GLM-5.2 โมเดลโอเพนเวทจีนที่พลิกตลาด AI ปี 2026

ในวันที่ 13 มิถุนายน 2026 ห้องปฏิบัติการ AI ของจีน Z.ai (ชื่อเดิม Zhipu AI) ได้ปล่อย GLM-5.2 โมเดลโอเพนเวทประเภท Mixture-of-Experts (MoE) ขนาด 744 พันล้านพารามิเตอร์ออกมา โดยได้อัปโหลดน้ำหนักโมเดล (weights) ฉบับเต็มบน Hugging Face ในอีกสี่วันต่อมาภายใต้สัญญาอนุญาต MIT ซึ่งไม่มีการจำกัดภูมิภาค จังหวะเวลาการเปิดตัวนั้นน่าสนใจ เพราะเกิดขึ้นหนึ่งวันหลังจากรัฐบาลสหรัฐฯ ภายใต้มาตรการควบคุมการส่งออก (export controls) บังคับให้ Anthropic ต้องปิดการใช้งานโมเดล Fable 5 ของตัวเองทั่วโลก ความบังเอิญนี้สร้างกระแส 'สหรัฐฯ ห้าม จีนปล่อย' ซึ่งทำให้องค์กรธุรกิจหันมาสนใจโมเดล AI จากจีนในฐานะทางเลือกที่ถูกกฎหมายและมีราคาถูกกว่า โดยที่เบนช์มาร์กและราคาก็สนับสนุนข้อนี้อย่างปฏิเสธไม่ได้

สเปก ความสามารถเบนช์มาร์ก และราคาของ GLM-5.2

GLM-5.2 ใช้สถาปัตยกรรม MoE ขนาด 744 พันล้านพารามิเตอร์ โดยจะเปิดใช้งานประมาณ 40 พันล้านพารามิเตอร์ต่อหนึ่งโทเค็น หน้าต่างบริบท (context window) ขนาด 1 ล้านโทเค็นที่ใช้งานได้จริง ถือเป็นการเพิ่มขึ้นถึง 5 เท่าจากรุ่นก่อนหน้าอย่าง GLM-5.1 ที่มี 200,000 โทเค็น และสามารถสร้างข้อความ output ได้สูงสุดถึง 131,072 โทเค็น จุดเด่นอีกอย่างคือ รายงานระบุว่าโมเดลนี้ถูกฝึกฝนบนชิป Huawei Ascend ซึ่งไม่ใช่ฮาร์ดแวร์ของ NVIDIA ซึ่งเป็นประเด็นสำคัญด้านห่วงโซ่อุปทานและการควบคุมการส่งออก

สำหรับคะแนนสอบวัดความสามารถ (benchmark) GLM-5.2 ทำคะแนนบน Artificial Analysis Intelligence Index v4.1 ได้ 51 คะแนน ซึ่งสูงที่สุดในบรรดาโมเดลโอเพนเวททั้งหมด เหนือกว่า MiniMax-M3 (44 คะแนน), DeepSeek V4 Pro (44 คะแนน) และ Kimi K2.6 (43 คะแนน) ในด้านการให้เหตุผลทางวิทยาศาสตร์ระดับบัณฑิตศึกษา (GPQA Diamond) ได้ 80.3% และด้านคณิตศาสตร์ (AIME 2025) ได้ 86.67% ส่วนเบนช์มาร์กที่สำคัญสำหรับวิศวกรรมซอฟต์แวร์อย่าง SWE-bench Pro GLM-5.2 ทำได้ 62.1 คะแนน สูงกว่า GPT-5.5 ที่ทำได้ 58.6 คะแนน และตามหลัง Claude Opus 4.8 เพียงประมาณ 0.7 คะแนนในการทดสอบ FrontierSWE ที่เกี่ยวข้อง (74.4% เทียบกับ 75.1%) CNBC รายงานว่า GLM-5.2 อยู่ห่างจาก Opus 4.8 ของ Anthropic เพียง 1% ในเบนช์มาร์กด้าน agentic ที่สำคัญ แต่มีต้นทุนถูกกว่าประมาณ 5 เท่า

ราคา API ของ GLM-5.2 อยู่ที่ $1.40 ต่อ 1 ล้านโทเค็นสำหรับ input และ $4.40 ต่อ 1 ล้านโทเค็นสำหรับ output ซึ่งถูกกว่า GPT-5.5 ผ่าน API ประมาณ 6 เท่า ส่วนโทเค็นที่ถูกแคช (cached tokens) มีราคาเพียง $0.26 ต่อ 1 ล้านโทเค็น

