ลงขันสร้าง AI: ทำไมระบบ Consortium ถึงเป็นทางรอดเดียวของโมเดลแบบเปิด

AI เก่งขึ้นทุกวัน แต่ค่าใช้จ่ายในการสร้างมันก็แพงขึ้นจนน่าตกใจเหมือนกัน

ถ้าคุณตามข่าววงการ AI ช่วงนี้ น่าจะเห็นบริษัทเทคใหญ่ๆ แข่งกันปล่อยโมเดลใหม่ออกมาเรื่อยๆ ฝั่งโมเดลปิด (Closed model) อย่างของ OpenAI หรือ Google ก็เก่งระดับเทพ ส่วนฝั่งโมเดลเปิด (Open-source) ก็ตามมาติดๆ ชนิดที่ว่าห่างกันแค่ไม่กี่เดือน

เบื้องหลังความเก่งเหล่านี้คือต้นทุนที่พุ่งสูงขึ้นแบบหยุดไม่อยู่ จากหลักสิบล้าน ขยับเป็นร้อยล้าน และกำลังจะแตะระดับพันล้านดอลลาร์ในอีกไม่กี่ปี

คำถามคือ ถ้าการสร้าง AI ที่เก่งที่สุดต้องใช้เงินเยอะขนาดนั้น ใครจะยอมสร้างขึ้นมาแล้วแจกให้เราใช้ฟรีๆ ต่อไปเรื่อยๆ?

Nathan Lambert นักวิจัยจาก Allen Institute for AI ออกมาวิเคราะห์เรื่องนี้ไว้อย่างน่าฟังครับ เขาบอกว่าสุดท้ายแล้วโลกเราจะถูกบีบให้ต้องสร้างสมาคมลงขัน (Consortium) เพื่อสร้างโมเดล AI ร่วมกัน ไม่ใช่เพราะอยากทำตัวใจดี แต่เพราะมันเป็นทางเลือกเดียวที่คุ้มค่าในแง่เศรษฐศาสตร์

ผมอ่านงานของเขาแล้วเห็นด้วยอย่างยิ่ง และเชื่อว่าเรื่องนี้จะกำหนดทิศทางว่าในอนาคต บริษัททั่วไปอย่างพวกเราจะมี AI ดีๆ ใช้ หรือต้องยอมจ่ายเงินแพงๆ ให้บริษัทเทคยักษ์ใหญ่แค่ไม่กี่เจ้า

ค่าเทรน AI แพงขึ้นจนไม่มีใครอยากจ่ายคนเดียว

การเทรน AI ระดับแนวหน้า (Frontier model) ไม่ใช่แค่การเขียนโค้ดแล้วกดรันบนคอมพิวเตอร์แรงๆ มันกินทรัพยากรระดับที่ต้องสร้างโรงงานไฟฟ้าขนาดใหญ่มาจ่ายไฟให้เซิร์ฟเวอร์

ข้อมูลจาก Epoch AI ระบุว่า ต้นทุนการเทรน AI เพิ่มขึ้นประมาณ 2.4 เท่าทุกปี และพวกเขาคาดการณ์ว่าภายในปี 2027 เราจะได้เห็นการเทรนโมเดลที่ใช้เงินทะลุ 1,000 ล้านดอลลาร์ หรือกว่า 35,000 ล้านบาท

ลองย้อนดูตัวเลขของโมเดลที่เรารู้จักกันดีครับ GPT-4 ใช้เงินไปประมาณ 150 ล้านดอลลาร์ ส่วน Gemini Ultra ของ Google ก็ใช้ไปราว 191 ล้านดอลลาร์ ตอนที่ระบบทำงานเต็มที่ต้องใช้ไฟถึง 35 เมกะวัตต์

แม้แต่โมเดลที่เด่นเรื่องการคุมต้นทุนอย่าง DeepSeek V3 ก็ยังต้องจ่ายค่าเช่าชิปประมวลผล (GPU) ไปถึง 5.6 ล้านดอลลาร์ นี่คือแค่ค่าชิปล้วนๆ ยังไม่รวมเงินเดือนวิศวกร ค่าเตรียมข้อมูล และระบบโครงสร้างพื้นฐานอื่นๆ

เทรนด์นี้บอกเราว่า กำแพงราคาของการทำ AI กำลังสูงขึ้นจนไม่มีใครกระโดดข้ามไหว ยกเว้นบริษัทที่มีเงินสดเหลือใช้แค่ 3-4 แห่งบนโลก

