ความจริงที่ซ่อนอยู่ใต้พาดหัว: โมเดลเล็กทำงาน โมเดลยักษ์เด่นข่าว
โมเดล AI ขนาดเล็กคือแบบจำลองปัญญาประดิษฐ์ที่มีจำนวนพารามิเตอร์จำกัด มักอยู่ระดับหลักร้อยล้านถึงหนึ่งพันล้านพารามิเตอร์ หรือรุ่นสร้างข้อความที่ไม่เกินราวสี่สิบพันล้านพารามิเตอร์ ถูกออกแบบให้ทำงานเฉพาะด้าน เช่น การฝังความหมาย การจัดอันดับเอกสาร การดึงข้อมูลเชิงโครงสร้าง หรือการรู้จำตัวอักษรภาพสแกน โดยแลกการคิดเชิงเหตุผลขั้นสูงกับความเร็วและต้นทุนการประมวลผลที่ต่ำกว่าโมเดลขนาดใหญ่หลายเท่า ขณะที่ข่าวเทคโนโลยีเต็มไปด้วยการเปิดตัวโมเดล frontier LLM รุ่นใหม่แทบทุกไม่กี่สัปดาห์ พร้อมตารางจัดอันดับและคำสัญญาว่าจะเปลี่ยนโลก งานเบื้องหลังในระบบเอเยนต์ AI ส่วนใหญ่กลับไม่ได้ไปจบที่โมเดลยักษ์เหล่านั้น แต่ถูกแบ่งให้โมเดล specialized AI ขนาดเล็กและเปิดน้ำหนักเป็นผู้รับผิดชอบ ตั้งแต่การฝังเวกเตอร์ การจัดอันดับ ไปจนถึงการดึง entity จากเอกสารจำนวนมาก ประโยคที่ควรถูกอ้างถึงคือว่า ในเอเยนต์หนึ่งรอบ การสร้างข้อความด้วยโมเดล frontier เกิดขึ้นไม่กี่ครั้ง แต่กระบวนการค้นคืน จัดอันดับ และดึงข้อมูลเกิดซ้ำตลอดเวลา และนั่นคือพื้นที่ที่โมเดลเล็กทำงานหนักที่สุด
ประสิทธิภาพ AI ในสนามจริง: ทำไมโมเดลเล็กคุ้มกว่า
เมื่อลองผ่ากายวิภาคการทำงานของเอเยนต์ AI หนึ่งรอบกับงานเอกสารจำนวนมาก จะเห็นว่าการสร้างคำตอบด้วยโมเดล frontier LLM เกิดเพียงหนึ่งถึงสองครั้ง แต่การฝังเวกเตอร์ของข้อความใหม่ การจัดอันดับผลค้นหา และการดึงค่าต่างๆ จากเอกสารเกิดทุกชิ้น ทุกรอบ งานที่ขยายตามปริมาณการใช้งานไม่ได้อยู่ที่การสร้างข้อความ แต่อยู่ที่การอนุมานซ้ำๆ ปริมาณสูง ซึ่งเป็นจุดแข็งของโมเดล AI ขนาดเล็ก โมเดล specialized AI ที่มีขนาดราว 100M ถึง 1B พารามิเตอร์สำหรับงานฝังความหมาย จัดอันดับ และดึงข้อมูล หรือรุ่นสร้างข้อความที่ยังรันบนการ์ดจอเพียงใบเดียวได้ ถูกออกแบบมาให้มีประสิทธิภาพ AI สูงในมิติความเร็วและต้นทุนต่อคำร้องขอ โดยยังให้คุณภาพใกล้เคียงบริการ frontier โมเดลที่โฮสต์ผ่านเอพีไอในหลายงานมาตรฐาน ผลคือ สำหรับงานปริมาณมาก โมเดลเล็กมักให้ความคุ้มค่าที่ดีกว่าอย่างชัดเจน และกลายเป็นตัวแปรสำคัญบนใบแจ้งค่าใช้จ่ายโครงสร้างพื้นฐาน
เมื่อหลายตระกูลโมเดลคิดต่างร่วมโต๊ะเดียวกัน
แม้บทความนี้จะยืนข้างโมเดล AI ขนาดเล็ก แต่ไม่ได้แปลว่าโมเดล frontier LLM หมดความหมาย กลับกัน แนวโน้มใหม่คือการให้โมเดลหลายตระกูล ทั้งเล็กและใหญ่คิดร่วมกันเพื่อเปิดโปงสมมติฐานที่แอบซ่อนอยู่ในปัญหา หนึ่งตัวอย่างคือทักษะ Concilium ที่เปิดให้ใช้งานผ่านมาร์เก็ตเพลสปลั๊กอินของแพลตฟอร์มโค้ด และมีซอร์สโค้ดสาธารณะบน GitHub แนวคิดคือปล่อยให้โมเดล frontier หลายตัวจากผู้ให้บริการต่างกันตีความปัญหาอย่างอิสระ ตั้งกรอบ คัดหลักฐาน