TL;DR
· SemiAnalysis คาดการณ์ว่า Meta อาจแซงหน้า Google ภายใน 6 เดือนข้างหน้า กลายเป็นผู้ไล่ตามที่แข็งแกร่งที่สุดรองจาก OpenAI และ Anthropic
· การคาดการณ์นี้ตั้งอยู่บนสามเส้นทางหลัก ได้แก่ ดีล Scale AI มูลค่า 14.3 พันล้านดอลลาร์ การผลิตข้อมูล RL และการขยายกำลังคำนวณหลาย GW
· Muse Spark 1.1 ยังไม่สามารถเทียบชั้นโมเดล前沿ได้ การที่ Meta จะแซง Google ได้หรือไม่นั้นขึ้นอยู่กับประสิทธิภาพของโมเดลรุ่นถัดไป

SemiAnalysis ในรายงานล่าสุดให้การคาดการณ์ที่รุนแรงว่า Meta Super Intelligence Lab ยังไม่ใช่ผู้ชนะในโมเดล前沿 แต่หากบุคลากร ข้อมูลการเรียนรู้แบบเสริมแรง และการขยายกำลังคำนวณเกิดขึ้นพร้อมกัน ก็มีโอกาสแซงหน้า Google ภายใน 6 เดือนข้างหน้า กลายเป็นผู้ไล่ตามที่มีศักยภาพมากที่สุดรองจาก OpenAI และ Anthropic

นี่ไม่ได้หมายความว่า Meta ตามทันแล้ว Meta เปิดตัว Muse Spark ในเดือนเมษายน และตามรายงานของ Axios เมื่อวันที่ 9 กรกฎาคม Muse Spark 1.1 ได้เปิด API ให้กับนักพัฒนาแล้ว โดยราคาอยู่ที่ 1.25 ดอลลาร์ต่อ token อินพุต 1 ล้านตัว และ 4.25 ดอลลาร์ต่อ token เอาต์พุต 1 ล้านตัว Axios ระบุว่านี่ไม่ใช่โมเดล "ก้าวกระโดดครั้งใหญ่" ตามที่ Meta คาดหวัง โมเดลขนาดใหญ่ที่ใช้ชื่อรหัส Watermelon ยังคงอยู่ในระหว่างการฝึกอบรม

SemiAnalysis กำลังเดิมพันในอีกเรื่องหนึ่ง: หลังจากที่ Llama 4 ประสบปัญหา Zuckerberg กำลังปรับโครงสร้างองค์กร AI ด้วยวิธีที่รุนแรงยิ่งขึ้น โดยทุ่มเงิน บุคลากร ทรัพยากรวิศวกรรมภายใน และความจุศูนย์ข้อมูลให้กับ Super Intelligence Lab จุดแตกหักของรายงานคือ Google ยังคงนั่งอยู่ในตำแหน่งที่สามของ AI ได้อย่างมั่นคงหรือไม่

โมเดลปัจจุบันยังไม่แข็งแกร่ง รายงานเดิมพันด้วยความเร็วในการไล่ตาม 6 เดือน

หลังจากที่ Meta Super Intelligence Lab เปิดตัวพร้อมกับ Muse Spark ก็ไม่ได้สร้างความรู้สึกเป็นผู้นำโอเพนซอร์สเหมือนในยุค Llama 3 และ Llama 3.1 ตามการทดสอบและการตัดสินของ SemiAnalysis Muse Spark และเวอร์ชันต่อๆ ไปในเกณฑ์มาตรฐานส่วนใหญ่และสถานการณ์เอเจนต์ทั่วไปยังคงยากที่จะเรียกว่าเป็น前沿

นี่คือจุดที่รายงานนี้ต้องการข้อจำกัดมากที่สุด รายละเอียดเช่น Muse Spark 1.1 เทียบเท่ากับ Opus 4.6 หรือ GLM 5.2 และการใช้งาน token ภายในที่ยังไม่ย้ายถิ่น เป็นการทดสอบและการตัดสินของผู้เขียน ไม่ใช่ข้อมูลอย่างเป็นทางการของ Meta อย่างน้อยจากข้อมูลสาธารณะ Meta ยังไม่มีโมเดลที่สามารถท้าทาย OpenAI และ Anthropic ได้โดยตรง

