- โมเดล open weight ของจีน Kimi K3 เข้าใกล้โมเดลล้ำสมัยระดับแนวหน้าแล้ว แต่ความสามารถในการแข่งขันของธุรกิจ AI จะตัดสินกันที่ ต้นทุนขาย (COGS) ในการส่งมอบสติปัญญาระดับคำตอบที่ถูกต้อง มากกว่าค่าใช้จ่ายในการพัฒนาโมเดล
- ปริมาณโทเค็นที่จำเป็นเพื่อไปถึงคำตอบแตกต่างกันไปในแต่ละโมเดล ทำให้โทเค็นเองไม่ใช่สินค้าโภคภัณฑ์ที่ทดแทนกันได้ สิ่งที่ถูกทำให้เป็นสินค้าในความเป็นจริงคือ สติปัญญา ที่สร้างจากโทเค็น
- ราคาที่สูงของ Anthropic และ OpenAI ส่วนใหญ่มีที่มาจากการขาดแคลนอุปทานคอมพิวต์ และแม้โมเดลจีนจะถูกกว่าต่อโทเค็น แต่หากใช้โทเค็นสำหรับ reasoning มากกว่า ความได้เปรียบด้านต้นทุน ก็อาจหายไป
- จีนพยายามทำให้ AI เป็นสินค้าโภคภัณฑ์ผ่านโมเดล open weight เพื่อเสริมความแข็งแกร่งให้กับอุตสาหกรรมหุ่นยนต์และอุตสาหกรรมกายภาพในประเทศ อีกทั้งยังได้เปรียบเชิงโครงสร้างจากการใช้โมเดลล้ำสมัยของสหรัฐฯ เป็นครูต้นทุนต่ำผ่าน distillation
- หากสหรัฐฯ ไม่ผ่อนคลายข้อจำกัดของโมเดลล้ำสมัยสำหรับไซเบอร์ซีเคียวริตี้ และไม่อนุญาตให้นักพัฒนา open weight ในประเทศทำ distillation บริษัทสหรัฐฯ ก็จะต้อง พึ่งพาโมเดลจีน เพื่อการป้องกัน
โครงสร้างต้นทุน AI ที่เปลี่ยนไปจากซอฟต์แวร์
- ซอฟต์แวร์มีต้นทุนส่วนเพิ่มและต้นทุนธุรกรรมแทบเป็นศูนย์ จึงให้ข้อได้เปรียบด้านการรวมศูนย์และขนาดแก่บริษัทที่ครองอุปสงค์ แต่ใน AI ต้นทุนส่วนเพิ่ม กลับมาเป็นตัวกำหนดโครงสร้างอุตสาหกรรมอีกครั้ง
- โมเดล open weight ช่วยประหยัดค่า R&D ในการสร้าง weights แต่ไม่ได้ทำให้ต้นทุนการให้บริการเป็นศูนย์ไปด้วย
- ค่า R&D เป็น ต้นทุนคงที่ ที่ไม่ขึ้นกับรายได้
- ต้นทุน inference เป็น ต้นทุนขาย ที่เพิ่มขึ้นเมื่อการใช้งานและรายได้เพิ่มขึ้น
- หากต้นทุนการสร้างโทเค็นเท่ากับ 0.50 ดอลลาร์ต่อรายได้ 1 ดอลลาร์ รายได้ 100 ล้านดอลลาร์จะมีต้นทุนขาย 50 ล้านดอลลาร์ และรายได้ 100,000 ดอลลาร์จะมีต้นทุนขาย 50,000 ดอลลาร์
- Kimi K3 ราคา 3 ดอลลาร์ต่อ input 1 ล้านโทเค็น และ 15 ดอลลาร์ต่อ output 1 ล้านโทเค็น ส่วน Sol อยู่ที่ 5 ดอลลาร์และ 30 ดอลลาร์ตามลำดับ
- อย่างไรก็ตาม การดูเพียงราคาต่อโทเค็นทำให้ยากที่จะเข้าใจต้นทุนที่โมเดลใช้ในการส่งมอบสติปัญญาจริงอย่างครบถ้วน
สิ่งที่ถูกทำให้เป็นสินค้าไม่ใช่โทเค็น แต่คือสติปัญญา
- หาก Nvidia นิยาม GPU ว่าเป็น “โรงงานโทเค็น” ที่ไม่ขึ้นกับโมเดล ตัวชี้วัดหลักจะเป็นโทเค็นต่อวินาที เวลาไปถึงโทเค็นแรก โทเค็นต่อวัตต์ และต้นทุนต่อโทเค็น
- ใน ยุค ChatGPT ที่ส่งโทเค็นให้ผู้ใช้โดยตรง วิธีวัดแบบนี้ใช้ได้ดี แต่ในยุค reasoning โทเค็น chain-of-thought เพิ่มขึ้นอย่างมหาศาล และจำนวนโทเค็นที่ต้องใช้เพื่อให้ได้คำตอบก็แตกต่างกันไปตามโมเดล
