คำตอบเผยแพร่แล้ว18 แหล่งที่มา
iFLYTEK เลือก “ทำให้ชิปที่มีอยู่ใช้งานได้จริง” แทนการไล่ตามโมเดลใหญ่ที่สุด
iFLYTEK ระบุว่าแอ็กเซลเลอเรเตอร์ในประเทศอาจมีประสิทธิภาพด้อยกว่า Nvidia H200 ราว 5 เท่าในการฝึกโมเดลบริบทเกิน 256K โทเคน จึงหันมาเน้นงานเฉพาะทางและการปรับแต่งทั้งสแต็ก หลักฐานสำคัญคือการฝึกและใช้งานโมเดล Spark X2 บนโครงสร้างพื้นฐานในประเทศ การเพิ่มประสิทธิภาพคลัสเตอร์จากราว 30% เป็น 84–93% ของคลัสเตอร์กระแสหลักตามข้...
เผยแพร่โดยแก้ไขด้วย GPT-5.6 Lunaรูปภาพสร้างด้วย GPT Image 1.5
คำตอบการวิจัย
ประเด็นสำคัญ
- iFLYTEK ระบุว่าแอ็กเซลเลอเรเตอร์ในประเทศอาจมีประสิทธิภาพด้อยกว่า Nvidia H200 ราว 5 เท่าในการฝึกโมเดลบริบทเกิน 256K โทเคน จึงหันมาเน้นงานเฉพาะทางและการปรับแต่งทั้งสแต็ก
- หลักฐานสำคัญคือการฝึกและใช้งานโมเดล Spark X2 บนโครงสร้างพื้นฐานในประเทศ การเพิ่มประสิทธิภาพคลัสเตอร์จากราว 30% เป็น 84–93% ของคลัสเตอร์กระแสหลักตามข้อมูลบริษัท และแผนเปิดตัวโมเดลเรือธงที่ใช้คอมพิวต์ในประเทศทั้งหมด
- กลยุทธ์นี้อาจช่วยให้บริษัทควบคุมการติดตั้ง ความเป็นส่วนตัว และต้นทุนได้ดีขึ้น แต่ยังมีความเสี่ยงหากลูกค้าต้องการการฝึกหรือการให้เหตุผลด้วยบริบทระดับล้านโทเคนมากขึ้น
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: How is iFLYTEK responding to domestic compute constraints, as discussed at its August 21, 2026 earnings call, given that domestic accelerato. Article summary: iFLYTEK’s response is not to outspend Nvidia-based frontier labs on the biggest possible model. It is to make domestic compute productive enough for commercially valuable, bounded-context applications—then monetize integ. Topic tags: general, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clic
iFLYTEK ไม่ได้พยายามเอาชนะห้องปฏิบัติการ AI ที่ใช้ Nvidia ด้วยการสร้างโมเดลให้ใหญ่ที่สุดเท่าที่จะทำได้ แต่กำลังเลือกทำให้ฮาร์ดแวร์ในประเทศที่มีอยู่สร้างผลงานได้เพียงพอสำหรับการใช้งานจริงในภาคการศึกษา การแพทย์ ยานยนต์ และองค์กร จากนั้นจึงขาย “ผลลัพธ์ของงาน” ที่เชื่อถือได้ แทนการขายความสามารถด้านบริบทที่ยาวที่สุดในตลาด
แนวทางนี้เกิดขึ้นท่ามกลางข้อจำกัดที่บริษัทเองยอมรับว่าเป็นปัญหาสำคัญ โดยมีรายงานว่าแอ็กเซลเลอเรเตอร์ในประเทศอาจมีประสิทธิภาพด้อยกว่า Nvidia H200 ได้ถึงประมาณ 5 เท่าในการฝึกโมเดลที่มีบริบทเกิน 256K โทเคน ตัวเลขดังกล่าวเป็นการเปิดเผยจากฝ่ายบริหารที่มีการรายงานต่อสาธารณะ แต่ยังไม่ได้รับการตรวจสอบอย่างเป็นอิสระจากต้นฉบับบันทึกการประชุมผลประกอบการ 8
บริบทที่ “พอใช้” อาจสำคัญกว่าบริบทที่ยาวไม่จำกัด
เวิร์กโฟลว์ AI ส่วนใหญ่ในโลกการผลิตไม่ได้จำเป็นต้องป้อนประวัติข้อมูลต่อเนื่องยาวถึงหนึ่งล้านโทเคนเข้าไปในหน้าต่าง attention เดียวเสมอไป ระบบการศึกษาสามารถค้นหาหลักสูตรและประวัตินักเรียนที่เกี่ยวข้อง เครื่องมือทางคลินิกอาจดึงข้อมูลผู้ป่วยที่จำเป็น ผู้ช่วยในรถยนต์อาจใช้สถานะการสนทนาร่วมกับข้อมูลรถ และระบบองค์กรอาจเข้าถึงเอกสารกับขั้นตอนการทำงานภายในที่กำหนดขอบเขตไว้แล้ว
ทางเลือกในทางปฏิบัติคือการค้นคืนและแบ่งข้อมูลเป็นส่วน ๆ ใช้หน่วยความจำแบบมีโครงสร้าง รวมถึงเรียกใช้เครื่องมือหรือเอเจนต์เมื่อจำเป็น วิธีนี้ไม่ได้ทำให้ความสามารถด้านบริบทยาวหมดความสำคัญ แต่ช่วยลดความถี่ที่ต้องใช้หน้าต่างบริบทซึ่งมีต้นทุนสูงที่สุด
การเดิมพันของ iFLYTEK จึงค่อนข้างเฉพาะเจาะจงแต่มีความสำคัญในเชิงธุรกิจ หากลูกค้าให้คุณค่ากับความแม่นยำในแต่ละอุตสาหกรรม ความเป็นส่วนตัว การควบคุมการติดตั้ง ความหน่วงต่ำ และการทำงานให้เสร็จสมบูรณ์ มากกว่าคะแนนมาตรฐานจากหน้าต่างบริบทขนาดใหญ่ บริษัทก็สามารถแข่งขันได้โดยไม่ต้องมีต้นทุนการฝึกแบบ Nvidia ในทุกระดับ
ปรับแต่งตั้งแต่สถาปัตยกรรมโมเดลถึงระบบติดตั้ง
คำตอบของบริษัทไม่ใช่การปรับซอฟต์แวร์เพียงจุดเดียว แต่เป็นการออกแบบฮาร์ดแวร์กับซอฟต์แวร์ร่วมกันตลอดทั้งสแต็ก ได้แก่
- สถาปัตยกรรมโมเดล รวมถึงแนวทาง Mixture of Experts หรือ MoE
- โอเปอเรเตอร์และเคอร์เนลที่ปรับให้เหมาะกับแอ็กเซลเลอเรเตอร์แต่ละรุ่น
- การสื่อสารแบบกระจายและการประมวลผลแบบ expert parallelism
- การจัดวางหน่วยความจำและการจัดการ KV cache
- เฟรมเวิร์กการฝึก การจัดตารางงาน และเครื่องมือสำหรับนำโมเดลไปใช้งาน
เป้าหมายคือการลดภาระการสื่อสาร หลีกเลี่ยงคอขวดด้านหน่วยความจำ เพิ่มอัตราการใช้ประโยชน์จากฮาร์ดแวร์ และปรับโมเดลให้เข้ากับลักษณะเฉพาะของชิปในประเทศ เพราะสเปกของชิปเพียงอย่างเดียวไม่ได้เป็นตัวกำหนดประสิทธิภาพของระบบฝึกหรือระบบอนุมานทั้งหมด
