เบื้องหลังพาดหัวที่ส่องประกาย อุตสาหกรรม AI กำลังต่อสู้กับคำถามพื้นฐานเกี่ยวกับแรงส่งของนวัตกรรม ความยั่งยืนของเงินทุน และเส้นทางที่เริ่มแยกออกจากกันระหว่างผู้พัฒนาโมเดลกับผู้สร้างแอปพลิเคชัน
จุดเปลี่ยนเงียบของอุตสาหกรรม
ปัญญาประดิษฐ์เติบโตในอัตราที่ไม่เคยเกิดขึ้นมาก่อนตลอดสามปีที่ผ่านมา นับตั้งแต่การเปิดตัว ChatGPT การยอมรับของผู้บริโภคก็ทำลายสถิติ บริษัทยักษ์ใหญ่ตั้งแต่ OpenAI ไปจนถึง Google ต่างประกาศเปิดตัวโมเดลใหม่อย่างต่อเนื่อง และบริษัทใน Fortune 500 ก็ได้นำ AI มาเป็นแกนกลางของกระบวนการทางธุรกิจของตน แต่ในวันนี้ เบื้องหลังพาดหัวที่ส่องประกาย อุตสาหกรรมกลับกำลังเผชิญกับคำถามที่แตกต่างออกไปโดยสิ้นเชิงว่า:
นวัตกรรมที่แท้จริงยังคงก้าวหน้าต่อไปด้วยแรงส่งที่แข็งแกร่ง หรือเรากำลังเห็นเครื่องจักรขนาดมหึมาที่ชนเข้ากับขีดจำกัดที่มองไม่เห็น?
หากจะตอบคำถามนี้อย่างเหมาะสม เราจำเป็นต้องมองระบบนิเวศนี้ผ่านสองเลนส์ที่แตกต่างกันอย่างชัดเจน:
ตลาดขั้นต้น: บริษัทที่พัฒนาโมเดลฐานรากอย่าง GPT-4, Claude และ Gemini: OpenAI, Anthropic, Google DeepMind, Meta
ตลาดขั้นรอง: บริษัทที่นำโมเดลเหล่านี้ไปสร้างโซลูชันสำหรับปัญหาจริงของผู้ใช้: Perplexity, Cursor, Notion AI, Replit
แม้ว่าทั้งสองตลาดจะอยู่ในอุตสาหกรรมเดียวกัน แต่พลวัต โครงสร้างต้นทุน โปรไฟล์ความเสี่ยง และความคาดหวังด้านการเติบโตของพวกมันแตกต่างกันโดยพื้นฐาน ความตึงเครียดที่เราเห็นอยู่ในวันนี้เกิดขึ้นจากความแตกต่างนี้โดยตรง
ขีดจำกัดตามธรรมชาติของการพัฒนาโมเดลกำลังเริ่มปรากฏ
มีปัจจัยพื้นฐานสี่ประการที่กำหนดวิวัฒนาการของโมเดลภาษาขนาดใหญ่ตลอดห้าปีที่ผ่านมา:
- ขนาดของโมเดล (จำนวนพารามิเตอร์)
- ข้อมูลฝึก (คุณภาพและความหลากหลาย)
- พลังการประมวลผล (ความสามารถของ GPU/TPU)
- เทคนิคการฝึก (สถาปัตยกรรม transformer, กลไก attention)
ตั้งแต่ปี 2018 ถึง 2023 ปัจจัยทั้งสี่นี้ขยายตัวไปในทิศทางเดียวกัน ก่อให้เกิดการก้าวกระโดดครั้งใหญ่ นี่คือวิธีที่เราพัฒนาจาก GPT-2 ไปสู่ GPT-4 จาก BERT ไปสู่ PaLM อย่างไรก็ตาม เส้นโค้งนี้จะไม่ดำเนินต่อไปอย่างไม่สิ้นสุด ขณะนี้ข้อมูลฝึกได้กลายเป็นคอขวดที่สำคัญที่สุดของอุตสาหกรรม