การควบคุมการส่งออกของสหรัฐฯ และการเปลี่ยนแปลงสู่ AI จีน

GLM-5.2 เปิดให้ผู้ใช้บริการสมัครสมาชิกได้ในวันที่ 13 มิถุนายน 2026 ซึ่งเป็นวันเดียวกับที่กระทรวงพาณิชย์สหรัฐฯ บังคับให้ Anthropic หยุดให้บริการ Fable 5 ทั่วโลกภายใต้กฎระเบียบควบคุมการส่งออก ความบังเอิญนี้ไม่ได้ถูกมองข้ามโดยองค์กรธุรกิจ การควบคุมการส่งออกชิป AI ขั้นสูง (NVIDIA H100/B200) ของสหรัฐฯ ไปยังจีน ผลักดันให้ห้องปฏิบัติการจีนต้องฝึกโมเดลบนฮาร์ดแวร์ในประเทศอย่าง Huawei Ascend ในขณะเดียวกันก็ทำให้โมเดลจากจีนไม่ต้องอยู่ภายใต้กฎระเบียบการออกใบอนุญาตส่งออกซ้ำของสหรัฐฯ ซึ่งเป็นแต้มต่อด้านการปฏิบัติตามกฎหมายในตลาดที่โมเดล AI จากสหรัฐฯ ถูกจำกัด

Coinbase ประหยัดต้นทุน AI ได้ 50% ด้วยการตั้งค่าโมเดลโอเพนเวทเป็นค่าเริ่มต้น

Brian Armstrong ซีอีโอของ Coinbase ได้อธิบายถึงกรณีศึกษานี้ เมื่อวันที่ 8 มิถุนายน 2026 เขาทำนายว่า 80% ของปริมาณงาน AI ในท้ายที่สุดจะทำงานบนโมเดลโอเพนเวท โดยให้เหตุผลว่าเรื่องเศรษฐศาสตร์นั้นปฏิเสธไม่ได้ โดยเฉพาะเมื่อโมเดลโอเพนเวทจากจีนส่งมอบประสิทธิภาพที่เกือบเทียบเท่าระดับแนวหน้าในราคาเพียงเศษเสี้ยว ในวันที่ 27 มิถุนายน เขาได้เปิดเผยแนวทางปฏิบัติของ Coinbase คือการตั้งค่าโมเดลโอเพนซอร์สจากจีน เช่น GLM 5.2 และ Kimi 2.7 เป็นค่าเริ่มต้นสำหรับวิศวกร ใช้ LLM gateway ในการจัดสรรคำสั่งอย่างชาญฉลาด และแคชคำตอบอย่างจริงจัง

ผลลัพธ์น่าทึ่ง: Coinbase สามารถลดค่าใช้จ่าย AI ภายในองค์กรลงได้ประมาณ 50% แม้ปริมาณการใช้โทเค็นจะเพิ่มขึ้นแบบทวีคูณก็ตาม อัตราการแคชสำเร็จ (cache hit rate) เพิ่มขึ้นจาก 5% เป็น 60% โดยบริษัทไม่มีการจำกัดการใช้งานหรือแจ้งเตือนเรื่องงบประมาณแก่วิศวกรแต่อย่างใด ปัจจุบัน Coinbase กำลังทดลองใช้เครื่องมือภายในที่ชื่อ 'LLM Ops' ซึ่งจะทำการเลือกโมเดลที่เหมาะสมที่สุดสำหรับแต่ละงานโดยอัตโนมัติ

อย่างไรก็ตาม กลยุทธ์นี้ก็ถูกมองด้วยความกังขา นักวิจารณ์ชี้ให้เห็นถึงความเสี่ยงด้านความปลอดภัยและความตึงเครียดทางภูมิรัฐศาสตร์ที่ยังไม่มีคำตอบ การส่งพรอมต์ (prompts) ขององค์กรผ่านโมเดลที่สร้างโดยห้องปฏิบัติการซึ่งเชื่อมโยงกับรัฐจีนนั้นมีความเสี่ยงทางกฎหมายที่ยังไม่มีหน่วยงานกำกับดูแลใดชี้แจงให้กระจ่าง

