**
รถศึกสามคันแห่งวงการ AI จีน
เป็นเวลานานที่โมเดล AI ของจีนดำเนินตามเส้นทางหลักสามเส้นทาง
เส้นทางแรกคือการจงใจทำให้เล็ก ตัวอย่างเช่น minimax-m3, Kimi K2.5 และ hy3 ซึ่งจำกัดพารามิเตอร์ที่ถูกเปิดใช้งานไว้ที่ประมาณ 20B อย่างแข็งขัน การที่ 20B จะ "เล็ก" จริงหรือไม่นั้นเป็นคำถามที่ละเอียดอ่อน แต่ในแง่วิศวกรรม เรามักจะถือว่ามันเป็นเช่นนั้น
พารามิเตอร์ที่ถูกเปิดใช้งานที่มีขนาดเล็กกว่ามักเป็นข้อจำกัดทางเศรษฐกิจที่ยากลำบาก การเพิ่มประสิทธิภาพสูงสุดภายใต้ข้อจำกัดเหล่านี้คือแนวคิดทั่วไปของ "โมเดลขนาดเล็ก"
เส้นทางที่สองคือ DeepSeek และผู้ผลิตที่มีโครงสร้างทางเทคนิคและขนาดใกล้เคียงกันซึ่งเกิดขึ้นภายหลัง จุดเด่นของเส้นทาง DeepSeek ไม่ได้มีแค่การเป็นโอเพนซอร์สเต็มรูปแบบเท่านั้น แต่ที่สำคัญกว่านั้นคือ DeepSeek-V3/R1 เป็นโมเดลขนาดใหญ่ตั้งแต่เริ่มต้น โดยเทียบเคียงกับโมเดลระดับท็อปของ OpenAI
เมื่อ R1 ระเบิดความนิยม DeepSeek ได้เพิ่มโครงสร้างทางเทคนิคที่กว้างขวางซึ่งเน้นประสิทธิภาพทางเศรษฐกิจ ดังนั้น เส้นทาง DeepSeek จึงมีลักษณะเฉพาะคือ "ประสิทธิภาพสูงพร้อมรับประกันความคุ้มค่าในการอนุมาน" GLM-5 เป็นผู้สืบทอดและผู้ปฏิบัติตามเส้นทางนี้อย่างเป็นระบบ โดย GLM-5.2 เป็นหนึ่งในผลลัพธ์ที่รู้จักกันดี
เส้นทางที่สามคือ Kimi โครงสร้างทางเทคนิคของ Kimi นั้นเป็นอิสระมาโดยตลอด และมีความสัมพันธ์ที่ห่างไกลกับ DeepSeek ในขณะที่ซีรีส์ K2.5 ถึง K2.7 ได้ซึมซับโครงสร้างทางเทคนิคของ DeepSeek อย่างมีนัยสำคัญ แต่ซีรีส์ K3 ใหม่กลับคืนสู่เทคโนโลยีที่เป็นกรรมสิทธิ์ของตนเอง
K3 ได้ผลักดันพารามิเตอร์ทั้งหมดไปที่ 2.8T โดยพารามิเตอร์ที่ถูกเปิดใช้งานประมาณ 50B โดยใช้เทคโนโลยีที่เป็นกรรมสิทธิ์ทั้งหมด กฎแห่งการปรับขนาด (Scaling Law) ของขนาดได้ส่งผล แต่ก็ทำให้ประสิทธิภาพทางเศรษฐกิจของ Kimi K3 ลดลงอย่างมาก เข้าสู่ช่วงราคาของ Claude Sonnet
แม้ว่าจะยังคงถูกมากเมื่อเทียบกับ Claude แต่คลัสเตอร์การอนุมานของ Kimi นั้นตั้งอยู่ในประเทศจีน เมื่อพิจารณาถึงข้อจำกัดด้านจำนวน GPU Kimi อาจไม่ได้ให้ความสำคัญกับความคุ้มค่าเป็นอันดับแรกเมื่อสร้าง K3
กล่าวอีกนัยหนึ่ง K3 คือผลผลิตของโครงสร้างทางเทคนิคที่เป็นอิสระ ขนาดที่มหาศาล และการไล่ล่าประสิทธิภาพสูงอย่างเต็มที่
แตกต่างจากโมเดลในเส้นทาง DeepSeek ที่สร้างสมดุลระหว่างประสิทธิภาพและความคุ้มค่า เป้าหมายของ K3 ตั้งแต่เริ่มต้นไม่ใช่การสร้าง R1 ที่ดีกว่า แต่เป็นการเทียบเคียงกับโมเดลขนาดใหญ่พิเศษที่ล้ำสมัยจาก OpenAI และ Anthropic
ทำไม K3 ถึงใหญ่ขนาดนี้?
