นำโมเดล OpenAI สู่ Amazon Bedrock: บทสัมภาษณ์ CEO ของ OpenAI และ AWS

 (stratechery.com)
2 คะแนน โดย GN⁺ 2026-04-29 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • โมเดล frontier ของ OpenAI เข้ามาอยู่ใน AWS native agent runtime ของ Amazon Bedrock โดยไม่ได้เป็นเพียงการให้บริการโมเดล แต่เป็นการผสานในรูปแบบ managed agent สำหรับองค์กร
  • Bedrock Managed Agents รวม identity, permissions, logging, governance และ deployment เข้าไว้ด้วยกัน ทำให้องค์กรรันเอเจนต์ได้เร็วขึ้นโดยไม่ต้องประกอบชิ้นส่วนเหล่านี้เอง
  • ปัจจุบันประสิทธิภาพของเอเจนต์ไม่ได้ขึ้นอยู่กับแค่ ตัวโมเดล เท่านั้น แต่ยังขึ้นอยู่มากกับ ระดับการผสานของ harness ที่รวม tools, state, memory, permissions และ evals โดย AWS และ OpenAI กำลังดูแลการผสานนี้ในฐานะผลิตภัณฑ์ร่วม
  • ข้อมูลของลูกค้ายังคงอยู่ ภายใน AWS VPC ส่วนโมเดล OpenAI จะรันผ่าน Bedrock และช่องทางซัพพอร์ตจะดำเนินการโดย AWS เป็นหลัก
  • เช่นเดียวกับคลาวด์ยุคแรกที่เปิดทางให้สตาร์ทอัพ ความร่วมมือครั้งนี้ก็อยู่บนแนวโน้มของการ ลดอุปสรรคในการนำ AI มาใช้ และยังสะท้อนความพยายามในการยึดตำแหน่งเป็นแพลตฟอร์มชั้นใหม่ ท่ามกลางความต้องการ frontier ที่เติบโตอย่างรวดเร็ว

AWS กับสตาร์ทอัพ และความเร็วในการนำ AI มาใช้

  • โมเดลคลาวด์ยุคแรกของ AWS ทำให้โครงสร้างพื้นฐานที่แต่เดิมมีได้เฉพาะองค์กรขนาดใหญ่ กลายเป็นสิ่งที่ใช้งานได้ด้วยเงินไม่กี่ดอลลาร์และบัตรเครดิต พร้อมเปิดพื้นที่การสร้างสรรค์บนอินเทอร์เน็ตอย่างมาก ด้วยแนวทางที่ไม่กำหนดล่วงหน้าว่านักพัฒนาจะต้องสร้างอะไร
  • ผลกระทบจากการนำ AI มาใช้ ก็ถูกประเมินว่าใกล้เคียงหรืออาจมากกว่านั้น
    • โครงสร้างที่ต้องเรียนเขียนโค้ดนาน 10 ปีจึงจะสร้างแอปพลิเคชันได้ กำลังอ่อนตัวลง
    • แม้ไม่มีทีมหลายร้อยคนและระยะเวลาพัฒนาที่ยาวนาน ทีมขนาดเล็ก ก็สามารถสร้างสิ่งต่าง ๆ ได้อย่างรวดเร็วและปรับปรุงซ้ำได้ต่อเนื่อง
    • AI กำลังทำหน้าที่เป็นเครื่องมือเปิดนวัตกรรมใหม่ในหลายพื้นที่ทั่วโลก
  • ต่างจากช่วงเริ่มต้นของคลาวด์ ความเร็วในการยอมรับ AI กำลังเกิดขึ้นอย่างรวดเร็วมาก
    • ในปี 2006 คลาวด์ยังต้องอธิบายกันยาวว่า "ทำไมบริษัทขายหนังสือถึงมาให้บริการคอมพิวติ้ง" แต่ผู้คนเข้าใจ AI ได้เร็วกว่ามาก
    • การขยับจากแชตบอตอัจฉริยะแบบง่าย ๆ ไปสู่ การทำงานภายในองค์กรจริง นั้นต้องใช้การให้ความรู้บ้าง แต่ถ้าวัดจากความเร็วของการเปลี่ยนแปลงทางเทคโนโลยี ก็ถือว่าเกิดขึ้นค่อนข้างเร็ว
  • การเปลี่ยนผ่านแพลตฟอร์มสำหรับสตาร์ทอัพถูกสรุปเป็น 4 ยุค ได้แก่ Internet, cloud, mobile, AI
    • ในช่วงแรกของ YC คลาวด์อย่าง AWS เปลี่ยนให้การเริ่มต้นบริษัททำได้ด้วยเงินทุนที่น้อยลงมาก
    • อุปสรรคแบบเดิมที่ต้องเช่าพื้นที่ colo ประกอบเซิร์ฟเวอร์เอง และหาเงินก้อนใหญ่ก่อนเริ่มต้น ลดลงอย่างมาก
    • สมมติฐานที่ว่าแค่ค่าเซิร์ฟเวอร์ก็ต้องใช้เงินหลายหมื่นดอลลาร์ถูกทำลายลง จนเกิดโครงสร้าง การเริ่มธุรกิจด้วยเงินทุนต่ำ ได้จริง
  • สตาร์ทอัพมักเอาชนะบริษัทใหญ่ได้ง่ายขึ้นในช่วง การเปลี่ยนผ่านแพลตฟอร์มครั้งใหญ่ เมื่อพวกเขาเคลื่อนที่ได้ด้วยรอบที่สั้นกว่าและใช้เงินทุนน้อยกว่า
    • บนคลื่น AI ตอนนี้ก็เห็นแนวโน้มในทิศทางเดียวกัน
    • ภายใน YC เอง ความเร็วของ การเติบโตของรายได้ เร็วกว่าที่ผ่านมาอย่างมาก ถึงขั้นความคาดหวังรายได้ของบริษัทที่ดีเปลี่ยนไปได้แม้แต่ระหว่างต้น batch กับท้าย batch
  • AWS ยังถูกมองว่าเป็นคลาวด์ที่สตาร์ทอัพจำนวนมากในช่วงขยายตัวใช้งานอยู่ในปัจจุบัน
    • จุดแข็งถูกรวมไว้ที่ scale, availability, security, reliability รวมถึงระบบนิเวศพาร์ตเนอร์ ISV ใน AWS และฐานลูกค้าภายใน AWS
    • ไม่ได้ให้แค่เครดิต แต่ยังให้คำแนะนำด้านการออกแบบระบบและ go-to-market พร้อมยังคงมองสตาร์ทอัพเป็นฐานสำคัญของ AWS
    • มีการพบสตาร์ทอัพโดยตรงทุกไตรมาสเพื่อตรวจสอบว่าผลิตภัณฑ์ตอบโจทย์การใช้งานจริงหรือไม่
  • ในโลกสตาร์ทอัพปัจจุบัน รูปแบบการใช้งานที่พบได้บ่อยมากคือ คอมพิวต์ทั่วไปใช้ AWS และ งาน AI ใช้ OpenAI API ควบคู่กัน

