「Inkling」のPodcast
下記のPodcastは、Geminiで作成しました。
はじめに：注目の新AI「Inkling（インクリング）」の誕生とその背景
2026年7月15日、人工知能の研究と実用化において非常に重要な意味を持つ新しいAIモデルが公開されました。そのモデルの名前は「Inkling（インクリング）」です。
Inklingを開発したのは、米国サンフランシスコに本拠を置く最先端AI企業「Thinking Machines Lab（シンキング・マシーンズ・ラボ）」です。同社は、OpenAIで最高技術責任者（CTO）を務めていたミラ・ムラティ（Mira Murati）氏らが2025年2月に設立した企業であり、創業直後から20億ドル規模の資金調達を実施し、500億ドル級の企業評価額に向けた協議が進められるなど、世界中の技術者や投資家から大きな注目を集めています。
「オープンウェイト」がもたらす革新と従来のAIとの違い
Inklingの最も大きな特徴は、「オープンウェイト（Open-Weights）」モデルとして重みデータが完全公開されている点にあります。
私たちが日常的に利用している多くのクラウド型AIサービス（ChatGPTなど）は「クローズドAI」と呼ばれます。クローズドAIでは、AIの頭脳にあたるプログラムやパラメータデータは開発企業の巨大なサーバー内に厳重に保管されており、ユーザーは決められた入力欄を通じて回答を受け取ることしかできません。これは、完成された高級車をレンタルして運転するような状態です。
これに対して「オープンウェイトAI」は、AIが学習によって獲得した知識と判断の仕組みである「パラメータ（重み）」の設計図データを無償でダウンロードできるように公開する仕組みです。オープンウェイトとして提供されるInklingは、ユーザーが自分のパソコンや自社専用のサーバーにインストールして動かしたり、内部の構造を自由に分解して改良したりすることができます。
経済学者ハイークの思想と「分散型AI」の未来
Thinking Machines LabがInklingをオープンウェイトとして公開した背景には、単なる技術的なアピールにとどまらない深い経営思想が存在します。同社は公式のミッションとして「AIを人間の意志と判断の延長にする」ことを掲げています。
この思想の根底にあるのは、ノーベル経済学賞を受賞したフリードリヒ・ハイークが1945年に発表した論文「社会における知識の利用」です。ハイークは、社会を良くするための生産的な知識は中央の計画当局に集約されているのではなく、現場で働く個々の人間の頭の中に「暗黙知」として分散して存在していると主張しました。
Thinking Machines Labはこの考え方をAI開発に応用し、世界中の知識や業務のノウハウは中央の巨大企業一社に集約できるものではないと結論付けました。一言一句同じ回答を返す単一の巨大AIを作るのではなく、各企業や個人がそれぞれの現場の知識に合わせてAIをカスタマイズして育てる「分散型のアラインメント」こそが、人間とAIが共存する理想的な姿であると考えたのです。Inklingはそのような「誰もが自分専用のAIを育てるための基礎となる土台」として開発されました。
オープンウェイトAIと従来型クラウドAIの構造比較
Inklingの驚異的な技術仕様とアーキテクチャ
Inklingは、単にカスタマイズしやすいだけでなく、基礎的な性能や計算効率においても世界トップクラスの最新技術を結集して構築されています。
9750億パラメータの巨大頭脳と「MoE」による省エネ駆動
Inklingは、モデル全体のパラメータ数が「9750億個（975B）」という超巨大なスケールを持っています。これはアメリカで開発されたオープンウェイトモデルとして最大級の規模を誇ります。
通常、これほど膨大なパラメータを持つAIを動かすには巨額の電気代と低速な処理時間が課題になりますが、Inklingは「MoE（Mixture-of-Experts：専門家混合）」という洗練された構造を採用することでこの問題を解決しています。
MoEとは、AIの内部を多数の「専門家ネットワーク」に分割しておき、入力された質問の内容に応じて必要な専門家だけを呼び出して処理する仕組みです。Inklingの各層には256個のルーティング専門家と2個の共有専門家が配置されており、1つのトークン（文字や単語の単位）を処理する際には、そのうち6個のルーティング専門家だけが起動します。
この効率的なルーティング機能により、全体で9750億個のパラメータを持ちながら、実際の処理時に動く「有効（アクティブ）パラメータ」は410億個（41B）に抑えられています。これにより、圧倒的な知識の蓄積と、実用的な応答スピード・低コスト運用が見事に両立されています。
モデル仕様とアーキテクチャの比較
| 項目 | Inkling（フラッグシップモデル） | Inkling-Small（プレビュー版） |
| 全パラメータ数 | 9750億個（975B） | 約2760億個（276B） |
| 有効（アクティブ）パラメータ数 | 410億個（41B） | 120億個（12B） |
