สถานะของ AI โอเพนซอร์ส เดือนกรกฎาคม 2026
(stateofopensource.ai)- โมเดล open weight ไปถึงระดับใกล้เคียงแบบปิดในด้านการเขียนโค้ด การทำตามคำสั่ง และความรู้ทั่วไปแล้ว และต้นทุนการอนุมานก็ ลดลง 50 เท่า ในช่วง 36 เดือน ทำให้ศูนย์กลางของการแข่งขันย้ายจากตัวโมเดลไปสู่ agent harness
- กลางปี 2026 บน OpenRouter โมเดล open weight ครองสัดส่วนมากกว่าครึ่งของปริมาณโทเค็นที่ประมวลผล และ 5 อันดับแรกก็เป็นโมเดลเปิดทั้งหมด แต่ในงานด้านการให้เหตุผล การค้นคืนบริบทยาว และงานเอเจนต์ ยังมี ช่องว่างด้านความสามารถ 3.3% โดยเฉลี่ย เมื่อเทียบกับแบบปิด
- นักพัฒนาที่เพิ่มความสามารถ AI จำนวน 79% ใช้โมเดลเปิด แต่มีอัตราไปถึงโปรดักชันเพียง 51% ต่ำกว่าแบบปิดที่ 63% ทำให้ มาตรฐาน เครื่องมือดีพลอย และความน่าเชื่อถือในการปฏิบัติการ ยังเป็นคอขวดหลัก
- ระบบนิเวศที่รวมถึง Databricks, Mistral AI และ DeepSeek สร้างรายได้และระดมทุนขนาดใหญ่ได้แล้ว และแม้การโฮสต์เองจะเปลี่ยนค่าใช้จ่ายตามปริมาณโทเค็นให้กลายเป็นต้นทุนคงที่ แต่เมื่อราคาโมเดลลดลง รายได้ก็ไหลไปยังชั้นบนอย่างแพลตฟอร์มและฮาร์เนส
- การแข่งขันถัดไปจะขึ้นกับว่าใครเป็นเจ้าของ harness, memory, สิทธิ์การเขียน และ governance และหากต้องการรักษาความเปิดไว้ ก็จำเป็นต้องสร้าง neutral harness และมาตรฐานสิทธิ์ที่พกพาได้ พร้อมหลีกเลี่ยงการพึ่งพาโมเดล ผู้ให้บริการ หรือประเทศใดประเทศหนึ่งมากเกินไป
AI ที่เป็นเจ้าของเอง ไม่ใช่แค่เช่ามาใช้
- AI แบบเปิดทำให้ผู้ใช้เป็นเจ้าของทั้งโมเดลและข้อมูลได้โดยตรงในพื้นที่ที่ยากจะอาศัย API แบบปิด เช่น ภาษาเฉพาะที่ตลาดเล็ก บริการออฟไลน์หน้างาน ฮาร์ดแวร์เฉพาะทาง หรือโครงสร้างพื้นฐานสาธารณะ
- สถานีวิทยุกระจายเสียง Māori ทางตอนเหนือของนิวซีแลนด์ฝึก โมเดลเสียง te reo ภายใต้ไลเซนส์ที่ทำให้ข้อมูลยังคงอยู่กับชุมชน
- PwC ปรับจูนโมเดลเปิดด้วยภาษาการเงินแล้วรันบนฮาร์ดแวร์ของตนเองเพื่อให้บริการลูกค้าหลายร้อยราย โดยไม่ต้องจ่ายค่าบริการต่อโทเค็น
- นักวิจัยใน Lausanne สร้างโมเดลการแพทย์แบบเปิดที่สอดคล้องกับแนวทางของ Red Cross และหลักมนุษยธรรม พร้อมเตรียมการทดลองทางคลินิกในประเทศตนเองและใน Tanzania
- เกษตรกรใน East Africa รันโมเดลวินิจฉัยโรคมันสำปะหลังแบบออฟไลน์บนโทรศัพท์มือถือในแปลงเพาะปลูกที่คลาวด์เข้าไม่ถึง
- กลุ่มความร่วมมือภาครัฐของ Switzerland ฝึกโมเดลระดับชาติด้วยซูเปอร์คอมพิวเตอร์สาธารณะ และเปิดเผยทั้ง weights, data และโค้ดฝึกสอน
- เช่นเดียวกับที่ Mozilla เคยเกิดขึ้นเพื่อขัดขวางการผูกขาดประตูสู่เว็บของบริษัทเพียงรายเดียว AI ก็ต้องการการแข่งขัน การทำงานร่วมกันได้ และเสรีภาพในการย้ายออกจากผู้ให้บริการ
- เป้าหมายไม่ได้อยู่ที่การเลือกโมเดลเดียว แต่คือการสร้างโครงสร้างที่เชื่อมหลายโมเดลเข้าด้วยกันด้วยวิธีมาตรฐาน เพื่อให้เปลี่ยนผู้ให้บริการได้ทุกเมื่อ
ความสามารถและการใช้งานของ open weight
- ใน Chatbot Arena ช่องว่างระหว่างโมเดลเปิดกับแบบปิด ลดจาก 8.04% เหลือ 0.5% นับตั้งแต่เดือนมกราคม 2024 ก่อนจะกว้างขึ้นอีกเป็น 3.3% ในเดือนมีนาคม 2026
- ในเดือนสิงหาคม 2024 ช่องว่างแคบลงถึง 0.5% และในเดือนกุมภาพันธ์ 2025 DeepSeek-R1 เคยขึ้นมาเทียบเท่าโมเดลชั้นนำของสหรัฐชั่วคราว
- เมื่อโมเดลให้เหตุผลแบบปิดเริ่มนำ ค่าเฉลี่ยของช่องว่างจึงกว้างขึ้นอีก แต่โมเดลเปิดยังอยู่ในระดับเทียบชั้นหรือใกล้เคียงในด้านการเขียนโค้ด การทำตามคำสั่ง และความรู้ทั่วไป
- ช่องว่างที่เหลือกระจุกอยู่ที่ การให้เหตุผล การค้นคืนบริบทยาว และงานเอเจนต์
- ราคาอนุมานต่อ 1 ล้านโทเค็นของโมเดลระดับ GPT-4 ลดลง 50 เท่า จาก 20 ดอลลาร์เหลือ 0.40 ดอลลาร์ ในช่วง 36 เดือน
- Stanford HAI รวบรวมว่าราคาระดับ GPT-3.5 ลดลง 280 เท่าในช่วง 18 เดือน
- Epoch AI ประเมินว่าลดลงปีละ 9 ถึง 900 เท่า และงานวิจัยของ MIT ในเดือนพฤศจิกายน 2025 คาดว่าราคาแนวหน้าหลังปรับผลของฮาร์ดแวร์แล้วลดลงปีละ 5 ถึง 10 เท่า
