เมื่อวันที่ 27 มกราคม 2025 ห้องปฏิบัติการวิจัยจีนแห่งหนึ่งที่นักลงทุนส่วนใหญ่แทบไม่รู้จัก ทำให้มูลค่าตลาดของ Nvidia หายไป 589,000 ล้านดอลลาร์ในวันเดียว กลายเป็นการร่วงลงในวันเดียวครั้งใหญ่ที่สุดในประวัติศาสตร์ตลาดหุ้นสหรัฐ ต้นเหตุคือ DeepSeek และ “ความเปิด” ของมัน
แม้แต่ Bitcoin (BTC) ก็สั่นคลอน ขณะที่ตลาดเริ่มรับรู้ข้อเท็จจริงง่าย ๆ ว่า AI ระดับแนวหน้ามิได้ผูกขาดอยู่ในมือไม่กี่ห้องแล็บปิดอีกต่อไป
ประเด็นสำคัญ
- โมเดลแบบ “เปิดน้ำหนัก” (open weight) คือการเผยแพร่น้ำหนักพารามิเตอร์ของโมเดลที่เทรนเสร็จแล้ว ให้ใครก็ได้ดาวน์โหลด ไปรัน และดัดแปลง ต่างจาก “โอเพ่นซอร์ส” เต็มรูปแบบที่ต้องเปิดโค้ดเทรนและข้อมูลด้วย
- ช่วงช่องว่างคุณภาพระหว่างโมเดลปิดระดับท็อปกับโมเดลเปิดบนลีดเดอร์บอร์ดสาธารณะ หดจากราว 8% เหลือต่ำกว่า 2% ภายในราวปีเดียว ขณะที่ต้นทุนอินเฟอเรนซ์ลดลงนับร้อยเท่า
- ต้นทุนดีพลอยราคาถูก แรงผลักดันด้านอธิปไตยดิจิทัล กฎระเบียบที่เป็นมิตร และระบบนิเวศนักพัฒนาขนาดใหญ่ กำลังส่งแรงส่งให้โมเดลเปิดน้ำหนักขึ้นมาท้าทายผู้เล่นแบบ API-only
“เปิดน้ำหนัก” ในความหมายเชิงเทคนิค
คำว่า open weight ถูกใช้กันหลวม ๆ จนต้องนิยามให้ชัด โมเดลเปิดน้ำหนักคือการที่ผู้พัฒนาปล่อย “พารามิเตอร์ที่เทรนเสร็จ” ของโครงข่ายประสาทออกมา คือชุดตัวเลขที่เข้ารหัสทุกสิ่งที่โมเดลเรียนรู้ คุณดาวน์โหลดไปรันบนฮาร์ดแวร์ของตัวเอง ปรับจูนต่อ และนำไปใช้เชิงพาณิชย์ได้ตามเงื่อนไขไลเซนส์
แต่ “เปิดน้ำหนัก” ไม่เท่ากับ “โอเพ่นซอร์ส” Open Source Initiative เผยแพร่นิยาม Open Source AI เมื่อ 28 ตุลาคม 2024 โดยตั้งมาตรฐานที่สูงกว่า: หากจะเรียกโอเพ่นซอร์สได้ ผู้พัฒนาต้องเปิดทั้งน้ำหนัก โค้ดเทรน และข้อมูลเชิงรายละเอียดของดาต้าเซ็ตมากพอ ให้ผู้เชี่ยวชาญสามารถสร้างระบบขึ้นมาใหม่ได้อย่างมีนัยสำคัญ
โมเดลที่ตลาดเรียกกันว่าโอเพ่นซอร์สในวันนี้จำนวนมากสอบไม่ผ่านเกณฑ์นั้น ทั้ง Llama ของ Meta, Qwen ของ Alibaba และ DeepSeek ล้วนปล่อยแต่น้ำหนัก โดยไม่ให้สูตรข้อมูลเต็มชุด
