DeepSeek: การเพิ่มประสิทธิภาพ ไม่ใช่การเปลี่ยนแปลงในนวัตกรรม AI

ความตื่นเต้นล่าสุดเกี่ยวกับ DeepSeek ซึ่งเป็นโมเดลภาษาขนาดใหญ่ (LLM) ที่มีประสิทธิภาพสูงนั้น เป็นเรื่องที่เข้าใจได้ เมื่อพิจารณาถึงการปรับปรุงประสิทธิภาพที่ดีขึ้นอย่างมีนัยสำคัญในพื้นที่นี้ อย่างไรก็ตาม การตอบสนองบางอย่างต่อการเปิดตัวของมัน似乎มีความเข้าใจผิดเกี่ยวกับขนาดของผลกระทบของมัน DeepSeek เป็นตัวอย่างของการก้าวหน้าในเส้นทางที่คาดหวังของการพัฒนา LLM แต่ไม่ได้ส่งสัญญาณถึงการเปลี่ยนแปลงที่ปฏิวัติวงการไปสู่การสร้างปัญญาประดิษฐ์ทั่วไป (AGI) หรือการเปลี่ยนแปลงที่รวดเร็วในศูนย์กลางของนวัตกรรม AI

แทนที่จะเป็นเช่นนั้น ความสำเร็จของ DeepSeek คือการก้าวหน้าตามเส้นทางที่วางแผนไว้แล้ว ซึ่งเป็นการเติบโตแบบเลขชี้กำลังในเทคโนโลยี AI ไม่ใช่การเปลี่ยนแปลงแบบผิดปกติ แต่เป็นการเตือนให้จำไว้ว่าความเร็วของการเปลี่ยนแปลงทางเทคโนโลยีกำลังเพิ่มขึ้น

การเพิ่มประสิทธิภาพของ DeepSeek: การก้าวหน้าตามเส้นทางที่คาดหวัง

แก่นกลางของความตื่นเต้นเกี่ยวกับ DeepSeek อยู่ที่การปรับปรุงประสิทธิภาพที่น่าประทับใจ ซึ่งส่วนใหญ่เกี่ยวกับการทำให้ LLM เร็วขึ้นและถูกกว่า ซึ่งมีผลกระทบอย่างมีนัยสำคัญต่อเศรษฐศาสตร์และความสามารถในการเข้าถึงของโมเดล AI อย่างไรก็ตาม尽管มีการพูดถึง แต่ความก้าวหน้านี้ไม่ใช่เรื่องใหม่ แต่เป็นการปรับปรุงแนวทางที่มีอยู่แล้ว

ในยุค 90 การเรนเดอร์กราฟิกสูงต้องใช้ซูเปอร์คอมพิวเตอร์ แต่ปัจจุบันสมาร์ทโฟนสามารถทำได้เช่นกัน การรู้จำใบหน้าซึ่งเคยเป็นเทคโนโลยีที่มีค่าใช้จ่ายสูงและเฉพาะทาง ตอนนี้กลายเป็นฟังก์ชันที่พบได้ทั่วไปในสมาร์ทโฟน DeepSeek เข้ากันได้กับรูปแบบนี้ของเทคโนโลยี: การเพิ่มประสิทธิภาพของความสามารถที่มีอยู่แล้ว ซึ่งให้ประสิทธิภาพ แต่ไม่ใช่แนวทางใหม่ที่เป็นนวัตกรรม

สำหรับผู้ที่คุ้นเคยกับหลักการของการเติบโตทางเทคโนโลยี การก้าวหน้าอย่างรวดเร็วนี้ไม่ใช่เรื่องที่ไม่คาดคิด ทฤษฎีของจุดสิ้นสุดทางเทคโนโลยี ซึ่งเสนอว่าการก้าวหน้าอย่างรวดเร็วในพื้นที่สำคัญๆ เช่น AI จะทำให้การก้าวหน้าเกิดขึ้นบ่อยขึ้นเมื่อเราเข้าใกล้จุดสิ้นสุดของจุดสิ้นสุด DeepSeek เป็นเพียงช่วงเวลาหนึ่งในกระแสการเปลี่ยนแปลงนี้ และบทบาทของมันคือการทำให้เทคโนโลยี AI ที่มีอยู่แล้วสามารถเข้าถึงได้ง่ายและถูกกว่า ไม่ใช่การก้าวหน้าอย่างรวดเร็วสู่ความสามารถใหม่

นวัตกรรมของ DeepSeek: การปรับปรุงโครงสร้าง ไม่ใช่การก้าวหน้าสู่ AGI

การมีส่วนร่วมหลักของ DeepSeek คือการเพิ่มประสิทธิภาพของ LLM โดยเฉพาะผ่านโครงสร้าง Mixture of Experts (MoE) MoE เป็นเทคนิคการเรียนรู้แบบアンサンブルที่มีการใช้มาหลายปีแล้วในด้านการวิจัย AI สิ่งที่ DeepSeek ทำได้ดีคือการปรับปรุงเทคนิคนี้ โดยรวมการวัดประสิทธิภาพอื่นๆ เพื่อลดค่าใช้จ่ายในการคำนวณและทำให้ LLM มีราคาไม่แพง

• ประสิทธิภาพของพารามิเตอร์: การออกแบบ MoE ของ DeepSeek จะกระตุ้นพารามิเตอร์ 37 พันล้านจากทั้งหมด 671 พันล้านพารามิเตอร์ในแต่ละครั้ง ลดความต้องการการคำนวณลงเหลือเพียง 1/18 ของ LLM แบบดั้งเดิม
• การเรียนรู้แบบเสริมสำหรับการให้เหตุผล: โมเดล R1 ของ DeepSeek ใช้การเรียนรู้แบบเสริมเพื่อเพิ่มการให้เหตุผลแบบเชิงโซ่ ซึ่งเป็นลักษณะสำคัญของโมเดลภาษา
• การฝึกแบบหลายโทเค็น: ความสามารถของ DeepSeek-V3 ในการคาดการณ์หลายชิ้นของข้อความในเวลาเดียวกันเพิ่มประสิทธิภาพของการฝึก

การปรับปรุงเหล่านี้ทำให้โมเดลของ DeepSeek มีราคาถูกกว่าในการฝึกและใช้งานเมื่อเทียบกับคู่แข่งอย่าง OpenAI หรือ Anthropic แม้ว่านี่จะเป็นก้าวหน้าที่สำคัญสำหรับการเข้าถึง LLM แต่ก็ยังคงเป็นการปรับปรุงทางวิศวกรรมมากกว่าการผิดปกติทางแนวคิดสู่ AGI

ผลกระทบของ AI ที่เปิดกว้าง

การตัดสินใจที่น่าสังเกตของ DeepSeek คือการเปิดเผยโมเดลของตน ซึ่งเป็นการเปลี่ยนแปลงที่ชัดเจนจากแนวทางที่ปิดของบริษัทอย่าง OpenAI, Anthropic และ Google แนวทางที่เปิดกว้างนี้ซึ่งได้รับการสนับสนุนจากนักวิจัย AI อย่าง Yann LeCun ส่งเสริมให้เกิดระบบนิเวศ AI ที่กระจายอำนาจมากขึ้น โดยที่นวัตกรรมสามารถเติบโตผ่านการพัฒนาร่วมกัน

เหตุผลทางเศรษฐกิจเบื้องหลังการตัดสินใจที่เปิดกว้างของ DeepSeek ก็ชัดเจนเช่นกัน AI ที่เปิดกว้างไม่ใช่แค่จุดยืนทางปรัชญา แต่ยังเป็นกลยุทธ์ทางธุรกิจด้วย โดยการทำให้เทคโนโลยีของตนสามารถเข้าถึงได้โดยนักวิจัยและนักพัฒนาทั่วโลก DeepSeek จึงสามารถสร้างผลประโยชน์จากบริการ การรวมระบบ และการโฮสต์ที่มีการปรับขนาดได้ ไม่ใช่แค่การขายโมเดลที่เป็นกรรมสิทธิ์เท่านั้น แนวทางนี้ทำให้ชุมชน AI ทั่วโลกสามารถเข้าถึงเครื่องมือที่มีคุณภาพได้ และลดการควบคุมของบริษัทเทคโนโลยีขนาดใหญ่ในพื้นที่นี้

บทบาทที่เพิ่มขึ้นของจีนใน การแข่งขัน AI

สำหรับหลายคน การที่ DeepSeek มาจากจีนอาจจะน่าประหลาดใจ อย่างไรก็ตาม การพัฒนานี้ไม่ควรจะถูกมองในลักษณะของการแข่งขันทางภูมิรัฐศาสตร์ แต่ควรจะถูกมองว่าเป็นสัญญาณของการกระจายตัวของการวิจัย AI ทั่วโลก การทำงานร่วมกันอย่างเปิดกว้าง ไม่ใช่การแข่งขันในระดับชาติ คือเส้นทางที่มีแนวโน้มมากที่สุดในการพัฒนา AGI ที่มีความรับผิดชอบและจริยธรรม

แทนที่จะถูกมองว่าเป็นความท้าทายต่อการครอบงำของตะวันตก การพัฒนานี้ควรจะถูกมองว่าเป็นสัญญาณของการกระจายตัวของนวัตกรรม AI ที่ไม่ได้จำกัดอยู่เพียงตะวันตกเท่านั้น การทำงานร่วมกันในระดับโลกที่กระจายอำนาจจะทำให้เกิด AGI ที่เป็นประโยชน์ต่อทุกคนบนโลก ไม่ใช่แค่เพื่อผลประโยชน์ของประเทศหรือองค์กรใดประเทศหนึ่ง

ผลกระทบในวงกว้างของ DeepSeek: มองไปไกลกว่า LLM

ในขณะที่ความตื่นเต้นเกี่ยวกับ DeepSeek มีศูนย์กลางอยู่ที่ประสิทธิภาพของมันในพื้นที่ LLM มันสำคัญที่จะถอยหลังและพิจารณาผลกระทบในวงกว้างของการพัฒนานี้

尽管โมเดลแบบทรานส์ฟอร์เมอร์อย่าง LLM มีความสามารถที่น่าประทับใจ แต่ก็ยังห่างไกลจากการบรรลุ AGI ที่แท้จริง พวกมันขาดคุณสมบัติสำคัญ เช่น การสร้างความหมายเชิงประกอบและความสามารถในการให้เหตุผลด้วยตนเอง ซึ่งเป็นสิ่งจำเป็นสำหรับการสร้างปัญญาทั่วไป แม้ว่า LLM จะสามารถทำให้กระบวนการทางเศรษฐกิจอัตโนมัติและรวมเข้ากับอุตสาหกรรมต่างๆ ได้ แต่ก็ไม่ได้แสดงถึงแก่นแท้ของการพัฒนา AGI

หาก AGI จะเกิดขึ้นใน thập kỷหน้า มันไม่น่าจะเกิดขึ้นจากโครงสร้างทรานส์ฟอร์เมอร์เท่านั้น โมเดลทางเลือก เช่น OpenCog Hyperon หรือการคำนวณแบบนิวโรโมร์ฟิก อาจมีบทบาทสำคัญในการบรรลุปัญญาทั่วไป

การทำให้ LLM เป็นสินค้าโภคภัณฑ์จะเปลี่ยนแปลงการลงทุน AI

การเพิ่มประสิทธิภาพของ DeepSeek เร่งการเคลื่อนไหวสู่การทำให้ LLM เป็นสินค้าโภคภัณฑ์ เมื่อค่าใช้จ่ายของโมเดลเหล่านี้ลดลง นักลงทุนอาจเริ่มหันมาสนใจการก้าวหน้าครั้งใหญ่ถัดไปใน AI ที่อยู่นอกโครงสร้าง LLM แบบดั้งเดิม เราอาจเห็นการเปลี่ยนแปลงในการลงทุนสู่โครงสร้าง AGI ที่ล้ำกว่าทรานส์ฟอร์เมอร์ รวมถึงการลงทุนในฮาร์ดแวร์ AI ทางเลือก เช่น ชิปนิวโรโมร์ฟิกหรือหน่วยประมวลผลแบบแอสโซซิเอทีฟ

การกระจายอำนาจจะกำหนดรูปแบบอนาคตของ AI

เมื่อการปรับปรุงประสิทธิภาพของ DeepSeek ทำให้การนำโมเดล AI ไปใช้งานง่ายขึ้น มันก็ส่งผลต่อการกระจายอำนาจของโครงสร้าง AI ด้วย โดยมุ่งเน้นไปที่ความเป็นส่วนตัว การทำงานร่วมกัน และการควบคุมของผู้ใช้ การกระจายอำนาจของ AI จะลดการพึ่งพาบริษัทเทคโนโลยีขนาดใหญ่ และทำให้ AI มีประโยชน์ต่อประชากรทั่วโลก ไม่ใช่แค่ผู้เล่นหลักๆ เท่านั้น

ตำแหน่งของ DeepSeek ในการระเบิดของ AI

สรุปแล้ว DeepSeek เป็นก้าวสำคัญในประสิทธิภาพของ LLM แต่ไม่ใช่การเปลี่ยนแปลงที่ปฏิวัติวงการในภูมิทัศน์ AI ผลกระทบในวงกว้างของ DeepSeek ส่งผลในหลายด้าน:

• ความกดดันต่อผู้นำตลาด: DeepSeek ท้าทายให้บริษัทอย่าง OpenAI และ Anthropic ต้องคิดใหม่เกี่ยวกับโมเดลธุรกิจและหาวิธีแข่งขันที่ใหม่
• การเข้าถึง AI: โดยการทำให้โมเดลคุณภาพสูงมีราคาไม่แพง DeepSeek เปิดโอกาสให้ทุกคนสามารถเข้าถึงเทคโนโลยีที่ทันสมัย
• การแข่งขันระดับโลก: บทบาทที่เพิ่มขึ้นของจีนในการพัฒนา AI ส่งสัญญาณถึงการกระจายตัวของนวัตกรรม ซึ่งไม่ได้จำกัดอยู่ในตะวันตกเท่านั้น
• ความก้าวหน้าแบบเลขชี้กำลัง: DeepSeek เป็นตัวอย่างที่ชัดเจนของการก้าวหน้าอย่างรวดเร็วใน AI ที่กำลังเป็นบรรทัดฐาน

สิ่งสำคัญที่สุดคือ DeepSeek เป็นการส่งเสริมให้จำไว้ว่าในขณะที่ AI กำลังก้าวหน้าอย่างรวดเร็ว AGI ที่แท้จริงมีแนวโน้มที่จะเกิดขึ้นผ่านแนวทางใหม่ๆ ที่เป็นรากฐาน ไม่ใช่การปรับปรุงโมเดลที่มีอยู่ในปัจจุบัน เมื่อเราแข่งขันกันสู่จุดสิ้นสุดของจุดสิ้นสุด มันสำคัญที่จะรับรองว่าการพัฒนา AI ยังคงกระจายอำนาจ เปิดกว้าง และร่วมมือกัน DeepSeek ไม่ใช่ AGI แต่เป็นก้าวสำคัญใน旅程ที่ดำเนินต่อเพื่อ AI ที่เปลี่ยนแปลงโลก

DeepSeek ไม่ใช่ AGI แต่เป็นก้าวสำคัญใน旅程ที่ดำเนินต่อเพื่อ AI ที่เปลี่ยนแปลงโลก