2026 年 7 月 15 日，前 OpenAI 技術長 Mira Murati 創辦的 Thinking Machines Lab，推出了它的第一款自研模型 Inkling。重點不是它多強——官方很坦白地說，Inkling『不是目前最強的模型，無論開源或閉源』。重點是它選的路：開放權重(open-weight)、可下載到自家環境部署、透過自家的 Tinker 平台微調。 我要先給的判斷是：Inkling 的意義不在榜單，而在它把「模型放自家、資料不外流、還能自己調」當成正面賣點，正好打在企業導入 AI 最痛的兩個點上。
先把查證得到的技術規格擺出來，但要標清楚分寸。據 TechCrunch 與 Thinking Machines 官方,Inkling 是 MoE（混合專家）架構，約 9,750 億總參數，但每個任務只動用其中約 410 億活躍參數；訓練用了約 45 兆(trillion)token，涵蓋文字、影像、音訊、影片，不過目前主要輸出文字。廠商還宣稱「同等 coding 表現只用 Nvidia Nemotron 3 Ultra 約三分之一的 token」。這些效能與效率數字全是廠商自評、尚未經第三方獨立跑分驗證，一律當「宣稱」看。
先講清楚：「開放權重」不等於「完全開源」
這是最容易被混淆、也最該精確的一件事。Inkling 開放的是模型權重——你可以把權重檔下載到 Hugging Face 上取得、放進自家 GPU 跑、拿去微調。但訓練資料與完整訓練程式並沒有公開。所以「權重開放」給你的是「自行部署與客製」的自由，不是「從頭複現這個模型」的自由。這跟 Meta 的 Llama 屬同一類：能自架、能改，但不是傳統意義的全套開源。企業評估時要問對問題——你要的是「資料不出境、可自行部署」，那麼開放權重就夠用；若你要的是「完全稽核訓練來源」，那還差一截。
為什麼企業會在意：資料落地與供應商鎖定
Thinking Machines 的商業模式本身就說明了它想服務誰。它不靠 Inkling 本身收費，而是靠 Tinker 這個微調平台賺錢，客戶包含避險基金 Bridgewater 這類要把模型調到自家專業任務上的機構。換句話說，它賭的是「企業不要一個現成的通用大腦，而要一個能搬進自家、照自己資料調校的底座」。
這正好對上企業導入 AI 最實際的兩道牆：
- 資料落地（資料主權）：直連雲端 API，等於把資料送進別人的伺服器。對受監理的產業——台灣的金融、醫療、製造業的營業秘密——這一關常常過不了法遵。開放權重可以地端部署，推論時資料留在自家環境，這是它最硬的賣點。
- 供應商鎖定：把關鍵流程綁死在單一閉源供應商，你就得承受它漲價、改條款、甚至因政策被斷線的風險。這不是假設——前沿閉源模型的可用性，近月已多次被政府審查與出口管制左右(見 誰決定你用不用得到最強 AI)。自己握有權重，至少斷線風險掌握在自己手上。
這兩點也呼應了微軟執行長 Nadella 那場「閉源 AI 讓企業付兩次錢」的辯論(見 Nadella 為何說閉源 AI 讓你付兩次錢)——資料主權與議價權，正在成為企業選模型的核心變數，而不只是「哪個跑分高」。
但別把「自控」當免費午餐
這裡要說一句不吹捧的話：開放權重解決的是「資料在哪、被誰鎖住」，但它同時把一整包成本丟回給你自己扛。 模型放自家，代表 GPU 採購或租用、部署與推論優化、微調的資料工程、模型更新、資安加固、以及一支養得起這些的內部團隊——全部變成你的責任。對照直接叫雲端 API「開箱即用」，自控模型的總持有成本往往被低估。而且再全能的底座，若沒有把它接進真正的業務流程，一樣會卡在「示範很漂亮、上線沒動靜」的執行落差(見 企業 agentic AI 的執行落差)。
順帶一提，對台灣企業，「模型放自家、資料不外流」的選項不是只有 Inkling——Llama、以及可地端部署的陸系開放權重都在牌桌上，只是各自的授權條款與地緣風險天差地遠，不能混為一談(見 陸系開源模型的成本與地緣風險)。Inkling 的加入，對在意資料主權、又想避開陸系地緣爭議的台灣製造與金融業來說，是多了一個「來自美系、可自控」的選項。
什麼情況才值得「自控模型」？一個判斷框架
先別急著因為「開放」就搬回家。用這幾個問題自問，答案偏「是」的越多，自控才越划算：