ตลาดโมเดลเปิดในตอนนี้ดุเดือดแค่ไหน

แม้ต้นทุนจะโหดร้าย แต่สภาพตลาดโมเดลเปิดช่วงเดือนเมษายน 2026 กลับดุเดือดและแข่งขันกันสูงมาก

เรามีโมเดลเปิดระดับแนวหน้าถึง 6 ตระกูลใหญ่ๆ ที่กำลังสู้กันอยู่ มีตั้งแต่ Gemma 4 ของ Google, Qwen 3.6+ ของ Alibaba, Llama 4 ของ Meta, Mistral Small 4 หรือแม้แต่ค่ายที่เน้นขายของอย่าง OpenAI ก็ยังปล่อย gpt-oss-120b ออกมา รวมถึง GLM-5 จากฝั่งจีน

ประเด็นที่ผมอยากให้ดูคือ ช่องว่างความเก่งระหว่างโมเดลปิดที่ต้องจ่ายเงินแพงๆ กับโมเดลเปิดที่ให้โหลดฟรี มันแคบลงอย่างรวดเร็ว

จากเดิมที่โมเดลเปิดมักจะทำงานตามหลังโมเดลปิดอยู่ประมาณปีกว่าๆ ระยะห่างตอนนี้ลดลงเหลือแค่ 6 เดือน ในการทดสอบหลายๆ ด้าน โมเดลเปิดทำคะแนนเบียดจนแทบไม่เห็นความต่าง

ช่องว่างระหว่างโมเดลปิดและโมเดลเปิดลดลงจาก 18 เดือนเหลือเพียง 6 เดือนเท่านั้น ในหลายๆ งานทั่วไป คุณแทบจะไม่เห็นความแตกต่างเลย

คำถามที่ผมตั้งข้อสังเกตคือ สภาพที่ดูเหมือนจะเป็นประโยชน์ต่อผู้ใช้แบบนี้ มันจะอยู่ได้อีกนานแค่ไหนเมื่อค่าใช้จ่ายยังคงพุ่งทะยานขึ้นเรื่อยๆ

ทำไม Consortium ถึงเป็นทางรอดเดียว

กลับมาที่แก่นของปัญหาตามที่ Nathan Lambert วิเคราะห์ไว้ครับ การที่บริษัทหนึ่งจะยอมจ่ายเงินหลายร้อยล้านดอลลาร์เพื่อสร้างสุดยอดโมเดล แล้วแจกโค้ดหรือแจกน้ำหนักให้คนอื่นเอาไปใช้งาน มันขัดแย้งกับการทำกำไรอย่างชัดเจน

ยิ่งต้นทุนแตะหลักพันล้าน แรงจูงใจที่จะเก็บโมเดลไว้ทำเงินเองก็จะยิ่งสูงขึ้น

ทางออกที่สมเหตุสมผลที่สุดคือการจัดตั้ง Consortium หรือการลงขันกันสร้าง

แนวคิดคือ แทนที่บริษัทใดบริษัทหนึ่งจะต้องแบกความเสี่ยงหลายร้อยล้านดอลลาร์ เราสามารถดึงบริษัทเทค องค์กรทั่วไป หรือสถาบันวิจัยสัก 50 แห่งมารวมตัวกัน แล้วหารค่าใช้จ่ายกัน แต่ละที่อาจจะจ่ายแค่ 2% ของมูลค่าเต็ม หรือประมาณ 20 ล้านดอลลาร์

ผลลัพธ์ที่ได้คือ ทุกองค์กรมีสิทธิ์เข้าถึงโมเดล AI ระดับโลก เอาไปใช้และปรับแต่งในบ้านของตัวเองได้ โดยไม่ต้องจ่ายราคาเต็ม และไม่ต้องผูกติดกับผู้ให้บริการรายใดรายหนึ่ง

วิธีการนี้คล้ายกับการสร้างโครงสร้างพื้นฐานระดับประเทศ อย่างตอนสร้างสถานีวิจัยทางฟิสิกส์ CERN หรือระบบไฟฟ้าที่ไม่มีใครคนใดคนหนึ่งเป็นเจ้าของเบ็ดเสร็จ

NVIDIA ลองขยับแล้ว แต่ยังไม่เสถียรพอ

ไอเดียแนวนี้มีคนพยายามทำแล้วครับ NVIDIA ตั้งกลุ่มที่ชื่อว่า Nemotron Coalition ขึ้นมาเพื่อออกทุนสนับสนุนให้เกิดโมเดลเปิด

เหตุผลของ NVIDIA อธิบายได้ไม่ยาก ยิ่งมีคนใช้โมเดลเปิดเยอะ คนก็ยิ่งต้องซื้อชิป GPU ของ NVIDIA ไปรันโมเดลมากขึ้น พวกเขาจึงอยากให้มีโมเดลเปิดเก่งๆ ออกมาสู่ตลาด

