HUMAIN-M3 ของซาอุฯ ชี้โมเดล AI แบบเปิดน้ำหนักจากจีนกำลังเป็นทางลัดสู่ Sovereign AI

ซาอุดีอาระเบียกำลังใช้ humain-m3 เพื่อแสดงความหมายเชิงปฏิบัติของคำว่า “Sovereign AI” หรือ AI ที่ประเทศมีอำนาจควบคุมมากขึ้น แทนที่จะต้องฝึกโมเดลฐานระดับแนวหน้าขึ้นใหม่ทั้งหมด หรือผูกการใช้งานไว้กับ API ของผู้ให้บริการต่างชาติรายเดียว HUMAIN ซึ่งได้รับการสนับสนุนจากกองทุนเพื่อการลงทุนสาธารณะของซาอุฯ (PIF) เลือกว่าจ้างให้พัฒนาโมเดลภาษาอาหรับโดยต่อยอดจากตระกูล M3 ของ MiniMax บริษัท AI จีน ผลลัพธ์คือโมเดลที่สามารถประเมิน ปรับแต่ง และมีแนวทางนำไปดำเนินงานบนโครงสร้างพื้นฐานที่ซาอุฯ ควบคุมได้เอง 34

เปิดตัวอะไรที่ LEAP 2026

HUMAIN เปิดตัว humain-m3 ที่งาน LEAP ในกรุงริยาด เมื่อวันที่ 3 กันยายน 2026 และเปิดให้ใช้งานในสถานะพรีวิวสำหรับการวิจัยและการประเมิน ผ่านแพลตฟอร์ม HUMAIN Node ซึ่งเป็นช่องทางเข้าถึงโมเดลและบริการประมวลผลอนุมานของบริษัท รายงานระบุว่าบริษัทมีแผนเผยแพร่น้ำหนักโมเดลหลังดำเนินงานด้านความปลอดภัยและการปรับให้สอดคล้องกับแนวทางใช้งานเพิ่มเติม โดยอยู่ภายใต้ MiniMax Community License 3414

ในเชิงสถาปัตยกรรม humain-m3 ใช้แนวทาง Mixture-of-Experts (MoE) แบบเดียวกับ MiniMax M3 มีพารามิเตอร์รวมราว 428,000 ล้านตัว แต่เลือกเปิดใช้ราว 23,000 ล้านพารามิเตอร์ต่อโทเค็น HUMAIN ระบุว่าได้ฝึกโมเดลต่อด้วยเนื้อหาภาษาอาหรับโดยกำเนิดมากกว่า 1 ล้านล้านโทเค็น 347

ประเด็นสำคัญจึงไม่ใช่เพียงตัวเลขพารามิเตอร์ แต่เป็นการนำโมเดลฐานที่มีศักยภาพสูงมาทำให้ภาษาอาหรับเป็นแกนหลัก ไม่ใช่โมเดลทั่วไปที่เพียงแปลคำตอบเป็นภาษาอาหรับในภายหลัง

เหตุใดโมเดลแบบเปิดน้ำหนักจึงสำคัญต่อ Sovereign AI

โมเดลแบบเปิดน้ำหนัก (open-weight) เปิดให้เข้าถึงพารามิเตอร์ที่ผ่านการฝึกแล้ว จึงสามารถนำไปติดตั้งภายในองค์กร ปรับจูนเพิ่มเติม และรันการอนุมานได้โดยไม่ต้องพึ่ง API แบบกรรมสิทธิ์ของผู้ให้บริการรายเดียว Brookings ชี้ว่าแนวทางนี้เพิ่มอำนาจควบคุมต่อการติดตั้งและการประเมินโมเดล แต่เตือนด้วยว่า การเข้าถึงน้ำหนักไม่ได้ทำให้โมเดลตรวจสอบได้ทั้งหมดเสมอไป เพราะข้อมูลฝึก กระบวนการพัฒนา อคติ และความเสี่ยงอื่น ๆ อาจยังไม่เปิดเผย

สำหรับโครงการที่รัฐสนับสนุน วิธีนี้เป็นทางสายกลางที่จับต้องได้มากกว่า ได้แก่

• เริ่มจากโมเดลฐานที่พิสูจน์ความสามารถแล้ว แทนการรับภาระต้นทุนและเวลาของการฝึกโมเดลแนวหน้าตั้งแต่ต้น
• ลงทุนกับสิ่งที่เป็นความต้องการเฉพาะประเทศ เช่น ภาษา ข้อมูลเฉพาะด้าน มาตรฐานการประเมิน และเงื่อนไขความปลอดภัย
• ดำเนินการอนุมานบนโครงสร้างพื้นฐานที่ควบคุมได้ สำหรับงานที่อ่อนไหวต่อการจัดการข้อมูลหรือความต่อเนื่องของบริการ
• คงความสามารถในการปรับแต่งโมเดลต่อไป แทนการถูกจำกัดด้วยพฤติกรรม ราคา หรือนโยบายการให้บริการของ API ภายนอก