- เป็นที่ทราบกันว่า Kimi ใช้โทเค็นมากกว่า Sol มาก ดังนั้นข้อได้เปรียบจากราคาที่แสดงอาจหายไป
- ใน agent workflow จำนวนโทเค็นที่ต้องใช้เพื่อทำงานให้เสร็จก็แตกต่างกันตามโมเดลเช่นกัน
- โทเค็นทดแทนกันไม่ได้ จึงต่างจากสินค้าโภคภัณฑ์อย่างน้ำมันดิบ ทองแดง หรือข้าวสาลี
- หากหลายโมเดลสามารถสร้างคำตอบเดียวกันได้ สิ่งที่มีสภาพเป็นสินค้าไม่ใช่โทเค็น แต่เป็น สติปัญญาระดับคำตอบที่ถูกต้อง และจำนวนโทเค็นที่ใช้ไปจนถึงคำตอบคือสิ่งที่สร้างความแตกต่างของต้นทุนขาย
- ต้นทุนขายของสติปัญญาถูกกำหนดโดยปัจจัยห้าประการ
- ขนาดโมเดล: weights และสถานะ runtime กำหนดจำนวนหน่วยความจำราคาแพงและ accelerator ที่จำเป็นสำหรับ serving replica
- ประสิทธิภาพ inference: สถาปัตยกรรมอย่าง Mixture-of-Experts ลดปริมาณการคำนวณต่อโทเค็นที่สร้างได้
- ประสิทธิภาพหน่วยความจำ: การลดความต้องการ KV cache ช่วยเพิ่มจำนวนคำขอพร้อมกันและอัตราการใช้งาน GPU
- ประสิทธิภาพ serving: batching, scheduling, prefix caching ฯลฯ ช่วยแชร์งานระหว่างคำขอและเพิ่มอัตราการใช้งาน
- ประสิทธิภาพโทเค็น: ยิ่งต้องใช้โทเค็นเพื่อให้ได้คำตอบน้อย ต้นทุน inference ก็ยิ่งต่ำ
- แอป CRUD พื้นฐานสามารถสร้างได้ด้วยโมเดลจากผู้ให้บริการหลายรายแล้ว ดังนั้นในงานประเภทนี้ โครงสร้างต้นทุนที่ดีกว่า ไม่ใช่ราคาสูง คือสิ่งที่กำหนดความสามารถในการทำกำไร
ราคาและโครงสร้างกำไรในตลาดสินค้าโภคภัณฑ์
- ในตลาดสินค้าโภคภัณฑ์ ผู้ขายทุกรายขายสิ่งเดียวกัน ราคาจึงถูกกำหนดโดยอุปสงค์และอุปทาน
- เมื่อราคาลดลง อุปสงค์เพิ่มขึ้น นี่คือ ความยืดหยุ่นของราคาต่ออุปสงค์
- ปริมาณอุปทานขึ้นอยู่กับต้นทุนส่วนเพิ่มของการผลิตสินค้า
- เนื่องจากต้นทุนส่วนเพิ่มของผู้ขายแต่ละรายต่างกัน ต้นทุนของผู้ขายส่วนเพิ่มที่มีต้นทุนสูงที่สุดจึงเป็นตัวกำหนดราคาตลาด และกำไรของผู้ขายรายอื่นขึ้นอยู่กับว่าผลิตได้ถูกกว่านั้นมากแค่ไหน
- หากผู้ขาย A, B, C ผลิตได้รายละ 10 หน่วยที่ต้นทุนต่อหน่วย 10, 15, 20 ดอลลาร์ตามลำดับ และที่ราคา 20 ดอลลาร์มีอุปสงค์ 25 หน่วย จะเป็นดังนี้
- A ขายได้ 10 หน่วยและได้กำไร 10 ดอลลาร์ต่อหน่วย
- B ขายได้ 10 หน่วยและเหลือกำไร 5 ดอลลาร์ต่อหน่วย
- C ขายได้ 5 หน่วยแต่ไม่มีกำไรต่อหน่วย
- ในความเป็นจริง A และ B อาจตั้งราคาต่ำกว่า C เล็กน้อย และการเปลี่ยนแปลงราคาก็มีผลต่ออุปสงค์ด้วย แต่โครงสร้างที่ ผู้ขายต้นทุนสูงสุด ต้องแบกรับความเสี่ยงล้มละลายยังเหมือนเดิม
- ราคาที่ทำให้ตลาดเคลียร์ไม่สามารถสะท้อนต้นทุนคงที่อย่างค่า R&D หรือหนี้จากการจัดหาอุปกรณ์ได้ แต่ต้นทุนเหล่านี้อาจผลักผู้ขายที่มีกำไรต่ำให้ออกจากตลาด
- เมื่อผู้ขายออกจากตลาด ราคาจะสูงขึ้นจนกว่าผู้ขายรายอื่นจะเข้ามาหรือผู้ขายเดิมเพิ่มกำลังการผลิต
ตำแหน่งของโมเดลจีนในตลาดสติปัญญาปัจจุบัน
- ตลาดโมเดลล้ำสมัยในปัจจุบันยังไม่เป็นไปตามเงื่อนไขของตลาดสินค้าโภคภัณฑ์เต็มรูปแบบ เพราะคอมพิวต์ขาดแคลนจน อุปสงค์สูงกว่าอุปทาน
- Nvidia จัดหาคอมพิวต์ด้วยมาร์จิ้นสูง และลูกค้าอย่าง SpaceXAI ก็นำไปขายต่อให้ Anthropic ด้วยมาร์จิ้นสูงเช่นกัน ขณะที่ Anthropic สามารถตั้งราคาโทเค็นให้สูงขึ้นอีกได้
- Anthropic และ OpenAI อาจเป็นกลุ่มบริษัทที่มีต้นทุนต่อหน่วยของสติปัญญาคุณภาพล้ำสมัยต่ำที่สุด ด้วยประสิทธิภาพโมเดล ขนาด serving และประสิทธิภาพโทเค็น
- ให้ระดับประสิทธิภาพบางอย่างได้ก่อนคู่แข่งหลายเดือน
- ใช้โมเดลที่ดีที่สุดของตนเองกลับมาช่วยเพิ่มประสิทธิภาพต้นทุน
- อุปสงค์ในตลาดยังมุ่งไปที่ Anthropic และ OpenAI โดยตรงมากกว่าสติปัญญาเชิงนามธรรม ส่วน SpaceXAI และ Meta ที่มีประสิทธิภาพต่ำกว่าขาย capacity ให้ Anthropic
- หากนิยามงานด้วยระดับสติปัญญาที่จำเป็น ก็สามารถสร้าง ตลาดสินค้าโภคภัณฑ์ ที่ผู้ซื้อเปลี่ยนผู้ขายได้
- ในระยะยาว โมเดลล้ำสมัยจะไหลลงสู่ตลาดที่ไม่ใช่ระดับล้ำสมัยหลังผ่านไปหลายเดือน และระหว่างนั้นผู้พัฒนาสามารถปรับต้นทุน serving ให้เหมาะสม ทำให้บริษัทระดับล้ำสมัยได้เปรียบในตลาดล่างด้วย
- ราคาที่แสดงว่าต่ำของโมเดลจีนอาจเป็นผลจากการเปรียบเทียบกับราคาที่ Anthropic และ OpenAI ตั้งไว้สูงเพราะอุปทานขาดแคลน
- ยังมีหลักฐานไม่พอว่า Kimi ถูกกว่าเมื่อดูจากต้นทุนส่วนเพิ่ม และหากรวมประสิทธิภาพโทเค็นด้วย ปฏิกิริยาทางเศรษฐกิจต่อโมเดลจีนอาจเกินจริง
เหตุผลที่แล็บล้ำสมัยระวังโมเดลจีน
- แล็บล้ำสมัยยังผูกติดกับโครงสร้างการเงินจากช่วงที่ training ใช้ GPU มากกว่า inference
- เพื่อสนับสนุนการ training รอบถัดไป จำเป็นต้องเพิ่มรายได้จาก inference ให้สูงสุด และด้วยเหตุนี้จึงต้องตั้งราคา inference สูง
- แม้ค่า training ในอนาคตจะเพิ่มขึ้นอย่างรวดเร็วต่อไป แต่คาดว่า ตลาด inference จะเติบโตเร็วกว่านั้น
- เพราะ agent paradigm เปิดอุปสงค์ขนาดใหญ่ หากมีคอมพิวต์เพียงพอ ก็สามารถเติบโตได้ด้วยราคาต่ำและการใช้งานจำนวนมาก
- สติปัญญาไม่ใช่สินค้าโภคภัณฑ์ที่สมบูรณ์แบบ และข้อมูลที่เก็บจากการใช้งานจริงทำให้โมเดลถัดไปฉลาดขึ้น
- เมื่ออุปทานคอมพิวต์เพิ่มขึ้น ก็มีแรงจูงใจให้ลดราคาเพื่อเพิ่มการใช้งานและข้อมูล
- กลยุทธ์ของ Microsoft ที่มุ่งสนับสนุนให้องค์กรรันโมเดลของตนเองก็ยิ่งเป็นไปได้มากขึ้นเมื่อโมเดลจีนทำหน้าที่เป็นทางเลือกได้
- แล็บล้ำสมัยสามารถขยายไปสู่ประสบการณ์ลูกค้าเพื่อสร้างความแตกต่างจากโมเดลจีนและแล็บอื่น ๆ
- Claude Code และ Codex แสดงความเหนียวแน่นสูง ผู้ใช้มักอยู่กับ harness ที่เลือกตั้งแต่แรก
- ความเหนียวแน่นนี้อาจแรงขึ้นในกลุ่มผู้ใช้ที่ไม่ใช่สายเทคนิค
- การขยับขึ้นไปยังเลเยอร์บนของแล็บเป็นภัยคุกคามต่อผู้ให้บริการซอฟต์แวร์ รวมถึง Microsoft
- บริษัทซอฟต์แวร์ที่ครองประสบการณ์ลูกค้าอยู่แล้วจะต้านทานการรุกของแล็บได้ง่ายขึ้น เมื่อเข้าถึงโมเดลที่แข่งขันได้
- Anthropic มีจุดยืนว่ามีเพียงตนเท่านั้นที่ไว้วางใจให้ดูแล AI ที่ทรงพลังได้ ดังนั้น ทางเลือกแบบ open weight จึงทำลายสมมติฐานนั้น
กลยุทธ์ open weight ของจีน
- Qwen3.8 Max ของ Alibaba มีพารามิเตอร์ 2.4 ล้านล้านตัว และบริษัทประเมินว่าอยู่ในระดับที่สองรองจาก Fable 5 ของ Anthropic
- Kimi K3 ของ Moonshot AI มีพารามิเตอร์ 2.8 ล้านล้านตัว
- Qwen3.8 Max ใช้งานได้บนแพลตฟอร์มเขียนโค้ดของ Alibaba รวมถึง Qoder
- Alibaba วางแผนเปิดเผย weights หลังช่วงพรีวิว
- เมื่อความต้องการโมเดลจากจีนพุ่งสูง Moonshot จึงระงับการรับสมัครสมาชิกใหม่ชั่วคราว
- ก่อนหน้านี้ Alibaba หยุดเผยแพร่ weights ของโมเดลล้ำสมัย แต่ตอนนี้กลับมาเป็น open weight อีกครั้ง
- สุนทรพจน์ด้าน AI ของ Xi Jinping ส่งเสริมโอเพนซอร์ส ความเปิดกว้าง ความร่วมมือ และการแบ่งปัน พร้อมย้ำว่า AI กำลังย้ายจากโลกดิจิทัลสู่โลกกายภาพ
- เรียกร้องให้นำ AI ไปใช้ในการเปลี่ยนผ่านอุตสาหกรรมดั้งเดิม การเติบโตของอุตสาหกรรมเกิดใหม่ และการวางแผนอุตสาหกรรมอนาคต เพื่อให้อุตสาหกรรมและบริษัททุกแห่งได้รับประโยชน์
- กลยุทธ์ของจีนคือการทำให้ AI ที่เสริมอุตสาหกรรมของประเทศเป็นสินค้าโภคภัณฑ์
- โลกกายภาพและหุ่นยนต์ ซึ่งจีนแข็งแกร่ง จะได้รับประโยชน์จากโมเดล AI ที่เข้าถึงได้อย่างกว้างขวาง
- สามารถป้องกันไม่ให้สหรัฐฯ ได้เปรียบแบบไม่สมมาตรใน AI และลดทอนพลังของแล็บล้ำสมัยของสหรัฐฯ ได้
- ยังสามารถดูดซับนวัตกรรมที่เกิดขึ้นในระบบนิเวศแบบเปิดได้ด้วย
ช่องว่างเชิงโครงสร้างที่เกิดจาก distillation
- จีนมีแนวโน้มน้อยที่จะป้องกัน การโจมตีด้วย distillation ต่อแล็บล้ำสมัย
- การอธิบายความสำเร็จทั้งหมดของแล็บจีนด้วย distillation ก็ผิด และการปฏิเสธข้อได้เปรียบใหญ่ของ distillation ก็ผิดเช่นกัน
- ในช่วง 1 ปีที่ผ่านมา reinforcement learning หลังการฝึกมีความสำคัญต่อประสิทธิภาพโมเดลมากขึ้น ทำให้ผลของ distillation ใหญ่ขึ้น
- แล็บจีนสามารถใช้โมเดลล้ำสมัยเป็นครูได้โดยไม่ต้องสร้างสภาพแวดล้อม reinforcement learning ตั้งแต่ต้น
- สิ่งนี้ช่วยให้พัฒนาได้เร็วขึ้นมากด้วยต้นทุนต่ำกว่ามาก
- distillation ไม่ใช่ปัจจัยเดียวที่อธิบายต้นทุนการพัฒนาที่ต่ำของโมเดลจีน แต่เป็นปัจจัยสำคัญ
- ในตะวันตก โมเดลจีนเองก็ถูกนำไปใช้ใน distillation เช่นกัน
- Thinking Machines ซึ่งเปิดตัวโมเดล open weight พึ่งพาโมเดลจีนเพื่อแก้ ปัญหา cold start ของ reinforcement learning
