ส่วนที่ 1: เศรษฐศาสตร์ของความฉลาด
เหตุใดอุตสาหกรรม AI กำลังจะปรับให้เหมาะสมกับความฉลาดต่อหนึ่งดอลลาร์ แทนที่จะเป็นความฉลาดเพียงอย่างเดียว
ผมเริ่มเชื่อมั่นมากขึ้นเรื่อยๆ ว่าอุตสาหกรรมปัญญาประดิษฐ์กำลังเข้าใกล้จุดเปลี่ยนทางเศรษฐกิจที่สำคัญที่สุดจุดหนึ่งนับตั้งแต่การเปิดตัว ChatGPT แต่นักลงทุนส่วนใหญ่ยังคงจดจ่ออยู่กับตัวแปรที่ถึงแม้จะมีความสำคัญในวันนี้ แต่อาจพิสูจน์ได้ว่ามีค่าน้อยกว่าที่ตลาดคาดการณ์ไว้ในระยะยาว การสนทนาหลักยังคงวนเวียนอยู่กับว่าบริษัทใดมีโมเดลที่ฉลาดที่สุด ห้องปฏิบัติการ前沿ใดครองอันดับบนเกณฑ์มาตรฐานล่าสุด โมเดล reasoning ใดทำคะแนนสูงสุดในการประเมินผลทางวิชาการที่คลุมเครือมากขึ้นเรื่อยๆ และบริษัท AI ใดที่แย่งชิงตำแหน่งผู้นำบนกระดานผู้นำที่เปลี่ยนแปลงตลอดเวลาของอุตสาหกรรม แม้การถกเถียงเหล่านั้นจะดึงดูดพาดหัวข่าวอย่างไม่ต้องสงสัย แต่ผมเชื่อว่ามันอาจเสี่ยงที่จะพลาดการเปลี่ยนแปลงทางเศรษฐกิจครั้งใหญ่ที่กำลังเกิดขึ้นอย่างเงียบๆ ใต้พื้นผิว เพราะตัวแปรที่กำหนดว่าผลกำไรจะกระจุกตัวอยู่ที่ใดในระบบนิเวศ AI นั้นไม่น่าจะเป็นความฉลาดเสียทีเดียว แต่เป็นปริมาณของความฉลาดที่ส่งมอบได้ในทุกๆ ดอลลาร์ที่ใช้จ่าย
บางทีวิธีที่ง่ายที่สุดในการทำความเข้าใจการเปลี่ยนแปลงนี้คือผ่านการเปรียบเทียบที่ผุดขึ้นในใจผมซ้ำแล้วซ้ำเล่าเมื่อนึกถึงการนำ AI ไปใช้ในองค์กร เมื่อบริษัทต้องการคนมาทำบัญชี จัดทำงบการเงิน หรือประมวลผลใบแจ้งหนี้ มันจะไม่จ้างคนที่จบปริญญาเอกสาขาคณิตศาสตร์บริสุทธิ์ ไม่ใช่เพราะบุคคลนั้นขาดความสามารถในการทำงาน แต่เพราะพวกเขามีความสามารถมากเกินกว่าที่งานจะคุ้มค่าทางเศรษฐกิจ มูลค่าที่เกิดจากการทำบัญชีที่ถูกต้องนั้นมีขีดจำกัดโดยพื้นฐาน เมื่อบัญชีถูกต้องแล้ว การใช้ความฉลาดที่มากกว่านั้นแทบไม่ได้ให้ประโยชน์เพิ่มเติม ไม่ว่าความฉลาดนั้นจะยอดเยี่ยมเพียงใดก็ตาม องค์กรที่มีเหตุผลจึงปรับให้เหมาะสมกับเศรษฐศาสตร์มากกว่าความสามารถ โดยจ้างคนที่ถูกที่สุดที่สามารถทำงานได้ตามมาตรฐานคุณภาพที่ต้องการอย่างสม่ำเสมอ ขณะเดียวกันก็ใช้ทรัพยากรทางปัญญาที่หายากไปกับปัญหาที่ความฉลาดเพิ่มเติมสร้างมูลค่าเพิ่มได้จริง
อย่างไรก็ตาม เศรษฐศาสตร์จะเปลี่ยนไปโดยสิ้นเชิงเมื่อปัญหานั้นเปลี่ยนไป หากเป้าหมายคือการค้นพบวิธีการรักษาโรคอัลไซเมอร์ที่ก้าวล้ำ พัฒนาสถาปัตยกรรมเซมิคอนดักเตอร์ที่ปฏิวัติวงการ หรือแก้ปัญหาทางวิทยาศาสตร์ที่ยากที่สุดข้อหนึ่งที่มนุษยชาติกำลังเผชิญ ทันใดนั้นต้นทุนของการจ้างนักวิจัยที่ฉลาดที่สุดในโลกก็แทบจะไม่มีความสำคัญเมื่อเทียบกับมูลค่าทางเศรษฐกิจที่อาจเกิดขึ้นจากความสำเร็จ ความก้าวหน้าเพียงครั้งเดียวอาจสร้างมูลค่าได้หลายสิบหรือหลายร้อยพันล้านดอลลาร์ ทำให้เงินเดือนของนักวิทยาศาสตร์ชั้นนำจำนวนหนึ่งแทบจะไม่มีนัยสำคัญในภาพรวมทางเศรษฐกิจของโครงการ ในสถานการณ์เหล่านี้ ความฉลาดกลายเป็นทรัพยากรที่หายาก และการเพิ่มความสามารถสูงสุดแทนที่จะลดต้นทุนให้ต่ำที่สุดกลายเป็นการตัดสินใจทางเศรษฐกิจที่สมเหตุสมผล
ผมเชื่อว่าปัญญาประดิษฐ์กำลังเข้าใกล้จุดแยกนี้พอดี ในช่วงสองปีที่ผ่านมา องค์กรต่างๆ ได้ใช้โมเดลระดับแนวหน้าสำหรับงานแทบทุกประเภทที่จินตนาการได้ ไม่ว่าจะเป็นการสรุปอีเมล การดึงข้อมูลจากใบแจ้งหนี้ การจัดหมวดหมู่ตั๋วสนับสนุนลูกค้า การแปลเอกสาร การร่างบันทึกการประชุม การสร้างโค้ดซอฟต์แวร์ทั่วไป หรือการค้นหาฐานความรู้ภายใน สาเหตุหลักมาจากอุตสาหกรรมเพิ่งข้ามเกณฑ์ที่โมเดลภาษาขนาดใหญ่มีประโยชน์อย่างกว้างขวางสำหรับงานด้านความรู้ เมื่อเทคโนโลยีเริ่มใช้งานได้ในเชิงพาณิชย์ องค์กรต่างๆ ก็จะหันไปหาโซลูชันที่มีประสิทธิภาพสูงสุดที่มีอยู่โดยธรรมชาติ เพราะพวกเขายังคงพยายามหาคำตอบสำหรับคำถามพื้นฐานที่มากกว่านั้น นั่นคือเทคโนโลยีใช้งานได้จริงหรือไม่ และการปรับต้นทุนให้เหมาะสมยังคงเป็นเรื่องรองในขณะที่ธุรกิจต่างๆ กำลังตรวจสอบความสามารถ
อย่างไรก็ตาม พฤติกรรมนั้นไม่น่าจะเป็นจุดสมดุลที่มั่นคง เพราะโปรแกรมนำร่องจะกลายเป็นระบบการผลิตในที่สุด และเศรษฐศาสตร์ของการผลิตก็จะครอบงำเศรษฐศาสตร์ของเทคโนโลยีในที่สุด เราเริ่มสังเกตเห็นการเปลี่ยนแปลงนั้นเกิดขึ้นในการปรับใช้ AI ในองค์กรแล้ว เนื่องจากองค์กรต่างๆ ค้นพบว่าความท้าทายไม่ได้อยู่ที่การพิจารณาว่า AI สร้างมูลค่าหรือไม่ แต่อยู่ที่การพิจารณาว่ามันสร้างมูลค่าเพียงพอเมื่อเทียบกับต้นทุนที่เพิ่มขึ้นอย่างรวดเร็วที่เกี่ยวข้องกับการปรับใช้ในวงกว้างหรือไม่ เมื่อแผนกการเงินเริ่มตรวจสอบงบประมาณ AI ด้วยวินัยเดียวกันกับที่ใช้กับการลงทุนด้านเทคโนโลยีองค์กรอื่นๆ กระบวนการปรับให้เหมาะสมจะเปลี่ยนจากการเพิ่มความฉลาดสูงสุดไปสู่การเพิ่มความฉลาดต่อหนึ่งดอลลาร์ที่ใช้จ่ายสูงสุดโดยอัตโนมัติ
ความเร็วที่น่าทึ่งที่ต้นทุนการอนุมาน (inference costs) ยังคงลดลงอย่างต่อเนื่องมีแต่จะเร่งการเปลี่ยนแปลงนั้นให้เร็วขึ้น ดัชนี AI ของ Stanford ประมาณการว่าต้นทุนในการส่งมอบประสิทธิภาพระดับ GPT-3.5 ลดลงมากกว่า 280 เท่าระหว่างปลายปี 2022 ถึงปลายปี 2024 ในขณะที่ Andreessen Horowitz สรุปว่าการรักษาระดับความสามารถของโมเดลให้คงที่นั้นมีราคาถูกลงประมาณสิบเท่าทุกปี และ Epoch AI ก็ได้ข้อสรุปที่คล้ายคลึงกันในเกณฑ์มาตรฐานการให้เหตุผลหลายรายการ ซึ่งบ่งชี้ว่าความสามารถที่เรียกเก็บราคาพรีเมียมในวันนี้จะกลายเป็นสินค้าทั่วไปในวันพรุ่งนี้อย่างรวดเร็ว แม้แต่ Sarah Friar ประธานเจ้าหน้าที่ฝ่ายการเงินของ OpenAI เพิ่งสังเกตว่าต้นทุนการอนุมานระหว่าง GPT-4 และโมเดลรุ่นล่าสุดของบริษัทลดลงประมาณ 97% ภายในเวลาเพียงสองปี ซึ่งแสดงให้เห็นถึงพลวัตภาวะเงินฝืดที่พิเศษสุดของอุตสาหกรรม แม้ว่าแต่ละองค์กรจะวัดแนวโน้มเหล่านี้แตกต่างกันบ้าง แต่ทั้งหมดก็มาบรรจบกันที่ข้อสรุปพื้นฐานเดียวกัน นั่นคือความฉลาดกำลังมีราคาถูกลงอย่างมากในอัตราที่แทบไม่เคยพบเห็นที่อื่นในเทคโนโลยีสมัยใหม่
