สิ่งที่หลายคนคาดหวังคือการดีเบตเรื่องความเสี่ยงเชิงอัตถิภาวนิยมของ AI แต่สิ่งที่ปรากฏกลับน่าสนใจยิ่งกว่า: การปฏิเสธการควบคุม AI แบบรวมศูนย์อย่างเป็นเอกภาพ แต่กลับซ่อนความขัดแย้งอย่างลึกซึ้งว่า 'ความเปิดเผย' ควรทำงานอย่างไรในทางปฏิบัติ

จุดร่วม: การรวมศูนย์อำนาจคืออันตรายที่แท้จริง

ทั้งสามคนปฏิเสธแนวคิดที่ว่าการล็อก AI ไว้ในห้องแล็บที่มีทุนหนาเพียงไม่กี่แห่งเป็นคำตอบที่ถูกต้องสำหรับความกังวลด้านความปลอดภัย ข้อโต้แย้งหลักที่พวกเขาเห็นร่วมกันคือ: การรวมศูนย์อำนาจไว้ที่บริษัทไม่กี่แห่งนั้นอันตรายยิ่งกว่าความเสี่ยงจากการแจกจ่ายโมเดลแบบเปิดเสียอีก พวกเขากังวลว่าการตั้ง 'นายประตู' จะทำให้การสร้างนวัตกรรมเชื่องช้า ตอกย้ำความได้เปรียบของบริษัทยักษ์ใหญ่ และปล่อยให้คนเพียงไม่กี่กลุ่มตัดสินใจว่าส่วนอื่น ๆ ของโลกจะสร้างอะไรได้บ้าง

Yun-Hee Kim กล่าวถึงเซสชันนี้ว่าเป็นการบรรจบกันครั้งประวัติศาสตร์ และในประเด็นพื้นฐานนี้ สามผู้บุกเบิกเห็นพ้องต้องกันจริง ๆ แต่เมื่อบทสนทนาเลื่อนจากหลักการไปสู่การปฏิบัติ ฉันทามติก็แตกสลายทันที

ห้าประเด็นแห่งความขัดแย้ง

1. โมเดล Open-Weight: เส้นแบ่งที่แยกออกจากกัน

Geoffrey Hinton ลากเส้นแบ่งอย่างชัดเจนระหว่างซอฟต์แวร์โอเพนซอร์สกับโมเดล Open-Weight Hinton กล่าวว่า "โอเพนซอร์สนั้นยอดเยี่ยม คุณแสดงโค้ดให้ผู้คนดู แล้วหลายคนก็ดูบรรทัดโค้ดแล้วพูดว่า 'โอ๊ะ มีบั๊ก' ส่วน Open-Weights คือการที่คุณฝึกโมเดลขนาดใหญ่แล้วแจกค่าน้ำหนักให้ผู้คน มันต่างกันมาก" เขาเตือนว่าการปล่อยค่าน้ำหนักทำให้การปรับแต่งโมเดลเพื่อโจมตีทางไซเบอร์เป็นเรื่องถูกและง่ายดาย ถึงกระนั้นก็ยอมรับว่าการต่อสู้ครั้งนี้แพ้แล้ว: "ผมคิดว่าการต่อสู้ครั้งนั้นจบลงแล้ว... มันสายเกินไป"

Andrew Ng พูดถึง Open-Weight ด้วยความสบายใจมากกว่ามาก เขามองว่านี่เป็นเรื่องความสามารถในการแข่งขัน และเล่าว่าเมื่อทีมของเขาต้องตรวจสอบความปลอดภัยให้กับเครื่องมือโอเพนซอร์ส OpenWorker พวกเขากลับต้องหันไปใช้โมเดล Open-Weight ของจีน เช่น Kimi K3 และ GLM-5.2 เพราะโมเดลปิดของอเมริกาปฏิเสธที่จะช่วยเหลือ "จากสิ่งที่ผมเห็น ผมคิดว่าโมเดล Open-Weight ดูปลอดภัยกว่าโมเดล Closed-Weight สำหรับผม" Ng กล่าว

Fei-Fei Li ปฏิเสธการแบ่งขั้วแบบคู่ตรงข้ามโดยสิ้นเชิง เธอเรียกกรอบคิด Open vs. Closed ว่าเป็นภาพลวงตา และโต้แย้งว่าเราควรใช้แนวทางที่ละเอียดและเฉพาะเจาะจงในแต่ละภาคส่วน แทนที่จะมองความเปิดเผยเป็นทางเลือกแบบเอาทั้งหมดหรือไม่เอาอะไรเลย