แต่ Lambert ชี้ให้เห็นความเสี่ยงว่า การพึ่งพากระเป๋าเงินของ NVIDIA เพียงรายเดียวอาจจะไม่ยั่งยืน ถ้าวันหนึ่งโมเดลเปิดเหล่านี้เก่งจนไปแย่งลูกค้าของพันธมิตร หรือมีคู่แข่งทำชิปมาแข่งได้สำเร็จ NVIDIA ก็อาจจะหยุดสนับสนุนเมื่อไหร่ก็ได้

ระบบนี้ต้องการการมีส่วนร่วมจากหลายภาคส่วนเพื่อถ่วงดุลอำนาจกันเองอย่างแท้จริง

จีนเดินหน้าเร็ว และการโต้กลับของฝั่งตะวันตก

อีกปัจจัยที่ผลักดันให้เกิดการรวมกลุ่มคือความก้าวหน้าของฝั่งจีน องค์กรจากจีนมีความได้เปรียบทั้งเรื่องจำนวนนักวิจัย ข้อมูล และแนวคิดการทำงานแบบเปิด ตอนนี้พวกเขาปล่อยโมเดลและชุดข้อมูลที่ใช้งานได้จริงออกมาอย่างต่อเนื่อง

Lambert เสนอโปรเจกต์ที่ชื่อว่า ATOM Project โดยมีเป้าหมายคือระดมทุน 100-500 ล้านดอลลาร์ เพื่อสร้างโมเดลแบบเปิด 100% ภายในเวลา 2 ปี

ความหมายของคำว่าเปิด 100% คือเปิดหมดทุกอย่าง ตั้งแต่ข้อมูลที่ใช้เทรน โค้ด วิธีการเทรน ไปจนถึงบันทึกการตัดสินใจระหว่างทาง นี่คือมาตรฐานใหม่ของคำว่า Open Source ที่ต่างจากการเปิดให้โหลดไปใช้แต่ปิดบังขั้นตอนการทำไว้

เหรียญอีกด้าน: โมเดลปิดยังไงก็เก่งกว่า

ลองฟังความเห็นจากฝั่งตรงข้ามบ้างครับ หลายคนไม่เชื่อว่าโมเดลเปิดจะเอาชนะโมเดลปิดได้ในระยะยาว

ข้อโต้แย้งที่ฟังขึ้นที่สุดคือเรื่องความสามารถเฉพาะทางและความปลอดภัย

จริงอยู่ที่โมเดลเปิดทำคะแนนได้ดีในชุดทดสอบทั่วไป แต่ถ้าเป็นงานที่ต้องคิดหลายชั้นอย่างเช่นโมเดล OpenAI o1 หรือการเขียนโค้ดระบบใหญ่ๆ โมเดลปิดยังคงนำหน้าอยู่

การทำให้โมเดลเปิดเก่งด้วยการเรียนรู้จากโมเดลปิด (Distillation) ก็ทำได้ยากขึ้นเรื่อยๆ เพราะระบบใหม่ๆ มีการใช้เหตุผลแบบเอเจนต์ที่ซับซ้อนเกินกว่าจะคัดลอกได้ง่ายๆ

ประเด็นเรื่องความปลอดภัยก็สำคัญ โมเดลเปิดเมื่อแจกจ่ายออกไปแล้ว การควบคุมไม่ให้ถูกเอาไปใช้ในทางที่ผิดนั้นทำได้ยาก แตกต่างจากค่ายปิดที่มีระบบควบคุมขอบเขตการใช้งานอย่างชัดเจนก่อนส่งถึงมือผู้ใช้

โมเดลปิดลงทุนด้วยงบจำนวนมากเพื่อควบคุมความปลอดภัยและขอบเขตการทำงาน ในขณะที่โมเดลเปิดต้องเผชิญกับมาตรฐานความปลอดภัยที่แกว่งไปมา

บทวิเคราะห์: ทำไมการลงขันถึงจำเป็นสำหรับคนใช้งานทั่วไป

ผมมองว่าโมเดลปิดจะยังคงเป็นเบอร์หนึ่งในแง่ของความเก่งที่สุด (Frontier) ไปอีกยาวนาน บริษัทที่มีเงินทุนล้นมือและมีระบบพร้อมทั้งชิปและซอฟต์แวร์ ยังไงก็วิ่งเร็วกว่า

