一袋女王

大项目一线探访｜小小互感器，撬动十亿大产业_我的网站

一 |     打造智慧工厂实现降本增效小小互感器，撬动十亿大产业近日，记者在位于沧州市青县经济开发区的青县择明朗熙电子器件有限公司1号厂房看到，一条条银色带材从非晶重力制带机中疾速喷出，经过卷绕、热处理、喷涂、绕线、灌胶、组装等多道工序后，制成各种规格的互感器。“互感器是电力系统的重要组成部分，主要供测量仪表、计量装置、继电保护装置等使用。”公司总经理周恩勇介绍，今年1月，电子元器件生产项目一期正式投产，预计年产磁芯1000吨、互感器1亿只，年产值达3亿元。

二 | 到2030年，这一省重点项目全部投产后，年产值将突破10亿元。

三 |     OpenAI前首席技术官穆拉蒂，做出了一款中国模型的“贵替”。         Thinking Machines发布的首款模型Inkling，混合专家架构主要沿用DeepSeek-V3，后训练冷启动还使用了Kimi K2.5等开放模型生成的数据。作为一家高新技术企业，择明朗熙主要研发和生产纳米晶带材、纳米晶铁芯、电流电压互感器、霍尔电流电压传感器等产品。产品广泛应用于工控仪表、智能电表、新能源汽车充电桩等多个领域，销售市场已拓展至16个国家和地区。然而在多项基准评测中，Inkling落后于Kimi和GLM，调用价格反而更高。

四 |          对于一家融资20亿美元、估值120亿美元，团队中聚集了大量OpenAI前员工的明星公司来说，这个结果多少有些低于预期。         但穆拉蒂可能从一开始就没打算靠Inkling争夺第一。随着美国企业使用中国模型面临越来越多不确定性，一款性能尚可、支持定制、合规风险更低的本土开放模型，已经拥有自己的市场。“贵替”没有那么强，也不愁“市场”。过去，受限于场地狭小、设备不足，公司产能长期处于紧平衡状态，难以满足新能源、智能电网等领域快速增长的产品需求。

五 |          01          穆拉蒂的首款模型，就这？          当地时间7月15日，Thinking Machines Lab发布了成立以来的首款模型Inkling。2023年，公司开始筹备电子元器件生产项目，通过建设高标准厂房和立体仓库，以数字化、智能化重塑生产全链条，打造智慧工厂，力求扩大产能、提升产品品质。         单看配置，这款模型很符合一家明星AI实验室应有的排场。         Inkling采用混合专家架构，总参数量达到9750亿，每处理一个Token会激活410亿参数；预训练使用了45万亿个Token，数据涵盖文本、图像、音频和视频，最长支持100万个Token的上下文。它可以理解文字、图片和音频，再以文字形式输出结果，还支持通过调节“思考强度”，在性能、速度和成本之间进行取舍。         Inkling同时开放了模型权重，采用相当宽松的Apache 2.0许可证。开发者可以下载权重、自行部署，也可以通过Thinking Machines旗下的Tinker平台对模型进行微调。设备的智能化升级是项目的一大亮点。         公司给它的定位很明确：与其直接和ChatGPT争夺普通用户，Inkling更适合充当企业开发AI应用的底座。         不过，Inkling最引人注意的部分，藏在技术报告后半段。         Thinking Machines在介绍模型架构时直接写道，Inkling的混合专家设计“主要沿用了DeepSeek-V3”。全自动绕线机1000台、纳米晶自动卷绕机600台……穿梭在生产线的各个环节，周恩勇对各种智能设备如数家珍。“过去依赖人工操作，效率低、成本高。现在公司引进了先进设备，不仅大幅提高成品率，还实现了降本增效。它同样设置了大量专家模块，每个Token只调用其中一小部分，并采用了DeepSeek-V3的无辅助损失负载均衡等设计。          作者声明：该图片由AI生成          中国模型对Inkling的影响还延伸到了训练阶段。         Thinking Machines表示，为了启动后训练，公司先用开放权重模型生成的合成数据做了一轮监督微调，其中明确提到了月之暗面的Kimi K2.5。