2. นายประตู: สมรภูมิหลักของ Ng

Ng เป็นคนที่พูดประเด็นนี้ดังที่สุด: "ผมไม่ต้องการให้มีนายประตู สิ่งนั้นจำกัดว่าพวกเราทุกคนจะเข้าถึง AI ได้อย่างไร" เขากล่าวหาบริษัทใหญ่ว่าโหมกระพือความกลัวภัยจาก AI เพื่อล็อกสิทธิประโยชน์ด้านกฎระเบียบและกีดกันคู่แข่งรายเล็ก วิธีแก้ของเขา: "ส่งเสริมความเปิดเผย... เพราะ AI เป็นเทคโนโลยีที่วิเศษ และผมต้องการให้มันอยู่ในมือของทุกคน"

Hinton และ Li เห็นพ้องว่าไม่ควรปล่อยให้ห้องแล็บเพียงไม่กี่แห่งควบคุมทิศทางของ AI แม้ว่า Hinton จะกังวลเรื่องความเสี่ยงจากการแจกจ่ายโดยไร้การควบคุมมากกว่าก็ตาม

3. การแข่งขันกับจีน: ข้อขัดแย้งที่อึดอัด

Ng วางกรอบความเปิดเผยเป็นประเด็นด้านซอฟต์พาวเวอร์และการแข่งขันกับโมเดล Open-Weight ของจีน เขาโต้แย้งว่าหากสหรัฐฯ จำกัด Open Models ระบบนิเวศ Open-Weight ที่พัฒนาอย่างรวดเร็วของจีน เช่น Qwen 3.8-Max ของ Alibaba และ GLM-5.2 ของ Zhipu AI จะก้าวกระโดดนำหน้าไปไกล เขาชี้ให้เห็นข้อขัดแย้ง: โมเดลจีนแบบเปิดกลับกำลังช่วยนักวิจัยด้านความมั่นคงของสหรัฐฯ ทำงานที่โมเดลอเมริกันแบบปิดขวางกั้นไว้

Hinton รับทราบถึงแรงกดดันด้านการแข่งขัน แต่ยังคงกังวลเรื่องการนำไปใช้ในทางที่ผิด เขามองว่าผีออกจากตะเกียงไปแล้ว ไม่ว่านโยบายของสหรัฐฯ จะเป็นเช่นไร

4. กฎระเบียบ: มากแค่ไหน และใครได้ประโยชน์?

ทั้งสามคนเห็นตรงกันว่าต้องมีกฎระเบียบบางอย่าง แต่ไม่เห็นพ้องในขอบเขตและแนวทาง

• Hinton เรียกร้องให้มีการทดสอบความปลอดภัยภาคบังคับก่อนปล่อยโมเดล และเปิดเผยผลทั้งหมดต่อรัฐบาล — เขาต้องการมาตรฐานขั้นต่ำที่บังคับใช้โดยหน่วยงานกำกับดูแล เขาเปรียบกฎระเบียบว่าเป็น "พวงมาลัย ไม่ใช่เบรก" ของรถยนต์
• Li ผลักดันกฎระเบียบเฉพาะรายภาคส่วน แทนที่จะใช้กฎแบบเหวี่ยงแห โดยโต้แย้งว่า AI ปรับเปลี่ยนงานแตกต่างกันไปในแต่ละอุตสาหกรรม และการเพิ่มผลิตภาพจะไม่แปลเป็นความมั่งคั่งร่วมกันโดยอัตโนมัติ
• Ng เป็นคนที่คลางแคลงใจกฎระเบียบจากบนลงล่างมากที่สุด เขาเตือนว่ากฎระเบียบอาจถูกยึดครองโดยบริษัทยักษ์ใหญ่และใช้ตอกย้ำความได้เปรียบของพวกเขา เขาชอบส่งเสริมการแข่งขันและความเปิดเผยเป็นมาตรการป้องกันหลัก

5. ความเปิดเผยเป็นทางเลือกแบบ 'เอาทั้งหมดหรือไม่เอาอะไรเลย' หรือไม่?

