a computer generated image of a ball of string

Similar Posts

  • | | | |

    บทเรียนจากยุค Tech Boom ในอดีตกับสิ่งที่ AI กำลังบอกเรา

    วงจรของโครงสร้างพื้นฐานที่วนซ้ำSilicon Valley มักจะอ้างว่านวัตกรรมล่าสุดของพวกเขาไม่เคยมีมาก่อน แต่จริงๆ แล้วไม่ใช่เลย กระแสความนิยมในปัญญาประดิษฐ์ (AI) ในปัจจุบันนั้นสะท้อนภาพการขยายตัวของทางรถไฟในศตวรรษที่ 19 และยุคดอทคอมในช่วงปลายทศวรรษ 1990 เรากำลังเห็นการเปลี่ยนแปลงครั้งใหญ่ในการไหลเวียนของเงินทุนและการรวมศูนย์พลังการประมวลผล นี่คือเรื่องของว่าใครจะเป็นเจ้าของโครงสร้างพื้นฐานแห่งอนาคต สหรัฐอเมริกานำหน้าเพราะมีเงินทุนหนาที่สุดและมีผู้ให้บริการ cloud ที่ดุดันที่สุด ประวัติศาสตร์พิสูจน์แล้วว่าใครที่คุมรางรถไฟหรือสายเคเบิลใยแก้วนำแสงได้ คนนั้นก็จะเป็นผู้กำหนดกติกาให้คนอื่น AI ก็เช่นกัน มันเดินตามรอยเดิมของการสร้างโครงสร้างพื้นฐานตามด้วยการควบรวมกิจการอย่างรวดเร็ว การเข้าใจรูปแบบนี้ช่วยให้เรามองข้ามกระแสโฆษณาชวนเชื่อและระบุได้ว่าอำนาจที่แท้จริงในวงจรใหม่นี้อยู่ที่ไหน หัวใจสำคัญนั้นเรียบง่าย เราไม่ได้แค่สร้างซอฟต์แวร์ที่ฉลาดขึ้น แต่เรากำลังสร้างสาธารณูปโภคใหม่ที่จะมีความสำคัญพื้นฐานพอๆ กับไฟฟ้าหรืออินเทอร์เน็ต ผู้ชนะจะเป็นผู้ที่ควบคุมฮาร์ดแวร์ทางกายภาพและชุดข้อมูลมหาศาลที่จำเป็นในการขับเคลื่อนระบบเหล่านี้ จากรางเหล็กสู่โครงข่ายประสาทเทียมเพื่อที่จะเข้าใจ AI ในวันนี้ ให้ลองมองไปที่ยุคบูมของทางรถไฟในอเมริกา ในช่วงกลางศตวรรษที่ 18 เงินทุนจำนวนมหาศาลถูกทุ่มลงไปกับการวางรางรถไฟทั่วทวีป หลายบริษัทล้มละลาย แต่รางรถไฟยังคงอยู่ รางเหล่านั้นกลายเป็นรากฐานสำหรับการเติบโตทางเศรษฐกิจในศตวรรษต่อมา ปัจจุบัน AI กำลังอยู่ในช่วงของการวางราง แทนที่จะเป็นเหล็กและไอน้ำ เรากำลังใช้ซิลิคอนและไฟฟ้า การลงทุนมหาศาลจากบริษัทอย่าง Microsoft และ Google กำลังสร้าง compute clusters ที่จะสนับสนุนอุตสาหกรรมอื่นๆ ทั้งหมด นี่คือการเล่นเกมโครงสร้างพื้นฐานแบบคลาสสิก เมื่อเทคโนโลยีต้องใช้เงินทุนมหาศาลในการเริ่มต้น

  • | | | |

    10 เรื่องราว AI ที่จะกำหนดทิศทางโลกในปี 2026

    ช่วงเวลาดื่มน้ำผึ้งพระจันทร์ของเครื่องมือ Generative AI กำลังจะจบลง ภายในปี 2026 จุดสนใจจะเปลี่ยนจากความตื่นเต้นของแชทบอทไปสู่โครงสร้างพื้นฐานเบื้องหลัง เรากำลังก้าวเข้าสู่ยุคที่ความกังวลหลักไม่ใช่แค่ว่าซอฟต์แวร์พูดอะไรได้บ้าง แต่คือการขับเคลื่อนด้วยอะไร ใครเป็นเจ้าของโมเดล และข้อมูลถูกเก็บไว้ที่ไหน อุตสาหกรรมกำลังมุ่งหน้าสู่ การเปลี่ยนแปลงเชิงโครงสร้าง ในการประมวลผลและกระจายข้อมูลทั่วโลก นี่ไม่ใช่แค่เรื่องของบอททดลองอีกต่อไป แต่เป็นการรวมเอาปัญญาประดิษฐ์เข้ากับระบบท่อส่งข้อมูลหลักของอินเทอร์เน็ตและโครงข่ายไฟฟ้า นักลงทุนและผู้ใช้เริ่มมองข้ามความตื่นเต้นเบื้องต้นไปสู่ต้นทุนการดำเนินงานที่สูงขึ้นและข้อจำกัดของฮาร์ดแวร์ในปัจจุบัน เรื่องราวที่จะครองพื้นที่ในช่วงหลายเดือนข้างหน้าคือเรื่องที่ตอบโจทย์ข้อจำกัดพื้นฐานเหล่านี้ เรากำลังเห็นการเปลี่ยนผ่านจากการพึ่งพา Cloud แบบรวมศูนย์ ไปสู่สภาพแวดล้อมที่กระจัดกระจายและมีความเฉพาะทางมากขึ้น ผู้ชนะคือผู้ที่สามารถจัดการความต้องการพลังงานมหาศาลและสภาพแวดล้อมทางกฎหมายที่ซับซ้อนเกี่ยวกับข้อมูลที่ใช้เทรนโมเดลได้ การเปลี่ยนแปลงเชิงโครงสร้างในปัญญาประดิษฐ์เรื่องราวใหญ่เรื่องแรกคือการกระจุกตัวของพลังโมเดล ปัจจุบันมีบริษัทเพียงไม่กี่แห่งที่ควบคุมโมเดลระดับแนวหน้าได้ ซึ่งสร้างคอขวดให้กับนวัตกรรมเพราะผู้เล่นรายย่อยต้องสร้างระบบบนโครงสร้างของบริษัทเหล่านี้ อย่างไรก็ตาม เรากำลังเห็นความพยายามผลักดันโมเดลแบบ open weight ที่ช่วยให้องค์กรต่างๆ รันระบบประสิทธิภาพสูงบนฮาร์ดแวร์ของตัวเองได้ ความตึงเครียดระหว่างระบบปิดและเปิดจะถึงจุดแตกหักเมื่อบริษัทต่างๆ ต้องตัดสินใจว่าจะจ่ายค่าสมาชิกราคาแพงหรือลงทุนในโครงสร้างพื้นฐานของตนเอง ในขณะเดียวกัน ตลาดฮาร์ดแวร์ก็กำลังมีความหลากหลายมากขึ้น แม้บริษัทหนึ่งจะครองตลาดชิปมานาน แต่คู่แข่งและโครงการชิปภายในของเหล่าผู้ให้บริการ Cloud รายใหญ่กำลังเริ่มเสนอทางเลือกใหม่ การเปลี่ยนแปลงในห่วงโซ่อุปทานนี้จำเป็นอย่างยิ่งต่อการลดต้นทุนการประมวลผล (inference) และทำให้การใช้งานในระดับธุรกิจมีความยั่งยืนอีกหนึ่งพัฒนาการสำคัญคือการเปลี่ยนแปลงของระบบค้นหา (search) ตลอดหลายทศวรรษที่ผ่านมา ช่องค้นหาคือจุดเริ่มต้นของการเข้าถึงอินเทอร์เน็ต แต่ตอนนี้เครื่องมือที่ให้คำตอบโดยตรงกำลังเข้ามาแทนที่รายการลิงก์แบบเดิม สิ่งนี้เปลี่ยนเศรษฐศาสตร์ของเว็บ หากผู้ใช้ได้รับคำตอบที่ครบถ้วนจาก AI พวกเขาก็ไม่มีเหตุผลที่จะคลิกเข้าไปยังเว็บไซต์ต้นทาง ซึ่งสร้างวิกฤตให้กับสำนักพิมพ์และผู้สร้างคอนเทนต์ที่พึ่งพาทราฟฟิกเพื่อหารายได้ นอกจากนี้