ข้อมูลที่ iFLYTEK เผยแพร่ระบุว่า ในช่วงแรกคลัสเตอร์คอมพิวต์ในประเทศของบริษัทมีประสิทธิภาพประมาณ 30% เมื่อเทียบกับคลัสเตอร์กระแสหลัก ก่อนเพิ่มขึ้นเป็น 84–93% จากการปรับโอเปอเรเตอร์ การเปลี่ยนกลยุทธ์ระบบกระจาย และการปรับแต่งทางวิศวกรรมในหลายส่วน อย่างไรก็ตาม ตัวเลขดังกล่าวเป็นข้อมูลที่บริษัทเปิดเผยเอง ไม่ใช่ผลทดสอบที่ผ่านการตรวจสอบโดยหน่วยงานอิสระ 17
Spark คือหลักฐานที่ชัดที่สุด
หลักฐานสำคัญของกลยุทธ์นี้คือ iFLYTEK ยังคงพัฒนาตระกูลโมเดล Spark บนโครงสร้างพื้นฐานในประเทศ ไม่ได้มองว่าชิปท้องถิ่นเป็นเพียงทางเลือกสำหรับการอนุมานหลังจากฝึกโมเดลด้วยฮาร์ดแวร์อื่น
บริษัทระบุว่า Spark X2-Flash เป็นโมเดล Mixture of Experts ที่มีพารามิเตอร์ 30,000 ล้านตัว และฝึกพร้อมนำไปใช้งานทั้งหมดบนคลัสเตอร์ Huawei Ascend 910B การดำเนินการเช่นนี้มีนัยสำคัญ เพราะเป็นเส้นทางแบบครบวงจร ตั้งแต่การฝึกและการปรับปรุงโมเดลไปจนถึงการติดตั้งใช้งานบนโครงสร้างพื้นฐานในประเทศ ไม่ใช่เพียงการย้ายโมเดลที่ฝึกจากที่อื่นมาใช้งานภายหลัง 8
บริษัทกำลังนำเสนอระบบอนุมานสำหรับลำดับข้อมูลยาวและ Spark X2 เป็นตัวอย่างของการปรับโมเดลกับโครงสร้างพื้นฐานไปพร้อมกัน ขณะที่ Spark X2-VL ขยายตระกูลโมเดลไปสู่งานมัลติโมดัล หรือการประมวลผลข้อมูลหลายรูปแบบ ทั้งข้อความ ภาพ และข้อมูลประเภทอื่น ๆ เอกสารของ iFLYTEK ระบุว่า X2, X2-Flash และ X2-VL ได้รับการอัปเกรดในปี 2026 17
ทิศทางดังกล่าวต่อเนื่องมาจากงานคอมพิวต์ในประเทศของบริษัทก่อนหน้านี้ โดย iFLYTEK ระบุว่าโมเดล Spark ใช้เส้นทางคอมพิวต์ในประเทศตลอดวงจร ตั้งแต่การฝึก การทำซ้ำ ไปจนถึงการติดตั้งเพื่ออนุมาน 17 รายงานก่อนหน้านี้ยังระบุว่า การปรับอัลกอริทึมแต่ละรอบให้เข้ากับชิปในประเทศต้องใช้เวลามากกว่า 6 เดือนกว่าจะทำได้เกิน 80% ของประสิทธิภาพชิป Nvidia ระดับสูง
5
โมเดลเรือธงในประเทศคือบททดสอบถัดไป
ในการชี้แจงผลประกอบการวันที่ 21 สิงหาคม 2026 iFLYTEK ประกาศว่าจะเปิดตัวโมเดลเรือธงอเนกประสงค์รุ่นใหม่ที่ใช้พลังประมวลผลในประเทศทั้งหมด ภายในงาน Global 1024 Developer Festival ของปีนี้ ประกาศดังกล่าวสนับสนุนแนวคิดว่าจะมีการเปิดตัวเป็นระยะก่อนงาน แต่ยังไม่ยืนยันกำหนดการ “ปลายเดือนสิงหาคม” อย่างชัดเจนตามที่มีการตั้งคำถามไว้ 1
โมเดลรุ่นนี้จะเป็นบททดสอบว่ากลยุทธ์ของบริษัทสามารถขยายจากงานเฉพาะทางไปสู่การใช้งานทั่วไปได้หรือไม่ หากเปิดตัวได้สำเร็จ ก็จะแสดงให้เห็นว่าโครงสร้างพื้นฐานในประเทศสามารถรองรับโมเดลขนาดใหญ่รุ่นใหม่ได้อีกระดับ แต่เพียงการเปิดตัวครั้งเดียวไม่ได้พิสูจน์ว่าฮาร์ดแวร์ในประเทศมีประสิทธิภาพเทียบเท่า Nvidia ในการฝึกทุกประเภทงาน