| 対応モーダリティ | テキスト、画像、音声、動画 | テキスト、画像、音声 |
| 文脈理解能力（Context Window） | 最大100万トークン（Tinker上では64K/256K） | 超低遅延・軽量仕様 |
| アテンション構造 | スライディングウィンドウとグローバルの混合（5:1比率） | 同等の軽量レシピ |
| 位置エンコーディング | 相対位置エンコーディング（Relative Positional Embedding） | 相対位置エンコーディング |
エンコーダーフリーで実現する高度なマルチモーダル処理
Inklingのもう一つの大きな強みは、テキストだけでなく画像、音声、動画を直接理解できる「マルチモーダル能力」です。
従来の多くのAIは、音声を文字に起こす別のAIや、画像を解析する別のプログラムを繋ぎ合わせて作られていました。しかしInklingは、外部のエンコーダー部品に頼らない「エンコーダーフリー構造」を採用しており、音声波形（16kHzのWAV形式など）や画像ピクセルを最初から一つの統合された脳みそで処理します。
事前学習には、テキスト、画像、音声、動画にまたがる「45兆トークン」という途方もない量のデータが使用されました。学習にはGoogle Cloud上の「NVIDIA GB300 NVL72」システムが投入され、最新の最適化アルゴリズム（MuonとAdamのハイブリッド手法）を用いることで、極めて安定した学習が実現されています。
また、長文の文脈を理解する技術として、従来のRoPE（Rotary Positional Embedding）に代わり、長い文章や音声の長尺データに対しても文脈が破綻しにくい「相対位置エンコーディング」を採用しています。さらに、アテンション層のキー・バリュー投影の後や残差結合部に「ショートコンボリューション（短い畳み込み処理）」を挿入することで、局所的な情報の集約能力を飛躍的に高めています。
総パラメータ数とアクティブパラメータ数の処理効率比
自分好みにカスタマイズできるInklingの独自機能
Inklingは、単に性能が高いだけでなく、利用者が自分の思い通りにAIの働き方をコントロールするための工夫が満載されています。
思考の深さを自由自在に変更できる「Thinking Effort」機能
日常の挨拶や簡単な文章の要約を頼むときと、複雑な数学の証明や高度なプログラミングのバグを発見するときでは、AIに必要な「熟考の時間」は異なります。
Inklingには、ユーザーが目的や予算に合わせてAIの思考ステップの深さを数値で調整できる「Thinking Effort（思考量調整）」機能が搭載されています。
- 低い思考量（Effort設定小）: 思考トークンの消費を最小限に抑え、素早いレスポンスと低コストで簡単な回答を出力します。
- 高い思考量（Effort設定大）: 回答を出力する前に内部で自問自答を繰り返し、論理的なステップを組み立てて難しい課題を解決します。
例えば、Terminal Benchと呼ばれるエージェント評価において、Inklingは他の競合モデル（Nemotron 3 Ultraなど）のわずか3分の1の思考トークン量で同等以上の正確な解答を導き出すことができる圧倒的な効率性を実証しています。
カスタマイズプラットフォーム「Tinker」と「自己ファインチューニング」
Thinking Machines Labは、Inklingの公開と同時に、モデルの追加学習や実験を行うためのデベロッパー向けプラットフォーム「Tinker（ティンカー）」を提供しています。Tinkerの画面上には、開発者が直接Inklingと対話しながら挙動を確認できる「Inkling Playground」も用意されています。
さらに、Inklingの公式発表において世界を驚かせたのが、AIが自分自身のプログラムを自分で書き換える「自己ファインチューニング（Self-Finetuning）」の実験結果です。
この実験では、Inklingに対して「アルファベットの『e』を一切使わずに会話する特別なモデルを作りなさい」という指示（リポグラムモデルの作成）が与えられました。Inklingは自ら計画を立て、評価用の合成データを自動作成し、Pythonスクリプトを記述してTinker APIを呼び出し、追加学習を実行して自らの重みを更新しました。その結果、人間の手を一切煩わせることなく、数分で「eの文字を一切使わない新バージョンのAI」へ自身を変身させることに成功したのです。
また、画像認識においては、理解しづらい細かい図表に遭遇すると、モデル自らがPythonツールを呼び出して画像をズーム（拡大・切り抜き）して再確認するという、人間が虫眼鏡を使うような高度な視覚推論も実行できます。
Thinking Effortによる思考プロセスとリソース消費の変化
ベンチマーク性能と実業務への活用シーン
Inklingは特定分野に特化したAIではなく、あらゆる領域でバランスよく高い成果を出す「汎用型（ジェネラリスト）基盤モデル」としてトレーニングされています。
主要ベンチマークにおけるスコア実績