六 |          整条技术路线已经足够清楚：一家由OpenAI前首席技术官创办的美国实验室，首款模型沿用了DeepSeek的架构，又借助Kimi生成的数据完成后训练起步。         借鉴开放模型本身没有问题。”周恩勇说。DeepSeek和Kimi公开权重并允许开发者使用，科学研究和工程开发原本就建立在公开成果的积累之上。来到一台视觉检测机前，记者看到，一名员工将一枚磁芯放入检测台，机器自动完成质量检测，并分拣出合格品和次品，又快又准。更尴尬的地方在于，Inkling吸收了中国模型的技术之后，性能依然没有压过这些“老师”。“这是我们自主研发的智能检测机，检测效率较传统人工检测提高了数倍。”周恩勇告诉记者，公司专门成立了设备研发部门，根据生产需求，自主研制智能设备，不断提高生产线的智慧化水平。         Thinking Machines对此也没有粉饰。

七 | 公司在发布文章中直接承认：“Inkling并非目前表现最强的模型，无论开放模型还是闭源模型。”          从Thinking Machines公布的结果看，          .在“人类最后的考试”纯文本评测中，Inkling得分29.7%，Kimi K2.6和GLM 5.2分别达到35.9%和40.1%；          .加入工具后，Inkling升至46%，依然低于Kimi K2.6的54%和GLM 5.2的54.7%。

八 | 除了升级设备，公司还积极引入多套数字化管理系统，力求实现生产全流程的无人化、智能化管控。在铁芯真空热处理车间里，10多台真空热处理炉高效运行。         .在考察真实软件工程能力的SWE-Bench Pro中，Inkling得分54.3%，Kimi K2.6为58.6%，GLM 5.2达到62.1%；          .Terminal Bench 2.1上的差距更加明显，Inkling只有63.8%，Kimi K2.6和GLM 5.2分别达到71.3%和82.7%。         当然，Inkling也有自己的长项。在中控室，一名员工正通过电脑上的横磁炉自动控制系统，远程监控炉内温度、气压等。它在网页应用设计、音频理解和安全性评测中表现不错，在部分数学任务上也能超过Kimi和DeepSeek。

九 |          只是从综合推理、编程和智能体能力来看，它目前很难被归入开放模型的第一梯队。

十 |          性能没有冲到最前面，价格同样没给出惊喜。

十一 | 周恩勇指着屏幕介绍，他们在系统上设定好工艺参数，炉子就能自动执行命令。一旦出现异常，系统自动发出预警，及时提醒工作人员到场干预。

十二 | 在周恩勇看来，提高产品核心竞争力是企业的立身之本。         在Tinker平台上，64K版本Inkling每100万Prefill Token收费1.87美元，每100万Sample Token收费4.68美元。前者可以粗略理解为输入成本，后者接近生成成本，而且这已经是“限时五折价”。256K版本的价格更高，分别达到3.74美元和9.36美元。

十三 |          作为对比，Kimi K2.6官方API每100万输入和输出Token分别收费0.95美元和4美元，GLM5.2分别为1.4美元和4.4美元。

十四 |          Tinker同时提供训练和采样服务，与普通模型API并非完全相同的计费口径。但按照上述价格粗略比较，Inkling的预填充价格接近Kimi K2.6的两倍，生成价格也高于Kimi K2.6和GLM5.2，暂时没有体现出价格优势。厂区内，一款刚出炉的纳米晶互感器格外吸睛。

十五 | 该产品由公司自主研发，小巧但功能齐全。据统计，这款产品月均销售量达150万只，处于行业领先地位。

十六 |          于是，Thinking Machines的首款模型呈现出一种有些微妙的局面：架构参考DeepSeek，后训练借力Kimi，综合性能没有超过中国头部开放模型，调用价格反而更贵。“多数生产互感器的厂家选择购买铁芯部件。         02          穆拉蒂的选择          考虑到穆拉蒂和Thinking Machines的背景，这样的选择便更加耐人寻味。         如果Inkling来自一家普通的AI创业公司，借鉴DeepSeek、借助Kimi训练，或许还没有这么耐人寻味。而我们选择自产铁芯，采用国内先进的铁芯生产工艺，打造从母合金冶炼、带材制作到互感器制造的全产业链条。偏偏它来自Thinking Machines——一家几乎可以称为“OpenAI校友会”的公司。”周恩勇表示。