ประเด็นนี้เผยให้เห็นความแตกแยกที่ลึกที่สุดในเวที Li เรียกกรอบคิดแบบคู่ตรงข้ามนี้ว่าเป็นเท็จอย่างชัดเจน — เธอโต้แย้งแนวทางสายกลางที่ปรับระดับความเปิดเผยตามภาคส่วน ระดับความเสี่ยง และกรณีการใช้งาน Hinton เห็นด้วยว่าไม่ใช่ทางเลือกแบบขาวดำ แต่มาจากมุมตรงข้าม: เขาต้องการโลกที่เราสามารถเปิดค่าน้ำหนักได้โดยมีกลไกป้องกันความปลอดภัย ถึงแม้ว่าเขาจะไม่เชื่ออีกต่อไปว่าโลกแบบนั้นจะเป็นจริงได้ Ng เอนเอียงไปทางท่าทีแบบ 'เอาทั้งหมดหรือไม่เอาอะไรเลย' มากที่สุด — ความเปิดเผยคือทางออกหลัก และเขาคัดค้านการทำข้อยกเว้นที่บริษัทยักษ์ใหญ่จะหาประโยชน์ได้

สรุป: ปลายทางเดียวกัน แต่แผนที่คนละใบ

สามผู้บุกเบิกยืนหยัดร่วมกันต่อต้านอนาคตที่ห้องแล็บเพียงไม่กี่แห่งควบคุม AI แต่พวกเขาแตกแยกกันอย่างรุนแรงในเรื่องหนทาง Hinton ยอมรับ Open Weights อย่างไม่เต็มใจนัก มองว่ามันเป็นสิ่งที่หลีกเลี่ยงไม่ได้ แต่ก็หวาดหวั่นต่อการถูกนำไปใช้ในทางที่ผิด Ng โอบรับความเปิดเผยเป็นยารักษาหลักสำหรับการรวมศูนย์อำนาจและเป็นความจำเป็นเชิงยุทธศาสตร์ในการแข่งขันกับจีน ส่วน Li ปฏิเสธการแบ่งขั้วอย่างสิ้นเชิง และเรียกร้องกฎเกณฑ์ที่ปรับเทียบเฉพาะราย sector การถกเถียงนี้สะท้อนความตึงเครียดที่จริงใจในการกำกับดูแล AI ในปี 2026: การแจกจ่ายแบบเดียวกันที่ทำให้การเข้าถึงเป็นประชาธิปไตยยิ่งขึ้น ก็ทำให้การนำไปใช้ในทางที่ผิดอย่างหายนะควบคุมได้ยากขึ้นเช่นกัน

สิ่งที่หลายคนคาดหวังคือการดีเบตเรื่องความเสี่ยงเชิงอัตถิภาวนิยมของ AI แต่สิ่งที่ปรากฏกลับน่าสนใจยิ่งกว่า: การปฏิเสธการควบคุม AI แบบรวมศูนย์อย่างเป็นเอกภาพ แต่กลับซ่อนความขัดแย้งอย่างลึกซึ้งว่า 'ความเปิดเผย' ควรทำงานอย่างไรในทางปฏิบัติ

จุดร่วม: การรวมศูนย์อำนาจคืออันตรายที่แท้จริง

ทั้งสามคนปฏิเสธแนวคิดที่ว่าการล็อก AI ไว้ในห้องแล็บที่มีทุนหนาเพียงไม่กี่แห่งเป็นคำตอบที่ถูกต้องสำหรับความกังวลด้านความปลอดภัย ข้อโต้แย้งหลักที่พวกเขาเห็นร่วมกันคือ: การรวมศูนย์อำนาจไว้ที่บริษัทไม่กี่แห่งนั้นอันตรายยิ่งกว่าความเสี่ยงจากการแจกจ่ายโมเดลแบบเปิดเสียอีก พวกเขากังวลว่าการตั้ง 'นายประตู' จะทำให้การสร้างนวัตกรรมเชื่องช้า ตอกย้ำความได้เปรียบของบริษัทยักษ์ใหญ่ และปล่อยให้คนเพียงไม่กี่กลุ่มตัดสินใจว่าส่วนอื่น ๆ ของโลกจะสร้างอะไรได้บ้าง

Yun-Hee Kim กล่าวถึงเซสชันนี้ว่าเป็นการบรรจบกันครั้งประวัติศาสตร์ และในประเด็นพื้นฐานนี้ สามผู้บุกเบิกเห็นพ้องต้องกันจริง ๆ แต่เมื่อบทสนทนาเลื่อนจากหลักการไปสู่การปฏิบัติ ฉันทามติก็แตกสลายทันที

