แผนที่อุตสาหกรรม ML/AI/Data ปี 2024 และเทรนด์ล่าสุด

 (mattturck.com)
35 คะแนน โดย xguru 2024-04-08 | 1 ความคิดเห็น | แชร์ทาง WhatsApp

แผนที่อุตสาหกรรม MAD (ML, AI, Data) ปี 2024 ที่สรุปไว้ในภาพเดียว พร้อมคำอธิบาย 24 ธีมสำคัญของปีนี้

[Part I : Landscape]

  • เวอร์ชันแรกในปี 2012 มีเพียง 139 บริษัท แต่ในปี 2024 ระบบนิเวศ MAD มีบริษัทอยู่ทั้งหมด 2,011 แห่ง
  • นี่คือการเพิ่มขึ้นจาก 1,416 แห่งในปีก่อน โดยมีบริษัทใหม่เพิ่มเข้ามา 578 แห่ง
  • สาเหตุที่มีบริษัทจำนวนมากรวมอยู่ด้วย เป็นเพราะในช่วงราว 10 ปีที่ผ่านมาได้เกิดคลื่นความก้าวหน้าทางเทคโนโลยีขนาดใหญ่ต่อเนื่องกัน 2 ระลอก คือเทคโนโลยีโครงสร้างพื้นฐานข้อมูล และเทคโนโลยี ML/AI
    • ระลอกแรกคือความก้าวหน้าของเทคโนโลยีโครงสร้างพื้นฐานข้อมูลตลอดราว 10 ปี ซึ่งเริ่มจาก Big Data และสิ้นสุดที่ Modern Data Stack
    • ระลอกที่สองคือความก้าวหน้าของเทคโนโลยี ML/AI ที่เริ่มต้นจาก Generative AI
  • ระบบนิเวศ MAD มุ่งเน้นการแสดงวงจรชีวิตของข้อมูลแบบครบถ้วน ตั้งแต่การเก็บข้อมูล การจัดเก็บ การประมวลผล การวิเคราะห์ ไปจนถึงการส่งมอบคุณค่าผ่านแอปพลิเคชัน

การเปลี่ยนแปลงสำคัญในด้านโครงสร้างพื้นฐานและการวิเคราะห์

  • ด้านโครงสร้างพื้นฐานข้อมูล (ฝั่งซ้ายของระบบนิเวศ MAD) ไม่มีการเปลี่ยนแปลงใหญ่ในช่วงหลัง
    • เปลี่ยน "Database Abstraction" เป็น "Multi-Model Databases & Abstractions" เพื่อสะท้อนการเกิดขึ้นของฐานข้อมูลแบบหลายโมเดล all-in-one เช่น SurrealDB และ EdgeDB
    • ลบเซกชัน "Crypto / Web 3 Analytics" ที่สร้างขึ้นแบบทดลองเมื่อปีที่แล้ว
    • ลบเซกชัน "Query Engine" ออกด้วย (แม้ว่าบริษัทที่เกี่ยวข้องยังคงถูกรวมอยู่)

การเปลี่ยนแปลงสำคัญในด้านแมชชีนเลิร์นนิงและปัญญาประดิษฐ์

  • การเพิ่มขึ้นอย่างระเบิดของบริษัท AI ในปี 2023 ทำให้ด้านนี้มีการเปลี่ยนแปลงเชิงโครงสร้างมากที่สุด
  • เพิ่ม 3 หมวดหมู่ใหม่ถัดจาก MLOps
    • "AI Observability": สตาร์ตอัปที่ทดสอบ ประเมินผล และมอนิเตอร์แอปพลิเคชัน LLM
    • "AI Developer Platforms": แพลตฟอร์มพัฒนาแอปพลิเคชัน AI ที่คล้าย MLOps แต่เน้นการฝึก ดีพลอย และ inference ของ LLM
    • "AI Safety & Security": บริษัทที่จัดการกับข้อกังวลเฉพาะของ LLM เช่น hallucination จริยธรรม และการปฏิบัติตามข้อกำกับดูแล
  • แยก "Horizontal AI/AGI" ออกเป็น 2 หมวดหมู่คือ "Commercial AI Research" และ "Nonprofit AI Research"
  • เปลี่ยน "GPU Cloud" เป็น "GPU Cloud / ML Infra" เพื่อสะท้อนการเพิ่มความสามารถด้านโครงสร้างพื้นฐานหลักของผู้ให้บริการ GPU cloud

การเปลี่ยนแปลงสำคัญในด้านแอปพลิเคชัน

  • ตอนนี้ทุกบริษัทในชั้นแอปพลิเคชันต่างเรียกตัวเองว่าเป็น "บริษัท AI"
  • เพิ่มหมวดหมู่ "Presentation & Design" ใน "Horizontal Applications"
  • เปลี่ยน "Search" เป็น "Search / Conversational AI" เพื่อสะท้อนการเกิดขึ้นของอินเทอร์เฟซแชตบอตบน LLM อย่าง Perplexity
  • ในหมวด "Industry" เปลี่ยน "Gov't & Intelligence" เป็น "Aerospace, Defense & Gov't"

การเปลี่ยนแปลงสำคัญในด้านโครงสร้างพื้นฐานโอเพนซอร์ส

  • สร้างหมวดหมู่รวมใหม่ "Data Management" ที่ครอบคลุมทั้ง "Data Access" และ "Data Ops"
  • เพิ่มหมวดหมู่ใหม่ชื่อ "Local AI" สำหรับเครื่องมือโครงสร้างพื้นฐานที่นำ AI และ LLM มาไว้ในสภาพแวดล้อมการพัฒนาแบบโลคัล

[Part II: 24 ธีมของปี 2024]

1. ข้อมูลแบบมีโครงสร้าง vs ข้อมูลแบบไม่มีโครงสร้าง

  • ข้อมูลมีทั้งข้อมูลแบบมีโครงสร้างที่จัดให้อยู่ในแถวและคอลัมน์ได้ และข้อมูลแบบไม่มีโครงสร้าง เช่น ข้อความ/ภาพ/เสียง/วิดีโอ
  • ข้อมูลแบบมีโครงสร้างจะถูกดึงออกมา จัดเก็บ และแปลงเพื่อวัตถุประสงค์ด้านการวิเคราะห์ จากนั้นอาจถูกทำให้มองเห็นผ่านเครื่องมือ BI หรือใช้กับโมเดล ML/AI แบบดั้งเดิม
  • ข้อมูลแบบไม่มีโครงสร้างถูกใช้เป็นหลักในการฝึกและใช้งาน (inference) โมเดล Generative AI เช่น LLM
  • ปัจจุบันข้อมูลแบบไม่มีโครงสร้าง (ML/AI) กำลังได้รับความสนใจ ขณะที่ข้อมูลแบบมีโครงสร้าง (เช่น Modern Data Stack) ไม่ได้รับความสนใจเท่าเดิม

2. Modern Data Stack ตายแล้วหรือยัง?

  • Modern Data Stack (MDS) จัดการกับ pipeline ของข้อมูลแบบมีโครงสร้าง และเมื่อไม่นานมานี้ยังเป็นแนวคิดที่ได้รับความสนใจมากที่สุดในอุตสาหกรรมซอฟต์แวร์
  • MDS มีโครงสร้างที่มี cloud data warehouse เป็นแกนกลาง โดยต้นน้ำมี Fivetran/Airbyte ตรงกลางมี DBT และปลายน้ำมี Looker/Mode
  • เมื่อ Snowflake ประสบความสำเร็จกับ IPO ครั้งใหญ่ที่สุดเป็นประวัติการณ์ ความสนใจต่อ MDS ก็พุ่งขึ้นอย่างมาก และนำไปสู่การก่อตั้งสตาร์ตอัปและการลงทุนของ VC ที่ร้อนแรงเกินไป
    • หลายหมวดหมู่ เช่น data catalog, data observability, ETL และ reverse ETL เข้าสู่ภาวะอิ่มตัวภายในเวลาเพียง 1-2 ปี
  • MDS เป็นทั้งทางออกของปัญหาจริง และในขณะเดียวกันก็เป็นความร่วมมือทางการตลาดระหว่างสตาร์ตอัปหลายรายในห่วงโซ่มูลค่าของข้อมูล
  • แต่ปัจจุบัน MDS กำลังเผชิญแรงกดดัน เช่น ① ต้องนำโซลูชันจากหลายเวนเดอร์มาประกอบกันจึงมีต้นทุนสูง และ ② ถูก Generative AI กลบกระแสจนไม่ได้รับความสนใจเหมือนเดิม