以下の表は、Inkling（思考量Effort=0.99設定時）が主要な標準テスト（ベンチマーク）で記録した性能スコアの一覧です。
| 評価分野 | テスト名（ベンチマーク） | スコア | 測定内容と意義 |
| 高度数学推論 | AIME 2026 | 97.1%[cite: 5] | アメリカ数学招待全米試験の最新問題。極めて高い論理的思考力を証明。 |
| 科学総合知識 | GPQA Diamond | 87.2%[cite: 5] | 物理・化学・生物などの博士課程レベルの専門知識と推論能力を測定。 |
| 人類最高峰テスト | HLE (Humanity's Last Exam) | 29.7%（テキストのみ） 46.0%（ツール併用） | 世界中の専門家が集結して作成した最難関試験。ツール併用で大幅得点アップ。 |
| ソフトウェア開発 | SWEBench Verified | 77.6%[cite: 5] | 実際のGitHub上のバグ修正タスクを自動で解決できる能力を証明。 |
| 音声総合解釈 | VoiceBench | 91.4%[cite: 5] | 人間の話し言葉や音声指示をどれだけ正確に聞き取れるかの評価。 |
| 視覚・図表解析 | Charxiv RQ | 78.1%（単体） 82.0%（Pythonツール併用） | 論文中の複雑なグラフや図表をPythonでズーム解析して読み解く能力。 |
実業務における具体的な活用事例
- WEBアプリケーションの一発作成と自動操作エージェント Inklingは「このような求人応募アプリを作って」という自然言語の指示（プロンプト）を一回与えるだけで、デザイン性に優れた完全なWEBアプリケーションのコードを1ショットで生成できます。さらに、自作したアプリに対して組み込みのブラウザ操作エージェントを動かし、保存されたプロフィール情報からフォームへ自動入力させる連携もスムーズに行えます。
- 金融・医療などのオンプレミス（自社専用）環境での運用 自社の機密情報や顧客データが外部へ送信されることを嫌う大企業にとって、オープンウェイトであるInklingは強力な選択肢となります。例えば、約600万ドルで購入できる最新のGB300 NVL72サーバーラックを1台導入すれば、自社敷地内（オンプレミス）でInklingのフルサイズモデルを動かすことができ、100万出力トークンあたりわずか60セント（約90円）以下という破格の費用対効果で最高峰のプライベートAI環境が構築可能です。
- 現場データを使った精度の劇的向上 大手投資ファンドBridgewater AIA Labsとの共同実験では、既存のオープンAIモデル（Qwen3-235B）をTinkerで追加学習させたところ、金融文書の選別精度が78.2%から84.7%へと向上し、分類エラーが29.8%減少すると同時に、推論コストが13.8分の1へと激減した実績が報告されています。Inklingを標準モデルとしてTinkerに組み込むことで、こうした企業独自のカスタムAI作成がさらに容易になりました。
主要オープンウェイトAIモデルとの多角的一般化性能比較
まとめと将来の展望：AIは「使う道具」から「共に育つパートナー」へ
Thinking Machines Labが発表した「Inkling」は、人工知能の歴史における大きな転換点を示しています。
今後のロードマップとAI業界への影響
Thinking Machines Labは、Inklingを単発の製品ではなく「モデルファミリーの第一弾」と位置付けています。現在は、軽量で動作が速く、自前サーバーでも扱いやすい「Inkling-Small（アクティブパラメータ120億個）」の調整を進めており、近いうちに正式提供される予定です。
また、同社はNVIDIAとの間で1ギガワット（GW）級の超大型次世代計算基盤「Vera Rubin」を導入する複数年契約を結んでおり、2027年以降に向けてモデルの事前学習や強化学習のスケールをさらに拡大していく計画です。
日本の企業や開発者にとっての意義
これまで多くの企業は「どの会社のAI APIを契約するか」という選択肢に縛られていました。しかし、Inklingのように高性能かつオープンウェイトなAIが登場したことで、企業や個人開発者が自らのデータと知識を持ち寄り、自分たちの用途に特化したAIを「自手で育て上げて保有する」という新しい選択肢が現実のものとなりました。
自社の独自の業務ルールやノウハウをAIに注ぎ込み、世界で一つだけの優秀なパートナーを構築できる時代が始まっています。オープンで自由なAIの可能性を開拓するInklingの取り組みは、これからのAI利用のあり方を大きく変えていくことになるでしょう。
参考資料
- Inkling: Our Open-Weights Model, https://thinkingmachines.ai/news/introducing-inkling/
- Inkling: Our Open-Weights Model - Hacker News Discussion, https://news.ycombinator.com/item?id=48927373
