DeepSeek, Z.ai และ Moonshot AI กำลังเขียนเกมท้าชิง AI จีนขึ้นใหม่อย่างไร

ความสำคัญของ Liang Wenfeng, Tang Jie และ Yang Zhilin ไม่ได้อยู่เพียงการที่ผู้ก่อตั้งชาวจีนสามคนสร้างโมเดล AI ที่โดดเด่นขึ้นมาได้ แต่ทั้งสามยังช่วยขยายกรอบการวัดการแข่งขัน AI ระดับแนวหน้าให้กว้างขึ้นด้วย

ต่อไปความเก่งของโมเดลอาจไม่ใช่คำตอบทั้งหมดอีกแล้ว นักพัฒนาและนักลงทุนต้องมองควบคู่กับความเปิดกว้าง ต้นทุนการประมวลผลขณะใช้งาน การเข้าถึงของนักพัฒนา และปริมาณคอมพิวติ้งที่ต้องใช้เพื่อให้โมเดลทำงานได้จริง

สิ่งนี้ยังไม่ใช่หลักฐานว่าจีนแซงซิลิคอนแวลลีย์แล้ว แต่แสดงให้เห็นชัดว่าตลาด AI กำลังไม่ใช่สนามที่สหรัฐฯ ครองอยู่ฝ่ายเดียว และโมเดลที่มีอิทธิพลต่อความคาดหวังของโลกก็ไม่จำเป็นต้องเป็นระบบปิด ราคาแพงมหาศาล หรืออยู่ภายใต้บริษัทเทคโนโลยีอเมริกันที่จดทะเบียนในตลาดหุ้น

สามผู้ก่อตั้งกับสามเส้นทางสู่ AI ระดับแนวหน้า

Liang Wenfeng: ความท้าชิงที่เริ่มจากประสิทธิภาพของ DeepSeek

Liang ศึกษาวิศวกรรมอิเล็กทรอนิกส์และการสื่อสารที่ Zhejiang University ก่อนร่วมก่อตั้ง High-Flyer กองทุนเฮดจ์ฟันด์เชิงปริมาณที่ขับเคลื่อนด้วย AI จากนั้นเขาก่อตั้ง DeepSeek ในปี 2023 โดยนำมุมมองด้านการเพิ่มประสิทธิภาพทางคณิตศาสตร์และการใช้คอมพิวติ้งอย่างคุ้มค่าจากโลกการเงินเข้าสู่งานวิจัยโมเดลพื้นฐาน 4144

ผลงานที่สร้างชื่อให้บริษัทคือ DeepSeek-R1 ซึ่งเปิดตัวในเดือนมกราคม 2025 โมเดลด้านการใช้เหตุผลนี้เผยแพร่น้ำหนักให้ดาวน์โหลดได้ และถูกวางตำแหน่งเป็นทางเลือกต้นทุนต่ำกว่าระบบปิดชั้นนำ แม้ตัวเลขต้นทุนและประสิทธิภาพที่ DeepSeek รายงานเองจะไม่ใช่สิ่งทดแทนการประเมินจากภายนอกได้ทั้งหมด แต่ก็มีพลังมากพอที่จะทำให้นักลงทุนกลับมาทบทวนเศรษฐศาสตร์ของการฝึกและการใช้งานโมเดล AI 172226

แรงสะเทือนต่อตลาดเกิดขึ้นในระดับที่หาได้ยาก Nvidia สูญเสียมูลค่าตลาด 593,000 ล้านดอลลาร์สหรัฐภายในวันเดียว หลังนักลงทุนตั้งคำถามว่า AI ระดับแนวหน้าจำเป็นต้องใช้เงินลงทุนด้านฮาร์ดแวร์ที่มหาศาลและเพิ่มขึ้นไม่หยุดตามที่อุตสาหกรรมส่วนใหญ่เคยเชื่อหรือไม่ การเทขายบางส่วนฟื้นกลับในเวลาต่อมา จึงควรมองเหตุการณ์นี้เป็นการปรับราคาความคาดหวังอย่างรวดเร็ว มากกว่าจะเป็นหลักฐานว่าความต้องการชิปประสิทธิภาพสูงหายไป 1718

แนวคิดของ Liang ก็มีลักษณะเฉพาะตัว Reuters รายงานว่าเขาเคยกล่าวว่า DeepSeek ให้ความสำคัญกับการพัฒนา AGI หรือปัญญาประดิษฐ์ทั่วไปในระยะยาว มากกว่าการเร่งกำไรระยะสั้น และบริษัทมีแนวโน้มจะเปิดโมเดลที่ก้าวหน้าที่สุดต่อไป 33 อย่างไรก็ตาม ข้อมูลที่น่าเชื่อถือในขณะนี้ยังไม่เพียงพอที่จะสรุปสถานะเงินทุนทั้งหมด มูลค่าบริษัท แผนเข้าตลาด หรือทรัพย์สินส่วนตัวของ Liang ได้อย่างชัดเจน

Tang Jie: โมเดลจากงานวิจัยสู่ภาคธุรกิจของ Z.ai

Tang Jie เป็นศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์ของ Tsinghua University และเป็นผู้ร่วมก่อตั้งกับหัวหน้านักวิทยาศาสตร์ของ Z.ai ซึ่งเดิมใช้ชื่อว่า Zhipu AI บริษัทแยกตัวออกจากงานวิจัยของ Tsinghua ในกรุงปักกิ่งเมื่อปี 2019 และเริ่มเผยแพร่โมเดลตระกูล GLM ในปี 2021 4950

กลยุทธ์ของ Z.ai มีโครงสร้างเชิงสถาบันมากกว่า DeepSeek โดยผสานฐานวิจัยจากมหาวิทยาลัยเข้ากับเป้าหมายเชิงพาณิชย์และตลาดองค์กร โมเดล GLM ในระยะหลังเน้นการใช้เหตุผล การเขียนโค้ด การเรียกใช้เครื่องมือ และเวิร์กโฟลว์แบบเอเจนต์มากขึ้น รายงานประเมินของ Center for AI Standards and Innovation ของสหรัฐฯ ระบุว่า GLM-5.2 เปิดตัวในรูปแบบโมเดลที่เปิดน้ำหนักเมื่อวันที่ 16 มิถุนายน 2026 49

Tang เคยเสนอว่าการมาถึงของ DeepSeek-R1 เป็นจุดสิ้นสุดของช่วงแรกที่การแข่งขันเน้นการสนทนา และการเขียนโค้ดกับการใช้เหตุผลจะมีความสำคัญมากขึ้นเมื่อ AI เอเจนต์พัฒนาไปข้างหน้า 52 มุมมองนี้ช่วยอธิบายตำแหน่งของ Z.ai ได้ดี บริษัทไม่ได้แข่งขันแค่เรื่องการตอบแชตให้ลื่นไหล แต่กำลังมุ่งสู่โมเดลที่ทำงานระยะยาวและโต้ตอบกับซอฟต์แวร์หรือเครื่องมืออื่นได้

Z.ai ยังสะท้อนการเปลี่ยนผ่านจากห้องทดลองเอกชนไปสู่บริษัทในตลาดทุน รายงานระบุว่าบริษัทระดมทุนก่อนเข้าตลาดได้ราว 1,250 ล้านดอลลาร์สหรัฐภายในกลางปี 2025 ขณะที่การประเมินของรัฐบาลสหรัฐฯ ระบุว่า Z.ai เสร็จสิ้นการเสนอขายหุ้นครั้งแรกในตลาดหลักทรัพย์ฮ่องกงเมื่อวันที่ 8 มกราคม 2026 4950 ตัวเลขมูลค่าบริษัทหลังจากนั้นแตกต่างกันไป จึงไม่ควรนำมาใช้แทนกันหรือถือเป็นตัวเลขยืนยันเด็ดขาด เช่นเดียวกับทรัพย์สินส่วนตัวของ Tang ซึ่งยังไม่มีหลักฐานสาธารณะที่น่าเชื่อถือเพียงพอ