- บน OpenRouter สัดส่วนโทเค็นของ open weight เพิ่มจากระดับเล็กน้อยเป็นราวหนึ่งในสามช่วงปลายปี 2025 และเกินครึ่งในกลางปี 2026
- นี่คือความได้เปรียบในเชิง ปริมาณโทเค็นที่ประมวลผล ขณะที่ในด้านจำนวนคำขอ ผู้ให้บริการแบบปิดจากสหรัฐยังนำอยู่
- การใช้งานโมเดลเปิดกระจุกตัวในเวิร์กโหลดด้านการเขียนโค้ดและเอเจนต์
- ในช่วงเดือนล่าสุด 5 โมเดลที่มีปริมาณประมวลผลสูงสุดบน OpenRouter ล้วนเป็น open weight
- ตามลำดับคือ DeepSeek V4 Flash 18.4T, Xiaomi MiMo-V2.5 14.9T, Tencent Hy3 preview 14.8T, MiniMax M3 14.3T และ Owl Alpha 11T ที่ไม่เปิดเผยแหล่งที่มา
- ถัดลงมาคือ Anthropic Claude Opus 4.7 9.02T, DeepSeek V4 Pro 8.55T, Claude Sonnet 4.6 7.33T, Claude Opus 4.8 6.18T และ DeepSeek V3.2 4.31T
- กลางปี 2026 ปริมาณโทเค็นรายสัปดาห์ของ 9 โมเดลอันดับต้นอยู่ที่ราว 18T สำหรับจีน และราว 5.5T สำหรับสหรัฐ หรือ มากกว่า 3 ต่อ 1 และนักพัฒนาที่ทำ routing ตามต้นทุนก็มักเอนเอียงไปเลือก open weight
อัตราการนำไปใช้สูง แต่อัตราเปลี่ยนเป็นโปรดักชันต่ำ
- ในแบบสำรวจนักพัฒนาปี 2026 ของ Mozilla·SlashData นักพัฒนาที่เพิ่มความสามารถ AI 79% ใช้โมเดลเปิด และ 71% ใช้โมเดลแบบปิด
- 29% ใช้เฉพาะโมเดลเปิด และ 21% ใช้เฉพาะโมเดลแบบปิด
- 50% ซึ่งคิดเป็นครึ่งหนึ่งใช้ทั้งสองประเภทควบคู่กัน จึงแปลว่าสำหรับทีมส่วนใหญ่ ทั้งคู่ไม่ใช่สิ่งทดแทนกันแบบสมบูรณ์
- อัตราการนำโมเดลเปิดไปใช้สูงที่สุดใน Greater China และ East Asia ที่ 89% เท่ากัน ตามมาด้วย Western Europe 70% และ South America 66%
- มีเพียง Western Europe และ South America เท่านั้นที่อัตราการใช้แบบปิดสูงกว่าแบบเปิด
- อัตราการไปถึงโปรดักชันยังต่างกัน โดยทีมที่ใช้โมเดลเปิดอยู่ที่ 51% ส่วนทีมที่ใช้โมเดลแบบปิดอยู่ที่ 63%
- ในบริษัทขนาดเล็ก แบบปิดอยู่ที่ 54% และแบบเปิด 53%
- ในบริษัทขนาดกลางอยู่ที่ 66% และ 55% ตามลำดับ และในบริษัทที่มีพนักงาน 1,001 คนขึ้นไปอยู่ที่ 73% และ 57%
- ยิ่งองค์กรใหญ่ อัตราดีพลอยของแบบปิดยิ่งเพิ่มจาก 54% เป็น 73% แต่แบบเปิดแทบไม่ขยับจาก 53% เป็น 57% แสดงว่าทรัพยากรขององค์กรเพียงอย่างเดียวไม่สามารถแก้คอขวดของการดีพลอยแบบเปิดได้
- ความแตกต่างที่ใหญ่ที่สุดระหว่างนักพัฒนาที่เลิกใช้โมเดลเปิดกับผู้ที่ยังใช้ต่อ คือประสิทธิภาพโมเดลไม่พอ +12%p, การผสานเข้ากับระบบเดิม +11%p และการบำรุงรักษา·อัปเดต +10%p
- การขาดเอกสาร, การดีพลอย·โฮสต์·สเกล และการประเมิน·เปรียบเทียบโมเดล อยู่ที่ +8%p เท่ากัน
- การปรับจูนและปรับแต่งเฉพาะทางอยู่ที่ +4%p ขณะที่ต้นทุนโครงสร้างพื้นฐานกับความปลอดภัย·ความเป็นส่วนตัว·การปฏิบัติตามกฎระเบียบไม่ต่างกัน และการขาดการสนับสนุนจากผู้เชี่ยวชาญอยู่ที่ -2%p
- ปัจจัยที่ชี้ขาดการเลิกใช้จึงกระจุกอยู่ที่ การผสานระบบ การปฏิบัติการ และการบำรุงรักษา มากกว่าความสามารถของโมเดลล้วน ๆ
- เมื่อนำข้อมูลนักพัฒนา 1,410 คนที่ใช้อยู่หรือเคยใช้โมเดลเปิดมาแยกตามภูมิภาค อุปสรรคโดยรวมเรียงตามลำดับคือ ต้นทุนโครงสร้างพื้นฐาน·คอมพิวต์ 27%, ความปลอดภัย·ความเป็นส่วนตัว·การปฏิบัติตามกฎระเบียบ 26%, การบำรุงรักษา 24%, การดีพลอย·โฮสต์·สเกล 23% และการขาดการสนับสนุนจากผู้เชี่ยวชาญ 22%
- South Asia มีสัดส่วนด้านความปลอดภัย·การปฏิบัติตามกฎระเบียบ 39% และการสนับสนุนจากผู้เชี่ยวชาญ 31% สูงเป็นพิเศษ
- มีเพียง North America 21% และ Greater China 16% เท่านั้นที่มีผู้ตอบว่าไม่มีปัญหาสำคัญเกิน 15%
- กลุ่มตัวอย่างใน Oceania ที่มี 39 คน และ Eastern Europe·CIS ที่มี 98 คน มีขนาดเล็กกว่าระดับอ้างอิงที่เชื่อถือได้
ช่องว่างด้านการปฏิบัติการของสแต็ก AI แบบเปิด
- แผนที่สแต็กเดือนมิถุนายน 2026 ของ Mozilla ประเมิน 9 ชั้น, 48 องค์ประกอบ และ 1,361 โปรเจกต์ ด้วยเกณฑ์ความพร้อม 10 ด้าน ให้คะแนนตั้งแต่ 1 ถึง 5
