沿用DeepSeek架構，美國大模型開始抄中國作業

美國AI實驗室Thinking Machines Lab於7月15日正式發表旗下首款大型語言模型Inkling，這款模型在技術架構上大量借鑑了中國開源模型DeepSeek-V3的混合專家設計，引發業界對於「美國大模型開始抄中國作業」的廣泛討論。這家由OpenAI前首席技術官穆拉蒂領軍、團隊集結多位前OpenAI員工的明星公司，儘管在融資規模與市場估值上表現亮眼，Inkling在多項基準評測中的表現卻不如預期，甚至落後於中國的Kimi與GLM等模型。Inkling的技術規格顯示，這款模型採用混合專家架構，總參數量達到9750億，每次處理一個Token時會激活410億參數。

預訓練階段使用了45萬億個Token，涵蓋文本、圖像、音頻與影片等多模態數據，並支援最長100萬個Token的上下文長度。這些設計與DeepSeek-V3的架構邏輯高度相似，顯示Thinking Machines Lab在模型底層技術上選擇了直接沿用中國團隊已驗證的路徑。值得注意的是，Inkling在後訓練階段的冷啟動過程中，還使用了中國AI公司月之暗面開發的Kimi K2模型。這項技術選擇進一步凸顯了美國新創團隊對中國模型技術的依賴程度。

然而，儘管Inkling在硬體配置上看似豪華，其基準測試成績卻不如Kimi與智譜AI的GLM系列，且API調用價格反而更高，形成「性能落後、價格更高」的尷尬局面。對於一家成立不久即獲得20億美元融資、估值高達120億美元的AI公司來說，這樣的表現顯然低於市場預期。Thinking Machines Lab的團隊背景極為亮眼，核心成員多來自OpenAI，擁有豐富的大型模型開發經驗。然而，Inkling的推出卻未能展現出與其團隊實力相匹配的技術突破，反而在關鍵指標上被中國模型壓制。業界分析認為，穆拉蒂可能從一開始就沒有打算靠Inkling爭奪技術第一的寶座。

隨著美國企業使用中國模型面臨越來越多的政策與合規不確定性，一款性能尚可、支援客製化、且合規風險更低的本土開放模型，已經擁有自己的市場空間。Inkling的定位或許正是瞄準這塊需求，提供美國企業一個「安全」的替代方案。從市場角度來看，美國企業過去大量依賴中國開源模型進行商業應用，但隨著地緣政治緊張與監管壓力升溫，使用中國模型的風險逐漸升高。Thinking Machines Lab正是看準這個缺口，推出Inkling作為「美國製造」的替代選項，儘管技術上仍大量參考中國模型，但至少能降低企業在合規與資料安全上的顧慮。然而，Inkling的價格策略卻引發爭議。

相較於Kimi與GLM等中國模型，Inkling的API調用價格明顯更高，但性能卻未見優勢。這使得部分潛在客戶對其性價比產生質疑，尤其是在當前AI模型市場競爭激烈、價格戰頻傳的背景下，Inkling的高定價策略能否獲得市場認可仍有待觀察。Thinking Machines Lab的技術路線選擇，也反映出美國AI產業在開源模型領域的某種困境。過去幾年，中國開源模型在技術創新與生態建設上取得顯著進展，DeepSeek、Kimi、GLM等模型在全球範圍內獲得廣泛應用。美國團隊雖然在資金與人才上擁有優勢，但在模型架構與訓練方法上卻逐漸失去領先地位，甚至開始反向學習中國團隊的技術。

Inkling的推出，標誌著美國AI新創公司開始正視中國模型的技術實力，並試圖在借鑑的基礎上進行本土化改良。然而，單純的架構複製並不足以確保成功，後訓練階段的技術細節、資料品質、以及模型調校能力，才是決定最終性能的關鍵。Inkling在這些環節的表現顯然還有提升空間。對於Thinking Machines Lab而言，Inkling只是一個起點。穆拉蒂與其團隊未來能否在模型性能上實現突破，或者透過價格調整與服務差異化來爭取市場，將決定這家明星公司能否真正站穩腳跟。

而Inkling的案例，也為全球AI產業提供了一個值得深思的對比：在技術快速迭代的時代，誰能更快適應市場需求、降低合規風險，誰就能在競爭中佔據優勢。隨著美國企業對中國模型的依賴逐漸受到限制，類似Inkling這樣的本土替代方案可能會越來越多。但能否在性能與價格之間找到平衡，將是這些「美國製造」模型能否真正取代中國模型的關鍵。Inkling的表現雖然不如預期，卻為這個趨勢拉開了序幕。