2026年7月15日，OpenAI前CTO米拉·穆拉蒂创办的Thinking Machines Lab发布了首款模型Inkling。9750亿参数、MoE架构、百万上下文、开源权重，纸面参数看起来一切都很“前沿”。但真正让行业炸锅的，不是模型本身，而是一个令人尴尬的发现：英国《金融时报》确认，Inkling的架构设计参考了DeepSeek-V3，后训练阶段部分采用了月之暗面旗下Kimi K2.5生成的数据。跑分没跑赢，定价却贵出一大截。更魔幻的是，这家“反向借鉴”的公司估值高达120亿美元。
性能没赢，价格更贵
7月15日，Thinking Machines Lab正式发布Inkling。这是一款9750亿参数的MoE（混合专家）模型，每次推理仅激活410亿参数，原生支持文本、图像和音频输入，上下文窗口达100万token，在45万亿token的多模态数据上完成预训练。公司将其定位为“开放权重的通用基础模型”，强调用户可以通过Tinker平台进行微调定制。
但作品的“配方”并非秘密。据多家科技媒体报道，Inkling的MoE架构采用了DeepSeek-V3风格的256路由专家加2个共享专家的配置，每次推理激活6个专家，注意力层采用5:1滑动窗口与全局注意力模式，使用相对位置编码。在训练数据的后处理阶段，部分使用了月之暗面旗下Kimi K2.5生成的合成数据。多位AI研究人员在社交媒体上逐条对比后指出，从MoE的路由策略到长上下文窗口的工程实现，再到多模态训练数据的配比方式，Inkling的技术选择与DeepSeek和月之暗面的路线存在高度相似。
更扎心的是，Thinking Machines Lab自己在官方博客中坦承：“Inkling不是目前最强的整体模型，无论开源还是闭源。”在SWE-bench Verified（软件工程核心基准）上，Inkling得分为77.6%。在Terminal Bench 2.1（智能体编码基准）上，得分63.8%，领先于Nemotron 3 Ultra的56.4%。但与GLM 5.2、Kimi K2.6等中国开源模型相比，Inkling在多个关键子项上并不占优。而价格方面，中国模型在美国市场的API调用成本比美国同类产品低60%至90%。DeepSeek-V4-Pro的成本仅为GPT-5.5的七分之一。
这就是第一个矛盾：抄了对方的作业，成绩没比对方好，学费还更贵。
但故事并没有这么简单。Thinking Machines Lab在2025年7月完成首轮融资，金额20亿美元，估值高达120亿美元，领投方为Andreessen Horowitz，参投方包括Nvidia、AMD、Cisco、Jane Street和阿尔巴尼亚政府。在美国AI创业公司估值普遍回调的2026年，这堪称逆势狂飙。
为什么一家“性能不如、价格更贵”的公司，能拿到如此高的估值？答案藏在另一个正在发生的结构性变化里。
美国企业正在“用脚投票”中国模型
2026年2月以来，一个惊人的趋势在AI开发者社区炸开。据OpenRouter数据，美国企业使用中国AI模型的token占比自2月8日以来每周均维持在30%以上，峰值一度攀升至46%。而此前12个月的均值仅为11%，2025年上半年更低至4.5%。
这意味着美国企业正在大规模、系统性地将AI工作负载迁移到中国模型上。原因简单而残酷：便宜。
据OpenRouter数据与分析团队的Justin Summerville透露，中国开源模型的使用成本比Anthropic和OpenAI的领先模型“便宜60%至90%”。AI创业公司Lindy在2026年6月将全部流量从Claude切换至DeepSeek，其CEO Flo Crivello对CNBC形容：“你能看到那条成本曲线直接崩落到地板上。”他预计这一决定将在数月内为公司节省数百万美元。
性能差距也在快速缩小。智谱GLM 5.2在一项智能体基准测试中，成绩与Anthropic的Opus 4.8相差不足一个百分点，而成本仅为后者的约五分之一。Vercel旗下智能体基础设施负责人Harpreet Arora表示，GLM 5.2创下了Vercel在2026年追踪记录中最快的模型采用速度：“上线后第一个完整周内，日均token量增长约27倍，使用客户数量增长约80倍。”
