海外AI企業Thinking Machines Labは、初の自社開発AIモデル「Inkling」を公開した。総パラメータ数9750億、最大100万トークンの文脈長を備え、全重みを公開することで、企業や開発者が用途に応じてモデルを調整できる。
9750億パラメータの全重みを公開
2026年7月15日に公表されたInklingは、複数の専門ネットワークを切り替えて処理するMixture-of-Experts（MoE※）型のTransformerである。総パラメータ数は9750億だが、推論時に稼働するのは410億に抑え、性能と計算効率の両立を図った。最大100万トークンの文脈を扱い、テキスト、画像、音声、動画から成る45兆トークンで事前学習している。
モデルは文章だけでなく、画像や音声を含む情報を統合して推論できる。思考量を調整する機能も備え、処理速度や生成コストを重視する場面では出力トークンを抑え、高精度が必要な課題では計算量を増やせる設計だ。
Thinking Machinesは、Inklingを現時点で最も高性能なモデルとは位置付けず、幅広い能力、調整のしやすさ、効率性を備えた基盤モデルとして訴求する。
同社の学習基盤「Tinker」では、公開日からInklingのファインチューニングに対応した。実演では、モデル自身に学習用データや評価方法を作らせ、特定の文字を使わない応答へ自己調整する工程を示している。全重みはHugging Faceでも配布され、API提供や複数の推論基盤への対応も進められた。
※Mixture-of-Experts：入力ごとに複数の専門ネットワークから一部を選んで動かす方式。全パラメータを常時稼働させず、モデル規模を保ちながら推論時の計算量を抑えやすい。
独自AIを持てる一方、運用負担も重い
Inklingの意義は、完成済みAIを利用するだけでなく、企業がモデルそのものを自社の知識や業務手順に合わせて作り替えられる点にある。顧客対応、専門文書の処理、社内ツール操作など、汎用モデルでは精度を出しにくい領域でも、データと評価基準を組み込むことで競争力につながる可能性がある。自社運用を選択できれば、外部APIへの依存を減らし、推論環境やモデルの更新時期を管理できることも利点となる。
一方、9750億パラメータ級のモデルを自前で動かすには、高性能GPU、分散処理、監視体制など相応の設備と人材が必要になる。重みが公開されても、導入コストまで低くなるわけではない。軽量版「Inkling-Small」は稼働パラメータを120億に抑えるが、現時点ではプレビュー段階であり、全重みの公開は今後とされる。
さらに、ファインチューニングによって専門性を高めるほど、元の安全性や事実性が変化するリスクも生じる。企業には、学習データの権利確認、誤回答の検証、用途別の安全評価が求められるだろう。Inklingが普及するかは、最高性能だけでなく、企業が管理可能な費用と体制で独自AIを構築・運用できるかに大きく左右されると考えられる。
関連記事:
中国発オープンソースAIが急伸 米優位に揺らぎ、普及モデルで競争構図が変化か
Google、Pixel 10向け「Gemma 4 E2B for TPU」を発表 完全オフラインAIを実現する軽量モデルを公開
