แข็งแกร่งที่สุดในตลาดวันนี้ ไม่ว่าจะเทียบกับโมเดลเปิดหรือปิด' เพราะเป้าหมายที่แท้จริงคือการเป็นโมเดลพื้นฐานที่สมดุลรอบด้าน สำหรับให้องค์กรนำไปปรับจูนต่อเองผ่าน Tinker แพลตฟอร์มปรับแต่งโมเดลของบริษัท ซึ่งแนวทางนี้ก็หมายความว่าลูกค้าต้องรับผิดชอบเรื่องความปลอดภัยของโมเดลที่ปรับแต่งเอง และต้องมีทีมวิศวกรด้าน Machine Learning ที่เก่งพอสมควรด้วย

แนวทางนี้ตรงข้ามกับ OpenAI, Anthropic และ Google ที่สร้าง ChatGPT, Claude และ Gemini ให้เป็นแชทบอทอเนกประสงค์สำหรับทุกคนก่อน แล้วค่อยต่อยอดความสามารถเชิงเอเจนต์ (Agentic) ทีหลัง โดยหนึ่งสัปดาห์ก่อนการเปิดตัว Thinking Machines ได้ปูพื้นความคิดนี้ผ่านบทความที่ให้เหตุผลว่า AI ที่ถูกฝึกจากศูนย์กลางโดยบริษัทเดียวแล้วตรึงไว้ตายตัว จะทำผลงานได้ด้อยกว่า AI ที่แต่ละองค์กรปั้นขึ้นเอง เพราะความเชี่ยวชาญจำนวนมากผูกติดอยู่กับคนที่ถือความรู้นั้น

กระแส 'เลิกจ่ายสองต่อ' ที่กำลังหนุนโมเดลเปิด

ข้อโต้แย้งต่อโมเดลปิดกำลังดังขึ้นเรื่อย ๆ ในอุตสาหกรรม Satya Nadella CEO ของ Microsoft ซึ่งลงทุนมหาศาลทั้งใน OpenAI และ Anthropic เพิ่งเขียนบล็อกเตือนว่าองค์กรที่ใช้โมเดล AI แบบปิดกำลัง 'จ่ายสองต่อ' คือจ่ายค่าบริการรายเดือนหนึ่งต่อ และจ่ายด้วยความรู้ทางธุรกิจที่ฝังอยู่ในคำสั่งและการแก้ไขต่าง ๆ ซึ่งอาจถูกดูดซับเข้าไปในโมเดลรุ่นถัดไปอีกหนึ่งต่อ ขณะที่ Clem Delangue CEO ของ Hugging Face ก็คาดการณ์ในทิศทางเดียวกันว่าโมเดลระดับ Frontier Model จะถูกสงวนไว้สำหรับงานทดลองและงานมูลค่าสูง ส่วนงาน AI ในระบบจริงส่วนใหญ่จะย้ายไปใช้ทางเลือกแบบส่วนตัวหรือโอเพนซอร์สแทน ซึ่งตรงกับสมมติฐานที่ Thinking Machines วางธุรกิจไว้พอดี

หลักฐานที่จับต้องได้ที่สุดของแนวทางนี้มาจากโปรเจกต์ร่วมกับ Bridgewater Associates กองทุนเฮดจ์ฟันด์ใหญ่ที่สุดในโลก ที่นักวิจัยของทั้งสองบริษัทนำโมเดลโอเพนซอร์สที่มีอยู่มาฝึกต่อด้วยความเชี่ยวชาญด้านการเงินของ Bridgewater เอง ผลลัพธ์ที่ได้ทำคะแนนการใช้เหตุผลทางการเงินได้ 84.7% เหนือกว่าโมเดลปิดชั้นนำ แถมต้นทุนการรันถูกกว่าราว 14 เท่า แม้ตัวเลขนี้จะมาจากการประเมินของทั้งสองบริษัทเอง ไม่ใช่หน่วยงานอิสระก็ตาม

คำถามที่ยังไร้คำตอบ ทั้งเรื่องเงินและที่มาของข้อมูลฝึก

Thinking Machines เน้นย้ำเรื่องความเร็วในการไปถึงจุดนี้ โดยชี้ว่า OpenAI ใช้เวลาราว 5 ปีกว่าจะนำเทคโนโลยีออกสู่ตลาดและมีรายได้ ส่วน Anthropic ใช้ราว 3 ปี ขณะที่บริษัททำได้ในเวลาประมาณ 9 เดือน แต่ก็มีคำถามตามมา เช่น ประเด็นที่ว่า Inkling ถูกฝึกจากผลลัพธ์ของโมเดลคู่แข่งหรือไม่ ซึ่งเป็นแนวทางที่เรียกว่าการกลั่นความรู้ (Distillation) ที่ถูกจับตาทั่วทั้งอุตสาหกรรม คำตอบจากเอกสารของบริษัทเองคือ 'มีส่วนหนึ่ง' เพราะแม้จะฝึกโมเดลขั้นต้นจากศูนย์ทั้งหมด แต่บริษัทยอมรับว่าใช้โมเดลแบบ Open-weight ตัวอื่น รวมถึง Kimi K2.5 ของ Moonshot AI ช่วยสร้างข้อมูลฝึกช่วงหลังในระยะแรก ก่อนที่การเรียนรู้แบบเสริมกำลังขนาดใหญ่จะเข้ามารับช่วงต่อ โดยยืนยันว่าโมเดลรุ่นถัดไปจะใช้กระบวนการที่พึ่งพาตัวเองทั้งหมด

ด้านต้นทุน บริษัทยังคงปิดปากเงียบ แม้จะจับมือกับ Nvidia ตั้งแต่เดือนมีนาคมเพื่อวางกำลังประมวลผล Vera Rubin ขนาด 1 กิกะวัตต์ และฝึก Inkling ทั้งหมดบนระบบ GB300 NVL72 ของ Nvidia แต่ก็ยังไม่เคยบอกว่าจะหาเงินมาจ่ายค่าใช้จ่ายเหล่านี้อย่างไร ส่วนรอบระดมทุนมูลค่า 50,000 ล้านดอลลาร์ที่มีรายงานว่ากำลังเจรจาเมื่อเดือนพฤศจิกายนปีที่แล้ว ก็มีข่าวว่าชะงักไปตั้งแต่เดือนมกราคม และบริษัทปฏิเสธที่จะพูดถึงสถานะการระดมทุนนับแต่นั้น ซึ่งเมื่อน้ำหนักโมเดลเปิดเป็นสาธารณะแล้ว ใครดาวน์โหลดไปรันเองก็ไม่ต้องจ่ายเงินให้บริษัทเลย รายได้จริงจึงต้องมาจาก Tinker ผ่านค่าบริการฝึกโมเดล การปรับจูน และส่วนแบ่งจากระบบนิเวศการให้บริการโฮสต์โมเดลที่กำลังก่อตัวขึ้นรอบ ๆ

ปัจจุบัน Inkling เปิดให้ดาวน์โหลดน้ำหนักโมเดลฉบับเต็มแล้วบน Hugging Face และพร้อมให้ปรับจูนบน Tinker ซึ่งจัดโปรโมชันลดราคา 50% ในช่วงเปิดตัว พร้อมพื้นที่ทดลองใช้งานอย่าง Inkling Playground ที่เปิดให้เล่นฟรีแบบจำกัดเวลา รวมถึงเรียกใช้ผ่านผู้ให้บริการอย่าง Together AI, Fireworks, Modal, Databricks และ Baseten ได้ทันที

ที่มา: TechCrunch, Thinking Machines Lab