Thinking Machines が975Bオープンウェイト「Inkling」公開 — Murati が賭ける「カスタマイズ可能なAI」の全貌

はじめに

2026年7月、元OpenAI CTO の Mira Murati が率いる Thinking Machines Lab が、初の一般公開モデル 「Inkling」 を発表した。総パラメータ 975B、テキスト・画像・音声・動画をネイティブに扱うマルチモーダルなオープンウェイトモデルである。だが注目すべきは規模そのものではない。同社は「Inkling は最強のモデルではない」と自ら明言し、代わりにカスタマイズ可能であることを最大の価値として打ち出している。この記事では、Inkling のアーキテクチャと、その裏にある「万能モデル（one-size-fits-all）への対抗」という事業戦略を、エンジニアが実際にどう使えるかという視点から掘り下げる。

Inkling とは何か — 975B MoE の設計

Inkling は Mixture-of-Experts（MoE） アーキテクチャを採用している。総パラメータは 975B に達するが、任意のタスクで実際に活性化するのは約 41B のみ。つまり「知識容量は巨大だが、推論コストは中規模モデル並み」というスパースな構成だ。学習は 45兆トークン のテキスト・画像・音声・動画で行われ、これらのモダリティを後付けのアダプタではなくネイティブに横断して推論する点が特徴とされる。

公開形態はオープンウェイト。開発者は学習データやソースコードを見ることはできないが、モデルの重みをダウンロードして自由に改変・実行できる。配布は同社のカスタマイズ製品 Tinker や各種開発者プラットフォームを通じて行われる。Nemotron 3 Ultra や GLM 5.2 と並べて評価されており、汎用知能・コード生成・ツール利用・指示追従・信頼度較正（calibration）といった軸で性能が示されている。

興味深いのは、今世代の Inkling の事後学習（post-training）に中国 Moonshot AI の Kimi K2.5 が使われたと明記されている点だ。競合というより、オープンモデル同士が実務上は協調しているエコシステムの縮図と言える。同社は次世代では「完全に自己完結した事後学習」へ移行するとしている。

なぜオープンウェイトなのか — 事業モデルの転換

Inkling の核心は技術仕様ではなく、そのビジネス構造にある。オープンウェイトである以上、「ダウンロードした者に Thinking Machines への支払い義務は一切ない」。自社インフラで無料実行できてしまう。ではどう稼ぐのか——収益源を推論課金から、ファインチューニング・カスタマイズ（Tinker）・ホスティング生態系の手数料へと明確にシフトさせているのだ。

背景にあるのは「自社でカスタマイズできる AI は、汎用の既製モデルを上回る」という仮説だ。組織固有の専門知識を注入したモデルこそ本質的に優れる、という主張で、Microsoft や Hugging Face のトップからも支持を得ているという。これは、フロンティアの単一巨大モデルにAPI越しでアクセスする現在の主流とは正反対のベット（賭け）である。同時に、DeepSeek・Qwen・GLM・Kimi といった**中国製オープンモデルに対する「西側の選択肢」**という地政学的な位置づけも帯びている。

同社が示す典型例が Bridgewater Associates のケースだ。オープンモデルを土台に金融ドメイン知識で追加学習した結果、業界トップの専有モデルを上回る 84.7% の精度を、コストは約 1/14 で達成したとされる。ただしこれは両社の自己評価であり独立検証ではない、という但し書きが付く点は割り引いて読む必要がある。

エンジニアへの影響 — 「所有するモデル」という選択肢

Inkling が突きつけるのは、「最強のAPIを借りるか、自分のモデルを持つか」という問いだ。MoE により 975B の知識容量を持ちながら 41B 相当の推論コストで動くため、専有フロンティアモデルへの毎トークン課金を、自前ホスティング＋一度のファインチューニングコストに置き換えられる可能性がある。RAG で外部知識を都度差し込むアプローチと、ドメイン知識を重みに焼き込むアプローチのトレードオフを、改めて設計段階で天秤にかける契機になる。

一方で注意点も明確だ。オープンウェイトは「安全性の担保が利用者側の責任になる」ことを意味する。ファインチューニングによってガードレールが劣化するリスク、自社評価と独立ベンチマークの乖離、そして「最強ではない」ベースモデルをドメイン特化でどこまで引き上げられるかは、結局は手を動かして検証するしかない。汎用性能で GPT-5.6 Sol や Claude Sonnet 5 と正面から戦うのではなく、「特定領域で・低コストで・自分の管理下で」という土俵を選んだのが Inkling だと理解すると、採用判断を誤りにくい。

まとめ

Thinking Machines の初モデル Inkling は 975B MoE（アクティブ41B）のマルチモーダルなオープンウェイトモデル。
45兆トークンで学習し、テキスト・画像・音声・動画をネイティブに扱う。今世代の事後学習には Kimi K2.5 を利用。
「最強」ではなく「カスタマイズ可能・低コスト」を価値とし、収益は Tinker などのカスタマイズ／ホスティングから得る事業モデル。
中国製オープンモデルに対する西側の選択肢という位置づけも持つ。
エンジニアにとっては「借りるAPI」対「所有するモデル」という設計判断を再考させる存在。ただし安全性担保は利用者責任で、性能主張は独立検証が前提となる。

万能モデルへの一極集中が続くなか、Inkling は「カスタマイズ可能な重み」という別ルートの実用性を問う試金石になる。この賭けが当たるかは、実際にファインチューンして専有モデルを上回る事例が独立検証つきで積み上がるかにかかっている。

今日のその他のニュース

デロイトの国向けスライド351枚、実質7パターンだった：公的機関向け大量スライドを解析するとレイアウトが実質7種類に収束していたという分析がはてブ614usersを集めた。資料作成の構造化・テンプレ化に示唆を与える。
Firebase SDK for Flutter v4.16.0 / CLI v15.21.0：Firestore・AI Logic・App Check・Cloud Messaging を横断更新。7月上旬から Firebase Studio ワークフローで AI Logic 向けの App Check が自動強制となる点は既存アプリに影響しうる。
FreeBSD 16 がベースシステムから最後のGPLコードを撤廃：ベースシステムの完全 GPL-free 化を達成。ライセンスに敏感な組み込み・商用ディストリビューションでの採用に追い風となる。