- 資料敏感度：你要處理的是受監理資料、營業秘密、個資，雲端 API 過不了法遵嗎？若只是內部文件摘要、非敏感原型，雲端 API 通常更省事。
- 量體與穩定需求：用量夠大、且不能容忍供應商斷線/改價嗎？量小、可容忍，自控的固定成本攤不平。
- 客製深度：你真的需要用自家資料微調到通用模型做不到的程度，還是靠 RAG（檢索增強）接上外部知識就夠？後者用閉源 API 也能做。
- 維運肌肉：你有沒有（或願不願意養）一支能長期部署、優化、資安加固模型的團隊？沒有的話，自控會變成技術債。
這四題，本質上就是經典的「自建 vs. 外購」決策(完整的取捨清單見 AI 自建還是外購的決策指南)。Inkling 讓「自建」這一側的模型品質門檻降低了，但沒有降低營運門檻——底座變好拿，不代表你就養得起它。
一句話的判斷
Inkling 值得台灣企業認真看，但看的角度要對：它不是「又一個更強的模型」，而是「多一個可以放進自家、照自己資料調的美系開放權重底座」。對資料落地與供應商鎖定真正構成痛點的公司，這是實實在在的選項；對只是想試試 AI、資料也不敏感的公司，雲端 API 仍然更省。 開放權重給你的是自由，自由的另一面是責任——能扛下部署與維運那包成本的公司，才吃得到這波紅利。
常見問題
Inkling 是完全開源嗎？可以免費商用嗎？
不算「完全開源」，而是「開放權重」。Thinking Machines 公開的是模型權重（可在 Hugging Face 下載、自行部署與微調），但訓練資料與完整訓練程式並未公開，兩者是不同層級的開放。至於商用授權的具體條款，建議以官方發布頁與權重檔附帶的授權為準，導入前務必讀清楚可否商用、可否用其輸出再訓練別的模型，別只看「開放」兩個字就押注。
Inkling 效能有比 GPT、Claude 強嗎？
沒有，而且這不是它的賣點。Thinking Machines 官方自己就說 Inkling「不是目前最強的模型，無論開源或閉源」，它主打的是全能與可客製，不是榜單第一。官方雖宣稱在部分 coding 任務上 token 效率更好（約為 Nvidia Nemotron 3 Ultra 的三分之一），但這些數字是廠商自評、尚未經第三方獨立跑分驗證，參考時要打折扣。想比較模型該用你自己的實際任務去測，而不是看廠商公布的分數。
台灣企業把模型放自家跑，資料就一定安全嗎？
地端部署能讓推論時資料留在自家環境、不送到外部 API，這在「資料出境」這一關確實比雲端 API 有優勢，對受監理的金融、醫療、製造業幫助最大。但「自架」不等於「自動安全」——模型的存取控制、微調資料的治理、系統本身的資安加固，責任全在你身上，做不好一樣會外洩。開放權重解決的是「資料在誰的伺服器」，不是「你有沒有把安全做對」。
什麼情況下企業才值得自控模型，而不是直接用雲端 API?
大致看四點：資料是否敏感到雲端 API 過不了法遵、用量是否大到攤得平自控的固定成本、是否真需要用自家資料深度微調（而非用 RAG 接外部知識就夠）、以及有沒有一支能長期維運模型的團隊。這四點偏「是」的越多，自控越划算；若只是內部摘要、非敏感原型、量又不大，雲端 API 通常更省事。本質上就是「自建 vs. 外購」的老問題，Inkling 降低了自建的模型門檻，但沒降低營運門檻。
參考來源
- Thinking Machines Lab:Introducing Inkling（官方發表，含開放權重定位、MoE 架構、參數與「非最強」自述）
- TechCrunch:Thinking Machines amps up its bet against one-size-fits-all AI with Inkling（技術數字、Tinker 商業模式、Nemotron token 效率宣稱）
- Fortune:What is Mira Murati’s Thinking Machines first AI model Inkling（估值、開放權重不含訓練資料/程式、Bridgewater 客戶）
- Axios:Mira Murati’s Thinking Machines debuts its first AI model（開放權重策略與定位）