Open Source Initiative พูดตรง ๆ ว่า เพียงแค่เปิดน้ำหนัก ยังไม่ให้เสรีภาพแบบซอฟต์แวร์โอเพ่นซอร์สที่แท้จริง ช่องว่างนี้จึงจุดชนวนข้อกล่าวหาเรื่อง “open washing” เมื่อบริษัทอ้างความเปิดแต่ยังปิดบังส่วนสำคัญที่ทำให้ผู้อื่นทำซ้ำผลงานได้จริง
อย่างไรก็ตาม สำหรับผู้สร้างส่วนใหญ่ “น้ำหนัก” คือรางวัลใหญ่ เมื่อได้มาแล้ว คุณสามารถให้บริการโมเดล ย่อโมเดล รีเทรนต่อ และส่งขึ้นโปรดักชันได้ หากแยกตามสิ่งที่ผู้ใช้ได้รับจริง จะเห็นโครงสร้างชัดขึ้น:
- เปิดน้ำหนัก: ปล่อยพารามิเตอร์ที่เทรนแล้ว ภายใต้ไลเซนส์ที่มักอนุญาตให้ใช้ ดัดแปลง และนำไปใช้เชิงพาณิชย์
- โอเพ่นซอร์สเต็มรูปแบบ: เปิดน้ำหนัก โค้ดเทรน และเอกสารข้อมูลมากพอให้สร้างโมเดลขึ้นใหม่ได้
- ปิด: ไม่ปล่อยอะไรให้ดาวน์โหลด เข้าถึงได้เฉพาะผ่าน API แบบคิดหน่วยใช้
หมวดกลางนี่เองที่กำลังเติบโตแบบก้าวกระโดด และทำให้ห้องแล็บปิดต้องนอนไม่ค่อยหลับ
อ่านเพิ่มเติม: Nvidia ร่วงเกือบ 5% จากดีลรับประกัน OpenAI มูลค่า 2.5 แสนล้านดอลลาร์ที่ยังไม่เซ็น
โมเดลเปิดน้ำหนักต่างจากโมเดลของ OpenAI และ Anthropic อย่างไร
OpenAI และ Anthropic เลือกเดินอีกทาง พวกเขาล็อกน้ำหนักโมเดลระดับท็อปไว้ในดาต้าเซ็นเตอร์ของตนเอง แล้วขายการเข้าถึงผ่าน API คุณส่งพรอมต์ รับผลลัพธ์ แต่ไม่มีวันได้แตะตัวโมเดลจริง ๆ
โมเดลธุรกิจนี้มีเหตุผลเชิงพาณิชย์ชัดเจน ปกป้องเม็ดเงินลงทุนเทรนโมเดล สร้างรายได้แบบสมัครใช้ไม่รู้จบ และให้ห้องแล็บมีอำนาจแพตช์พฤติกรรมหรือปิดกั้นผู้ใช้ได้ตลอดเวลา
อีกด้านหนึ่งคือเหตุผลด้านความปลอดภัย ซีอีโอ Anthropic ดาริโอ อาโมเดอี เคยให้เหตุผลว่า เมื่อใดที่น้ำหนักถูกเผยแพร่สู่สาธารณะ นักพัฒนาก็สูญเสียความสามารถในการอัปเดตรั้วกั้นหรือดึงระบบที่อันตรายกลับคืน
จุดอ่อนของโมเดลนี้คือ “การพึ่งพา”
เมื่อโมเดลอยู่บนเซิร์ฟเวอร์ของคนอื่นเพียงอย่างเดียว ผู้ให้บริการคือคนกำหนดราคา การันตีเวลาให้บริการ เงื่อนไขใช้ข้อมูล และกำหนดตารางเลิกซัพพอร์ตคุณเวอร์ชันที่คุณใช้ ธุรกิจของคุณจึงผูกติดอยู่กับโครงสร้างพื้นฐานที่คุณควบคุมหรือเข้าไปตรวจสอบไม่ได้