Bedrock Managed Agents และทิศทางของผลิตภัณฑ์ร่วม

  • Bedrock Managed Agents ไม่ได้หมายถึงแค่การนำโมเดล OpenAI เข้ามาอยู่บน AWS แต่เป็นการนำโมเดล frontier ของ OpenAI เข้าไปอยู่ใน AWS native agent runtime โดยตรง
    • องค์ประกอบด้านการปฏิบัติการอย่าง identity, permission state, logging, governance และ deployment ถูกผูกรวมเข้าด้วยกัน
    โฆษณา
  • AI ในระยะถัดไปกำลังขยับพ้นจากขั้นของการใส่ข้อความแล้วรับข้อความกลับ ไปสู่ stateful agent ที่ทำงานจริงภายในบริษัท
    • คำว่า "virtual co-workers" อาจยังไม่สมบูรณ์นัก แต่ถูกมองว่าเป็นคำที่ฟังแล้วฝืนน้อยที่สุดในตอนนี้
    • ทั้งอุตสาหกรรมยังไม่ได้ตกลงกันอย่างสมบูรณ์ว่าจะเรียกสิ่งนี้ว่าอะไร และควรใช้งานมันอย่างไร
  • Codex ถูกยกมาเป็นตัวอย่างที่ชัดเจนของแนวโน้มนี้
    • แก่นสำคัญคือหากงานที่ต้องการเกิดขึ้นได้จริง ผู้ใช้ก็จะไม่แยกแล้วว่าส่วนไหนมาจากโมเดลหรือมาจาก harness มากกว่ากัน
  • ระดับการผสานระหว่างโมเดลกับ harness ถูกมองว่าเป็นหัวใจของประสิทธิภาพเอเจนต์
    • tools, state, memory, permissions และ evals เป็นตัวกำหนดการทำงานจริง
    • มันไม่เหมือนกับ pre-training โดยตรง แต่เกิดการผสานทั้งในระดับ post-training และระดับ prompt
    • แม้แต่ tool-calling ที่ในช่วงแรกดูเหมือนแยกออกจากกัน เมื่อเวลาผ่านไปก็ถูกรวมลึกเข้าไปในกระบวนการฝึกมากขึ้น
    • ต่อจากนี้ model กับ harness รวมถึง pre-training กับ post-training ก็มีแนวโน้มจะผสานกันแน่นแฟ้นขึ้นอีก
  • วุฒิภาวะของอุตสาหกรรมยังถูกอธิบายว่าอยู่ในระยะเริ่มต้นมาก ถึงขั้นเปรียบกับยุค Homebrew Computer Club
  • ความร่วมมือระหว่าง AWS และ OpenAI มุ่งรวมองค์ประกอบที่ลูกค้าเคยต้องประกอบเอง เพื่อให้ เข้าถึงคุณค่าได้เร็วขึ้นในสภาพแวดล้อมองค์กร
    • ลูกค้าต้องการให้โมเดลและเอเจนต์ทำงานร่วมกันได้ดีพร้อมรักษาความจำต่อเนื่อง
    • พวกเขาต้องการเชื่อมทั้งเครื่องมือ third-party ตลอดจนเครื่องมือภายใน ข้อมูลภายใน แอปพลิเคชันภายใน และสภาพแวดล้อมการปฏิบัติการของตนเอง
    • งานบูรณาการลักษณะนี้จนถึงตอนนี้เป็นสิ่งที่ลูกค้าแต่ละรายต้องรับผิดชอบเอง
    • ในผลิตภัณฑ์ร่วม identity จะถูกฝังมาให้ และการยืนยันตัวตนกับฐานข้อมูลก็ถูกออกแบบให้เกิดขึ้นภายใน AWS VPC
  • เป้าหมายไม่ได้มีแค่การเพิ่มความสะดวก แต่คือการทำให้สิ่งที่แม้จะพยายามประกอบเองอย่างยากลำบากด้วยวิธีเดิมก็ยัง ไม่อาจทำให้เชื่อถือได้ กลายเป็นสิ่งที่ทำได้จริง
  • สถานะปัจจุบันของนักพัฒนาถูกอธิบายว่า เมื่อต้องสร้างบางอย่างด้วยโมเดล พวกเขายังต้องเผชิญกับ ความยุ่งยากและงานทำมือมากเกินไป
    • แม้แต่ในการใช้ ChatGPT ก็ยังมีการคัดลอก-วางและการผสมพรอมป์ต์ที่ซับซ้อนอยู่มาก
    • แรงเสียดทานเหล่านี้จะหายไปในที่สุด แต่ตอนนี้ยังเป็นช่วงที่ทั้งใหม่มากและใช้งานไม่สะดวก
  • ความร่วมมือครั้งนี้ยังเป็นผลจากการที่ลูกค้าที่อยู่บน AWS อยู่แล้วต้องการ OpenAI technology ขณะเดียวกัน OpenAI ก็ต้องการขยาย การเข้าถึงลูกค้า AWS ของตน
  • ประเด็นที่ถูกเน้นมากกว่าการกระจายโมเดลแบบธรรมดา คือการร่วมกันสร้าง ผลิตภัณฑ์ใหม่
    • ภาพที่ต้องการคือเมื่อมองย้อนกลับมาในอีก 1 ปี ความสำคัญของผลิตภัณฑ์ใหม่นี้จะเด่นชัดยิ่งกว่าการบอกว่า "เข้าถึงโมเดล OpenAI ผ่าน AWS ได้แล้ว"
    • ในมิติของ model, harness และ capability สิ่งนี้กำลังเข้าใกล้ รูปแบบการคอมพิวต์แบบใหม่ ที่ต่างไปจากการเรียกใช้ model API แบบเดิม