ห้าประเด็นแห่งความขัดแย้ง

1. โมเดล Open-Weight: เส้นแบ่งที่แยกออกจากกัน

Geoffrey Hinton ลากเส้นแบ่งอย่างชัดเจนระหว่างซอฟต์แวร์โอเพนซอร์สกับโมเดล Open-Weight Hinton กล่าวว่า "โอเพนซอร์สนั้นยอดเยี่ยม คุณแสดงโค้ดให้ผู้คนดู แล้วหลายคนก็ดูบรรทัดโค้ดแล้วพูดว่า 'โอ๊ะ มีบั๊ก' ส่วน Open-Weights คือการที่คุณฝึกโมเดลขนาดใหญ่แล้วแจกค่าน้ำหนักให้ผู้คน มันต่างกันมาก" เขาเตือนว่าการปล่อยค่าน้ำหนักทำให้การปรับแต่งโมเดลเพื่อโจมตีทางไซเบอร์เป็นเรื่องถูกและง่ายดาย ถึงกระนั้นก็ยอมรับว่าการต่อสู้ครั้งนี้แพ้แล้ว: "ผมคิดว่าการต่อสู้ครั้งนั้นจบลงแล้ว... มันสายเกินไป"

Andrew Ng พูดถึง Open-Weight ด้วยความสบายใจมากกว่ามาก เขามองว่านี่เป็นเรื่องความสามารถในการแข่งขัน และเล่าว่าเมื่อทีมของเขาต้องตรวจสอบความปลอดภัยให้กับเครื่องมือโอเพนซอร์ส OpenWorker พวกเขากลับต้องหันไปใช้โมเดล Open-Weight ของจีน เช่น Kimi K3 และ GLM-5.2 เพราะโมเดลปิดของอเมริกาปฏิเสธที่จะช่วยเหลือ "จากสิ่งที่ผมเห็น ผมคิดว่าโมเดล Open-Weight ดูปลอดภัยกว่าโมเดล Closed-Weight สำหรับผม" Ng กล่าว

Fei-Fei Li ปฏิเสธการแบ่งขั้วแบบคู่ตรงข้ามโดยสิ้นเชิง เธอเรียกกรอบคิด Open vs. Closed ว่าเป็นภาพลวงตา และโต้แย้งว่าเราควรใช้แนวทางที่ละเอียดและเฉพาะเจาะจงในแต่ละภาคส่วน แทนที่จะมองความเปิดเผยเป็นทางเลือกแบบเอาทั้งหมดหรือไม่เอาอะไรเลย

2. นายประตู: สมรภูมิหลักของ Ng

Ng เป็นคนที่พูดประเด็นนี้ดังที่สุด: "ผมไม่ต้องการให้มีนายประตู สิ่งนั้นจำกัดว่าพวกเราทุกคนจะเข้าถึง AI ได้อย่างไร" เขากล่าวหาบริษัทใหญ่ว่าโหมกระพือความกลัวภัยจาก AI เพื่อล็อกสิทธิประโยชน์ด้านกฎระเบียบและกีดกันคู่แข่งรายเล็ก วิธีแก้ของเขา: "ส่งเสริมความเปิดเผย... เพราะ AI เป็นเทคโนโลยีที่วิเศษ และผมต้องการให้มันอยู่ในมือของทุกคน"

Hinton และ Li เห็นพ้องว่าไม่ควรปล่อยให้ห้องแล็บเพียงไม่กี่แห่งควบคุมทิศทางของ AI แม้ว่า Hinton จะกังวลเรื่องความเสี่ยงจากการแจกจ่ายโดยไร้การควบคุมมากกว่าก็ตาม

3. การแข่งขันกับจีน: ข้อขัดแย้งที่อึดอัด

Ng วางกรอบความเปิดเผยเป็นประเด็นด้านซอฟต์พาวเวอร์และการแข่งขันกับโมเดล Open-Weight ของจีน เขาโต้แย้งว่าหากสหรัฐฯ จำกัด Open Models ระบบนิเวศ Open-Weight ที่พัฒนาอย่างรวดเร็วของจีน เช่น Qwen 3.8-Max ของ Alibaba และ GLM-5.2 ของ Zhipu AI จะก้าวกระโดดนำหน้าไปไกล เขาชี้ให้เห็นข้อขัดแย้ง: โมเดลจีนแบบเปิดกลับกำลังช่วยนักวิจัยด้านความมั่นคงของสหรัฐฯ ทำงานที่โมเดลอเมริกันแบบปิดขวางกั้นไว้

Hinton รับทราบถึงแรงกดดันด้านการแข่งขัน แต่ยังคงกังวลเรื่องการนำไปใช้ในทางที่ผิด เขามองว่าผีออกจากตะเกียงไปแล้ว ไม่ว่านโยบายของสหรัฐฯ จะเป็นเช่นไร

4. กฎระเบียบ: มากแค่ไหน และใครได้ประโยชน์?