แต่ธุรกิจส่วนใหญ่ไม่ได้ต้องการ AI ที่เก่งที่สุดในโลกมาใช้กับทุกงาน

ตลาดต้องการความคุ้มค่าและความเป็นส่วนตัวมากกว่า

การนำโมเดลเปิดมาตั้งเซิร์ฟเวอร์รันเองช่วยลดต้นทุนลงได้ถึง 90% เมื่อเทียบกับการเช่าใช้ API ของค่ายใหญ่ องค์กรที่มีการใช้งานสูงระดับพันล้านโทเคนต่อเดือน จะประหยัดค่าใช้จ่ายได้ 5-10 เท่า

ประเด็นที่ใหญ่กว่าเรื่องเงินคือ ความเป็นเจ้าของข้อมูล (Data Sovereignty) องค์กรด้านสาธารณสุข การเงิน หรือหน่วยงานความมั่นคง ไม่มีทางยอมส่งข้อมูลความลับไปประมวลผลบนระบบของคนอื่น พวกเขาต้องการโมเดลที่รันจบและเก็บข้อมูลไว้ในบ้านตัวเอง

สรุปสั้นๆ คือเราขาดโมเดลเปิดไม่ได้ และเมื่อต้นทุนสูงขึ้นเรื่อยๆ สมาคมการลงขันคือทางออกเดียวที่จะทำให้องค์กรทั่วไปมี AI ใช้โดยไม่ต้องยอมจำนนต่อบริษัทเทคแค่ไม่กี่แห่ง

โอกาสทองซ่อนอยู่ในโมเดลขนาดเล็ก

Lambert นำเสนออีกมุมมองที่ผมว่าตรงจุดมาก เขาบอกว่าโอกาสที่แท้จริงของโมเดลเปิด อาจไม่ได้อยู่ที่การพยายามแข่งเอาชนะโมเดลปิดในทุกเรื่อง

เขาแบ่งโมเดลออกเป็น 3 ระดับ คือ โมเดลปิดระดับแนวหน้า โมเดลเปิดระดับแนวหน้า และโมเดลเปิดขนาดเล็กแบบเฉพาะทาง

กลุ่มที่น่าจับตามองที่สุดคือโมเดลเปิดขนาดเล็กครับ

งานซ้ำๆ ในองค์กรส่วนใหญ่ แค่ใช้โมเดลขนาดเล็กที่ปรับแต่งมาเฉพาะทาง ก็ทำงานเร็วขึ้น 10 เท่า และประหยัดต้นทุนไปได้ถึง 100 เท่าเมื่อเทียบกับโมเดลตัวท็อป

ต่อให้โมเดลเปิดจะยังคงตามหลังโมเดลปิดในแง่ของความฉลาดล้ำลึก แต่มันจะกลายเป็นเครื่องมือที่ใช้งานได้จริง เข้าถึงง่าย และสร้างความเปลี่ยนแปลงให้ระบบงานพื้นฐานของทุกบริษัท

ทางเลือกที่เราต้องตัดสินใจ

อุตสาหกรรม AI เติบโตมาถึงจุดที่ค่าใช้จ่ายสูงเกินกว่าใครคนใดคนหนึ่งจะแบกรับไว้คนเดียว

ถ้าเราหวังพึ่งให้บริษัทเอกชนยอมขาดทุนแจกโมเดลฟรีต่อไปเรื่อยๆ วันหนึ่งเขาอาจจะหยุดทำ หรือเปลี่ยนรูปแบบเป็นเก็บเงินแพงๆ

การสร้าง Open Model Consortium หรือสมาคมลงขันร่วมกัน จึงเป็นวิธีแก้ปัญหาทางเศรษฐศาสตร์ที่เข้าท่าที่สุด มันคือการแชร์ค่าใช้จ่ายเพื่อให้ทุกคนได้ใช้ประโยชน์ร่วมกัน เหมือนที่เราเคยร่วมกันสร้างอินเทอร์เน็ตหรือระบบปฏิบัติการแบบเปิดให้สำเร็จมาแล้ว

ส่วนตัวผมแล้ว การลงทุนระดมทุนสร้างโมเดลระดับแนวหน้า ไม่ใช่เรื่องของการกุศล แต่เป็นความจำเป็น ถ้าเราอยากเห็นเทคโนโลยีนี้กระจายไปถึงมือทุกคนอย่างเท่าเทียม เราต้องมีตัวเลือกสำรองเอาไว้เสมอ

การดิ้นรนเพื่อรักษาโมเดลเปิดเอาไว้ ไม่ใช่เรื่องของอุดมการณ์ แต่มันคือการรักษาสิทธิ์ไม่ให้ใครผูกขาดเทคโนโลยีที่เป็นโครงสร้างพื้นฐานของอนาคต

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