Thinking Machines frappe fort : son IA Inkling va tout changer pour les entreprises

UNE IA OUVERTE POUR BATTRE LES MODÈLES TOUT-FAITS

Thinking Machines, une startup spécialisée dans l'intelligence artificielle fondée par Mira Murati, ancienne CTO d'OpenAI, vient de lancer Inkling, son premier modèle d'IA développé en interne. Contrairement aux géants comme OpenAI, Anthropic ou Google, ce modèle est open-weight : les développeurs et les entreprises peuvent le télécharger et le modifier librement. Une première pour la startup qui a passé un an et demi à construire son infrastructure d'IA en coulisses.

UN MODÈLE QUI MÉLANGE LES EXPERTS POUR ÊTRE PLUS EFFICACE

Inkling repose sur une architecture mixture-of-experts : il compte 975 milliards de paramètres au total, mais n'utilise qu'environ 41 milliards pour chaque tâche. Cette méthode permet de garder des modèles très puissants tout en réduisant les coûts et la vitesse d'exécution. Il a été entraîné sur 45 000 milliards de jetons (tokens) combinant texte, images, audio et vidéo, et peut traiter ces quatre types de données de manière native. Pour l'instant, ses réponses restent limitées au texte, incluant du code, des artefacts stylisés et des données structurées.

UNE IA QUI S'ADAPTE AUX BESOINS DES ENTREPRISES

Thinking Machines mise sur une approche radicalement différente des géants de l'IA. Là où OpenAI, Anthropic et Google proposent des modèles généralistes comme ChatGPT, Claude ou Gemini, Thinking Machines mise sur des solutions customisables. Inkling est conçu pour donner des réponses calibrées, en signalant les incertitudes plutôt que de deviner, et permet aux utilisateurs de régler l'effort de réflexion pour privilégier la vitesse ou la précision. Sur un test de programmation, Inkling utilise un tiers des jetons de Nvidia Nemotron 3 Ultra, le dernier modèle open-weight de Nvidia, pour atteindre les mêmes performances.

Plutôt que de vendre un produit fini, Thinking Machines présente Inkling comme un point de départ. Les entreprises peuvent le personnaliser via Tinker, une plateforme dédiée, mais elles assument alors la responsabilité de la sécurité de leurs modifications. Un choix risqué, car le fine-tuning nécessite des compétences avancées en machine learning.

L'ARGUMENT QUI FAIT MOUVEMENT : LES ENTREPRISES DOIVENT CONTRÔLER LEUR IA

Dans un billet publié la semaine dernière, Thinking Machines a expliqué pourquoi les modèles d'IA centralisés par une seule entreprise sont moins performants que ceux adaptés par les organisations elles-mêmes. L'argument est simple : une grande partie de l'expertise est spécifique aux personnes qui la détiennent. Une idée qui prend de l'ampleur. Satya Nadella, PDG de Microsoft, a récemment mis en garde : les entreprises qui utilisent des modèles propriétaires paient deux fois, une fois pour les abonnements et une autre en livrant leurs connaissances métiers via les prompts et corrections, qui peuvent être intégrées dans les futures versions des modèles.

Clem Delangue, PDG de Hugging Face, partage cette analyse. Selon lui, les modèles de pointe seront réservés à l'expérimentation et aux tâches à haute valeur ajoutée, tandis que la majorité du travail d'IA en production basculera vers des alternatives open-source ou privées. Une prédiction qui correspond exactement à la stratégie de Thinking Machines.

LA PREUVE PAR L'EXEMPLE : UNE IA FINANCIÈRE QUI BAT LES PROPRIÉTAIRES

La preuve la plus concrète de cette théorie vient d'un projet mené avec Bridgewater Associates, le plus grand fonds d'investissement au monde. Ensemble, ils ont entraîné un modèle open-source existant avec l'expertise financière de Bridgewater. Résultat : le modèle a obtenu 84,7 % de bonnes réponses sur des tests de raisonnement financier, surpassant les meilleurs modèles propriétaires, tout en coûtant quatorze fois moins cher à faire fonctionner. Attention, ces résultats proviennent des deux entreprises et n'ont pas été validés par un tiers indépendant.

UNE STARTUP QUI ACCÉLÈRE : DE ZÉRO À INKLING EN 9 MOIS

Thinking Machines met en avant sa rapidité. OpenAI a mis environ cinq ans pour commercialiser sa technologie et générer des revenus, tandis qu'Anthropic a mis trois ans. La startup affirme avoir accompli la même chose en seulement neuf mois. Une performance qui interroge sur la solidité de son infrastructure et de ses modèles.

