ข้อมูลใหม่แสดงให้เห็นว่าประเทศที่มีรายได้สูงควบคุมกำลังการผลิตของศูนย์ข้อมูล (data-center) ถึง 77% ของโลก ในขณะที่ประเทศที่มีรายได้ต่ำมีสัดส่วนน้อยกว่า 0.1% ภาพเดียวกันนี้ยังปรากฏให้เห็นในกลุ่มคลัสเตอร์ GPU (GPU clusters) โดยสหรัฐอเมริกามีสัดส่วนถึง 75% ของหน่วยประมวลผลทั่วโลก จีน 15% และส่วนที่เหลือของโลกมีรวมกันไม่ถึง 10% การกระจุกตัวเช่นนี้ทำให้ AI กลายเป็นเครื่องมือของอำนาจทางภูมิรัฐศาสตร์ ซึ่งเป็นตัวกำหนดว่าใครสามารถสร้าง ใครสามารถใช้ และกฎเกณฑ์ของใครที่จะกลายเป็นมาตรฐานหลัก
ทำไมพลังการประมวลผล (compute) จึงสำคัญกว่าโค้ด
ระบบปัญญาประดิษฐ์ทำงานด้วยรอบการประมวลผล (processor cycles) จำนวนมหาศาล ความสามารถของโมเดลจะเพิ่มขึ้นตามประสิทธิภาพของซิลิคอนที่ใช้ประมวลผลข้อมูล จัดเก็บค่าน้ำหนัก (weights) และรันการอนุมาน (inference) หากประเทศใดขาดแคลนเครื่องจักร ก็จำเป็นต้องพึ่งพาผู้ให้บริการคลาวด์จากต่างประเทศ การพึ่งพาเช่นนี้ไม่ได้เป็นเพียงการเพิ่มภาระค่าใช้จ่ายเท่านั้น แต่ยังเป็นการส่งมอบการควบคุมตรรกะพื้นฐานให้แก่ทีมวิศวกรและทีมกำหนดนโยบายของผู้ให้บริการ ซึ่งเป็นผู้ตัดสินว่าอะไรคือสิ่งที่ “ปลอดภัย” การเปลี่ยนแปลงด้านกฎระเบียบในศูนย์กลางข้อมูลเพียงครั้งเดียว สามารถเปลี่ยนวิธีการทำงานของโรงพยาบาลในไนโรบีได้ในทันที
คำว่า “ความเหลื่อมล้ำทางดิจิทัล” (digital divide) มักจะหมายถึงการเข้าถึงอินเทอร์เน็ตหรือการเป็นเจ้าของอุปกรณ์ แต่ตัวเลขใหม่นี้เผยให้เห็นความเหลื่อมล้ำที่ลึกซึ้งกว่านั้น นั่นคือความสามารถในการสร้างผลลัพธ์จาก AI ในระดับสเกล แม้ประเทศหนึ่งจะมีบรอดแบนด์ แต่หากไม่มีพลังการประมวลผล (compute) ในท้องถิ่น ก็ไม่สามารถโฮสต์โมเดลที่ขับเคลื่อนการแปลภาษา การวิเคราะห์สุขภาพเชิงคาดการณ์ หรือโลจิสติกส์อัตโนมัติได้ ประเทศนั้นต้องเช่าความสามารถเหล่านี้ และการเช่ามักมาพร้อมกับเงื่อนไขผูกมัด
ต้นทุนที่ซ่อนอยู่ของ AI จากต่างชาติ
การพึ่งพาเอนด์พอยต์ (endpoint) ภายนอก บังคับให้ทุกคำขอต้องผ่านเครื่องยนต์จากต่างประเทศซึ่งถูกควบคุมด้วยกลไกที่มองไม่เห็น 3 ประการ:
- Alignment logic (ตรรกะการปรับจูนให้สอดคล้อง) – ผู้ให้บริการเป็นผู้ตัดสินว่าเนื้อหาใดได้รับอนุญาต ในช่วงวิกฤตในท้องถิ่น นิยามดังกล่าวอาจขัดกับบรรทัดฐานทางวัฒนธรรมหรือกฎหมาย