3. การรวมตัวของตลาดในด้านโครงสร้างพื้นฐานข้อมูล และการเติบโตของบริษัทยักษ์ใหญ่

  • ในปี 2024 คาดว่าจะเกิดสิ่งต่อไปนี้ในอุตสาหกรรมโครงสร้างพื้นฐานข้อมูลและการวิเคราะห์:
    • สตาร์ตอัปจำนวนมากที่เกี่ยวข้องกับ MDS จะพยายามปรับตำแหน่งตัวเองเป็น "สตาร์ตอัปด้าน AI infrastructure"
      • บางรายอาจทำได้สำเร็จ แต่ส่วนใหญ่จะต้องยกระดับผลิตภัณฑ์อย่างถึงรากเพื่อย้ายจากข้อมูลแบบมีโครงสร้างไปสู่ข้อมูลแบบไม่มีโครงสร้าง
    • อุตสาหกรรมโครงสร้างพื้นฐานข้อมูลจะได้เห็นการรวมตัวของตลาดในระดับหนึ่งเสียที
      • ที่ผ่านมาดีล M&A มีจำกัด แต่ในปี 2023 ก็มีการซื้อกิจการขนาดเล็กถึงกลาง เช่น Stemma (Teradata เข้าซื้อ), Manta (IBM เข้าซื้อ), และ Mode (Thoughtspot เข้าซื้อ)
    • กรณีสตาร์ตอัปล้มเหลวจะเพิ่มขึ้นอย่างมาก
      • เงินทุน VC แห้งลงและสถานการณ์ยิ่งแย่ลงเรื่อย ๆ สตาร์ตอัปจำนวนมากลดค่าใช้จ่ายลงมากแล้ว แต่สุดท้ายก็จะเผชิญกับการเงินสดหมดมือ และคงยากจะได้เห็นพาดหัวข่าวใหญ่ ๆ
    • บริษัทที่มีขนาดจะมุ่งหน้าไปสู่การเป็นแพลตฟอร์มมากขึ้น
      • แม้จะเกิดผ่าน M&A ด้วย แต่พวกเขาก็จะพยายามครอบคลุมความสามารถให้มากขึ้นผ่านการพัฒนาภายในเช่นกัน

4. สถานการณ์ Databricks vs Snowflake

  • Snowflake ในอุตสาหกรรมข้อมูลแบบมีโครงสร้างยังคงเป็นบริษัทที่ยอดเยี่ยม และมี valuation สูงที่สุดแห่งหนึ่งในกลุ่มหุ้นเทคโนโลยี (PER 14.8 เท่า)
    • แต่เช่นเดียวกับบริษัทซอฟต์แวร์หลายแห่ง การเติบโตชะลอลงอย่างมาก
      • รายได้ปีงบประมาณ 2024 อยู่ที่ 2.67 พันล้านดอลลาร์ เติบโต 38% เมื่อเทียบกับปีก่อน และอัตราการเติบโตที่คาดในอีก 12 เดือนข้างหน้าอยู่ที่ 22%
    • เหนือสิ่งอื่นใด บริษัทให้ความรู้สึกว่ากำลังเผชิญความยากลำบากด้านนวัตกรรมผลิตภัณฑ์
      • รับมือกับ AI ได้ช้า และก็ไม่ค่อยกระตือรือร้นด้าน M&A
      • การเปลี่ยน CEO ล่าสุดที่ค่อนข้างกะทันหันก็นับเป็นสัญญาณที่น่าสนใจ
  • Databricks ในอุตสาหกรรมข้อมูลแบบไม่มีโครงสร้างกำลังแสดงโมเมนตัมที่แข็งแกร่งโดยรวม
    • มีรายงานว่ารายได้ปีงบประมาณ 2024 อยู่ที่ 1.6 พันล้านดอลลาร์ เติบโตมากกว่า 50% (เป็นบริษัทเอกชน)
    • Databricks กำลังก้าวขึ้นมาเป็นผู้เล่นสำคัญของ Generative AI
      • ทั้งเดินหน้า M&A และพัฒนาผลิตภัณฑ์ภายในอย่างจริงจัง เช่น การเข้าซื้อ MosaicML มูลค่า 1.3 พันล้านดอลลาร์
      • ไม่เพียงเป็นแหล่งจัดเก็บหลักของข้อมูลแบบไม่มีโครงสร้างที่ป้อนให้ LLM เท่านั้น แต่ยังพัฒนาโมเดลด้วยตัวเองหลากหลายตั้งแต่ Dolly ไปจนถึง DBRX ที่เพิ่งประกาศล่าสุด
  • ตัวแปรใหม่ในเกมการแข่งขันของทั้งสองบริษัทคือการเปิดตัว Fabric ของ Microsoft
    • Fabric ที่ประกาศในเดือนพฤษภาคม 2023 เป็นแพลตฟอร์ม SaaS สำหรับการวิเคราะห์ข้อมูลบนคลาวด์แบบ end-to-end
    • โดยรวม OneLake ซึ่งเป็น data lake ของ Microsoft, เครื่องมือ BI อย่าง PowerBI และ Synapse เข้าไว้ด้วยกัน ครอบคลุมทุกด้านตั้งแต่การรวมข้อมูล วิศวกรรมข้อมูล ไปจนถึง data science
    • แม้อาจยังมีช่องว่างระหว่างสิ่งที่ประกาศกับตัวผลิตภัณฑ์จริง แต่เมื่อรวมกับการลงทุนของ Microsoft ใน Generative AI ก็อาจกลายเป็นภัยคุกคามที่รุนแรงได้
    • อีกประเด็นที่น่าสนใจคือ Databricks ทำงานอยู่บน Azure คลาวด์ของ Microsoft เป็นหลัก

5. สถานการณ์ BI ในปี 2024 และ Generative AI จะเปลี่ยนการวิเคราะห์หรือไม่?

  • ในบรรดาพื้นที่ของ MDS และ structured data pipeline นั้น ส่วนที่ต้องการการคิดใหม่มากที่สุดคือ BI
    • ใน MAD ปี 2019 เคยชี้ให้เห็นว่าการรวมศูนย์ของอุตสาหกรรม BI เกือบเสร็จสิ้นแล้ว และในปี 2021 ก็ได้กล่าวถึงการเกิดขึ้นของ metric store
  • อย่างไรก็ตาม การเปลี่ยนแปลงของ BI/analytics กำลังดำเนินไปช้ากว่าที่คาด
    • ผลิตภัณฑ์รุ่นเก่าอย่าง Power BI, Tableau, Looker ยังคงครองตลาดอยู่ และบ่อยครั้งก็ถูกผูกมากับสัญญาการขายขนาดใหญ่จนแทบแจกฟรี
    • มีการรวมกิจการเพิ่มเติมเกิดขึ้นบางส่วน (Thoughtspot เข้าซื้อ Mode, Snowflake เข้าซื้อ Sisu) และก็มีบริษัทหน้าใหม่ที่พยายามใช้แนวทางใหม่อย่าง dbt (semantic layer/MetricFlow), Trace (metric tree) แต่ก็ยังอยู่ในช่วงเริ่มต้น
  • ขณะเดียวกัน generative AI อาจส่งผลกระทบอย่างมากไม่เพียงต่อการดึง/แปลงข้อมูล แต่รวมถึงการวิเคราะห์เองด้วย
    • มีความเคลื่อนไหวอย่างคึกคัก เช่น Code Interpreter ของ OpenAI (ปัจจุบันคือ Advanced Data Analysis), แชตบอตการเงินสำหรับ Excel ของ MS
    • ทั้งผู้ให้บริการคลาวด์ Databricks, Snowflake ฝั่งโอเพนซอร์ส และสตาร์ตอัปจำนวนมาก กำลังพัฒนาหรือเปิดตัวผลิตภัณฑ์ "text to SQL" ที่ให้รันคำสั่ง query ฐานข้อมูลด้วยภาษาธรรมชาติ
  • นี่เป็นสัญญาณของการเปลี่ยนแปลงที่น่าสนใจและอาจพลิกวงการได้
    • การทำให้การวิเคราะห์เข้าถึงคนหมู่มากเป็นความใฝ่ฝันมาอย่างยาวนาน และหากภาษาธรรมชาติกลายเป็นอินเทอร์เฟซของ notebook/DB/เครื่องมือ BI ก็จะทำให้ผู้คนจำนวนมากขึ้นสามารถทำการวิเคราะห์ได้
  • แต่ภายในอุตสาหกรรม BI ก็ยังมีมุมมองที่ตั้งข้อสงสัยอยู่
    • มีข้อชี้ว่าความแม่นยำของ SQL และการเข้าใจบริบทธุรกิจที่อยู่เบื้องหลัง query จะเป็นอุปสรรคต่อระบบอัตโนมัติ

