คู่มือสำหรับคนเกลียดฟองสบู่ AI

• ฟองสบู่ AI คือสถานการณ์ที่มีแต่การปั่นมูลค่าโดยแทบไม่มีรายได้ที่เป็นรูปธรรม และเป็นโครงสร้างที่เปราะบางมากทั้งในเชิงเศรษฐกิจและเทคโนโลยี
• NVIDIA และบิ๊กเทคเพียงไม่กี่ราย กำลังค้ำตลาดไว้ ขณะที่บริษัท AI ส่วนใหญ่กำลังบันทึก การขาดทุนมหาศาล
• ทั้งระบบนิเวศพึ่งพาการขาย GPU มากเกินไป และบริษัทที่ทำเงินได้จริงมีเพียง NVIDIA เท่านั้น
• ประสิทธิภาพการทำงาน นวัตกรรม การแทนที่งาน ฯลฯ ของ AI ถูกพูดเกินจริง และสตาร์ตอัป AI ส่วนใหญ่ก็ แค่ประคองตัวไปโดยไม่มีโมเดลธุรกิจที่ชัดเจนหรือการพลิกกลับมามีกำไร
• ทุนขนาดใหญ่และสื่อ ช่วยโหมภาพฝันเกี่ยวกับ AI ทั้งที่ความจริงเต็มไปด้วยฟังก์ชันซ้ำๆ และจำกัด ต้นทุนสูง และอนาคตที่ไม่แน่นอน

---

บทนำ: การเฝ้าระวังต่อ “ฟองสบู่ AI”

• วารสารศาสตร์ที่แท้จริงคือการ บันทึกประวัติศาสตร์และวินิจฉัยข้อเท็จจริงอย่างแม่นยำ พร้อมอธิบายสถานการณ์ปัจจุบันอย่างชัดเจนว่าเป็นสิ่งที่ “ควรเตือนภัย”
• ผู้เขียนมี ความกังวลและความระแวดระวังอย่างลึกซึ้งต่อภาพปัจจุบันของอุตสาหกรรม AI
• ความกังวลนี้ไม่ได้มาจากความอ่อนแอหรือการมองโลกในแง่ร้าย แต่เกิดจาก ความสงสัยอย่างมีสุขภาวะที่มองฟองสบู่ของตลาดและทุน รวมถึงการหลอกตัวเอง อย่างวิพากษ์วิจารณ์
• ผู้เขียนและนักวิจารณ์คนอื่นๆ ถูก ลดทอนคุณค่าเกินควร และถูกกล่าวหาว่า ‘คัดค้านเพื่อคัดค้าน’ หรือ ‘ปั่นคลิกเพื่อเอาทราฟฟิก’ เพราะไม่ยอมเดินตามตรรกะของตลาด
• แต่เป้าหมายของการวิจารณ์ไม่ใช่เพียงเพื่อเรียกร้องความสนใจ หากเพื่อ เปิดโปงการพูดเกินจริงและความเท็จในอุตสาหกรรม การเผาผลาญทุน การทำลายสิ่งแวดล้อม และโครงสร้างที่มีเพียงคนส่วนน้อยได้ประโยชน์

• ตั้งแต่ปี 2021 ผู้เขียนวิจารณ์ฟองสบู่และการปั่นกระแสต่างๆ มาอย่างต่อเนื่อง เช่น กระแสต่อต้านการทำงานจากบ้าน, ฟองสบู่โซเชียลเสียง Clubhouse, ฟองสบู่ NFT, การปั้นเรื่อง Quiet Quitting, และกรณี FTX
• สิ่งนี้ไม่ใช่แค่การเป็น ‘พวกขวางโลก’ แต่เกิดจาก การคิดเชิงวิพากษ์และความไม่ไว้วางใจอย่างมีเหตุผลต่ออำนาจและทุน
• หากดูจากสถานการณ์ล่าสุด ฟองสบู่ AI คือโครงสร้างที่เปราะบางอย่างยิ่ง ซึ่งตั้งอยู่บนความคาดหวังของตลาด บรรยากาศ (vibes) และความเชื่อแบบไม่ตั้งคำถาม
• แม้ฟองสบู่จะปรากฏชัดเจน ตลาดก็ยังปฏิเสธ หรือ เข้าใจผิดว่ามันแข็งแรงและมั่นคงกว่าความเป็นจริงมาก
• ผู้เขียนเรียกตัวเองว่า ‘hater’ และประกาศอย่างชัดเจนว่าเกลียด ความสิ้นเปลืองและความสูญเสีย การทำลายสิ่งแวดล้อม การตลาดลวงโลก และภาพลวงเรื่องการแทนที่งาน

• บทความนี้ไม่ใช่ไกด์แบบดั้งเดิม แต่เป็นเอกสารที่ สรุปอย่างกระชับถึงปัญหาเชิงแก่นและเหตุผลในการวิจารณ์ฟองสบู่ AI
• ผู้เขียนรู้สึกผิดหวังกับภาพลวงของอุตสาหกรรม AI, แนวคิด ‘เอเจนต์’ ที่ใช้การไม่ได้, ซอฟต์แวร์คลาวด์ราคาแพงที่ไร้ประโยชน์, และคำโฆษณาว่า ‘อนาคตมาถึงแล้ว’
• ในมุมมองของผู้เขียน กระแส generative AI เป็นเพียง ภาพลวงตาที่ไร้ทั้งรายได้ ผลลัพธ์ และประโยชน์ใช้สอย
• เมื่อทุกอย่างนี้พังทลายลง ขอให้จำไว้ว่าผู้เขียนได้เตือนไว้ล่วงหน้าแล้ว

จุดอ่อนของ The Magnificent 7: NVIDIA

• ณ เดือนกรกฎาคม 2025 หุ้น NVIDIA ดีดกลับแรงมาที่ 170 ดอลลาร์ แต่เมื่อต้นปีในเหตุการณ์ DeepSeek ก็เคยร่วงต่ำกว่า 100 ดอลลาร์ สะท้อนว่า ตอบสนองอย่างรุนแรงผิดปกติต่อเหตุการณ์สำคัญของตลาด
• Magnificent 7 (คิดเป็น 35% ของตลาดหุ้นสหรัฐ): NVIDIA, Microsoft, Alphabet(Google), Apple, Meta, Tesla, Amazon
  • ในกลุ่มนี้ มูลค่าตลาดของ NVIDIA คิดเป็น 19% ของ Magnificent 7
  • ผลิตภัณฑ์การลงทุนและเงินบำนาญของชาวอเมริกันจำนวนมากผูกกับกลุ่มบิ๊กเทคนี้ ดังนั้นหากฟองสบู่ AI แตก ก็อาจกระทบเศรษฐกิจจริงได้
• การพึ่งพารายได้หลักของ NVIDIA รุนแรงอย่างน่ากังวล
  • Microsoft(18.9%), Amazon(7.5%), Meta(9.3%), Alphabet(5.6%), Tesla(0.9%) รวมกันคิดเป็น 42.4% ของรายได้ทั้งหมดของ NVIDIA
  • Meta ใช้ 25% ของรายจ่ายลงทุนซื้อชิป NVIDIA และ Microsoft ใช้ 47%
  • Microsoft ยังเช่าเซิร์ฟเวอร์จาก CoreWeave และบริษัทคลาวด์น้องใหม่อย่าง CoreWeave กับ Crusoe ก็มีส่วนสร้างรายได้ให้ NVIDIA อีก 10%
• อัตราการเติบโตของผลประกอบการรายไตรมาสของ NVIDIA
  • อัตราเติบโตเมื่อเทียบรายปี: 101%, 94%, 78%, 69% (4 ไตรมาสล่าสุด)
  • อัตราเติบโตแบบรายไตรมาสชะลอลงอย่างรวดเร็วจาก 69%→59%→12%→12%
  • รายได้ดาต้าเซ็นเตอร์ (ส่วนใหญ่คือ GPU สำหรับเซิร์ฟเวอร์) อยู่ที่ 39.1 พันล้านดอลลาร์ ต่ำกว่าที่ตลาดคาดไว้ (39.4 พันล้านดอลลาร์)
  • ประกอบกับ ปัญหาในตลาดจีน (เช่น การแบน H20) ทำให้ข้อจำกัดด้านการเติบโตของรายได้ยิ่งชัดเจนขึ้น
• ความเสี่ยงของ NVIDIA
  • ต้องขาย GPU ให้เพิ่มขึ้นในทุกไตรมาสจึงจะรักษาการเติบโตไว้ได้
  • รายได้ 88% มาจาก GPU สำหรับดาต้าเซ็นเตอร์ (กล่าวคือ AI trade) และหากการซื้ออย่างต่อเนื่องจากบิ๊กเทค 5-6 รายสะดุดลง ตลาดทั้งระบบก็อาจสั่นคลอนได้
  • ในความเป็นจริง 35% ของตลาดหุ้นสหรัฐ กำลังอยู่ในโครงสร้างที่ “ประคองอยู่ได้” ด้วย การซื้อ GPU ของบริษัทเพียง 5-6 แห่ง
  • 47.87% ของกำไรใน Russell 1000 มาจาก Magnificent 7 (ข้อมูลปี 2024)
• สรุปคือ หาก การเติบโตของ NVIDIA ชะลอลงหรือรายได้ได้รับผลกระทบ ก็อาจส่งแรงกระแทกโดยตรงไปยังทั้ง Magnificent 7 และลามต่อไปถึงตลาดหุ้นสหรัฐกับตลาดเงินบำนาญ

The Hollow "AI Trade" (AI trade ที่กลวงเปล่า)

• ตรงกันข้ามกับความเข้าใจทั่วไปของตลาดที่ว่า “AI ทำเงินได้” นั้น นอกจาก NVIDIA แล้ว แทบไม่มีบริษัทใดทำกำไรจาก generative AI ได้จริง

Magnificent 7 ทุ่มเงินลงทุนด้านอุปกรณ์ (Capex) ที่เกี่ยวข้องกับ AI ไป 5.6 แสนล้านดอลลาร์ในช่วง 2 ปีระหว่าง 2024~2025 แต่รายได้จาก AI ที่สร้างขึ้นกลับมีเพียง 3.5 หมื่นล้านดอลลาร์

• หาก Meta, Amazon, Microsoft, Google, Tesla เดินหน้าตามที่ให้คำมั่นไว้ ก็จะเท่ากับลงทุน 5.6 แสนล้านดอลลาร์เพื่อสร้างรายได้เพียง 3.5 หมื่นล้านดอลลาร์
• ในความเป็นจริง บริษัทส่วนใหญ่มีเพียง ‘รายได้’ แต่ไม่มี ‘กำไร (Profit)’ เลยแม้แต่น้อย
• โครงสร้างตลาดลักษณะนี้คือ การเผาผลาญทุนที่ไร้เหตุผลอย่างสุดโต่งและอันตราย

รายได้ AI ของ Microsoft ในปี 2025: 1.3 หมื่นล้านดอลลาร์ โดยในจำนวนนี้ 1 หมื่นล้านดอลลาร์มาจากการที่ OpenAI จ่ายให้ Azure ในอัตราคิดลดที่ ‘แทบจะครอบคลุมแค่ต้นทุนการเดินระบบเซิร์ฟเวอร์’

• รายจ่ายลงทุน (Capex) ปี 2025: 8 หมื่นล้านดอลลาร์

• ณ เดือนมกราคม 2025 Microsoft ประกาศว่า รายได้ AI แบบ annualized อยู่ที่ 1.3 หมื่นล้านดอลลาร์ แต่ ในจำนวนนี้ 1 หมื่นล้านดอลลาร์ (ราว 77%) มาจากการที่ OpenAI ใช้งาน Microsoft Azure
• จำนวนเงินที่ OpenAI จ่ายนั้นเป็น ‘ค่าบริการแบบลดหนักที่อยู่ในระดับเพียงพอแค่ให้ Microsoft ครอบคลุมต้นทุนการเดินเซิร์ฟเวอร์’ ทำให้ แทบไม่เหลือกำไรที่เป็นรูปธรรม
• กล่าวได้ว่า รายได้ AI ที่ ‘แท้จริง’ ของ Microsoft มีเพียงราว 3 พันล้านดอลลาร์ คิดเป็นแค่ 3.75% ของรายจ่ายลงทุนปี 2025
• ในปี 2024 จากรายได้ AI 4.7 พันล้านดอลลาร์ ก็มี 2 พันล้านดอลลาร์มาจาก OpenAI โดยตลอด 2 ปี Microsoft ลงทุนในโครงสร้างพื้นฐาน AI ไป 1.357 แสนล้านดอลลาร์ แต่จากรายได้ AI รวม 1.77 หมื่นล้านดอลลาร์นั้น มีถึง 1.27 หมื่นล้านดอลลาร์ที่เป็นธุรกรรมภายใน
• ท้ายที่สุด ธุรกิจ AI ของ Microsoft จึงเป็นเพียงภาพภายนอกที่ถูกทำให้ดูใหญ่เกินจริง ขณะที่กำไรจริงมีน้อยมาก และส่วนใหญ่เกิดจากธุรกรรมภายในกับ OpenAI

