เศรษฐกิจของ Token
เมื่อเราพูดถึง AI ในทุกวันนี้ Token คือสิ่งที่สำคัญที่สุด โดยเฉพาะอย่างยิ่ง Inference Token ได้กลายเป็นตัวแทนหลักในการติดตามการเติบโตของระบบนิเวศ AI บริษัทมหาชนรายงาน จำนวน Token ที่ประมวลผลต่อเดือน เพื่อแสดงให้เห็นถึงการเติบโตของ AI นักวิเคราะห์ เปรียบเทียบความสำเร็จของโมเดล โดยพิจารณาจากปริมาณ Token ที่สัมพันธ์กัน และทีมผู้บริหารวัดความมุ่งมั่นและการลงทุนใน AI ของพวกเขาโดย ดูการใช้งาน Token ของพวกเขาเมื่อเวลาผ่านไป
ความนิยมในวงกว้างนี้เป็นเรื่องที่เข้าใจได้ Token เป็นหน่วยพื้นฐานของปัญญาประดิษฐ์และการคำนวณ และการเติบโตของ Token ก็เป็นตัวแทนที่ดีของการเติบโตโดยรวมของ AI ในโลก Token ยังช่วยลดความซับซ้อนของ Inference ให้เป็นหน่วยวัดเดียว ทำให้ทั้งเข้าใจง่าย (ใช้เวลาเพียง 2 นาที!) และติดตามได้อย่างสม่ำเสมอเมื่อเวลาผ่านไป ในฐานะที่เป็นภาษากลางชนิดหนึ่ง Token ช่วยให้ผู้คนในวงกว้างสามารถเข้าใจความก้าวหน้าทาง AI ที่รวดเร็วและซับซ้อนได้ โดยไม่คำนึงถึงความเชี่ยวชาญด้านเทคนิค
มีคนใช้ AI มากขึ้น? Token ก็เพิ่มขึ้น เราเปลี่ยนจากโมเดลที่ไม่มีการใช้เหตุผล (non-reasoning models) มาเป็นโมเดลที่มีการใช้เหตุผล (reasoning models)? Token ก็เพิ่มขึ้น เราเปลี่ยนจากการค้นหา (queries) มาเป็นเอเจนต์ (agents)? Token ก็เพิ่มขึ้น ตอนนี้เอเจนต์สามารถทำงานในเบื้องหลังหรือทำงานระยะยาวได้? Token ก็เพิ่มขึ้น!
จำนวน Token โดยรวมที่ประมวลผลเพิ่มขึ้นทั้งจากปัจจัยด้านการใช้งาน/การนำ AI ไปใช้ที่เพิ่มขึ้น และจากวิวัฒนาการของโครงสร้างพื้นฐานที่ทำให้โมเดลและรูปแบบของ AI มีความต้องการ Token มากขึ้น เช่น เอเจนต์ที่ทำงานเป็นเวลาหนึ่งชั่วโมงเทียบกับ 1 นาที
ความเรียบง่ายนี้ยังสร้างวิทยานิพนธ์การลงทุนเพื่อการเติบโตที่แข็งแกร่งสำหรับนักลงทุนในกลุ่ม Venture-Growth การเปลี่ยนแปลงทั้งหมดนี้ — ทั้งในด้านการนำไปใช้และความเข้มข้นของ Token ของโมเดล — ส่งเสริมซึ่งกันและกัน สร้างการเติบโตแบบทวีคูณอย่างรุนแรงในปริมาณ Token โดยรวม เป็นสิ่งที่วางแผนได้ง่าย และง่ายที่จะเชื่อว่ามันจะยังคงเป็นไปในทิศทางนี้กับเอเจนต์ระยะยาวและเอเจนต์เบื้องหลังที่กำลังจะมาถึง ไม่น่าแปลกใจเลยที่ Inference กลายเป็นหมวดหมู่การลงทุนที่ร้อนแรง และหลายบริษัทกำลังมองหาที่จะเข้าสู่ธุรกิจ Inference
