โมเดลแบบเปิดน้ำหนัก (Open-weight models) สามารถไล่ตามโมเดลแบบปิดระดับแนวหน้า (Closed frontier models) ที่มีการประเมินผลต่อสาธารณะได้ดีที่สุดได้ภายในระยะเวลาเพียงประมาณ 4 เดือน และช่องว่างระหว่างทั้งสองประเภทก็มีความผันผวนมากขึ้นเรื่อยๆ
สิ่งนี้กำลังเปลี่ยนการแข่งขันด้าน AI ระหว่างแบบเปิดและแบบปิดให้กลายเป็นคำถามเชิงพาณิชย์ที่สำคัญยิ่งขึ้น หากโมเดลแบบเปิดสามารถเข้าใกล้ประสิทธิภาพระดับแนวหน้าได้ ในขณะเดียวกันก็มอบการควบคุมข้อมูล โครงสร้างพื้นฐาน และการปรับแต่งที่มากกว่าให้กับบริษัท แล้วธุรกิจต่างๆ ยังจ่ายค่าบริการให้ห้องปฏิบัติการระดับแนวหน้าเพื่ออะไร? และคุณค่าจะตกไปอยู่ที่ใครในท้ายที่สุด?
เพื่อให้เข้าใจภาพรวมของสถานการณ์ ควรเริ่มจากการนิยามความหมายของโมเดลแบบเปิดและแบบปิด ความ openness มีหลายระดับ ตั้งแต่โมเดลที่เปิดกว้างอย่างสมบูรณ์ซึ่งผู้ใช้สามารถดาวน์โหลดและแก้ไขได้อย่างอิสระ ไปจนถึงโมเดลแบบเปิดน้ำหนักที่มีข้อจำกัดแตกต่างกัน ส่วนโมเดลแบบปิดนั้นจะเก็บน้ำหนักของโมเดลเป็นความลับและควบคุมการเข้าถึง
สำหรับธุรกิจที่กำลังตัดสินใจว่าจะพัฒนาบนโมเดลใด ความแตกต่างไม่ได้มีแค่เรื่องประสิทธิภาพและราคาเท่านั้น
Alex Karp ซีอีโอของ Palantir ได้เตือนว่าองค์กรต่างๆ เสี่ยงที่จะสูญเสีย “alpha” หรือความรู้และกระบวนการเฉพาะตัวที่เป็นจุดเด่นของธุรกิจตนเอง ให้กับผู้ให้บริการโมเดลระดับแนวหน้า
Satya Nadella เคยกล่าวถึงประเด็นคล้ายกันไว้ในบทความบน X ว่า: “คุณจ่ายเงินซื้อความอัจฉริยะสองครั้ง ครั้งแรกคือด้วยเงิน และอีกครั้งคือด้วยสิ่งที่ล้ำค่ากว่านั่นคือความรู้เฉพาะตัวที่คุณต้องเปิดเผยออกมาเพื่อให้ระบบอัจฉริยะนั้นมีประโยชน์ ยิ่งคุณต้องการให้โมเดลทำงานได้ดีขึ้นเท่าไหร่ คุณก็ต้องป้อนข้อมูลความรู้เหล่านั้นให้มันมากเท่านั้น!”
คำเตือนทั้งสองฉบับนี้เกี่ยวกับความเสี่ยงในการพึ่งพาทางยุทธศาสตร์ และเป็นเหตุผลอธิบายได้ว่าทำไมองค์กรจำนวนมากจึงหันมาสำรวจโมเดลแบบเปิดมากขึ้น
แต่แม้จะมีความกังวลเกี่ยวกับการเปิดเผยความรู้เฉพาะตัว หลักฐานกลับชี้ให้เห็นว่าบริษัทยังคงยินดีจ่ายเพื่อประสิทธิภาพระดับแนวหน้า แม้ว่าการโมเดลแบบเปิดน้ำหนักที่ดีที่สุดจะล้าหลังเพียงไม่กี่เดือนก็ตาม รายได้ของห้องปฏิบัติการระดับแนวหน้ายังคงเติบโตอย่างรวดเร็ว แม้ว่าค่าใช้จ่ายในการใช้ Token จะกระจายไปยังโมเดลที่หลากหลายมากขึ้นก็ตาม
บริษัทชั้นนำต่างใช้งานทั้งสองรูปแบบ โดยเลือกโมเดลแบบเปิดเพื่อการปรับแต่งและการควบคุม และเลือกโมเดลแบบปิดระดับแนวหน้าเมื่อต้องการความสามารถสูงสุดที่มีอยู่ บางแห่งรายงานว่ามีประสิทธิภาพเพิ่มขึ้นหลายเท่าและประหยัดต้นทุนได้อย่างมหาศาล จากการจับคู่โมเดลที่แตกต่างกันเข้ากับเวิร์กโฟลว์ที่เหมาะสมที่สุด เราได้ยกตัวอย่างบางส่วนเหล่านี้ไว้ในบทวิเคราะห์เชิงลึก (Deep Dive) ด้านล่าง
ผู้พัฒนาโมเดลบางรายก็ใช้กลยุทธ์ทั้งสองแนวทางเช่นกัน Google มีทั้ง Gemini และ Gemma ในขณะที่ Meta มี Muse Spark และ Llama ทำไมพวกเขาจึงเก็บโมเดลหนึ่งไว้เป็นความลับและแจกจ่ายอีกโมเดลหนึ่งฟรี? และหากโมเดลแบบเปิดสามารถดาวน์โหลดได้ฟรี จะมีเงื่อนไขหรือข้อผูกมัดอะไรบ้าง? ผู้พัฒนาของพวกเขาแข่งขันทางการเงินกับห้องปฏิบัติการแบบปิดอย่างไร?
บทวิเคราะห์เชิงลึกจำนวน 99 หน้าของเราตรวจสอบเศรษฐศาสตร์เบื้องหลังทางเลือกเหล่านี้ และวิธีที่พวกมันอาจกำหนดว่าใครจะเป็นผู้ครอบครองกำไรจาก AI และธุรกิจใดบ้างที่สามารถรักษาอำนาจในการตั้งราคาไว้ได้ ในขณะที่ต้นทุนการใช้งาน AI ถูกลงเรื่อยๆ
รายงานฉบับเต็มยังครอบคลุมถึง:
- ห้องปฏิบัติการระดับแนวหน้าสามารถแบกรับต้นทุนของการรักษาสถานะผู้นำได้อย่างไร เมื่อคู่แข่งจากจีนกดดันให้ราคาลดลง
- ปัจจัย 5 ประการที่โมเดลใช้ในการแข่งขัน และข้อแลกเปลี่ยน (Trade-offs) ที่แต่ละปัจจัยต้องการ
- สถานที่ 3 แห่งที่โมเดลสามารถทำงานได้ และอุตสาหกรรมแบ่งสัดส่วนการใช้งานอย่างไร
- กรณีศึกษาที่รายงานถึงประสิทธิภาพด้านวิศวกรรมที่สูงขึ้นถึง 12 เท่า และการประหยัดต้นทุนมากกว่า 20 เท่า
- เหตุผลที่ NVIDIA และ Samsung ลงทุนในโมเดลแบบเปิดน้ำหนัก และผลตอบแทนอาจมาจากแหล่งใด
หวังว่าคุณจะเพลิดเพลินกับการอ่าน และโปรดแจ้งความคิดเห็นของคุณในกลุ่มของเราได้ที่:
