โมเดล AI แบบเปิดน้ำหนักจากจีนกำลังครองการใช้งาน: เกมชิงความได้เปรียบระหว่างจีนกับสหรัฐฯ กำลังเปลี่ยนไปอย่างไร

การแข่งขัน AI ระหว่างจีนกับสหรัฐฯ อาจไม่ได้ตัดสินกันด้วยคำถามว่าใครสร้างโมเดลที่เก่งที่สุดได้ก่อนอีกต่อไป แต่กำลังขยับไปสู่คำถามที่สำคัญไม่แพ้กันว่า ใครสามารถนำ AI ที่มีความสามารถไปถึงมือนักพัฒนา บริษัท และรัฐบาลได้มากที่สุด ด้วยต้นทุนต่ำที่สุด

DeepSeek, Kimi ของ Moonshot AI และ Qwen ของ Alibaba ทำให้โมเดลแบบ เปิดน้ำหนัก (open-weight) กลายเป็นหัวใจสำคัญของการแข่งขันครั้งนี้ งานวิเคราะห์จากนักวิจัย Stanford ระบุว่า โมเดลเปิดน้ำหนักจากจีนไล่ตามช่องว่างด้านความสามารถและการใช้งานได้อย่างรวดเร็ว และในบางด้านอาจเทียบเท่าหรือแซงหน้าคู่แข่งจากต่างประเทศแล้ว ขณะที่ตระกูลโมเดล Qwen แซงหน้า Llama ของ Meta ขึ้นเป็นตระกูลโมเดลภาษาขนาดใหญ่ที่ถูกดาวน์โหลดมากที่สุดบน Hugging Face ในเดือนกันยายน 2025 18

สถานการณ์นี้ทำให้รัฐบาลวอชิงตันเผชิญโจทย์ที่ซับซ้อน การจำกัดโมเดลจีนอาจช่วยลดความเสี่ยงในระบบที่มีข้อมูลละเอียดอ่อน แต่หากแบนกว้างเกินไป สหรัฐฯ ก็อาจปล่อยให้จีนยึดพื้นที่การพัฒนาแบบเปิด และสูญเสียข้อดีด้านความโปร่งใสกับการควบคุมภายในองค์กรซึ่งทำให้โมเดลแบบเปิดน้ำหนักน่าสนใจ

เปิดน้ำหนักไม่เท่ากับโอเพนซอร์สอย่างสมบูรณ์

โมเดลแบบเปิดน้ำหนัก คือโมเดลที่เปิดให้ดาวน์โหลดพารามิเตอร์หรือ “น้ำหนัก” ที่ผ่านการฝึกแล้ว ทำให้บุคคลภายนอกสามารถนำโมเดลไปใช้งาน รันบนเซิร์ฟเวอร์ของตัวเอง หรือปรับแต่งต่อได้ แตกต่างจากโมเดลปิดที่ผู้ใช้มักเข้าถึงผ่านแอปพลิเคชันหรือ API ที่ผู้พัฒนาเป็นผู้ควบคุม 33

แต่การเปิดเผยน้ำหนักไม่ได้หมายความว่าจะเปิดเผยสิ่งต่อไปนี้เสมอไป

• โค้ดที่ใช้ฝึกโมเดล
• ข้อมูลฝึกและแหล่งที่มาของข้อมูล
• สูตรหรือขั้นตอนการฝึกที่ทำซ้ำได้
• ผลการประเมินอย่างครบถ้วน
• สิทธิ์ในการใช้เชิงพาณิชย์หรือแจกจ่ายต่อโดยไม่มีข้อจำกัด
• รายละเอียดเรื่องการกรองข้อมูล การปรับความปลอดภัย และกระบวนการพัฒนาโมเดล

ดังนั้น คำว่า “เปิด” ควรตรวจสอบเป็นรายรุ่น ไม่ใช่ยอมรับจากคำเรียกทางการตลาดของบริษัทโดยอัตโนมัติ โมเดลหนึ่งอาจดาวน์โหลดได้ แต่ยังทำซ้ำได้ยาก ใช้ภายใต้ใบอนุญาตที่จำกัด หรือไม่เปิดเผยข้อมูลที่หล่อหลอมพฤติกรรมของโมเดลอย่างเพียงพอ

