Le modèle IA Inkling à poids ouverts de Thinking Machines Lab mise contre l'IA universelle

Thinking Machines Lab a publié cette semaine son premier modèle d'intelligence artificielle généraliste, en misant sur le fait que les acheteurs entreprises préféreront de plus en plus les systèmes à poids ouverts personnalisables aux API boîtes noires vendues par les laboratoires de pointe. Le modèle IA Inkling à poids ouverts utilise une architecture de mixture-of-experts avec 975 milliards de paramètres au total, dont 41 milliards sont actifs pour une tâche donnée. Il est publié sous licence Apache 2.0.

Fondé par l'ancienne directrice technique d'OpenAI, Mira Murati, Thinking Machines Lab poursuit une stratégie qui diverge nettement de l'approche adoptée par les laboratoires où travaillaient auparavant nombre de ses ingénieurs. Plutôt que de rivaliser sur la suprématie des benchmarks bruts, l'entreprise positionne Inkling comme une fondation que les organisations peuvent télécharger, affiner sur des données propriétaires et remodeler pour des charges de travail spécifiques à un domaine. L'entreprise a déclaré ouvertement qu'Inkling n'est pas le modèle le plus performant disponible aujourd'hui, qu'il soit ouvert ou fermé. La thèse : dans l'IA d'entreprise, la propriété et la personnalisation peuvent compter davantage que des gains marginaux sur les classements académiques.

Le modèle IA Inkling à poids ouverts conçu pour la personnalisation, pas pour les classements

Inkling peut traiter jusqu'à 1 million de jetons de contexte en un seul passage, et ses données d'entraînement comprenaient 45 billions de jetons répartis entre texte, images, audio et vidéo. L'architecture utilise une conception mixture-of-experts qui n'active qu'un sous-ensemble de paramètres pour chaque inférence, équilibrant capacité et efficacité de calcul. Le modèle raisonne nativement sur les entrées texte, image et audio et inclut un effort de réflexion contrôlable, permettant aux utilisateurs d'échanger coût et latence contre la qualité de sortie.

Thinking Machines Lab a également présenté Inkling-Small, une variante plus légère avec 276 milliards de paramètres au total et 12 milliards de paramètres actifs, ciblant les déploiements où les contraintes de calcul sont plus strictes. Les deux modèles sont disponibles pour un réglage fin sur la plateforme Tinker de l'entreprise, qui a été lancée plus tôt cette année comme un outil permettant aux développeurs d'adapter les modèles d'IA à des tâches ou industries spécifiques. Les recherches antérieures de Tinker sur la configuration des adaptateurs LoRA signalent que l'entreprise construit l'infrastructure d'outillage pour soutenir sa thèse de personnalisation plutôt que de simplement publier les poids et de s'en aller.

Le modèle IA Inkling à poids ouverts défie directement les stratégies de modèles fermés d'OpenAI, d'Anthropic et de Google. Ces entreprises vendent l'accès à leurs modèles les plus performants via des API, conservant un contrôle total sur les poids et limitant la façon dont les clients peuvent modifier ou étendre les systèmes. Thinking Machines parie que cette approche s'avérera insuffisante pour les entreprises disposant de données propriétaires sensibles ou de cas d'utilisation hautement spécialisés nécessitant une personnalisation approfondie. Une organisation de santé formant sur des dossiers de patients ou une institution financière travaillant avec des algorithmes de trading ne peut pas envoyer ces données à une API tierce sans un risque significatif pour la confidentialité et la conformité. Un modèle à poids ouverts élimine complètement cette tension.

L'argument commercial des poids ouverts en entreprise

La thèse sous-jacente à Inkling est que le marché des modèles d'IA n'est pas un concours où le gagnant rafle tout. Alors que les laboratoires de pointe se font concurrence pour produire le système généraliste le plus intelligent, Thinking Machines soutient que de nombreux acheteurs entreprises se soucient davantage d'un modèle qu'ils peuvent posséder et adapter que de gains marginaux sur des benchmarks académiques. L'affinage sur des données propriétaires, selon l'entreprise, peut permettre à un modèle ouvert modérément performant de surpasser un modèle fermé plus puissant sur les tâches spécifiques qui comptent pour une organisation donnée. Un modèle affiné sur des corpus de documents juridiques, par exemple, peut fournir une meilleure analyse de contrats qu'un modèle généraliste de pointe malgré un score inférieur sur des benchmarks généraux de compréhension du langage.

