ทำไม Harvey เลือกสร้าง Tenet บน Kimi K3 ของจีน แทนการเช่าโมเดล AI

การตัดสินใจสร้าง Harvey Tenet เกิดจากแรงกดดันสองด้านพร้อมกัน นั่นคือ Harvey ต้องการให้ AI ทำงานกฎหมายที่กินเวลานานและมีหลายขั้นตอนได้ดีขึ้น ขณะเดียวกันก็ต้องการควบคุมต้นทุนและพฤติกรรมของโมเดลให้มากกว่าการเรียกใช้บริการจากผู้ให้บริการภายนอก

แทนที่จะฝึกโมเดลพื้นฐานใหม่ทั้งหมด Harvey เลือกนำ Kimi K3 ซึ่งเป็นโมเดลแบบโอเพนเวตของ Moonshot AI มาปรับแต่งต่อด้วยข้อมูลกฎหมายและคำติชมจากทนายความ

ปัญหาที่ Harvey ต้องการแก้

งานกฎหมายจำนวนมากไม่ใช่การถามคำถามแล้วรอคำตอบภายในไม่กี่วินาที การตรวจสัญญา การตรวจสอบสถานะกิจการ การวิเคราะห์พยานหลักฐาน และการสนับสนุนงานคดีความ อาจต้องรักษาบริบทจำนวนมาก ตัดสินใจต่อเนื่องหลายขั้นตอน และประมวลผลเอกสารเป็นชุดเป็นเวลาหลายชั่วโมงหรือหลายวัน

Harvey จึงออกแบบ Tenet สำหรับงานลักษณะ long-horizon agentic workflows หรือกระบวนการทำงานที่ AI ต้องวางแผนและลงมือทำต่อเนื่องในระยะยาว

เหตุผลทางธุรกิจก็สำคัญไม่แพ้กัน ก่อนหน้านี้ Harvey ใช้โมเดลพื้นฐานจากผู้ให้บริการหลายราย รวมถึง Anthropic, OpenAI และ Google แล้วเลือกส่งงานแต่ละประเภทไปยังโมเดลที่เหมาะสม การมีโมเดลเฉพาะทางของตัวเองเปิดทางให้บริษัทปรับปรุงประสิทธิภาพกับงานหลัก และลดการพึ่งพา API ของบริษัทอื่น

Tenet ถูกฝึกอย่างไร

Tenet ไม่ใช่โมเดลพื้นฐานทั่วไปที่ Harvey ฝึกขึ้นใหม่ตั้งแต่ศูนย์ แต่เป็นโมเดลเฉพาะทางที่เริ่มจากโมเดลโอเพนเวตที่มีอยู่แล้ว ซึ่งมีรายงานว่าเป็น Kimi K3 จาก Moonshot AI จากนั้นจึงนำมาฝึกเพิ่มเติมเพื่อการใช้เหตุผลทางกฎหมาย

กระบวนการฝึกที่มีรายงานประกอบด้วยข้อมูลหลายประเภท ได้แก่

• เอกสารกฎหมายที่เปิดเผยต่อสาธารณะ
• งานกฎหมายสังเคราะห์และข้อพิพาทจำลอง
• แฟ้มคดีจำลองและสถานการณ์การทำสัญญา
• ตัวอย่างที่ทนายความและผู้เชี่ยวชาญด้านกฎหมายสร้าง ตรวจสอบ หรือให้คะแนน

ส่วนสุดท้ายมีความสำคัญเป็นพิเศษ เพราะความเชี่ยวชาญทางกฎหมายไม่ได้มีแค่การรวบรวมเอกสาร แต่ยังรวมถึงการตัดสินว่าการตีความ การวางกลยุทธ์เจรจา หรือการวิเคราะห์หลายขั้นตอนนั้นสมเหตุสมผลและใช้ได้จริงหรือไม่ การให้ทนายความสร้างสถานการณ์และประเมินคำตอบของโมเดลจึงช่วยให้ Harvey มีข้อมูลฝึกและข้อมูลทดสอบที่ใกล้เคียงมาตรฐานของงานกฎหมายจริง

Harvey อ้างว่า Tenet ทำได้ดีแค่ไหน

Harvey ระบุว่า Tenet ให้ผลลัพธ์ระดับ “frontier-level” ในการทดสอบมาตรฐานด้านกฎหมายที่สำคัญ และทำผลงานได้ใกล้เคียงกับโมเดลทั่วไปชั้นนำในงานที่เกี่ยวข้อง

รายงานทางเทคนิคของบริษัทระบุว่า Tenet ทำภารกิจในชุดทดสอบที่กันไว้ของ Legal Agent Benchmark (LAB) ได้เกือบสองเท่าของ Kimi K3 รุ่นพื้นฐาน และทำภารกิจบน LAB Contracts ได้มากขึ้น 20% นอกจากนี้ Harvey ยังรายงานว่าอัตรา all-pass หรือสัดส่วนงานที่ผ่านทุกเกณฑ์ เพิ่มขึ้น 9 จุดเปอร์เซ็นต์ใน LAB และ 2 จุดเปอร์เซ็นต์ใน LAB Contracts