รายได้ AI ของ Amazon ในปี 2025: 5 พันล้านดอลลาร์

• รายจ่ายลงทุน (Capex) ปี 2025: 1.05 แสนล้านดอลลาร์

• ในปี 2025 รายได้ AI ที่คาดการณ์ของ Amazon อยู่ที่ 5 พันล้านดอลลาร์ ซึ่งถือว่า น้อยมากเมื่อเทียบกับรายจ่ายลงทุนมหาศาล 1.05 แสนล้านดอลลาร์
• ในปี 2024 รายจ่ายลงทุนก็สูงถึง 8.3 หมื่นล้านดอลลาร์ แต่รายได้ AI จริงมีเพียง 2.77 พันล้านดอลลาร์ เท่านั้น
• นักวิเคราะห์คาดว่ารายได้ AI ของ Amazon อาจเพิ่มขึ้น 80% แต่ โครงสร้างผลตอบแทนเมื่อเทียบกับเงินลงทุนยังไร้ประสิทธิภาพอย่างรุนแรง
• Andy Jassy ซีอีโอของ Amazon ย้ำว่า “AI คือโอกาสทางธุรกิจที่ใหญ่ที่สุดนับจากคลาวด์ และเป็นการเปลี่ยนแปลงทางเทคโนโลยีครั้งใหญ่ที่สุดนับจากอินเทอร์เน็ต” แต่ ข้อมูลจริงไม่สามารถรองรับคำกล่าวอ้างนี้ได้
• แม้จะอัดฉีดทุนมหาศาล ก็ยังเห็นข้อจำกัดเชิงโครงสร้างที่ไม่สามารถสร้างกำไรที่มีนัยสำคัญจาก AI ได้

รายได้ AI ของ Google: สูงสุด 7.7 พันล้านดอลลาร์

• รายจ่ายฝ่ายทุน (Capex) ปี 2025: 7.5 หมื่นล้านดอลลาร์

• ในปี 2025 ประมาณการรายได้สูงสุดที่เกี่ยวข้องกับ AI ของ Google มีเพียง 7.7 พันล้านดอลลาร์ เท่านั้น และยังถือว่าเป็นตัวเลขที่ค่อนข้างเอื้อเฟื้อตามการประเมินของนักวิเคราะห์จาก Bank of America
• ในจำนวนนี้ 4.2 พันล้านดอลลาร์มาจากรายได้ค่าสมัครใช้งาน AI ภายใน Google Cloud และ 3.1 พันล้านดอลลาร์มาจากแผนพรีเมียม AI ของ Google One
  ส่วนที่เหลืออีก 1.1 พันล้านดอลลาร์เป็นรายได้จากการขึ้นราคาหลังบังคับเพิ่มฟีเจอร์ Gemini AI เข้าไปในบริการ Workspace
• แผนพรีเมียม AI ของ Google One จะทำรายได้ 3.1 พันล้านดอลลาร์ได้ก็ต่อเมื่อสมมติว่ามีผู้สมัครสมาชิกแบบชำระเงินราว 12.9 ล้านคน แต่การประเมินนี้ขาดหลักฐานรองรับในโลกความเป็นจริง
• รายได้ของ Workspace เองก็ยังพึ่งพา ผลจากการขึ้นราคาแบบบังคับกับผู้ใช้กลุ่มธุรกิจ ทำให้เกิดคำถามต่อความต่อเนื่องของการเติบโต
• เมื่อเทียบกับรายจ่ายฝ่ายทุนด้าน AI รวม 7.5 หมื่นล้านดอลลาร์ รายได้ AI ที่เกิดขึ้นจริง (ไม่ใช่กำไร) ยังอยู่ในระดับที่น้อยมาก

รายได้ AI ของ Meta: 2~3 พันล้านดอลลาร์

• รายจ่ายฝ่ายทุน (Capex) ปี 2025: 7.2 หมื่นล้านดอลลาร์

• ในปี 2025 รายได้ AI ของ Meta อยู่ที่ 2~3 พันล้านดอลลาร์ ซึ่งถือว่าน้อยมากเมื่อเทียบกับการลงทุนในโครงสร้างพื้นฐาน AI มูลค่า 7.2 หมื่นล้านดอลลาร์
• Meta ได้ บังคับผสานรวม ฟีเจอร์ generative AI (LLM, การสร้างภาพ ฯลฯ) เข้าไปใน ทุกบริการหลัก เช่น Instagram DM แต่กลับยังล้มเหลวในการ สร้างรายได้อย่างเป็นรูปธรรม จากสิ่งนี้
• ตามเอกสารที่ถูกเปิดเผยใน คดีลิขสิทธิ์ Meta เคยอ้างว่าภายในปี 2035 จะมี รายได้ AI 4.6 แสนล้านถึง 1.4 ล้านล้านดอลลาร์ แต่สิ่งนี้เป็นเพียง การพูดเกินจริงที่ไม่สมจริง
• 99% ของรายได้ทั้งหมดพึ่งพาโฆษณา และแม้รายได้จากการให้สิทธิ์ใช้งานโมเดล Llama อาจเกิดจาก พาร์ตเนอร์คลาวด์บางราย (AWS, NVIDIA, Google เป็นต้น) แต่ ยังไม่มีการเปิดเผยตัวเลขผลงานที่ชัดเจน
• ผลลัพธ์คือ ธุรกิจ AI ของ Meta ยังไม่สามารถสร้างกำไรเมื่อเทียบกับเงินลงทุนมหาศาล และมีแต่ยิ่งทำให้เกิด การเผาเงินสดจำนวนมากและความไร้ประสิทธิภาพ มากขึ้น

ดูเหมือนว่า Tesla จะไม่ทำเงินจาก generative AI

• รายจ่ายฝ่ายทุน (Capex) ปี 2025: 1.1 หมื่นล้านดอลลาร์

• Tesla แม้จะอยู่ในกลุ่ม Magnificent 7 แต่ก็เป็น บริษัทที่ห่างไกลจากกระแสการลงทุนใน generative AI มากที่สุด
• แม้ Elon Musk จะกระโดดเข้าสู่แวดวง AI ผ่าน xAI (ผู้พัฒนา Grok ซึ่งเป็น LLM ที่เป็นตัวแทนสำคัญ และเป็นเจ้าของ Twitter) แต่ xAI กำลังเผาเงินสดเดือนละ 1 พันล้านดอลลาร์ และทำรายได้เพียงปีละ 100 ล้านดอลลาร์ (หรือเดือนละ 8.3 ล้านดอลลาร์) ซึ่งน้อยมาก
• Tesla แทบไม่มีรายได้ทางตรงที่เกี่ยวข้องกับ AI และการจะลงทุนใน xAI หรือไม่ก็มีกำหนดตัดสินผ่านการลงคะแนนของผู้ถือหุ้น แต่สิ่งนี้มีลักษณะเป็นการใช้เลเวอเรจเพื่อเป้าหมายส่วนตัวของ Musk อย่างชัดเจน
• หากเงินทุนของ Tesla ถูกนำไปใส่ในธุรกิจ AI อย่าง xAI ก็มีแนวโน้มว่า โอกาสสร้างรายได้จริงจะต่ำ และกลับจะเพิ่มความเสี่ยงต่อรายได้และแบรนด์ของธุรกิจหลัก Tesla
• สรุปแล้ว Tesla ไม่ใช่ผู้ได้ประโยชน์โดยตรงจากกระแส generative AI และยังยากจะคาดหวังผลกำไรที่เป็นรูปธรรมจากการลงทุนด้าน AI

เรื่องราว AI ของ Apple ชวนให้สับสน

• รายจ่ายฝ่ายทุน (Capex) ปี 2025: ราว 1.1 หมื่นล้านดอลลาร์

• Apple ถูกมองว่าเป็นบริษัทที่ลังเลกับการนำ generative AI มาใช้มากที่สุด และเป็น บริษัทที่ตามหลังเทรนด์ AI
• หลังการเปิดตัวฟีเจอร์ Apple Intelligence ผู้ใช้หลายล้านคนกลับยิ่งรู้สึกต่อต้าน AI มากขึ้น เพราะฟีเจอร์ AI ส่วนใหญ่ (สรุปเอกสาร, เขียนอีเมล, อีโมจิแบบปรับแต่งเอง เป็นต้น) เป็น ฟีเจอร์ที่ผู้ใช้ไม่ได้ต้องการจริง
• ตลาดมองว่า Apple ตามหลังในการแข่งขัน AI และผลจากการยัดเยียด generative AI เข้ามาก็มีแต่ทำให้เสียงบ่นจากผู้ใช้เพิ่มขึ้น
• ถึงกระนั้น Apple ก็ ไม่ได้ทุ่มลงทุนมหาศาลระดับดาราศาสตร์ในโครงสร้างพื้นฐาน AI โดยมีรายจ่ายฝ่ายทุนที่เกี่ยวกับ AI อยู่ราว 1.1 หมื่นล้านดอลลาร์ ซึ่งถือว่าน้อยกว่าค่อนข้างมาก
• ในแง่ที่ว่า Apple ไม่ได้เอาเงินก้อนมหาศาลไปเดิมพันกับตลาดที่จำกัดและผลิตภัณฑ์ AI ที่ไร้ความสามารถในการทำกำไร วิธีการของ Apple จึงอาจมองได้ว่าค่อนข้างอนุรักษนิยมและรอบคอบเสียด้วยซ้ำ

The Fragile Five — Amazon, Google, Microsoft, Meta และ Tesla — กำลังค้ำตลาดหุ้นสหรัฐด้วยการอัดเงินให้เรื่องเล่าการเติบโตในอนาคตของ NVIDIA

• โครงสร้างในตอนนี้คือกลุ่มที่เรียกว่า ‘Fragile Five’ ได้แก่ Amazon, Google, Microsoft, Meta, Tesla กำลัง ค้ำตลาดหุ้นสหรัฐผ่านการซื้อ GPU ของ NVIDIA
• มูลค่าบริษัทของ NVIDIA คิดเป็นราว 8% ของตลาดหุ้นสหรัฐทั้งหมด และราว 7.5% ของ S&P 500 โดย 88% ของรายได้มาจาก GPU สำหรับองค์กรที่ใช้ใน generative AI และในจำนวนนั้น 42% พึ่งพาการซื้อจากทั้งห้าบริษัทนี้
• หากมีเพียงบริษัทเดียวในกลุ่มนี้ที่ เปลี่ยนแนวทางการลงทุนในชิป NVIDIA ก็อาจส่งผลลบโดยตรงและรุนแรงต่อทั้งตลาดสหรัฐ
• ในสถานการณ์ที่ ผลประกอบการของ NVIDIA ถูกมองเท่ากับความเชื่อมั่นของตลาด ความจริงกลับเป็นว่าบริการ AI ที่บริษัทเหล่านี้สร้างขึ้นกำลังขาดทุนมหาศาล และแทบไม่ได้ช่วยสร้างรายได้หรือกำไรจริงอย่างมีนัยสำคัญ
• แต่ละบริษัทพูดถึงเรื่อง ‘การเติบโตจาก AI’ หรือ ‘การแทนที่แรงงานด้วย AI’ ทว่าทั้งหมดนี้เป็นเพียง ท่าทีหลบเลี่ยงการเปิดเผยรายได้จริง
• หากมีการเติบโตหรือรายได้เพิ่มขึ้นจริง ก็คงประกาศต่อทั้งตลาดอย่างใหญ่โตไปแล้ว แต่สิ่งที่เกิดขึ้นคือยังคงทุ่มต้นทุนมหาศาลต่อไปเรื่อย ๆ
• ท้ายที่สุด แก่นแท้ของกระแส AI บูมก็คือการหมุนเวียนของเงินทุนรอบการซื้อ GPU ของ NVIDIA มากกว่าจะเป็นรายได้จากธุรกิจจริง

Ed! Amazon Web Services ใช้เวลาหลายปีกว่าจะทำกำไรได้! ผู้คนเคยพูดว่า Amazon จะล้มเหลว!

