โมเดล AI แบบเปิดน้ำหนักกำลังปิดช่องว่างด้วยโมเดลแบบปิดด้วยความเร็วที่โดดเด่น โดยในแต่ละยุคสมัยของโมเดลภาษาขนาดใหญ่ที่ต่อเนื่องกัน โมเดลแบบเปิดจะใช้เวลาเพียงครึ่งเดียวในการไล่ตามโมเดลปิดรุ่นแรกของยุคนั้น ตามการวิเคราะห์ใหม่โดยบริษัทวิจัยเซมิคอนดักเตอร์ SemiAnalysis
การศึกษาเรื่อง "Are Open Models Catching Up?" และเผยแพร่เมื่อวันที่ 21 สิงหาคมโดย Evan Cloutier, Max Kan, Jordan Nanos และ Dylan Patel เป็นหนึ่งในความพยายามที่เป็นระบบที่สุดในการหาปริมาณคำถามที่ค้างอยู่ทั่วอุตสาหกรรม AI ทั้งหมด: หากโมเดลแบบเปิดยังคงมีความสามารถเกือบเท่ากับพรมแดนปิดด้วยต้นทุนเพียงเล็กน้อย ห้องปฏิบัติการชายแดนจะมีธุรกิจที่ยั่งยืนหรือไม่ หากต้องการรายงานข่าวเชิงลึกเกี่ยวกับการเปิดตัวโมเดลที่ขับเคลื่อนการเปลี่ยนแปลงนี้ โปรดติดตาม AI Buzz Wire
สามยุคของ Frontier AI
ผู้เขียนโต้แย้งว่าประวัติศาสตร์ของ LLM แบ่งออกเป็นสามยุคที่แตกต่างกัน ได้แก่ ยุคแรกๆ การใช้เหตุผล และแบบตัวแทน ซึ่งแต่ละยุคแสดงถึงการเพิ่มขึ้นของฟังก์ชันขั้นตอนในสิ่งที่แบบจำลองสามารถทำได้อย่างมีประโยชน์
ประเด็นด้านระเบียบวิธีหลักของพวกเขาคือการเปรียบเทียบโมเดลข้ามยุคสมัยด้วยเกณฑ์มาตรฐานเดียวถือเป็นความผิดพลาด ทุกการวัดประสิทธิภาพเป็นผลผลิตจากยุคสมัยของมัน: มันถูกสร้างขึ้นเพื่อแยกแยะความแตกต่างด้านความสามารถที่มีอยู่ในขณะนั้น จากนั้นจึงไต่ระดับโดยผู้สร้างโมเดลจนกระทั่งอิ่มตัว ซึ่งเป็นจุดที่อุตสาหกรรมหยุดใส่ใจและเดินหน้าต่อไป แต่ทีม SemiAnalysis ได้ใช้ชุดเกณฑ์มาตรฐานที่รวบรวมไว้สำหรับโมเดลแต่ละยุคเพื่อสร้างคะแนนความสามารถแบบรวม
เมื่อดูด้วยวิธีนี้ ช่องว่างระหว่างเปิดและปิดจะเคลื่อนที่เป็นวัฏจักร ในช่วงเริ่มต้นของแต่ละยุค ห้องแล็บชายแดนได้ทำการวิจัยที่น่าหวัง ฝึกฝนโมเดลที่น่าประทับใจ และก้าวไปข้างหน้า จากนั้นห้องปฏิบัติการอื่นๆ จะระบุความก้าวหน้าที่สำคัญ ทำวิศวกรรมย้อนกลับ และปิดช่องว่าง “ไม่มีอะไรที่เป็นความลับตลอดไป โดยเฉพาะเมื่อคุณคำนึงถึงการกลั่นด้วย” ผู้เขียนเขียน “ก็แค่คำถามว่าต้องใช้เวลานานแค่ไหน”
การวัดคำถามดังกล่าวทำให้เกิดหัวข้อข่าวของการศึกษา: ในแต่ละรุ่น โมเดลโอเพ่นซอร์สใช้เวลานานกว่าครึ่งในการไล่ตามโมเดลโอเพ่นซอร์สรุ่นแรกของยุคนั้น
ทำไมรอบนี้จึงรู้สึกแตกต่าง
รายงานเปิดเผยอย่างตรงไปตรงมาเกี่ยวกับความแตกต่างระหว่างช่วงเวลาของโมเดลแบบเปิดในอดีตและช่วงเวลาปัจจุบัน "ช่วงเวลา DeepSeek" ของเดือนมกราคม 2025 กลายเป็นหัวข้อข่าว แต่ "ไม่มีใครใช้ R1 ในการทำงานที่มีคุณค่าทางเศรษฐกิจเลย" ผู้เขียนตั้งข้อสังเกต