- Inkling-Small Multimodal Capabilities - Hacker News, https://news.ycombinator.com/item?id=48925469
- Inkling-Small Testing and Framework Support - Hacker News, https://news.ycombinator.com/item?id=48925469
- Inkling Open-Weights Model Analysis and Local Execution - Hacker News, https://news.ycombinator.com/item?id=48924912
- Introducing Inkling Announcement Summary - Thinking Machines Lab, https://thinkingmachines.ai/news/introducing-inkling/
- Inkling Licensing and Quantization Discussion - Hacker News, https://news.ycombinator.com/item?id=48924912
- Inkling RL Scaling and Verbal Reasoning Behavior - Hacker News, https://news.ycombinator.com/item?id=49040857
- GB300 Rack Deployment and Enterprise Inference Economics - Hacker News, https://news.ycombinator.com/item?id=49070985
- Open Source AI Models and Market Trends - Hacker News, https://news.ycombinator.com/item?id=48927373
- Language Models Prose Quality and RL Fine-Tuning - Hacker News, https://news.ycombinator.com/item?id=49040857
- US Open-Weights Models Release Timeline - Hacker News, https://news.ycombinator.com/item?id=49070985
- Reinforcement Learning Rollouts and Model Behavior - Hacker News, https://news.ycombinator.com/item?id=49038433
- Thinking Machines Labが用途特化型カスタマイズを重視する新AI「Inkling」を発表 - GIGAZINE, https://gigazine.net/news/20260716-inkling/
- Inkling完全解説：Thinking Machines Labの技術仕様と経営戦略 - note, https://note.com/kagawatomo/n/nd7e025a12412
- Thinking Machinesが描くオープンウェイト型カスタムAIの未来 - XenoSpectrum, https://xenospectrum.com/thinking-machines-inkling-open-weights-custom-ai/
- Inkling Generalist Capabilities and Benchmarks - Thinking Machines Lab, https://thinkingmachines.ai/news/introducing-inkling/
- Inkling Model Overview - OpenRouter, https://openrouter.ai/thinkingmachines/inkling
- Inkling Architecture and Tool Use Card - NVIDIA Build, https://build.nvidia.com/thinkingmachines/inkling
- Inkling（インクリング）とは？米国発オープンウェイトMoEモデルを解説 - AI総研, https://www.ai-souken.com/article/what-is-inkling
- Thinking Machines Lab、初のAIモデル「Inkling」を発表 - 技術評論社, https://gihyo.jp/article/2026/07/inkling
- Inkling Deep-Dive Benchmarks and Architectural Details - Thinking Machines Lab, https://thinkingmachines.ai/news/introducing-inkling/
コメント