- แม้ตัวความสามารถจะสูง แต่แทบทุกชั้นและทุกองค์ประกอบกลับมีคะแนนด้านมาตรฐานและความพร้อมสำหรับการปฏิบัติการระดับองค์กรต่ำที่สุด
- คอขวดร่วมของสแต็กเปิดไม่ใช่คุณภาพของโมเดล แต่คือ มาตรฐานและความพร้อมสำหรับการปฏิบัติการระดับองค์กร โดยเครื่องมือด้านการดีพลอย การผสานระบบ การสนับสนุน และ governance ยังไม่สมบูรณ์
โครงสร้างรายได้และต้นทุนของ AI โอเพนซอร์ส
- AI แบบ open weights เติบโตเป็นตลาดเชิงพาณิชย์มูลค่าหลายแสนล้านดอลลาร์ โดยโมเดลรายได้ที่พิสูจน์แล้วมี 5 แบบคือ การโฮสต์ inference, แพลตฟอร์มองค์กร, ไลเซนส์ on-premises, บริการ fine-tuning, และเครื่องมือ harness
- บริษัทหลักกำลังขยายตัวผ่านช่วงการลงทุน รายได้ และการเข้าตลาดหลักทรัพย์
- Databricks มียอดรายได้ต่อปีแบบ annualized เกิน 5.4 พันล้านดอลลาร์ และยังอยู่ในช่วงก่อน IPO
- DeepSeek ทำรายได้ประจำต่อปี (ARR) ราว 220 ล้านดอลลาร์ ได้รับเงินลงทุนที่เปิดเผยต่อสาธารณะ 7.4 พันล้านดอลลาร์ และมีมูลค่าประเมินเกิน 5 หมื่นล้านดอลลาร์
- Mistral AI เติบโต 20 เท่าในช่วง 12 เดือนจนแตะ ARR ราว 400 ล้านดอลลาร์ เงินลงทุนที่เปิดเผยต่อสาธารณะอยู่ที่ 3.05 พันล้านดอลลาร์ มูลค่าประเมินราว 1.4 หมื่นล้านดอลลาร์ และยังอยู่ระหว่างการเจรจาระดมทุนที่ระดับ 2 หมื่นล้านยูโร
- Moonshot AI ระดมทุนได้ 3.9 พันล้านดอลลาร์, Reflection AI และ Cerebras รายละราว 2.1 พันล้านดอลลาร์, Cohere 1.7 พันล้านดอลลาร์, Together AI 1.334 พันล้านดอลลาร์
- Baseten 585 ล้านดอลลาร์, Black Forest Labs 450 ล้านดอลลาร์, Hugging Face 400 ล้านดอลลาร์, Modular 380 ล้านดอลลาร์, Fireworks AI 327 ล้านดอลลาร์, Anyscale 281 ล้านดอลลาร์, LangChain 260 ล้านดอลลาร์, Stability AI 230 ล้านดอลลาร์ เป็นยอดเงินลงทุนที่เปิดเผยต่อสาธารณะ
- Zhipu AI และ MiniMax ไม่ได้เปิดเผยยอดเงินลงทุนรวมต่อสาธารณะ และเข้าจดทะเบียนผ่าน Hong Kong IPO ในปี 2026
- Nvidia, Salesforce, AMD, Google, IBM, ASML, Tencent, CATL และ Schwarz Group ก็สนับสนุนบริษัทในชั้นโมเดล, inference และเครื่องมือเช่นกัน
- Cohere ดำเนินธุรกิจสำหรับองค์กรและ on-premises และเปิดซอร์ส Command A+ ในเดือนพฤษภาคม 2026 ส่วน LangChain มี GitHub stars มากกว่า 126,000 และมีส่วนแบ่งในกลุ่มนักพัฒนา 60%
- ในการใช้งานขนาดใหญ่ โมเดลปิดที่คิดค่าบริการแบบ จ่ายตามจำนวนโทเค็น กลายเป็นปัญหาด้านงบประมาณ
- Microsoft พบว่าค่าบริการโทเค็นทำให้งบ AI รายปีหมดภายในไม่กี่เดือน จึงยกเลิกไลเซนส์ Claude Code ส่วนใหญ่ภายในวันที่ 30 มิถุนายน 2026 และพิจารณาใช้ DeepSeek V4 ที่โฮสต์บน Azure แบบปลอดภัยสำหรับเวิร์กโหลด Copilot ขนาดหนัก
- Uber ใช้งบ AI coding ปี 2026 หมดภายใน 4 เดือน แล้วจึงจำกัดค่าใช้จ่ายรายเดือนต่อเครื่องมือและต่อพนักงานไว้ที่ 1,500 ดอลลาร์
- Stripe ให้บริการโมเดลเปิดบน vLLM ทำให้รองรับ API ได้วันละ 50 ล้านครั้งด้วย GPU เพียง 1 ใน 3 ของเดิม และลดต้นทุน inference ลง 73%
- การโฮสต์ open weights เองเปลี่ยนต้นทุนดำเนินงานผันแปรที่ผู้ให้บริการควบคุม มาเป็นต้นทุนคงที่ที่องค์กรเป็นเจ้าของเอง
- ช่วงเดือนพฤษภาคมถึงกันยายน 2025 บน OpenRouter โมเดลเปิดคิดเป็นสัดส่วนการใช้งานราว 20% แต่สร้างรายได้ในชั้นโมเดลเพียงราว 4%
- เมื่อความสามารถใกล้เคียงกัน ราคาเรียกใช้งานต่อครั้งของโมเดลปิด สูงกว่าราว 6 เท่า
- งานวิจัยของ Nagle–Yue จาก Linux Foundation ประเมินว่าช่องว่างราคานี้หมายถึงโอกาสประหยัดต่อปีที่ยังไม่เกิดขึ้นจริงราว 2.48 หมื่นล้านดอลลาร์
- แม้การใช้งานโมเดลเปิดจะเพิ่มขึ้น แต่หากชั้นโมเดลกลายเป็นสินค้าโภคภัณฑ์ รายได้จะสะสมไปยังชั้นบนอย่างแพลตฟอร์มและ harness แทน
อธิปไตยของรัฐและความเป็นไปได้ในการออกจากผู้ให้บริการ