- ตาม การวิเคราะห์ของ Dean Meyer และ Konstantine Buhler แล็บจีนมีนักวิจัยยอดเยี่ยม คอมพิวต์ขนาดใหญ่ โมเดล pre-training ที่แข็งแกร่ง การออกแบบร่วมซอฟต์แวร์-ฮาร์ดแวร์ และความสามารถ post-training ที่ดีขึ้น
- distillation บีบอัดช่องว่างช่วงสุดท้ายราคาแพงระหว่างโมเดลฐานที่แข็งแกร่งกับระบบที่ใกล้ระดับล้ำสมัย
- การบังคับใช้กฎอาจทำให้ distillation ขนาดใหญ่ยากและแพงขึ้น แต่ไม่สามารถกำจัด distillation โดยผู้ปฏิบัติการที่ได้รับการสนับสนุนจากรัฐได้
- ทุกครั้งที่โมเดลล้ำสมัยของตะวันตกก้าวหน้า แล็บจีนก็ได้ครูใหม่
- นักพัฒนา open weight ของสหรัฐฯ ต้องปฏิบัติตามเงื่อนไขบริการของแล็บล้ำสมัย จึงเสียเปรียบโมเดลจีน และท้ายที่สุดต้องไป distill ผลลัพธ์ที่ถูก distill มาแล้ว ผ่านโมเดลจีน
- ตัว large language model เองก็เป็นผลจากการรวบรวมความรู้บนอินเทอร์เน็ตสาธารณะและบีบอัดลงในโมเดล จึงเกิดความย้อนแย้งเมื่อกำหนดว่าการ distill คำตอบ API ของโมเดลอื่นเท่านั้นเป็นสิ่งผิด
- สหรัฐฯ จำเป็นต้องมีมาตรการทางกฎหมายสองประการ
- ต้องระบุให้ชัดว่าการเก็บข้อมูลเพื่อฝึกโมเดลเป็น fair use
- อย่างน้อยสำหรับบริษัทสหรัฐฯ ไม่ควรอนุญาตเงื่อนไขบริการที่ห้าม distillation
- แทนที่จะปิดกั้น distillation ซึ่งแยกแยะจาก API query ได้ยาก ควรคุ้มครองการเรียนรู้ของแล็บตามกฎหมาย และเปิดให้ใช้ผลลัพธ์นั้นต่อยอดนวัตกรรมต่อไปได้
พื้นที่ที่น่ากังวลจริงคือไซเบอร์ซีเคียวริตี้
- โครงสร้างพื้นฐานโปรดักชันของ Hugging Face ถูกระบบเอเจนต์ AI อัตโนมัติเจาะ และ guardrail ของโมเดลล้ำสมัยสหรัฐฯ แยกแยะผู้รับมือเหตุการณ์กับผู้โจมตีไม่ได้ จึงขัดขวางการตอบสนอง
- ทีมป้องกันรัน GLM 5.2 แบบโอเพนซอร์สของ Z.ai จากจีนบนโครงสร้างพื้นฐานของตนเอง เพื่อวิเคราะห์ล็อกและร่องรอยกว่า 17,000 รายการที่ผู้โจมตีทิ้งไว้
- Hugging Face แนะนำให้ตรวจสอบโมเดลประสิทธิภาพดีที่รันบนโครงสร้างพื้นฐานของตนเองได้ไว้ก่อนเกิดเหตุ
- หลีกเลี่ยงการถูกปิดกั้นการเข้าถึงจาก guardrail ได้
- ป้องกันไม่ให้ข้อมูลการโจมตีและข้อมูลรับรองหลุดออกไปยังสภาพแวดล้อมภายนอก
- ในสถานการณ์ที่โมเดลที่มีความสามารถด้านการโจมตีเข้าถึงได้อย่างแพร่หลายแล้ว ฝ่ายป้องกันก็ต้องเข้าถึงโมเดลประสิทธิภาพสูงสุดได้เช่นกัน
- เนื่องจากแนวทางของรัฐบาล Trump ฝ่ายป้องกันแทบใช้ Fable หรือ Sol กับไซเบอร์ซีเคียวริตี้ไม่ได้ และผลก็คือโมเดลจีนกลายเป็นทางเลือกที่ดีที่สุด
- สหรัฐฯ ควรดำเนินนโยบายสองอย่าง
- ต้องผ่อนคลาย ข้อจำกัดด้านไซเบอร์ซีเคียวริตี้ ของ Fable และ Sol
- ต้องรับประกันให้นักพัฒนาโมเดล open weight ของสหรัฐฯ แข่งขันกับจีนได้ภายใต้เงื่อนไขเท่าเทียม
- หากปล่อยให้แล็บล้ำสมัยผูกขาดมาตรฐานด้านความปลอดภัยและความมั่นคง หรือปิดกั้นการเข้าถึงความรู้รวมในภายหลัง การป้องกันของบริษัทสหรัฐฯ จะต้องพึ่งพาโมเดลจีน
- แล็บสหรัฐฯ ควรแข่งขันด้วยโมเดลและโครงสร้างต้นทุนที่ดีกว่า แทนที่จะใช้ข้อจำกัดมาขวางการแข่งขัน และไม่ควรยกความเป็นผู้นำด้านความเปิดกว้างและนวัตกรรมให้จีน
2 ความคิดเห็น
โลก ขอโทษนะ
ความคิดเห็นบน Hacker News
ฝ่ายที่กลัวโมเดลจีนมากที่สุดคือบรรดา VC ที่ลงทุนในมูลค่ากิจการระดับมหาศาลของ Anthropic และ OpenAI โดย Anthropic ตั้งเป้าไว้ที่ 1.2 ล้านล้านดอลลาร์ ส่วน OpenAI อยู่ที่ 850,000 ล้านดอลลาร์ ซึ่งเป็นมูลค่าที่ตั้งอยู่บนสมมติฐานว่าจะทำกำไรมหาศาลจาก API ราคาแพงได้
ห้องแล็บจีนกำลังทำลายกลยุทธ์นี้ด้วยการปล่อยโมเดลเปิดคุณภาพดีให้ใช้ฟรี และหากแม้แต่แล็บแนวหน้าก็กระโดดเข้ามาแข่งขันลดราคาต่อโทเคนด้วย มูลค่ากิจการเดิมก็จะยากจะอธิบายความสมเหตุสมผลได้ และนักลงทุนจะเผชิญผลขาดทุนทางบัญชีมหาศาล
โมเดลดาวน์โหลดได้ฟรีเท่านั้น แต่การรันไม่ได้ฟรี ดังนั้นเศรษฐศาสตร์ของมันจึงใกล้กับภาคการผลิตมากกว่าซอฟต์แวร์ เมื่อลองทำงานจริงด้วย GLM 5.2 พบว่าแพงกว่า GPT 5.6 และแล็บสหรัฐฯ นำหน้าในด้านต้นทุน inference ต่อภารกิจ
เมื่อสัดส่วน inference เพิ่มขึ้นจากงานแบบเอเจนต์ สัดส่วนต้นทุนการฝึกจะลดลง และประสิทธิภาพด้านโทเคนก็ distill ได้ยาก ทำให้ LLM จีนดูเหมือนจะไม่มีประสิทธิภาพนัก โมเดลที่ปรับให้เหมาะกับความต้องการ inference ขนาดใหญ่สามารถทำต้นทุนต่อภารกิจให้ต่ำได้ และ OpenAI มีต้นทุนต่อภารกิจต่ำกว่า Anthropic ไม่ถึงครึ่งด้วย tokenization ที่มีประสิทธิภาพและคำตอบที่สั้นกว่า อีกทั้งในงานระดับแนวหน้าก็ทั้งถูกกว่าและดีกว่าโมเดลจีน
องค์กรก็คงไม่ใช้เงินก้อนใหญ่กับโทเคนเช่นกัน เมื่อแล็บไม่จำเป็นต้องอุดหนุนต้นทุนการฝึกอีกต่อไป ต้นทุนโทเคนอาจลดลงเหลือหนึ่งในสิบ และเมื่อถึงขั้นที่โมเดลถูกฝังลงในชิปก็จะลดลงอีกหนึ่งในสิบ จนอาจยากที่จะใช้โทเคนในปริมาณมากอย่างมีนัยสำคัญ เว้นแต่จะตั้งใจทำเช่นนั้น
ตรงข้ามกับคำกล่าวอ้างว่า Claude Code และ Codex มีความเหนียวแน่นในการใช้งาน ผมแทบใช้ Claude Code อย่างเดียวในฤดูหนาวและฤดูใบไม้ผลิ แต่ช่วงต้นฤดูร้อนก็ย้ายไป Codex ได้โดยไม่ลำบากเลย ก่อนหน้านั้นใช้ Cursor และกระบวนการย้ายก็เหมือนกัน เคยใช้ Conductor อยู่ช่วงสั้น ๆ ด้วย แต่โดยพื้นฐานแล้วดูเหมือนเป็นเพียงการให้สภาพแวดล้อมสำหรับรัน Claude/Codex
อีกไม่กี่ปีต่อมา เมื่อพนักงานขายโน้มน้าวผู้บริหารด้วยการลดต้นทุน ก็จะย้ายอีกครั้งเพราะราคา มากกว่าจะเป็นเพราะผลิตภัณฑ์ที่ดีกว่า บริษัทของภรรยาผมก็เปลี่ยนไปใช้ชุดผลิตภัณฑ์ของบริษัทอื่นทุก 1–2 ปี พอทุกคนเริ่มคุ้นกับเครื่องมือใหม่พอดี
