ดูเหมือนว่าสไลด์นำเสนอของคณะกรรมการบริหารในทุกองค์กรตอนนี้จะมีวาระเรื่อง AI อยู่เสมอ บริษัทต่างๆ กำลังป้อนข้อมูลบันทึกของลูกค้า เอกสารกลยุทธ์ภายใน และการวิเคราะห์ที่เป็นกรรมสิทธิ์เข้าสู่โมเดลภาษาขนาดใหญ่ด้วยความเร็วที่หากเป็นเมื่อสามปีก่อนคงจะดูเป็นการกระทำที่ประมาทเลินเล่อ ข้อมูลส่วนใหญ่ไหลเข้าสู่ระบบแบบปิด (closed-source) ซึ่งมีความสะดวก ทรงพลัง และมีผู้ให้บริการอื่นเป็นผู้ดูแลระบบให้ Arthur Mensch ผู้ก่อตั้ง Mistral AI คิดว่าความสะดวกสบายนี้มี "ภาษีแฝง" ที่อาจมีมูลค่าสูงกว่าค่าธรรมเนียมการสมัครสมาชิกใดๆ
Mensch ได้ออกมาเตือนถึงอันตรายเฉพาะอย่างหนึ่ง นั่นคือ เมื่อคุณดำเนินธุรกิจผ่านโมเดลที่เป็นกรรมสิทธิ์ คุณไม่ได้เพียงแค่เช่าพลังในการประมวลผล (compute) เท่านั้น แต่คุณกำลังมอบแผนที่รายละเอียดการดำเนินงานของคุณให้กับห้องแล็บที่เป็นผู้สร้างโมเดลนั้นขึ้นมา ผู้ให้บริการเหล่านี้จัดเก็บข้อมูลการปฏิสัมพันธ์กับลูกค้าในปริมาณมหาศาลเพื่อนำไปปรับปรุงระบบของตน และเมื่อเวลาผ่านไป ข้อมูลเหล่านั้นจะเผยให้เห็นรูปแบบต่างๆ พวกเขาจะเห็นว่าคุณตั้งราคาสินค้าอย่างไร แบ่งกลุ่มลูกค้าอย่างไร ระบุความเสี่ยงอย่างไร และมองหาโอกาสอย่างไร Mensch เตือนว่าห้องแล็บบางแห่งได้แสดงความเต็มใจที่จะใช้ข้อมูลอัจฉริยะเหล่านี้เพื่อมุ่งเป้าไปยังลูกค้าของตนเอง โดยจะเข้าสู่ตลาดทันทีที่พวกเขาเข้าใจอย่างถ่องแท้ว่ากำไรอยู่ที่ไหน
คำแนะนำของเขาตรงไปตรงมาว่า "ถ้ามันไม่ได้อยู่ในมือคุณ มันก็จะไม่ใช่การเติบโตของคุณ" วิธีแก้ไขที่เขาเสนอคืออธิปไตย (sovereignty): การย้ายข้อมูลเข้าสู่ระบบแบบเปิด การบังคับใช้กฎการเข้าถึงที่เข้มงวด และการลงทุนในกระบวนการฝึกฝนโมเดล (training pipelines) ที่เป็นกรรมสิทธิ์ของตนเอง นี่ไม่ใช่จินตนาการที่เกิดจากความระแวง แต่มันคือความปลอดภัยของห่วงโซ่อุปทาน (supply-chain security) ที่นำมาประยุกต์ใช้กับกระบวนการทางปัญญา (cognition) คุณคงไม่มอบพิมพ์เขียวโรงงานให้กับซัพพลายเออร์ Mensch จึงแย้งว่าคุณก็ไม่ควรส่งมอบสิ่งที่เทียบเท่ากับคู่มือการดำเนินงานขององค์กร (institutional playbook) ให้กับผู้ให้บริการ AI ของคุณเช่นกัน
ทำไม Model Weights ถึงเป็นความทรงจำขององค์กร
แนวคิดนี้ได้รับการสนับสนุนจากมุมที่ไม่คาดคิดในอุตสาหกรรมเทคโนโลยี Alex Karp ซีอีโอของ Palantir ได้สรุปประเด็นนี้ด้วยวลีที่กำลังแพร่หลายในแวดวงการป้องกันประเทศและการเงินว่า "การควบคุม weights ของคุณ คือการควบคุมโชคชะตาของคุณ"