การอธิบายว่า Kimi เป็นเส้นทางเทคนิคอิสระที่ไม่เกี่ยวข้องกับ DeepSeek เลยนั้นไม่ถูกต้องทั้งหมด
เอกสารของ Kimi K2 ทำให้ชัดเจน: K2 ใช้สถาปัตยกรรม MoE แบบเบาบางยิ่งยวด (Ultra-sparse MoE) และ MLA ที่คล้ายกับ DeepSeek-V3 ทั้งคู่มี 61 เลเยอร์และ expert ที่ใช้ร่วมกัน โดยแต่ละ token จะเปิดใช้งาน routed expert 8 ตัว K2 ปรับปรุงจากพื้นฐานนี้โดยเพิ่มจำนวน expert เป็น 384 ตัว ลดจำนวน attention heads ลงครึ่งหนึ่ง และใช้ MuonClip ที่พัฒนาขึ้นเอง, data recipes, การฝึกหลังการปรับแต่ง (agentic post-training) และโครงสร้างพื้นฐานอิสระเพื่อสร้าง fork ของตัวเอง
ดังนั้น K2 จึง更像是 Kimi 的一个分支，建立在 DeepSeek-V3 风格的底盘上，而不是一个从头开始的不同物种。
สิ่งที่ควรสังเกตอย่างแท้จริงคือ ขนาดพื้นฐานจาก K2.5 ถึง K2.7 ไม่ได้ขยายตัวอย่างต่อเนื่อง: พารามิเตอร์ทั้งหมดยังคงอยู่ที่ประมาณ 1T พารามิเตอร์ที่ถูกเปิดใช้งานประมาณ 32B โดยยังคงเลือก expert 8 ตัวจากทั้งหมด 384 ตัว
กล่าวอีกนัยหนึ่ง Kimi พิสูจน์ให้เห็นว่าสามารถบีบการพัฒนาหลายรุ่นออกจากแชสซีเดียวกันได้โดยใช้การฝึกหลังการปรับแต่ง (post-training) และระบบเอเจนต์ โดยไม่ต้องขยายฐาน
แต่ K3 แตกต่างออกไป K3 ไม่ใช่แค่การอัปเกรดเวอร์ชันตามปกติเท่านั้น มันเป็นสัญญาณว่า Kimi ตัดสินใจอย่างแข็งขันที่จะยุติช่วง "การฝึกหลังการปรับแต่งบนฐานที่มีอยู่ต่อไป" และกลับไปสู่การขยายขนาดการฝึกก่อน (pre-training scale expansion)
K3 ใช้ประโยชน์จากเทคโนโลยีที่เป็นกรรมสิทธิ์ซึ่งกระจัดกระจายอยู่ก่อนหน้านี้อย่างหนัก เช่น ฐานการฝึก กลไกความสนใจ และโครงสร้างการกำหนดเส้นทาง expert ของตัวเอง ในขั้นตอนนี้ เครือญาติระหว่าง K3 และ DeepSeek นั้นห่างไกลออกไปมากแล้ว
K3 มุ่งหวังที่จะพิสูจน์สองสิ่ง: ประการแรก Kimi สามารถกำหนดกระบวนทัศน์ทางเทคนิคของตนเองได้ ประการที่สอง Kimi มีคุณสมบัติที่จะใช้เทคโนโลยีใหม่เพื่อฝึกโมเดลขนาดใหญ่พิเศษแบบใหม่เอี่ยมที่เทียบเคียงกับ OpenAI และ Anthropic
และผลลัพธ์ก็คือ K3 ประสบความสำเร็จ
จากสาธารณูปโภค สู่การผูกขาดสิทธิพิเศษ
ก่อน DeepSeek จีนไม่ได้ขาดโมเดลที่ใช้งานได้ แต่ก็ใช้งานได้แบบพอประคองตัวเท่านั้น
การเกิดขึ้นของ DeepSeek นำโมเดลประสิทธิภาพสูงมาให้จีนเป็นครั้งแรก กลายเป็นสาธารณูปโภคสำหรับ AI จีนรุ่นหนึ่ง ภารกิจหลักของสาธารณูปโภคคือการนำไปใช้ (Adoption): จะส่งเสริมความสามารถที่ "ดี" ในวงกว้างได้อย่างไร โดยเฉพาะอย่างยิ่งบนฐานการอนุมานที่ไม่ได้ร่ำรวยมากนัก?
ดังนั้น บทบาทของ DeepSeek ไม่ใช่แค่การก้าวกระโดดด้านประสิทธิภาพ แต่ยังเป็นภาระหนักในการปรับให้เหมาะสมทางเศรษฐกิจอีกด้วย
ตั้งแต่ V3 ถึง V4 DeepSeek รักษาราคา API ที่เกือบจะเป็นการกุศล โดยมีโครงสร้างทางเทคนิคที่โตเต็มที่ซึ่งเน้นการปรับแต่งการอนุมาน
ในขั้นตอนนี้ ปัญหาที่ AI จีนเผชิญคือ: ขั้นแรกต้องตอบสนองความต้องการด้านประสิทธิภาพของสาธารณูปโภค จากนั้นจึงลดต้นทุนการคำนวณของสาธารณูปโภคนั้น
สำหรับผู้ผลิตจีนรายอื่นที่ไม่ใช่ DeepSeek ภารกิจกลายเป็นสองเท่าในทันที: ประการแรก ประสิทธิภาพต้องตาม R1 ให้ทัน มิฉะนั้นโมเดลจะไม่มีจุดยืนในการแข่งขัน ประการที่สอง ราคา ปริมาณงาน และประสิทธิภาพในการปรับใช้ต้องใกล้เคียงกับ DeepSeek ให้มากที่สุด มิฉะนั้นจะไม่มีการนำไปใช้
การเปลี่ยนผ่านโครงสร้างทางเทคนิคเป็นระยะของ GLM เป็นภาพจำลองที่ชัดเจนที่สุดของแรงกดดันทางอุตสาหกรรมนี้
ในแง่นี้ DeepSeek นำโมเดลจีนเข้าสู่ช่วงการนำไปใช้ (Adoption phase) คำถามหลักของช่วงนี้คือ: จะให้ผู้คนใช้ปัญญาที่แข็งแกร่งเพียงพอได้มากขึ้นได้อย่างไร และจะจัดการกับการระเบิดของปริมาณการเรียกใช้ที่ตามมาได้อย่างไร
แต่ห้องแล็บชั้นสูง (Frontier lab) จะต้องตอบคำถามอีกข้อหนึ่งในที่สุด: หากคุณไล่ตามแต่การเป็นเวอร์ชันที่ถูกกว่าของคนอื่นเท่านั้น โมเดลประสิทธิภาพที่สูงขึ้นจะมาจากไหน?
