Kimi K3·Qwen 3.8 และรอยร้าวที่อาจเกิดขึ้นของ Anthropic

• Kimi K3 ของ Moonshot Labs และ Qwen 3.8 ของ Alibaba มีรายงานว่าทำผลงานได้ใกล้เคียงกับ Anthropic Fable 5 และมีกำหนดจะเปิดเผยน้ำหนักโมเดลภายในไม่กี่สัปดาห์ ทำให้การแข่งขันของโมเดลระดับแนวหน้าขยายไปสู่โมเดลแบบเปิด
• การพัฒนาโมเดลต้องใช้บุคลากรวิจัย คอมพิวต์ และพลังงาน แต่หลังนำไปใช้งานแล้ว ต้นทุนส่วนเพิ่มของการอนุมานส่วนใหญ่เกิดจากคอมพิวต์และพลังงาน หากเป็นเจ้าของดาต้าเซ็นเตอร์และโรงไฟฟ้าเอง ก็สามารถ เปลี่ยนเป็นต้นทุนคงที่ และขยายมาร์จินตามการใช้งานที่เพิ่มขึ้นได้
• บริษัทที่ทำโมเดลอย่างเดียวโดยไม่มีโครงสร้างพื้นฐาน ต้องพึ่งพาทั้งสมรรถนะสูงสุด หรือราคาถูกแต่คุณภาพดีพอ ทางออกจึงเหลือแคบลงเหลือ การพัฒนาตัวเองแบบวนซ้ำ, การปิดตลาดผ่านกฎระเบียบ, และการสร้างผลิตภัณฑ์ที่ลอกเลียนได้ยาก
• Fable 5 ของ Anthropic มีต้นทุนต่อ completed task สูงกว่าราว 3 เท่า และฮาร์เนสอย่าง Claude Code·Cowork ก็ต้องแข่งขันกับ OpenCode·OpenClaw·Hermes ทำให้ทั้งโมเดล ผลิตภัณฑ์ และโครงสร้างต้นทุนถูกท้าทายพร้อมกัน และเพิ่มความเสี่ยงของการถูก unbundle
• เมื่อ GLM 5.2, Kimi K3, และ Qwen 3.8 ทยอยเปิดตัวในช่วงมิถุนายน-กรกฎาคม 2026 ก็ยืนยันความเป็นไปได้ที่หลายแล็บวิจัยจะไล่ตามทัน ซึ่งทำให้ความสามารถในการป้องกันตัวของ ผู้เล่นที่เน้นโมเดลเป็นศูนย์กลาง อย่าง Anthropic·Moonshot Labs·Knowledge Atlas อ่อนแอลง

---

การแข่งขันระดับแนวหน้าที่ขยายไปสู่โมเดลแบบเปิด

• Kimi K3 เปิดตัวเมื่อ 16 กรกฎาคม 2026 และ Qwen 3.8 ถูกประกาศเมื่อ 19 กรกฎาคม
  • มีรายงานว่าโมเดลทั้งสองทำผลงานได้ใกล้เคียงกับ Fable 5 ของ Anthropic
  • น้ำหนักโมเดลมีกำหนดจะเปิดเผยภายในไม่กี่สัปดาห์
• GLM 5.2 ของ Knowledge Atlas ก็เป็นโมเดลแบบเปิดระดับสูงที่เปิดตัวในช่วงกลางเดือนมิถุนายนเช่นกัน
• กระแสนี้มีขอบเขตกว้างกว่า ‘ช่วงเวลา DeepSeek’ แบบเดี่ยวในปี 2025
  • มันแสดงให้เห็นว่าหลายแล็บวิจัยสามารถไล่ตามได้ ไม่ใช่แค่บริษัททุนหนาอย่าง Anthropic·OpenAI เท่านั้น แต่รวมถึง Grok ของ Meta และ SpaceX ด้วย
  • รูปแบบคือการแข่งขันและการไล่กวดที่เกิดซ้ำไปมา และหากคำนึงถึงต้นทุนด้วย ก็อาจเกิดการแซงด้านสมรรถนะในอนาคตได้