  • | |

    สิ่งที่ผู้นำด้าน AI กำลังพูดถึงจริงๆ ในปี 2026

    บทสนทนาเกี่ยวกับปัญญาประดิษฐ์ (AI) ได้เปลี่ยนจากการเน้นขนาดของโมเดลไปสู่คุณภาพของกระบวนการคิด ในช่วงไม่กี่ปีที่ผ่านมา อุตสาหกรรมมุ่งเน้นไปที่ scaling laws ซึ่งเป็นแนวคิดที่ว่าข้อมูลและชิปที่มากขึ้นจะนำไปสู่ระบบที่ฉลาดขึ้นอย่างหลีกเลี่ยงไม่ได้ แต่ตอนนี้ผู้นำของห้องแล็บใหญ่ๆ กำลังส่งสัญญาณถึงการเปลี่ยนแปลงครั้งสำคัญ ประเด็นสำคัญคือการขยายขนาดแบบดิบๆ กำลังให้ผลตอบแทนที่ลดน้อยลง แต่ตอนนี้ความสนใจได้เปลี่ยนไปสู่สิ่งที่นักวิจัยเรียกว่า inference-time compute ซึ่งหมายถึงการให้เวลาโมเดลได้คิดมากขึ้นก่อนที่จะตอบออกมา ในปี 2026 นี้ เรากำลังเห็นจุดจบของยุคแชทบอทและจุดเริ่มต้นของยุคแห่งการใช้เหตุผล การเปลี่ยนแปลงนี้ไม่ใช่แค่การปรับแต่งทางเทคนิค แต่มันคือการเคลื่อนไหวพื้นฐานจากการตอบสนองที่รวดเร็วและเป็นสัญชาตญาณแบบระบบยุคแรก ไปสู่รูปแบบของความฉลาดที่ไตร่ตรองและมีกลยุทธ์มากขึ้น ผู้ใช้ที่คาดหวังให้โมเดลทำงานเร็วขึ้นกำลังพบว่าเครื่องมือที่ล้ำสมัยที่สุดกลับทำงานช้าลง แต่พวกมันกลับมีความสามารถในการแก้ปัญหาที่ยากๆ ในด้านคณิตศาสตร์ วิทยาศาสตร์ และตรรกะได้ดีขึ้นอย่างเห็นได้ชัด การเปลี่ยนผ่านจากความเร็วสู่กลยุทธ์เพื่อให้เข้าใจว่าเกิดอะไรขึ้น เราต้องดูว่าโมเดลเหล่านี้ทำงานอย่างไร โมเดลภาษาขนาดใหญ่ (LLM) ในยุคแรกส่วนใหญ่ทำงานบนสิ่งที่นักจิตวิทยาเรียกว่า System 1 thinking ซึ่งเป็นการคิดที่รวดเร็ว สัญชาตญาณ และใช้อารมณ์ เมื่อคุณถามคำถามโมเดลมาตรฐาน มันจะทำนายโทเค็นถัดไปเกือบทันทีโดยอิงจากรูปแบบที่เรียนรู้ระหว่างการฝึก มันไม่ได้วางแผนคำตอบจริงๆ มันแค่เริ่มพูด ทิศทางใหม่ที่บริษัทอย่าง OpenAI สนับสนุนคือการก้าวไปสู่ System 2 thinking ซึ่งช้ากว่า มีการวิเคราะห์และเป็นเหตุเป็นผลมากกว่า คุณสามารถเห็นสิ่งนี้ได้เมื่อโมเดลหยุดพักเพื่อตรวจสอบขั้นตอนของตัวเองหรือแก้ไขตรรกะกลางคัน กระบวนการนี้เรียกว่า

