Inkling: el primer modelo abierto de Thinking Machines Labs

Una nueva apuesta en el mercado de la inteligencia artificial

En un movimiento que revela un enfoque distinto al que nos tienen acostumbradas las grandes empresas de inteligencia artificial, Thinking Machines Labs —la startup fundada por Mira Murati, ex directora técnica de OpenAI— ha lanzado su primer modelo desarrollado internamente bajo el nombre de «Inkling». Lo que distingue a este modelo es que es de pesos abiertos, es decir, los desarrolladores y las organizaciones pueden descargarlo y modificarlo directamente sin restricciones, un enfoque radicalmente diferente al que siguen empresas como OpenAI, Anthropic y Google.

Especificaciones técnicas: potencia selectiva y eficiencia en el consumo

«Inkling» se basa en una arquitectura de «mezcla de expertos» con un total de 975 mil millones de parámetros, aunque para cualquier tarea concreta solo utiliza aproximadamente 41 mil millones de ellos. Este diseño es habitual en los modelos de gran tamaño, ya que reduce el coste computacional y aumenta la velocidad sin sacrificar el rendimiento. El modelo fue entrenado con 45 billones de tokens procedentes de datos multimodales que incluyen texto, imágenes, audio y vídeo, aunque en la fase actual sus salidas se limitan a texto, código y datos estructurados.

Entre las afirmaciones más destacadas de sus creadores figura que el modelo consume un tercio de los tokens que necesita el Nemotron 3 Ultra de NVIDIA para alcanzar un nivel de rendimiento similar en tareas de programación, lo que representa una ventaja práctica evidente en entornos de producción.

No el más potente, pero sí el más flexible

La empresa no afirma que «Inkling» encabece los rankings de rendimiento mundiales; de hecho, reconoce abiertamente en su blog que «no es el modelo con el rendimiento más completo disponible hoy, ni entre los abiertos ni entre los cerrados». La apuesta aquí no es la superioridad absoluta, sino el rendimiento equilibrado y la capacidad de adaptación. El modelo permite a los usuarios ajustar el nivel de «esfuerzo de razonamiento» hacia arriba o hacia abajo según lo que exija la situación —velocidad en tareas rutinarias, profundidad cuando el problema requiere precisión— y además alerta automáticamente cuando detecta incertidumbre en lugar de limitarse a hacer suposiciones.

Cabe señalar que el modelo no fue diseñado como un producto listo para usar de inmediato, sino como punto de partida que las organizaciones pueden afinar y personalizar a través de la plataforma «Thinker», desarrollada por la empresa para este fin. Esto implica, naturalmente, que la responsabilidad sobre la seguridad y la idoneidad de las modificaciones recae en la organización usuaria y no en la empresa desarrolladora.

El auge de la corriente crítica con los modelos cerrados

Este lanzamiento coincide con el creciente cuestionamiento del modelo de inteligencia artificial centralizado y cerrado. Satya Nadella, consejero delegado de Microsoft —que ha invertido miles de millones de dólares en OpenAI y Anthropic— ha advertido que las organizaciones que dependen de modelos cerrados pagan un precio doble: cuotas de suscripción directas y, además, la cesión de su conocimiento operativo —incorporado en instrucciones y correcciones— a los creadores del modelo, quienes lo integran en sus versiones futuras.

En la misma línea, Clément Delangue, consejero delegado de Hugging Face, prevé que los modelos de frontera se retiren hacia roles de entornos de prueba y tareas de alto valor, mientras que los modelos abiertos y privados dominarán los entornos de producción reales —precisamente la tendencia que Thinking Machines está construyendo.

Una prueba práctica: el caso Bridgewater

El argumento más sólido a favor de este enfoque proviene de un proyecto conjunto con Bridgewater Associates, el mayor fondo de cobertura del mundo. Investigadores de ambas partes tomaron un modelo de código abierto y lo reentrenaron con el conocimiento financiero exclusivo de Bridgewater; el modelo resultante obtuvo una puntuación del 84,7 % en pruebas de razonamiento financiero, superando a los modelos profesionales cerrados, y con un coste operativo de aproximadamente una diecisieteava parte del de estos —aunque estos resultados provienen de una evaluación interna, no independiente.

Preguntas legítimas sobre la financiación y el futuro

Thinking Machines presume de haber logrado en apenas nueve meses lo que a OpenAI le llevó cinco años y a Anthropic tres. Sin embargo, hay interrogantes legítimos que proyectan su sombra:

• Financiación: Algunos informes mencionaban una ronda de financiación de 50 mil millones de dólares que se estaba gestando en noviembre pasado, pero que se frustró para enero; la empresa no ha divulgado su situación financiera hasta el momento.
• Entrenamiento por destilación: La empresa reconoció haber recurrido en parte a las salidas de otros modelos abiertos —entre ellos el modelo Kimi K2.5 de Moonshot AI— para generar algunos datos de entrenamiento iniciales, aunque promete una autosuficiencia total en su próximo modelo.
• Infraestructura: La empresa anunció una asociación con NVIDIA para desplegar un gigavatio de capacidad de computación, y que «Inkling» fue entrenado íntegramente en sistemas GB300 NVL72, sin aclarar cómo se cubrirán estos costes.

Conclusión: una apuesta por la especialización, no por la hegemonía

Lo que propone Thinking Machines no es la pretensión de tener el mejor modelo del mundo, sino la defensa de una filosofía diferente: la inteligencia artificial moldeada con el conocimiento de la propia organización supera a la inteligencia artificial lista para usar fabricada con estándares uniformes. Si esta apuesta resulta acertada, la ventaja real no estará en la magnitud del gasto, sino en hacer que el gasto masivo resulte innecesario.

✦ بقلم فريق دروب أيديا