Thinking Machines Lab, la startup de IA fundada por la ex CTO de OpenAI, Mira Murati, lanzó el miércoles por la mañana su primer modelo de IA propio, llamado Inkling. A diferencia de los modelos insignia de OpenAI, Anthropic o Google, es de código abierto, lo que significa que desarrolladores y empresas externas pueden descargarlo y modificarlo directamente.

Inkling es un sistema de mezcla de expertos con un total de 975 mil millones de parámetros, aunque solo utiliza una fracción de ellos —unos 41 mil millones— para cada tarea. Este diseño común permite que los modelos muy grandes sean más rápidos y económicos de ejecutar. Fue entrenado con 45 billones de tokens de texto, imagen, audio y video, y razona de forma nativa en los cuatro formatos, según la información de lanzamiento de la propia compañía. Por ahora, sin embargo, sus resultados se limitan a texto, incluyendo código, artefactos con estilo y datos estructurados.

Este modelo representa la primera prueba pública de Thinking Machines Labs tras un año y medio dedicado a construir infraestructura de IA en gran medida de forma confidencial. Parte de este trabajo ya se había presentado en mayo en un avance de investigación sobre «modelos de interacción»: IA diseñada para escuchar y hablar (e incluso interrumpir) en lugar de detenerse y esperar como los chatbots tradicionales. También es una prueba de la apuesta principal de la startup: que la IA que las organizaciones puedan adaptar superará a los modelos genéricos que actualmente venden los laboratorios más grandes.

Inkling está diseñado para ofrecer respuestas calibradas, incluyendo la identificación de la incertidumbre en lugar de adivinar, y permite a los usuarios ajustar el «esfuerzo de procesamiento» para priorizar la velocidad. Según la compañía, en una prueba de rendimiento, Inkling utiliza un tercio de los tokens que el Nemotron 3 Ultra de Nvidia —su modelo de última generación de código abierto— para lograr el mismo rendimiento de codificación.

Thinking Machines no afirma que Inkling sea el mejor de su clase. En su última publicación de blog, declara explícitamente que Inkling «no es el modelo más potente disponible actualmente, ni abierto ni cerrado». Lo que busca, evidentemente, es un rendimiento integral.

Esto plantea la pregunta de a quién, dentro del mercado empresarial al que se dirige, va dirigido realmente este producto. Por ahora, Thinking Machines comercializa Inkling no tanto como un producto terminado, sino como un punto de partida, algo que las organizaciones pueden perfeccionar mediante Tinker, la plataforma de personalización de modelos de la compañía. Esto también significa que los clientes, y no Thinking Machines, son responsables de garantizar la seguridad de sus personalizaciones, por ejemplo. (El perfeccionamiento requiere un gran talento en el aprendizaje automático).

OpenAI, Anthropic y Google han adoptado un enfoque muy diferente con ChatGPT, Claude y Gemini, respectivamente, que se diseñaron inicialmente como chatbots de propósito general, con funciones autónomas y de gestión integradas.

Una publicación de Thinking Machines la semana pasada sirvió claramente de preámbulo para este lanzamiento. En dicha publicación, la compañía argumentaba que la IA entrenada centralmente por una sola empresa y luego establecida de forma definitiva tiene un rendimiento inferior al de la IA que las organizaciones desarrollan por sí mismas, debido a que gran parte de la experiencia es específica de quienes la poseen.

Otros argumentos en contra de los modelos cerrados están cobrando fuerza. En una publicación de blog del domingo, el CEO de Microsoft, Satya Nadella —cuya compañía ha invertido miles de millones en OpenAI y Anthropic— advirtió que las empresas que utilizan modelos de IA propietarios pagan, en la práctica, dos veces: una en costes de suscripción y otra al ceder el conocimiento empresarial integrado en sus sugerencias y correcciones, que puede incorporarse a futuras versiones del modelo.

El CEO de Hugging Face, Clem Delangue, hizo una predicción similar en una conversación la semana pasada. Según Delangue, los modelos de vanguardia se reservarán cada vez más para la experimentación y las tareas de alto valor, mientras que la mayor parte del trabajo de IA en producción se trasladará a alternativas privadas o de código abierto, la misma división en la que se basa el desarrollo de Thinking Machines.

