โอเพนซอร์ส AI ต้องชนะ
(opensourceaimustwin.com)- AI คือ โครงสร้างพื้นฐานระดับอารยธรรม สำหรับงาน การศึกษา วิทยาศาสตร์ ซอฟต์แวร์ งานสร้างสรรค์ บริการสาธารณะ และขีดความสามารถของชาติ และการเข้าถึงไม่ควรถูกกำหนดโดยเงื่อนไขและราคาของบริษัทไม่กี่แห่ง
- ความสามารถในการวิจัย สร้าง ซ่อมแซม เผยแพร่ ตรวจสอบ ปรับแต่ง ฝึก อนุรักษ์ และรันระบบปัญญาได้โดยไม่ต้องขออนุญาต เชื่อมโยงโดยตรงกับ เสรีภาพในการปฏิบัติการ
- โอเพนซอร์ส AI ต้องคง ความสามารถในการใช้งาน ไว้ได้ แม้ว่าสถาบันวิจัยผู้ครองตลาดในปัจจุบัน สถาบันวิจัยต่างประเทศ ผู้ผลิตฮาร์ดแวร์ แพลตฟอร์มคลาวด์ หรือผู้ให้บริการโมเดลแบบ open-weight จะเปลี่ยนทิศทางหรือหายไปก็ตาม
- หากสถาบันแนวหน้าที่ปิดไม่กี่แห่งและบริษัทแพลตฟอร์มไม่กี่รายควบคุมโมเดลไว้ โครงสร้างพื้นฐานด้านปัญญาอาจเสี่ยงกลายเป็น เศรษฐกิจแบบสมัครสมาชิกของการรับรู้
- สหรัฐฯ ต้องไม่ตามหลังในเสรีภาพในการรัน ตรวจสอบ แก้ไข ทำเบนช์มาร์ก ฝึก และอนุรักษ์โครงสร้างพื้นฐานด้านปัญญา และท่าทีเชิงปฏิบัติควรเป็นการผสาน ขีดความสามารถของสหรัฐฯ เข้ากับมาตรฐานเปิดระดับโลก
โอเพนซอร์ส AI ต้องชนะ
- หากปัญญากลายเป็นสิ่งที่ยืมใช้ได้เฉพาะจากสถาบันปิดไม่กี่แห่ง สาธารณชนจะสูญเสียไม่ใช่แค่เสรีภาพของซอฟต์แวร์ แต่รวมถึง เสรีภาพในการปฏิบัติการ ด้วย
- ต้องสามารถวิจัย สร้าง ซ่อมแซม เผยแพร่ ตรวจสอบ ปรับแต่ง ฝึก อนุรักษ์ และรันระบบปัญญาได้โดยไม่ต้องขออนุญาต และความสามารถนี้มี ความสำคัญในระดับการดำรงอยู่
- AI ถูกมองว่าเป็น โครงสร้างพื้นฐานระดับอารยธรรม ที่ค้ำจุนงาน การศึกษา วิทยาศาสตร์ ซอฟต์แวร์ งานสร้างสรรค์ บริการสาธารณะ และขีดความสามารถของชาติ
- การเข้าถึง AI ไม่ควรพึ่งพา API แบบปิด แพลตฟอร์มระยะไกล ข้อกำหนดการใช้งานที่เปลี่ยนแปลงได้ การปรับแต่งที่ไม่โปร่งใส ความพร้อมใช้งานของโมเดล หรือราคาที่กำหนดโดยบริษัทไม่กี่แห่ง
เงื่อนไขที่โอเพนซอร์ส AI ต้องรักษาไว้
- โอเพนซอร์ส AI ต้อง ใช้งานได้ เข้าใจได้ และทำซ้ำได้
- โอเพนซอร์ส AI ต้อง ติดตั้งใช้งานในเครื่องได้ มีความยั่งยืนทางเศรษฐกิจ และชุมชนต้องสามารถรับหน้าที่กำกับดูแลได้
- แม้ว่าสถาบันวิจัยผู้ครองตลาดในวันนี้ สถาบันวิจัยต่างประเทศ ผู้ผลิตฮาร์ดแวร์ แพลตฟอร์มคลาวด์ หรือผู้ให้บริการโมเดลแบบ open-weight จะเปลี่ยนทิศทางหรือหายไป โอเพนซอร์ส AI ก็ต้องทำงานต่อไปได้
- หากสถาบันแนวหน้าที่ปิดไม่กี่แห่งและบริษัทแพลตฟอร์มไม่กี่รายควบคุมโมเดลไว้ โครงสร้างพื้นฐานด้านปัญญาอาจเสี่ยงกลายเป็น เศรษฐกิจแบบสมัครสมาชิกของการรับรู้
- สหรัฐฯ ต้องไม่ตามหลังในเสรีภาพในการรัน ตรวจสอบ แก้ไข ทำเบนช์มาร์ก ฝึก และอนุรักษ์โครงสร้างพื้นฐานด้านปัญญา
- ท่าทีเชิงปฏิบัติควรเป็นแนวทางที่วาง ขีดความสามารถของสหรัฐฯ ควบคู่ไปกับมาตรฐานเปิดระดับโลก
2 ความคิดเห็น
ความเห็นจาก Lobste.rs
“AI” โอเพนซอร์สไม่มีอยู่จริง LLM ที่รันบนเครื่องตัวเองได้ก็เป็นแค่ ก้อนดำทึบ ที่บริษัทยักษ์ใหญ่ซึ่งใช้เงินหลายล้านดอลลาร์ต่อการฝึกแต่ละเวอร์ชันและควบคุมข้อมูลนำเข้าอย่างเบ็ดเสร็จ ปล่อยออกมาด้วยความเมตตาเท่านั้น
คนธรรมดาที่ไม่ได้ร่ำรวยอย่างอิสระไม่สามารถตรวจสอบได้ทั้งหมดว่าโมเดลถูกสร้างขึ้นอย่างไร ปรับแต่งชุดข้อมูลฝึกต้นฉบับ หรือสร้างใหม่ตั้งแต่ต้นได้ทุกเมื่อที่ต้องการ
การรัน LLM ฟรีที่คอมไพล์ไว้ล่วงหน้าบนคอมพิวเตอร์ส่วนตัวจึงเป็นการพึ่งพาโครงสร้างพื้นฐานแบบรวมศูนย์ที่ถูกปลูกฝัง และในความเป็นจริงตอนนี้ก็ใกล้เคียงกับการสนับสนุนเทคโนโลยีที่ปัจเจกบุคคลไม่มีทางควบคุมได้ในเชิงโครงสร้าง เสียเวลาเขียนแถลงการณ์ว่าอยากให้ปฏิกิริยานิวเคลียร์ฟิวชันเย็นชนะยังจะดีกว่า
