元OpenAI CTOが「最強は狙わない」と言い切った — ムラティのThinking Machinesが出した初モデルInkling

新しい基盤モデルが出るたびに、私たちは同じ問いを繰り返してきた。「で、GPTやClaudeより強いの？」と。ベンチマークの数字が並び、どこが1位を取ったかで一喜一憂する。それが2026年のAIモデル報道の基本フォーマットだった。

7月15日に公開された「Inkling」は、その問いを最初から拒否している。作ったのは元OpenAI CTOのミラ・ムラティが率いるThinking Machines Lab。同社にとって初のインハウス基盤モデルだ。にもかかわらず、公式は自ら「これは今日利用できる中で、オープン・クローズドを問わず最強のモデルではない」と明言している。

初リリースで「最強じゃない」と言い切るAI企業は珍しい。だがこれは弱気の表明ではなく、明確な戦略だ。

Inklingとは何か

Inklingは、975B（9,750億）パラメータのスパースなMoE（Mixture-of-Experts）モデル。ただし推論1回あたりに実際に動くのは約41Bパラメータだけで、残りは眠っている。この「巨大だが軽い」構造のおかげで、フルサイズのdenseモデルほど推論コストがかからない。

学習データは45兆トークン。テキスト・画像・音声・動画の4モダリティを含み、モデルはこれらをネイティブに処理する。コンテキスト長は最大100万トークン。数字だけ見れば、2026年後半のフロンティア級モデルとして遜色ない仕様だ。

決定的に違うのは、重みが公開されている点。OpenAIのGPT-5.6も、AnthropicのClaudeも、GoogleのGeminiも、中身はブラックボックスのまま自社サーバーの上でしか動かない。Inklingは全重みがHugging Faceからダウンロードでき、手元やクラウドで自由に動かし、改造できる。

「最強を狙わない」の正体

では、なぜ最強を狙わないのか。答えは同社が同時に押し出しているもう一つの製品「Tinker」にある。

Tinkerは、モデルを自分の用途に合わせて微調整（ファインチューニング）するためのカスタマイズ基盤だ。Thinking Machinesの主張はこうだ——万能を目指した1つの巨大モデルを全員で共有するより、各組織が自分のデータで育てた専用モデルを持つほうが、実際の業務では強い。Inklingは「完成品」ではなく「育てる土台」として設計されている。

この発想は、同社が創業時から掲げてきた「one-size-fits-all（一律サイズ）への異議申し立て」の延長線上にある。ムラティはOpenAIで、まさにその「1つの巨大モデルを全員に」という路線の中心にいた人物だ。その本人が真逆の賭けに出ているのは、正直に言って面白い。

考えてみれば、これは業務ソフトの歴史がたどった道でもある。汎用の表計算ソフトがあっても、企業は結局それを自社仕様にカスタマイズして使う。AIモデルも「汎用の最強」から「専用の最適」へと重心が移るなら、Inklingの立ち位置は理にかなっている。

料金と性能——正直なところ

Tinker API経由でInklingを動かす場合の料金は、入力100万トークンあたり$1.87、出力100万トークンあたり$4.68（現在は50%の introductory 割引価格）。日本円換算でおおよそ入力290円、出力730円前後といったところ。GPT-5.6 Solの入力$5.00・出力$30.00と比べれば、かなり安い部類に入る。重みを自前で動かせば、この料金すらかからない。

性能は正直、素直に評価すべきだ。Terminal Bench 2.1では63.8%で、Nemotron 3 Ultra（56.4%）やKimi K2.5（51.3%）を上回る。だがGLM 5.2の82.7%、GPT-5.6 Solの89.5%には遠く及ばない。コーディングの絶対性能で見れば、トップ集団の背中は遠い。

一方で光るのは効率と行儀の良さだ。指示追従、敵対的入力への安全性、そしてトークン効率でリードしており、1タスクあたりの平均出力トークンは約2.5万。GLM 5.2の4.3万と比べると、同じ仕事をより少ない言葉で片付ける。トークン課金の世界では、この「無駄口を叩かない」性質はそのままコスト差になる。ファインチューニングの土台としては、素直で扱いやすい素材と言える。

これで何が変わりうるか

Inkling単体の性能より、私が注目したいのは「オープンウェイト × 手軽なファインチューニング基盤」という組み合わせが揃った点だ。

これまで、独自データで専用モデルを育てるのは、GPU調達から学習パイプラインの構築まで、それ自体が一大プロジェクトだった。だからほとんどの企業は既製のAPIをそのまま使い、プロンプトやRAGで工夫するにとどまっていた。Inkling + Tinkerは、その「モデルを自分のものにする」ハードルを一段下げてくる。もし本当に数クリックで自社データによる微調整が回るなら、社内の問い合わせ対応、専門文書の要約、特定ドメインのコード生成といった用途で、「汎用モデルにプロンプトで頼む」のではなく「その業務専用に育てた小さな賢いモデルを持つ」選択が現実的になる。

さらに踏み込めば、フロンティアの最強モデルは高価なAPIとして「たまに使う切り札」に、専用ファインチューンモデルは「毎日回す常用エンジン」に、と役割が分かれていく可能性がある。全部を1つの最強モデルに投げる時代から、用途ごとにモデルを使い分ける時代へ——Inklingはその分業を象徴する一手になるかもしれない。もっとも、これはファインチューニングの手間と品質が実用水準に達していることが前提で、そこはまだ触って確かめる余地が大きい。

気になる点

期待の裏で、冷静に見ておきたい点もある。

まず、975Bという規模の重みを自前で動かすのは、個人には現実的でない。「オープンウェイトだから誰でも手元で」とはいかず、実際にはクラウドGPUかTinker経由が中心になる。「オープン」の恩恵をフルに受けられるのは、相応のインフラを持つ組織に限られる。

次に、ファインチューニング基盤の使い勝手は、まだ未知数だ。Thinking Machinesの物語は美しいが、専用モデルを育てる工程が本当に「既製APIを使うより得」と言えるかは、コスト・手間・品質のトータルで検証しなければ分からない。ここが期待外れだと、Inklingは「性能は中堅、扱いは面倒」という中途半端な位置に落ちかねない。

それでも、初リリースで無理に「最強」を演じず、自分たちの信じる路線を淡々と出してきた姿勢は好感が持てる。ベンチマーク1位争いとは別の土俵で勝負しようとしているのは明らかで、その賭けが当たるかどうかは、これから各組織が実際にInklingを「育てて」みて分かることだ。ムラティの次の一手を占う意味でも、触っておく価値のあるモデルだと思う。