ข้อเสียของการมี AI เป็นตัวแทนที่เข้าใจง่ายและเป็นที่นิยมอย่าง Inference ก็คือมันสามารถบดบังทัศนวิสัย ทำให้แนวโน้ม Mega-Trend ใหม่ที่คล้ายคลึงกันถูกมองข้ามไป เพราะผู้คนในวงกว้างมองเห็นและเข้าใจได้ยากกว่า
แนวโน้มหนึ่งที่โดดเด่นมีความคล้ายคลึงกับ Inference ในหลายๆ ด้าน และกำลังจะกลายเป็นส่วนสำคัญยิ่งขึ้นของการสนทนาเกี่ยวกับ AI ในขณะที่มันแพร่หลายและเป็นที่เข้าใจมากขึ้น นั่นคือ ตลาดสำหรับการปรับปรุงความสามารถของโมเดลผ่านข้อมูล ซึ่งเราเรียกว่าเศรษฐกิจของ Task (Task Economy)
เศรษฐกิจของ Task (Task Economy)
ในช่วงสามปีที่ผ่านมา LLM เปลี่ยนจากการตอบคำถามพื้นฐาน ไปจนถึงการใช้เหตุผลผ่านปัญหาที่ซับซ้อน และกลายเป็นเอเจนต์ที่สามารถทำงานในโลกแห่งความเป็นจริงได้ในช่วงเวลาที่ยาวนานขึ้นเรื่อยๆ ในช่วงแรกของการเดินทางนี้ การปรับปรุงโมเดลทำได้โดยการฝึกโมเดลบนข้อมูลที่มีอยู่บนอินเทอร์เน็ตด้วยปริมาณการคำนวณที่เพิ่มขึ้น เมื่อเรา 1) หมดข้อมูลบนอินเทอร์เน็ตที่จะนำมาฝึก และ 2) ทำให้ความสามารถทั่วไปที่เรียบง่ายต่างๆ อิ่มตัวมากขึ้น คอขวดที่ชัดเจนสำหรับการปรับปรุงโมเดลเพิ่มเติมได้เกิดขึ้นแล้ว: ข้อมูลคุณภาพสูงที่เพิ่มขึ้นทีละน้อย ข้อมูลนี้จะถูกสร้างขึ้นและให้บริการโดยเศรษฐกิจของ Task (Task Economy)
Task คือ "หน่วยของการฝึกฝน" ใน Reinforcement Learning: โมเดลจะได้รับสถานะเริ่มต้นและสภาพแวดล้อมในการดำเนินการ และพฤติกรรมของมันจะถูกให้คะแนนโดยสัญญาณรางวัล/ตัวตรวจสอบ (reward signal/verifier) จากหลายๆ Task คะแนนเหล่านั้นจะถูกนำมารวมกันเป็นสัญญาณการฝึกที่ปรับเปลี่ยนพฤติกรรมของโมเดลไปในทางที่ได้คะแนนดี โดยเคร่งครัดแล้ว "Task" หมายถึงพื้นผิวหลังการฝึก (post-training substrate) ของ RL นี้ แต่ผมจะใช้คำนี้ในความหมายที่กว้างขึ้นเพื่อแสดงถึงหน่วยของการปรับปรุงที่ขับเคลื่อนด้วยข้อมูลโดยทั่วไป เนื่องจากอุตสาหกรรมกำลังคิดค้นรูปแบบใหม่ๆ ที่ข้อมูลใช้ในการทำให้โมเดลดีขึ้นอย่างรวดเร็ว และ说实话 เพราะ "Task Economy" ฟังดูเข้าท่าดี ผมยังต้องการแยกหมวดหมู่นี้ออกจากชื่อเรียกที่ล้าสมัยอย่าง "data labeling" (การติดป้ายข้อมูล) ซึ่งทำให้นึกถึง Bounding Boxes และ Thumbs Up/Down สำหรับการตอบสนองของ LLM — ตลาดได้พัฒนาไปไกลเกินกว่าพื้นฐานเหล่านี้ในช่วงสองสามปีที่ผ่านมา สู่สิ่งที่ซับซ้อนและมีมูลค่าสูงกว่ามาก