โครงสร้างต้นทุนของ foundation model

• การสร้างโมเดลต้องใช้ บุคลากรวิจัย, ทรัพยากรคอมพิวต์อย่างชิปและดาต้าเซ็นเตอร์, และพลังงานเพื่อเดินระบบเหล่านั้น
• สำหรับโมเดลที่สร้างเสร็จแล้ว ต้นทุนที่ใหญ่ที่สุดเกิดขึ้นใน การอนุมาน ที่ทำให้ผู้ใช้สามารถใช้งานโมเดลได้
  • ในขั้นตอนการอนุมานก็ยังต้องใช้บุคลากร คอมพิวต์ และพลังงาน
  • เพราะไม่ได้อัปเดตโมเดลตลอดเวลา สัดส่วนต้นทุนแรงงานจึงต่ำกว่าการฝึก และต้นทุนส่วนเพิ่มส่วนใหญ่จะกระจุกอยู่ที่คอมพิวต์กับพลังงาน
• ธุรกิจการอนุมานต้องทำต้นทุนพลังงานและดาต้าเซ็นเตอร์ให้เหมาะที่สุด และยิ่งเป็นเจ้าของ value chain มากเท่าไร ก็ยิ่งเปลี่ยนต้นทุนผันแปรให้เป็นต้นทุนคงที่ได้มากขึ้น

ขอบเขตการเป็นเจ้าของโครงสร้างพื้นฐานเป็นตัวกำหนดมาร์จิน

• Anthropic, Knowledge Atlas, และ Moonshot Labs จัดหาทั้ง ดาต้าเซ็นเตอร์และพลังงาน จากภายนอก โดยไม่มีดาต้าเซ็นเตอร์หรือโรงไฟฟ้าเป็นของตัวเอง
• Meta และ Alibaba สร้างดาต้าเซ็นเตอร์เอง แต่ซื้อพลังงานจากผู้ให้บริการรายอื่น
• SpaceX เลือกแนวทางที่เป็นเจ้าของทั้งโรงไฟฟ้าและดาต้าเซ็นเตอร์
• บริษัทที่พึ่งพาดาต้าเซ็นเตอร์และพลังงานจากภายนอกทำกำไรโดยบวกมาร์จินเข้าไปในต้นทุนการอนุมานของลูกค้า
  • เมื่อค่าใช้จ่ายเพิ่มตามรายได้ จึงยากที่จะขยายมาร์จินแม้การใช้งานจะเพิ่มขึ้น
• หากเป็นเจ้าของโรงไฟฟ้าหรือดาต้าเซ็นเตอร์ ต้นทุนการอนุมานส่วนใหญ่จะกลายเป็น ต้นทุนคงที่ ทำให้ยิ่งลูกค้าใช้งานมาก ก็ยิ่งขยายมาร์จินได้

โครงสร้างพื้นฐานที่ขยายทางเลือกเชิงกลยุทธ์

• ยิ่งเป็นเจ้าของสแต็กโครงสร้างพื้นฐานมากเท่าไร ก็ยิ่งสร้างรายได้จากโครงสร้างพื้นฐานนั้นเองได้
  • ต่อให้โมเดลของตัวเองไม่ใช่ตัวที่ดีที่สุด ก็ยังสามารถโฮสต์โมเดลโอเพนซอร์สที่มีสมรรถนะดีได้
  • ยังสามารถปล่อยเช่าฮาร์ดแวร์ที่มีอยู่ให้บริษัทอื่นได้ด้วย
• มีรายงานว่า Meta กำลัง หารือดีลมูลค่า 1 หมื่นล้านดอลลาร์เพื่อให้ความจุเซิร์ฟเวอร์แก่ Anthropic
• SpaceX ได้ทำ สัญญาคลาวด์กับ Google และยังอยู่ระหว่างหารือแนวทางในการให้สมรรถนะคอมพิวต์แก่กระทรวงกลาโหมสหรัฐ
• หากไม่มีดาต้าเซ็นเตอร์หรือโรงไฟฟ้า ความสำเร็จจะขึ้นอยู่กับ ความต้องการของโมเดล
  • โมเดลต้องเป็นตัวที่สมรรถนะดีที่สุด หรือไม่ก็ต้องราคาถูกแต่ดีพอ
  • จึงต้องอยู่ในการแข่งขันที่ต้องลดราคาอนุมานลงเรื่อย ๆ หรือรักษาตำแหน่งผู้ให้บริการโมเดลที่ดีที่สุดไว้ให้ได้

สามเส้นทางการอยู่รอดของบริษัทที่ทำโมเดลอย่างเดียว

• Anthropic, OpenAI, DeepSeek, Moonshot Labs, และ Knowledge Atlas หากไม่สามารถรักษาความเป็นผู้นำไว้ได้อย่างต่อเนื่อง ก็ยากจะอยู่รอดในตลาด foundation model ที่แข่งขันรุนแรงมาก
• เส้นทางที่บริษัทซึ่งโฟกัสที่โมเดลจะชนะได้มีอยู่ 3 ทาง
  1. บรรลุ การพัฒนาตัวเองแบบวนซ้ำ ได้ก่อนด้วยทรัพยากรคอมพิวต์ที่เพียงพอ และทิ้งคู่แข่งไว้ไกล
  2. ปิดตลาดผ่านกฎระเบียบ
  3. สร้างผลิตภัณฑ์ที่มีเอกลักษณ์จนลอกเลียนไม่ได้ หรือยึดผู้ใช้ไว้ได้อย่างเหนียวแน่น