AgentCore, Managed Agents, โมเดลการดำเนินงาน

  • AgentCore ถูกอธิบายว่าเป็นชุดของ agent primitives เช่น memory, สภาพแวดล้อมการรันที่ปลอดภัย และการให้สิทธิ์
  • Bedrock Managed Agents ถูกวางตำแหน่งเป็นผลิตภัณฑ์ชั้นบนที่ AWS และ OpenAI ร่วมกันสร้าง โดยนำโมเดล OpenAI และองค์ประกอบด้านการปฏิบัติการหลายอย่างมารวมบนคอมโพเนนต์ของ AgentCore
  • สามารถสร้าง agentic workflow ได้เองโดยใช้เพียง AgentCore
    • มีลูกค้าที่รันสิ่งนี้ใน production และใช้งานจริงอยู่แล้ว
    โฆษณา
  • ปัจจุบันก็ยังสามารถใช้ AgentCore พร้อมกับ เรียกใช้โมเดล OpenAI ภายนอก ได้
    • แม้จะไม่ใช่รูปแบบที่เชื่อมแบบเนทีฟภายใน Bedrock แต่ก็มีลูกค้าที่เรียกใช้โมเดล OpenAI ที่อยู่บนคลาวด์อื่นโดยตรง
  • AWS มองสิ่งนี้เป็น ระบบนิเวศแบบเปิด
    • วิธีสร้างเองโดยผสมความสามารถตามต้องการยังคงมีต่อไปได้ในอนาคต
    • มองว่าจะยังมี builder ที่อยากสร้างเอเจนต์เองไปอีกนาน เหมือนคนที่ประกอบคอมพิวเตอร์เองที่บ้าน
  • ลูกค้าจำนวนมากต้องการ วิธีที่ง่ายกว่า ซึ่งไม่จำเป็นต้องตั้งค่าทุกชิ้นส่วนเอง และการเปิดตัวความร่วมมือครั้งนี้ก็มุ่งตอบโจทย์ความต้องการนั้น
  • การใช้ OpenAI บน Azure ถูกจัดว่าเป็นประสบการณ์การเข้าถึง API โดยตรง ส่วนประกาศครั้งนี้บน Amazon ถูกแยกให้เป็น managed service ที่ต่างออกไป
  • managed agent service นี้ดำเนินการแบบ exclusive กับ Amazon ในตอนนี้
    • ไม่ใช่แค่ระดับการใช้ Amazon API ธรรมดา แต่ถูกมองว่าเป็น joint effort ที่ทั้งสองบริษัทร่วมกันผลักดัน
  • ข้อมูลของลูกค้าจะ คงอยู่ภายใน AWS
    • ทุกอย่างอยู่ภายใน VPC และได้รับการปกป้องภายในสภาพแวดล้อมของ Bedrock
  • โมเดล OpenAI จะรันผ่าน Bedrock โดยโครงสร้างพื้นฐานใช้ Trainium และ GPU แบบผสมกัน
    • บางส่วนเป็นประเด็นเรื่องจังหวะเวลา และบางส่วนเป็นเรื่อง capabilities
    • มีการชี้ทิศทางว่าเมื่อเวลาผ่านไป สัดส่วนที่มากขึ้นจะย้ายไปอยู่บน Trainium
    • OpenAI เองก็แสดงความคาดหวังสูงต่อการที่โมเดลของตนจะรันบน Trainium
  • เมื่อใช้งานโมเดล OpenAI ในสภาพแวดล้อม AWS ช่องทาง สนับสนุนด่านแรก จะเป็น AWS
    • ลูกค้าจะได้รับความช่วยเหลือผ่าน AWS support และผู้ดูแลบัญชี AWS
    • ในกระบวนการสร้างใช้งาน บุคลากรจากฝั่ง OpenAI ก็จะเข้าร่วมเพื่อช่วยปรับวิธีใช้งานร่วมกัน
    • หากเป็นบั๊กที่ต้องการความช่วยเหลือจาก OpenAI ทาง AWS จะเป็นผู้เอสคาเลตไปยัง OpenAI