- เมื่อมีการบังคับใช้ยุทธศาสตร์ AI ของชาติมากกว่า 70 ประเทศ จุดสนใจของนโยบายจึงเปลี่ยนจากการมีหรือไม่มียุทธศาสตร์ระดับชาติ ไปเป็น จะเป็นเจ้าของชั้นใดของสแตกได้บ้าง
- กรณีที่ Anthropic ปิดกั้นการเข้าถึงของชาวต่างชาติทั่วโลกตามคำสั่งส่งออกของรัฐบาลหนึ่ง ภายใน 3 วันหลังเปิดตัว Claude Fable 5 ในเดือนมิถุนายน 2026 แสดงให้เห็นขอบเขตของการควบคุมโดยผู้ให้บริการ
- เนื่องจากไม่สามารถปฏิบัติตามแบบเลือกเฉพาะได้ โมเดลของผู้ใช้ที่เข้าข่ายทั้งหมดจึงถูกปิดในวันศุกร์เวลา 17:21 น. และผู้ที่พึ่งพาโมเดลดังกล่าวได้รับผลกระทบโดยไม่มีการเตือนล่วงหน้า
- ผู้ให้บริการสามารถปิดโมเดลที่โฮสต์ไว้ได้ แต่ไม่สามารถปิดสำเนา weights ที่กำลังรันอยู่บนอุปกรณ์ของผู้ใช้จากระยะไกลได้
- สำหรับองค์กร การเก็บ weights ไว้บนดิสก์คือเครื่องมือหลีกเลี่ยงความเสี่ยง และสำหรับรัฐ สิ่งนี้สร้างความแตกต่างระหว่างนโยบายอิสระกับการต้องขออนุญาตจากภายนอก
- การผูกติดกับผู้ให้บริการในยุคคลาวด์ได้แสดงให้เห็นแล้วว่าต้นทุนการย้ายออกสูงเพียงใด
- ค่าโอนข้อมูลออก 1PB จาก AWS S3 อยู่ที่ 90,000~120,000 ดอลลาร์
- 80% ขององค์กรกำลังย้ายเวิร์กโหลดกลับสู่สภาพแวดล้อมของตนเอง
- 37signals ออกจากคลาวด์และลดค่าใช้จ่ายรายปีจาก 3.2 ล้านดอลลาร์ เหลือต่ำกว่า 1 ล้านดอลลาร์
- ค่าใช้จ่ายคลาวด์ของ GEICO สูงกว่าที่วางแผนไว้ 2.5 เท่า
- ระบบที่สร้างบน API แบบผูกขาดก็ต้องรับการเปลี่ยนแปลงราคาไปโดยตรงและยากจะย้ายออกอย่างสะอาด ดังนั้น open weights จึงมอบสิทธิในการออกจากผู้ให้บริการ
- ในเดือนมีนาคม 2026 ยอดดาวน์โหลดสะสมบน Hugging Face ของ Alibaba Qwen อยู่ที่ 942M และ Meta Llama อยู่ที่ 476M ทำให้จีนกลายเป็นแหล่งจัดหา open weights รายใหญ่ที่สุด
- ในเดือนกุมภาพันธ์ 2026 Qwen มียอดดาวน์โหลดมากกว่าทั้ง 8 องค์กรถัดไปรวมกัน
- สัดส่วนโทเค็นของโมเดล open weights จากจีนบน OpenRouter เพิ่มจากไม่ถึง 2% ในปลายปี 2024 เป็นมากกว่า 45% ของทราฟฟิกต่อสัปดาห์ในเดือนเมษายน 2026 และคิดเป็นราว 61% ในบรรดา 10 โมเดลที่มีการใช้งานสูงสุด
- DeepSeek มีบัญชีองค์กรมากกว่า 26,000 บัญชี และ 58% ของ AI startup หน้าใหม่ในปี 2025 นำไปใช้ในสแตกของตน แต่มีอย่างน้อย 8 เขตอำนาจศาลที่จำกัดบริการโฮสต์ของบริษัท
- องค์กรจำนวนมากจึงใช้สองแนวทางควบคู่กัน คือห้ามใช้แอปที่โฮสต์จากจีน แต่ยังโฮสต์ weights เองหรือใช้งานผ่าน endpoint ในโลกตะวันตก
- การผลักดันโอเพนซอร์สของจีนเป็นนโยบายที่อยู่ใน AI Plus Initiative ของ State Council เมื่อเดือนสิงหาคม 2025 และใน Five-Year Plan ระดับชาติเดือนมีนาคม 2026
- การเปิดเผย weights ยังช่วยรับมือมาตรการควบคุมการส่งออกเซมิคอนดักเตอร์ พร้อมกับกระจายภาระ inference ไปยังฮาร์ดแวร์ท้องถิ่นของผู้ใช้ทั่วโลก
- ในกลุ่มประเทศ Global South มีความต้องการกระจายผู้ให้บริการเพื่อลดการพึ่งพาการผูกขาดเทคโนโลยีจากสหรัฐฯ ขณะที่ในภูมิภาคอื่น ต้นทุนคือแรงจูงใจหลัก
เอเจนต์ฮาร์เนสที่กลายเป็นชั้นการแข่งขันใหม่
- เช่นเดียวกับที่เบราว์เซอร์เป็น user agent ของเว็บแบบเปิดที่เจรจากับเซิร์ฟเวอร์แทนผู้ใช้ เอเจนต์ฮาร์เนส ที่อยู่เหนือโมเดลก็รับหน้าที่ orchestration, เครื่องมือ, เมมโมรี, sandbox และสิทธิ์
- สแตกของฮาร์เนสประกอบด้วยหลายชั้นตั้งแต่โมเดลไปจนถึงผู้ใช้และ governance
- ชั้นควบคุม: LangGraph, CrewAI, AutoGen, LlamaIndex เปลี่ยนโมเดลให้เป็นเอเจนต์ผ่านลูปการวนซ้ำของการให้เหตุผลและการกระทำ
- ชั้นการเชื่อมต่อ: MCP ดูแลเครื่องมือและบริบท, A2A ดูแลการสื่อสารระหว่างเอเจนต์, Mem0·Letta·Zep ดูแลเมมโมรี
- ชั้นการกระทำ: E2B·Daytona·Modal ให้ sandbox และการรันงาน ส่วนสิทธิ์และตัวตนยังคงเป็นพื้นที่ด้านการเขียนที่ยังไม่ถูกแก้ไข
- ชั้นการประเมินและการสังเกตการณ์: Langfuse และ Phoenix ติดตามผลลัพธ์การรันและพฤติกรรม
- ชั้นผู้ใช้และการชำระเงิน: AG-UI·A2UI ดูแลอินเทอร์เฟซ, x402·AP2·UCP ดูแลการชำระเงินและการวัดปริมาณการใช้งาน