• หลายคนมักพูดซ้ำ ๆ ว่า “Amazon เองก็เคยขาดทุนอยู่พักใหญ่ ดังนั้น AI ก็อาจพลิกเป็นกำไรได้เมื่อเวลาผ่านไป” แต่ในความเป็นจริง Amazon Web Services (AWS) กับ อุตสาหกรรม generative AI นั้นแตกต่างกันโดยพื้นฐาน
• ในบทความ Amazon.bomb ของ Barron's เมื่อปี 1999 มีมุมมองเชิงสงสัยต่อโครงสร้างการขาดทุนของ Amazon การแข่งขันที่รุนแรงขึ้น และ ‘ความเป็นไปได้ที่จะทำกำไรได้สักวัน’
  แต่ถึงอย่างนั้น ในช่วงเวลานั้นก็ ไม่ได้มีการปฏิเสธอุปสงค์ของตลาดที่มีต่อโมเดลธุรกิจของ Amazon (อีคอมเมิร์ซออนไลน์) เอง
• AWS เองก็เคยขาดทุนในช่วงก่อนและหลังการเปิดตัวในปี 2006 แต่ก็มี อุปสงค์จริงจากตลาดที่ชัดเจนและมีอยู่แล้ว (web services, การเติบโตของทราฟฟิกออนไลน์) และหลังจากเติบโตขึ้นก็สามารถพลิกเป็นกำไรได้อย่างรวดเร็ว
• ต่างจาก AWS อุตสาหกรรม generative AI ยังไม่เคยพิสูจน์ได้ว่ามีโมเดลธุรกิจที่ชัดเจนและทำกำไรได้ หรือมีอุปสงค์ในวงกว้างอย่างแน่นอน
• เพียงเพราะความสงสัยต่อ Amazon ในอดีตพิสูจน์แล้วว่าเป็นความคิดที่ผิด จึงไม่อาจใช้เป็นเหตุผลมองโลกในแง่ดีต่อคำวิจารณ์อุตสาหกรรม AI ในปัจจุบันว่า ‘สักวันก็จะพลิกกำไรได้’ เพราะนั่นคือ การเปรียบเทียบที่ผิดโดยมองข้ามบริบทที่แตกต่างกันโดยสิ้นเชิง

แต่ขอพูดถึง Amazon Web Services กันก่อน

• Amazon Web Services(AWS) เดิมเป็นธุรกิจที่แตกออกมาจากกระบวนการที่ Amazon.com ขยายระบบเองเพื่อรองรับทราฟฟิกเว็บที่พุ่งสูงขึ้นอย่างมากและโครงสร้างพื้นฐานการให้บริการที่ซับซ้อน
• ตอนนั้นเป็นยุคอินเทอร์เน็ตช่วงแรก ๆ (ก่อนการมาของ Facebook และ Twitter) และ AWS เป็นผู้บุกเบิกการสร้างตลาดใหม่ด้วยการนำเสนอ นวัตกรรมด้านโครงสร้างพื้นฐานที่ใช้งานได้จริง เช่น cloud computing, การเช่าเซิร์ฟเวอร์ และ storage
• แม้แต่ในบทความของ Bloomberg ปี 2006 ก็ยังประเมินว่านี่คือ “การเดิมพันที่เสี่ยงอันตราย” ของ Bezos และต้องเผชิญกับความกังขาอย่างหนักจากวอลล์สตรีทและนักลงทุน
• อย่างไรก็ตาม ในเวลานั้นฮาร์ดแวร์และซอฟต์แวร์อินฟราสตรักเจอร์ได้ถูกสร้างไว้แล้ว และผู้บริหารก็มีมุมมองระยะยาวอย่างชัดเจนว่า เมื่อการลงทุนล่วงหน้าขนาดใหญ่ที่ทำต่อเนื่องมาหลายปีสิ้นสุดลง ธุรกิจก็จะเริ่มสร้างผลลัพธ์อย่างจริงจัง
• ในเวลานั้น นักวิเคราะห์ Scott W. Devitt มองในแง่ร้ายว่า “จะไม่มีผลตอบแทนทางเศรษฐกิจไปอีกหลายปี” แต่
  ในความเป็นจริง AWS สามารถดูดซับ อุปสงค์ตลาดที่มีอยู่ชัดเจนอยู่แล้ว (บริการโครงสร้างพื้นฐาน IT สำหรับองค์กรและนักพัฒนา) ได้อย่างรวดเร็ว และพลิกกลับมาทำกำไรได้สำเร็จ
• ทุกวันนี้ในกระแส AI บรรดานักวิเคราะห์จำนวนมากก็ยัง มองในแง่ดีว่า generative AI จะกลายเป็นอุตสาหกรรมที่ทำกำไรได้แบบ AWS แต่
  ในความเป็นจริง แม้แต่บริษัท IT รายใหญ่อย่าง Salesforce และ Palantir ก็ออกมายืนยันอย่างเป็นทางการว่ายังไม่มีสัญญาณว่าธุรกิจ AI จะช่วยปรับปรุงกำไรได้
• ความแตกต่างที่ชัดเจน คือ AWS เติบโตจากตลาดและความจำเป็นที่ชัดเจน ขณะที่บริการ generative AI นั้น มีเพียงความคาดหวังที่เกินจริง แต่ยังไม่สามารถพิสูจน์อุปสงค์ที่แท้จริงหรือโมเดลรายได้ได้
• ทั้งหมดนี้ย้ำว่าแม้นักวิเคราะห์ก็อาจตัดสินผิดพลาดครั้งใหญ่ได้ และ การคาดหวังความสำเร็จของธุรกิจ AI เพียงเพราะกระแสตลาดมองบวกนั้นเป็นเรื่องอันตราย

แต่ AWS ก็เผาเงินนะ Ed ทีนี้แกได้เจอจุดจบแน่!

• AWS เองก็เติบโตมาพร้อมกับการขาดทุนระยะยาวและภาระการลงทุนด้านอุปกรณ์ (Capex) มหาศาล แต่
  จนกระทั่งก่อนจะพลิกมาทำกำไรในปี 2015 นักวิเคราะห์จำนวนมาก (เช่น Katy Huberty) ก็ยัง
  ประเมินในแง่ร้ายว่า “AWS ยังขาดทุนก้อนใหญ่” และ “มีส่วนช่วยด้านกำไรต่ำ”
• ณ ปี 2014 จากเงินลงทุนด้านอุปกรณ์รวม 4.9 พันล้านดอลลาร์ของ Amazon มีสัดส่วนจำนวนมากที่ถูกใส่ลงใน AWS แต่
  ในท้ายที่สุด จาก การลงทุนสะสม 6.76 หมื่นล้านดอลลาร์ตลอด 10 ปี AWS ก็เติบโตเป็น
  ธุรกิจโครงสร้างพื้นฐานยักษ์ใหญ่ที่ทำกำไรระดับหลายพันล้านดอลลาร์ต่อไตรมาส
• และเพื่ออ้างอิง 6.76 หมื่นล้านดอลลาร์นั้นยังน้อยกว่าการลงทุนด้านอุปกรณ์ AI ของ Amazon ในปี 2024 (8.3 หมื่นล้านดอลลาร์) เสียอีก และ
  ยังมีมูลค่าเพียง 1/15 ของการลงทุน AI ทั้งหมดของ Amazon ในปี 2025
• กล่าวคือ แม้แต่ต้นทุนที่ใช้สร้างการเติบโตของ AWS ก็ยังเป็นเพียงเศษเสี้ยวเล็กมากของเงินทุนที่กำลังถูกเทลงในกระแส AI ปัจจุบัน
• ตรงกันข้าม อุตสาหกรรม generative AI กำลังเผาเงินระดับหลายหมื่นล้านถึงหลายแสนล้านดอลลาร์ในช่วงเวลาสั้น ๆ อยู่แล้ว แต่ก็ยังพิสูจน์ไม่ได้ทั้งความสามารถในการทำกำไรและศักยภาพทางตลาด
• สรุปคือ AWS ในอดีตกับ generative AI มีความแตกต่างกันโดยพื้นฐานทั้งในด้านเงินทุนที่投入ลงไป ความเป็นตลาด และความชัดเจนของการเติบโต
• ขนาดและความเร็วของการลงทุน AI ในปัจจุบันนั้นเทียบกับยุค AWS ไม่ได้เลย

Generative AI and Large Language Models Do Not Resemble Amazon Web Services or The Greater Cloud Compute Boom, As Generative AI Is Not Infrastructure

• หลายคนมัก นำ generative AI และ large language model (LLM) ไปเปรียบเทียบในระดับเดียวกับ ธุรกิจโครงสร้างพื้นฐานคลาวด์ อย่าง AWS, Azure, Google Cloud แต่ในความเป็นจริงทั้งสองธุรกิจแตกต่างกันโดยแก่นแท้อย่างสิ้นเชิง
• บริการคลาวด์อย่าง AWS มอบ โครงสร้างพื้นฐาน IT ที่ใช้งานได้จริงอย่างยืดหยุ่น ผ่านบริการอย่าง EC2 (เช่า compute) และ S3 (เช่า storage) และมีรายได้ในตลาดองค์กรอยู่แล้วระดับหลายหมื่นล้านถึงหลายแสนล้านดอลลาร์
  มันคือธุรกิจฐานรากที่มีอุปสงค์ชัดเจน และมอบประโยชน์สูงให้กับองค์กรและนักพัฒนา
• แก่นของโครงสร้างพื้นฐานคลาวด์คือ การทำให้สามารถรันบริการได้ในต้นทุนต่ำและมีเสถียรภาพจากที่ใดก็ได้ในโลก ซึ่งช่วยตัดความจำเป็นที่ลูกค้าต้องสร้างและดูแลโครงสร้างพื้นฐานเอง
• การเติบโตของ AWS เกิดจากการแก้ปัญหาและตอบสนองความต้องการที่มีอยู่ก่อนแล้วอย่างมีประสิทธิภาพ เช่น การช้อปปิ้งออนไลน์และทราฟฟิกเว็บเซอร์วิสที่เพิ่มขึ้น
  • กล่าวคือ มีความจำเป็นทางธุรกิจและอุปสงค์ของตลาดที่ชัดเจนนำมาก่อน
• ในทางกลับกัน ธุรกิจ generative AI/LLM นั้น นอกจากการทุ่มต้นทุนมหาศาลไปกับ data center และ GPU แล้ว ยังขาดทั้งความหลากหลายและความเป็นสาธารณูปโภคของอินฟราสตรักเจอร์ รวมถึงขาดอุปสงค์ตลาดที่ชัดเจน
  • ในความเป็นจริง แม้แต่สตาร์ทอัป AI ส่วนใหญ่ก็ยังต้องอาศัยอยู่บนอินฟราสตรักเจอร์ ‘ของจริง’ อย่าง AWS หรือ Azure
• สรุปแล้ว generative AI เป็นเพียงฟีเจอร์หนึ่งของโครงสร้างพื้นฐานคลาวด์เท่านั้น และ
  ไม่เคยได้รับการพิสูจน์ว่าเป็นโครงสร้างพื้นฐานอเนกประสงค์ที่สามารถเป็นฐานให้กับอุตสาหกรรมและผลิตภัณฑ์หลากหลายแบบคลาวด์ได้
  การนำกระแส AI ไปเทียบกับนวัตกรรมโครงสร้างพื้นฐานจึงเป็น ความผิดพลาดทางตรรกะ

Companies Built On Top Of Large Language Models Don't Make Much Money (In Fact, They're Likely All Deeply Unprofitable)

• บริษัทที่สร้างบน generative AI (LLM) แทบทั้งหมดขาดทุน มีเพียง Midjourney ที่เคยอ้างว่าทำกำไรได้ในปี 2022 แต่ปัจจุบันยังไม่แน่ชัด
• หากไม่นับ OpenAI, Anthropic, Cursor(Anysphere) ก็ ไม่มีบริษัทไหนมีรายได้ต่อปีเกิน 500 ล้านดอลลาร์
• มีเพียงไม่กี่รายอย่าง Midjourney, Ironclad และ Perplexity ที่มีรายได้ต่อปีระดับ 100–200 ล้านดอลลาร์ และ ทั่วโลกมีบริษัท generative AI ที่มีรายได้เกิน 100 ล้านดอลลาร์เพียง 12 แห่งเท่านั้น
• ในจำนวนนี้บางแห่งถูกเข้าซื้อกิจการไปแล้ว และ อีก 7 แห่งก็ยังอยู่เพียงระดับรายได้ต่อปีมากกว่า 50 ล้านดอลลาร์
• เมื่อเทียบกับตลาด SaaS/ซอฟต์แวร์องค์กร รายได้ระดับนี้ถือว่าน้อยมาก (เช่น Hubspot มีรายได้ต่อปี 2.6 พันล้านดอลลาร์)
• แม้เวลาจะผ่านไป 3 ปีแล้ว แม้แต่ผู้นำอย่าง OpenAI และ Anthropic ก็ยังขาดทุนระดับหลายพันล้านดอลลาร์ และบริษัทที่เติบโตขึ้นมาก็ยังขาดทั้งความนิยมในวงกว้างและความสามารถในการทำกำไร
• แม้แต่ Cursor ซึ่งเป็นกรณีเด่นก็มีรายได้ 500 ล้านดอลลาร์ แต่ก็เผยให้เห็นว่าเป็น โมเดลธุรกิจที่ยั่งยืนไม่ได้ จากนโยบายราคาที่หักโหมและข้อจำกัดของบริการ