บริษัทอินเทอร์เน็ตรายใหญ่ทั้งหมดเลือกทางเลือก: หาทางเลี่ยงการแบนและนำเข้าจากสหรัฐอเมริกา ตัวอย่างเช่น หน่วยงานในสิงคโปร์ที่มีชื่อเสียงของ Alibaba อนุญาตให้ผู้ใช้รัน Claude Code ผ่านการเข้าสู่ระบบระยะไกลไปยังเครื่องในสิงคโปร์
แล้วพวกเขาก็ถูกบล็อก ถ้าลุงแซมไม่ได้ส่งหมัดเด็ด 5.6-Sol มาให้อย่างรวดเร็ว ดาริโออาจจะตีพิมพ์บทความอีกสองสามชิ้นที่เหยียบหัวชาวจีน
ด้วยการเพิ่มประสิทธิภาพทางวิศวกรรมอย่างกว้างขวาง จีนค่อยๆ ตระหนักถึงรากฐานสำหรับสาธารณูปโภคของ AI แต่หากไม่มีโมเดลชั้นแนวหน้าที่ใหญ่กว่าและมีประสิทธิภาพสูงกว่า ก็จะยังคงตามหลังอยู่หนึ่งก้าวเสมอ ตกอยู่ใน "การแข่งขันสิทธิพิเศษ" ที่เสียเปรียบในระยะยาว
ดาบของเซียงจวง: เล็งเป้าเกินกว่าผิวเผิน
K3 ขนาด 2.8T คือคำตอบของ Moonshot ต่อปัญหานี้
K2.5 ถึง K2.7 ยังคงสามารถเข้าใจได้ว่าเป็นการปรับปรุงความคุ้มค่าด้านต้นทุนบนฐาน 1T-A32B ผ่านการฝึกก่อนต่อเนื่อง (continued pre-training) RL สภาพแวดล้อมเครื่องมือ และระบบเอเจนต์
แต่ K3 ผลักดันความจุทั้งหมดไปที่ 2.8T โดยตรง ยอมรับข้อกำหนดการปรับใช้ที่ต้องใช้การ์ดเร่งความเร็วมากกว่า 64 ตัว และขึ้นราคา API จาก $0.95/$4 ของ K2.7 Code เป็น $3/$15 แม้ว่าราคานี้จะเทียบได้กับ Sonnet เท่านั้น แต่ก็ยังแพงมาก
ประเด็นสำคัญคือการ์ดเร่งความเร็ว 64 ตัว คุณจะหาโหนด 64 การ์ดจำนวนมากในคลัสเตอร์การอนุมานของจีนได้ที่ไหน?