- ชั้น governance: Meta-harness, Omnigent, OPA, Agent governance toolkit รวมศูนย์นโยบายตามสถานะ, registry, lineage, งบประมาณ และการยกเลิกของหลายฮาร์เนสเข้าด้วยกัน
- MCP ในปีแรกแตะยอดดาวน์โหลด SDK รายเดือน 97M และมีเซิร์ฟเวอร์ที่ใช้งานอยู่มากกว่า 10,000 แห่ง เติบโต 4,750% ใน 16 เดือน และถูกบริจาคให้ Agentic AI Foundation ของ Linux Foundation ในเดือนธันวาคม 2025
- ในบรรดาองค์กร สัดส่วนที่มี agent governance ที่อยู่ในระดับพร้อมใช้งานจริงมีเพียงประมาณ 21% ทำให้การนำไปใช้เดินหน้าเร็วกว่าระบบควบคุม
-
การบูรณาการแนวตั้งของโมเดลและฮาร์เนส
- ใน Terminal-Bench 2.0 เมื่อเดือนพฤษภาคม 2026 ฮาร์เนสของบุคคลที่สามทำได้ 79.8% ด้วย weights ของ Anthropic ชุดเดียวกัน นำหน้า Claude Code ที่ 58.0% อยู่ 21.8%p
- แปดสัปดาห์ต่อมาใน Terminal-Bench 2.1 อันดับกลับด้านเมื่อห้องแล็บนำฮาร์เนสเข้ามาทำเองภายใน
- ชุด Codex CLI และ GPT-5.5 ทำได้ 83.4% ขณะที่ชุด Claude Code และ Claude 5 Fable ทำได้ 83.1%
- ฮาร์เนสอิสระที่ดีที่สุดซึ่งใช้ Fable 5 เดียวกันทำได้ 80.4% ทำให้ช่องว่างบนสุดแคบลงเหลือประมาณ 3%p
- ในทุกโมเดลที่เปรียบเทียบกันได้ ฮาร์เนสที่ห้องแล็บเป็นเจ้าของทำผลงานเหนือกว่าฮาร์เนสอิสระ
- การปรับแต่งโมเดลและฮาร์เนสร่วมกันช่วยเพิ่มประสิทธิภาพ แต่ทำให้ประสิทธิภาพลดลงเมื่อสลับไปใช้โมเดลอื่น จึงเกิด การผูกติดที่เป็นผลพลอยได้จากการปรับแต่ง
- โมเดลเปิดยังไม่มี first-party harness เพื่อตอบโจทย์นี้ จึงไม่ปรากฏในกลุ่มผู้นำที่ผ่านการตรวจสอบอย่างเป็นทางการของ Terminal-Bench 2.1
- เมื่อนำมาเทียบกันบนฮาร์เนสแบบเป็นกลาง Claude Opus 4.8 ทำได้ 71.9% ที่ต้นทุน 2.41 ดอลลาร์ต่องาน, Opus 4.7 ทำได้ 68.5% ที่ 1.98 ดอลลาร์, และโมเดลเปิด GLM 5.2 ทำได้ 67.8% ที่ 0.43 ดอลลาร์
- โมเดลเปิดตามหลัง Opus 4.7 เพียงเล็กน้อย และตามหลัง Opus 4.8 ราว 4%p แต่ต้นทุนอยู่ที่ประมาณหนึ่งในห้า
- ข้อมูลการใช้งานจริงที่เกิดขึ้นบนฮาร์เนสของห้องแล็บจะย้อนกลับไปสร้าง data flywheel สำหรับโมเดลรุ่นถัดไป และหากสแตกของตนเองเป็นเจ้าของฮาร์เนส ก็สามารถถือครองข้อมูลเดียวกันนั้นได้โดยตรง
-
สิทธิ์การเขียนที่ยังไม่ถูกแก้ไข
- การอ่าน เช่น การค้นเอกสาร การ query ฐานข้อมูล หรือการดูรายการตารางเวลา สามารถย้อนกลับได้และผลลัพธ์ค่อนข้างเล็ก จึงสามารถอนุญาตเป็นค่าเริ่มต้นได้
- การเขียน เช่น การส่งข้อความ การใช้งบประมาณ การแก้ไขเรคคอร์ด หรือการทำธุรกรรม มีต้นทุนสูงหรือย้อนกลับไม่ได้ จึงต้องรวมการยืนยัน เกณฑ์การอนุมัติ เพดานค่าใช้จ่าย และฟังก์ชันยกเลิกไว้เป็นศูนย์กลาง
- แม้จะมีประมาณ 12 เฟรมเวิร์ก, 10 ฮาร์เนส, 3 peer protocol แต่ยังไม่มี โมเดลสิทธิ์การเขียนแบบพกพา ที่ครอบคลุมทั้งโฮสต์ MCP, peer A2A, การเรียกใช้เครื่องมือโดยตรง และขอบเขตของเฟรมเวิร์ก
- สเปก MCP 2025-11-25 ย้ายการยืนยันตัวตนไปใช้ OAuth 2.1 และ A2A v1.0 ทำมาตรฐาน Agent Card แบบลงลายเซ็น แต่ทั้งคู่หยุดอยู่ที่การพิสูจน์ตัวตน
- ต่อให้ยืนยันตัวตนได้ ก็ยังไม่สามารถตัดสินได้ว่าเอเจนต์สามารถดำเนินการอะไรได้บ้าง
- threat model ของ MCP จาก CoSAI จัด ความล้าจากการให้ความยินยอม ซึ่งผู้ใช้ปล่อยผ่านคำขออนุมัติส่วนใหญ่โดยไม่ใส่ใจ เป็นภัยคุกคามระดับสูงสุด
- เมตาฮาร์เนสอย่าง Omnigent โอเพนซอร์สของ Databricks ติดตามสถานะของเซสชันและควบคุมการเขียนครั้งถัดไป แทนการพึ่ง prompt filter ของเอเจนต์แต่ละตัว
- หลังดาวน์โหลดแพ็กเกจที่ยังไม่ได้ตรวจสอบแล้วพยายาม push โค้ด ก็สามารถกำหนดให้ต้องได้รับการอนุมัติจากมนุษย์ได้
- ยังสามารถกำหนดเพดานต้นทุนที่ทำให้เซสชันหยุดชั่วคราวเมื่อใช้จ่ายถึงจำนวนเงินที่ตั้งไว้
- ชั้นที่ควบคุมพื้นที่การเขียนเหนือหลายฮาร์เนสคือจุดก่อตัวของโมเดลสิทธิ์ที่ยั่งยืน
-
ความปลอดภัยและความได้เปรียบที่ยังเหลือของโมเดลปิด
