HUMAIN-M3 ของซาอุฯ ชี้โมเดล Open-Weight กำลังเป็นหัวใจของศึก Sovereign AI

ซาอุดีอาระเบียกำลังเสนอภาพของ “อธิปไตยด้าน AI” ในแบบที่ต่างจากการเริ่มสร้างโมเดลระดับแนวหน้าทั้งหมดด้วยตนเอง กรณีของ HUMAIN-M3 คือการนำสายโมเดล M3 ของ MiniMax มาเป็นฐาน แล้วฝึกต่อด้วยข้อมูลภาษาอาหรับ และเปิดให้เข้าถึงผ่านแพลตฟอร์ม HUMAIN Node ของตนเอง 65

ประเด็นสำคัญจึงไม่ใช่แค่ว่าใครเป็นผู้คิดค้นโมเดลตั้งต้น แต่เป็นใครควบคุมการปรับโมเดล การโฮสต์ ความปลอดภัย การอัปเดต และการนำไปใช้ระยะยาวได้มากเพียงใด

HUMAIN-M3 เปิดตัวอะไร

HUMAIN ซึ่งได้รับการสนับสนุนจากกองทุนความมั่งคั่งแห่งชาติของซาอุดีอาระเบีย หรือ PIF ประกาศเปิดตัว humain-m3 เมื่อวันที่ 3 กันยายน 2026 บริษัทระบุว่าโมเดลนี้ได้รับมอบหมายงานโดย HUMAIN และพัฒนาโดย MiniMax ก่อนเปิดให้ทดลองใช้เพื่อการวิจัยบน HUMAIN Node ขณะเดียวกัน มีรายงานว่า HUMAIN วางแผนจะปล่อยน้ำหนักโมเดลแบบเปิดในอนาคต แต่ช่วงพรีวิวนี้ยังไม่ได้เปิดให้ดาวน์โหลด weights 63

โมเดลนี้ต่อยอดจากสาย MiniMax-M3 ซึ่งเป็นสถาปัตยกรรมแบบ Mixture-of-Experts หรือ MoE มีพารามิเตอร์รวม 428 พันล้านตัว และเปิดใช้งานราว 23 พันล้านพารามิเตอร์ต่อหนึ่งโทเค็น HUMAIN ระบุว่าฝึกต่อโมเดลด้วยเนื้อหาภาษาอาหรับโดยกำเนิดมากกว่า 1 ล้านล้านโทเค็น 61

แนวคิดนี้จึงไม่ใช่เพียงการแปลภาษาทับบนระบบ AI ทั่วไป เป้าหมายที่บริษัทประกาศคือรักษาความสามารถวงกว้างของโมเดลฐานไว้ ควบคู่กับการยกระดับการเข้าใจและการสร้างภาษาอาหรับด้วยข้อมูลภาษาและบริบทวัฒนธรรมที่เกี่ยวข้องกับพื้นที่มากขึ้น 211

ทำไมโมเดล Open-Weight จึงเปลี่ยนโจทย์ของ Sovereign AI

การฝึกโมเดลทั่วไปชั้นนำจากศูนย์ต้องใช้กำลังประมวลผล ข้อมูล บุคลากรวิศวกรรม และเวลาจำนวนมาก โมเดลที่เปิด weights สามารถเปลี่ยนจุดเริ่มต้นได้ เพราะผู้ดำเนินการในประเทศนำทรัพยากรไปทุ่มกับการฝึกต่อ การประเมิน การติดตั้งใช้งาน และธรรมาภิบาลสำหรับโจทย์ของตนโดยตรง

MiniMax ระบุว่า M3 เป็นโมเดล Open-Weight สำหรับงานเขียนโค้ดและงานแบบเอเจนต์ โดย API รองรับบริบทได้สูงสุด 1 ล้านโทเค็น 18 การเริ่มจากโมเดลลักษณะนี้ทำให้โครงการ AI ระดับชาติสามารถมุ่งแก้ช่องว่างที่โมเดลทั่วไปมักรองรับไม่ดี เช่น ภาษาถิ่นอาหรับ ความรู้เฉพาะภูมิภาค กระบวนงานของสถาบัน และเกณฑ์ประเมินที่สอดคล้องกับท้องถิ่น