十七 | 项目的稳步推进，不仅是企业技术迭代、产能提升的重要举措，更是当地持续优化营商环境的生动实践。         2025年2月，Thinking Machines正式亮相时，团队只有约30人，其中大约三分之二来自OpenAI，其余成员主要来自Meta和Mistral。从立项到开工，青县经济开发区组成服务专班，为项目提供了“一站式”全流程帮办代办和跟踪服务，将投产预期时间缩短了三分之二。

十八 |          创始团队一度包括OpenAI联合创始人John Schulman、OpenAI前研究副总裁Barret Zoph，以及Lilian Weng、Andrew Tulloch和Luke Metz等研究人员。“每个环节都有专人主动对接和上门服务，我们可以安心搞建设、搞研发。”周恩勇说。市场需求与营商环境的双重驱动，让公司对项目未来发展充满信心。“立足‘十五五’开局之年新起点，我们将继续坚持技术引领，加速产品迭代升级，深耕国内外市场，稳步提升产品竞争力和市场占有率，为加快推动新一代电子信息产业高质量发展注入新动能。         这些人分别参与过OpenAI的强化学习、后训练、预训练、安全和推理研究。路透社当时甚至直接形容，穆拉蒂从前东家挖走了至少20名研究人员。”周恩勇表示。         站在这群OpenAI校友中间的穆拉蒂，当然是最特殊的一个。         她于2018年加入OpenAI，先后参与DALL-E、Codex、ChatGPT和Sora等产品，2022年升任首席技术官，负责协调研究、模型训练、安全和产品落地。（日报记者 解楚楚）。          作者声明：该图片由AI生成          2023年11月，OpenAI董事会突然罢免Sam Altman后，穆拉蒂还曾短暂担任临时首席执行官。她的角色更接近技术和产品的总负责人，对OpenAI的模型研发流程和产品化路径有着完整了解。         换句话说，Thinking Machines从成立之初就不缺OpenAI经验。         穆拉蒂和她的团队知道一家顶级闭源实验室如何开发模型，也亲历了ChatGPT从研究成果变成全球产品的全过程。当这群人离开OpenAI，从零搭建自己的技术体系时，外界自然会期待他们拿出一条带有OpenAI印记的路线。         结果，Inkling最明确的技术来源却指向了中国。

十九 | 这很容易被理解成一个戏剧性的信号——最了解OpenAI的一群人离开OpenAI后，最终选择了中国模型的技术蓝图。

|          不过，这个结论还需要拆开来看。         OpenAI近年来的前沿模型全部采用闭源路线，外界拿不到模型权重，也不了解完整的架构、训练数据和后训练方案。

