รายงาน Trends ของ Mary Meeker - "AI"

• รายงานเทรนด์ของ Mary Meeker ที่กลับมาอีกครั้งในรอบ 5 ปี ครั้งนี้มี AI เป็นแกนหลัก ทั้งหมด 340 หน้า
• ความเร็วในการใช้งานและการแพร่กระจายของ AI เร็วกว่ายุคอินเทอร์เน็ตอย่างมาก และกำลังเข้าสู่ ช่วงเวลาที่เครื่องจักรแซงมนุษย์
• สิ่งที่ขับเคลื่อนเรื่องนี้คือ โครงสร้างพื้นฐานอินเทอร์เน็ตระดับโลก (มีผู้ใช้ 5.5 พันล้านคน), ชุดข้อมูลดิจิทัล ที่สะสมมากว่า 30 ปี, และการมาถึงของโมเดลภาษาขนาดใหญ่ (LLM) ที่นำโดย ChatGPT พร้อมนวัตกรรมด้านการใช้งานจริงและความเร็ว
• บริษัท AI หน้าใหม่ เดินเกมเชิงรุกอย่างมากทั้งด้านนวัตกรรม การลงทุน การเปิดตัวผลิตภัณฑ์ และการระดมทุน ขณะที่บริษัทยักษ์ใหญ่เทคเดิมก็เร่งการเติบโตและ การลงทุนที่มี AI เป็นศูนย์กลาง เช่นกัน
• การแข่งขันด้าน AI ระหว่างจีนกับสหรัฐฯ และ การช่วงชิงอำนาจนำทางเทคโนโลยีระดับโลก กำลังทวีความเข้มข้นขึ้น และหวังว่ารายงานฉบับนี้จะช่วยต่อยอดการถกเถียงเรื่องการเปลี่ยนแปลงทางเทคโนโลยี การเงิน สังคม กายภาพ และภูมิรัฐศาสตร์

โครงร่างเอกสาร

1. การเปลี่ยนแปลงกำลังเกิดขึ้นเร็วกว่าสมัยอดีตหรือไม่?
   → ใช่ และในความเป็นจริงกำลังยิ่งเร็วขึ้น
2. ผู้ใช้ AI + ปริมาณการใช้งาน + การใช้จ่ายด้านทุน (CapEx) ที่เติบโต =
   → การเติบโตที่ไม่เคยมีมาก่อน (Unprecedented)
3. ต้นทุนคอมพิวต์ (Compute) ของโมเดล AI สูงขึ้น ขณะที่ต้นทุนการอนุมาน (Inference) ลดลง =
   → ประสิทธิภาพเริ่มเข้าใกล้กัน (Performance Converging), การใช้งานของนักพัฒนา (Developer Usage) เพิ่มขึ้น
4. การเติบโตของการใช้งาน AI (Usage) + ต้นทุน (Cost) + การขาดทุน (Loss) =
   → อยู่ในระดับที่ไม่เคยมีมาก่อน (Unprecedented)
5. ความเสี่ยงต่อการสร้างรายได้ (Monetization) ของ AI =
   → การแข่งขันรุนแรงขึ้น, โมเมนตัมของโอเพนซอร์ส (แรงขยายตัว) และการผงาดขึ้นของจีน
6. การบรรจบกันของโลกกายภาพกับ AI (Ramps) =
   → รวดเร็วและขับเคลื่อนด้วยข้อมูล (Fast + Data-Driven)
7. การเติบโตของผู้ใช้อินเทอร์เน็ตทั่วโลกที่ได้รับแรงหนุนจาก AI =
   → การเติบโตในแบบที่ไม่เคยสัมผัสมาก่อน
8. วิวัฒนาการของ AI และงาน (Work) =
   → กำลังเกิดขึ้นจริงและเกิดขึ้นอย่างรวดเร็ว (Real + Rapid)

ภาพรวม

• ถึงขั้นที่แม้แต่คำว่า “โลกกำลังเปลี่ยนแปลงด้วยความเร็วที่ไม่เคยมีมาก่อน” ก็ยังอาจประเมินต่ำไป เพราะทั้งความเร็วและขอบเขตของการเปลี่ยนแปลงกำลังขยายตัวอย่างรวดเร็ว
• นวัตกรรมทางเทคโนโลยี, การ นำไปใช้ (adoption) อย่างรวดเร็ว และ การเปลี่ยนแปลงของภาวะผู้นำระดับโลก (leadership) คือรากฐานสำคัญ (Underpinnings) ของการเปลี่ยนแปลงทั้งหมดนี้

• พันธกิจการก่อตั้งของ Google (1998): 'จัดระเบียบข้อมูลของโลกและทำให้ทุกคนเข้าถึงและใช้งานได้'
• พันธกิจการก่อตั้งของ Alibaba (1999): 'ทำให้การทำธุรกิจเป็นเรื่องง่ายได้ทุกที่'
• พันธกิจการก่อตั้งของ Facebook (2004): 'ทำให้ผู้คนแบ่งปันกันได้มากขึ้น และทำให้โลกเปิดกว้างและเชื่อมต่อกันมากขึ้น'

• ในปัจจุบัน AI (Artificial Intelligence), พลังการประมวลผลที่เร่งตัวขึ้น (Computing Power) และ เงินทุนไร้พรมแดน (Borderless Capital) กำลังผสานกันเพื่อยกระดับการจัดระเบียบข้อมูล การเชื่อมต่อ และการเข้าถึงอย่างก้าวกระโดด พร้อมขับเคลื่อนการเปลี่ยนแปลงครั้งใหญ่

• เช่นเดียวกับที่ สถิติของนักกีฬา ถูกปรับปรุงอย่างต่อเนื่องด้วยข้อมูล อินพุต และการฝึกฝน บริษัทต่าง ๆ ก็เปลี่ยนแปลงให้ฉลาดขึ้นและแข่งขันมากขึ้นเรื่อย ๆ เมื่อคอมพิวเตอร์ได้เรียนรู้จาก ชุดข้อมูลขนาดมหาศาล
• นวัตกรรมของโมเดลขนาดใหญ่ (Large Models), ต้นทุนต่อโทเค็น (cost-per-token) ที่ลดลง, การแพร่หลายของโอเพนซอร์ส (Open-Source Proliferation) และ ประสิทธิภาพของชิป (Chip Performance) ที่ดีขึ้น กำลังยกระดับทั้งความคุ้มค่าทางเศรษฐศาสตร์ พลัง และการเข้าถึงของเทคโนโลยีอย่างมาก

• ChatGPT ของ OpenAI คือกรณีตัวอย่างของความสำเร็จแบบ ‘ชั่วข้ามคืน (overnight success)’ ที่เร็วที่สุดในประวัติศาสตร์ในแง่จำนวนผู้ใช้ ปริมาณการใช้งาน และตัวชี้วัดด้านการสร้างรายได้ (เกิดขึ้นหลังจากก่อตั้ง 9 ปี)
• การใช้ AI กำลังเพิ่มขึ้นแบบระเบิดในหมู่ ผู้บริโภค นักพัฒนา องค์กร และรัฐบาล
• ในยุคปฏิวัติ Internet 1.0 เทคโนโลยีเริ่มจากสหรัฐฯ แล้วค่อย ๆ แพร่กระจาย แต่ ChatGPT ถูกนำไปใช้พร้อมกันทั่วโลกและเติบโตอย่างรวดเร็ว

• ทั้ง แพลตฟอร์มยักษ์ใหญ่เดิม (incumbents) และ ผู้ท้าชิงรายใหม่ (challengers) กำลังแข่งขันกันเพื่อยึดครอง ชั้นใหม่ของโครงสร้างพื้นฐาน AI เช่น agentic interfaces, enterprise copilots, real-world autonomous systems และ sovereign models
• ความก้าวหน้าแบบก้าวกระโดดของ AI, โครงสร้างพื้นฐานคอมพิวต์ และการเชื่อมต่อระดับโลก (global connectivity) กำลังปรับโครงสร้างพื้นฐานของวิธีทำงาน (Work), การจัดสรรเงินทุน (Capital Deployment) และมาตรฐานของภาวะผู้นำใหม่อย่างสิ้นเชิง ทั้งในระดับบริษัทและระดับประเทศ

• ขณะเดียวกัน การเปลี่ยนแปลงภาวะผู้นำระดับโลกในแต่ละประเทศก็กำลังดำเนินไป และชาติมหาอำนาจสำคัญต่างพยายามสกัดความสามารถในการแข่งขันและความได้เปรียบเชิงเปรียบเทียบของกันและกันอย่างจริงจัง
• ประเทศต่าง ๆ ทั่วโลกกำลังเร่งตัวขึ้นอีกครั้งตามความทะเยอทะยานทางเศรษฐกิจ สังคม และดินแดน (Economic / Societal / Territorial Aspiration)

• ตอนนี้มีแรงขนาดใหญ่สองด้านคือ เทคโนโลยี (Technological) และ ภูมิรัฐศาสตร์ (Geopolitical) ที่กำลังพันกันลึกขึ้นเรื่อย ๆ
• Andrew Bosworth CTO ของ Meta Platforms กล่าวล่าสุดในพอดแคสต์ ‘Possible’ ว่า “ตอนนี้ AI คล้ายกับ การแข่งขันอวกาศ (Space Race) มาก โดยเฉพาะประเทศหลักอย่างจีนมีขีดความสามารถสูงมาก แทบไม่มีความลับ และทุกฝ่ายกำลังพัฒนาอย่างต่อเนื่อง”

• ภาวะผู้นำด้าน AI (AI Leadership) อาจนำไปสู่ ภาวะผู้นำด้านภูมิรัฐศาสตร์ (Geopolitical Leadership) ได้โดยตรง (แต่กลับกันไม่จำเป็นต้องเป็นจริง)
• ปรากฏการณ์นี้มาพร้อมความไม่แน่นอน (Uncertainty) สูง แต่ดังคำของ Brian Rogers อดีตประธาน T. Rowe Price ที่ว่า “ในทางสถิติแล้ว โลกไม่ได้จบบ่อยขนาดนั้น” มุมมองเชิงบวกจึงยังสำคัญ

• สำหรับนักลงทุน แม้จะต้องตั้งสมมุติฐานเสมอว่าทุกอย่างอาจผิดพลาดได้ แต่ความคาดหวังต่อสิ่งที่อาจออกมาดีจริงต่างหากคือแหล่งกำเนิดของ ความหวัง (Optimism) อย่างแท้จริง
• ภาพของ AI ที่เข้ามาทำงานแทนมีความมหัศจรรย์คล้ายกับช่วงแรกของ อีเมลและเว็บเสิร์ช และผลลัพธ์แบบ ดีกว่า / เร็วกว่า / ถูกกว่า (Better / Faster / Cheaper) ก็กำลังแพร่กระจายเร็วกว่าเดิมมาก
• แน่นอนว่าความเสี่ยง (Danger) และความไม่แน่นอนก็สูงมากเช่นกัน แต่ในระยะยาวยังมีความหวังว่า การแข่งขันที่เข้มข้น (Competition), นวัตกรรม (Innovation), คอมพิวต์ที่ราคาถูกและเข้าถึงง่าย (Accessible Compute), เทคโนโลยี AI ที่แพร่กระจายอย่างรวดเร็ว และภาวะผู้นำที่รอบคอบและคำนวณมาอย่างดี (Thoughtful and Calculated Leadership) จะช่วยสร้างสมดุลในลักษณะคล้าย การยับยั้งซึ่งกันและกันอย่างแน่นอน (Mutually Assured Deterrence)

• สำหรับบางคน วิวัฒนาการของ AI อาจเป็น การแข่งขันสู่จุดต่ำสุด (Race to the Bottom) แต่สำหรับอีกบางคน นี่คือจุดเริ่มต้นของ การแข่งขันสู่จุดสูงสุด (Race to the Top)
• พลังเชิงเก็งกำไรและพลวัตของ ทุนนิยม (Capitalism) และ การทำลายล้างเชิงสร้างสรรค์ (Creative Destruction) กำลังก่อให้เกิดการเปลี่ยนแปลงครั้งใหญ่ระดับแผ่นดินไหว
• โดยเฉพาะการแข่งขันอันดุเดือดของ สหรัฐอเมริกา (USA), จีน (China) และผู้นำเทคโนโลยีทั่วโลก ได้เข้าสู่ภาวะ 'เกมเริ่มแล้ว (Game On)' ไปเรียบร้อย

• รายงานฉบับนี้ตั้งใจนำเสนอเทรนด์ของ ช่วงเวลาอันพลวัต (Dynamic Time) เช่นปัจจุบันให้เห็นอย่างรอบด้าน โดยอ้างอิงข้อมูล งานวิจัย และเบนช์มาร์กจากบุคคลที่สามหลากหลายแหล่ง
• เป้าหมายสูงสุดของรายงานฉบับนี้คือการมีส่วนร่วมต่อการอภิปรายดังกล่าว

1. การเปลี่ยนแปลงกำลังเกิดขึ้นเร็วกว่าสมัยอดีตหรือไม่?

Technology Compounding = ตัวเลขเบื้องหลังแรงส่งของการเติบโต

"การเติบโตแบบทบต้นของเทคโนโลยี = ตัวเลขและข้อมูลที่ซ่อนอยู่เบื้องหลังโมเมนตัมของการเติบโตแบบก้าวกระโดด"

• ประวัติศาสตร์ของวัฏจักรการประมวลผลและการมาถึงของยุค AI
  • เมนเฟรม (Mainframe, ~1 ล้านเครื่อง) → มินิคอมพิวเตอร์ (Minicomputer, ~10 ล้านเครื่อง) → PC (~300 ล้านเครื่อง) → เดสก์ท็อปอินเทอร์เน็ต (Desktop Internet, ~1 พันล้านคน/ผู้ใช้) → โมบายล์อินเทอร์เน็ต (Mobile Internet, ~4 พันล้านคน) → ยุค AI (AI Era, ระดับหลายพันล้านถึงหลายหมื่นล้าน)
  • โครงสร้างพื้นฐานด้านคอมพิวติ้งที่สะสมมา (CPU, GPU, คลาวด์/บิ๊กดาต้า) กลายเป็น รากฐานของการขยายตัวของ AI
  • ในยุคของอุปกรณ์ AI คาดว่าจำนวนอุปกรณ์จะมากกว่าเมนเฟรมในอดีต ตั้งแต่หลายหมื่นถึงหลายแสนเท่า
• การเติบโตของชุดข้อมูลฝึกสอนโมเดล AI (จำนวนคำ)
  • ระหว่างปี 1950~2025 ขนาดของชุดข้อมูลฝึกสอน (จำนวนคำ) ของโมเดล AI สำคัญ ๆ เติบโตเฉลี่ยต่อปี 260%
  • หลังปี 2018 โมเดลขนาดใหญ่ เช่น GPT-2, GPT-3, GNMT เริ่มปรากฏ และปริมาณการใช้ข้อมูลเพิ่มขึ้นแบบทวีคูณ
  • โมเดลล่าสุดอย่าง Aramco Metabrain AI ใช้คำระดับหลายล้านล้านคำในการฝึก
• การเติบโตของคอมพิวต์ที่ใช้ในการฝึกโมเดล AI (ปริมาณการคำนวณ, FLOP)
  • ระหว่างปี 1950~2025 ปริมาณการคำนวณสำหรับการฝึกโมเดล AI สำคัญ ๆ เติบโตเฉลี่ยต่อปี 360%
  • พร้อมกับการมาของโมเดลขนาดใหญ่ เช่น GPT-4, Grok, AlphaGo, Swift ทำให้ ตัวชี้วัด FLOP พุ่งสูงขึ้นอย่างรวดเร็ว
• การเพิ่มประสิทธิภาพคอมพิวต์จากนวัตกรรมด้านอัลกอริทึม
  • ระหว่างปี 2014~2023 Effective Compute ของโมเดล AI เพิ่มขึ้นเฉลี่ยต่อปี 200%
  • การปรับอัลกอริทึมให้เหมาะสม เช่น Chinchilla, OPT-175B มีส่วนสำคัญอย่างมากต่อการเพิ่มประสิทธิภาพและลดการใช้คอมพิวต์
• การเติบโตของประสิทธิภาพซูเปอร์คอมพิวเตอร์ AI
  • ระหว่างปี 2019~2025 ประสิทธิภาพของซูเปอร์คอมพิวเตอร์ AI (คลัสเตอร์) เติบโตเฉลี่ยต่อปี 150%
  • Sunway OceanLight, คลัสเตอร์ GPT-3/4, Frontier, El Capitan, xAI Colossus เป็นต้น
  • ทั้งประสิทธิภาพของชิปและจำนวนชิปต่อคลัสเตอร์เติบโตขึ้นพร้อมกัน
• การเพิ่มขึ้นอย่างรวดเร็วของจำนวนโมเดล AI ขนาดใหญ่ทรงพลัง
  • ระหว่างปี 2017~2024 เพิ่มขึ้น 167% ต่อปี: จำนวนโมเดล AI ขนาดใหญ่ที่มีมากกว่า 10^23 FLOP เปิดตัวเพิ่มขึ้นอย่างรวดเร็ว
  • ผู้เล่นหลากหลายราย เช่น DeepMind (AlphaGo), xAI, Anthropic, Meta, NVIDIA, Mistral ทยอยเข้าสู่ตลาด
• การเติบโตของผู้ใช้ ผู้สมัครสมาชิก และรายได้ของ ChatGPT
  • ณ ช่วง 2022.10~2025.4 ผู้ใช้ที่ใช้งานรายสัปดาห์ (Users, MM), ผู้สมัครสมาชิก (Subscriber, MM), รายได้ (Revenue, $B) ต่างก็ เติบโตแบบทวีคูณ
  • ผู้ใช้รายสัปดาห์ 800 ล้านคน+, สมาชิก 20 ล้านคน+, รายได้ต่อปีใกล้แตะ 4 พันล้านดอลลาร์
• ความเร็วในการบรรลุยอดค้นหารายปี 3.65 แสนล้านครั้ง: ChatGPT vs Google
  • ChatGPT: ใช้เวลา 2 ปีในการแตะ 3.65 แสนล้านครั้งต่อปี (2024)
  • Google: ใช้เวลา 11 ปีจึงจะถึงตัวเลขเดียวกัน (2009)
  • ChatGPT มี ความเร็วในการขยายตัวมากกว่า Google 5.5 เท่า

• ในปี 1998 ช่วงที่การใช้อินเทอร์เน็ตเริ่มแพร่หลาย Google เริ่มต้นขึ้นด้วยเป้าหมายที่จะ “จัดระเบียบข้อมูลของโลก และทำให้ทุกคนเข้าถึงและใช้ประโยชน์ได้”
• ตลอดเวลาเกือบ 30 ปี ท่ามกลางความเปลี่ยนแปลงที่รวดเร็วที่สุดที่มนุษยชาติเคยเผชิญ ปัจจุบันข้อมูลส่วนใหญ่ได้กลายเป็น ดิจิทัล เข้าถึงได้ และนำไปใช้ได้ แล้ว
• การเปลี่ยนแปลงของวิธีเข้าถึงและเคลื่อนย้ายข้อมูลที่ขับเคลื่อนด้วย AI กำลังเกิดขึ้นอย่างรวดเร็วกว่านั้นมาก

• AI คือ Compounder (สิ่งที่เติบโตแบบทบต้น) บนโครงสร้างพื้นฐานอินเทอร์เน็ต และ
  ก่อให้เกิดปรากฏการณ์ที่บริการซึ่งใคร ๆ ก็ใช้งานได้ง่ายและดึงดูดความสนใจจากคนจำนวนมาก แพร่กระจายอย่างรวดเร็วสุดขีด

วิวัฒนาการของการกระจายความรู้ (Knowledge Distribution Evolution)

• 1440~1992: Static + Physical Delivery
  • ตั้งแต่การประดิษฐ์แท่นพิมพ์ (Printing Press) ในปี 1440 จนถึงปี 1992 ความรู้ถูกเผยแพร่ในรูปแบบ คงที่ (Static) และทางกายภาพ (Physical)
  • กล่าวคือ โครงสร้างการส่งต่อความรู้ที่ยึดสื่อสิ่งพิมพ์อย่างหนังสือพิมพ์ หนังสือ และนิตยสารเป็นศูนย์กลาง ดำรงอยู่ต่อเนื่องมาหลายร้อยปี
    – 1993~2021: Active + Digital Delivery
  • หลังการเปิดตัวอินเทอร์เน็ต (World Wide Web) ในปี 1993 การถ่ายทอดความรู้ได้เปลี่ยนไปสู่รูปแบบ เชิงรุก (Active) และอยู่บนพื้นฐานดิจิทัล (Digital)
  • ทุกคนสามารถสร้างเว็บไซต์ และเข้าถึงหรือเผยแพร่ข้อมูลได้แบบเรียลไทม์
  • อินเทอร์เน็ตได้สร้าง การเปลี่ยนแปลงเชิงรากฐาน ต่อ “การเปิดเผยและการเผยแพร่ความรู้”
    – 2022+: Active + Digital + Generative Delivery
  • พร้อมกับการเปิดตัว ChatGPT ในปี 2022 โลกได้เข้าสู่ยุคของ การถ่ายทอดความรู้บนพื้นฐานของ Generative AI
    • Generative AI: AI ที่สามารถ สร้าง คอนเทนต์ได้หลากหลายรูปแบบ เช่น ข้อความ ภาพ เสียง และโค้ด
    • ChatGPT สร้างสถิติการเติบโตระดับประวัติศาสตร์ด้วยการมีผู้ใช้ทะลุ 1 ล้านคนภายใน 5 วันหลังเปิดตัว
  • จากนี้ไป ความรู้ไม่ได้เป็นเพียงการจัดเก็บหรือค้นหาอีกต่อไป แต่เป็นยุคที่ AI สร้างสรรค์และส่งต่อได้ในทันที

“ความรู้คือการสั่งสมข้อเท็จจริง (wisdom) แต่ปัญญาอยู่ที่การทำให้มันเรียบง่าย” – Martin H. Fischer

• AI = Many Years Before Lift-Off
  • แม้เทคโนโลยี AI จะดูเหมือนเติบโตแบบระเบิดในช่วงเวลาอันสั้น แต่ก่อนจะเข้าสู่การใช้งานในวงกว้างอย่างแท้จริง ก็มี กระบวนการเตรียมพร้อมและพัฒนามาหลายทศวรรษ
• ไทม์ไลน์หมุดหมาย AI 1950~2025 (สรุปโดย Stanford)
  • 1950.10: Alan Turing เผยแพร่ Turing Test (เสนอแนวคิดการประเมินความฉลาดของคอมพิวเตอร์)
  • 1956.6: จัดงาน Dartmouth Conference โดย John McCarthy เป็นผู้บัญญัติคำว่า ‘Artificial Intelligence’
  • 1962.1: Arthur Samuel ของ IBM ใช้โปรแกรมเรียนรู้ด้วยตนเองในเกมเช็กเกอร์เอาชนะแชมป์สหรัฐฯ
  • 1966.1: Shakey จาก Stanford ถูกนำไปใช้งานในฐานะหุ่นยนต์เคลื่อนที่อเนกประสงค์ตัวแรก
  • 1967~1996: “ฤดูหนาว AI” (AI Winter) – ความก้าวหน้ามีน้อย ทำให้การลงทุน/ความสนใจลดลง
  • 1997.5: IBM Deep Blue เอาชนะแชมป์โลกหมากรุก Kasparov
  • 2002.9: Roomba เปิดตัวในฐานะหุ่นยนต์ดูดฝุ่นผลิตจำนวนมากรุ่นแรก
  • 2005.10: รถไร้คนขับ Stanley ของ Stanford วิ่งจบ DARPA Grand Challenge
  • 2010.4: Apple เข้าซื้อ Siri และนำไปรวมเข้ากับ iPhone 4S
  • 2014.6: แชตบอต Eugene Goostman ผ่าน Turing Test
  • 2018.6: OpenAI เปิดตัว GPT-1 ซึ่งเป็น large language model รุ่นแรก
  • 2020.6: OpenAI เปิดตัว GPT-3 และให้ Microsoft ถือสิทธิ์ใช้งานแบบเอกสิทธิ์
  • 2022.11: OpenAI เปิดให้ ChatGPT ใช้งานสาธารณะ
  • 2023.3: OpenAI เปิดตัว GPT-4 (multimodal) / Microsoft รวม Copilot / Google เปิดตัว Bard / Anthropic เปิดตัว Claude
  • 2023.11: 28 ประเทศ รวมถึงสหรัฐฯ EU และจีน ลงนามในปฏิญญา Bletchley AI Safety
  • 2024.3~5: Meta เปิดตัว Llama 3 (โอเพนซอร์ส) / กระทรวงความมั่นคงแห่งมาตุภูมิของสหรัฐฯ เผยแพร่ AI roadmap / Google เพิ่มฟีเจอร์ค้นหาที่ขับเคลื่อนด้วย AI / OpenAI เปิดตัว GPT-4o (multimodal เต็มรูปแบบ)
  • 2024.7: Apple ประกาศ Apple Intelligence (สำหรับนักพัฒนา)
  • 2024.9: Alibaba เปิดตัวโมเดลโอเพนซอร์ส Qwen 2.5 จำนวน 100 รุ่น (ประสิทธิภาพเทียบเท่าตะวันตก)
  • 2024.12: OpenAI ประกาศ o3 (โมเดลประสิทธิภาพสูงสุด)
  • 2025.1: DeepSeek เปิดเผยโมเดลการให้เหตุผลแบบโอเพนซอร์ส R1·R1-Zero / Alibaba ประกาศ Qwen2.5-Max (ประสิทธิภาพด้านการให้เหตุผลเหนือกว่า GPT-4o, Claude 3.5)
  • 2025.2: OpenAI เปิดตัว GPT-4.5 / Anthropic ประกาศ Claude 3.7 Sonnet / xAI เปิดตัว Grok 3
  • 2025.4: ChatGPT มีผู้ใช้รายสัปดาห์แตะ 800 ล้านคน