ในเวลาเดียวกันที่ต้นทุนการอนุมานยังคงลดลง องค์กรต่างๆ ก็เริ่มพบกับความท้าทายที่แตกต่างไปโดยสิ้นเชิง ซึ่งท้ายที่สุดอาจพิสูจน์ได้ว่าสำคัญยิ่งกว่า บริษัทต่างๆ กำลังค้นพบมากขึ้นเรื่อยๆ ว่างบประมาณ AI ที่พวกเขาคาดว่าจะใช้ได้ตลอดทั้งปีงบประมาณนั้นหมดลงภายในเวลาไม่กี่เดือน เนื่องจากการใช้งานขยายตัวเร็วกว่าที่คาดการณ์ไว้มาก Sam Altman เพิ่งกล่าวว่าลูกค้าองค์กรบอก OpenAI มากขึ้นเรื่อยๆ ว่าพวกเขาใช้จ่ายด้าน AI ที่วางแผนไว้ทั้งปีหมดไปภายในไตรมาสแรก และตอนนี้กำลังขอไม่ใช่โมเดลที่ฉลาดกว่า แต่ขอโมเดลที่มีประสิทธิภาพมากกว่า ข้อสังเกตนั้นไม่ควรมองข้ามเป็นเพียงเรื่องเล่า เพราะมันเป็นสัญญาณว่า AI ได้เข้าสู่ขั้นตอนการ商业化ที่แตกต่างไปโดยพื้นฐาน องค์กรต่างๆ สรุปแล้วว่าปัญญาประดิษฐ์ใช้งานได้จริง ความสนใจของพวกเขากำลังเปลี่ยนไปสู่การทำให้แน่ใจว่ามันทำงานได้ในเชิงเศรษฐกิจ
วิวัฒนาการทางเทคโนโลยีที่เกิดขึ้นเบื้องล่างยิ่งตอกย้ำข้อสรุปเดียวกัน ในช่วงปีแรกๆ ของการปฏิวัติโมเดลภาษาขนาดใหญ่ ผู้มีส่วนร่วมในอุตสาหกรรมส่วนใหญ่สันนิษฐานว่าโมเดลที่ดีกว่านั้นต้องการพารามิเตอร์ที่มากขึ้น สถาปัตยกรรมที่ใหญ่ขึ้น และพลังการคำนวณที่เพิ่มขึ้นแบบทวีคูณ อย่างไรก็ตาม ห้องปฏิบัติการ前沿กำลังค้นพบมากขึ้นเรื่อยๆ ว่าโมเดลขนาดเล็กที่ได้รับการฝึกฝนอย่างระมัดระวัง ซึ่งปรับปรุงด้วยชุดข้อมูลที่ดีขึ้น เทคนิคการให้เหตุผลที่ดีขึ้น ข้อมูลการฝึกสังเคราะห์ และวิธีการกลั่น (distillation) ที่ซับซ้อน สามารถเข้าใกล้ประสิทธิภาพของระบบที่ใหญ่กว่ามากได้ ในขณะที่ต้องการต้นทุนการอนุมานเพียงเศษเสี้ยว Meta ได้แสดงให้เห็นถึงปรัชญานี้ภายในองค์กรแล้ว โดยใช้โมเดล前沿ที่ใหญ่ที่สุดเป็นหลักในการเป็นครู ในขณะที่ปรับใช้โมเดลกลั่นที่มีขนาดเล็กกว่ามากทั่วทั้งโครงสร้างพื้นฐานด้านโฆษณาและคำแนะนำ ดังนั้นจึงสงวนความฉลาดสูงสุดไว้สำหรับการเรียนรู้ ในขณะที่ปรับการผลิตให้เหมาะสมกับเศรษฐศาสตร์มากกว่าคะแนนเกณฑ์มาตรฐาน
ผลที่ตามมาคือปัญญาประดิษฐ์เริ่มมีลักษณะคล้ายตลาดแรงงานมนุษย์มากขึ้นเรื่อยๆ แทนที่จะเป็นการแข่งขันทางวิทยาศาสตร์ ไม่มีองค์กรที่มีเหตุผลใดที่จัดบุคลากรทุกตำแหน่งด้วยผู้ชนะรางวัลโนเบล เช่นเดียวกับที่ไม่มีองค์กรใดจะส่งคำขออนุมานทุกครั้งไปยังโมเดล前沿ที่มีราคาแพงที่สุดในโลกในที่สุด งานที่เกี่ยวข้องกับการวิจัยทางวิทยาศาสตร์前沿 คณิตศาสตร์ขั้นสูง วิศวกรรมที่ซับซ้อน การใช้เหตุผลอัตโนมัติ หรือการค้นพบทางเภสัชกรรม เกือบจะแน่นอนว่าจะยังคงพึ่งพาระบบ AI ที่มีความสามารถมากที่สุด เพราะ upside ทางเศรษฐกิจยังคงไม่มีขีดจำกัด อย่างไรก็ตาม ภาระงานขององค์กรส่วนใหญ่เกี่ยวข้องกับการจำแนกเอกสาร การสนับสนุนลูกค้า ระบบอัตโนมัติของเวิร์กโฟลว์ การสกัดข้อมูล การบำรุงรักษาซอฟต์แวร์ การตรวจสอบการปฏิบัติตามข้อกำหนด การค้นหาองค์กร การตรวจสอบสัญญา และงานอื่นๆ นับไม่ถ้วน ซึ่งความน่าเชื่อถือ ความสม่ำเสมอ การกำกับดูแล และเศรษฐศาสตร์มีความสำคัญมากกว่าการบีบอีกหนึ่งหรือสองเปอร์เซ็นต์จากกระดานผู้นำเกณฑ์มาตรฐาน
นี่คือเหตุผลที่ผมเชื่อว่าอุตสาหกรรม AI อาจกำลังเข้าใกล้ช่วงเวลาสไตล์ Linux ของตัวเอง โมเดลน้ำหนักเปิด (open-weight) เช่น Llama, DeepSeek, Qwen, GLM, Kimi และอื่นๆ ไม่จำเป็นต้องเหนือกว่าโมเดล前沿ที่เป็นกรรมสิทธิ์ทุกรุ่นในทุกเกณฑ์มาตรฐานเพื่อปรับเปลี่ยนเศรษฐศาสตร์ของอุตสาหกรรมโดยพื้นฐาน พวกมันเพียงแค่ต้องมีความสามารถเพียงพอสำหรับภาระงานขององค์กรส่วนใหญ่ เพราะเมื่อข้ามเกณฑ์นั้นไปแล้ว การตัดสินใจซื้อจะขับเคลื่อนโดยผลตอบแทนจากการลงทุนมากขึ้นเรื่อยๆ แทนที่จะเป็นความสามารถดิบ CIO ขององค์กรไม่เคยเลือกโครงสร้างพื้นฐานที่สำคัญเพียงเพราะมันอยู่ในอันดับหนึ่งบนเกณฑ์มาตรฐาน พวกเขาปรับให้เหมาะสมกับความปลอดภัย การกำกับดูแล ความน่าเชื่อถือ การปฏิบัติตามข้อกำหนด การบูรณาการ การสนับสนุนจากผู้ขาย ความเรียบง่ายในการดำเนินงาน และต้นทุนรวมในการเป็นเจ้าของ ปัญญาประดิษฐ์ก็ไม่น่าจะแตกต่างกัน
หากมุมมองนั้นถูกต้อง เมตริกที่กำหนดของอุตสาหกรรม AI จะค่อยๆ เปลี่ยนจากความฉลาดไปสู่ความฉลาดต่อหนึ่งดอลลาร์ ในขณะที่โมเดล前沿จะกระจุกตัวมากขึ้นเรื่อยๆ กับปัญหาที่มูลค่าทางเศรษฐกิจสมเหตุสมผลที่จะจ่ายสำหรับความสามารถระดับสูงสุดจริงๆ ความแตกต่างนั้นเป็นรากฐานของวิทยานิพนธ์การลงทุนที่ตามมา เพราะเมื่อความฉลาดมีมากขึ้นเรื่อยๆ นักลงทุนควรเริ่มถามคำถามที่แตกต่างออกไป แทนที่จะถกเถียงกันว่าใครสร้างโมเดลที่ฉลาดที่สุด เราควรถามมากขึ้นเรื่อยๆ ว่าใครจะเก็บเกี่ยวมูลค่าทางเศรษฐกิจเมื่อความฉลาดมีราคาถูกพอที่จะฝังอยู่ในทุกเวิร์กโฟลว์ทั่วทั้งเศรษฐกิจโลก นั่นคือจุดที่เรื่องราวการลงทุนใน AI ในระยะต่อไปเริ่มต้นขึ้นอย่างแท้จริง ในมุมมองของเรา
ส่วนที่ 2: การย้ายถิ่นฐานของมูลค่าครั้งใหญ่
เหตุใดเจ้าของโครงสร้างพื้นฐานการคำนวณที่ติดตั้งแล้วอาจเก็บเกี่ยวมูลค่าได้มากกว่าผู้ขายโครงสร้างพื้นฐานการคำนวณใหม่
หากข้อโต้แย้งหลักของส่วนแรกถูกต้อง นั่นคือปัญญาประดิษฐ์กำลังพัฒนาอย่างต่อเนื่องไปสู่การเพิ่มความฉลาดต่อหนึ่งดอลลาร์สูงสุด แทนที่จะเป็นความฉลาดเพียงอย่างเดียว คำถามธรรมชาติสำหรับนักลงทุนก็คือมูลค่าทางเศรษฐกิจจะย้ายไปอยู่ที่ใดในที่สุดเมื่อการเปลี่ยนแปลงนั้นคลี่คลาย คำตอบของตลาดในวันนี้ดูตรงไปตรงมาอย่างน่าทึ่ง ซื้อบริษัทที่ขายอุปกรณ์ (picks and shovels) ซื้อ Nvidia, Broadcom, นักออกแบบ ASIC, ผู้ขายระบบเครือข่าย, ผู้ผลิตหน่วยความจำ และใครก็ตามที่ขายฮาร์ดแวร์ที่จำเป็นในการสร้างโครงสร้างพื้นฐาน AI รุ่นต่อไป กลยุทธ์นั้นเป็นกลยุทธ์ที่ถูกต้องอย่างไม่ต้องสงสัยในช่วงหลายปีที่ผ่านมา เนื่องจากผู้ให้บริการคลาวด์รายใหญ่ (hyperscalers) ได้เริ่มต้นหนึ่งในวงจรการใช้จ่ายด้านทุนที่ใหญ่ที่สุดในประวัติศาสตร์ของเทคโนโลยี โดยใช้จ่ายหลายแสนล้านดอลลาร์ไปกับ GPU, อุปกรณ์เครือข่าย, โครงสร้างพื้นฐานด้านพลังงาน, ระบบทำความเย็น และแคมปัส AI ใหม่ทั้งหมดที่ออกแบบมาเพื่อรองรับสิ่งที่ทุกคนคาดหวังว่าจะกลายเป็นการระเบิดของความต้องการอนุมาน AI
แต่ผมเชื่อมากขึ้นเรื่อยๆ ว่าตลาดกำลังถามคำถามผิด นักลงทุนยังคงจดจ่ออยู่เกือบทั้งหมดกับว่าใครจะขาย GPU ตัวต่อไป ในขณะที่คำถามที่สำคัญกว่าอาจกลายเป็นว่าใครจะเป็นเจ้าของ GPU ตัวสุดท้าย ความแตกต่างนั้นอาจดูเล็กน้อยในวันนี้ แต่มันเปลี่ยนเศรษฐศาสตร์ของระบบนิเวศ AI ทั้งหมดโดยพื้นฐาน เพราะมันเปลี่ยนความสนใจจากการขายฮาร์ดแวร์ครั้งเดียวไปสู่กระแสเงินสดที่เกิดขึ้นประจำจากโครงสร้างพื้นฐานที่ปรับใช้แล้ว ซึ่งส่วนใหญ่จะยังคงประมวลผลภาระงาน AI ต่อไปอีกหลายปีหลังจากที่ใช้จ่ายด้านทุนเริ่มแรกไปแล้ว