มาตรฐาน AI แบบโอเพนซอร์สอย่างสมบูรณ์ เข้มงวดกว่า โดยต้องให้ข้อมูลและส่วนประกอบที่มีความหมายต่อการศึกษา แก้ไข และทำซ้ำระบบ เช่น โค้ด ข้อมูลที่เกี่ยวข้องกับการฝึก และรายละเอียดทางเทคนิคที่จำเป็น 41

ความแตกต่างนี้มีความสำคัญเมื่อนำ DeepSeek, Kimi และ Qwen มาเปรียบเทียบ เพราะสถานะการเปิดตัว ใบอนุญาต และเอกสารทางเทคนิคอาจแตกต่างกันไปในแต่ละรุ่น อีกทั้งข้อมูลสาธารณะอาจตามไม่ทันการเปลี่ยนแปลงของผลิตภัณฑ์

จีนกำลังแข่งเรื่องการใช้งาน ไม่ใช่แค่คะแนนเบนช์มาร์ก

ห้องปฏิบัติการ AI ของจีนผสานความสามารถที่แข่งขันได้เข้ากับราคาที่ต่ำ ประสิทธิภาพการประมวลผล และการติดตั้งใช้งานภายในองค์กรได้เอง สิ่งนี้ทำให้สตาร์ตอัป นักวิจัย และบริษัทต่าง ๆ มีทางเลือกอื่นนอกเหนือจากการพึ่งพา API ของสหรัฐฯ ที่มีค่าใช้จ่ายสูง รายงานและงานวิจัยด้านนโยบายอธิบายถึงวงจรเร่งการเติบโตดังกล่าวว่า โมเดลราคาถูกดึงดูดผู้ใช้ ผู้ใช้สร้างเครื่องมือและโมเดลดัดแปลง และระบบนิเวศที่ขยายตัวก็ช่วยเร่งการพัฒนาในรอบต่อไป 1720

ข้อได้เปรียบไม่ได้อยู่ที่จำนวนคนใช้แชตบอตเท่านั้น แต่การติดตั้งแต่ละครั้งอาจก่อให้เกิดสิ่งต่อไปนี้

• โมเดลที่ปรับแต่งเฉพาะงาน
• เครื่องมือสำหรับนักพัฒนาและการเชื่อมต่อกับซอฟต์แวร์อื่น
• เบนช์มาร์กใหม่ รายงานบั๊ก และองค์ความรู้จากชุมชน
• ความคุ้นเคยกับโมเดลตระกูลใดตระกูลหนึ่ง
• การพึ่งพาทางธุรกิจและค่าเริ่มต้นทางเทคนิคในระยะยาว

การวิเคราะห์ของ Stanford พบว่า นักพัฒนาชาวจีนคิดเป็น 17.1% ของยอดดาวน์โหลดบน Hugging Face ระหว่างเดือนสิงหาคม 2024 ถึงสิงหาคม 2025 สูงกว่านักพัฒนาสหรัฐฯ ซึ่งอยู่ที่ 15.8% เล็กน้อย 18 ขณะเดียวกัน มีรายงานว่าบริษัทสหรัฐฯ เริ่มใช้โมเดลจากจีนมากขึ้นเพื่อควบคุมต้นทุน 31

หากโมเดลจากจีนถูกฝังอยู่ในซอฟต์แวร์ อุปกรณ์ บริการภาครัฐ และระบบอุตสาหกรรมทั่วโลกมากขึ้น ปักกิ่งอาจมีอิทธิพลต่อค่าเริ่มต้นทางเทคนิค การอัปเดต และห่วงโซ่อุปทานที่เกี่ยวข้อง นี่คือจุดที่อาจกลายเป็นอำนาจต่อรองทางภูมิรัฐศาสตร์ แต่ยังไม่ใช่หลักฐานว่าโมเดลที่ติดตั้งภายในทุกแห่งจะถูกเจาะหรือถูกควบคุมจากภายนอก

คำว่า “ความเสี่ยงจาก AI จีน” มีหลายเรื่องที่ต้องแยกกัน

1. การเข้าถึงข้อมูลผ่านบริการโฮสต์

เมื่อผู้ใช้ส่งพรอมป์ ไฟล์ หรือข้อมูลระบุตัวตนไปยังบริการที่โฮสต์ในจีน ข้อมูลเหล่านั้นจะออกจากสภาพแวดล้อมของผู้ใช้ และอาจอยู่ภายใต้เขตอำนาจศาลกับกฎหมายที่เกี่ยวข้องของผู้ให้บริการ

