مدل باز هوش مصنوعی Inkling: پایان عصر مدل‌های یکسان برای همه؟

به گزارش TechCrunch، شرکت Thinking Machines Lab که توسط میرا موراتی، مدیر فنی سابق OpenAI تأسیس شده، نخستین مدل هوش مصنوعی اختصاصی خود را با نام Inkling منتشر کرد. نکته جالب توجه این است که برخلاف مدل‌های پرچمدار OpenAI، Anthropic یا Google، وزن‌های این مدل به صورت عمومی در دسترس قرار گرفته و توسعه‌دهندگان می‌توانند آن را دانلود و مستقیماً تغییر دهند.

Inkling یک سیستم مبتنی بر معماری Mixture-of-Experts (ترکیب خبرگان) با مجموعاً ۹۷۵ میلیارد پارامتر است، اما برای هر وظیفه خاص تنها از کسری از آن (حدود ۴۱ میلیارد پارامتر) استفاده می‌کند. این طراحی رایج باعث می‌شود مدل‌های بسیار بزرگ با سرعت و هزینه کمتر اجرا شوند. این مدل روی ۴۵ تریلیون توکن از داده‌های متنی، تصویری، صوتی و ویدئویی آموزش دیده و به طور بومی از هر سه نوع داده استدلال می‌کند.

هدف اصلی Thinking Machines به چالش کشیدن رویکرد «یک‌اندازه برای همه» است که غول‌های هوش مصنوعی دنبال می‌کنند. این شرکت معتقد است هوش مصنوعی که سازمان‌ها بتوانند خودشان آن را با دانش درونی‌شان تطبیق دهند، بسیار بهتر از مدل‌های عمومی و ثابتی عمل خواهد کرد که از راه می‌رسند. به همین دلیل، Inkling نه به عنوان یک محصول نهایی، بلکه به عنوان نقطه‌ای برای شروع و سفارشی‌سازی معرفی شده است. پلتفرمی به نام Tinker نیز برای این منظور در نظر گرفته شده تا سازمان‌ها بتوانند مدل را مطابق نیاز خود تنظیم کنند.

از نظر کارایی، Inkling ویژگی‌های جالبی دارد: پاسخ‌های آن سنجیده است و به جای حدس زدن، عدم قطعیت را اعلام می‌کند. همچنین کاربران می‌توانند «میزان تلاش فکری» (thinking effort) مدل را کم و زیاد کنند تا بین سرعت و دقت معاوضه کنند. طبق اعلام شرکت، Inkling در یک آزمون کدنویسی، یک‌سوم توکن‌های مدل Nemotron 3 Ultra انویدیا را مصرف کرده تا به عملکردی مشابه برسد. البته Thinking Machines ادعا نمی‌کند که Inkling بهترین مدل موجود است؛ بلکه تمرکزش بر عملکرد متوازن و همه‌جانبه است.

این رویکرد تنها مختص Thinking Machines نیست. ساتیا نادلا، مدیرعامل مایکروسافت، هفته گذشته هشدار داد شرکت‌هایی که از مدل‌های انحصاری استفاده می‌کنند، دو بار هزینه می‌دهند: یک بار برای اشتراک و بار دیگر با واگذاری دانش تجاری خود که می‌تواند در نسخه‌های بعدی مدل‌ها جذب شود. کلم دلانگ، مدیرعامل Hugging Face نیز اخیراً پیش‌بینی کرد مدل‌های مرزی (Frontier) بیش از پیش به آزمایش و کارهای باارزش محدود خواهند شد، در حالی که بخش عمده کارهای تولیدی به مدل‌های خصوصی یا متن‌باز منتقل می‌شود.

شواهد عملی هم این روند را تأیید می‌کند. در پروژه‌ای مشترک با Bridgewater Associates (بزرگ‌ترین صندوق پوشش ریسک جهان)، پژوهشگران یک مدل متن‌باز موجود را با دانش مالی اختصاصی آن شرکت آموزش دادند. نتیجه‌ی کار در آزمون‌های استدلال مالی امتیاز ۸۴.۷٪ کسب کرد و مدل‌های برتر انحصاری را شکست داد، در حالی که هزینه اجرایش حدود یک چهاردهم آن‌ها بود.

Thinking Machines مدعی است که خیلی سریع به بازار آمده: OpenAI تقریباً پنج سال و Anthropic سه سال طول کشید تا فناوری خود را تجاری کنند؛ Thinking Machines همین مسیر را در ۹ ماه طی کرد. از نظر هزینه‌ها، این شرکت با انویدیا همکاری استراتژیکی دارد و Inkling را کاملاً روی سیستم‌های GB300 NVL72 آموزش داده، اما جذب سرمایه ۵۰ میلیارد دلاری‌اش با ابهاماتی روبرو بوده است.

نکته دیگر اینکه Inkling در مرحله پساآموزش (post-training) از مدل‌های باز دیگری مانند Kimi K2.5 (محصول چینی) برای تولید داده‌های اولیه استفاده کرده که به آن «تقطیر» (distillation) می‌گویند؛ اقدامی که در صنعت بحث‌برانگیز است. شرکت می‌گوید مدل بعدی کاملاً خودکفا خواهد بود.

در نهایت، مدل درآمدی Thinking Machines از خود مدل نیست، بلکه از پلتفرم Tinker و سهمی از اکوسیستم میزبانی‌ای که حول مدل شکل می‌گیرد، تأمین می‌شود.

اهمیت برای ایران:
عرضه مدل‌های باز با وزن‌های عمومی می‌تواند فرصتی برای توسعه‌دهندگان و سازمان‌های ایرانی باشد. با وجود محدودیت‌های دسترسی به APIهای خارجی (به دلیل تحریم‌ها)، یک مدل قدرتمند و قابل بارگیری می‌تواند روی سرورهای داخلی اجرا شود و برای کاربردهای فارسی سفارشی‌سازی گردد. هرچند چالش‌های زیرساختی (مانند دسترسی به سخت‌افزار قدرتمند) باقی است، اما این مسیر می‌تواند گامی به سوی خودکفایی در هوش مصنوعی و کاهش وابستگی به سرویس‌های ابری آمریکایی محسوب شود.

با انتشار مدل‌هایی مانند Inkling، به نظر می‌رسد صنعت هوش مصنوعی از مدل‌های بسته و عمومی به سمت مدل‌های باز و سفارشی‌سازی‌شده حرکت می‌کند؛ تغییری که می‌تواند فرصت‌های تازه‌ای برای اکوسیستم‌های فناوری در سراسر جهان، از جمله ایران، ایجاد کند.