จากมุมมองของเรา มีเพียงสองสถานการณ์กว้างๆ ที่อุตสาหกรรมสามารถพัฒนาไปได้ในอีกไม่กี่ปีข้างหน้า และสิ่งที่ทำให้การถกเถียงเรื่องการลงทุนนี้น่าสนใจเป็นพิเศษคือ ผลลัพธ์ทั้งสองอย่างดูจะเอื้ออำนวยต่อผู้ให้บริการคลาวด์รายใหญ่มากกว่าราคาตลาดในปัจจุบันจะบ่งชี้
ความเป็นไปได้แรกคือ โมเดล AI จะยังคงมีประสิทธิภาพมากขึ้นอย่างมากผ่านการผสมผสานของสถาปัตยกรรมที่ดีขึ้น การกลั่น (distillation), quantization, speculative decoding, อัลกอริธึมการกำหนดเส้นทาง (routing algorithms), การเพิ่มประสิทธิภาพคอมไพเลอร์ และเทคนิคการอนุมานที่ซับซ้อนมากขึ้นเรื่อยๆ ทำให้ผู้ให้บริการคลาวด์สามารถดึงงานที่มีประโยชน์จากฮาร์ดแวร์ที่พวกเขาเป็นเจ้าของอยู่แล้วได้มากขึ้น แทนที่จะต้องใช้เงินลงทุนอีก 100,000 ล้านดอลลาร์ต่อปีเพียงเพื่อรักษาความสามารถในการแข่งขัน คลัสเตอร์ GPU ที่มีอยู่จะค่อยๆ มีประสิทธิภาพมากขึ้นในแต่ละรุ่นของโมเดล ทำให้ผู้ให้บริการคลาวด์รายใหญ่สามารถรองรับภาระงานอนุมานที่ใหญ่ขึ้นแบบทวีคูณได้โดยไม่ต้องจับคู่การเติบโตนั้นแบบดอลลาร์ต่อดอลลาร์ผ่านการซื้อฮาร์ดแวร์ใหม่ ในโลกนี้ โครงสร้างพื้นฐาน AI ที่อยู่ภายใน Microsoft Azure, Amazon AWS และ Google Cloud อยู่แล้วจะมีค่ามากกว่าที่นักลงทุนชื่นชมในปัจจุบันมาก เพราะความก้าวหน้าของซอฟต์แวร์ทุกครั้งจะขยายผลผลิตทางเศรษฐกิจของฮาร์ดแวร์ที่ปรับใช้ก่อนหน้านี้อย่างมีประสิทธิภาพ
หากสถานการณ์นั้นเกิดขึ้นจริง ผลกระทบต่อเศรษฐศาสตร์ของคลาวด์จะน่าดึงดูดเป็นพิเศษ การใช้จ่ายด้านทุนจะเริ่มคงที่โดยธรรมชาติ ค่าเสื่อมราคาจะค่อยๆ ลดลงเมื่อการลงทุนก่อนหน้านี้เติบโตเต็มที่ ในขณะที่รายได้ยังคงเพิ่มขึ้นแบบทบต้นเนื่องจากการบริโภคโทเค็นขององค์กรยังคงขยายตัว ผลลัพธ์คือกระแสเงินสดอิสระ (free cash flow) จะเพิ่มขึ้นอย่างรวดเร็วเมื่อผู้ให้บริการคลาวด์รายใหญ่เปลี่ยนจากธุรกิจที่ดูดซับเงินทุนจำนวนมหาศาลไปเป็นธุรกิจที่สร้างรายได้จากโครงสร้างพื้นฐานที่อยู่ในงบดุลของพวกเขาแล้วมากขึ้นเรื่อยๆ สิ่งที่ตลาดมองว่าเป็นหนึ่งในค่าใช้จ่ายที่ใหญ่ที่สุดในเทคโนโลยีในปัจจุบัน อาจพิสูจน์ได้ว่าเป็นหนึ่งในฐานสินทรัพย์ที่มีประสิทธิผลที่ใหญ่ที่สุดเท่าที่เคยประกอบขึ้นมา ซึ่งสร้างผลตอบแทนที่น่าดึงดูดใจมานานหลังจากที่นักลงทุนเลิกกังวลเกี่ยวกับการลงทุนเริ่มแรกที่จำเป็นในการสร้างมันขึ้นมา
สถานการณ์ทางเลือกนั้น ในหลายแง่มุม ก็ยิ่งสร้างสรรค์มากกว่า นี่คือสถานการณ์ Jevons Paradox ซึ่งการปรับปรุงประสิทธิภาพไม่ได้ลดความต้องการ แต่กลับเร่งความต้องการให้เร็วขึ้น เพราะต้นทุนที่ต่ำลงทำให้แอปพลิเคชันใหม่ทั้งหมดมีความเป็นไปได้ทางเศรษฐกิจ เมื่อการอนุมานมีราคาถูกลงอย่างมาก บริษัทต่างๆ จะหยุดจำกัดการใช้ AI และเริ่มฝังความฉลาดลงในทุกเวิร์กโฟลว์ทั่วทั้งองค์กร เอเจนต์จะทำงานอย่างต่อเนื่องแทนที่จะเป็นครั้งคราว ซอฟต์แวร์จะเรียกใช้โมเดลโดยอัตโนมัติมากขึ้นเรื่อยๆ แทนที่จะรอให้มนุษย์เริ่มต้นคำขอ ผู้ช่วยเขียนโค้ดจะประเมินงานของตัวเองซ้ำๆ ก่อนที่จะสร้างคำตอบสุดท้าย ระบบสนับสนุนลูกค้าจะปรึกษาโมเดลหลายตัวพร้อมกัน และซอฟต์แวร์องค์กรจะเริ่มปฏิบัติต่อการอนุมานในฐานะสาธารณูปโภคที่เปิดตลอดเวลา แทนที่จะเป็นฟีเจอร์พรีเมียมที่มีราคาแพง โทเค็นแต่ละตัวจะถูกลง แต่จำนวนโทเค็นทั้งหมดที่ประมวลผลจะขยายตัวแบบทวีคูณ เพราะธุรกิจค้นพบกรณีการใช้งานใหม่ๆ นับพันที่ก่อนหน้านี้ไม่คุ้มค่าทางเศรษฐกิจในทันที
ประวัติศาสตร์ชี้ให้เห็นว่านี่คือวิธีที่ความก้าวหน้าทางเทคโนโลยีมักจะคลี่คลาย เมื่อพื้นที่จัดเก็บมีราคาถูกลงอย่างมาก มนุษยชาติไม่ได้จัดเก็บข้อมูลในปริมาณเท่าเดิมด้วยเงินที่น้อยลง เราจัดเก็บข้อมูลมากขึ้นอย่างมหาศาล เมื่อแบนด์วิดท์มีราคาถูกลงอย่างมาก เราไม่ได้เพียงแค่ลดค่าใช้จ่ายอินเทอร์เน็ต เราเปลี่ยนเว็บไซต์ที่ใช้ข้อความเป็นแพลตฟอร์มวิดีโอสตรีมมิ่ง เมื่อคลาวด์คอมพิวติ้งลดต้นทุนในการปรับใช้โครงสร้างพื้นฐานซอฟต์แวร์ ธุรกิจต่างๆ ไม่ได้ซื้อเซิร์ฟเวอร์น้อยลง พวกเขาสร้างซอฟต์แวร์ประเภทใหม่ทั้งหมดที่ไม่เคยมีอยู่ภายใต้เศรษฐศาสตร์ของการประมวลผลภายในองค์กร ปัญญาประดิษฐ์ดูเหมือนว่าจะเป็นไปตามวิถีเดียวกันทุกประการ ซึ่งต้นทุนการอนุมานที่ลดลงจะเร่งความต้องการให้เพียงพอที่จะเอาชนะการลดลงของรายได้ที่เกิดจากโทเค็นแต่ละตัว
คุณลักษณะที่น่าทึ่งของสองสถานการณ์นี้คือ ทั้งสองอย่างดูสร้างสรรค์อย่างมากสำหรับเจ้าของโครงสร้างพื้นฐานคลาวด์ หากประสิทธิภาพของโมเดลดีขึ้นเร็วกว่าความต้องการ การใช้จ่ายด้านทุนของผู้ให้บริการคลาวด์รายใหญ่จะชะลอตัวลง ในขณะที่กระแสเงินสดอิสระจะเร่งตัวขึ้น หากความต้องการเติบโตเร็วกว่าประสิทธิภาพ ผู้ให้บริการคลาวด์รายใหญ่จะยังคงขยายโครงสร้างพื้นฐานต่อไป ในขณะเดียวกันก็สร้างรายได้จากบริการ AI ที่ทำงานบนฮาร์ดแวร์ที่มีประสิทธิภาพมากขึ้นเรื่อยๆ ในทั้งสองสถานการณ์ เราไม่ได้มาถึงผลลัพธ์ที่ดูเป็นลบต่อแพลตฟอร์มคลาวด์เองในเชิงโครงสร้าง แต่การถกเถียงจะกลายเป็นเรื่องของผู้รับผลประโยชน์สัมพัทธ์ แทนที่จะเป็นผู้ชนะและผู้แพ้ที่แน่นอน
นี่คือเหตุผลที่ผมเชื่อว่าตลาดยังคงเข้าใจผิดว่าการใช้จ่ายด้านทุนของผู้ให้บริการคลาวด์รายใหญ่นั้นหมายถึงอะไรจริงๆ นักลงทุนจำนวนมากยังคงปฏิบัติต่อการใช้จ่ายด้านโครงสร้างพื้นฐาน AI ราวกับว่ามันเป็นเพียงค่าใช้จ่ายในการดำเนินงานอีกอย่างหนึ่งที่กดดันความสามารถในการทำกำไรในระยะสั้น ในขณะที่ในความเป็นจริง มันมีลักษณะคล้ายกับการก่อตัวของทุนที่มีประสิทธิผลมากขึ้นเรื่อยๆ ตลอดประวัติศาสตร์เศรษฐกิจ การลงทุนในโครงสร้างพื้นฐานที่เปลี่ยนแปลงโลกมักจะดูไม่น่าสนใจทางการเงินในช่วงการก่อสร้าง เพราะมันใช้เงินทุนจำนวนมหาศาลก่อนที่จะสร้างกระแสเงินสดที่มีความหมาย ทางรถไฟ โครงข่ายไฟฟ้า เครือข่ายโทรคมนาคม สายเคเบิลใยแก้วนำแสง และคลาวด์คอมพิวติ้ง ล้วนเป็นไปตามรูปแบบเดียวกันทุกประการ การลงทุนล่วงหน้าดูมากเกินไปจนกว่าอัตราการใช้งานจะถึงระดับที่ leverage ในการดำเนินงานท่วมท้น ซึ่ง ณ จุดนั้น สินทรัพย์เดียวกันนั้นก็เริ่มสร้างผลตอบแทนจากเงินลงทุนที่พิเศษ