Hugging Face机器学习负责人Yacine Jernite点明了结构性趋势：“我们看到企业越来越希望转向成本更低、自身可掌控和定制的AI栈，而鉴于当前开源和开放权重模型的现状，这往往意味着借助中国模型。”
合规成为新的“卡脖子”工具
但有一个巨大的障碍横亘在美国企业面前：合规。
对于受监管行业（金融、医疗、国防、政府服务）的企业来说，直接调用中国模型面临着严重的合规风险。美国国会在2025至2026年间密集出台了多项针对AI技术出口和使用的限制性法案，虽然矛头主要指向中国AI企业的对美服务，但实际效果是：美国企业使用中国模型的风险敞口急剧扩大。
这正是Thinking Machines Lab的“卡位”所在。
Inkling被刻意定位为“美国本土的、可定制的、开源权重的替代方案”。它的核心卖点不是技术领先，而是“合规安全”。一家由美国团队运营、在美国训练、在美国部署的AI公司，天然规避了使用中国模型带来的数据出境、国家安全审查和出口管制风险。
穆拉蒂在多个场合强调，公司的核心理念是“AI不应由一家公司集中训练然后固化不动”，而应该由组织自己定制和掌控。这个叙事在18个月前听起来可能只是一个技术理想主义者的宣言，但在2026年7月，它有了一个更现实的注脚：美国企业需要“美国制造的AI”来满足合规要求，哪怕它贵一点、慢一点、差一点。
120亿美元买的是什么？
120亿美元的估值，买的不是Inkling今天的性能，而是Thinking Machines Lab作为“美国企业合规AI基础设施”的稀缺性。
微软CEO萨提亚·纳德拉在2026年7月10日发表了一篇令行业震惊的博客文章，警告使用闭源AI模型的企业“实际上在付两次钱”。一次是订阅费，另一次是将嵌入在提示词和反馈中的业务知识拱手让出，这些知识会被吸收进未来模型版本中。他将其称为“反向信息悖论”。
Thinking Machines Lab的Tinker平台正是这一逻辑的产物。企业可以在Tinker上用自己的数据微调Inkling，模型完全私有化部署，数据不出域。这与DeepSeek等中国模型提供的API服务形成鲜明对比：调用中国模型虽然便宜，但企业数据到底去了哪里、谁有权访问，在法律框架下始终存在不确定性。
Nvidia、Cisco、AMD等基础设施巨头参投Thinking Machines Lab，不是因为看好Inkling的跑分。它们看中的是“美国企业AI算力消费”这个大蛋糕中的一个新切面：当企业出于合规原因不能使用中国模型，又不愿被OpenAI和Anthropic锁定，Thinking Machines Lab提供了一个“第三条路”。
120亿美元买的，是这条路的独家通行证。
当技术领先与商业成功解耦
这场“角色互换”的故事，折射出AI行业正在发生的深层变局。
过去两年，中国AI公司一直在追赶美国。DeepSeek、月之暗面、智谱、阿里通义，它们被贴上“跟随者”的标签，被质疑只是“抄美国作业”。但到了2026年，局面彻底反转。中国模型在开源社区的用户规模、性能表现和成本优势上全面赶超，美国企业反而开始“抄中国作业”。
而Thinking Machines Lab的崛起，揭示了一个更残酷的规则：在AI产业里，“技术领先”和“商业成功”正在解耦。一个性能不如中国模型、定价更高的美国产品，仅仅因为“合规安全”这个标签，就能拿到120亿美元的估值。这不是技术逻辑的结果，而是地缘政治逻辑的结果。
对于中国企业来说，这是一个好消息也是一个坏消息。好消息是，中国AI的技术实力已经强大到美国需要“借鉴”了，这是前所未有的认可。坏消息是，美国正在用“合规”这堵墙，把中国模型挡在最有付费能力的市场之外。
对于投资者来说，Thinking Machines Lab的故事提供了一个清晰的信号：AI投资的下一个主线，正在从“谁的模型最强”转向“谁能让企业安全、合规地用上AI”。
而Thinking Machines Lab只是第一个。可以预见，未来12个月内，会有更多“美国制造、开源权重、企业定制”的AI公司涌现。它们的技术路线图，大概率还会继续抄DeepSeek的作业。但它们的估值，不会便宜。
当技术门槛被中国公司推平，合规壁垒就成了美国公司最贵的护城河。
快报