ลองใช้อุตสาหกรรมกฎหมายเป็นตัวอย่างจริงสั้นๆ โมเดล AI ที่ฝึกบนอินเทอร์เน็ตเปิดสามารถเข้าใจกฎหมายในระดับสูง รู้หลักคำพิพากษาที่เปิดเผยต่อสาธารณะ ฯลฯ แต่การผลิตงานในโลกแห่งความเป็นจริงของทนายความที่มีความสามารถนั้นต้องการข้อมูลที่ไม่สามารถหาได้บนอินเทอร์เน็ต เพื่อให้โมเดลสามารถทำงานด้านกฎหมายคุณภาพสูงได้ เราต้องให้ Prompt แก่โมเดล (ตรวจสอบสัญญา ร่างข้อโต้แย้ง) วางโมเดลในสภาพแวดล้อมที่เกี่ยวข้อง (ห้องข้อมูลกฎหมาย) จากนั้นจึงให้คะแนน/ตรวจสอบคุณภาพของงาน (ผ่านเกณฑ์การประเมิน (rubric) ซึ่งคุณสามารถดูตัวอย่างได้ ที่นี่) Task เหล่านี้สอนโมเดลไม่เพียงแค่จะทำอะไร แต่สอนวิธีการทำด้วย และยิ่งคุณให้ Task คุณภาพสูงแก่โมเดลมากเท่าไหร่ โมเดลก็จะยิ่งดีขึ้นเท่านั้น
ในลักษณะนี้ สิ่งที่ Token มีต่อการอนุมาน/การใช้งานโมเดล Task ก็มีต่อความพยายามในการปรับปรุงโมเดล Token เป็นหน่วยพื้นฐานของปัญญาประดิษฐ์และการคำนวณ เราควรคิดว่า Task เป็นหน่วยพื้นฐานของการปรับปรุง AI และเช่นเดียวกับ Token Task ก็เติบโตทั้งในแง่ของการนำ AI ไปใช้ และเมื่อปัญญาประดิษฐ์ระดับแนวหน้าพัฒนามากขึ้นและ "ต้องการ Task มากขึ้น"
นี่ไม่ใช่ข้อมูลที่แม่นยำหรือครบถ้วน แต่ให้ตัวอย่างบางส่วนของการเพิ่มขึ้นแบบขั้นบันไดของความฉลาดของโมเดลที่ต้องใช้ Task ที่มีปริมาณมากขึ้นและมีความซับซ้อนสูงขึ้น
เราเปลี่ยนจากป้ายแสดงความชอบพื้นฐาน (basic preference labels) มาเป็นผู้เชี่ยวชาญที่มีทักษะซึ่งใช้เกณฑ์การประเมิน? Task ก็เพิ่มขึ้น เราได้แนะนำเอเจนต์แนวตั้ง (vertical agents) ที่สามารถทำงานในระดับผู้เชี่ยวชาญเฉพาะด้าน? Task ก็เพิ่มขึ้น เอเจนต์ต้องทำงานในระยะเวลาที่ยาวนานขึ้น? Task ก็เพิ่มขึ้น องค์กรต่างๆ นำการประเมิน (evals) มาใช้กันอย่างแพร่หลาย? Task ก็เพิ่มขึ้น!
เช่นเดียวกับตลาด Inference ปัจจัยการเติบโตที่ซ้อนทับกันเหล่านี้ได้สร้างการเติบโตอย่างที่ไม่เคยเกิดขึ้นมาก่อนให้กับเศรษฐกิจของ Task (Task Economy):
- OpenAI และ Anthropic กำลังขยายการใช้จ่ายด้านข้อมูลของพวกเขา 10 เท่าต่อปี โดยใช้จ่ายเงินหลายพันล้านดอลลาร์เพื่อระดมผู้เชี่ยวชาญในทุกโดเมนเพื่อสร้างข้อมูลและฝึกเอเจนต์
- บริษัท AI แอปพลิเคชันชั้นนำและองค์กรต่างๆ ในเครือข่ายของเรากำลังขยายการใช้จ่ายที่เกี่ยวข้องกับ Task แต่ละรายการเป็น 100 ล้านดอลลาร์+ ในระยะใกล้ เนื่องจากพวกเขาตระหนักดีว่า ข้อมูลคือความได้เปรียบทางการแข่งขันของพวกเขา และ AI ประยุกต์ที่มีกลยุทธ์ด้านข้อมูลที่แตกต่างสามารถเอาชนะโมเดลสำเร็จรูปได้
- Mercor บริษัทในพอร์ตของ Benchmark ซึ่งเป็นแพลตฟอร์มชั้นนำสำหรับเศรษฐกิจของ Task (Task Economy) ทำ ARR ได้ 1 พันล้านดอลลาร์ในเดือนกุมภาพันธ์ที่ผ่านมา และจากนั้นก็ทำ ARR ได้ 2 พันล้านดอลลาร์ในเวลาเพียง 4 เดือนต่อมา