ดังนั้น การถกเถียงไม่ควรหมุนรอบว่าผู้ให้บริการคลาวด์รายใหญ่ใช้จ่ายมากเกินไปกับโครงสร้างพื้นฐาน AI หรือไม่ คำถามที่สำคัญกว่าคือ สินทรัพย์เหล่านั้นจะผลิตผลผลิตทางเศรษฐกิจเพียงพอที่จะพิสูจน์การลงทุนได้ในที่สุดหรือไม่ และหลักฐานก็ชี้ให้เห็นว่าคำตอบคือใช่ อย่างไรก็ตาม ตลาดดูเหมือนจะกำหนดราคาจุดกึ่งกลางที่ค่อนข้างแปลก ซึ่งบริษัทเซมิคอนดักเตอร์ยังคงได้รับประโยชน์จากสมมติฐานที่ว่าการใช้จ่ายด้านทุนยังคงสูงอย่างไม่มีกำหนด ในขณะที่ผู้ให้บริการคลาวด์รายใหญ่ซื้อขายกันราวกับว่าการใช้จ่ายเดียวกันนั้นกดดันผลตอบแทนจากเงินทุนอย่างถาวร ผมพบว่าการรวมกันนั้นยากขึ้นเรื่อยๆ ที่จะประนีประนอม เพราะไม่ว่าโครงสร้างพื้นฐาน AI จะมีประสิทธิผลมากขึ้นอย่างมากเมื่อเวลาผ่านไป ทำให้กระแสเงินสดอิสระเพิ่มขึ้นอย่างรวดเร็ว หรือความต้องการ AI จะเติบโตเร็วพอที่จะพิสูจน์การลงทุนอย่างต่อเนื่อง ไม่มีผลลัพธ์ใดที่ดูเป็นขาลงโดยพื้นฐานสำหรับผู้ให้บริการคลาวด์
บางทีการพัฒนาที่สำคัญที่สุดที่สนับสนุนวิทยานิพนธ์นี้คือ การอนุมานเองก็มีลักษณะคล้ายสาธารณูปโภคมากขึ้นเรื่อยๆ แทนที่จะเป็นผลิตภัณฑ์เทคโนโลยีพรีเมียม ไฟฟ้าเป็นตัวอย่างที่มีประโยชน์ เพราะผู้บริโภคแทบไม่รู้ หรือไม่สนใจเป็นพิเศษว่าโรงไฟฟ้าใดผลิตไฟฟ้าที่มาถึงบ้านของพวกเขา พวกเขาแค่คาดหวังให้ไฟฟ้ามาถึงอย่างน่าเชื่อถือ ปลอดภัย และด้วยต้นทุนต่ำที่สุดเท่าที่จะเป็นไปได้ ปัญญาประดิษฐ์ดูเหมือนจะกำลังพัฒนาไปสู่สมดุลเดียวกันทุกประการ องค์กรจำนวนน้อยมากที่สนใจในท้ายที่สุดว่าการจำแนกเอกสารประจำวันนั้นดำเนินการโดย GPT-7, Claude 8, DeepSeek, Llama, Qwen หรือโมเดลน้ำหนักเปิดอื่นๆ พวกเขาสนใจว่าคำตอบนั้นตรงตามเกณฑ์คุณภาพที่ต้องการ บูรณาการเข้ากับเวิร์กโฟลว์ที่มีอยู่ได้อย่างราบรื่น ปฏิบัติตามข้อกำหนดด้านความปลอดภัยและกฎระเบียบ และทำได้ด้วยต้นทุนรวมต่ำที่สุดเท่าที่จะเป็นไปได้ เมื่อการอนุมานเริ่มมีลักษณะคล้ายสาธารณูปโภคแทนที่จะเป็นบริการหรูหรา เศรษฐศาสตร์ของอุตสาหกรรมก็จะเปลี่ยนจากการให้รางวัลแก่ความฉลาดเองไปสู่การให้รางวัลแก่โครงสร้างพื้นฐานที่รับผิดชอบในการส่งมอบความฉลาดนั้นในวงกว้างโดยธรรมชาติ
การเปรียบเทียบอีกอย่างหนึ่งอาจเหมาะสมยิ่งกว่า ห้องปฏิบัติการ AI 前沿มีลักษณะคล้ายสายการบินมากขึ้นเรื่อยๆ ในขณะที่ผู้ให้บริการคลาวด์รายใหญ่มีลักษณะคล้ายสนามบินมากขึ้นเรื่อยๆ สายการบินแข่งขันกันอย่างดุเดือดในด้านคุณภาพการบริการ ประสบการณ์ลูกค้า เครือข่ายเส้นทาง การปรับปรุงฝูงบินให้ทันสมัย และประสิทธิภาพในการดำเนินงาน แต่พวกเขาก็เผชิญกับแรงกดดันอย่างต่อเนื่องให้ปรับปรุง เพราะข้อเสนอพรีเมียมของเมื่อวานกลายเป็นมาตรฐานอุตสาหกรรมของวันนี้อย่างรวดเร็ว สนามบินดำเนินงานภายใต้รูปแบบเศรษฐกิจที่แตกต่างไปโดยสิ้นเชิง เพราะพวกเขาได้รับประโยชน์ไม่ว่าสายการบินใดจะชนะส่วนแบ่งการตลาดในที่สุด เครื่องบินทุกลำยังคงลงจอด ผู้โดยสารทุกคนยังคงเดินผ่านอาคารผู้โดยสาร สายการบินทุกลำยังคงจ่ายค่าธรรมเนียมการลงจอด และเที่ยวบินเพิ่มเติมทุกเที่ยวบินก็เพิ่มการใช้งานโครงสร้างพื้นฐานที่มีอยู่แล้วเท่านั้น
ตรรกะทางเศรษฐกิจเดียวกันนี้อาจใช้กับปัญญาประดิษฐ์มากขึ้นเรื่อยๆ OpenAI, Anthropic, Google DeepMind, xAI, Meta, DeepSeek และห้องปฏิบัติการ前沿ในอนาคตจะยังคงแข่งขันกันอย่างดุเดือดเพื่อสร้างโมเดลที่ฉลาดที่สุดในโลกอย่างไม่ต้องสงสัย โดยที่ความเป็นผู้นำด้านเกณฑ์มาตรฐานจะเปลี่ยนมือหลายครั้งในทศวรรษหน้า อย่างไรก็ตาม การอนุมานขององค์กรทุกครั้งยังคงทำงานภายในศูนย์ข้อมูลของใครบางคน ใช้ GPU ของใครบางคน ใช้โครงสร้างพื้นฐานเครือข่ายของใครบางคน และท้ายที่สุดก็ขึ้นอยู่กับแพลตฟอร์มคลาวด์ของใครบางคน สายการบินแข่งขันกันอย่างดุเดือดเพื่อผู้โดยสาร สนามบินเก็บค่าเช่าอย่างเงียบๆ ไม่ว่าสายการบินใดจะชนะ
ความแตกต่างนี้ยิ่งมีพลังมากขึ้นเมื่อการแข่งขันของโมเดลทวีความรุนแรงขึ้น โมเดลน้ำหนักเปิดยังคงพัฒนาต่อไป โมเดลที่เป็นกรรมสิทธิ์สามารถใช้แทนกันได้มากขึ้นสำหรับภาระงานขององค์กรทั่วไป และแรงกดดันด้านราคาก็ค่อยๆ เกิดขึ้นที่เลเยอร์โมเดล เมื่อลูกค้าปรับให้เหมาะสมกับความฉลาดต่อหนึ่งดอลลาร์แทนที่จะเป็นความสามารถที่แท้จริง อย่างไรก็ตาม โทเค็นทุกตัวยังคงใช้ทรัพยากรการคำนวณ การอนุมานทุกครั้งยังคงเดินทางผ่านโครงสร้างพื้นฐานคลาวด์ และภาระงานขององค์กรทุกครั้งยังคงขึ้นอยู่กับทรัพยากรการคำนวณที่ปลอดภัย ปรับขนาดได้ และกระจายไปทั่วโลก เศรษฐศาสตร์ต่อโทเค็นอาจถูกบีบอัดที่เลเยอร์โมเดล แต่อัตรากำไรของโครงสร้างพื้นฐานยังคงยืดหยุ่นอย่างน่าทึ่ง เพราะการดำเนินการทางกายภาพของการให้บริการอนุมานยังคงดำเนินต่อไปไม่ว่าโมเดลใดจะทำการคำนวณในที่สุด
ในมุมมองของเรา นี่แสดงถึงหนึ่งในการย้ายถิ่นฐานของมูลค่าทางเศรษฐกิจที่ใหญ่ที่สุดที่กำลังเกิดขึ้นภายในปัญญาประดิษฐ์ มูลค่าไม่ได้หายไป มันแค่เปลี่ยนเจ้าของ แทนที่จะกระจุกตัวอยู่ภายในบริษัทที่สร้างโมเดล前沿เป็นหลัก สัดส่วนที่เพิ่มขึ้นของมูลค่านั้นจะย้ายไปยังแพลตฟอร์มที่จัดระเบียบคำขอ AI นับล้านล้านครั้งทุกวัน เมื่อความฉลาดมีมากขึ้นเรื่อยๆ และความสามารถของโมเดลยังคงมาบรรจบกัน ผู้ชนะในระยะยาวอาจไม่จำเป็นต้องเป็นผู้ผลิตโมเดลที่ฉลาดที่สุด แต่เป็นผู้ที่เป็นเจ้าของโครงสร้างพื้นฐานที่ความฉลาดของโลกไหลผ่าน หากระยะแรกของการปฏิวัติ AI ให้รางวัลแก่ผู้สร้างความฉลาด ระยะที่สองอาจให้รางวัลแก่ผู้กระจายความฉลาดมากขึ้นเรื่อยๆ นั่นคือจุดที่โอกาสในการลงทุนที่แท้จริงเริ่มปรากฏขึ้น ในมุมมองของเรา
ส่วนที่ 3: เลเยอร์การจัดระเบียบ (Orchestration Layer)
เหตุใดบริษัทที่เป็นเจ้าของเลเยอร์การกำหนดเส้นทาง (routing layer) อาจเป็นเจ้าของ AI ระดับองค์กรในท้ายที่สุด
หากเฟสแรกของการปฏิวัติ AI ถูกกำหนดโดยการสร้างโมเดลที่ชาญฉลาดที่สุด และเฟสที่สองโดยการดึงมูลค่าทางเศรษฐกิจจากโครงสร้างพื้นฐานที่ติดตั้งไว้แล้ว ฉันเชื่อว่าเฟสที่สามจะหมุนรอบสิ่งที่ดูหรูหราน้อยกว่ามาก แต่อาจมีคุณค่ามากกว่ามาก นั่นคือ การจัดประสานงาน (orchestration) กล่าวอีกนัยหนึ่ง คำถามจะค่อยๆ เปลี่ยนจาก "ใครสร้างโมเดลที่ฉลาดที่สุด" ไปเป็น "ใครเป็นคนตัดสินว่าโมเดลใดควรทำงานแต่ละอย่าง" เพราะเมื่อองค์กรต่างๆ เริ่มปรับใช้ AI ในระดับการผลิต (production scale) แทนที่จะเป็นระดับนำร่อง (pilot scale) การจัดการความชาญฉลาดจะมีความสำคัญมากกว่าการเข้าถึงมันเพียงอย่างเดียว