แหล่งข้อมูลที่มนุษย์สร้างขึ้นซึ่งมีคุณภาพสูง หลากหลาย และเป็นต้นฉบับนั้นมีอยู่อย่างจำกัด คุณฝึกโมเดลบน Wikipedia คุณฝึกบน arXiv คุณฝึกบน GitHub: แล้วจากนั้นล่ะ? ต้นทุนในด้านนี้กำลังเพิ่มขึ้นแบบทวีคูณจากปัญหาลิขสิทธิ์ ข้อตกลงเรื่องความเป็นเจ้าของข้อมูล และข้อจำกัดในการเข้าถึง คุณทำดีลกับ Reddit เจรจากับ Stack Overflow และเผชิญคดีความจาก The New York Times การเพิ่มขนาดโมเดลยังคงทำได้ในทางเทคนิค แต่ฝั่งข้อมูลกำลังสร้างเพดานตามธรรมชาติขึ้นมา
นี่คือเหตุผลที่อุตสาหกรรมได้เปลี่ยนจุดสนใจจากขนาดของโมเดลไปสู่ประสิทธิภาพแทน การให้เหตุผลแบบ chain-of-thought, reinforcement learning from human feedback (RLHF), เทคนิคการสุ่มตัวอย่างที่มีประสิทธิภาพมากขึ้น, สถาปัตยกรรม mixture-of-experts (MoE): ทั้งหมดนี้ล้วนเป็นส่วนหนึ่งของการเปลี่ยนผ่านครั้งนี้
พัฒนาการเหล่านี้มีความสำคัญ แต่ไม่อาจยั่งยืนได้ด้วยตัวเอง เพราะเมื่อถึงจุดหนึ่ง การเพิ่มประสิทธิภาพก็จะเข้าสู่ภาวะอิ่มตัวเช่นกัน อุตสาหกรรมกำลังเริ่มตระหนักว่า นวัตกรรมของโมเดลฐานได้เข้าสู่ช่วงที่ช้าลงและมีต้นทุนสูงขึ้น
แรงกดดันจากกระแสเงินทุนและความเปราะบางที่เพิ่มขึ้น
เมื่อข้อจำกัดทางเทคโนโลยีเริ่มสัมผัสได้ชัดเจนขึ้น การเติบโตในฝั่งเงินทุนก็ยิ่งมีความเสี่ยงมากขึ้นตามไปด้วย
บริษัทที่พัฒนาโมเดลฐานกำลังสร้างโครงสร้างพื้นฐานด้านคอมพิวต์ขนาดมหาศาล และยื่นข้อเสนอเชิงรุกในสงครามแย่งชิงบุคลากร ค่าใช้จ่ายเหล่านี้เกิดขึ้นก่อนที่ฐานรายได้ที่แข็งแรงจะถูกสร้างขึ้น ต้นทุนด้านคอมพิวต์ต่อปีของ OpenAI สูงถึงระดับหลายพันล้านดอลลาร์ Anthropic ได้รับเงินลงทุนหลายพันล้านจาก Microsoft ส่วน Google จัดสรรงบประมาณแยกต่างหากให้กับ DeepMind
เงินหลายพันล้านที่ลงทุนในศูนย์ข้อมูล สัญญา GPU ระยะหลายปี และเงินเดือนระดับมหาศาลที่จ่ายให้กับชื่ออย่าง Ilya Sutskever: ทั้งหมดนี้ทำให้บรรทัดค่าใช้จ่ายของบริษัทพุ่งสูงขึ้นอย่างมาก
ภาพนี้ชี้ให้เห็นว่าตลาดปฐมภูมิถูกสร้างขึ้นบนโมเดลการขยายขนาดที่เปราะบางอย่างยิ่งในเชิงเศรษฐกิจ โครงสร้างต้นทุนของนวัตกรรมโมเดลสูงเกินกว่าอัตราการเติบโตของรายได้อย่างมาก
การเติบโตอย่างเงียบๆ ของชั้นแอปพลิเคชัน
ขณะที่ตลาดปฐมภูมิกำลังเผชิญแรงกดดัน ตลาดทุติยภูมิกำลังก้าวหน้าไปตามเส้นโค้งการเติบโตที่ค่อนข้างแข็งแรง บริษัทเหล่านี้นำโมเดลฐานมาปรับให้กลายเป็นกรณีใช้งานจริง
- Perplexity: ออกแบบประสบการณ์การค้นหาใหม่
- Cursor & Replit: พลิกโฉมกระบวนการเขียนโค้ด
- Notion AI: ทำให้เครื่องมือเพิ่มประสิทธิภาพการทำงานฉลาดขึ้น
