美國大模型抄了DeepSeek作業：性能沒贏、價格更貴，卻精準卡住了美國企業的合規剛需

OpenAI 前首席技術官穆拉蒂（Mira Murati）在離開老東家之後，終於端出創業後的第一道大菜。她所創辦的 Thinking Machines Lab 於 7 月 15 日正式發表首款大型語言模型 Inkling，然而這款產品的亮相，卻意外讓外界重新審視中美兩國在大型語言模型領域的技術角色與市場策略。Inkling 被揭露大量借鏡了中國開源模型的技術路線，不僅混合專家架構主要沿用 DeepSeek-V3，甚至在後訓練階段的冷啟動也參考了月之暗面（Moonshot AI）的 Kimi K2。結果在多家基準評測中，Inkling 的表現不僅落後於 Kimi 與智譜的 GLM，調用價格反而更高，形成一種「性能沒贏、價格更貴」的尷尬局面。 這家成立不久、累計融資達 20 億美元、估值高達 120 億美元的明星公司，其首款模型的表現多少低於市場預期。但仔細觀察穆拉蒂的布局，她或許從一開始就沒有打算讓 Inkling 在性能排行榜上與 ChatGPT 或 Claude 一較高下。Inkling 的真正戰場，是美國企業對 AI 合規與數據安全日益嚴苛的剛性需求。單看硬體規格，Inkling 確實撐得起明星實驗室的排面：採用混合專家架構，總參數量高達 9750 億，但每次處理一個 Token 僅激活 410 億參數，兼顧了運算效率與模型容量。預訓練階段使用了 45 萬億 Token，數據涵蓋文本、圖像、音頻與視頻等多模態內容，最長可支援 100 萬 Token 的上下文視窗。模型能理解文字、圖片與音頻，並以文字形式輸出，還支援透過調節思考強度，在效能、速度與成本之間進行靈活取捨。 更重要的是，Inkling 從發布之初就採取相當開放的策略。模型權重完全開放，採用 Apache 2.0 許可證，開發者不僅可以下載權重自行部署，還能透過 Thinking Machines 旗下的 Tinker 平台進行微調，打造專屬的垂直模型。這樣的開放程度在美國主流大模型公司中並不多見，尤其是 OpenAI、Anthropic 等企業多數將模型透過 API 封閉提供，企業若要使用必須將數據上傳至雲端，這在金融、醫療、法律等高度監管行業中往往引發合規疑慮。Inkling 的開放權重與寬鬆授權，讓企業可以將模型完全部署在內部伺服器，確保敏感數據不外流，精準卡住了美國企業對資料落地與隱私保護的剛需。 Thinking Machines Lab 的定位非常明確：與其和 ChatGPT 正面爭奪一般消費者用戶，Inkling 更適合充當企業開發 AI 應用時的基礎底座。這種策略在某種程度上翻轉了過去中美大模型的角色關係。長期以來，美國模型以創新領先、性能優秀著稱，中國模型則常被視為追隨者或開源廉價替代方案。如今，美國的明星創業公司卻選擇直接「抄襲」中國開源模型的技術架構，再用更貴的價格賣給對合規有高度要求的企業客戶，形成一種市場上的新平衡。 從技術細節來看，Inkling 對 DeepSeek-V3 的繼承相當明顯。混合專家架構（MoE）最早由 Google 提出，但 DeepSeek 將其發揚光大，以低成本、高效率的訓練方式震撼業界。Thinking Machines Lab 直接採用此架構，並結合月之暗面在後訓練階段的冷啟動技術，試圖快速追趕開發進度。然而，基準測試結果顯示，Inkling 在多項標準評測中不僅落後於 Kimi 與 GLM，甚至在某些項目上不如自家開源社群調校的版本。這意味著單純複製架構並不能保證性能優勢，後訓練的資料品質、演算法調校與工程最佳化仍是關鍵。 價格方面，Inkling 的 API 調用費用高於市場上多數同級模型，這與其以合規為賣點的策略有關。企業客戶往往願意為數據安全支付溢價，尤其是美國金融機構、醫療體系與政府承包商，在面臨嚴格法規（如 HIPAA、GDPR 等）時，選擇一個可以完全私有化部署的模型，比單純追求性能或低成本更重要。Thinking Machines Lab 正是看準這塊利基市場，避免與 OpenAI、Google 在消費端正面交鋒。 穆拉蒂的創業歷程也為 Inkling 的問世增添了話題性。她曾在 OpenAI 協助打造 ChatGPT 與 DALL-E 等產品，離職後獲得大量資本支持，但公司對外始終保持低調。Inkling 的發布被視為她對市場的第一份答卷，儘管性能未達頂尖，但商業模式與合規策略卻獲得部分分析師肯定。業界普遍認為，Thinking Machines Lab 如果能持續優化模型性能，並維持開放權重策略，可能在企業服務領域站穩腳跟。 值得注意的是，Inkling 採用 Apache 2.0 許可證，這意味著任何企業或開發者都可以自由修改、分發模型，甚至用於商業用途，無需支付授權費。這種策略與 Meta 的 Llama 系列類似，但 Llama 使用的是自訂許可證，對商用有一定限制。Inkling 的完全開放路線，可能吸引更多開發者圍繞其建立生態系，進一步降低企業導入 AI 的門檻。 然而，開放權重也帶來潛在風險，包括模型可能被用於惡意目的，或出現大量未經審核的衍生版本。Thinking Machines Lab 如何管理這些衍生模型，並確保企業版與社群版之間的一致性，將是未來挑戰。此外，Inkling 的多模態能力雖然涵蓋文字、圖片與音頻，但輸出僅限文字，這與 OpenAI 的 GPT-4o 或 Google Gemini 的完整多模態輸出相比仍有差距。企業若需要圖像生成或語音合成，可能仍需搭配其他服務。 總體而言，Inkling 的推出象徵著 AI 市場正從「性能軍備競賽」轉向「場景化與合規驅動」的競爭。Thinking Machines Lab 選擇了一條不同於 OpenAI 的路徑，寧可犧牲部分性能評測分數，也要確保企業客戶能夠在嚴格監管下安心使用。這是否會成為美國大模型市場的新主流，仍有待觀察，但至少穆拉蒂已經證明：抄襲中國開源模型並非不可行，關鍵在於如何把它包裝成符合美國企業需求的產品。Inkling 的開局或許不算驚豔，但它的商業邏輯，已經為這場中美 AI 競爭寫下了新的章節。