หน่วยงานรัฐ ภาคกลาโหม สาธารณสุข โครงสร้างพื้นฐานสำคัญ และบริษัทที่มีข้อมูลลับทางธุรกิจจึงควรประเมินความเสี่ยงอย่างเป็นทางการก่อนส่งข้อมูลไปยังบริการภายนอกใด ๆ

การติดตั้งโมเดลไว้ภายในองค์กรช่วยเปลี่ยนคำถามเรื่องการไหลของข้อมูลได้ โดยโครงสร้างพื้นฐานที่ตั้งค่าอย่างเหมาะสมสามารถเก็บพรอมป์และเอกสารไว้ในเครือข่ายขององค์กร แต่ไม่ได้รับประกันว่าแพ็กเกจโมเดล ซอฟต์แวร์ให้บริการ หรือเครื่องมือที่เชื่อมต่ออยู่จะปลอดภัยทั้งหมด

2. การเซ็นเซอร์ อคติ และพฤติกรรมของโมเดล

การฝึกและการปรับพฤติกรรมของโมเดลอาจทำให้เกิดการปฏิเสธคำขอ การละเว้นข้อมูล การนำเสนอกรอบความคิด หรือข้อมูลเท็จที่ได้รับอิทธิพลทางการเมือง

รายงานของคณะกรรมาธิการในสภาคองเกรสสหรัฐฯ กล่าวหา�ลิตภัณฑ์ DeepSeek ที่ให้บริการผ่านระบบโฮสต์ว่าโอนข้อมูลของชาวอเมริกันไปยังจีน และชี้ถึงการบิดเบือนหรือควบคุมคำตอบ อย่างไรก็ตาม สิ่งเหล่านี้เป็นข้อค้นพบและข้อกล่าวหาจากการสอบสวนของรัฐสภา ไม่ใช่หลักฐานว่าไฟล์น้ำหนักที่ดาวน์โหลดได้ทุกไฟล์มีโค้ดประสงค์ร้าย 2

พฤติกรรมของบริการโฮสต์ยังอาจแตกต่างจากโมเดลรุ่นดัดแปลงที่รันในเครื่อง เพราะตัวครอบโมเดล (wrapper), system prompt, ชั้นกลั่นกรอง เครื่องมือค้นคืนข้อมูล และกระบวนการอัปเดต ล้วนมีผลต่อคำตอบ

3. แบ็กดอร์และการโจมตีห่วงโซ่อุปทาน

ในทางทฤษฎี แพ็กเกจโมเดลหรือซอฟต์แวร์ที่อยู่รอบ ๆ อาจมีโค้ดโหลดไฟล์ที่ไม่ปลอดภัย พฤติกรรมที่ถูกฝังไว้ หรือทริกเกอร์ลับ แต่ประเทศต้นทางของโมเดลเพียงอย่างเดียวไม่ใช่หลักฐานว่ามีแบ็กดอร์

ทีมความปลอดภัยควรตรวจสอบแหล่งที่มา แฮช และลายเซ็นดิจิทัล ตรวจพฤติกรรมเครือข่าย แยกส่วนประกอบไว้ในแซนด์บ็อกซ์ และทดสอบระบบทั้งหมด ไม่ใช่ประเมินจากชื่อบริษัทหรือสัญชาติเท่านั้น

4. ความเสี่ยงของโมเดลปิด

โมเดลเชิงพาณิชย์แบบปิดก็มีความเสี่ยงด้านการกระจุกตัวและความรับผิดรับชอบเช่นกัน ผู้ใช้มักไม่สามารถตรวจสอบน้ำหนัก ข้อมูลฝึก พรอมป์ภายใน ระบบเก็บข้อมูล การกรอง หรือกระบวนการอัปเดตได้