ศูนย์ Center for a New American Security (CNAS) ระบุว่า มีเพียงไม่กี่ประเทศที่มีทรัพยากรคอมพิวต์ ข้อมูล บุคลากร และเงินทุนเพียงพอจะสร้างโมเดลแนวหน้าที่แข่งขันได้ตั้งแต่ศูนย์ หลายประเทศจึงเลือกปรับจูนโมเดลแบบเปิดน้ำหนักด้วยข้อมูลท้องถิ่น เพื่อเพิ่มภาษา บริบททางวัฒนธรรม และความรู้เฉพาะสาขาในต้นทุนที่ต่ำกว่า

ภาษาอาหรับคือหัวใจของโครงการ ไม่ใช่แค่จำนวนพารามิเตอร์

HUMAIN ระบุว่า humain-m3 ได้รับการฝึกต่อด้วยข้อมูลภาษาอาหรับโดยกำเนิดมากกว่า 1 ล้านล้านโทเค็น 34 นี่มีความหมายมากกว่าการแปลภาษา เพราะงานของภาครัฐและองค์กรขนาดใหญ่มักต้องการความสามารถด้านการให้เหตุผลในภาษาอาหรับ คำศัพท์เฉพาะบริบท รูปแบบการใช้ภาษาของภูมิภาค และการประเมินผลในภาษาที่ผู้ใช้งานสื่อสารจริง

รายงานยังระบุว่า ตระกูล MiniMax M3 รองรับความเข้าใจข้อความ ภาพ และวิดีโอ รวมถึงการใช้เครื่องมือและความสามารถด้านการปฏิบัติการกับคอมพิวเตอร์ หากคุณสมบัติเหล่านี้ถ่ายทอดมาสู่โมเดลที่ปรับเฉพาะภาษาได้อย่างมีประสิทธิภาพ โครงการระดับประเทศก็สามารถต่อยอดความสามารถดังกล่าวได้ โดยไม่จำเป็นต้องสร้างทุกชั้นของเทคโนโลยีโมเดลแนวหน้าขึ้นใหม่เอง 7

คะแนนทดสอบน่าสนใจ แต่ยังต้องอ่านอย่างระมัดระวัง

HUMAIN รายงานว่า humain-m3 ได้คะแนนเฉลี่ยแบบให้น้ำหนักเท่ากัน 89.37% จากชุดทดสอบภาษาอาหรับสาธารณะ 7 ชุด โดยการเปรียบเทียบของบริษัทระบุว่าคะแนนสูงกว่าคะแนนอ้างอิงของ MiniMax M3 ที่ 80.34% รวมถึงสูงกว่าระบบ GPT-5.6 SOL และ Claude Opus 5 ที่นำมาทดสอบร่วมกัน อีกทั้งโมเดลนำอยู่ใน 5 จาก 7 การทดสอบ 5

อย่างไรก็ดี ตัวเลขเหล่านี้เป็น ผลที่ HUMAIN รายงานเอง ดำเนินการบนโครงสร้างพื้นฐานของบริษัท และยังไม่มีการทำซ้ำผลอย่างอิสระหรือส่งเข้าระบบ Open Arabic LLM Leaderboard ตามรายงานข่าว ดังนั้นจึงควรมองว่าเป็นสัญญาณเชิงบวกต่อกลยุทธ์การปรับโมเดลให้เข้ากับภาษาอาหรับ ไม่ใช่ข้อสรุปจัดอันดับข้ามโมเดลอย่างเด็ดขาด 15

มีน้ำหนักโมเดลในประเทศ ไม่ได้แปลว่าอธิปไตยสมบูรณ์

กรณี humain-m3 แสดงให้เห็นข้อดีของการใช้โมเดลฐานที่นำกลับมาใช้ต่อได้ แต่ก็ทำให้เห็นขอบเขตของคำว่า Sovereign AI ด้วย การเข้าถึงโมเดลในระดับท้องถิ่นช่วยลดการพึ่งพา API จากต่างประเทศ และเอื้อต่อการโฮสต์ การปรับจูน และการอนุมานภายในประเทศ แต่ “น้ำหนักโมเดล” เป็นเพียงชั้นหนึ่งของระบบเท่านั้น

ความสามารถ Sovereign AI ที่ทำงานได้จริงยังต้องพึ่งโครงสร้างพื้นฐานคอมพิวต์ ชิป ศูนย์ข้อมูลและคลาวด์ บุคลากรด้านเทคนิค กระบวนการรักษาความปลอดภัย การอัปเดตโมเดลอย่างต่อเนื่อง และเงื่อนไขใบอนุญาตของโมเดลฐาน CNAS ให้นิยามโครงการ Sovereign AI ว่าเป็นความริเริ่มที่รัฐหนุนหลัง เชื่อมโยงกับผลประโยชน์เชิงยุทธศาสตร์ของชาติ และมีการลงทุนที่เป็นรูปธรรมในระบบนิเวศด้านคอมพิวต์ โมเดล หรือข้อมูล ไม่ใช่แค่โมเดลที่ติดชื่อประเทศ

กล่าวอีกแบบหนึ่ง น้ำหนักโมเดลที่ติดตั้งเองได้อาจเป็นทางเลือกสำรองเมื่อบริการโฮสต์เปลี่ยนนโยบายหรือไม่พร้อมใช้งาน แต่ก็ไม่ได้ลบการพึ่งพาผู้ผลิตฮาร์ดแวร์ พันธมิตรโครงสร้างพื้นฐาน หรือข้อกำหนดทางกฎหมายของใบอนุญาตออกไป

ตลาดใหม่ของโมเดลฐานที่นำไปต่อยอดได้

HUMAIN-M3 ยังสะท้อนโอกาสของห้องปฏิบัติการ AI จีนในตลาดต่างประเทศ แทนที่จะแข่งขันผ่านแชตบอตหรือ API ที่โฮสต์จากศูนย์กลางเพียงอย่างเดียว บริษัทเหล่านี้สามารถนำเสนอโมเดลฐานที่องค์กรในประเทศอื่นนำไปปรับกับภาษา ข้อมูล และโครงสร้างพื้นฐานของตนเองได้

แนวโน้มดังกล่าวไม่ได้เกิดขึ้นเฉพาะซาอุฯ CNAS นับโครงการ Sovereign AI ที่รัฐสนับสนุนได้ 184 โครงการใน 67 ประเทศ จากข้อมูลที่ครอบคลุมโครงการใหม่จนถึงครึ่งแรกของปี 2026 โดยโครงการด้านโครงสร้างพื้นฐานมีสัดส่วนมากที่สุด สะท้อนว่ากลยุทธ์ AI ระดับชาติกำลังมองทั้งสภาพแวดล้อมในการใช้งานจริง ไม่ได้มองเพียงตัวโมเดล

Hugging Face ให้เหตุผลว่า โมเดลที่ติดตั้งบนฮาร์ดแวร์ภายในประเทศได้ช่วยลดการพึ่งพาคลาวด์ที่ต่างชาติควบคุม และเปิดทางให้หน่วยงานรัฐปรับจูนระบบภายใต้กรอบกฎหมายของประเทศตนเอง

บทเรียนเชิงยุทธศาสตร์

HUMAIN-M3 ไม่ได้พิสูจน์ว่าโมเดลเปิดน้ำหนักเพียงอย่างเดียวจะสร้างอธิปไตยด้าน AI ได้ครบถ้วน แต่เป็นตัวอย่างเด่นของแนวทางที่เข้าถึงได้มากกว่า: ได้รับหรือให้สิทธิ์ใช้โมเดลฐานที่มีความสามารถ ลงทุนอย่างจริงจังกับข้อมูลและการประเมินในประเทศ ดำเนินการบนโครงสร้างพื้นฐานที่ควบคุมได้ และรักษาสิทธิในการปรับระบบต่อเนื่อง

สำหรับซาอุดีอาระเบีย เป้าหมายระยะใกล้คือขีดความสามารถ AI ที่ให้ภาษาอาหรับเป็นศูนย์กลาง ส่วน MiniMax และห้องปฏิบัติการ AI จีนอื่น ๆ นัยสำคัญคือจุดตรวจสอบโมเดลที่ปรับใช้ได้อาจกลายเป็นชิ้นส่วนโครงสร้างพื้นฐาน AI ที่ส่งออกได้ และสำหรับรัฐบาลที่ไม่สามารถหรือไม่ต้องการสร้างโมเดลแนวหน้าจากศูนย์ กรณีนี้อธิบายว่าทำไมโมเดลที่ดาวน์โหลด ติดตั้ง และปรับแต่งในพื้นที่ได้ จึงกำลังกลายเป็นตัวเลือกเชิงยุทธศาสตร์มากขึ้น 3