إطلاق Thinking Machines لنموذج Inkling: كيف يقارن بنموذج DeepSeek؟

أطلقت Thinking Machines نموذج Inkling؟ لقد تم تأكيد هذا الإعلان رسمياً حيث قدم مختبر Thinking Machines أول نموذج متعدد الوسائط مفتوح الأوزان، Inkling، المصمم للمنافسة مع DeepSeek وأنظمة الذكاء الاصطناعي الرائدة الأخرى. وبدلاً من وضع النموذج كواجهة برمجة تطبيقات تجارية مغلقة، تؤكد الشركة على التخصيص المؤسسي، والنشر مفتوح الأوزان، وخفض تكاليف التشغيل للمطورين. ونظراً لأن Inkling تم إصداره كنموذج مفتوح الأوزان بموجب ترخيص Apache 2.0، يمكن لمطوري المؤسسات الآن نشره وتعديله وتحسينه دون الاعتماد على واجهات برمجة تطبيقات الاستدلال المملوكة.

لماذا أطلقت Thinking Machines نموذج Inkling: تحدي احتكار البرمجيات المغلقة

نظرة عامة

• أصدر مختبر Thinking Machines، الذي أسسته ميرا موراتي الرئيسة التقنية السابقة لشركة OpenAI، أول نموذج ذكاء اصطناعي داخلي له باسم Inkling، والذي يتميز بترخيص Apache 2.0 مفتوح الأوزان.
• النظام عبارة عن محول خليط من الخبراء (MoE) بإجمالي 975 مليار بارامتر (41 ملياراً نشطة لكل مهمة)، تم تدريبه على 45 تريليون رمز (token) من النصوص والصور والصوت والفيديو.
• على عكس النماذج المغلقة القياسية، تم تصميم Inkling كنقطة انطلاق للمؤسسات للقيام بالتحسين الذاتي باستخدام Tinker، وهي منصة التخصيص التابعة للشركة.

تشهد الفجوة بين النماذج المركزية ذات الأغراض العامة والأنظمة المخصصة حسب المجال تطوراً كبيراً. على مدى السنوات القليلة الماضية، قارنت الشركات بشكل متزايد بين واجهات برمجة التطبيقات المملوكة وعمليات النشر الذاتي للنماذج مفتوحة الأوزان. يدخل Inkling هذه المنافسة من خلال تقديم نموذج Apache 2.0 محسّن للتخصيص المؤسسي بدلاً من الاستدلال المستضاف للأغراض العامة.

يعكس إطلاق Inkling تحولاً أوسع في الصناعة نحو النماذج مفتوحة الأوزان المستضافة ذاتياً وتخصيص الذكاء الاصطناعي للمؤسسات. فعندما تقوم شركة بتغذية أسرارها التجارية الحساسة، وقواعد الأكواد البرمجية، والحسابات المالية في نموذج مملوك، فإنها تخاطر بامتصاص تلك المعرفة في الإصدارات العامة المستقبلية للنظام. بالنسبة للعديد من المجموعات الهندسية واسعة النطاق، يمثل إطلاق Thinking Machines لنموذج Inkling فرصة مباشرة لاستعادة السيطرة على الاعتمادات البرمجية الأساسية، كما هو موضح في إعلان Thinking Machines الرسمي.

الهيكلية التقنية: كيف يقارن Inkling بنموذج DeepSeek

في طبقة البروتوكول، تقوم المحولات الكثيفة القياسية بتنشيط حزمة البارامترات الكاملة الخاصة بها لكل رمز، مما يؤدي إلى ارتفاع تكاليف الحوسبة وزمن الانتقال. لحل اختناقات الحوسبة هذه، يستخدم النموذج الذي تم إصداره حديثاً تصميماً قائماً على خليط من الخبراء (MoE) يشبه النموذج الرائد مفتوح المصدر DeepSeek-V3. تحتوي كل طبقة MoE على 256 خبيراً موّجهاً وخبيرين مشتركين، مع تنشيط 6 خبراء موّجهين فقط (حوالي 41 مليار بارامتر نشط) لكل رمز. يسمح هذا للنظام بالحفاظ على قاعدة معرفية ضخمة تبلغ 975 مليار بارامتر مع الحفاظ على انخفاض تكاليف الاستدلال وزمن الانتقال.