แม้จะเคยยกย่องงานวิจัยแบบเปิดมายาวนาน OpenAI ก็ไม่ได้ออกโมเดลภาษาแบบเปิดใด ๆ เลยตั้งแต่ GPT-2 ในปี 2019 จนถึงวันที่ 5 สิงหาคม 2025 เมื่อบริษัทเปิดตัวโมเดล gpt-oss สองรุ่น ภายใต้ไลเซนส์ Apache 2.0 ที่เสรี ซึ่งถูกมองเป็นการยอมถอยให้กับแรงกดดันจากฝั่งเปิดน้ำหนักโดยตรง บริษัทที่ปักหมุดโมเดลธุรกิจแบบ API ปิด จำต้องลงมาเล่นในสนามเปิดด้วยตัวเอง
อ่านเพิ่มเติม: OpenAI ขอวงเงินเครดิต Nvidia 2.5 แสนล้านดอลลาร์เพื่อซูเปอร์แคมปัสในโอไฮโอ
10 เหตุผลที่โมเดลเปิดน้ำหนักคุกคามโมเดลศูนย์กลางแบบ API-only
ไม่มีข้อไหนการันตีว่าโมเดลเปิดน้ำหนักจะชนะขาด แนวหน้าทางเทคโนโลยียังอยู่ในมือห้องแล็บใหญ่ และความเสี่ยงก็มีจริง แต่ทิศทางในช่วงสามปีที่ผ่านมาชัดเจนว่าไหลไปคนละทางกับโมเดลปิดแบบคิดหน่วยใช้
อะไรที่เปลี่ยนไปคือเหตุผลในการ “ยอมจ่ายแพงเพื่อเช่าใช้กล่องดำ” อ่อนกำลังลงเรื่อย ๆ การบรรจบกันของคุณภาพ ต้นทุน และการเมืองกำลังเปลี่ยนสมการพร้อมกัน
ต่อไปนี้คือ 10 ปัจจัยที่ทำให้ดุลอำนาจขยับ
1. ช่องว่างคุณภาพแทบหายไป
ปัจจัยเชิงเดี่ยวที่สำคัญที่สุดคือ “การบรรจบกัน” รายงาน AI Index ปี 2025 ของสแตนฟอร์ด พบว่า คะแนนของโมเดลปิดที่ดีที่สุดและโมเดลเปิดที่ดีที่สุด บนลีดเดอร์บอร์ด Chatbot Arena หดจากห่างกัน 8% ในเดือนมกราคม 2024 เหลือเพียง 1.7% ในเดือนกุมภาพันธ์ 2025
แนวหน้าก็แน่นขึ้นอย่างรวดเร็ว ช่องว่างระหว่างโมเดลอันดับ 1 กับอันดับ 10 หดจาก 11.9% เหลือ 5.4% ภายในปีเดียว
เมื่อทางเลือกอันดับสองให้คุณภาพใกล้เคียง แต่ต้นทุนถูกกว่ามหาศาล “ส่วนเพิ่ม” ที่ยอมจ่ายเพื่อเข้าถึงโมเดลปิดก็ดูยากจะอธิบาย นี่คือปัญหาราคาเชิงโครงสร้างสำหรับธุรกิจที่ตั้งอยู่บนฐาน “ความพิเศษเฉพาะตัว”
2. ราคาของ “สติปัญญา” ดิ่งลง
ต้นทุนร่วงเร็วเสียยิ่งกว่าช่องว่างคุณภาพ โดยอ้างข้อมูลจาก Epoch AI และ Artificial Analysis AI Index รายงาน ว่าราคาการรันคำถามระดับ GPT-3.5 ลดจากราว 20 ดอลลาร์ต่อหนึ่งล้านโทเคน ในเดือนพฤศจิกายน 2022 เหลือเพียง 0.07 ดอลลาร์ในเดือนตุลาคม 2024
