ความสามารถของ AI ในปัจจุบันกำลังก้าวกระโดดอย่างรวดเร็ว แต่สิ่งที่พุ่งทะยานตามมาแบบติดๆ คือต้นทุนในการฝึกโมเดลระดับแนวหน้า (Frontier Model) ที่กำลังขยับจากหลักร้อยล้านดอลลาร์ สู่หลักพันล้านดอลลาร์ในอีกไม่กี่ปีข้างหน้า

ในขณะที่โมเดลปิด (Closed Model) จากฝั่ง OpenAI, Anthropic หรือ Google มีเม็ดเงินมหาศาลคอยหนุนหลัง ฝั่งโมเดลเปิด (Open-source / Open Weights) ก็ยังคงเร่งสปีดตามมาติดๆ โดยมีช่องว่างความสามารถห่างกันเพียงไม่กี่เดือน ทว่าคำถามสำคัญทางเศรษฐศาสตร์คือ ในวันที่การสร้างโมเดลต้องใช้เงินระดับหมื่นล้านบาท บริษัทใดจะยอมควักเงินทุนมหาศาลเพื่อสร้าง AI แล้วแจกจ่ายให้คนทั้งโลกใช้งานฟรีได้ตลอดไป

Nathan Lambert นักวิจัยจาก Allen Institute for AI (Ai2) ได้ชี้ประเด็นสำคัญว่า ทางรอดเดียวที่จะทำให้โมเดลแบบเปิดยังคงอยู่รอดและแข่งขันได้ คือการรวมตัวกันจัดตั้ง Open Model Consortium หรือสมาคมลงขันสร้าง AI ระดับแนวหน้าร่วมกัน ซึ่งไม่ใช่เพียงเรื่องของอุดมการณ์ แต่เป็นทางออกเดียวที่สมเหตุสมผลในเชิงเศรษฐศาสตร์

---

วิกฤตต้นทุนการฝึกโมเดล: เมื่อกำแพงการเงินสูงเกินเอื้อม

การพัฒนาโมเดลภาษาขนาดใหญ่ในปัจจุบันไม่ได้ขึ้นอยู่กับความเชี่ยวชาญด้านอัลกอริทึมเพียงอย่างเดียว แต่ถูกขับเคลื่อนด้วยพลังงานและฮาร์ดแวร์ระดับเมกะวัตต์ รายงานจาก Epoch AI ชี้ว่าต้นทุนการฝึกโมเดล AI เติบโตเฉลี่ย 2.4 เท่าในทุกๆ ปี และคาดการณ์ว่าภายในปี 2027 ต้นทุนในการเทรนโมเดลเรือธงเพียงตัวเดียวจะพุ่งทะลุ 1,000 ล้านดอลลาร์สหรัฐ (กว่า 35,000 ล้านบาท)

เมื่อย้อนดูตัวเลขในอดีต GPT-4 ใช้ทุนสร้างราว 150 ล้านดอลลาร์ ขณะที่ Gemini Ultra ของ Google ใช้ไปประมาณ 191 ล้านดอลลาร์ พร้อมอัตรากินไฟช่วงประมวลผลสูงถึง 35 เมกะวัตต์ แม้แต่ DeepSeek V3 ที่ขึ้นชื่อเรื่องประสิทธิภาพการคุมต้นทุน ยังต้องใช้งบเช่าคลัสเตอร์ GPU ขั้นต่ำ 5.6 ล้านดอลลาร์ ซึ่งยังไม่รวมค่าจ้างบุคลากร การจัดการชุดข้อมูล และระบบโครงสร้างพื้นฐานแวดล้อม

ด้วยตัวเลขระดับนี้ มีเพียงบริษัทยักษ์ใหญ่เทคโนโลยี 3 ถึง 4 รายในโลกเท่านั้นที่สามารถแบกรับต้นทุนได้โดยลำพัง