- Update schedules (กำหนดการอัปเดต) – ผู้ให้บริการสามารถปล่อยโมเดลเวอร์ชันใหม่ได้เพียงชั่วข้ามคืน ซึ่งอาจทำให้ไปขัดขวางกระบวนการทำงาน (pipelines) ที่ปรับจูนไว้ตามพฤติกรรมเดิม
- Semantic drift (การคลาดเคลื่อนทางความหมาย) – โมเดลที่ฝึกฝนด้วยข้อมูลหลักของโลกมักจะพลาดสำเนียงท้องถิ่น สำนวน หรือความละเอียดอ่อนทางนโยบาย นำไปสู่การตีความผิดพลาดที่ระบบซึ่งฝึกฝนในท้องถิ่นจะหลีกเลี่ยงได้
เมื่อประเทศหนึ่งไม่สามารถโฮสต์โมเดลของตนเองได้ ก็จะไม่สามารถปกป้องทรัพย์สินทางปัญญาที่ฝังอยู่ในค่าน้ำหนัก (weights) และสถาปัตยกรรมของโมเดลได้ ความได้เปรียบทางยุทธศาสตร์จะยังคงอยู่กับเจ้าของซิลิคอนและโค้ด ไม่ใช่ผู้ใช้บริการ
ในเชิงการเงิน สถานการณ์นี้ถือเป็นทางเลือกที่ยากลำบาก โมเดลพื้นฐาน (foundation models) ขนาดใหญ่ใช้พลังงานไฟฟ้ามหาศาลและต้องมีการลงทุนด้านฮาร์ดแวร์จำนวนมาก รัฐบาลส่วนใหญ่ต้องเผชิญกับสองทางเลือกที่ไม่น่าพึงพอใจ:
- จ่ายค่าธรรมเนียมจำนวนมากให้แก่ผู้ให้บริการต่างชาติ – การคิดราคาตามจำนวนโทเคน (per-token pricing) หรือการสมัครสมาชิกรายเดือนอาจมีมูลค่าสูงกว่างบประมาณด้าน AI ของประเทศอย่างรวดเร็ว
- ใช้งานระบบที่ไม่ปลอดภัยหรือมีประสิทธิภาพต่ำ – การลดต้นทุนด้านการประมวลผลบังคับให้ต้องใช้โมเดลรุ่นเก่าที่มีแนวโน้มจะเกิดข้อผิดพลาดหรือถูกบิดเบือนได้ง่ายกว่า
ทั้งสองเส้นทางล้วนบั่นทอนอธิปไตยและสร้างภาระให้กับงบประมาณแผ่นดิน
ข้อโต้แย้งเรื่องการเข้าถึงที่ราคาถูกลง
นักวิเคราะห์บางคนอ้างว่าการคิดราคาตามโทเคนหรืออินเทอร์เน็ตที่เร็วขึ้นจะทำให้ AI ราคาถูกลง โดยมีสมมติฐานว่าการเรียกใช้ API ที่มากขึ้นจะช่วยกระจายผลประโยชน์ แต่ในความเป็นจริง การเข้าถึงที่ถูกลงไม่ได้สร้างขีดความสามารถในท้องถิ่น การเรียกใช้ API ยังคงเป็นการส่งคำขอไปยังเครื่องยนต์ที่อยู่ห่างไกล ผู้ใช้ยังคงต้องอยู่ภายใต้การปรับจูน (alignment) รอบการอัปเดต และอคติของข้อมูลของผู้ให้บริการ พลังการประมวลผลยังคงอยู่ต่างประเทศ และประเทศนั้นๆ ก็ยังคงต้องเช่าแทนที่จะเป็นเจ้าของ
เส้นทางทางเทคนิคที่แตกต่าง: การควบคุมแบบกำหนดได้ (deterministic control)
งานวิจัยที่เพิ่มขึ้นเรื่อยๆ เสนอให้เปลี่ยนจุดสนใจจากฮาร์ดแวร์ดิบไปสู่ข้อจำกัดขณะรันไทม์ (runtime constraints) ด้วยการออกแบบระบบ AI ที่ใช้จำนวนการประมวลผลน้อยลงมาก ทำให้การรันบนฮาร์ดแวร์ขนาดพอเหมาะที่เป็นเจ้าของในท้องถิ่นเป็นไปได้ การควบคุมแบบกำหนดได้ (Deterministic control)—ที่ซึ่งเส้นทางการทำงานและการใช้ทรัพยากรสามารถคาดการณ์ได้—มอบประโยชน์ที่เป็นรูปธรรม:
- ลดเวลาในการประมวลผล – การใช้พลังการประมวลผลน้อยลงหมายถึงการตอบสนองที่เร็วขึ้น
- ค่าไฟลดลง – รอบการประมวลผลที่น้อยลงช่วยลดค่าไฟฟ้า ลดแรงกดดันต่อโครงข่ายไฟฟ้าของประเทศ
- การติดตั้งใช้งานในท้องถิ่นที่เป็นไปได้จริง – คลัสเตอร์ขนาดเล็กก็เพียงพอ ช่วยให้รัฐบาลสามารถโฮสต์โมเดลภายในพรมแดนของตนเองได้
- อธิปไตยที่เอื้อมถึงได้ – การเป็นเจ้าของฮาร์ดแวร์และรันไทม์ช่วยกู้คืนการควบคุมนโยบายความปลอดภัยและรอบการอัปเดต
การเปลี่ยนแปลงนี้เป็นการนิยามอำนาจทางดิจิทัลใหม่ อิทธิพลจะเปลี่ยนจากขนาดของฟาร์มเซิร์ฟเวอร์ ไปสู่ประสิทธิภาพที่ประเทศหนึ่งสามารถรัน AI ที่ปลอดภัยและอยู่ภายใต้การกำกับดูแลในท้องถิ่นได้
ข้อโต้แย้ง: เสน่ห์ของขนาด (the allure of scale)
ผู้สนับสนุนโมเดลแบบรวมศูนย์ขนาดใหญ่โต้แย้งว่าขนาดที่ใหญ่กว่านำมาซึ่งประสิทธิภาพที่เหนือกว่า ข้อโต้แย้งในทางกลับกันคือ ประสิทธิภาพที่เพิ่มขึ้นนั้นมักจะน้อยมากสำหรับงานในภาคสาธารณะหลายอย่าง ในขณะที่ต้นทุนทางยุทธศาสตร์จากการต้องพึ่งพาผู้อื่นนั้นสูงมาก ความรับผิดชอบของผู้ให้บริการจะเป็นไปตามสภาพแวดล้อมทางกฎหมายของประเทศต้นทาง ซึ่งอาจไม่สอดคล้องกับค่านิยมหรือความต้องการด้านความมั่นคงของประเทศผู้ใช้บริการ
บทสรุป
แผนที่การประมวลผลในปัจจุบันทำให้สหรัฐอเมริกา จีน และกลุ่มประเทศที่มีรายได้สูงเพียงไม่กี่แห่ง กลายเป็นผู้นำในการพัฒนา AI สำหรับส่วนที่เหลือของโลก การพึ่งพาคลาวด์จากต่างชาติหมายถึงการสูญเสียการควบคุมเชิงยุทธศาสตร์ การเผชิญกับต้นทุนที่ไม่สามารถคาดการณ์ได้ และการทำให้บริการที่สำคัญต้องตกอยู่ภายใต้ความผันผวนของนโยบายจากภายนอก หนทางข้างหน้าไม่ใช่เรื่องของอินเทอร์เน็ตที่ถูกลงหรือราคาต่อโทเคน (token pricing) แต่คือการปรับเปลี่ยนรูปแบบการทำงานของ AI ใหม่—ทำให้มันมีความแน่นอน (deterministic) มีประสิทธิภาพ และสามารถโฮสต์ในท้องถิ่นได้ เมื่อประเทศต่างๆ สามารถรัน AI ที่ปลอดภัยบนฮาร์ดแวร์ระดับปานกลางที่ตนเองเป็นเจ้าของได้ รอยแยกทางภูมิรัฐศาสตร์ของการประมวลผลจะเริ่มลดน้อยลง และอธิปไตยทางดิจิทัล (digital sovereignty) จะกลายเป็นเป้าหมายที่จับต้องได้จริง แทนที่จะเป็นเพียงอุดมคติที่ห่างไกล