กลยุทธ์ด้านต้นทุนและกฎระเบียบของ Anthropic

• ในบรรดาแล็บโมเดลระดับแนวหน้า Anthropic พึ่งพากลยุทธ์ด้านกฎระเบียบและ การพัฒนาตัวเองแบบวนซ้ำ มากที่สุด
• แนวทางที่เน้นจริยธรรมซึ่งเห็นได้จากการเซ็นเซอร์ตัวเองของ Fable และ Mythos เชื่อมโยงกับกลยุทธ์ด้านกฎระเบียบนี้
  • ต่อมามาตรการของรัฐบาลสหรัฐก็ทำให้การเปิดตัวเพิ่มเติมถูกจำกัดด้วย
• แม้จะยังนำด้านสมรรถนะของโมเดล แต่ราคากลับสูงกว่า OpenAI และโมเดลแบบเปิดมาก
  • จากการเปรียบเทียบของ Artificial Analysis ต้นทุนต่อ completed task ของ Fable 5 สูงเกือบ 3 เท่า
  • ยังไม่ชัดเจนว่าผู้ใช้จะยอมจ่ายราคานี้เพื่อแลกกับโมเดลที่ดีกว่าหรือไม่
• นักวิจัยและผู้ก่อตั้งบางส่วนคาดว่า จะเกิด สงครามราคา จากการที่การแข่งขันขยายตัวและ AI benchmark เริ่มอิ่มตัวจนไม่สะท้อนราคา

การแข่งขันด้านฮาร์เนสและแรงกดดันจากการถูก unbundle

• Anthropic ลงทุนในผลิตภัณฑ์อย่าง Claude Code และ Cowork แต่กลยุทธ์ที่เน้น agent harness ก็มีความเสี่ยงตามมา
• OpenCode, OpenClaw, Hermes และสตาร์ตอัปด้านฮาร์เนสอีกหลายรายก็กำลังสร้างนวัตกรรมในพื้นที่เดียวกัน
• อุปสรรคในการเข้าสู่ตลาด foundation model นั้นสูงมาก แต่การเปิดตัว AI harness ของตัวเองแทบไม่มีอุปสรรคในการเข้าสู่ตลาด
• Anthropic กำลังเผชิญ แรงกดดันจากการถูก unbundle ใน 3 ทิศทาง
  • โมเดลกลายเป็นมาตรฐานที่คู่แข่งต้องก้าวข้าม
  • ผลิตภัณฑ์ถูกท้าทายหนักขึ้นเรื่อย ๆ จากคู่แข่งทั้งแบบปิดและโอเพนซอร์ส
  • โมเดลเศรษฐกิจที่ไม่ได้เป็นเจ้าของโครงสร้างพื้นฐานเสียเปรียบด้านต้นทุน
• หากไม่มีการแทรกแซงด้านกฎระเบียบ หรือไม่มีการคิดค้น AGI ได้จริง Anthropic ก็อาจรักษาตำแหน่งผู้ให้บริการ foundation model อันดับ 1 ไว้ได้ยาก

กลยุทธ์ตั้งรับอีกแบบที่ OpenAI เลือก

• ในช่วงไม่กี่เดือนที่ผ่านมา โมเดลของ OpenAI ตามหลัง Anthropic แต่บริษัทลงทุนในผลิตภัณฑ์ ประสบการณ์ผู้บริโภค การโพสต์บนเว็บไซต์ เสียง และฮาร์ดแวร์
• ในพื้นที่เหล่านี้ ฐานที่ป้องกันได้ ดูชัดเจนกว่าผลิตภัณฑ์ที่เน้นฮาร์เนสของ Anthropic
• OpenAI ยังเปิดกว้างกว่าต่อการเป็นเจ้าของดาต้าเซ็นเตอร์และการลงทุนในโรงไฟฟ้า
• แม้จะมีมุมมองว่ากลยุทธ์นี้ทำให้เสียสมาธิ แต่ในระยะยาวมันอาจเพิ่มความยืดหยุ่นในการฟื้นตัว
  • บริษัทมีทั้งความยืดหยุ่นและความกล้าเสี่ยงในการลองสร้างผลิตภัณฑ์ที่มี network effect และความสามารถในการป้องกันตัว
  • และยังสามารถปรับมาร์จินระยะยาวให้เหมาะที่สุดได้