ผมดำเนินเว็บวิเคราะห์ B2B ขนาดใหญ่ที่รับข้อมูลแบ็กเอนด์ของลูกค้า และพบทราฟฟิกจำนวนมากจากภูมิภาคซินเจียงทางตะวันตกเฉียงเหนือของจีน โดยมีต้นทางเป็น Shenzhen Tencent Computer Systems Company Limited บริษัทจีนอื่น ๆ อีกห้าหกแห่งก็กระหน่ำเว็บลูกค้าอย่างต่อเนื่องเช่นกัน
จากภาพถ่ายดาวเทียมเห็นได้ว่ามี การก่อสร้างศูนย์ข้อมูลขนาดใหญ่ ที่ใช้พลังงานแสงอาทิตย์ราคาถูก ตั้งแต่ไม่กี่เดือนก่อน ข้อมูลภูมิศาสตร์ของ IP เหล่านั้นเริ่มแสดงเป็น Shanghai หรือ Shenzhen แต่จากการวัด latency ยังดูเหมือนทำงานอยู่ในซินเจียง
เอกสารอ้างอิงคือ ‘You Can't Cheat Time: Finding foes and yourself with latency trilateration’ https://youtu.be/_iAffzWxexA ซึ่งผู้ใช้ HN lopoc เป็นผู้ให้ไว้ การแยก Shenzhen กับซินเจียงทำได้ยาก แต่ Shanghai กับซินเจียงจะแสดงความต่างออกมา
หากคิดว่าจีนทำเพียง distillation ก็ถือว่าคิดผิดอย่างมาก อย่างที่เห็นจาก ByteDance และ Xiaomi จีนไม่ใช่ฝ่ายล้าหลังที่ทำได้แค่ลอกเลียนมูลค่าต่ำอีกต่อไป
บริษัทจีนก็จ่ายเงินให้คนและ crawl เว็บเพื่อเก็บข้อมูลเหมือนบริษัทสหรัฐฯ ผมเข้าใจว่ารัฐบาลกำลังผลักดันให้บริษัทยักษ์ใหญ่บางรายเก็บเว็บอย่างรวดเร็วเพื่อสร้าง corpus แล้วส่งต่อให้บริษัทเชิงยุทธศาสตร์ภายในจีน
ยังมี aggregator ที่ซื้อข้อมูลจากแอป·เว็บไซต์·บริการ และอาจเรียนรู้จาก ร่องรอยการรัน ของ coding agent กับบทสนทนาผ่านระบบอย่าง OpenRouter หรือ Cursor ได้ด้วย ด้วยเหตุนี้บริษัทขนาดเล็กอย่าง DeepSeek จึงลดต้นทุนได้มาก เพราะไม่จำเป็นต้องไปเก็บข้อมูลเองจากเว็บไซต์และ coding agent หลายร้อยแห่ง
ยังมีบริษัทที่ซื้อ API ของ LLM สหรัฐฯ แล้วส่งต่อให้บริษัทจีน แม้บริษัทที่ใช้ผลิตภัณฑ์ AI ของสหรัฐฯ จะมีเกิน 10,000 แห่ง จีนก็อาจบันทึกวิธีใช้งานและร่องรอยการรัน เพื่อนำไปใช้ในการฝึกได้
สมมติฐานหลักที่ว่า “Anthropic และ OpenAI มีแนวโน้มสูงที่จะมีต้นทุนต่อหน่วยของปัญญาระดับแนวหน้าต่ำที่สุด” ยังไม่ได้รับการพิสูจน์อย่างเพียงพอ ไม่มี benchmark ที่เปรียบเทียบจำนวน token ที่ต้องใช้เพื่อให้ได้คำตอบหนึ่งคำตอบภายใต้เงื่อนไขเดียวกัน มีเพียงการบอกเป็นนัยอย่างคลุมเครือว่าโมเดลสหรัฐฯ มีประสิทธิภาพด้าน token ดีกว่า
ทั้งยังไม่ได้เปรียบเทียบ ราคาไฟฟ้าเฉลี่ย ของจีนกับสหรัฐฯ ซึ่งส่วนนี้ดูเหมือนจีนจะได้เปรียบ เห็นด้วยว่า benchmark ด้าน coding เป็นต้น มักมองข้ามต้นทุนขาย แต่ข้อสรุปว่า “ห้องแล็บแนวหน้าคงไม่เป็นไร” อาศัยสมมติฐานขนาดใหญ่
หากอนุญาตให้กวาดความรู้สาธารณะบนอินเทอร์เน็ตมาสร้าง LLM ได้ ก็ควรถือว่าสมเหตุสมผลที่จะอนุญาตให้กลั่นโมเดลนั้นต่อได้เช่นกัน ข้อเสนอให้ระบุชัดว่าการเก็บข้อมูลฝึกเป็น fair use แต่ห้ามข้อกำหนดการใช้งานที่ห้ามการกลั่นโมเดลนั้นใกล้เคียงกับ กรรมตามสนอง
อาจมองอินเทอร์เน็ตเป็นสินค้าสาธารณะและเก็บภาษีจากห้องแล็บได้ แต่นั่นเป็นคนละประเด็นกับการกลั่นโมเดล
