Nvidia สอนทุกคนจับโทเคน ขณะที่ Meta ทำให้โทเคนล้นตลาด

ภาพรวมของข่าว: ยุทธศาสตร์เปิดของ Nvidia และ Meta ต่างกันอย่างไร

รายงานล่าสุดจาก Interconnects AI ระบุว่า ผู้เล่นรายใหญ่ในอุตสาหกรรม AI กำลังเดินเกมคนละแบบกับโมเดลแบบเปิด Nvidia มุ่ง “สอนทุกคนจับโทเคน” ด้วยการเปิดเผยสูตรเทรนโมเดลแบบครบวงจร เพื่อสร้างระบบนิเวศที่จุดเชื้อตัวเองได้และดึงดูดให้คนทั่วโลกต้องการชิปของตนเอง ส่วน Meta เลือกกลยุทธ์ตรงข้ามด้วยการปล่อยโมเดลน้ำหนักเปิดคุณภาพสูงจำนวนมาก เพื่อทำให้ตลาดโทเคนราคาถูกลงและกดดันคู่แข่งอย่าง Anthropic และ OpenAI ที่พึ่งพารายได้จากการขาย API ทั้งสองบริษัทต่างก็ “ทำให้สิ่งเสริมของตนกลายเป็นสินค้าโภคภัณฑ์” แต่เลือกวิธีต่างกัน และทิศทางนี้กำลังกำหนดโฉมหน้าของซอฟต์แวร์โอเพนซอร์สในยุค AI

โอเพนซอร์ส AI ไม่ใช่โมเดลเปิดน้ำหนัก: ทำไมต้องแยกให้ชัด

Interconnects AI ชี้ว่า หลายคนเข้าใจผิดระหว่างสองแนวคิดที่ต่างกันมาก นั่นคือ โมเดลภาษาแบบโอเพนซอร์สเต็มรูปแบบ ซึ่งมาพร้อมสูตรเทรน ข้อมูล ซอร์สโค้ด และทุกองค์ประกอบที่จะทำซ้ำได้ เปรียบได้กับระบบปฏิบัติการ Linux ที่เมื่อโตถึงจุดหนึ่งก็กลายเป็นเครื่องมือที่ดีที่สุดสำหรับงานจำนวนมากได้เอง ขณะที่โมเดลน้ำหนักเปิด ซึ่งมีแค่ค่าน้ำหนักและโค้ดสำหรับรัน เปรียบได้กับซอฟต์แวร์เวอร์ชันเฉพาะที่ถูกติดตั้งลงในโปรเจกต์ต่างๆ

แม้โมเดลน้ำหนักจะมีอายุการใช้งานสั้นเมื่อเทียบกับวงจรเทคโนโลยี แต่ก็ยังคงมีอายุยืนยาวในเชิงปฏิบัติ หลายองค์กรยังคงใช้งานเวิร์กโฟลว์ที่สร้างบน Llama 3 แม้ว่าความสามารถด้านเอเจนต์จะพัฒนาไปไกลในเวลาต่อมา ส่วนโมเดลแบบเปิดสูตรเต็ม เช่น ตระกูล Olmo ที่ทีมผู้เขียนช่วยพัฒนาที่ Ai2 หรือ Pythia จาก EleutherAI นั้น ต้องใช้ทรัพยากรมหาศาลในการสร้าง แต่ใครก็สามารถนำไปดัดแปลงและกดรันเพื่อผลิตโมเดลชุดใหม่ได้ และในกรณีที่ดีที่สุด ชุมชนยังสามารถส่งคืนการปรับปรุงด้านข้อมูลหรือโค้ดเทรนกลับเข้าสู่โมเดลรุ่นถัดไปได้ด้วย

Nvidia ทุ่มงบเปิดสูตรโมเดล เพื่อสร้างดีมานด์ชิประยะยาว

Interconnects AI รายงานว่า Nvidia กำลังลงทุนมหาศาลกับโมเดลแบบ “เกือบโอเพนซอร์ส” อย่างตระกูล Nemotron โดยปล่อยทุกข้อมูลที่ปล่อยได้ตามกฎหมาย พร้อมโค้ดเทรน เป้าหมายไม่ใช่การทำกำไรจากโมเดลโดยตรง แต่เพื่อสร้างโลกที่ผู้คนนับไม่ถ้วนสามารถสร้าง “เครื่องผลิตโทเคน” ได้เอง ซึ่งจะทำให้ปัญญาประดิษฐ์ไม่ถูกผูกขาด และที่สำคัญคือ เมื่อมีบริษัทจำนวนมากต้องการรันอินเฟอเรนซ์ พวกเขาก็จะต้องซื้อผลิตภัณฑ์ของ Nvidia