K3 อาจยังคงหวังที่จะรักษาความคุ้มค่าไว้ แต่แทบจะเป็นไปไม่ได้เลยสำหรับ K3 โมเดลยักษ์ใหญ่ 2.8T ถือเป็นการทดสอบครั้งใหญ่แม้กระทั่งสำหรับบริษัทการอนุมานของอเมริกา ดังนั้น เจตนาของ K3 จึงไม่ใช่เพื่อการนำไปใช้ในวงกว้างอย่างชัดเจน แต่เพื่อเปิดเผยรหัสโมเดลมาตรฐานที่สามารถนำไปใช้ในวงกว้างในสนามรบที่ล้ำหน้าที่สุด
เมื่อเทียบกับข่าวประชาสัมพันธ์ส่วนใหญ่ที่อ้างว่าทำลายโมเดลอเมริกา ถ้อยคำอย่างเป็นทางการของ Kimi นั้นปานกลางกว่า: โดยรวมแล้ว K3 ยังคงตามหลัง Fable 5 และ GPT-5.6 Sol
แน่นอน จากอีกมุมมองหนึ่ง มันก็ดุดันมาก: มันตามหลังโมเดลระดับท็อปของ OpenAI และ Anthropic เพียงเล็กน้อยเท่านั้น
เมื่อเข้าสู่กลุ่มนี้แล้ว K3 จะทำให้เรื่องเล่าเชิงพาณิชย์ที่สำคัญที่สุดของ Anthropic ในปีที่ผ่านมาไม่มั่นคงเป็นอันดับแรก
เรื่องเล่าเครื่องจักรเคลื่อนที่ถาวรของ Anthropic
ระเบียบวิธีของ Anthropic นั้นชัดเจนมาโดยตลอด: เราสร้างโมเดลที่ไม่มีใครเทียบได้ และเมื่อผู้ใช้พบว่ามันสามารถทำงานที่โมเดลอื่นทำไม่ได้ พวกเขาก็จะยินดีจ่ายเงินพรีเมียมเพื่อประสิทธิภาพที่สูงขึ้น
Fable 5 คือผลิตภัณฑ์ที่รุนแรงที่สุดของระเบียบวิธีนี้ มันกำหนดเป้าหมายงานความรู้ที่ยากที่สุด งานโค้ด และงานอะซิงโครนัสที่ซับซ้อนซึ่งอาจกินเวลานานหลายวัน โดยราคา API สูงถึง $10 ต่อ token อินพุต 1 ล้านตัว และ $50 ต่อ token เอาต์พุต 1 ล้านตัว ซึ่งเป็นสองเท่าของราคาปกติของ Opus 4.8
Anthropic ไม่ได้ขาย token ที่แพงกว่า มันกำลังขายช่วงงาน (task interval) ใหม่: โครงการที่ไม่สามารถทำให้เสร็จได้อย่างเสถียรในอดีต ตอนนี้ Fable สามารถจัดการได้ ในสถานการณ์เหล่านี้ Fable มีคุณค่าที่ไม่มีใครเทียบได้
ตราบใดที่ความไม่มีใครเทียบได้นี้ยังคงอยู่ ส่วนเพิ่มราคาก็สมเหตุสมผลอย่างยิ่ง ท้ายที่สุด โมเดลประสิทธิภาพสูงเข้ามาแทนที่แรงงานที่มีความรู้สูง และค่าจ้างของอย่างหลังนั้นแพงกว่าโมเดลมาก
หลังจากการเปิดตัว Fable ตลาดเกิดภาพลวงตาชั่วครู่หนึ่งว่า OpenAI ไม่สามารถตาม Anthropic ทันอีกต่อไป การคาดการณ์ที่มองโลกในแง่ดีอย่างยิ่งของ SemiAnalysis ถึงกับประมาณการว่า ARR ของ Anthropic อาจสูงถึง 300,000 ล้านดอลลาร์ภายในสิ้นปี 2027 โดยมีมูลค่าองค์กร 6 ล้านล้านดอลลาร์ที่อัตราคูณ ARR 20 เท่า
การคาดการณ์นี้อาศัยสมมติฐานชุดหนึ่ง: API คิดเป็น 75%–85% ของรายได้, อัตรากำไรขั้นต้นของ API สูง, อัตราการรักษารายได้สุทธิสูงมาก และการเจาะตลาดอย่างต่อเนื่องของ Claude Code
เมื่อยืนอยู่ ณ วันที่ 18 กรกฎาคม ดูเหมือนว่า SemiAnalysis กำลังหลอนประสาท แต่ในวันที่ 8 กรกฎาคม หลายคนพบว่ามันค่อนข้างเป็นไปได้
ความจริงได้จัดลำดับเวลาที่น่าตื่นเต้นอย่างยิ่งสำหรับเรื่องเล่านี้ การคาดการณ์มูลค่า 6 ล้านล้านดอลลาร์ถูกเผยแพร่อย่างกว้างขวางในวันที่ 8 กรกฎาคม และ GPT-5.6 Sol เปิดตัวอย่างเป็นทางการในวันที่ 9 กรกฎาคม
เรื่องเล่าเครื่องจักรเคลื่อนที่ถาวรของ Anthropic กินเวลาไม่ถึงเดือนก่อนที่จะถูกพลิกคว่ำ ในช่วงเวลานั้น บทความสองสามชิ้นที่วิจารณ์การกลั่น (distillation) โมเดลของจีนก็ถูกโยนเข้ามาด้วย
ใครฆ่านกกระจอกค็อก โรบิน?
