โมเดล AI ขนาดเล็กคืออะไร และทำไมธุรกิจเล็กควรสนใจ
โมเดล AI ขนาดเล็กคือโมเดลปัญญาประดิษฐ์ที่ใช้จำนวนพารามิเตอร์ต่ำกว่ารุ่นหลักหลายเท่า แต่ได้รับการออกแบบด้านสถาปัตยกรรมและกระบวนการคิดภายในให้มีประสิทธิภาพสูง จนสามารถให้คุณภาพการให้เหตุผลใกล้เคียงโมเดลระดับท็อป ในขณะที่ใช้ทรัพยากรคอมพิวต์และโทเคนต่ำกว่ามาก ทำให้ต้นทุน AI ลดลงจนธุรกิจเล็กและ AI เริ่มกลายเป็นคู่หูที่เป็นไปได้จริง ไม่ใช่แค่ความฝันขององค์กรยักษ์เพียงไม่กี่ราย
กรณีของ Pathway ที่เผยผลทดสอบโมเดลให้เหตุผล BDH-CQ ขนาดเพียง 150M พารามิเตอร์ ซึ่งทำคะแนนได้ 29.5% pass@2 บนชุดทดสอบ ARC-AGI-1คือสัญญาณชัดว่า สมมติฐาน “ยิ่งใหญ่ยิ่งฉลาด” ในวงการ AI เริ่มสั่นคลอน โมเดล AI ขนาดเล็กนี้มีต้นทุนอินเฟอเรนซ์ต่อหนึ่งงานต่ำกว่ารุ่น Luna ที่อยู่เบื้องหลัง ChatGPT ถึงราว 11 เท่า ในขณะที่คะแนนทดสอบห่างกันเพียงไม่กี่เปอร์เซ็นต์ สำหรับผู้ประกอบการ นี่ไม่ใช่แค่ตัวเลขในงานวิจัย แต่คือหลักฐานว่าพื้นที่ของ AI คุณภาพดีราคาจับต้องได้กำลังเปิดกว้างขึ้น
จาก “ยิ่งใช้โทเคนมากยิ่งดี” สู่ยุคที่ประสิทธิภาพโมเดลสำคัญกว่า
ช่วงไม่กี่ปีก่อน แนวคิดที่ครองกระแสคือการ “เผาโทเคน” ให้เต็มที่กับ agent และโมเดลใหญ่เพื่อวิ่งหาความสามารถระดับอนาคต กรรมการผู้จัดการหนึ่งรายถึงขั้นสนับสนุนให้ผู้ก่อตั้งโหลดโทเคนระดับหลายแสนในแต่ละงาน โดยมองว่าการทดลองหนักๆ ตอนนี้จะทำให้บริษัทเหมือนได้ใช้เทคโนโลยีจากอนาคตล่วงหน้า และค่อยแปลงขั้นตอนที่เวิร์กให้เป็นชุดคำสั่งแบบไฟล์ markdown เพื่อใช้ซ้ำในภายหลัง โดยอธิบายว่า “ไฟล์ markdown คือพนักงานคนหนึ่ง” เพราะสามารถทำงานซ้ำได้เท่าไรก็ได้โดยไม่หลุดมาตรฐาน
แต่แนวคิด tokenmaxxing เริ่มถูกตั้งคำถามมากขึ้น เมื่อผู้บริหารเทคโนโลยีของบริษัทใหญ่รายหนึ่งชี้ว่าเรากำลังก้าวสู่ยุคใหม่ที่ไม่ได้วัดกันที่ใครใช้โทเคนมากที่สุด แต่เป็นใครใช้โทเคนได้คุ้มค่าที่สุด นี่คือจุดที่ประสิทธิภาพโมเดลกลายเป็นหัวใจ ไม่ใช่เพียงขนาดหรือจำนวนโทเคนที่ใช้ โมเดล AI ขนาดเล็กอย่าง BDH-CQ แสดงให้เห็นว่าการออกแบบสถาปัตยกรรมที่คิดเรื่องการใช้โทเคนตั้งแต่แรก สามารถให้เหตุผลได้ดีในต้นทุนต่ำ ตรงข้ามกับแนวคิด “ยัดโทเคนให้เยอะไว้ก่อน” ที่ทำให้ต้นทุนบานปลายและกันธุรกิจเล็กออกจากสนามแข่งขัน
ทำไมการไม่ “คิดออกเสียง” จึงทำให้ต้นทุน AI ลดลงได้หลายเท่า
หัวใจที่ทำให้โมเดล AI ขนาดเล็กสามารถแข่งได้ไม่ใช่เวทมนตร์ แต่เป็นการเปลี่ยนวิธีคิดเกี่ยวกับ “ต้นทุนการให้เหตุผล” ทุกวันนี้หลายระบบ AI ให้เหตุผลด้วยการสร้างข้อความอธิบายยาวๆ ระหว่างคิด เพิ่มโทเคนทีละตัวก่อนตอบจริง ซึ่งหมายความว่ายิ่งโมเดล “คิดออกเสียง” นานเท่าไร ต้นทุนและเวลาในการตอบก็ยิ่งพุ่งสูงขึ้นตาม