แน่นอนว่าโมเดลเหล่านี้ส่วนใหญ่ถ้าวัดแค่ศักยภาพทางเทคนิคก็ยังไม่อยู่ระดับเดียวกับโมเดลแนวหน้า และหลายครั้งก็ไม่ได้ตั้งเป้าไปทางนั้นตั้งแต่แรก ตัวอย่างเช่น EU ได้ให้ทุนเพื่อ พัฒนาโมเดลที่เป็นตัวแทนของภาษาภายใน EU ได้ดีกว่าเดิม สำหรับงานอย่างการแปลภาษา
และผมก็ไม่คิดว่าโมเดลโอเพนซอร์สจะต้องรันบนเครื่องโลคัลได้เสมอไปตามนิยาม ถ้าโมเดลนั้นเปิดจริง ต่อให้บริษัทข้างหลังล้มไป รากฐานสำหรับการพัฒนาต่อก็จะไม่ถูกขังอยู่ในบริษัท ทำให้ความเสี่ยงลดลงมาก ซอฟต์แวร์โอเพนซอร์สไม่ได้แปลว่าต้อง “ทำบนเครื่องตัวเองได้ในราคาถูก” เสมอไป
ตัวอย่าง LLM ที่ค่อนข้างเปิดล่าสุดคือ NVIDIA-Nemotron-3-Nano-30B-A3B (โค้ดโอเพนซอร์ส ให้ชุดข้อมูลฝึกเกือบทั้งหมด) และ Olmo-3.1-32B-Think (โค้ดโอเพนซอร์ส และข้อมูลฝึกทั้งหมดเปิดบน Hugging Face)
ในทางทฤษฎีใครก็สามารถทำซ้ำโมเดลลักษณะใกล้เคียงกัน เลือกได้ว่าจะใช้ข้อมูลอะไรฝึก หรือแก้สูตรการฝึกอย่างไร เพียงแต่ก็จริงที่สำหรับปัจเจกบุคคลที่ไม่ได้ร่ำรวย การพรีเทรนก็ยังเอื้อมไม่ถึงอยู่ดี
OLMo ถูกระบุชัดว่าเป็นโมเดลที่ผ่านขั้นตอนตรวจสอบของ OSI และ Pythia ก็ได้รับการยืนยันจาก OSI ว่าตรงตามข้อกำหนดของระบบ AI โอเพนซอร์ส Lucie-7B เป็นหนึ่งใน LLM หลายภาษารุ่นแรก ๆ ที่ยึดตามนิยาม AI ของ OSI และผู้สร้างก็ระบุชัดว่าชุดข้อมูลฝึก โค้ดเตรียมข้อมูล และน้ำหนักโมเดลทั้งหมดถูกเผยแพร่ภายใต้ไลเซนส์แบบเปิด
ที่ว่าการฝึกตั้งแต่ต้นใช้เงินมหาศาลก็จริง แต่ถ้าอย่างนั้นจะเรียกการใช้ Linux kernel ว่าเป็น “การพึ่งพาที่ถูกปลูกฝัง” ด้วยหรือไม่ เพราะเงื่อนไขแบบเดียวกันหลายอย่างก็ใช้กับกรณีนั้นเหมือนกัน
AI ไม่ใช่ “โครงสร้างพื้นฐานระดับอารยธรรมสำหรับงาน การศึกษา วิทยาศาสตร์ ซอฟต์แวร์ การสร้างสรรค์ บริการสาธารณะ และศักยภาพของรัฐ” มีแต่คนที่ควบคุมมันต่างหากที่อยากให้เป็นแบบนั้น และกำลังผลักมันอย่างสิ้นหวัง ทั้งที่ความจริงไม่ใช่แบบนั้น
ก็แค่อย่าเอาความคิดไปจ้างเครื่องจักรกินทรัพยากรสูง ละเมิดลิขสิทธิ์ และหลอนเองก็พอ 😘
แน่นอนว่า การไม่ปล่อยให้อำนาจนี้กระจุกอยู่ในมือบริษัทยักษ์ใหญ่ไม่กี่ราย ช่วยแก้ปัญหาใหญ่ข้อหนึ่งของ AI ปัจจุบันได้ แต่ไม่ได้แก้ปัญหาอื่นเลยแม้แต่น้อย
ตอนนี้โค้ดดิ้งเอเยนต์โลคัลที่เล็กที่สุดซึ่งใช้งานได้จริงคือ Qwen3.6 27B และมันรันได้สบาย ๆ บนการ์ด NVIDIA ที่มีการจำกัดไฟที่ราว 280~300W เป็นช่วง ๆ ไฟฟ้าที่ใช้สำหรับการเขียนโค้ดหนึ่งวันน่าจะน้อยกว่าการเปิดเครื่องเกมเดสก์ท็อปเล่น Subnautica 2 ไม่กี่ชั่วโมงเสียอีก ส่วนหนึ่งก็เพราะโมเดลเล็กไม่สามารถเอาความคิดไปจ้างข้างนอกได้มากนัก AI จึงพัก และมนุษย์ต้องคิดเองมากกว่า
ต้นทุนการฝึกสูงกว่า แต่ถ้าพูดถึงการฝึกโมเดลขนาด 27B แค่ไม่กี่ตัวต่อปี ในภาพรวมของอารยธรรมอุตสาหกรรมทั้งหมดก็แทบกลืนหายไปเลย ตอนที่ผมเคยลองคำนวณดู ผลออกมาประมาณว่าแค่เพิ่มโรงถลุงอะลูมิเนียมพลังงานความร้อนใต้พิภพในไอซ์แลนด์อีกแห่งเดียว ก็เพียงพอจะฝึกโมเดลระดับ 27B ได้หลายตัว ไม่ได้ฟรี แต่ใกล้เคียงกับค่าคลาดเคลื่อนจากการปัดเศษ
การใช้พลังงานตอน inference น้อยกว่าหลอดไส้ 3 หลอด และใช้เฉพาะตอนที่โมเดลกำลังสร้างผลลัพธ์จริง ๆ เท่านั้น ส่วนการใช้พลังงานตอนฝึกอยู่ระดับสถานประกอบการอุตสาหกรรมขนาดใหญ่หนึ่งแห่ง แต่ก็สามารถทำด้วยพลังงานหมุนเวียนเกือบทั้งหมดได้ ไอซ์แลนด์เหมาะกับเรื่องนั้น
เรื่อง “ละเมิดลิขสิทธิ์” ดูจะไม่ตรงกับแนวคำพิพากษาในสหรัฐฯ ตอนนี้ และก็ควรระวังการขยายอำนาจของลิขสิทธิ์ให้มากขึ้น ผมคัดค้านการขยายลิขสิทธิ์มาตั้งแต่ยุค 90 ดังนั้นแม้จะไม่ชอบวิธีฝึก LLM ประเด็นนี้ก็ดูเหมือนย้ายออกจากขอบเขตกฎหมายลิขสิทธิ์ ไปอยู่ในขอบเขตการเมืองและนิติบัญญัติแล้ว ยกเว้นกรณีที่ Anthropic ก๊อปปี้หนังสือแบบผิดกฎหมายตรง ๆ