6. การผงาดขึ้นของ Modern AI Stack

  • สิ่งที่พูดถึงมาจนถึงตอนนี้จำนวนมากเกี่ยวข้องกับ structured data pipeline
  • อินฟราสตรักเจอร์ข้อมูลแบบ unstructured กำลังเผชิญสถานการณ์ที่แตกต่างจากอินฟราสตรักเจอร์ข้อมูลแบบ structured อย่างมาก ความต้องการข้อมูลที่จะป้อนให้ LLM สูงมาก
    • ทุกบริษัทที่กำลังทดลองหรือนำ generative AI ไปใช้งาน กำลังค้นพบสำนวนคลาสสิกที่ว่า "ข้อมูลคือน้ำมันใหม่" อีกครั้ง
    • ทุกคนต้องการพลังของ LLM แต่ก็ต้องการโมเดลที่ฝึกด้วยข้อมูลของตนเอง (ขององค์กร)
  • ทั้งบริษัทใหญ่และสตาร์ตอัปต่างกระโดดเข้าสู่การแข่งขันเพื่อให้บริการอินฟราสตรักเจอร์สำหรับ generative AI
  • บริษัท AI scale-up หลายแห่งกำลังเร่งพัฒนาผลิตภัณฑ์เพื่อสร้างโมเมนตัมอย่างจริงจัง
    • เช่น Databricks, Scale AI (พัฒนาโครงสร้างพื้นฐานด้านการติดป้ายกำกับสำหรับรถยนต์ไร้คนขับให้กลายเป็น data pipeline ระดับองค์กรผ่านความร่วมมือกับ OpenAI เป็นต้น), Dataiku (เปิดตัว LLM Mesh สำหรับ multi-vendor/multi-model)
  • ในอีกด้านหนึ่ง สตาร์ตอัป AI infrastructure รุ่นใหม่ก็กำลังเกิดขึ้นในหลายด้าน
    • Vector DB: จัดเก็บข้อมูลในรูปแบบที่โมเดล generative AI สามารถใช้งานได้ (vector embedding) โดยผู้ให้บริการเฉพาะทางอย่าง Pinecone, Weaviate, Chroma, Qudrant กำลังเติบโตอย่างรวดเร็ว และบริษัทฐานข้อมูลเดิมอย่าง MongoDB ก็ผลักดันการเพิ่มความสามารถด้าน vector search อย่างจริงจัง ขณะเดียวกันก็มีการถกเถียงกันว่าการขยาย context window อาจทำให้ vector DB ไม่จำเป็นอีกต่อไป
    • Framework: อย่าง LlamaIndex, Langchain ทำหน้าที่เชื่อมต่อและประสานองค์ประกอบต่าง ๆ
    • Guardrails: ทำหน้าที่คั่นกลางระหว่าง LLM กับผู้ใช้ เพื่อให้ผลลัพธ์สอดคล้องกับกฎขององค์กร
    • Evaluators: เครื่องมือสำหรับทดสอบ/วิเคราะห์/มอนิเตอร์ประสิทธิภาพของโมเดล generative AI ซึ่งถูกมองว่าเป็นโจทย์ยากเนื่องจากความไม่ไว้วางใจต่อ benchmark สาธารณะ
    • Router: กระจาย user query ไปยังหลายโมเดลแบบเรียลไทม์เพื่อเพิ่มประสิทธิภาพด้าน performance/cost/experience
    • Cost management: มอนิเตอร์ค่าใช้จ่ายในการใช้งาน LLM
    • Endpoint: API ที่ทำหน้าที่ abstraction ความซับซ้อนของอินฟราสตรักเจอร์พื้นฐาน เช่น ตัวโมเดล
  • เมื่อดูจากกรณีตัวอย่างของ MDS จึงยังไม่อยากใช้คำว่า "modern AI stack"
    • แต่ก็มีความคล้ายกันมาก: สตาร์ตอัปเหล่านี้มีความ "hot" แบบเดียวกับบริษัท MDS ในอดีต มักจับกลุ่มกัน และทำการตลาด/จับมือเป็นพาร์ตเนอร์ด้านผลิตภัณฑ์
  • สตาร์ตอัป AI infrastructure รุ่นใหม่นี้จะต้องเผชิญความท้าทายคล้ายกับบริษัท MDS
    • แต่ละหมวดหมู่ใหญ่พอที่จะสร้างบริษัทระดับหลายพันล้านดอลลาร์ได้หรือไม่?
    • ส่วนไหนบ้างที่ Big Tech (บริษัทคลาวด์, Databricks, Snowflake เป็นต้น) จะสร้างขึ้นมาเอง?

7. วงจร AI hype ตอนนี้อยู่ตรงไหน?

  • AI ผ่านทั้งฤดูร้อนและฤดูหนาวของ AI มาหลายทศวรรษ ในช่วง 10-12 ปีที่ผ่านมาเพียงอย่างเดียวก็มี hype cycle มาแล้วสามรอบ
    • รอบที่ 1: ปี 2013-2015 เริ่มจากการที่ deep learning ได้รับความสนใจหลัง ImageNet 2012
    • รอบที่ 2: ราวปี 2017-2018 กระแส chatbot boom และการผงาดขึ้นของ TensorFlow
    • รอบที่ 3: ตั้งแต่พฤศจิกายน 2022 จนถึงปัจจุบัน คือ generative AI
  • hype cycle รอบนี้รุนแรงเป็นพิเศษจนให้ความรู้สึกเหมือนฟองสบู่ AI ซึ่งเกิดจากหลายเหตุผล
    • ตัวเทคโนโลยีเองน่าทึ่งอย่างมาก และไม่ใช่แค่ในแวดวงเทคนิค แต่คนทั่วไปก็เข้าถึงและเข้าใจได้ง่าย
    • สำหรับ VC ที่มี dry powder (เงินทุนที่ยังไม่ได้ใช้) อยู่มาก นี่เป็นแทบจะพื้นที่ลงทุนเดียวในช่วงที่เทคโนโลยีสาขาอื่นซบเซาพร้อมกันทั้งหมด
  • hype ตามปกติมาพร้อมทั้งข้อดีหลายอย่าง ("หากไร้ความคลั่งไคล้ก็ย่อมไม่มีความสำเร็จอันยิ่งใหญ่", เงินทุนไหลเข้าหาโครงการทะเยอทะยานในลักษณะ "ปล่อยให้ดอกไม้ร้อยดอกบานสะพรั่ง") และข้อเสีย (ข้ามคืนทุกคนกลายเป็นผู้เชี่ยวชาญ AI, ทุกสตาร์ตอัปกลายเป็นบริษัท AI, งานประชุม/พอดแคสต์/นิวส์เลตเตอร์ด้าน AI ท่วมตลาด, แผนที่ตลาด AI ผุดขึ้นเป็นดอกเห็ด)
  • แต่ปัญหาหลักของ hype cycle ก็คือแรงสะท้อนกลับที่หลีกเลี่ยงไม่ได้
  • ในช่วงเวลานี้มีทั้ง "ความประหลาดเฉพาะตัว (quirkiness)" และความเสี่ยงหลายอย่างแฝงอยู่
    • โครงสร้างทางกฎหมาย/ธรรมาภิบาลที่ไม่ธรรมดาของบริษัทตัวแทนอย่าง OpenAI
    • การทำดีลในลักษณะ "รับหุ้นแลกกับการสนับสนุนพลังประมวลผล" ที่แพร่หลาย ทั้งที่ยังไม่มีความเข้าใจหรือการเปิดเผยข้อมูลมากพอ (และอาจมีความเป็นไปได้ของ round-tripping)
    • สตาร์ตอัปที่มีอนาคตสดใสจำนวนมากมีโครงสร้างที่นักวิจัย AI เป็นผู้บริหาร
    • พฤติกรรมการทำดีลของ VC ที่ชวนให้นึกถึงยุคดอกเบี้ยศูนย์ ("สงครามยึดพื้นที่", รอบระดมทุนขนาดใหญ่, มูลค่าประเมินชวนตะลึงสำหรับบริษัทที่เพิ่งก่อตั้งได้ไม่นาน)
  • แม้จะเริ่มมีสัญญาณว่ากระแส AI hype เริ่มร้าว (ดูด้านล่าง) แต่ตอนนี้ก็ยังเป็นช่วงที่มีอะไรใหม่ ๆ ออกมาทำให้ทุกคนทึ่งได้ทุกสัปดาห์ เมื่อดูจากข่าวกองทุน AI มูลค่า 4 หมื่นล้านดอลลาร์ของซาอุดี เป็นต้น ก็ดูยากที่กระแสเงินทุนจะหยุดไหลในเร็ว ๆ นี้

8. เป็นการทดลองหรือของจริง? ปี 2023 เป็นของปลอมหรือไม่?