ปริมาณของ Task ดิบ ความยาวและความซับซ้อนของ Task เหล่านั้น และต้นทุนต่อชั่วโมงของผู้เชี่ยวชาญที่ทำงานเสร็จ ล้วนเติบโตขึ้น ซ้อนทับกันเพื่อสร้างการเติบโตแบบทวีคูณของค่าใช้จ่ายโดยรวมของ Task
และถึงแม้สัญญาณการเติบโตล่าสุดในตลาดนี้จะน่าประทับใจ แต่เราก็เห็นได้ชัดว่าเราเพิ่งจะอยู่ในช่วงเริ่มต้นของการเติบโตและผลกระทบของตลาดนี้เท่านั้น เราเพิ่งจะเริ่มเห็นเอเจนต์ที่สามารถทำงานคุณภาพสูงในโดเมนขั้นสูงใดๆ และองค์กรต่างๆ ก็เพิ่งเริ่มขยายการใช้จ่ายในปีนี้ เมื่อพวกเขาตื่นตัวต่อความสำคัญของข้อมูลในฐานะตัวสร้างความแตกต่างเมื่อเทียบกับห้องปฏิบัติการ เปรียบเทียบกับฉากหลังที่ว่า ความรู้ของมนุษย์ 99% ที่เกี่ยวข้องกับความสามารถในอนาคตที่เราต้องการให้ AI ครอบคลุมนั้นอยู่ในหัวของผู้คน *ถ้าเราเชื่อว่าบริษัท AI ประยุกต์ทุกประเภท (ห้องปฏิบัติการ, บริษัท AI แอปพลิเคชัน, องค์กร) ต้องการถ่ายทอดความรู้ที่ฝังลึกนั้นไปยังโมเดลและเอเจนต์ (และผมก็เชื่อเช่นนั้น) เราก็กำลังจะเผชิญกับการเติบโตอย่างรวดเร็วอีกหลายปีของเศรษฐกิจของ Task (Task Economy) ในกลุ่มผู้ซื้อ/ผู้เข้าร่วมที่กว้างขึ้นมากกว่าที่เราเคยมีในอดีต
ทำให้แนวโน้ม Mega-Trend ของ Task เข้าใจง่ายขึ้น
Token และ Task คือตัวชี้วัดที่สำคัญของความก้าวหน้าและวิวัฒนาการของ AI และทั้งคู่ก็กำลังเร่งตัวขึ้นอย่างรวดเร็ว อย่างไรก็ตาม แม้จะมีการเติบโตที่รุนแรงพอๆ กัน แต่ก็มีการพูดคุยเกี่ยวกับ Task น้อยกว่า Token มากในโลกออนไลน์ในปัจจุบัน ผมคิดว่าสาเหตุหลักคือ:
1) ในอดีต การใช้จ่ายในตลาดนี้กระจุกตัวอยู่ในห้องปฏิบัติการระดับแนวหน้า (frontier labs) ซึ่งเป็นความลับสูงเกี่ยวกับกลยุทธ์การปรับปรุงโมเดลของพวกเขา ซึ่งรวมถึงการใช้จ่ายด้านข้อมูล/Task สิ่งนี้กำลังเปลี่ยนแปลงอย่างรวดเร็วตั้งแต่ปีนี้เป็นต้นไป เนื่องจากบริษัท AI แอปพลิเคชันและองค์กรต่างๆ หันมานิยมเศรษฐกิจของ Task (Task Economy) เพื่อสร้างความแตกต่างเมื่อเทียบกับโมเดลสำเร็จรูป บริษัทเหล่านี้มีแนวโน้มที่จะทำการตลาดความพยายามของพวกเขาในโดเมนนี้ และผลักดันหมวดหมู่นี้ให้เข้าสู่การสนทนา AI ทั่วไป
และ