Circa Q2:25 - 10 สิ่งที่ AI ในปัจจุบันทำได้ (อ้างอิงจาก ChatGPT)

1. เขียนหรือแก้ไขได้แทบทุกอย่าง : เขียนและแก้ไขอีเมล เรียงความ สัญญา บทกวี โค้ด ฯลฯ ได้อย่างฉับไวและลื่นไหล
2. สรุปและอธิบายข้อมูลที่ซับซ้อน : อธิบาย PDF เอกสารกฎหมาย งานวิจัย และโค้ดให้อ่านเข้าใจง่ายเป็นภาษาทั่วไป
3. ทำหน้าที่เป็นติวเตอร์ได้เกือบทุกหัวข้อ : ช่วยเรียนรู้แบบเป็นขั้นตอนในวิชาคณิตศาสตร์ ประวัติศาสตร์ ภาษา การเตรียมสอบ ฯลฯ
4. เป็นคู่คิดให้ : ช่วยระดมไอเดีย ดีบักตรรกะ ตรวจสอบสมมติฐาน และช่วยคิดวิเคราะห์
5. ทำงานซ้ำ ๆ ให้เป็นอัตโนมัติ : เช่น สร้างรายงาน จัดระเบียบข้อมูล สรุปสไลด์ และเขียนข้อความใหม่
6. สวมบทบาทตามที่ต้องการ : เช่น เตรียมสัมภาษณ์ จำลองลูกค้า หรือซ้อมบทสนทนาในบทบาทต่าง ๆ
7. เชื่อมต่อกับเครื่องมือ : เขียนโค้ดเพื่อเชื่อมกับ API สเปรดชีต ปฏิทิน เว็บโค้ด และเครื่องมืออื่น ๆ
8. ให้การสนับสนุนทางใจและเป็นเพื่อนร่วมทาง : พูดคุยเรื่องราวของวันนั้น ช่วยจัดกรอบความคิดใหม่ หรือเพียงแค่รับฟัง
9. ช่วยค้นหาเป้าหมายชีวิต : เช่น ทำให้คุณค่าชัดเจน ตั้งเป้าหมาย และวางแผนลงมือทำ
10. จัดระเบียบชีวิต : เช่น วางแผนการเดินทาง ออกแบบกิจวัตร หรือจัดโครงสร้างสัปดาห์และเวิร์กโฟลว์

Circa 2030? - 10 สิ่งที่คาดว่า AI จะทำได้ภายใน 5 ปีข้างหน้า (ตาม ChatGPT)

1. สร้างข้อความ โค้ด และตรรกะในระดับมนุษย์ : สร้างผลงานที่เทียบเท่ามนุษย์ในงานอย่างแชตบอต วิศวกรรมซอฟต์แวร์ แผนธุรกิจ และการวิเคราะห์กฎหมาย
2. สร้างภาพยนตร์และเกมแบบครบวงจร : ผลิตคอนเทนต์ทั้งหมดแบบอัตโนมัติ ตั้งแต่บท ตัวละคร ฉาก กลไกการเล่นเกม ไปจนถึงการพากย์เสียง
3. เข้าใจและพูดได้เหมือนมนุษย์ : เช่น ผู้ช่วยที่รับรู้อารมณ์ได้ และเอเจนต์เสียงหลายภาษาแบบเรียลไทม์
4. ทำหน้าที่เป็นผู้ช่วยส่วนตัวขั้นสูง : เช่น วางแผนชีวิต เรียกคืนความทรงจำ และเชื่อมโยงตารางเวลา/ข้อมูลข้ามทุกแอปและอุปกรณ์
5. ควบคุมหุ่นยนต์คล้ายมนุษย์ : เช่น ผู้ช่วยงานบ้าน การดูแลผู้สูงอายุ และระบบอัตโนมัติในค้าปลีก/การบริการ
6. ดำเนินงานบริการลูกค้าและการขายแบบอัตโนมัติ : เช่น แก้ปัญหาแบบ End-to-end การอัปเซลล์ การเชื่อมกับ CRM และการซัพพอร์ต 24/7
7. ปรับแต่งชีวิตดิจิทัลทั้งระบบของแต่ละคน : เช่น การเรียนรู้แบบปรับตามผู้ใช้ คำแนะนำคอนเทนต์แบบไดนามิก และการดูแลสุขภาพเฉพาะบุคคล
8. สร้างและบริหารธุรกิจแบบอัตโนมัติ : เช่น สตาร์ตอัปที่ขับเคลื่อนด้วย AI การเพิ่มประสิทธิภาพสต็อก/ราคา และการดำเนินงานดิจิทัลเต็มรูปแบบ
9. ทำให้การค้นพบทางวิทยาศาสตร์เป็นอัตโนมัติ : เช่น การออกแบบยา การสังเคราะห์วัสดุใหม่ การจำลองสภาพภูมิอากาศ และการทดสอบสมมติฐานใหม่
10. ร่วมสร้างสรรค์อย่างสร้างสรรค์เหมือนเป็นพาร์ตเนอร์ : เช่น ร่วมเขียนนิยาย ทำเพลง ออกแบบแฟชั่น และงานสถาปัตยกรรม

Circa 2035? - 10 สิ่งที่คาดว่า AI จะทำได้ภายใน 10 ปีข้างหน้า (ตาม ChatGPT)

1. ทำวิจัยทางวิทยาศาสตร์ : เช่น สร้างสมมติฐาน รันการจำลอง ออกแบบและวิเคราะห์การทดลอง
2. ออกแบบเทคโนโลยีขั้นสูง : เช่น ค้นพบวัสดุใหม่ ออกแบบไบโอเทค และสร้างต้นแบบระบบพลังงาน
3. จำลองจิตใจที่คล้ายมนุษย์ : สร้างดิจิทัลเพอร์โซนาที่มีความทรงจำ อารมณ์ และพฤติกรรมที่ปรับตัวได้
4. ดำเนินกิจการบริษัทแบบอัตโนมัติ : บริหาร R&D การเงิน โลจิสติกส์ ฯลฯ ด้วยการแทรกแซงจากมนุษย์ให้น้อยที่สุด
5. ทำงานทางกายภาพที่ซับซ้อน : เช่น ใช้เครื่องมือ ประกอบชิ้นส่วน และปรับตัวในสภาพแวดล้อมจริง
6. ประสานระบบระดับโลก : เพิ่มประสิทธิภาพโลจิสติกส์ การใช้พลังงาน และการรับมือวิกฤตในวงกว้าง
7. สร้างแบบจำลองระบบชีวภาพ : จำลองเซลล์ ยีน และสิ่งมีชีวิต เพื่อนำไปใช้ในการรักษา/วิจัย
8. ให้การตัดสินใจระดับผู้เชี่ยวชาญ : ให้คำปรึกษาด้านกฎหมาย การแพทย์ และธุรกิจแบบเรียลไทม์
9. มีส่วนในเวทีสาธารณะและการกำหนดนโยบาย : เช่น ไกล่เกลี่ยในฟอรัม เสนอร่างกฎหมาย และประสานผลประโยชน์ของผู้มีส่วนได้ส่วนเสีย
10. สร้างโลกเสมือนแบบดื่มด่ำ : สร้างสภาพแวดล้อม 3D แบบโต้ตอบได้จากเพียงข้อความพรอมป์ต์

ความเร็วในการพัฒนา AI อยู่ในระดับที่คาดไม่ถึง

• การเปลี่ยนแปลงของผู้ขับเคลื่อนการพัฒนาโมเดลแมชชีนเลิร์นนิง (2003~2024)
  • ตั้งแต่ปี 2003~2014 ภาคการศึกษา (academia) เป็นผู้นำการพัฒนาโมเดลแมชชีนเลิร์นนิง (Academia Era)
  • หลังปี 2015 เป็นต้นมา ภาคอุตสาหกรรม (industry) นำหน้าภาคการศึกษาอย่างมากในด้านข้อมูล คอมพิวต์ และเงินทุน จนกลายเป็นแรงขับเคลื่อนนวัตกรรม (Industry Era)
  • ณ ปี 2024 ภาคอุตสาหกรรมพัฒนาโมเดล ML ที่น่าจับตาราว 60 โมเดลต่อปี
• จำนวนผู้พัฒนา AI ที่เพิ่มขึ้นอย่างรวดเร็ว (อิงตามระบบนิเวศ NVIDIA, 2005~2025)
  • ในระบบนิเวศ NVIDIA จำนวนผู้พัฒนาทั่วโลกเพิ่มขึ้น 6 เท่าในเวลาเพียง 7 ปี (คาดว่าจะถึง 6 ล้านคนในปี 2025)
  • ช่วงปี 2018~2025 เป็นช่วงที่เติบโตมากที่สุด
• จำนวนผู้พัฒนาในระบบนิเวศ Google AI (2024~2025)
  • พฤษภาคม 2024: 1.4 ล้านคน → พฤษภาคม 2025: 7 ล้านคน
  • เติบโต 5 เท่าในเวลา 1 ปี, ชุมชนนักพัฒนา AI ขยายตัวอย่างระเบิดรอบแพลตฟอร์ม Gemini
• การเพิ่มขึ้นอย่างระเบิดของสิทธิบัตรสหรัฐด้านคอมพิวติ้ง (1960~2024)
  • ในช่วง 8 ปีหลัง Netscape IPO ปี 2003 เพิ่มขึ้น +6,300 ฉบับ และในช่วง 18 ปีระหว่าง 2004~2022 เพิ่มขึ้น +1,000 ฉบับ
  • หลังการเปิดตัว ChatGPT (2022) เพียง 1 ปี เพิ่มขึ้น +6,000 ฉบับ
  • สิทธิบัตรนวัตกรรมด้านคอมพิวติ้ง/AI หลั่งไหลออกมาจำนวนมาก
• ประสิทธิภาพ AI ก้าวข้ามระดับมนุษย์ในปี 2024
  • ใน เกณฑ์มาตรฐาน MMLU (ความรู้ทั่วไป+การให้เหตุผล) ระบบ AI ในปี 2024 ทำความแม่นยำได้ 92.3% สูงกว่ามนุษย์ (89.8%)
• ความสามารถของ AI ในการทำให้มนุษย์แยกไม่ออก (Q1 2025)
  • GPT-4o (ไม่รวมเพอร์โซนา): 73% ของคำตอบถูกเข้าใจผิดว่าเป็นคำตอบของมนุษย์
  • GPT-4.5 (รวมเพอร์โซนา): มากกว่า 90% แยกไม่ออกว่าไม่ใช่มนุษย์
  • ความเหมือนมนุษย์/ความสมจริงของคำตอบจาก AI พัฒนาขึ้นอย่างก้าวกระโดด
• ความสมจริงของบทสนทนา AI (กรณีทดสอบทัวริง)
  • ตัวอย่างบทสนทนาในการทดสอบทัวริงจริงที่ใช้ GPT-4.5
  • ผู้เข้าร่วมการทดลอง 87% เข้าใจผิดว่าฝั่งที่ถูกมองว่าเป็นมนุษย์ (A) แท้จริงแล้วคือ AI
    ในทางกลับกัน มนุษย์จริง (B) กลับถูกตัดสินว่ามี “บรรยากาศเหมือน AI”
  • ความสามารถในการสนทนาอย่างเป็นธรรมชาติของ AI สมัยใหม่ ก้าวล้ำจนแยกจากมนุษย์ได้ยาก
• วิวัฒนาการของประสิทธิภาพการสร้างภาพด้วย AI
  • เปรียบเทียบ Midjourney v1 (2022) กับ v7 (2025):
    ภายใน 3 ปี ผลลัพธ์การสร้างเครื่องประดับ (สร้อยคอดอกทานตะวัน) สมจริงขึ้นอย่างท่วมท้น
• ภาพที่ AI สร้าง vs ภาพจริง (2024)
  • ณ ปี 2024 ภาพถ่ายบุคคลที่ AI สร้าง (StyleGAN2) มีความประณีตจนแทบแยกไม่ออกจากภาพจริง
  • ความสมจริงของภาพสังเคราะห์ สูงขึ้นอย่างก้าวกระโดด
• ความสมจริงของการสร้าง/แปลเสียงด้วย AI (กรณี ElevenLabs)
  • เครื่องมือสร้างเสียง AI ของ ElevenLabs
    • ยกระดับทั้งการพากย์เสียงอัตโนมัติ การแปลหลายภาษาแบบเรียลไทม์ และการคงเสียงต้นฉบับ
    • ทราฟฟิกของเว็บไซต์ทั่วโลกทะลุ 20 ล้านครั้งต่อเดือนในเวลา 2 ปี และ 60% ของบริษัท Fortune 500 นำไปใช้
  • การสร้างและแปลเสียงด้วย AI ก็กำลังพัฒนาอย่างระเบิดเช่นกัน
• การแพร่หลายของการแปลเสียงด้วย AI (Spotify, พฤษภาคม 2025)
  • Spotify ร่วมมือกับ ElevenLabs และเริ่มรองรับการแปลหนังสือเสียงด้วย AI ใน 29 ภาษา
  • นำเสนอวิสัยทัศน์ว่า “ทุกคนสามารถสร้างคอนเทนต์ในภาษาของตนเอง และ AI จะแปลแบบเรียลไทม์เพื่อส่งต่อไปทั่วโลก” (CEO Daniel Ek)
  • ณ ไตรมาส 1 ปี 2025 มีผู้ใช้งานต่อเดือน 678 ล้านคน สมาชิกแบบชำระเงิน 268 ล้านคน และรายได้ต่อปี 16.8 พันล้านยูโร
• การเร่งตัวของประสิทธิภาพ AI: กรณีใช้งานใหม่ ๆ (พฤศจิกายน 2024, Morgan Stanley)
  • การพับโปรตีน (Protein Folding): DeepMind AlphaFold ทำนายโครงสร้างโปรตีนได้เกือบทั้งหมด
  • การตรวจมะเร็ง (Cancer Detection): Microsoft & Paige สร้างโมเดลวินิจฉัยมะเร็งจากภาพที่ใหญ่ที่สุดในโลก
  • หุ่นยนต์ (Robotics): Google สาธิตหุ่นยนต์ที่ใช้ LLM เพื่อเข้าใจและทำตามคำสั่งของมนุษย์
  • AI แบบเอเจนต์ (Agentic AI): Amazon เปิดตัวเครื่องมือที่ทำงานตามคำสั่งของผู้ใช้
  • การแปลแบบสากล (Universal Translation): Meta เปิดตัวโมเดล AI แบบมัลติโหมดสำหรับล่ามและแปลหลายภาษา
  • การสร้างวิดีโอดิจิทัล (Digital Video Creation): Channel 1 AI สาธิตการสร้างวิดีโอข่าวเฉพาะบุคคลด้วย GenAI

ประโยชน์และความเสี่ยงของ AI (Benefits & Risks)

• ประโยชน์ของการพัฒนา AI (benefits)
  • ความสำเร็จทั้งหมดของอารยธรรมมนุษย์ล้วนเป็นผลผลิตของสติปัญญามนุษย์ และยิ่งระดับของ machine intelligence สูงขึ้น ความทะเยอทะยานของมนุษยชาติก็จะยิ่งขยายใหญ่ขึ้นอย่างมาก
  • AI และหุ่นยนต์มีศักยภาพในการปลดปล่อยมวลมนุษย์จากงานที่ทำซ้ำๆ และเปิดยุคแห่งสันติภาพกับความอุดมสมบูรณ์ผ่านการเพิ่มผลิตภาพ
  • การ เร่งงานวิจัยทางวิทยาศาสตร์ อาจช่วยให้การแก้ปัญหาโรคภัย การเปลี่ยนแปลงสภาพภูมิอากาศ และปัญหาทรัพยากรเกิดขึ้นได้เร็วขึ้น
• ความเสี่ยงของการพัฒนา AI (risks)
  • Demis Hassabis (Google DeepMind): "เราต้องแก้เรื่อง AI ให้ได้ก่อน จึงจะสามารถแก้เรื่องอื่นทั้งหมดได้ แต่ก่อนจะไปถึงโอกาสนั้น ก็อาจเกิดการใช้ AI ในทางที่ผิด การใช้เกินขอบเขต และความเสี่ยงที่ไม่ได้ตั้งใจขึ้นได้"
  • ความเสี่ยงที่ปรากฏแล้วและจะยิ่งรุนแรงขึ้นในอนาคต ได้แก่ อาวุธอัตโนมัติสังหาร (lethal autonomous weapons), การสอดส่อง (surveillance), การตัดสินใจที่มีอคติ (biased decision making), ผลกระทบต่อการจ้างงาน (employment impact), ความปลอดภัยและความมั่นคง (safety-critical applications, cybersecurity) เป็นต้น

"ความสำเร็จของการพัฒนา AI อาจเป็นเหตุการณ์ที่ยิ่งใหญ่ที่สุดในประวัติศาสตร์อารยธรรมมนุษย์ แต่ในขณะเดียวกัน หากเราไม่เรียนรู้วิธีหลีกเลี่ยงความเสี่ยงของมัน มันก็อาจเป็นเหตุการณ์สุดท้ายของเราได้เช่นกัน" - Stephen Hawking

AI User + Usage + CapEx Growth = Unprecedented

• ChatGPT ใช้เวลาเพียง 17 เดือนก็ทะลุ ผู้ใช้งานประจำรายสัปดาห์ 800 ล้านคน (+8 เท่า)
• ความเร็วของการยอมรับ AI ทั่วโลก (Global Adoption) ก็ แพร่กระจายอย่างที่ไม่เคยมีมาก่อน เมื่อเทียบกับช่วงเริ่มต้นของอินเทอร์เน็ต (ใช้เวลาเพียง 3 ปีในการเข้าถึงผู้ใช้นอกอเมริกาเหนือ 90% ขณะที่อินเทอร์เน็ตใช้เวลา 23 ปี)
• ChatGPT ใช้เวลา 0.2 ปี (ราว 2 เดือน) ในการเข้าถึงผู้ใช้ 100 ล้านคน เติบโตเร็วกว่าบริการอินเทอร์เน็ตรายใหญ่อย่าง TikTok, Instagram และ YouTube อย่างชัดเจน
• เวลาที่ใช้ในการเข้าถึงผู้ใช้ (ลูกค้า) 1 ล้านคน: Ford Model T: 2,500 วัน, iPhone: 74 วัน, ChatGPT: 5 วัน — และยังเข้าถึงได้ง่ายที่สุดด้วยต้นทุน $0
• คาดว่าจะใช้เวลา 3 ปี กว่าที่ 50% ของครัวเรือนในสหรัฐฯ จะใช้งาน AI ซึ่งสั้นกว่ามือถืออินเทอร์เน็ต (6 ปี), เดสก์ท็อป (12 ปี), PC (20 ปี), การปฏิวัติอุตสาหกรรม (42 ปี) เหลือเพียงครึ่งเดียว
• ความเร็วในการนำ AI มาใช้และการแพร่กระจาย เร็วกว่าทุกเทคโนโลยีในประวัติศาสตร์ และขอบเขตกับขนาดของผลกระทบก็เกินความคาดหมายเช่นกัน

การนำ AI มาใช้ในบริษัทเทค กลายเป็นภารกิจสำคัญสูงสุด

• Big Tech และบริษัทเทคชั้นนำกำลังโฟกัส AI ในฐานะประเด็นหลักของการบริหาร
  • NVIDIA, Google, Microsoft, Meta, Amazon, Baidu, IBM, C3.ai เป็นต้น
  • ความถี่ในการกล่าวถึง AI ในเอกสารประกาศผลประกอบการช่วงปี 2020~2024 เพิ่มขึ้นอย่างรวดเร็ว การแข่งขันที่มี AI เป็นศูนย์กลางเริ่มต้นขึ้นอย่างจริงจัง
• Amazon (CEO Andy Jassy)
  • "Generative AI จะพลิกโฉมประสบการณ์ลูกค้าแทบทุกแบบ"
  • มีการนำ AI มาใช้และเพิ่มประสิทธิภาพในทุกด้าน เช่น การเขียนโค้ด การค้นหา การช้อปปิ้ง การเงิน สุขภาพ หุ่นยนต์ และไบโอ
• Google (CEO Sundar Pichai)
  • "AI คือวิธีการที่สำคัญที่สุดในการผลักดันภารกิจของเรา (การจัดระเบียบข้อมูลและทำให้ทุกคนเข้าถึงได้อย่างทั่วถึง)"
  • "โอกาสของ AI นั้นอยู่คนละระดับกับทุกสิ่งที่ผ่านมา"
• Duolingo (CEO Luis von Ahn)
  • "Generative AI มีส่วนช่วยทั้งการสร้างข้อมูล ฟีเจอร์ใหม่ และการเพิ่มประสิทธิภาพทั้งองค์กร"
  • แม้แต่หลักสูตรหมากรุกก็สร้างต้นแบบเสร็จได้ด้วย AI เพียงอย่างเดียว
• xAI (CEO Elon Musk)
  • "หัวใจของ Grok AI คือการแสวงหาความจริง (truth-seeking) ซึ่งเป็นสิ่งจำเป็นต่อความปลอดภัยของ AI"
  • "เราต้องสร้าง AI ที่มุ่งไปสู่ความจริงให้มากที่สุดเท่าที่จะทำได้"
• Roblox (CEO David Baszucki)
  • "AI เป็นเครื่องมือเร่งความสามารถของแต่ละคนให้ถึงขีดสุด และต่อจากนี้ทุกคนจะมี AI ของตัวเองอยู่เคียงข้าง"
• NVIDIA (CEO Jensen Huang)
  • "ภายใน 10 ปี AI จะกลายเป็นโครงสร้างพื้นฐานของทุกอุตสาหกรรม ทุกประเทศ และทุกบริษัท"
  • "ดาต้าเซ็นเตอร์ AI โดยแก่นแท้แล้วคือ 'โรงงาน AI' ที่สร้างมูลค่ามหาศาล"
• ผู้นำเทคระดับโลกกำลังทุ่มสุดตัวกับการนำ AI มาใช้และการขยายโครงสร้างพื้นฐาน พร้อมย้ำเป็นเสียงเดียวกันว่า AI คือหัวใจของความสามารถในการแข่งขันของบริษัทและสังคมในอนาคต