  • เมื่อคำนึงถึง hype แล้ว ก็จำเป็นต้องย้อนดูว่าจนถึงตอนนี้มีสิ่งที่เกิดขึ้นอย่างเป็นรูปธรรมมากน้อยแค่ไหน หรือจริง ๆ แล้วเป็นเพียงการทดลอง
  • ปี 2023 เป็นปีที่วุ่นวายอย่างมาก
    • ทุกบริษัทเทคต่างเร่งใส่ generative AI เข้าไปในผลิตภัณฑ์
    • บอร์ดของบริษัท Global 2000 ต่างสั่งการให้นำ AI มาใช้ และแม้แต่บริษัทในอุตสาหกรรมที่มีการกำกับดูแลอย่าง Morgan Stanley/Citibank ก็ยังเดินหน้าใช้งานด้วยความเร็วเป็นประวัติการณ์
    • ผู้บริโภคก็แสดงความสนใจอย่างร้อนแรงต่อแอป generative AI
  • ผลลัพธ์คือ OpenAI ($2B ARR), Anthropic (รายได้คาดการณ์ปี 2024 ที่ $850M), Midjourney (พนักงาน 40 คนสร้างรายได้ $200M โดยไม่รับเงินลงทุน), Perplexity (MAU จาก 0 → 10 ล้าน) ต่างประสบความสำเร็จอย่างมาก
  • แต่เราควรมองอย่างตั้งคำถามหรือไม่? มีข้อกังวลบางประการ
    • การใช้จ่ายขององค์กรจำนวนมากจบอยู่ที่ PoC หรือผลงานที่ดูโดดเด่น และมักมาจากงบนวัตกรรม
      • หรือจริง ๆ แล้วไม่ได้แก้ปัญหาธุรกิจ แต่ผู้บริหารแค่ไม่อยากดูเหมือนตามไม่ทัน?
    • แอปสำหรับผู้บริโภคมีอัตราการเลิกใช้งานสูง มันเป็นเพียงความอยากรู้อยากเห็นชั่วคราวหรือไม่?
    • มีคนจำนวนมากที่ยังไม่ค่อยรู้ว่าจะใช้ generative AI อย่างไร ทั้งในชีวิตส่วนตัวและการทำงาน
    • แม้แต่ผลิตภัณฑ์ที่สร้างโดยผู้เชี่ยวชาญ AI ระดับแนวหน้าก็อาจไม่ได้ให้ความรู้สึกเหมือนเวทมนตร์ทั้งหมด
      • แล้วเราควรมองกรณีของ Inflection AI ที่ระดมทุนได้ถึง $1.3B แต่กลับปิดตัวลงอย่างน่าเสียดายอย่างไร? นี่เป็นหลักฐานหรือไม่ว่าโลกไม่ได้ต้องการ AI chatbot หรือ LLM เพิ่มอีกแล้ว?

9. บริษัท LLM ทั้งหลาย ไม่ได้ถูกทำให้เป็นสินค้าโภคภัณฑ์กันเร็วนักใช่ไหม?

  • มีเงินทุนร่วมลงทุนและเงินทุนจากภาคองค์กรจำนวนมหาศาลไหลเข้าสู่บริษัท LLM
  • คำถามที่พบบ่อยที่สุดในช่วง 18 เดือนที่ผ่านมา คือ: เรากำลังเห็นเงินทุนจำนวนมหาศาลถูกเผาไปกับผลิตภัณฑ์ที่ท้ายที่สุดจะกลายเป็นสินค้าที่ไม่ต่างกันหรือไม่? หรือบริษัท LLM เหล่านี้จะกลายเป็น AWS, Azure, GCP รายใหม่กันแน่?
  • ข้อเท็จจริงที่น่าปวดหัวสำหรับบริษัท LLM คือ ดูเหมือนว่ายังไม่มี LLM ใดสร้างความได้เปรียบด้านประสิทธิภาพได้อย่างยั่งยืน
    • ณ ตอนนี้ Claude 3 Sonnet และ Gemini Pro 1.5 ดีกว่า GPT-4 ขณะที่ GPT-4 ดีกว่า Gemini 1.0 Ultra แต่ความได้เปรียบเหล่านี้ดูเหมือนจะสลับกันทุกไม่กี่สัปดาห์
    • ยังมีความผันผวนของประสิทธิภาพด้วย — ChatGPT เคย “เสียอาการ” และ “ขี้เกียจ” ก่อนจะฟื้นกลับมาชั่วคราว
  • นอกจากนี้ ประสิทธิภาพของโมเดลโอเพนซอร์ส (Llama 3, Mistral, DBRX เป็นต้น) ก็ไล่ตามมาอย่างรวดเร็ว
  • ขณะเดียวกัน ก็มีบริษัท LLM เข้าสู่ตลาดมากกว่าที่เคยคาดไว้มาก
  • เมื่อไม่กี่ปีก่อน มุมมองที่ครองกระแสคือ บริษัท LLM จะมีเพียงหนึ่งหรือสองรายและเป็นตลาดแบบผู้ชนะกินรวบ เพราะมีคนทั่วโลกเพียงไม่กี่คนที่มีความเชี่ยวชาญพอสำหรับการขยายทรานส์ฟอร์เมอร์
  • แต่ดูเหมือนว่ามีทีมที่มีความสามารถมากกว่าที่คิด
    • นอกเหนือจาก OpenAI และ Anthropic ยังมีสตาร์ทอัพจำนวนมากที่ทำวิจัย AI ระดับพื้นฐาน เช่น Mistral, Cohere, Adept, AI21, Imbue, 01.AI รวมถึงทีมจาก Google, Meta เป็นต้น
  • ถึงอย่างนั้น จนถึงตอนนี้บริษัท LLM ก็ทำผลงานได้ไม่เลว OpenAI และ Anthropic กำลังเพิ่มรายได้ด้วยความเร็วมหาศาล
  • แม้ “โมเดล” LLM อาจกลายเป็นสินค้าที่ไม่ต่างกัน แต่ “บริษัท” LLM ยังมีโอกาสทางธุรกิจขนาดใหญ่อยู่ตรงหน้า
    • พวกเขาได้กลายเป็นบริษัทแบบ “full-stack” ที่ให้ทั้งแอปพลิเคชันและเครื่องมือสำหรับผู้บริโภค/องค์กร/นักพัฒนา บนฐานของ foundation model แล้ว
  • การเปรียบเทียบกับบริษัทคลาวด์ดูจะเหมาะสมพอสมควร
    • AWS, Azure, GCP ดึงดูดและรักษาลูกค้าไว้ผ่านชั้นแอปพลิเคชัน/เครื่องมือ และทำกำไรจากชั้นคอมพิวต์/สตอเรจที่โดยมากไม่ได้แตกต่างกันมากนัก

10. อนาคตแบบไฮบริด: LLM, SLM

  • แม้ความสนใจจะพุ่งไปที่ LLM ขนาดใหญ่ (GPT-3, GPT-4, GPT-5 เป็นต้น) แต่ SLM (small language model) ก็พัฒนาอย่างรวดเร็วเช่นกัน
    • เช่น Llama-2-13b ของ Meta, Mistral-7b/Mixtral 8x7b ของ Mistral, Phi-2/Orca-2 ของ MS
    • SLM มีต้นทุนการรันต่ำ ปรับแต่งได้ง่าย และยังมีประสิทธิภาพที่ดี
  • โมเดลที่เชี่ยวชาญเฉพาะงานบางด้าน (เช่น การเขียนโค้ด การเงิน) ก็เริ่มปรากฏขึ้น
    • โมเดลเฉพาะทางด้านโค้ด เช่น Code-Llama, Poolside AI
    • โมเดลเฉพาะอุตสาหกรรม เช่น โมเดลการเงินของ Bloomberg, โมเดลวิทยาศาสตร์วัสดุของ Orbital Materials
  • ในภาคธุรกิจ กำลังพัฒนาอย่างรวดเร็วไปสู่สถาปัตยกรรมแบบไฮบริดที่ผสมผสานโมเดลหลากหลายประเภทเข้าด้วยกัน
  • แม้ราคาจะลดลง แต่ LLM แบบ proprietary ขนาดใหญ่ก็ยังมีราคาแพงและมีปัญหาเรื่อง latency ดังนั้นผู้ใช้/ลูกค้าจะยิ่งนำโมเดลที่หลากหลายมาผสมกันเพื่อใช้งานจริงมากขึ้น
    • แนวโน้มคือเลือกใช้ทั้งโมเดลใหญ่/เล็ก, เชิงพาณิชย์/โอเพนซอร์ส, อเนกประสงค์/เฉพาะทาง ตามความต้องการและงบประมาณ

