Thinking Machines Lab, la startup de IA fundada por la exdirectora de tecnología (CTO) de OpenAI, Mira Murati, lanzó el miércoles por la mañana su primer modelo propio, llamado Inkling. Y a diferencia de los modelos insignia de OpenAI, Anthropic o Google, es de pesos abiertos: desarrolladores y empresas externas pueden descargarlo y modificarlo directamente.

Inkling es un sistema de mezcla de expertos con 975.000 millones de parámetros totales, aunque solo recurre a una fracción de ellos, unos 41.000 millones, para cada tarea. Es un diseño habitual que mantiene rápidos y económicos a los modelos muy grandes. Fue entrenado sobre 45 billones de tokens de texto, imagen, audio y video, y razona de forma nativa entre los cuatro, según los materiales de lanzamiento de la propia compañía. Por ahora, sus salidas se limitan a texto, incluido código, artefactos con estilo y datos estructurados.

El modelo es la primera prueba pública de Thinking Machines Lab tras año y medio construyendo infraestructura de IA en gran medida lejos de la vista pública. Parte de ese trabajo ya había asomado en una vista previa de investigación de mayo sobre "modelos de interacción", una IA diseñada para escuchar y hablar (e incluso interrumpir) en lugar de detenerse y esperar como los chatbots típicos. También es una prueba de la apuesta central de la startup: que la IA que las organizaciones pueden adaptar por sí mismas superará a los modelos de talla única que venden hoy los grandes laboratorios.

¿Qué hace distinto a Inkling?

Inkling está diseñado para dar respuestas calibradas, incluida la señalización de la incertidumbre en lugar de adivinar, y permite a los usuarios subir o bajar el "esfuerzo de razonamiento" cuando quieren cambiar precisión por velocidad. En un benchmark, según la compañía, Inkling usa un tercio de los tokens que necesita el Nemotron 3 Ultra de NVIDIA, su modelo de pesos abiertos de última generación, para alcanzar el mismo rendimiento en programación.

Thinking Machines no afirma que Inkling sea el mejor de su clase. Su última publicación en el blog señala de forma explícita que Inkling "no es el modelo más potente disponible hoy, abierto o cerrado". Lo que evidentemente busca, en cambio, es un rendimiento parejo y bien equilibrado.

Eso plantea la pregunta de a quién, dentro del mercado empresarial que apunta, se dirige realmente este producto. Por ahora, Thinking Machines comercializa Inkling menos como un producto terminado que como un punto de partida, algo para que las organizaciones lo ajusten por sí mismas a través de Tinker, la plataforma de personalización de modelos de la compañía. Esto también significa que son los clientes, y no Thinking Machines, los responsables de asegurar que sus personalizaciones sean seguras. (Ajustar un modelo requiere talento serio en aprendizaje automático.)

OpenAI, Anthropic y Google adoptaron un enfoque muy distinto con ChatGPT, Claude y Gemini, respectivamente, todos construidos primero para competir como chatbots de propósito general, con funciones agénticas y autónomas agregadas encima.

¿Por qué crece el argumento contra los modelos cerrados?

Una publicación difundida por Thinking Machines la semana pasada apuntaba claramente a servir de telón de fondo para este lanzamiento. La IA entrenada de forma centralizada por una sola compañía y luego fijada en piedra, argumentó la empresa en ese texto, rinde por debajo de la IA que las organizaciones moldean por sí mismas, porque gran parte de la experticia es específica de las personas que la poseen.

Otros argumentos contra los modelos cerrados están ganando fuerza. En una publicación del domingo, el director ejecutivo de Microsoft, Satya Nadella, cuya compañía ha invertido miles de millones tanto en OpenAI como en Anthropic, advirtió que las empresas que usan modelos de IA propietarios pagan dos veces: una en costos de suscripción, y otra al entregar el conocimiento del negocio incrustado en sus prompts y correcciones, que puede absorberse en futuras versiones del modelo.