หนึ่งในความเข้าใจผิดที่ใหญ่ที่สุดเกี่ยวกับ AI ในองค์กรในปัจจุบันคือสมมติฐานที่ว่าองค์กรต่างๆ จะลงเอยด้วยการใช้โมเดลชั้นนำเพียงตัวเดียวสำหรับทุกภาระงานที่คิดได้ สิ่งนี้อาจดูสมเหตุสมผลในขณะที่ความสามารถของโมเดลชั้นนำยังคงมีความแตกต่างอย่างมีนัยสำคัญ แต่ประวัติศาสตร์ชี้ให้เห็นว่าเทคโนโลยีในองค์กรแทบไม่เคยพัฒนาไปในทิศทางนั้น บริษัทต่างๆ ไม่ได้ซื้อฐานข้อมูลเพียงตัวเดียว ภาษาโปรแกรมเพียงภาษาเดียว ผลิตภัณฑ์ความปลอดภัยทางไซเบอร์เพียงตัวเดียว หรือบริการคลาวด์เพียงบริการเดียว เพียงเพราะมันอยู่ในอันดับสูงสุดในการวัดประสิทธิภาพ แต่พวกเขาสร้างสแต็กเทคโนโลยีที่ปรับให้เหมาะสมกับต้นทุน ความน่าเชื่อถือ การกำกับดูแล ประสิทธิภาพ และข้อกำหนดทางธุรกิจ โดยใช้เครื่องมือต่างๆ เพื่อทำหน้าที่ต่างๆ ขึ้นอยู่กับเศรษฐศาสตร์ของแต่ละภาระงาน
ปัญญาประดิษฐ์มีแนวโน้มที่จะพัฒนาในลักษณะเดียวกันทุกประการ ภาระงานการอนุมาน (inference) ในองค์กรส่วนใหญ่ไม่ต้องการความชาญฉลาดระดับแนวหน้า การจำแนกเอกสาร การแยกข้อมูลสัญญา การประมวลผลใบแจ้งหนี้ การสนับสนุนลูกค้า การทดสอบซอฟต์แวร์ การค้นหาในองค์กร การสรุปการประชุม การแปล การตรวจสอบการปฏิบัติตามข้อกำหนด และกระบวนการทางธุรกิจประจำอื่นๆ อีกนับไม่ถ้วน เพียงแค่ต้องการโมเดลที่สามารถผ่านเกณฑ์คุณภาพที่กำหนดได้อย่างสม่ำเสมอด้วยต้นทุนที่ต่ำที่สุดเท่าที่จะเป็นไปได้ งานที่ต้องใช้การให้เหตุผลที่ซับซ้อนมากขึ้น การวางแผนเชิงกลยุทธ์ การวิจัยทางวิทยาศาสตร์ วิศวกรรมซอฟต์แวร์ขั้นสูง และเวิร์กโฟลว์แบบอัตโนมัติ (autonomous agentic workflows) อาจยังคงพึ่งพาระบบชั้นนำที่มีความสามารถมากที่สุด แต่สิ่งเหล่านี้คิดเป็นสัดส่วนที่ค่อนข้างน้อยของการใช้โทเค็น (token consumption) โดยรวมขององค์กร ผลลัพธ์ก็คือ องค์กรต่างๆ จะเริ่มกำหนดเส้นทางภาระงานแบบไดนามิกมากขึ้น โดยมอบหมายงานที่ง่ายกว่าให้กับโมเดลที่เล็กกว่าและถูกกว่า ในขณะที่ส่งต่องานที่ต้องการมากที่สุดไปยังระบบชั้นนำ ซึ่งความชาญฉลาดที่เพิ่มขึ้นนั้นสร้างมูลค่าทางเศรษฐกิจที่เพิ่มขึ้นอย่างแท้จริง
การเปลี่ยนแปลงนี้เปลี่ยนแปลงโดยพื้นฐานว่ามูลค่าขององค์กรอยู่ที่ใด เมื่อการกำหนดเส้นทาง (routing) กลายเป็นรูปแบบการปรับใช้ที่โดดเด่น โมเดล AI แต่ละตัวจะค่อยๆ กลายเป็นส่วนประกอบที่สามารถทดแทนกันได้ ซึ่งอยู่เบื้องหลังแพลตฟอร์มการจัดประสานงานที่ใหญ่กว่ามาก องค์กรต่างๆ จะหยุดซื้อความชาญฉลาดโดยตรง และหันมาซื้อระบบที่สามารถตัดสินใจได้ว่าควรใช้ความชาญฉลาดใดในช่วงเวลาใดเวลาหนึ่ง แทนที่จะขอให้พนักงานเลือกใช้ระหว่าง GPT, Claude, Gemini, Llama, DeepSeek, Qwen, GLM, Kimi หรือโมเดลในอนาคต ชั้นการจัดประสานงานจะตัดสินใจนั้นโดยอัตโนมัติอย่างเงียบๆ โดยพิจารณาจากความหน่วง (latency) ต้นทุน ความแม่นยำ ข้อกำหนดการกำกับดูแล นโยบายความปลอดภัย ข้อจำกัดด้านกฎระเบียบ ความชอบของลูกค้า และความซับซ้อนของภาระงาน ผลลัพธ์ที่น่าทึ่งคือ โมเดลจะค่อยๆ เคลื่อนไปอยู่เบื้องหลัง ในขณะที่แพลตฟอร์มการจัดประสานงานกลายเป็นความสัมพันธ์หลักกับลูกค้า
สิ่งนี้ทำให้ฉันนึกถึงการเปลี่ยนแปลงทางเทคโนโลยีที่สำคัญอีกอย่างหนึ่ง เป็นเวลาหลายปีที่นักลงทุนเชื่อว่าระบบปฏิบัติการเป็นศูนย์กลางทางเศรษฐกิจของการประมวลผลในองค์กร เนื่องจากทุกแอปพลิเคชันต้องพึ่งพาพวกมันในที่สุด Linux ได้เปลี่ยนแปลงสมมติฐานนั้นโดยพื้นฐาน ทำให้ระบบปฏิบัติการมีความอุดมสมบูรณ์มากขึ้น ในขณะเดียวกันก็เปลี่ยนมูลค่าไปยังโครงสร้างพื้นฐานคลาวด์ ซอฟต์แวร์องค์กร ความปลอดภัยทางไซเบอร์ บริการที่มีการจัดการ และแอปพลิเคชันระดับสูงที่สร้างขึ้นบนนั้น ระบบปฏิบัติการไม่เคยหายไป มันแค่มีความสำคัญทางเศรษฐกิจน้อยลงเมื่อเทียบกับระบบนิเวศโดยรอบ
ฉันเชื่อว่าโมเดล AI แบบโอเพนเวท (open-weight) มีศักยภาพที่จะสร้างผลลัพธ์ที่คล้ายคลึงกันอย่างน่าทึ่ง DeepSeek, Qwen, Llama, GLM, Kimi, MiniMax และโมเดลโอเพนเวทอื่นๆ อีกมากมายกำลังพัฒนาอย่างต่อเนื่องในอัตราที่นักลงทุนเพียงไม่กี่รายชื่นชมอย่างเต็มที่ ที่สำคัญ พวกเขาไม่จำเป็นต้องเหนือกว่าโมเดลชั้นนำที่เป็นกรรมสิทธิ์ทุกตัวในการวัดประสิทธิภาพทุกครั้งเพื่อปรับเปลี่ยนเศรษฐกิจของอุตสาหกรรม พวกเขาเพียงแค่ต้องมีความสามารถเพียงพอสำหรับภาระงานในองค์กรประมาณแปดสิบเปอร์เซ็นต์ เพราะเมื่อถึงเกณฑ์นั้น การตัดสินใจซื้อจะถูกขับเคลื่อนโดยเศรษฐศาสตร์เป็นหลัก ไม่ใช่การจัดอันดับบนลีดเดอร์บอร์ด โมเดลจะคล้ายกับ Linux มากขึ้นเรื่อยๆ: มีให้ใช้ฟรี มีความสามารถสูง ได้รับการปรับปรุงอย่างต่อเนื่อง และท้ายที่สุดก็มีคุณค่า ไม่ใช่เพราะมันเก็บค่าเช่าทางเศรษฐกิจได้เอง แต่เป็นเพราะมันช่วยให้ระบบนิเวศใหม่ทั้งหมดเกิดขึ้นรอบๆ ตัวมัน
นี่คือเหตุผลที่ฉันเชื่อมากขึ้นเรื่อยๆ ว่าอุตสาหกรรม AI กำลังเข้าใกล้ช่วงเวลาสำคัญแบบ Linux ของตัวเอง โมเดลโอเพนเวททำให้ความชาญฉลาดกลายเป็นสินค้าโภคภัณฑ์ (commoditize) การจัดประสานงานทำให้มันสร้างรายได้ (monetize) ความแตกต่างนี้มีความสำคัญอย่างยิ่ง เพราะมันเปลี่ยนแปลงโดยพื้นฐานว่าคูเมือง (moats) ทางการแข่งขันของอุตสาหกรรมอยู่ที่ใด
ทุกวันนี้ การอภิปรายส่วนใหญ่มุ่งเน้นไปที่ความเป็นผู้นำในการวัดประสิทธิภาพ จำนวนพารามิเตอร์ คะแนนการให้เหตุผล และการประเมินทางวิทยาศาสตร์ ตัวชี้วัดเหล่านั้นมีความสำคัญอย่างไม่ต้องสงสัยในระดับแนวหน้า แต่พวกมันมีความสำคัญน้อยกว่ามากภายในคณะกรรมการจัดซื้อของบริษัท Fortune 500 ซีไอโอขององค์กรแทบจะไม่ซื้อเทคโนโลยีเพราะมันเป็นอันดับต้นๆ ในลีดเดอร์บอร์ดทางวิชาการ พวกเขาซื้อเทคโนโลยี因为它สามารถผสานรวมเข้ากับระบบระบุตัวตนที่มีอยู่ได้อย่างราบรื่น ตอบสนองข้อกำหนดการกำกับดูแล ปฏิบัติตามมาตรฐานด้านกฎระเบียบ มีร่องรอยการตรวจสอบ (audit trails) รองรับนโยบายความปลอดภัย ให้ข้อตกลงระดับบริการ (SLA) ที่คาดเดาได้ ทำให้การจัดซื้อง่ายขึ้น ลดความซับซ้อนในการดำเนินงาน และลดต้นทุนการเป็นเจ้าของทั้งหมด (TCO) ในทางปฏิบัติ ความน่าเชื่อถือมักจะเอาชนะความเหนือกว่าในทางทฤษฎีได้เสมอเมื่อเทคโนโลยีเติบโตเต็มที่