แต่ SemiAnalysis กลับให้ความสนใจกับความชันของเส้นกราฟ หลังจากความล้มเหลวของ Llama 4 ทีมซูเปอร์อินเทลลิเจนซ์ของ Meta ได้ทำการปรับโครงสร้างครั้งใหญ่ และความวุ่นวายในองค์กรระยะสั้นกำลังถูกย่อยสลาย รายงานประเมินว่า หากการฝึกโมเดลรอบถัดไปและการผลิตข้อมูลสำหรับการเรียนรู้แบบเสริมกำลังเริ่มสะท้อนออกมาในผลิตภัณฑ์ ตำแหน่งของ Meta อาจดีกว่าที่แสดงในอันดับปัจจุบัน

ดีล 14.3 พันล้านดอลลาร์กับ Scale AI เติมเต็มสิ่งที่หายากที่สุดในโมเดล前沿

ก้าวที่โดดเด่นที่สุดของ Meta คือการลงทุน 14.3 พันล้านดอลลาร์ใน Scale AI ก่อนหน้านี้ Fortune, Forbes, Reuters และสื่ออื่นๆ รายงานว่า Meta ใช้ดีลนี้เพื่อดึงตัว Alexandr Wang ผู้ก่อตั้ง Scale AI เข้ามา และให้เขาเข้าร่วมหรือเป็นผู้นำทีมที่เกี่ยวข้องกับซูเปอร์อินเทลลิเจนซ์

ในการแข่งขันโมเดล前沿 ดีลนี้ไม่ใช่แค่การซื้อบริษัทติดป้ายข้อมูล แต่เหมือนการล่าตัวคนเก่งระดับสูง ทีม SEAL (ความปลอดภัย การประเมิน และการจัดแนว) ของ Scale ถูก SemiAnalysis มองว่าเป็นแหล่งสำคัญที่ Meta ใช้เสริมความสามารถด้านการประเมิน การจัดแนว และการฝึกหลังการฝึก

Reuters ยังเคยกล่าวว่า Meta เสนอแพ็กเกจเงินเดือนมูลค่าหลายร้อยล้านดอลลาร์ให้กับวิศวกร AI บางคน ตัวเลขนี้บ่งชี้ว่า Meta ได้วางซูเปอร์อินเทลลิเจนซ์เป็นลำดับความสำคัญระดับบริษัท ไม่ใช่แค่การปรับปรุงผลิตภัณฑ์ AI ทั่วไป สำหรับบริษัทเทคโนโลยีขนาดใหญ่ สิ่งที่ยากจริงๆ ไม่ใช่การจัดสรรงบประมาณ แต่คือการทำให้การวิจัย ผลิตภัณฑ์ โครงสร้างพื้นฐาน และฝ่ายบริหารทำงานไปในทิศทางเดียวกัน

SemiAnalysis อ้างอิงคำพูดของ Alexandr Wang ในพอดแคสต์ล่าสุดว่า ห้องปฏิบัติการ前沿ที่แท้จริงมักจะเชื่อก่อนว่าซูเปอร์อินเทลลิเจนซ์ใกล้เข้ามาแล้ว จากนั้นการตัดสินใจทางธุรกิจก็จะยึดตามความเชื่อนี้ รายงานตีความการเคลื่อนไหวล่าสุดของ Meta ว่าเป็นการเข้าใกล้ลำดับความสำคัญแบบ AGI ของ OpenAI และ Anthropic

วิศวกร 3,000 คนหันไปทำงาน RL Meta ต้องการเปลี่ยนงานภายในให้เป็นข้อมูลฝึก

นอกเหนือจากบุคลากรแล้ว งานการเรียนรู้แบบเสริมกำลังและข้อมูลการทำงานจริงคือเส้นทางที่สอง