El director ejecutivo de Hugging Face, Clem Delangue, hizo una predicción similar en conversación con TechCrunch la semana pasada. Los modelos de frontera, dijo, quedarán cada vez más reservados para la experimentación y las tareas de alto valor, mientras que la mayor parte del trabajo de IA en producción se desplazará a alternativas privadas o de código abierto, exactamente la división sobre la que Thinking Machines está construyendo.

¿Qué evidencia respalda su apuesta?

El argumento más claro a favor del enfoque de Thinking Machines vino de un proyecto reciente con Bridgewater Associates, el fondo de cobertura más grande del mundo (que, cabe aclarar, no es inversor de Thinking Machines). Investigadores de ambas compañías tomaron un modelo de código abierto ya existente y lo entrenaron además sobre la experticia financiera propia de Bridgewater. El resultado habría obtenido 84,7% en pruebas de razonamiento financiero, superando a los principales modelos propietarios, con un costo de operación cercano a un catorceavo, aunque esos resultados provienen de la evaluación de las dos compañías, no de una independiente.

De cualquier modo, Thinking Machines destaca la rapidez con que llegó hasta acá. OpenAI tardó cerca de cinco años en llevar su tecnología al mercado y mostrar ingresos, y Anthropic alrededor de tres. Thinking Machines dice haberlo hecho en unos nueve meses.

Algunos se preguntarán si Inkling fue entrenado sobre salidas de modelos de la competencia, una práctica conocida como destilación que ha generado escrutinio en toda la industria. La respuesta corta, según los materiales de la propia compañía, es que en parte sí. Thinking Machines preentrenó Inkling desde cero, pero afirma que usó otros modelos de pesos abiertos, incluido Kimi K2.5 de Moonshot AI, para ayudar a generar parte de sus datos iniciales de posentrenamiento antes de que el aprendizaje por refuerzo a gran escala tomara el control. El próximo modelo, insiste la compañía, usará un posentrenamiento totalmente autocontenido.

En el frente de los costos, Thinking Machines ha sido más reservada. Cerró una alianza con NVIDIA en marzo para desplegar un gigavatio de capacidad de cómputo Vera Rubin y entrenó Inkling por completo en los sistemas GB300 NVL72 de NVIDIA, pero no ha dicho cómo planea cubrir esos costos. Los ingresos, según la mayoría de las versiones, no han sido una prioridad. (Se dijo que una ronda de financiamiento de 50.000 millones de dólares se estaba concretando en noviembre, pero se estancó en enero; la compañía se ha negado a hablar de su panorama de fondos desde entonces.)

Una pregunta relacionada es si el gasto de Thinking Machines llegará alguna vez a la escala de OpenAI o Anthropic, o si su enfoque orientado a la eficiencia hace que la economía luzca distinta. Dicho de otro modo, la apuesta de la compañía podría ser menos que terminara gastando como sus rivales más grandes que, directamente, que no necesitara hacerlo, porque una vez que los pesos son públicos, nada obliga a quien los descargue a pagarle a Thinking Machines por ejecutarlos, a diferencia del acceso medido que venden OpenAI y Anthropic. Es en Tinker, no en el modelo en sí, donde la compañía tiene que generar sus ingresos, vía entrenamiento, ajuste fino y, ahora, una tajada del ecosistema de hospedaje construido a su alrededor.

La dotación, al menos, luce más asentada. Thinking Machines emplea ahora a cerca de 200 personas, por encima de los niveles reportados tras una ola de salidas a comienzos de año, incluidos dos cofundadores que se fueron a OpenAI en enero.

Thinking Machines, por su parte, no parece interesada en amplificar los movimientos individuales como hace buena parte de la industria. Según una fuente dentro de la compañía, su cultura, por diseño, favorece la continuidad por sobre la dependencia de una sola personalidad. Tiene sentido: es menos un traspié cuando alguien cambia de equipo si nunca se le puso en un pedestal. También es algo notable de sostener para una empresa, dado cuánto de su propia historia sigue asociado al nombre de su ahora famosa cofundadora, lo haya planeado ella o no.