โลคัล, คลาวด์, สิทธิ์ และขอบเขตความปลอดภัย

  • Codex เริ่มต้นบนคลาวด์ในช่วงแรก แต่มีการนำเสนอว่าการใช้งานจริงได้ไหลกลับไปสู่การรันแบบโลคัล
  • เหตุผลที่โลคัลง่ายกว่าคือ สภาพแวดล้อมนั้นมีอยู่แล้วตรงนั้น
    • การตั้งค่าคอมพิวเตอร์, ข้อมูล และการเข้าถึงไฟล์มีพร้อมอยู่แล้ว จึงต้องตั้งค่าเพิ่มเติมน้อย
    • แม้จะไม่ใช่สภาพสุดท้าย แต่ในระยะสั้น ความสะดวกในการใช้งาน มีน้ำหนักมากกว่า
    โฆษณา
  • ในระยะยาว ทิศทางที่ถูกพูดถึงคือให้เอเจนต์ รันบนคลาวด์ และเมื่อเป็นงานหนักมากหรือในสถานการณ์ที่ต้องปิดคอมพิวเตอร์ การส่งงานขึ้นคลาวด์จะมีประโยชน์
  • ไคลเอนต์แบบโลคัลยังคงมีข้อดี
    • เช่นเดียวกับที่แอป iPhone มีคอมโพเนนต์แบบโลคัล มันมีข้อได้เปรียบด้าน connectivity, latency, local compute และการเข้าถึงไฟล์กับแอปพลิเคชัน
    • อย่างไรก็ตาม ไม่สามารถ scale-out ตัวโน้ตบุ๊กเองได้ จึงมี ข้อจำกัดด้านการขยายระบบ อย่างชัดเจน
  • ในสภาพแวดล้อมองค์กร วิธีแบบโลคัลจะยากขึ้น
    • แค่มีการแชร์กันระหว่างสองคน ความยากก็เพิ่มขึ้นแล้ว
    • การจัดการ permissions และ security boundary ซับซ้อนมากขึ้น
    • สุดท้ายจึงต้องมี bridge ที่เชื่อมโลคัลกับคลาวด์
  • การพัฒนาเอเจนต์ในสภาพแวดล้อมเดียวกับที่จะ deploy ไปใช้งานจริงถือเป็นเรื่องธรรมชาติ และการออกแบบ identity และ permission ก็ยังเป็นพื้นที่ที่ยังไม่สมบูรณ์อีกมาก
    • เอเจนต์ควรใช้บัญชีของคนเดิมไปเลยหรือไม่
    • เอเจนต์ควรมีบัญชีแยกต่างหากหรือไม่
    • หากมีหลายเอเจนต์ จะต้องแยกความต่างกันอย่างไร
  • แม้แต่ primitive แบบ “เอเจนต์ของ Ben ล็อกอินเป็น Ben แต่ยังทิ้งสัญญาณไว้ว่าไม่ใช่ Ben ตัวจริงแต่เป็นเอเจนต์” ก็ยังไม่มี
  • ยิ่งเอเจนต์ถูกนำเข้าไปเป็นส่วนหนึ่งของแรงงาน และมี ความเป็นอิสระกับความซับซ้อนของงาน สูงขึ้น โมเดลการควบคุมการเข้าถึงและสิทธิ์ทั้งภายในบริษัทและทั่วอินเทอร์เน็ตก็ต้องพัฒนาไปพร้อมกัน
  • ยิ่งย้ายไปอยู่บนคลาวด์ องค์กรส่วนกลางก็จะยิ่งมี การควบคุมความปลอดภัย ที่เข้มแข็งขึ้น
    • ลูกค้าชอบศักยภาพของโมเดลและเอเจนต์ที่ทรงพลัง แต่สิ่งที่กังวลที่สุดคือเหตุผิดพลาดที่อาจทำให้บริษัทพังได้โดยไม่ตั้งใจ
    • สามารถควบคุมขอบเขตได้ด้วยการให้ทำงานภายใน VPC, บังคับให้ผ่าน gateway ที่กำหนด หรือให้สิทธิ์แบบ role ภายในสภาพแวดล้อม
    • มีการเชื่อมโยงต่อว่าด้วยโครงสร้างความปลอดภัยที่ AWS สั่งสมมา 20 ปี จึงไม่ใช่แค่สตาร์ทอัพ แต่รวมถึงธนาคารระดับโลก, องค์กรเฮลท์แคร์ และหน่วยงานรัฐก็ใช้งานได้
    • สำหรับองค์กรที่หลีกเลี่ยงความเสี่ยงมาก guardrail ภายใน sandbox กลับยิ่งช่วยขยายการนำไปใช้