ทุกวันนี้ การปรับปรุงความสามารถของโมเดลไม่ได้พึ่งพาแค่คลังข้อมูลก่อนการฝึกอีกต่อไป สิ่งที่สำคัญกว่าคือ โมเดลสามารถทำงานในสภาพแวดล้อมที่ใกล้เคียงกับการทำงานจริงได้หรือไม่ เช่น การเข้าใจบริบท การเรียกใช้เครื่องมือ การดำเนินการทดสอบ การแก้ไขข้อผิดพลาด และการปรับปรุงตามผลลัพธ์ การซ่อมแซมโค้ด การวิเคราะห์ผลิตภัณฑ์ และการเรียกใช้เครื่องมือภายใน ล้วนใกล้เคียงกับความยากจริงของงานปกขาวมากกว่าข้อสอบทั่วไป

SemiAnalysis ระบุว่า Meta ได้ย้ายวิศวกรประมาณ 3,000 คนไปเป็นผู้สร้างภารกิจ RL แบบเต็มเวลา ตัวเลขนี้ยังต้องทำความเข้าใจตามกรอบการรายงาน แต่หากดำเนินการได้ตามแผน ความได้เปรียบของ Meta จะชัดเจน: มันไม่ใช่แค่การจ้างซื้อข้อมูลจากภายนอก แต่เป็นการเปลี่ยนองค์กรวิศวกรรมของตัวเองให้กลายเป็นสายการผลิตภารกิจฝึกอบรม

ข้อมูลประเภทนี้มีความสำคัญเป็นพิเศษสำหรับเอเจนต์ งาน RL หลายอย่างดูเหมือนยาก แต่ในความเป็นจริงพรอมต์ได้ระบุขั้นตอนละเอียดเกินไป จนไม่สอดคล้องกับพฤติกรรมการทำงานจริง การบันทึกหน้าจอ เวิร์กโฟลว์ประจำวัน บันทึกการเรียกใช้เครื่องมือ และระบบประเมินภายใน อาจเหมาะสมกว่าสำหรับการฝึกโมเดลที่สามารถทำงานอัตโนมัติในสายงานออฟฟิศ

นี่คือเหตุผลที่รายงานมองว่า Meta มีโอกาส追赶 Google Google มี DeepMind, Gemini, TPU และธุรกิจคลาวด์ แต่ Meta กำลังรวมองค์กรภายใน ข้อมูล และความสามารถด้านวิศวกรรมเข้าสู่เป้าหมายโมเดลเดียวกัน

การขยายพลังประมวลผลหลาย GW ทำให้ Meta เข้าสู่โต๊ะ前沿

พลังประมวลผลคือเส้นที่สาม SemiAnalysis ในบทความวันที่ 2 กรกฎาคม ระบุว่า Meta เซ็นสัญญาความจุมากกว่า 5 GW ในครึ่งปีแรก และสะสมดีลใกล้ 10 GW ตั้งแต่ปี 2024 พร้อมประเมินว่าความจุส่วนใหญ่จะยังคงไหลไปยัง Meta Super Intelligence Lab

สำหรับนักลงทุนทั่วไป ประเด็นสำคัญไม่ใช่การออกแบบศูนย์ข้อมูลเฉพาะ แต่เป็นทิศทางของรายจ่ายด้านทุน Meta ขยายพลังประมวลผลไม่ใช่เพื่อให้บริการคลาวด์ทั่วไป แต่เพื่อเตรียมคลัสเตอร์ขนาดใหญ่สำหรับการฝึกโมเดลภายใน การฝึกหลัง และลูปเอเจนต์ ยิ่งการฝึกและ RL หนักมากเท่าไร ความเร็วในการปรับใช้พลังประมวลผลก็จะส่งผลต่อความเร็วในการปรับปรุงโมเดลมากขึ้น