ความสามารถในการป้องกันตัวที่อ่อนลงของผู้เล่นแบบโมเดลเป็นศูนย์กลาง

• Kimi K3 และ Qwen 3.8 แสดงให้เห็นว่าโมเดลแบบเปิดก็สามารถไปถึง ขอบเขตสมรรถนะระดับแนวหน้า ได้
• หากใช้เกณฑ์ว่าเป็นธุรกิจที่ยั่งยืนในระยะยาว บริษัทที่ทำหน้าที่เพียงจัดหาโมเดลมีความเสี่ยงเป็นพิเศษ
• Knowledge Atlas, Moonshot Labs, และ Anthropic มีความยากกว่าในการ สร้างความสามารถในการป้องกันตัว เมื่อเทียบกับ OpenAI, Alibaba, SpaceX, Meta, และ Google ที่มีทั้งโครงสร้างพื้นฐานและสินทรัพย์ผลิตภัณฑ์อื่น

[GN⁺]

ความคิดเห็นจาก Hacker News

• เมื่อเห็นโมเดลแบบเปิดน้ำหนักและเปิดสถาปัตยกรรมหลั่งไหลออกมาในช่วงไม่กี่วันที่ผ่านมา ดูเหมือนว่าท้ายที่สุดแล้ว ฝ่ายที่อบโมเดลลง ASIC ได้เร็วที่สุด มีโอกาสชนะสูง
  อย่างที่เห็นจากการประกาศ K3 ตัว LLM เองก็สามารถทำงานบางส่วนของการออกแบบชิปได้ และโมเดลล้ำสมัยก็เพียงพอสำหรับงานหลากหลายมากแล้ว และอีกไม่นานก็จะถึงระดับนั้นสำหรับงานพัฒนาซอฟต์แวร์จำนวนมากเช่นกัน
  ถ้ารัน Fable 5 บน ASIC ได้ที่ 9,000 โทเคนต่อวินาที แทนที่จะเป็น 150 โทเคนต่อวินาทีบน GPU ของ Nvidia ก็จะตอบสนองความต้องการส่วนใหญ่ได้
  บริษัทต่าง ๆ ก็สามารถใช้ ASIC แบบออนพรีมิสเพียงไม่กี่ตัวเพื่อรองรับการใช้งานหลากหลายได้อย่างปลอดภัยกว่า แทนที่จะส่งข้อมูลให้ OpenAI หรือ Anthropic

  • ASIC สำหรับคริปโทเคอร์เรนซีมีการเปลี่ยนแปลงอัลกอริทึมช้าและรายละเอียดก็เป็นที่รู้กันดี แต่ สถาปัตยกรรม LLM เปลี่ยนเร็วกว่าเยอะ
    ไม่อยากเสี่ยงให้มี论文หรือแนวทางใหม่ที่เร็วขึ้นหลายเท่าออกมาระหว่างกำลังปรับรายละเอียดการเปิดตัวชิป
    นักพัฒนามีความภักดีต่อแบรนด์ต่ำมากและจะย้ายไปใช้โมเดลที่ดีที่สุดทันที ดังนั้นตราบใดที่โมเดลที่ดีที่สุดยังรันบน GPU ที่โปรแกรมได้ GPU ก็น่าจะยังครองตลาด
  • ฟังดูเหมือนการตัดสินแบบ “640KB น่าจะพอสำหรับทุกคน”
  • แม้แต่โมเดลล่าสุดของ OpenAI และ Anthropic ก็ยังทำ การวางแผนทริปเดินทาง ได้แย่มาก
    ผมใช้บ่อย แต่พวกมันฝ่าฝืนเงื่อนไขที่ขอไปโดยสิ้นเชิง และจุดแวะที่แนะนำประมาณครึ่งหนึ่งไม่ผ่านตัวกรอง
  • Fable กับ Mythos ดูเหมือน Xeon ขนาดยักษ์ ส่วนโมเดลเล็กและเบาดูเหมือนชิป ARM จำนวนมากที่กินไฟต่ำ ทำให้รู้สึกเหมือนโครงสร้าง Intel ปะทะ ARM กำลังเกิดซ้ำ
    ถ้าทำตามลูกค้าที่บอกให้สร้างโมเดลให้ใหญ่ขึ้นเหมือนทรัพยากรไม่มีจำกัด ก็ทำเงินก้อนใหญ่ได้ในตอนนี้ แต่มีความเสี่ยงจะถูกสิ่งที่คล้าย Apple Silicon ซึ่งเติบโตจากประสิทธิภาพและการปรับปรุงต่อเนื่องแซงหน้า
  • ฮาร์ดแวร์แบบปรับแต่งเฉพาะ อย่าง Cerebras มีอยู่แล้ว
    มีแล็บวิจัยแห่งหนึ่งสร้างการตอบกลับจากโมเดล 8 พันล้านพารามิเตอร์ที่เดิมทำได้ราว 100 โทเคนต่อวินาทีบนสแตกซอฟต์แวร์ทั่วไป ให้ขึ้นไปถึงราว 3,000 โทเคนต่อวินาทีบน MI300X ใบเดียวได้
    แฟลชแบนด์วิดท์สูงขนาดหลาย TB ที่อ่านได้มากกว่า 1TB ต่อวินาทีก็กำลังอยู่ระหว่างการพัฒนา ดังนั้นในอีกไม่กี่ปีข้างหน้า เราอาจรันโมเดล 3 ล้านล้านพารามิเตอร์ในเครื่องได้ด้วยการ์ดที่มี HBM 40–90GB และ HBF 4TB ในราคาราว 10,000–20,000 ดอลลาร์