AI stack และสถาปัตยกรรมสำหรับองค์กร

  • ลูกค้าองค์กรต้องการชั้นการจัดการที่เชื่อมข้อมูลกับเอเจนต์ และให้การติดตาม ค่าใช้จ่ายโทเค็น กับการกำกับดูแล
  • ลูกค้าองค์กรขนาดใหญ่เรียกร้องอย่างสม่ำเสมอถึงรูปแบบที่รวม agent runtime environment, ชั้นการจัดการ และ workspace สำหรับพนักงานเข้าด้วยกัน
    • ตัวอย่างของ workspace สำหรับพนักงานคือรูปแบบอย่าง Codex
    • ความต้องการแพ็กเกจลักษณะนี้ค่อนข้างสม่ำเสมอ แต่สิ่งที่จะส่งมอบจริงยังต้องสร้างเพิ่มอีกมาก
  • มีความเห็นตรงกันว่าภายในองค์กรจำเป็นต้องมี middleware / middle layer ที่พาดผ่านฐานข้อมูลหลายตัว, แอป SaaS และข้อมูลที่กระจายอยู่
    • ในบริบทที่เกี่ยวข้อง มีการเชื่อมโยง OpenAI Frontier ไว้ด้วย
    โฆษณา
  • ภายใต้โครงสร้างปัจจุบัน ดูเหมือนว่ายังต้องมีทั้ง user agent layer ที่ดูแลปฏิสัมพันธ์กับผู้ใช้ และชั้นการจัดการของบริษัท
    • ฝั่งผู้ใช้จะมีรูปแบบที่ใช้โต้ตอบกับเอเจนต์หลายตัว และสร้างให้เอเจนต์แต่ละตัวคุยกันเอง
    • ส่วนในชั้นการจัดการของบริษัท control หลายแบบมีความสำคัญเมื่อ AI ต้องสำรวจสิ่งอย่าง file system
  • อย่างไรก็ตาม หากโมเดลฉลาดพอ ก็ยังมีความเป็นไปได้ที่จะ ออกแบบใหม่ทั้งโครงสร้าง นี้
    • โครงสร้างสองชั้นในตอนนี้เป็นรูปแบบที่เหมาะกับโลกปัจจุบัน
    • ยังไม่มีใครรู้แน่ชัดว่าสถาปัตยกรรมในอนาคตจะเป็นอย่างไร
    • ณ จุดหนึ่งอาจนำไปสู่ข้อสรุปว่า “สิ่งนี้ควรอยู่ในโมเดลไปเลย”
    • สิ่งที่ต้องทำให้ง่ายขึ้น เร็วขึ้น และดีขึ้น จะค่อย ๆ เรียนรู้จากกระบวนการที่ลูกค้าใช้งานจริงและลงมือสร้างจริง

อุปสงค์, ความจุ, และการแบ่งชั้นของโมเดล

  • OpenAI กำลังทุ่ม การซื้อคอมพิวต์จำนวนมาก และความพยายามอย่างมากให้กับธุรกิจนี้ และก็คาดหวังรายได้ที่สอดคล้องกัน
  • ความต้องการด้าน intelligence ถูกมองว่าหากราคาต่ำลงมากพอ ก็แทบจะเป็น อุปสงค์ที่ไม่มีเพดาน
  • ตอนนี้ ข้อจำกัดที่ใหญ่กว่าราคา ดูจะเป็น การขาดแคลนความจุ
    • มีลูกค้ามากกว่าที่อยากได้ capacity เพิ่มและยินดีจ่ายเพิ่มโดยไม่สนราคา เทียบกับลูกค้าที่ต่อรองกันเรื่องราคา
    • มีการแสดงความมั่นใจว่าต้นทุนของ intelligence ในระดับปัจจุบันจะ ลดลงอย่างมาก ต่อไปในอนาคต
  • การที่อุปสงค์ส่วนใหญ่ของทั้งตลาดไปกระจุกอยู่ที่ absolute frontier ถือเป็นสัญญาณที่น่าประหลาดใจกว่าที่คาด
    • แทนที่จะเป็นสมมติฐานว่าโมเดลรุ่นก่อนก็เพียงพอแล้ว กลับเห็นแนวโน้มที่ต้องการโมเดลแนวหน้าล่าสุดอย่างต่อเนื่องชัดกว่า
  • เช่นเดียวกับที่ต้นทุนคอมพิวต์ลดลงมากตลอดหลายทศวรรษ แต่ยอดขายยังคงเพิ่มขึ้นต่อเนื่อง ก็มีการเสนอว่า AI อาจเดินตามเส้นทาง การขยายตัวของอุปสงค์ คล้ายกัน
  • ตอนนี้ หากต้องการทำงานที่มีประโยชน์ หลายกรณีก็ยังต้องใช้ frontier model จึงทำให้ทุกคนมุ่งไปทางนั้น
  • เมื่อเวลาผ่านไป คาดว่าจะเกิดโครงสร้างแบบผสมที่มีทั้ง โมเดลขนาดเล็กที่ถูกกว่าและเร็วกว่า ควบคู่กับโมเดลขนาดใหญ่มาก
    • โมเดลขนาดเล็กบางตัวอาจพัฒนาไปจนทำงานที่แม้แต่โมเดล OpenAI รุ่นล่าสุดในตอนนี้ยังทำไม่ได้
    • ส่วนโมเดลขนาดใหญ่มากอาจมุ่งไปที่ปัญหาใหญ่กว่า เช่น การรักษามะเร็ง
  • ตอนนี้ยังเป็นเพียง ระยะเริ่มต้น และการที่ทั้งอุปสงค์กับการเติบโตปรากฏขึ้นพร้อมกันในระดับนี้ ก็ยิ่งขยายความเป็นไปได้ในอนาคตอย่างมาก

