- Thinking Machines Lab이 공개 이후 약 1년 6개월 만인 2026년 7월 15일 첫 모델 Inkling을 오픈소스로 공개했다.
- Inkling은 9750억 파라미터 규모로 비디오와 오디오를 함께 이해하도록 학습된 멀티모달 모델이다.
- 회사는 만능 원스톱 폐쇄형 모델에 의존하지 않는 대안 전략을 내세우며 Anthropic, OpenAI 등 대형 폐쇄형 모델과 차별화를 시도하고 있다.
Inkling은 단순한 모델 출시를 넘어, AI 산업의 무게중심이 폐쇄형 거대언어모델에서 오픈 멀티모달로 이동할 수 있는지를 가늠하는 첫 번째 시험대다.
최근 AI 업계는 Anthropic, OpenAI 같은 폐쇄형 거대언어모델 중심의 수익 구조로 빠르게 재편되는 양상이다. 이러한 흐름 속에서 Thinking Machines Lab이 9750억 파라미터 규모의 오픈소스 멀티모달 모델 Inkling을 첫 공식 작품으로 내보낸 것은 업계의 무게중심을 흔들 수 있는 변수로 떠올랐다. 공개 1년 반 만의 첫 번째 결과물이라는 점에서 모델 자체보다 전략적 메시지에 무게가 실린다.
1. Thinking Machines Lab의 등장과 Inkling 발표 배경
Thinking Machines Lab은 공개 이후 약 1년 6개월 동안 별도의 모델을 내놓지 않고 내부적으로 AI 인프라를 구축해 온 것으로 보도됐다. 2026년 7월 15일 TechCrunch와 Wired가 보도한 바에 따르면, 이 회사가 공개한 첫 모델이 Inkling이다. 이는 단순한 기술 시연을 넘어 회사의 정체성과 시장 포지션을 함께 드러내는 행보로 해석된다.
1.1 공개 이후 1년 반 만의 첫 모델
1년 6개월이라는 기간은 신생 AI 연구 조직 입장에서 결코 짧지 않다. 그동안 회사는 외부 노출을 최소화하고 학습 인프라, 데이터 파이프라인, 안전성 평가 체계를 내부적으로 다져 온 것으로 보인다. 그 결과물로 등장한 것이 Inkling이며, 회사의 내부 역량이 어느 정도 성숙 단계에 진입했음을 보여주는 신호로 읽힌다.
1.2 오픈소스 전략의 차별화 의도
Thinking Machines Lab은 업계에서 만능 원스톱 거대 모델이 모든 작업에 적합하지는 않다는 인식을 내세우고 있다. 이러한 입장은 폐쇄형 모델의 성능 우위를 인정하면서도, 도메인별 특화나 비용 효율 측면에서 대안이 필요하다는 문제의식에서 출발한 것으로 분석된다. 오픈소스 공개는 이러한 철학을 외부에서 검증 가능하도록 만드는 수단이기도 하다.
2. Inkling의 기술적 특징
Inkling의 핵심은 규모와 멀티모달 학습 방식, 그리고 배포 형태라는 세 축에 있다. 기존 오픈소스 거대언어모델 대비 어떤 차별점을 제공하는지 항목별로 정리하면 다음과 같다.
| 구분 | Inkling 주요 사양 | 주목할 포인트 |
|---|---|---|
| 파라미터 규모 | 9750억 | 오픈소스 공개 모델 중 최대급 |
| 모달리티 | 텍스트, 비디오, 오디오 | 영상과 음성을 동시 이해하는 멀티모달 |
| 학습 목표 | 비디오와 오디오 결합 학습 | 자막 의존도를 낮추는 방향 |
| 배포 방식 | 오픈소스 공개 | 가중치와 학습 구조 일부 공개 |
| 경쟁 라인업 | Anthropic, OpenAI 대비 | 폐쇄형 거대 모델과 다른 포지션 |
2.1 9750억 파라미터 규모와 학습 구조
Wired 보도에 따르면 Inkling은 9750억 파라미터 규모다. 이는 현존하는 오픈소스 공개 모델 중에서도 상위권에 해당하는 수치로, 추론 및 미세조정 단계에서 상당한 연산 자원을 요구한다. Thinking Machines Lab이 이러한 규모를 선택한 배경에는 멀티모달 통합 학습에 필요한 표현 용량을 확보하려는 의도가 있는 것으로 해석된다.
2.2 비디오와 오디오를 함께 이해하는 멀티모달 학습
Inkling은 텍스트뿐 아니라 비디오와 오디오를 결합해 이해하도록 학습된 점이 특징이다. 기존 멀티모달 모델이 텍스트와 이미지를 중심으로 확장됐다면, Inkling은 음성, 환경음, 영상 프레임을 동시에 처리하는 방향으로 설계된 것으로 보인다. 이는 영상 콘텐츠 분석, 멀티미디어 검색, 접근성 기술 등 다양한 후속 응용領域으로 연결될 잠재력을 지닌다.