จากที่ได้ลองสร้างสภาพแวดล้อมรัน agent เอง พบว่าความสามารถของ AI แทบทั้งหมดมาจาก ตัวโมเดลเอง ส่วนสภาพแวดล้อมรันไม่ค่อยสำคัญ แม้มีเพียงองค์ประกอบขั้นต่ำแบบ mini-swe-agent สำหรับ benchmark โมเดลก็ยังทำงานได้ดี
ดังนั้นจึงค่อนข้างสงสัยกับข้ออ้างว่าสภาพแวดล้อมรันคือคูเมือง โดยเฉพาะ Claude Code ที่มีบั๊กเยอะมากมาตั้งแต่ก่อนแล้ว
บทความที่เกี่ยวข้องคือ https://stratechery.com/2026/anthropics-safety-superpower/ หากครอบครองจุดสัมผัสกับผู้ใช้และกลายเป็น canvas ของงานทั้งหมด ก็จะเกิด lock-in ที่แข็งแรง ดังนั้นห้องแล็บแนวหน้าที่ไม่อยากเป็นเพียง input ทั่วไปของซอฟต์แวร์ และบริษัทซอฟต์แวร์เดิม ย่อมต้องปะทะกันในที่สุด
มักเหมารวมว่า “ผลิตจากจีน” เท่ากับ “เชื่อถือไม่ได้” แต่เส้นแบ่งที่สำคัญกว่าคือ แบบเปิดกับแบบปิด โมเดลแบบเปิดสามารถ audit และ fine-tune ได้ และยังรันทั้งหมดบนฮาร์ดแวร์ของตัวเองได้ด้วย แต่โมเดลแบบปิดโดยพื้นฐานคือแนวทางแบบ “เชื่อเราเถอะ”
ทั้งโลก โดยเริ่มจากสหรัฐฯ ควรจับตาห้องแล็บแนวหน้าของจีน ไม่สามารถสมมติได้ว่าจีนจะตามหลังอยู่ไม่กี่เดือนเสมอไป จีนอาจเทียบเท่าหรือแซงหน้าได้
ผู้กำหนดนโยบายควรเรียนรู้บทเรียนจากเหล็กกล้า พลังงานแสงอาทิตย์ และรถ EV วิธีที่รัฐบาลจีนสร้างระบบเพื่อครอบงำทั้งอุตสาหกรรมนั้นควรได้รับความเคารพและศึกษา และประเทศประชาธิปไตยโดยเนื้อแท้แล้วจะนำ AI ไปใช้ได้ช้ากว่า หากระบบไม่เปลี่ยน
รัฐบาลประชาธิปไตยอย่างสหรัฐฯ ยุโรป และอินเดียต้องวาง ยุทธศาสตร์ AI ระยะยาว ที่ดำเนินได้ไม่ว่ารัฐบาลจะเปลี่ยนหรือไม่ และต้องปกป้องห้องแล็บในประเทศอย่างจริงจัง แต่จะทำได้ก็ต่อเมื่อราคาปัญญาต่อภารกิจที่มีผลผลิตของห้องแล็บในประเทศใกล้เคียงกับโมเดล open-weight ซึ่งตอนนี้ยังไม่เป็นเช่นนั้น
การปกป้องไม่ใช่การอุ้มด้วยเงินกู้ แต่คือการจัดหาพลังงานราคาถูกและอนุมัติศูนย์ข้อมูลอย่างรวดเร็ว นอกจากนี้ควรวางมาตรการคุ้มกันขั้นต่ำให้ลูกค้าใช้โมเดล open-weight เฉพาะเมื่อบริษัทในประเทศโฮสต์ภายในประเทศเท่านั้น มิฉะนั้นอาจค่อยๆ สูญเสียความสามารถในการแข่งขัน
ดูเหมือนแม้แต่ @deanwball ของ OpenAI ก็ไม่ยอมรับตรรกะเรื่องการกลั่นโมเดล: https://xcancel.com/deanwball/status/2078133895766114412#m
ยังเข้าใจยากด้วยว่าเหตุใด open-weight จึงชะลอความก้าวหน้าโดยเนื้อแท้ และเหตุใดโลกที่มีโมเดลเปิดเป็นศูนย์กลางจึงจะลงเอยด้วย คอมมิวนิสต์ AI เต็มรูปแบบ ที่รัฐจัดหา AI เป็นโครงสร้างพื้นฐานสาธารณะดิจิทัล และกลายเป็นดิสโทเปีย
หาก Anthropic มีโมเดลอย่าง Mythos ประเทศคู่แข่งอย่างรัสเซียและจีนก็มีความเป็นไปได้สูงว่าได้พัฒนาสิ่งที่คล้ายกันหรือดีกว่าแล้ว หรือไม่ได้ตามหลังมากนัก