แต่ปัญหาเรื่อง เอาความคิดไปจ้างข้างนอก นั้นกำลังเละเทะอย่างรวดเร็ว หลายคนกำลังพยายามเปลี่ยนตัวเองให้เป็นหุ่นเชิดเนื้อหนังของเทพเครื่องจักร ซึ่งน่ากลัวมาก
มันคล้ายกับการบอกว่าการฆ่าคนนั้นเลวเพราะ “ผิดกฎหมาย” การฆ่าคนมันเลวจริง แต่เหตุผลที่มันเลวไม่ใช่เพราะมันผิดกฎหมาย กฎหมายเปลี่ยนได้ ถ้าคุณสร้างกระแสว่า AI แย่เพราะเรื่องลิขสิทธิ์ แล้ววันหนึ่งสภานิติบัญญัติทำให้มันถูกกฎหมาย ทุกคนจะหันมายอมรับ AI ว่าโอเคทันทีหรือ? มีเหตุผลคัดค้านอื่นที่ใกล้กับแก่นของความกังวลจริงมากกว่า และการรวมตัวกันรอบสิ่งนั้นอาจจะมีประโยชน์กว่า
Alexandra Elbakyan ก็เป็น ผู้ละเมิดลิขสิทธิ์ เหมือนกัน แต่เขาเป็น ผู้ใหญ่ และทุกมหาวิทยาลัยควรมีรูปปั้นของเขา
อนาคตของแมชชีนเลิร์นนิงและโมเดลภาษาขนาดใหญ่ที่เปิดกว้างและเป็นธรรมอย่างแท้จริง จะเกิดขึ้นไม่ได้ถ้าไม่มองทั้ง ซัพพลายเชนทั้งหมด แนะนำให้อ่าน https://time.com/6247678/openai-chatgpt-kenya-workers/
อีกไม่นานเราจะถึง จุดสูงสุดของข้อมูล และหลังจากนั้นความก้าวหน้าส่วนใหญ่น่าจะมาจากการจับ LLM รุ่นล่าสุดมามัดรวมใช้งานแบบเอเยนต์
โมเดลโอเพนซอร์สตัวสุดท้ายที่ถูกเปิดเผยต่อสาธารณะ มีแนวโน้มสูงว่าจะถูกใช้เป็นฐานของโอเพนซอร์สแบบเอเยนต์ หรือโครงสร้างชั้นบนรูปแบบอื่นที่เปลี่ยนไปเรื่อย ๆ ในอีกหลายปีข้างหน้า
ให้แม่นกว่านั้น ประชาชนควรตระหนักถึง เงินสาธารณะมหาศาล ที่บิ๊กเทคได้รับตลอด 20 ปีที่ผ่านมา โดยเฉพาะช่วงหลัง ๆ และควรเรียกร้องสิทธิในโครงสร้างพื้นฐานที่จ่ายด้วยภาษีของตน
บริษัทเหล่านี้จะไม่มีวันเกิดขึ้น และไม่อาจดำรงอยู่ได้เลย หากไม่มีการอัดฉีดเงินสาธารณะมหาศาล ยิ่งไปกว่านั้น ข้อมูลฝึกส่วนใหญ่ก็ถูกดึงมาจากพื้นที่สาธารณะที่ใช้ร่วมกันโดยตรง
โมเดลเหล่านี้ไม่ใช่ผลผลิตจากความพยายามส่วนตัว แต่เป็นผลลัพธ์สุดท้ายของความพยายามร่วมกันขนาดมหึมา และควรถูกยอมรับทางกฎหมายว่าเป็น ทรัพยากรสาธารณะร่วม
ไม่ว่าจะสำคัญหรือไม่ จะเป็นฟองสบู่หรือไม่ จะเป็นแค่เครื่องทำนายโทเคนที่หลอนหรือไม่ก็ตาม การมีกรอบกฎหมายที่บังคับให้ “Frontier lab” ทุกแห่งเปิดซอร์สโมเดลทั้งหมด ยกเว้นรุ่นล่าสุดที่สุด เป็นเรื่องสำคัญมาก
ขอบเขตที่ต้องเปิดควรรวมถึง น้ำหนัก ชุดข้อมูลฝึก และวิธีการ เป็นต้น หรือไม่เช่นนั้นก็ควรบังคับให้แต่ละโมเดลกลายเป็นโอเพนซอร์สหลังผ่านไป 10~15 ปี เพื่อความก้าวหน้าขององค์ความรู้มนุษย์และเพื่อป้องกันไม่ให้เกิดการแบ่งแยกระหว่าง “ผู้มี” กับ “ผู้ไม่มี” โมเดลทุกตัวควรถูกเปิดเผยหลังผ่านไประยะหนึ่ง
คุณอาจคิดว่า AGI ยังไม่ใกล้ แต่เจตนาของสถาบันแนวหน้าเหล่านี้คือไปให้ถึง AGI ก่อนใคร แล้วเก็บมันไว้คนเดียวหลัง paywall ไม่ว่าจะมีโอกาสมากหรือน้อย เพื่อประโยชน์ของมนุษยชาติทั้งหมด เราควรป้องกันไม่ให้สิ่งนั้นเกิดขึ้น
ความคิดเห็นจาก Hacker News
ช่วงหนึ่งผมเคยคิดเรื่องการสร้าง ระบบฝึกโมเดลแบบกระจายศูนย์ โดยใช้เครื่องของคนที่มาช่วยกันเหมือนงานอาสา แต่ในทางปฏิบัติความยากสูงลิบลิ่ว
ทั้งความเร็วการสื่อสารก็รับไม่ไหว และยังมีปัญหา ข้อมูลปนเปื้อน จากโหนดที่ไม่น่าเชื่อถือ
อย่างหลังนี้น่าจะแก้ได้เกือบหมดด้วยระบบ rollback checkpoint แบบกู้คืนตัวเองได้ ซึ่งไม่จำเป็นต้องทิ้งผลลัพธ์ทั้งหมดที่เกิดหลังข้อมูลปนเปื้อน แต่ก็ไม่ใช่โปรเจ็กต์เล็ก ๆ ที่คนคนเดียวจะทำจากแค่ไอเดียได้
ถ้าวันหนึ่งทั้งแล็บวิจัย frontier ถูกห้ามไม่ให้เดินหน้าต่อเพิ่ม แบบนั้นแนวทางนี้ก็น่าอาจได้รับความสนใจ
GPU ทั้งหมดบนโลกเมื่อรวมกันแล้วก็น่าจะเหนือกว่าศักยภาพของพวกเขา เพียงแต่เราต้องหาวิธีกระจายการใช้งานอย่างมีประสิทธิภาพ
ถึงจะฝึก Fable ได้ไม่เร็วเท่าพวกเขา แต่สุดท้ายการพอเข้าถึงได้บ้างก็ยังดีกว่าเข้าไม่ถึงตลอดกาล