Cursor's $500 Million "Annualized Revenue" Was Earned With A Product It No Longer Offers, And Anthropic/OpenAI Just Raised Their Prices, Increasing Cursor’s Costs Dramatically

• รายได้ annualized 500 ล้านดอลลาร์ของ Cursor นั้น แท้จริงแล้วมาจากบริการที่เลิกขายไปแล้วและไม่สามารถดำเนินต่ออย่างยั่งยืนได้
• ในเดือนมิถุนายน 2025 Anthropic และ OpenAI ปรับขึ้นราคา API และนำโครงสร้างอย่าง service tier/การประมวลผลแบบให้สิทธิ์ก่อนมาใช้ ทำให้ต้นทุนการดำเนินงานของ Cursor พุ่งสูงขึ้น
• ด้วยเหตุนี้ Cursor จึงทยอยออก นโยบายที่เสียเปรียบต่อผู้ใช้ ตามมา ไม่ว่าจะเป็นแพ็กเกจสมาชิก ข้อจำกัดการใช้งาน และการจำกัดความเร็ว
• เบื้องหลังการเติบโตของรายได้อย่างรวดเร็วของ Cursor คือ นโยบายราคาที่ฝืนหลักความคุ้มทุนอย่างสิ้นเชิง และเงื่อนไขการใช้โมเดลที่ไม่ยั่งยืน ซึ่งตอนนี้ไม่สามารถคงไว้ได้อีกแล้ว จึงทำให้คุณภาพและเงื่อนไขของบริการแย่ลง
• ในความเป็นจริง เงินลงทุนส่วนใหญ่ที่ Cursor ระดมได้ก็ ถูกจ่ายออกไปให้กับผู้ให้บริการ LLM อย่าง OpenAI และ Anthropic
• ในสภาพแวดล้อมแบบนี้ สตาร์ทอัป AI รายใดก็ยากจะสร้างโมเดลธุรกิจที่อยู่รอดถาวรได้ และกรณีโตเร็วของ Cursor เองก็ถูกพิสูจน์ในท้ายที่สุดว่าเป็นเพียง ‘การเติบโตปลอม’

> ไม่ จริง ๆ แล้วสตาร์ทอัป AI สำหรับผู้บริโภคอยู่ที่ไหนกัน?

• สตาร์ทอัป AI ฝั่งผู้บริโภคที่เป็นตัวแทนอย่าง Perplexity มีรายได้ annualized เพียง 150 ล้านดอลลาร์เท่านั้น และ
  ในปี 2024 บริษัทจ่ายเงินให้ Anthropic, OpenAI และ Amazon คิดเป็น 167% ของรายได้ ส่งผลให้ ขาดทุน 68 ล้านดอลลาร์
• ในความเป็นจริง แทบไม่มีตัวอย่างของบริการ generative AI สำหรับผู้บริโภคที่สร้างรายได้ได้อย่างเหมาะสม
• บริการ AI ใหม่ส่วนใหญ่ก็ยังคงเป็นแค่ การทำซ้ำฟีเจอร์ใน SaaS เดิม อย่างการค้นหา ระบบอัตโนมัติ หรือแชตบอต จึงยังไม่สามารถสร้างนวัตกรรมที่แท้จริงหรือ ‘ตลาดใหม่’ ขึ้นมาได้

The Generative AI Software As A Service Market Is Small, With Little Room For Growth And No Profits To Be Seen

• ตลาด Generative AI SaaS มีขนาดเล็กมากโดยรวม และไม่มีบริษัทที่เติบโตสูงและทำกำไรได้เลย
• อุตสาหกรรมนี้เน้นย้ำแต่ ‘รายได้แบบทำเป็นตัวเลขรายปี (Annualized Revenue)’ แทนรายได้จริง ซึ่งมีข้อจำกัดในการตัดสินการเติบโตและความยั่งยืนที่แท้จริง เพราะรายได้ต่อเดือนต่ำหรือมีการยกเลิกสมาชิกสูง
• หากคิดจากรายได้ต่อเดือน บริษัทส่วนใหญ่มีรายได้ไม่ถึง 10 ล้านดอลลาร์ และแม้เทียบกับรายได้ต่อเดือนของ AWS ในปี 2008 (15.75 ล้านดอลลาร์) ก็ยังตามหลังมากในด้านความเร็วการเติบโต
• นอกจาก Cursor ก็ไม่มีบริษัท SaaS ที่โดดเด่น และแม้แต่บริษัทที่อ้างว่า “เติบโตดีที่สุด” ก็ยังใช้ นโยบายราคาที่ไม่โปร่งใสและตัวชี้วัดการเติบโตที่บิดเบือน
• แม้แต่ Glean ซึ่งเป็น AI search SaaS ตัวแทน ก็ยังระดมทุนต่อเนื่องในปี 2024~2025 และประกาศว่า “บรรลุ 100M ARR” แต่หลังจากนั้นกลับมีรายได้ต่อเดือนและการเติบโตจริงที่ชะงักงัน พร้อมการขึ้นราคาแบบกะทันหัน แสดงให้เห็นว่า ขาดทั้งศักยภาพทางตลาดและการเติบโตสูงอย่างแท้จริง
• โดยรวมแล้ว ตลาด Generative AI SaaS นั้นแคบ มีพื้นที่ให้เติบโตน้อย และยังไม่มีบริษัทใดพลิกมีกำไรได้สำเร็จ

There Are No Unique Generative AI Companies — And Building A Moat Based On Technology Is Near-Impossible

• บริษัท Generative AI แทบทั้งหมดให้ฟังก์ชันเหมือนกันหมด (แชตบอต, ค้นหา·สรุป, สร้างข้อความ/ภาพ, แปลภาษา, ช่วยเขียนโค้ด ฯลฯ) ทำให้การสร้างความแตกต่างทางเทคนิคเป็นเรื่องยากอย่างยิ่ง
• ท้ายที่สุด บริษัทส่วนใหญ่พึ่งพา API ของ LLM เจ้าเดียวกัน (เช่น OpenAI, Anthropic) และทรัพย์สินทางปัญญา (IP) หลักก็เป็นของผู้ให้บริการ LLM
• แม้แต่กรณีอย่าง Cursor ที่เติบโตได้ ก็ แทบไม่มีความต่างที่เป็นสาระนอกจาก UI, พรอมป์ต์ และนโยบายราคา ขณะที่คู่แข่ง (Amazon, ByteDance ฯลฯ) ก็สามารถ ออกผลิตภัณฑ์คล้ายกันได้อย่างง่ายดาย
• การออกแบบและการดำเนินงานของบริการไม่สามารถเป็นกำแพงป้องกันทางเทคนิค (moat) ได้ และหากผู้ให้บริการโมเดลต้องการ ก็สามารถสร้าง บริการโคลน ได้ทุกเมื่อ
• ผลลัพธ์คือ ไม่มีตัวอย่างของสตาร์ตอัป Generative AI ที่มีความเป็นต้นฉบับจริง หรือสร้าง ‘คูเมือง (Moat)’ ที่ใช้ได้จริงสำเร็จ

Established Large Language Models Are A Crutch

• ในยุคบูมเทคโนโลยีที่ผ่านมา แต่ละบริษัทมักพัฒนาโมเดลและโครงสร้างพื้นฐานของตนเอง แต่ในยุค Generative AI กลับกลายเป็นว่า สตาร์ตอัปเกือบทั้งหมดพึ่งพา LLM รายใหญ่เพียงไม่กี่เจ้า (เช่น OpenAI, Anthropic)
• สุดท้ายตลาดจึงกลายสภาพเป็น โครงสร้างที่มีบริษัทเพียงสองหรือสามรายเป็นศูนย์กลาง ส่วนที่เหลือทำหน้าที่เสริมซอฟต์แวร์เชิงฟังก์ชันคล้ายผู้รับช่วงต่อ

OpenAI And Anthropic Are Their Customers' Weak Point

• ผู้ให้บริการ LLM อย่าง OpenAI และ Anthropic สามารถเปลี่ยนราคาและเงื่อนไขบริการได้ตามอำเภอใจทุกเมื่อ และเหมือนกรณีการบล็อก Windsurf ก็สามารถ คุกคามธุรกิจของลูกค้าได้โดยตรง
• บริษัทลูกค้าจึง ตกอยู่ภายใต้การพึ่งพานโยบายของผู้ให้บริการ LLM อย่างสมบูรณ์

The Limited Use Cases Are Because Large Language Models Are All Really Similar

• โมเดลภาษาขนาดใหญ่ทั้งหมดใช้ข้อมูลและสถาปัตยกรรมคล้ายกันมาก (เช่น Transformer) ทำให้สุดท้ายทั้งความแตกต่างเชิงฟังก์ชันและความหลากหลายของกรณีใช้งานก็ถูกจำกัดอย่างมาก

Generative AI Is Simply Too Expensive To Build A Sustainable Business On Top Of It

• โครงสร้างต้นทุน เช่น ค่าใช้จ่ายในการดำเนินงานและค่า API สูงเกินไป และคาดการณ์ได้ยาก
• ทั้ง OpenAI, Anthropic, Perplexity และรายอื่น ๆ ต่างแบกรับภาระต้นทุนการรักษาบริการที่หนักมากเมื่อเทียบกับรายได้ จน แทบเป็นไปไม่ได้ที่จะสร้างโมเดลธุรกิจที่ยั่งยืน

Companies Are Using The Term "Agent" To Deceive Customers and Investors

• คำว่า ‘AI agent’ แท้จริงแล้วใกล้เคียงกับการตลาดหลอกลวงที่นำแชตบอตหรือโฟลว์อัตโนมัติที่ไม่ได้ทำงานอย่างอิสระมาห่อหุ้มให้ดูน่าเชื่อถือ
• ตัวอย่างชัดเจนคือ Agentforce ของ Salesforce, ChatGPT Agent ของ OpenAI, Glean, ServiceNow ฯลฯ ที่ใช้ชื่อ ‘AI agent’ ทั้งที่ให้เพียงแชตบอตธรรมดาหรือระบบอัตโนมัติแบบ IF-THEN
• ในความเป็นจริง อัตราความสำเร็จของงานแบบขั้นตอนเดียวมีเพียง 58% และงานหลายขั้นตอนมีเพียง 35% ซึ่งห่างไกลจาก agent จริงที่ “แทนมนุษย์ได้”
• แม้แต่ coding agent ในทางปฏิบัติก็ยัง ต้องพึ่งพาการกำกับดูแลของมนุษย์ทั้งหมด ทั้งการรัน การจัดการข้อผิดพลาด และการควบคุมคุณภาพ
  • ผลการวิจัยจริงพบว่า เครื่องมือเขียนโค้ด AI ทำให้ผลิตภาพของนักพัฒนาลดลง 19%
• คำว่า ‘AI agent’ เองก็เป็นเพียงสำนวนเชิงสัญลักษณ์ที่พูดเกินจริงเพื่อชี้นำลูกค้าและนักลงทุน และสื่อก็ยังนำไปใช้ซ้ำโดยแทบไม่ตั้งคำถาม

But Really Though, Everybody Is Losing Money On Generative AI, And Nobody's Making A Profit

• ตาม รายงานของ UBS รายได้ที่เกี่ยวข้องกับ AI ของบริษัทจดทะเบียนที่ให้บริการ AI จริงนั้นมีน้อยมาก
• ตัวอย่างเช่น มูลค่าสัญญารายปี (ACV) ที่เกี่ยวข้องกับ AI ของ ServiceNow มีเพียง 250 ล้านดอลลาร์ และถึงอย่างนั้นก็ยังไม่ชัดเจนว่าเป็นรายได้ “จาก AI ล้วน ๆ” จริงหรือไม่
• Gartner คาดว่าโครงการ ‘AI agent’ มากกว่า 40% จะถูกยกเลิกกลางทางภายในปี 2027
• Adobe, Salesforce และรายอื่น ๆ ก็ประชาสัมพันธ์เรื่อง Generative AI อย่างมาก แต่รายได้แบบ annualized อยู่เพียงราว 100 ล้านดอลลาร์ และเมื่อคำนึงถึงต้นทุนแล้ว กำไรจริงแทบไม่มีหรือใกล้ขาดทุน
• ระดับรายได้เช่นนี้เล็กเกินกว่าจะเป็นผู้นำอุตสาหกรรมแห่งอนาคตได้ และขาดทั้งความสามารถในการทำกำไรและศักยภาพทางตลาดอย่างแท้จริง

