นับจากวันที่ ChatGPT เปิดตัวเมื่อ 30 พฤศจิกายน 2022 มาจนถึงวันนี้ก็เพียงราวสามปีครึ่ง แต่เกมของ AI เปลี่ยนไปจากเดิมอย่างมาก ย้อนกลับไปในเวลานั้น GPT-3.5 ทำคะแนนสอบมาตรฐานได้เพียงราว 35%
ขณะที่โมเดลระดับแนวหน้าในวันนี้ ไม่ว่าจะเป็น Claude Fable 5, Claude Opus 4.8 หรือ GPT 5.5 ต่างทำได้เกิน 90% กันไปแล้ว และที่สำคัญยิ่งกว่าตัวเลขก็คือ โมเดลชั้นนำในปัจจุบันมีความสามารถใกล้เคียงกันจนแทบไม่แตกต่าง และแทบไม่มีประโยชน์ที่จะถกเถียงกันอีกต่อไปว่าโมเดลใดฉลาดกว่ากัน
เมื่อสมองทุกค่ายชั้นนำใกล้เคียงกันเช่นนี้ คำถามสำคัญจึงเปลี่ยนไปอยู่ที่ว่าเราจะต่อยอดให้มันลงมือทำงานได้จริงอย่างไร นี่คือเหตุผลที่เกมในวันนี้ไม่ใช่การนำโมเดล AI มาทำเป็นแชทบอทไว้สนทนาถามตอบแบบ Google Search หรือเพียงเพื่อสร้างรูปและเขียนบทความอีกต่อไป แต่เป็นเรื่องของการใช้แอปพลิเคชัน AI ที่มี agent คอยลงมือทำงานแทนเราได้เอง
ตัวอย่างเช่น เราสามารถสั่งให้ AI agent ไปดึงรายงานประจำปีของบริษัทจดทะเบียนนับร้อยแห่งโดยอัตโนมัติ แล้ววิเคราะห์เปรียบเทียบให้เสร็จสรรพ นี่คือความสามารถของ AI ที่เราจ่ายเงินซื้อ เราไม่ได้จ่ายเพื่อการสนทนาเล่นๆ หากแต่จ่ายเพื่อดึงความสามารถขั้นสูงมาใช้ให้เกิดคุณค่า
เกมของประเทศไทยจึงควรเริ่มต้นที่คำถามว่าเราจะนำ AI ไปสร้างสิ่งที่เป็นประโยชน์ และต่อยอดเป็นแอปพลิเคชันที่มีคุณค่าได้อย่างไร หากมองในระดับยุทธศาสตร์ เราต้องเข้าใจก่อนว่าจุดแข็งของเราอยู่ที่ใด และต้องตระหนักว่าระบบนิเวศของ AI นั้นมีอยู่หลายชั้น เราจึงควรเลือกลงแข่งเฉพาะในชั้นที่มีศักยภาพ มิใช่พยายามเข้าไปแข่งขันในทุกชั้น
Jensen Huang ซีอีโอของ Nvidia เคยกล่าวบนเวที WEF (World Economic Forum) โดยเปรียบระบบนิเวศของ AI เป็นขนมเค้กห้าชั้น ตั้งแต่ชั้นพลังงาน ชั้นชิป ชั้นดาต้าเซ็นเตอร์ที่เป็น AI factory ชั้นโมเดล ไปจนถึงชั้นแอปพลิเคชัน พร้อมย้ำว่าเราไม่จำเป็นต้องเก่งในทุกชั้น เปรียบได้กับยุคตื่นทองที่ไม่ใช่ทุกคนต้องลงไปขุดทองด้วยตนเอง บางคนร่ำรวยจากการขายเครื่องมือขุด ขณะที่บางคนร่ำรวยจากการจัดหายานพาหนะและที่พักให้แก่ผู้ที่ไปขุดทอง
