เมื่อวันที่ 16 กรกฎาคม Moonshot AI ได้เปิดตัว Kimi K3 มันไม่ใช่แค่โมเดลอีกตัวที่เพิ่มเข้ามาในตารางจัดอันดับที่หนาแน่นอยู่แล้ว ด้วยขนาด open-weight ที่ใหญ่ที่สุดเท่าที่เคยมีมา มันมอบพลังในการใช้เหตุผลและการประมวลผลที่ปกติแล้วต้องแลกมาด้วยค่าธรรมเนียมลิขสิทธิ์ระดับองค์กรที่สตาร์ทอัพส่วนใหญ่ไม่สามารถจ่ายไหว คุณสามารถดาวน์โหลด ปรับแต่ง และรันมันบนเซิร์ฟเวอร์ของคุณเอง สำหรับนักพัฒนาที่ต้องระวังทุกบาททุกสตางค์ ข้อเสนอนี้เป็นสิ่งที่ยากจะปฏิเสธ
แต่ราคาที่ติดไว้ไม่ใช่ราคาเต็มทั้งหมด
ต้นทุนที่แท้จริงของการสร้างระบบบนโมเดล open-weight ของจีนกำลังปรากฏขึ้นในที่ที่ไม่คาดคิด: การไต่สวนในสภาคองเกรส, บันทึกการควบคุมการส่งออก และความกังวลที่เพิ่มขึ้นภายในแวดวงป้องกันประเทศของวอชิงตัน ความเปิดกว้างแบบเดียวกันที่ช่วยให้คุณหลีกเลี่ยง proprietary API คือสิ่งที่ทำให้ผู้กำหนดนโยบายกังวล เมื่อ weights ถูกเปิดเผย โมเดลจะไม่ใช่แค่ซอฟต์แวร์อีกต่อไป แต่มันจะกลายเป็นโครงสร้างพื้นฐาน และโครงสร้างพื้นฐานที่สร้างขึ้นในต่างแดนนั้นมาพร้อมกับน้ำหนักทางการเมือง
ข้อเสนอที่ดูหอมหวานในตอนแรก
มาพูดกันตามตรงว่าทำไมโมเดลเหล่านี้ถึงแพร่หลาย API แบบ closed-source ของตะวันตกอาจคิดค่าธรรมเนียมที่พุ่งสูงขึ้นอย่างรวดเร็วตามจำนวนผู้ใช้ของคุณ ต้นทุน Token สะสมเพิ่มขึ้น ข้อจำกัดด้าน Rate limit จะขัดขวางการเติบโตของผลิตภัณฑ์ คุณกำลังเช่าความฉลาด และเจ้าของที่ดินสามารถเปลี่ยนเงื่อนไขเมื่อไหร่ก็ได้
โมเดล open-weight อย่าง Kimi K3 เปลี่ยนความสัมพันธ์นั้น คุณดาวน์โหลดพารามิเตอร์เพียงครั้งเดียว คุณโฮสต์พวกมันในเครื่องหรือบน cloud instance ที่คุณควบคุมเอง ต้นทุนการทำ inference จะลดลงเหลือเพียงค่าไฟฟ้าและค่าเช่าฮาร์ดแวร์ สำหรับ SaaS startup ที่ประมวลผลตั๋วสนับสนุนลูกค้า หรือองค์กรขนาดกลางที่สร้างฐานความรู้ภายใน (internal knowledge base) ตัวเลขนี้ถือว่าน่าดึงดูดมาก คุณไม่ต้องจ่ายเงินต่อการสอบถาม (query) อีกต่อไป แต่คุณจ่ายเพื่อการประมวลผล (compute) และค่า compute ก็มีแนวโน้มถูกลงเรื่อยๆ