بالنسبة لآلية الانتباه، يقوم النظام بتبديل طبقات النافذة المنزلقة والعالمية بنسبة 5:1، باستخدام 8 رؤوس للمفتاح والقيمة (KV). على عكس البنيات الشائعة مثل Llama وDeepSeek التي تعتمد على تضمين الموضع الدوراني (RoPE)، ينفذ النظام تضمينات موضعية نسبية، والتي تظهر أداء استقراء متفوقاً عبر تسلسلات طويلة السياق تصل إلى مليون رمز. على عكس DeepSeek-V3، تم إصدار Inkling رسمياً بموجب ترخيص Apache 2.0 بدلاً من ترخيص MIT، مستهدفاً نفس سوق الأوزان المفتوحة للمؤسسات مع التركيز على سير عمل التخصيص من خلال Tinker.

[بنية النموذج الكثيف القياسي]
  رمز الإدخال ──> كل البارامترات نشطة (975 مليار) ──> تكلفة حوسبة وزمن انتقال عالٍ


[بنية خليط الخبراء (MoE)]
  رمز الإدخال ──> موجّه قائم على Sigmoid ──> الخبراء النشطون (41 مليار) ──> تكلفة منخفضة، استدلال سريع

بالنسبة للعديد من عمليات نشر MoE الكبيرة، ونظراً لأن كفاءة الاستدلال تعتمد بشكل متزايد على عرض النطاق الترددي للذاكرة بدلاً من الإنتاجية الحسابية، تتحول العديد من عمليات النشر نحو تحسين الاستدلال المتمحور حول الذاكرة. وفي حين تم تدريب النموذج الأساسي من الصفر، استخدمت مرحلة ما بعد التدريب تقنية التمهيد بالبيانات الاصطناعية التي تم إنشاؤها بواسطة نماذج مفتوحة الأوزان موجودة، بما في ذلك Kimi K2.5 من Moonshot AI. تظهر نتائج القياس أن Inkling يحقق أداءً قابلاً للمقارنة مع NVIDIA Nemotron 3 Ultra بينما يستخدم ثلث الرموز فقط. توضح القدرات الهيكلية التي تم التحقق منها عند إطلاق Thinking Machines لنموذج Inkling كيف تقلل بنيات MoE المخصصة من النفقات التشغيلية الإجمالية، كما هو موضح في تقرير نماذج التفاعل الخاص بـ Thinking Machines.

Inkling مقابل DeepSeek-V3 في لمحة

لتوضيح الاختلافات التقنية بين هذه البنيات الرائدة ذات الأوزان المفتوحة، يوضح جدول المقارنة التالي خيارات التصميم الأساسية الخاصة بها:

البناء مقابل الشراء: استراتيجيات نشر النماذج مفتوحة الأوزان

مع استمرار ارتفاع التكاليف التشغيلية لصيانة واجهات برمجة تطبيقات الذكاء الاصطناعي للأغراض العامة، يدفع إصدار Inkling أيضاً الفرق الهندسية إلى إعادة تقييم استراتيجيات البنية التحتية طويلة الأجل. تكشف إعادة تقييم تبعيات النظام عن واقع مالي حرج: استئجار النماذج المملوكة يمكن أن يؤدي إلى فخ الدفع المزدوج. جادل ساتيا ناديلا مؤخراً بأن الشركات التي تستخدم الذكاء الاصطناعي المملوك تدفع فعلياً مرتين: مرة في تكاليف الاشتراك المباشرة ومرة أخرى من خلال تسليم معرفتها التجارية الخاصة المضمنة في المطالبات، وهو ما تمت مناقشته في مقال ناديلا الاستشاري التقني.

تغير تكاليف الاستدلال المنخفضة أيضاً الطريقة التي تقيم بها الشركات الإنفاق على البنية التحتية. من منظور عمليات التمويل (FinOps)، يتطلب تقييم ما إذا كان يجب بناء خطوط أنابيب محلية مخصصة أو الاستمرار في الاشتراك في نقاط نهاية سحابية مملوكة تقييماً صارماً لكفاءة الحوسبة. مع إطلاق Thinking Machines لنموذج Inkling، يمكن للمطورين موازنة ميزانيات الرموز مع ملفات تعريف الأداء بسهولة أكبر. ونظراً لأن أوزان النموذج متاحة بشكل مفتوح، يمكن للمؤسسات تخصيص خطوط أنابيب النشر ونشر الأوزان المخصصة تجارياً دون التقيد بمنصة مملوكة. هذا النموذج للتخصيص مدعوم بالكامل من قبل منصة التحسين Tinker الخاصة بـ Thinking Machines Lab، حيث يمكن للمؤسسات تحميل أوزان خاصة وتنفيذ تدريب موجه للمجال.