11. AI แบบดั้งเดิมตายไปแล้วหรือยัง?

  • หลังการมาของ ChatGPT เทคโนโลยี AI ที่ก่อนหน้านั้นเคยถูกมองว่าล้ำสมัย ก็ถูกเรียกว่า “AI แบบดั้งเดิม” ในชั่วข้ามคืน
  • อย่างไรก็ตาม AI แบบดั้งเดิม (หรือ predictive AI) ทำงานกับข้อมูลที่มีโครงสร้าง และมีลักษณะเกื้อหนุนกันกับ generative AI
  • AI แบบดั้งเดิมถูกใช้งานในวงกว้างอยู่แล้วในบริษัทจำนวนมาก
  • ต่อจากนี้ บริษัทต่าง ๆ จะต้องคิดให้มากขึ้นว่าจะใช้ LLM กับงานแบบไหน ใช้โมเดล AI แบบดั้งเดิมกับงานแบบไหน และจะผสานทั้งสองเข้าด้วยกันอย่างไร

12. thin wrapper, thick wrapper และการแข่งขันเพื่อก้าวสู่ full-stack

  • thin wrapper: คำยอดนิยมในปี 2023 ที่ใช้ในเชิงลบ หมายถึงผลิตภัณฑ์ที่พึ่งพาเทคโนโลยีของบุคคลที่สามอย่าง OpenAI
    • ปัญหาของสตาร์ทอัพอย่าง Jasper เป็นสิ่งที่สนับสนุนมุมมองนี้
  • แต่เมื่อเวลาผ่านไป ก็เริ่มเห็นแนวทางสร้างความแตกต่าง
    • โฟกัสกับปัญหาเฉพาะทาง (vertical)
    • มีฟีเจอร์ด้าน workflow, collaboration และการผสานรวมเชิงลึก
    • ทำงานในระดับโมเดล AI เช่น fine-tuning โมเดล หรือสร้างระบบไฮบริด
  • กล่าวคือ ต้องเป็นทั้ง full-stack (แอปพลิเคชัน + อินฟรา) และในขณะเดียวกันก็ต้องมีความเฉพาะทาง (narrow)

13. พื้นที่ที่น่าจับตา: AI agent, Edge AI

  • AI agent เป็นประเด็นที่ได้รับความสนใจสูงในฐานะขั้นสุดท้ายของระบบอัตโนมัติ
    • แต่ตอนนี้ generative AI ยังแสดงให้เห็นจุดอ่อนอยู่ จึงยังไปไม่ถึงความคาดหวัง
    • ยังต้องมีการเสริม เช่น การเพิ่มความสามารถด้าน memory ให้กับระบบ AI
    • ถึงกระนั้น ก็ยังดูเป็นหนึ่งในพื้นที่ที่น่าตื่นเต้นที่สุดในอีก 1-2 ปีข้างหน้า
  • Edge AI ก็เป็นอีกประเด็นที่น่าจับตา
    • โมเดลที่รันบนอุปกรณ์ได้โดยไม่ต้องใช้ GPU เป็นสิ่งที่หลายคนใฝ่ฝันมานาน
    • มีศักยภาพสูงเมื่อนำไปใช้กับสมาร์ตโฟนหรืออุปกรณ์ IoT
    • มีโปรเจกต์โอเพนซอร์สที่เคลื่อนไหวอย่างคึกคัก เช่น Mixtral, Ollama, Llama.cpp

14. generative AI กำลังมุ่งสู่ AGI หรือกำลังชะงักงัน?

  • แม้เทคโนโลยีจะพัฒนาอย่างรวดเร็ว แต่ก็มีความกังวลว่า generative AI อาจ ① ชนเพดานด้านทรัพยากร (คอมพิวต์, ข้อมูล) หรือ ② เผชิญข้อจำกัดจากการขาดความสามารถด้าน reasoning
  • ในปี 2018 ก็เคยมีการถกเถียงคล้ายกัน และหลังจากนั้นสิ่งที่เด่นชัดคือการเพิ่มการ投入ทรัพยากร
  • ในด้าน reasoning มีความคืบหน้าที่มีนัยสำคัญ เช่น AlphaGeometry ของ DeepMind
  • ข้อจำกัดด้านทรัพยากรประเมินได้ยาก ปริมาณคอมพิวต์ยังคงเพิ่มขึ้นต่อเนื่อง (NVIDIA Blackwell) และด้านข้อมูลก็ยังพอมีทางออก เช่น การสร้างข้อมูลสังเคราะห์
  • สำหรับผู้เล่นในระบบนิเวศสตาร์ทอัพ ระดับการพัฒนาของ GPT-5 เมื่อเทียบกับ GPT-4 จะเป็นมาตรวัดโดยตรงของความเร็วในการพัฒนาเทคโนโลยี
    • ต่อให้ความก้าวหน้าของ generative AI หยุดชะงักลงในตอนนี้ ก็ยังดูว่าจะมีโอกาสทางธุรกิจอีกมากในระยะหนึ่ง

15. สงคราม GPU (NVIDIA ถูกประเมินมูลค่าสูงเกินไปหรือไม่?)

  • นี่คือยุคใหม่ที่พลังประมวลผลกลายเป็นทรัพยากรที่มีค่าที่สุดในโลก หรือเป็นเพียงฟองสบู่จากการผลิต GPU มากเกินไปกันแน่?
  • NVIDIA ครองตลาด GPU สำหรับ AI แทบจะผูกขาด และกำลังอยู่ในช่วงรุ่งเรืองจนราคาหุ้นพุ่งขึ้น 5 เท่า
    • อาจเป็นเพราะเงินที่ VC ลงทุนใน AI ไหลไปสู่ NVIDIA
  • อย่างไรก็ตาม การผลิตฮาร์ดแวร์ (โรงงานของ TSMC) ไม่ใช่เรื่องง่าย ดังนั้นชะตากรรมของ NVIDIA จึงขึ้นอยู่กับความยั่งยืนของภาวะเฟื่องฟูในปัจจุบัน
  • แม้จะมีผู้ท้าชิงอย่าง AMD, Intel แต่ในระยะยาวแนวโน้มของผู้ผลิตชิป AI ก็ดูสดใส

16. โอเพนซอร์ส AI มากเกินไปหรือไม่?

  • ในช่วง 1 ปีที่ผ่านมา โอเพนซอร์ส AI ได้รับความสนใจอย่างมาก
    • Llama ของ Meta, Mistral, Gemma ของ Google เป็นที่จับตามอง และ HuggingFace ก็ยังเติบโตต่อเนื่องจากการโฮสต์โมเดลจำนวนมหาศาล
    • งานที่ล้ำสมัยที่สุดจำนวนมากในสาย generative AI กำลังเกิดขึ้นในชุมชนโอเพนซอร์ส
  • แต่ก็เริ่มมีภาวะล้นเกินในชุมชนโอเพนซอร์สเช่นกัน
    • แม้จะมีการเปิดเผยโมเดล AI โอเพนซอร์สนับแสนรายการ แต่ส่วนใหญ่เป็นเพียงของเล่นหรือโปรเจกต์ทำเล่นในวันหยุดสุดสัปดาห์
    • ยังมีโมเดลจำนวนมากที่อันดับเปลี่ยนตลอดเวลา ดังขึ้นภายในไม่กี่วันแล้วก็หายไป
  • ตลาดน่าจะคัดกรองตัวเองจนเหลือเพียงโปรเจกต์โอเพนซอร์สที่ประสบความสำเร็จไม่กี่รายที่ได้รับการสนับสนุนจากบริษัทคลาวด์และผู้เล่นรายอื่น แต่จนกว่าจะถึงตอนนั้น ความวุ่นวายก็น่าจะยังดำเนินต่อไป

17. ต้นทุน AI ที่แท้จริงคือเท่าไร?