---

ภูมิทัศน์ของโมเดลเปิด: ช่องว่างที่แคบลงอย่างเหลือเชื่อ

แม้จะมีอุปสรรคด้านต้นทุน แต่ตลาดโมเดลเปิดยังคงแข่งขันกันอย่างดุเดือด โดยมีตระกูลโมเดลสำคัญขับเคี่ยวกันในตลาดอย่างต่อเนื่อง เช่น Gemma 4 ของ Google, Qwen 3.6+ ของ Alibaba, Llama 4 ของ Meta, Mistral Small 4, GLM-5 จากฝั่งจีน และ gpt-oss-120b จาก OpenAI

สิ่งที่น่าจับตามองคือ ช่องว่างด้านประสิทธิภาพระหว่างโมเดลปิดระดับพรีเมียมกับโมเดลเปิดชั้นนำที่เคยห่างกันราว 18 เดือน ได้ลดลงเหลือเพียง 6 เดือนเท่านั้น ในงานประมวลผลทั่วไป โมเดลเปิดสามารถทำคะแนนทดสอบได้ใกล้เคียงกับโมเดลปิดอย่างมีนัยสำคัญ

---

ทำไม Consortium ถึงเป็นทางรอดเดียวของระบบนิเวศแบบเปิด?

แรงจูงใจในการเปิดโอเพนซอร์สของบริษัทเอกชนมักมีจุดสิ้นสุด เมื่อต้นทุนการพัฒนาแตะระดับพันล้านดอลลาร์ การนำโมเดลไปแจกฟรีจะเริ่มขัดแย้งกับผลประโยชน์ของผู้ถือหุ้นอย่างรุนแรง

แนวคิด Consortium คือการเปลี่ยนภาระการลงทุนจากการพึ่งพาบริษัทเดี่ยว มาสู่การแชร์ความเสี่ยงและทรัพยากรร่วมกันระหว่างองค์กรเทคโนโลยี สถาบันวิจัย และภาคธุรกิจหลายสิบแห่ง:

• หากมีองค์กรร่วมลงขัน 50 แห่ง แต่ละแห่งจะรับผิดชอบงบประมาณเพียงประมาณ 2% ของต้นทุนทั้งหมด (ราว 20 ล้านดอลลาร์ จากยอดรวม 1,000 ล้านดอลลาร์)
• ทุกองค์กรที่ร่วมลงขันจะได้รับสิทธิ์เข้าถึงน้ำหนักโมเดล (Weights) โค้ดต้นฉบับ และสถาปัตยกรรมทั้งหมด เพื่อนำไปปรับแต่งใช้งานในองค์กรได้อย่างอิสระ
• ลดการพึ่งพาและป้องกันการถูกล็อกติด (Vendor Lock-in) กับผู้ให้บริการคลาวด์รายใหญ่

โมเดลความร่วมมือนี้เทียบเคียงได้กับโครงการวิจัยฟิสิกส์อนุภาคระดับโลกอย่าง CERN หรือการพัฒนาโครงข่ายอินเทอร์เน็ตและมาตรฐานเว็บสากล ที่ไม่มีผู้ใดถือครองกรรมสิทธิ์แต่เพียงผู้เดียว

บทเรียนจาก NVIDIA และข้อเสนอโครงการ ATOM

NVIDIA เคยริเริ่มแนวทางคล้ายคลึงกันในชื่อ Nemotron Coalition เพื่อสนับสนุนการสร้างโมเดลเปิด ซึ่งตอบโจทย์ธุรกิจของ NVIDIA โดยตรง เพราะยิ่งตลาดใช้โมเดลเปิดมากเท่าใด ความต้องการสั่งซื้อชิปประมวลผล GPU ก็ยิ่งสูงขึ้นเท่านั้น

อย่างไรก็ตาม การพึ่งพาทุนสนับสนุนจากผู้ผลิตฮาร์ดแวร์เพียงรายเดียวยังมีความเสี่ยงเรื่องความขัดแย้งทางผลประโยชน์ Lambert จึงเสนอแนวคิด ATOM Project โดยตั้งเป้าระดมทุน 100 ถึง 500 ล้านดอลลาร์ เพื่อสร้างโมเดลแบบเปิดสมบูรณ์ 100% ภายใน 2 ปี ซึ่งครอบคลุมการเปิดเผยชุดข้อมูลฝึกสอน ซอร์สโค้ด กระบวนการทดลอง และบันทึกการตัดสินใจทางวิศวกรรมทั้งหมด เพื่อสร้างมาตรฐานโอเพนซอร์สที่แท้จริง