- การกรอง การมอนิเตอร์ และการยกเลิก ไม่ใช่ความสามารถที่เกิดจากการปิด weights แต่เป็นความสามารถของ ชั้นบริการและฮาร์เนส และสามารถนำไปใช้กับโมเดลเปิดที่โฮสต์เองได้เช่นกัน
- ในปี 2025 ระบบปิดของ Anthropic, Microsoft, ServiceNow และ Salesforce ก็ยังเกิดช่องโหว่ด้านสิทธิ์ระดับ CVSS 9.3~9.4
- NTIA พิจารณาแล้วว่ารัฐบาลสหรัฐควรจำกัด open weights หรือไม่ ก่อนจะแนะนำให้มอนิเตอร์แทนการจำกัด
- ระบบปิดยังคงนำหน้าใน 4 ด้าน
- ฮาร์เนสที่บูรณาการแล้วและ data flywheel ที่อยู่เบื้องหลัง
- ช่องว่างระหว่างการค้นหา multiple-needle ของ Gemini 3 ที่ 89% กับ DeepSeek V4-Pro ที่ 41% ในการค้นคืนบริบทยาว 1 ล้านโทเค็น
- การปฏิบัติตามข้อกำกับดูแลแบบพร้อมใช้ทันที เช่น SOC 2, HIPAA และการไม่เก็บข้อมูลโดยค่าเริ่มต้น
- คู่สัญญาที่ลูกค้าสามารถเรียกร้องความรับผิดชอบได้
- การปฏิบัติตามข้อกำกับดูแลและความรับผิดเป็นปัญหาเชิงสัญญา ฮาร์เนสแบบบูรณาการเป็นปัญหาเชิงเครื่องมือ ส่วนความเที่ยงตรงของบริบทยาวเป็นปัญหาเชิงโมเดลที่ห้องแล็บเปิดต้องแก้เองโดยตรง
การลงทุน 5 อย่างเพื่อรักษาความเปิดไว้
- สร้างฮาร์เนสแบบเปิด: ต้องสร้างฮาร์เนสแบบทั่วไปหรือเฉพาะอุตสาหกรรมที่ออกแบบร่วมกับ open weights เช่นเดียวกับ Codex และ GPT-5.5
- ตอนนี้ยังเป็นช่วงเวลาที่พอจะสร้างได้ ก่อนที่ห้องแล็บแบบปิดจะผูกโมเดลและฮาร์เนสเข้าด้วยกันอย่างสมบูรณ์เป็นผลิตภัณฑ์แบบเช่าใช้เดียว
- เป็นเจ้าของเมมโมรี: ยิ่งราคา weights เข้าใกล้ 0 โมเดลก็ยิ่งกลายเป็นชิ้นส่วนที่เปลี่ยนทดแทนได้ และเมมโมรีที่มีบริบทสะสมจะกลายเป็นสินทรัพย์ที่เติบโตแบบทบต้น
- ต้องเก็บไว้หลังไฟร์วอลล์ของตนเองในรูปแบบที่พกพาได้และ append-only เพราะเมื่อการเข้าถึงสิ้นสุดลง ก็ไม่สามารถกู้คืนบริบทที่สะสมมาหลายปีได้
- แก้ปัญหาสิทธิ์แบบพกพา: ต้องมีมาตรฐานที่แยกแยะการเขียนแบบอนุญาตอัตโนมัติ การเขียนที่ต้องให้มนุษย์อนุมัติ และการเขียนที่ต้องห้าม ครอบคลุมทั้ง MCP·A2A·การเรียกใช้เครื่องมือโดยตรง·ขอบเขตของเฟรมเวิร์ก
- หากยังไม่มีมาตรฐานเปิดออกมาในช่วงที่นโยบายการเขียนตามสถานะของเมตาฮาร์เนสกำลังก่อตัว แพลตฟอร์มปิดจะเป็นฝ่ายกำหนดกติกา
- เลิกยึดติดกับการคิดราคาตามการใช้งาน: ต้องเปรียบเทียบโมเดลปิดและโมเดลเปิดโดยตรง วางโมเดลที่สองไว้หลังอินเทอร์เฟซแบบเปิด และโฮสต์เองในจุดที่โหลดคาดการณ์ได้
- คาดว่าราคาเริ่มต้นจะสิ้นสุดลงราว 2027~2028 หลังการเข้าตลาดของผู้ให้บริการและหลังส่วนลดหมดลง จึงควรเตรียมแหล่งจัดหาคู่ไว้ตอนที่การสลับยังทำได้ง่ายและต้นทุนต่ำ
- ตั้งค่าผู้ให้บริการหลายรายเป็นค่าเริ่มต้น: หากระบบนิเวศไปกระจุกอยู่กับผู้ให้บริการแบบเปิดเพียงรายเดียว ก็ยากจะมองว่าเป็นทรัพยากรร่วม
- 47 ประเทศจำกัดการประมวลผลข้อมูลข้ามพรมแดน และมียุทธศาสตร์ระดับชาติมากกว่า 70 แห่งที่กำลังบังคับใช้
- Europe ลงทุนใน EUROPA, Canada จัดสรรเงิน 890 ล้านดอลลาร์ และ India กำหนด GPU จำนวน 38,231 ตัว
- หากเงินทุนภาครัฐไม่สามารถค้ำจุนการพัฒนาระยะยาวได้ ระบบนิเวศแบบเปิดก็อาจลู่เข้าสู่แหล่งเดียวเช่นกัน
สัญญาณที่ต้องติดตามต่อเนื่อง
- ความสามารถและการนำไปใช้: ต้องติดตามช่องว่างด้านความสามารถ 3.3%, การเสมอกันหรือไม่ในด้านการเขียนโค้ด, ช่องว่างด้านการให้เหตุผลและเอเจนต์, รวมถึงสัดส่วนโทเคนการเขียนโค้ดของเอเจนต์บน OpenRouter
- หากสัดส่วนโทเคนฝั่งโอเพนหยุดนิ่งและช่องว่างด้านการให้เหตุผลกว้างขึ้น กระแสปัจจุบันก็จะพลิกกลับ
- ฮาร์เนส: ประเด็นสำคัญคือช่องว่างของ Terminal-Bench ระหว่างฮาร์เนสที่สถาบันวิจัยเป็นเจ้าของกับฮาร์เนสอิสระ, ธรรมาภิบาล MCP·A2A ภายใต้ AAIF, และข้อกำหนดสิทธิ์แบบพกพาที่ยังไม่มีในตอนนี้
- หากความได้เปรียบของฮาร์เนสจากสถาบันวิจัยเพิ่มขึ้น หรือแพลตฟอร์มปิดกำหนดมาตรฐานสิทธิ์ก่อน เลเยอร์แบบเปิดก็จะอ่อนแอลง