ความแตกต่างนี้อาจพิสูจน์ได้ว่ามีความสำคัญอย่างมากสำหรับนักลงทุน การชนะการวัดประสิทธิภาพอีกครั้งสร้างพาดหัวข่าว การชนะการตัดสินใจจัดซื้อสร้างรายได้ประจำ ชั้นการจัดประสานงานตั้งอยู่ในจุดที่การตัดสินใจจัดซื้อเหล่านั้นเกิดขึ้น
Amazon Bedrock แสดงให้เห็นถึงการเปลี่ยนแปลงนี้ได้ดีเป็นพิเศษ แม้ว่านักลงทุนจำนวนมากจะยังคงมองว่า Bedrock เป็นตลาดกลาง (marketplace) ที่ลูกค้าสามารถเข้าถึง Claude หรือโมเดลชั้นนำอื่นๆ เป็นหลัก แต่แพลตฟอร์มได้พัฒนาไปสู่สิ่งที่สำคัญกว่ามาก Bedrock ทำหน้าที่เป็นระบบปฏิบัติการขององค์กรสำหรับปัญญาประดิษฐ์มากขึ้นเรื่อยๆ ช่วยให้องค์กรต่างๆ สามารถเข้าถึงโมเดลที่แตกต่างกันมากกว่าร้อยแบบจากผู้ให้บริการจำนวนมาก ในขณะเดียวกันก็กำหนดเส้นทางภาระงานไปยังโมเดลที่ตอบสนองการผสมผสานระหว่างต้นทุน ความหน่วง ความสามารถ และการกำกับดูแลที่ต้องการได้ดีที่สุดโดยอัตโนมัติ Intelligent Prompt Routing, AgentCore, การจัดการหน่วยความจำ, การสังเกตการณ์ (observability), ความปลอดภัย, การรวมระบบระบุตัวตน, ระบบอัตโนมัติของเบราว์เซอร์, การเรียกใช้เครื่องมือ (tool calling) และการตรวจสอบการผลิต ล้วนเปลี่ยน Bedrock ให้เป็นมากกว่าแค่ปลายทาง API อีกแห่งหนึ่ง มันกลายเป็นชั้นการตัดสินใจที่ควบคุม AI ขององค์กรเอง
Microsoft Azure AI Foundry ดำเนินตามปรัชญาที่เกือบจะเหมือนกัน แทนที่จะกำหนดให้ลูกค้าต้องผูกมัดกับห้องปฏิบัติการชั้นนำเพียงแห่งเดียว Foundry อนุญาตให้องค์กรต่างๆ จัดประสานงานระบบนิเวศ AI ที่มีความหลากหลายมากขึ้น ในขณะที่ฝังเวิร์กโฟลว์เหล่านั้นไว้ภายในสถาปัตยกรรมความปลอดภัย กรอบการปฏิบัติตามข้อกำหนด เครื่องมือสำหรับนักพัฒนา และสแต็กซอฟต์แวร์องค์กรที่มีอยู่ของ Azure โดยตรง Google Vertex AI ดำเนินตามวัตถุประสงค์ที่คล้ายคลึงกัน แม้ว่าจะเน้นที่ Gemini มากกว่าโดยธรรมชาติ โดยไม่คำนึงถึงกลยุทธ์การดำเนินงานของแต่ละราย ผู้ให้บริการคลาวด์รายใหญ่ทั้งสามรายดูเหมือนจะกำลังมุ่งสู่จุดหมายปลายทางเดียวกัน นั่นคือการเป็นระบบปฏิบัติการที่ใช้จัดประสานงานภาระงาน AI ขององค์กร แทนที่จะเป็นเพียงการจัดหาโครงสร้างพื้นฐานที่ใช้ดำเนินการ การเปลี่ยนแปลงนี้ยังสร้างต้นทุนในการเปลี่ยนผู้ให้บริการ (switching costs) ซึ่งฉันเชื่อว่าตลาดประเมินต่ำเกินไปอย่างมีนัยสำคัญ
ทุกวันนี้ นักลงทุนมักพูดถึงต้นทุนในการเปลี่ยนผู้ให้บริการราวกับว่ามันอยู่ที่ชั้นโมเดลเป็นหลัก โดยถามว่าองค์กรต่างๆ จะยังคงภักดีต่อ OpenAI, Anthropic, Google หรือห้องปฏิบัติการชั้นนำอื่นๆ หรือไม่ ฉันเชื่อมากขึ้นเรื่อยๆ ว่าสิ่งที่ตรงกันข้ามอาจพิสูจน์ได้ว่าเป็นจริง เมื่อองค์กรต่างๆ เริ่มสร้างไปป์ไลน์การดึงข้อมูล (retrieval pipelines) โมเดลที่ปรับแต่งอย่างละเอียด (fine-tuned models) กรอบการประเมินผล สถาปัตยกรรมหน่วยความจำ นโยบายความปลอดภัย การควบคุมการปฏิบัติตามข้อกำหนด แดชบอร์ดการสังเกตการณ์ การรวมระบบระบุตัวตน และเวิร์กโฟลว์เอเจนต์อัตโนมัติภายใน Azure AI Foundry, AWS Bedrock หรือ Google Vertex การเปลี่ยนโมเดลพื้นฐานจะกลายเป็นเรื่องที่ค่อนข้างตรงไปตรงมา ในขณะที่การย้ายแพลตฟอร์มการจัดประสานงานนั้นยากกว่าอย่างมาก โมเดลจะค่อยๆ กลายเป็นสิ่งที่สามารถเปลี่ยนได้ ชั้นการจัดประสานงานจะฝังลึกอยู่ในการดำเนินงานขององค์กร
ผู้อ่านคนหนึ่งของฉันเพิ่งตั้งข้อสังเกตที่จับภาพการเปลี่ยนแปลงนี้ได้อย่างสมบูรณ์แบบ โดยแนะนำว่า เมื่อเวลาผ่านไป สายรัด (harness) การจัดประสานงานอาจมีคุณค่าเทียบเท่ากับตัวโมเดลเอง เพราะท้ายที่สุดแล้วมันจะควบคุมว่าความชาญฉลาดถูกนำไปใช้ทั่วทั้งองค์กรอย่างไร ฉันเชื่อว่าข้อมูลเชิงลึกนั้นสมควรได้รับความสนใจมากกว่าที่เป็นอยู่ในปัจจุบัน คูเมืองทางการแข่งขันกำลังเปลี่ยนจาก "การครอบครองโมเดลที่ฉลาดที่สุด" ไปสู่ "การเป็นเจ้าของเวิร์กโฟลว์ที่ใช้เข้าถึงทุกโมเดล"
นัยยะอีกประการหนึ่งตามมาจากกรอบความคิดนี้โดยธรรมชาติ นักลงทุนหลายคนสันนิษฐานว่าโมเดลที่ถูกกว่าย่อมลดความต้องการในการประมวลผลอย่างหลีกเลี่ยงไม่ได้ เนื่องจากการอนุมานแต่ละครั้งใช้ทรัพยากรน้อยลง ฉันเชื่อว่าสิ่งที่ตรงกันข้ามมีแนวโน้มมากกว่ามาก การกำหนดเส้นทางไม่ได้ลดการอนุมาน มันขยายมัน เมื่อองค์กรต่างๆ ตระหนักว่าพวกเขาสามารถแก้ไขงานประจำได้ด้วยต้นทุนเพียงเศษเสี้ยวของวันนี้ พวกเขาจะหยุดจำกัดการใช้ AI โดยสิ้นเชิง เอเจนต์จะเริ่มทำงานอย่างต่อเนื่องแทนที่จะเป็นช่วงๆ โมเดลจะตรวจสอบผลลัพธ์ของตัวเองซ้ำๆ ปรึกษาห่วงโซ่การให้เหตุผลหลายๆ ห่วง ดึงบริบทหน้าต่างที่ใหญ่ขึ้น ประเมินคำตอบที่แข่งขันกัน และดำเนินเวิร์กโฟลว์อัตโนมัติที่ซับซ้อนมากขึ้นเรื่อยๆ โทเค็นแต่ละตัวจะถูกลงอย่างมาก แต่ปริมาณการใช้โทเค็นทั้งหมดจะเร่งตัวขึ้น เพราะความชาญฉลาดจะมีความเป็นไปได้ทางเศรษฐกิจสำหรับการใช้งานที่หลากหลายมากขึ้นเรื่อยๆ
นี่คือ Jevons Paradox ที่แสดงออกผ่านซอฟต์แวร์องค์กร ประสิทธิภาพไม่ได้ลดความต้องการ ประสิทธิภาพสร้างความต้องการใหม่ทั้งหมด ทุกเวิร์กโฟลว์เพิ่มเติม ไม่ว่าโมเดลใดจะทำการอนุมานในที่สุด ก็ยังคงต้องผ่าน Microsoft Azure, Amazon AWS หรือ Google Cloud ทุกคำขอที่ถูกกำหนดเส้นทางยังคงใช้ความจุเครือข่าย พื้นที่จัดเก็บ GPU หน่วยความจำ บริการรักษาความปลอดภัย โครงสร้างพื้นฐานการบันทึก ระบบการปฏิบัติตามข้อกำหนด เครื่องมือตรวจสอบ และซอฟต์แวร์การจัดประสานงาน แพลตฟอร์มคลาวด์จะเก็บมูลค่าไว้ ไม่ว่าลูกค้าจะเลือกใช้ GPT, Claude, Gemini, Llama, DeepSeek หรือโมเดลโอเพนเวทอื่นๆ ในท้ายที่สุดก็ตาม
ในหลายๆ ด้าน นี่คือเหตุผลที่ฉันเชื่อว่าชั้นการจัดประสานงานอาจกลายเป็นหนึ่งในตำแหน่งที่มีค่าที่สุดในสแต็ก AI ทั้งหมด ห้องปฏิบัติการชั้นนำจะยังคงแข่งขันกันอย่างดุเดือดเพื่อความเป็นผู้นำในการวัดประสิทธิภาพอย่างไม่ต้องสงสัย เพราะความชาญฉลาดยังคงจำเป็นสำหรับการแก้ปัญหาที่ยากที่สุดของมนุษยชาติ อย่างไรก็ตาม ในขณะที่ปัญญาประดิษฐ์ขยายตัวจากเทคโนโลยีเฉพาะกลุ่มไปสู่ระบบปฏิบัติการของเศรษฐกิจโลก องค์กรต่างๆ จะสนใจน้อยลงว่าโมเดลใดเป็นผู้สร้างคำตอบ และสนใจมากขึ้นว่าระบบทั้งหมดยังคงปลอดภัย เชื่อถือได้ ปฏิบัติตามข้อกำหนด มีประสิทธิภาพด้านต้นทุน และผสานรวมเข้ากับกระบวนการทางธุรกิจที่มีอยู่ได้อย่างราบรื่นหรือไม่