ฮาร์ดแวร์เฉพาะทางสำหรับ AI ไม่ได้แค่เร็วกว่า GPU ผู้บริโภคมากเท่านั้น แต่ยังกินไฟคุ้มกว่ามากและการเชื่อมต่อก็ดีกว่ามากด้วย ซึ่งทั้งสามแกนนี้ต่างก็ทำให้ไอเดียนี้พังได้
ความต่างด้านประสิทธิภาพพลังงานมากจนถึงขั้นว่าต่อให้รวบรวม GPU สาธารณะหรืออุปกรณ์คล้ายกันทั้งหมดบนโลก ค่าไฟก็ยังสูงเกินไป และเอาเงินก้อนนั้นไปสร้างดาต้าเซ็นเตอร์เองอาจถูกกว่าด้วยซ้ำในแง่ต้นทุนรวม
ต่อให้ไฟฟ้าฟรี การเอา GPU ที่กระจายอยู่ทั่วโลกมาผูกกันด้วย latency ของอินเทอร์เน็ตก็จะช้าลงเป็นหลักพันถึงหลักล้านเท่า และยังไม่แน่ว่าจะทำได้จริงหรือไม่
ไม่ว่าอย่างไร ใน 10 ปีนี้เราคงได้ fable-oss ยากมาก และบางทีอาจยากไปทั้งศตวรรษนี้
ทางที่ดีกว่าคือให้รัฐบาล แม้จะเป็นในรูปแบบพันธมิตร ก็ซื้อและถือครองดาต้าเซ็นเตอร์เอง แล้วดำเนินงานเพื่อประโยชน์สาธารณะ ซึ่งผมคิดว่าควรทำจริง ๆ
แต่จะนึกถึงดาต้าเซ็นเตอร์เล็ก ๆ หลายพันแห่งหรือผู้ใช้ทั่วไปที่เอาทรัพยากรคอมพิวต์ส่วนเกินมารวมกันผ่านอินเทอร์เน็ต เพื่อประสานการฝึกรอบใหญ่ที่เกินกว่าผู้เล่นรายเดียวจะทำได้
บริษัทอย่าง Pluralis Research, Prime Intellect และ Nous Research กำลังไล่ตามวิสัยทัศน์นี้ และก็ประสบความสำเร็จในการฝึกแบบกระจายศูนย์ที่มีขนาดพอสมควรแล้ว แต่ในความเป็นจริง การฝึกแบบกระจายผ่านอินเทอร์เน็ตยังตามหลังการฝึกแบบรวมศูนย์อยู่มาก
แม้แต่โมเดลที่ใหญ่ที่สุดอย่าง Pluralis 8B Protocol Model, INTELLECT-1 ของ Prime Intellect และ Consilience 40B ของ Nous ก็ยังถูกฝึกด้วย ปริมาณคอมพิวต์น้อยกว่า 1,000 เท่า เมื่อเทียบกับโมเดล frontier ปัจจุบันอย่าง Grok 4 ของ xAI
https://epoch.ai/gradient-updates/how-far-can-decentralized-...
นั่นเป็นการประเมินผิดว่าซิลิคอนจำนวนมากแค่ไหนถูกส่งไปยังบริษัทเหล่านั้นโดยตรง และซิลิคอนนั้นทรงพลังกว่าอุปกรณ์ผู้บริโภคมากเพียงใด
โมเดล BLOOM เองก็เป็นผลลัพธ์จากการร่วมมือกันสร้าง: https://huggingface.co/docs/transformers/en/model_doc/bloom
Nous ก็อ้างว่าทำได้แล้ว: https://github.com/NousResearch/DisTrO
ก่อนหน้านี้ก็มีงานวิจัยเรื่องการบีบอัด gradient ที่รายงานอัตราการบีบอัดสูงมากเหมือนกัน
เราต้องการสิ่งนี้ และต้องการ การอนุมาน LLM แบบกระจายศูนย์ ด้วย
ตอนนี้มาถึงจุดที่คนคนเดียวจะประกอบเครื่องไว้รันโมเดลสมัยใหม่เองนั้นแพงเกินไปแล้ว
ดังนั้นเราจำเป็นต้องสร้างและผลักดันการใช้เฟรมเวิร์กที่ทำให้ผู้คนแบ่งปันทรัพยากรกันเพื่อรันโมเดลสมัยใหม่แบบกระจายศูนย์ได้
แบบนั้นรัฐบาลก็จะเซ็นเซอร์ได้ยากขึ้นด้วย
วิธีเดียวที่จะป้องกันไม่ให้หน่วยงานใดหน่วยงานหนึ่งเอามันไปทำเป็นอาวุธได้ คือทำให้ทุกคนเข้าถึงได้
มันรัน การอนุมานแบบกระจายเต็มรูปแบบ ได้บน Mac, Windows, Linux, Android, iOS, และแม้แต่ HarmonyOS
โมเดลโอเพนซอร์ส/โอเพนน้ำหนักจะดีขึ้นเรื่อย ๆ และในที่สุดโมเดลระดับ mythos ก็จะรันได้แม้บนฮาร์ดแวร์สมาร์ตโฟนหรือแว่นตา
เพียงแต่ตอนนี้การจับคู่ระหว่างอุปสงค์กับอุปทานยังยุ่งยากอย่างทรมาน
ตัวอย่างเช่น MacBook RAM 16GB ในเชิงกายภาพไม่ได้แปลว่าจะใช้ 16GB ได้เต็มจริงเสมอไป และยังมีปัญหาเรื่องจับคู่โมเดลกับการตั้งค่า (kvcache, context limit, temperature เป็นต้น) ให้เหมาะกับความต้องการด้วย
เราต้องการ AI inference โดยมนุษย์ เพื่อมนุษย์ และยินดีรับความช่วยเหลือ
มีโปรเจ็กต์ชื่อ Petals ที่เคยอ้างว่าทำได้สูงสุด 4 tok/s บนโมเดล 180B แต่รีโพไม่มีการอัปเดตมา 2 ปีแล้ว
https://petals.dev/
ในเชิงนโยบาย ยังมีแนวทางที่รัฐกำกับทั้งการเข้าถึงและการผูกขาดไปพร้อมกันได้
ผมต่อต้านการผูกขาดเทคโนโลยีนี้ แต่ความเสี่ยงของการให้ทุกคนมี AGI/ASI ที่ jailbreak แล้วก็ควรถูกมองอย่างชัดเจน