- Dvina: เชื่อมต่อกับแอปพลิเคชันกว่า 120+ รายการเพื่อจัดการชีวิตดิจิทัลทั้งหมดจากเลเยอร์อัจฉริยะเพียงชั้นเดียว
ข้อได้เปรียบของบริษัทเหล่านี้คือการอยู่ใกล้ผู้ใช้มากที่สุด มูลค่าที่แท้จริงเกิดขึ้นโดยตรงในประสบการณ์ของผู้ใช้ การค้นหา การเขียนโค้ด การสร้างคอนเทนต์ การเพิ่มประสิทธิภาพการทำงาน การประมวลผลข้อมูล: ทุกด้านเหล่านี้ล้วนมีโมเดลรายได้ที่ขยายขนาดได้และเข้าใจได้ง่าย
นี่จึงเป็นเหตุผลที่ผู้ผลิตโมเดลฐานจำนวนมากเริ่มขยับลงมาสู่ชั้นแอปพลิเคชัน OpenAI เปลี่ยน ChatGPT ให้เป็นผลิตภัณฑ์ Anthropic เปลี่ยน Claude ให้เป็นข้อเสนอสำหรับผู้บริโภค และ Google ผสาน Gemini เข้าไป กลยุทธ์การบูรณาการแนวดิ่งจึงแพร่กระจายอย่างรวดเร็ว
แต่กลยุทธ์นี้ก็ก่อให้เกิดผลข้างเคียง: ต้นทุนการได้มาซึ่งผู้ใช้พุ่งสูงขึ้นอย่างมาก มูลค่าประเมินของตลาดทุติยภูมิพองตัวขึ้น ความจริงที่ว่าตลาดทุติยภูมิ: พื้นที่เดียวที่สามารถสร้างรายได้ได้: กลับมีราคาแพงขึ้นมาก ยิ่งขยายความเสี่ยงด้านเงินทุนในภาคส่วนนี้ให้รุนแรงขึ้น
วงจรในประวัติศาสตร์และปัจจัยที่ทำให้วันนี้แตกต่าง
ปัญญาประดิษฐ์เคยเผชิญภาวะถดถอยครั้งใหญ่มาแล้วสองครั้งในอดีต: ช่วงปลายทศวรรษ 1970 และต้นทศวรรษ 1990 สิ่งที่ช่วงเวลาเหล่านั้นมีร่วมกันคือ ความคาดหวังสูง ความเร็วของนวัตกรรมต่ำ และความต้องการลงทุนที่หายไป
สถานการณ์ในวันนี้แตกต่างออกไป นวัตกรรมทางเทคนิคยังคงดำเนินต่อ แต่จังหวะของการสร้างความก้าวหน้าแบบก้าวกระโดดกำลังชะลอลง ขณะที่กระแสเงินทุนกลับเติบโตในระดับที่ไม่เคยมีมาก่อน Sam Altman พูดถึงกองทุนคอมพิวต์มูลค่า $7 trillion ส่วน Elon Musk ก็ทุ่มเงินหลายพันล้านให้กับ xAI
ดังนั้น สิ่งที่เรากำลังเผชิญอยู่จึงไม่ใช่ "AI winter" แบบคลาสสิก แต่มันใกล้เคียงกับช่วงเวลาแห่งความเปราะบางที่ขับเคลื่อนด้วยการจัดสรรเงินทุนมากกว่า: มูลค่าประเมินกำลังพองตัว ต้นทุนกำลังเร่งขึ้น แต่ความเร็วของนวัตกรรมกลับไม่เป็นไปตามความคาดหวัง
ยุคใหม่: ผู้ชนะจะไม่ใช่โมเดลที่ใหญ่กว่า แต่คือแนวทางที่ฉลาดกว่า
ความแตกต่างที่สำคัญที่สุดในวันนี้คือ: สิ่งที่สำคัญตอนนี้ไม่ใช่การสร้างโมเดลที่ใหญ่โตขึ้นเรื่อยๆ ด้วยการเพิ่มพารามิเตอร์มากขึ้น
การเปลี่ยนแปลงที่แท้จริงจะเกิดขึ้นในด้านต่อไปนี้:
- เพิ่มประสิทธิภาพการใช้พารามิเตอร์
- บรรลุคุณภาพที่สูงขึ้นด้วยโมเดลขนาดเล็กลง
- พัฒนาเทคนิคการฝึกแบบใหม่