  • เศรษฐศาสตร์ของ generative AI เป็นหัวข้อที่เปลี่ยนแปลงอย่างรวดเร็ว
    • หากต้องการท้าชิง Google ในตลาดเสิร์ช ก็ต้องทำให้ต้นทุนของคำตอบที่สร้างโดย AI ต่ำกว่าต้นทุนของการแสดงลิงก์ 10 รายการ
    • บริษัทซอฟต์แวร์ที่ขับเคลื่อนด้วย AI ต้องไม่ปล่อยให้ต้นทุน inference มากัดกินกำไรขั้นต้น
  • สำหรับลูกค้า/ผู้ใช้โมเดล AI ข่าวดีคือ การแข่งขันด้านการลดราคากำลังเกิดขึ้นเร็วเกินคาด
    • การเกิดขึ้นของโอเพนซอร์ส AI และผู้ให้บริการ inference เชิงพาณิชย์ ทำให้ต้นทุนการย้ายของลูกค้าต่ำมาก และกลายเป็นแรงกดดันต่อ OpenAI กับ Anthropic
    • ตัวอย่างคือราคาของ embedding model ที่ถูกปรับลดลงพร้อมกันหลายราย
  • แต่ในมุมของผู้ให้บริการ ต้นทุนในการสร้าง/ให้บริการ AI ยังสูงอยู่มาก
    • ว่ากันว่า Anthropic ใช้จ่ายมากกว่าครึ่งของรายได้ไปกับค่าใช้จ่ายคลาวด์
    • ค่าไลเซนส์ข้อมูลก็สูงไม่น้อย
  • สำหรับผู้ใช้ วิธีหนึ่งก็คือใช้บริการฟรีที่ได้รับการอุดหนุนจาก VC ไปก่อน

18. การเปลี่ยนแปลงของบริษัทยักษ์ใหญ่และเศรษฐศาสตร์การเมืองของ AI: Microsoft ชนะแล้วหรือยัง?

  • คำถามที่ถูกหยิบยกขึ้นมาตั้งแต่ปลายปี 2022: Big Tech จะเป็นผู้ครอบครองมูลค่าส่วนใหญ่ของ generative AI หรือไม่?
  • ใน AI ยิ่งมีข้อมูล พลังประมวลผล และนักวิจัยมากเท่าไรยิ่งได้เปรียบ Big Tech รู้เรื่องนี้ดีและกำลังรับมืออย่างจริงจัง
  • ดูเหมือนว่า MS จะรับมือได้อย่างมีประสิทธิภาพที่สุด (ราวกับเล่นหมากรุก 4 มิติ)
    • ลงทุน 1.3 หมื่นล้านดอลลาร์ใน OpenAI
    • จับมือกับ Mistral ซึ่งเป็นคู่แข่งโอเพนซอร์ส
    • เข้าซื้อ Inflection AI ซึ่งเป็นคู่แข่งของ ChatGPT
    • รายได้ของ Azure ก็เติบโตอย่างมากเช่นกัน
  • Google/Amazon จับมือและลงทุนใน Anthropic และ Amazon จับมือกับ Hugging Face
  • Meta ดูเหมือนจะทุ่มสุดตัวให้กับ AI แบบโอเพนซอร์ส
  • ความเปลี่ยนแปลงจากจีนก็น่าจับตาเช่นกัน
  • ประเด็นสำคัญคือสตาร์ตอัปจะยังมีช่องให้เติบโตได้มากแค่ไหน
    • มีเพียงไม่กี่รายอย่าง OpenAI, Anthropic เป็นต้น ที่เร่งความเร็วในการเติบโตได้ผ่านพาร์ตเนอร์ชิปที่ดี
    • แต่อนาคตของสตาร์ตอัปจำนวนมากยังไม่ชัดเจน
    • การเข้าซื้อ Inflection AI และกรณี CEO ของ Stability AI ล้วนบ่งชี้ถึงความยากลำบากของสตาร์ตอัป “ระดับรอง”

19. กระแสคลั่งไคล้ OpenAI vs ความเย็นชา

  • OpenAI ยังคงน่าดึงดูดอยู่
    • มูลค่าบริษัท 8.6 หมื่นล้านดอลลาร์ รายได้เติบโตอย่างรวดเร็ว ความขัดแย้งระหว่างผู้ก่อตั้ง(?) Sam Altman คือ Steve Jobs แห่งยุคนี้
  • คำถามที่น่าสนใจ:
    • OpenAI กำลังพยายามทำมากเกินไปหรือไม่? ดูเหมือนอยากทำทุกอย่างใน AI ทั้งในแนวดิ่งและแนวราบ แบบนี้จะไม่หักโหมเกินไปหรือ?
      • มีกรณีตัวอย่างของ Coinbase ที่สถานการณ์คล้ายกันอยู่
      • ในภาวะที่การแข่งขันรุนแรงขึ้น นี่จะเป็นความท้าทายที่ยากมาก
      • ประเด็น ChatGPT และการที่ marketplace ไม่ค่อยไปได้ดี บ่งชี้ว่า OpenAI เองก็อาจเผชิญความยากลำบากได้
    • OpenAI กับ MS จะถึงคราวแยกทางกันหรือไม่?
      • การสนับสนุนจาก MS ช่วย OpenAI อย่างมาก (ทรัพยากร ลูกค้าองค์กร ฯลฯ)
      • แต่ MS ก็แสดงชัดว่าไม่ได้พึ่งพา OpenAI เพียงรายเดียว (เช่น จับมือกับ mistral, เข้าซื้อ Inflection AI ฯลฯ) และยังมีขีดความสามารถด้าน AI ภายในที่แข็งแกร่งเพียงพอ
      • ขณะเดียวกัน OpenAI เองก็อาจไม่ต้องการพึ่งพา MS เพียงรายเดียว และอาจอยากให้มีการ deploy บนคลาวด์อื่นด้วย
      • เมื่อพิจารณาจากความทะเยอทะยานอันยิ่งใหญ่ของ OpenAI และความต้องการครองอำนาจของ MS ก็มีความเป็นไปได้ที่ทั้งสองจะพลิกมาเป็นคู่แข่งกัน

20. ปี 2024 จะเป็นปีแห่ง AI สำหรับองค์กรหรือไม่?

  • ในปี 2023 การนำ AI ไปใช้ในองค์กรยังอยู่ในระดับ proof of concept
  • ผู้ได้ประโยชน์สูงสุดจาก generative AI ในปี 2023 คือบริษัทอย่าง Accenture ที่ทำรายได้ 2 พันล้านดอลลาร์จากการให้คำปรึกษาด้าน AI
  • มีบรรยากาศคาดหวังว่าปี 2024 จะเป็นปีแรกของ generative AI สำหรับองค์กร (ส่วน AI แบบดั้งเดิมนั้นถูกนำไปใช้กันมากอยู่แล้ว)
  • แต่ยังมีโจทย์ที่ต้องแก้อีกมาก:
    • use case ยังจำกัดอยู่เพียงบางด้าน เช่น developer copilot, การจัดการองค์ความรู้ในองค์กร, แชตบอตบริการลูกค้า ฯลฯ
    • ยังไม่ชัดเจนว่าควรเลือกเครื่องมือแบบใด (เชิงพาณิชย์/โอเพนซอร์ส, โมเดลใหญ่/เล็ก, แบบแนวราบ/เฉพาะทางแนวดิ่ง ฯลฯ ซึ่งต้องผสมหลายแบบ)
    • ปัญหาการขาดแคลนบุคลากรรุนแรงมาก (แค่หานักพัฒนายังยาก แล้ว ML engineer จะยิ่งยากแค่ไหน)
    • ปัญหา hallucination และ black box เป็นต้น เป็นความเสี่ยงร้ายแรงในมุมขององค์กร
    • ต้องพิสูจน์ ROI (ก็มีบางกรณี เช่น Palo Alto Networks ที่บอกว่าลดค่าใช้จ่ายด้านการจัดการการเดินทางได้ครึ่งหนึ่ง)
  • เรื่องที่เป็นบวกคือองค์กรต่าง ๆ พยายามใช้งบ OpEx ไม่ใช่งบนวัตกรรม
  • แต่กว่าจะนำไปใช้ในวงกว้างจริง ๆ น่าจะต้องใช้เวลาอีก 3~5 ปี

21. AI จะฆ่า SaaS หรือไม่?

  • เป็นหนึ่งในแนวคิดที่ฮิตในช่วง 1 ปีที่ผ่านมา
  • มีข้อโต้แย้งว่า ด้วย AI ที่ทำให้ประสิทธิภาพการเขียนโค้ดเพิ่มขึ้น 10 เท่า แม้มีนักพัฒนาเพียงไม่กี่คนก็สามารถสร้าง SaaS แบบปรับแต่งเฉพาะได้ จน SaaS เดิมไม่จำเป็นอีกต่อไป
  • หรือก็มีข้อโต้แย้งว่า หาก AI เข้ามาทำแทนทุกอย่างตั้งแต่ HR/การเงิน/การขาย ก็จะไม่จำเป็นต้องมีซอฟต์แวร์แยกต่างหากอีก
  • แต่ทั้งสองสถานการณ์นี้ดูจะเกิดขึ้นจริงในรูปแบบสมบูรณ์ได้ยาก
  • สิ่งที่น่าจะเป็นไปได้มากกว่าคือ AI จะถูกฝังอยู่ใน SaaS เดิมและทำให้มันทรงพลังยิ่งขึ้น