ประกาศอีกฉบับของบริษัทนำเสนอผลลัพธ์ในรูปการปรับปรุงเชิงสัมพัทธ์ โดยระบุว่าอัตรา all-pass เพิ่มขึ้น 82% ใน LAB และ 22% ใน LAB Contracts พร้อมระบุว่า Tenet ได้อันดับหนึ่งใน LAB Contracts และอันดับสองโดยรวมใน LAB

ตัวเลขเหล่านี้ควรอ่านในฐานะ ผลการทดสอบที่บริษัทเป็นผู้รายงาน ไม่ใช่หลักฐานว่า Tenet แม่นยำกว่าโมเดลปิดทุกประเภท หรือใช้งานได้อย่างน่าเชื่อถือกับทุกเขตอำนาจศาลและทุกประเด็นทางกฎหมาย หลักฐานที่มีอยู่ในที่นี้ส่วนใหญ่เป็นประกาศของ Harvey และรายงานข่าวที่อ้างอิงประกาศดังกล่าว ขณะที่การตรวจสอบความแม่นยำในการใช้งานจริงโดยหน่วยงานอิสระยังไม่ปรากฏชัด

จากผู้ประกอบแอปพลิเคชันสู่เจ้าของโมเดล

ก่อนเปิดตัว Tenet กลยุทธ์หลักของ Harvey อยู่ที่ตัวผลิตภัณฑ์ บริษัทปรับพรอมต์ ออกแบบเวิร์กโฟลว์ และจัดเส้นทางงานไปยังโมเดลปิดของผู้ให้บริการภายนอก วิธีนี้ทำให้เข้าถึงโมเดลทรงพลังได้โดยไม่ต้องสร้างและดูแลระบบโมเดลของตัวเองทั้งหมด

Tenet เปลี่ยนตำแหน่งของโมเดลภายในโครงสร้างเทคโนโลยีของ Harvey อย่างมีนัยสำคัญ

• แนวทางเดิม: จัดการหรือปรับแต่งโมเดลปิดผ่านผู้ให้บริการภายนอก
• แนวทางของ Tenet: เริ่มจากน้ำหนักโมเดลที่เปิดเผย นำมาโพสต์เทรนด้วยงานกฎหมาย และนำโมเดลเฉพาะทางที่ได้มาใช้ในผลิตภัณฑ์ของ Harvey

ความแตกต่างนี้ไม่ได้เป็นเพียงเรื่องเทคนิค การเข้าถึงน้ำหนักโมเดลทำให้ Harvey มีอิสระมากขึ้นในการปรับโมเดลด้วยข้อมูล เกณฑ์ประเมินผล และขั้นตอนการทำงานของบริษัทเอง นอกจากนี้ยังสามารถตัดสินใจเรื่องโครงสร้างพื้นฐานและการเพิ่มประสิทธิภาพการให้บริการได้เอง แทนที่จะจ่ายให้ผู้ให้บริการโมเดลทุกครั้งที่มีการเรียกใช้ API แบบปิด

“โพสต์เทรน” หมายถึงอะไร

Post-training หรือการโพสต์เทรน คือการฝึกโมเดลเพิ่มเติมหลังจากผ่านการฝึกพื้นฐานด้านภาษาและความรู้ทั่วไปมาแล้ว แทนที่จะสอนความสามารถทางภาษาตั้งแต่ต้น นักพัฒนาจะใช้ตัวอย่างที่คัดสรร คำติชมจากผู้เชี่ยวชาญ งานสังเคราะห์ และการประเมินตามผลลัพธ์ เพื่อเพิ่มทักษะหรือปรับพฤติกรรมเฉพาะด้าน

สำหรับ Tenet เป้าหมายคือการใช้เหตุผลทางกฎหมายกับงานที่ดำเนินต่อเนื่องเป็นเวลานาน สูตรการฝึกที่ Harvey รายงานใช้ข้อมูลสังเคราะห์ ข้อมูลกฎหมายสาธารณะ และข้อมูลจากผู้เชี่ยวชาญมนุษย์ จากนั้นวัดผลด้วยภารกิจที่กันไว้สำหรับการทดสอบ

สำหรับบริษัท AI เฉพาะอุตสาหกรรม วิธีนี้อาจมีประสิทธิภาพกว่าการสร้างโมเดล frontier ใหม่ตั้งแต่ต้น โมเดลพื้นฐานจะทำหน้าที่จัดหาความสามารถด้านภาษาและการให้เหตุผลทั่วไป ส่วนการโพสต์เทรนจะทุ่มทรัพยากรเพิ่มไปยังงานที่ลูกค้าใช้จริง