นี่คือการลดลงราว 280 เท่าในเวลาไม่ถึงสองปี
DeepSeek ดันตรรกะเดียวกันไปถึงขั้นตอนเทรน รายงานเทคนิค V3 อ้างว่า การเทรนรันสุดท้ายใช้เงินราว 5.6 ล้านดอลลาร์บนชิป Nvidia H800 จำนวน 2,048 ตัว เทียบกับงบเทรนหลายสิบหรือหลายร้อยล้านดอลลาร์ของโมเดลตะวันตกขนาดใกล้เคียง เมื่อสติปัญญาถูกลงอย่างรุนแรง ผู้ชนะย่อมเป็นผู้ที่กระจายมันได้กว้างที่สุด ไม่ใช่ผู้ที่ล็อกมันไว้แน่นที่สุด
3. คุณเป็น “เจ้าของ” โมเดลจริง ๆ
หากคุณเช่าใช้โมเดลปิด คุณต้องอยู่ใต้กติกาของเจ้าของแพลตฟอร์ม ผู้ขายอาจขึ้นราคา เปลี่ยนเงื่อนไข หรือเลิกซัพพอร์ตเวอร์ชันที่โปรดักต์ของคุณพึ่งพาได้ทุกเมื่อ
แต่ถ้าคุณถือครองน้ำหนัก โมเมนตัมนี้กลับทิศทันที คุณแช่แข็งเวอร์ชันหนึ่งไว้ใช้ได้หลายปี ย้ายผู้ให้บริการคลาวด์ได้โดยไม่ต้องรื้อสแตกใหม่ทั้งก้อน
“ล็อกอินกับเวนเดอร์” ไม่ใช่ปัญหาเชิงทฤษฎี แต่มาในรูปต้นทุนสลับผู้ให้บริการ การย้ายระบบที่เจ็บปวด และโครงสร้างราคาที่คุณต่อรองอะไรไม่ได้ การเป็นเจ้าของน้ำหนักลดทอนความเสี่ยงเหล่านี้ทีละข้อ:
- แช่แข็งเวอร์ชันโมเดลที่คุณเชื่อถือ และใช้มันต่อเนื่องได้ตามต้องการ
- ย้ายระหว่างโฮสต์คลาวด์ หรือกลับมารันบนเครื่องของตัวเองได้ โดยไม่ต้องออกแบบสถาปัตยกรรมใหม่
- หลีกเลี่ยงการเลิกซัพพอร์ตแบบไม่บอกกล่าว ที่ทำให้โปรดักต์ล่มข้ามคืน
แม้แต่ไลเซนส์เปิดใจกว้างก็ยังมี “ตัวหนังสือเล็ก” ที่ต้องอ่าน ข้อตกลงใช้ Llama ของ Meta กำหนดว่า บริษัทที่มีผู้ใช้งานรายเดือนเกิน 700 ล้านคนต้องเจรจาสัญญาแยก นี่คือเหตุผลที่สายแข็งหลายคนไม่ยอมเรียก Llama ว่าโอเพ่นซอร์ส
4. ความเป็นส่วนตัวและอธิปไตยข้อมูล
ข้อมูลบางประเภท “ออกนอกกำแพงไม่ได้” ทั้งด้วยกฎหมายและบรรทัดฐาน โรงพยาบาล ธนาคาร และหน่วยงานรัฐจำนวนมากไม่สามารถส่งข้อมูลอ่อนไหว ออกไปยัง API ของบุคคลที่สามได้โดยตรง
โมเดลเปิดน้ำหนักแก้โจทย์นี้ด้วยการ “ย้ายโมเดลไปหาข้อมูล” คุณนำไปดีพลอยบนเซิร์ฟเวอร์ภายในองค์กรหรือคลาวด์ส่วนตัว ทำอินเฟอเรนซ์โดยไม่ปล่อยข้อมูลใด ๆ ออกจากขอบเขตที่ควบคุมเอง