เมื่อพิจารณาศักยภาพของไทย เริ่มจาก ชั้นล่างสุด คือ พลังงาน ตรงนี้เรายังพอมีโอกาส เพราะระบบไฟฟ้าค่อนข้างเสถียรและยังมีปริมาณเพียงพอในระดับหนึ่ง อีกทั้งบริษัทเทคโนโลยีต่างชาติหลายรายก็ส่งสัญญาณต้องการเข้ามาตั้งฐานในประเทศไทย แต่ต้องยอมรับว่ายังมีความเสี่ยง เพราะหากประเมินไม่รอบคอบอาจมีผู้เข้ามาลงทุนมากเกินไป กำลังการผลิตไฟฟ้าภายในประเทศก็อาจไม่เพียงพอต่อความต้องการ
ส่วนชั้นชิปนั้นต้องยอมรับว่า เราแทบไม่มีโอกาสไล่ตามการแข่งขันเรื่อง GPU ได้ทัน เพราะแม้แต่เกาหลีใต้เองก็ยังแข่งขันได้ยาก จุดที่พอเป็นไปได้คืออุตสาหกรรมรอบข้าง เช่น การผลิตแผงวงจร PCB หรืออุปกรณ์เซมิคอนดักเตอร์บางส่วน ล่าสุดรัฐบาลได้แต่งตั้ง “บอร์ดเซมิคอนดักเตอร์แห่งชาติ” โดยมีเป้าหมายดึงการลงทุนในอุตสาหกรรมนี้รวม 2.5 ล้านล้านบาท พัฒนาบุคลากรทักษะสูงกว่า 230,000 คน และผลักดันให้เกิดชิป Made in Thailand ภายในปี 2050 หรืออีกราว 24 ปีข้างหน้า ซึ่งนับเป็นเป้าหมายที่ท้าทายอย่างยิ่ง และจะเป็นไปได้ก็ต่อเมื่อเราวางทิศทางให้ถูกต้อง
ชั้นที่สามคือดาต้าเซ็นเตอร์ หรือ AI factory ตรงนี้เรามีโอกาสมาก เพราะทั้ง Google และ Amazon ต่างต้องการเข้ามาตั้งฐานในประเทศไทย แต่ต้องเข้าใจให้ชัดว่าดาต้าเซ็นเตอร์ส่วนใหญ่ที่ตั้งอยู่ในไทยยังไม่ใช่ AI factory เพราะการประมวลผล AI จำเป็นต้องมี GPU จำนวนมาก และหากบริษัทเหล่านี้ให้พนักงานรีโมตเข้ามาทำงานจากต่างประเทศ เราก็อาจไม่ได้การจ้างงานผู้เชี่ยวชาญมากอย่างที่คาดหวัง
สิ่งที่เราได้แน่นอนคือการเป็นที่ตั้งซึ่งขายพลังงานและโครงสร้างพื้นฐานโดยรอบ แต่หากต้องการประโยชน์อย่างแท้จริง เราจำเป็นต้องวางนโยบายให้ชัดเจนว่าประเทศไทยมีสิทธิ์ใช้และควบคุมกำลังประมวลผลของดาต้าเซ็นเตอร์เหล่านั้นได้เพียงใด มิใช่ปล่อยเป็นเพียงสถานที่ตั้ง
แต่ชั้นที่เรามักเข้าใจผิดมากที่สุดคือชั้นโมเดล เพราะสิ่งที่ได้ยินอยู่เสมอคือความต้องการสร้าง “โมเดลภาษาขนาดใหญ่” หรือ “โมเดลแห่งชาติ” ซึ่งในความเป็นจริงย่อมทำได้ยาก เนื่องจากการฝึกโมเดลขนาดใหญ่แต่ละตัวใช้เงินระดับพันล้านเหรียญ และทั้งโลกก็มีเพียงไม่กี่ประเทศเท่านั้นที่ทำได้จริง ไม่ว่าจะเป็นสหรัฐฯ จีน หรือฝรั่งเศส การแข่งขันในระดับนี้จึงไม่ใช่สนามของไทย หากเราวางยุทธศาสตร์ว่าจะสร้างโมเดลขนาดใหญ่เข้าไปแข่งขัน นั่นย่อมเป็นการคิดผิดตั้งแต่ต้น
