คำถามมูลค่า $7 ล้านล้าน

อุตสาหกรรม AI ณ จุดหัวเลี้ยวหัวต่อสำคัญ ขีดจำกัดของนวัตกรรม แรงกดดันด้านเงินทุน และความแตกต่างเชิงกลยุทธ์ที่กำลังพลิกโฉมอนาคต

Muhammed Gider
ใช้เวลาอ่าน 2 นาที • 

คำถามมูลค่า $7 ล้านล้าน

เบื้องหลังพาดหัวข่าวที่ดูสดใส อุตสาหกรรม AI กำลังเผชิญคำถามพื้นฐานเกี่ยวกับแรงส่งของนวัตกรรม ความยั่งยืนด้านเงินทุน และเส้นทางที่แยกออกจากกันระหว่างผู้พัฒนาโมเดลกับผู้สร้างแอปพลิเคชัน

จุดเปลี่ยนที่เกิดขึ้นอย่างเงียบ ๆ ในอุตสาหกรรม

ปัญญาประดิษฐ์เติบโตอย่างรวดเร็วในระดับที่ไม่เคยเกิดขึ้นมาก่อนตลอดสามปีที่ผ่านมา นับตั้งแต่ ChatGPT เปิดตัว การใช้งานในหมู่ผู้บริโภคก็ทำลายสถิติ บริษัทยักษ์ใหญ่ตั้งแต่ OpenAI ไปจนถึง Google ต่างประกาศเปิดตัวโมเดลใหม่อย่างต่อเนื่องและรวดเร็ว ส่วนบริษัทใน Fortune 500 ก็วาง AI ไว้เป็นหัวใจของกระบวนการทางธุรกิจ แต่วันนี้ เบื้องหลังพาดหัวข่าวที่ดูสดใส อุตสาหกรรมกำลังเผชิญคำถามที่แตกต่างไปจากเดิมในระดับพื้นฐานว่า:

นวัตกรรมที่แท้จริงยังคงก้าวหน้าด้วยแรงส่งที่แข็งแกร่ง หรือเรากำลังเห็นเครื่องจักรขนาดมหึมาชนเข้ากับขีดจำกัดที่มองไม่เห็น?

หากจะตอบคำถามนี้ให้ได้อย่างเหมาะสม เราต้องมองระบบนิเวศนี้จากสองมุมที่แตกต่างกันอย่างชัดเจน:

ตลาดขั้นต้น: บริษัทที่พัฒนาโมเดลพื้นฐานอย่าง GPT-4, Claude และ Gemini: OpenAI, Anthropic, Google DeepMind, Meta.

ตลาดขั้นรอง: บริษัทที่นำโมเดลเหล่านี้ไปสร้างโซลูชันเพื่อแก้ปัญหาที่ผู้ใช้เผชิญจริง: Perplexity, Cursor, Notion AI, Replit.

แม้ทั้งสองตลาดจะอยู่ในอุตสาหกรรมเดียวกัน แต่พลวัต โครงสร้างต้นทุน ลักษณะความเสี่ยง และความคาดหวังด้านการเติบโตกลับแตกต่างกันโดยพื้นฐาน ความตึงเครียดที่เราเห็นอยู่ในวันนี้เกิดจากความแตกต่างนี้โดยตรง

ขีดจำกัดตามธรรมชาติของการพัฒนาโมเดลกำลังปรากฏ

ปัจจัยพื้นฐานสี่ประการเป็นตัวกำหนดวิวัฒนาการของโมเดลภาษาขนาดใหญ่ตลอดห้าปีที่ผ่านมา:

  • ขนาดของโมเดล (จำนวนพารามิเตอร์)
  • ข้อมูลที่ใช้ฝึก (คุณภาพและความหลากหลาย)
  • กำลังประมวลผล (ขีดความสามารถของ GPU/TPU)
  • เทคนิคการฝึก (สถาปัตยกรรม transformer, กลไก attention)

ตั้งแต่ปี 2018 ถึง 2023 ปัจจัยทั้งสี่นี้ขยายตัวไปในทิศทางเดียวกัน ทำให้เกิดความก้าวหน้าแบบก้าวกระโดดครั้งใหญ่ นี่คือสิ่งที่ทำให้เราพัฒนาจาก GPT-2 ไปสู่ GPT-4 และจาก BERT ไปสู่ PaLM อย่างไรก็ตาม เส้นโค้งการเติบโตนี้จะไม่ดำเนินต่อไปอย่างไร้ที่สิ้นสุด ขณะนี้ข้อมูลที่ใช้ฝึกคือคอขวดที่สำคัญที่สุดของอุตสาหกรรม