- โครงสร้างตลาด: ต้องดู ARR·การลงทุนของสถาบันวิจัยโอเพน, IPO ของ Zhipu และ MiniMax, จุดเปลี่ยนของราคาแบบคิดตามการใช้งานในช่วงปี 2027~2028, รวมถึงการลงทุนด้านคอมพิวติ้งอธิปไตยของรัฐควบคู่กันไป
- หากเงินทุนจากรัฐหยุดลง หรือสถาบันวิจัยโอเพนไม่สามารถทำให้ความคุ้มค่าทางเศรษฐกิจขยายตามสเกลได้ ก็จะยากต่อการก่อตัวของตลาดที่ยั่งยืน
- ความน่าเชื่อถือและความปลอดภัย: ต้องติดตามความสามารถในการนำ open weights ไปใช้ในทางที่ผิด, ความง่ายในการลบการปรับแต่งความปลอดภัยแบบละเอียด, CSAM สังเคราะห์และภาพใกล้ชิดโดยไม่ยินยอม (NCII), รวมถึงแนวนโยบายของ NTIA ที่เน้นการติดตามแทนการจำกัด
- เหตุการณ์การใช้งานในทางที่ผิดที่ร้ายแรง หรือการเปลี่ยนนโยบายไปสู่การจำกัดเป็นศูนย์กลาง อาจเปลี่ยนสภาพแวดล้อมของการกระจายแบบเปิดได้
- เมื่อผู้เล่นที่รับผิดชอบด้านความเปิดกว้าง ความสามารถในการพกพา และการกระจายในวงกว้างในกระบวนการตัดสินใจของ AI ได้รับสถานะที่เท่าเทียมกัน ตลาดก็จะเปลี่ยนจากโครงสร้างที่เช่าใช้โมเดล ไปสู่โครงสร้างที่เป็นเจ้าของโดยตรง
2 ความคิดเห็น
ดูเหมือนว่าจะกลับไปที่ Loop Engineering อีกแล้วนะครับ
ความคิดเห็นบน Hacker News
โมเดลแบบเปิดอาจโค่น Anthropic และ OpenAI ได้ ผู้ให้บริการคลาวด์รายใหญ่ระดับไฮเปอร์สเกลสามารถรันโมเดลได้โดยไม่ต้องเสียค่าไลเซนส์ และ Apple ก็สามารถย่อขนาดโมเดลให้รันบนอุปกรณ์ได้โดยตรง
โมเดลล้ำสมัยที่สุดเป็นทั้งความสามารถในการแข่งขันและภาระหนี้สิน ค่าเทรนสูงมหาศาล แต่ถ้าหยุดพัฒนา โมเดลก็จะถูกลืม และการตลาดจะต้องพึ่งความเชื่อว่าแต่ละโมเดลแตกต่างกันอย่างมีนัยสำคัญ ตอนนี้เริ่มสงสัยแล้วว่าโมเดลต่าง ๆ แตกต่างกันมากจริงหรือไม่ และมองว่าแกนหลักที่ทำให้โมเดลซึ่งสุ่มและเกิด hallucination กลายเป็นสิ่งที่กำหนดผลได้และมีประโยชน์คือ execution framework
หากสภาพตลาดเปลี่ยนไป ก็อาจกลับไปปิดเหมือน Meta ได้ และถ้าค่าเทรนยังเพิ่มขึ้นต่อเนื่อง ก็ยังน่าสงสัยว่ากลยุทธ์เปิดน้ำหนักจะยั่งยืนทางการเงินหรือไม่
ถึงอย่างนั้น องค์กรขนาดใหญ่ก็ยังต้องทุ่มเงินและทรัพยากรคอมพิวต์จำนวนมหาศาลพร้อมยอมสละรายได้ และความใจกว้างเช่นนี้คงดำเนินต่อไปตลอดไปได้ยาก ประเด็นสำคัญคืออะไรจะพังก่อน ระหว่างโมเดลธุรกิจของโมเดลล้ำสมัย กับการลงทุนแบบให้ใช้ฟรีของผู้ไล่ตามที่เร็ว
ดูเหมือนเป็นโครงสร้างที่จะล้มเหลวหากไม่บรรลุ superintelligence แบบพัฒนาตัวเองได้ หากบรรลุ superintelligence โมเดลล้ำสมัยก็จะนำหน้าไปด้วยการเติบโตแบบทวีคูณที่เร็วกว่า แต่ถ้าไม่เป็นเช่นนั้น ผู้ไล่ตามที่เร็วจะกลบทับการลงทุนมหาศาล และความสามารถในการป้องกันตัวก็จะหายไปด้วย คล้ายกับสถานการณ์ในอุตสาหกรรมเซมิคอนดักเตอร์ที่ GaAs ไล่ตามซิลิคอนซึ่งอาศัยกฎของ Moore ไม่ทัน และการบังคับใช้ลิขสิทธิ์ก็ทำได้ยาก
แม้ใช้ B300 ในราคาสูงถึงชั่วโมงละ 5 ดอลลาร์ และตั้ง MFU ไว้ที่ 50% ก็อยู่ที่ประมาณ 15 ล้านดอลลาร์ แม้จะมีความเสี่ยงจากการเทรนล้มเหลวและค่าใช้จ่ายเทรนต่อเนื่อง ฯลฯ แต่เมื่อเทียบกับค่าใช้จ่ายด้าน inference หลังจากนั้น ก็ไม่ใช่ระดับที่เหลือเชื่อขนาดนั้น
เมื่อ 4 เดือนก่อนพอดี ส่วนแบ่งตลาด OpenRouter คือโมเดลปิด 60% และโมเดลเปิด 40% แต่ตอนนี้พลิกกลับเป็น โมเดลเปิด 63% แล้ว เมื่อวันที่ 19 มีนาคม ปริมาณประมวลผลรวมของโมเดลเปิดอยู่ที่ 888 พันล้านโทเคน และเมื่อวานนี้อยู่ที่ 4.19 ล้านล้านโทเคน เติบโตราว 5 เท่าในประมาณ 4 เดือน
ยังทำแดชบอร์ดที่อัปเดตรายวันจากข้อมูล OpenRouter ไว้ด้วย: https://dirac.run/labs-market-share
ถึงอย่างนั้น ภาพการเติบโตของการใช้โมเดลเปิดบน OpenRouter ก็น่าสนใจมาก
หากไม่เห็นด้วย ก็อยากรู้ว่าบริษัทเหล่านี้มีป้อมปราการป้องกันอะไรอยู่ เห็นการใช้จ่ายมหาศาลของ OpenAI และ Anthropic แล้วก็ยังหาความสามารถในการป้องกันที่แท้จริงไม่เจอเลย น่าหงุดหงิด
แน่นอนว่าบทความนี้มี สไตล์การเขียนที่ LLM สร้างขึ้น: https://www.pangram.com/history/29a71663-e6b2-4db6-87bd-b943...