Trainium, การทำ abstraction, และคอมพิวต์ภายใน

  • เมื่อตอบคำถามว่า Trainium อาจมีบทบาทเด่นขึ้นในด้าน inference มากกว่าที่ชื่อบอกไว้หรือไม่ AWS ตอบว่ามีประโยชน์ทั้งสำหรับ training และ inference
  • มีการเน้นว่าลูกค้าในอนาคตจะได้ใช้งาน Trainium ผ่าน abstraction ของ managed service มากกว่าการลงมือจัดการโดยตรง
    • เช่นเดียวกับที่ลูกค้าส่วนใหญ่ไม่ได้จัดการ GPU โดยตรง เมื่อใช้ OpenAI หรือ Claude แท้จริงแล้วผู้ใช้จะโต้ตอบกับ interface ไม่ใช่ GPU, Trainium หรือ TPU
    โฆษณา
  • ต่อไป accelerator chip ก็น่าจะยังทำงานอยู่เบื้องหลังโมเดลและบริการขนาดใหญ่เพียงไม่กี่ราย
    • อาจมีในระดับ 5, 10, 20 หรือ 100 ราย แต่คงไม่ได้มีผู้คนหลายล้านคนเพิ่มขึ้นมานั่งโปรแกรมสิ่งเหล่านี้โดยตรง
    • การฝึกโมเดลใช้เงินสูงและต้องอาศัยความเชี่ยวชาญด้านการปฏิบัติการอย่างมาก
    • ทีม OpenAI โดดเด่นมากในด้านการดึงคุณค่าออกจากคลัสเตอร์คอมพิวต์ขนาดใหญ่ แต่ก็มีองค์กรไม่มากที่มีทีมลักษณะนี้
  • OpenAI บอกว่าตอนแรกพวกเขามองตัวเองคล้าย token factory แต่ก็แก้คำพูดทันทีว่าจริง ๆ แล้วใกล้เคียงกับ intelligence factory มากกว่า
    • สิ่งที่ลูกค้าต้องการไม่ใช่จำนวนโทเค็น แต่คือการได้รับหน่วยสติปัญญาที่ดีที่สุดในต้นทุนต่ำที่สุดพร้อมความจุที่เพียงพอ
  • GPT-5.5 ถูกยกเป็นตัวอย่างว่า ต้นทุนต่อโทเค็นสูงกว่า 5.4 แต่ใช้โทเค็นน้อยกว่ามากเพื่อให้ได้คำตอบเดียวกัน
    • ผู้ใช้สนใจมากกว่าว่างานที่ต้องการเสร็จหรือยัง มากกว่าจะสนใจว่าคำตอบนั้นใช้ไปกี่โทเค็น
  • ไม่ว่าจะเป็นโมเดลใหญ่ที่รันด้วยโทเค็นน้อยกว่า หรือโมเดลเล็กที่ใช้โทเค็นมากกว่า ไม่ว่าจะเป็น GPU หรือ Trainium ลูกค้าก็ต้องการ ประโยชน์สูงในต้นทุนต่ำ มากกว่ารายละเอียดการทำงานภายใน
  • แม้แต่ตอนสร้างเอเจนต์ใหม่ใน Codex หรือ Stateful Runtime Environment สำหรับ Amazon Bedrock ผู้ใช้ก็ควรไม่จำเป็นต้องรับรู้เรื่องการเลือกคอมพิวต์ภายใน
  • การใช้โทเค็นที่ลดลง ส่วนใหญ่เป็นผลจากการพัฒนาโมเดล โดยผลจากฮาร์เนสมีส่วนเพียงบางส่วน
  • เมื่อถูกถามว่า AWS จะขยาย managed service ลักษณะคล้ายกันไปยังโมเดลอื่นหรือไม่ AWS ตอบเพียงว่าขณะนี้กำลังโฟกัสที่ ความร่วมมือกับ OpenAI

การพัฒนาของตลาดและกลยุทธ์แพลตฟอร์ม

  • ChatGPT ถูกประเมินว่าเป็นผลิตภัณฑ์ผู้บริโภครายใหญ่ตัวใหม่ตัวแรกนับตั้งแต่ Facebook
  • OpenAI ระบุว่านอกจาก ChatGPT แล้ว ยังทำผลงานได้ค่อนข้างดีใน API และโดยเฉพาะ Codex
    • ยังมีการย้อนมองด้วยว่าในอดีตเคยโฟกัสมากกว่าว่าอินเทอร์เฟซภาษาแบบใหม่จะเปลี่ยนวิธีค้นหาข้อมูลบนอินเทอร์เน็ตได้อย่างไร
    • Google ยังถูกประเมินว่าเป็น phenomenal company ทั้งในด้าน breadth และ depth
  • AWS เลือกใช้ กลยุทธ์ที่ยึดพาร์ตเนอร์เป็นศูนย์กลาง มาตั้งแต่แรก และมุ่งไปที่โครงสร้างที่เมื่อพาร์ตเนอร์ประสบความสำเร็จ AWS ก็จะประสบความสำเร็จด้วย
    • แตกต่างจากแนวทางที่ต้องเป็นเจ้าของทุกอย่างเอง และใกล้เคียงกับการ ขยายขนาดพายทั้งก้อน มากกว่า
    • มุมมองของ AWS คือ ลูกค้าควรสามารถเลือกสิ่งที่เหมาะกับตัวเองที่สุดได้ ไม่ว่าจะเป็นผลิตภัณฑ์ของตนเองหรือของพาร์ตเนอร์
  • Bedrock ก็ถูกออกแบบบนกลยุทธ์นี้ เพื่อรองรับโมเดลที่หลากหลายและฟีเจอร์ที่หลากหลาย
    • AWS ยังยึดแนวทางคล้ายกันนี้ในด้านอื่น ๆ เช่น ฐานข้อมูลและแพลตฟอร์มคอมพิวต์
  • AWS มองว่าในชั้นโครงสร้างพื้นฐานนั้นจะผลักดันองค์ประกอบหลักของตนเองอย่างหนัก เช่น S3 แต่เมื่อขึ้นไปยังเลเยอร์ที่สูงขึ้นของสแตก การเปิดรับ ecosystem ของพาร์ตเนอร์ที่กว้างขึ้นก็เป็นผลดีกับลูกค้าด้วย
  • บทบาทของทั้งสองบริษัทคือ OpenAI ทำ Software, AWS ทำ Infrastructure และร่วมกันสร้าง Platform
  • ทั้งสองฝ่ายคาดว่าความสามารถของโมเดลจะพัฒนาอย่างรวดเร็วมากในช่วง 1 ปีข้างหน้า จึงมองว่าช่วงเวลานี้เป็น จังหวะที่ดี สำหรับการสร้างแพลตฟอร์มร่วมกันในตอนนี้