แหล่งข้อมูลต้นฉบับที่มนุษย์สร้างขึ้นและมีทั้งคุณภาพสูงกับความหลากหลายมีอยู่อย่างจำกัด คุณฝึกโมเดลด้วย Wikipedia ด้วย arXiv ด้วย GitHub แล้วจะไปต่อที่ไหน? ต้นทุนด้านนี้กำลังเพิ่มขึ้นแบบทวีคูณจากปัญหาลิขสิทธิ์ ข้อตกลงเรื่องความเป็นเจ้าของข้อมูล และข้อจำกัดในการเข้าถึง คุณต้องทำข้อตกลงกับ Reddit เจรจากับ Stack Overflow และเผชิญคดีความจาก The New York Times การเพิ่มขนาดโมเดลยังทำได้ในทางเทคนิค แต่ข้อจำกัดด้านข้อมูลสร้างเพดานขึ้นมาตามธรรมชาติ

นี่คือเหตุผลที่อุตสาหกรรมเปลี่ยนจุดเน้นจากขนาดโมเดลไปสู่ประสิทธิภาพ การให้เหตุผลแบบลำดับความคิด (chain-of-thought) การเรียนรู้แบบเสริมกำลังจากข้อเสนอแนะของมนุษย์ (RLHF) เทคนิคการสุ่มตัวอย่างที่มีประสิทธิภาพมากขึ้น และสถาปัตยกรรมแบบผสมผู้เชี่ยวชาญ (MoE) ล้วนเป็นส่วนหนึ่งของการเปลี่ยนแปลงนี้

พัฒนาการเหล่านี้มีความสำคัญ แต่เพียงลำพังยังไม่อาจสร้างความยั่งยืนได้ เพราะเมื่อถึงจุดหนึ่ง การเพิ่มประสิทธิภาพก็จะถึงจุดอิ่มตัวเช่นกัน อุตสาหกรรมเริ่มตระหนักแล้วว่านวัตกรรมด้านโมเดลพื้นฐานเข้าสู่ระยะที่ก้าวหน้าช้าลงและมีต้นทุนสูงขึ้น

แรงกดดันจากกระแสเงินทุนและความเปราะบางที่เพิ่มขึ้น

เมื่อข้อจำกัดทางเทคโนโลยีเริ่มปรากฏชัด การเติบโตด้านเงินทุนก็ยิ่งมีความเสี่ยงมากขึ้น

บริษัทผู้พัฒนาโมเดลพื้นฐานกำลังสร้างโครงสร้างพื้นฐานด้านการประมวลผลขนาดมหาศาล และยื่นข้อเสนออย่างดุเดือดในสงครามแย่งชิงบุคลากร ค่าใช้จ่ายเหล่านี้เกิดขึ้นก่อนที่บริษัทจะมีฐานรายได้ที่มั่นคง ต้นทุนการประมวลผลต่อปีของ OpenAI สูงถึงหลักพันล้าน Anthropic ได้รับเงินลงทุนหลักพันล้านจาก Microsoft ส่วน Google จัดสรรงบประมาณแยกให้ DeepMind

เงินลงทุนหลักพันล้านในศูนย์ข้อมูล สัญญา GPU ระยะหลายปี และเงินเดือนสูงลิ่วที่จ่ายให้บุคคลอย่าง Ilya Sutskever ล้วนทำให้ค่าใช้จ่ายของบริษัทพุ่งสูงขึ้นอย่างมาก

ภาพนี้แสดงให้เห็นว่าตลาดปฐมภูมิตั้งอยู่บนรูปแบบการขยายขนาดที่เปราะบางอย่างยิ่งในเชิงเศรษฐกิจ โครงสร้างต้นทุนของนวัตกรรมด้านโมเดลสูงเกินกว่าอัตราการเติบโตของรายได้อย่างมาก

การเติบโตอย่างเงียบๆ ของชั้นแอปพลิเคชัน

ขณะที่ตลาดปฐมภูมิอยู่ภายใต้แรงกดดัน ตลาดทุติยภูมิกลับเติบโตในแนวโน้มที่ค่อนข้างแข็งแกร่ง บริษัทเหล่านี้นำโมเดลพื้นฐานมาพัฒนาให้ใช้งานได้จริง