OpenRouter: โมเดลจีนแซงหน้าสหรัฐฯ ด้านปริมาณการใช้งานโทเค็น

ข้อมูลจาก OpenRouter แสดงให้เห็นถึงการเปลี่ยนแปลงอย่างมากในการใช้งานโมเดล AI ในช่วงปี 2024–2026 ในเดือนมิถุนายน 2025 โมเดลจากสหรัฐฯ ของ Google, OpenAI และ Anthropic ครองส่วนแบ่งโทเค็นอยู่ที่ประมาณ 70-80% ในขณะที่โมเดลจีนอยู่ที่ประมาณ 10% แต่ในเดือนกุมภาพันธ์ 2026 ส่วนแบ่งของโมเดลจีนก็พุ่งทะลุประมาณ 61% ของปริมาณโทเค็นใน 10 อันดับแรก มาถึงเดือนมิถุนายน 2026 โมเดลจีนประมวลผลโทเค็นได้ประมาณ 18 ล้านล้านโทเค็นต่อสัปดาห์ เทียบกับของสหรัฐฯ ที่ประมาณ 5.5 ล้านล้านโทเค็น โดยปริมาณรวมต่อสัปดาห์อยู่ที่ประมาณ 25 ล้านล้านโทเค็น ส่วนแบ่งของสหรัฐฯ ลดลงเหลือประมาณ 30% ภายใน 12 เดือน โมเดลจีนที่ขับเคลื่อนการเปลี่ยนแปลงนี้ได้แก่ DeepSeek, Qwen, MiniMax, Moonshot/Kimi และล่าสุดคือ GLM-5.2

ความเสี่ยงด้านความปลอดภัยและกฎหมายที่ยังหาข้อยุติไม่ได้

ข้อกังวลทางกฎหมายหลักนั้นตรงไปตรงมาแต่ยังไม่มีคำตอบ Z.ai (Zhipu AI) เป็นบริษัทจีนที่แยกตัวออกมาจากมหาวิทยาลัยชิงหัว (Tsinghua University) และมีความเกี่ยวข้องกับสถาบันปัญญาประดิษฐ์ปักกิ่ง (BAAI) ซึ่งเป็นองค์กรที่ฝังตัวอยู่ในระบบนิเวศ AI ของรัฐจีน กฎหมายข่าวกรองแห่งชาติของจีนปี 2017 และกฎหมายความมั่นคงข้อมูลปี 2021 กำหนดพันธกรณีทั่วไปให้องค์กรจีนทุกแห่งต้อง 'สนับสนุน ช่วยเหลือ และร่วมมือกับงานข่าวกรองของรัฐ' กฎหมายเหล่านี้มีเนื้อหากว้างและมีผลในทางอาณาเขต

ประเด็นความเสี่ยงเฉพาะที่สื่อกล่าวถึง ได้แก่ องค์กรที่โฮสต์ GLM-5.2 ด้วยตัวเองอาจยังคงมีพันธะทางกฎหมายภายใต้กฎหมายจีนหากมีการโต้ตอบกับนิติบุคคลจีนเพื่ออัปเดต การรวบรวมข้อมูล หรือการสนับสนุน การเรียกใช้ API ผ่าน Inference endpoint ที่โฮสต์ในจีน ข้อมูลจะผ่านเขตอำนาจศาลที่การเข้าถึงข้อมูลโดยหน่วยงานรัฐเป็นสิ่งที่กฎหมายอนุญาต และกลยุทธ์ของ Coinbase เองก็เผชิญกับเสียงคัดค้านจากสาธารณะเกี่ยวกับ 'ความเสี่ยงด้านความปลอดภัยและกฎหมายที่ยังไม่ได้รับการแก้ไข' สำหรับบริษัทที่จัดการกับข้อมูลทางการเงินที่ละเอียดอ่อน จนถึงขณะนี้ ยังไม่มีคำแนะนำจากหน่วยงานกำกับดูแลของสหรัฐฯ หรือสหภาพยุโรปที่ชี้ขาดอย่างชัดเจนว่าการใช้โมเดลโอเพนเวทจากจีน แม้จะโฮสต์ด้วยตัวเอง จะก่อให้เกิดความรับผิดภายใต้กฎหมายคุ้มครองข้อมูลหรือกฎหมายคว่ำบาตรหรือไม่ ณ ปลายเดือนมิถุนายน 2026 ความเสี่ยงนี้ยังคงเป็นประเด็นที่ยังไม่ได้ข้อสรุป โดยแต่ละองค์กรต้องประเมินความเสี่ยงด้วยตนเองตามสถานที่โฮสต์โมเดล ความละเอียดอ่อนของข้อมูล และการพึ่งพาห่วงโซ่อุปทาน