คุณสมบัตินี้เพียงข้อเดียวก็เปิดประตูตลาดที่ API ปิดไม่มีโอกาสเข้าไปแข่ง สำหรับการดีพลอยในสภาพแวดล้อมถูกกำกับดูแล การคุมระบบไว้ “ในรั้วตัวเอง” มักเป็นปัจจัยชี้ขาด
5. รัฐชาติลงมือสร้างโมเดลของตัวเอง
ความกังวลเรื่องอธิปไตยดิจิทัลลุกลามไปทั่วโลก รัฐบาลจำนวนมากเริ่มมองการพึ่งพา API จากไม่กี่บริษัทอเมริกันหรือจีน เป็นความเสี่ยงเชิงยุทธศาสตร์
เมื่อวันที่ 2 กันยายน 2025 EPFL, ETH Zurich และศูนย์ซูเปอร์คอมพิวติ้งแห่งชาติสวิตเซอร์แลนด์ เผยแพร่ Apertus โมเดลเปิดเต็มรูปแบบที่เทรนบนโทเคนราว 15 ล้านล้านตัว ครอบคลุมภาษากว่า 1,000 ภาษา ขณะที่ Technology Innovation Institute ในอาบูดาบี เดินหน้าผลักดันตระกูล Falcon แบบเปิดมาตั้งแต่ปี 2023 และอีกหลายประเทศเร่งตั้งโครงการระดับชาติตามมา
รูปแบบจึงเริ่มชัดในหลายภูมิภาค:
- สวิตเซอร์แลนด์ปล่อย Apertus พร้อมเปิดน้ำหนัก ดาต้า และโค้ดทั้งหมด
- UAE ปล่อย Falcon หลายรุ่นภายใต้เงื่อนไขที่ยืดหยุ่น
- ฝรั่งเศส อินเดีย ญี่ปุ่น และเกาหลีใต้ ต่างอัดงบสนับสนุนโครงการโมเดลหรือโครงสร้างพื้นฐานคอมพิวต์ของตัวเอง
คุณสร้าง “AI แห่งชาติ” บนโมเดลที่ทำได้แค่เช่าใช้ไม่ได้ โมเดลเปิดน้ำหนักจึงกลายเป็นเงื่อนไขพื้นฐาน ทำให้รัฐบาลจำนวนมากมีแรงจูงใจยืนฝั่งแคมป์เปิดโดยธรรมชาติ
6. ทิศทางกำกับดูแลเริ่มเอียงมาทาง “เปิด”
ด้านนโยบายก็เริ่มสนับสนุนความเปิดเช่นกัน วันที่ 23 กรกฎาคม 2025 ทำเนียบขาว เผยแพร่ เอกสาร “America's AI Action Plan” โดยมีหนึ่งหัวข้อชื่อ “Encourage Open-Source and Open-Weight AI”
สหภาพยุโรปก็โน้มเอียงไปในโครงสร้างเดียวกัน แม้อุดมการณ์อาจต่างออกไป กฎหมาย EU AI Act ให้ “ส่วนยกเว้นบางส่วน” เรื่องภาระเอกสาร แก่ผู้ให้บริการโมเดลทั่วไปแบบฟรีและโอเพ่นซอร์ส ตราบใดที่โมเดลไม่ถูกจัดเป็นความเสี่ยงเชิงระบบ
แรงจูงใจเชิงนโยบายจึงเริ่มชี้ไปที่ “การเปิดเผย” แทนที่จะ “ล็อกแน่น” อย่างน้อยสำหรับโมเดลที่ยังต่ำกว่าขอบฟ้าความเสี่ยง เมื่อรัฐบาลที่มีน้ำหนักมากที่สุดในสมรภูมิ AI ออกตัวสนับสนุนโมเดลเปิดน้ำหนักอย่างชัดเจน โมเดลปิดแบบดีฟอลต์ย่อมเสียเปรียบเชิงภาพรวม