BDH-CQ เลือกเดินคนละทาง โดยให้โมเดลแก้ปัญหาอยู่ภายในหน่วยความจำของตัวเอง แทนการพิมพ์กระบวนการคิดออกมาเป็นข้อความให้ผู้ใช้เห็น แนวทางนี้ทำให้ลดโทเคนที่ใช้ลงได้มากโดยที่ความสามารถในการให้เหตุผลยังอยู่ในระดับแข่งกับรุ่นใหญ่ได้ ในการทดสอบกับ ARC-AGI-1 โมเดล Luna ได้คะแนน 34.2% แต่มีต้นทุนต่อหนึ่งงานสูงกว่าอย่างชัดเจน ทั้งที่ผ่านการปรับลดราคาแล้ว ขณะที่ BDH-CQ ใช้ค่าใช้จ่ายต่ำกว่าราว 11 เท่า แต่ยังคว้าคะแนนใกล้เคียง เหตุการณ์นี้ชี้ว่า “ค่าใช้จ่ายด้านโทเคน” ไม่ได้เป็นกฎธรรมชาติของความฉลาด แต่อยู่ที่การออกแบบสถาปัตยกรรมเป็นหลัก
เศรษฐศาสตร์ใหม่ของ AI: จากขนาดสู่ประสิทธิภาพ และผลสะเทือนต่อธุรกิจเล็ก
Zuzanna Stamirowska ซีอีโอของ Pathway สรุปได้ตรงว่า ทุกวันนี้ AI ต้องจ่ายต้นทุนโทเคนแพงเพื่อให้เหตุผล แต่นั่นเป็นผลจากสถาปัตยกรรม ไม่ใช่กฎของสติปัญญา ขณะที่หนึ่งในผู้เขียน Transformer ดั้งเดิมอย่าง Łukasz Kaiser ก็เน้นว่า สถาปัตยกรรมของโมเดลไม่ใช่แค่ขนาด สามารถเป็นตัวขับเคลื่อนการก้าวกระโดดครั้งต่อไปของการให้เหตุผลด้วย AI ได้ เมื่อรวมกับเสียงจากผู้บริหารระดับสูงที่ประกาศว่าเฟสถัดไปของวงการจะไม่ได้วัดกันที่ใครเผาโทเคนมากที่สุด แต่ที่การใช้ให้คุ้มที่สุด เราจะเห็นภาพชัดว่าเศรษฐศาสตร์ของ AI กำลังถูกเขียนใหม่ให้ขับเคลื่อนด้วยประสิทธิภาพเป็นหลัก
ในมุมของธุรกิจเล็กและ AI การเปลี่ยนสมการนี้สำคัญมาก เมื่อความได้เปรียบไม่ได้ผูกอยู่กับการมีงบโครงสร้างพื้นฐานระดับมหาศาลอีกต่อไป แต่ขึ้นกับว่าใครเลือกโมเดลและออกแบบเวิร์กโฟลว์ให้ใช้โทเคนอย่างมีเหตุผล โมเดลจาก Pathway แสดงแนวโน้มว่า ผลประโยชน์ต่อหนึ่งหน่วยต้นทุนสามารถเพิ่มขึ้นได้อย่างชัดเจน และบริษัทยังวางแผนขยายแนวทางนี้ไปยังโจทย์ยากขึ้นทั้งด้านคณิตศาสตร์ ARC-AGI-2 และ ARC-AGI-3 หากแนวโน้มนี้ต่อเนื่อง เกม AI ในอนาคตจะเปิดโอกาสให้ผู้เล่นตัวเล็กที่กล้าโฟกัสที่ประสิทธิภาพโมเดลแทนการล่าโมเดลยักษ์
ข้อคิดเชิงปฏิบัติ: วิสัยทัศน์ AI สำหรับผู้ประกอบการยุคประสิทธิภาพเป็นตัวตั้ง
ข้อสรุปสำคัญจากการเกิดขึ้นของโมเดล AI ขนาดเล็กอย่าง BDH-CQ ไม่ใช่แค่ว่า “ของเล็กก็ฉลาดได้” แต่คือการบังคับให้ผู้บริหารทบทวนยุทธศาสตร์ AI ทั้งหมด แนวทาง tokenmaxxing ยังมีที่ทางในระยะทดลอง เข้มข้น และมีงบถึง โดยเฉพาะเมื่อเป้าหมายคือการค้นหาเวิร์กโฟลว์ที่ดีที่สุด แล้วบันทึกออกมาเป็น “ไฟล์พนักงาน” ที่โมเดลทำซ้ำได้ แต่เมื่อขยับเข้าระยะ production การยึดติดกับโมเดลยักษ์ที่ใช้โทเคนไม่อั้นไม่เพียงแพงเกินไป แต่ยังเปิดช่องให้คู่แข่งที่ใช้โมเดล AI ขนาดเล็กและมีประสิทธิภาพโมเดลสูงกว่าอ้อมแซง
ทางเลือกที่สมเหตุสมผลคือผสมผสานสองโลก: ใช้โมเดลใหญ่ในเฟสออกแบบและค้นหากระบวนการ แล้วค่อยย้ายมาใช้โมเดล AI ขนาดเล็กและสถาปัตยกรรมที่ไม่ “คิดออกเสียง” สำหรับงานประจำที่ต้องควบคุมต้นทุน การเคลื่อนจากยุค “ใหญ่กว่า ฉลาดกว่า” ไปสู่ยุค “คุ้มค่ากว่า ฉลาดพอ” กำลังเกิดขึ้นต่อหน้าตา คำถามสำคัญจึงไม่ใช่ว่าธุรกิจเล็กพร้อมหรือไม่จะใช้ AI แต่คือพร้อมแค่ไหนที่จะคิดแบบสถาปนิกประสิทธิภาพ แทนที่จะคิดแบบนักล่าโมเดลยักษ์ที่ใช้เงินถม
