做AI开源模型的公司往往面临一个尴尬：模型免费发布后，热度很高，但不知道怎么赚钱，团队很快烧光钱。Thinking Machines Lab的做法很聪明，它拿出一个975B参数、Apache-2.0许可证的开源模型Inkling，训练数据45万亿tokens，性能中规中矩，像一张灰色画布。另一边，Slate Auto卖一台$24,950的电动皮卡，连音响和车漆都不配，但用户愿意花更多钱买配件自己改装。两者底层逻辑一样：不靠基础产品赚钱，而是靠后续的定制服务收费。这直接击中了开源AI商业化难的痛点——用户想要免费的基础，也愿意为个性化付费，问题只在于你提供的“空白画布”是否够好够便宜。

解法其实很直白：先做一个足够通用、但没什么花哨功能的基础模型，免费开放给别人用，然后在这个基础上搭一个付费的定制平台Tinker。用户可以在Tinker上对Inkling做微调、部署、扩展，就像给皮卡加装绞盘或货箱。模型权重免费，但每次定制调用都收费。这不是捐模型，而是拿模型当获客工具。Slate Auto也一样，车卖低价，靠官方配件和改装服务赚钱。Thinking Machines Lab没有去堆参数追求SOTA，而是刻意让Inkling在各个领域都表现均衡，因为用户要的是“好改”，不是“最强”。这种策略下，开源不再是成本中心，而是变成一条能跑通的商业路径。

我的看法是，这种“空白画布”策略可能比单纯卖API或搞闭源订阅更适合AI基础设施的长期发展。它降低了尝试门槛——任何小团队都能拿Inkling跑起来，再根据自己的场景做定制，成本可控。同时，定制平台Tinker又保证了Thinking Machines Lab有持续收入，不用担心项目烂尾。对行业来说，这意味着未来会出现更多“基础模型+定制平台”的组合，AI从通用走向行业专用也会更快。另外，这个案例也说明一件事：在AI里做“够用”比做“最好”更聪明，因为真正有价值的是你帮客户解决了具体问题，而不是参数榜单上的排名。