ประโยชน์เชิงยุทธศาสตร์ไม่ได้แปลว่าประเทศนั้นเป็นอิสระจากเทคโนโลยีภายนอกทั้งหมด เพราะ HUMAIN-M3 เองยังพึ่งพาสายโมเดลจากจีน แต่ผู้ดำเนินการในประเทศมีบทบาทมากขึ้นในชั้นของระบบที่กำหนดการใช้งานจริง ได้แก่ ใช้ข้อมูลใดเพื่อปรับความเชี่ยวชาญ รันการอนุมานที่ใด อัปเดตโมเดลอย่างไร และรองรับงานประเภทใด

คะแนนเบนช์มาร์กน่าสนใจ แต่ยังไม่ใช่หลักฐานอิสระ

HUMAIN รายงานคะแนนเฉลี่ยถ่วงน้ำหนักเท่ากัน 89.37% จากเบนช์มาร์กภาษาอาหรับสาธารณะ 7 รายการ และได้อันดับหนึ่งใน 5 รายการ บริษัทระบุว่าคะแนนเฉลี่ยสูงกว่าโมเดลอ้างอิง MiniMax M3 อยู่ 9.03 จุด 12

ตัวเลขนี้บ่งชี้ว่าการฝึกต่อด้วยข้อมูลภาษาอาหรับอาจช่วยเพิ่มผลลัพธ์บนชุดทดสอบที่เลือกไว้ได้อย่างมีนัยสำคัญ อย่างไรก็ดี ควรอ่านอย่างระมัดระวัง เพราะผลรวมดังกล่าวมาจากกระบวนการประเมินของ HUMAIN เอง และ ณ เวลาที่มีรายงาน ยังไม่ได้ส่งผลเข้าสู่ตารางจัดอันดับ OALL สาธารณะ 3

ดังนั้น ผลลัพธ์นี้ยังไม่ยืนยันอย่างอิสระว่าโมเดลเหนือกว่าในแง่ความน่าเชื่อถือ ความปลอดภัย ต้นทุน หรือประสิทธิภาพสำหรับงานภาษาอาหรับทุกประเภท การทำซ้ำผลโดยสาธารณะ หลักฐานจากการใช้งานจริง และการประเมินภาษาถิ่นรวมถึงงานที่มีความเสี่ยงสูง จะมีน้ำหนักมากกว่าตารางคะแนนเพียงชุดเดียว

เหตุใดการดาวน์โหลด weights จึงมีความหมาย

Weights ที่เปิดให้ใช้งานมีคุณค่าเชิงยุทธศาสตร์ เพราะช่วยลดการพึ่งพาผู้ให้บริการโมเดลระยะไกลเพียงรายเดียว CNAS ระบุว่าหลายประเทศมองโมเดล Open-Weight เป็นแนวทางที่ใช้งานได้จริงในการลดการถูกผูกติดกับผู้ขายรายเดียว เนื่องจากสามารถดาวน์โหลด โฮสต์เอง ปรับแต่ง และในบางกรณีติดตั้งด้วยต้นทุนที่ต่ำกว่าได้ 38

สำหรับภาครัฐหรือผู้ดำเนินการในประเทศ การควบคุมนี้มีหลายมิติ ได้แก่

• การจัดการข้อมูล: สามารถออกแบบให้งานที่มีข้อมูลอ่อนไหวทำงานบนโครงสร้างพื้นฐานในประเทศหรือภายใต้การควบคุม แทนการส่งข้อมูลไปยัง API ต่างชาติ
• การปรับภาษา: ทีมงานสามารถฝึกต่อและประเมินประสิทธิภาพสำหรับภาษาอาหรับหลากหลายรูปแบบ รวมถึงศัพท์เฉพาะของหน่วยงาน
• ทางเลือกทางเทคนิค: ผู้ดำเนินการเลือกชุดระบบอนุมาน ฮาร์ดแวร์ และสถาปัตยกรรมการติดตั้งได้เอง
• ความต่อเนื่อง: การมีจุดตรวจโมเดลที่ใช้งานได้ช่วยเพิ่มความยืดหยุ่น มากกว่าการพึ่ง API ภายนอกเพียงอย่างเดียว ซึ่งอาจเปลี่ยนเงื่อนไข ราคา ความพร้อมใช้งาน หรือสิทธิ์เข้าถึงได้