ถ้ายกตัวอย่างแบบง่าย ๆ เราอาจจินตนาการถึง AI พื้นฐานถ้วนหน้า ที่รัฐบาลจ้างหลายแล็บวิจัย (n_quorum) แล้วให้โควตาโทเค็นกับทุกคน
แต่การให้บริการผ่าน API ก็ควรมาพร้อมมาตรการความปลอดภัย
หากทุกคนสามารถรัน AGI ที่ jailbreak ของตัวเองได้จริง บรรทัดฐานสังคมที่มั่นคงอาจต้องพึ่งการเฝ้าระวังขนาดใหญ่เพื่อคอยดูว่าใครกำลังสร้างภัยคุกคาม CBRNE อยู่
จากมุมมองเสรีภาพของพลเมือง มันไม่ได้ดูเป็นชัยชนะที่ชัดเจนนัก แต่ผมก็เข้าใจว่าทำไมถึงมีตรรกะแบบนั้นได้
ที่บ้านและในธุรกิจของฉัน มันชนะมาตั้งแต่แรกแล้ว
ถ้าจะให้แม่นยำคือ open weights และความต่างเล็กน้อยนั้นก็ทำให้รู้สึกขัดใจ
ฉันไม่เคยเข้าใจแนวคิดที่ทำให้การทำงานหรือการพัฒนาผลิตภัณฑ์ต้องพึ่งพาซอร์สลับของสตาร์ตอัปรายใหญ่สองรายแบบเต็มตัว ทั้งที่ความสามารถทำกำไรก็ยังไม่ชัดเจนและเราไม่รู้ด้วยซ้ำว่าข้างในเป็นอย่างไร
มันขัดกับหลักวิศวกรรมที่ดีด้วย
เพราะงั้นฉันจึงไม่คิดจะทำแบบนั้น และเหตุผลที่ตอนนี้ยังยอมใช้เวลาไปกับการสำรวจ AI ก็เพราะมองว่า open weights ทำให้มันคุ้มค่าพอจะลงทุนเวลา
ทุกวันนี้ธุรกิจก็มักต้องขึ้นกับนโยบายของแพลตฟอร์มรับชำระเงินเจ้าเดียวและผู้ให้บริการบัตรเครดิตอเมริกันสองเจ้าอยู่แล้ว แค่นั้นก็แย่พอแล้ว
อาจเพราะนิสัยฟรีแลนซ์ด้วยก็ได้ แต่ฉันมักรู้สึกไม่สบายใจเสมอเมื่อถูกคาดหวังให้ทุ่มพลังงานมากเกินไปกับการศึกษาและเรียนรู้ผลิตภัณฑ์ของคนอื่น แทนที่จะเป็นเทคโนโลยีพื้นฐาน
ฉันยังจำยุคที่ Microsoft โน้มน้าวภาควิชาต่าง ๆ ด้วยการสัญญาว่าจะให้สิทธิ์เข้าถึงซอร์สโค้ดของ NT ได้
และยังจำได้ว่าผู้บริหารระดับสูงฝั่งเราคนหนึ่งเคยพูดว่า Linux เป็นเพียงเรื่องข้างเคียง ส่วนสิทธิ์เข้าถึง NT จะทำให้เรามีความหมายอย่างแท้จริง
ฉันคอยเตือนตัวเองและคนรอบข้างเสมอว่าเราต้องการอำนาจควบคุมชะตาของตัวเองมากขึ้น และ แนวหน้า นั้นนำหน้า เทคโนโลยีที่เสถียรล่าสุด อยู่เสมอ
ความก้าวหน้าเกิดขึ้นที่แนวหน้า แต่ก็มาพร้อมความเสี่ยงต่อความเสียหาย
งานวิศวกรรมควรโฟกัสที่การสร้างบนเทคโนโลยีที่เสถียรล่าสุด ไม่ใช่แค่ขึ้นขี่ความก้าวหน้าของคนอื่น
เครื่องมืออย่าง llama.cpp นั้นเปิดจริง แต่ถ้าไม่มี weights ก็ไม่มีประโยชน์
weights คือ ทุน ที่มีต้นทุนมหาศาลซึ่งองค์กรขนาดใหญ่ที่กำลังทำสงครามกันเป็นผู้บริจาคให้
เช่น ฉันไม่รู้ว่า archive.org จะสร้าง weights ที่เปิดจริงได้ไหม และนอกจาก archive.org แล้วก็ยังนึกภาพไม่ออกว่าองค์กรโอเพนซอร์สอื่นอย่าง freebsd หรือ apache จะอยู่ในฐานะที่สร้าง weights ที่เปิดจริงได้
ถ้าจะเป็นไปได้ก็คงเป็นรัฐบาล หน่วยงานรัฐ หรือมหาวิทยาลัย
แต่ตอนนี้สถาบันแบบนั้นยังไม่มีทั้งเงิน อำนาจ ความตั้งใจ หรือความสนใจมากพอที่จะทุ่มงบให้โครงสร้างพื้นฐานสำหรับสร้าง weights
AI เข้ามาเสริมวิธีพัฒนาของธุรกิจเรา และวิศวกรก็ชอบใช้ Opus 4.8 มากกว่าการใช้โมเดลโอเพนซอร์สที่ดีที่สุดเสียอีก
ฉันเชื่อว่าโอเพนซอร์สสำคัญ แต่ในธุรกิจของฉัน ฉันก็จะใช้เครื่องมือที่ดีที่สุดเท่าที่ใช้ได้อยู่ดี
ถ้า โอเพนซอร์ส ถูกทำให้หมายถึงซอฟต์แวร์ฟรี มันก็แทบจะไม่ต่างจากการบอกว่าแค่อยากได้สำเนาฟรี
สิ่งที่เราควรพูดคือโครงการที่เปิดเผยและชุมชนเป็นผู้ดำเนินการร่วมกันทำ pretraining และ training
นั่นหมายถึงการจัดการกับคลังข้อมูลฝึกแบบเปิดเผย และประสานงานงานฝึกไม่ทางใดก็ทางหนึ่ง
นี่คือการเปลี่ยนความหมายของคำไปอย่างสิ้นเชิง และคล้ายกับเวลาที่ผู้คนเอาการละเมิดลิขสิทธิ์ไปปนกับการขโมย
มันเป็นคนละเรื่องกัน จึงควรใช้คนละคำ
weights ฟรี, inference code, และ chat template นั้นต่างจาก โครงการ LLM ที่ชุมชนดำเนินการ อย่างมาก
แล้วใครจะให้ทุน?