سيناريوهات النشر واختيار المنصة

لمساعدة مهندسي البنية التحتية على تقييم تكوينات الاستضافة الخاصة بهم في ظل هذه النماذج الاقتصادية المتغيرة، يوضح مصفوفة النشر التالية المقايضات القياسية:

تم توضيح قيمة نهج تخصيص الأوزان المفتوحة من خلال مشروع مشترك بين Thinking Machines وBridgewater Associates، أكبر صندوق تحوط في العالم. من خلال أخذ نموذج مفتوح أساسي وتدريبه بشكل أكبر على الخبرة المالية المملوكة لشركة Bridgewater، قام الباحثون ببناء نظام سجل 84.7% في اختبارات التفكير المالي. تفوق هذا النموذج المخصص على البدائل المملوكة من الدرجة الأولى بينما كانت تكلفة تشغيله تعادل حوالي جزء من أربعة عشر من تكلفتها. تدعم مقاييس الأداء هذه مباشرة أهداف عمليات التمويل (FinOps)، مما يسمح للمطورين بموازنة ميزانيات الرموز مع ملفات تعريف الأداء، كما هو موثق في دراسة التفكير المالي لـ Bridgewater.

قوائم مراجعة التكامل: كيف يمكن للفرق الهندسية الاستعداد لتغييرات المنصة

لتأمين خطوط أنابيب البيانات وضمان الاستقلالية التقنية مع تحول النماذج مفتوحة الأوزان إلى معيار صناعي، يجب على الفرق الهندسية وفرق المنتجات وضع خارطة طريق واضحة للترحيل.

قائمة مراجعة تنفيذ المطورين

• تقييم خطوط أنابيب الاستدلال: إعداد مقاييس التكميم باستخدام أطر عمل مثل SGLang أو vLLM أو llama.cpp لتحسين بصمات الذاكرة.
• قياس استخدام GPU: تحليل مسارات توجيه الخبراء النشطة لتقليل قيود عرض النطاق الترددي للذاكرة أثناء تشغيل الاستدلال المتزامن.
• تدقيق سير عمل التحسين: تكوين قوالب تخصيص النموذج على منصات مثل Tinker لأتمتة معايير التقييم.

قائمة مراجعة استراتيجية المنتج والنمو

• التحقق من معلمات ترخيص النموذج: مراجعة شروط Apache 2.0 لضمان الامتثال لإعادة التوزيع التجاري اللاحق.
• إنشاء مراقبة FinOps: مقارنة تكاليف استضافة الخادم طويلة الأجل للأوزان المفتوحة المستضافة ذاتياً مقابل فواتير الاشتراك في واجهة برمجة تطبيقات السحابة المقاسة لتحسين خطوط أنابيب الحوسبة.
• عزل مستودعات البيانات المملوكة: إنشاء بيئات حماية للبيانات صارمة لضمان عدم استيعاب المعرفة الحساسة للشركة من قبل نماذج عامة خارجية.

من خلال إنشاء هذه المبادئ التوجيهية المنظمة، يمكن لفرق التطوير نقل تطبيقاتها إلى بنيات أكثر أماناً وامتثالاً مع الحفاظ على الاستمرارية التشغيلية.

يوضح Inkling أن الذكاء الاصطناعي للمؤسسات يتجه نحو النشر مفتوح الأوزان القابل للتخصيص. وبدلاً من استبدال منصات الذكاء الاصطناعي المملوكة تماماً، يوسع Inkling نطاق استراتيجيات النشر المتاحة للفرق الهندسية في المؤسسات.

ستعطي المؤسسات التي تتبنى النماذج مفتوحة الأوزان الأولوية بشكل متزايد للنشر الخاص، وحوكمة النموذج، والاستدلال الفعال، والكفاءة التشغيلية طويلة الأجل على حساب الاعتماد على واجهات برمجة التطبيقات المملوكة. لذلك، يجب على الفرق إعطاء الأولوية للبنية التحتية القادرة على التحسين الفعال، وتحسين الاستدلال، والحوكمة.