• นึกถึงกรณีของ Figma อยู่เรื่อย ๆ
  Mike Krieger ซึ่งเป็น CPO ของ Anthropic และผู้ร่วมก่อตั้ง Instagram เคยเป็นกรรมการของ Figma แต่ลาออกก่อนเปิดตัว Claude Design ไม่นาน และมีรายงานว่า Figma แม้จะพึ่งพาการผสานรวม “Code to Canvas” ร่วมกับโมเดลของ Anthropic แต่ไม่ได้ทราบขอบเขตของ Claude Design ล่วงหน้า
  ทันทีหลังประกาศ หุ้น Figma ร่วง 7% ทำให้ ทฤษฎีวันสิ้นสุดของ SaaS ที่บริษัทโมเดลพื้นฐานกลืนกินเลเยอร์แอปพลิเคชันของพาร์ตเนอร์ SaaS กลายเป็นจริง
  ต้องระวังเมื่อให้ข้อมูลแก่หรือพึ่งพาบริษัท LLM เพราะถ้าไอเดียของสตาร์ทอัป AI ประสบความสำเร็จ บริษัทเหล่านี้อาจเข้ามาแข่งเองหรือควบคุมราคา API ได้

  • ทำให้นึกถึงนักพัฒนาที่เคยสร้างแอปบน FB·Twitter และต่อมาบน Reddit API แล้ววันหนึ่งก็ ถูกดึงฐานรองรับออกไป
  • รายได้จากเครื่องมือเขียนโค้ดตอนนี้สำคัญ แต่ไม่ใช่เป้าหมายสุดท้าย และบริษัท AI ต้องกลายเป็น ซูเปอร์แอปสำหรับผู้บริโภค เพื่อสร้างเหตุผลรองรับมูลค่ากิจการมหาศาล
    OpenAI ถึงขั้นออกแบบฮาร์ดแวร์เองเพื่อหลุดจากการพึ่งพา Apple และ Android และกำลังเดิมพันครั้งใหญ่กับซูเปอร์ดีไวซ์สำหรับผู้บริโภค
    เกมระยะยาวไม่ใช่บริษัท AI ปะทะ SaaS แต่เป็นการแข่งขันกับแบรนด์ผู้บริโภครายใหญ่อย่าง Apple·Google·Meta·Amazon และหากใครสร้างผู้ช่วยดิจิทัลขั้นสุดยอดที่รับงานอะไรก็ได้แล้วสร้างโค้ดกับอินเทอร์เฟซให้ทันทีได้ก่อน แม้แต่ Apple ก็อาจดูล้าสมัย
  • ทุนนิยมปัจจุบันหมุนรอบพฤติกรรมแบบผูกขาด ดังนั้นเมื่อบริษัท LLM ไปถึงระดับที่ทดแทนพนักงานได้ ก็คาดว่าจะ ขุดทองเองโดยตรง แทนที่จะขายพลั่ว
    ผลิตภัณฑ์ที่สร้างอยู่บนบริการอื่นมีแนวโน้มถูกซื้อกิจการหรือถูกบริการฐานดูดกลืนได้ง่าย และ Apple เองก็แอบผนวกฟีเจอร์จากแอปยอดนิยมจำนวนมากเข้า iOS มาแล้ว
  • ช่วงเปิดตัว GPT 5 ผมทำแอปปรับแต่งเรซูเม่ แต่พอ GPT 5.5 ออกมา มันก็สามารถสร้างเรซูเม่ PDF·Word ที่สมบูรณ์พร้อมรักษารูปแบบต้นฉบับได้ทันที
    การทำ wrapper บาง ๆ ไปแข่งกับแล็บวิจัยนั้นเสี่ยง แต่ก็เป็นยุคซอฟต์แวร์ใหม่ที่ถ้าสร้างผลิตภัณฑ์มีคุณค่า ซึ่งแชตบอตไม่สามารถลอกเลียนแบบได้ในทันที ก็ไม่จำเป็นต้องกังวล
  • Anthropic และ OpenAI ถูกแรงกดดันจากการแข่งขันมากเกินกว่าจะไล่ตามไอเดียผลิตภัณฑ์บ้าบิ่นทุกอย่างด้วยเงินทุนและนักพัฒนา ดังนั้นผมคิดว่า ยุคที่บริษัทใหญ่ใช้เงินลอกเลียนสตาร์ทอัป ได้จบลงแล้ว