ค่า training แพงจนแทบนึกภาพไม่ออก
ที่มีอยู่ก็มีแต่ โมเดลเงินทุนแบบ VC ที่หวังผลตอบแทนจากการลงทุน หรือโมเดลเงินทุนจาก CCP ที่มุ่งทำให้แบบจำลองสังคมจีนแบบอำนาจนิยมแข็งแรงขึ้น
อาจมีโมเดลระดับ 4B ของมหาวิทยาลัยอยู่บ้าง แต่ดูแล้วคงไปได้ไม่ไกล
ฉันทึ่งทุกวันกับความจริงที่ว่าคอมพิวเตอร์ Linux ของฉันมอบประสบการณ์ที่แทบไม่ต่างจากระบบปฏิบัติการที่บริษัทระดับล้านล้านดอลลาร์สองแห่งสร้างขึ้น
แถมยังทำบางอย่างที่ทางเลือกเชิงพาณิชย์เหล่านั้นทำไม่ได้อีกด้วย
ถ้า DeepSeek สามารถปล่อยโมเดลได้ด้วยต้นทุนเพียง 1/10 ของคู่แข่งฝั่งตะวันตกและใช้พนักงานเพียงเศษเสี้ยวจริง นั่นอาจแปลว่ามีตลาดสำหรับใครบางคนที่อยากเข้ามาเป็นทางเลือกในพื้นที่นี้
ฉันนึกถึงเหตุผลที่บริษัทอย่าง IBM ยินดีมีส่วนร่วมกับ Linux และปล่อยผลงานที่ตนร่วมทำออกมาให้ใช้ฟรี
เพราะพวกเขาเป็นส่วนหนึ่งของกลุ่มผู้สนับสนุนจากภาคธุรกิจที่ต้องการทางเลือกนอกเหนือจากผู้เล่นเชิงพาณิชย์ที่ครองตลาดมากกว่า
เหตุผลที่ Meta ปล่อย React ให้ใช้ฟรีแทบทั้งหมดก็คล้ายกัน
เพราะการให้มันกลายเป็นมาตรฐานและสามารถจ้างคนที่รู้มันอยู่แล้วได้ เป็นประโยชน์ต่อ Meta มากกว่า
การจินตนาการถึงผลประโยชน์เชิงระบบนิเวศแบบเดียวกันในโมเดล AI นั้นยากกว่า แต่ก็อาจมีอยู่ที่ไหนสักแห่ง
พอนึกภาพได้ว่าผู้ให้บริการดาต้าเซ็นเตอร์/VPS อาจสนับสนุนอะไรแบบนั้นเพื่อลดอำนาจต่อรองของบริษัท AI รายใหญ่
แน่นอนว่าความมองโลกในแง่ดีนี้อาจเป็นเพียงความฝันลม ๆ แล้ง ๆ ก็ได้
ถ้าผู้สร้างโมเดลสามารถขูดเอาผลงานของคนอื่นไปฝึก แล้วฟอกข้อมูลให้กลายเป็นของตัวเองโดยไม่ต้องคืนอะไรให้ผู้สร้างต้นฉบับได้ ฉันก็ไม่เห็นว่าทำไมการ distill โมเดลจึงควรผิดกฎหมาย
มันก็เป็นสิ่งเดียวกับที่ผู้สร้าง frontier model กำลังทำกับทรัพย์สินทางปัญญาของคนอื่นโดยรวมอยู่แล้ว
ตอนนี้การ training แพงจนแทบนึกภาพไม่ออก
แล้วถ้ามหาวิทยาลัยหลายแห่งรวมเงินกันล่ะ?
แล้วถ้าหลายประเทศรวมเงินกันล่ะ?
สุดท้ายก็จะมีจุดพลิกผันและการปรับให้เหมาะสมเกิดขึ้น
ผู้คนเคยสงสัยว่าระบบปฏิบัติการโอเพนซอร์สจะเกิดขึ้นได้จริงหรือไม่ แต่ Linux ก็เป็นตัวเลือกจริงบนเดสก์ท็อปมานานหลายทศวรรษ และไม่ต้องพูดถึงบนเซิร์ฟเวอร์กับระบบปฏิบัติการมือถือที่ถูกใช้อย่างแพร่หลายอยู่แล้ว
การใช้โมเดลเก่าไม่มีคุณค่าอะไร
แถลงการณ์โอเพนซอร์ส AI เรียกร้องว่า “โอเพนซอร์ส AI ต้องยั่งยืนทางเศรษฐกิจด้วย” แต่เรื่องนั้นออกจะใกล้เคียงกับการคิดแบบโลกสวยมากกว่า
gpt-oss ตอนนี้เก่าแล้ว แต่ตอนออกมาใหม่ ๆ ก็ใช้ได้ดี
Nemotron ก็แข็งแรงดี โดยเฉพาะ ultra รุ่นล่าสุดที่ดีมาก
Nvidia มีเรื่องเล่าที่ดีกว่ามาก โดยเฉพาะเมื่อเทียบกับโมเดลจากจีน ตรงที่พวกเขาเปิดเผยทุกส่วน ไม่ใช่แค่ตัวโมเดล แต่รวมถึงข้อมูลสำหรับ pretraining และ post-training ด้วย
แทนที่จะได้โมเดลโอเพนซอร์สเป็นของพลอยได้จากบริษัท ฉันยินดีจ่าย 50 ดอลลาร์ต่อเดือนเพื่อสนับสนุน สถาบันวิจัย AI โอเพนซอร์ส โดยตรง
แล้วเราจะรู้ได้อย่างไรว่าสถาบันวิจัย AI โอเพนซอร์สนั้นจะไม่แยกตัวออกไปเป็นบริษัทแสวงหากำไรไม่ทางใดก็ทางหนึ่ง?