แม้แต่บริษัทดั้งเดิมก็เร่งยกระดับ AI เป็นลำดับความสำคัญ

• ความสนใจด้าน AI ของบริษัทใน S&P 500 พุ่งสูง
  • ณ ไตรมาส 4 ปี 2024 50% ของบริษัทใน S&P 500 กล่าวถึง 'AI' ในการประกาศผลประกอบการ (เพิ่มขึ้นอย่างมากเมื่อเทียบกับปี 2015)
  • AI กำลังกลายเป็นวาระเชิงกลยุทธ์หลักในภาคธุรกิจโดยรวม
• เป้าหมายของบริษัทยักษ์ใหญ่ทั่วโลกในการนำ AI มาใช้คือ 'การเติบโตของรายได้'
  • ในอีก 2 ปีข้างหน้า เป้าหมายการลงทุนใน Generative AI (GenAI) ส่วนใหญ่จะมุ่งไปที่ผลิตภาพ การบริการลูกค้า รายได้ และประสิทธิผลทางการตลาด หรือก็คือ 'การเติบโตและความสามารถในการทำกำไร'
  • การลดต้นทุน (cost reduction) มีลำดับความสำคัญต่ำกว่าเมื่อเปรียบเทียบกัน
• 75% ของ CMO (ประธานเจ้าหน้าที่ฝ่ายการตลาด) ทั่วโลกกำลังทดลอง/นำเครื่องมือ AI มาใช้
  • องค์กรการตลาดส่วนใหญ่กำลังทำการทดสอบเบื้องต้นหรือรันโครงการนำร่อง และจำนวนไม่น้อยได้นำ AI มาใช้เต็มรูปแบบแล้ว
• กรณีการใช้งานจริง
  • Bank of America: Erica Virtual Assistant
    • ลูกค้า 40 ล้านคน, ปฏิสัมพันธ์สะสม 2.5 พันล้านครั้ง, อัปเดตประสิทธิภาพมากกว่า 50,000 ครั้ง
    • กลายเป็นผู้ช่วยการเงินดิจิทัลแบบ 24/7 อย่างมั่นคง
  • JP Morgan: การยกระดับสู่ AI แบบ end-to-end
    • คาดว่าการนำ AI/ML มาใช้จะเพิ่มทั้งรายได้และประสิทธิภาพ +35~65% ในช่วงปี 2023~2025
  • Kaiser Permanente: เวชระเบียนทางการแพทย์ด้วย AI (AI Scribe)
    • บุคลากรทางการแพทย์หลายพันคนได้นำไปใช้ ช่วยลดภาระการจัดทำเอกสาร และปรับปรุงทั้งประสบการณ์ผู้ป่วยกับคุณภาพการรักษา
  • Yum! Brands: Byte by Yum!
    • ณ ปี 2025 มีร้านอาหาร 25,000 แห่งที่นำระบบสั่งซื้อและปฏิบัติการที่ขับเคลื่อนด้วย AI มาใช้
• บริษัทขนาดใหญ่แบบดั้งเดิมเองก็ไม่ได้มอง AI เป็นเพียงเครื่องมือ 'ลดต้นทุน' แต่เป็น ลำดับความสำคัญเชิงกลยุทธ์ที่เน้นการเติบโตและนวัตกรรม
  • ในแต่ละอุตสาหกรรมกำลังมี กรณีความสำเร็จของการใช้ AI อย่างเป็นรูปธรรม สะสมเพิ่มขึ้นอย่างรวดเร็ว

การนำ AI มาใช้ในภาคการศึกษา รัฐบาล และงานวิจัย ก็พุ่งขึ้นเป็นลำดับความสำคัญเช่นกัน

• ตัวอย่างการบูรณาการ AI ในภาคการศึกษา (สถาบันการศึกษา)
  • Arizona State University: จัดตั้งหน่วยงานเฉพาะด้านการพัฒนาเครื่องมือ AI ('AI Acceleration')
  • ความร่วมมือ Oxford-OpenAI: ร่วมมือกัน 5 ปีเพื่อเสริมความแข็งแกร่งด้านงานวิจัยและ AI literacy
  • NextGenAI: เปิดตัว consortium มูลค่า 50 ล้านดอลลาร์ โดยมีมหาวิทยาลัยวิจัย 15 แห่งเข้าร่วม เช่น MIT, Harvard, Caltech
  • ChatGPT Gov: เปิดตัว ChatGPT สำหรับหน่วยงานรัฐบาลกลางสหรัฐฯ โดยเฉพาะ (มกราคม 2025)
  • ห้องปฏิบัติการวิจัยแห่งชาติของสหรัฐฯ: ร่วมมือด้านโครงสร้างพื้นฐาน AI สำหรับพลังงานนิวเคลียร์ ความมั่นคงไซเบอร์ และวิทยาศาสตร์ขั้นสูง
• การขยายตัวของนโยบายภาครัฐในการนำไปใช้ (Sovereign AI)
  • NVIDIA Sovereign AI Partners: ฝรั่งเศส สวิตเซอร์แลนด์ สเปน เอกวาดอร์ ญี่ปุ่น เวียดนาม สิงคโปร์ และอีกหลายประเทศ กำลังเดินหน้าสร้างโครงสร้างพื้นฐาน AI ระดับชาติอย่างจริงจัง
  • "ภาพที่แต่ละประเทศลงทุนในโครงสร้างพื้นฐาน AI นั้นคล้ายกับการลงทุนในโครงสร้างพื้นฐานไฟฟ้าและอินเทอร์เน็ตในอดีต" (Jensen Huang, CEO ของ NVIDIA)
• การขยายการประยุกต์ใช้ AI ในงานวิจัย (R&D) และการแพทย์
  • อุปกรณ์การแพทย์ AI ที่ FDA อนุมัติ: ณ ปี 2023 อนุมัติปีละ 223 รายการ เพิ่มขึ้นแบบก้าวกระโดดเมื่อเทียบกับปี 2015 (งบประมาณ AI ของรัฐบาลกลางสหรัฐฯ FY21~FY25 อยู่ที่ 14.7 พันล้านดอลลาร์)
  • การพัฒนายาด้วย AI: ใช้เวลาถึงขั้นก่อนคลินิก (Pre-Clinical) เร็วกว่าวิธีเดิม 30~80% (เร่งได้ 1.5~12 เท่า)
• แม้แต่ภาคส่วนที่ไม่แสวงหากำไร/ภาครัฐ เช่น การศึกษา รัฐบาล งานวิจัย และการแพทย์ ก็ยังมี การนำ AI มาใช้และบูรณาการเพิ่มขึ้นอย่างรวดเร็ว
  • ด้วยการลงทุนโครงสร้างพื้นฐาน การผ่อนคลายกฎระเบียบ และการวิจัยร่วมกัน ความเร็วของนวัตกรรม AI นอกภาคอุตสาหกรรม ก็เร่งตัวขึ้นเช่นกัน

AI User + Usage + CapEx Growth = Unprecedented

• สถานะอัตราการใช้งาน ChatGPT ของผู้ใหญ่ในสหรัฐฯ
  • สัดส่วนผู้ใหญ่ทั้งหมดในสหรัฐฯ ที่เคยใช้ ChatGPT พุ่งจาก 18% ในเดือน 7 ปี 2023 เป็น 37% ในเดือน 1 ปี 2025
  • กลุ่มอายุ 18~29 ปีอยู่ที่ 55% และ 30~49 ปีอยู่ที่ 44% โดยยิ่งอายุน้อยยิ่งมีการใช้งานสูง
  • Sam Altman ซีอีโอของ OpenAI ประเมินว่า “คนรุ่นใหม่ใช้เป็นที่ปรึกษาชีวิต ส่วนผู้สูงอายุใช้แทนการค้นหา”
• เวลาใช้งานเฉลี่ยต่อวันของแอป ChatGPT เพิ่มขึ้น
  • ระหว่างเดือน 7 ปี 2023 ~ เดือน 4 ปี 2025 อิงจากผู้ใช้แอป ChatGPT ในสหรัฐฯ เวลาใช้งานเฉลี่ยต่อวันเพิ่มขึ้น 202%
  • เพิ่มจากราว 7 นาทีต่อวันเป็นเกือบ 20 นาที สะท้อนการมีส่วนร่วมกับแอป AI ที่พุ่งสูงขึ้นอย่างมาก
• จำนวนเซสชันและเวลาใช้งานต่อเซสชันของแอป ChatGPT เพิ่มขึ้น
  • ระหว่างเดือน 7 ปี 2023 ~ เดือน 4 ปี 2025 จำนวนเซสชันเฉลี่ยเติบโต 106% และเวลาใช้งานต่อเซสชันก็เพิ่มขึ้น 47%
  • ผู้ใช้เปิดแอปบ่อยขึ้นและใช้นานขึ้น ทำให้เครื่องมือ AI กลายเป็นส่วนหนึ่งของชีวิตประจำวัน
• เปรียบเทียบอัตราการคงอยู่รายสัปดาห์ของผู้ใช้ ChatGPT และ Google Search
  • ณ ช่วงเดือน 1 ปี 2023 ~ เดือน 4 ปี 2025 อัตราการคงอยู่รายสัปดาห์ของ ChatGPT อยู่ที่ 80% สูงกว่า Google Search ที่ 58% อย่างชัดเจน
  • สะท้อนว่าความภักดีของผู้ใช้ต่อบริการ AI สูงกว่าการค้นหาแบบดั้งเดิม
• ผลลัพธ์จากการใช้ AI แชตบอตในที่ทำงานของสหรัฐฯ
  • ในบรรดาพนักงานออฟฟิศสหรัฐฯ ที่ใช้ AI แชตบอต มากกว่า 72% ระบุว่าพบผลลัพธ์การทำงานที่ “เร็วขึ้นและดีขึ้น”
  • มีการรายงานการเปลี่ยนแปลงเชิงบวกทั้งด้านประสิทธิภาพการทำงานและคุณภาพของงาน
• กรณีการใช้งาน ChatGPT ของนักศึกษามหาวิทยาลัยในสหรัฐฯ
  • การใช้งาน ChatGPT ของนักศึกษามหาวิทยาลัยสหรัฐฯ (อายุ 18~24 ปี) เน้นที่การเริ่มต้นเขียนรายงาน/โปรเจกต์ การสรุปข้อความ การระดมไอเดีย การแก้ปัญหา การเตรียมสอบ การวิจัย การติว ฯลฯ โดยมุ่งไปที่การวิจัย การเรียนรู้ และคำแนะนำด้านเส้นทางอาชีพ
  • AI ถูกนำมาใช้เชิงรุกตั้งแต่การแก้โจทย์งานจริง งานสร้างสรรค์ ไปจนถึงการวางแผนอาชีพ
• บริการอัตโนมัติสำหรับ deep research ที่ขับเคลื่อนด้วย AI
  • ฟีเจอร์ deep research ของบริษัทหลักอย่าง Google Gemini, OpenAI ChatGPT และ xAI Grok กำลังขยายตัว
  • การสำรวจเว็บอัตโนมัติ การสกัดอินไซต์ การสร้างรายงานยาวหลายสิบหน้าอัตโนมัติ และการค้นหาข้อเท็จจริง กำลังเร่งการทำงานอัตโนมัติของงานความรู้ขั้นสูง

วิวัฒนาการของ AI Agent = จากการตอบแชตสู่การทำงานอัตโนมัติจริง

• แชตบอตแบบเดิมยังคงอยู่ที่การสนทนาแบบจำกัดและการตอบคำถามง่ายๆ แต่ AI Agent กำลังพัฒนาไปเป็น ผู้ให้บริการ ที่สามารถจัดการ การให้เหตุผล การลงมือทำ และงานหลายขั้นตอน ได้ด้วยตัวเอง
  • ตัวอย่าง: การนัดประชุม การส่งรายงาน การล็อกอินเครื่องมือ และการทำเวิร์กโฟลว์อัตโนมัติข้ามหลายแพลตฟอร์ม
  • สามารถลงมือทำงานที่ซับซ้อนได้โดยตรงด้วยคำสั่งภาษาธรรมชาติเท่านั้น
• การเปลี่ยนแปลงนี้คล้ายกับกระแสเปลี่ยนผ่านจากเว็บไซต์แบบคงที่ในช่วงต้นทศวรรษ 2000 ไปสู่เว็บแอปแบบไดนามิกอย่าง Gmail, Google Maps
  • วิวัฒนาการจากอินเทอร์เฟซส่งข้อความธรรมดาไปสู่ โครงสร้างพื้นฐานที่ลงมือทำงานจริง
• AI Agent แตกต่างจากผู้ช่วยยุคแรกที่ให้ได้เพียงอินพุตที่ชัดเจนหรือผลลัพธ์แบบจำกัด โดยมีทั้ง การยึดเป้าหมายเป็นศูนย์กลาง·ความเป็นอิสระ·กลไกป้องกัน ทำให้สามารถรันกระบวนการซับซ้อนอย่าง การตีความเจตนา การจัดการหน่วยความจำ และการทำงานร่วมกันระหว่างแอป ได้
• ภาคธุรกิจกำลังผลักดันการนำไปใช้เร็วที่สุด และก้าวข้ามจากการทดลองง่ายๆ ไปสู่ การลงทุนในเฟรมเวิร์กและการสร้างระบบนิเวศของเอเจนต์ อย่างจริงจัง

• ความสนใจทั่วโลกต่อ AI Agent พุ่งสูง (Google Search Trends, 2024~2025)
  • ปริมาณการค้นหาคำว่า ‘AI Agent’ บน Google พุ่งขึ้น 1,088% ภายใน 16 เดือน
  • หลัง OpenAI เปิดตัวเครื่องมือพัฒนา AI Agent ในเดือน 3 ปี 2025 ปริมาณการค้นหาก็เพิ่มขึ้นอย่างชันยิ่งกว่าเดิม บ่งชี้ว่าเป็นจุดเปลี่ยนทางเทคโนโลยีของอุตสาหกรรม

• การเปิดตัวผลิตภัณฑ์ AI Agent ของผู้เล่นเดิม (Incumbent) เร่งตัวขึ้น (2024~2025)
  • บริษัทยักษ์ใหญ่ด้านเทคโนโลยีอย่าง Salesforce, Anthropic, OpenAI และ Amazon ต่างทยอยเปิดตัว ผลิตภัณฑ์ใหม่ที่อิงกับ AI Agent
    • Salesforce Agentforce: ระบบอัตโนมัติสำหรับบริการลูกค้า การค้นหา lead และการติดตามคำสั่งซื้อ
    • Anthropic Claude 3.5 Computer Use: ควบคุมหน้าจอคอมพิวเตอร์โดยตรง สกัดข้อมูลจากเว็บ และซื้อสินค้าออนไลน์
    • OpenAI Operator: ระบบอัตโนมัติสำหรับงานออนไลน์ที่ซับซ้อน
    • Amazon Nova Act: ระบบอัตโนมัติภายในบ้าน การรวบรวมข้อมูล การซื้อสินค้า และการจัดการตารางเวลา
  • ผลิตภัณฑ์ AI Agent กำลังขยายจากแชตบอตแบบเดิมไปสู่ เครื่องมืออัตโนมัติที่ทำ “งาน” แทนได้จริง

พรมแดนถัดไปของ AI = Artificial General Intelligence

• Artificial General Intelligence(AGI) คืออะไร?
  • AGI หมายถึงระบบที่สามารถทำงานทางปัญญาของมนุษย์ได้อย่างครอบคลุม (การให้เหตุผล การวางแผน การเรียนรู้จากข้อมูลขนาดเล็ก การทำให้ความรู้ทั่วไปข้ามหลายโดเมน ฯลฯ)
  • ต่างจากโมเดล AI ปัจจุบันที่แสดงประสิทธิภาพสูงในบางโดเมน AGI สามารถ แก้ปัญหาใหม่ได้อย่างยืดหยุ่นโดยไม่ต้องฝึกซ้ำและไม่จำกัดสาขา
  • ช่วงหลังนี้ การเติบโตแบบทวีคูณของขนาดโมเดล ข้อมูลฝึก และประสิทธิภาพการคำนวณ กำลังเร่งการพัฒนา AGI
• ช่วงเวลาที่จะไปถึง AGI และความคาดหวัง
  • แม้เวลาที่จะบรรลุ AGI ยังไม่แน่นอน แต่ ความคาดหวังของผู้เชี่ยวชาญได้ถูกดึงให้เร็วขึ้นอย่างมากในช่วงไม่กี่ปีที่ผ่านมา
  • ในเดือน 1 ปี 2025 Sam Altman ซีอีโอของ OpenAI กล่าวไว้ว่า “ตอนนี้เรามั่นใจแล้วว่าเราจะสร้าง AGI ตามความเข้าใจแบบดั้งเดิมได้อย่างไร”
  • สิ่งนี้บ่งชี้ว่าช่องว่างระหว่างงานวิจัยกับการใช้งานจริงกำลังแคบลง จากพัฒนาการของสถาปัตยกรรมโมเดล ประสิทธิภาพของ inference และสภาพแวดล้อมการฝึกขนาดใหญ่
    • inference คือกระบวนการที่โมเดลซึ่งฝึกเสร็จสมบูรณ์แล้วใช้ทำนาย ตอบคำถาม หรือสร้างคอนเทนต์จากอินพุตของผู้ใช้ ซึ่งขั้นตอนนี้รวดเร็วและมีประสิทธิภาพกว่าการฝึกมาก
  • AGI เริ่มถูกมองว่าไม่ใช่จุดหมายปลายทางในจินตนาการอีกต่อไป แต่เป็นจุดวิกฤตที่ไปถึงได้
• ความหมายของการไปถึง AGI
  • หาก AGI เกิดขึ้นจริง บทบาทพื้นฐานของซอฟต์แวร์และฮาร์ดแวร์จะถูกนิยามใหม่
  • จากเดิมที่ทำงานตามที่โปรแกรมไว้ล่วงหน้าและทำซ้ำ กลายเป็นระบบที่ เข้าใจเป้าหมาย วางแผน และแก้ไขตนเองแบบเรียลไทม์ ได้
  • เวิร์กโฟลว์หลากหลายตั้งแต่งานวิจัย วิศวกรรม การศึกษา ไปจนถึงโลจิสติกส์ อาจดำเนินการได้ โดยไม่ต้องมีมนุษย์คอยกำกับดูแล
  • แม้เผชิญปัญหาใหม่ก็ยัง ปรับตัวตามบริบทได้โดยไม่ต้องฝึกซ้ำ และทำงานได้เหมือนผู้เชี่ยวชาญของมนุษย์
  • หุ่นยนต์ฮิวแมนนอยด์ที่ขับเคลื่อนด้วย AGI อาจเปลี่ยนแปลงสภาพแวดล้อมทางกายภาพและวิธีการทำงานอย่างรากฐาน
• ผลกระทบทางสังคมที่จะมาจาก AGI
  • AGI ไม่ใช่จุดหมายสุดท้าย แต่เป็นการเปลี่ยนผ่านเชิงขั้นของขีดความสามารถ
  • สถาบัน แรงงาน และโครงสร้างการตัดสินใจจะ ถูกปรับใหม่ตามวิธีนำ AGI ไปใช้และกลไกการควบคุม
  • แม้ผลด้านการเพิ่มผลิตภาพอาจมีสูง แต่ก็อาจ มีความเป็นไปได้ที่ผลประโยชน์จะกระจายอย่างไม่สมดุล
  • การเปลี่ยนแปลงด้านภูมิรัฐศาสตร์ จริยธรรม และเศรษฐกิจจะค่อยๆ ดำเนินไป
  • เช่นเดียวกับการปฏิวัติอุตสาหกรรม การเปลี่ยนผ่านสู่ดิจิทัล และการปฏิวัติอัลกอริทึม ผลลัพธ์ไม่ได้ขึ้นอยู่แค่ว่าเทคโนโลยีทำอะไรได้ แต่ขึ้นอยู่กับว่าสังคมยอมรับและกำกับดูแลมันอย่างไร

AI User + Usage + CapEx Growth = ไม่เคยเกิดขึ้นมาก่อน

• ตลอด 20 ปีที่ผ่านมา CapEx ในภาคเทคโนโลยีเพิ่มขึ้นอย่างรวดเร็วตาม arc ที่มีข้อมูลเป็นศูนย์กลาง
  • ระยะแรกลงทุนกับ storage และ access (การจัดเก็บ/การเข้าถึง) จากนั้นขยับไปสู่ distribution/scale และปัจจุบันเคลื่อนไปสู่ compute/intelligence
• ในคลื่นลูกแรก เงินทุนกระจุกตัวอยู่กับ server farm ขนาดใหญ่ สายเคเบิลใต้น้ำ และดาต้าเซ็นเตอร์ยุคแรก ซึ่งช่วยให้ Amazon, Microsoft และ Google วางรากฐานของคลาวด์คอมพิวติ้ง
  • เป้าหมายหลักของช่วงนี้คือ ‘การจัดเก็บ การจัดระเบียบ และการให้บริการ’
• คลื่นลูกที่ 2 (ซึ่งกำลังดำเนินอยู่ในปัจจุบัน) มีศูนย์กลางอยู่ที่ การเสริมโครงสร้างพื้นฐานการคำนวณสำหรับ AI workload
  • CapEx ของเหล่า Hyperscaler (ผู้ให้บริการดาต้าเซ็นเตอร์ขนาดมหึมา) กำลังย้ายไปสู่โครงสร้างพื้นฐานเฉพาะทาง เช่น GPU, TPU, AI accelerator, ระบบระบายความร้อนด้วยของเหลว และการออกแบบดาต้าเซ็นเตอร์ขั้นสูง
  • ในปี 2019 AI ยังเป็นฟังก์ชันด้านการวิจัย แต่ในปี 2023 ได้กลายเป็นรายการหลักใน CapEx (รายจ่ายฝ่ายทุน)
• Brad Smith ประธาน Microsoft (บล็อก 25/4):
  • “เช่นเดียวกับเทคโนโลยีอเนกประสงค์อย่างไฟฟ้า AI และคลาวด์ดาต้าเซ็นเตอร์ เป็นตัวแทนของขั้นต่อไปของการทำให้เป็นอุตสาหกรรม”
• บิ๊กเทคระดับโลกกำลังลงทุนในระดับหลายล้านล้านวอนต่อปี
  • ไม่ใช่แค่การเก็บรวบรวมข้อมูลอีกต่อไป แต่ ความสามารถในการเรียนรู้ได้เร็ว ปรับให้เป็นส่วนบุคคลได้ลึก และกระจายใช้งานได้กว้าง กำลังกลายเป็นหัวใจของความสามารถในการแข่งขัน

• การใช้จ่าย CapEx (การลงทุนด้านอุปกรณ์/โครงสร้างพื้นฐาน) ของบริษัทเทคโนโลยีรายใหญ่อย่าง AWS, NVIDIA, MSFT, Google, Apple และ Meta เพิ่มขึ้นอย่างต่อเนื่องตลอดหลายปีที่ผ่านมา