รายงานระบุว่า Nvidia ใช้จ่ายกับภารกิจนี้ถึง 26 พันล้านดอลลาร์ คำถามสำคัญคือ ยุทธศาสตร์นี้จะคุ้มหรือไม่ เพราะหากความเข้มข้นของเงินทุนในวงการ AI สูงขึ้นเรื่อยๆ บริษัทจำนวนหนึ่งอาจถอยออกจากการแข่งขันด้านเทรนโมเดล อย่างไรก็ตาม สัญญาณในปัจจุบันยังไม่ชัดว่าแนวโน้มนั้นกำลังเกิดขึ้นจริง บริษัทที่ถอยออก เช่น Databricks และ 01.ai ดูเหมือนเป็นข้อยกเว้นมากกว่ากระแสหลัก อย่างไรก็ดี ระบบนิเวศโอเพนซอร์สกำลังพึ่งพาเงินทุนจาก Nvidia มากขึ้นเรื่อยๆ ในอีกไม่กี่ปีข้างหน้า

สองอนาคตที่เป็นไปได้ของโอเพนซอร์ส AI

Interconnects AI วิเคราะห์ว่า มีสองทิศทางหลักที่อาจเกิดขึ้น ทิศทางแรกคือโมเดลเปิดประสบความสำเร็จ Nvidia จะได้อุปสงค์ชิปมากกว่าต้นทุนที่ใช้สร้างโมเดลหลายเท่า เงินปันผลที่ได้กลับมาจะต้องใกล้เคียงกับกำไรที่ Anthropic และ OpenAI ได้จากการขาย API ไม่เช่นนั้นโมเดลเปิดจะแข่งไม่ทันในระยะยาว

ทิศทางที่สองคือหากเส้นทางแรกไม่เกิด โมเดลเปิดจะแยกออกจากโมเดลปิดชั้นนำ โดยหันไปเน้นประสิทธิภาพ ความสามารถในการดัดแปลง และความเชี่ยวชาญเฉพาะทาง ผู้เขียนประเมินว่านี่คือผลลัพธ์ที่มีความเป็นไปได้สูงที่สุด โมเดลเปิดจะยังคงมีประโยชน์มหาศาล แต่จะครอบครองตลาดปลายทาง เช่น เอเจนต์เฉพาะองค์กรที่รันบนเซิร์ฟเวอร์ภายในกับข้อมูลส่วนตัวสำหรับงานธุรกิจซ้ำๆ มากกว่าจะแข่งกับโมเดลปิดในตลาดงานความรู้ การค้นพบยา หรือวิศวกรรมซอฟต์แวร์

Meta รุกด้วยกลยุทธ์ท่วมตลาด และกระแสโพสต์เทรนนิ่งที่เปลี่ยนเกม

ในขณะที่ Nvidia เน้นสร้างระบบนิเวศ Meta เลือกปล่อยโมเดลน้ำหนักเปิดคุณภาพสูงจำนวนมากเพื่อกดดันคู่แข่ง Interconnects AI ระบุว่า หาก Meta ปล่อย Muse Spark 1.2 ซึ่งเป็นโมเดลที่แข็งแกร่งมากในฐานะโมเดลเปิด จะส่งผลกระทบอย่างหนักต่ออัตราการเติบโตของรายได้ของ Anthropic และ OpenAI ที่พึ่งการขายโทเคน เมตามีงบดุลขนาดใหญ่จึงสามารถใช้กลยุทธ์นี้ได้ ซึ่งต่างจากบริษัทโอเพนซอร์สทั่วไปที่ต้องหาวิธีทำกำไรทางอ้อม