22. AI จะฆ่า venture capital หรือไม่?

  • นอกเหนือจากประเด็นว่า AI จะสามารถทำให้การคัดเลือกบริษัทของ VC และการเพิ่มมูลค่าหลังการลงทุนเป็นอัตโนมัติได้หรือไม่ ยังจำเป็นต้องถกกันต่อว่าขนาดของสินทรัพย์ประเภท VC ในยุค AI นั้นเหมาะสมหรือไม่
  • VC เล็กเกินไปหรือเปล่า?
    • บริษัทอย่าง OpenAI ต้องการเงินระดับหลายพันล้านดอลลาร์ หรืออาจมากกว่านั้น
    • บริษัทยักษ์ใหญ่อย่าง MS กำลังเป็นผู้จัดหาเงินส่วนสำคัญนี้ (มีโอกาสสูงว่าจะอยู่ในรูปของการให้พลังประมวลผล)
    • VC บางรายก็ลงทุนในบริษัท foundation model ขนาดใหญ่ แต่ก็ค่อนข้างห่างจากโมเดลการลงทุนซอฟต์แวร์แบบ VC ดั้งเดิม
    • การลงทุนด้าน AI อาจต้องใช้กองทุนระดับ mega scale (มีข่าวว่าซาอุฯ จะร่วมมือกับ VC สหรัฐฯ ตั้งกองทุน AI มูลค่า 4 หมื่นล้านดอลลาร์)
  • หรือ VC ใหญ่เกินไปหรือเปล่า?
    • หาก AI ทำให้ประสิทธิภาพของนักพัฒนาเพิ่มขึ้น 10 เท่า และทำให้การขาย/การตลาดเป็นอัตโนมัติได้
    • ก็อาจมียุคที่ทีมเล็ก ๆ หรือแม้แต่บริษัทที่มีผู้ก่อตั้งคนเดียว สามารถทำรายได้หลายร้อยล้านดอลลาร์และเข้าตลาดหุ้นได้
    • ถ้าเป็นบริษัทคนเดียวที่มีรายได้ 100 ล้านดอลลาร์ ตั้งแต่เริ่มก่อตั้งจนถึง EXIT จะยังจำเป็นต้องใช้เงิน VC จริงหรือ?

23. AI จะปลุกตลาดผู้บริโภคให้กลับมาหรือไม่?

  • ตลาดผู้บริโภคที่ซบเซามาตั้งแต่ยุคโซเชียลมีเดีย/มือถือ จะฟื้นตัวได้ด้วย generative AI หรือไม่?
  • พื้นที่ที่น่าสนใจ:
    • การค้นหา: สตาร์ตอัปอย่าง Perplexity AI, You.com ที่ยื่นคำท้าถึง Google เป็นครั้งแรกในรอบหลายสิบปี และกำลังขับเคลื่อนวิวัฒนาการจาก search engine ไปสู่ answer engine
    • AI companion: หากละความกังวลแบบดิสโทเปียไว้ก่อน จะเป็นอย่างไรถ้าทุกคนมีเพื่อนคู่คิดของตัวเองที่อดทนไม่รู้จบและพร้อมช่วยเหลือเสมอ?
    • AI hardware: ความพยายามที่น่าสนใจของฮาร์ดแวร์ AI สำหรับผู้บริโภคอย่าง Humane, Rabbit, VisionPro
    • ความบันเทิงที่เฉพาะบุคคลขั้นสุด: เมื่อเครื่องมือ generative AI พัฒนาขึ้นและราคาถูกลง จะเกิดรูปแบบใหม่ของความบันเทิงและศิลปะแบบใด?

24. AI กับบล็อกเชน: เหลวไหลหรือชวนสนใจ?

  • การมาบรรจบกันของ AI และคริปโตเป็นมีมบน Twitter ที่สมบูรณ์แบบ
  • แต่การที่ทรัพยากร AI อย่างพลังประมวลผล ข้อมูล และบุคลากร ไปกระจุกอยู่กับบริษัทไม่กี่แห่งก็น่ากังวล
  • แก่นของบล็อกเชนคือการทำให้ผู้เข้าร่วมแบ่งปันทรัพยากรและสินทรัพย์ผ่านเครือข่ายแบบกระจายศูนย์
  • ระหว่างสองสิ่งนี้ยังมีพื้นที่ที่ควรค่าแก่การสำรวจ (เป็นหัวข้อที่คิดกันมาตั้งแต่หลายปีก่อน)
  • เห็นได้ชัดว่าโปรเจกต์ที่เกี่ยวข้องอย่าง Bittensor (แพลตฟอร์ม AI แบบกระจายศูนย์), Render (แพลตฟอร์มเรนเดอร์ GPU แบบกระจายศูนย์), Arweave (แพลตฟอร์มข้อมูลแบบกระจายศูนย์) กำลังเร่งตัวขึ้น
  • ประเด็นสำคัญคือวงการคริปโตจะช่วยตัวเองได้หรือไม่ หรือจะเสื่อมไปเป็น meme coin และการหลอกลวงที่อาศัยกระแส AI

BONUS: หัวข้อที่ไม่ได้พูดถึง

  • AI จะฆ่าพวกเราทั้งหมดหรือไม่? AI doomsday vs AI accelerationist
  • กฎระเบียบ ความเป็นส่วนตัว จริยธรรม และ deepfake
  • AI จะถูกสร้างขึ้นได้แค่ใน Silicon Valley เท่านั้นหรือ?

[Part III: Financing, M&A & IPO]

การระดมทุน

  • การลงทุนใน AI และการลงทุนในสาขาอื่นแยกตัวกันอย่างชัดเจน เป็นลักษณะของ "เรื่องเล่าของสองตลาด"
  • การลงทุนโดยรวมยังคงลดลงต่อเนื่อง โดยในปี 2023 อยู่ที่ 248.4 พันล้านดอลลาร์ ลดลง 42% ส่วนช่วงไม่กี่เดือนแรกของปี 2024 เริ่มฟื้นตัวเล็กน้อย แต่แนวโน้มโดยรวมยังคล้ายเดิม
  • โครงสร้างพื้นฐานด้านข้อมูลระดมทุนได้ต่ำมากด้วยเหตุผลหลายประการที่กล่าวไปก่อนหน้านี้ โดยมีเพียง Sigma Computing และ Databricks ที่เป็นกรณียกเว้น
  • ในทางกลับกัน AI เป็นเรื่องที่ต่างออกไปโดยสิ้นเชิง
  • ลักษณะเด่นของตลาดการลงทุน AI มีดังนี้:
    • เงินทุนกระจุกตัวอยู่กับสตาร์ตอัปเพียงไม่กี่ราย โดยเฉพาะ OpenAI, Anthropic, Inflection AI, Mistral เป็นต้น
    • สัดส่วนของนักลงทุนองค์กร (CVC) เช่น MS, Google, NVIDIA สูงผิดปกติ
    • ในดีลของ CVC ยังมีความไม่โปร่งใสระหว่างเงินสดที่จ่ายจริงกับ "หุ้นที่ได้รับตอบแทนจากการสนับสนุนพลังประมวลผล"
  • ดีลที่น่าสนใจตั้งแต่ MAD 2023 มีดังนี้ (เรียงตามเวลา ไม่ใช่รายการทั้งหมด):
    • OpenAI (ผู้พัฒนา foundation model รายสำคัญ): ระดมทุนรวม $10.3B ใน 2 รอบ มูลค่ากิจการ $86B
    • Adept (ผู้พัฒนา foundation model): ระดมทุน $350M มูลค่ากิจการ $1B
    • AlphaSense (แพลตฟอร์มวิจัยการเงิน): ระดมทุนรวม $475M ใน 2 รอบ มูลค่ากิจการ $2.5B
    • Anthropic (ผู้พัฒนา foundation model): ระดมทุนรวม $6.45B ใน 3 รอบ มูลค่ากิจการ $18.4B
    • Pinecone (แพลตฟอร์ม vector DB): ระดมทุน $100M มูลค่ากิจการ $750M
    • Celestial AI (แพลตฟอร์ม optical interconnect): ระดมทุนรวม $275M ใน 2 รอบ
    • CoreWeave (GPU cloud): ระดมทุน $421M มูลค่ากิจการ $2.5B
    • Lightmatter (ผู้พัฒนาชิปออปติคัล): ระดมทุนรวม $308M ใน 2 รอบ มูลค่ากิจการ $1.2B
    • Sigma Computing (แพลตฟอร์มวิเคราะห์บนคลาวด์): ระดมทุน $340M มูลค่ากิจการ $1.1B
    • Inflection (ผู้พัฒนา foundation model): ระดมทุน $1.3B มูลค่ากิจการ $4B
    • Mistral (ผู้พัฒนา foundation model): ระดมทุนรวม $528M ใน 2 รอบ มูลค่ากิจการ $2B
    • Cohere (ผู้พัฒนา foundation model): ระดมทุน $270M มูลค่ากิจการ $2B
    • Runway (ผู้พัฒนาโมเดลสร้างวิดีโอ): ระดมทุน $191M มูลค่ากิจการ $1.5B
    • Synthesia (แพลตฟอร์มสร้างวิดีโอสำหรับองค์กร): ระดมทุน $90M มูลค่ากิจการ $1B
    • Hugging Face (แพลตฟอร์ม ML แบบโอเพนซอร์ส): ระดมทุน $235M มูลค่ากิจการ $4.5B
    • Poolside (ผู้พัฒนา foundation model สำหรับการเขียนโค้ด): ระดมทุน $126M
    • Modular (แพลตฟอร์มพัฒนา AI): ระดมทุน $100M มูลค่ากิจการ $600M
    • Imbue (ผู้พัฒนา AI agent): ระดมทุน $212M
    • Databricks (โซลูชันข้อมูล/การวิเคราะห์/AI): ระดมทุน $684M มูลค่ากิจการ $43.2B
    • Aleph Alpha (ผู้พัฒนา foundation model): ระดมทุน $486M
    • AI21 Labs (ผู้พัฒนา foundation model): ระดมทุน $208M มูลค่ากิจการ $1.4B
    • Together (คลาวด์ generative AI): ระดมทุนรวม $208.5M ใน 2 รอบ มูลค่ากิจการ $1.25B
    • VAST Data (แพลตฟอร์มข้อมูลสำหรับ deep learning): ระดมทุน $118M มูลค่ากิจการ $9.1B
    • Shield AI (AI pilot สำหรับอากาศยาน/กลาโหม): ระดมทุน $500M มูลค่ากิจการ $2.8B
    • 01.ai (ผู้พัฒนา foundation model): ระดมทุน $200M มูลค่ากิจการ $1B
    • Hadrian (ผู้ผลิตชิ้นส่วนสำหรับอากาศยาน/กลาโหม): ระดมทุน $117M
    • Sierra AI (แชตบอต AI สำหรับบริการลูกค้า): ระดมทุนรวม $110M ใน 2 รอบ
    • Glean (AI search สำหรับองค์กร): ระดมทุน $200M มูลค่ากิจการ $2.2B
    • Lambda Labs (GPU cloud): ระดมทุน $320M มูลค่ากิจการ $1.5B
    • Magic (ผู้พัฒนา foundation model สำหรับการเขียนโค้ด): ระดมทุน $117M มูลค่ากิจการ $500M