Data Centers = ผู้ได้รับประโยชน์หลักจากการใช้จ่าย CapEx ด้าน AI

• หากต้องการเข้าใจความคุ้มค่าทางเศรษฐศาสตร์ของโครงสร้างพื้นฐาน AI จำเป็นต้องดูความเร็วและขนาดของการก่อสร้างดาต้าเซ็นเตอร์
  • จากอุปสงค์ที่พุ่งขึ้นอย่างรุนแรงซึ่งขับเคลื่อนโดย AI ทำให้ CapEx (รายจ่ายฝ่ายทุน) สำหรับดาต้าเซ็นเตอร์ของบริษัท IT ทั่วโลก แตะระดับสูงสุดเป็นประวัติการณ์ โดยในปี 2024 อยู่ที่ 4.55 แสนล้านดอลลาร์ และยังเร่งตัวขึ้นต่อเนื่อง
• ทั้ง Hyperscaler และบริษัท AI-first ต่าง ลงทุนหลายพันล้านดอลลาร์เพื่อสร้างโครงสร้างพื้นฐานฮาร์ดแวร์สมรรถนะสูง กินไฟสูง ไม่ใช่แค่สำหรับสตอเรจ แต่รวมถึงการทำ inference แบบเรียลไทม์และการฝึกโมเดลขนาดใหญ่
  • เมื่อ AI เปลี่ยนจากเทคโนโลยีเชิงทดลองมาเป็นโครงสร้างพื้นฐานที่จำเป็น ดาต้าเซ็นเตอร์ก็ยิ่งขึ้นมามีบทบาทเป็นแกนหลักตามไปด้วย
  • Jensen Huang ซีอีโอของ NVIDIA เน้นว่า "ตอนนี้ดาต้าเซ็นเตอร์สำหรับ AI คือโรงงาน AI"
• ดาต้าเซ็นเตอร์ xAI Colossus ในเมืองเมมฟิส รัฐเทนเนสซี สหรัฐฯ สร้างอาคารขนาด 418 หลังเสร็จภายในเวลาเพียง 122 วัน สร้างความเร็วและประสิทธิภาพที่ไม่เคยมีมาก่อน (ใช้เวลาน้อยกว่าครึ่งของการสร้างบ้านเฉลี่ยในสหรัฐฯ)
  • จากโมดูลสำเร็จรูป การอนุมัติใบอนุญาตแบบเร่งด่วน และการบูรณาการแนวดิ่งด้านไฟฟ้า/เครื่องกล/ซอฟต์แวร์ ทำให้เราเข้าสู่ยุคที่ดาต้าเซ็นเตอร์ถูกสร้างด้วยความเร็วแบบเดียวกับการพัฒนาผลิตภัณฑ์ IT
• CapEx ของดาต้าเซ็นเตอร์ถูกกำหนดโดยที่ดิน พลังงาน ชิป และระบบทำความเย็น ขณะที่เวิร์กโหลด AI สร้างความต้องการด้านความร้อนและพลังงานสูงกว่าการประมวลผลระดับองค์กรแบบเดิมมาก
  • OpEx (ค่าใช้จ่ายในการดำเนินงาน) เน้นไปที่ต้นทุนพลังงานและการบำรุงรักษาระบบ โดยเฉพาะคลัสเตอร์ฝึก AI ความหนาแน่นสูงที่ทำงานที่โหลดสูงสุดตลอดเวลา
• รายได้มาจากการขายคอมพิวต์ (เช่น AI API, ค่าบริการแพลตฟอร์มองค์กร, การเพิ่มผลิตภาพภายใน ฯลฯ) แต่สำหรับบริษัทที่ลงทุนสร้างล่วงหน้า ระยะเวลาคืนทุนอาจยาวนาน
  • สตาร์ตอัปอาจต้องใช้เวลาตั้งแต่หลายไตรมาสไปจนถึงหลายปีกว่าจะสร้างรายได้หลังจากสร้างโครงสร้างพื้นฐานเสร็จ
• ในมุมซัพพลายเชน การจัดหาโครงสร้างพื้นฐานด้านไฟฟ้า (หม้อแปลง สถานีไฟฟ้าย่อย กังหัน GPU สายเคเบิล ฯลฯ) กำลังกลายเป็นคอขวดใหม่
  • ดาต้าเซ็นเตอร์ไม่ใช่แค่สินทรัพย์ทางกายภาพ แต่ทำหน้าที่เป็น ฮับโครงสร้างพื้นฐานเชิงกลยุทธ์ของอสังหาริมทรัพย์ พลังงาน โลจิสติกส์ คอมพิวต์ และการสร้างรายได้จากซอฟต์แวร์
• บริษัทที่แก้โจทย์ปริศนาซับซ้อนนี้ได้อย่างแท้จริง จะเป็นผู้กำหนดภูมิศาสตร์เศรษฐกิจ AI ในอนาคต

Data Centers = ตัวกินไฟขนาดมหึมา

• ความตึงเครียดระหว่าง AI กับโครงสร้างพื้นฐานพลังงานกำลังรุนแรงขึ้นเรื่อย ๆ
  • จากความก้าวหน้าของ AI ทำให้ ดาต้าเซ็นเตอร์ที่ออกแบบมาสำหรับ AI โดยเฉพาะ มีการใช้ไฟฟ้าในระดับไม่ต่างจากอุตสาหกรรมหนักแบบดั้งเดิม
  • พลังประมวลผลมหาศาล ที่จำเป็นต่อการฝึกและให้บริการโมเดล AI คือปัจจัยหลักที่ทำให้อุปสงค์ไฟฟ้าพุ่งสูง
• ในปี 2024 ดาต้าเซ็นเตอร์คิดเป็น ประมาณ 1.5% ของการใช้ไฟฟ้าทั่วโลก
  • ตั้งแต่ปี 2017 การใช้ไฟฟ้าของดาต้าเซ็นเตอร์ทั่วโลกเพิ่มขึ้นเฉลี่ย 12% ต่อปี
  • คิดเป็นมากกว่า 4 เท่าของอัตราการเพิ่มขึ้นของการใช้ไฟฟ้ารวมทั้งหมด
• ในสัดส่วนการใช้ไฟฟ้าแยกตามประเทศ สหรัฐฯ อยู่อันดับ 1 ที่ 45% ตามด้วยจีน (25%) และยุโรป (15%)
  • เกือบครึ่งหนึ่งของกำลังการผลิตดาต้าเซ็นเตอร์ในสหรัฐฯ กระจุกตัวอยู่ใน 5 คลัสเตอร์ภูมิภาคหลัก
  • ประเทศเกิดใหม่และประเทศกำลังพัฒนา (ไม่รวมจีน) มี ผู้ใช้อินเทอร์เน็ต 50% ของโลก แต่มีความจุดาต้าเซ็นเตอร์ ต่ำกว่า 10%
• เมื่อ AI แพร่หลายมากขึ้น โครงข่ายไฟฟ้า (grid) และโครงสร้างพื้นฐานฝั่งซัพพลายกำลังกลายเป็นคอขวดของสมรรถนะ AI
  • ไม่ใช่ข้อมูลหรืออัลกอริทึมอีกต่อไป แต่ การจ่ายไฟฟ้า กำลังกลายเป็นข้อจำกัดหลักของการเติบโตของ AI
• ขณะเดียวกัน AI ก็กำลังเร่ง ประสิทธิภาพการดำเนินงานและนวัตกรรม ภายในอุตสาหกรรมพลังงาน
  • การเพิ่มประสิทธิภาพด้วย AI ถูกนำมาใช้จริงอย่างเต็มรูปแบบตลอดทั้งซัพพลายเชนพลังงาน ตั้งแต่ไฟฟ้า แร่ การส่งผ่าน ไปจนถึงการใช้พลังงาน
  • แต่ตราบใดที่ อุปสงค์ AI และต้นทุนพลังงานยังเพิ่มขึ้นต่อเนื่อง ดาต้าเซ็นเตอร์ก็จะลงเอยด้วยการให้บริการเฉพาะลูกค้าที่มีกำลังจ่ายเท่านั้น

AI Model Compute Costs High / Rising + Inference Costs Per Token Falling = Performance Converging + Developer Usage Rising

• การฝึก large language model (LLM) เป็น หนึ่งในงานที่ใช้ต้นทุนสูงที่สุดในประวัติศาสตร์มนุษยชาติ โดยเมื่อจำนวนพารามิเตอร์และความซับซ้อนของอัลกอริทึมเพิ่มขึ้นเพื่อยกระดับประสิทธิภาพ ต้นทุนการฝึกก็พุ่งสู่ระดับหลายพันล้านดอลลาร์
  • ยิ่งการแข่งขันเพื่อสร้างโมเดลอเนกประสงค์ที่ดีที่สุดเข้มข้นขึ้น ก็ยิ่งเกิดปรากฏการณ์ “การบรรจบ” ที่ การสร้างความแตกต่างด้านคุณภาพของผลลัพธ์ทำได้ยากขึ้นเรื่อย ๆ และความสามารถในการทำกำไรก็แย่ลง
• ในทางกลับกัน ต้นทุน inference กำลังลดลงอย่างรวดเร็ว
  • ตัวอย่างเช่น NVIDIA 2024 Blackwell GPU ใช้พลังงานต่อโทเค็นลดลง 105,000 เท่า เมื่อเทียบกับ Kepler ในปี 2014
  • ด้วยนวัตกรรมฮาร์ดแวร์และประสิทธิภาพของอัลกอริทึมโมเดลที่ดีขึ้น ต้นทุน inference ต่อโทเค็นจึงลดลงอย่างรวดเร็ว
• การลดลงของต้นทุน inference ทำให้ การแข่งขันระหว่างผู้ให้บริการ LLM รุนแรงขึ้น
  • ไม่ได้แข่งกันแค่ความแม่นยำ แต่รวมถึง latency, availability และราคาต่อโทเค็น
  • ต้นทุนระดับดอลลาร์ตอนนี้ลดลงมาเหลือเพียงไม่กี่เซนต์ และในไม่ช้าก็จะต่ำกว่า 1 เซนต์
• ในมุมของผู้ใช้ (นักพัฒนา) สิ่งนี้ทำให้ เข้าถึง AI ที่ทรงพลังได้ในต้นทุนต่ำ
  • การพัฒนาบริการและผลิตภัณฑ์ใหม่ ๆ มีความคึกคักมากขึ้น และ จำนวนผู้ใช้จริงกับระดับการใช้งานก็เพิ่มขึ้นอย่างรวดเร็ว
• สำหรับผู้ให้บริการโมเดล ความท้าทายใหม่คือ กำไรที่ถดถอยและการเปลี่ยนแปลงของโมเดลธุรกิจ
  • เมื่อการฝึกแพงแต่การให้บริการถูกลง จึงเริ่มมีการมองหากลยุทธ์ใหม่ เช่น การบูรณาการแนวตั้ง/แนวนอน และตลาด LLM แบบเฉพาะทาง
  • LLM แบบอเนกประสงค์เริ่มมีลักษณะเป็น สงครามเผาทุนที่ทำกำไรไม่ได้
  • การมาของ โมเดลขนาดเล็กและโมเดลที่ปรับแต่งเฉพาะ กำลังเร่งการทดลองโครงสร้างรายได้แบบใหม่ที่แตกต่างจากโมเดลขนาดใหญ่แบบเดิมอย่างจริงจัง

Inference Costs Per Token Falling

• การลดลงของต้นทุน AI inference กำลังเดินตามรูปแบบคลาสสิกของวิวัฒนาการด้านคอมพิวต์
  • ดังที่ Nathan Myhrvold อดีต CTO ของ Microsoft เคยกล่าวไว้ในปี 1997 ว่า “ซอฟต์แวร์ก็เหมือนก๊าซ มันจะขยายตัวเติมเต็มภาชนะที่มีอยู่” ตอนนี้ AI เองก็มีอุปสงค์ที่เติบโตจนใช้โครงสร้างพื้นฐานได้เต็มที่เช่นกัน
  • ยิ่งประสิทธิภาพของโมเดลดีขึ้น ปริมาณการใช้งาน (query, token, จำนวนโมเดล) ก็ยิ่งระเบิดตัว และขอบเขตกับความถี่ในการใช้ AI ก็ขยายตัวอย่างรวดเร็ว
• ความเร็วในการพัฒนาโครงสร้างพื้นฐานก็อยู่ในระดับสูงสุดเป็นประวัติการณ์เช่นกัน
  • ในปี 2024 NVIDIA Blackwell GPU มี ประสิทธิภาพพลังงานในการสร้างโทเค็นดีขึ้น 105,000 เท่า เมื่อเทียบกับ Kepler ในปี 2014
  • นี่ไม่ได้หมายถึงแค่ต้นทุนที่ลดลง แต่สะท้อนว่าเป็น ผลลัพธ์ของนวัตกรรมด้านสถาปัตยกรรมฮาร์ดแวร์และวัสดุ
• การเพิ่มประสิทธิภาพของฮาร์ดแวร์เป็นปัจจัยสำคัญที่ช่วย ชดเชยภาระด้านพลังงานจากอุปสงค์ AI และอินเทอร์เน็ตที่พุ่งสูงขึ้น
  • แต่แม้จะมีการปรับปรุงดังกล่าว จนถึงตอนนี้ก็ยัง ไม่สามารถหยุดการเพิ่มขึ้นของอุปสงค์พลังงานโดยรวมได้อย่างสมบูรณ์
  • ปรากฏการณ์นี้คล้ายกับ Jevons Paradox ในปี 1865
    • ยิ่งประสิทธิภาพการใช้ทรัพยากรสูงขึ้น ปริมาณการใช้โดยรวมก็ยิ่งเพิ่มขึ้น ซึ่งเป็นความย้อนแย้งที่กำลังเกิดซ้ำใน AI
• ผลลัพธ์คือ สูตรคลาสสิกของเทคโนโลยีอย่าง ต้นทุนลดลง ประสิทธิภาพสูงขึ้น และการใช้งานเพิ่มขึ้น กำลังเกิดซ้ำใน AI
  • ความก้าวหน้าของโครงสร้างพื้นฐานยิ่งกระตุ้นให้การใช้ AI เพิ่มขึ้นอีก และนำไปสู่คำถามใหม่เกี่ยวกับโครงสร้างพื้นฐานไฟฟ้าและการผลิตพลังงาน

Performance Converging

• การบรรจบกันอย่างรวดเร็วของประสิทธิภาพโมเดล AI ระดับบนสุด
  • จากข้อมูล LMSYS Chatbot Arena ของ Stanford HAI (ปี 2024~2025) คะแนนประเมินแชตบอตของสามโมเดลจาก Google, OpenAI และ DeepSeek อยู่ที่ 1,385, 1,366 และ 1,362 ตามลำดับ ซึ่งเหลือความต่างเพียงเล็กน้อยราว 1~2% เท่านั้น
  • ภายในเวลา 1 ปี ช่องว่างคะแนนระหว่างโมเดลชั้นนำแคบลงเรื่อย ๆ จนเห็นแนวโน้มชัดเจนว่า การแข่งขันด้านประสิทธิภาพกำลังเข้าสู่ภาวะเท่าเทียมกันโดยพฤตินัย
• สถานการณ์ที่การสร้างความแตกต่างด้านคุณภาพระหว่าง large language model (LLM) รุ่นล่าสุดทำได้ยากขึ้น
  • จากมุมมองของผู้ใช้ เริ่มเกิดสภาพแวดล้อมที่รู้สึกได้ว่า “จะใช้โมเดลไหนก็แทบไม่ต่างกัน”
  • ผู้ให้บริการโมเดลมีแนวโน้มสูงที่จะย้ายการแข่งขันไปสู่ปัจจัยที่ไม่ใช่ประสิทธิภาพ เช่น ต้นทุน เสถียรภาพของบริการ และฟีเจอร์เฉพาะทาง

Developer Usage Rising

• การพุ่งขึ้นอย่างรุนแรงของกิจกรรมของนักพัฒนา AI มีที่มาจาก การลดลงอย่างมากของต้นทุนการอนุมาน (inference) และ การเข้าถึงโมเดลที่มีความสามารถได้กว้างขึ้น
  • ระหว่างปี 2022~2024 ต้นทุนต่อโทเค็นของการรัน language model ลดลงราว 99.7%
    • มีพัฒนาการแบบก้าวกระโดดของฮาร์ดแวร์และประสิทธิภาพของอัลกอริทึมเป็นปัจจัยหนุน
    • เทคโนโลยีที่ในอดีตเข้าถึงได้เฉพาะบริษัทใหญ่ ตอนนี้ นักพัฒนารายบุคคล ผู้สร้างแอปอิสระ นักวิจัย และผู้ประกอบการรายเล็ก ก็ใช้งานได้อย่างง่ายดาย
  • การพังทลายของต้นทุนทำให้การทดลองมีราคาถูกลง และการทำซ้ำ/ทำเป็นผลิตภัณฑ์เกิดขึ้นได้รวดเร็วขึ้น
    • ใครก็ตามที่มีไอเดียก็สามารถพัฒนาบริการ AI ได้ง่าย
• เมื่อ ประสิทธิภาพของโมเดลเริ่มลู่เข้าอย่างรวดเร็ว สูตรการเลือกโมเดลก็เปลี่ยนไป
  • ช่องว่างระหว่างโมเดลขนาดใหญ่ระดับบนสุดกับโมเดลทางเลือกที่เล็กกว่าและมีประสิทธิภาพมากกว่าแคบลง
  • ในงานใช้งานจริงหลายประเภท เช่น การสรุป การจัดหมวดหมู่ การดึงข้อมูล และการทำ routing ความแตกต่างของประสิทธิภาพจริงแทบไม่มี
  • ตอนนี้นักพัฒนาสามารถได้ผลลัพธ์ใกล้เคียงกันผ่าน โมเดลราคาถูกแทนโมเดลพรีเมียมราคาแพง หรือผ่าน การรันแบบโลคัล/API ต้นทุนต่ำ
  • โดยเฉพาะเมื่อทำ fine-tuning ด้วยข้อมูลที่เฉพาะเจาะจงกับงาน จะยิ่งได้ผลสูงสุด
• การเปลี่ยนแปลงนี้ทำให้แรงงัดด้านราคาของ 'ผู้เล่นเดิม' ในตลาดโมเดลอ่อนแรงลง และช่วยผลักดันความเท่าเทียมในการพัฒนา AI
  • แทนที่จะผูกติดกับผู้ให้บริการ (vendor) รายเดียว ก็สามารถผสมผสาน/กระจายการใช้งานโมเดลจากหลายอีโคซิสเต็มได้
  • OpenAI ChatGPT, Meta Llama, Mistral Mixtral, Anthropic Claude, Google Gemini, Microsoft Phi ฯลฯ
    • สามารถ เลือกโมเดลที่เหมาะสมที่สุดตามความต้องการด้านเทคนิค/การเงิน จากโมเดลที่แต่ละตัวมีจุดแข็งต่างกัน
  • กำลังเปลี่ยนผ่านจาก platform lock-in (การผูกติด) ไปสู่ ยุคแห่งการเลือกและการกระจายตัวที่นักพัฒนาเป็นผู้นำ
• กำลังก่อตัวเป็น ฟลายวีลการเติบโตของอินฟราสตรักเจอร์ที่ขับเคลื่อนโดยนักพัฒนา
  • เมื่อนักพัฒนาจำนวนมากขึ้นสร้างแอป AI-native ระบบนิเวศของเครื่องมือ/แรปเปอร์/ไลบรารี/เฟรมเวิร์กก็เพิ่มขึ้นอย่างรวดเร็ว
  • เช่น frontend framework, embedding pipeline, model router, vector DB, serving layer
    • ทุกระลอกของกิจกรรมฝั่งนักพัฒนาจะช่วยลดอุปสรรคในการเข้าสู่ระลอกถัดไป
• เวลาจากไอเดียไปสู่ต้นแบบ และจากต้นแบบไปสู่ผลิตภัณฑ์สั้นลง
  • ไม่ใช่แค่ต้นทุน แต่ความซับซ้อนก็ลดลงอย่างรวดเร็วด้วย
  • นี่ไม่ใช่แค่การเปลี่ยนแปลงของแพลตฟอร์ม แต่เป็นการเปิดสู่ ยุคแห่งการระเบิดของความคิดสร้างสรรค์
• ในประวัติศาสตร์ก็มีรูปแบบซ้ำๆ ว่าแพลตฟอร์มที่มีนักพัฒนามาก (และมีการใช้งาน/การประยุกต์ใช้อย่างต่อเนื่อง) มักเป็นผู้ชนะในที่สุด
  • อย่างที่เห็นจากสุนทรพจน์ “Developers! Developers! Developers!” ของ Steve Ballmer แห่ง Microsoft นักพัฒนาคือสิ่งสำคัญ
  • แพลตฟอร์มที่ได้รับการยอมรับจากนักพัฒนา และขับเคลื่อนการสเกลและการปรับปรุงอย่างต่อเนื่อง จะเป็นผู้ครองตลาดในท้ายที่สุด

The AI Developer Next Door

• อัตราการนำเครื่องมือพัฒนา AI ไปใช้พุ่งสูง (2023~2024, Stack Overflow)
  • เทียบกับปี 2023 สัดส่วนนักพัฒนาที่ใช้เครื่องมือ AI เพิ่มขึ้นอย่างมากในปี 2024
  • นักพัฒนาอาชีพเพิ่มจาก 44% → 63% และผู้เรียนเขียนโค้ดเพิ่มจาก 55% → 65%
• ที่เก็บโอเพนซอร์สของนักพัฒนา AI เพิ่มขึ้นอย่างรวดเร็ว (GitHub, 2022.11~2024.3)
  • จำนวนรีโพซิทอรีของนักพัฒนา AI บน GitHub เพิ่มขึ้นราว 175% ในช่วง 16 เดือน
  • หลังการปรากฏตัวของโมเดล/เครื่องมือหลักอย่าง ChatGPT และ Stable Diffusion ระบบนิเวศการพัฒนาก็เติบโตแบบระเบิด
• การขยายตัวของอีโคซิสเต็มนักพัฒนา AI (อ้างอิง Google, ปริมาณการใช้โทเค็นรายเดือน)
  • พฤษภาคม 2024: 10 ล้านล้านโทเค็น → พฤษภาคม 2025: 480 ล้านล้านโทเค็น เพิ่มขึ้น 50 เท่าในเวลาเพียง 1 ปี
  • การใช้งานของนักพัฒนาขยายตัวอย่างมากผ่าน Google Gemini, AI API ฯลฯ
• การเติบโตของอีโคซิสเต็ม Microsoft Azure AI Foundry (ปริมาณการใช้โทเค็นรายไตรมาส)
  • ไตรมาส 1 ปี 2024: 20 ล้านล้าน → ไตรมาส 1 ปี 2025: 100 ล้านล้านโทเค็น เติบโต 5 เท่า
  • มีบริษัท/นักพัฒนามากกว่า 70,000 รายใช้งานอยู่
• กรณีการใช้งาน AI ของนักพัฒนาที่หลากหลายมากขึ้น (ปี 2024, อ้างอิง IBM)
  • การใช้งาน AI กำลังเร่งตัวใน ขอบเขตที่กว้างมาก เช่น การสร้างโค้ด การตรวจจับ/แก้บั๊ก การทำเทสต์อัตโนมัติ การจัดการโปรเจกต์/เวิร์กโฟลว์ การจัดทำเอกสาร การรีแฟกเตอร์/เพิ่มประสิทธิภาพ การเสริมความปลอดภัย CI/CD การออกแบบ UX และการออกแบบสถาปัตยกรรม

AI Usage + Cost + Loss Growth = Unprecedented

• ขนาดของการเติบโต ต้นทุน และการขาดทุนของ AI กำลังเพิ่มขึ้นสู่ระดับที่ไม่เคยเกิดขึ้นมาก่อน
  • สัญญาณอันตรายอย่าง “ครั้งนี้ต่างออกไป”, “จะทำกำไรได้ด้วย economies of scale”, “ค่อยสร้างรายได้จากผู้ใช้ทีหลัง” ในอดีตมักนำไปสู่ความล้มเหลว แต่ในการลงทุนของบิ๊กเทคก็มีกรณีสำเร็จจริงเช่นกัน
  • การแข่งขัน AI รอบนี้เป็นภาพของ ทุนระดับที่ไม่เคยมีมาก่อนและบริษัทใหญ่ที่ผู้ก่อตั้งยังมีบทบาทนำ กระโจนเข้ามาพร้อมกัน
  • การแข่งขันของชาติมหาอำนาจทั่วโลกอย่างสหรัฐฯ และจีน กำลังเร่งนวัตกรรม AI
• ทุกช่วงของการนำเทคโนโลยีสำคัญมาใช้ล้วนมีจุดเปลี่ยน
  • คอมพิวเตอร์ส่วนบุคคลมี Macintosh (1984)·Windows 3.0 (1990), อินเทอร์เน็ตมี Netscape IPO (1995), โมบายล์มี iPhone App Store (2008), คลาวด์มี AWS (2006~09), ส่วน AI มี NVIDIA A100 (2020), ChatGPT (2022) เป็นหมุดหมายสำคัญ
  • การปรากฏตัวของ DeepSeek จากจีนในปี 2025 เป็นสัญญาณเปิดฉากของการแข่งขัน AI ระดับโลกที่ดุเดือดยิ่งขึ้น
• เงินทุนสำหรับการเติบโตของ AI มาจาก กระแสเงินสดมหาศาลของบริษัทยักษ์ใหญ่ไอทีและทุนระดับโลก
  • การผสมกันของการแข่งขันที่เข้มข้น เงินทุน และจิตวิญญาณผู้ประกอบการ กำลังเร่งการพัฒนา AI
• อย่างไรก็ดี โมเดลธุรกิจของผู้ชนะรายสุดท้าย จะเป็นแบบใดนั้นยังไม่แน่ชัด