ทำไมแนวทางเน้นผลิตภัณฑ์จึงอาจช่วยธุรกิจได้
บริษัทที่มีข้อจำกัดด้านคอมพิวต์มีทางเลือกหลักสองทาง คือแข่งขันโดยตรงด้านต้นทุนและขนาดการฝึกโมเดลแนวหน้า หรือฝังโมเดลไว้ในผลิตภัณฑ์ที่มูลค่าของลูกค้าไม่ได้ขึ้นอยู่กับฮาร์ดแวร์เพียงอย่างเดียว iFLYTEK กำลังเน้นทางเลือกที่สอง
พอร์ตโฟลิโอของบริษัทมุ่งไปยังงานเฉพาะอุตสาหกรรม เช่น การศึกษาและการแพทย์ ซึ่งการติดตั้งแบบเป็นส่วนตัว คุณภาพเฉพาะโดเมน และความเสถียรในการปฏิบัติงาน อาจสำคัญไม่แพ้คะแนนมาตรฐานของโมเดลทั่วไป เอกสารของบริษัทระบุว่า Spark รองรับการศึกษาและงานประยุกต์อื่น ๆ ขณะที่ข้อมูลด้านการแพทย์ชูระบบสนับสนุนการตัดสินใจทางคลินิกที่สร้างบนโมเดลการแพทย์ Spark 17
35
แนวทางที่ขับเคลื่อนด้วยผลิตภัณฑ์ยังช่วยให้การปรับปรุงทางวิศวกรรมนำกลับมาใช้ซ้ำได้ โอเปอเรเตอร์ วิธีการสื่อสาร การจัดการหน่วยความจำ และเฟรมเวิร์กสำหรับการติดตั้งที่ดีขึ้น สามารถถูกส่งต่อไปยังโมเดลรุ่นถัดไปและการติดตั้งของลูกค้าหลายราย ข้อได้เปรียบจึงไม่จำเป็นต้องหมายถึงการฝึกที่ถูกกว่าในทุกกรณี แต่คือการดึงงานที่ใช้งานได้จริงออกมาจากฮาร์ดแวร์ที่มีข้อจำกัด พร้อมควบคุมวงจรการติดตั้งทั้งหมด
เหตุผลที่ Liu Qingfeng มองเห็นจุดเปลี่ยนภายในราวสองปี
เหตุผลที่บริษัทเชื่อว่าสามารถลดช่องว่างได้ ไม่ได้ตั้งอยู่บนสมมติฐานว่าชิปในประเทศเทียบเท่า Nvidia แล้ว แต่เกิดจากประสบการณ์ที่สะสมมา iFLYTEK ใช้เวลาหลายปีปรับสถาปัตยกรรมโมเดล ระบบกระจาย และเครื่องมือซอฟต์แวร์ให้เข้ากับโครงสร้างพื้นฐานในประเทศ เมื่อชิป เครือข่าย คอมไพเลอร์ เฟรมเวิร์ก และระบบนิเวศนักพัฒนาพัฒนาขึ้น ประสบการณ์เหล่านี้อาจช่วยลดเวลาที่ต้องใช้ในการทำให้โมเดลรุ่นใหม่พร้อมใช้งาน
ในสถานการณ์เช่นนั้น ข้อเสียเปรียบในวันนี้อาจกลายเป็นข้อได้เปรียบด้านองค์กร iFLYTEK อาจมีต้นทุนการย้ายระบบต่ำกว่า มีประสบการณ์ผลิตจริงมากกว่า และมีสแต็กสำหรับติดตั้งในประเทศที่成熟แล้ว บริษัทเคยอธิบายแนวทางนี้ว่าเป็นความพยายามต่อเนื่องในการสร้างระบบที่เป็นอิสระและควบคุมได้ ตั้งแต่โครงสร้างพื้นฐานคอมพิวต์ไปจนถึงแอปพลิเคชันโมเดล 3
17
อย่างไรก็ตาม นี่เป็นเส้นทางที่มีความเป็นไปได้ ไม่ใช่หลักประกัน รายงานเกี่ยวกับตลาดฮาร์ดแวร์ AI ของจีนยังแยกความก้าวหน้าของชิปในประเทศด้านการอนุมานออกจากข้อได้เปรียบที่ Nvidia ยังคงมีในการฝึก โดยเฉพาะประสิทธิภาพของระบบหน่วยความจำ 2
6