เพื่อให้เข้าใจว่าทำไมเรื่องนี้ถึงสำคัญ ให้ลองนึกดูว่า model weights แท้จริงแล้วคืออะไร ในทาง machine learning นั้น weights คือพารามิเตอร์ที่ผ่านการปรับจูนหลายพันล้านตัวที่เปลี่ยนข้อมูลดิบให้กลายเป็นการพยากรณ์ที่มีประโยชน์ เมื่อคุณฝึกฝนหรือ fine-tune โมเดลด้วยข้อมูลของคุณเอง เช่น ประวัติการเลิกใช้บริการของลูกค้า ภาพถ่ายเพื่อการวินิจฉัย หรือกรณีการเพิ่มประสิทธิภาพด้านโลจิสติกส์ ความรู้นั้นจะถูกบีบอัดลงใน weights สิ่งเหล่านี้จะกลายเป็นความทรงจำขององค์กรในรูปแบบหนึ่ง ซึ่งบันทึกการตัดสินใจและความเชี่ยวชาญที่ต้องใช้เวลาสะสมมานานหลายปี
หากคุณเช่า frontier model และเพียงแค่ป้อนความลับของคุณผ่าน prompt คุณจะไม่มีวันเป็นเจ้าของความรู้ที่กลั่นกรองออกมานั้นได้เลย ที่แย่กว่านั้นคือ ผู้ให้บริการของคุณจะดูดซับทุกสัญญาณ ทุกคำถาม (query) จะช่วยสอนระบบของพวกเขาให้รู้จักอุตสาหกรรมเฉพาะทาง (vertical) ของคุณมากขึ้นทีละน้อย การอัปเดตโมเดลครั้งต่อไปของพวกเขาอาจจะดูดซับความได้เปรียบที่ทำให้คุณประสบความสำเร็จเข้าไปไว้ในตัวโมเดล Karp เรียกสิ่งนี้ว่า "alpha" ของคุณ ซึ่งก็คือความได้เปรียบด้านประสิทธิภาพที่เป็นเอกลักษณ์ซึ่งทำให้คุณโดดเด่นกว่าคู่แข่ง การเอา weights ไปจ้างคนอื่นทำ (outsourcing) ก็เท่ากับการเอา alpha ของคุณไปให้คนอื่น ณ จุดนั้น AI จะไม่ใช่เครื่องมืออีกต่อไป แต่จะกลายเป็นช่องทางในการถ่ายโอนความเชี่ยวชาญของคุณไปยังคู่แข่งแทน
ความได้เปรียบของการ Fine-Tuning
การทดลองของ Bridgewater แสดงให้เห็นว่ายังมีอีกทางเลือกหนึ่ง กองทุน hedge fund แห่งนี้ได้ร่วมมือกับ Thinking Machines Lab เพื่อ fine-tune โมเดล open-source อย่าง Qwen3-235B แทนที่จะส่งข้อมูลการประเมินนักลงทุนที่เป็นความลับเข้าไปใน API แบบกล่องดำ (black-box) พวกเขาเลือกเก็บข้อมูลไว้ภายในองค์กรและปรับแต่งโมเดลให้ตรงกับความต้องการเฉพาะด้าน ผลลัพธ์ที่ได้นั้นชัดเจนมาก ในการวิเคราะห์เอกสารทางการเงิน โมเดลที่ผ่านการ fine-tune ของพวกเขามีความแม่นยำถึง 84.7 เปอร์เซ็นต์ ในขณะที่โมเดลแบบปิด (closed model) ระดับแนวหน้าที่ดีที่สุดทำได้เพียง 78.2 เปอร์เซ็นต์เท่านั้น
ช่องว่างนั้นมีความสำคัญอย่างยิ่งในภาคการเงิน ซึ่ง...