---

ทำไมธุรกิจถึงต้องการโมเดลเปิด: มิติของต้นทุนและความเป็นส่วนตัว

แม้โมเดลปิดระดับ Frontier จะยังคงครองความเป็นผู้นำด้านความสามารถในการคิดวิเคราะห์หลายชั้น (Reasoning Chain) และงานด้านความปลอดภัยเฉพาะทาง แต่สำหรับภาคธุรกิจส่วนใหญ่ ปัจจัยชี้ขาดอยู่ที่ความคุ้มค่าและความปลอดภัยของข้อมูล:

1. การลดต้นทุนระดับสเกล: การโฮสต์โมเดลเปิดบนเซิร์ฟเวอร์ของตนเองช่วยลดค่าใช้จ่ายลงได้ถึง 90% เมื่อเทียบกับการเรียกใช้ API เชิงพาณิชย์ สำหรับองค์กรที่มีปริมาณคำสั่งงานระดับพันล้านโทเคนต่อเดือน สามารถประหยัดงบประมาณได้ 5 ถึง 10 เท่า
2. อำนาจอธิปไตยเหนือข้อมูล (Data Sovereignty): องค์กรในอุตสาหกรรมการเงิน สุขภาพ และความมั่นคง มีข้อกำหนดเข้มงวดที่ไม่สามารถส่งข้อมูลความลับออกไปยังเซิร์ฟเวอร์ภายนอกได้ การรันโมเดลแบบ Local จึงเป็นข้อกำหนดบังคับ

พลังของโมเดลขนาดเล็กเฉพาะทาง (Specialized Small Models)

โอกาสสำคัญของโมเดลเปิดอาจไม่ใช่การแข่งขันเพื่อเป็นโมเดลที่ฉลาดที่สุดในทุกด้าน แต่คือการเป็นโมเดลขนาดเล็กที่มีประสิทธิภาพสูงและปรับแต่งเฉพาะทาง (Domain-specific Fine-tuning)

---

สรุป: การรักษาอนาคตที่เปิดกว้าง

เมื่อการพัฒนา AI ก้าวเข้าสู่ยุคที่ต้นทุนต่อโมเดลแตะหลักพันล้านดอลลาร์ การฝากความหวังไว้กับความใจกว้างของบริษัทเทคโนโลยีชั้นนำเพียงอย่างเดียวคือความเสี่ยงเชิงโครงสร้าง

การจัดตั้ง Open Model Consortium ไม่ใช่เพียงทางเลือกทางทฤษฎี แต่เป็นกลไกทางเศรษฐศาสตร์ที่จำเป็น เพื่อให้มั่นใจว่าโลกเทคโนโลยีจะยังคงมีทางเลือกที่เป็นอิสระ โปร่งใส และป้องกันไม่ให้เทคโนโลยีพื้นฐานแห่งอนาคตถูกผูกขาดไว้ในมือขององค์กรเพียงไม่กี่แห่ง

แหล่งอ้างอิง

• The inevitable need for an open model consortium | Nathan Lambert, Interconnects
• What comes next with open models | Nathan Lambert, Interconnects
• Gemma 4 and what makes an open model succeed | Nathan Lambert, Interconnects
• The American DeepSeek Project | Nathan Lambert, Interconnects
• The Coming Disruption: How Open-Source AI Will Challenge Closed-Model Giants | California Management Review
• How much does it cost to train frontier AI models? | Epoch AI
• Frontier AI Training Costs 2026 | Local AI Master
• Open Source vs Closed AI: Where the Battle Stands in 2026 | Future Humanism
• Open-Source AI Landscape April 2026 | Digital Applied
• The 18-month gap between frontier and open-source AI has shrunk to 6 months | The AI Report