• มองว่าความเสี่ยงถูกพูดให้เกินจริง
  มีดีมานด์สำหรับการจ่ายเพิ่มให้โมเดลที่ดีกว่า และคุณค่าที่ได้จากเวิร์กโฟลว์ของผมนั้นมากกว่า 200 ดอลลาร์ต่อเดือน ที่จ่ายให้แล็บแนวหน้ามาก จึงไม่คิดจะลดค่าใช้จ่ายลงสักเท่าไร
  คุณค่าที่ Claude Code หรือสภาพแวดล้อมรันของ Codex มอบให้นั้นมากกว่า LLM จริง ๆ เสียอีก และการใช้งานแบบโอเพนซอร์สอย่าง OpenCode ยังด้อยกว่าอีกมาก
  Excel เองก็มี Google Sheets ซึ่งแทบเทียบเท่ากับทางเลือกที่ให้ฟีเจอร์มากกว่า 90% แต่เพราะคุณค่าที่สเปรดชีตสร้างขึ้นนั้นมากกว่า 100 ดอลลาร์ต่อปีมาก moat ที่แข็งแกร่งของ Microsoft จึงยังคงอยู่

  • เงินของ Claude และ OpenAI มาจากลูกค้าองค์กร และองค์กรนั้น อ่อนไหวต่อค่าใช้จ่าย ถึงขั้นมีตำแหน่งงานเฉพาะสำหรับปรับต้นทุนโครงสร้างพื้นฐานให้เหมาะสม
    ทั้งสองบริษัทก็ไม่ได้ถูกประเมินมูลค่า 1 ล้านล้านดอลลาร์เพราะสภาพแวดล้อมรันเช่นกัน
    Excel สำหรับองค์กรอยู่ที่ราว 50 ดอลลาร์ต่อเดือน แต่แล็บปิดคิดเงินต่อผู้ใช้แพงกว่านั้นหลายเท่า และแม้ผมจะไม่ได้เขียนโค้ดมาก ยังใช้ไปอย่างน้อยราว 50 ดอลลาร์ต่อวัน
  • องค์กรไม่สามารถใช้แผนสมัครสมาชิกทั่วไปที่มีการอุดหนุนอย่างมากได้ และผมรู้จักองค์กรที่มีนักพัฒนาราว 100 คนใช้ AI อย่างจริงจังจนใช้เงิน 500,000 ดอลลาร์ต่อเดือน
  • การมองว่า 200 ดอลลาร์ต่อเดือนเป็นเรื่องเล็กน้อยคือ มุมมองของประเทศพัฒนาแล้วที่ร่ำรวย
    ที่ที่ผมอยู่ เงินเดือน 200 ดอลลาร์ต่อเดือนก็ไม่ใช่เรื่องหายาก และนักพัฒนาก็ได้ราว 1,000 ดอลลาร์ ดังนั้นไม่ว่าคุณค่าจะมากแค่ไหน หากจ่ายค่าเช่าและค่าอาหารไม่ได้ก็ใช้ไม่ได้
    แม้ในประเทศพัฒนาแล้ว 200 ดอลลาร์ต่อเดือนก็ยังรับไหวได้ยากสำหรับนักศึกษาหรือผู้ก่อตั้งที่ไม่ได้มีฐานะ
  • ตัว Codex เองก็เปิดเป็นโอเพนซอร์สแล้ว: https://github.com/openai/codex
  • ช่องว่างด้านประสิทธิภาพกำลังแคบลงอย่างรวดเร็ว จนไม่คุ้มจะจ่ายเพิ่มเพื่อโมเดลที่ดีกว่า
    จนถึงสัปดาห์ก่อน Fable ยังควรค่าแก่การจ่ายเงิน แต่เมื่อ K3 ออกมา ช่องว่างก็แคบลงจนสำหรับผมไม่อาจหาเหตุผลรองรับค่าใช้จ่ายได้
    ถ้าผลลัพธ์จริงดีขึ้น 10% ก็อาจยอมจ่าย 5 เท่าได้ แต่คนที่จะจ่าย 5 เท่าเพื่อการปรับปรุง 2% นั้นมีน้อยกว่ามาก
    อีกทั้งการถูกบังคับให้ใช้ Claude Code แทนสภาพแวดล้อมรันที่ชอบ ก็ไม่ใช่จุดแข็งของ Anthropic แต่เป็นข้อเสีย