บางทีฉันอาจเริ่มใช้ API ของพวกเขาก็ได้
มันก็ไม่ใช่ของพลอยได้จากบริษัทด้วย
สำหรับ AI แบบ open weights อาจไม่มีแรงจูงใจให้ทุ่มทุนก้อนใหญ่กับการฝึกและการวิจัย
อาจมีสิ่งอย่างกองทุนบริจาคเกิดขึ้นได้ แต่แน่นอนว่าคงเทียบระดับการระดมทุนที่แล็บแนวหน้าต่าง ๆ ได้รับไม่ได้
เพราะอย่างนั้น จึงอาจเป็นไปไม่ได้ที่ AI จะดำรงอยู่ได้ด้วย open weights เพียงอย่างเดียว
ผู้เล่นหลักอย่าง OpenAI, Anthropic, Google น่าจะยังคงอยู่ต่อไป และมีแนวโน้มจะมีโมเดลที่ดีกว่าเวอร์ชันโอเพนซอร์ส
มันอาจดูเหมือนความสัมพันธ์ระหว่าง Photoshop กับ GIMP
Photoshop ก็คือแล็บแนวหน้า ส่วน GIMP ก็คือโมเดลแบบ open weights
GIMP ใช้งานได้ดีพอสำหรับเวิร์กโฟลว์การแต่งภาพหลากหลายแบบ แต่ Photoshop ก็ยังดีกว่าอยู่ดี
แน่นอนว่าถ้ามีโมเดล open weights ที่ดีกว่าแล็บแนวหน้าก็คงดี แต่ผมไม่คิดว่ามันเป็นไปได้
OpenAI และรายอื่น ๆ ก็อาจออกผลิตภัณฑ์แบบ on-premises ได้
จะเป็น appliance rack หรือรูปแบบอื่นก็ตาม องค์กรขนาดใหญ่คงอยากรัน inference ไว้ในเครื่องเพื่ออธิปไตยด้านข้อมูลและการควบคุมต้นทุน
โดยเฉพาะเมื่อถึงจุดที่ต้องการผสาน AI เข้ากับภาคการผลิตหรือเครือข่ายที่แยกขาดจากกันแบบอื่น ๆ ก็ยิ่งเป็นเช่นนั้น
ตอนนี้ยังเป็นช่วงขยายตัวแบบพุ่งแรงอยู่ แต่ถ้าเทคโนโลยีเบื้องหลัง AI ไม่ได้วิวัฒน์จริง ๆ การสร้างโมเดลที่ดีขึ้นเรื่อย ๆ จะยากขึ้นและผลตอบแทนจะลดลง
ถ้า GIMP ของโลก LLM ทำผลงานได้แค่ 80% ของโมเดลที่ขับเคลื่อนด้วยเงิน VC ก็ยังมีประโยชน์พอสำหรับคนจำนวนมาก
ต่อให้จริงที่มันไม่ดีเท่าโมเดลปิดก็ตาม แค่ มีตัวเลือกให้ใช้โมเดลโอเพนซอร์ส ก็ถือว่าชนะแล้ว
เมื่อชัดเจนขึ้นว่าไม่มีทางรีดเงินระดับล้านล้านดอลลาร์จากผู้บริโภคได้ การประเมินมูลค่าระดับล้านล้านก็จะถูกมองว่าไร้ความหมาย
ระหว่างนั้น และไม่ว่าอย่างไร หากการปรับแต่งซอฟต์แวร์กับการขยายฮาร์ดแวร์ยังเดินหน้าต่อ อีกไม่นาน open weights ที่มีความสามารถเหนือกว่า Fable ก็จะรันได้บนอุปกรณ์พกพา
เพียงแต่ผมไม่รู้ว่ามันจะใช้งานได้จริงอย่างไร
โมเดล AI บางตัวมีขนาดใหญ่จนสมเหตุสมผลที่จะรันได้เฉพาะใน hyperscale datacenter ระดับล้ำสมัยเท่านั้น
การปล่อยโมเดลแบบนั้นเป็นโอเพนซอร์สโดยมากแทบไม่มีความหมาย
มันใหญ่กว่าระดับของโมเดลเปิดที่ใหญ่ที่สุดในปัจจุบันมาก และใหญ่ถึงขั้นตัดความเป็นไปได้แม้แต่การทำ inference แบบช้าบนคลัสเตอร์ชั่วคราวขนาดเล็กราคาถูก
Fable อาจอยู่ถึงจุดนั้นแล้วก็ได้
ผมเห็นด้วยกับอารมณ์ร่วมและพันธกิจนี้ แต่เป้าหมายนี้แยกออกจาก การเมือง ไม่ได้อีกต่อไป
การเป็น Open Source(tm) ไม่ได้ช่วยกันไม่ให้รัฐบาลหรือฝ่ายอื่นเข้าควบคุมซิลิคอนหรือสิ่งที่ซิลิคอนนั้นทำได้ และเรื่องแบบนั้นก็เกิดขึ้นทั่วโลกอยู่แล้ว
ต่อให้โมเดลเป็นโอเพนซอร์ส ก็ไม่ได้แก้ปัญหาเรื่องกฎระเบียบหรือแรงจูงใจทางเศรษฐกิจ
นี่ไม่ใช่ปัญหาที่จะย่อให้เหลือไม่กี่ย่อหน้าได้
AI คือ โครงสร้างพื้นฐานระดับอารยธรรม และต้องการทางออกระดับอารยธรรม ไม่ใช่แค่ซอร์สโค้ด
ทุกคนรู้ว่าบริษัท AI เอาสิ่งต่าง ๆ ไปใช้ฝึกโดยไม่ได้รับอนุญาต แต่สุดท้ายคงไม่มีอะไรเกิดขึ้น
นี่คือตัวอย่างชัด ๆ ของการบังคับใช้กฎหมายแบบแบ่งชนชั้น
เหตุผลที่พวกเขาใช้กฎหมายของตัวเองตามอำเภอใจก็มักจะเป็นเรื่องความมั่นคงของชาติ
เพราะพวกเขาเป็นเจ้าของโครงสร้างพื้นฐาน ดังนั้นผลประโยชน์ของพวกเขาจึงกลายเป็นความมั่นคงของชาติ