ประวัติศาสตร์แสดงให้เห็นซ้ำแล้วซ้ำเล่าว่า เมื่อเทคโนโลยีเติบโตเต็มที่ มูลค่าจะย้ายออกจากสิ่งประดิษฐ์นั้นๆ และไปสู่โครงสร้างพื้นฐานที่ประสานงานการนำไปใช้ในวงกว้าง ปัญญาประดิษฐ์ดูเหมือนจะมีแนวโน้มที่จะเดินตามเส้นทางเดียวกันทุกประการ บริษัทที่ควบคุม AI ขององค์กรในท้ายที่สุดอาจไม่จำเป็นต้องเป็นบริษัทที่ผลิตโมเดลที่ฉลาดที่สุด แต่เป็นบริษัทที่จัดประสานงานการตัดสินใจหลายพันล้านครั้งทุกวันอย่างเงียบๆ ในขณะที่ทำให้ความซับซ้อนของปัญญาประดิษฐ์แทบจะมองไม่เห็นสำหรับลูกค้า ในมุมมองของเรา นั่นคือจุดที่คูเมืองทางการแข่งขันที่กว้างที่สุดและคงทนที่สุดของอุตสาหกรรมบางส่วนมีแนวโน้มที่จะเกิดขึ้น
ส่วนที่ 4: รัฐบาล ภูมิรัฐศาสตร์ และระเบียบ AI ใหม่
เหตุใดกฎระเบียบอาจเร่งการเติบโตของผู้ให้บริการคลาวด์รายใหญ่แทนที่จะทำให้ช้าลง
จนถึงจุดนี้ วิทยานิพนธ์ถูกสร้างขึ้นเกือบทั้งหมดจากเศรษฐศาสตร์ ต้นทุนการอนุมานที่ลดลง โมเดลโอเพนเวทที่พัฒนาอย่างรวดเร็ว การเพิ่มประสิทธิภาพโทเค็นขององค์กร และการย้ายถิ่นของมูลค่าทางเศรษฐกิจไปยังโครงสร้างพื้นฐาน ล้วนชี้ไปที่ข้อสรุปเดียวกัน นั่นคือ ผู้ให้บริการคลาวด์รายใหญ่กำลังกลายเป็นศูนย์กลางของระบบนิเวศ AI ในอนาคตมากขึ้นเรื่อยๆ อย่างไรก็ตาม ยังมีแรงอีกอย่างหนึ่งที่กำลังเสริมสร้างผลลัพธ์เดียวกันนี้อย่างเงียบๆ และแตกต่างจากความก้าวหน้าทางเทคโนโลยี แรงนี้ไม่น่าจะเป็นไปตามกฎของมัวร์หรือแผนงานวิศวกรรมใดๆ ที่คาดเดาได้ มันคือภูมิรัฐศาสตร์
ในช่วงยุคอินเทอร์เน็ตส่วนใหญ่ บริษัทเทคโนโลยีดำเนินงานภายใต้สมมติฐานที่ว่าซอฟต์แวร์สามารถเคลื่อนย้ายข้ามพรมแดนได้อย่างอิสระ ทำให้นวัตกรรมที่พัฒนาในประเทศหนึ่งสามารถเข้าถึงได้ทั่วโลกเกือบจะในทันที ปัญญาประดิษฐ์กำลังพิสูจน์ให้เห็นว่าแตกต่างโดยพื้นฐาน เพราะโมเดลชั้นนำถูกมองว่าไม่ใช่แค่ผลิตภัณฑ์เชิงพาณิชย์อีกต่อไป แต่เป็นสินทรัพย์เชิงยุทธศาสตร์ของชาติ ซึ่งความสามารถขยายไปถึงความปลอดภัยทางไซเบอร์ การรวบรวมข่าวกรอง การประยุกต์ใช้ทางการทหาร การวิจัยทางวิทยาศาสตร์ และโครงสร้างพื้นฐานที่สำคัญ เมื่อรัฐบาลเริ่มมอง AI ผ่านเลนส์ของความมั่นคงแห่งชาติมากกว่าการแข่งขันเชิงพาณิชย์ล้วนๆ พลวัตทางเศรษฐกิจใหม่ๆ ก็เริ่มเกิดขึ้น
การพัฒนาเมื่อเร็วๆ นี้ในสหรัฐอเมริกาแสดงให้เห็นถึงการเปลี่ยนแปลงนี้ได้เป็นอย่างดี คำสั่งฝ่ายบริหารของรัฐบาลทรัมป์ที่ส่งเสริมนวัตกรรมและความมั่นคงด้านปัญญาประดิษฐ์ขั้นสูง ได้กำหนดกรอบการทำงานที่โมเดลชั้นนำบางรุ่นอาจต้องผ่านการประเมินของรัฐบาลก่อนการเผยแพร่เชิงพาณิชย์ในวงกว้าง โดยเฉพาะอย่างยิ่งในกรณีที่เกี่ยวข้องกับความสามารถทางไซเบอร์ขั้นสูง แม้ว่ากรอบการทำงานจะยังคงเป็นแบบสมัครใจมากกว่าการออกใบอนุญาตบังคับ แต่ก็ได้นำเสนอสิ่งที่ไม่เคยมีมาก่อน: ความสัมพันธ์ที่มีโครงสร้างระหว่างห้องปฏิบัติการ AI ชั้นนำและรัฐบาลกลางเกี่ยวกับการปรับใช้โมเดลที่มีความสามารถมากที่สุด
การพัฒนานี้อาจดูเหมือนค่อยเป็นค่อยไปในวันนี้ แต่ฉันเชื่อว่าผลกระทบระยะยาวของมันนั้นใหญ่กว่าที่ตลาดชื่นชมในปัจจุบันมาก การถกเถียงไม่ได้เป็นเพียงแค่ว่าใครสร้างโมเดลที่ฉลาดที่สุดอีกต่อไป มันกำลังกลายเป็นว่าใครสามารถเข้าถึงโมเดลนั้นได้ ภายใต้เงื่อนไขใด และผ่านโครงสร้างพื้นฐานใด
เหตุการณ์ Anthropic แสดงให้เห็นถึงภูมิทัศน์ที่เปลี่ยนแปลงนี้ ต้นปีนี้ การเข้าถึงโมเดลที่ล้ำหน้าที่สุดของ Anthropic กลายเป็นเรื่องที่ต้องคำนึงถึงการควบคุมการส่งออก ทำให้เกิดสถานการณ์ที่การปรับใช้เชิงพาณิชย์ไม่ได้ถูกกำหนดโดยความพร้อมทางเทคนิคหรือความต้องการของลูกค้าเพียงอย่างเดียวอีกต่อไป แต่ถูกกำหนดโดยการพิจารณาทางภูมิรัฐศาสตร์มากขึ้น โดยไม่คำนึงถึงมุมมองของใครเกี่ยวกับข้อดีของนโยบายดังกล่าว ทิศทางที่กว้างขึ้นดูเหมือนจะชัดเจน โมเดล AI ชั้นนำกำลังค่อยๆ กลายเป็นเทคโนโลยีเชิงยุทธศาสตร์ที่อยู่ภายใต้การกำกับดูแลของรัฐบาล ในลักษณะเดียวกับที่อุปกรณ์การผลิตเซมิคอนดักเตอร์ขั้นสูง การเข้ารหัส เทคโนโลยีอวกาศ และความสามารถด้านการป้องกันบางอย่างเป็นมาหลายทศวรรษ
สิ่งนี้สร้างปัญหาที่หลายองค์กรยังไม่เข้าใจอย่างถ่องแท้ หากโมเดลต่างๆ พร้อมใช้งานในเขตอำนาจศาลที่แตกต่างกัน ในเวลาที่ต่างกัน ภายใต้กรอบกฎระเบียบที่แตกต่างกัน องค์กรต่างๆ จะไม่สามารถสร้างกลยุทธ์ AI รอบๆ ผู้ให้บริการโมเดลรายเดียวได้อีกต่อไป บริษัทระดับโลกที่ดำเนินงานในหลายสิบหรือหลายร้อยประเทศต้องการความยืดหยุ่น เนื่องจากข้อกำหนดด้านกฎระเบียบ กฎอธิปไตยของข้อมูล การควบคุมการส่งออก และความพร้อมใช้งานของโมเดลอาจแตกต่างกันอย่างมากในแต่ละเขตอำนาจศาล ธนาคารข้ามชาติ บริษัทยา หรือผู้ผลิตในภาคอุตสาหกรรมไม่สามารถหยุดการดำเนินงานเพียงเพราะโมเดลชั้นนำตัวหนึ่งไม่สามารถใช้งานได้ชั่วคราวในภูมิภาคใดภูมิภาคหนึ่ง ความเป็นจริงนี้เพิ่มมูลค่าของการจัดประสานงานอย่างมาก ชั้นการจัดประสานงานไม่ได้ปรับให้เหมาะสมสำหรับต้นทุนและประสิทธิภาพอีกต่อไป มันปรับให้เหมาะสมสำหรับการปฏิบัติตามข้อกำหนดมากขึ้นเรื่อยๆ
องค์กรที่ดำเนินงานในยุโรป สหรัฐอเมริกา ตะวันออกกลาง และเอเชีย อาจต้องใช้การตัดสินใจกำหนดเส้นทางที่แตกต่างกันในท้ายที่สุด ไม่เพียงขึ้นอยู่กับความซับซ้อนของภาระงาน แต่ยังขึ้นอยู่กับภูมิศาสตร์ การเก็บข้อมูลในประเทศ (data residency) ข้อกำหนดด้านความปลอดภัยทางไซเบอร์ ข้อจำกัดการส่งออก ข้อตกลงกับลูกค้า และกฎระเบียบท้องถิ่น ทันใดนั้น การเลือกโมเดล AI ที่เหมาะสมที่สุดกลายเป็นปัญหาการเพิ่มประสิทธิภาพที่ซับซ้อนเป็นพิเศษ ซึ่งขยายออกไปไกลเกินกว่าประสิทธิภาพในการวัดประสิทธิภาพ