  • | | | |

    สงครามลิขสิทธิ์จะเปลี่ยนโฉมหน้าผลิตภัณฑ์ AI ในปี 2026 อย่างไร

    ยุคสมัยแห่งข้อมูลฟรีได้สิ้นสุดลงแล้วยุคของการเก็บข้อมูลโดยไม่ต้องรับผลกระทบได้จบลงแล้ว หลายปีที่ผ่านมานักพัฒนาสร้างโมเดลภาษาขนาดใหญ่โดยตั้งสมมติฐานว่าอินเทอร์เน็ตแบบเปิดเป็นทรัพยากรสาธารณะ แต่สมมติฐานนี้กำลังเผชิญกับความจริงในชั้นศาล การฟ้องร้องครั้งใหญ่จากองค์กรสื่อและศิลปินกำลังบีบให้เกิดการเปลี่ยนแปลงพื้นฐานในวิธีการสร้างและขายผลิตภัณฑ์เหล่านี้ บริษัทต่างๆ ไม่สามารถเพิกเฉยต่อแหล่งที่มาของชุดข้อมูลที่ใช้ฝึกฝนได้อีกต่อไป ผลลัพธ์ที่ตามมาคือการเปลี่ยนไปสู่โมเดลแบบมีลิขสิทธิ์ที่ทุกโทเค็นมีราคาค่างวด การเปลี่ยนแปลงนี้จะเป็นตัวตัดสินว่าบริษัทใดจะอยู่รอดและบริษัทใดจะล้มละลายภายใต้ภาระค่าใช้จ่ายทางกฎหมาย นี่ไม่ใช่แค่เรื่องของจริยธรรมหรือสิทธิของผู้สร้างสรรค์ แต่เป็นเรื่องของความยั่งยืนทางธุรกิจ หากศาลตัดสินว่าการฝึกฝนด้วยข้อมูลที่มีลิขสิทธิ์ไม่ใช่การใช้งานที่เป็นธรรม ต้นทุนในการสร้างโมเดลที่แข่งขันได้จะพุ่งสูงขึ้น ซึ่งจะเอื้อประโยชน์ต่อยักษ์ใหญ่ด้านเทคโนโลยีที่มีเงินทุนหนาและมีข้อตกลงด้านลิขสิทธิ์อยู่แล้ว ส่วนผู้เล่นรายย่อยอาจถูกบีบออกจากตลาดโดยสิ้นเชิง ความเร็วในการพัฒนาเทคโนโลยีตอนนี้กำลังชนกำแพงทางกฎหมายที่จะปรับเปลี่ยนอุตสาหกรรมไปอีกนานหลายปี จากการคัดลอกข้อมูลสู่การขออนุญาตหัวใจสำคัญของความขัดแย้งในปัจจุบันอยู่ที่วิธีการเรียนรู้ของโมเดล Generative AI ระบบเหล่านี้รับข้อมูลคำศัพท์และรูปภาพจำนวนมหาศาลเพื่อระบุรูปแบบ ในช่วงแรกของการพัฒนา นักวิจัยใช้ชุดข้อมูลขนาดใหญ่อย่าง Common Crawl โดยไม่ได้กังวลเรื่องสิทธิส่วนบุคคลที่ติดมากับข้อมูลนั้นมากนัก พวกเขาโต้แย้งว่ากระบวนการนี้เป็นการเปลี่ยนแปลงเชิงสร้างสรรค์ (transformative) ซึ่งหมายความว่ามันสร้างสิ่งใหม่ขึ้นมาทั้งหมดและไม่ได้มาแทนที่ผลงานต้นฉบับ ข้อโต้แย้งนี้เป็นรากฐานของการป้องกันการใช้งานที่เป็นธรรม (fair use) ในสหรัฐอเมริกา อย่างไรก็ตาม ขนาดของการผลิต AI ในปัจจุบันได้เปลี่ยนสมการไปแล้ว เมื่อโมเดลสามารถสร้างบทความข่าวในสไตล์ของนักข่าวคนใดคนหนึ่ง หรือสร้างภาพที่เลียนแบบศิลปินที่มีชีวิตอยู่ การอ้างว่าเป็นการเปลี่ยนแปลงเชิงสร้างสรรค์จึงทำได้ยากขึ้น นำไปสู่การฟ้องร้องที่เพิ่มขึ้นจากเจ้าของเนื้อหาที่เห็นว่าผลงานที่เลี้ยงชีพพวกเขาถูกนำไปใช้ฝึกฝนเพื่อสร้างสิ่งที่มาแทนที่พวกเขาในที่สุดความเปลี่ยนแปลงล่าสุดแสดงให้เห็นว่าอุตสาหกรรมกำลังเลิกใช้กลยุทธ์ “ขออภัยทีหลัง” แล้ว บริษัทเทคโนโลยีขนาดใหญ่กำลังทำข้อตกลงมูลค่าหลายล้านดอลลาร์กับสำนักพิมพ์เพื่อรับประกันข้อมูลที่มีคุณภาพสูงและถูกกฎหมาย สิ่งนี้สร้างระบบสองมาตรฐาน ด้านหนึ่งคือโมเดล “สะอาด” ที่ฝึกฝนจากข้อมูลที่มีลิขสิทธิ์หรือข้อมูลสาธารณะ อีกด้านหนึ่งคือโมเดลที่สร้างจากข้อมูลที่คัดลอกมาซึ่งมีความเสี่ยงทางกฎหมายสูง โลกธุรกิจเริ่มชอบแบบแรกมากกว่า บริษัทต่างๆ ไม่ต้องการรวมเครื่องมือที่อาจถูกสั่งปิดโดยคำสั่งศาลหรือนำไปสู่บิลค่าเสียหายจากการละเมิดลิขสิทธิ์ก้อนโต สิ่งนี้ทำให้ ที่มาทางกฎหมาย (legal

  • | | | |

    กลยุทธ์ AI ของยุโรปในปี 2026: เน้นกฎระเบียบหรือนวัตกรรมก่อน?