• น่าทึ่งที่ Fable เปลี่ยนจาก “โมเดลเปลี่ยนเกมที่ควรถูกแบน” ไปเป็น “ก็โอเค แต่ OpenAI ก็คล้ายกัน และมีทางเลือกแบบเปิดน้ำหนักด้วย” ได้เร็วขนาดนี้
  วงจรไฮป์ สั้นลง และครั้งนี้อาจถึงช่วงชะงักงันจริง ๆ แล้วก็ได้

  • Fable ยังคงเป็นโมเดลยอดเยี่ยมตัวเดิม และบทความที่คาดเดาอนาคตของอุตสาหกรรม LLM ก็ไม่ได้ให้ทั้งอินไซต์หรือความน่าสนใจมากนัก จึงไม่ควรใส่ใจมากนัก
  • เมื่อต้นปี โมเดลแบบเปิดน้ำหนักยัง ตามหลัง OpenAI·Anthropic อยู่ 4 เดือน แต่ตอนนี้ช่องว่างเหลือเพียง 4–6 สัปดาห์
  • วิธีเรียนรู้แบบตะกละที่ทำได้เฉพาะเมื่อไม่มีมาตรการป้องกัน ย่อมถึงขีดจำกัดในที่สุด
    ข้อมูลเปลี่ยนแปลงตลอดจึงต้องอัปเดตโมเดล แต่ ข้อมูลที่ใช้ฟรีได้ จะลดลงเรื่อย ๆ

• OpenAI ก็เป็นผู้ให้บริการที่แทบจะขายเฉพาะโมเดลเช่นเดียวกับ Anthropic จึงสงสัยว่าทำไมถึงไม่เปราะบางในแบบเดียวกัน

  • ChatGPT กลายเป็นคำแทน LLM สำหรับคนทั่วไปและการใช้งานที่ไม่ใช่งานเทคนิคไปแล้ว และกำลังสะสม ประวัติผู้ใช้ จำนวนมหาศาล
    ประวัติเหล่านี้ให้บริบทส่วนบุคคลเพื่อปรับปรุงผลิตภัณฑ์ และยังนำไปใช้กับการฝึกโมเดลและโฆษณาได้ด้วย
    ในอนาคตที่เมื่อพิมพ์ว่า “ช่วยวางแผนวันหยุดให้หน่อย” แล้วมันประสานงานทั้งกระบวนการ ผู้ใช้จะไม่ย้ายไปหาโมเดลอื่นที่ถูกกว่าหรือดีกว่า 10% ได้ง่าย ๆ
  • OpenAI กำลังกระจายไปสู่ฮาร์ดแวร์ผู้บริโภค และยังเป็นเจ้าของดาต้าเซ็นเตอร์เองมากขึ้น
    หากผลิตภัณฑ์ออกสู่ตลาดจริงและประสบความสำเร็จในระดับหนึ่ง ก็อาจได้ครอง ตำแหน่งที่แตกต่างเฉพาะตัว จากแล็บแนวหน้าอื่น ๆ
  • บทความแยกให้เห็นว่า การลงทุนด้านผลิตภัณฑ์ ประสบการณ์ผู้บริโภค การเผยแพร่บนไซต์ เสียง และฮาร์ดแวร์ สร้าง moat ที่ชัดเจนกว่า
    อย่างไรก็ตาม จุดต่างเหล่านี้ในปัจจุบันยังต่ำกว่าความคาดหวัง หรืออย่างฮาร์ดแวร์ก็ยัง ไม่ได้รับการพิสูจน์เลย
  • ไม่ใช่แค่เวียเรเบิลสำหรับผู้บริโภค แต่ที่สำคัญกว่านั้นคือกำลังพัฒนา ชิปสำหรับ inference ด้วย
    การสร้างโมเดลที่ดี กับการให้บริการโมเดลนั้นอย่างรวดเร็วและรองรับดีมานด์ได้ เป็นคนละเรื่องกัน
    Anthropic เคยเจอปัญหานี้เมื่อราว 6 เดือนก่อน และ Moonshot ก็รองรับดีมานด์ไม่ไหวจนหยุดการสมัครแพ็กเกจเขียนโค้ดไปแล้ว