นี่คือจุดที่ผู้ให้บริการคลาวด์รายใหญ่มีข้อได้เปรียบเชิงโครงสร้างที่ยากต่อการเลียนแบบมากขึ้นเรื่อยๆ Microsoft, Amazon และ Google ดำเนินการโครงสร้างพื้นฐานคลาวด์ที่กระจายอยู่ทั่วโลกที่ใหญ่ที่สุดในโลกอยู่แล้ว โดยมีประสบการณ์หลายทศวรรษในการจัดการระบบระบุตัวตน การเข้ารหัส ความปลอดภัยทางไซเบอร์ การปฏิบัติตามข้อกำหนด การปรับใช้คลาวด์อธิปไตย (sovereign cloud) การรับรองด้านกฎระเบียบ ข้อกำหนดการตรวจสอบ และความสัมพันธ์กับรัฐบาลในแทบทุกเขตอำนาจศาลที่สำคัญ พวกเขาใช้เวลาหลายปีในการสร้างความไว้วางใจกับซีไอโอขององค์กร ผู้ควบคุมทางการเงิน ผู้ให้บริการด้านการดูแลสุขภาพ ผู้รับเหมาด้านการป้องกัน และรัฐบาล เพราะการประมวลผลแบบคลาวด์จำเป็นต้องแก้ไขปัญหาการกำกับดูแลเหล่านี้หลายอย่างมานานก่อนที่ปัญญาประดิษฐ์จะมาถึง
ในหลายๆ ด้าน AI เพียงแค่สืบทอดข้อได้เปรียบเหล่านั้น ลูกค้าองค์กรไม่ได้ถามอีกต่อไปว่า GPT ทำงานได้ดีกว่า Claude หรือ Gemini เล็กน้อยในการวัดประสิทธิภาพการให้เหตุผลหรือไม่ องค์กรกำลังถามคำถามที่แตกต่างกันมากขึ้นเรื่อยๆ ภาระงานนี้สามารถดำเนินการได้อย่างถูกกฎหมายในเยอรมนีหรือไม่? ข้อมูลลูกค้าสามารถอยู่ในญี่ปุ่นได้หรือไม่? โมเดลนี้จะทำให้ผู้ควบคุมทางการเงินพอใจหรือไม่? จะเกิดอะไรขึ้นหากผู้ให้บริการรายหนึ่งไม่สามารถใช้งานได้ชั่วคราว? ภาระงานสามารถเปลี่ยนเส้นทางโดยอัตโนมัติโดยไม่รบกวนการดำเนินงานได้หรือไม่? การอนุมานทุกครั้งสามารถตรวจสอบได้ในอีกหลายเดือนต่อมาหรือไม่? เราสามารถแสดงให้เห็นถึงการปฏิบัติตามข้อกำหนดในระหว่างการตรวจสอบตามกฎระเบียบได้หรือไม่? สิ่งเหล่านี้ไม่ใช่คำถามเกี่ยวกับแมชชีนเลิร์นนิง พวกมันเป็นคำถามเกี่ยวกับโครงสร้างพื้นฐานขององค์กร
ประวัติศาสตร์ชี้ให้เห็นอย่างสม่ำเสมอว่าตลาดเทคโนโลยีองค์กรให้รางวัลกับความน่าเชื่อถืออย่างน้อยก็พอๆ กับความเหนือกว่าทางเทคนิค ซีไอโอแทบจะไม่ซื้อโครงสร้างพื้นฐานโดยพิจารณาจากการจัดอันดับในการวัดประสิทธิภาพเพียงอย่างเดียว เพราะการหยุดทำงาน ความล้มเหลวในการปฏิบัติตามข้อกำหนด หรือการละเมิดความปลอดภัยมักทำให้องค์กรเสียค่าใช้จ่ายมากกว่าความแตกต่างเล็กน้อยในประสิทธิภาพทางเทคนิค ปัญญาประดิษฐ์ดูเหมือนจะไม่แตกต่างกัน โมเดลที่ฉลาดที่สุดอาจดึงดูดพาดหัวข่าว แต่แพลตฟอร์มที่น่าเชื่อถือที่สุดมักจะชนะการตัดสินใจจัดซื้อ
ผลกระทบอีกประการหนึ่งของสภาพแวดล้อมทางภูมิรัฐศาสตร์ที่กำลังพัฒนานี้คือ ผู้ให้บริการโมเดลเองก็ต้องพึ่งพาผู้ให้บริการคลาวด์รายใหญ่มากขึ้นเรื่อยๆ เมื่อการพัฒนาโมเดลชั้นนำต้องใช้การคำนวณมากขึ้น การตรวจสอบด้านกฎระเบียบเพิ่มขึ้น และการปรับใช้ทั่วโลกมีความซับซ้อนมากขึ้น ห้องปฏิบัติการอิสระจึงต้องการพันธมิตรที่สามารถจัดหาโครงสร้างพื้นฐาน การปฏิบัติตามข้อกำหนด ความปลอดภัยทางไซเบอร์ ความสามารถคลาวด์อธิปไตย การจัดจำหน่ายในองค์กร และความสัมพันธ์กับลูกค้าทั่วโลกมากขึ้นเรื่อยๆ ดังนั้น ผู้ให้บริการคลาวด์รายใหญ่จึงกลายเป็นมากกว่าผู้ให้บริการโครงสร้างพื้นฐาน พวกเขากลายเป็นพันธมิตรการจัดจำหน่ายเชิงกลยุทธ์ที่โมเดลชั้นนำใช้เข้าถึงลูกค้าองค์กร
สิ่งนี้สร้างความไม่สมดุลที่น่าสนใจ โมเดลเพิ่มเติมทุกตัวทำให้แพลตฟอร์มการจัดประสานงานแข็งแกร่งขึ้น ห้องปฏิบัติการชั้นนำเพิ่มเติมทุกแห่งทำให้การกำหนดเส้นทางหลายโมเดลมีคุณค่ามากขึ้น กรอบกฎระเบียบเพิ่มเติมทุกแห่งเพิ่มความซับซ้อนของการปรับใช้ในองค์กร แต่ละแนวโน้มเหล่านี้เสริมความแข็งแกร่งให้กับตำแหน่งของแพลตฟอร์มคลาวด์ แทนที่จะทำให้อ่อนแอลง น่าแปลกที่ยิ่งระบบนิเวศของโมเดลมีการแข่งขันสูงเท่าไร ชั้นการจัดประสานงานก็ยิ่งมีคุณค่ามากขึ้นเท่านั้น เพราะองค์กรต่างๆ ต้องการแพลตฟอร์มที่เป็นกลางซึ่งสามารถจัดการความซับซ้อนนั้นได้ ท้ายที่สุดแล้ว สิ่งนี้ทำให้เรากลับมาที่คำถามการลงทุนหลัก
ในช่วงสองปีที่ผ่านมา นักลงทุนให้ความสำคัญกับการระบุว่าบริษัทใดมีโมเดล AI ที่ฉลาดที่สุด เนื่องจากความชาญฉลาดนั้นเป็นคอขวดหลักของอุตสาหกรรม ฉันเชื่อมากขึ้นเรื่อยๆ ว่าคอขวดนั้นกำลังเริ่มเปลี่ยนไป ความชาญฉลาดยังคงพัฒนาอย่างรวดเร็วทั้งในโมเดลที่เป็นกรรมสิทธิ์และโอเพนเวท ต้นทุนการอนุมานยังคงลดลงอย่างรวดเร็ว และลูกค้าองค์กรกำลังให้ความสำคัญกับเศรษฐศาสตร์ การกำกับดูแล และการปรับใช้มากขึ้น แทนที่จะเป็นเพียงความเป็นผู้นำในการวัดประสิทธิภาพ
ตลอดประวัติศาสตร์ของเทคโนโลยี นักลงทุนได้ประเมินมูลค่าของสิ่งประดิษฐ์นั้นสูงเกินไปซ้ำแล้วซ้ำเล่า ในขณะที่ประเมินมูลค่าของโครงสร้างพื้นฐานที่ทำให้เกิดการนำไปใช้ในวงกว้างต่ำเกินไป รถไฟเปลี่ยนแปลงการค้า แต่เครือข่ายการขนส่งสินค้ากลับเก็บค่าเช่าทางเศรษฐกิจที่เกิดขึ้นประจำ อินเทอร์เน็ตเปลี่ยนแปลงการสื่อสาร แต่การประมวลผลแบบคลาวด์กลับกลายเป็นหนึ่งในธุรกิจที่ยิ่งใหญ่ที่สุดเท่าที่เคยมีมา สมาร์ทโฟนเปลี่ยนแปลงชีวิตประจำวัน แต่ระบบปฏิบัติการและร้านค้าแอปพลิเคชันกลับกลายเป็นแพลตฟอร์มการจัดจำหน่ายมูลค่าล้านล้านดอลลาร์ในที่สุด
ปัญญาประดิษฐ์อาจเป็นไปตามรูปแบบเดียวกันทุกประการ ตลาดยังคงถกเถียงกันว่าใครสร้างโมเดลที่ฉลาดที่สุด ฉันเชื่อมากขึ้นเรื่อยๆ ว่านั่นกำลังกลายเป็นคำถามที่ผิด คำถามที่สำคัญกว่าคือใครเป็นเจ้าของโครงสร้างพื้นฐานที่การตัดสินใจของ AI นับล้านล้านครั้งจะไหลผ่านในที่สุดทุกวัน ความชาญฉลาดกำลังมีความอุดมสมบูรณ์มากขึ้น การอนุมานกำลังมีราคาถูกลงเรื่อยๆ โมเดลต่างๆ กำลังสามารถทดแทนกันได้มากขึ้นสำหรับสัดส่วนที่เพิ่มขึ้นของภาระงานในองค์กร สิ่งที่ยังคงหายากคือโครงสร้างพื้นฐานคลาวด์ทั่วโลก ความไว้วางใจขององค์กร การจัดประสานงาน การกำกับดูแล ความปลอดภัย การปฏิบัติตามข้อกำหนด การจัดจำหน่าย และความสามารถในการรวมความสามารถทั้งหมดเหล่านั้นเข้ากับแพลตฟอร์มที่ราบรื่นซึ่งช่วยให้องค์กรต่างๆ สามารถปรับใช้ปัญญาประดิษฐ์ในระดับโลกได้ ประวัติศาสตร์ชี้ให้เห็นว่าสินทรัพย์ที่หายากจะเก็บค่าเช่าทางเศรษฐกิจระยะยาวส่วนใหญ่ได้อย่างสม่ำเสมอ
นั่นคือเหตุผลที่ความเชื่อมั่นของเราขยายออกไปเกินกว่าบริษัทที่สร้างความชาญฉลาดขึ้นมาเอง และมุ่งไปที่บริษัทที่กำลังสร้างระบบปฏิบัติการของเศรษฐกิจ AI บทแรกของปัญญาประดิษฐ์是关于การประดิษฐ์ความชาญฉลาด บทต่อไปอาจพิสูจน์ได้ว่า是关于การกระจายมันอย่างมีประสิทธิภาพ ปลอดภัย และประหยัด ไปยังทุกองค์กร ทุกอุตสาหกรรม และในที่สุดทุกมุมของเศรษฐกิจโลก ในมุมมองของเรา นั่นคือจุดที่โอกาสในการลงทุนที่ใหญ่ที่สุดแห่งหนึ่งของทศวรรษหน้ามีแนวโน้มที่จะเกิดขึ้น
บทสรุป: Long ชื่อเหล่านี้: NVDA, TSMC, Sk Hynix, Micron, Samsung Electronics, Microsoft, Alphabet, Amazon, Meta