2) ตลาดยังไม่มีหน่วยนามธรรมของมูลค่าที่ชัดเจนเท่ากับที่ Inference มีกับ Token ส่วนหนึ่งของจุดประสงค์ของบทความนี้คือเพื่อเปลี่ยนแปลงสิ่งนี้ และรวบรวมการสนทนาเกี่ยวกับ Task ในฐานะหน่วยของมูลค่าที่เราสามารถกำหนดเป็นมาตรฐานได้ Token เป็นภาษากลางที่ช่วยให้ผู้คนในวงกว้างสามารถเข้าใจความก้าวหน้าของ AI ได้โดยไม่คำนึงถึงความเชี่ยวชาญด้านเทคนิค Task ควรทำหน้าที่ในลักษณะเดียวกันเพื่อช่วยให้ผู้คนในวงกว้างเข้าใจการลงทุนของอุตสาหกรรมในการพัฒนาขีดความสามารถของ AI
เมื่อพิจารณาจากอุปสรรคเหล่านี้ อุตสาหกรรมยังไม่มี "OpenRouter สำหรับปริมาณ Task" หรืออะไรที่คล้ายคลึงกันในปัจจุบัน ที่สามารถให้มุมมองแบบเรียลไทม์โดยประมาณเกี่ยวกับขนาดและการเติบโตของเศรษฐกิจของ Task (Task Economy) เมื่อเวลาผ่านไป แม้ว่ามันจะมีค่ามหาศาลหากบริษัทใดจะเผยแพร่สิ่งเช่นนั้นในอนาคต แต่สำหรับตอนนี้ ทีมงานที่ Mercor ใจดีพอที่จะให้แผนภูมิของชั่วโมงการทำงานของผู้เชี่ยวชาญในอดีตต่อไตรมาสบนแพลตฟอร์มของพวกเขา เพื่อเป็นหน้าต่างสู่การเติบโตแบบทวีคูณของตลาด ดังที่คุณเห็น ข้อมูลจริงตรงกับขนาด/ความเร็วของการเติบโตที่เราได้กล่าวถึงในหัวข้อที่แล้ว:
ที่มา: Mercor
ในหลายแง่มุม เศรษฐกิจของ Task (Task Economy) คือตลาดที่กำหนดอนาคตของ AI — อุปสรรคในการทำให้ทุกงานที่เราสามารถทำบนแล็ปท็อปของเราเป็นอัตโนมัติด้วยเอเจนต์คือการครอบคลุมการกระจายทั้งหมดของแอปพลิเคชันทั้งหมด สภาพแวดล้อมทั้งหมด และงานทั้งหมดที่สอดคล้องกับทุกสิ่งในเศรษฐกิจ สิ่งนี้จะต้องมีการสร้างข้อมูลขนาดใหญ่ในทุกโดเมนวิชาชีพ สาขาวิชาการ และกรณีการใช้งานของผู้บริโภค กฎหมาย การแพทย์ การเงิน ซอฟต์แวร์ วิทยาศาสตร์ และอื่นๆ แต่ละอย่างจะต้องใช้ชุดข้อมูลที่สร้างโดยผู้เชี่ยวชาญ การประเมินผล และสภาพแวดล้อม RL ของตัวเอง ห้องปฏิบัติการ, บริษัท AI แอปพลิเคชัน และองค์กรต่างๆ จะต่อสู้เพื่อขยายโครงสร้างพื้นฐานข้อมูลนี้อย่างรวดเร็วทั่วทั้งพื้นผิวของงานที่มีประโยชน์ทางเศรษฐกิจ และผู้ที่ประสบความสำเร็จจะยังคงปรับปรุงขีดความสามารถระดับแนวหน้าและเพิ่มส่วนแบ่งการตลาด
เราจะเริ่มติดตามความพยายามเหล่านี้อย่างใกล้ชิดมากขึ้นในฐานะชุมชน ในขณะที่เศรษฐกิจของ Task (Task Economy) มองเห็นได้ชัดเจนและแพร่หลายมากขึ้นในปีต่อๆ ไป และอีกไม่นาน เมื่อเราพูดถึง AI Task จะกลายเป็นสิ่งที่สำคัญที่สุด
เชิงอรรถ: อีกจุดที่ชัดเจนซึ่งเราจะเห็นการปรับปรุงความสามารถ AI ทั่วไปคือการปรับปรุงอัลกอริทึมของโมเดล ผมได้แยกสิ่งเหล่านี้ออกเพื่อให้บทความนี้โฟกัสที่ข้อมูล แต่เป็นเพียงการเลือกเน้น/รูปแบบเท่านั้น ไม่ใช่การคิดว่าเราจะไม่ได้รับการปรับปรุงอัลกอริทึมในอนาคตเช่นกัน
