Thinking Machines 據報洽談十億美元融資：估值至少四百億，開源可微調模型成新賽點

Key takeaway

《The Information》於 2026 年 9 月初報道，由前 OpenAI 首席技術官 Mira Murati 創立的 Thinking Machines Lab，正就至少約十億美元新一輪融資進行磋商，估值目標不少於四百億美元；現有投資者 Accel 據報有意領投。TechCrunch 翌日以獨立消息來源對照同一說法。本文已交叉核對 TechCrunch 報道，以及 Thinking Machines 官網、Inkling 產品頁與官方發佈稿；來源真實性已驗證。重點包括：融資仍屬磋商、尚未宣佈完成；公司此前種子輪約二十億美元、估值約一百二十億美元；2026 年 7 月推出開源權重模型 Inkling 與微調平台 Tinker；對香港企業而言，這凸顯「可自有化／可微調」模型棧正成為資本與產品雙重焦點。

Thinking Machines 據報洽談十億美元融資：估值至少四百億，開源可微調模型成新賽點

Thinking Machines 據報洽談十億美元融資：估值至少四百億，開源可微調模型成新賽點

《The Information》於 2026 年 9 月初報道，由前 OpenAI 首席技術官 Mira Murati 創立的 Thinking Machines Lab，正就至少約十億美元新一輪融資進行磋商，估值目標不少於四百億美元；現有投資者 Accel 據報有意領投。TechCrunch 翌日以獨立消息來源對照同一說法。本文已交叉核對 TechCrunch 報道，以及 Thinking Machines 官網、Inkling 產品頁與官方發佈稿；來源真實性已驗證。重點包括：融資仍屬磋商、尚未宣佈完成；公司此前種子輪約二十億美元、估值約一百二十億美元；2026 年 7 月推出開源權重模型 Inkling 與微調平台 Tinker；對香港企業而言，這凸顯「可自有化／可微調」模型棧正成為資本與產品雙重焦點。

一、核心事件：從「人才溢價」到「產品加現金流」的再定價

技術細節

根據 TechCrunch 轉述《The Information》及該刊自身消息來源，Thinking Machines 正討論籌集約十億美元資金，估值至少四百億美元；Accel 作為既有投資方，據報參與領投磋商。公司與 Accel 當時未即時回應置評請求。報道亦指，若交易完成，估值仍低於該公司去年底據報曾尋求的約五百億美元水平。

公司背景可從公開敘事還原：Murati 離開 OpenAI 後於約 2025 年初組建實驗室，種子輪規模約二十億美元、投後估值約一百二十億美元，由 Andreessen Horowitz 領投，並有 Nvidia、GV、Lightspeed、Conviction Partners 等參與。其後部分聯合創辦人（包括 Lilian Weng、Luke Metz）等高層回流 OpenAI，令市場對「人才溢價」敘事變得更挑剔。

與此同時，產品線已開始支撐估值敘事。2026 年 7 月 15 日，Thinking Machines 正式發布開源權重模型 Inkling，並在自家訓練平台 Tinker 上提供微調服務。TechCrunch 引述知情人士指，公司年化營收運行率已逾一億美元；在此基礎上，四百億美元估值意味著極高的營收倍數，亦解釋為何市場把這輪融資視為對「可定制開源模型」商業模式的壓力測試，而非單純追捧創辦人履歷。

二、技術原理深度解析：Inkling 與 Tinker 的分工

Inkling 的官方定位並非「全面最強閉源旗艦」，而是可下載權重、適合企業與開發者再訓練的多模態基礎模型。官方產品頁與發布稿披露的架構重點包括：

  1. 規模與效率：Inkling 為 Mixture-of-Experts（MoE）架構，總參數約 9750 億、每次推理啟動約 410 億參數；配套還有較小的 Inkling-Small（總參數約 2760 億、啟動約 120 億）。
  2. 多模態輸入：原生支援文字、圖像與音訊；預訓練語料涵蓋文字、圖像、音訊與視訊，規模約 45 萬億 token；上下文窗口最高可達約 100 萬 token（於 Tinker 上提供 64K／256K 等實用選項）。
  3. 可控思考力度（controllable thinking effort）：允許在延遲／成本與答題品質之間調節，適合把同一底座部署到即時客服、批次分析與長程代理等不同 SLA。
  4. 客製化路徑：權重公開於 Hugging Face；企業可於 Tinker 以 LoRA／監督微調等方式把專有資料寫進模型行為，再把檢查點部署到 Together AI、Fireworks、vLLM、SGLang 等生態。

Tinker 的產品邏輯是「你在本地寫訓練迴圈，遠端 GPU 負責前向／反向與產生」。這把企業最痛的兩件事拆開：不必自建超算，又能保留資料與獎勵函數的控制權。對受 NDA、行業監管或跨境數據限制約束的機構，這比「只把提示詞打進公共聊天框」更接近可審計的生產路徑。

三、日常應用場景

1. 開發者與技術團隊

團隊可把 Inkling 當開源底座，在 Tinker 上用自家日誌、API schema、內部文件做 SFT／RL 後訓練，再以 OpenAI／Anthropic 相容閘道接回現有編排。可控思考力度有助在 CI 機器人（低延遲）與夜間批次評分（高力度）之間切換同一檢查點。

2. 企業與隱私敏感行業

法律、金融、醫療等場景往往需要「模型行為可解釋、資料不出境、權重可版本管理」。開源權重加私有微調，令企業能把領域術語、拒答政策與稽核軌跡寫進模型，而不是長期依賴不可審計的黑箱 SaaS。

3. 一般用戶與產品經理

對產品團隊而言，重點不是自己訓練 MoE，而是評估：哪些功能必須自有模型，哪些可繼續用公共 API。Inkling Playground 與 cookbook 降低了「先試手感再決定是否微調」的門檻。

4. 香港與亞洲市場視角

香港金融、專業服務與跨境電商對數據主權特別敏感。PDPO 與客戶合約常要求訓練與推斷資料不隨意離境。當全球資本押注「可微調開源模型平台」時，本地企業更應同步規劃：底座選型、私有資料集治理、以及把微調後模型託管在可控環境。若需要在香港落地類似能力，可參考 YSK Limited 的企業私有 LLM 全託管（年費由 HK$88,000 起，Dataset → QLoRA／LoRA → 私有 API，100% 數據不出境）：https://ysk.hk/services/ai-automation

四、專業評價與潛在考量

優勢

  • 把「開源權重＋遠端微調平台＋生態部署」串成可收費產品，融資敘事由純人才溢價轉向產品與現金流。
  • Inkling 明確不以單一基準奪冠為唯一目標，反而強調可定制與多模態，貼近企業真實工作流。
  • 與 Nvidia 等基礎設施投資者的關係，有助算力供給與部署路徑。

需要留意的地方

  • 本輪融資仍屬「磋商／據報」，估值與金額均可變；文章寫作時尚未見公司正式交割公告。
  • 年化營收逾一億美元的說法來自知情人士，並非經審計的公開財報數字。
  • 開源權重帶來供應鏈與安全責任：微調可能削弱對齊；企業仍需紅隊、存取控制與輸出過濾。
  • 四百億美元對一億美元年化營收的倍數極高，後續必須靠可持續毛利與客戶留存證明，而非單次敘事。

結語

Thinking Machines 這輪據報融資，標誌著市場正重新為「可擁有、可微調、可部署」的模型公司定價：人才光環仍重要，但 Inkling 與 Tinker 是否能把客製化變成可複用的收入引擎，才是估值能否站穩的關鍵。對香港決策者而言，與其追單一閉源旗艦的發佈節奏，不如先盤點哪些工作負載必須私有化。若要在本地建立 Dataset 到私有 API 的完整鏈路，歡迎透過 WhatsApp +852 6160 4242 或 [email protected] 了解 YSK Limited 企業私有 LLM 全託管：https://ysk.hk/services/ai-automation

參考來源

Related services & products

Related posts