หลังจากการเปิดตัว GLM-5.2 ฉันเขียนบทวิเคราะห์อย่างเป็นระบบเกี่ยวกับความสำคัญของมัน ซึ่งได้รับการยกย่องจากสาธารณชนว่าเป็น "ผลงานชิ้นเอก"
เมื่อพิจารณาว่า Zhipu ไม่เคยจ่ายเงินให้ฉันเพื่อโปรโมท ฉันยังคงเป็นนักวิจัยอิสระ (หัวเราะ)
อย่างไรก็ตาม GLM-5.2 ได้สั่นคลอนรากฐานของ Anthropic จริงๆ ผู้คนเพิ่งไม่ทราบถึงความรุนแรงของสถานการณ์ในเวลานั้น
GLM-5.2 มีประสิทธิภาพดีกว่า Opus 4.8 ในงานส่วนใหญ่ รองลงมาคือ Opus 4.7 คุณอ่านไม่ผิด: ดีกว่า 4.8 ในขณะที่รองลงมาจาก 4.7 ซึ่งทำให้สงสัยว่า Anthropic เจือจางน้ำลงไปใน 4.8 มากแค่ไหน
ในขณะเดียวกัน ราคาของ GLM-5.2 อยู่ที่เพียงหนึ่งในห้าของ Opus และไม่มีปัญหาการจำกัดอัตรา (rate-limiting) ของแผนสมาชิกของ Anthropic การเกิดขึ้นของ GLM-5.2 ได้คุกคามจุดยึดราคาของกลุ่มโมเดลหลักของ Anthropic อย่างมีนัยสำคัญแล้ว
เป็นผลให้ตลาดหวังว่าจะตั้งราคา Anthropic สำหรับ "โมเดลที่ล้ำหน้ากว่า" ซึ่งนำไปสู่การคาดการณ์มูลค่า 6 ล้านล้านดอลลาร์ของ SemiAnalysis
ทันทีหลังจากนั้น Sol ปะทะกับ Fable อย่างเต็มตัวในระดับความสามารถสูงสุด Anthropic ขยายขีดจำกัดการสมัครสมาชิก Fable หลายครั้ง และในที่สุดก็ประกาศว่ามันจะกลายเป็นสิทธิพิเศษถาวรสำหรับ Max และ Team Premium
แล้ว K3 ก็ออกมา ความสามารถที่ครอบคลุมของมันตามหลัง Fable และ Sol—และตามหลังเพียง Fable และ Sol เท่านั้น ในขณะเดียวกัน K3 เป็นโอเพนซอร์ส และคลัสเตอร์การอนุมานใดๆ ก็สามารถปรับใช้ได้
เด็กๆ โมเดล AI ขั้นสูงมันเติบโตในทุ่งนาจริงๆ นะ
การแข่งขันที่ไม่สมมาตร
ในอดีต เหตุผลของการควบคุมชิปคอมพิวเตอร์ขั้นสูงของสหรัฐฯ ต่อจีนนั้นตรงไปตรงมา: ชะลอการฝึกโมเดลชั้นแนวหน้าของจีนและการสร้างระบบนิเวศเซมิคอนดักเตอร์อิสระ โดยการจำกัดพลังการคำนวณต้นน้ำ ความมั่นคงแห่งชาติ การทหาร และการใช้ในการเฝ้าระวังเป็นเหตุผลทางกฎหมายสาธารณะ ในขณะที่การรักษาความเป็นผู้นำของสหรัฐฯ ในเทคโนโลยีหลักเป็นเป้าหมายทางอุตสาหกรรมควบคู่กัน
แน่นอน ปัญหาที่ใหญ่กว่าคือ ชิปขั้นสูงของสหรัฐฯ เองก็ไม่เพียงพอ สหรัฐฯ ไม่เพียงแต่กังวลว่าจีนจะได้มาซึ่งพลังการคำนวณเท่านั้น แต่ยังไม่ต้องการให้บริษัทจีนเข้าร่วมการประมูล ซึ่งจะเบียดบังความสามารถในการซื้อการ์ดของห้องแล็บและศูนย์ข้อมูลของสหรัฐฯ
การควบคุมเหล่านี้เพิ่มความยากลำบากให้จีนในการฝึกโมเดลชั้นแนวหน้าอย่างแน่นอน แต่ก็สร้างผลกระทบย้อนกลับที่แยบยลเช่นกัน: มันพรากความสามารถในการทำกำไรส่วนเกินของบริษัท AI จีนไป ในขณะเดียวกันก็เปลี่ยนข้อเสียเปรียบนี้ให้เป็นอาวุธในเกม
เนื่องจากคุณจะไม่ยอมให้ฉันทำกำไรส่วนเกิน และฉันไม่ต้องการให้เทคโนโลยีของฉันถูกปิดกั้น ฉันก็จะแจกฟรีเมื่อฉันสร้างมันขึ้นมา
และโมเดลโอเพนซอร์สไม่เลือกปฏิบัติเรื่องการ์ดจอ การ์ดจีนสามารถปรับใช้ได้ คลัสเตอร์การคำนวณของสหรัฐฯ ก็สามารถทำได้เช่นกัน Fireworks, TogetherAI และ NeoClouds หลายแห่งล้วนมี GPU มากมาย
ดังนั้น การรวมกันที่เป็นนามธรรมอย่างยิ่งจึงเกิดขึ้นในการแข่งขัน AI ระหว่างสหรัฐฯ และจีน:
โมเดลจีน + คลัสเตอร์การอนุมานของสหรัฐฯ และทั่วโลก VS ห้องแล็บ AI โอเพนซอร์สของสหรัฐฯ