Technology Disruption Pattern Recognition = Hundreds of Years of Consistent Signals

• ในประวัติศาสตร์ของนวัตกรรมเทคโนโลยี มีวัฏจักรของ ความร้อนแรงช่วงต้น การไหลเข้าของเงินทุน การแข่งขันที่รุนแรงขึ้น และการแยกผู้ชนะกับผู้แพ้ เกิดซ้ำแล้วซ้ำเล่า
  • ตัวอย่าง: รถไฟในศตวรรษที่ 19, ฟองสบู่ในทศวรรษ 1840, การพังทลายของความคาดหวัง ฯลฯ
• เทคโนโลยีที่ต้องใช้เงินลงทุนขนาดใหญ่ มักให้ผลตอบแทนที่น่าผิดหวังในช่วงแรก แต่หากสำเร็จก็จะเปลี่ยนโครงสร้างอุตสาหกรรมในระยะยาว
  • แต่หากไม่สามารถป้องกันตัวเองจากการแข่งขันได้ ก็ย่อมแฝง ความเสี่ยงสูง
• ผู้ชนะในท้ายที่สุดไม่ได้เป็น ผู้ที่ครอบครองเทคโนโลยีดีที่สุด เสมอไป แต่คือผู้ที่อ่านทิศทางของตลาดและอุตสาหกรรมได้ชัดเจนที่สุด
• ใน ตลาดที่ไม่มีอุปสรรคในการเข้าสู่ตลาด ผลของการเข้าไปก่อนจะหายไปอย่างรวดเร็ว
  • ควรทบทวนบทเรียนที่ว่า “ผู้ชนะของเทคโนโลยีใหม่คาดเดาได้ยาก แต่ผู้แพ้นั้นมองเห็นได้ง่าย”

AI-Related Monetization = Very Robust Ramps

• วิวัฒนาการของกลยุทธ์ฮาร์ดแวร์ AI: อำนาจนำในการออกแบบชิปกำลังย้ายจากผู้ขายแบบดั้งเดิมไปสู่บริษัทแพลตฟอร์ม
  • NVIDIA GPU ทำหน้าที่เป็นเอนจินหลักของการเทรน/อนุมาน AI มาเป็นเวลานาน และสร้างสถานะที่โดดเด่นอย่างยากจะเทียบ
  • จาก อุปสงค์ที่พุ่งสูง แม้ NVIDIA จะเร่งขยายการผลิตอย่างรวดเร็ว แต่ภาวะอุปทานตึงตัวยังคงอยู่ ทำให้ hyperscaler และผู้ให้บริการคลาวด์เริ่มกระจายซัพพลายเชน
• การมาของ ชิปเฉพาะทาง (ASIC): การนำ ASIC ที่ปรับเหมาะกับงาน AI เฉพาะด้านมาใช้กำลังเร่งตัว เมื่อเทียบกับ GPU แบบใช้งานทั่วไป
  • ชิป TPU ของ Google และ Trainium ของ Amazon กำลังกลายเป็นองค์ประกอบหลักของ AI stack ของแต่ละบริษัท
    • Amazon Trainium2 ให้ ราคา/ประสิทธิภาพดีกว่า 30~40% เมื่อเทียบกับ GPU ทั่วไป และช่วยลดต้นทุนอินเฟอเรนซ์ขนาดใหญ่ได้
  • ชิปคัสตอมเหล่านี้ไม่ใช่แค่การทดลอง แต่เป็น กลยุทธ์หลัก เพื่อประสิทธิภาพ ความคุ้มค่าทางเศรษฐศาสตร์ และการควบคุมสถาปัตยกรรม
• ความพยายามในการ ปรับปรุงความคุ้มค่าทางเศรษฐศาสตร์ของอินฟราสตรักเจอร์ AI กำลังกระจายตัว
  • Andy Jassy ซีอีโอของ Amazon: "AI ไม่จำเป็นต้องมีราคาแพงอย่างทุกวันนี้เสมอไป และในอนาคตก็จะถูกลง"
  • custom silicon เป็นหนึ่งในเครื่องมือสำคัญในการลดต้นทุนอินฟราสตรักเจอร์ AI
• การเติบโตของ บริษัทเฉพาะทางด้านอินฟราสตรักเจอร์ AI
  • CoreWeave: เติบโตอย่างรวดเร็วด้วยการปรับโครงสร้างซัพพลายเชนฮาร์ดแวร์เกมมิงและคริปโตให้เป็น GPU cloud สำหรับ AI
  • Oracle: เปลี่ยนจาก IT แบบดั้งเดิมสู่ แพลตฟอร์ม GPU cloud ที่เฉพาะทางสำหรับ AI
  • Astera Labs: จัดหาอุปกรณ์เชื่อมต่อความเร็วสูงมากระหว่าง GPU กับหน่วยความจำ ช่วยก้าวข้ามข้อจำกัดด้านประสิทธิภาพของโมเดลขนาดใหญ่
• บริษัทเหล่านี้ ไม่ได้พัฒนา foundation model โดยตรง แต่กำลังก่อสร้างอินฟราสตรักเจอร์ที่จำเป็นต่ออีโคซิสเต็มนั้น
  • เมื่อความต้องการด้านคอมพิวต์พุ่งสูงขึ้น ความเร็ว ความพร้อมใช้งาน และประสิทธิภาพ ก็กลายเป็นหัวใจของความสามารถในการแข่งขัน

AI Monetization = Chips

• รายได้จากชิป AI ของบริษัทใหญ่ ๆ เช่น NVIDIA, Google และ Amazon กำลังเติบโตอย่างรวดเร็ว
  • รายได้รายไตรมาสของ NVIDIA เพิ่มขึ้น 78% เมื่อเทียบกับปีก่อน ทะลุ 3.9 หมื่นล้านดอลลาร์ โดยมีธุรกิจหลักคือกลุ่มดาต้าเซ็นเตอร์
  • ตลอด 10 ปีที่ผ่านมา รายได้ของ NVIDIA เติบโต 28 เท่า และการลงทุน CapEx + R&D ของบิ๊กเทคสหรัฐฯ (Apple, Microsoft, Alphabet, Amazon, Meta, NVIDIA) ก็ขยายตัว 6 เท่า
  • รายได้จาก TPU (Tensor Processing Unit) ของ Google เพิ่มขึ้น 116% ต่อปี และคาดว่ามีมูลค่า 8.9 พันล้านดอลลาร์
    • Google TPU เป็นชิป ASIC ที่ออกแบบมาเฉพาะสำหรับการฝึกโมเดล AI และหลังจากเปิดตัวเวอร์ชันแรกในปี 2015 ก็มีการผลิตสะสมมากกว่า 100,000 ชิ้น
  • รายได้จากชิป AWS Trainium ของ Amazon เพิ่มขึ้น 216% ต่อปี และคาดว่าจะไปถึง 3.6 พันล้านดอลลาร์ในปี 2025
    • Trainium2 ให้ความได้เปรียบด้านราคา/ประสิทธิภาพ 30~40% เมื่อเทียบกับอินสแตนซ์แบบ GPU เดิม และให้ประสิทธิภาพสูงสุดมากกว่าเดิม 4 เท่า
• ปัจจัยเบื้องหลังการเติบโตของตลาดชิป AI
  • จากความต้องการด้านการฝึกและการอนุมาน AI ที่พุ่งสูง ความต้องการชิปประสิทธิภาพสูงอย่าง GPU และ ASIC จึงเพิ่มขึ้นอย่างระเบิด
  • บริษัทคลาวด์และ hyperscaler รายใหญ่กำลังมุ่งเน้นการออกแบบชิปเองและเสริมความแข็งแกร่งของซัพพลายเชน เพื่อเพิ่มความสามารถในการแข่งขันด้านราคาและประสิทธิภาพของโครงสร้างพื้นฐาน
  • ชิปเฉพาะทางสำหรับ AI เช่น GPU, TPU และ Trainium กำลังกลายเป็นแหล่งรายได้หลักของดาต้าเซ็นเตอร์และเป็นปัจจัยชี้ขาดด้านความสามารถในการแข่งขันของโครงสร้างพื้นฐาน AI

AI Monetization = Compute Services

• การเติบโตของตลาดบริการคอมพิวต์ AI
  • CoreWeave ผู้ให้บริการคลาวด์ด้านโครงสร้างพื้นฐาน AI มีรายได้ปี 2024 เพิ่มขึ้น 730% เมื่อเทียบกับปีก่อน แตะ 1.9 พันล้านดอลลาร์
  • การเติบโตของธุรกิจเร่งตัวจากสัญญาขนาดใหญ่กับลูกค้าหลักอย่าง OpenAI, การทำ IPO และการเข้าซื้อ Weights & Biases
  • ความต้องการโครงสร้างพื้นฐานคลาวด์ประสิทธิภาพสูงสำหรับเวิร์กโหลด AI เพิ่มขึ้นอย่างก้าวกระโดด ทำให้บริษัทผู้ให้บริการโครงสร้างพื้นฐานยังคงมีการเติบโตของรายได้ในระดับสูงมากอย่างต่อเนื่อง
• การขยายตัวของตลาดโครงสร้างพื้นฐาน AI
  • รายได้จากโครงสร้างพื้นฐาน AI ของ Oracle เติบโต 50 เท่าในเวลา 2 ปี จนแตะ 950 ล้านดอลลาร์ในปี 2024 (ประมาณการโดย Morgan Stanley)
  • จากความต้องการโครงสร้างพื้นฐาน AI ที่เพิ่มขึ้น มีสัญญาลูกค้าใหม่ขนาดใหญ่รออยู่จำนวนมาก และยังมีคำสั่งจองขนาดใหญ่ที่ยังไม่ได้เริ่มให้บริการจริง
  • CEO ของ Oracle ระบุว่า มีลูกค้า AI infrastructure หลั่งไหลเข้ามา โดย “มีสัญญาใหม่มูลค่าเกิน 1 พันล้านดอลลาร์มากกว่า 40 ฉบับ”
• การเติบโตของการเชื่อมต่อในโครงสร้างพื้นฐาน AI
  • Astera Labs มีรายได้ปี 2024 เติบโต 242% เมื่อเทียบกับปีก่อน อยู่ที่ 396 ล้านดอลลาร์
  • กลุ่มผลิตภัณฑ์การเชื่อมต่อความเร็วสูง เช่น PCIe, CXL และ Ethernet ถูกนำไปใช้กับลูกค้าและแพลตฟอร์มจำนวนมาก จนกลายเป็นโครงสร้างพื้นฐานที่จำเป็นภายในดาต้าเซ็นเตอร์ AI เช่น การเชื่อมต่อ GPU และคลัสเตอร์ตัวเร่ง AI ฝั่งแบ็กเอนด์
• การเก็บข้อมูล AI และซูเปอร์คอมพิวติ้ง
  • Tesla ใช้ ซูเปอร์คอมพิวเตอร์ Dojo และนำ GPU เข้ามาใช้งานจำนวนมาก ทำให้ความสามารถในการเทรน AI เพิ่มขึ้น 8.5 เท่า เทียบกับเดือนมิถุนายน 2021 (ณ เดือนกันยายน 2024)
  • Dojo ถูกประเมินว่ามีศักยภาพสูงมาก ไม่เพียงพลิกต้นทุนการเทรนภายใน แต่ยังอาจต่อยอดเป็นบริการภายนอกแบบเดียวกับ AWS ได้
  • Elon Musk ระบุว่า “Dojo มีศักยภาพสูงมาก”

AI Monetization = Data Layer

• การสร้างรายได้จากเลเยอร์ข้อมูล AI กำลังเร่งตัวขึ้น
• Scale AI มีรายได้เพิ่มขึ้น 160% จาก 335 ล้านดอลลาร์ในปี 2023 เป็น 870 ล้านดอลลาร์ในปี 2024
  • ให้บริการโครงสร้างพื้นฐานสำคัญสำหรับการขยาย Frontier LLM เช่น การติดป้ายกำกับข้อมูล การประเมินผล และการสร้างไปป์ไลน์
  • นำเสนอวิสัยทัศน์ว่า “ความอุดมสมบูรณ์ของข้อมูลเป็นสิ่งที่เลือกสร้างได้ และเราจะไม่ปล่อยให้ข้อจำกัดของ AI มาจบลงที่การขาดข้อมูล”
  • ในปี 2024 เพียงปีเดียว คว้าสัญญาใหม่ได้มากกว่า 1.5 พันล้านดอลลาร์
• VAST Data มียอดรายได้สะสมรวม 2 พันล้านดอลลาร์ ตั้งแต่มกราคม 2019 ถึงพฤษภาคม 2025
  • ทำให้เลเยอร์โครงสร้างพื้นฐาน AI เรียบง่ายขึ้น และให้บริการด้านการจัดเก็บ การจัดการ และการประมวลผลข้อมูล
  • ความสำคัญของโครงสร้างพื้นฐานข้อมูลยิ่งเด่นชัดขึ้นพร้อมการมาของโมเดล AI Reasoning
  • เน้นย้ำว่า “หากต้องการปลดล็อกศักยภาพสูงสุดในยุค AI กุญแจสำคัญคือการทำให้ปัญหาพื้นฐานเรียบง่ายลง”

การเติบโตของรายได้สูง การเผาเงินสดมหาศาล มูลค่าบริษัทสูง และขนาดการลงทุนสูง = เป็นข่าวดีสำหรับผู้บริโภค แต่สำหรับด้านอื่น ๆ ยังไม่แน่ชัด

• เมื่อฐานผู้ใช้ดิจิทัลทั่วโลกเติบโตและมีโอกาสที่การใช้งานจะพุ่งสูงขึ้น พื้นที่ของการลงทุนภาคธุรกิจก็กำลังเปลี่ยนไปสู่การแข่งขันที่สูงขึ้นและใช้เงินทุนเข้มข้นมากขึ้น
  • การทำลายล้างเชิงสร้างสรรค์ของวัฏจักรเทคโนโลยี AI มีความคล้ายคลึงกับเส้นทางการเติบโตของบริษัท IT รายใหญ่ในอดีต
• กรณีของบริษัทเทคชั้นนำในอดีต เช่น Apple, Amazon, Google, Uber และ Tesla:
  • Apple: จากมูลค่าตลาด 1.7 พันล้านดอลลาร์ ก่อนเกือบล้มละลายในปี 1997 สู่ปัจจุบันที่ 3.2 ล้านล้านดอลลาร์
  • Amazon: ในปี 2000 ขาดทุนทั้งปี -545 ล้านดอลลาร์, ขาดทุนสะสม -3 พันล้านดอลลาร์ในช่วง 27 ไตรมาสหลังการก่อตั้ง, ส่วน 27 ไตรมาสล่าสุดมีกำไรสุทธิ 1.76 แสนล้านดอลลาร์ และมูลค่าตลาด 2.2 ล้านล้านดอลลาร์
  • Google: ตอน IPO ปี 2004 ลงทุนใน CapEx 22% ของรายได้ 390 ล้านดอลลาร์, จากมูลค่าตลาดตอน IPO 2.3 หมื่นล้านดอลลาร์ สู่ปัจจุบัน 2 ล้านล้านดอลลาร์
  • Uber: เผาเงินสด -1.7 หมื่นล้านดอลลาร์ในช่วงปี 2016~2022, พลิกมีกำไรครั้งแรกในปี 2023, จากมูลค่าตลาดตอน IPO 8.2 หมื่นล้านดอลลาร์ สู่ปัจจุบัน 1.89 แสนล้านดอลลาร์
  • Tesla: ใช้เงินไป -9.2 พันล้านดอลลาร์ในช่วงปี 2009~2018, พลิกมีกำไรครั้งแรกในปี 2019 และทำกำไรสุทธิรวม 4 หมื่นล้านดอลลาร์ ใน 5 ปีถัดมา ปัจจุบันมีมูลค่าตลาด 1.1 ล้านล้านดอลลาร์
• บริษัทเหล่านี้ทั้งหมดต่างยอมรับการลงทุนเชิงรุกและการขาดทุนระยะยาว เพื่อสร้างnetwork effect ที่ขับเคลื่อนด้วยข้อมูลและความได้เปรียบในการแข่งขันจากเทคโนโลยี ก่อนจะพิสูจน์มูลค่าในตลาดได้ในที่สุด
• ท้ายที่สุดแล้ว มูลค่าบริษัท (valuation) ต้องได้รับการอธิบายได้ด้วยมูลค่าปัจจุบันของกระแสเงินสดอิสระในอนาคต
• สำหรับวงการ AI เช่นกัน ในท้ายที่สุดผู้เล่นรายใดจะสามารถสร้างรายได้อย่างยั่งยืนได้จริง เวลาจะเป็นผู้พิสูจน์

Usage + Cost + Loss Growth = อยู่ในระดับที่ไม่เคยมีมาก่อน… แล้วการสร้างรายได้และกำไรในอนาคตจะเป็นอย่างไร?

AI Monetization Possibilities = New Entrants & / Or Tech Incumbents?

• หากต้องการเข้าใจทิศทางของโครงสร้างเศรษฐศาสตร์ของโมเดล AI จำเป็นต้องมองไปที่ความตึงเครียดระหว่างความสามารถกับต้นทุน
• การฝึก LLM ขนาดมหึมาเป็นหนึ่งในความพยายามที่มีต้นทุนสูงที่สุดในประวัติศาสตร์มนุษย์ โดยต้นทุนพุ่งสู่ระดับหลายพันล้านดอลลาร์จากจำนวนพารามิเตอร์และความซับซ้อนของสถาปัตยกรรมที่เพิ่มขึ้น
• ในทางกลับกัน ต้นทุน Inference ลดลงอย่างมากจากนวัตกรรมด้านฮาร์ดแวร์และการเพิ่มประสิทธิภาพของอัลกอริทึม
  • ตัวอย่าง: NVIDIA 2024 Blackwell GPU ใช้พลังงานต่อโทเคนน้อยกว่า Kepler ปี 2014 ถึง 105,000 เท่า
• ยิ่ง Inference ถูกลง การแข่งขันระหว่างผู้ให้บริการ LLM ก็ยิ่งรุนแรงขึ้นในด้านความแม่นยำ เวลาแฝง ความพร้อมใช้งาน และต้นทุนต่อโทเคน และงานที่เคยมีต้นทุนสูงก็เริ่มทำได้ด้วยต้นทุนที่แทบมองข้ามได้
• สำหรับผู้ใช้และนักพัฒนา ราคาต่อหน่วยที่ลดลงกลายเป็นโอกาส ทำให้บริการและการใช้งานใหม่ ๆ เพิ่มขึ้นอย่างระเบิด
• แต่สำหรับผู้ให้บริการโมเดล โมเดลการสร้างรายได้และกำไรกลับยิ่งไม่แน่นอน
  • การฝึกยังคงแพง แต่การให้บริการ (serving) ถูกลง ทำให้อำนาจในการตั้งราคาอ่อนตัวลง
  • การเกิดขึ้นของตลาดโมเดลขนาดเล็กที่ปรับแต่งเฉพาะทางยิ่งทำให้ moat ทางธุรกิจเดิมอ่อนแอลง
• ตัวอย่าง: Google เริ่มนำ AI Overviews มาใช้ใน Search ตั้งแต่เดือนพฤษภาคม 2024 (มี MAU 1.5 พันล้าน ณ วันที่ เมษายน 2025) และล่าสุดเริ่มใส่โฆษณาในบางส่วน
• จากนี้ไปคาดว่าการแข่งขันจะเร่งตัวขึ้นทั้งในด้านกลยุทธ์แพลตฟอร์ม (การขยายแนวนอน), แอปพลิเคชันเฉพาะทาง และโมเดลสร้างรายได้ที่หลากหลาย เช่น สมัครสมาชิกและโฆษณา
• ในระยะสั้น เศรษฐศาสตร์ของ LLM แบบทั่วไปกำลังเข้าใกล้การขาดทุนระดับสตาร์ตอัปและการแข่งขันแบบสินค้าโภคภัณฑ์มากขึ้นเรื่อย ๆ

AI – New Entrants = Rapidly Laying Groundwork

• สถานะการนำ โมเดลแบบสมัครสมาชิกสำหรับผู้บริโภค มาใช้ของผู้ให้บริการ foundation model หลักด้าน AI (ณ เดือนพฤษภาคม 2025)
  • โมเดลหลากหลายรายอย่าง OpenAI ChatGPT, xAI Grok, Google Gemini, Anthropic Claude และ Perplexity ต่างมี ระบบสมัครสมาชิกแบบฟรี/เสียเงิน ให้บริการ
    • OpenAI ChatGPT: $0 (ฟรี) / $20 (Plus) / $200 (Pro) (ต่อเดือน)
    • xAI Grok: $0 (ฟรี) / $3 (Basic) / $8 (Premium) / $40 (Premium+) (ต่อเดือน)
    • Google Gemini: $0 (ฟรี) / $19.99 (AI Pro) / $250 (AI Ultra) (ต่อเดือน)
    • Anthropic Claude: $0 (ฟรี) / $17 (Plus) / $100 (Max) (ต่อเดือน)
    • Perplexity: $0 (ฟรี) / $20 (Pro) (ต่อเดือน)
• สถานะการนำ แพ็กเกจราคา Developer API มาใช้ของผู้ให้บริการ foundation model ด้าน AI (ณ เดือนพฤษภาคม 2025)
  • OpenAI, xAI Grok, Google Gemini, Anthropic Claude และ Perplexity เป็นต้น เรียกเก็บ ค่าบริการตามจำนวนครั้งของการเรียก API
    • OpenAI ChatGPT: $0.40 (GPT-4.1 nano) ~ $40 (o3) ต่อ 1 ล้านโทเค็น
    • xAI Grok: $0.50 (grok-3-mini-beta) ~ $25 (grok-3-fast) ต่อ 1 ล้านโทเค็น
    • Google Gemini: $0.15 (1.5 Flash-8B) ~ $15 (2.5 Pro Preview) ต่อ 1 ล้านโทเค็น
    • Anthropic Claude: $1.25 (Claude 3 Haiku) ~ $75 (Claude 3 Opus) ต่อ 1 ล้านโทเค็น
    • Perplexity: $1 (Sonar) ~ $15 (Sonar Pro) ต่อ 1 ล้านโทเค็น

AI – New Entrants = Rapid Revenue Growth

• การเติบโตของ จำนวนผู้สมัครสมาชิกแบบชำระเงิน และ รายได้ต่อปี ของ OpenAI (ตุลาคม 2022~เมษายน 2025)
  • จำนวนผู้สมัครสมาชิกแบบชำระเงินของ ChatGPT เพิ่มขึ้น 153% ต่อปี แตะราว 20 ล้านคน ณ เดือนเมษายน 2025
  • รายได้ต่อปีของ OpenAI เพิ่มขึ้น 1050% ทะลุ 3.7 พันล้านดอลลาร์ ณ เดือนเมษายน 2025
• รายได้แบบ annualized ของ Anthropic จาก API และ generative search เติบโต 20 เท่าใน 18 เดือน (2 พันล้านดอลลาร์)
  • กลยุทธ์โมเดลใหม่ที่เน้น reasoning เช่น Claude 3.7 Sonnet และการขยายการใช้ AI ที่เน้นงานจริง
  • เติบโต 6.4 เท่าใน 1 ปี
• รายได้แบบ annualized ของ Perplexity จาก generative search เติบโต 7.6 เท่าใน 14 เดือน (120 ล้านดอลลาร์)
  • เน้นการแสดงแหล่งอ้างอิงประกอบทุกคำตอบ และฟังก์ชันผู้ช่วยวิจัยแบบปรับให้เหมาะกับแต่ละบุคคล
• รายได้แบบ annualized ของ Glean จาก enterprise search และ agent เติบโต 10 เท่าใน 24 เดือน (100 ล้านดอลลาร์)
  • รองรับการนำ AI ไปใช้ในองค์กรขนาดใหญ่ และออกแบบให้สามารถใช้ประโยชน์จากองค์ความรู้ทั่วทั้งองค์กรได้
• บริษัท AI (100 อันดับแรก) ใช้เวลาเฉลี่ย 24 เดือน ในการไปถึงรายได้แบบ annualized 5 ล้านดอลลาร์
  • เร็วกว่าบริษัท SaaS แบบเดิม 35% (SaaS เฉลี่ย 37 เดือน, AI เฉลี่ย 24 เดือน)