OpenAI and Anthropic Are The Generative AI Industry, Are Deeply Unstable and Unsustainable, and Are Critical To The AI Trade Continuing

• OpenAI และ Anthropic ครองรายได้มากกว่าครึ่งหนึ่งของอุตสาหกรรม Generative AI แต่มีโครงสร้างที่ไม่มั่นคงอย่างมาก เพราะ ขาดทุนปีละหลายพันล้านดอลลาร์
• OpenAI กำลังระดมทุน 40,000 ล้านดอลลาร์จาก SoftBank และรายอื่น ๆ โดยในจำนวนนี้ยังมี 30,000 ล้านดอลลาร์ที่ยังไม่ได้รับการยืนยัน
  • เงินลงทุนส่วนใหญ่มีแผนจะนำไปใช้กับดาต้าเซ็นเตอร์ (เช่น Stargate) แต่ความเป็นไปได้ในการระดมทุนจริงก็ยังไม่แน่นอน
  • หากไม่สามารถเปลี่ยนเป็นบริษัทแสวงหากำไรได้ภายในปี 2025 จะสูญเสียเงิน 20,000 ล้านดอลลาร์จาก 40,000 ล้านดอลลาร์ และหากยังไม่เปลี่ยนภายในเดือนตุลาคม 2026 เงินลงทุนทั้งหมดจะถูกแปลงเป็นหนี้
  • การเจรจากับนักลงทุนหลักอย่าง Microsoft ก็ยังอยู่ในภาวะชะงักงัน
• Anthropic เองก็มีรายได้ต่อปี 4,000 ล้านดอลลาร์ แต่ขาดทุน 3,000 ล้านดอลลาร์ และยังขึ้นราคาและจำกัดบริการกับลูกค้าหลักอย่าง Cursor ซ้ำแล้วซ้ำเล่า
  • เป็น โครงสร้างธุรกิจที่ไม่มั่นคง ไร้ทั้งความสามารถในการทำกำไรและความยั่งยืน
• แม้ทั้งสองบริษัทจะ ครองมากกว่า 50% ของรายได้ทั้งหมดในตลาด Generative AI แต่ในความเป็นจริงก็ พึ่งพาโครงสร้างขาดทุนที่ไม่สร้างกำไรโดยสิ้นเชิง
• หากไม่มีเงินทุนภายนอกและการขยายโครงสร้างพื้นฐานอย่างต่อเนื่อง การอยู่รอดเองก็ยังไม่แน่นอน เป็น “อุตสาหกรรมเสี่ยง”

There Is No Real AI Adoption, Nor Is There Any Significant Revenue

• แทบไม่มีทั้งการยอมรับใช้งานจริงในวงกว้าง (adoption) และรายได้ที่มีนัยสำคัญของบริการ Generative AI
• ChatGPT ชูตัวเลข ผู้ใช้รายสัปดาห์ 500 ล้านคน แต่ ผู้สมัครสมาชิกรายเดือนแบบจ่ายเงินจริงมีเพียง 15.5 ล้านคน และในจำนวนนี้ก็มีไม่น้อยที่ใช้งานเพียงครั้งเดียว หรือใช้เพื่อการเรียน/การบ้าน ไม่ใช่เพื่อธุรกิจ
• Google Gemini และรายอื่น ๆ ก็ นับรวมกับ Google Assistant เป็นต้น เพื่อปั่นตัวเลขผู้ใช้งานจริงให้ดูสูงขึ้น ทำให้อัตราการเจาะตลาดที่แท้จริงต่ำกว่ามาก
• แม้อุตสาหกรรม สื่อ และตลาดลงทุนจะผลักกระแส AI มาแล้ว 3 ปี แต่ทั้งรายได้ จำนวนสมาชิก และระบบนิเวศก็ยังด้อยกว่าตลาด SaaS เดิมอย่างชัดเจน
• นอกจาก ChatGPT แล้ว ก็แทบไม่มีบริการ Generative AI ใดในตลาดที่มีรายได้หรือจำนวนผู้ใช้ในระดับมีนัยสำคัญ

Yes, Generative AI "Does Something," But AI Is Predominantly Marketed Based On Lies

• เป็นความจริงที่ว่า Generative AI มีความสามารถในระดับหนึ่ง (เช่น การเขียนโค้ด การค้นหา ฯลฯ) แต่ บริษัทที่เกี่ยวข้องทั้งหมดล้วนขาดทุน และในสถานการณ์ที่ ไม่มีแม้แต่บริษัทเดียวที่มีกำไร ก็ยังไม่อาจมองว่าเป็นอุตสาหกรรมที่แท้จริงได้
• มีการใช้คำอย่าง ‘Agent’, ‘AGI’, ‘Singularity’ อย่างพร่ำเพรื่อ จนกล่าวเกินจริงราวกับว่า LLM ได้ทำให้นวัตกรรมแบบอัตโนมัติและความฉลาดเกิดขึ้นจริงแล้ว
• คำกล่าวอ้างว่า AI จะมาแทนที่งานของมนุษย์ ก็เป็นเพียงการกล่าวเกินจริง/บิดเบือนโดยเจตนาเพื่อดันมูลค่าบริษัทและราคาหุ้น
• ในความเป็นจริง สื่อและการประชาสัมพันธ์ของบริษัทส่วนใหญ่ต่างขยายความสามารถของ AI ให้เกินจริง เพื่อชี้นำให้นักลงทุนและสาธารณชนเข้าใจผิด
• พฤติกรรมอย่างการโกหกหรือการหลอกลวงของโมเดล ก็เป็นผลจากการชี้นำด้วยพรอมป์ตโดยเจตนา แต่สื่อกลับนำไปใช้เพื่อกล่าวเกินจริงเรื่องความเป็นอิสระและความอันตราย
• โดยรวมแล้ว ตลาด Generative AI เป็นภาพลวงตาที่เอาอุตสาหกรรมซึ่งมีรายได้จริง 5 หมื่นล้านดอลลาร์ ไปแต่งให้ดูเป็นอุตสาหกรรมแห่งอนาคตระดับ 1 ล้านล้านดอลลาร์ และสื่อก็มีส่วนร่วมในการปั้นฟองสบู่นี้ด้วย

The AI Trade Is Entirely About GPUs, And Is Incredibly Brittle As A Result

• การซื้อขายหุ้นที่เกี่ยวกับ AI เกิดขึ้นโดย ไม่เกี่ยวกับกำไร, การเติบโตของผู้ใช้, หรือ นวัตกรรมทางเทคโนโลยี
• หุ้นของบริษัทไม่ได้ขึ้นเพราะหาเงินจาก AI ได้ แต่เคลื่อนไหวเพราะ ภาพลักษณ์และบรรยากาศที่เชื่อมโยงกับ AI
• OpenAI และบริษัทที่สร้างอยู่บนมันนั้นเปราะบางมากในเชิงธุรกิจ และโมเดลภาษาขนาดใหญ่ก็มีต้นทุนในการดำเนินงานสูงเกินไป อีกทั้งยังยากที่จะสร้างนวัตกรรมที่แตกต่างอย่างแท้จริง
• ขณะนี้อุตสาหกรรม AI ทั้งหมดมีโครงสร้างที่ พึ่งพาการขาย GPU อย่างสิ้นเชิง
• CoreWeave, Oracle, Meta และรายอื่น ๆ ต่าง ซื้อ GPU จำนวนมากจาก NVIDIA ขณะที่ Microsoft ก็เดินระบบโครงสร้างพื้นฐาน Azure ขนาดใหญ่บน GPU ของ NVIDIA เพื่อสนับสนุน OpenAI
• Microsoft, Meta, Google, Apple, Amazon และ Tesla ต่างก็ยังทำกำไรจาก AI อย่างเป็นรูปธรรมไม่ได้ และ การเติบโตของราคาหุ้นก็เกิดจากภาพลักษณ์ที่โยงกับ AI เช่นกัน
• กระแสทั้งหมดนี้ท้ายที่สุดขึ้นอยู่กับ ความสามารถของ NVIDIA ในการขาย GPU ขณะที่ตัวผลิตภัณฑ์ AI เองกลับ ไม่สามารถมอบคุณค่าทางธุรกิจที่มีความหมายได้จริง แม้บางผลิตภัณฑ์จะมีการนำไปใช้ แต่ส่วนใหญ่ก็ยังดำเนินงานโดย ยอมรับภาวะขาดทุนหนัก

I'm Alarmed!

• ตอนนี้อุตสาหกรรม AI อยู่ในภาวะ ฟองสบู่ อย่างชัดเจน
• มีการวิเคราะห์ว่า การประเมินมูลค่าสูงเกินจริงของ 10 บริษัทอันดับต้นใน S&P 500 ปัจจุบัน รุนแรงกว่าฟองสบู่ไอทีในทศวรรษ 1990
• Generative AI แทบไม่ช่วยสร้างผลลัพธ์ทางธุรกิจจริง การได้มาซึ่งผู้ใช้ การทำงานอัตโนมัติแทนแรงงาน หรือการสร้างคุณค่าที่เป็นรูปธรรม บริษัทส่วนใหญ่ทำกำไรไม่ได้และกลับขาดทุนอย่างหนัก
• ฟองสบู่ครั้งนี้ไม่ใช่แค่ปัญหาของทุนการเงิน แต่เป็น โครงสร้างเชิงสัญลักษณ์ที่พึ่งพาเพียงการขาย GPU อย่างต่อเนื่อง ในความเป็นจริง ทั้งพื้นที่และเงินทุนสำหรับเติม GPU ลงในดาต้าเซ็นเตอร์ก็มีจำกัด
• แม้จะมีการอ้างถึงการลดต้นทุนหรือการนำ ASIC (ชิปเฉพาะงาน) มาใช้ แต่ก็ยังมี หลักฐานเชิงปฏิบัติไม่เพียงพอ และยังมีความยากลำบากด้านการผลิตและการนำไปใช้งาน จนถึงตอนนี้ก็ยังคงพึ่งพา GPU ของ NVIDIA อยู่
• สื่อและบรรยากาศของตลาดกำลังช่วยโหมกระพือมายาคติแห่งความสำเร็จของ AI ที่ไร้เนื้อแท้ และเมินความจริงที่ว่าไม่มีนวัตกรรมหรือกำไรที่เป็นรูปธรรม
• NVIDIA คือทั้งพลังของตลาดและในขณะเดียวกันก็เป็น จุดอ่อนที่ใหญ่ที่สุด ทุกฝ่ายต่างพึ่งพา NVIDIA และซื้อ GPU กันเป็นจำนวนมาก แต่ในทางปฏิบัติทันทีที่ติดตั้งก็เริ่มขาดทุน
• ผลิตภัณฑ์ที่อิงกับโมเดลภาษาขนาดใหญ่ล้วนคล้ายกันไปหมด และแม้จะเผาผลาญต้นทุนมหาศาล ก็ยังได้เพียง ผลตอบแทนติดลบ
• โครงสร้างอุตสาหกรรม AI ปัจจุบันแตกต่างจาก Uber, AWS และกรณีในอดีต อีกทั้งเป็นโครงสร้างเฉพาะประหลาดที่เกิดจากการขาดแคลนไอเดียในวงการเทคโนโลยี/อุตสาหกรรม และการพึ่งพาบริษัทเดียวมากเกินไป
• คนที่ตั้งข้อสงสัยต่อ AI มักถูกเรียกร้องให้อธิบายอยู่เสมอ แต่ ฝ่ายมองโลกสวยต่อ AI กลับไม่สามารถแสดงหลักฐานที่เป็นรูปธรรมได้
• เมื่อฟองสบู่แตก ภาพลวงพื้นฐานของอุตสาหกรรม AI จะถูกเปิดโปง

• ข้อโต้แย้งต่อคำพูดที่ว่า "ต้นทุน inference กำลังลดลง?"

  • ราคาต่อโทเคนที่ลดลง ไม่ได้หมายความว่า ต้นทุน inference ลดลง และยิ่งเป็นโมเดลขนาดใหญ่ ต้นทุนจริงกลับยิ่งเพิ่มขึ้น
  • ในทางปฏิบัติ โมเดลที่เน้นการใช้เหตุผลหนัก ๆ (เช่น Claude Opus 4 เป็นต้น) กลับนำไปสู่ ต้นทุนการดำเนินงานที่เพิ่มสูงขึ้น

• ความสงสัยต่อคำกล่าวที่ว่า "การใช้ ASIC คือทางออก?"

  • แม้ OpenAI, Broadcom และรายอื่น ๆ จะพยายามพัฒนา ASIC ของตนเอง แต่ก็ยังมี ปัญหามากมายที่ยังแก้ไม่ได้ ทั้งความเป็นไปได้ในการผลิต ประสิทธิภาพจริง และความเข้ากันได้กับสถาปัตยกรรมเซิร์ฟเวอร์
  • ในความเป็นจริง Microsoft เองก็เคยมีกรณีที่ล้มเหลวในการพัฒนา ASIC ที่เชื่อถือได้
  • ต่อให้เปลี่ยนไปใช้ ASIC ได้สำเร็จ หากยอดขาย GPU ของ NVIDIA ลดลง การซื้อขายที่ขับเคลื่อนด้วย AI ทั้งหมดก็จะสั่นคลอน

• ความเสี่ยงเชิงแก่นแท้ของฟองสบู่

  • ปัจจุบันอุตสาหกรรม AI ไม่มีทั้งนวัตกรรมที่เป็นรูปธรรมและคูเมืองเชิงโครงสร้างพื้นฐานที่แท้จริง แต่ ยังคงพยุงราคาหุ้นและมูลค่าบริษัทไว้ได้ด้วยสื่อและอารมณ์ของตลาด
  • ตัวอย่างในประวัติศาสตร์ที่พอเทียบเคียงได้มีเพียง ฟองสบู่ดอตคอม และ การล่มสลายของ WeWork เป็นต้น
  • ตลาดกำลัง ยึดติดอยู่กับการที่ NVIDIA ต้องขาย GPU ต่อไปเรื่อย ๆ เท่านั้น และเป็นโครงสร้างที่เริ่มขาดทุนทันทีที่ติดตั้ง
  • ในท้ายที่สุด ผลิตภัณฑ์และโมเดลธุรกิจทั้งหมดก็ทำงานใน รูปแบบคล้ายกัน คือวงจรอุบาทว์ของต้นทุนสูง-รายได้ต่ำ

• ทั้งในและนอกอุตสาหกรรมเต็มไปด้วย ความมองโลกในแง่ดีที่ไร้เนื้อแท้ และการใช้งานจริงรวมถึงนวัตกรรมของ AI ก็ถูกกล่าวเกินจริง
• หากฟองสบู่ AI พังลง คนที่พร่ำพูดเชิงมองโลกสวยโดยไร้หลักฐานมาตลอด ก็ควรต้องรับผิดชอบ

I Don't Like What's Happening : ฉันไม่ชอบสิ่งที่กำลังเกิดขึ้นในตอนนี้

• อุตสาหกรรมเทคโนโลยีควรแสวงหา นวัตกรรม, รายได้ที่เป็นรูปธรรม, และ การเติบโตที่แท้จริง แต่ Generative AI ในปัจจุบันกลับสะท้อนความจริงที่ว่าตลาดและสื่อหมกมุ่นอยู่กับภาพลวงเรื่องการแทนที่แรงงานมนุษย์เท่านั้น
• เช่นเดียวกับข้อถกเถียงเรื่อง Rot Economy เศรษฐกิจแบบนี้คือผลของการยึดติดกับ การเติบโตเหนือทุกสิ่ง โดยไม่สนใจคุณค่าจริงหรือความสมบูรณ์ของผลิตภัณฑ์ ทำให้ LLM และ GPU กลายสภาพเป็นเพียงเครื่องมือเผาเงิน ทั้งที่กำลังสร้างสินค้าที่ในความจริงแล้วไม่มีใครชอบ แต่ก็ยังคงซื้อดาต้าเซ็นเตอร์และชิปซ้ำแล้วซ้ำเล่า
• อุตสาหกรรม AI ในตอนนี้มี โครงสร้างที่เปราะบางและอันตรายอย่างมาก ตลาดทั้งหมดสั่นคลอนได้เพียงเพราะมีอยู่แค่สี่หรือห้าบริษัทที่จะซื้่อชิปต่อหรือไม่ GPU ที่ขาดทุนทันทีเมื่อติดตั้ง ผลิตภัณฑ์ LLM ที่แทบไม่มีจุดต่างจริง และภาวะขาดทุนที่ยืดเยื้อ คือปัญหารากฐาน
• กลุ่มผู้สรรเสริญ Generative AI รวมถึงสื่อบางส่วนและผู้บริหารบางราย มีท่าทีดูแคลนต่อความเห็นเชิงวิจารณ์อย่างสม่ำเสมอ และคอยปั้นภาพลวงแทนที่จะอธิบายประโยชน์ใช้สอยหรือความเป็นนวัตกรรมที่แท้จริง แม้จะอ้างว่า AI ยิ่งใหญ่เพียงใด แต่หลักฐานที่เป็นรูปธรรมกลับมีน้อย
• LLM ไม่สามารถแยกแยะถูกผิดได้ และมักส่งต่อข้อมูลผิดพลาดด้วยน้ำเสียงน่าเชื่อถือ ส่วนผู้บริหารและผู้จัดการก็ทำทีเหมือนว่าตนฉลาดขึ้นด้วย AI และใช้มันเป็นเครื่องมือหลีกเลี่ยงการเรียนรู้จริงหรือความรับผิดชอบ
• ภาพลวงที่ใหญ่ที่สุดของ Generative AI คือ ภาพลวงของกิจกรรมทางเศรษฐกิจ กล่าวคือ ในความเป็นจริงมันไม่ได้สร้างคุณค่าที่มีนัยสำคัญ แต่กลับสร้างข้ออ้างให้ทุ่มเงินมหาศาลลงใน GPU และดาต้าเซ็นเตอร์ จนฟองสบู่ยิ่งพองตัว
• โครงสร้างนี้ต่างจาก Uber, AWS หรือกรณีอุตสาหกรรมอื่นในอดีตโดยสิ้นเชิง ยอดขายฮาร์ดแวร์ของบริษัทเดียวขึ้นอยู่กับบริษัทเพียงสี่หรือห้าราย และแค่การเปลี่ยนแปลงของการรับรู้ก็อาจทำให้โดมิโนขนาดใหญ่พังลงได้
• ทิศทางในตอนนี้กำลังนำไปสู่ ความสูญเปล่าและการทำลายล้างที่ไม่จำเป็น เงินเกษียณและงานของผู้คนจำนวนมากได้หายไปแล้ว ขณะที่บริษัทยักษ์ใหญ่ทุ่มเงินมหาศาลให้กับดาต้าเซ็นเตอร์และ GPU เพียงเพื่อแต่งตัวเลขการเติบโตรายไตรมาส
• ในท้ายที่สุด ผู้ที่ต้องรับผิดชอบต่อความปั่นป่วนของตลาด มีตัวตนชัดเจน และความเสียหายจะย้อนกลับมาสู่อุตสาหกรรมทั้งหมด ในกระบวนการนี้ สิ่งสำคัญไม่ใช่การปลูกฝังความกลัวหรือความไม่ไว้วางใจให้ผู้คน แต่คือการมองให้ชัดว่าใครคือผู้รับผิดชอบตัวจริง
• Sam Altman, Dario Amodei, Satya Nadella, Sundar Pichai, Tim Cook, Elon Musk, Mark Zuckerberg, Andy Jassy และคนอื่น ๆ ต่างมี ความรับผิดชอบต่อการผลักดันโครงสร้างเศรษฐกิจที่ไม่จำเป็นและสร้างความเสียหายนี้
  • หลังฟองสบู่แตก พวกเขาจำเป็นต้องรับผิดชอบอย่างแน่นอน
• คนทั่วไปเองก็สามารถเข้าใจโครงสร้างนี้ได้เพียงพอ และต้องตระหนักว่า อำนาจหรือทุนไม่ได้หมายถึงความถูกต้องหรือปัญญาเสมอไป จึงจะสร้างอนาคตที่ดีกว่าได้

[dojanmail]

แม้ว่า LLM จะไม่ได้ไม่มีข้อเสียเลย แต่ก็ดูเหมือนจะเห็นด้วยได้ยากว่าบริการ AI ทั้งหมดจะไม่สามารถทำกำไรได้ ผมคิดว่าในอีก 5 ปีข้างหน้า บริการแพลตฟอร์มที่มีอยู่ในปัจจุบันแทบทั้งหมดจะถูกแทนที่ด้วย AI agent

[ndrgrd]

ถ้า LLM ใช้งานได้ดีขึ้นมาจริง ๆ แล้วแต่ยังไม่ยอมลองใช้เอง แถมคอยดูแคลนและจงใจหลีกเลี่ยง แบบนั้นปัญหาก็อยู่ที่คนนั้น
แต่คุณภาพของบริการระดับผู้บริโภคในตอนนี้ยังอยู่ในระดับที่ใช้งานได้ยาก

ผมเคยลองใช้โมเดลแบบเสียเงินของบริการดัง ๆ อย่าง Perplexity, GPT และ Gemini มาแล้ว แต่ก็พอ ๆ กันหมด
ต่อให้ผมหาข้อมูลเอง แนบลิงก์ให้เอง และป้อนข้อมูลที่ต้องการให้แบบถึงปากถึงคำ มันก็ยังอ่านไม่เข้าใจ เอาแต่แต่งเรื่องขึ้นมาและพูดซ้ำแต่ข้ออ้างที่ผิด ๆ
แถมยังดื้อแบบประหลาดเหมือนกันหมด คือพอเริ่มยืนยันอะไรผิด ๆ ไปแล้วก็แก้ไม่ได้อีกเลย ทิ้งบทสนทนาทั้งหมดแล้วเริ่มใหม่ยังจะเร็วกว่า

พูดตรง ๆ คือการต้องมานั่งเถียงกับอะไรแบบนี้มันน่าหงุดหงิด มันจับใจความคำพูดไม่ได้
เอาเวลาไปเปิดเอกสารหาเอง ตรวจเอง แล้วแก้เอง ยังเร็วกว่าอีก

บริการแนว Copilot เองผมก็ลองมาหลายตัวเพื่อจะเลือกใช้สักตัว สุดท้ายก็เลิกใช้หมด
งานระดับ snippet มันทำได้ดี แต่จะหวังอะไรเกินกว่านั้นคงยาก ถ้าเป็นแบบนั้นแล้วจะเสียเวลาแชร์ข้อมูล ต่ออินเทอร์เน็ตที่อืดช้า แล้วใช้งานมันไปทำไม แค่ลงทะเบียน snippet เพิ่มอีกไม่กี่อันยังจะดีกว่า

คนที่บอกว่าได้ประสบการณ์ที่ดี ผมก็ไม่รู้ว่าใช้บริการอะไร และเอาไปใช้กับงานที่ซับซ้อนแค่ไหน

[3ae3ae]

จากประสบการณ์ที่ได้ลองใช้ Claude Code ผมรู้สึกว่าไม่ได้เหมือนมีเอเจนต์มาพัฒนาแทนเรา แต่ใกล้เคียงกับการจ้างคนนอกให้ทำแค่ช่วงที่ต้องพิมพ์โค้ดด้วยตัวเองระหว่างกระบวนการพัฒนามากกว่า

ในหลายกรณี มนุษย์ยังต้องเป็นคนออกแบบเอง และไม่ว่าใครจะมาทำตามคำสั่งก็ต้องอธิบายให้ละเอียดจนทำตามได้ตรง ๆ เลย จึงให้ความรู้สึกต่างจากที่เคยได้ยินมา

ถึงอย่างนั้นผมก็ยังใช้งานอยู่ด้วยความพอใจ แม้มันจะไม่ได้ช่วยลดงานของผมลงไปมาก แต่ระหว่างที่ AI กำลังทำงาน ผมสามารถไปทำอย่างอื่นหรือสั่ง AI ตัวอื่นต่อได้ เลยช่วยประหยัดเวลาได้ครับ

ถ้าคุณใช้ Claude Code ผมแนะนำให้ใส่คำสั่งชี้นำการให้เหตุผลที่กำหนดไว้ล่วงหน้าอย่าง think deeply หรือ ultrathink ไว้ในพรอมป์ต์ และลองเปลี่ยนเป็น plan mode ด้วย Shift+Tab แล้วค่อยทำงานดูครับ

[argo9]

ตอนที่ VisiCalc, Lotus 1-2-3 อะไรพวกนี้ออกมาแล้ว ก็ยังมีคนเคาะลูกคิดกับเครื่องคิดเลขกันอยู่... ช่องว่างของเวลาที่คนทั่วไปจะรับรู้ได้จริงมันก็มากกว่าที่คิดนะ

[GN⁺]