รายงานยังกล่าวถึงแนวคิดโครงสร้างพื้นฐาน เช่น การเชื่อมต่อข้ามภูมิภาคและการปรับใช้ศูนย์ข้อมูลอย่างรวดเร็ว รายละเอียดเหล่านี้ยังคงเป็นส่วนหนึ่งของการจำลองโมเดลของ SemiAnalysis แต่ทิศทางชัดเจน: Meta กำลังใช้โครงสร้างพื้นฐานเพื่อแลกกับเวลา

ข้อถกเถียงของ Google ไม่ใช่ว่ามีพลังประมวลผลหรือไม่ แต่เป็นวิธีการจัดสรร SemiAnalysis คาดว่าความจุศูนย์ข้อมูลใหม่ของ Google ส่วนใหญ่จะให้บริการ IaaS และ API ของบุคคลที่สาม ทำให้ทรัพยากรที่ DeepMind ใช้สำหรับการฝึก前沿อาจมีความเข้มข้นน้อยกว่าที่คาด แม้ว่า Google จะขยายโครงสร้างพื้นฐาน AI เพิ่มเติมผ่านการระดมทุนภายนอกหรือตลาดทุน ความจุใหม่อาจถูกดูดซับโดยลูกค้าคลาวด์บางส่วน

ดังนั้น รายงานจึงให้ข้อสรุปที่ถกเถียงมากขึ้น: การแข่งขันอันดับสามใน AI ไม่ใช่ Google ที่นั่งอยู่เฉยๆ แต่อาจกลายเป็นการจัดลำดับใหม่ระหว่าง Meta, Google และผู้เล่นพลังประมวลผลสูงรายอื่น

ปัญหาที่ใหญ่ที่สุดยังคงเป็น Meta ที่ยังไม่มีโมเดล前沿

ส่วนที่ทรงพลังที่สุดของรายงานนี้ก็คือจุดที่มีความเสี่ยงมากที่สุด: มันพนันกับ 6 เดือนข้างหน้า ไม่ใช่ผลลัพธ์ที่เกิดขึ้นแล้ว

Meta มีดีล Scale AI มูลค่า 14.3 พันล้านดอลลาร์แล้ว การเข้าร่วมของ Alexandr Wang แพ็กเกจเงินเดือนระดับหลายร้อยล้านดอลลาร์ การขยายพลังประมวลผลหลาย GW และการจัดสรรทรัพยากรวิศวกรรมภายในไปยังงาน RL แต่สิ่งเหล่านี้ยังเป็นแค่เงื่อนไขในการไล่ตาม ไม่ใช่ชัยชนะของโมเดลเอง

Muse Spark 1.1 ยังไม่สามารถพิสูจน์ได้ว่า Meta เข้าสู่ตำแหน่งที่ OpenAI และ Anthropic อยู่ โมเดลที่ใหญ่กว่าเช่น Watermelon ยังอยู่ในระหว่างการฝึกฝน ความสามารถจริง ต้นทุน ความพร้อมใช้งาน และความคิดเห็นจากนักพัฒนายังไม่ผ่านการทดสอบจากตลาด

Google ก็ไม่ได้ออกจากโต๊ะ DeepMind, TPU, Gemini และธุรกิจคลาวด์ยังคงเป็นข้อได้เปรียบที่แข็งแกร่ง ความแตกต่างที่แท้จริงคือทรัพยากรของ Google ต้องรองรับการค้นหา คลาวด์ ลูกค้า API และโมเดลภายใน ในขณะที่ Meta กำลังรวมทรัพยากรมากขึ้นไปยังห้องปฏิบัติการซูเปอร์อินเทลลิเจนซ์

ถ้าโมเดลรุ่นถัดไปของ Meta ไม่มีความก้าวหน้าที่ชัดเจน การใช้เงิน 14.3 พันล้านดอลลาร์เพื่อดึงคนและการลงทุนพลังประมวลผลขนาดใหญ่จะกลายเป็นแรงกดดันด้านค่าใช้จ่ายทุนที่หนักขึ้น ถ้าโมเดลใหม่และผลิตภัณฑ์เอเจนต์ทำได้ตามที่สัญญา ตำแหน่งที่สามใน AI จะเริ่มสั่นคลอนจริงๆ

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia