ฟองสบู่ AI มีขนาดใหญ่กว่าฟองสบู่ดอตคอม 17 เท่า และใหญ่กว่าวิกฤติซับไพรม์ 4 เท่า

 (morningstar.com)
9 คะแนน โดย GN⁺ 2025-10-08 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • การลงทุนที่เกี่ยวข้องกับ AI เพิ่มขึ้นอย่างระเบิดระเบ้อ โดยได้แรงหนุนจาก อัตราดอกเบี้ยต่ำที่ถูกกดไว้โดยมนุษย์ และก่อให้เกิด ฟองสบู่ที่ใหญ่ที่สุดในประวัติศาสตร์
  • MacroStrategy Partnership ซึ่งเป็นสถาบันวิจัยอิสระ อ้างว่า ฟองสบู่ AI มีขนาดใหญ่กว่าฟองสบู่ดอตคอม 17 เท่า และใหญ่กว่าวิกฤติซับไพรม์ 4 เท่า
  • รายงานอธิบายโดยอิงจาก ทฤษฎีของ Knut Wicksell นักเศรษฐศาสตร์ในศตวรรษที่ 19 ว่า ดอกเบี้ยต่ำทำให้เกิดการจัดสรรเงินทุนอย่างไม่มีประสิทธิภาพ และทำให้บางส่วนของ GDP ถูกใช้ผิดที่
  • ยังชี้ถึง ข้อจำกัดของการพัฒนาประสิทธิภาพ LLM และการขาดความสามารถในการทำกำไร โดยยกตัวอย่างว่า แม้ต้นทุนโมเดลจะเพิ่มขึ้นทีละ 10 เท่า แต่การปรับปรุงกลับแทบไม่มี
  • นักวิเคราะห์แนะนำให้ ลดสัดส่วน AI และบริษัทแพลตฟอร์ม, เพิ่มการลงทุนในทรัพยากรและตลาดเกิดใหม่ (อินเดีย·เวียดนาม) รวมถึงใช้ กลยุทธ์ซื้อทองคำ พันธบัตรรัฐบาลสหรัฐระยะสั้น และเงินเยน

ขนาดและเหตุผลของฟองสบู่ AI

  • ช่วงหลังมานี้ สภาพแวดล้อมของ อัตราดอกเบี้ยต่ำที่ถูกกดไว้โดยมนุษย์ ได้เร่งกระแสการลงทุนใน AI
  • MacroStrategy Partnership ประเมินว่า การลงทุนใน AI ปัจจุบันเป็นฟองสบู่ที่ใหญ่ที่สุดในประวัติศาสตร์
    • คำนวณเป็น ‘Wicksellian deficit’ ที่มีขนาดเท่ากับ 17 เท่าของฟองสบู่ดอตคอม และ 4 เท่าของวิกฤติอสังหาริมทรัพย์ปี 2008
    • ไม่ได้รวมเฉพาะ AI เท่านั้น แต่ครอบคลุมถึง พื้นที่การจัดสรรทุนที่ไม่มีประสิทธิภาพจากดอกเบี้ยต่ำ ทั้งหมด เช่น อสังหาริมทรัพย์, NFT และการลงทุนแบบเวนเจอร์
  • ตาม ทฤษฎีของ Knut Wicksell การจัดสรรทุนในอุดมคติจะเกิดขึ้นเมื่อ ต้นทุนการกู้ยืมของภาคธุรกิจสูงกว่า nominal GDP อยู่ 2%p
    • มีข้ออ้างว่าเงื่อนไขนี้ถูกทำลายต่อเนื่องเป็นเวลานานจาก มาตรการผ่อนคลายเชิงปริมาณของ Fed จนทำให้เกิด การลงทุนเกินตัว

ข้อจำกัดและคำวิจารณ์ต่อเทคโนโลยี LLM

  • รายงานชี้ให้เห็น ข้อจำกัดในการขยายศักยภาพของ large language model (LLM)
    • อ้างอิงงานวิจัยที่ระบุว่าอัตราการทำงานสำเร็จของบริษัทซอฟต์แวร์แห่งหนึ่งอยู่เพียง 1.5%~34% และแม้แต่ตัวเลขนั้นก็ยังไม่สม่ำเสมอ
    • อัตราการนำ AI ไปใช้ในองค์กรขนาดใหญ่เริ่มลดลง และแม้ในตัวอย่างการใช้งานจริงก็ยังเกิดข้อผิดพลาดด้านตรรกะจำนวนมาก
  • วิเคราะห์ว่าต้นทุนการฝึกโมเดลพุ่งขึ้นอย่างมาก แต่ การปรับปรุงด้านประสิทธิภาพกลับมีเพียงเล็กน้อย
    • ต้นทุนการฝึก ChatGPT-3 อยู่ที่ 50 ล้านดอลลาร์, GPT-4 อยู่ที่ 500 ล้านดอลลาร์ และ GPT-5 แตะ 5 พันล้านดอลลาร์
    • GPT-5 ถูกประเมินว่าแทบไม่มีพัฒนาการด้านประสิทธิภาพ แม้จะเลื่อนเปิดตัวออกไปแล้วก็ตาม
  • คู่แข่งไล่ตามได้ง่าย ทำให้ในทางปฏิบัติแทบไม่มี ปราการการแข่งขัน (moat)

ปัญหาความสามารถในการทำกำไรของโมเดลธุรกิจ LLM

  • ยังมีปัญหาว่า “ยากที่จะสร้างแอปที่มี มูลค่าทางการค้า จาก LLM”
  • สิ่งที่สร้างขึ้นมักถูกนำไปใช้ซ้ำใน เกม, สาธารณสมบัติ (เช่น การบ้าน) เป็นต้น หรือไม่ก็ชนกับข้อจำกัดด้านลิขสิทธิ์
  • การทำโฆษณาให้มีประสิทธิภาพทำได้ยาก และยิ่งโมเดลพัฒนาไปหลายรุ่น ต้นทุนการฝึก ก็ยิ่งพุ่ง ขณะที่ ประโยชน์ด้านความแม่นยำ กลับลดลงอย่างรวดเร็ว
  • ท้ายที่สุด ปัญหาเรื่อง ความสามารถในการแข่งขันด้านราคา, ความสามารถในการทำกำไร และความแตกต่างระหว่างโมเดล ก็ยังคงเกิดขึ้นต่อเนื่อง
  • แม้แต่กลุ่มลูกค้าที่ใช้งานสูง สำหรับฝั่งผู้พัฒนาแล้ว ภาระต้นทุนเมื่อเทียบกับค่าสมาชิกรายเดือน ก็ยังสูงกว่า

แนวโน้มเศรษฐกิจและผลกระทบเชิงนโยบาย

  • หาก การลงทุนในดาต้าเซ็นเตอร์และผลความมั่งคั่ง (wealth effect) ถึงจุดสูงสุดแล้วเริ่มถอยลง
    • มีคำเตือนว่าเศรษฐกิจมีโอกาสสูงที่จะเข้าสู่ ภาวะถดถอย (recession) คล้ายช่วงหลังฟองสบู่ดอตคอม
  • สิ่งนี้อาจผลักเศรษฐกิจสหรัฐเข้าสู่ ภาวะเงินฝืดระยะที่ 4 (Zone 4 deflationary bust) และ
    • คาดว่า Fed และรัฐบาล Trump จะอยู่ในสถานการณ์ที่ใช้มาตรการกระตุ้นเศรษฐกิจได้ยาก
    • เช่นเดียวกับหลังวิกฤติ S&L ในช่วงต้นทศวรรษ 1990 อาจจำเป็นต้องใช้ความพยายามระยะยาวเพื่อ reflation

ข้อเสนอด้านกลยุทธ์การลงทุนของ MacroStrategy Partnership

  • เพิ่มน้ำหนักการลงทุน (Overweight): สินค้าโภคภัณฑ์ โดยเฉพาะ ตลาดเกิดใหม่อย่างอินเดียและเวียดนาม
  • ลดน้ำหนักการลงทุน (Underweight): AI และบริษัทแพลตฟอร์ม
  • คำแนะนำพอร์ตลงทุน:
    • ซื้อหุ้นที่เกี่ยวข้องกับ ทองคำ (Gold) (GDX)
    • ซื้อ พันธบัตรรัฐบาลสหรัฐระยะสั้น
    • ถือสถานะ Long ใน VIX (ดัชนีความผันผวน)
    • ซื้อเงินเยน โดยเฉพาะเมื่อเทียบกับสกุลเงินอื่นนอกเหนือจากดอลลาร์

สรุปข่าวตลาดและข่าวอื่น ๆ

  • S&P 500 ทำ สถิติสูงสุดใหม่เป็นครั้งที่ 30 ในปี 2025 ขณะที่ราคาทองคำพุ่งแรง
  • Apple ได้รับ อันดับ ‘underperform’ จาก Jefferies จากความคาดหวังร้อนแรงเกินไปต่อ iPhone จอพับ
  • Applied Materials คาดว่ารายได้ในอีก 5 ไตรมาสข้างหน้าจะลดลง 710 ล้านดอลลาร์ จากมาตรการควบคุมการส่งออกของสหรัฐ
  • BlackRock กำลังเจรจาเข้าซื้อ Aligned Data Centers มูลค่า 40 พันล้านดอลลาร์
  • กำไรที่แท้จริงของบริษัทสหรัฐ (ตามเกณฑ์ NIPA) ลดลงต่อเนื่อง 2 ไตรมาส
    • พร้อมการวิเคราะห์จาก Ned Davis Research ที่ชี้ว่า ตัวเลขคาดการณ์กำไรของ S&P 500 อาจมองโลกในแง่ดีเกินไป

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2025-10-08
ความเห็นจาก Hacker News

  • รู้สึกว่าบทความนี้ทั้งชิ้นแทบไม่มีเนื้อหาที่จับต้องได้ พออ่านจนจบก็แทบไม่มีคำอธิบายว่า ‘17 เท่า’ ในพาดหัวหมายถึงอะไร และไม่รู้ด้วยซ้ำว่าอะไรที่มากกว่า 17 เท่า

    • ไม่มีลิงก์ไปยังบันทึกงานวิจัยต้นฉบับ และไม่มีรายละเอียดของวิธีวิทยาที่ใช้ พูดเพียงว่าไม่มีโมเดลธุรกิจของ AI ซึ่งคล้ายกับที่คนพูดถึงเสิร์ชเอนจินในช่วงปลายยุค 90 มาก มันยากจะมองว่าตลาดทั้งหมดกำลังเสี่ยงแบบเดียวกับตลาดสินเชื่อเพราะ AI ต่อให้ OpenAI ล้ม ก็ไม่น่าจะทำให้บริษัทอื่นล้มตามไปหมด

    • ลองค้นกูเกิลแบบง่าย ๆ จะเห็นว่าสถาบันการเงินทั่วโลกขาดทุนจากหลักทรัพย์ที่เกี่ยวข้องกับสินเชื่อจำนองราว 1-2 ล้านล้านดอลลาร์ ตลาดอสังหาริมทรัพย์สหรัฐมีมูลค่าความเสียหาย 6 ล้านล้านดอลลาร์ และตลาดหุ้นสูญเสียเพิ่มเติมอีก 6 ล้านล้านดอลลาร์ แม้จะไม่เชื่อตัวเลขทั้งหมดแบบร้อยเปอร์เซ็นต์ แต่ขนาดประมาณนี้ถือว่าใหญ่มาก จึงยากจะเชื่อว่าฟองสบู่ AI จะใหญ่เท่าฟองสบู่ซับไพรม์ อย่างไรก็ตาม เพราะดอกเบี้ยต่ำมานาน สินทรัพย์หลายอย่างจึงถูกประเมินมูลค่าสูง และถ้าฟองสบู่แตกก็อาจตามมาด้วยการปรับฐานครั้งใหญ่และภาวะถดถอย

    • ที่มาของ ‘17 เท่า’ คือรายงานที่เขียนโดยคนชื่อ Julien Garran ซึ่งตอนนี้ถูกบทความสแปมเอาไปอ้างอิง ดูงานวิจัยโดยตรงได้จากวิดีโอนี้ ‘17 เท่า’ มาจากโมเดลเศรษฐศาสตร์มหภาคที่เรียกว่า "cumulative Wicksell spread" ซึ่งว่าด้วยความเป็นไปได้ที่ตลาดหุ้นอาจถูกประเมินค่าสูงเกินไปเพราะผลของดอกเบี้ย ไม่ได้เกี่ยวกับ AI เลย วิธีคำนวณ Wicksell spread คือทำกราฟจากการอินทิเกรต ‘อัตราการเติบโตของ GDP รายปี + 2% - อัตราดอกเบี้ยรายปี’ โดย bump ปัจจุบันใหญ่กว่ายุคดอทคอมบับเบิล 17 เท่า ตัวการวิเคราะห์เศรษฐกิจเองก็น่าสนใจ

    • ดูเหมือนลิงก์ต้นทางเดิมตอนนี้จะถูกแทนที่ด้วยรายงานของ Morningstar แล้ว

    • รู้สึกว่าข้อโต้แย้งและตัวอย่างอ่อนมาก ข้ออ้างของสถาบันวิจัยคือ "ดอกเบี้ยที่ถูกกดต่ำแบบผิดธรรมชาติทำให้การลงทุน AI พุ่งขึ้น และการลงทุนนั้นแตะขีดจำกัดการขยายตัวแล้ว" แต่ในความเป็นจริง ตั้งแต่ปี 2022 เป็นต้นมา ดอกเบี้ยพุ่งขึ้นไปสูงสุดในรอบหลายสิบปี ข้อเท็จจริงพื้นฐานนี้ยังผิด จึงทำให้ความน่าเชื่อถือลดลง นอกจากนี้ เรื่องเล่าว่าดอกเบี้ยสูงต้องกดราคาสินทรัพย์เสมอก็ผิดเช่นกัน บริษัท AI ชั้นนำมีผลตอบแทนคาดหวังระดับ 40-100% ต่อปีขึ้นไป ดังนั้นความต่างระหว่างดอกเบี้ย 1% กับ 5% แทบไม่มีความหมายต่อการตัดสินใจของ VC เลย ในยุค 80 และปลายยุค 90 ก็มีกรณีที่มูลค่าบริษัทเทคสูงมากทั้งที่ดอกเบี้ยสูง ตัวอย่างปี 2001 และ 1991 ที่ยกมาก็จริง ๆ แล้วเป็นภาวะถดถอยที่ไม่รุนแรง หลังวิกฤต S&L ต้นยุค 90 เศรษฐกิจกลับเข้าสู่ช่วงบูมด้วยซ้ำ AI น่าจะเหมาะกับงานแบบนี้มากกว่านักวิเคราะห์เงินเดือนแพงที่ไร้ประโยชน์

  • บทความนี้อ้างถึงจดหมายข่าวสำหรับสมาชิกเท่านั้น วิดีโอนี้ ดูเหมือนจะเป็นต้นทางเดียวกัน ถ้าสรุปคำพูดของ Julien Garran ก็คือ การจัดสรรทุนของสหรัฐที่ผิดพลาด (รวมถึงที่อยู่อาศัย, VC, คริปโต) มีขนาดใหญ่กว่าฟองสบู่ดอทคอม 17 เท่า และใหญ่กว่าฟองสบู่อสังหาริมทรัพย์ปี 2008 4 เท่า และเมื่อมันถูกคลี่คลาย อาจไม่ใช่แค่ภาวะเศรษฐกิจถดถอยธรรมดา แต่เป็นเหตุการณ์ที่สั่นคลอนรากฐานของโลกาภิวัตน์ซึ่งเริ่มจากยุค Thatcher-Reagan ปี 1979~82 และต่อเนื่องไปถึง WTO กับการผงาดขึ้นมาของจีน

  • คิดว่าวิศวกรรมการเงินสารพัดที่ใช้ประคองฟองสบู่ สุดท้ายก็ลงเอยไม่ดีอยู่ดี มันเป็นแบบนี้ทุกครั้ง พฤติกรรมของบริษัทที่ผิดกฎหมายหรือเล่นแร่แปรธาตุจะเกลื่อนช่วงฟองสบู่ แล้วถูกกระแสตลาดบังไว้ พอมีการปรับฐานทุกอย่างก็โผล่ออกมา

    • เพิ่งฟังพอดแคสต์ของ Prof G Markets มาไม่นาน เขาอธิบายกระบวนการแตกของฟองสบู่ไว้ได้สนุก สรุปคือ บริษัทออกหนี้เพื่อระดมทุน จากนั้นเกิด M&A, การ IPO ของ OpenAI เป็นต้น แล้วเมื่อกลเม็ดปั๊มรายได้ไม่สามารถตอบสนองความคาดหวังของตลาดได้ ก็พังอย่างรวดเร็ว

    • ปัญหาจริงคือ ‘การทำให้ความเสี่ยงเป็นภาระของสังคมในช่วงปรับโครงสร้าง’ ถ้ารัฐส่งสัญญาณตลอดว่าสุดท้ายจะเข้ามาช่วยอุ้ม ทุกคนก็จะกล้าเสี่ยงแบบไม่ลืมหูลืมตา ยิ่งใหญ่ก็ยิ่งได้รับการช่วยเหลือ

    • ตำแหน่งที่ดีที่สุดในฟองสบู่คือการอยู่ตรงกลางของดีลซื้อขาย

  • ผมกังวลที่มูลค่าบริษัทเทียบกับรายได้สูงจนดูอันตราย แต่เพราะ AI เป็นเทคโนโลยีอเนกประสงค์ จึงยังลังเลที่จะถอนตัวจากตลาดทั้งหมด ยุคดอทคอมบับเบิลก็คล้ายกัน แต่สุดท้ายตัวเทคโนโลยีอยู่รอดและก่อให้เกิดบิ๊กเทค แม้จะมีความเจ็บปวดครั้งใหญ่และบริษัทอย่าง pets.com หายไป หากตอนนี้เป็นช่วงแบบนั้นอีกครั้ง ก็เลยยังสงสัยว่าการออกจากตลาดไปเลยจะเป็นทางเลือกที่ถูกจริงหรือไม่

    • ตอนดอทคอมบับเบิล NASDAQ ร่วงเกือบ 80% และแน่นอนว่าเป็นการพังแบบที่ใครก็อยากหลบให้พ้นล่วงหน้า แต่การพังมักมาเร็วมาก และไม่ง่ายเลยที่จะหนีออกมาก่อน ถ้าระหว่างตลาดถล่มขาดทุนวันละ 20% จิตใจก็จะหวั่นไหวว่าควรขายหรือรอต่อ ตอนนี้ยังมี 'circuit breaker' ที่หยุดตลาดชั่วคราวด้วย ถ้ารู้ตัวช้าไปไม่กี่ชั่วโมงก็อาจโดนหยุดซื้อขายไปแล้ว ถ้าทุกคนขายพร้อมกัน ราคาตอนตลาดกลับมาเปิดอาจต่ำลงไปมากอีก

    • อยากถามว่าคุณเคยดูประมาณการรายได้ของ OpenAI หรือยัง

  • บริษัทลงทุนจากตะวันออกกลางและกองทุนความมั่งคั่งแห่งชาติของซาอุดี, Masayoshi Son, a16z, บอร์ด Tesla และคนกลุ่มคล้าย ๆ กัน ดูเหมือนลงทุนกันแบบหลุดจากโลกความจริงไปหน่อย ไม่เหมือนใส่ใจผลประโยชน์ของนักลงทุนและผู้ถือหุ้นเลย สงสัยว่าพวกเขาเชื่อว่าตัวเองเป็น TBTF (Too Big To Fail, ใหญ่เกินกว่าจะปล่อยให้ล้ม) หรือเปล่า แม้แต่ JD Vance ก็ชวนให้สงสัยว่าอยู่ใต้อิทธิพลนี้หรือไม่ ขนาดของฟองสบู่ก็เรื่องหนึ่ง แต่สิ่งที่น่ากลัวกว่าคือท่าทีแบบชัดเจนว่าบางคนคิดว่า ‘ยังไงก็ไม่ต้องรับผิดชอบ’

    • พวกนี้ก็เหมือนเดิม ถ้าการพนันของตัวเองจบไม่สวย ก็จะปลุกความกลัวด้วยวาทะแบบ "ไม่งั้นจีนจะแซงพวกเรา(ประชาชน)" สำหรับประชาชนทั่วไป คำว่า ‘พวกเรา’ จะรวมพวกเขาเข้าไปก็ต่อเมื่อ Sam Altman ต้องการเงินกองทุนสาธารณะเท่านั้น

    • อาจจะฟังดูประชด แต่สุดท้ายคนพวกนี้ก็น่าจะเอาตัวรอดจากความรับผิดได้จริง คนผิดตัวจะเป็นฝ่ายโดนลงโทษ แล้วพวกเขาก็จะพูดว่า "ไม่คิดเลยว่าเรื่องแบบนี้จะเกิดขึ้น" แล้วเดินจากไป

  • เป็นการทดลองทางสมมติฐานที่น่าสนใจ ถ้ามีนวัตกรรมที่ทำให้ต้นทุนการเทรน LLM ลดลง 90% แต่ประสิทธิภาพเท่าเดิม จะเกิดอะไรขึ้น? (ช่วงนี้ก็มีงานวิจัยแนวนี้จากจีนออกมา) ถ้าความต้องการ GPU ลดลงอย่างมาก โครงสร้างเศรษฐกิจของกระแส AI บูมจะเปลี่ยนไปอย่างไรบ้างก็น่าสนใจ

    • ถ้าการเทรนถูกลง ต้นทุนก็ลดลง โมเดลก็ถูกลงและทำกำไรดีขึ้น เราสร้างโมเดลใหญ่ขึ้น เร็วขึ้น และได้มากขึ้น และยังมีโมเดลขนาดเล็กที่มีประสิทธิภาพขึ้นผ่าน distillation ด้วย การเทรนเป็นต้นทุนล้วน ๆ แต่ถ้ามองข้ามต้นทุนเทรนไป การทำ inference มีความสามารถทำกำไรสูงมาก ต้นทุนเทรนที่ลดลงจึงช่วยธุรกิจ LLM อย่างมาก

    • เรื่องนี้ไม่ได้ใช้กับ AI อย่างเดียว แต่ใช้กับ IT โดยรวมด้วย ดาต้าเซ็นเตอร์ก็สร้างให้ถูกและมีประสิทธิภาพกว่าเดิมได้ สมาร์ตโฟนก็ใช้งานได้นานขึ้น สุดท้ายบริษัทต่าง ๆ ไม่อยากเข้าร่วมตลาดที่แข่งขันจนราคาลดลงเรื่อย ๆ (race to the bottom) ผมมองว่านวัตกรรมที่ทำให้การเทรน LLM ถูกลงจะเริ่มแพร่จริงจังก็ต่อเมื่อความสามารถในการขยายดาต้าเซ็นเตอร์ถูกใช้จนเกือบหมดแล้ว

    • เหมือน Jevons paradox จริง ๆ แล้วอุปสงค์อาจไม่ได้ลดลงเลย Nvidia หรือแล็บวิจัยใหญ่ ๆ อาจโดนลด valuation ลง แต่ก็ยังอยู่ในสถานะที่ค่อนข้างดี ผลลัพธ์ล่าสุดจากจีนผ่านเบนช์มาร์กก็จริง แต่ยังไม่ได้แปลว่ามีความสามารถแข่งขันจริงในภาคปฏิบัติ

    • ในความเป็นจริงก็มีเกร็ดทำนองนั้นอยู่เหมือนกัน เคยมีกรณีที่แค่มีคนไปทำ optimization แล้วเกิดข่าวดี มูลค่าตลาดหายไปทีเดียว 1 พันล้านดอลลาร์ ฟังดูตลกเมื่อมองจากภายนอก แต่กลิ่นฟองสบู่ชัดมาก

    • ปัญหานี้ใหญ่กว่านั้นอีก ถ้างานหนึ่งแทบไม่มีพื้นที่ให้ผิดพลาดเลย LLM ก็ไม่เหมาะ แต่ถ้ายอมรับความผิดพลาดได้เพิ่มขึ้นอีกนิด คุณก็สามารถรันอะไรอย่าง deepseek แบบโลคัลได้ในต้นทุนต่ำมาก สุดท้ายดาต้าเซ็นเตอร์ขนาดใหญ่จึงมีไว้เพื่อการเทรนเป็นหลักเท่านั้น และสำหรับคนส่วนใหญ่ บริการ inference ไม่ได้สมเหตุสมผลทางเศรษฐกิจ นี่เป็นประเด็นที่อาจก่อปฏิกิริยาลูกโซ่ทางการเงินครั้งใหญ่ในอนาคต

  • สิ่งที่บทความนี้มองข้ามคือการสเกลของ LLM ไม่ได้เป็นเส้นโค้งเดียว RL (reinforcement learning) เป็นลักษณะสไปก์ที่เพิ่มความสามารถบางอย่างเฉพาะจุด ไม่ใช่เพิ่มสติปัญญาของโมเดลทั้งระบบ แต่เป็นการใช้ RL ไปอุดรูรั่วในบางโดเมน ในโลกจริงจึงไม่ได้มีเส้นสเกลลิงเส้นเดียว แต่มีเป็นพัน ๆ เส้น การยกระดับ ‘สติปัญญาระดับสูงสุด’ ของโมเดลกำลังเข้าสู่ช่วงผลตอบแทนลดลง แต่ ‘ระดับขั้นต่ำ’ ในหลากหลายโดเมนกลับถูกยกขึ้นเรื่อย ๆ จุดนี้คนที่ไม่ได้ประเมินโมเดลด้วยตัวเองในงานจริงอาจไม่ค่อยรู้

  • สุดสัปดาห์นี้ผมลองรันโมเดล Llama 3.2-3B ดู แม้ยังต้องสำรวจขีดจำกัดให้ลึกกว่านี้ แต่รู้สึกว่าใช้งานได้เลย มันรันได้เร็วระดับ ‘เท่าความเร็วการอ่าน’ แม้บน Intel Arc GPU ราคา 100 ปอนด์ ผมอยากซื้อ Arc770 (250 ปอนด์) มาลองด้วยว่าจะรันโมเดล open weight ของ OpenAI ได้ไหม มองแบบนี้แล้วก็ทำให้คิดว่าการลงทุนขนาดมหาศาลอาจถูกดูดซับไปได้ง่ายจากการนำ LLM ไปใช้เชิงพาณิชย์

  • มีการประเมินกันว่าฟองสบู่ AI ตอนนี้คิดเป็น 20-30% ของตลาดหุ้นทั้งหมด ขณะที่ Great Depression เริ่มต้นจากตลาดหุ้นร่วง 24% คนที่กำกับเกม AI นี้รู้ว่าถ้าปล่อยให้รัฐบาลไม่แทรกแซงอย่างเป็นธรรมชาติ ก็อาจเกิดภาวะเศรษฐกิจตกต่ำครั้งใหญ่อีกครั้ง ดังนั้นสุดท้ายรัฐต้องเข้ามาอุ้มแน่นอน ชนชั้นแรงงานจะต้องแบกรับเงินเฟ้อ ภาษีสูง และหนี้สาธารณะที่เพิ่มขึ้น ขณะที่ชนชั้นปกครองก็ใช้ชีวิตกับเรือยอชต์และ Lamborghini ต่อไป ฟองสบู่ AI ครั้งนี้แทบทั้งหมดซ่อนอยู่หลัง private equity ทำให้คนธรรมดาแทบไม่มีโอกาสเข้าถึง ยกเว้นอาจจะหุ้น Nvidia บ้าง บรรยากาศเหมือนฟองสบู่ใกล้แตกเต็มที Nvidia ดูเหมือนกำลังเข้าสู่ช่วงสุดท้ายของการหมุนหนี้ ผ่านการลงทุนวนลูปแบบ ‘ใช้เงินตัวเองซื้อของตัวเอง’ ให้กับดาต้าเซ็นเตอร์ของ OpenAI (ปล่อยเงินให้กันแล้วให้ไปซื้อสินค้าตัวเองในราคาแพง) คล้ายกับวิธีที่ CEO ของ WeWork เคยให้บริษัทกู้เงินจากตัวเองแล้วเช่าทรัพย์สินของตัวเอง AMD เองก็เพิ่งทำดีลวนลูปทางการเงินคล้าย ๆ กับ OpenAI เช่นกัน มีบทความที่เกี่ยวข้องด้วย จนรู้สึกว่าการถกเรื่องฟองสบู่ตอนนี้ยังมีความหมายหรือเปล่า วงการนี้เหมือนเต็มไปด้วยพฤติกรรมแบบในหนัง ‘The Wolf of Wall Street’ ที่ว่า “อย่าปล่อยให้พวกเขาขายเป็นเงินสดได้เด็ดขาด งั้นมันก็จะไม่กลายเป็นความจริง”

    • ผมนึกถึงปรากฏการณ์แบบ "ผู้เล่นแต่ละรายลงทุนวนกันเองเพื่อพยุงกันไว้" จากตอนที่ AMD กับ OpenAI ประกาศ strategic partnership ล่าสุด แค่ข่าวนั้นข่าวเดียว AMD ก็พุ่งเกือบ 35% ในวันเดียว

    • ฟองสบู่ไม่ได้มีแค่ AI SpaceX ก็เหมือนกัน แม้ Falcon 9 จะเป็นธุรกิจที่ประสบความสำเร็จ แต่ 2/3 ของการปล่อยจรวดเป็นการส่ง Starlink ซึ่งเป็นดีลภายในที่ไม่มีรายได้จากภายนอก ถึงอย่างนั้น แม้จะปล่อยมากกว่า ULA 25 เท่า แต่มูลค่า SpaceX ก็สูงกว่า ULA ถึง 200 เท่า

    • รูปแบบ "ฉันจะให้คุณกู้เงิน แล้วคุณเอาไปซื้อของฉัน" ผมคิดว่าจะเกิดขึ้นแม้กระทั่งระหว่างประเทศ สหรัฐปล่อยกู้ให้ญี่ปุ่น แล้วญี่ปุ่นเอาเงินนั้นกลับมาลงทุนในสหรัฐ จากนั้นก็ทำให้ทุกอย่างดูเหมือนถูกกฎหมาย

    • ผมสงสัยว่าคำอธิบายสองอย่างนี้จะจริงพร้อมกันได้ไหม คือ ‘ฟองสบู่ AI คิดเป็น 20-30% ของตลาดหุ้น’ และ ‘มันแทบทั้งหมดซ่อนอยู่หลัง private equity’

  • เพิ่งรู้เป็นครั้งแรกว่ามีแนวคิดเรื่องการปล่อยกู้โดยใช้ GPU เป็นหลักประกันอยู่ด้วย ซึ่งดูเสี่ยงมาก

    • ไม่ใช่แค่เสี่ยง แต่แทบจะบ้าดีเดือดเลย GPU พอติดตั้งใช้งาน มูลค่าก็ดิ่งลงทันที

    • เอาจริง ๆ ถ้าธนาคารต้องเป็นฝ่ายขาดทุนแต่ไม่มีการเอาภาษีของผมไปใช้กู้วิกฤตก็ไม่เป็นไรหรอก แต่ในโลกจริงมันไม่เป็นแบบนั้น