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2026-04-29
ความคิดเห็นจาก Hacker News
  • ในองค์กรที่ฉันทำงานด้วยซึ่ง อ่อนไหวต่อความเป็นส่วนตัว นั้น Claude ได้รับการยอมรับดีกว่ามาก
    เพราะสามารถเข้าถึงผ่าน Amazon ในฐานะคนกลางที่ "เชื่อถือได้" ได้ OpenAI ถูกแบนและไม่ได้รับความไว้วางใจ
    ฉันไม่ได้เห็นด้วยกับการตัดสินของทีมกฎหมายขององค์กรเหล่านี้ไปเสียทั้งหมด แต่ก็น่าจะอ่านเงื่อนไขการให้บริการละเอียดกว่าฉันมาก
    จะเปลี่ยนเกมได้ไหมจากประกาศนี้คงต้องรอดู แต่ตอนนี้จากความรู้สึก OpenAI ดูตามหลังอยู่พอสมควรในหลายด้าน
    อย่างไรก็ดี ในวงการ AI ความต่าง 2~8 สัปดาห์ ก็ไม่ได้ถือว่าห่างกันมหาศาล อาจเป็นปัญหาเรื่องภาพลักษณ์มากกว่าผลกระทบจริง
    อย่างน้อยในฟองข้อมูลของฉัน ชื่อเสียงของ OpenAI ตกต่ำเพราะ Sam Altman และหลายคนไม่ชอบเพราะดูไร้จริยธรรม แถมพอเห็นเรื่องข้อเรียกร้องเกี่ยวกับ fabs ก็ยิ่งดูไม่มั่นคงน่ากังวล
    • ผู้ให้บริการ LLM หลัก สามารถทำสัญญา ZDR ได้แทบทุกเจ้า
      แค่ใช้ AWS อย่างเดียวไม่พอ และถึง AWS จะเป็นคนรันโมเดล ถ้าต้องการ ZDR แบบจริงจังก็ต้องไปตกลงกับฝั่งนั้นแยกต่างหาก [0]
      [0]: https://platform.claude.com/docs/en/build-with-claude/claude...
    • จริงอยู่ว่า Anthropic มีทั้งโมเดลที่ดีที่สุดและผู้นำที่นิ่งกว่า แต่ฉันคิดว่าคนที่ช่วยขยายการเข้าถึงระดับองค์กรอย่างมากก็คือ AWS
      ทั้งสองฝ่ายได้ประโยชน์ชัดเจน และวัฒนธรรม feedback loop ของลูกค้า AWS ก็น่าจะช่วยให้ Anthropic พร้อมรองรับลูกค้าองค์กรได้เร็วขึ้น
    • สงสัยว่านี่ดีกว่า OpenAI on Azure จริงไหม ในแง่เงื่อนไขทางกฎหมาย, SLA, และความกังวลเรื่องข้อมูล
      ฝั่ง Azure มีมาสักพักแล้ว
    • OpenAI ไม่ได้โฟกัสแค่ขาย LLM ตัวเดียว แต่ทำทั้งวิดีโอและการสร้างภาพด้วย
      ส่วน Anthropic โฟกัสกับอย่างเดียว และนั่นคงเป็นเหตุผลที่ทำไมถึงติดอันดับบนสุดใน SWE benchmark อยู่เสมอ
    • ประเด็นสำคัญไม่ใช่แค่ว่า AWS เป็น "คนกลางที่เชื่อถือได้" แต่คือโมเดลถูกรัน ภายในบัญชี AWS ของลูกค้าเอง ภายใต้สัญญาอีกแบบหนึ่ง
      AWS ระบุชัดว่าอินพุตและเอาต์พุตจะไม่ถูกแชร์กับผู้ให้บริการโมเดล และจะไม่ถูกนำไปใช้ฝึกโมเดลพื้นฐานด้วย [1]
      ยิ่งไปกว่านั้น OpenAI ยังถูกคำสั่งเก็บรักษาข้อมูลในคดี NYT v. OpenAI เมื่อเดือนพฤษภาคม 2025 และศาลก็บังคับให้เก็บล็อกเอาต์พุตของ ChatGPT ไว้แทบจะไม่มีกำหนด
      ซึ่งรวมถึงบทสนทนาที่ผู้ใช้ลบไปแล้วและเดิมควรถูกลบภายใน 30 วันด้วย [2]
      เพราะแบบนี้สำหรับองค์กรที่ถูกผูกด้วย HIPAA/GDPR มันแทบไม่ผ่านตั้งแต่จุดเริ่มต้น
      [1] https://aws.amazon.com/bedrock/faqs/
      [2] https://openai.com/index/response-to-nyt-data-demands/
  • ในฐานะคนที่ทำงานในบิ๊กเทคและต้องประชุม ไม่รู้จบ แค่จะประสานปล่อยฟีเจอร์เล็กๆ ระหว่างสองทีม ฉันนึกไม่ออกเลยว่าต้องมีประชุมและเอกสาร 6-pager มากแค่ไหนกว่าจะเอาโมเดลพวกนี้ขึ้นฮาร์ดแวร์ Bedrock ได้
    • ถ้าเป็นระดับนี้ หลายครั้งก็แค่ตัดสินใจแล้วตั้ง ทีม SWAT จากนั้นดันงานให้เสร็จภายในไม่กี่สัปดาห์
      ฉันมองว่าการเมืองในองค์กรหรือการรีวิวเชิงราชการ มักจะไปผูกคนระดับล่างไว้กับงานเศษฟีเจอร์และงานปฏิบัติการมากกว่า
