จากยุคโมเดลยักษ์ สู่ยุคโมเดล AI ขนาดเล็กที่ใช้การได้จริง
โมเดล AI ขนาดเล็ก คือโมเดลปัญญาประดิษฐ์ที่มีจำนวนพารามิเตอร์น้อยกว่าโมเดลชั้นนำขนาดใหญ่หลายร้อยเท่า แต่ถูกออกแบบและฝึกให้ทำงานเฉพาะด้านได้อย่างมีประสิทธิภาพใกล้เคียงหรือใกล้แตะระดับเดียวกัน ขณะที่ใช้ทรัพยากรประมวลผลน้อยกว่า ประหยัดต้นทุน AI มากกว่า และเอื้อต่อการปรับใช้ AI ท้องถิ่นภายในองค์กรหรือบนอุปกรณ์ของผู้ใช้โดยไม่ต้องพึ่งพาเมฆแบบเต็มตัว การเปลี่ยนขั้วกำลังเกิดขึ้นต่อหน้าเรา งานวิจัยของ Eddie AI แสดงให้เห็นว่าโมเดลนักเรียนขนาด 9 พันล้านพารามิเตอร์สามารถเรียนจากโมเดลครูระดับ 2.8 ล้านล้านพารามิเตอร์และไล่ทันในงานตัดต่อเฉพาะด้านได้ใกล้เคียงมาก ขณะเดียวกัน DeepSeek ก็ออก LLM รุ่นใหม่ที่อ่านภาพได้โดยยังคงโครงสร้างแบบประหยัดทรัพยากรเดิมไว้ แนวโน้มนี้ส่งสัญญาณชัดว่า การแข่งขันประสิทธิภาพ LLM ต่อจากนี้จะไม่วัดกันที่ “ใหญ่แค่ไหน” แต่อยู่ที่ “คมแค่ไหนต่อหนึ่งหน่วยต้นทุน”
DeepSeek V4 Flash Vision Exp เพิ่มตาให้โมเดลเล็ก โดยไม่เพิ่มภาระค่าใช้จ่าย
DeepSeek เปิดตัว DeepSeek-V4-Flash-Vision-Exp ซึ่งเป็น LLM แบบอ่านภาพได้ หลังจากเวอร์ชัน 4 เดิมรองรับเฉพาะข้อความ จุดน่าสนใจไม่ใช่แค่การเติมความสามารถด้านภาพ แต่คือการทำให้โมเดลยังคงเป็นสาย “Flash” ที่เน้นความเร็วและการประหยัดต้นทุน AI อยู่เหมือนเดิม ผู้พัฒนาเผยว่าโมเดลใหม่นี้ยกระดับคะแนนด้านการเขียนโปรแกรมขึ้นอย่างมีนัยสำคัญ พร้อมทั้งอ่านภาพได้ในตัว ทำให้ผู้ใช้สามารถเลือกใช้โมเดลเดียวแทนหลายตัวในงานจริง และถูกวางให้เป็นตัวเลือกทดแทน DeepSeek-V4-Flash รุ่นเดิมได้ เพราะราคาค่าใช้งานเท่าเดิมทุกประการ การปรับโครงสร้างราคายังไปต่อด้วยการเพิ่มช่วงลดราคาค่า API ในวันเสาร์อาทิตย์ หลังจากเคยประกาศขึ้นราคาไปก่อนหน้า รูปแบบคิดค่าใช้จ่ายลักษณะนี้ทำให้ผู้พัฒนาสามารถวางแผนรันงานหนักช่วงนอกเวลาทำการ ลดความกังวลเรื่องบิลพุ่ง และเปิดโอกาสให้ทีมเล็กทดลองฟีเจอร์ AI ที่ซับซ้อนมากขึ้น
กรณีศึกษา Eddie AI 9B ชนะใจผู้ตัดต่อ ครึ่งหนึ่งของโมเดลยักษ์
Eddie AI เปิดเผยงานวิจัยต้นทางที่ใช้โมเดลเปิดขนาด 9 พันล้านพารามิเตอร์ฝึกให้ค้นหา “เรื่องราว” จากฟุตเทจดิบ โดยให้โมเดลยักษ์ Kimi K3 ขนาด 2.8 ล้านล้านพารามิเตอร์เป็นครู ผลที่ได้คือ โมเดลเล็กเวอร์ชันปรับแต่งแล้วถูกผู้ประเมินเลือกให้ดีกว่า Kimi K3 ในการเปรียบเทียบแบบตัวต่อตัวถึง 47% ของเคส แม้ยังไม่ถึงจุดเท่าเทียม 50% แต่เมื่อมองช่องว่างขนาดโมเดลที่ต่างกันกว่า 