- ใช้ข้อมูลอย่างมีกลยุทธ์และมีประสิทธิภาพมากขึ้น
- ลดต้นทุนการฝึกลงอย่างมาก
หนึ่งในตัวอย่างล่าสุดที่โดดเด่นที่สุดคือ DeepSeek สตาร์ทอัพจากจีนรายนี้พัฒนาโมเดลที่มีประสิทธิภาพในระดับ GPT-4 ได้ แต่ใช้ต้นทุนการฝึกต่ำกว่ามาก ทั้งสถาปัตยกรรม mixture-of-experts การปรับพารามิเตอร์ให้เหมาะสม และเทคนิคการฝึกที่มุ่งเน้นประสิทธิภาพ ตลาดตอบสนองอย่างรุนแรง
หลังการประกาศของ DeepSeek มูลค่าตลาดของ NVIDIA ลดลง 600 พันล้านดอลลาร์ภายในวันเดียว สิ่งนี้แสดงให้เห็นว่านักลงทุนกำลังจับตาไม่ใช่แค่การแข่งขันเพื่อสร้างโมเดลที่ใหญ่กว่าเท่านั้น แต่ยังรวมถึงการแข่งขันด้านประสิทธิภาพและนวัตกรรมเชิงสถาปัตยกรรมด้วย
แต่เพียงเท่านี้ก็ยังไม่พอ หากภาคส่วนนี้จะก้าวกระโดดอย่างแท้จริง ก็จะต้องมาจากกระบวนทัศน์ทางสถาปัตยกรรมแบบใหม่ บางสิ่งที่ไปไกลกว่าสถาปัตยกรรม transformer อาจเป็นการประมวลผลแบบ neuromorphic อาจเป็นโมเดลแบบไฮบริด หรืออาจเป็นกรอบการเรียนรู้ที่แตกต่างออกไปโดยสิ้นเชิง
การเปลี่ยนแปลงแบบพลิกโฉมเช่นนี้โดยทั่วไปไม่ได้มาจากบริษัทขนาดใหญ่ บริษัทเหล่านี้ดำเนินการอย่างระมัดระวังเพราะแรงกดดันจากขนาดองค์กร ต้นทุนโครงสร้างพื้นฐาน และการบริหารความเสี่ยงขององค์กร ความก้าวหน้าครั้งสำคัญที่แท้จริงมักเกิดจากสตาร์ทอัพขนาดเล็กที่กล้าเดินเกม รับความเสี่ยงได้ และมีความทะเยอทะยาน
ระบบนิเวศ AI ในวันนี้มีแนวโน้มว่ากำลังรอคอยแรงสั่นสะเทือนลักษณะนี้อยู่พอดี
บทสรุป: ผู้ชนะจะไม่ใช่ผู้ที่มีทรัพยากรมากกว่า แต่คือผู้ที่มีแนวทางที่ดีกว่า
ภาคส่วน AI ในวันนี้กำลังแกว่งอยู่ระหว่างความตึงเครียดสองด้าน: ด้านหนึ่งคือกลยุทธ์การขยายขนาดโมเดลที่กำลังเข้าใกล้ขีดจำกัด อีกด้านหนึ่งคือความเสี่ยงด้านเงินทุนที่เพิ่มขึ้นและตลาดแอปพลิเคชันที่มูลค่าพุ่งสูงอย่างรวดเร็ว
ภาพนี้ชี้ให้เห็นว่าปัญหาพื้นฐานในตอนนี้คือแนวทาง ไม่ใช่ขีดความสามารถ ผู้ชนะในวันข้างหน้าจะไม่ใช่ผู้ที่สร้างโมเดลให้ใหญ่ขึ้น แต่คือผู้ที่สร้างวิธีการที่ฉลาดกว่า ประสิทธิภาพ การออกแบบสถาปัตยกรรมแบบใหม่ และเทคนิคการฝึกที่ได้รับการปรับให้เหมาะสม กำลังกลายเป็นเส้นแบ่งที่แท้จริงของภาคส่วนนี้
สิ่งที่จะเป็นตัวตัดสินในอนาคตคือคุณภาพของแนวทาง ไม่ใช่อำนาจจากทรัพยากร และความเป็นไปได้ที่สตาร์ทอัพที่มีวิสัยทัศน์ มากกว่าบริษัทขนาดใหญ่ จะเป็นผู้จุดชนวนการเปลี่ยนแนวทางครั้งนี้นั้นมีสูงทีเดียว