    • ขึ้นอยู่กับวิธีการติดตั้ง แต่ Amazon ใส่ gpt-oss-20b ไว้แล้ว
      ถ้าโมเดลนี้คล้ายกับ GPT เวอร์ชัน OSS มากพอ ก็อาจไม่ได้ซับซ้อนอย่างที่คิด
  • โมเดลเดียวกันที่รันบน แพลตฟอร์มอนุมาน ต่างกัน ไม่จำเป็นต้องให้ผลลัพธ์เหมือนกัน
    เพราะ quantization, ชิปเสิร์ฟโมเดลแบบคัสตอม, batching และการปรับแต่งอนุมานอื่นๆ พฤติกรรมของเวอร์ชันที่โฮสต์อาจต่างจากเวอร์ชันของผู้ให้บริการต้นทางได้
    งานวิจัยนี้ไม่ตรงกันเสียทีเดียว เพราะพูดถึง Llama แบบ open weight ที่ตรวจสอบได้ แต่ก็แสดงอาการคล้ายกันได้ดี
    https://arxiv.org/pdf/2410.20247
    • ใครที่เคยใช้ gpt-x ผ่านทั้ง OpenAI และ Microsoft น่าจะรู้สึกถึงความต่างนี้ได้ชัดมาก
  • ในองค์กรของเราเอง การที่มี Bedrock ให้ใช้ เป็นปัจจัยสำคัญที่ผลักดันการใช้ Anthropic
    ดูแล้วน่าจะทำมาร์จินได้ไม่น้อยด้วย
    ฉันก็สงสัยเหมือนกันว่านี่เชื่อมตรงกับกระแสแยกทางจาก Microsoft หรือไม่
    จากกรณีรอบตัวฉัน ในการดีพลอยระดับองค์กรแบบจริงจัง OpenAI แทบถูกมองข้าม เพราะของที่ให้ผ่าน Azure ไม่ค่อยดี และนอกนั้นก็ไม่มีช่องทางที่เป็นมิตรกับองค์กรมากนัก
    ดูเหมือน OpenAI จะตระหนักแล้วว่าถ้ายังเสียตลาดองค์กรให้คู่ Anthropic กับ AWS ต่อไปจะเป็นเรื่องร้ายแรง เลยเริ่มขยับเพื่อไล่ตาม
    • ค่อนข้างชัดว่า OpenAI มีการ เจรจาสัญญาใหม่ ระหว่างเตรียมเรื่องนี้
      https://news.ycombinator.com/item?id=47921248
    • อยากรู้จริงๆ ว่า ฝั่ง Azure มีปัญหาอะไร
  • สิ่งที่น่าสนใจตรงนี้คือเส้นทาง การขายองค์กร
    อุตสาหกรรมที่ถูกกำกับดูแลอย่างการเงินและเฮลธ์แคร์ มักมีสัญญากับ AWS ที่รวมข้อผูกพันเรื่อง data residency ไว้อยู่แล้ว
    OpenAI บน Bedrock ทำให้องค์กรเหล่านี้ไม่ต้องไปเจรจา DPA แยกกับ OpenAI ซึ่งอาจเป็นจุดทะลุที่ใหญ่กว่าที่เห็นจากเอกสารมาก
  • นี่เป็นการเปลี่ยนแปลงที่น่ายินดีมากในแง่ compliance
    มี subprocessor น้อยลงหนึ่งราย และข้อมูลก็อยู่ใน AWS อยู่แล้ว จึงกังวลน้อยลงว่าจะถูกส่งออกไปที่อื่น
  • ดูเหมือน OpenAI กำลัง ไล่ตาม Anthropic แบบกระชั้นชิด
  • ตอนนี้ซื้อ OpenAI ผ่าน AWS ได้แล้ว แต่ก็แปลว่าฉันต้องใช้อินเทอร์เฟซที่ ไม่เข้ากันกับเครื่องมือของฉันโดยสมบูรณ์ อีกชุดหนึ่งด้วย
    เว้นแต่ AWS จะยอมถอยและทำให้ Bedrock ใช้งานได้จริงขึ้นด้วยการเพิ่ม ความเข้ากันได้กับ OpenAI API
    • ฉันเป็น PM ของ Bedrock Mantle และตอนนี้ endpoint ของ bedrock-mantle รองรับ OpenAI API compatibility แล้ว
      รองรับทั้ง Responses และ Chat Completions ดูได้ที่นี่ https://docs.aws.amazon.com/bedrock/latest/userguide/endpoin...
  • ออกมาเร็วกว่าที่คิด
    • ถึงการเตรียมงานจริงอาจใช้เวลานาน แต่กระแส PR ที่สาธารณะเห็นนั้นเหมือนเครื่องจักรที่ประณีตและทำงานลื่นมาก
      แค่โพสต์ HN รอบนี้ก็มีลิงก์ประกาศขึ้นมาพร้อมกันถึง 4 อัน ซึ่งไม่ใช่เรื่องบังเอิญ
      เพราะถ้าคำพูดผิดออกมาในจังหวะผิด เงินลงทุนระดับหลายพันล้านดอลลาร์ก็อาจสั่นคลอนได้ ดังนั้นสารที่สื่อออกไปจึงต้องถูกขัดเกลาอย่างระมัดระวังและปล่อยเป็นลำดับขั้น
  • ดูเหมือน OpenAI สุดท้ายจะมุ่งไปทาง dumb pipe