M&A, ธุรกรรมบริษัทนอกตลาด

  • ตั้งแต่ MAD 2023 เป็นต้นมา ตลาด M&A ค่อนข้างเงียบ
  • บริษัทซอฟต์แวร์แบบดั้งเดิมหลายแห่งดูจะให้ความสำคัญกับราคาหุ้นของตนเองและธุรกิจโดยรวมมากกว่า M&A
  • โดยเฉพาะอย่างยิ่ง สภาพแวดล้อมด้านการผูกขาดที่เข้มงวดขึ้นก็เป็นภาระต่อผู้ซื้อที่มีศักยภาพ
  • กองทุน private equity (PE) กลับเคลื่อนไหวค่อนข้างคึกคัก โดยมองหาโอกาสราคาถูกในตลาดที่แย่ลง
  • ดีลเด่นที่อยู่ใน MAD มีดังนี้ (เรียงตามมูลค่า):
    • Broadcom (ผู้ผลิตเซมิคอนดักเตอร์) เข้าซื้อ VMWare (บริษัทคลาวด์) มูลค่า $69B
    • Cisco (โครงสร้างพื้นฐานเครือข่าย/ความปลอดภัย) เข้าซื้อ Splunk (monitoring/observability) มูลค่า $28B
    • Qualtrics (การจัดการ CX) ถูกนำออกจากตลาดโดย Silver Lake/CPP มูลค่า $12.5B
    • Coupa (แพลตฟอร์มบริหารรายจ่าย) ถูกนำออกจากตลาดโดย Thoma Bravo มูลค่า $8B
    • New Relic (monitoring/observability) ถูกซื้อโดย Francisco Partners/TPG มูลค่า $6.5B
    • Alteryx (แพลตฟอร์มวิเคราะห์) ถูกนำออกจากตลาดโดย Clearlake/Insight มูลค่า $4.4B
    • Salesloft (sales orchestration) ถูก Vista Equity เข้าซื้อ มูลค่า $2.3B
      • Vista ยังเข้าซื้อ Drift บริษัทแชตบอต AI สำหรับประสบการณ์ลูกค้าด้วย
    • Databricks (data lakehouse) เข้าซื้อ MosaicML (แพลตฟอร์มพัฒนา AI) มูลค่า $1.3B
      • ยังมีการเข้าซื้อขนาดเล็กของ Arcion, Okera เป็นต้น
    • Thoughtspot (แพลตฟอร์มวิเคราะห์) เข้าซื้อ Mode Analytics (BI) มูลค่า $200M
    • Snowflake (data warehouse) เข้าซื้อ Neeva (เสิร์ชเอนจิน AI) มูลค่า $150M
    • DigitalOcean (คลาวด์) เข้าซื้อ Paperspace (การพัฒนา AI) มูลค่า $111M
    • NVIDIA (ชิป AI) เข้าซื้อ OmniML (การเพิ่มประสิทธิภาพ edge AI)
  • การเข้าซื้อ Inflection AI โดย MS ก็เป็นกรณีที่น่าสนใจเช่นกัน
  • ปี 2024 จะกลายเป็นปีแห่ง AI M&A หรือไม่ ขึ้นอยู่กับโมเมนตัมของตลาด
  • ในตลาดระดับล่าง มีสตาร์ตอัป AI ที่มีอนาคตจำนวนมากได้รับเงินลงทุนในช่วง 1-2 ปีที่ผ่านมา ในรอบขาขึ้นของ AI ครั้งก่อน หลังการลงทุนระยะแรกมักเกิดการ acquihire จำนวนมากในมูลค่าสูงเมื่อเทียบกับผลงานจริง และบุคลากร AI ก็ยังคงหายาก
  • ในตลาดระดับบน การบรรจบกันระหว่างแพลตฟอร์มข้อมูลชั้นนำกับแพลตฟอร์ม AI กำลังมีแรงส่งมากขึ้น แต่ราคาก็น่าจะไม่ถูก

IPO

  • AI เป็นประเด็นร้อนในตลาดหุ้นเช่นกัน หุ้นของ "Magnificent 7" (NVIDIA, Meta, Amazon, MS, Alphabet, Apple, Tesla) ปรับขึ้นมากกว่า 49% ในปี 2023 และเป็นแรงขับเคลื่อนหลักของการขึ้นของตลาดโดยรวม
  • อย่างไรก็ตาม หุ้น pure AI ยังมีอยู่ไม่มากนัก และหุ้น AI ไม่กี่ตัวที่มีอยู่ก็ได้พรีเมียมสูง (ราคาหุ้น Palantir เพิ่มขึ้น 167% ในปี 2023)
  • เรื่องนี้น่าจะเป็นข่าวดีสำหรับสตาร์ตอัปจำนวนมากที่เป็นผู้สมัคร IPO ด้าน AI โดยมี Databricks นำหน้า ตามด้วยบริษัทขนาดใหญ่อย่าง Celonis, Scale AI, Dataiku, Fivetran ที่กำลังเตรียมเข้าตลาด
  • ท่าทีของ OpenAI และ Anthropic ต่อการเข้าตลาดก็เป็นประเด็นที่น่าสนใจเช่นกัน
  • ขณะเดียวกัน ตลาด IPO ในปี 2023 ซบเซาอย่างมาก โดยมีบริษัทที่เกี่ยวข้องกับ MAD เพียงไม่กี่แห่งที่เข้าตลาดสำเร็จ:
    • Klaviyo (marketing automation): เข้าตลาดเดือน 9/2023 มูลค่ากิจการ $9.2B
    • Reddit (ให้ไลเซนส์คอนเทนต์แก่บริษัท AI): เข้าตลาดเดือน 3/2024 มูลค่ากิจการ $6.4B
    • Astera Labs (เซมิคอนดักเตอร์สำหรับ AI/คลาวด์): เข้าตลาดเดือน 3/2024 มูลค่ากิจการ $5.5B

บทสรุป

  • เรากำลังอยู่ในช่วงเวลาที่พิเศษมาก และอยู่ในจุดเริ่มต้นของการเปลี่ยนผ่านกระบวนทัศน์
  • นี่คือเวลาของการทดลองและการลองสิ่งใหม่ๆ เราเพิ่งเริ่มต้นเท่านั้น

บทความที่เกี่ยวข้อง