2.3 오픈 라이선스와 배포 방식
오픈소스 공개라는 점 자체가 Inkling의 가장 큰 차별 요소다. 폐쇄형 거대 모델이 API와 종량제 과금 중심으로 수익을 창출하는 것과 달리, Inkling은 가중치와 학습 절차를 일정 부분 공개해 연구자와 기업이 자체적으로 확장 및 배포를 시도할 수 있도록 했다. 다만 라이선스의 세부 조건에 따라 상용화 범위는 달라질 수 있어, 도입을 검토하는 기관 입장에서는 이용 약관을 면밀히 확인할 필요가 있다.
3. AI 업계 경쟁 구도에 미치는 영향
Inkling은 단순한 신규 모델이 아니라 업계의 경쟁 구조 자체에 영향을 줄 수 있는 변수로 작용할 가능성이 있다. 폐쇄형 모델 중심으로 굳어지던 흐름에 균열을 만들 수 있는지, 다음의 세 가지 관점에서 살펴볼 필요가 있다.
3.1 Anthropic, OpenAI 중심 폐쇄형 모델과의 대비
Anthropic의 Claude, OpenAI의 GPT 계열은 API 기반의 폐쇄형 서비스로 운영되며, 높은 성능과 안정성을 무기로 엔터프라이즈 시장을 빠르게 잠식해 왔다. 반면 Inkling은 오픈소스로 공개되어 자체 호스팅과 미세조정이 가능하다는 점에서 데이터 주권과 비용 통제 측면에서 대안을 제시한다. 단기적으로 성능 차이를 따라잡는 것은 어려울 수 있으나, 특정 업무에 특화된 최적화 영역에서는 경쟁력을 가질 수 있는 것으로 분석된다.
3.2 오픈소스 생태계 재편 가능성
9750억 파라미터급 모델이 오픈소스로 공개되면, 이를 기반으로 한 파생 모델, 도메인 특화 파인튜닝, 학계 벤치마크 등이 빠르게 쏟아질 가능성이 있다. 실제로 Llama 계열이 오픈소스 생태계를 확장해 온 것처럼, Inkling 역시 비디오와 오디오 결합 학습이라는 차별점을 축으로 새로운 연구 커뮤니티를 형성할 수 있을지 주목된다.
3.3 엔터프라이즈 도입과 인프라 부담
다만 대규모 모델을 자체 운영하기 위해서는 GPU 클러스터, 추론 최적화, MLOps 체계 등 높은 인프라 성숙도가 요구된다. 일반 기업이 즉시 활용하기에는 부담이 크기 때문에, 도입 초기에는 대형 클라우드 사업자나 전문 호스팅 서비스의 역할을 매개로 확산될 가능성이 높다. 엔터프라이즈 입장에서 Inkling은 비용과 통제권 사이의 새로운 선택지를 제공한다는 점에서 의미가 있다.
4. 향후 전망과 주시해야 할 변수
Inkling의 성공 여부는 모델 성능만이 아니라 생태계 활성화와 거버넌스, 상용화 속도에 따라 결정될 것으로 보인다. 단기적인 흥행을 넘어 지속 가능한 영향력을 확보하려면 다음 두 가지 변수를 주시할 필요가 있다.
4.1 상용화 속도와 커뮤니티 기여
오픈소스 모델은 커뮤니티의 기여가 곧 경쟁력이다. 미세조정 레시피, 추론 가속화 도구, 도메인별 어댑터 등이 얼마나 빠르게 공유되는지에 따라 Inkling 생태계의 확산 속도가 결정될 것이다. 초기 몇 개월간 공개된 파생 프로젝트와 기업 채택 사례가 향후 흐름을 가늠하는 중요한 지표가 될 것으로 보인다.
4.2 안전성 및 거버넌스 이슈
9750억 파라미터급 오픈 모델이 공개될 경우, 오용 가능성과 안전성 문제는 필연적으로 제기된다. Thinking Machines Lab이 모델 카드, 안전 가이드라인, 평가 결과 등을 어느 수준까지 공개하느냐가 향후 규제 기관과 기업 고객의 신뢰를 좌우할 것으로 분석된다. 오픈소스 정책과 책임 있는 공개 사이의 균형점을 어떻게 잡느냐가 핵심 과제로 남아 있다.
정리하면
- Thinking Machines Lab은 1년 6개월의 준비 끝에 9750억 파라미터 멀티모달 모델 Inkling을 오픈소스로 공개하며 업계에 복귀했다.
- 비디오와 오디오를 결합 학습한 점, 그리고 만능 원스톱 모델에 의존하지 않는다는 전략적 메시지가 Inkling의 핵심 차별점이다.
- 폐쇄형 거대 모델 중심의 경쟁 구도 속에서 오픈소스 생태계와 엔터프라이즈 시장에 미칠 실질적 영향은 향후 상용화 사례와 안전성 이슈를 통해 본격적으로 드러날 것으로 전망된다.
참고 자료: TechCrunch, Wired