โอกาสที่แท้จริงของเราในชั้นโมเดลอยู่ที่โมเดลแบบ open weight เปิดให้นำไปติดตั้งและปรับแต่งต่อยอดได้ด้วยตนเอง โมเดลชั้นนำที่เห็นปัจจุบัน ไม่ว่าจะเป็น DeepSeek, GLM หรือ Qwen ของ Alibaba ล้วนเป็น open weight ทั้งสิ้น แทนที่จะเริ่มต้นจากศูนย์ด้วยต้นทุนมหาศาลระดับพันล้านเหรียญ เราสามารถนำโมเดลเหล่านี้มาปรับแต่ง (fine-tune) ต่อได้ โดยค่าใช้จ่ายอาจเหลือเพียงหลักสิบล้านบาท ดังเห็นได้จากโมเดล GLM 5.2 ที่เมื่อได้ทดลองใช้ก็พบว่ามีความสามารถทัดเทียมกับ Opus 4.8 และที่สำคัญคือเปิดให้ใช้ฟรี สามารถนำมาติดตั้งใช้งานภายในประเทศได้ทันที
นี่คือแนวทางเดียวกับที่โมเดลสัญชาติไทยอย่าง Typhoon, OpenThaiGPT หรือ ThaiLLM กำลังดำเนินอยู่ นั่นคือการพัฒนาโมเดลเฉพาะทางที่ไม่จำเป็นต้องมีขนาดใหญ่ แต่เหมาะสมกับงานเฉพาะด้าน ตั้งแต่การเกษตร การแพทย์ ไปจนถึงการท่องเที่ยว
ชั้นบนสุดคือแอปพลิเคชัน และนี่คือชั้นที่เราไปได้แน่นอน เพราะเรานำโมเดลต่างๆ ที่มีอยู่มาต่อยอดเป็นแอปพลิเคชัน AI สำหรับงานของเราได้ โดยสูตรสำเร็จประกอบด้วยสามส่วน คือ open weight ผนวกกับข้อมูลของไทย และกระบวนการทำงานที่เราเข้าใจเป็นอย่างดี เมื่อทำเช่นนี้แล้ว คู่แข่งจากต่างประเทศย่อมเข้ามาแข่งขันได้ยาก เพราะสิ่งที่ Jensen Huang ไม่ได้กล่าวถึงในเค้กห้าชั้น คือ ชั้นที่หก นั่นคือ ชั้นข้อมูล
ด้วยเหตุที่ AI ตัดสินใจกันที่ข้อมูลเป็นสำคัญ ต่อให้โมเดลเก่งเพียงใด หากปราศจากข้อมูลที่ดีพอก็ย่อมไปไม่รอด เรามีข้อมูลของประเทศอยู่ในหลายด้าน ทั้งด้านสุขภาพ กฎหมาย การเงิน และการเกษตร เป็นข้อมูลที่บริษัทต่างชาติไม่มีถือเป็นทรัพยากรที่ต้องรักษาไว้ให้มั่นคง และใช้เป็นความได้เปรียบในการแข่งขัน
หากจะสรุปให้เห็นภาพ โอกาสประเทศไทยกระจุกตัวอยู่ที่สองชั้น คือชั้นบนสุดที่เป็นแอปพลิเคชัน ชั้นล่างสุดที่เป็นพลังงาน ส่วนอีกสามชั้นตรงกลาง ทั้งชิป การเป็นเจ้าของดาต้าเซ็นเตอร์ และการสร้างโมเดลขนาดใหญ่เข้าไปแข่งขัน ล้วนเป็นสิ่งที่ไม่ควรฝืน เพราะเราไม่มีทางสร้างโมเดลขนาดใหญ่ไปไล่ตามผู้อื่นได้ และไม่มีทางผลิต GPU ไปแข่งขันกับใครได้ แต่เราเป็นได้มากกว่าผู้ใช้ เราสามารถเป็นผู้สร้างได้ หากรู้จักเลือกสร้างเฉพาะในชั้นที่เหมาะสม นำสิ่งที่เปิดให้ใช้ฟรีมาใช้ให้เกิดประโยชน์ รักษาข้อมูลของเราเองไว้ให้มั่นคง แล้วสร้างแอปพลิเคชันในด้านที่เราเชี่ยวชาญ
คำถามที่เหลืออยู่จึงมีเพียงข้อเดียว นั่นคือเราจะเริ่มต้นจากยุทธศาสตร์ที่ชัดเจน หรือจะเริ่มจากการแจกจ่าย AI ฟรีไปอย่างไร้ทิศทางจนหลงทางตั้งแต่ก้าวแรก?