ในทางตรงกันข้าม โมเดลต่างๆ ชี้ไปที่โมเดลอย่าง GLM 5.3 และ Kimi K3 ว่า "มีความสามารถอย่างแท้จริงในงานเขียนโค้ดและงานเอเจนต์เดียวกันหลายงาน ซึ่งเพิ่ม ARR ให้กับ Anthropic สูงถึง 65,000 ล้านดอลลาร์สหรัฐฯ" ซึ่งอ้างอิงถึงเส้นทางรายได้ที่เวิร์กโหลดการเขียนโค้ดและเอเจนต์ขับเคลื่อนให้กับผู้สร้าง Claude การกล่าวอ้างดังกล่าวมีน้ำหนักเป็นพิเศษ เนื่องจากโมเดลแบบเปิดเหล่านี้ไม่ได้เป็นเพียงเดโมแวร์เท่านั้น พวกเขากำลังถูกนำไปใช้ในการผลิตสำหรับงานเดียวกันกับที่สร้างรายได้จริงสำหรับห้องปฏิบัติการแบบปิด
จำนวนการใช้งานช่วยเสริมการเปลี่ยนแปลง Fireworks ซึ่งเป็นผู้ให้บริการการอนุมานที่ให้บริการโมเดลแบบเปิดจำนวนมาก ขณะนี้กำลังประมวลผลโทเค็นมากกว่า 40 ล้านล้านโทเค็นต่อวัน ซึ่งเป็นปริมาณสองเท่าของปริมาณ API ของ OpenAI ณ สิ้นเดือนมีนาคม ตามข้อมูลของ SemiAnalysis ตามที่รายงานระบุว่า "เป็นช่วงเวลาที่น่าตื่นเต้นในการเป็นผู้บริโภคโทเค็น" โดยการต่อสู้เพื่อโทเค็นในขณะนี้ขยายไปไกลกว่า duopoly ของ OpenAI–Anthropic
คำถามเรื่องสินค้าโภคภัณฑ์
การศึกษาระบุถึงความกลัวโดยตรง ซึ่งระบุ FUD จากบางมุมว่า โมเดลแบบเปิดที่มีความสามารถและราคาถูกจะขายเลเยอร์โมเดลทั้งหมด ซึ่งเป็นผลลัพธ์ที่อาจเป็นหายนะสำหรับระยะขอบของห้องปฏิบัติการชายแดน
การวิเคราะห์ส่วนที่เปิดเผยต่อสาธารณะหยุดไม่ให้คำตอบทั้งหมด โดยชี้ให้ผู้อ่านไปที่โมเดล Tokenomics แบบชำระเงินของบริษัท สำหรับการจัดการรายละเอียดทางการเงินของ OpenAI และ Anthropic แต่ทิศทางของการเดินทางนั้นชัดเจน: หากโมเดลแบบเปิดของแต่ละยุคมาถึงครึ่งเวลาของยุคก่อน หน้าต่างที่ห้องปฏิบัติการแบบปิดสามารถเรียกเก็บราคาระดับพรีเมียมสำหรับความสามารถระดับแนวหน้าจะลดลงเรื่อยๆ
ผู้เขียนยังเตือนไม่ให้อ่านแนวโน้มดังกล่าวว่าเป็นโทษประหารชีวิตสำหรับการวิจัยชายแดน พวกเขาเขียนว่าเกณฑ์มาตรฐาน "อย่าบอกเล่าเรื่องราวทั้งหมด" และข้อสรุปของรายงานได้รับการอธิบายว่า "หยาบคายน้อยกว่า" ในโมเดลชายแดนมากกว่าที่ผู้อ่านอาจคิดในตอนแรก ส่วนหนึ่งเป็นเพราะความเท่าเทียมกันของเกณฑ์มาตรฐานดิบไม่เหมือนกับความเท่าเทียมกันในด้านความน่าเชื่อถือ การรวมผลิตภัณฑ์ การจัดจำหน่ายขององค์กร หรือเงินทุนที่จำเป็นในการให้บริการโมเดลในวงกว้าง
ทำไมมันถึงสำคัญ
สำหรับผู้ซื้อ การค้นพบนี้ตรวจสอบกลยุทธ์ที่องค์กรหลายแห่งได้นำไปใช้แล้ว: การผิดนัดเปิดหรือโมเดลราคาถูกกว่าสำหรับปริมาณโทเค็นจำนวนมาก ในขณะที่จองโมเดลปิดระดับพรีเมียมไว้สำหรับงานที่ยากที่สุด สำหรับห้องปฏิบัติการ จะเป็นการวัดปริมาณแรงกดดันที่พวกเขาเผชิญในสองด้าน ได้แก่ โมเดลแบบเปิดด้านล่าง และต้นทุนการประมวลผลมหาศาลที่สูงกว่า
และสำหรับระบบนิเวศแบบโอเพ่นซอร์ส ข้อมูล SemiAnalysis นำเสนอบางสิ่งที่มักขาดแคลน: หลักฐานมากกว่าอุดมการณ์ที่ช่องว่างกำลังปิดตามกำหนดเวลาที่คาดการณ์ได้ หากรูปแบบครึ่งเวลายังคงอยู่ในยุคต่อไปของ AI ระดับแนวหน้า คำถามที่มีค่าที่สุดของอุตสาหกรรมไม่ใช่ว่าโมเดลแบบเปิดจะตามทันหรือไม่ แต่คำถามที่ยังคงสามารถป้องกันได้หลังจากที่ทำได้
ติดตามการแข่งขัน AI Open-Weight อ่านข่าว AI เพิ่มเติม →