AI –Tech Incumbents = Broad & Steady Product / Feature Rollouts

• สถานะผู้ใช้ AI ทั่วโลกและอุปกรณ์ของ Tech Incumbent เมื่อเทียบกับจำนวนผู้ใช้ ChatGPT (800 ล้านคน)
  • Google, Meta, Apple, TikTok, Microsoft, Spotify, Amazon, X และ Canva กำลังค่อย ๆ ขยายผลิตภัณฑ์ AI บนฐานผู้ใช้ตั้งแต่หลายร้อยล้านถึงหลายพันล้านคน
• Canva – Background Remover & Magic Media (12/19)
  • ฟีเจอร์ลบพื้นหลังภาพที่เปิดตัวในปี 2019 ได้รับความนิยมอย่างต่อเนื่อง และถูกใช้งานสะสมมากกว่า 3 พันล้านครั้ง
  • Magic Media (ข้อความ→ภาพ/วิดีโอ) ที่เปิดตัวในปี 2024 ได้รับการตอบรับสูงจากชุมชน โดยสร้างผลงานมากกว่า 290 ล้านชิ้นภายใน 1 ปีหลังเปิดตัว
• Spotify – AI DJ (2/23)
  • เปิดตัวฟีเจอร์นวัตกรรมอย่าง AI DJ และ AI มิวสิกวิดีโอในตลาดทั่วโลกตั้งแต่เดือนกุมภาพันธ์ 2023 และให้บริการในกว่า 60 ประเทศ ณ เดือนพฤษภาคม 2024
  • AI DJ ช่วยยกระดับความพึงพอใจของผู้ใช้และคุณภาพบริการของ Spotify ด้วยการแนะนำเพลงแบบเฉพาะบุคคล การโต้ตอบ และความสามารถด้าน reasoning แบบเรียลไทม์ที่ขับเคลื่อนด้วยข้อมูล
• Microsoft – Copilot (2/23)
  • Microsoft นำ Copilot มาใช้ใน Bing และ Edge เมื่อเดือนกุมภาพันธ์ 2023 และมียอดบทสนทนาสะสมมากกว่า 15 พันล้านครั้ง ณ เดือนธันวาคม 2024
  • Copilot มอบประสบการณ์ผู้ใช้แบบใหม่ที่ขับเคลื่อนด้วย AI ครอบคลุมทั้งการค้นหาเว็บ เบราว์เซอร์ และเครื่องมือออฟฟิศ พร้อมช่วยเพิ่มประสิทธิภาพและความคิดสร้างสรรค์ในการทำงานประจำวัน
• Meta Platforms – Meta AI (9/23)
  • ณ เดือนเมษายน 2025 Meta AI มีผู้ใช้งานต่อเดือน (MAU) ใกล้แตะ 1 พันล้านคน เมื่อนับรวมทุกแอปอย่าง Instagram, Messenger และ WhatsApp
  • กลยุทธ์ในอนาคตเน้นการพัฒนา AI agent ระดับวิศวกรชั้นกลาง และการยึดความเป็นผู้นำทั้งด้านการวิจัย AI และการนำไปใช้จริงในภาคสนาม
• X – Grok (11/23)
  • Grok ของ xAI เปิดตัวเวอร์ชัน 3.0 ในเดือนกุมภาพันธ์ 2025 พร้อมกับจำนวนผู้เยี่ยมชมเดสก์ท็อปทั่วโลกที่พุ่งขึ้น 42 เท่าเทียบกับเดือนก่อนหน้า แตะมากกว่า 150 ล้านคน
  • มีการเน้นย้ำทั้งการแสวงหาความจริงของ AI (value alignment) และการกระจายในวงกว้าง พร้อมขยายประสบการณ์ AI ภายในแพลตฟอร์ม X
• Google – Gemini & AI Overviews (12/23)
  • ณ เดือนพฤษภาคม 2024 แชตบอต Gemini มี MAU 400 ล้านคน และ AI Overviews ถูกฝังอยู่ใน Google Search จนเข้าถึงผู้ใช้รายเดือน 1.5 พันล้านคน
  • จุดแข็งคือโมเดล AI แบบ multimodal ที่ครอบคลุมข้อมูลหลายประเภท (ข้อความ โค้ด ภาพ เสียง ฯลฯ) และฟังก์ชันสรุปด้วย AI ภายในการค้นหา
• Amazon – Rufus (2/24)
  • Amazon นำ Rufus AI มาใช้ในธุรกิจค้าปลีกอเมริกาเหนือตั้งแต่เดือนกุมภาพันธ์ 2024 และช่วยปรับปรุงการแนะนำแบบเฉพาะบุคคลในด้านข้อมูลสินค้า การสรุปรีวิว และอื่น ๆ
  • ควบคู่ไปกับการเติบโตของมูลค่าธุรกรรมรวม (GMV) ของธุรกิจค้าปลีก การใช้ AI ก็ยังขยายตัวอย่างต่อเนื่อง
• TikTok – Symphony AI Assistant (6/24)
  • หลังการเปิดตัว Symphony Assistant ในเดือนมิถุนายน 2024 จำนวนผู้เยี่ยมชมเว็บไซต์ทั่วโลกของ TikTok ถูกนับว่ามากกว่า 2 พันล้านคน
  • AI สร้างผลลัพธ์เชิงรูปธรรมในด้านการสร้างคอนเทนต์สำหรับแบรนด์และครีเอเตอร์ ประสิทธิภาพโฆษณา และความชื่นชอบต่อแบรนด์
• Apple – Apple Intelligence (10/24)
  • ระหว่างเดือนกันยายน 2024 ถึงมีนาคม 2025 ยอดขายอุปกรณ์ที่รองรับ Apple Intelligence เช่น iPhone 15 Pro/Pro Max และ iPhone 16 series อยู่ที่ 50 ล้าน~70 ล้านเครื่อง
  • มุ่งเน้นการมอบประสบการณ์ AI ที่อาศัยการผสานฮาร์ดแวร์และซอฟต์แวร์ โดยให้ความสำคัญกับความเป็นส่วนตัว การปรับให้เหมาะกับแต่ละบุคคล และการประมวลผลบนอุปกรณ์

AI –Tech Incumbents = Rapid Revenue + Customer Growth

• รายได้จากผลิตภัณฑ์ AI ของ Microsoft
  • ณ ปี 2024 คาดว่ารายได้ต่อปีของธุรกิจผลิตภัณฑ์ AI ของ Microsoft อยู่ที่ 13 พันล้านดอลลาร์ เพิ่มขึ้น 175% เมื่อเทียบกับปีก่อน
  • กลุ่มผลิตภัณฑ์ AI ที่หลากหลาย เช่น Azure AI services, Microsoft 365 Copilot และ Dynamics 365 Copilot เป็นแรงขับเคลื่อนการเติบโตของรายได้
  • Satya Nadella ซีอีโอกล่าวว่า “กำลังสนับสนุนให้เกิดผลตอบแทนจากการลงทุนใน AI (ROI) และคว้าโอกาสมหาศาล”
  • ในการประกาศผลประกอบการไตรมาส 1 ปี 2025 ได้เน้นว่า ยอดจองภาคธุรกิจ (Commercial bookings) เพิ่มขึ้น 18%
• xAI: Generative Search
  • ในปี 2025 คาดว่ารายได้ต่อปีของ xAI จะเริ่มเพิ่มขึ้นอย่างจริงจัง
  • โมเดลล่าสุด Grok 3 ซึ่งทำงานบนพื้นฐานของซูเปอร์คอมพิวเตอร์ Colossus มีพลังประมวลผลมากกว่า 10 เท่า ส่งผลให้ประสิทธิภาพดีขึ้นในงานด้านการให้เหตุผล คณิตศาสตร์ การเขียนโค้ด และงานที่อิงความรู้
  • Elon Musk ซีอีโอเน้นย้ำว่าเป็น “AI ที่มุ่งแสวงหาความจริง แม้จะเป็นความจริงที่ไม่สบายใจทางการเมืองก็ตาม”
• ลูกค้าเชิงพาณิชย์ในสหรัฐของ Palantir
  • Palantir มีจำนวนลูกค้าเชิงพาณิชย์ในสหรัฐเพิ่มขึ้น 65% ภายใน 1 ปี เป็น 432 ราย
  • แพลตฟอร์ม AI ของบริษัท AIP (Artificial Intelligence Platform) มีส่วนช่วยในการดึงดูดลูกค้าใหม่และขยายการใช้งานของลูกค้าเดิม
  • รายได้เชิงพาณิชย์ในสหรัฐต่อปีของปี 2025 ทะลุ 1 พันล้านดอลลาร์
  • ความสามารถในการแข่งขันของ Palantir คือ “การเพิ่มบริบท (context) ภายในองค์กรให้สูงสุดผ่าน AI Ontology และมอบศักยภาพในการดำเนินการที่แตกต่าง”

ความเป็นไปได้ในการสร้างรายได้จาก AI – องค์กร = แพลตฟอร์มแนวนอน และ/หรือซอฟต์แวร์เฉพาะทาง?

• ทิศทางการสร้างรายได้จาก AI สำหรับองค์กร
  • ซอฟต์แวร์ธุรกิจแบบดั้งเดิมเติบโตมาในรูปแบบ เครื่องมือที่เชี่ยวชาญเฉพาะอุตสาหกรรม/งาน (Vertical SaaS)
  • โซลูชันเฉพาะทางในแต่ละอุตสาหกรรม เช่น Toast (ร้านอาหาร), Guidewire (ประกันภัย), Veeva (วิทยาศาสตร์ชีวภาพ) เป็นผู้นำตลาด
  • แต่ด้วยการเกิดขึ้นของ foundation model และ Generative AI จึงเกิดโอกาสใหม่ในการสร้างรายได้ในหลากหลายสาขา
• การผงาดขึ้นของแพลตฟอร์มแนวนอน
  • เริ่มมี แพลตฟอร์มองค์กรแนวนอน ที่รวม ประสิทธิภาพการทำงานแบบ AI-native, การค้นหา, การสื่อสาร และการจัดการความรู้ ไว้ในอินเทอร์เฟซเดียว
  • ตัวอย่าง: รูปแบบที่รวม Slack + Notion + ChatGPT เข้าด้วยกัน โดยฝัง AI intelligence เข้าไปในบริบทงานครอบคลุมทั้งองค์กร แทน SaaS แบบแยกส่วนเดิม
  • คุณค่ากำลังย้ายจากการขายไลเซนส์ SaaS ไปสู่ โมเดลการคิดค่าบริการตามผลลัพธ์ที่มี AI ฝังอยู่
• การแข่งขันระหว่างแพลตฟอร์มแนวนอน vs. ซอฟต์แวร์เฉพาะทาง
  • Microsoft ผสาน Copilot ทั่วทั้งองค์กร ขณะที่ Zoom/Canva นำ Generative AI เข้าไปสู่เวิร์กโฟลว์ของผู้ใช้
  • Databricks และบริษัทอื่น ๆ ก็กำลังผสาน AI เข้ากับสแตกข้อมูลและนักพัฒนา
  • สตาร์ตอัปอย่าง Glean กำลังท้าทายโมเดล suite แบบดั้งเดิมด้วยเวิร์กโฟลว์แบบ AI-first
  • ขณะเดียวกัน ผู้จำหน่ายซอฟต์แวร์เฉพาะทางเดิมก็ตอบโต้ด้วยการฝัง AI, ทำเวิร์กโฟลว์อัตโนมัติ และนำโมเดลที่ปรับแต่งด้วยข้อมูลรายอุตสาหกรรมมาใช้อย่างรวดเร็ว
  • ผู้จำหน่ายเฉพาะทางเหล่านี้มีความได้เปรียบในการนำ AI เฉพาะโดเมนไปใช้งาน เพราะมีทั้งความน่าเชื่อถือ ข้อมูลที่มีโครงสร้าง และเวิร์กโฟลว์ภาคสนามอยู่แล้ว
• แนวโน้มต่อจากนี้
  • แพลตฟอร์มแนวนอนมีจุดแข็งด้านการรวมฟังก์ชันที่หลากหลายและการเชื่อมโยงองค์ความรู้ทั้งองค์กร
  • ผู้จำหน่ายเฉพาะทางสร้างความแตกต่างด้วยความสามารถ AI เชิงลึกที่สอดคล้องกับกฎระเบียบ สัญญา และบริบทลูกค้าเฉพาะอุตสาหกรรม
  • ประเด็นสำคัญคือใครจะเป็นผู้ทำ abstraction ของเลเยอร์หลัก และครอบครองส่วนติดต่อผู้ใช้กับตรรกะทางธุรกิจ
  • การสร้างรายได้ในยุค AI จะไม่ได้ถูกกำหนดด้วยปริมาณการใช้งานเพียงอย่างเดียว แต่ขึ้นกับ 'ความสนใจ (Attention)', 'บริบท (Context)' และ 'อำนาจการควบคุม (Control)'

ผู้เล่นเดิมในตลาด SaaS (Incumbents)

• Microsoft GitHub Copilot
  • เปิดตัวอย่างเป็นทางการในเดือนมิถุนายน 2022
  • ถูกนำไปใช้ในองค์กรมากกว่า 77,000 แห่ง
  • เติบโต 180% เมื่อเทียบกับปีก่อนภายใน 2 ปี
  • ชุมชนนักพัฒนา 150 ล้านคน เพิ่มขึ้น 50% ในช่วง 2 ปี
  • รายได้ต่อปีมากกว่า 500 ล้านดอลลาร์ (ในเกณฑ์รายไตรมาส)
• Microsoft 365 Copilot
  • ประกาศในเดือนมีนาคม 2023 และเริ่มให้บริการเชิงพาณิชย์สำหรับองค์กรอย่างเป็นทางการในเดือนพฤศจิกายน 2023
  • ภายในไตรมาสแรกหลังเปิดตัว ลูกค้าเดิมจำนวนมากขยายจำนวนที่นั่งมากกว่า 10 เท่า
  • จำนวนผู้ใช้เพิ่มขึ้นมากกว่าเท่าตัวในแต่ละไตรมาส
  • อัตราการใช้งานของพนักงานก็เพิ่มขึ้นอย่างรวดเร็ว ล่าสุดเพิ่มขึ้นมากกว่า 60%
  • CIO มากกว่า 75% มีแผนนำไปใช้ภายใน 12 เดือนข้างหน้า
• Adobe Firefly
  • เปิด public beta ในเดือนมีนาคม 2023 และทำ AI video model เชิงพาณิชย์ในเดือนกุมภาพันธ์ 2024
  • ได้รับการประเมินสูงจากแบรนด์และครีเอเตอร์
  • ยอดการสร้างแอสเซ็ตทั้งหมดของ Firefly ทะลุ 20,000 ล้านรายการ
  • ผู้ใช้แบบชำระเงินมากกว่า 90% เคยใช้ฟีเจอร์สร้างวิดีโอ
  • ผู้ใช้งานรายเดือนของ Photoshop/Lightroom GenAI อยู่ที่ 35% และ 30% ตามลำดับ
• Atlassian Intelligence
  • เปิดเบต้าในเดือนธันวาคม 2023 และทะลุ 1 ล้าน MAU ในเดือนธันวาคม 2024
  • ภายใน 1 ปี ปริมาณการใช้งานฟีเจอร์ AI เพิ่มขึ้น 25 เท่า
  • ลูกค้ามากกว่า 10% นำ Atlassian Intelligence ไปใช้
• Zoom AI Companion
  • เปิดตัวในเดือนกันยายน 2023 และมีการใช้งานใน 3.5 ล้านบัญชีภายในเดือนธันวาคม 2024
  • จำนวนบัญชีที่ใช้งานจริงรายไตรมาสเพิ่มขึ้น 68%
  • AI Companion 2.0 มาพร้อมฟีเจอร์ขั้นสูง เช่น memory/reasoning/integration
• Canva Magic Studio
  • เปิดตัวในเดือนตุลาคม 2023 และมีการใช้เครื่องมือ AI สะสม 16,000 ล้านครั้ง ณ เดือนพฤษภาคม 2025
  • ถูกใช้งานโดยชุมชนทั้งสายครีเอทีฟ องค์กร และไม่แสวงหากำไร
  • มียอดการใช้เครื่องมือ AI มากกว่า 10,000 ล้านครั้ง
• Salesforce Agentforce
  • ประกาศในเดือนกันยายน 2024 และมีสัญญาแบบชำระเงิน 3,000 ฉบับ ณ เดือนกุมภาพันธ์ 2025
  • เชื่อมต่อกับ Data Cloud เพื่อยกระดับประสบการณ์ลูกค้าในวงกว้าง
  • รักษาอัตราการเติบโตของ AI ARR มากกว่า 120% ต่อปี

OpenAI ChatGPT = แพลตฟอร์มองค์กรแนวนอนที่มีศักยภาพ?

• Microsoft Office Suite
  • ประกอบด้วย 9 แอปพลิเคชัน (Outlook, Word, Excel, PowerPoint เป็นต้น)
  • มีผู้ใช้แบบชำระเงินมากกว่า 400 ล้านรายในช่วง 34 ปี (1990~2024)
• OpenAI ChatGPT
  • แม้จะเป็นแอปพลิเคชันเดียว แต่ก็มีผู้ใช้แบบชำระเงินถึง 20 ล้านรายภายในเวลาเพียง 2.5 ปี (พฤศจิกายน 2022~เมษายน 2025)
• การขยายตัวของ ChatGPT Enterprise
  • ภายใน 9 เดือนหลังเปิดตัว มีการนำไปใช้ในทีมของบริษัท Fortune 500 มากกว่า 80%
  • บริษัทผู้ใช้ตอบว่าชื่นชอบวิธีการนำไปใช้งานที่ง่ายและปลอดภัย
  • บริษัทกลุ่มแรก ๆ ที่ใช้งานได้นำ ChatGPT Enterprise ไปใช้เชิงรุกในด้านการปรับปรุงการสื่อสารภายใน การเร่งงานเขียนโค้ด การตอบคำถามทางธุรกิจที่ซับซ้อนอย่างรวดเร็ว และการสนับสนุนงานครีเอทีฟ
  • ChatGPT Enterprise ไม่มีข้อจำกัดด้านปริมาณการใช้งาน และให้ประสิทธิภาพเร็วกว่าเวอร์ชันฟรีสูงสุด 2 เท่า
  • สามารถเข้าถึงฟีเจอร์ advanced data analysis (เดิมคือ Code Interpreter) ได้แบบไม่จำกัด
  • ระหว่างเดือนสิงหาคม 2023~กุมภาพันธ์ 2025 จำนวนผู้ใช้ในภาคองค์กร/ทีม/การศึกษาเพิ่มขึ้นอย่างรวดเร็วเป็น 2 ล้านคน

ซอฟต์แวร์เฉพาะทางที่ขับเคลื่อนด้วย AI ในอุตสาหกรรมบริการขนาดใหญ่ = เติบโตเร็วมาก

• วิศวกรรมซอฟต์แวร์
  • Cursor AI: ทำ ARR (รายได้ประจำต่อปี) จาก $1M → $300M ได้ภายใน 25 เดือน
  • Cursor เป็น AI code editor ที่มอบประสบการณ์ผู้ใช้ที่พลิกโฉมในด้านการเขียนโค้ด การรีแฟกเตอร์ และระบบอัตโนมัติ
  • แก้ไขข้อความมากกว่า 1 พันล้านอักขระต่อวัน และทำรายได้ประจำมากกว่า $100M
• การพัฒนาผลิตภัณฑ์ (No-Code Product-Building)
  • Lovable: ARR เติบโต 13 เท่าใน 5 เดือน แตะ $50M
  • แพลตฟอร์ม no-code ที่ขับเคลื่อนด้วย AI ซึ่งเมื่อป้อนไอเดียผลิตภัณฑ์ด้วยภาษาธรรมชาติแล้ว จะสร้างโค้ดฝั่ง frontend/backend การเชื่อมต่อ DB และการ deploy ให้อัตโนมัติ
  • ช่วยให้ใครก็ได้สร้างผลิตภัณฑ์และเริ่มต้นธุรกิจได้อย่างรวดเร็ว
• เฮลท์แคร์ (บทสนทนาทางคลินิก)
  • Abridge: เติบโตจาก CARR (รายได้ประจำตามสัญญา) $50M → $117M ใน 5 เดือน
  • มีบุคลากรทางการแพทย์กว่า 25,000 คน โรงพยาบาล 40 แห่ง และองค์กรด้านการแพทย์ 600 แห่งนำไปใช้ และถูกใช้มากกว่า 10 ล้านครั้งในการสรุปบันทึกการพบผู้ป่วย
  • ได้รับฟีดแบ็กเชิงบวกจากบุคลากรทางการแพทย์จำนวนมาก
• กฎหมาย (เวิร์กโฟลว์อัตโนมัติ)
  • Harvey: ARR เติบโตจาก $10M → $70M ใน 15 เดือน และมีลูกค้า 235 รายใน 42 ประเทศ
  • ได้รับการนำไปใช้โดยสำนักงานกฎหมายชั้นนำ 10 อันดับแรกของสหรัฐฯ ส่วนใหญ่ และเป็นผู้นำด้านการทำเวิร์กโฟลว์ของงานกฎหมาย/บริการวิชาชีพให้เป็นอัตโนมัติพร้อมยกระดับประสิทธิภาพ
• การสนับสนุนลูกค้า (AI Support Agents)
  • Decagon: เติบโตจาก ARR ราว $1M → $10M ภายใน 1 ปี
  • AI support agent ช่วยทำงานซ้ำๆ ให้เป็นอัตโนมัติ และเปลี่ยนบทบาทงานสนับสนุนลูกค้าไปเป็นผู้จัดการ AI
  • คาดว่าจะเติบโตเพิ่มเติมในปี 2025
• บริการทางการเงิน (รีเสิร์ชและการวิเคราะห์)
  • AlphaSense: ARR เติบโตจากราว $150M → $420M ใน 2 ปี
  • อินไซต์ที่ขับเคลื่อนด้วย AI กำลังกลายเป็นมาตรฐานของตลาด พร้อมนำเสนอโซลูชันข้อมูลตลาดและเวิร์กโฟลว์ขั้นสูง
  • มุ่งเน้นนวัตกรรมผลิตภัณฑ์และการลงทุนด้านเทคโนโลยี และยังคงเติบโตอย่างรวดเร็วต่อเนื่องในปี 2025

ภัยคุกคามต่อการสร้างรายได้จาก AI = การแข่งขันที่เพิ่มขึ้น + แรงส่งของโอเพนซอร์ส + การผงาดขึ้นของจีน

