โมเดล AI แบบเปิดน้ำหนักกำลังไล่ทันโมเดลปิด และกำลังเปลี่ยนวิธีตัดสินใจขององค์กร

รายงาน State of Open Source AI ของ Mozilla เสนอข้อสรุปสำคัญต่อผู้จัดซื้อ AI ว่า การเลือกใช้ไม่ได้แบ่งเป็นเพียง “โมเดลเปิดราคาถูก” กับ “โมเดลปิดที่เก่งกว่า” อีกต่อไป โมเดลแบบเปิดน้ำหนัก (open-weight) ชั้นนำกำลังเข้าใกล้โมเดลปิดระดับแนวหน้าเร็วพอที่องค์กรจะโยกงานจำนวนมากไปใช้ได้ ขณะเดียวกันยังคงเก็บ API ของโมเดลระดับแนวหน้าไว้สำหรับงานที่คุณภาพที่เพิ่มขึ้นส่งผลต่อผลลัพธ์อย่างมีนัยสำคัญ 18

ช่องว่างที่แคบลง หมายถึงอะไร และไม่ได้หมายถึงอะไร

รายงานข่าวที่อ้างอิงผลวิเคราะห์ของ Mozilla ระบุว่า โมเดลเปิดน้ำหนักชั้นนำจากจีนตามหลังโมเดลปิดระดับแนวหน้าราว 4.4 เดือน ภายใต้กรอบการประเมินด้านประสิทธิภาพของรายงาน 18 นี่ต่างจากสภาพตลาดที่โมเดลเปิดถูกมองว่าไม่สามารถนำไปใช้งานจริงในระบบผลิตได้โดยสิ้นเชิง

Kimi K3 เป็นตัวอย่างที่ช่วยให้เห็นภาพ แต่ไม่ใช่ข้อสรุปสุดท้าย ในภาพรวมของดัชนี Artificial Analysis Intelligence Index ช่วงเดือนกันยายน Kimi K3 ได้ 59.7 คะแนน ตามหลังผู้นำที่ 65.7 คะแนน อยู่ 6 คะแนน โดยช่องว่างลดลงจาก 13 คะแนนเมื่อหนึ่งปีก่อน 17 รายงานหรือภาพรวมเบนช์มาร์กฉบับอื่นอาจใช้คู่เปรียบเทียบและประเมินช่องว่างต่างกัน สิ่งสำคัญจึงอยู่ที่ทิศทางการไล่ทัน มากกว่าความต่าง ณ จุดใดจุดหนึ่ง

เบนช์มาร์กแบบรวมเป็นเครื่องมือคัดกรองที่มีประโยชน์ แต่ไม่ใช่หลักฐานว่าโมเดลหนึ่งจะทำงานดีที่สุดในบริบทของทุกองค์กร เพราะมักรวมการทดสอบหลายประเภทเข้าด้วยกัน ขณะที่การใช้งานจริงยังขึ้นกับความหน่วง การจัดการบริบทยาว ความเสถียร มาตรการความมั่นคงปลอดภัย ความยากง่ายในการเชื่อมระบบ ตลอดจนเงื่อนไขการสนับสนุนและกฎหมาย

วิธีที่เหมาะกว่า: ส่งงานตามผลกระทบของความผิดพลาด

ช่องว่างที่ลดลงไม่ได้แปลว่าองค์กรต้องเลิกใช้โมเดลปิดทั้งหมด แต่สนับสนุนแนวทางแบบ พอร์ตโฟลิโอ มากกว่า

• เลือกโมเดลเปิดน้ำหนักสำหรับงานซ้ำ ๆ ปริมาณมาก ซึ่งต้นทุน การควบคุมข้อมูล การติดตั้งในระบบของตนเอง หรือการปรับแต่ง มีความสำคัญ
• คงการเข้าถึง API ของโมเดลแนวหน้าไว้สำหรับงานยากที่คุณภาพซึ่งดีขึ้นผ่านการวัดผล มีผลต่อรายได้ การดำเนินงาน หรือความปลอดภัย
• ประเมินทั้งระบบ ไม่ใช่เฉพาะโมเดลพื้นฐาน ได้แก่ ระบบค้นคืนข้อมูล เครื่องมือ กฎป้องกันความเสี่ยง พรอมป์ต และการตรวจทานโดยมนุษย์
• ทดสอบเวิร์กโหลดเดิมซ้ำอย่างต่อเนื่อง เพราะการออกรุ่นใหม่อาจเปลี่ยนจุดคุ้มค่าระหว่างต้นทุนและประสิทธิภาพได้อย่างรวดเร็ว

นัยเชิงปฏิบัติของการบรรจบกันนี้คือ การจ่ายแพงกว่าให้โมเดลปิดยังสมเหตุสมผล หากพิสูจน์ได้ว่ามันยกระดับผลลัพธ์จริง ไม่ใช่เพียงเพราะครั้งหนึ่งเคยเป็นทางเลือกเดียวที่ใช้งานได้

“เปิดน้ำหนัก” เป็นประเด็นยุทธศาสตร์ ไม่ใช่แค่เรื่องราคา

โมเดลเปิดน้ำหนักเปิดทางให้องค์กรนำโมเดลไปรันและปรับแต่งในสภาพแวดล้อมของตน แทนที่จะพึ่งบริการที่ผู้ขายเป็นผู้ดำเนินการทั้งหมด CSIS มองว่าระบบนิเวศโมเดลเปิดน้ำหนักของจีนที่เติบโตขึ้นเป็นความท้าทายต่อความเป็นผู้นำ AI ของสหรัฐฯ เพราะเกิดจากทั้งการพัฒนาเทคโนโลยีในประเทศภายใต้ข้อจำกัดการส่งออก และการผลักดันให้เผยแพร่โมเดลที่ปรับใช้ได้อย่างกว้างขวาง 5

การกระจายตัวเช่นนี้สามารถสร้างระบบนิเวศได้ ทั้งนักพัฒนา ผู้เชื่อมระบบ เครื่องมือ การติดตั้งใช้งาน และบรรทัดฐานทางเทคนิค อาจเติบโตรอบตระกูลโมเดลหนึ่ง แม้อีกบริษัทจะยังนำหน้าในโมเดลปิดที่ล้ำหน้าที่สุดก็ตาม ดังนั้นคำถามในการแข่งขันจึงไม่ใช่แค่ว่าวันนี้ใครนำบนเบนช์มาร์ก แต่คือเทคโนโลยีของใครจะกลายเป็นชั้นแพลตฟอร์มที่ถูกใช้อย่างแพร่หลาย

ข้อจำกัดการส่งออกเป็นส่วนหนึ่งของบริบทนี้ งานวิจัยที่มีอยู่ระบุว่าหลังสหรัฐฯ ควบคุมการส่งออกชิปขั้นสูง จีนหันมาใช้ AI แบบเปิดมากขึ้น ซึ่งสะท้อนว่ามาตรการจำกัดอาจกระตุ้นการพัฒนาทางเลือกในประเทศและระบบนิเวศแบบเปิดได้เช่นกัน 11

ต้องใช้ภาษาอย่างระมัดระวังเมื่อพูดถึงการกลั่นความรู้

สำนักงานความมั่นคงแห่งชาติสหรัฐฯ (NSA) สำนักงานสอบสวนกลาง (FBI) และหน่วยงาน CISA ระบุในคำแนะนำเมื่อเดือนกันยายนว่า บริษัท AI ที่ตั้งอยู่ในจีนกำลังดำเนินปฏิบัติการในระดับอุตสาหกรรมเพื่อดึงความสามารถแบบปิดที่ถูกจำกัดจากโมเดล AI แนวหน้าของสหรัฐฯ ไปใช้ในการฝึกโมเดล 1 รายงานข่าวเกี่ยวกับคำแนะนำดังกล่าวระบุว่า Moonshot AI เป็นหนึ่งในบริษัทที่หน่วยงานสหรัฐฯ เอ่ยชื่อ 3

ข้อกล่าวหาเหล่านี้เป็นข้อกล่าวหาของภาครัฐ ไม่ใช่คำตัดสินสาธารณะที่สิ้นสุดแล้ว ขณะที่กระทรวงการต่างประเทศจีนปฏิเสธและระบุว่าข้อกล่าวหาไม่มีมูล 4 อีกด้านหนึ่งควรแยกแยะระหว่างข้อกล่าวหาเรื่องการดึงข้อมูลโดยไม่ได้รับอนุญาต กับแนวคิดทางเทคนิคทั่วไปของ distillation หรือการกลั่นความรู้ ซึ่งเป็นวิธีให้โมเดลขนาดเล็กเรียนรู้จากผลลัพธ์ของโมเดลที่แข็งแกร่งกว่า โดย CSIS อธิบายว่าเป็นแนวปฏิบัติด้านการฝึกที่พบได้ทั่วไปและมีนัยทางยุทธศาสตร์ 12

การสร้างทางเลือก ต้องสร้างมากกว่าโมเดลหนึ่งตัว

Raffi Krikorian ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ Mozilla เปรียบแนวทางนี้กับ Android ซึ่งเป็นข้อโต้แย้งเรื่องระบบนิเวศ: โมเดลที่กระจายได้กว้างและปรับใช้ได้ สามารถดึงดูดนักพัฒนาปลายน้ำและโครงสร้างพื้นฐานเสริม คล้ายแพลตฟอร์มระบบปฏิบัติการที่สร้างคุณค่าเกินกว่าผู้สร้างรายแรก

รายงานของ Mozilla ยังชี้ว่า AI แบบเปิดต้องมีโครงสร้างพื้นฐานที่ยั่งยืนมากกว่าการปล่อยโมเดลก่อนหน้า รายงานฉบับก่อนกล่าวถึงกลุ่มความร่วมมือสาธารณะในสวิตเซอร์แลนด์ที่ใช้ซูเปอร์คอมพิวเตอร์สาธารณะ และเผยแพร่น้ำหนักโมเดล ข้อมูล และโค้ดสำหรับการฝึก 11 แนวคิดเชิงนโยบายคือการลงทุนในคอมพิวต์สาธารณะ สถาบันกลาง ข้อมูลและระบบประเมินที่น่าเชื่อถือ รวมถึงเครื่องมือสำหรับนักพัฒนา แทนที่จะมุ่งอุดหนุนคู่แข่งโมเดลปิดอีกรายเท่านั้น

ความเปิดกว้างกับความปลอดภัย เดินไปด้วยกันได้หรือไม่

Open Secure AI Alliance เสนอคำตอบหนึ่ง Nvidia เปิดตัวกลุ่มความร่วมมือนี้ในเดือนกรกฎาคมร่วมกับพันธมิตรด้านเทคโนโลยีและความปลอดภัย เพื่อพัฒนาและแบ่งปันเครื่องมือด้านความปลอดภัย AI และความมั่นคงไซเบอร์ โดยเฉพาะซอฟต์แวร์และ AI เอเจนต์ ความริเริ่มนี้สะท้อนมุมมองว่า เครื่องมือด้านความปลอดภัยที่ตรวจสอบได้และพัฒนาร่วมกัน อาจเป็นส่วนหนึ่งของการรับมือความเสี่ยงจาก AI

แน่นอนว่านั่นไม่ได้ลบความเสี่ยงจริงของโมเดลที่เผยแพร่ในวงกว้าง การเปิดให้เข้าถึงอาจทำให้การป้องกันการนำไปใช้ในทางที่ผิดและการควบคุมทำได้ยากขึ้น แต่โจทย์เชิงนโยบายไม่ใช่เพียง “เปิดหรือปลอดภัย” หรือ “ปิดหรือปลอดภัย” หากคือมาตรการป้องกัน การควบคุมการเข้าถึง การประเมิน และกลไกความรับผิดชอบใดที่มาพร้อมกับรูปแบบการนำไปใช้แต่ละแบบ

คำตัดสินที่ผู้ซื้อและผู้กำหนดนโยบายต้องเผชิญ

สำหรับองค์กร คำถามตรงไปตรงมาคือ คุณภาพที่เพิ่มขึ้นเล็กน้อยของโมเดลปิด คุ้มกับต้นทุนและการพึ่งพาผู้ให้บริการที่เพิ่มขึ้นหรือไม่ คำตอบย่อมต่างกันตามประเภทงาน องค์กรที่วัดผลการเลือกโมเดล ทดสอบด้วยงานตัวแทน และรักษาความสามารถในการเปลี่ยนผู้ให้บริการ จะอยู่ในตำแหน่งที่ดีกว่าองค์กรที่ยึดติดกับโมเดลเพียงประเภทเดียว

สำหรับผู้กำหนดนโยบาย โจทย์ซับซ้อนกว่า ความเป็นผู้นำด้านโมเดลแนวหน้า ความมั่นคง และการลดความเสี่ยงจากการใช้ในทางที่ผิดมีความสำคัญ แต่ระบบนิเวศแบบเปิดที่ยืดหยุ่นและการยอมรับโครงสร้างพื้นฐาน AI ที่น่าเชื่อถือในระดับโลกก็สำคัญเช่นกัน CSIS เตือนว่า ยุทธศาสตร์ที่มุ่งเฉพาะการเป็นผู้นำในโมเดลปิดระดับแนวหน้า อาจเสียพื้นที่ให้กับทางเลือกแบบเปิดที่ต้นทุนต่ำกว่า 15

เมื่อช่องว่างของโมเดลแคบลง การถกเถียงนี้จึงยิ่งเร่งด่วนขึ้น การแข่งขัน AI จะไม่ได้ตัดสินกันแค่จากโมเดลที่ดีที่สุดในห้องแล็บ แต่จากผู้ที่สร้างระบบนิเวศซึ่งมีประโยชน์ ปรับใช้ได้ และน่าเชื่อถือที่สุดรอบโมเดลนั้น