ทำไมน้ำหนักโมเดลแบบเปิดจึงช่วยเรื่องการปรับเฉพาะทางและต้นทุน

โมเดลแบบ โอเพนเวต เปิดให้เข้าถึงพารามิเตอร์ตัวเลขที่กำหนดพฤติกรรมของโมเดล เพื่อนำไปเรียกใช้หรือปรับแก้ได้ ต่างจากโมเดลปิดที่เข้าถึงได้ผ่าน API ซึ่งอยู่ภายใต้การควบคุมของผู้ให้บริการ การที่ Kimi K3 เปิดเผยน้ำหนักโมเดลจึงทำให้ Harvey มีฐานโมเดลที่นำมาปรับให้เหมาะกับงานกฎหมายได้โดยตรง

การควบคุมดังกล่าวช่วยให้บริษัทฝึกและประเมินโมเดลซ้ำกับเอกสาร ลำดับงาน และเกณฑ์คุณภาพที่ตรงกับอุตสาหกรรมหรือลูกค้าของตัวเองได้ ผลลัพธ์ไม่ได้หมายความว่าจะดีกว่าโมเดลปิดโดยอัตโนมัติ แต่ทำให้บริษัทมีอิสระมากขึ้นในการปรับโมเดลให้เหมาะกับกรณีใช้งานเฉพาะทาง

น้ำหนักโมเดลแบบเปิดยังอาจเปลี่ยนโครงสร้างต้นทุนของการประมวลผลคำขอ หรือ inference ได้ด้วย บริษัทสามารถเลือกฮาร์ดแวร์ ซอฟต์แวร์สำหรับให้บริการ และวิธีเพิ่มประสิทธิภาพเอง แทนการจ่ายราคาต่อโทเคนให้ผู้ให้บริการโมเดลปิด

อย่างไรก็ตาม “โอเพนเวต” ไม่ได้แปลว่าใช้งานฟรี การประมวลผลยังมีต้นทุนด้านคอมพิวเตอร์ ฮาร์ดแวร์ วิศวกรรม ความปลอดภัย และการบำรุงรักษา สำหรับ AI เอเจนต์ด้านกฎหมายที่ต้องอ่านเอกสารจำนวนมากหรือทำงานต่อเนื่องเป็นเวลานาน การลดต้นทุนต่อภารกิจอาจทำให้การให้บริการเวิร์กโฟลว์หลายขั้นตอนในเชิงพาณิชย์ทำได้ง่ายขึ้น

การเลือก Kimi K3 บอกอะไรเกี่ยวกับตลาด AI

การเคลื่อนไหวของ Harvey เป็นตัวอย่างหนึ่งของการเปลี่ยนแปลงในตลาด AI เฉพาะอุตสาหกรรม บริษัทที่สร้างซอฟต์แวร์สำหรับกลุ่มธุรกิจเฉพาะอาจไม่จำเป็นต้องแข่งขันด้วยการฝึกโมเดลทั่วไปที่ใหญ่ที่สุด แต่อาจสร้างความได้เปรียบจากข้อมูลเฉพาะทาง คำติชมจากผู้เชี่ยวชาญ ระบบประเมินผล การออกแบบเวิร์กโฟลว์ การนำไปใช้งาน และความไว้วางใจของลูกค้า

การเลือก Kimi K3 ยังมีนัยสำคัญเชิงกลยุทธ์ เพราะแสดงให้เห็นว่าบริษัทตะวันตกสามารถใช้โมเดลโอเพนเวตจากจีนเป็นโครงสร้างพื้นฐานทางเทคนิคได้ แม้ห้องปฏิบัติการ AI ชั้นนำยังอยู่ท่ามกลางการแข่งขันทางการค้าและภูมิรัฐศาสตร์ที่กว้างขึ้น

สิ่งนี้ไม่ได้พิสูจน์ว่าโมเดลจีนเหนือกว่าโมเดลตะวันตกทั้งหมด แต่สะท้อนว่า สำหรับผลิตภัณฑ์องค์กรที่มีขอบเขตชัดเจน ความเปิดกว้างในการนำไปปรับแต่ง ต้นทุนการให้บริการที่อาจต่ำกว่า และการควบคุมระบบ อาจสำคัญกว่าการมีอันดับสูงสุดในมาตรฐานวัดผลทั่วไป

ข้อควรระวังคือ น้ำหนักโมเดลแบบเปิดถ่ายโอน “อำนาจควบคุม” มาให้บริษัท ไม่ได้ถ่ายโอนต้นทุนหรือความเสี่ยงทั้งหมด บริษัทก็ยังต้องมีโครงสร้างพื้นฐาน ความเชี่ยวชาญในการประเมินผล และมาตรการปกป้องข้อมูลกฎหมายที่มีความอ่อนไหว

ดังนั้น Tenet จึงไม่ใช่การปฏิเสธโมเดลปิดโดยสิ้นเชิง แต่เป็นการเดิมพันว่า การเป็นเจ้าของโมเดลเฉพาะทางกำลังกลายเป็นสิ่งที่บริษัทซอฟต์แวร์สำหรับองค์กรทำได้จริง และอาจมีคุณค่าทางกลยุทธ์มากขึ้นเรื่อย ๆ