    ด้านสว่างของแผนที่เทคโนโลยีใหม่ ยินดีต้อนรับสู่อนาคตที่…

  • | | | |

    เทรนด์ Deepfake ที่อันตรายที่สุดในตอนนี้

    ยุคสมัยของ Deepfake แบบภาพนั้นเป็นเพียงแค่การเบี่ยงเบนความสนใจเท่านั้น ในขณะที่สาธารณชนมัวแต่กังวลกับวิดีโอตัดต่อของผู้นำระดับโลก ภัยคุกคามที่แนบเนียนและมีประสิทธิภาพมากกว่ากำลังเติบโตอย่างเงียบๆ อยู่เบื้องหลัง การสังเคราะห์เสียง (Audio synthesis) ได้กลายเป็นเครื่องมือหลักสำหรับการฉ้อโกงมูลค่าสูงและการบ่อนทำลายทางการเมือง มันไม่ใช่เรื่องของหุบเขาแห่งความไม่น่าไว้วางใจ (Uncanny valley) ของใบหน้าที่ขยับได้อีกต่อไป แต่เป็นเรื่องของจังหวะการพูดที่คุ้นเคยของสมาชิกในครอบครัว หรือน้ำเสียงที่ดูน่าเชื่อถือของซีอีโอ การเปลี่ยนแปลงนี้มีความสำคัญมากเพราะเสียงใช้แบนด์วิดท์น้อยกว่า ใช้พลังประมวลผลน้อยกว่า และมีน้ำหนักทางอารมณ์สูงกว่าวิดีโอ ในโลกที่เรายืนยันตัวตนผ่านระบบไบโอเมตริกซ์ทางเสียงหรือการโทรศัพท์สั้นๆ ความสามารถในการโคลนเสียงมนุษย์ด้วยข้อมูลต้นฉบับเพียงสามวินาทีได้ทำลายความเชื่อมั่นพื้นฐานของระบบการสื่อสารสมัยใหม่ไปแล้ว เรากำลังเห็นการเปลี่ยนผ่านจากการหลอกลวงแบบภาพยนตร์ไปสู่การหลอกลวงที่ใช้งานได้จริงและมีเดิมพันสูง ซึ่งพุ่งเป้าไปที่กระเป๋าเงินขององค์กรและประสาทสัมผัสของคนทั่วไป ปัญหานี้ดูจะยากขึ้นกว่าเมื่อปีก่อน เพราะเครื่องมือต่างๆ ได้ย้ายจากห้องแล็บทดลองไปสู่ Cloud interfaces ที่ใช้งานง่ายแล้ว กลไกของอัตลักษณ์สังเคราะห์อุปสรรคทางเทคนิคในการเข้าถึงการโคลนเสียงคุณภาพสูงได้หายไปแล้ว ในอดีต การสร้างเสียงเลียนแบบที่น่าเชื่อถือต้องใช้เวลาบันทึกในสตูดิโอหลายชั่วโมงและใช้พลังประมวลผลมหาศาล แต่วันนี้ มิจฉาชีพสามารถดึงเสียงของคนๆ หนึ่งจากคลิปโซเชียลมีเดียสั้นๆ หรือการสัมมนาออนไลน์ที่บันทึกไว้ได้ Neural networks สมัยใหม่ใช้กระบวนการที่เรียกว่า zero-shot text-to-speech ซึ่งช่วยให้โมเดลสามารถเลียนแบบน้ำเสียง ระดับเสียง และอารมณ์ของผู้พูดได้โดยไม่ต้องฝึกฝนกับบุคคลนั้นเป็นเวลาหลายวัน ผลลัพธ์ที่ได้คือวิญญาณดิจิทัลที่สามารถพูดอะไรก็ได้แบบเรียลไทม์ นี่ไม่ใช่แค่การบันทึกเสียง แต่มันคือเครื่องมือโต้ตอบสดที่สามารถมีส่วนร่วมในการสนทนาสองทางได้ เมื่อรวมเข้ากับ Large language models โคลนเหล่านี้ยังสามารถเลียนแบบคำศัพท์และนิสัยการพูดเฉพาะตัวของเป้าหมายได้อีกด้วย ทำให้การหลอกลวงนี้แทบจะตรวจจับไม่ได้สำหรับผู้ฟังที่ไม่ทันระวังตัวซึ่งเชื่อว่าพวกเขากำลังสนทนาตามปกติกับคนที่พวกเขารู้จักการรับรู้ของสาธารณชนมักจะตามหลังความเป็นจริงนี้