何が起きたか
Thinking Machines Labが、水曜朝に初の自社製AIモデル「Inkling」を公開しました。同社は元OpenAI CTOのMira Murati氏が設立し、約1年半にわたり非公開でAIインフラを構築してきた企業で、Inklingはその最初の公開成果物です。
InklingはOpenAI、Anthropic、Googleのフラッグシップと異なり「オープンウェイト」で、外部の開発者や企業がダウンロードして直接改変できます。技術的には総パラメータ975億のMixture-of-Experts（専門家混合）方式で、1タスクあたり約410億パラメータのみを使うことで、大規模モデルを高速・低コストに保ちます。テキスト・画像・音声・動画の45兆トークンで学習し4モダリティをネイティブに扱いますが、現時点の出力はコード・整形済みデータなどテキストに限られます。
特徴的なのは「較正された回答」の設計です。分からないことを推測で埋めず不確実性を明示し、ユーザーは「思考の労力（thinking effort）」を上下させて速度と精度を調整できます。あるベンチマークでは、Nvidiaの Nemotron 3 Ultra と同等のコーディング性能に、3分の1のトークン数で到達したとしています。
なぜ重要か
同社はInklingを「オープン・クローズドを問わず、現時点で最強の総合モデルではない」と自ら明言しています。狙いは性能競争の頂点ではなく、「組織が自ら微調整する出発点」を提供することにあります。カスタマイズは同社のモデル調整基盤「Tinker」経由で行い、その安全性は顧客側の責任となります。
これは、まず汎用チャットボットを作りエージェント機能を後付けしたChatGPT・Claude・Geminiとは逆の発想です。同社は先週、「1社が中央集権的に学習させ固定したAIは、組織が自ら形作るAIに劣る。専門知は、それを持つ人に固有だから」と主張しています。
追い風となる論点
この「自社仕様AI」論には有力者の援護があります。MicrosoftのSatya Nadella CEOは日曜のブログで、独自モデルを使う企業は「二重に支払っている」——サブスク料金と、プロンプトや修正に埋め込まれた業務知識の引き渡し——と警告。Hugging FaceのClem Delangue CEOは、フロンティアモデルは実験や高価値タスク向けに限られ、本番のAI業務の多くはプライベート／オープンソースへ移ると予測しました。
実証もあります。世界最大のヘッジファンドBridgewater Associatesとの案件では、既存オープンソースモデルを同社の金融知見で追加学習させた結果、金融推論テストで84.7%を記録し、上位の独自モデルを上回りつつ運用コストは約14分の1だった（両社独自評価）とされます。
スピードも際立ちます。同社はこの水準まで約9か月で到達したとし、OpenAIの約5年、Anthropicの約3年と対比しています。ただしInklingはゼロから事前学習した一方、初期のポストトレーニング用データ生成にMoonshot AIのKimi K2.5など他のオープンウェイトモデルを利用しており、次のモデルでは完全自己完結の後学習に移行するとしています。
💼 事業会社視点：これは自社にどう効くか
日本の事業会社にとって、Inklingは「AIをどこまで自社の資産にするか」という問いを突きつけます。ECやSaaS、受託開発の現場では、独自モデルに業務ノウハウをプロンプトや修正として渡し続ける構図が常態化していますが、Nadella氏の言う「二重払い」——料金とノウハウ流出——はまさに日本企業が無自覚に払っているコストです。Bridgewaterの事例（金融推論84.7%・運用コスト約14分の1）が示すのは、自社の暗黙知を追加学習させたオープンモデルが、特定業務では上位の独自モデルを上回りうるという現実です。経営者・事業責任者が今動くべきは、全社一律の生成AI契約を再点検し、「本番の反復業務」と「実験・高価値タスク」を切り分けること。前者は自社データで調整可能なオープンウェイト＋Tinkerのような基盤へ、後者はフロンティアモデルへ、と二層化する設計が現実解になります。ただしオープンウェイトは安全性の責任が自社に移る点、運用インフラのコスト負担が読めない点は要注意で、まずは自社の競争力の源泉となるドメイン知識がどこにあるかを棚卸しすることが第一歩です。