Yang Zhilin: เดิมพันกับบริบทขนาดยาวของ Moonshot AI

Yang Zhilin ศึกษาที่ Tsinghua University และจบปริญญาเอกจาก Carnegie Mellon University รายงานยังระบุว่าเขาเคยมีประสบการณ์ทำวิจัยที่ Google และ Meta ก่อนร่วมก่อตั้ง Moonshot AI ในกรุงปักกิ่งเมื่อปี 2023 2712

Moonshot เริ่มเป็นที่รู้จักจาก Kimi ซึ่งมีภาพจำผูกกับการสนทนาที่รองรับบริบทยาว บริษัทต่อยอดแนวทางดังกล่าวด้วย Kimi K3 โมเดล Mixture-of-Experts ที่มีพารามิเตอร์ 2.8 ล้านล้านตัว และรองรับบริบทได้สูงสุด 1 ล้านโทเคนตามข้อมูลจากแหล่งข่าว 15

Moonshot เปิดเผยน้ำหนักของ K3 หลังจากโมเดลดังกล่าวให้บริการผ่านผลิตภัณฑ์และ API แล้ว ทำให้ธุรกิจแชตบอตสำหรับผู้ใช้ทั่วไปเชื่อมต่อกับกลยุทธ์แพลตฟอร์มสำหรับนักพัฒนาได้มากขึ้น 2 ขนาดของโมเดลถือว่าน่าจับตา แต่จำนวนพารามิเตอร์เพียงอย่างเดียวไม่ได้ยืนยันความฉลาด ต้นทุนการใช้งาน หรือประโยชน์ในโลกจริง ผลการจัดอันดับจากลีดเดอร์บอร์ดอิสระช่วยให้เปรียบเทียบได้บางส่วน แต่คะแนนเปลี่ยนแปลงได้เสมอและไม่อาจแทนการทดสอบด้านความน่าเชื่อถือ การเขียนโค้ด ความปลอดภัย และงานเอเจนต์ในสถานการณ์จริง

ตัวเลขด้านเงินทุนของ Moonshot ก็ยังเปลี่ยนแปลงตามรายงานแต่ละแห่ง TechCrunch รายงานว่าบริษัทระดมทุนประมาณ 2,000 ล้านดอลลาร์สหรัฐที่มูลค่า 20,000 ล้านดอลลาร์ในเดือนพฤษภาคม 2026 ขณะที่รายงานภายหลังระบุถึงมูลค่าที่อาจสูงกว่า 30,000 ล้านดอลลาร์และการเตรียมตัวสำหรับการเข้าจดทะเบียนในฮ่องกง ตัวเลขเหล่านี้เป็นประมาณการจากตลาดเอกชน ไม่ใช่มูลค่าที่ผ่านการตรวจสอบของตลาดทุนสาธารณะ 41215 หลักฐานสาธารณะที่น่าเชื่อถือเกี่ยวกับทรัพย์สินส่วนตัวของ Yang ก็ยังไม่เพียงพอเช่นกัน

เหตุใดนี่จึงไม่ใช่แค่การแข่งขันสหรัฐฯ–จีนแบบตรงไปตรงมา

1. ความสามารถกำลังถูกวัดคู่กับต้นทุน

DeepSeek ทำให้การใช้เหตุผลอย่างมีประสิทธิภาพกลายเป็นประเด็นหลัก Z.ai เน้นการเขียนโค้ด การใช้งานในองค์กร และเอเจนต์ ส่วน Moonshot ผสานบริบทขนาดยาว น้ำหนักโมเดลแบบเปิดที่มีขนาดใหญ่มาก และการกระจายผลิตภัณฑ์ ทั้งสามบริษัทมีแนวทางต่างกัน แต่กำลังผลักอุตสาหกรรมไปสู่คำถามเดียวกันว่า นักพัฒนาจะได้ความสามารถที่ใช้งานได้จริงมากเพียงใดต่อเงินทุก 1 ดอลลาร์ที่ใช้ในการฝึกหรือประมวลผล

การเปรียบเทียบยังไม่ใช่เรื่องที่ตรงไปตรงมา ต้นทุนการฝึกที่รายงานมักเป็นตัวเลขจากบริษัทเอง และอาจไม่รวมค่าใช้จ่ายด้านข้อมูล วิศวกรรม การเข้าถึงฮาร์ดแวร์ การประเมินผล และการนำไปให้บริการ ถึงอย่างนั้น ผลเชิงกลยุทธ์ก็เกิดขึ้นจริง DeepSeek ทำให้นักลงทุนและห้องทดลอง AI ต้องทบทวนสมมติฐานเกี่ยวกับเส้นต้นทุนของโมเดลระดับแนวหน้า 1722

2. น้ำหนักโมเดลแบบเปิดเพิ่มทางเลือกให้นักพัฒนา

น้ำหนักโมเดลที่ดาวน์โหลดได้เปิดโอกาสให้นักพัฒนานำโมเดลไปติดตั้งบนระบบของตนเอง ปรับแต่งเพิ่มเติม หรือผนวกเข้ากับผลิตภัณฑ์โดยไม่ต้องพึ่งพา API แบบกรรมสิทธิ์ทั้งหมด นี่ทำให้ DeepSeek, GLM และ Kimi มีเส้นทางเข้าสู่ระบบนิเวศซอฟต์แวร์ทั่วโลก แม้บริษัทแม่อาจเข้าถึงช่องทางจัดจำหน่ายในต่างประเทศได้จำกัดก็ตาม

อย่างไรก็ตาม คำว่า “เปิดน้ำหนัก” ไม่ได้หมายความว่า “โอเพนซอร์สอย่างสมบูรณ์” เสมอไป น้ำหนักโมเดลอาจเปิดให้ใช้งาน แต่ข้อมูลฝึก วิธีประมวลผลข้อมูล โค้ดฝึก และกระบวนการพัฒนาทั้งหมดอาจยังไม่เปิดเผย ความแตกต่างนี้มีผลต่อการทำซ้ำผลลัพธ์ ใบอนุญาต ความปลอดภัย และธรรมาภิบาล AI

3. แรงสั่นสะเทือนลามไปไกลกว่าห้องทดลอง AI

การเปิดตัว DeepSeek ในเดือนมกราคม 2025 ส่งผลต่อมูลค่าบริษัทเทคโนโลยีสหรัฐฯ เพราะท้าทายสมมติฐานที่ว่า AI ที่เก่งขึ้นจะต้องใช้ฮาร์ดแวร์ระดับสูงเพิ่มขึ้นในสัดส่วนใกล้เคียงกัน การสูญเสียมูลค่าตลาดของ Nvidia ภายในวันเดียวแสดงให้เห็นว่านวัตกรรมระดับโมเดลสามารถกระทบชั้นโครงสร้างพื้นฐานได้รวดเร็วเพียงใด 1718

Kimi K3 ของ Moonshot ก็สร้างความสนใจในลักษณะใกล้เคียงกัน โดยทำให้เกิดคำถามว่าบริษัทจีนจะสามารถปล่อยโมเดลแบบเปิดน้ำหนักที่มีขนาดใหญ่ระดับเดียวกับระบบของห้องทดลองสหรัฐฯ ชั้นนำได้หรือไม่ ปฏิกิริยานี้ควรตีความว่าเป็นแรงกดดันต่อสมมติฐานเดิม มากกว่าจะเป็นหลักฐานว่าจีนคว้าชัยชนะทางเทคโนโลยีได้อย่างสมบูรณ์แล้ว 14

ข้อจำกัดที่จะตัดสินการแข่งขันระยะต่อไป

ทั้งสามบริษัทยังต้องเผชิญปัญหาเชิงโครงสร้างที่ยากไม่น้อย

• คอมพิวต์และฮาร์ดแวร์: มาตรการควบคุมการส่งออกและการเข้าถึงชิปเร่งความเร็วระดับสูงที่จำกัด ทำให้การฝึกและให้บริการโมเดลระดับแนวหน้ายากขึ้น เทคนิคเพิ่มประสิทธิภาพช่วยลดช่องว่างได้ แต่ไม่สามารถลบความต้องการชิป พลังงาน ระบบเครือข่าย บุคลากรด้านวิศวกรรม และเงินทุนออกไปได้ 45
• การทำเงิน: โมเดลที่เปิดหรือต้นทุนต่ำอาจแพร่หลายได้รวดเร็ว แต่ก็ทำให้ผู้สร้างเก็บเกี่ยวรายได้ได้ยากขึ้น ชื่อเสียงด้านเทคนิคต้องเปลี่ยนเป็นธุรกิจองค์กร API หรือผลิตภัณฑ์ผู้บริโภคที่สร้างรายได้อย่างยั่งยืน
• ความไม่แน่นอนของเบนช์มาร์ก: การชนะการทดสอบที่แคบหรือรายงานโดยบริษัทเองไม่ได้สรุปเรื่องความน่าเชื่อถือ คุณภาพหลายภาษา ความสามารถด้านโค้ด ความปลอดภัย หรือความแข็งแกร่งของเอเจนต์ การอ้างว่าเหนือกว่าคู่แข่งจึงต้องมีการทำซ้ำโดยหน่วยงานอิสระ
• ความไว้วางใจและธรรมาภิบาล: ประเด็นความเป็นส่วนตัว ความปลอดภัย ข้อจำกัดด้านเนื้อหา และการตรวจสอบทางภูมิรัฐศาสตร์อาจจำกัดการใช้งานในต่างประเทศ แม้โมเดลจะน่าสนใจในเชิงเทคนิค
• แรงกดดันจากตลาดทุน: การเข้าตลาดของ Z.ai ทำให้สถานะด้านเงินทุนแตกต่างจาก DeepSeek ซึ่งยังเป็นบริษัทเอกชน ขณะที่แผน IPO ของ Moonshot ยังอยู่ในขั้นที่อาจเกิดขึ้นในอนาคต ส่วนโครงสร้างผู้ถือครองและแผนเข้าตลาดของ DeepSeek ยังไม่ชัดเจนจากรายงานสาธารณะที่น่าเชื่อถือ 495015

บทสรุป

Liang Wenfeng, Tang Jie และ Yang Zhilin ไม่ได้กำลังเดินตามยุทธศาสตร์ AI จีนแบบเดียวกัน Liang ทำให้ประสิทธิภาพและการวิจัย AGI ระยะยาวเป็นแกนกลางของ DeepSeek Tang กำลังพางานวิจัยโมเดลพื้นฐานจากมหาวิทยาลัยไปสู่การเขียนโค้ด เอเจนต์ และขนาดธุรกิจในตลาดทุน ส่วน Yang สร้าง Moonshot รอบแนวคิดบริบทขนาดยาว ระบบ Mixture-of-Experts ขนาดมหึมา และการกระจายโมเดลสู่นักพัฒนา

ผลงานร่วมของพวกเขาคือการทำให้ AI ระดับแนวหน้ามีผู้เล่นและทางเลือกหลากหลายขึ้น ทั้งสามช่วยเพิ่มตัวเลือกให้ผู้พัฒนา ท้าทายเศรษฐศาสตร์ของโครงสร้างพื้นฐานแบบโมเดลปิด และทำให้สมมติฐานที่ว่าจีนจะตามหลังสหรัฐฯ อย่างถาวรอ่อนแรงลง

แต่ข้อสรุปที่รอบคอบกว่าและยืนอยู่บนหลักฐานได้ดีกว่าคือ ทั้งสามบริษัทได้เปลี่ยนภูมิทัศน์การแข่งขันแล้ว เพียงแต่ความเปลี่ยนแปลงนี้จะยั่งยืนหรือไม่ ยังขึ้นอยู่กับข้อจำกัดด้านคอมพิวต์ ความไม่แน่นอนของเบนช์มาร์ก การทำธุรกิจ และความไว้วางใจ