UNE QUESTION ÉTHIQUE : D'OÙ VIENT VRAIMENT LES DONNÉES D'ENTRAÎNEMENT ?

Certains s'interrogent sur la provenance des données utilisées pour entraîner Inkling. Une pratique appelée distillation consiste à utiliser les sorties de modèles existants pour entraîner de nouveaux modèles. Selon Thinking Machines, Inkling a bien été pré-entraîné à partir de zéro, mais certaines données post-entraînement ont été générées à l'aide d'autres modèles open-weight, comme Kimi K2.5 de Moonshot AI. Pour son prochain modèle, la startup promet une approche entièrement autonome. Une transparence relative, mais qui laisse des zones d'ombre.

UN PARTENARIAT COÛTEUX AVEC NVIDIA

Sur le plan des coûts, Thinking Machines reste discret. En mars, elle a signé un partenariat avec Nvidia pour déployer un gigawatt de capacité de calcul Vera Rubin, et Inkling a été entièrement entraîné sur les systèmes GB300 NVL72 de Nvidia. Pourtant, la startup n'a pas révélé comment elle compte financer ces coûts. Les revenus ne semblent pas être une priorité immédiate. Une levée de fonds de 50 milliards de dollars, annoncée en novembre dernier, aurait dû être finalisée en janvier, mais le projet a été abandonné. Depuis, la startup refuse de commenter sa situation financière.

UNE CULTURE D'ENTREPRISE QUI MET LES ÉQUIPES AU CENTRE

Thinking Machines ne mise pas sur des stars individuelles comme le font beaucoup d'entreprises du secteur. Selon une source interne, sa culture favorise la continuité plutôt que la dépendance à une seule personne. Une approche qui se comprend : si un employé quitte l'équipe, les projets restent stables car personne n'est indispensable. Une philosophie rare dans une industrie où les fondateurs deviennent souvent des icônes.

UNE FONDATRICE DISCRÈTE MAIS INFLUENTE

Mira Murati, cofondatrice de Thinking Machines, reste une figure majeure de l'entreprise, même si la startup insiste sur sa culture collective. Son nom est encore associé à l'histoire de la société, qu'elle l'ait voulu ou non. Pourtant, Thinking Machines évite de mettre en avant des personnalités individuelles, préférant une approche collective où les idées priment sur les egos.

UNE STARTUP QUI COMPTE 200 EMPLOYÉS

Thinking Machines emploie aujourd'hui environ 200 personnes, un chiffre en hausse par rapport aux effectifs rapportés après une vague de départs en début d'année. Deux cofondateurs ont notamment quitté la startup en janvier pour rejoindre OpenAI, mais les effectifs semblent désormais stabilisés.

UNE STRATÉGIE QUI DIVISE : POUR QUI EST VRAIMENT INKLING ?

La question se pose : qui, dans le marché des entreprises, est vraiment ciblé par Inkling ? Pour l'instant, Thinking Machines ne présente pas ce modèle comme un produit fini, mais comme une base à personnaliser. Une stratégie qui suppose que les entreprises ont les ressources et les compétences pour adapter l'IA à leurs besoins. Une hypothèse audacieuse, car le fine-tuning demande des experts en machine learning.

L'AVENIR DE L'IA : CENTRALISATION OU DÉCENTRALISATION ?

Thinking Machines mise sur la décentralisation de l'IA, où chaque entreprise peut adapter ses modèles à ses besoins spécifiques. Une vision qui contraste avec l'approche des géants comme OpenAI ou Google, qui misent sur des modèles généralistes. Mais cette stratégie soulève des questions : les entreprises ont-elles vraiment les moyens de développer et maintenir leurs propres modèles ? Et surtout, ces modèles personnalisés seront-ils aussi performants que les solutions propriétaires des géants de la tech ?

INKLING, UNE RÉVOLUTION OU UNE ILLUSION ?

Inkling représente une tentative audacieuse de repenser l'IA pour les entreprises. Avec son approche open-weight et sa capacité à s'adapter, elle pourrait bien devenir une alternative crédible aux modèles propriétaires. Mais son succès dépendra de la capacité des entreprises à l'exploiter pleinement. Une chose est sûre : Thinking Machines a marqué un point en montrant qu'une autre voie est possible. Reste à savoir si les entreprises suivront.