ความเคลื่อนไหวสำคัญอีกประการคือ ระบบนิเวศโมเดลเปิดกำลังถูกหนุนด้วยความสนใจในโพสต์เทรนนิ่งที่พุ่งสูงขึ้น นักพัฒนานำโมเดลพื้นฐานอย่าง DeepSeek V4 Flash, Inkling Small หรือ GLM 5.X ไปปรับแต่งสำหรับงานเอเจนต์เฉพาะทางผ่าน API อย่าง Tinker ที่ได้รับความนิยมสูงสุดในปัจจุบัน อย่างไรก็ตาม Interconnects AI เตือนว่า กระบวนการเทรนโมเดลกำลังซับซ้อนและเป็นนามธรรมมากขึ้น ความสามารถในการเทรนโมเดลพื้นฐานให้เป็นเอเจนต์ทั่วไปกำลังกลายเป็นเรื่องที่เข้าใจยากเหมือนที่การเทรนพรีเทรนขนาดใหญ่เคยเป็นเมื่อหลายปีก่อน

แนวโน้มนี้อาจนำไปสู่การเปลี่ยนคำศัพท์ที่ใช้กันในอุตสาหกรรม จากเดิมที่แบ่งเป็นพรีเทรน มิดเทรน และโพสต์เทรน อาจกลายเป็น พรีเทรน รีซันนิ่งเทรน และโพสต์เทรน แทน เมื่อคนสนใจเทรนโมเดลทั้งชุดน้อยลง เงินทุนที่ไหลเข้าสู่โอเพนซอร์ส AI ก็จะลดลงตามไปด้วย ผู้สร้างโมเดลเปิดจึงทดลองใช้สัญญาอนุญาตแบบแบ่งรายได้สำหรับการใช้งานดาวน์สตรีมหรืออินเฟอเรนซ์ เพื่อให้การเงินยังไปต่อได้ ซึ่งเชื่อมโยงโดยตรงกับบทความ ข้อผิดพลาดที่พบบ่อยเกี่ยวกับการอนุญาตใช้งานซอฟต์แวร์โอเพนซอร์ส ที่ช่วยให้นักพัฒนาเข้าใจผลกระทบของโมเดลสัญญาอนุญาตแบบใหม่นี้

ทำไมเรื่องนี้จึงสำคัญต่อผู้อ่านที่สนใจซอฟต์แวร์โอเพนซอร์ส

สำหรับผู้ที่ติดตามวงการซอฟต์แวร์โอเพนซอร์ส สิ่งที่ Nvidia และ Meta กำลังทำอยู่ไม่ใช่แค่เรื่องของโมเดล AI แต่เป็นการทดลองทางเศรษฐศาสตร์ที่จะกำหนดว่าโอเพนซอร์สแบบครบวงจรจะยังอยู่รอดหรือไม่ หากยุทธศาสตร์ของ Nvidia สำเร็จ โมเดลเปิดสูตรเต็มจะกลายเป็นทรัพยากรพื้นฐานของอุตสาหกรรม แต่หากล้มเหลว ชุมชนจะต้องพึ่งโมเดลน้ำหนักเปิดที่ดัดแปลงได้จำกัด ซึ่งกระทบต่อเครื่องมือสำหรับนักพัฒนาและความปลอดภัยของซอฟต์แวร์ที่หลายองค์กรใช้งาน บริบทเพิ่มเติมเรื่องการเลือกเครื่องมือที่ปลอดภัยสามารถอ่านได้จาก วิธีเลือกโอเพ่นซอร์สให้ปลอดภัย: คู่มือปฏิบัติสำหรับทีมพัฒนา

ท้ายที่สุด รายงานสรุปว่า ผลลัพธ์ของเกมนี้จะขึ้นอยู่กับว่าโมเดลโอเพนซอร์สแบบเปิดสูตรเต็มสามารถสร้างวงจรรายได้ที่ยั่งยืนได้หรือไม่ เพราะหากทำได้ ระบบนิเวศจะเติบโตได้เอง แต่หากทำไม่ได้ โลกของโอเพนซอร์ส AI จะถูกจำกัดอยู่ที่งานเฉพาะทาง และผู้ที่ต้องการเข้าถึงปัญญาประดิษฐ์ชั้นนำจะต้องพึ่ง API ของบริษัทปิดแทน

อ่านเพิ่มเติม