300 เท่า ค่าเปอร์เซ็นต์นี้จึงมีน้ำหนักทางปฏิบัติสูงมาก สิ่งที่พลิกเกมคือ แนวทางฝึก ไม่ใช่แค่เพิ่มข้อมูล คราวแรกโมเดล 9B ชนะเพียงประมาณ 10% จากนั้นเมื่อฝึกบน reasoning traces ของ Kimi ผ่านเทคนิค LoRA ตัวเลขขยับเป็นราว 32% ก่อนจะพุ่งไปแตะ 47% เมื่อทีมงานคัดเลือกเส้นทางการให้เหตุผลที่ดีกว่าเพื่อใช้สอนซ้ำ นี่คือกรณีชัดเจนที่แสดงว่า ประสิทธิภาพ LLM ไม่ได้ผูกติดกับขนาดเพียงอย่างเดียว แต่ขึ้นอยู่กับวิธีคัดและกลั่นตัวอย่างการคิดของครูด้วย
ทำไมโมเดลเล็กจึงสำคัญต่อการปรับใช้ AI ท้องถิ่นและความเป็นส่วนตัว
หัวใจของเรื่องนี้คือการปรับใช้ AI ท้องถิ่น โมเดล 9B ของ Eddie AI ถูกระบุว่ายังเล็กพอจะรันบน GPU เดียวที่เข้าถึงได้ทั่วไป โดยไม่ต้องใช้คลัสเตอร์ขนาดใหญ่ เมื่อนำมาใช้งานด้านโพสต์โปรดักชัน นั่นหมายถึงองค์กรมืออาชีพสามารถประมวลผลฟุตเทจที่อ่อนไหวภายในระบบของตนเอง โดยไม่ต้องส่งขึ้นคลาวด์ ซึ่งสำคัญกับผู้ถือสิทธิ์กีฬา สถานีโทรทัศน์ เอเจนซีที่อยู่ภายใต้ NDA หรือโปรดักชันที่ถูกจำกัดการใช้บริการเมฆ นอกจากนั้น การที่ reasoning trace ของโมเดลนักเรียนสั้นลงราว 30% ใน checkpoint ที่ดีที่สุด ยังช่วยลดค่าใช้จ่ายต่อครั้งที่รันโมเดลและเพิ่มความเร็วตอบสนองในงานจริง ในทางปฏิบัติ นี่คือการเพิ่มประสิทธิภาพ LLM แบบสองชั้น คือทั้งคุณภาพผลลัพธ์และต้นทุนการประมวลผลต่อคำสั่ง ลดข้อจำกัดการใช้งานให้กับสตูดิโอเล็ก ทีมครีเอเตอร์ และสตาร์ทอัปที่ไม่พร้อมลงทุนโครงสร้างพื้นฐานขนาดใหญ่
อนาคตใกล้ที่ AI เก่งขึ้นแต่เล็กลง เข้าถึงได้มากขึ้น
แม้ Eddie AI ยังย้ำชัดว่างานวิจัยนี้ยังไม่ใช่สินค้า ไม่มีวันวางจำหน่าย ราคา หรือเวอร์ชัน on‑premises อย่างเป็นทางการ แต่เป้าหมายระยะยาวที่วาดไว้ชัดเจนมาก คือการสร้างโมเดลที่เข้าใจสื่อ เรียนรู้ “ภาษาตัดต่อ” ของผู้สร้าง จำสไตล์การเลือก B‑roll รักษาความต่อเนื่องของภาพ และสุดท้ายขยายไปถึงดนตรีและโมชั่นกราฟิก ขณะที่ DeepSeek ก็เดินหน้าปรับโมเดลและโครงสร้างค่า API ให้ตอบโจทย์การใช้งานในชีวิตจริงมากขึ้น เช่นแนวคิดลดราคาช่วงวันหยุด ภาพรวมแล้วทิศทางกำลังกลับด้าน จากคำถามว่า “ทำโมเดลใหญ่กว่านี้ได้อีกแค่ไหน” ไปสู่ “ทำให้โมเดลเล็กพอใช้ในพื้นที่ของลูกค้าได้โดยไม่เสียคุณภาพอย่างไร” โมเดล AI ขนาดเล็กที่มีประสิทธิภาพ LLM สูงกำลังทำให้ AI ชั้นสูงไม่ใช่ของเล่นเฉพาะองค์กรยักษ์ แต่เป็นเครื่องมือที่ทีมเล็กและนักพัฒนาอิสระสามารถนำไปต่อยอดงานสร้างสรรค์เฉพาะทางได้เองอย่างมีอิสระและควบคุมข้อมูลได้มากขึ้น