ทั้งสามคนเห็นตรงกันว่าต้องมีกฎระเบียบบางอย่าง แต่ไม่เห็นพ้องในขอบเขตและแนวทาง

• Hinton เรียกร้องให้มีการทดสอบความปลอดภัยภาคบังคับก่อนปล่อยโมเดล และเปิดเผยผลทั้งหมดต่อรัฐบาล — เขาต้องการมาตรฐานขั้นต่ำที่บังคับใช้โดยหน่วยงานกำกับดูแล เขาเปรียบกฎระเบียบว่าเป็น "พวงมาลัย ไม่ใช่เบรก" ของรถยนต์
• Li ผลักดันกฎระเบียบเฉพาะรายภาคส่วน แทนที่จะใช้กฎแบบเหวี่ยงแห โดยโต้แย้งว่า AI ปรับเปลี่ยนงานแตกต่างกันไปในแต่ละอุตสาหกรรม และการเพิ่มผลิตภาพจะไม่แปลเป็นความมั่งคั่งร่วมกันโดยอัตโนมัติ
• Ng เป็นคนที่คลางแคลงใจกฎระเบียบจากบนลงล่างมากที่สุด เขาเตือนว่ากฎระเบียบอาจถูกยึดครองโดยบริษัทยักษ์ใหญ่และใช้ตอกย้ำความได้เปรียบของพวกเขา เขาชอบส่งเสริมการแข่งขันและความเปิดเผยเป็นมาตรการป้องกันหลัก

5. ความเปิดเผยเป็นทางเลือกแบบ 'เอาทั้งหมดหรือไม่เอาอะไรเลย' หรือไม่?

ประเด็นนี้เผยให้เห็นความแตกแยกที่ลึกที่สุดในเวที Li เรียกกรอบคิดแบบคู่ตรงข้ามนี้ว่าเป็นเท็จอย่างชัดเจน — เธอโต้แย้งแนวทางสายกลางที่ปรับระดับความเปิดเผยตามภาคส่วน ระดับความเสี่ยง และกรณีการใช้งาน Hinton เห็นด้วยว่าไม่ใช่ทางเลือกแบบขาวดำ แต่มาจากมุมตรงข้าม: เขาต้องการโลกที่เราสามารถเปิดค่าน้ำหนักได้โดยมีกลไกป้องกันความปลอดภัย ถึงแม้ว่าเขาจะไม่เชื่ออีกต่อไปว่าโลกแบบนั้นจะเป็นจริงได้ Ng เอนเอียงไปทางท่าทีแบบ 'เอาทั้งหมดหรือไม่เอาอะไรเลย' มากที่สุด — ความเปิดเผยคือทางออกหลัก และเขาคัดค้านการทำข้อยกเว้นที่บริษัทยักษ์ใหญ่จะหาประโยชน์ได้

สรุป: ปลายทางเดียวกัน แต่แผนที่คนละใบ

สามผู้บุกเบิกยืนหยัดร่วมกันต่อต้านอนาคตที่ห้องแล็บเพียงไม่กี่แห่งควบคุม AI แต่พวกเขาแตกแยกกันอย่างรุนแรงในเรื่องหนทาง Hinton ยอมรับ Open Weights อย่างไม่เต็มใจนัก มองว่ามันเป็นสิ่งที่หลีกเลี่ยงไม่ได้ แต่ก็หวาดหวั่นต่อการถูกนำไปใช้ในทางที่ผิด Ng โอบรับความเปิดเผยเป็นยารักษาหลักสำหรับการรวมศูนย์อำนาจและเป็นความจำเป็นเชิงยุทธศาสตร์ในการแข่งขันกับจีน ส่วน Li ปฏิเสธการแบ่งขั้วอย่างสิ้นเชิง และเรียกร้องกฎเกณฑ์ที่ปรับเทียบเฉพาะราย sector การถกเถียงนี้สะท้อนความตึงเครียดที่จริงใจในการกำกับดูแล AI ในปี 2026: การแจกจ่ายแบบเดียวกันที่ทำให้การเข้าถึงเป็นประชาธิปไตยยิ่งขึ้น ก็ทำให้การนำไปใช้ในทางที่ผิดอย่างหายนะควบคุมได้ยากขึ้นเช่นกัน