แม้เทคโนโลยีจะสั่นกระดานได้ทุกครั้งที่เกิดการก้าวกระโดดครั้งใหญ่ แต่ทุนนิยมการเงินก็จะปรับตัวเร็วและดูดซับคลื่นนั้นเข้าไป
ถ้าในบทความไม่ได้พูดถึง ความแตกต่างระหว่าง โอเพนซอร์ส กับ open weights เป็นเรื่องสำคัญ
โมเดล open weights แทบจะเหมือนยาเสพติดสำหรับมือใหม่แบบเข็มแรกฟรี
อย่างน้อยที่สุด หากไม่มีข้อมูลฝึกต้นฉบับ ความสามารถในการอัปเกรดอย่างมีนัยสำคัญก็ถูกจำกัดเกินไป จนไม่นานก็จะตามหลังโมเดลใหม่ ๆ ที่พัฒนาอย่างต่อเนื่อง
จากนั้นคุณก็จะโหยหาการปล่อยรุ่นถัดไป หรือไม่ก็กลับไปใช้ API ของผู้ให้บริการ
แค่เลื่อน knowledge cutoff ไปข้างหน้าก็ทำให้ประสบการณ์ผู้ใช้ดีขึ้นอย่างเห็นได้ชัดแล้ว ยังไม่ต้องพูดถึง inference, quantization-aware training และการปรับปรุงอื่น ๆ ที่กำลังจะตามมา
จะทำวิจัยเพื่อปรับปรุงโมเดล open weights ก็ได้ แต่บทสรุปก็เหมือนเดิม
ถ้าไม่ใช่โอเพนซอร์ส ประโยชน์ที่มอบให้สาธารณะโดยรวมก็จะน้อยลงมาก
ตามนิยามแล้ว AI โอเพนซอร์สไม่มีทางชนะได้อย่างเด็ดขาด
ทุกวันนี้ AI ท้ายที่สุดก็ใกล้เคียงกับการทำ hill-climbing optimization และแล็บแบบปิดก็สามารถดูดซับทุกอย่างที่โลกเปิดทำได้แล้วต่อยอดทับขึ้นไปอีก
สำหรับกรณีใช้งานส่วนใหญ่ นี่ไม่ใช่ปัญหาใหญ่นัก เพราะ AI ทำงานในลักษณะของ ความสามารถอิ่มตัว
https://www.delanceyukschoolschesschallenge.com/the-rising-t...
ข้อยกเว้นมีเพียงกรณีที่ความได้เปรียบเหนือคู่แข่งสำคัญ เช่น สาขาที่โดยเนื้อแท้แล้วต้องเผชิญหน้ากับธรรมชาติหรือผู้อื่นเท่านั้น
ชัยชนะครั้งใหญ่อีกครั้งน่าจะเป็นตอนที่คนทั่วไปสามารถรันมันบนฮาร์ดแวร์ของตัวเองได้
Microsoft จะเรียนรู้อะไรจาก Linux มากแค่ไหนก็ได้ แต่ Linux ไม่เพียงรักษาความเกี่ยวข้องไว้ได้แม้มีคู่แข่งเชิงพาณิชย์ ตรงกันข้ามกับกรณีอย่างส่วนแบ่งตลาดปัจจุบันของ Firefox ตอนนี้มันยังกลายเป็นระบบปฏิบัติการที่แพร่หลายที่สุดแบบทิ้งห่างไปแล้วด้วย
ดูเหมือนว่าความสามารถในการดูดซับไอเดียหรือข้อมูลดี ๆ ทั้งหมดจากระบบเปิดไม่ใช่ปัจจัยชี้ขาดเพียงอย่างเดียว
ตอนนี้ Fable และ Mythos คือระดับล้ำหน้าสุด แต่ในไม่ช้าก็จะกลายเป็นสินค้าโภคภัณฑ์
สำหรับบริษัทหนึ่งแห่งที่พยายามนำหน้าด้วยโมเดลล่าสุดแบบ OpenAI/Anthropic ก็น่าจะมีอีกราวร้อยแห่งที่พยายามทำให้ส่วนเติมเต็มของมันกลายเป็นสินค้าโภคภัณฑ์
ชัยชนะของโอเพนซอร์สแค่มีทางเลือกแทนโมเดลแบบปิดอย่างน้อยหนึ่งตัวที่ดีระดับ GPT-4 ก็เพียงพอแล้ว
ที่จริงด้วยโมเดล Google Gemma เราก็เกือบถึงจุดนั้นแล้ว
ในฐานะวิศวกรซอฟต์แวร์ ผมไม่รู้สึกถึงความต่างด้านผลิตภาพของตัวเองหลังจาก Sonnet
แน่นอนว่า Opus ดีกว่า และ Fable ก็ดีกว่าอีก แต่ในแง่มูลค่าทางเศรษฐกิจ มันชนกับผลตอบแทนที่ลดลงแล้ว
ตอนย้ายจากหนึ่งในโมเดล GPT รุ่นแรก ๆ ใน Cursor มาใช้ Claude Code กับ Sonnet ผมได้ ผลิตภาพเพิ่มขึ้นเกือบ 5 เท่า
ก่อนมี Claude Code ผมใช้ AI แค่กับโค้ดชิ้นเล็ก ๆ แต่พอเป็น Claude Code + Sonnet ผมสามารถโยนงานย่อยทั้งก้อนไปให้ได้
ถึงอย่างนั้น ผมก็ยังไม่ไว้ใจให้ Opus รับผิดชอบทั้งฟีเจอร์ตั้งแต่ต้นจนจบ
ผมก็ไม่แน่ใจว่ามันจะไปถึงจุดนั้นในสักวันหรือไม่ และมันอาจไม่จำเป็นต้องเป็นแบบนั้นด้วย
บริษัทต่าง ๆ ต้องการพรสวรรค์ในระดับค่อนข้างสูงจากวิศวกรซอฟต์แวร์ แต่พอเกินระดับนั้นไปแล้ว พวกเขาไม่ได้สนใจจริง ๆ
ต่อให้ต่างกันมากก็อาจไม่ทันสังเกตด้วยซ้ำ