ความคิดเห็นจาก Hacker News

• เคยพูดกับเพื่อนไว้แบบนี้ในเดือนกรกฎาคม 2023: "พูดตรง ๆ เลยว่าฉันเป็นพวกสงสัย AI แม้ว่า AI กับ LLM จะน่าสนใจอยู่บ้าง แต่ก็เหมือนรถขับเคลื่อนอัตโนมัติเมื่อ 5 ปีก่อน คือกำลังอยู่บนจุดพีกของกระแสเกินจริงที่สร้างโดย venture capital และน่าจะอีกไม่นานฟองสบู่ก็แตก สิ่งที่ฉันสนใจในเทคโนโลยีก็คือนวัตกรรมที่เป็นประโยชน์กับคนจริง ๆ แต่ในตอนนี้ฉันยังนึกไม่ออกว่ามันจะมีประโยชน์เกินกว่าการปรับปรุงเล็กน้อยด้านการเสพคอนเทนต์ได้อย่างไร สิ่งที่มันทำได้ดีที่สุดคือสร้างคอนเทนต์ที่ดูน่าเชื่อ แต่ผลลัพธ์ที่สร้างออกมาจริง ๆ ทุกชิ้นก็ยังต้องให้ผู้เชี่ยวชาญตรวจละเอียดเรื่องข้อผิดพลาด ความคลาดเคลื่อน และ 'หลอน' ต่าง ๆ ถ้าโรงงานไหนปล่อยของเสียแบบ ChatGPT โรงงานนั้นคงโดนปิดไปแล้ว ปัญหาคืออินเทอร์เน็ตก็เต็มไปด้วยคอนเทนต์คุณภาพต่ำและแม้แต่คอนเทนต์ชวนเข้าใจผิดอยู่แล้ว การทำให้มันผลิตสิ่งเหล่านี้เพิ่มแบบอัตโนมัติเป็นฝันร้ายชัด ๆ แถมชุดข้อมูลฝึกที่ใช้กันทั่วไปก็น่าจะมีงานเขียนของครีเอเตอร์จำนวนมากถูกรวมเข้าไปโดยไม่ได้รับอนุญาต และระบบพวกนี้ก็สุดท้ายคายคำโกหกที่ถูกแต่งให้สวยงามจากแรงงานของครีเอเตอร์ออกมาโดยไม่มีค่าตอบแทนหรือการระบุที่มาเลย มันรู้สึกแย่มาก!" ตอนนี้ฉันสงสัยว่า 'การยุบตัวอย่าง spectacular ของฟองสบู่' นี้จะมาถึงเร็วแค่ไหน ตลอดชีวิตที่ผ่านมาฉันเจอฟองสบู่เทคโนโลยีใหญ่ ๆ มาประมาณ 3 ครั้ง และสัญชาตญาณบอกว่าคงอีกไม่นาน

  • ข้อสังเกตว่าประโยชน์ใช้งานไม่อาจไปไกลเกินกว่าการปรับปรุงเล็กน้อยในด้านการเสพคอนเทนต์<p>AlphaFold กำลังสร้างผลกระทบอย่างมากในวงการวิจัยทางการแพทย์ AI ไม่ได้มีแค่แชตบอต<p>ถ้าอยากดูว่า AlphaFold 3 ถูกใช้ในการค้นคว้ายาอย่างไร บทความนี้น่าอ่าน: บทความนี้. น้องสาวฉันเป็น ALS เลยสนใจเรื่องนี้เป็นการส่วนตัว และยังมีความหวังว่าความก้าวหน้าแบบ in silico เท่านั้นที่จะช่วยชีวิตน้องได้

  • ข้อสังเกตว่าผลลัพธ์ที่สร้างทั้งหมดต้องให้ผู้เชี่ยวชาญตรวจอย่างละเอียด<p>ไม่หรอก แค่โพสต์ขึ้นไปเลย พอคนมาชี้ข้อผิดพลาด อัลกอริทึมก็ถือว่าคอมเมนต์เหล่านั้นเป็น engagement เชิงบวกด้วย สำหรับคนที่แคร์จริง ๆ มันเป็นความจริงที่น่าเศร้า

• ผมเองก็สงสัยอย่างมากกับการจัดสรรทางเศรษฐกิจในตอนนี้ แต่เรื่องแบบนี้ก็มีอยู่เสมอในพื้นที่บุกเบิก<p>ในวงการ AI ผู้คนมักมองข้ามความจริงที่ว่าสถาปัตยกรรม transformer โดยเนื้อแท้คือกระบวนการเชิงดึงข้อมูลที่ระบุและขุดค้นความสัมพันธ์เชิงความหมายจากชุดข้อมูลขนาดใหญ่<p>ข้อมูลวัฒนธรรมของมนุษย์มีข้อมูลเชิงอนุมานแฝงอยู่มหาศาลจนคนฉลาดจำนวนมากเข้าใจผิดคิดว่านี่คือกลไกเชิงกำเนิด<p>เพราะงั้นแม้ทั้งวงการจะเรียกสิ่งนี้ว่า "generative" AI แต่จริง ๆ แล้วมันไม่เคยเป็นเชิงกำเนิดเลย มันแค่ดึงความหมายที่ซ่อนอยู่และเอาไป extrapolate จากค่า seed เท่านั้น<p>กลไกแบบนี้มีส่วนที่มีประโยชน์มากอยู่แล้ว มีงานจำนวนมากที่ไม่จำเป็นต้องสร้างความหมายหรือเรื่องราวใหม่<p>เราสามารถนำแพตเทิร์นเชิงความหมายที่มีอยู่ไปใช้กับข้อมูลเพื่อทำงานที่ต้องทำด้วยมือให้เป็นอัตโนมัติได้ โดยไม่ต้องนิยามอัลกอริทึมทั้งหมดที่จำเป็นต่อการบรรลุเป้าหมายด้วยซ้ำ<p>อัลกอริทึมสารพัดประโยชน์ เหมือน sonic screwdriver แค่ให้ปัญหากับตัวอย่างคำตอบมากพอ อัลกอริทึมที่ซ่อนอยู่ก็จะถูกดูดเข้าไปในพารามิเตอร์ของโมเดลและสามารถแก้ปัญหาในตระกูลที่ถูกแก้ได้สมบูรณ์แล้วทั้งหมด<p>อย่างไรก็ตาม สิ่งนี้มีประสิทธิภาพกับกลุ่มปัญหาที่ถูกแก้ได้ดีพอแล้ว หากเป็นปัญหาที่ยังไม่ถูกแก้ บางทีเครื่องมือนี้ก็อาจลองใช้แก้ได้ ถ้าเราจัดการปัญหาด้วยกรอบ generate-verify

  • อัลกอริทึมแต่ละแบบมีบทบาทต่างกัน "Generative" AI สามารถสร้างเรื่องราวหรือภาพใหม่ได้จริง และปัญหาที่ยังไม่ถูกแก้สมบูรณ์ (เช่น protein folding) ก็จัดการได้ด้วยอัลกอริทึมบางประเภท

• ผมมองว่าฟองสบู่นี้คล้ายฟองสบู่รถไฟในศตวรรษที่ 19 หรือฟองสบู่ดอทคอมรุ่นแรก คือเป็นฟองสบู่ "ที่ดี" ซึ่งสุดท้ายจะนำไปสู่การลงทุนโครงสร้างพื้นฐานที่สร้างมูลค่ามหาศาล<p>แต่ LLM ทั้งหมดทดแทนกันได้หมด (ไม่มี moat สำหรับความแตกต่าง) และรายได้ส่วนใหญ่จะมาจาก "last mile" หรือการที่ผู้เชี่ยวชาญภาคสนามนำ AI ไปประยุกต์ใช้กับงานจริง

  • ถ้าฟองสบู่ "ที่ดี" หมายถึงฮาร์ดแวร์ที่ซื้อมาเป็นจำนวนมากแล้วอีกไม่กี่ปีก็ถูกทิ้ง ก็สงสัยว่าจะนับเป็นการลงทุนโครงสร้างพื้นฐานเชิงบวกได้อย่างไร

  • อยากให้หน่วยความจำแบนด์วิดท์ที่เชื่อถือได้แพร่หลายไปบนอุปกรณ์ผู้บริโภค วงการฮาร์ดแวร์หลายเจ้ากลับละเลยเรื่องนี้อย่างน่าเสียดาย

  • ผมชอบพูดกับคนรอบตัวว่า "ถ้ามีไอเดียดี ๆ สำหรับการใช้ GPU ราคาถูกจำนวนมากให้เกิดประโยชน์จริง ก็เตรียมตัวไว้เลย" แต่ตอนนี้ก็ยังคิดไอเดียธุรกิจที่ดีจริง ๆ ไม่ออก

  • เหมือนรถไฟหรือดอทคอม ผมสงสัยว่าโครงสร้างพื้นฐานอะไรจะหลงเหลือและนำกลับมาใช้ต่อได้หลังฟองสบู่ AI แตก

• ผมคิดว่าผู้เขียนมองในแง่ร้ายเกินไป แม้จะเห็นด้วยว่าบริษัท AI ตอนนี้เผาเงินมากและไม่ยั่งยืน แต่จะสรุปว่า AI ไม่มีทางทำกำไรได้เลยก็ดูเกินไป อุตสาหกรรมทั้งวงกำลังพัฒนาเร็วมากและคุณภาพโมเดลก็ดีขึ้นทุกเดือน ต้นทุนก็กำลังลดลงเร็วด้วย เรายังหาวิธีใช้งาน AI ได้ไม่ครบถ้วนด้วยซ้ำ ถ้าหลังจากฟองสบู่นี้แล้วยังสรุปว่าไม่มีใครสามารถใช้ AI เพื่อสร้างคุณค่าและทำกำไรได้เลย นั่นก็มั่นใจในตัวเองเกินไป

  • บอกว่า "ต้นทุนลดลงเร็ว" แต่ capex ก็ยังสูงอยู่ไม่ใช่หรือ สุดท้ายก็ต้องเก็บเงินอยู่ดีไหม?

  • มันไม่ใช่แค่เรื่องกำไร ระยะยาวมันต้องให้ผลประโยชน์สุทธิกับสังคมโดยรวมด้วย ภายใต้มาตรฐานปัจจุบัน การทำกำไรนั้นง่ายมาก แค่รวบรวมผู้ใช้ สร้างการพึ่งพา ขึ้นราคา บังคับใช้ AI อะไรทำนองนั้น

  • noone คืออะไร? คุณให้ความเชื่อถือกับคำนั้นมากเกินไป

  • หลัง gpt4 มาแล้ว สมรรถนะของ foundation model แทบจะนิ่งอยู่กับที่ ตอนนี้การแข่งขันหลักอยู่ที่เครื่องมือ/การผสานรวม และเพราะเป้าหมายคือ AGI ผลิตภัณฑ์อะไรก็เลยถูกวัดจากอัตราความก้าวหน้าไปทางนั้น มีโมเดล "ล่าสุด" ออกมาเรื่อย ๆ จนรักษาผู้ใช้ไว้ยาก และผู้ใช้ก็สนใจสมรรถนะโมเดลแทบอย่างเดียว openai ฉันกำลังมองคุณอยู่นะ...<p>"พวกเขาเรียกฉันว่า bubble boy..." - คนบางคนจาก Deutsche bank

• การวิเคราะห์ละเอียดมาก แต่รู้สึกว่าผู้เขียนอินกับอารมณ์ตัวเองจนสรุปออกมาเพื่อทำให้อารมณ์นั้นดูสมเหตุสมผล ผมเห็นด้วยว่ามันเป็นฟองสบู่ และบริษัทจำนวนมากจะล้ม แต่ไม่คิดว่าอย่าง Google หรือ Anthropic จะล้ม (เว้นแต่ว่า Google จะไม่สามารถสร้างโมเดลสมรรถนะระดับเดียวกันที่ดีกว่ามากหรือถูกกว่ามากได้) Claude เขียนโค้ดได้ดีมากในภาษาที่มีข้อมูลเยอะอย่าง Python, Typescript จนไม่มีเหตุผลจะไม่จ่ายเดือนละหลายร้อยถึงอาจหลักพันดอลลาร์ (โดยมีบริษัทช่วย subsidize) ตอนนี้ทุกคนกำลังแข่งกันเพื่อให้ได้เอเจนต์และโมเดลที่ทรงพลังที่สุด สุดท้ายคอขวดจะอยู่ที่มนุษย์จะนิยาม requirement และ context ได้ดีแค่ไหน และหลังจากนั้นการแข่งขันหลักจะกลายเป็นการลดต้นทุนโมเดล ตอนนี้เรายังไม่ถึงขั้นนั้น (แต่ตอนนี้ก็จริงอยู่แล้วว่ายิ่งส่ง requirement/context ได้ดี ก็ยิ่งใช้โมเดลได้อย่างมีประสิทธิผล) เมื่อการลดต้นทุนกลายเป็นเป้าหมายหลักจริง ๆ ผมคิดว่า Google จะชนะด้วยศักยภาพด้านฮาร์ดแวร์