ยังมีเรื่องของการปรับแต่ง (customization) ด้วย โมเดลแบบ closed-source เปรียบเสมือนกล่องดำ คุณส่ง prompt ไป ได้รับคำตอบ และหวังว่าพฤติกรรมของมันจะยังคงสม่ำเสมอในทุกเวอร์ชัน แต่ด้วย open weights วิศวกรของคุณสามารถทำ fine-tune, prune หรือ distill โมเดลเพื่อภารกิจเฉพาะเจาะจงได้ บริษัท fintech อาจฝึกฝนมันด้วยรูปแบบการฉ้อโกงที่เป็นความลับของบริษัท ผู้ผลิตอาจฝังมันลงในอุปกรณ์ edge โดยตรงโดยไม่ต้องส่งข้อมูล telemetry ที่ละเอียดอ่อนไปยังเซิร์ฟเวอร์ของบุคคลที่สามซึ่งอยู่ห่างออกไปหลายพันไมล์
การควบคุมนั้นสำคัญ นั่นคือเหตุผลที่แรงดึงดูดไม่ใช่แค่เรื่องของการประหยัด แต่มันคือเรื่องของอิสระในการตัดสินใจ (autonomy)
เมื่อ weights มาพร้อมกับเงื่อนไขผูกมัด
ปัญหาก็คือ อิสระในการตัดสินใจนั้นตั้งอยู่บนสมมติฐานที่ว่าพื้นดินใต้เท้าของคุณจะยังคงมั่นคง วอชิงตันไม่ได้ถามอีกต่อไปว่าโมเดลเหล่านี้ดีหรือไม่ แต่มันกำลังถามว่า จะเกิดอะไรขึ้นหากภาคส่วนต่างๆ ของเศรษฐกิจสหรัฐฯ ต้องพึ่งพามัน
บทสนทนาด้านนโยบายได้เปลี่ยนไปอย่างสิ้นเชิง การถกเถียงเรื่อง AI ในช่วงแรกๆ มุ่งเน้นไปที่เรื่องอคติ (bias), ความปลอดภัย หรือความเสี่ยงต่อการดำรงอยู่ของมนุษย์ แต่ตอนนี้ความกังวลคืออธิปไตยทางเทคโนโลยี (technological sovereignty) เมื่อบริษัทหนึ่งรวม weights ที่พัฒนาโดยจีนเข้ากับ product stack ของตน ผู้กำหนดนโยบายจะกังวลเกี่ยวกับช่องโหว่เชิงระบบ ซึ่งไม่เกี่ยวข้องกับความแม่นยำในการทำ next-token prediction ของโมเดลเลย
ลองคิดในเชิงปฏิบัติ Open weights ยังคงต้องการการอัปเดต, ระบบนิเวศของเครื่องมือ (tooling ecosystems) และการสนับสนุนจากชุมชน หากโมเดลกลายเป็นรากฐานของผลิตภัณฑ์คุณ คุณไม่ได้แค่กำลังนำเข้าโค้ด แต่คุณกำลังนำเข้าห่วงโซ่ความพึ่งพา (dependency chain) จะเกิดอะไรขึ้นหากสถาปัตยกรรมนั้นถูกกำหนดเป้าหมายโดยการควบคุมการส่งออกในภายหลัง? จะเกิดอะไรขึ้นหากผู้ให้บริการโฮสติ้งต้องเผชิญกับข้อกำหนดด้านการปฏิบัติตามกฎระเบียบ (compliance mandates) ที่สั่งห้ามรันไฟล์พารามิเตอร์บางอย่าง? จะเกิดอะไรขึ้นหากมาตรการคว่ำบาตรในอนาคตทำให้การทำ fine-tune ผลผลิตที่ต่อยอดออกมา (derivatives) เพื่อการค้ากลายเป็นเรื่องผิดกฎหมาย?