การแข่งขันที่เพิ่มขึ้น = การเปิดตัว AI Model

• หลังจากบทความทรานส์ฟอร์เมอร์ของ Google ในปี 2017 เรื่อง ‘Attention is All You Need’ การปฏิวัติ AI ระลอกแรกที่มี LLM (โมเดลภาษาขนาดใหญ่) เป็นศูนย์กลางก็เริ่มต้นขึ้น
  • GPT-3 ของ OpenAI และ Llama-1 ของ Meta เป็นต้น ได้พิสูจน์ความเป็นไปได้ของความสามารถในการให้เหตุผลแบบอเนกประสงค์ผ่านการฝึกทำนายข้อความขนาดใหญ่
• อย่างไรก็ตาม การสื่อสารของมนุษย์ไม่ได้จำกัดอยู่แค่ข้อความเท่านั้น
  • สัญญาณที่หลากหลาย เช่น ภาพ เสียง วิดีโอ และข้อมูลจากเซ็นเซอร์ ช่วยถ่ายทอดบริบทของสถานการณ์จริงได้อย่างสมบูรณ์ยิ่งขึ้น
  • หลายบริษัท เช่น Google, Anthropic และ xAI กำลังขยาย language model ไปสู่แบบ multimodal (ประมวลผลข้อมูลหลายรูปแบบ)
    วิวัฒนาการของโมเดล AI แบบมัลติโหมดัล
  • ทำความเข้าใจและสร้างข้อมูลโดยรวมข้อความ ภาพถ่าย เสียง และวิดีโอไว้ใน vector space เดียว
  • สำหรับคำถามเดียว สามารถอ้างอิงทั้งย่อหน้าและแผนภูมิพร้อมกัน และส่งคำตอบกลับเป็นสรุปเสียงหรือภาพที่มีคำอธิบายกำกับได้
  • เป็นสถาปัตยกรรมที่ข้ามไปมาระหว่างทุกฟอร์แมตข้อมูลได้อย่างอิสระโดยไม่ต้องสลับระบบ
• ตัวอย่างวิวัฒนาการสำคัญในแต่ละช่วง
  • ปี 2021 OpenAI CLIP: การผสานวิชวล + ภาษา
  • ปี 2023 Meta ImageBind, ปี 2024 Chameleon: การหลอมรวมภาพ·เสียง·วิดีโอ
  • ปี 2024-2025 GPT-4o, Claude 3, Chameleon: การมาถึงของ frontier model แบบมัลติโหมดัลเต็มรูปแบบ
• ผลลัพธ์ในการใช้งานจริง
  • วิศวกรภาคสนามตรวจสอบการวินิจฉัยความผิดปกติของอุปกรณ์แบบเรียลไทม์ด้วยกล้องสมาร์ตโฟน
  • บุคลากรทางการแพทย์แนบ X-ray พร้อมสร้างร่างรายงานการรักษาแบบมีโครงสร้างได้พร้อมกัน
  • นักวิเคราะห์สามารถ query กราฟ บันทึกเสียงถอดความ และคลิปเสียงได้ในครั้งเดียวเพื่อวิเคราะห์แบบบูรณาการ
  • ลดการสลับบริบทเมื่อเทียบกับโมเดลที่อิงข้อความ จับข้อมูลได้สมบูรณ์ยิ่งขึ้น และขับเคลื่อนนวัตกรรมบริการที่เน้น vision·voice

แรงส่งของโมเดลโอเพนซอร์ส

• การพัฒนา AI model ในช่วงเริ่มต้น (2012-2018) เดินหน้าโดยมีโอเพนซอร์สเป็นศูนย์กลาง
  • โมเดล โค้ด และข้อมูลถูกเปิดเผยบนพื้นฐานของวัฒนธรรมวิชาการและความร่วมมือ
• หลังปี 2019 จากการทำเชิงพาณิชย์ ความปลอดภัย และการแข่งขันที่รุนแรงขึ้น จึงเกิด โมเดลแบบปิด (closed-source)
  • ตั้งแต่ช่วงที่เปิดตัว GPT-2 เป็นต้นมา น้ำหนักโมเดลและข้อมูลฝึกของโมเดลสำคัญเริ่มเปลี่ยนไปสู่การไม่เปิดเผย
  • OpenAI GPT-4, Anthropic Claude เป็นต้น ใช้ข้อมูลผูกขาดขนาดใหญ่และเงินทุนมหาศาล พร้อมให้บริการในรูปแบบ API
  • มีจุดแข็งด้านประสิทธิภาพ การใช้งาน และความน่าเชื่อถือ จึงได้รับความนิยมจากองค์กรขนาดใหญ่ ภาครัฐ และผู้บริโภค
  • ในทางกลับกัน ข้อจำกัดคือการขาดความโปร่งใสเกี่ยวกับข้อมูลฝึก โครงสร้างโมเดล และวิธีการ fine-tuning
• ช่วงหลังมานี้ โมเดลโอเพนซอร์สกลับมาผงาดอีกครั้ง
  • มีต้นทุนการพัฒนาและการใช้งานต่ำ เข้าถึงได้ง่าย จึงได้รับความนิยมในกลุ่มสตาร์ตอัป นักพัฒนา และแวดวงวิชาการ
  • ผ่านแพลตฟอร์มอย่าง Hugging Face สามารถดาวน์โหลด/นำโมเดลล่าสุดอย่าง Meta Llama และ Mistral Mixtral ไปใช้งานได้ง่าย
  • การพัฒนา AI กำลังขยายจากห้องแล็บขนาดใหญ่กลับไปสู่ห้องแล็บของบุคคลและชุมชนอีกครั้ง
  • การทดลองที่รวดเร็ว ความร่วมมือ และการมีส่วนร่วมของชุมชน ช่วยเร่งนวัตกรรม
• จีนครองอันดับ 1 ของโลกด้านจำนวนการเปิดเผยโมเดล AI ขนาดใหญ่แบบโอเพนซอร์ส ณ ปี 2025
  • มีการเปิดเผยโมเดลขนาดใหญ่ในปี 2025 เช่น DeepSeek-R1, Alibaba Qwen-32B และ Baidu Ernie 4.5
• การแยกตัวที่ชัดเจนระหว่าง closed-source vs open-source
  • โอเพนซอร์ส: ขับเคลื่อน sovereign AI, language model ที่ локัลไลซ์ และนวัตกรรมที่ขับเคลื่อนโดยชุมชน
  • closed-source: ได้เปรียบในตลาดผู้บริโภคและการนำไปใช้ในองค์กรขนาดใหญ่ โดยเน้นการปรับแต่งให้เหมาะสมและการใช้งาน
  • สองกระบวนทัศน์คือ ความเปิดกว้าง/ความเร็ว/อิสระ เทียบกับ ความปลอดภัย/การปรับแต่งให้เหมาะสม/การควบคุม กำลังแข่งขันกันและกำหนดอนาคตของ AI

ประสิทธิภาพของโมเดลโอเพนซอร์สที่สูงขึ้น + ต้นทุนต่อโทเคนที่ลดลง = การใช้งานระเบิดโดย นักพัฒนาที่ใช้ AI

• ในระยะแรก โมเดลแบบปิดอย่าง GPT-4, Claude และ Gemini เป็นผู้นำตลาดผู้บริโภคและองค์กรขนาดใหญ่
  • มีจุดแข็งด้านการเริ่มใช้งานที่ง่าย UI/UX ที่เรียบร้อย และความน่าเชื่อถือสูง ทั้งในแง่การรับรู้ของสาธารณะและการนำไปใช้ในองค์กร
  • มอบทั้งความปลอดภัย ความสะดวกในการใช้งาน และเนมแวลูสำหรับผู้ที่ไม่ใช่สายเทคนิค
• ช่วงหลังมานี้ ช่องว่างด้านประสิทธิภาพของโมเดลโอเพนซอร์สกำลังแคบลงอย่างรวดเร็ว
  • Llama 3, DeepSeek เป็นต้น มีระดับที่แข่งขันกับโมเดลปิดได้ในด้านการให้เหตุผล การเขียนโค้ด และหลายภาษา
  • สามารถดาวน์โหลด ปรับแต่ง และ deploy แบบ local ได้อย่างอิสระ โดยมีต้นทุนถูกกว่ามาก
• การยอมรับ AI model แบบโอเพนซอร์สกำลังเร่งตัวขึ้นโดยมีนักพัฒนาเป็นศูนย์กลาง
  • นักพัฒนาชอบการปรับแต่งได้และความคุ้มค่าด้านต้นทุน/ประสิทธิภาพ มากกว่าประสบการณ์ UX ที่สำเร็จรูป
  • มีการทดลองนวัตกรรมอย่างคึกคักบนฐานของโมเดลโอเพนซอร์สในหลายด้าน เช่น แอป เอเจนต์ และ pipeline
• ด้วยแรงหนุนจากราคาโทเคนที่ลดลงและประสิทธิภาพของโมเดลโอเพนซอร์สที่ดีขึ้น จำนวนผู้พัฒนาที่ใช้ AI จึงเพิ่มขึ้นแบบก้าวกระโดด
  • เดิมทีพึ่งพา closed API สูง แต่ตอนนี้สามารถสร้าง/ขยายได้โดยตรงทั้งบน local และ cloud
• ยังมีข้อจำกัดในการทำให้แพร่หลายในตลาดผู้บริโภค/องค์กรขนาดใหญ่
  • โอเพนซอร์สยังอ่อนในด้าน brand power, UX ที่เป็นมิตรต่อผู้ใช้ และ managed service
  • แต่หากโครงสร้างพื้นฐานใช้งานสะดวกขึ้นและความต่างด้านต้นทุน/ประสิทธิภาพยังคงอยู่ ก็มีโอกาสขยายสู่ตลาดมวลชนได้

การผงาดขึ้นของจีน

• Andrew Bosworth, CTO ของ Meta เปรียบเทียบ AI ในปัจจุบันว่าเป็น “การแข่งขันอวกาศ (space race)” และประเมิน ศักยภาพของจีน ไว้สูงมากเป็นพิเศษ
  • เช่นเดียวกับที่การแข่งขันอวกาศในอดีตมีลักษณะเป็นการแข่งขันระหว่างระบบการปกครอง (ความเร็วของนวัตกรรมและความน่าเชื่อถือระดับโลก) การแข่งขัน AI ก็อาจส่งผลต่อระเบียบโลกได้
• จีนได้เปลี่ยนผ่านอย่างรวดเร็วจาก การผลิตต้นทุนต่ำสู่การเป็นผู้นำด้านเทคโนโลยีขั้นสูง โดยมีจุดเปลี่ยนจากนโยบาย ‘Made in China 2025’
  • เสริมสร้างขีดความสามารถอย่างรวดเร็วในอุตสาหกรรมเชิงยุทธศาสตร์ โดยเน้นหุ่นยนต์ การใช้พลังงานไฟฟ้า เทคโนโลยีสารสนเทศ และ ปัญญาประดิษฐ์ระดับโลก
• การประยุกต์ใช้ AI ของจีนในด้านการทหารและยุทธศาสตร์รัฐ
  • มีการขยายการใช้ AI ครอบคลุมด้านความมั่นคงแห่งชาติทั้งหมด เช่น โลจิสติกส์ในสนามรบ การระบุเป้าหมาย ปฏิบัติการไซเบอร์ และแพลตฟอร์มการตัดสินใจอัตโนมัติ
  • ในปี 2025 สื่อของรัฐได้เน้นการใช้ AI ในภาคส่วนสนับสนุนทางทหาร (ที่ไม่ใช่การรบ) เช่น โรงพยาบาลทหาร
  • กระทรวงวิทยาศาสตร์และเทคโนโลยีได้ระบุอย่างชัดเจนว่า ‘นวัตกรรมที่พึ่งพาตนเอง (indigenous innovation)’ เป็นภารกิจหลักระดับชาติ
• ผลกระทบระดับโลกจากความได้เปรียบด้าน AI ของจีน
  • Sam Altman จาก OpenAI เตือนในบทความปี 2024 ว่า “หากระบอบอำนาจนิยมได้เปรียบใน AI ก็อาจบังคับให้บริษัทสหรัฐและประเทศอื่นแบ่งปันข้อมูล และใช้ AI เพื่อสอดส่องประชาชนของตนหรือพัฒนาอาวุธไซเบอร์ได้”
• การแข่งขันชิงความเป็นเจ้าเทคโนโลยีระหว่างสหรัฐฯ-จีนที่ทวีความรุนแรงขึ้น
  • การแข่งขันเพื่อควบคุมไม่ได้จำกัดแค่ AI แต่ขยายไปถึงแร่หายาก เซมิคอนดักเตอร์ และภาคเทคโนโลยีขั้นสูง
  • จีนยังคงรักษาสถานะมหาอำนาจด้านอุปทาน แร่หายาก (วัสดุสำคัญสำหรับอิเล็กทรอนิกส์ขั้นสูง กลาโหม และพลังงานสะอาด) ขณะที่สหรัฐฯ พยายามถ่วงดุลด้วยการ reshoring เซมิคอนดักเตอร์ (ย้ายการผลิตกลับประเทศ) และเพิ่มความร่วมมือกับพันธมิตร (ญี่ปุ่น เกาหลี เนเธอร์แลนด์ ฯลฯ)
  • TSMC ของไต้หวัน เป็นแกนหลักของอุตสาหกรรม foundry เซมิคอนดักเตอร์โลก และอยู่ศูนย์กลางของการคำนวณเชิงยุทธศาสตร์ของทั้งสหรัฐฯ และจีน
• การเปลี่ยนแปลงแนวนโยบายภายในสหรัฐฯ
  • หลังจากตอบสนองอย่างไม่เร่งรัดมานาน 20 ปี ทั้งสองพรรคต่างมองอุตสาหกรรมเทคโนโลยีขั้นสูงอย่างจริงจังว่าเป็น ‘แกนหลักของผลประโยชน์แห่งชาติ’
  • รัฐบาล Biden: การควบคุมการส่งออก, รัฐบาล Trump: ชาตินิยมทางเศรษฐกิจและการ reshoring เป็นต้น ซึ่งเป็นคนละแนวทาง
  • วุฒิสมาชิก John Cornyn และ Mark Warner กล่าวว่า “นวัตกรรมด้านเซมิคอนดักเตอร์ของสหรัฐฯ เคยเป็นเสาหลักค้ำจุนเศรษฐกิจทั้งหมด แต่ความชะล่าใจได้เปิดช่องให้คู่แข่ง (รวมถึงศัตรู) ไล่ตามทัน”
• ความสำคัญของการคุ้มครองทรัพย์สินทางปัญญา (IP) ด้านเทคโนโลยีของสหรัฐฯ
  • OpenAI ระบุว่า “คู่แข่งอย่างจีนกำลังพยายามทำ reverse engineer โมเดล AI ชั้นนำของสหรัฐฯ อย่างต่อเนื่อง และการประสานงานอย่างใกล้ชิดกับรัฐบาลเป็นสิ่งจำเป็น”
• การเปลี่ยนมุมมองต่อความสัมพันธ์สหรัฐฯ-จีน
  • ต่างจากช่วงต้นหลังเข้าร่วม WTO (ทศวรรษ 2000) ปัจจุบันสหรัฐฯ ตระหนักอย่างชัดเจนว่า เทคโนโลยีขั้นสูง เช่น AI เซมิคอนดักเตอร์ และแร่สำคัญ ไม่ได้เป็นเพียงสินทรัพย์ทางเศรษฐกิจและอุตสาหกรรม แต่เป็นแกนหลักของความยืดหยุ่นของชาติและอำนาจทางภูมิรัฐศาสตร์

Public Market Capitalization Leader Tells of Last Thirty Years = Extraordinary USA Momentum…China Rising

• ตลอด 30 ปีที่ผ่านมา (1995~2025) ในบรรดา 30 บริษัทมูลค่าตลาดสูงสุดของโลก มีเพียง 6 บริษัทที่ยังคงอยู่ต่อเนื่อง
  • Microsoft, Walmart, Exxon Mobil, Procter & Gamble, Johnson & Johnson, Coca-Cola
  • บริษัทที่เพิ่งก้าวขึ้นมาติดอันดับสูงสุด
    • NVIDIA, Apple, Amazon, Alphabet(Google), Saudi Aramco, Meta Platforms(Facebook), Tesla, Broadcom, Berkshire Hathaway, TSMC, JP Morgan Chase, Visa, Eli Lilly, Tencent, Mastercard, Netflix, Costco Wholesale, Oracle, Home Depot, SAP, Bank of America, ICBC, AbbVie, Palantir
  • สัดส่วนตามประเทศในปี 1995
    • สหรัฐฯ: 53% (16 จาก 30 บริษัท),
    • ญี่ปุ่น: 9 บริษัท,
    • สวิตเซอร์แลนด์: 3 บริษัท,
    • สหราชอาณาจักร: 2 บริษัท
  • สัดส่วนตามประเทศในปี 2025
    • สหรัฐฯ: 83% (25 จาก 30 บริษัท)
    • ญี่ปุ่น/สวิตเซอร์แลนด์/สหราชอาณาจักร: 0 บริษัท
    • จีน 2 บริษัท, ซาอุดีอาระเบีย 1 บริษัท, ไต้หวัน 1 บริษัท, เยอรมนี 1 บริษัท
• ตลอด 30 ปีที่ผ่านมา ในบรรดา 30 บริษัทเทคโนโลยี (tech companies) มูลค่าตลาดสูงสุดของโลก มีเพียง 5 บริษัทที่ยังคงอยู่ต่อเนื่อง
  • Microsoft, Oracle, Cisco, IBM, AT&T
  • ผู้เล่นหน้าใหม่ในกลุ่มบริษัทเทคโนโลยี
    • NVIDIA, Apple, Amazon, Alphabet(Google), Meta Platforms(Facebook), Tesla, Broadcom, TSMC, Tencent, Netflix, SAP, Palantir, ASML, Alibaba, Salesforce, T-Mobile, Samsung, China Mobile, Reliance, ServiceNow, Intuitive Surgical, Siemens, Uber, AMD, Intuit
  • สัดส่วนตามประเทศของบริษัทเทคโนโลยีในปี 1995
    • สหรัฐฯ: 53% (16/30),
    • ญี่ปุ่น: 30% (9/30),
    • สหราชอาณาจักร/สิงคโปร์/ฮ่องกง/เม็กซิโก/มาเลเซีย อย่างละ 1 บริษัท
  • สัดส่วนตามประเทศของบริษัทเทคโนโลยีในปี 2025
    • สหรัฐฯ: 70% (21/30)
    • ญี่ปุ่น/สหราชอาณาจักร/สิงคโปร์/ฮ่องกง/เม็กซิโก/มาเลเซีย: 0 บริษัท
    • จีน 3 บริษัท, เยอรมนี 2 บริษัท, ไต้หวัน 1 บริษัท, เนเธอร์แลนด์ 1 บริษัท, เกาหลีใต้ 1 บริษัท, อินเดีย 1 บริษัท
  • TSMC ของไต้หวัน: แม้ไต้หวันจะมีเพียง 1 บริษัทในอันดับสูงสุด (TSMC) แต่ ณ ไตรมาส 2 ปี 2024
    • ผลิตเซมิคอนดักเตอร์ขั้นสูงของโลก 80~90% และเซมิคอนดักเตอร์ทั้งหมดมากกว่า 62%
• การเปลี่ยนแปลงครั้งใหญ่ที่เกิดขึ้นภายในคนเพียงหนึ่งรุ่น
  • การแพร่หลายของอินเทอร์เน็ตได้กลายเป็นฐานให้เกิดบริษัทระดับโลกหน้าใหม่ที่ขึ้นสู่อันดับสูงสุด
  • และการผงาดขึ้นของ AI คาดว่าจะเร่งให้เกิดการเปลี่ยนแปลงที่รวดเร็วและลึกซึ้งยิ่งกว่านี้ในอีก 30 ปีข้างหน้า

USA vs. China in Technology = China’s AI Response Time Significantly Faster vs. Internet 1995

• ความเป็นผู้นำด้านโมเดลภาษาขนาดใหญ่ (LLM) ของ AI: สหรัฐฯ และจีนกำลังขับเคลื่อนความเร็วของการพัฒนา AI ทั่วโลก
  • เมื่อดูสถานะการสร้างระบบ AI ขนาดใหญ่สะสมในช่วงปี 2017~2024 จะเห็นว่า สหรัฐฯ และจีน นำหน้าอย่างโดดเด่น
  • ณ ปี 2024 สหรัฐฯ เปิดตัวระบบ AI ขนาดใหญ่มากกว่า 150 ระบบ และจีนก็เปิดตัวมากกว่า 100 ระบบ
  • ฝรั่งเศส สหราชอาณาจักร แคนาดา ฮ่องกง เยอรมนี และประเทศอื่นๆ ยังมีช่องว่างห่างจากสหรัฐฯ และจีนอย่างมาก
• China AI = ไล่ตามอย่างรวดเร็ว, DeepSeek R1
  • DeepSeek ประกาศว่าขีดความสามารถด้านการพัฒนา AI ของจีนได้ลดช่องว่างกับสหรัฐฯ ลงเหลือ 3 เดือนแล้ว (มกราคม 2025)
  • CEO ของ DeepSeek เน้นย้ำว่าจีนจำเป็นต้องก้าวข้ามการลอกเลียนแบบอย่างเดียวไปสู่การสร้างนวัตกรรมของตนเอง
• Alibaba Qwen 2.5-Max: อ้างว่าเหนือกว่า DeepSeek·OpenAI ChatGPT
  • Qwen2.5-Max แสดงประสิทธิภาพที่เหนือกว่า DeepSeek V3 และ OpenAI ChatGPT ในเบนช์มาร์กหลากหลายรายการ
  • กำลังปรับปรุงประสิทธิภาพของโมเดลอย่างต่อเนื่องผ่านการขยายขนาดข้อมูล ขนาดโมเดล และนวัตกรรมด้าน post-training
• Baidu Ernie 4.5 Turbo: AI มัลติโหมด ต้นทุนต่ำ·ประสิทธิภาพสูง
  • เป็น AI แบบ multimodal ที่ประมวลผลได้ทั้งข้อความ·ภาพ·วิดีโอ และถูกเปรียบเหมือน ‘มีดทหารสวิส’
  • คิดค่าใช้จ่าย RMB 0.8 ต่อ 1 ล้านโทเค็นสำหรับอินพุต และ RMB 3.2 สำหรับเอาต์พุต คิดเป็น 40% ของ DeepSeek V3 และ 0.2% ของ GPT-4.5
  • แสดงประสิทธิภาพเทียบเท่า GPT-4.1 และเหนือกว่า GPT-4o ในงาน multimodal บางประเภท
• ประสิทธิภาพ LLM: สหรัฐฯ และจีน ช่องว่างของคะแนนจริงแคบลง
  • ผล Chatbot Arena ของ Stanford HAI & LMSYS ณ กุมภาพันธ์ 2025 แสดงให้เห็นว่าสหรัฐฯ ได้ 1,385 คะแนน และจีนได้ 1,362 คะแนน ซึ่งใกล้เคียงกัน
• AI จีน: บรรลุประสิทธิภาพได้ด้วยต้นทุนการฝึกที่ต่ำกว่า
  • ตามข้อมูลของ Epoch AI โมเดลจีนอย่าง DeepSeek V3 ถูกเปิดตัวด้วยต้นทุนที่ต่ำกว่า GPT-4 อย่างชัดเจน
• เปลี่ยนมาฝึก AI ด้วยเซมิคอนดักเตอร์ภายในประเทศ
  • จากข้อจำกัดการส่งออกของสหรัฐฯ คลัสเตอร์ชิป AI ภายในประเทศอย่างของ Huawei กำลังขยายตัวอย่างรวดเร็ว
  • ตามรายงานของ Financial Times, Huawei กำลังจัดหา AI cluster สำหรับบริษัทเทคโนโลยีจีนอย่างจริงจัง
• จีน: ยังมีฐานการติดตั้งหุ่นยนต์อุตสาหกรรมสูงที่สุดในโลก
  • ในปี 2023 จีนอยู่ที่ 276,000 เครื่อง ส่วนประเทศอื่นๆ ทั่วโลกรวมกันอยู่ที่ 265,000 เครื่อง และสหรัฐฯ อยู่ราว 40,000 เครื่อง
• สรุป: ความเร็วของนวัตกรรม AI ของจีนเร็วกว่าในยุคเริ่มต้นของอินเทอร์เน็ต (1995) มาก
  • จีนกำลังลดช่องว่างกับสหรัฐฯ อย่างรวดเร็วในด้านเทคโนโลยี ต้นทุน และโครงสร้างพื้นฐาน ขณะที่การแข่งขันเพื่อชิงอำนาจนำในอุตสาหกรรมโลกยิ่งดุเดือดขึ้น