| 穆拉蒂即使熟悉OpenAI内部技术，也不能把前东家的商业机密直接搬进新公司。DeepSeek和Kimi则公开了权重或技术报告，架构、训练方法和工具链都可以合法研究和复用。         Inkling本身也是一款开放权重模型。对于一家想要建设开放模型生态的公司来说，从DeepSeek、Kimi等开放模型中吸收成熟方案，属于顺理成章的工程选择。         今天开发一款开放模型，完全避开中国团队已经公开的成果，反而要付出更高的试错成本。         因此，Inkling借鉴中国模型，并不能直接证明穆拉蒂认为DeepSeek的技术全面领先OpenAI。双方公开程度不同，可供借鉴的条件也完全不同。         但这件事依然释放了一个清晰的信号：至少在开放权重领域，中国模型已经成了美国AI团队的重要参考系。         所以，借鉴中国模型并不难解释。真正需要回答的问题是：Thinking Machines吸收了现成的架构和训练经验，为什么最终做出的Inkling性能更弱、价格更高？          穆拉蒂拥有顶尖团队、充足资金和英伟达最新的训练系统。她没有理由看不到Inkling与中国模型之间的性能和价格差距。         既然如此，“贵替”很可能就是一个经过计算的选择。         03          “一般般”，就够了          按照Thinking Machines获得的待遇，Inkling原本不该只是一款“够用”的模型。         2025年7月，公司尚未推出任何产品，就完成了20亿美元种子轮融资，估值达到120亿美元，投资方包括安德森·霍洛维茨、英伟达、AMD和简街等。四个月后，Thinking Machines又传出新一轮融资谈判，目标估值高达500亿美元，尽管交易最终没有官宣完成，外界已经将它视为OpenAI和Anthropic的潜在对手。         因此，当Inkling以一款性能不如中国模型、价格还更贵的产品亮相时，难免显得低于预期。         可从商业角度看，穆拉蒂可能从一开始就没打算用它争夺基准评测第一名。         Thinking Machines公司强调的是开放权重、多模态能力和可定制性，希望企业通过Tinker对它进行微调，把Inkling改造成客服、编程助手、行业智能体等专用模型。穆拉蒂押注的市场，对基准评测第一名没有那么执着。企业更在意模型能否私有部署、能否掌握数据、能否按照自己的业务继续训练。         此前，这类需求很大一部分被中国开放模型接住了。         美国的OpenAI和Anthropic长期坚持闭源，Meta的Llama 4表现不及预期后，也逐渐收缩开放路线。与此同时，DeepSeek、Kimi、Qwen和GLM持续开放权重，性能越来越接近美国闭源模型，价格却低得多。         美国企业很快用脚投了票。         根据OpenRouter向CNBC提供的数据，2026年2月以来，中国模型在美国企业经由该平台调用的Token中，每周占比都超过30%，最高一度达到46%。2025年上半年的平均占比还只有4.5%。         Cursor开发Composer 2时测试了多款基础模型，最终选择Kimi K2.5，理由也很直接——它在评测中表现最强。桥水基金则通过Tinker微调阿里的Qwen，得到的定制模型以更低成本超过了部分顶级闭源模型。         中国开放模型由此成了美国企业降低AI成本的一条捷径。只不过，这条路正在承压。         与此同时，美国对中国AI模型的监管氛围正在收紧。相关部门已经围绕数据安全、模型来源和供应链风险发出警告，部分使用中国模型的企业也受到调查。即便尚未形成统一限制，政策上的不确定性已经足以影响企业选择，尤其是涉及政府业务和敏感数据的公司。         这正是Inkling的市场空间。         它是一款美国公司开发、采用Apache 2.0许可证、支持私有部署和定制的开放权重模型。

| 美国企业选择它，不必担心使用中国模型引发的政治争议，也更容易通过政府客户和大型公司的合规审查。         Inkling真正的价值，来自这种合规确定性。         穆拉蒂显然看到了这个正在形成的空缺。          作者声明：该图片由AI生成          Thinking Machines吸收DeepSeek和Kimi的公开成果，再把它们转化成一款由美国公司提供的模型。Inkling不需要在所有基准评测中击败中国模型，只需要成为那些不敢继续使用中国模型的美国企业可以接受的选择。         这也解释了它为什么敢于更贵。政策替Inkling缩小了竞争范围，性能和价格上的差距便没那么致命。对于一些美国企业来说，一款稍弱、稍贵但风险较低的模型，已经足够。         从这个角度看，Inkling更能证明穆拉蒂懂得做生意。         不过，这套生意成立的代价，可能由美国企业承担。         美国之外的公司仍然可以自由选择GLM、Kimi和DeepSeek，在更强、更便宜的基础模型上开发产品；美国企业却可能被迫采用性能稍弱、价格更高的本土替代品。基础模型的能力差距会继续传递到微调后的产品中，最终形成结构性的竞争劣势。

|          华盛顿原本希望用限制保护美国AI公司，结果可能先替Inkling这样的“贵替”创造了市场。对穆拉蒂来说，“一般般”已经够了。对美国AI产业来说，这份“够用”则意味着成本的升高和竞争力的下降。

Current article:http://8hp.taokenlaichunlei.bond/list_z5ap2x/p24.html

Published on:15:09:29