นี่ไม่ใช่คำถามเชิงทฤษฎี กระทรวงการคลังและกระทรวงพาณิชย์ได้แสดงความเต็มใจที่จะขึ้นบัญชีรายชื่อหน่วยงาน (entity lists) สำหรับบริษัทเทคโนโลยีจีน และจำกัดการใช้งานในขั้นปลาย (downstream use) ของซอฟต์แวร์และฮาร์ดแวร์บางอย่าง ผู้ก่อตั้งที่สร้างธุรกิจรอบๆ GPU ราคาถูกของจีนได้เรียนรู้บทเรียนนี้อย่างหนักเมื่อห่วงโซ่อุปทานหยุดชะงักเพียงชั่วข้ามคืน Weights เป็นเพียงบิตข้อมูล แต่กรอบกฎหมายที่ควบคุมพวกมันสามารถเปลี่ยนแปลงได้รวดเร็วพอๆ กับการสั่งห้ามใช้เซมิคอนดักเตอร์
สำหรับ CTO สิ่งนี้สร้างหนี้ทางเทคนิค (technical debt) ในรูปแบบที่ไม่ได้ปรากฏใน Jira tickets คุณอาจใช้เวลาหกเดือนในการฝึกอบรมทีมวิศวกรของคุณเกี่ยวกับ Kimi K3 toolchain, การรวมมันเข้ากับ CI/CD pipeline และการเปิดตัวฟีเจอร์ที่ลูกค้าใช้งานได้ จากนั้นประกาศจากราชกิจจานุเบกษาของรัฐบาล (federal register notice) เพียงฉบับเดียวอาจบังคับให้ต้องย้ายระบบ การย้ายระหว่างตระกูลโมเดล (model families) ไม่เหมือนกับการเปลี่ยนฐานข้อมูล มันต้องมีการปรับจูน prompt ใหม่, ตรวจสอบความถูกต้องของผลลัพธ์ใหม่ และบ่อยครั้งต้องฝึกฝน downstream classifiers ใหม่ด้วย ต้นทุนของการเปลี่ยนทิศทางนั้นอาจมหาศาลกว่าสิ่งที่คุณประหยัดได้จากค่าใช้จ่าย API
สแต็กที่แยกส่วนหมายถึงการทำงานที่เพิ่มขึ้นเป็นสองเท่า
หากวอชิงตันดำเนินการตามแผนในการจำกัดโมเดลจีนบางรุ่นหรือสถาปัตยกรรมที่รองรับโมเดลเหล่านั้น ตลาด AI ทั่วโลกจะไม่เพียงแค่เผชิญกับราคาที่สูงขึ้นเท่านั้น แต่จะเผชิญกับการแตกแยกอย่างแท้จริง
เราเคยเห็นเหตุการณ์แบบนี้มาก่อนแล้วกับมาตรฐานโทรคมนาคมและแพลตฟอร์มโซเชียลมีเดีย แต่โครงสร้างพื้นฐานด้าน AI นั้นมีความสำคัญในระดับพื้นฐานมากกว่า การแยกส่วนของเทคโนโลยี (split stack) หมายถึงชุดเครื่องมือ (toolchains) ที่ทำงานร่วมกันไม่ได้ กรอบการทำงานด้านความปลอดภัยที่แตกต่างกัน และระบอบการปฏิบัติตามกฎระเบียบที่ซ้ำซ้อน นักพัฒนาในเบอร์ลินอาจต้องใช้ชุดค่าน้ำหนัก (weights) และมาตรการป้องกัน (guardrails) ชุดหนึ่งสำหรับตลาดในยุโรป และใช้เทคโนโลยีอีกชุดที่แยกจากกันโดยสิ้นเชิงสำหรับการใช้งานในสหรัฐฯ ซึ่งนั่นไม่ใช่แค่เรื่องน่ารำคาญ แต่มันคือต้นทุนที่มหาศาล
ทีมจัดซื้อขององค์กรจะต้องทำการตรวจสอบผู้ขายแบบคู่ขนาน แผนกกฎหมายจะต้องติดตามที่มาของโมเดล (model provenance) ด้วยความเข้มงวดในระดับเดียวกับที่ใช้กับความเป็นส่วนตัวของข้อมูลในปัจจุบัน คลังซอร์สโค้ดแบบโอเพนซอร์สอาจเกิดการแยกสาย (fork) ตามเส้นแบ่งพรมแดนของแต่ละประเทศ โดยที่การสนับสนุนจากจีนในไลบรารีการปรับจูน (fine-tuning libraries) ที่ได้รับความนิยมอาจถูกตรวจสอบอย่างเข้มงวดหรือถูกกีดกันออกไป โครงสร้างแห่งความร่วมมือที่เคยเป็นหัวใจสำคัญของการพัฒนาแบบ open-weight กำลังเริ่มที่จะฉีกขาดออก
สำหรับบริษัทขนาดเล็ก การแบ่งแยกเป็นสองขั้วนี้จะส่งผลกระทบอย่างรุนแรงเป็นพิเศษ บริษัทยักษ์ใหญ่อย่าง Microsoft หรือ Google สามารถ