และชี้จุดไม่แน่นอนด้วยมุมมองของตัวเอง จากนั้นระบบ orchestration จะไม่เพียงลงคะแนนเสียง แต่บังคับให้ตรวจสอบว่าเหตุใดแต่ละโมเดลจึงไม่เห็นพ้องกัน ความไม่เห็นด้วยกลายเป็นแผนที่ของสมมติฐานที่ต่างกัน ซึ่งถูกบันทึกแนบไปกับผลลัพธ์สุดท้ายว่า สมมติฐานใดถูกปฏิเสธและด้วยเหตุผลอะไร รูปแบบนี้ชี้ให้เห็นทิศทางสำคัญของ AI ในการประยุกต์ใช้ คือการผสมผสานโมเดลหลายแบบเพื่อยกระดับการตัดสินใจ แทนการหวังพึ่งเพียงโมเดลยักษ์ตัวเดียว
โมเดล specialized AI ในโดเมนลึก: จากจีโนมสู่ฟิสิกส์
นอกเหนือจากงานเอเยนต์ทั่วไป โมเดล specialized AI ขนาดเล็กในโดเมนลึก เช่น จีโนมิกส์หรือการจำลองฟิสิกส์ กำลังช่วยตอบคำถามว่าโมเดลเรียนรู้อะไรจริง และมีอคติจากการทดลองซ่อนอยู่หรือไม่ นักวิจัยจากสถาบันวิจัยทางการแพทย์ Stowers สร้างวิธีอธิบายผลชื่อ PISA เพื่อแสดงแบบฐานต่อฐานว่าโมเดลเรียนรู้รูปแบบใดจากดีเอ็นเอ และใช้เพื่อลบอคติจากข้อมูลจีโนม PISA ซึ่งทำงานบนกรอบ BPReveal จะติดตามการทำนายของโมเดลที่ตำแหน่งจีโนมหนึ่งกลับไปยังทุกเบสที่มีอิทธิพลต่อการทำนายนั้น จนได้แผนที่สองมิติความละเอียดระดับเบสเดียวที่บอกชัดว่าโมเดลเรียนรู้อะไร ไม่ใช่เพียงคาดการณ์อะไร เมื่อใช้กับข้อมูล MNase‑seq ทีมวิจัยพบว่าสัญญาณจากความชอบของเอนไซม์ทดลองและสัญญาณชีววิทยาทับซ้อนกัน โมเดลดึงทั้งคู่ไปใช้ จึงฝึกโมเดลแยกเฉพาะอคติจากเอนไซม์แล้วลบออก เหลือโมเดลอีกตัวที่เรียนรู้เฉพาะชีววิทยาเท่านั้น เบื้องหลังคือโจทย์เร่งด่วนในจีโนมิกส์ที่ส่วนใหญ่ของความแปรปรวนทางพันธุกรรมที่เกี่ยวข้องกับโรคอยู่ในดีเอ็นเอบริเวณควบคุม ไม่ใช่ในยีนโดยตรง และการวางตัวแปรเพียงแค่ในตำแหน่งจับโปรตีนยังไม่เพียงพอในการพัฒนายาใหม่
ตลาดกำลังเทน้ำหนักให้โมเดลเล็ก ไม่ใช่โมเดลใหญ่ที่สุด
ภาพรวมวันนี้คือพาดหัวข่าวยังหมุนรอบโมเดล frontier LLM รุ่นใหม่ แต่ส่วนใหญ่ของโมเดลที่ทำงานหนักในสแตก AI กลับเป็นโมเดลเล็กเฉพาะทางและเปิดน้ำหนัก สำหรับงานปริมาณสูงที่เอเยนต์ทำซ้ำ เช่น การฝังเวกเตอร์ การจัดอันดับ การดึงข้อมูล หรือ OCR โมเดล AI ขนาดเล็กให้ทั้งประสิทธิภาพ AI และความคุ้มค่าพอจะทดแทนการเรียกใช้ frontier LLM ได้ในหลายกรณี แน่นอน โมเดล frontier ยังชนะบนโจทย์ที่ต้องการการให้เหตุผลเชิงสร้างสรรค์ระดับยากที่สุด และบริการเอพีไอยังเหมาะกับกรณีที่ปริมาณการใช้งานผันผวนหรือทีมไม่ต้องการดูแลโครงสร้างพื้นฐานเอง แต่เมื่อตลาดตระหนักว่าฮาร์ดแวร์สมัยนี้เพียงการ์ดจอใบเดียวก็รันโมเดลเล็กจำนวนมากได้ ปัญหาจริงจึงเหลือแค่ชั้นการให้บริการ ข้อสรุปเชิงความเห็นคือ บริษัทที่ยังไล่ตามโมเดลใหญ่ที่สุดเป็นหลักกำลังเสี่ยงเสียโอกาส เพราะทิศทางที่มีเหตุผลเชิงธุรกิจมากกว่าคือการออกแบบสแตก AI ให้ใช้โมเดล specialized AI ขนาดเล็กเป็นฐาน แล้วค่อยเรียก frontier LLM เมื่อจำเป็นจริง