  • Claude มีมูลค่าหลายร้อยถึงหลายพันดอลลาร์<p>ต้นทุน inference จริงอาจอยู่ในระดับหลายพันดอลลาร์หรือมากกว่านั้น และก็ไม่มีหลักฐานว่าการให้วิศวกรใช้เพิ่มเดือนละหลายพันดอลลาร์จะเพิ่มผลิตภาพได้ถึงระดับนั้น โมเดลช่วยงาน greenfield project (โค้ดที่เขียนใหม่) ได้มากก็จริง แต่การทำวิศวกรรมจริงมีการทำซ้ำและบำรุงรักษาโค้ดเดิมอยู่มาก กล่าวคือ ส่วนต่างระหว่างเวลาที่ใช้เขียนโค้ดฟีเจอร์ใหม่เองกับเวลาที่ใช้เขียนพรอมป์ต์ให้ AI สร้างโค้ดฟีเจอร์ใหม่ออกมาคือประเด็นสำคัญ สมมติว่าส่วนต่างนั้น 10% การประหยัดเวลา 10% ด้วย AI ก็เท่ากับได้คืนสัปดาห์ละ 4 ชั่วโมง แต่ก็ไม่ได้เอา 4 ชั่วโมงนั้นไปเขียนโค้ดจริงทั้งหมด ดังนั้นผลผลิตที่เพิ่มขึ้นจริงอาจแค่ราว 5% ถ้าคิดแบบนี้ ผู้ใช้ได้ผลิตภาพเพิ่ม 5% เงินเดือนปีละ $10k บริษัทก็คงไม่จ่ายค่า AI เกินเดือนละ $500 แต่ถ้า Anthropic ต้องจ่ายต้นทุน inference เกิน $10k ต่อสัปดาห์เพื่อรองรับผู้ใช้คนหนึ่ง โครงสร้างนี้ก็ไปกันไม่ได้ ต้นทุนต้องลดลงอย่างมหาศาลก่อนถึงจะมีความหมายจริง ถ้าอีก 10 ปีข้างหน้าเป็นโลกที่วิศวกรได้แล็ปท็อปมี GPU ในตัวและใช้ AI code completion ที่เร็วมาก บริษัทก็แค่ลงทุนกับอุปกรณ์ครั้งเดียว $3k–5k เท่านั้น อนาคตของ AI coding จะไม่ใช่เรื่องของ ‘agent’ เป็นหลัก และไม่ใช่ prompt engineering ด้วย โมเดลคงไม่ดีขึ้นจากตอนนี้มากนัก และจะออกมาเรียบง่าย มาตรฐาน ใช้ได้ แต่ไม่โดดเด่นมาก สุดท้ายอนาคตที่รู้สึก ‘ธรรมดา’ ต่างหากคืออนาคตที่ดีต่อสุขภาพ

  • โดยเนื้อแท้แล้ว ผมว่าเป็นเรื่องยากที่จะทำให้มูลค่าตลาดที่ใหญ่ไปกว่าปลั๊กอิน IDE สมเหตุสมผลพอจะรองรับ valuation ของบริษัทพวกนี้

  • Claude จะทำกำไรได้จริงหรือไม่ยังเป็นเรื่องไม่แน่นอน มีคนมากพอหรือเปล่าที่จะยินดีจ่ายค่า subsidized cost จริง ๆ และยิ่งถ้าต้นทุนอยู่ในระดับที่กินสัดส่วนใหญ่ของเงินเดือนพนักงานเพิ่มหนึ่งคนก็ยิ่งน่าสงสัย

  • เมื่อดูจากการที่ครั้งหนึ่ง OpenAI เคยมี ‘ความได้เปรียบแบบถล่มทลาย’ แต่คู่แข่งตามทันในเวลาเพียงปีเดียว ก็เห็นได้ว่าช่องว่างแบบนี้ไม่ได้เป็นกำแพงที่หนามากนัก มันเป็นตลาดที่ถ้าแกนหลักอย่างบุคลากรสำคัญย้ายออกไป แบบกรณี Anthropic ก็ไล่ทันกันได้เสมอ

• ตอนนี้เรากำลังอยู่ในฟองสบู่ที่อาจเผาทำลายเศรษฐกิจส่วนใหญ่ไปเลยหรือเปล่า? ผมคิดว่าแทบจะแน่นอน แต่นั่นไม่ได้แปลว่า AI เป็นของหลอกลวง สุดท้ายแล้วฟองสบู่ดอทคอมก็แตก แต่อินเทอร์เน็ตไม่ได้หายไป และเกือบทุกอย่างที่ดอทคอมสัญญาไว้ในตอนนั้นก็เกิดขึ้นจริงในสักวัน

  • อินเทอร์เน็ตทำให้หลายอย่างเป็นไปได้ก็จริง แต่มันไม่ได้แปลโดยอัตโนมัติว่า GPU-accelerated LLM จะมาแทนแรงงานมนุษย์ส่วนใหญ่

  • ในเนื้อหาก็ยอมรับเองว่ามีกรณีใช้งานจริงที่ผู้ใช้รู้สึกว่ามีประโยชน์ การเรียกมันว่า “ของหลอก” ก็หมายถึงว่า VC สื่อ และเม็ดเงินลงทุนต่าง ๆ พูดเกินจริงไปมากกว่าประโยชน์ใช้สอยจริง การเรียกว่าฟองสบู่ไม่ได้หมายความว่ามันจะหายไปหมดและไม่กลับมาอีกเลย แต่หมายถึงว่าท้ายที่สุดความจริงจะปรากฏ บริษัทจำนวนมากจะล้ม มูลค่าประเมินจะดิ่งลง และเกิดผลกระทบเป็นลูกโซ่

  • ปัญหาของการทำนายก็คือ ‘จังหวะเวลา’ นี่แหละที่กลายเป็นการทำนายที่มีสาระจริง ๆ เราไม่รู้ว่าอะไรจะมาในอนาคต ตอนเห็น GPT-3 ครั้งแรกผมคิดว่ามันธรรมดามากจนไม่สนใจเลย เพราะงั้นตอนนี้ผมจึงไม่แน่ใจกับอนาคตมากขึ้นกว่าเดิมมาก<p>อินเทอร์เน็ตเองก็เป็นกรณีที่ ‘บางเวอร์ชันของคำสัญญาตอนแรก’ มาถูกทำให้เป็นจริงหลังเวลาผ่านไปนาน ด้วยเทคโนโลยีใหม่ที่ตอนนั้นยังไม่มีอยู่จริง คำว่า "ทิศทางถูกต้อง" แทบจะเป็นคำพ้องของคำว่า "ผิด"

  • คำกล่าวที่ว่าเกือบทุกอย่างที่ดอทคอมสัญญาไว้ได้เกิดขึ้นจริง ลองนึกถึงฟองสบู่บล็อกเชนดูสิ ทุกวันนี้คุณใช้บล็อกเชนกันมากไหม? มันเปลี่ยนอะไรได้จริงหรือเปล่า?

• ฟองสบู่จะต้องแตกสักวัน ฟองสบู่เว็บก็แตกมาแล้ว และกระบวนการนั้นจะเจ็บปวด แต่เทคโนโลยี AI จะยังอยู่และจะขับเคลื่อนการเปลี่ยนแปลงจริง เหมือนที่เว็บเคยทำ มันจะส่งผลทั้งในทางที่ดีและทางที่ไม่ดี

  • ผมขำเสมอที่ข้อถกเถียงเรื่อง AI ท้ายที่สุดแล้วเหมือนกับข้อถกเถียงเรื่องคริปโตจนแทบ ‘แยกไม่ออก’<p>(แต่ LLM มีประโยชน์ใช้สอยจริง)

  • ยุคฟองสบู่ดอทคอม NASDAQ มีอัตรา P/E เกิน 200 แต่ตอนนี้ทั้งตลาดอยู่ที่ 40 และ Nvidia อยู่ที่ 49 ทุกคนอยากบอกว่านี่ก็เป็นฟองสบู่อีกครั้ง แต่ถ้าดูจากฐาน ‘ลูกค้า’ หรือ ‘รายได้’ จริง มันไม่ใช่ฟองสบู่เลย ChatGPT แตะ MAU 100 ล้านคนได้เร็วที่สุดในประวัติศาสตร์ และว่ากันว่าอยู่ใน 5 อันดับเว็บไซต์ที่มีผู้เข้าชมมากที่สุดบนอินเทอร์เน็ต Cursor ก็ทำรายได้ถึง $500M ได้เร็วที่สุดในประวัติศาสตร์ Midjourney แม้ไม่ได้เป็นข่าวมากแล้ว แต่ก็ยังทำรายได้ต่อปีเกิน $200M และมีกำไร ถ้ามองอย่างเยือกเย็น คนใน Hacker News ต่างหากที่ความคิดเข้าใกล้คำว่า ‘ฟองสบู่’ มากกว่า แน่นอนว่ามีหลายบริษัทที่ถูกประเมินค่าสูงเกินจริงและอาจขึ้นลงแรง แต่เมื่อเห็นตัวชี้วัดเชิงรูปธรรมแบบนี้แล้ว ยังจะบอกว่า “เหมือนคริปโตทุกอย่าง” ก็เข้าใจไม่ได้จริง ๆ แบบสำรวจล่าสุดบอกว่า 48% เคยใช้ ChatGPT เพื่อปรึกษาปัญหาสุขภาพจิต (ลิงก์แบบสำรวจ). การแพร่กระจายอย่างรุนแรงระดับนี้ไม่เคยมีมาก่อนในประวัติศาสตร์มนุษย์ ตอนนี้ถึงขั้นเซิร์ฟเวอร์รองรับความต้องการไม่ไหวจนบริการล่มแทบทุกสัปดาห์ มันต่างจากฟองสบู่โดยเนื้อแท้

• ข้อโต้แย้งในเนื้อหามีน้ำหนัก แต่ถ้าตัดส่วนฟุ่มเฟือยออกจะสื่อสารได้คมและกระชับกว่านี้มาก

• น่าขันดีที่ผมเคยให้ ChatGPT สรุปเป็นภาษาฝรั่งเศสให้ แต่ผมก็เหนื่อยกับฟองสบู่ AI มากเหมือนกัน และเบื่อที่ไทม์ไลน์บน Twitter ครึ่งหนึ่งเต็มไปด้วยข่าว AI และเธรด AI

  • Reddit และ LinkedIn กลายเป็นแหล่งรวมคอนเทนต์ที่สร้างอัตโนมัติไปแล้ว ถึงอย่างนั้นถ้ารู้แพตเทิร์นก็ยังกรองและบล็อกได้ง่าย

  • AI ใช้กับงานสรุปและแปลได้ค่อนข้างดี<p>ผมจัดประเภทผลลัพธ์จาก AI ตามอัตราส่วนระหว่างข้อมูลในพรอมป์ต์+อินพุต กับปริมาณข้อมูลในเอาต์พุต<p>สรุป: เอาต์พุต < อินพุต งานความเสี่ยงต่ำแบบนี้ทำได้โอเค<p>แปล: เอาต์พุต ≈ อินพุต (ต่างกันแค่รูปแบบ/ภาษา) อันนี้ยังต้องตรวจเพิ่มอีกหน่อย<p>การขยายเชิงสร้าง: เอาต์พุต > อินพุต ความเสี่ยงอยู่ตรงนี้ เช่น ถ้าคุณให้ AI บอกรายการส่วนประกอบของชีสเบอร์เกอร์ มันอาจ ‘ใส่’ ‘ขนมปังงา’ เข้ามาเพราะอนุมานจากค่าเฉลี่ยในข้อมูลภายในของมัน มันอาจโอเคก็ได้ แต่ถ้าคุณแพ้งา มันอาจอันตรายถึงชีวิตได้ ต้องระวังเสมอกับส่วนที่เกินไปจากอินพุต โดยเนื้อแท้แล้วผลลัพธ์ที่สร้างเกินกว่าอินพุตย่อมเป็นแค่ค่า ‘เฉลี่ย’ เท่านั้น นี่จึงเป็นเหตุผลว่าทำไมของที่ AI สร้างถึงดูเป็นโคลนตม ‘แบบเฉลี่ย ๆ’

• ผมรู้สึกว่าบทความนี้สดใหม่ดี ผมเองใกล้กับฝั่ง "มองโลกในแง่ดี" มากกว่า แต่โดยรวมคิดว่ายังมีความสงสัยไม่พอ บรรยากาศตอนนี้เหมือนคนที่มีมุมมองระมัดระวังหรือวิจารณ์กลับถูกมองว่าแปลก ต่างจากเทรนด์ก่อน ๆ วงการ AI มีพวกต้มตุ๋นเยอะมากจริง ๆ และแค่เอา wrapper หรือแชตบอตมาครอบ ก็เอาอะไรมาติดป้ายว่า “ขับเคลื่อนด้วย AI” ได้หมด