7. ระบบนิเวศนักพัฒนาเป็นวงล้อทวีคูณ
ขนาดยิ่งใหญ่ ยิ่งดึงให้ใหญ่ขึ้น Hugging Face เติบโต จนมีผู้ใช้ 13 ล้านคน โมเดลสาธารณะกว่า 2 ล้านโมเดล และดาต้าเซ็ตสาธารณะมากกว่า 500,000 ชุดภายในปี 2025
ตัวเลขดาวน์โหลดเล่าภาพรวมได้ดี Meta ระบุว่า Llama มียอดดาวน์โหลดทะลุ 1,000 ล้านครั้งเมื่อ 18 มีนาคม 2025 จาก 650 ล้านครั้งเมื่อต้นธันวาคม 2024 ขณะที่ Qwen ของ Alibaba ก็ไล่ตามมาติด ๆ ด้วยยอดดาวน์โหลดแตะ 700 … ยอดดาวน์โหลดสะสมผ่าน Hugging Face ทะลุหลักล้านภายในเดือนมกราคม 2026 และแตกแขนงเป็นรุ่นดัดแปลงแล้วมากกว่า 180,000 เวอร์ชัน แซงหน้า Llama ขึ้นมาเป็นตระกูลโมเดลโอเพ่นที่ถูกฟอร์กมากที่สุดไปเรียบร้อย
ทุกครั้งที่มีการจูนเพิ่ม (fine-tune) ติดอะแดปเตอร์ หรือทำ quantization บนโมเดลเปิด ล้วนอัดฉีด “คูเมือง” เพิ่มให้แพลตฟอร์มนั้นทั้งสิ้น โมเดลแบบปิดที่เข้าถึงได้แค่ผ่าน API ไม่มีทางเก็บเกี่ยวพลังทบต้นจากคอมมูนิตี้ได้แบบเดียวกัน เพราะไม่มีใครสามารถ “ต่อยอด” จากโมเดลที่ตัวเองไม่มีสิทธิ์ถือครองได้จริง
รันได้บนแค่โน้ตบุ๊ก
น้ำหนักโมเดลแบบเปิด (open weights) จับคู่กับฮาร์ดแวร์ทั่วไปได้ ผ่านทูลเชนราคาถูกอย่างเหลือเชื่อ การทำ quantization คือการบีบอัดโมเดลให้ใช้ความละเอียดตัวเลขต่ำลง ใช้หน่วยความจำน้อยลง ขณะที่เทคนิคอย่าง LoRA ช่วยให้จูนโมเดลเพิ่มได้โดยไม่ต้องฝึกใหม่ทั้งก้อน
ตัวรันไทม์แบบโลคอลคือจุดเปลี่ยนสำคัญ Ollama, llama.cpp และ vLLM ทำให้นักพัฒนาสามารถให้บริการโมเดลระดับใช้งานจริงได้บนการ์ดจอคอนซูเมอร์ตัวเดียว หรือแม้แต่บนโน้ตบุ๊กเครื่องเดียว
โมเดลที่คุณรันได้บนเครื่องราคา 2,000 ดอลลาร์ คือโมเดลที่ไม่มีใคร “ปิดสวิตช์จากระยะไกล” คุณได้ นั่นคืออิสระที่โมเดลแบบคิดตามการใช้งาน (metered model) ไม่มีวันให้
โปร่งใส ตรวจสอบได้ แปลความได้
สิ่งที่มองไม่เห็นก็ตรวจสอบไม่ได้ API ปิดให้แค่เอาต์พุตกลับมา โดยไม่เปิดช่องให้มองกลไกข้างในเลย