  • Perplexity: ออกแบบประสบการณ์การค้นหาใหม่
  • Cursor & Replit: พลิกโฉมกระบวนการเขียนโค้ด
  • Notion AI: ทำให้เครื่องมือเพิ่มประสิทธิภาพการทำงานฉลาดขึ้น
  • Dvina: เชื่อมต่อกับแอปพลิเคชัน 120+ รายการ เพื่อจัดการชีวิตดิจิทัลทั้งหมดผ่านชั้นการทำงานอัจฉริยะเพียงชั้นเดียว

ข้อได้เปรียบของบริษัทเหล่านี้คือการอยู่ใกล้ผู้ใช้มากที่สุด คุณค่าที่แท้จริงเกิดขึ้นโดยตรงในประสบการณ์ของผู้ใช้ ทั้งการค้นหา การเขียนโค้ด การสร้างเนื้อหา การเพิ่มประสิทธิภาพการทำงาน และการประมวลผลข้อมูล ล้วนมีรูปแบบรายได้ที่ขยายขนาดได้และเข้าใจง่าย

นี่คือเหตุผลที่ผู้พัฒนาโมเดลพื้นฐานหลายรายเริ่มหันมาสู่ชั้นแอปพลิเคชัน OpenAI เปลี่ยน ChatGPT ให้เป็นผลิตภัณฑ์ Anthropic พัฒนา Claude เป็นผลิตภัณฑ์สำหรับผู้บริโภค ส่วน Google ผสาน Gemini เข้ากับผลิตภัณฑ์ของตน กลยุทธ์การบูรณาการแนวดิ่งจึงแพร่หลายอย่างรวดเร็ว

แต่กลยุทธ์นี้ก่อให้เกิดผลข้างเคียง ต้นทุนการเข้าซื้อพุ่งสูงขึ้น มูลค่าประเมินของตลาดทุติยภูมิพองตัว การที่ตลาดทุติยภูมิ ซึ่งเป็นพื้นที่เดียวที่สามารถสร้างรายได้ มีราคาแพงขึ้นมากเช่นนี้ ยิ่งเพิ่มความเสี่ยงด้านเงินทุนในภาคส่วนนี้

วงจรในอดีตและปัจจัยที่ทำให้วันนี้แตกต่าง

ปัญญาประดิษฐ์เคยเผชิญภาวะถดถอยครั้งใหญ่สองครั้งในอดีต คือช่วงปลายทศวรรษ 1970 และต้นทศวรรษ 1990 สิ่งที่ทั้งสองช่วงมีร่วมกันคือความคาดหวังสูง นวัตกรรมก้าวหน้าช้า และความสนใจลงทุนที่เหือดหาย

สถานการณ์วันนี้แตกต่างออกไป นวัตกรรมทางเทคนิคยังคงเดินหน้า แต่ความก้าวหน้าแบบก้าวกระโดดเกิดขึ้นช้าลง ขณะที่กระแสเงินทุนกลับเติบโตในระดับที่ไม่เคยมีมาก่อน Sam Altman พูดถึงกองทุนด้านการประมวลผลมูลค่า $7 trillion ส่วน Elon Musk ทุ่มเงินหลักพันล้านให้ xAI

ดังนั้น สิ่งที่เรากำลังเผชิญจึงไม่ใช่ "ฤดูหนาวของ AI" แบบเดิม แต่เป็นช่วงแห่งความเปราะบางจากการจัดสรรเงินทุนเสียมากกว่า มูลค่าประเมินกำลังพองตัว ต้นทุนเพิ่มขึ้นอย่างรวดเร็ว แต่นวัตกรรมกลับก้าวหน้าไม่ทันความคาดหวัง

ยุคใหม่: แนวทางที่ฉลาดกว่า ไม่ใช่โมเดลที่ใหญ่กว่า จะเป็นผู้ชนะ

ความแตกต่างที่สำคัญที่สุดในวันนี้คือ สิ่งที่สำคัญตอนนี้ไม่ใช่การสร้างโมเดลให้ใหญ่ขึ้นด้วยการเพิ่มพารามิเตอร์

การเปลี่ยนแปลงที่แท้จริงจะเกิดขึ้นในด้านต่อไปนี้:

  • เพิ่มประสิทธิภาพการใช้พารามิเตอร์
  • บรรลุคุณภาพที่สูงขึ้นด้วยโมเดลที่เล็กลง
  • พัฒนาเทคนิคการฝึกแบบใหม่
  • ใช้ข้อมูลอย่างมีกลยุทธ์และมีประสิทธิภาพมากขึ้น
  • ลดต้นทุนการฝึกลงอย่างมาก