API แบบรวมศูนย์ยังอาจกลายเป็นเป้าหมายสำคัญของการสอดส่อง การโจมตี การหยุดให้บริการ และการเปลี่ยนนโยบายโดยผู้ให้บริการฝ่ายเดียว การเข้าถึงแบบปิดช่วยให้บริษัทติดตามการใช้งานผิดวัตถุประสงค์และออกมาตรการความปลอดภัยได้ง่ายขึ้น แต่ไม่ได้ทำให้โมเดลน่าเชื่อถือโดยธรรมชาติ โมเดลเปิดและโมเดลปิดมีความเสี่ยงคนละแบบ รวมถึงมีรูปแบบการควบคุมคนละแบบ

เหตุผลที่การโฮสต์ภายในองค์กรโต้แย้งการแบนแบบเหมาเข่งได้ดีที่สุด

การรันโมเดลด้วยเซิร์ฟเวอร์ขององค์กรช่วยให้ทีมความปลอดภัยควบคุมกรอบความเสี่ยงได้มากขึ้น องค์กรสามารถล็อกเวอร์ชันโมเดล ตรวจสอบไฟล์ ปิดการเชื่อมต่อขาออก สแกนไลบรารี แยกบริการออกจากระบบอื่น ทำเรดทีม และเก็บพรอมป์สำคัญไว้ในโครงสร้างพื้นฐานภายใน

การเปิดน้ำหนักยังเปิดโอกาสให้นักวิจัยอิสระทำซ้ำข้อผิดพลาด ตรวจสอบอคติ หรือค้นหาพฤติกรรมแอบแฝงได้มากกว่าเมื่อเทียบกับ API ที่ไม่เปิดเผยรายละเอียดภายใน

แต่ความโปร่งใสไม่ได้แปลว่าปลอดภัยโดยอัตโนมัติ องค์กรส่วนใหญ่ไม่สามารถตรวจสอบพฤติกรรมที่เรียนรู้มาจากโมเดลขนาดใหญ่มากได้ทั้งหมด การปรับแต่งเพิ่มเติมอาจสร้างช่องโหว่ใหม่ และระบบที่ตัดขาดจากอินเทอร์เน็ตจะปกป้องข้อมูลได้ก็ต่อเมื่อซอฟต์แวร์ให้บริการทั้งหมดถูกตั้งค่าอย่างถูกต้อง

บทเรียนในทางปฏิบัติคือ ควรประเมิน รูปแบบการติดตั้งใช้งาน ไม่ใช่แค่ป้ายกำกับของโมเดล API ที่โฮสต์ในจีน การติดตั้งภายในองค์กรที่ผ่านการตรวจสอบ และโมเดลดัดแปลงจากบุคคลที่สามที่ยังไม่ผ่านการยืนยัน ล้วนมีความเสี่ยงต่างกัน

การกลั่นโมเดลคือศูนย์กลางของข้อถกเถียง

การกลั่นโมเดล (distillation) คือการฝึกโมเดล “นักเรียน” ที่มีขนาดเล็กกว่าหรือเป็นรุ่นใหม่ โดยใช้ข้อมูลหรือความรู้จากโมเดล “ครู” ที่มีความสามารถสูงกว่า

• การกลั่นแบบกล่องดำ (black-box distillation) ใช้คำตอบที่สังเกตได้จากโมเดลครู ซึ่งมักเก็บผ่านการเรียก API จำนวนมาก วิธีนี้อาจเป็นการใช้งานที่ถูกต้องหากได้รับอนุญาต แต่การดึงข้อมูลในปริมาณสูงอาจละเมิดเงื่อนไขการให้บริการ หลบระบบป้องกัน หรือคัดลอกพฤติกรรมเฉพาะของโมเดล
• การกลั่นแบบกล่องขาว (white-box distillation) ใช้ข้อมูลภายใน เช่น น้ำหนัก ค่า logits หรือสถานะซ่อนเร้นของโมเดล วิธีนี้ถ่ายโอนความสามารถได้มีประสิทธิภาพกว่า แต่โดยทั่วไปต้องได้รับอนุญาตให้เข้าถึงข้อมูลภายในดังกล่าว การได้มาโดยไม่ได้รับอนุญาตจึงก่อให้เกิดข้อกังวลด้านความปลอดภัยและความลับทางการค้าโดยตรงมากกว่า

OpenAI และ Anthropic กล่าวหาบริษัทจีน รวมถึง DeepSeek ว่าใช้คำตอบจากโมเดลของตนในการฝึกโมเดลใหม่ คณะกรรมาธิการทบทวนเศรษฐกิจและความมั่นคงสหรัฐฯ–จีนอธิบายข้อกล่าวหาที่เกี่ยวข้องกับบัญชีปลอม บริการพร็อกซี และการดึงข้อมูลอย่างเป็นระบบ ขณะที่ Reuters รายงานข้อกล่าวหาของ OpenAI ว่า DeepSeek พยายาม “เกาะกิน” ความสามารถที่ห้องปฏิบัติการ AI ชั้นนำของสหรัฐฯ พัฒนาขึ้น ข้อกล่าวหาเหล่านี้ยังไม่ใช่ข้อยุติจากศาลหรือกระบวนการวินิจฉัยอย่างเป็นทางการ 35

โจทย์ด้านนโยบายอยู่ที่การดึงข้อมูลแบบกล่องดำอาจดูคล้ายการใช้งานจำนวนมากตามปกติ ขณะที่การพิสูจน์ต่อสาธารณะอาจต้องเปิดเผยหลักฐานการสืบสวนที่ละเอียดอ่อน ทางออกจึงไม่ควรเป็นการตีความว่าการกลั่นโมเดลทุกรูปแบบผิดกฎหมาย เพราะการกลั่นที่ได้รับอนุญาตเป็นวิธีทางเทคนิคมาตรฐาน

ผลกระทบต่อ Silicon Valley และวอชิงตัน

การเปิดตัวโมเดลจากจีนสร้างแรงกดดันต่อธุรกิจ AI ของสหรัฐฯ ที่พึ่งพา API ราคาแพงและโมเดลกรรมสิทธิ์ บริษัทอเมริกันต้องตัดสินใจว่า การเก็บน้ำหนักไว้เป็นความลับจะช่วยรักษาความได้เปรียบ หรือกลับเปิดทางให้คู่แข่งจากจีนและประเทศอื่น ๆ ยึดนักพัฒนา การเชื่อมต่อ และการกระจายตัวไปทั่วโลก

การที่ Qwen มียอดดาวน์โหลดแซง Llama เป็นสัญญาณรูปธรรมว่าการแข่งขันด้านโมเดลเปิดมีความสำคัญ 18 อย่างไรก็ดี หลักฐานที่มีอยู่ไม่ได้ยืนยันว่าขณะนี้ Nvidia หรือ Meta มีมาตรการตอบสนองที่เฉพาะเจาะจงต่อ DeepSeek V4 Pro หรือ Kimi K3 การอ้างถึงปฏิกิริยาของบริษัทใดบริษัทหนึ่งควรอ้างอิงแถลงการณ์หลักที่มีวันที่ชัดเจน ไม่ใช่อนุมานจากการเปลี่ยนแปลงของตลาดโดยรวม

รัฐบาลสหรัฐฯ เพิ่มการตรวจสอบเรื่องนี้แล้ว คณะกรรมาธิการในสภาผู้แทนราษฎรประกาศการสอบสวนร่วมเกี่ยวกับความเสี่ยงด้านความมั่นคงแห่งชาติและไซเบอร์จากการนำโมเดลที่พัฒนาในจีนไปใช้งาน รวมถึงระบบต้นทุนต่ำแบบเปิดน้ำหนักและระบบที่เข้าถึงผ่าน API จากบริษัทอย่าง DeepSeek, Alibaba และ Moonshot AI 14

มีรายงานว่าวอชิงตันกำลังหารือเรื่องข้อจำกัด แต่หลักฐานที่ให้มายังไม่ยืนยันว่า สหรัฐฯ ออกคำสั่งแบนเชิงพาณิชย์แบบครอบคลุมต่อโมเดลเปิดน้ำหนักจากจีนแล้ว 912

ทางเลือกเชิงนโยบายที่ไม่ใช่ “แบนทุกอย่าง” หรือ “ไม่ทำอะไรเลย”

กรอบการกำกับดูแลที่เจาะจงความเสี่ยงอาจประกอบด้วยมาตรการหลายด้านดังนี้

1. ควบคุมการใช้งานที่มีความเสี่ยงสูง กำหนดให้ต้องได้รับอนุญาต หรือห้ามใช้โมเดลที่ยังไม่ผ่านการตรวจสอบในงานกลาโหม ข่าวกรอง โครงสร้างพื้นฐานสำคัญ ระบบรัฐบาลที่มีข้อมูลอ่อนไหว และสภาพแวดล้อมอื่นที่มีผลกระทบสูง
2. กำหนดมาตรฐานการติดตั้งที่ปลอดภัย เช่น บันทึกแหล่งที่มา แพ็กเกจที่มีลายเซ็นดิจิทัล รายการส่วนประกอบซอฟต์แวร์ การทดสอบโดยอิสระ ผลการทำเรดทีม และทางเลือกในการแยกเครือข่ายสำหรับระบบสำคัญ
3. แยกบริการโฮสต์ออกจากน้ำหนักโมเดลภายในเครื่อง API ที่โฮสต์ในจีนมีความเสี่ยงด้านการเข้าถึงข้อมูลต่างจากไฟล์โมเดลที่ติดตั้งภายในองค์กรและผ่านการตรวจสอบอย่างอิสระ
4. บังคับใช้กฎหมายกับการดึงข้อมูลโดยไม่ได้รับอนุญาต พัฒนาการยืนยันบัญชี การตรวจสอบอัตราการเรียก API ระบบตรวจจับการใช้งานผิดปกติ เทคนิคติดตามแหล่งที่มา และการบังคับใช้เงื่อนไขสัญญา โดยไม่เหมารวมว่าการกลั่นโมเดลทุกประเภทคือการขโมย
5. ใช้มาตรการควบคุมการส่งออกและการลงทุนแบบเจาะจง มุ่งไปที่ชิปขั้นสูง อุปกรณ์ผลิตชิป การเข้าถึงคลาวด์ และหน่วยงานที่มีหลักฐานน่าเชื่อมโยงกับการใช้งานทางทหารหรือข่าวกรอง พร้อมตระหนักว่าข้อจำกัดที่กว้างเกินไปอาจเร่งให้จีนสร้างเทคโนโลยีทดแทนภายในประเทศ
6. สร้างระบบนิเวศโมเดลเปิดของสหรัฐฯ และพันธมิตร ลงทุนในโมเดลที่ปลอดภัย มีเอกสารชัดเจน รองรับหลายภาษา รวมถึงงานวิจัยด้านการประมวลผลที่มีประสิทธิภาพ ระบบประเมินผล และเครื่องมือสำหรับการติดตั้งใช้งาน แนวทางนี้ตอบโต้กลยุทธ์การสร้างฐานผู้ใช้ของจีนได้ตรงจุดกว่าการจำกัดทางเลือกของผู้ใช้เพียงอย่างเดียว 10

สรุป

โมเดล AI แบบเปิดน้ำหนักจากจีนกำลังเปลี่ยนรูปแบบการแข่งขัน เพราะทำให้ระบบที่มีความสามารถสูงมีต้นทุนการนำไปใช้ต่ำลง ปรับแต่งได้ง่ายขึ้น และควบคุมได้ยากขึ้นเมื่อถูกเผยแพร่ออกไปแล้ว ความสำคัญทางยุทธศาสตร์จึงอยู่ที่ขนาดของระบบนิเวศพอ ๆ กับคุณภาพของตัวโมเดล

ความกังวลด้านความปลอดภัยเป็นเรื่องจริง โดยเฉพาะบริการที่โฮสต์จากภายนอก ข้อมูลอ่อนไหว ความน่าเชื่อถือของห่วงโซ่อุปทาน และข้อกล่าวหาเรื่องการกลั่นโมเดลโดยไม่ได้รับอนุญาต แต่สัญชาติไม่ได้บอกว่าโมเดลหนึ่งปลอดภัยหรือไม่ และโมเดลปิดจากสหรัฐฯ ก็ไม่ได้ปลอดความเสี่ยงเพียงเพราะผู้ใช้ดาวน์โหลดน้ำหนักไม่ได้

คำตอบที่มีน้ำหนักที่สุดจึงควรอยู่บนฐานความเสี่ยง: รักษาความปลอดภัยของห่วงโซ่อุปทาน จำกัดการใช้งานที่อ่อนไหว สืบสวนหลักฐานที่น่าเชื่อถือเรื่องการขโมยความสามารถของโมเดล และสร้างระบบนิเวศโมเดลเปิดของสหรัฐฯ กับพันธมิตรให้แข่งขันได้ทั้งด้านประสิทธิภาพและการกระจายตัว