Ce positionnement fait également d'Inkling une alternative basée aux États-Unis aux modèles open source émergents des laboratoires d'IA chinois, qui ont gagné une traction significative parmi les développeurs du monde entier. En publiant les poids complets sous une licence permissive, Thinking Machines offre aux entreprises une option qui évite à la fois les préoccupations géopolitiques associées aux modèles chinois et le verrouillage fournisseur des systèmes propriétaires américains. Reuters a rapporté qu'Inkling pourrait servir comme l'une des rares alternatives aux offres open source populaires des laboratoires d'IA chinois, soulignant le calendrier stratégique de la publication dans un marché où les questions de sécurité de la chaîne d'approvisionnement et de provenance des modèles influencent de plus en plus les décisions d'achat.

L'économie de l'approche mérite d'être examinée. En publiant les poids ouvertement sous Apache 2.0, Thinking Machines renonce aux revenus d'API qui soutiennent les laboratoires de pointe et renonce à la boucle de données qui découle de l'acheminement de tout le trafic d'inférence via un seul fournisseur. L'entreprise parie que les services de personnalisation en entreprise, l'utilisation de la plateforme via Tinker et d'éventuels contrats de support généreront des revenus suffisants. Ce modèle s'est avéré viable pour des entreprises comme Hugging Face et Mistral, mais n'a pas encore produit de résultats à la hauteur de ceux d'OpenAI ou d'Anthropic.

Compromis et positionnement concurrentiel

Les capacités d'Inkling par rapport aux modèles propriétaires de premier plan restent une question ouverte. Thinking Machines a été explicite : Inkling n'est pas le modèle le plus fort disponible, et des benchmarks indépendants détermineront si sa combinaison de poids ouverts, d'entrée multimodale et d'effort de réflexion contrôlable compense l'écart de performance brute. Les premiers indices d'intelligence tiers montrent qu'Inkling se classe comme un modèle américain leader à poids ouverts, mais le tableau concurrentiel se précisera à mesure que davantage d'organisations effectueront leurs propres évaluations sur des charges de travail d'entreprise spécifiques.

Le calendrier de la publication s'aligne sur un marché de l'IA d'entreprise en accélération où les décisions d'achat reposent sur la sécurité des données, la flexibilité de personnalisation et le coût total de possession. Le modèle à poids ouverts répond directement à ces trois préoccupations, bien que les entreprises doivent également tenir compte des coûts d'infrastructure liés à l'hébergement d'un système de 975 milliards de paramètres par rapport à la location d'un accès API. Pour les organisations disposant de clusters GPU existants ou d'engagements cloud, le calcul de l'auto-hébergement peut favoriser les poids ouverts. Pour les équipes plus petites, les frais généraux d'exploitation pourraient compenser les avantages de la personnalisation.

La fenêtre de contexte d'1 million de jetons d'Inkling est compétitive avec les derniers modèles de pointe, et son raisonnement multimodal natif sur le texte, les images et l'audio correspond à la flexibilité d'entrée que les entreprises exigent de plus en plus. La fonction d'effort de réflexion contrôlable ajoute une dimension que les modèles propriétaires commencent à peine à offrir : la capacité de moduler la profondeur de raisonnement en fonction de la complexité de la tâche, gérant directement le coût et la latence.

Pourquoi cela compte

La signification du modèle IA Inkling à poids ouverts dépasse ses spécifications techniques. Thinking Machines teste une thèse qui pourrait remodeler la façon dont l'IA d'entreprise est achetée et vendue : que le modèle dominant de la prochaine décennie ne sera pas un système généraliste unique loué au jeton, mais une famille de modèles spécialisés et personnalisés affinés à partir de fondations ouvertes. Si ce pari s'avère correct, il remettrait en cause les fondements économiques sur lesquels OpenAI, Anthropic et Google ont construit leurs activités d'IA. Pour les décideurs d'entreprise, Inkling signale que l'ère du choix entre une poignée d'API fermées pourrait faire place à un marché plus fragmenté mais plus flexible où posséder le modèle compte autant que son score de benchmark.

Related Articles

• OpenAI et Anthropic investissent 350 millions de dollars dans la recherche sur l'impact de l'IA sur le travail
• L'homologation d'Anthropic Mythos 5 ouvre la voie au déploiement de l'IA dans les infrastructures critiques
• Les principaux modèles d'IA échouent aux tests de conformité à la législation de l'UE selon une nouvelle étude d'Aithos

✔Human Verified

Recherché et recoupé avec des sources primaires par la rédaction de Bytevyte.