น้ำหนักเปิดทำให้นักวิจัยเข้าถึงตัวโมเดลโดยตรง วิเคราะห์จุดล้มเหลว (failure modes) และทดสอบด้านความปลอดภัยแบบเปิดเผยได้เต็มที่ ความโปร่งใสเช่นนี้คือเหตุผลที่ค่ายโอเพ่นยืนยันว่า โมเดลของตน “เสริมความน่าเชื่อถือ” ได้ง่ายขึ้นเมื่อเวลาผ่านไป ไม่ใช่ยากขึ้น
สำหรับอุตสาหกรรมภายใต้กำกับที่ต้องอธิบาย “เหตุผลของการตัดสินใจ” ความโปร่งใสระดับนี้ไม่ใช่ของฟุ่มเฟือย แต่บ่อยครั้งคือ “ข้อกำหนดทางกฎหมาย”
พรมแดนแบบกระจายศูนย์
เหตุผลรุ่นล่าสุดของฝั่งโอเพ่นอยู่ตรงจุดตัดของ AI กับคริปโต เมื่อเปิดเผยน้ำหนัก โมเดลไม่จำเป็นต้องถูกฝึกและให้บริการจากดาต้าเซ็นเตอร์ของบริษัทเดียวอีกต่อไป
โปรเจ็กต์อย่าง Prime Intellect ทดลองฝึกโมเดลบนฮาร์ดแวร์ที่กระจายอยู่ทั่วโลก พร้อมกลไกพิสูจน์ว่ามีการประมวลผลงานจริงบนเครื่องปลายทาง ขณะที่ Bittensor เดินเกมตลาดสำหรับ “อินเทลลิเจนซ์แบบแมชชีน” ที่ให้รางวัลด้วยโทเคน TAO (TAO)
ข้อเท็จจริงที่ต้องยอมรับคือ การฝึกแบบกระจายศูนย์ยังทั้งช้ากว่าและแพงกว่าคลัสเตอร์รวมศูนย์ในวันนี้ แต่การจับคู่ระหว่างน้ำหนักเปิดกับพลังคอมพิวต์ที่ยืนยันได้และโทเคนไลซ์ คือ “เวกเตอร์การแข่งขัน” แบบใหม่ที่แลบปิดเลียนแบบไม่ได้
Also Read: Pixel 11 ราคาขึ้น และ Google ชี้นิ้วไปที่ศูนย์ข้อมูล AI
ข้อสรุป
โอเพ่นเวตส์จะไม่ลบห้องแลบปิดให้หายไปจากแผนที่ เส้นหน้าด่านของเทคโนโลยียังคงเป็นของใครก็ตามที่ทุ่มงบคอมพิวต์มากที่สุด โมเดลเปิดยังตามหลังตัวท็อปแบบปิดอยู่หลายเดือน และน้ำหนักที่ปล่อยสู่สาธารณะก็แบกรับความเสี่ยงด้านการนำไปใช้ผิดวัตถุประสงค์ซึ่ง “เรียกคืนไม่ได้”
แต่ “เอาชนะ” ไม่ได้แปลว่า “ลบให้สิ้นซาก” มันแปลว่าขยับ “ศูนย์ถ่วง” ของอุตสาหกรรม และการขยับนั้นเกิดขึ้นแล้ว
ช่องว่างคุณภาพเริ่มบางเฉียบ ราคาของ “อินเทลลิเจนซ์” ใกล้แตะศูนย์ และทั้งรัฐบาล นักพัฒนา ไปจนถึงหน่วยงานกำกับ ดูจะหันไปเลือกโมเดลที่ “จับต้องและถือครองได้” ฝั่ง AI รวมศูนย์จะยังขาย “ความสะดวกสบายระดับบนสุด” ต่อไป แต่ส่วนที่เหลือของตลาดกำลังเดินเงียบๆ ไปหาน้ำหนักโมเดลที่ตัวเองเป็นเจ้าของได้จริง
Read Next: Apple เสียอำนาจต่อรองราคาหน่วยความจำ ลูกค้าต้องควักส่วนต่างเอง