สงสัยว่าทำไมผู้บริหารถึงเอาชื่อตัวเองไปใส่ในบทความแบบนี้ บางทีอาจรู้สึกว่าเป็นส่วนต่อเนื่องตามธรรมชาติของธรรมเนียมการลงนามในต้นฉบับที่เลขานุการเขียน หรือข่าวประชาสัมพันธ์จากทีม PR
สำหรับ HN ถ้าให้ รัน Pangram อัตโนมัติกับบทความที่เน้นข้อความ อย่างน้อยกับบทความที่ขึ้นหน้าแรก ก็น่าจะช่วยวัฒนธรรมชุมชนได้ โดยส่วนตัวใช้ปลั๊กอินเบราว์เซอร์อยู่ แต่ดูจากคอมเมนต์แล้วเหมือนมีคนที่ไม่ทันสังเกตว่าเป็น AI สร้างด้วย
ให้ เว็บรวมคอนเทนต์ทำการตรวจ AI อัตโนมัติ ดีกว่าให้ผู้อ่านแต่ละคนตรวจเป็นครั้งคราวเอง ช่วงหลังผมก็เพิ่งทำระบบตรวจ Pangram อัตโนมัติใน Manifund และทราบว่า LessWrong ใช้ฟีเจอร์นี้มาระยะหนึ่งแล้ว
สไลด์ประกาศนี้อ่านแล้วทรมาน มีชาร์ตเยอะเกินไปที่แทบไม่เชื่อมกับข้อความรอบ ๆ และดูเหมือน สไลด์นำเสนอ CTO ที่ LLM จินตนาการขึ้นมา ถึงอย่างนั้นคงคิดว่าเป็น ‘HIGH IMPACT’ เพราะมันดูเหมือนสไลด์ของ CTO
คงจะดีกว่านี้มากถ้า CTO ของ Mozilla อธิบายบทวิเคราะห์ของตัวเองอย่างชัดเจนด้วยตนเอง
โดยรวมสนับสนุนการแพร่หลายของโมเดลเปิด จึงอยากรับเรื่องนี้อย่างจริงจัง แต่ทำได้ยากเพราะ กลิ่น AI เขียน ชัดเจนเกินไป ดูเหมือนจะเลิกจ้างคนที่เคยเขียนบทความแบบนี้ไปแล้ว
ไม่ได้แค่อยากเยาะเย้ย แต่คิดว่าสไตล์ AI ที่สังเกตได้ง่ายทำให้ผู้อ่านบางส่วนปิดหนีทันที และกลับบั่นทอนประเด็นของบทความจนให้ผลตรงกันข้าม
“Mozilla ดำรงอยู่เพราะบริษัทหนึ่งพยายามผูกขาดประตูหน้าของเว็บ และชุมชนเปิดลุกขึ้นมาขัดขวาง” แต่เมื่อดูส่วนแบ่งตลาดของ Firefox ในปัจจุบัน ประตูหน้าของเว็บก็แทบจะเป็นของ Google และ Apple อยู่แล้ว
อนาคตที่มีโมเดลเปิดเพียงไม่กี่ตัวคอยถ่วงดุลการออกนอกลู่นอกทางของระบบนิเวศที่เหลืออาจเพียงพอแล้วก็ได้ แต่บทความนี้ดูเหมือนไม่ได้พยายามเสนอเหตุผลแบบนั้น
หลังจากนั้น อีกบริษัทหนึ่งก็ใช้อำนาจเหนือตลาดเพื่อกระจายเบราว์เซอร์ฟรีจนทำให้ส่วนแบ่งของ Firefox พังลง แต่ยังคงจ่ายเงินให้ Mozilla ต่อไปเพื่อไม่ให้ดูเหมือนเป็นการผูกขาด
น่าประทับใจที่ Mozilla ทำสารพัดอย่างเพื่อไล่ตามกระแสล่าสุด แต่กลับไม่สร้าง เบราว์เซอร์คุ้มครองความเป็นส่วนตัวที่ทำได้จริง สำหรับนักพัฒนาและผู้ใช้ระดับสูง
ผมเริ่มเห็นด้วยกับกลยุทธ์ AI ของ Mozilla ด้วย แทนที่จะสร้างโมเดลเองหรือขายคอนเทนต์ AI คุณภาพต่ำ พวกเขากำลังสร้างเลเยอร์ความเข้ากันได้แบบโอเพนซอร์ส แนวทางนี้จึงไม่ใช่เรื่องเพ้อฝัน
ผมไม่ต้องการโลกที่ AI ถูกผูกติดเป็นแนวดิ่ง และถ้า Mozilla สามารถนำกลยุทธ์เดิมในอดีตมาทำซ้ำกับ AI แบบโอเพนซอร์สได้จริง ก็จะเป็นประโยชน์ต่อทุกคน
ช่วงหลังผมชอบ Zen มาก แต่แม้จะใช้มาสองเดือนแล้ว ฟีเจอร์แท็บที่ปักหมุดก็ยังชวนสับสนอยู่เล็กน้อย: https://zen-browser.app/
เวอร์ชัน PDF อ่านง่ายกว่า ของ https://stateofopensource.ai/state-of-open-source-ai-2026.pd...
น่าเสียดายที่ไม่เห็นชุมชนรอบ ๆ โมเดลเปิดอย่างแท้จริง ที่เผยแพร่ทั้งข้อมูลต้นทางและวิธีวิทยาการฝึก เพื่อให้ผู้ที่มีทรัพยากรสามารถทำซ้ำได้จริงเลย เราปล่อยให้ความหมายของคำว่า ‘เปิด’ ถูกทำให้เจือจางลงอย่างน่าตกใจ
ดีไซน์และการจัดวางทำให้อ่านยากโดยไม่จำเป็น แต่การที่ ต้นทุนการอนุมานลดลงเกือบ 50 เท่า นั้นน่าทึ่งจริง ๆ เมื่อดูการเปิดตัว Kimi K3 จะเห็นว่าโมเดลเปิดเข้าใกล้ระดับแนวหน้าสุดแล้ว
AI แบบโอเพนซอร์สกำลังก้าวหน้าเร็วกว่าที่ Anthropic และ OpenAI คาดไว้มาก