ความเสี่ยงคือความต้องการระดับแนวหน้าอาจขยับเร็วกว่า
กลยุทธ์นี้จะได้ผลดีที่สุดหากลูกค้าเป้าหมายยังให้ความสำคัญกับการติดตั้งที่ปลอดภัย ความแม่นยำเฉพาะโดเมน ความหน่วงต่ำ และผลลัพธ์ของเวิร์กโฟลว์ มากกว่าความสามารถด้านบริบทที่ไม่จำกัด หากโรงเรียน โรงพยาบาล ผู้ผลิตรถยนต์ หรือองค์กรเริ่มต้องการการฝึกและการให้เหตุผลด้วยบริบทระดับล้านโทเคนเป็นมาตรฐาน ความน่าสนใจของแนวทางนี้ก็จะลดลง
คำถามสำคัญจึงไม่ใช่ว่า iFLYTEK จะลบช่องว่างด้านฮาร์ดแวร์ได้ทั้งหมดหรือไม่ แต่คือวิศวกรรมและการผสานผลิตภัณฑ์ของบริษัทจะทำให้ช่องว่างดังกล่าว “ไม่สำคัญในเชิงพาณิชย์” สำหรับงานมูลค่าสูงจำนวนมากได้หรือไม่ ตระกูล Spark X2 การเพิ่มประสิทธิภาพที่บริษัทรายงาน และแผนเปิดตัวโมเดลเรือธงในประเทศ ล้วนชี้ว่าบริษัทกำลังมุ่งไปทางนั้น แต่ขีดจำกัดของบริบทระยะยาวยังเป็นโจทย์ที่ต้องพิสูจน์ต่อไป
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "iFLYTEK เลือก “ทำให้ชิปที่มีอยู่ใช้งานได้จริง” แทนการไล่ตามโมเดลใหญ่ที่สุด" คืออะไร
iFLYTEK ระบุว่าแอ็กเซลเลอเรเตอร์ในประเทศอาจมีประสิทธิภาพด้อยกว่า Nvidia H200 ราว 5 เท่าในการฝึกโมเดลบริบทเกิน 256K โทเคน จึงหันมาเน้นงานเฉพาะทางและการปรับแต่งทั้งสแต็ก
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
iFLYTEK ระบุว่าแอ็กเซลเลอเรเตอร์ในประเทศอาจมีประสิทธิภาพด้อยกว่า Nvidia H200 ราว 5 เท่าในการฝึกโมเดลบริบทเกิน 256K โทเคน จึงหันมาเน้นงานเฉพาะทางและการปรับแต่งทั้งสแต็ก หลักฐานสำคัญคือการฝึกและใช้งานโมเดล Spark X2 บนโครงสร้างพื้นฐานในประเทศ การเพิ่มประสิทธิภาพคลัสเตอร์จากราว 30% เป็น 84–93% ของคลัสเตอร์กระแสหลักตามข้อมูลบริษัท และแผนเปิดตัวโมเดลเรือธงที่ใช้คอมพิวต์ในประเทศทั้งหมด
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
กลยุทธ์นี้อาจช่วยให้บริษัทควบคุมการติดตั้ง ความเป็นส่วนตัว และต้นทุนได้ดีขึ้น แต่ยังมีความเสี่ยงหากลูกค้าต้องการการฝึกหรือการให้เหตุผลด้วยบริบทระดับล้านโทเคนมากขึ้น
แหล่งที่มา
pandaily.comUnder Domestic Compute Constraints, iFLYTEK Turns to Engineering
edu.iflytek.comWAIC收官！从“数字世界”走向真实课堂，需要“更懂教育的AI”
chinadaily.com.cnTech firms deepen innovation, strengthen resilience
news.aibase.comChina's Large Model Receives Another Major Upgrade ...
iflytek.comTwo Key Industry Signals from WAIC 2026-News-iFLYTEK