• หากเพดานของความก้าวหน้า AI คือ การพัฒนาตัวเองแบบวนซ้ำ AI ก็จะสร้างโมเดลที่ดีกว่า และเจ้าของดาต้าเซ็นเตอร์จะเป็นผู้ชนะ ดังนั้น Anthropic กับ OpenAI ก็จบ
  หากพื้นล่างคือภาวะชะงักงัน ก็จะกลายเป็นการแข่งขันให้ประสิทธิภาพสูงสุดระดับคงที่ในราคาถูกที่สุด
  ข่าวที่ว่า Google จะทำชิป Gemini ที่ฝังน้ำหนักลงในซิลิคอน หมายความว่าเมื่อคำนึงถึงอายุชิปอย่างน้อย 2–3 ปี พวกเขาคาดว่าจะไม่มีความก้าวหน้าในระดับใกล้เคียงกันในช่วง 3 ปีข้างหน้า และสุดท้ายก็เป็นการแข่งขันมาร์จิ้นต่ำสุด ทำให้ทั้งสองบริษัทเสียเปรียบอีกครั้ง
  หากจะอยู่รอด ความก้าวหน้าของ AI ต้องอยู่ระหว่างสองขั้วสุดโต่งนี้

  • สำหรับโมเดลเปิดน้ำหนัก ตอนนี้จำเป็นต้องมี คอมพิวติ้งแบบกระจายเหมือน SETI@home
  • หากฝังน้ำหนักลงในชิป จะทำให้ inference เร็วขึ้นและประหยัดพลังงานขึ้น และยังมีผลข้างเคียงคือผลักผู้ใช้ปลายทางเข้าสู่ วงจรเปลี่ยนฮาร์ดแวร์อย่างต่อเนื่อง

• OpenAI ดูอันตรายกว่า Anthropic มาก
  ข้อเท็จจริงที่ว่าฝ่ายหนึ่งกำลัง ผลักดัน IPO ส่วนอีกฝ่ายหลีกเลี่ยงการเปิดบัญชี บอกอะไรได้มาก

• ประเด็นหลักคือแล็บอื่นจะสร้างโมเดลที่ ล้ำหน้า กว่า Anthropic และ OpenAI ได้หรือไม่
  ความพึ่งพา API ของทั้งสองบริษัทผ่านการกลั่นโมเดลและวิธีอื่น ๆ ก็สำคัญเช่นกัน และหากเป็นโมเดลอนุพันธ์ ก็คาดว่าช่วงประสิทธิภาพจะแคบและการพัฒนาจะถูกจำกัด

  • ไม่จำเป็นต้องเหนือกว่าในด้านประสิทธิภาพล้วน ๆ สิ่งสำคัญคือ คุณค่าต่อราคา
    ในบริษัทที่ซื้อโทเคนเริ่มเห็นชัดแล้วว่าความฉลาดที่เพิ่มขึ้นไม่ได้แปลเป็นรายได้ที่เพิ่มขึ้น และท้ายที่สุดฝ่ายการเงินจะเป็นผู้กำหนดการตัดสินใจ
    หากเป็น OpenAI หรือ Anthropic ก็คงเป็นสถานการณ์ที่น่ากังวลอย่างยิ่ง

• ถ้า Dario กลับไปออกรายการพอดแคสต์อีกครั้ง แล้วขู่ว่าเพราะ AI ของเขา งาน 75% จะหายไป ก็อาจพลิกกระแสได้
  ถ้าไม่ได้ผลก็เพิ่มเป็น 85% และถ้ายังไม่ได้อีกก็เพิ่มเป็น 100% ก็พอ

• ในเดือนพฤศจิกายน 2025 Anthropic Opus 4.5 และ Claude Code เป็นระบบเดียวที่สามารถทำฟีเจอร์ที่นิยามไว้อย่างชัดเจนให้เสร็จถูกต้องได้ในครั้งเดียว แต่ตอนนี้พอใจกับ Claude และ Codex แทบจะพอ ๆ กัน
  หากทั้งสองบริษัทกดดันเรื่องราคา หรือเข้มงวดนโยบายความปลอดภัยมากเกินไป ก็น่าจะมีทางเลือกมากขึ้นในการย้ายไปใช้โมเดลแบบ open weights ที่มีความสามารถ และสภาพแวดล้อมรันไทม์แบบโอเพนซอร์สอย่างแท้จริง
  Gemini 3.1 Pro ดูแข็งแกร่ง แต่ Antigravity ที่ลองใช้ครั้งล่าสุดนั้นไร้ความสามารถ
  การที่ Anthropic อยู่รอดในฐานะหนึ่งในคู่แข่งที่แข็งแกร่งเป็นเรื่องดี แต่เพราะ ปรัชญาที่ให้ความปลอดภัยมาก่อน จึงทำให้โมเดลรุ่นล่าสุดปฏิเสธมากขึ้นและจงใจไม่รับรู้มากขึ้น
  ในระยะยาว บริษัทนี้อาจถูกจดจำในฐานะบริษัทที่เร่งการพัฒนาซอฟต์แวร์จนทำให้คนอื่น ๆ สร้างเครื่องมือที่ไม่ขี้กลัวเท่า

  • อยากให้ Anthropic ถดถอยไปเสียมากกว่า แล้วให้บริษัทอื่นเข้ามาแทนที่