ห้องแล็บจีนรับผิดชอบการวิจัยและพัฒนาโมเดลที่มีราคาแพง โดยแลกน้ำหนักโอเพนซอร์ส (open weights) เพื่อการนำไปใช้และสถานะระดับแนวหน้า ผู้ให้บริการคลาวด์และแพลตฟอร์มการอนุมานของสหรัฐฯ ใช้ GPU ในท้องถิ่นเพื่อจัดการการเรียกใช้ โดยกำหนดราคาตามต้นทุนและทำกำไรได้มหาศาล
ผู้ที่สูญเสียผลกำไรอย่างแท้จริงคือห้องแล็บชั้นนำของสหรัฐฯ ที่พึ่งพาน้ำหนักปิด (closed weights) และความขาดแคลนความสามารถในการคิดราคาระดับพรีเมียม
สำหรับห้องแล็บจีน การเสียสละน้ำหนักโอเพนซอร์สหมายถึงการสูญเสียค่าเช่า API ที่อาจเกิดขึ้น ซึ่งถูกจำกัดด้วยความสามารถในการอนุมานของตนเองอยู่แล้ว
สำหรับห้องแล็บปิดของสหรัฐฯ สิ่งที่ถูกเสียสละคือผลกำไรส่วนเกินที่แท้จริงซึ่งสร้างขึ้นจากพลังการคำนวณในท้องถิ่นที่อุดมสมบูรณ์และความขาดแคลนความสามารถระดับโลก
ดังนั้น สหรัฐฯ จึงไม่เผชิญกับทางเลือกง่ายๆ ของ "คว่ำบาตรต่อไปหรือเปิดขาย" แต่เป็นสามเหลี่ยมที่เป็นไปไม่ได้:
- คว่ำบาตรจีน จีนจะยังคงปล่อยโมเดลโอเพนซอร์สต่อไป ดังนั้นจะไม่มีใครทำเงิน
- ปล่อยให้จีนซื้อการ์ด การประมูลร่วมกันอาจทำให้ห้องแล็บในประเทศขาดแคลนการ์ด
- ให้การ์ดจีนอย่างเหมาะสมเพื่อให้เกิดการประนีประนอม แต่เท่าไหร่ถึงจะเหมาะสม? ไม่มีใครรู้ และไม่มีใครกล้าพูด
นี่คือการแข่งขันที่ไม่สมมาตรโดยทั่วไป วอชิงตันชอบพูดถึงการแข่งขันที่ไม่สมมาตร ตอนนี้คำนี้ได้กลับมาหลอกหลอนวอชิงตันแล้ว
ความภักดีต่อ Micron!
การผลักดันห่วงโซ่นี้ขึ้นไปอีกขั้นหนึ่งจะกระทบต่อเรื่องเล่า AI CapEx ทั้งหมด
ในอดีต อัตรากำไรขั้นต้นจากการอนุมานที่สูงของโมเดลชั้นแนวหน้าแบบปิด (closed-source) เป็นเบาะรองที่สำคัญที่สุดสำหรับห่วงโซ่ AI CapEx ตราบใดที่ความสามารถของโมเดลยังขาดแคลน API และการสมัครสมาชิกก็สามารถรักษาราคาสูงไว้ได้ ห้องแล็บและผู้ให้บริการคลาวด์ได้รับอัตรากำไรขั้นต้นสูง ทำให้พวกเขาสามารถทนต่อ GPU ที่แพงกว่า ค่าเสื่อมราคาที่เร็วขึ้น และการลงทุนในศูนย์ข้อมูลที่ก้าวร้าวมากขึ้น ต้นน้ำก็จะขยายการผลิตต่อไปและรักษาระดับราคาที่สูงไว้ได้
ห่วงโซ่นี้สามารถเขียนได้ง่ายๆ ดังนี้:
ความขาดแคลนความสามารถของโมเดล → ราคา API สูง → อัตรากำไรขั้นต้นปลายน้ำสูง → ความสามารถในการทนต่อส่วนเกินของ GPU → การขยาย CapEx → ความเจริญรุ่งเรืองของต้นน้ำอย่างต่อเนื่อง
เมื่อหลายแพลตฟอร์มสามารถปรับใช้น้ำหนักเดียวกันได้ ราคาการอนุมานจะเปลี่ยนจาก "ห้องแล็บชั้นแนวหน้าต้องการคิดราคาเท่าไหร่" กลับไปเป็น "คลัสเตอร์ที่มีประสิทธิภาพต้องใช้ต้นทุนเท่าไหร่ในการทำงานให้สำเร็จ"
น้ำหนักโอเพนซอร์สไม่ได้เปลี่ยนความจริงที่ว่าพลังการคำนวณมีค่าใช้จ่าย มันเอา "ภาษีโมเดล" ที่ติดอยู่กับการบริโภคการคำนวณออกไป Fireworks ไม่จำเป็นต้องแบกรับต้นทุนการฝึกก่อนของ K3 สำหรับ Moonshot และไม่ต้องจ่ายค่าเช่าโมเดลเต็มจำนวนให้กับโมเดลต้นน้ำแบบโอเพนซอร์สต่อ token