การใช้งาน Consumer AI ในจีน = DeepSeek เติบโตอย่างรวดเร็ว

• ตลาด generative AI ทั่วโลกกำลังแตกแขนงมากขึ้นตามภูมิภาค ช่องทาง และความชอบของผู้ใช้
  • ทั่วโลก ChatGPT ของ OpenAI ยังคงครอง อันดับ 1 อย่างชัดเจน ทั้งบนเดสก์ท็อปและมือถือ แต่การแข่งขันในแต่ละแพลตฟอร์มกำลังรุนแรงขึ้น
  • Claude ของ Anthropic และ Google Gemini ก็กำลังขยายส่วนแบ่งเพิ่มขึ้นอย่างต่อเนื่อง ขณะที่ Grok ของ xAI ถูกบันทึกว่าเป็น AI assistant ที่เติบโตเร็วที่สุด โดยมี จำนวนผู้เข้าชมรายเดือนเพิ่มขึ้น 294% ณ ช่วงกุมภาพันธ์~มีนาคม 2025
• จีนมีโมเดล AI ท้องถิ่นอย่าง DeepSeek ที่แข็งแกร่ง
  • แม้ ChatGPT จะเป็นอันดับ 1 ในประเทศส่วนใหญ่ แต่ ในรัสเซียและจีนไม่สามารถให้บริการได้ ทำให้โมเดลท้องถิ่นอย่าง DeepSeek กลายเป็นกระแสหลัก
  • ตามข้อมูลจาก Roland Berger Consulting แอป AI TOP10 ในจีนทั้งหมดเป็นของผู้พัฒนาในประเทศ ตามจำนวนผู้ใช้งานรายเดือน (เช่น DeepSeek, Kimi, Nami AI, ERNIE Bot ที่มีผู้ใช้ระดับหลายสิบล้านคน)
  • นอกประเทศจีน ChatGPT ครองตลาดอย่างท่วมท้น ขณะที่ภายในจีนได้ก่อตัวเป็นตลาดที่แยกออกไปโดยสิ้นเชิง
• กฎระเบียบแพลตฟอร์มและสภาพแวดล้อมของจีน
  • Facebook, Twitter, Google, YouTube ไม่สามารถเข้าถึงได้ในจีนมาตั้งแต่ปี 2010 หรือก่อนหน้านั้น
  • ไม่เพียงแต่ Instagram, WhatsApp, Wikipedia, Telegram, Spotify เท่านั้น แต่ล่าสุดยังมี ChatGPT, Google Gemini, Claude, Meta AI, Microsoft Copilot และบริการอื่นๆ ที่ถูกบล็อกด้วย
  • สภาพแวดล้อมด้านกฎระเบียบเช่นนี้ได้เร่งการผงาดขึ้นของ AI champion ท้องถิ่น
• ความแตกต่างในการรับรู้เกี่ยวกับ AI
  • จากผลสำรวจของ Stanford HAI และ Ipsos พบว่า 83% ของประชาชนจีนประเมินผลสุทธิของ AI ในเชิงบวก (ข้อมูลปี 2024 เพิ่มขึ้น 5 จุดเปอร์เซ็นต์จากปี 2022)
  • ประชาชนสหรัฐฯ ตอบเชิงบวกต่อคำถามเดียวกันเพียง 39% และแทบไม่มีการเปลี่ยนแปลงในช่วง 2 ปี
  • ในมุมมองทางสังคมและปรัชญา วิธีเข้าถึงและการยอมรับ AI แตกต่างกันไปในแต่ละประเทศ
• การเลือกแพลตฟอร์มไม่ได้ขึ้นอยู่แค่กับประสิทธิภาพหรือราคาอีกต่อไป แต่กำลังขยายไปสู่เรื่องของอัตลักษณ์ระดับชาติและวัฒนธรรมมากขึ้นเรื่อยๆ
  • จุดเปลี่ยนที่สำคัญไม่ใช่แค่ ‘ใครสร้างได้ดีกว่า’ แต่เป็น ‘ผู้คนยอมรับและใช้งานมันอย่างไร’

AI & Physical World Ramps = Fast + Data-Driven

• จนถึงตอนนี้ จุดโฟกัสอยู่ที่ การแพร่หลายและการสร้างรายได้ของ AI ในซอฟต์แวร์เดสก์ท็อป/มือถือ แต่การสร้างนวัตกรรมและการทำเงินจาก AI ในโลกกายภาพจริงกลับเกิดขึ้นเร็วกว่าและรุนแรงกว่านั้น
  • ตอนนี้ ความฉลาดได้ฝังลึกอยู่ไม่เพียงในแอปพลิเคชันดิจิทัล แต่รวมถึงยานพาหนะ เครื่องจักร และระบบป้องกันประเทศ ด้วย
  • ฟลีตรถขับเคลื่อนอัตโนมัติอย่าง Waymo, Tesla ไม่ใช่โครงการในห้องแล็บอีกต่อไป แต่กำลังสร้างรายได้จริง สะสมข้อมูลการขับขี่แบบไร้คนขับหลายล้านไมล์ และพัฒนาไปอย่างรวดเร็วเป็นลูปซอฟต์แวร์ที่ซับซ้อนขึ้นเรื่อยๆ
  • Applied Intuition พัฒนาระบบยานยนต์แบบ software-defined และแพลตฟอร์มจำลองที่ไม่ผูกกับฮาร์ดแวร์ ช่วยให้ผู้ผลิตสามารถนำ AI ไปใช้ได้ง่ายราวกับเป็นชิ้นส่วนหนึ่ง
  • ใน อุตสาหกรรมป้องกันประเทศ (Anduril) AI กำลังพลิกกระบวนทัศน์ด้านการป้องกันด้วยการส่งมอบระบบอัตโนมัติที่ติดตั้ง AI บนทุก edge node (โดรน เซนเซอร์ ฯลฯ)
  • ในภาค เกษตรกรรม (Carbon Robotics) กำลังเกิดการเปลี่ยนผ่านครั้งใหญ่ที่สินทรัพย์ทุนในโลกกายภาพกลายเป็น software endpoint เช่น การใช้คอมพิวเตอร์วิทัศน์ที่ขับเคลื่อนด้วย AI เพื่อกำจัดวัชพืชโดยไม่ใช้สารกำจัดวัชพืช
  • ชี้ให้เห็นว่า AI ไม่ได้หยุดอยู่แค่บนหน้าจออีกต่อไป แต่กำลังกลายเป็นพลังที่ขับเคลื่อนโลกจริง (kinetic)
• Tesla Vertically-Integrated Electric Vehicles
  • ตั้งแต่มิถุนายน 2022 ถึงมีนาคม 2025 ระยะทางสะสมของการขับขี่แบบ Full Self-Driving เติบโต 100 เท่า
  • ด้วยการนำเวอร์ชัน 12 มาใช้ มีการ แทนที่โค้ด C++ 330,000 บรรทัดด้วย neural net พร้อมใช้ สถาปัตยกรรม AI แบบ end-to-end อย่างสมบูรณ์
  • AI มีบทบาทเป็นศูนย์กลางในทุกขั้นตอน ตั้งแต่การรู้จำวัตถุ การวางแผนเส้นทาง ไปจนถึงการควบคุมรถ
  • Tesla อาจเป็น บริษัทด้าน AI inference ที่มีประสิทธิภาพสูงที่สุดในโลก
• Waymo Fully-Autonomous Vehicles
  • ช่วงสิงหาคม 2023 ถึงเมษายน 2025 ส่วนแบ่งตลาด ride-share ในซานฟรานซิสโกเติบโตพรวดจาก 0% เป็น 27%
  • สร้างระบบเชิงพาณิชย์ที่แข็งแกร่งด้วย perception, planning, prediction ที่อิง AI แบบ multimodal
  • พิสูจน์ผลิตภัณฑ์รถขับเคลื่อนอัตโนมัติที่ใช้ได้จริงในเชิงพาณิชย์ ในตลาดจริง
• Applied Intuition Vehicle Intelligence
  • ณ ปี 2024 ให้บริการโซลูชัน AI ด้าน vehicle intelligence แก่ OEM รถยนต์รายใหญ่ทั่วโลก 18 ราย
  • ขยายแพลตฟอร์มจำลองและซอฟต์แวร์ขับเคลื่อนอัตโนมัติไปยังหลากหลายอุตสาหกรรม ตั้งแต่ รถยนต์ รถบรรทุก งานก่อสร้าง ไปจนถึงกลาโหม
  • ในภาคกลาโหม มีการเสริมความแข็งแกร่งของกลุ่มผลิตภัณฑ์ด้านการขับขี่อัตโนมัติแบบ off-road และเทคโนโลยี defense
• Anduril AI-Enabled Autonomous USA Defense Systems
  • ระหว่างปี 2022~2024 รายได้ต่อปีเติบโต 2 เท่าติดต่อกัน 2 ปี และทะลุ 1 พันล้านดอลลาร์ในปี 2024
  • ใช้ AI และระบบอัตโนมัติเพื่อสนับสนุน การตัดสินใจที่รวดเร็วและแม่นยำยิ่งขึ้นในสภาพแวดล้อมสนามรบสมัยใหม่
  • วาง AI ไว้บน edge node ที่กระจายตัวแต่ละจุดเพื่อพลิกโฉมระบบความมั่นคงและการป้องกัน
• KoBold Metals AI-Driven Mining Exploration
  • ด้วย เทคโนโลยี machine prospector ที่ขับเคลื่อนด้วย AI ทำให้ประสิทธิภาพในการสำรวจ แร่ธาตุ ซึ่งเคยต่ำที่สุดนับตั้งแต่ปี 1975 ดีขึ้นอย่างมาก
  • ผสานข้อมูลภูมิศาสตร์/ธรณีฟิสิกส์ขนาดใหญ่กับแบบจำลองความสัมพันธ์เชิงสถิติ เพื่อระบุเป้าหมายสำรวจที่มีศักยภาพได้อย่างรวดเร็ว
  • สร้างห่วงโซ่อุปทานโลหะใหม่ได้ด้วยประสิทธิภาพ มากกว่าค่าเฉลี่ยอุตสาหกรรม 2 เท่า
• Carbon Robotics AI-Driven Agricultural Modernization
  • ตั้งแต่มกราคม 2023 ถึงพฤษภาคม 2025 กำจัดวัชพืชสะสมแล้วมากกว่า 230,000 เอเคอร์ และช่วยหลีกเลี่ยงการใช้ glyphosate (สารกำจัดวัชพืช) มากกว่า 100,000 แกลลอน
  • ใช้เทคโนโลยี deep learning และคอมพิวเตอร์วิทัศน์ที่ขับเคลื่อนด้วย AI เพื่อ กำจัดวัชพืชรอบพืชผลด้วยเลเซอร์
  • เครื่องจักรอัตโนมัติสามารถกำจัดได้ 2 เอเคอร์ต่อชั่วโมง และวัชพืช 200,000 ต้นต่อวัน
• Halter AI-Driven Intelligent Grazing
  • ณ ปี 2025 จำนวนสัญญาใหม่ของ ปลอกคออัจฉริยะสำหรับฟาร์มปศุสัตว์ เติบโตเฉลี่ยต่อปีมากกว่า 150%
  • ใช้ การจัดการการเลี้ยงสัตว์แบบปล่อยแทะเล็มที่ขับเคลื่อนด้วย AI เพื่อเพิ่มประสิทธิภาพการใช้ทรัพยากร ปรับปรุงสุขภาพดิน และเสริมความยั่งยืน
  • พิสูจน์ผลลัพธ์ด้านการเพิ่มผลิตภาพขนาดใหญ่และการลดคาร์บอน ที่จะช่วยฝ่าความล่าช้าในการนำเทคโนโลยีมาใช้ในภาคเกษตรสมัยใหม่

Global Internet User Ramps Powered by AI from Get-Go = Growth We Have Not Seen Likes of Before

• การขยายตัวของ อินเทอร์เน็ตผ่านดาวเทียมต้นทุนต่ำ กำลังทำให้ความเป็นไปได้ที่ประชากร 2.6 พันล้านคนซึ่งคิดเป็น 32% ของประชากรโลกที่ยังไม่เชื่อมต่อ จะเข้าสู่ออนไลน์เป็นครั้งแรก เพิ่มสูงขึ้นอย่างรวดเร็ว
• คนกลุ่มนี้ต่างจากอดีต เพราะพวกเขาจะเริ่มต้น ประสบการณ์อินเทอร์เน็ตครั้งแรกพร้อมฟังก์ชัน AI ที่ติดตั้งมาเป็นพื้นฐานตั้งแต่ต้น
• พวกเขามีแนวโน้มจะเข้าถึงข้อมูลและใช้บริการเทคโนโลยีต่างๆ ด้วยการ สนทนากับ AI ด้วยภาษาธรรมชาติได้ทันที โดยไม่ต้อง พิมพ์ลงในช่องค้นหา หรือผ่านเบราว์เซอร์แบบดั้งเดิม
• อินเทอร์เฟซที่ขับเคลื่อนด้วย AI agent ลักษณะนี้ อาจทำให้มูลค่าตลาดไปรวมอยู่กับ ผู้เล่นที่ครอบครองอินเทอร์เฟซ ไม่ใช่แอป และสามารถสั่นคลอนลำดับชั้นของแพลตฟอร์มเดิมได้
• จากนี้ไป การครอบครองอินเทอร์เฟซจะสำคัญกว่าการครอบครองแพลตฟอร์ม และ AI ที่เข้าใจภาษา ท้องถิ่น บริบท และเจตนาของผู้ใช้ จะกลายเป็นความสามารถในการแข่งขันหลัก

New Internet User Growth = Enabled by AI + Satellites

• Orbital / Satellite Launch Market Share, Global = SpaceX Rising
  • นับตั้งแต่ปี 2008 ได้เริ่มยุคฟื้นฟูของการปล่อยยานอวกาศทั้งเชิงพาณิชย์และระดับชาติ โดย SpaceX ครองสัดส่วนสำคัญของจำนวนการปล่อยต่อปี
  • สหรัฐฯ (ไม่นับ SpaceX), จีน และรัสเซีย ต่างก็มีการเติบโตของตนเอง แต่การเพิ่มขึ้นอย่างรวดเร็วของ SpaceX โดดเด่นเป็นพิเศษ
  • ตั้งแต่ยุค Cold War จนถึงปลายทศวรรษ 1990 เป็นการปล่อยที่ขับเคลื่อนโดยรัฐ ขณะที่ระยะหลังเป็นแนวโน้มการเพิ่มขึ้นของการปล่อยที่นำโดยภาคเอกชน
• SpaceX Starlink @ 5MM+ Subscribers = +202% Annual Growth Over 3.2 Years
  • Starlink มีจำนวนผู้สมัครใช้งานเพิ่มจากราว 100,000 รายในปี 2021 เป็นมากกว่า 5 ล้านรายในปี 2024
  • เติบโตเฉลี่ยต่อปี 202% และขยายฐานผู้ใช้อินเทอร์เน็ตทั่วโลกอย่างรวดเร็ว
• SpaceX Starlink Ecosystem = Coverage Expanding Globally
  • ณ ปี 2025 Starlink ขยายพื้นที่ให้บริการไปยังอเมริกาเหนือ อเมริกาใต้ ยุโรป โอเชียเนีย บางส่วนของแอฟริกา และพื้นที่สำคัญในเอเชีย
  • ประเทศที่ยังไม่มีบริการยังมีจำกัด เช่น จีน รัสเซีย และอิหร่าน
• Starlink = Unlocking Previously-Inaccessible Internet Access in AI Era
  • Coco, Monterrey, Mexico: มอบอินเทอร์เน็ตความเร็วสูงและเชื่อถือได้ให้พื้นที่ชนบทของเม็กซิโก พร้อมขยายการเข้าถึงดิจิทัลผ่าน WiFi ชุมชน
  • Chile School District: มอบอินเทอร์เน็ตความเร็วสูงที่ทำให้คอมพิวเตอร์ทั้ง 36 เครื่องของโรงเรียนในชิลีเชื่อมต่อพร้อมกันได้ นักเรียนและครูต่างได้สัมผัสประสบการณ์ห้องเรียนที่เปลี่ยนไป
  • Brightline Trains, USA: มอบอินเทอร์เน็ตผ่านดาวเทียมที่เสถียรบนรถไฟความเร็วสูงในสหรัฐฯ ช่วยยกระดับทั้งประสบการณ์ผู้โดยสารและประสิทธิภาพการดำเนินงาน
  • Seaspan Corporation, Global: นำอินเทอร์เน็ตผ่านดาวเทียมมาใช้กับบริษัทเดินเรือระดับโลก เปลี่ยนเรือให้เป็นสำนักงานระยะไกลได้ ปรับปรุงความปลอดภัยของลูกเรือและประสิทธิภาพการดำเนินงาน และทำให้โซลูชันที่เคยเป็นไปไม่ได้เกิดขึ้นจริง

AI & Work Evolution = Real + Rapid

• การเปลี่ยนแปลงเชิงแก่นของงานจากการนำ AI มาใช้
  • นอกเหนือจากระบบอัตโนมัติทางกายภาพอย่างหุ่นยนต์และโดรนแล้ว ระบบอัตโนมัติด้านการรับรู้ ก็กำลังขยายตัวอย่างรวดเร็ว
  • ระบบ AI มีความสามารถด้าน การให้เหตุผล การสร้างสรรค์ และการแก้ปัญหา ทำให้ขอบเขตงานขยายกว้างขึ้น
• ความเร็วในการเติบโตของความสามารถด้านการรับรู้ของ AI
  • ในช่วง 3 ปีหลังการเปิดตัว ChatGPT (พฤศจิกายน 2022) ได้พัฒนาจากระดับนักเรียนมัธยมปลายไปสู่ ความสามารถในการให้เหตุผลระดับปริญญาเอก
  • งานที่อาศัยกฎเกณฑ์และการตัดสินใจบนฐานข้อมูลเชิงโครงสร้างขนาดใหญ่ กำลังกลายเป็นจุดแข็งของ AI
• การเปลี่ยนหน่วยของแรงงาน
  • มีความเป็นไปได้ที่จะเปลี่ยนจากแรงงานที่มีมนุษย์เป็นศูนย์กลางแบบเดิม ไปสู่การยึด พลังการประมวลผลของดาต้าเซ็นเตอร์และโมเดล AI เป็นศูนย์กลาง
  • กำลังก้าวเข้าสู่ยุคที่โครงสร้างพื้นฐาน AI เป็นตัวกำหนดอุปทานและคุณภาพของแรงงานบางประเภท
• อนาคตแบบเอเจนต์เป็นฐานและบทบาทของมนุษย์
  • บางฝ่ายคาดว่า AI agent จะเข้ามาแทนที่งานคอปกขาว
  • อย่างไรก็ตาม ควรคำนึงถึงแบบแผนทางประวัติศาสตร์ที่เมื่อผลิตภาพและประสิทธิภาพเพิ่มขึ้น ก็มักเกิดงานใหม่ของมนุษย์ตามมา
  • แม้ในสังคมที่ขับเคลื่อนด้วยเอเจนต์อย่างเต็มรูปแบบ บทบาทของมนุษย์อย่าง การกำกับดูแล การฝึกสอน และการชี้แนะ ก็ยังคงอยู่
• โครงสร้างแรงงานในอนาคตและการเปลี่ยนแปลงทางสังคม
  • เช่นเดียวกับ RLHF (การเรียนรู้แบบเสริมกำลังจากฟีดแบ็กของมนุษย์) มนุษย์จะย้ายไปสู่บทบาทในการ ฝึกและปรับจูนอย่างละเอียด ประสิทธิภาพของ AI และหุ่นยนต์
  • ในทางประวัติศาสตร์ การเปลี่ยนแปลงรูปแบบการทำงานเกิดขึ้นซ้ำมาโดยตลอด และ AI ก็เป็นเทคโนโลยีที่ช่วยเร่ง ผลิตภาพและวิวัฒนาการของงาน เช่นกัน

Summary

• เช่นเดียวกับที่ยากจะจินตนาการถึงชีวิตที่ไม่มีอินเทอร์เน็ต ต่อจากนี้ก็น่าจะยากที่จะจินตนาการถึงโลกที่ไม่มี AI
  • AI กำลังกลายเป็น โครงสร้างพื้นฐานหลักของอุตสาหกรรมโดยรวม อย่างรวดเร็ว ทั้งในงานบริการลูกค้า การพัฒนาซอฟต์แวร์ วิทยาศาสตร์ การศึกษา และการผลิต
• ปัจจัยเร่งการแพร่หลายของ AI สู่มวลชน
  • การขยายตัวทั่วโลกของ เครื่องมือ AI แบบมัลติโหมด อย่าง ChatGPT การลดลงของต้นทุนการให้เหตุผล และการเปิดตัวโมเดลหลากหลายประเภท เป็นตัวเร่งสำคัญ
  • ตั้งแต่นักพัฒนาเดี่ยวไปจนถึงองค์กรขนาดใหญ่ การเข้าถึงและการทดลองทำได้ง่ายขึ้น จึงเร่งการกระจายของนวัตกรรม
• โครงสร้างพื้นฐานเทคโนโลยีและการลงทุน
  • การลงทุนด้านอุปกรณ์ของคลาวด์รายใหญ่ ผู้ผลิตเซมิคอนดักเตอร์ และ hyperscaler พุ่งสูงขึ้นอย่างมาก
  • เส้นแบ่งระหว่างโลกกายภาพและดิจิทัลในด้านชิป ดาต้าเซ็นเตอร์ เครือข่าย และระบบพลังงาน กำลังเลือนรางลงเรื่อย ๆ
• การแข่งขันเชิงยุทธศาสตร์ระหว่างสหรัฐฯ-จีนและอำนาจนำ AI ระดับโลก
  • สหรัฐฯ นำหน้าในด้านนวัตกรรมโมเดล ชิปแบบคัสตอม และโครงสร้างพื้นฐานคลาวด์ แต่ จีนก็กำลังเติบโตอย่างรวดเร็วด้วยโอเพนซอร์ส โครงสร้างพื้นฐาน และการสนับสนุนเชิงนโยบาย
  • ทั้งสองประเทศต่างมอง AI ว่าเป็นคานงัดสำคัญของ การเติบโตทางเศรษฐกิจ และ อิทธิพลทางภูมิรัฐศาสตร์
• การเปลี่ยนแปลงของแพลตฟอร์มและอินเทอร์เฟซ
  • AI กำลังพัฒนาจากระบบนิเวศของแอปแบบเดิม ไปสู่ อินเทอร์เฟซเชิงสนทนาแบบเอเจนต์เป็นฐาน
  • ด้วยปัจจัยอย่างอินเทอร์เน็ตผ่านดาวเทียม ทำให้ในอนาคต ผู้ใช้อินเทอร์เน็ตรายใหม่มีแนวโน้มจะเริ่มต้นด้วยประสบการณ์แบบ AI-native
• การเปลี่ยนแปลงของงานและวิธีการทำงาน
  • การนำ AI เข้าสู่ที่ทำงานกำลังเร่งตัวขึ้น โดย หน่วยของแรงงานกำลังค่อย ๆ เปลี่ยนจากมนุษย์ไปสู่พลังการประมวลผลและ AI
  • ผู้คนจำนวนมากขึ้นกำลังทำงานร่วมกับ AI และแนวโน้มที่ AI จะเข้ามาจัดระเบียบสภาพแวดล้อมการทำงานใหม่ก็ชัดเจนขึ้น
• การบรรจบกันของสถานการณ์ระหว่างประเทศและเทคโนโลยี
  • กระแสการไหลของข้อมูลและทุน เทคโนโลยีที่ถูกทำให้เป็นอาวุธ และความขัดแย้งระหว่างประชาธิปไตยกับอำนาจนิยมที่รุนแรงขึ้น กำลังเพิ่มระดับ ความไม่แน่นอน
  • อย่างไรก็ตาม นวัตกรรมยังคงเป็นหัวใจของขีดความสามารถในการแข่งขันของประเทศ และมีการชี้ว่า การลงมืออย่างรวดเร็วและกลยุทธ์ด้านพันธมิตรเป็นสิ่งสำคัญ
• บทสรุป
  • เวลาของเกม AI มาถึงแล้ว และมันกำลังทวีความเข้มข้นขึ้นเรื่อย ๆ
  • Genie (จินนี่) จะไม่กลับเข้าไปในขวดอีกต่อไป (ได้ก้าวข้ามจุดที่ไม่อาจย้อนกลับได้แล้ว)

[xguru]

มีการเผยแพร่ในรูปแบบไฟล์ PDF ด้วยเช่นกัน https://www.bondcap.com/report/pdf/Trends_Artificial_Intelligence.pdf