แน่นอนว่า Open-Weight ไม่ใช่คำตอบสำเร็จรูป ยังต้องมีทรัพยากรประมวลผล มาตรการความมั่นคงปลอดภัยไซเบอร์ ผู้เชี่ยวชาญด้านการประเมินโมเดล การตรวจสอบใบอนุญาต และแผนบำรุงรักษาระยะยาว

ตลาด Sovereign AI กำลังขยายตัว

HUMAIN-M3 เป็นส่วนหนึ่งของกระแสโลกที่ใหญ่กว่า CNAS นับโครงการ Sovereign AI ที่ได้รับการสนับสนุนจากรัฐบาล 184 โครงการใน 67 ประเทศ ณ กลางปี 2026 หลังพบโครงการใหม่ 41 โครงการในครึ่งปีแรกของปีนั้น ส่วนดัชนีฉบับอัปเดตที่เผยแพร่ภายหลังระบุ 185 โครงการ 3433

CNAS นิยามโครงการ Sovereign AI อย่างกว้าง ว่าเป็นความริเริ่มด้าน AI ที่มีรัฐบาลหนุนหลัง เชื่อมโยงอย่างชัดเจนกับผลประโยชน์เชิงยุทธศาสตร์ของประเทศ และมีการลงทุนสาธารณะอย่างมีนัยสำคัญในระบบประมวลผล โมเดล หรือระบบนิเวศข้อมูลภายในประเทศ 33 นิยามนี้ชี้ให้เห็นว่าโมเดลเป็นเพียงชั้นหนึ่งของระบบ Sovereign AI ซึ่งยังรวมถึงโครงสร้างพื้นฐานและข้อมูล

นักพัฒนาจีนมีบทบาทมากขึ้นในตลาดนี้ส่วนหนึ่งเพราะมีโมเดลที่มีความสามารถและเปิด weights ควบคู่กับบริการ API โดย CNAS รายงานว่ามีนักพัฒนาจีนอย่างน้อย 7 รายที่เสนอระบบ Open-Weight ซึ่งมีความสามารถเด่นด้านการเขียนโค้ด การให้เหตุผล งานหลายสื่อ และงานเอเจนต์ 36

MiniMax M3 ยังไม่ได้มีช่องทางให้บริการเฉพาะผ่านบริการของ MiniMax เท่านั้น Artificial Analysis ระบุว่ามีผู้ให้บริการ API หลายรายรองรับโมเดลนี้ รวมถึง Nebius และ SambaNova ซึ่งสะท้อนว่าโมเดลเปิดสามารถให้บริการผ่านโครงสร้างพื้นฐานทางเลือกได้ 22

สัญญาณสำคัญจาก HUMAIN-M3

สาระสำคัญที่สุดไม่ใช่ว่าเบนช์มาร์กชุดใดจะตัดสินผู้นำโมเดลได้เด็ดขาด แต่คือหน่วยของการแข่งขันกำลังเปลี่ยนไป

รัฐต่าง ๆ กำลังกลายเป็นลูกค้าของสินทรัพย์ AI ที่นำกลับมาใช้และต่อยอดได้ นั่นคือจุดตรวจโมเดลที่พวกเขาสามารถปรับให้ตรงกับภาษาในประเทศ รันบนโครงสร้างพื้นฐานที่เลือกเอง ประเมินภายใต้ข้อกำหนดภายในประเทศ และดูแลต่อเนื่องได้ในระยะยาว โมเดลฐานที่แข็งแกร่งยังสำคัญ แต่ความพร้อมของ Open-Weight การปรับให้เข้ากับฮาร์ดแวร์ ทางเลือกด้านการอนุมาน ธรรมาภิบาลข้อมูล และเส้นทางการอัปเดตที่น่าเชื่อถือ อาจสำคัญไม่แพ้กัน

HUMAIN-M3 จึงชี้ว่าการแข่งขันไม่ได้มีเพียงการดวลกันระหว่างห้องปฏิบัติการโมเดลของสหรัฐฯ และจีนเท่านั้น แต่ยังเป็นการแข่งขันว่าใครจะส่งมอบชุดเทคโนโลยี AI ที่ยืดหยุ่น ควบคุมได้ และใช้งานได้อย่างต่อเนื่องที่สุด สำหรับประเทศที่ต้องการกำหนดอนาคต AI ของตนเอง