มันยังคงต้องแบกรับต้นทุนของ GPU, เอ็นจิ้นการอนุมาน, quantization, caching, เครือข่าย, การเงิน, SLA และการขายองค์กร แต่มันต้องการเสนอราคาตามต้นทุนการคำนวณจริง อัตราการใช้งาน ต้นทุนการบริการ และกำไรจากการแข่งขันเท่านั้น นี่คือตรรกะการกำหนดราคาตามต้นทุนทั่วไป และสำหรับอุตสาหกรรมที่พึ่งพาความเจริญรุ่งเรือง การกำหนดราคาตามต้นทุนมีผลกระทบร้ายแรงต่อต้นน้ำ
สิ่งนี้จะเปลี่ยนการคำนวณผลตอบแทนจากทุนสำหรับ GPU ทุกตัวในทางกลับกัน
ในอดีต ผู้ให้บริการสามารถใส่ต้นทุนฮาร์ดแวร์ราคาแพงลงใน API โมเดลราคาสูงและส่งต่อไปยังลูกค้าปลายทาง
เมื่อแพลตฟอร์มการอนุมานแข่งขันกันด้วยน้ำหนักโอเพนซอร์สเดียวกัน มันจะยากขึ้นสำหรับแพลตฟอร์มใดที่จะยังคงส่งต่อส่วนเกินนี้ต่อไป ดังนั้น การจัดซื้อ GPU ต้องการอัตราการใช้งานที่สูงขึ้น ระยะเวลาคืนทุนที่สั้นลง ต้นทุนทางการเงินที่ต่ำลง และสัญญาลูกค้าที่แน่นอนมากขึ้น
ในระยะสั้น ผู้ซื้อปลายน้ำที่กระจายตัวมากขึ้นจะไม่ทำให้อำนาจต่อรองของผู้ผลิตการคำนวณ (โดยเฉพาะ NVDA) ลดลง แต่ในระยะยาว การลดลงอย่างเป็นระบบของอัตรากำไรขั้นต้นปลายน้ำจะนำไปสู่ความยืดหยุ่นในการต่อรองที่แย่ลงสำหรับต้นน้ำอย่างหลีกเลี่ยงไม่ได้ ซึ่งเป็นความเสี่ยงที่ควบคุมไม่ได้และมหาศาลสำหรับเรื่องเล่า AI CapEx ทั้งหมด
ใหญ่เกินไปที่จะล้มเหลว
ณ จุดนี้ K3 ขนาด 2.8T ได้เปิดเผยความหมายสองประการที่ดูเหมือนจะขัดแย้งกัน
ในแง่หนึ่ง K3 ไม่ใช่โมเดลที่คุ้มค่ามากนัก โดยผลักดันโมเดลเข้าสู่ช่วงราคา Sonnet และกลุ่มการปรับใช้ที่ต้องใช้การ์ด 64+ ตัว
ในอีกแง่หนึ่ง มันเป็นเพราะ "ไม่ให้ความสำคัญกับความคุ้มค่าเป็นอันดับแรก" นี้เองที่ทำให้ K3 มีคุณสมบัติเข้าสู่กลุ่มความสามารถสูงสุด ทำให้ค่าเช่าโมเดลของ Anthropic ไม่มั่นคง ปรับโครงสร้างผลกำไรการอนุมานระหว่างสหรัฐฯ และจีน และมีอิทธิพลต่อเรื่องเล่า AI CapEx
ในอดีต หลายบริษัทชอบพูดถึงฝั่งเอดจ์ (edge-side) ขนาดเล็ก และ "ดีพอ" เส้นทางเหล่านี้มีความสำคัญอย่างแน่นอน พวกมันกำหนดว่าปัญญาที่มีอยู่สามารถแพร่กระจายไปยังอุปกรณ์ ผู้ใช้ และอุตสาหกรรมได้ไกลแค่ไหน
แต่คำว่า "ดีพอ" นั้นน่าเบื่อมาก มันใช้ได้กับตลาดที่ขอบเขตความสามารถถูกกำหนดไว้แล้วเท่านั้น
AI ชั้นแนวหน้าไม่เคยเผชิญกับชุดงานที่ตายตัว: โมเดลที่เพิ่งเรียนรู้การเขียนโปรแกรมไฟล์เดียวในวันนี้ จะต้องจัดการกับโค้ดเบสทั้งหมดในวันพรุ่งนี้ โมเดลที่เพิ่งเรียนรู้การเรียกใช้เครื่องมือ (tool calling) จะต้องทำงานอย่างต่อเนื่องเป็นเวลาหลายชั่วโมงหรือหลายวันในรุ่นถัดไป
โมเดลขนาดพอเหมาะตอบคำถาม "จะถูกใช้โดยคนจำนวนมากขึ้นได้อย่างไร" ในขณะที่โมเดลที่ใหญ่กว่าแข่งขันกันเพื่อ "ใครมีสิทธิ์ส่งมอบคำพยากรณ์"
โมเดลที่แข็งแกร่งอยู่แล้วแต่มีราคาแพง สามารถทำให้เร็วขึ้นและถูกลงได้ในภายหลังผ่าน sparsification, quantization, caching, distillation และวิศวกรรมการอนุมาน นอกจากนี้ยังสามารถทำหน้าที่เป็นโมเดลครู (teacher model) สำหรับโมเดลเล็กทั้งสายได้อีกด้วย
ในทางกลับกัน โมเดลเล็กที่ไม่ได้เรียนรู้ความสามารถบางอย่างตั้งแต่แรกนั้นยากที่จะเสริมเติมเต็มจากความว่างเปล่าผ่านการคิดเพิ่มเติม (extended thinking) หรือการเพิ่มประสิทธิภาพการปรับใช้
ความไม่สมมาตรนี้ทำให้ "ทำให้ใหญ่เพื่อไม่ให้แพ้" เป็นระเบียบวิธีชั้นแนวหน้าที่หยาบแต่มักได้ผล
