ชื่อวิดีโอ: Silicon Valley Vector x ผู้ร่วมก่อตั้ง Fireworks Benny Chen: โมเดลโอเพนซอร์ส อัตราการเติบโตของ Token การปรับแต่งการอนุมาน และการปรับแต่งโมเดล
ผู้สร้างวิดีโอ: Silicon Valley Vector 硅谷坐标
บรรณาธิการ: Peggy, BlockBeats

หมายเหตุบรรณาธิการ: ในบริบทที่โมเดลโอเพนซอร์สเร่งเข้าใกล้โมเดล前沿แบบปิด และราคาการอนุมานลดลงอย่างต่อเนื่อง การอภิปรายในอุตสาหกรรมกำลังเปลี่ยนจาก "ใครมีโมเดลที่มีความสามารถ最强" ไปเป็น "ใครสามารถนำโมเดลเข้าสู่การผลิตด้วยต้นทุนที่ต่ำกว่า" แต่เมื่อความสามารถของโมเดลเริ่มเหมือนกัน และการเติบโตของการใช้ Token กลายเป็นฉันทามติ คำถามพื้นฐานยิ่งขึ้นเริ่มปรากฏ: สิ่งที่องค์กรยินดีจ่ายจริงๆ คือการเรียกใช้โมเดลที่ถูกกว่า หรือปัญญาประดิษฐ์เฉพาะทางที่สามารถทำงานเฉพาะเจาะจงได้อย่างเสถียร?

เมื่อเร็วๆ นี้ ผู้ดำเนินรายการของ《硅谷坐标》เฉา ชิงหยุน ได้สนทนากับเฉิน ยวี่เฟย ผู้ร่วมก่อตั้ง Fireworks AI Fireworks ตั้งอยู่ระหว่างโมเดลและการประยุกต์ใช้ในองค์กร โดยให้บริการการอนุมานโมเดลโอเพนซอร์ส การปรับปรุงประสิทธิภาพ และการปรับแต่งเป็นหลัก เมื่อเทียบกับการพูดคุยเพียงว่าโอเพนซอร์สสามารถไล่ตามปิดได้หรือไม่ มุมมองของเฉิน ยวี่เฟย ใกล้เคียงกับปริมาณงานจริงมากกว่า: Token ไหลไปที่ใด ทำไมองค์กรถึงจ่ายเงิน และสิ่งที่ขาดหายไปในการที่โมเดลจะเปลี่ยนจาก Proof of Concept ไปสู่การผลิต

ในการสนทนาครั้งนี้ เฉิน ยวี่เฟย ได้แยกคำถาม "โอเพนซอร์สหรือปิดใครจะชนะ" ออกเป็นชุดคำถามเชิงโครงสร้างที่พื้นฐานกว่า: การเติบโตของ Token สามารถแปลงเป็นรายได้ได้หรือไม่ ความสามารถทั่วไปสามารถแทนที่การสั่งสมในแนวตั้งได้หรือไม่ โมเดลราคาถูกสามารถผ่านการประเมินขององค์กรได้หรือไม่ และแพลตฟอร์มการอนุมานจะได้รับคุณค่าระหว่างผู้ให้บริการคลาวด์และบริษัทแอปพลิเคชันได้อย่างไร

ประการแรก คือขนาดการใช้งานของโมเดลโอเพนซอร์สและคุณค่าทางธุรกิจกำลังแยกออกจากกัน ในอดีต การไล่ตามความสามารถและราคาการเรียกใช้เป็นตัวชี้วัดหลักในการตัดสินความสามารถในการแข่งขันของโอเพนซอร์ส ปัจจุบัน แพลตฟอร์ม Fireworks ประมวลผล Token ประมาณ 40-50 ล้านล้านต่อวัน และปริมาณการใช้งานจริงของโมเดลโอเพนซอร์สได้ขยายตัวอย่างรวดเร็ว แต่ทราฟฟิกฟรี โปรโมชันอุดหนุน และความแตกต่างของราคาโมเดล อาจทำให้สถิติ Token ประเมินความต้องการบางส่วนสูงเกินไป ลูกค้าอาจเรียกใช้โมเดลราคาถูกเป็นจำนวนมาก แต่ยังคงจัดสรรงบประมาณสูงสุดให้กับโมเดลปิดที่มีประสิทธิภาพดีที่สุด ซึ่งหมายความว่า ขั้นตอนถัดไปของโอเพนซอร์สไม่ใช่เพียงการขยายทราฟฟิก แต่ต้องพิสูจน์ว่าสามารถถึงหรือเกินกว่าโมเดล前沿ในงานที่มีมูลค่าสูง และแปลงข้อได้เปรียบด้านต้นทุนเป็นความเต็มใจจ่าย

ประการที่สอง คือโมเดลทั่วไปและโมเดลแนวตั้งกำลังพัฒนาไปในทิศทางที่แตกต่างกัน ในอดีต ทุกครั้งที่โมเดล前沿อัปเกรด อาจกำจัดโมเดล Fine-tune จำนวนหนึ่งได้โดยตรง ปัจจุบัน การประยุกต์ใช้แนวตั้งในด้านกฎหมาย การแพทย์ การเขียนโปรแกรม ฯลฯ กำลังสะสมการประเมิน ข้อมูล และ Workflow ที่ละเอียดขึ้น และเป้าหมายการปรับแต่งก็แยกออกจากห้องปฏิบัติการ前沿มากขึ้นเรื่อยๆ โมเดลทั่วไปต้องเพิ่มขีดจำกัดความสามารถ ในขณะที่โมเดลแนวตั้งต้องส่งมอบผลลัพธ์อย่างเสถียรในสถานการณ์จำกัด โมเดลแรกสามารถแก้ปัญหาที่กว้างขึ้นได้ แต่โมเดลหลังเข้าใจดีกว่าว่าผู้ใช้กำหนด "ความถูกต้อง" อย่างไร ซึ่งหมายความว่า กำแพงป้องกันของบริษัทแนวตั้งไม่ได้อยู่ที่การมีโมเดลที่ปรับแต่งเองเท่านั้น แต่คือความสามารถในการแปลงความต้องการของอุตสาหกรรมเป็นระบบการประเมินอย่างต่อเนื่อง และย้ายซ้ำๆ ตามการอัปเดตของโมเดลพื้นฐาน

ประการที่สาม 瓶颈ของการนำ AI ไปใช้ในองค์กรกำลังเปลี่ยนจากด้านการจัดหาโมเดลไปสู่ความสามารถในการประเมินผล ในอดีต การพิสูจน์แนวคิดขององค์กรมักพึ่งพาประสบการณ์ทดลองใช้และการตัดสินเชิงอัตวิสัย แต่ปัจจุบัน เมื่อ AI เข้าสู่กระบวนการผลิตจริง เช่น ศูนย์บริการทางโทรศัพท์ การค้นหาข้อมูลทางกฎหมาย และการช่วยเหลือทางการแพทย์ การกล่าวเพียงว่า "ดูเหมือนว่าจะทำงานได้ดี" ไม่เพียงพอต่อการสนับสนุนการตัดสินใจจัดซื้ออีกต่อไป องค์กรจำเป็นต้องรู้ว่าโมเดลมีประสิทธิภาพในงานใดบ้าง ล้มเหลวเมื่อใด และการเปลี่ยนจากระบบปิดไปสู่ระบบเปิดจะเปลี่ยนแปลงต้นทุนและคุณภาพมากน้อยเพียงใด การประเมินผลจึงไม่ใช่เครื่องมือเสริมอีกต่อไป แต่เป็นโครงสร้างพื้นฐานที่เชื่อมโยงการจัดซื้อ การฝึกฝน และการใช้งานจริง ใครก็ตามที่สามารถกำหนดงาน สร้างการกระจายตัวของการทดสอบ และปรับปรุงมาตรฐานอย่างต่อเนื่องได้ ผู้นั้นจึงจะถือสิทธิ์ในการเลือกโมเดลอย่างแท้จริง

ประการที่สี่ คุณค่าของแพลตฟอร์มการอนุมานกำลังเปลี่ยนจากการ "ขายพลังคำนวณราคาถูก" ไปสู่การจัดระเบียบโมเดล ฮาร์ดแวร์ และขั้นตอนการทำงาน ในอดีต การปรับปรุงการอนุมานถูกเข้าใจว่าเป็นการลดต้นทุนต่อ Token เป็นหลัก แต่ปัจจุบัน การแคช การแบ่งงาน การจัดเส้นทางโมเดล และการจัดการบริบท ล้วนสามารถเปลี่ยนแปลงอัตราความสำเร็จของงานได้โดยตรง โมเดลที่แตกต่างกันไม่จำเป็นต้องแข่งขันเพื่อตำแหน่งเดียวกัน แต่สามารถทำหน้าที่เป็นผู้ปฏิบัติงานและที่ปรึกษาได้ตามลำดับ ตรรกะทางธุรกิจของ Fireworks จึงมีความเป็นไปได้ด้วยเหตุนี้: ไม่สร้างฮาร์ดแวร์หนักด้วยตนเอง แต่ผูกมัดรายได้เข้ากับการใช้งานจริงของโมเดลลูกค้าผ่านการฝึกฝน การปรับแต่ง และการอนุมานอย่างต่อเนื่อง อย่างไรก็ตาม คู่แข่งหลักของเส้นทางนี้ไม่ใช่บริษัทคลาวด์รายใหม่รายเดียว แต่คือผู้ให้บริการคลาวด์รายใหญ่ที่สามารถควบคุมพลังคำนวณ ซอฟต์แวร์ และจุดเข้าถึงลูกค้าได้พร้อมกัน

ประการที่ห้า การเติบโตของโมเดลโอเพนซอร์สไม่จำเป็นต้องลดทอนความต้องการโครงสร้างพื้นฐาน แต่กลับอาจบีบอัดส่วนต่างราคาในชั้นโมเดล และผลักดันมูลค่าไปสู่การอนุมานและพลังคำนวณมากขึ้น ยักษ์ใหญ่ด้านเทคโนโลยียังคงเพิ่มรายจ่ายด้านทุนอย่างต่อเนื่อง ไม่ใช่เพียงเพื่อคำนวณผลตอบแทนระยะสั้น แต่เพื่อชั่งน้ำหนักความเสี่ยงระยะยาวของการพลาดรอบ AI อย่างไรก็ตาม สำหรับบริษัทคลาวด์รายใหม่ที่พึ่งพาเงินทุนภายนอก ต้นทุนหนี้ การเลื่อนโครงการ และระยะเวลาคืนทุน ยังคงเป็นข้อจำกัดที่ตรงไปตรงมามากกว่า โมเดลที่ถูกลงไม่ได้หมายความว่าการสร้างและดำเนินระบบ AI จะเบาลงตามไปด้วย

หากจะบีบอัดบทสนทนานี้ให้เหลือเพียงข้อสรุปเดียว นั่นคือ: การที่โมเดลโอเพนซอร์สตามทันเป็นเพียงจุดเริ่มต้นเท่านั้น ขั้นตอนถัดไปของการ商业化 AI จะวนเวียนอยู่รอบการประเมินผล การปรับแต่ง ประสิทธิภาพการอนุมาน และขั้นตอนการทำงานของลูกค้า

ต่อไปนี้เป็นเนื้อหาต้นฉบับ (เพื่อความสะดวกในการอ่าน เนื้อหาต้นฉบับได้รับการเรียบเรียงใหม่บางส่วน):

TL; DR

·โมเดลโอเพนซอร์สกำลังไล่ตามโมเดลระบบปิดอย่างรวดเร็ว แต่การเติบโตของ Token ไม่เท่ากับการเติบโตของรายได้ งบประมาณขององค์กรยังคงไหลไปยังโมเดลที่มีประสิทธิภาพดีที่สุดเป็นอันดับแรก

·การกลั่น (Distillation) ช่วยให้โมเดลโอเพนซอร์สลดช่องว่างได้ในระยะสั้นเท่านั้น ความสามารถในการแข่งขันระยะยาวยังคงขึ้นอยู่กับการฝึกฝนอิสระ ข้อมูลการประเมิน บุคลากร และพลังคำนวณ

·การอัปเกรดโมเดลทั่วไปไม่ได้ทำให้โมเดลเฉพาะทางถูกกำจัดโดยอัตโนมัติ อุปสรรคในสถานการณ์ทางกฎหมาย การแพทย์ ฯลฯ กำลังเปลี่ยนจากความสามารถของโมเดลไปสู่การประเมินผล ข้อมูล และขั้นตอนการทำงาน

·กุญแจสำคัญของการเปลี่ยน AI ในองค์กรจาก PoC ไปสู่การผลิตจริง ไม่ได้อยู่ที่การเพิ่มตัวเลือกโมเดล แต่อยู่ที่การสร้างระบบการประเมินที่สามารถวัดคุณภาพ ต้นทุน และขอบเขตของความล้มเหลวได้

·การปรับแต่งการอนุมานได้ขยายจากการลดต้นทุนต่อโทเค็นไปสู่การแคช การแบ่งงาน และการจัดเส้นทางโมเดล การออกแบบระบบเองสามารถทำให้การผสมผสานหลายโมเดลเหนือกว่าโมเดล前沿เพียงตัวเดียว

·โมเดลที่ปรับแต่งเฉพาะเหมาะกับแพลตฟอร์ม SaaS แนวตั้งที่ครอบคลุมลูกค้าประเภทเดียวกันจำนวนมาก องค์กรเดี่ยวมักขาดการกระจายข้อมูลที่กว้างพอและการประเมินผลอย่างต่อเนื่อง

·ความสามารถในการแข่งขันของ Fireworks ไม่ได้อยู่ที่การถือครอง GPU แต่อยู่ที่การเชื่อมโยงการฝึกอบรม การปรับแต่ง และการอนุมานต่อเนื่อง แต่คู่แข่งระยะยาวที่แท้จริงยังคงเป็นยักษ์ใหญ่คลาวด์ที่ครอบคลุมเทคโนโลยีครบวงจร

·การแพร่หลายของโมเดลโอเพนซอร์สไม่จำเป็นต้องลดความต้องการฮาร์ดแวร์ แต่มีแนวโน้มที่จะบีบอัดส่วนเกินของชั้นโมเดล และจัดสรรคุณค่าทางอุตสาหกรรมใหม่ไปยังพลังคำนวณ โครงสร้างพื้นฐานการอนุมาน และเวิร์กโฟลว์องค์กร

ประเด็นสำคัญจากการสัมภาษณ์

โอเพนซอร์สจะไล่ตามต่อไป แต่การกลั่นไม่ใช่คำตอบระยะยาว

ทีม Fireworks ส่วนใหญ่มาจากระบบนิเวศ PyTorch ของ Meta จากประสบการณ์การพัฒนาซอฟต์แวร์ที่สำคัญในอดีต เช่น ระบบปฏิบัติการและฐานข้อมูล ทีมเชื่อมาโดยตลอดว่าซอฟต์แวร์ที่มีคุณค่าสำคัญจะ最终มีโซลูชันโอเพนซอร์สที่แข่งขันได้ โมเดลขนาดใหญ่อาจพัฒนาตามเส้นทางที่คล้ายคลึงกัน เพียงแต่รอบนี้ความเร็วในการไล่ตามเร็วกว่าที่เฉินยวี่เฟยคาดการณ์ไว้เดิม

ในด้านหนึ่ง บริษัทโมเดลแบบปิดอย่าง OpenAI และ Anthropic ยังคงมีรายได้ประจำปีที่เติบโตอย่างรวดเร็ว ในอีกด้านหนึ่ง โมเดลโอเพนซอร์สจากจีนและสหรัฐฯ ก็กำลังลดช่องว่างความสามารถลงอย่างรวดเร็ว และกดราคาการอนุมานให้ต่ำมาก โอเพนซอร์สและปิดไม่ใช่ความสัมพันธ์แบบผลรวมศูนย์ที่ฝ่ายหนึ่งเติบโตแล้วอีกฝ่ายต้องถดถอย

สำหรับโมเดลโอเพนซอร์สบางตัวที่กลั่นจากผลลัพธ์ของโมเดลปิด เฉินยวี่เฟยเห็นว่าวิธีนี้ช่วยให้โมเดลไปถึงระดับสูงได้ในระยะสั้น แต่ยากที่จะเป็นเส้นทางระยะยาวที่เชื่อถือได้ ผู้ให้บริการโมเดลปิดสามารถค่อยๆ ปรับปรุงกลไก API และความปลอดภัย เพื่อลดความเป็นไปได้ที่กระบวนการอนุมานและข้อมูลที่เกี่ยวข้องจะถูกสกัดออกมา

แต่ความก้าวหน้าของโมเดลโอเพนซอร์สไม่ได้พึ่งพาการกลั่นทั้งหมด ตราบใดที่ระบบการประเมินยัง不断完善 ต้นทุนข้อมูลลดลงอย่างต่อเนื่อง รวมถึงมีบุคลากร GPU และความสามารถด้านวิศวกรรมเพียงพอ ทีมโอเพนซอร์สก็ยังสามารถฝึกโมเดลที่แข่งขันได้อย่างอิสระ บริษัทอย่าง Meta ที่มีพลังคำนวณและบุคลากร ไม่มีเหตุผลที่จะรักษาช่องว่างขนาดใหญ่กับโมเดล前沿แบบปิดในระยะยาว

นี่ไม่ได้หมายความว่าโมเดลปิดจะสูญเสียตลาด เฉินยวี่เฟยเปรียบเทียบทั้งสองเหมือน Apple และ Android: ระบบนิเวศเปิดอาจรองรับขนาดการใช้งานที่ใหญ่กว่า ขณะที่ผลิตภัณฑ์ปิดที่领先อย่างต่อเนื่องสามารถรักษาลูกค้ามูลค่าสูงที่อ่อนไหวต่อราคาน้อยกว่าได้ด้วยประสบการณ์ที่เสถียร การรับรู้แบรนด์ และความไว้วางใจจากองค์กร

การจัดซื้อขององค์กรมักโน้มเอียงไปทางอนุรักษ์นิยม "ไม่มีใครถูกไล่ออกเพราะซื้อ IBM" อธิบายจิตวิทยาการตัดสินใจแบบนี้ได้ดี ตราบใดที่ลูกค้ายังเชื่อว่าการซื้อโมเดลปิดชั้นนำมีความปลอดภัยกว่า บริษัทอย่าง OpenAI และ Anthropic ก็ยังคงรักษาความได้เปรียบได้ เมื่อเทียบกับช่องว่างทางเทคโนโลยีระยะสั้น จิตใจผู้ใช้และความสามารถในการเข้าสู่ตลาดอาจเปลี่ยนแปลงได้ยากกว่า

เฉิน อวี้เฟย คาดการณ์ว่า ARR ของบริษัทโมเดลแบบปิดจะยังคงเติบโต แต่ตัวเลขดังกล่าวอาจไม่สะท้อนผลประโยชน์ทางเศรษฐกิจที่ได้รับจริงอย่างครบถ้วน ตัวอย่างเช่น รายได้บางส่วนอาจต้องแบ่งปันกับผู้ให้บริการคลาวด์ การเพิ่มขึ้นของ ARR ไม่จำเป็นต้องแปลงเป็นสัดส่วนเดียวกันของรายได้ทางบัญชีและกำไร อำนาจการต่อรองของโมเดลแบบปิดจะลดลงหรือไม่ ต้องรอให้บริษัทที่เกี่ยวข้องเปิดเผยข้อมูลทางการเงินที่สมบูรณ์มากขึ้นก่อนจึงจะประเมินได้

ในระยะยาว โมเดลแบบเปิดอาจมีขนาดการเรียกใช้ที่ใหญ่กว่า ในขณะที่โมเดลแบบปิดยังคงครองความต้องการที่มีกำไรสูงกว่า สิ่งที่กำหนดขอบเขตทางธุรกิจของทั้งสองไม่เพียงแต่ความสามารถของโมเดลเท่านั้น แต่ยังรวมถึงแบรนด์ ช่องทาง ความไว้วางใจของลูกค้า และรูปแบบการกระจายรายได้

Token กำลังไหลไปสู่โอเพนซอร์ส แต่รายได้ยังคง追随ประสิทธิภาพ

ตามที่เฉิน อวี้เฟย กล่าว แพลตฟอร์ม Fireworks ในปัจจุบันประมวลผล Token ประมาณ 40 ถึง 50 ล้านล้านตัวต่อวัน ตามข้อมูลสาธารณะที่เขาอ้างอิง ขนาดดังกล่าวเกินกว่าปริมาณการเข้าถึง API ขององค์กรที่ Gemini และ OpenAI เปิดเผยต่อสาธารณะแล้ว

ความต้องการหลักบนแพลตฟอร์มมาจากการเขียนโปรแกรม การแพทย์ การทำงานร่วมกันในสำนักงาน และการวิจัยเชิงลึก โดยเฉพาะอย่างยิ่ง งานจำนวนมากขึ้นที่ไม่เคยถูกมองว่าเป็นการเขียนโปรแกรม กำลังถูกนิยามใหม่เป็น "ปัญหาการเขียนโปรแกรม"

ซอฟต์แวร์สำนักงาน เช่น PowerPoint และ Excel เป็นกรณีตัวอย่างที่ชัดเจน เมื่อโมเดลสามารถควบคุมซอฟต์แวร์เหล่านี้ผ่านโค้ดหรือเครื่องมือที่มีโครงสร้าง วิธีการสร้างโค้ด การเรียกใช้เครื่องมือ และการเรียนรู้แบบเสริมกำลังที่มีอยู่ก็สามารถนำไปประยุกต์ใช้กับสถานการณ์สำนักงานได้ บริษัท SaaS แนวตั้งจำนวนมากยังห่อหุ้มเครื่องมือในอุตสาหกรรมให้เป็นสภาพแวดล้อมที่โมเดลสามารถเรียกใช้ได้ จากนั้นใช้การเรียนรู้แบบเสริมกำลังเพื่อให้โมเดลคุ้นเคยกับขั้นตอนการทำงานเฉพาะ

เฉิน อวี้เฟย แบ่งความต้องการในปัจจุบันออกเป็นสองประเภทหลัก ๆ คือ การเขียนโปรแกรม และการวิจัยเชิงลึก แอปพลิเคชันแนวตั้งที่แตกต่างกันจะผสมผสานทั้งสองอย่างเข้าด้วยกัน เพื่อสร้าง Agent เฉพาะทางสำหรับสถานการณ์ทางกฎหมาย การแพทย์ สำนักงาน และอื่น ๆ

เขามองในแง่ดีเป็นพิเศษต่อผลิตภัณฑ์การทำงานร่วมกันในสำนักงานที่มุ่งเป้าไปที่ผู้ใช้ที่ไม่ใช่สายเทคนิค ก่อนหน้านี้ทรัพยากรส่วนใหญ่ในอุตสาหกรรมถูกทุ่มเทให้กับความต้องการ "สายวิทย์" เช่น คณิตศาสตร์และการเขียนโปรแกรม แต่ความต้องการที่มุ่งเป้าไปที่ผู้มีความรู้ในวงกว้าง เช่น การสร้างสไลด์ การจัดการเอกสาร และการผลิตวิดีโอ อาจเติบโตเร็วกว่า

การพัฒนาของ Agent ที่ควบคุมคอมพิวเตอร์ช้ากว่าที่คาดการณ์ไว้ก่อนหน้านี้ เมื่อกว่าหนึ่งปีที่แล้ว ผลิตภัณฑ์ประเภทนี้เคยถูกมองว่าสามารถเลี่ยง API ที่ซับซ้อนและใช้คอมพิวเตอร์ได้โดยตรงเหมือนมนุษย์ แต่ในการพัฒนาจริง องค์กรต่าง ๆ กลับเปลี่ยนขั้นตอนการทำงานไปสู่ข้อความล้วนมากขึ้นเพื่อลดต้นทุน โมเดลข้อความมีราคาถูกกว่าและฝังเข้ากับกระบวนการที่มีอยู่ได้ง่ายกว่า เมื่อต้นทุนเครื่องเสมือนลดลงและสภาพแวดล้อมการทำงานดีขึ้น Agent ที่ควบคุมคอมพิวเตอร์อาจยังมีพื้นที่มากขึ้น แต่เส้นทางการปรับให้เหมาะสมที่เฉพาะเจาะจงยังอยู่ระหว่างการสำรวจ

อย่างไรก็ตาม การเติบโตของ Token ไม่สามารถแทนมูลค่าทางธุรกิจได้โดยตรง อันดับการจัดเส้นทางโมเดลสาธารณะมักได้รับผลกระทบจากโควตาและกิจกรรมส่งเสริมการขายฟรี และจำนวน Token ที่เท่ากันอาจสอดคล้องกับราคาที่แตกต่างกันโดยสิ้นเชิง ปริมาณการเข้าชมที่เกิดจากโมเดลราคาถูกกับปริมาณการเข้าชมที่เกิดจากโมเดล前沿ที่มีราคาแพง มีความหมายในแง่รายได้ที่ไม่เหมือนกัน

เฉิน อวี้เฟย์ มองว่ารายได้สะท้อนทางเลือกที่แท้จริงของลูกค้าได้ดีกว่าจำนวนโทเคน เมื่อองค์กรไม่ไวต่อราคา งบประมาณก็ยังคงไหลไปยังโมเดลที่ให้ผลลัพธ์ดีที่สุด ดังนั้น เมื่อ Fireworks ช่วยลูกค้าปรับแต่งโมเดล เป้าหมายหลักมักไม่ใช่การทำ "ความคุ้มค่าราคา" แต่คือการทำผลงานให้ถึงหรือเหนือกว่าโมเดลปิดชั้นนำในงานเฉพาะด้าน

ตลาดการเขียนโค้ดก็มีการแบ่งแยกระหว่างปริมาณการใช้งานและรายได้เช่นกัน การใช้โทเคนมีแนวโน้มจะเติบโตต่อเนื่อง แต่หากโมเดลที่ใช้บ่อยลดราคาลงเรื่อยๆ ราคาที่ถูกลงจะกระตุ้นการเรียกใช้มากขึ้น แต่ไม่จำเป็นต้องขยายรายได้ของตลาดให้เติบโตตามไปด้วย เช่นเดียวกับที่ไฟฟ้าแพร่หลายไม่ได้หมายความว่ากำไรทั้งหมดตกเป็นของบริษัทผลิตไฟฟ้า การเติบโตของปริมาณการเรียกใช้ AI ก็ไม่สามารถตอบได้โดยตรงว่าคุณค่าของอุตสาหกรรมจะตกอยู่ที่ชั้นใดในท้ายที่สุด

ในอนาคตอันใกล้ ปริมาณการใช้งานโมเดลโอเพนซอร์สอาจเพิ่มขึ้นต่อเนื่อง แต่การขยายตัวของค่าใช้จ่ายที่เกี่ยวข้องจะเกิดขึ้นพร้อมกันหรือไม่นั้น ขึ้นอยู่กับว่าองค์กรยินดีลงทุนทรัพยากรในการปรับแต่งหรือไม่ หากบริษัทจำนวนมากขึ้นเรื่อยๆ สามารถทำให้โมเดลโอเพนซอร์สที่ปรับแต่งแล้วท้าทายโมเดลปิดในงานเฉพาะด้านได้ การไหลของทราฟฟิกและรายได้จะย้ายไปสู่โอเพนซอร์สมากขึ้น แต่หากต้นทุนการปรับแต่ง อัตราความล้มเหลว และความสามารถขององค์กรยังคงเป็นอุปสรรค โมเดลปิดก็ยังคงรองรับความต้องการที่มีมูลค่าสูงส่วนใหญ่ต่อไป

โมเดลทั่วไปยกระดับขีดจำกัดความสามารถ โมเดลแนวตั้งสะสมกำแพงด้านงานเฉพาะ

ทุกครั้งที่มีการเปิดตัวโมเดล前沿รุ่นใหม่ ตลาดจะตั้งคำถามเดิมซ้ำอีกครั้ง: โมเดลที่องค์กรลงทุนข้อมูลและเงินเพื่อปรับแต่ง จะสูญเสียคุณค่าไปอย่างรวดเร็วหรือไม่?

เฉิน อวี้เฟย์ กล่าวว่า ในปี 2025 มีโมเดลที่ปรับแต่งจำนวนไม่น้อยถูกแทนที่ด้วยโมเดลพื้นฐานรุ่นใหม่ แต่เมื่อถึงปี 2026 สถานการณ์เช่นนี้ลดลงอย่างเห็นได้ชัด ในมุมมองของเขา นี่คือสัญญาณเชิงบวกที่แสดงว่าคุณค่าทางธุรกิจของโมเดลแนวตั้งเริ่มมีความมั่นคง

เหตุผลก็คือ โมเดลทั่วไปและแอปพลิเคชันแนวตั้งกำลังถูกปรับให้เหมาะสมในทิศทางที่แตกต่างกัน ห้องปฏิบัติการ前沿ต้องพิสูจน์ว่าโมเดลสามารถแก้ปัญหาคณิตศาสตร์ วิทยาศาสตร์ และการวิจัยพัฒนายาที่ยากขึ้นได้ ในขณะที่บริษัทแนวตั้งในด้านกฎหมาย การแพทย์ ฯลฯ ให้ความสำคัญกับความต้องการเฉพาะของผู้ใช้ อัตราความสำเร็จของงาน ความแม่นยำของการอ้างอิง และความน่าเชื่อถือของขั้นตอนการทำงาน

「การทำ Agent ในสาขาแนวตั้งให้ดี กับการแก้ปัญหาคอนเจกเจอร์ของรีมันน์ อาจเป็นงานสองประเภทที่แตกต่างกันโดยสิ้นเชิง」

ยกตัวอย่าง Harvey บริษัท AI ด้านกฎหมาย จุดแข็งของบริษัทไม่ได้มาจากการใช้โมเดลพื้นฐานตัวใดตัวหนึ่งเท่านั้น แต่ยังมาจากการแยกย่อยงานด้านกฎหมาย ระบบการประเมิน การจัดการข้อมูล และขั้นตอนผลิตภัณฑ์ สถานการณ์ในด้านการแพทย์ก็เช่นกัน ผลิตภัณฑ์ที่แตกต่างกันต้องสร้างมาตรฐานเฉพาะที่围绕วิธีการทำงานของแพทย์ แหล่งข้อมูล และข้อกำหนดด้านความแม่นยำ

การประเมินและข้อมูลเหล่านี้จะไม่สูญเสียความถูกต้องโดยอัตโนมัติเมื่อมีโมเดลใหม่เปิดตัว เมื่อโมเดลพื้นฐานได้รับการอัปเกรด บริษัทแนวตั้งสามารถย้ายสภาพแวดล้อมการฝึกอบรมเดิมไปยังโมเดลใหม่ได้ โดยไม่ต้องทำความเข้าใจอุตสาหกรรมทั้งหมดใหม่ทั้งหมด เมื่อการประเมินละเอียดขึ้นเรื่อยๆ และกระบวนการทำความสะอาดข้อมูลมีความ成熟มากขึ้น โมเดลแนวตั้งจึงสร้างความสามารถที่สะสมอย่างต่อเนื่อง围绕งานเฉพาะด้าน

ในทางทฤษฎี บริษัทโมเดล前沿สามารถรวมทรัพยากรเพื่อเข้าสู่ตลาดกฎหมายหรือการแพทย์ และเอาชนะผลิตภัณฑ์ที่มีอยู่เดิมในสาขาเดียวได้ แต่แนวทางนี้อาจไม่สอดคล้องกับเป้าหมายทางธุรกิจของตน บริษัทโมเดลทั่วไปจำเป็นต้องให้บริการลูกค้าที่หลากหลาย หากทุ่มทรัพยากรจำนวนมากไปยังสาขาแนวตั้งเพียงสาขาเดียว อาจยากที่จะรองรับขนาดตลาดและมูลค่าที่ต้องการ

เฉิน อวี้เฟย์ เปรียบเทียบโมเดลทั่วไปเหมือนร้านอาหารเครือข่ายที่ต้องดูแลรสนิยมที่หลากหลาย ขณะที่โมเดลแนวตั้งเหมือนร้านอาหารที่เน้นเมนูไม่กี่อย่าง อย่างหลังไม่จำเป็นต้องแก้ปัญหาทุกอย่าง แค่ทำได้ดีกว่าโซลูชันทั่วไปอย่างมีนัยสำคัญในงานเป้าหมาย ก็อาจสร้างพื้นที่ชำระเงินอิสระได้

ความสามารถที่ไม่สมดุลแต่เชี่ยวชาญสูงนี้ เขาเรียกว่า "Jagged Intelligence" โมเดลกฎหมายอาจไม่สามารถแก้ปัญหาสมมติฐานรีมันน์ได้ แต่สามารถเหนือกว่าโมเดลทั่วไปที่มีขนาดใหญ่กว่าในงานกฎหมายบางประเภท สำหรับลูกค้าองค์กร ความสามารถในการทำงานให้สำเร็จอย่างน่าเชื่อถือ มักสำคัญกว่าการที่โมเดลมีความสามารถกว้างขวางกว่า

ไม่ใช่องค์กรทุกแห่งที่เหมาะกับโมเดลที่ปรับแต่งเอง เฉิน อวี้เฟย์ เห็นว่าลูกค้าที่เหมาะสมที่สุดคือบริษัท SaaS แนวตั้งที่ให้บริการองค์กรประเภทเดียวกันจำนวนมาก ไม่ใช่โรงพยาบาล สำนักงานกฎหมาย หรือองค์กรปลายทางเพียงแห่งเดียว

แพลตฟอร์ม SaaS แนวตั้งสามารถเข้าถึงลูกค้าจำนวนมาก เข้าใจความต้องการร่วมกันระหว่างองค์กรต่างๆ และสร้างระบบประเมินผลที่ครอบคลุมสถานการณ์มากขึ้น องค์กรเดี่ยวมักขาดการกระจายข้อมูลที่กว้างพอและความสามารถในการประเมินต่อเนื่อง แทนที่จะฝึกโมเดลด้วยตัวเอง ควรแปลงกระบวนการภายในให้เป็นทักษะ เครื่องมือ หรือ Agent แล้วเรียกใช้โมเดลพื้นฐานภายนอกเพื่อทำงานให้สำเร็จ

ในโครงการปรับแต่งการเรียนรู้แบบเสริมกำลัง GPU เป็นต้นทุนหลัก แต่ข้อมูลและสภาพแวดล้อมการฝึกก็สำคัญเช่นกัน ทีมงานต้องตรวจสอบว่าโมเดลเกิดการแฮกรางวัลหรือไม่ กล่าวคือ ใช้ประโยชน์จากช่องโหว่ในการประเมินเพื่อให้ได้คะแนนสูง แต่ไม่ได้ทำงานจริง พร้อมทั้งต้องมั่นใจว่าสภาพแวดล้อมการฝึกมีความเสถียรและสามารถขยายขนาดการฝึกได้

สภาพแวดล้อมเริ่มต้นไม่จำเป็นต้องมีหลายแสนรายการ เฉิน อวี้เฟย์ กล่าวว่า สภาพแวดล้อมการฝึกหลายพันรายการก็เพียงพอที่จะเริ่มการเรียนรู้แบบเสริมกำลังได้ เพราะโมเดลจะสำรวจซ้ำแล้วซ้ำเล่าและสร้างเส้นทางการฝึกจำนวนมากในระหว่างกระบวนการ สมมติว่าแต่ละขั้นตอนการฝึกเรียกใช้สภาพแวดล้อมหนึ่งรายการ 128 ครั้ง ข้อมูลเริ่มต้นหนึ่งพันรายการอาจสร้างเส้นทางการฝึกประมาณ 128,000 เส้นทาง

โมเดลที่ปรับแต่งเองหลังใช้งานยังต้อง "กลับเข้าเตา" เมื่อมีโมเดลพื้นฐานโอเพนซอร์สใหม่เผยแพร่ แพลตฟอร์มสามารถย้ายระบบการฝึกและการประเมินเดิมไปยังโมเดลใหม่ได้ ตราบใดที่มาตรฐานการประเมินและสภาพแวดล้อมงานถูกกำหนดไว้แล้ว การย้ายอาจไม่ใช้เวลามากนัก สิ่งที่สร้างภาระงานต่อเนื่องจริงๆ คือลูกค้าเพิ่มสถานการณ์ใหม่ เวิร์กโฟลว์ และงานที่ยากขึ้น

ดังนั้น สินทรัพย์หลักของบริษัทแนวตั้งไม่ใช่น้ำหนักของโมเดลรุ่นใดรุ่นหนึ่ง แต่คือข้อมูล การประเมิน และเวิร์กโฟลว์ที่สามารถย้ายซ้ำได้เมื่อโมเดลพื้นฐานอัปเดต

องค์กร AI ติดอยู่ในขั้น PoC สิ่งที่ขาดไม่ใช่โมเดลแต่คือการประเมินผล

การที่องค์กรจะเลือกใช้โมเดลแบบโอเพนซอร์สหรือแบบปิด สิ่งแรกที่ต้องพิจารณาไม่ใช่แค่ประสิทธิภาพและราคา แต่คือความไว้วางใจ

เนื่องจากสัญญาขององค์กรมักมีระยะเวลาหนึ่งถึงสองปี ผู้ซื้อจำเป็นต้องประเมินว่าผู้ให้บริการและระบบนิเวศของพวกเขาสามารถสนับสนุนความต้องการทางธุรกิจในระยะยาวได้หรือไม่ โมเดลโอเพนซอร์สอาจถูกกว่าและยืดหยุ่นกว่า แต่ผู้ให้บริการแบบปิดยังคงได้เปรียบในด้านการสร้างแบรนด์ กรณีศึกษาความสำเร็จ และการรับรู้ในตลาด

เฉิน อวี้เฟย เห็นว่าจุดอ่อนที่ชัดเจนที่สุดของโมเดลโอเพนซอร์สและผู้ให้บริการในปัจจุบันไม่ใช่เทคโนโลยี แต่คือความสามารถในการเข้าสู่ตลาด บริษัทโมเดลแบบปิดสามารถเสริมสร้างการรับรู้ของผู้ใช้ได้อย่างต่อเนื่องผ่านการสาธิตความสามารถใหม่ๆ และผลงานวิจัย แต่ระบบนิเวศโอเพนซอร์สกลับขาดระบบการตลาดและการสื่อสารกับลูกค้าที่เป็นเอกภาพ

รูปแบบการปรับใช้ก็กำลังเปลี่ยนแปลงเช่นกัน ในช่วงแรกองค์กรให้ความสำคัญกับการติดตั้งในพื้นที่ภายในองค์กร แต่ปัจจุบันปริมาณงานจำนวนมากขึ้นเรื่อยๆ ถูกย้ายไปยังคลาวด์ ตราบใดที่ผู้ให้บริการสามารถสร้างความไว้วางใจในด้านความปลอดภัยและ Virtual Private Cloud เป็นต้น บริการคลาวด์แบบหลายผู้เช่ามักจะประหยัดกว่าการที่องค์กรครอบครอง GPU เฉพาะ

องค์กรเดี่ยวอาจไม่สามารถทำให้ชุด GPU ทำงานด้วยอัตราการใช้งานที่สูงได้ตลอดเวลา แต่แพลตฟอร์มสามารถรวมความต้องการของลูกค้าที่แตกต่างกันเพื่อเพิ่มประสิทธิภาพการใช้ฮาร์ดแวร์ เมื่อต้นทุนการอนุมาน (Inference) มีสัดส่วนเพิ่มขึ้นในค่าใช้จ่ายในการดำเนินงานขององค์กร ความได้เปรียบด้านต้นทุนจากโครงสร้างพื้นฐานที่ใช้ร่วมกันจะชัดเจนยิ่งขึ้น

อุปสรรคที่ใหญ่ที่สุดประการหนึ่งในการที่องค์กรจะก้าวจาก Proof of Concept ไปสู่การผลิตจริงคือการขาดการประเมินผลที่เข้มงวด หลายบริษัทแม้จะนำ AI มาใช้ในกระบวนการสำคัญอย่างศูนย์บริการลูกค้าแล้ว แต่วิธีการประเมินประสิทธิภาพของโมเดลยังคงใกล้เคียงกับการลองใช้ตามความรู้สึก มากกว่าการสร้างมาตรฐานการทดสอบที่สามารถทำซ้ำได้

หากไม่มีการประเมินผล องค์กรจะไม่สามารถเปรียบเทียบโมเดลโอเพนซอร์สและโมเดลปิดได้อย่างเสถียร และไม่สามารถ判断ได้ว่าการอัปเดตโมเดลช่วยปรับปรุงธุรกิจจริงหรือไม่ เฉิน อวี้เฟย จึงเห็นว่าบุคลากรที่สามารถออกแบบการประเมินผล AI ยังคงหายาก ระบบการประเมินที่เชื่อถือได้อาจช่วยให้องค์กรเปลี่ยนโมเดลได้สำเร็จ และประหยัดค่าใช้จ่ายระยะยาวที่สูงกว่าต้นทุนการสร้างระบบมาก

สิ่งนี้ไม่มีความแตกต่างโดยพื้นฐานจากการทดสอบหน่วย (Unit Test) ของบริษัทซอฟต์แวร์แบบดั้งเดิม ในอดีต บริษัท SaaS จำเป็นต้องรันชุดการทดสอบก่อนส่งมอบซอฟต์แวร์ ปัจจุบัน บริษัท AI แนวดิ่งจำเป็นต้องสร้างชุดการประเมินเพื่อยืนยันว่า Agent ผ่านมาตรฐานที่กำหนดก่อนนำไปใช้ในการผลิต จุดเน้นของงานในอุตสาหกรรมกำลังเปลี่ยนจาก "การเขียนทดสอบ" บางส่วนไปสู่ "การเขียนการประเมินผล" แต่แก่นแท้ยังคงเป็นการเปลี่ยนคุณภาพของผลิตภัณฑ์ให้เป็นความสามารถขององค์กรที่วัดผลได้และสะสมได้

การพัฒนาของบริษัทข้อมูลบุคคลที่สามยังสามารถใช้เป็นตัวชี้วัดการนำ AI ไปใช้ในองค์กรได้ หากลูกค้าของพวกเขายังคงกระจุกตัวอยู่ในห้องปฏิบัติการ前沿เพียงไม่กี่แห่ง แสดงว่าพื้นที่สำหรับองค์กรทั่วไปในการสร้างความสามารถ AI อิสระยังมีจำกัด หากแหล่งรายได้ค่อยๆ กระจายตัว อาจหมายความว่าองค์กรจำนวนมากขึ้นเริ่มซื้อข้อมูล สร้างการประเมินผล และฝึกฝนโมเดลของตนเอง

สิ่งที่องค์กรขาดจริงๆ ไม่ใช่โมเดลเพิ่มเติม แต่เป็นมาตรฐานที่สามารถกำหนดความถูกต้อง ระบุความล้มเหลว และสนับสนุนการตัดสินใจจัดซื้อ

การปรับแต่งการอนุมานเปลี่ยนจากการลดต้นทุน Token ไปสู่การจัดตารางระบบ

ธุรกิจหลักแรกของ Fireworks คือการปรับแต่งการอนุมาน เฉิน อวี้เฟย เชื่อว่างานนี้ยังมีพื้นที่อีกมาก เพราะประสิทธิภาพการทำงานของโมเดลเมื่อเพิ่งเปิดตัว กับผลลัพธ์หลังการปรับแต่งในระยะยาว มักจะมีความแตกต่างอย่างชัดเจน

ปัญหาที่แพลตฟอร์มต้องแก้ไขคือ วิธีลดระยะเวลาการปรับแต่งนี้ให้สั้นลง เพื่อให้โมเดลใหม่ใกล้เคียงสถานะที่ดีที่สุดเท่าที่เป็นไปได้ตั้งแต่เริ่มใช้งาน นอกเหนือจากตัวรันไทม์ของโมเดลแล้ว แคช การจัดตาราง และโครงสร้างพื้นฐานที่เกี่ยวข้อง ล้วนส่งผลต่อต้นทุนสุดท้าย การปรับแต่งจำนวนมากมาจากงานวิศวกรรมที่ละเอียดยิบ ดังนั้นการปรับแต่งการอนุมานจึงยังคงเป็นธุรกิจที่ใช้แรงงานเข้มข้น

เมื่อเทียบกับ API จากผู้พัฒนาโมเดลโดยตรง Fireworks ให้บริการโมเดลพื้นฐานและโมเดลที่ปรับแต่งจำนวนมากพร้อมกัน จึงสามารถสังเกตรูปแบบการรับส่งข้อมูลและปริมาณงานที่หลากหลายมากขึ้น ผู้ผลิตโมเดลต้องให้บริการโมเดลของตนอย่างเสถียรแก่ผู้ใช้ในวงกว้างก่อน ส่วนแพลตฟอร์มบุคคลที่สามสามารถปรับแต่งอย่างละเอียดมากขึ้นตามลักษณะคำขอของลูกค้าเฉพาะราย

การจัดเส้นทางโมเดลไม่ได้มีไว้เพื่อลดต้นทุนเพียงอย่างเดียว ในการทดลองร่วมระหว่าง Fireworks และ Harvey ระบบให้โมเดลหนึ่งทำหน้าที่เป็นผู้ปฏิบัติงาน และอีกโมเดลหนึ่งทำหน้าที่เป็นที่ปรึกษา โดยแบ่งงานที่มีบริบทยาวออกเป็นงานย่อยที่สั้นลงหลายชิ้น เนื่องจากประสิทธิภาพของโมเดลขนาดใหญ่อาจลดลงเมื่อบริบทยาวขึ้น หลังการแบ่งหน้าที่อย่างเหมาะสม ประสิทธิภาพโดยรวมของระบบอาจเหนือกว่าการใช้โมเดลที่แข็งแกร่งที่สุดเพียงตัวเดียว

เฉิน อวี้เฟย เปรียบเทียบกระบวนการนี้กับการปรับแต่งประสิทธิภาพ CPU นักพัฒนาต้องเข้าใจคุณสมบัติของโปรเซสเซอร์ แล้วแบ่งโปรแกรมออกเป็นปริมาณงานที่เหมาะสมกับโปรเซสเซอร์นั้น เช่นเดียวกัน ในระบบ AI โมเดลพื้นฐานสามารถมองเป็นตัวประมวลผลข้อความ: ทีมงานต้องเข้าใจขีดจำกัดความสามารถของโมเดลต่างๆ ก่อน จากนั้นออกแบบกรอบงาน และสุดท้ายวางโมเดลที่เหมาะสมในตำแหน่งที่เหมาะสม

การปรับแต่งฮาร์ดแวร์ไม่สามารถมองเพียงตัวชี้วัดรายการเดียวของ GPU, HBM, CPU และเครือข่าย ในช่วงเริ่มต้นของการฝึกโมเดล มักจะออกแบบตามอัตราส่วนการคำนวณและหน่วยความจำของฮาร์ดแวร์ที่มีอยู่แล้ว ดังนั้น การย้ายโมเดลจาก GPU ของ NVIDIA ไปยัง AMD GPU ที่มีคุณสมบัติใกล้เคียงกันจึงค่อนข้างง่าย แต่การย้ายไปยัง ASIC ที่มีสถาปัตยกรรมต่างกันอาจต้องใช้ความพยายามอย่างมาก

ความสำเร็จของฮาร์ดแวร์ใหม่ไม่ได้ขึ้นอยู่กับว่าพารามิเตอร์ใกล้เคียงกับ NVIDIA หรือไม่เท่านั้น แต่ยังขึ้นอยู่กับขนาดการจัดหา ระบบนิเวศซอฟต์แวร์ และแรงจูงใจทางเศรษฐกิจว่าจะผลักดันให้นักพัฒนาปรับแต่งโมเดลสำหรับมันหรือไม่ แม้ว่าการกำหนดค่าฮาร์ดแวร์จะคล้ายกับ NVIDIA หากนักพัฒนาไม่ได้รับผลตอบแทนเพียงพอจากการใช้งาน ก็ยากที่จะสร้างระบบนิเวศขึ้นมา

แพลตฟอร์มการอนุมานที่ปรับปรุงขั้นสุดท้ายไม่ได้เพียงแค่ความเร็วในการรันโมเดลเท่านั้น แต่เป็นวิธีการจับคู่ระหว่างโมเดล งาน และฮาร์ดแวร์

Fireworks ไม่ถือครองฮาร์ดแวร์ แต่ต้องเชื่อมต่อการฝึกอบรมและการอนุมาน

เมื่อเผชิญกับการขยายตัวของผู้ให้บริการคลาวด์ AI ไปสู่ชั้นซอฟต์แวร์ Fireworks ยังไม่มีแผนสร้างฮาร์ดแวร์เองหรือซื้อ GPU ด้วยสินทรัพย์หนัก ในตอนนี้ เฉิน อวี้เฟย อธิบายรูปแบบของบริษัทว่าใกล้เคียงกับ "นายหน้าคนกลาง" มากกว่า: รับพลังการคำนวณจากผู้จัดหาพื้นฐานโครงสร้างพื้นฐาน โดยเน้นที่ซอฟต์แวร์การคำนวณ บริการอนุมาน และการปรับแต่งโมเดล

ความแตกต่างระหว่าง Fireworks กับแพลตฟอร์มคลาวด์ AI ทั่วไปคือ ปริมาณการเข้าชมส่วนใหญ่บนแพลตฟอร์มไม่ได้มาจากโมเดลพื้นฐานที่ไม่มีการแก้ไข แต่เป็นโมเดลที่ปรับแต่งเอง เฉิน อวี้เฟย เชื่อว่าการแข่งขันด้านการอนุมานโมเดลพื้นฐานจะเข้มข้นขึ้นเรื่อยๆ และกำไรมีแนวโน้มมาจากโมเดลเฉพาะที่สามารถส่งมอบผลลัพธ์ที่ดีกว่าให้กับลูกค้า

Fireworks เชื่อมต่อการฝึกอบรมและการอนุมานเป็นธุรกิจเดียวกัน บริษัทช่วยลูกค้าฝึกโมเดล และหวังว่าปริมาณการอนุมานหลังโมเดลเปิดตัวจะเติบโตอย่างต่อเนื่อง เมื่อเทียบกับผู้ให้บริการที่เรียกเก็บเฉพาะค่าฝึกอบรมหรือค่าที่ปรึกษา โครงสร้างรายได้นี้ทำให้แพลตฟอร์มสอดคล้องกับผลลัพธ์การใช้งานระยะยาวของลูกค้ามากขึ้น: เมื่อลูกค้าสร้างมูลค่าจากโมเดลได้มากขึ้น Fireworks ก็จะได้รับรายได้จากการอนุมานต่อเนื่องมากขึ้น

ผู้ให้บริการการเรียนรู้แบบเสริมกำลังบางรายให้บริการเฉพาะการฝึกอบรมหรือการให้คำปรึกษา ซึ่งรายได้ของพวกเขาอาจไม่เกี่ยวข้องโดยตรงกับประสิทธิภาพหลังโมเดลเปิดตัว ตรรกะทางธุรกิจของ Fireworks คือการปรับปรุงประสิทธิภาพโมเดลผ่านการฝึกอบรม แล้วได้รับผลตอบแทนจากปริมาณการอนุมานที่ตามมา สิ่งที่พวกเขาขายไม่ใช่โครงการฝึกอบรมแบบครั้งเดียว แต่เป็นความสามารถที่ทำให้โมเดลของลูกค้าสร้างปริมาณการใช้งานอย่างต่อเนื่อง

คู่แข่งที่สามารถครอบคลุมห่วงโซ่ทั้งหมดได้อย่างแท้จริง ไม่ใช่บริษัทคลาวด์รายใหม่รายเดียว แต่เป็นผู้ให้บริการคลาวด์รายใหญ่ เช่น AWS, Microsoft Azure และ Google Cloud พวกเขามีทั้งพลังการคำนวณ และสามารถสร้างบริการการเรียนรู้แบบเสริมกำลัง แพลตฟอร์มการอนุมาน และเครื่องมือพัฒนา

Fireworks แข่งขันกับผู้ให้บริการคลาวด์ในด้านหนึ่ง แต่ในอีกด้านหนึ่งก็พึ่งพาโครงสร้างพื้นฐานของพวกเขาและร่วมมือกับพวกเขา ปัจจุบันบริษัทมีความร่วมมือใกล้ชิดกับ Azure มากที่สุด โดยลูกค้าสามารถใช้เครดิต Azure เพื่อซื้อบริการของ Fireworks และยังมีความร่วมมือกับ AWS และ Google Cloud ด้วย

เฉิน อวี้เฟย เชื่อว่าความสามารถในการปรับแต่งการอนุมานในปัจจุบันของ Fireworks ยังดีกว่าบริการที่คล้ายคลึงกันของผู้ให้บริการคลาวด์ แต่ประสิทธิภาพแบบจุดเดียวไม่ใช่กำแพงที่แข็งแกร่งที่สุด สิ่งที่สำคัญกว่าคือการทำให้วงจรการดำเนินงาน机器学习ทั้งหมดสมบูรณ์ ตั้งแต่การฝึกอบรม การปรับใช้ การประเมินผล ไปจนถึงการอนุมาน เพื่อมอบประสบการณ์ที่ต่อเนื่องให้กับนักพัฒนา เมื่อเทียบกับบริษัทคลาวด์รายใหม่ Fireworks ครอบคลุมห่วงโซ่ที่ยาวกว่า เมื่อเทียบกับยักษ์ใหญ่คลาวด์ มันต้องรักษาความได้เปรียบในด้านความเชี่ยวชาญและความเร็วในการดำเนินการ

แม้ในอนาคต AI จะสามารถดำเนินการปรับแต่งเคอร์เนล การอนุมาน และการปรับแต่งหลังการฝึกได้โดยอัตโนมัติ การเข้าใจความต้องการของลูกค้าก็ยังคงเป็นงานที่อาจทดแทนได้ยากอย่างสมบูรณ์ ระบบหนึ่งอาจแก้ปัญหาคณิตศาสตร์ที่ซับซ้อนได้ แต่ไม่จำเป็นต้องเข้าใจกระบวนการ ข้อจำกัด และเกณฑ์การประเมินขององค์กรได้โดยปราศจากบริบท คุณค่าระยะยาวของ Fireworks ท้ายที่สุดแล้วยังคงขึ้นอยู่กับความสามารถในการแปลงความต้องการของลูกค้าให้เป็นโมเดล การประเมินผล และผลิตภัณฑ์ที่ใช้งานได้จริง

ส่วนต่างราคาของโมเดลโอเพนซอร์สที่ถูกบีบอัด พลังประมวลผลยังคงเป็นข้อจำกัดสูงสุด

ในอีกหนึ่งถึงสองปีข้างหน้า ความท้าทายใหญ่ที่สุดที่ Fireworks เผชิญยังคงเป็นพลังประมวลผล บริษัท能否ได้รับทรัพยากรการคำนวณเพียงพอในราคาที่สมเหตุสมผล จะจำกัดการเติบโตของรายได้โดยตรง เฉิน อวี้เฟย สรุปสถานะปัจจุบันของ Fireworks ว่า "ถูกจำกัดด้วยพลังประมวลผล" และประเมินว่าอย่างน้อยในปีหน้าตลาดโดยรวมอาจยังคงอยู่ในสถานะนี้

สิ่งนี้ยังส่งผลต่อมุมมองของเขาต่อการใช้จ่ายด้านทุน AI ของยักษ์ใหญ่เทคโนโลยี ตลาดมักตัดสินจากอัตราผลตอบแทนจากการลงทุนว่า Google, Meta และบริษัทอื่นๆ ลงทุนมากเกินไปหรือไม่ แต่สำหรับบริษัทเหล่านี้ ความเสี่ยงอีกประเภทหนึ่งอาจใหญ่กว่า: หาก AI ท้ายที่สุดให้ผลตอบแทนสูงมาก และตนเองพลาดรอบการแข่งขันนี้เพราะลดการลงทุน ก็อาจสูญเสียตำแหน่งบนโต๊ะเกมอย่างถาวร

ดังนั้น แม้การลงทุนเกินตัวในระยะสั้น ต้นทุนอาจเป็นเพียงแรงกดดันต่องบการเงิน และต้องย่อยค่าเสื่อมราคาในอีกหลายปีข้างหน้า สำหรับยักษ์ใหญ่เทคโนโลยีที่มีกระแสเงินสดระยะยาวและความสามารถในการระดมทุน นี่มักไม่ใช่ความเสี่ยงต่อการอยู่รอด แต่การพลาดวงจรเทคโนโลยีที่สำคัญอาจเป็นเช่นนั้น

สถานการณ์ของบริษัทคลาวด์รายใหม่แตกต่างออกไป พวกเขาจำเป็นต้องคำนวณผลตอบแทนของโครงการ ต้นทุนการระดมทุน และระยะเวลาคืนทุนอย่างเคร่งครัดมากขึ้น เฉิน อวี้เฟย แนะนำให้ติดตามอันดับเครดิตตราสารหนี้ การเลื่อนโครงการ และความสามารถในการรีไฟแนนซ์ของบริษัทที่เกี่ยวข้อง หากในอีก 3 ถึง 6 เดือนข้างหน้ามีผู้เล่นที่ไม่สามารถกู้ยืมต่อได้เนื่องจากปัญหาสินเชื่อ และต้องปรับโครงสร้างหนี้ ตลาดยังมีเงินทุนยินดีรับช่วงหรือไม่ จะกลายเป็นจุดทดสอบสำคัญของความสามารถในการระดมทุนของโครงสร้างพื้นฐาน AI

สำหรับวาทกรรมตลาดที่ว่า "โมเดลโอเพนซอร์สไล่ทันโมเดลปิดจะกดดันความต้องการฮาร์ดแวร์" เฉิน อวี้เฟย มีท่าทีสงสัย ในมุมมองของเขา การพัฒนาความสามารถของโมเดลโอเพนซอร์สก่อนอื่นจะลดทอนความสามารถในการตั้งราคาส่วนต่างของชั้นโมเดล หากการใช้จ่ายโดยรวมของ AI ไม่เปลี่ยนแปลง มูลค่าอาจย้ายไปยังบริษัทที่ให้พลังประมวลผลและโครงสร้างพื้นฐานแทน

อย่างไรก็ตาม การที่การใช้จ่ายด้านทุน AI จะให้ผลตอบแทนเพียงพอในท้ายที่สุดหรือไม่ ยังคงเป็นคำถามที่ไม่มีคำตอบ โครงการพลังประมวลผลมักต้องใช้เวลาหลายปีกว่าจะคืนทุน และสถานการณ์อุปสงค์-อุปทานในอีกหนึ่งปีข้างหน้าก็ยากที่จะคาดเดาได้แล้ว สัญญาณที่ค่อนข้างชัดเจนในขณะนี้คือ ไม่ว่า Fireworks หรือลูกค้าจำนวนมากที่ให้บริการ ยังคงมองหาพลังประมวลผลเพิ่มเติม

การแข่งขันระหว่างโอเพนซอร์สและปิดจะไม่ถูกตัดสินโดยลีดเดอร์บอร์ดโมเดลเพียงอย่างเดียว เมื่อช่องว่างความสามารถลดลงอย่างต่อเนื่อง มูลค่าของอุตสาหกรรมจะขึ้นอยู่กับว่าใครสามารถกำหนดงาน พิสูจน์ประสิทธิผล และนำโมเดลเข้าสู่การผลิตด้วยต้นทุนที่ยั่งยืนได้มากกว่า

[ลิงก์วิดีโอ]

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

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

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

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