El argumento más claro a favor del enfoque de Thinking Machines provino de un proyecto reciente con Bridgewater Associates, el mayor fondo de cobertura del mundo (que, dicho sea de paso, no es inversor de Thinking Machines). Investigadores de ambas compañías tomaron un modelo de código abierto existente y lo entrenaron aún más con la propia experiencia financiera de Bridgewater. Se dice que el resultado obtuvo una puntuación del 84,7% en las pruebas de razonamiento financiero, superando a los mejores modelos de IA propietarios, con un coste operativo aproximadamente catorce veces menor; si bien estos resultados provienen de la propia evaluación de ambas compañías, no de una independiente.

En cualquier caso, Thinking Machines destaca la rapidez con la que llegó hasta aquí. OpenAI tardó aproximadamente cinco años en lanzar su tecnología al mercado y generar ingresos, y Anthropic, unos tres. Thinking Machines afirma haberlo logrado en unos nueve meses.

Algunos se preguntarán si Inkling fue entrenado utilizando resultados de modelos de la competencia, una práctica conocida como «destilación» que ha sido objeto de escrutinio en todo el sector. La respuesta breve, según la propia documentación de la empresa, es que en parte sí. Thinking Machines preentrenó Inkling desde cero, pero afirma haber utilizado otros modelos de pesos abiertos —incluido Kimi K2.5, de Moonshot AI— para ayudar a generar algunos de sus datos iniciales de posentrenamiento, antes de pasar a una fase de aprendizaje por refuerzo a gran escala. La empresa insiste en que el próximo modelo utilizará un proceso de posentrenamiento totalmente autónomo.

En cuanto a los costes, Thinking Machines ha sido más reservada. En marzo estableció una alianza con Nvidia para desplegar una capacidad de computación de un gigavatio basada en la arquitectura Vera Rubin y entrenó a Inkling íntegramente en sistemas GB300 NVL72 de Nvidia; sin embargo, no ha revelado cómo piensa cubrir dichos costes y, según la mayoría de las fuentes, la generación de ingresos no ha sido una prioridad. (Se informó que en noviembre pasado se estaba gestando una ronda de financiación de 50.000 millones de dólares, pero el proceso se estancó en enero; desde entonces, la empresa se ha negado a hablar sobre su situación financiera).

Una cuestión relacionada es si el gasto de Thinking Machines llegará alguna vez a la escala del de OpenAI o Anthropic, o si su enfoque orientado a la eficiencia implica una estructura económica diferente. Dicho de otro modo: la apuesta de la empresa podría no consistir tanto en llegar a gastar lo mismo que sus rivales de mayor tamaño, sino en no necesitar hacerlo en absoluto. Esto se debe a que, una vez que los pesos del modelo son públicos, nada obliga a quien los descarga a pagar a Thinking Machines por ejecutarlos, a diferencia del acceso de pago por uso que comercializan OpenAI y Anthropic. Es a través de Tinker —y no del modelo en sí— de donde deben provenir los ingresos de la empresa, mediante el entrenamiento, el ajuste fino (“fine-tuning”) y, ahora, una parte de los beneficios del ecosistema de alojamiento creado en torno a él.

La plantilla, al menos, parece haberse estabilizado. Thinking Machines emplea actualmente a unas 200 personas, una cifra superior a la registrada tras la oleada de salidas de principios de año, entre ellas la de dos cofundadores que se marcharon a OpenAI en enero.

Por su parte, Thinking Machines no parece interesada en dar bombo a los movimientos de personal individuales, como suele hacer gran parte del sector. Según una fuente interna de la empresa, su cultura prioriza deliberadamente la continuidad frente a la dependencia de una figura concreta. Tiene sentido: el cambio de equipo de los empleados supone un contratiempo menor si nunca se les había puesto en un pedestal. Resulta también notable que la compañía insista en este enfoque, dado que gran parte de su historia sigue asociada al nombre de su ya célebre cofundadora, independientemente de si ella lo planeó así o no.