หนึ่งในตัวอย่างที่โดดเด่นที่สุดในช่วงหลังคือ DeepSeek สตาร์ทอัพจากจีนรายนี้พัฒนาโมเดลที่มีประสิทธิภาพระดับ GPT-4 แต่มีต้นทุนการฝึกต่ำกว่ามาก โดยใช้สถาปัตยกรรมแบบผสมผสานผู้เชี่ยวชาญ การปรับพารามิเตอร์ให้เหมาะสม และเทคนิคการฝึกที่เน้นประสิทธิภาพ ตลาดตอบสนองอย่างรุนแรง

หลังการประกาศของ DeepSeek มูลค่าตลาดของ NVIDIA ลดลง $600 พันล้านภายในวันเดียว สิ่งนี้แสดงให้เห็นว่าตอนนี้นักลงทุนไม่ได้จับตาเพียงการแข่งขันเพื่อสร้างโมเดลที่ใหญ่ขึ้น แต่ยังติดตามการแข่งขันด้านประสิทธิภาพและนวัตกรรมสถาปัตยกรรมด้วย

แต่เพียงเท่านี้ก็ยังไม่พอ หากวงการนี้จะก้าวกระโดดอย่างแท้จริง ก็ต้องอาศัยแนวคิดสถาปัตยกรรมแบบใหม่ที่ไปไกลกว่าสถาปัตยกรรมทรานส์ฟอร์เมอร์ อาจเป็นการประมวลผลแบบเลียนแบบระบบประสาท โมเดลแบบไฮบริด หรือกรอบการเรียนรู้ที่แตกต่างออกไปโดยสิ้นเชิง

การเปลี่ยนแปลงแบบพลิกโฉมเช่นนี้มักไม่ได้มาจากบริษัทขนาดใหญ่ บริษัทเหล่านี้ดำเนินงานอย่างระมัดระวังเพราะแรงกดดันจากขนาดธุรกิจ ต้นทุนโครงสร้างพื้นฐาน และการบริหารความเสี่ยงขององค์กร ความก้าวหน้าครั้งสำคัญที่แท้จริงมักเกิดจากสตาร์ทอัพขนาดเล็กที่เดินเกมรุก ยอมรับความเสี่ยงได้ และมีความทะเยอทะยาน

ระบบนิเวศ AI ในวันนี้น่าจะกำลังรอการพลิกโฉมเช่นนี้อยู่

บทสรุป: แนวทางจะเป็นตัวตัดสินชัยชนะ ไม่ใช่ทรัพยากร

วงการ AI ในวันนี้กำลังแกว่งอยู่ระหว่างแรงตึงเครียดสองด้าน: ด้านหนึ่งคือกลยุทธ์การขยายขนาดโมเดลที่กำลังเข้าใกล้ขีดจำกัด อีกด้านคือความเสี่ยงด้านเงินทุนที่เพิ่มขึ้นและตลาดแอปพลิเคชันที่มีมูลค่าเพิ่มขึ้นอย่างรวดเร็ว

ภาพนี้ชี้ให้เห็นว่าปัญหาพื้นฐานในตอนนี้อยู่ที่แนวทาง ไม่ใช่ขีดความสามารถ ผู้ชนะในวันข้างหน้าจะไม่ใช่ผู้ที่สร้างโมเดลให้ใหญ่ขึ้น แต่เป็นผู้ที่พัฒนาวิธีการที่ฉลาดกว่า ประสิทธิภาพ การออกแบบสถาปัตยกรรมแบบใหม่ และเทคนิคการฝึกที่ปรับให้เหมาะสมกำลังกลายเป็นเส้นแบ่งที่แท้จริงของวงการนี้

สิ่งที่จะเป็นตัวตัดสินในอนาคตคือคุณภาพของแนวทาง ไม่ใช่พลังของทรัพยากร และมีโอกาสค่อนข้างสูงที่สตาร์ทอัพที่มีวิสัยทัศน์จะเป็นผู้ริเริ่มการเปลี่ยนแนวทางครั้งนี้ แทนที่จะเป็นบริษัทขนาดใหญ่

เข้าร่วม Dvina

สมัครฟรี แล้วรวมเครื่องมือทั้งหมดของคุณไว้ในพื้นที่ทำงานเดียวที่ใช้งานง่าย

สำรวจเพิ่มเติม