ในปี 2024 OpenAI เปิดตัว o1 เปลี่ยนจุดสนใจของการปรับขนาดจากการขยายฐานการฝึกก่อนที่ใหญ่ขึ้น ไปสู่การเรียนรู้แบบเสริมกำลังในช่วงเวลาการฝึก (training-time reinforcement learning) และการคำนวณความคิดในช่วงเวลาทดสอบ (test-time thinking computation)
o1 เองเป็นโมเดลการอนุมานที่เล็กกว่า มันพิสูจน์ว่า "ฐานที่เล็กกว่า + ความคิดที่มากขึ้น" สามารถสร้างความก้าวหน้าที่น่าทึ่งในด้านคณิตศาสตร์ โค้ด และการให้เหตุผลเชิงรูปแบบ ซึ่งเป็นการเริ่มต้นวงจรของการทำให้พารามิเตอร์เล็กลง
ยิ่งฐานเล็กลงเท่าไหร่ ก็ยิ่งพึ่งพาการชดเชยการคำนวณในช่วงเวลาทดสอบมากขึ้นเท่านั้น ยิ่งกลเม็ดการอนุมานประสบความสำเร็จมากเท่าไหร่ องค์กรก็ยิ่งมีแรงจูงใจในการขยายฐานน้อยลงเท่านั้น ส่งผลให้โมเดลของ OpenAI เริ่มเสื่อมสภาพอย่างรวดเร็ว
ในปี 2025 Anthropic ไปในทิศทางตรงกันข้าม Anthropic ยืนกรานที่จะสร้างโมเดลที่ใหญ่ขึ้นและแพงขึ้น จากนั้นใช้ Claude Code เพื่อเปลี่ยนความสามารถให้เป็นผลิตภัณฑ์
ความภักดีของผู้ใช้ที่มีต่อ Claude ไม่ใช่เพราะมันถูก แต่เป็นเพราะในงานวิศวกรรมซอฟต์แวร์ในโลกแห่งความเป็นจริงที่ยากที่สุด พวกเขารู้สึกปลอดภัยกว่าที่จะมอบงานให้ Opus ภายในสิ้นปี 2025 Anthropic อ้างว่า Claude Code ครองส่วนแบ่งมากกว่าครึ่งหนึ่งของตลาดการเขียนโค้ด AI โดยส่วนแบ่งการตลาดองค์กรเพิ่มขึ้นจาก 24% เป็น 40% รายได้ยังแซงหน้า OpenAI อีกด้วย
OpenAI ตระหนักในเวลาต่อมาว่าประสิทธิภาพการอนุมานและการกำหนดเส้นทาง (routing) ไม่สามารถแทนที่ฐานความสามารถสูงสุดได้ GPT-5 สร้างบันไดที่สมบูรณ์ของ main, thinking, mini และ Pro ขึ้นมาใหม่ ภายใน GPT-5.6 ได้กำหนดขนาดโมเดลสามขนาดอย่างชัดเจน ได้แก่ Sol, Terra และ Luna และวาง Sol ขนาดใหญ่กลับคืนสู่ตำแหน่งธงสำหรับงานที่ยากที่สุด
เป็นผลให้ผู้ใช้ Codex เกิน 10 ล้านคนอย่างรวดเร็ว บังคับให้ Anthropic เพิ่ม Fable กลับเข้าไปในแผนการสมัครสมาชิก
ตอนนี้ K3 ถูกปล่อยออกมา รองลงมาจาก Sol และ Fable เท่านั้น ถึงกับจุดประกายการอภิปรายว่า AI ชั้นแนวหน้าของสหรัฐฯ ยังคงทำงานได้ดีอยู่หรือไม่
เมื่อคุณเต็มใจที่จะแข่งขันเพื่อชิงที่หนึ่งอย่างแท้จริง ผลลัพธ์มักจะไม่เลวร้ายนัก นี่คือ "ใหญ่เกินไปที่จะล้มเหลว"
บทสรุป: เด็กหนุ่มจากเมืองเล็กๆ ตบหน้านายทุน
บริษัทโมเดล AI จีนมักถูกอธิบายว่าเป็นเด็กหนุ่มจากเมืองเล็กๆ: ทรัพยากรจำกัด ทำเลไม่ดี ชื่อเสียงระหว่างประเทศแย่ลงไปอีก และโชคดีถ้า GPU ของพวกเขาสามารถรองรับการอนุมานได้ ไม่ต้องพูดถึงการฝึก แค่ขอให้ไม่ตามหลังก็พอ
ในขณะเดียวกัน ห้องแล็บ AI ชั้นสูงของสหรัฐฯ มีกลิ่นอายของนายทุน: พูดถึงมานุษยวิทยาและความปลอดภัย พูดถึงเครื่องจักรที่มีเมตตา พูดถึงว่าโลกอนาคตเป็นของเสรีภาพหรือไม่เสรีภาพ AI เป็นของโลกหรือของท้องฟ้า
ภายใต้ช่องว่างที่น่าทึ่งเช่นนี้ ละครที่เด็กหนุ่มจากเมืองเล็กๆ ตบหน้านายทุนก็สามารถจัดฉากได้จริงๆ ไม่ว่าคุณจะหมุนมันยังไง มันก็เพียงพอที่จะทำให้หัวเราะจนท้องแข็ง
—จริงๆ แล้ว ไม่ต้องรีบร้อน ยังมีอะไรดีๆ อีกมากรออยู่ข้างหน้า
