จุดเปลี่ยนของปัญญาประดิษฐ์: ทำไมวอลล์สตรีทถึงปฏิเสธ ChatGPT และ Claude?

ผู้เขียน: Jeff @IOSG

เหตุใดจึงมีความจำเป็นต้องใช้ AI ภาคเอกชน

เมื่อวันที่ 1 กรกฎาคม อเล็กซ์ คาร์ป ซีอีโอของ Palantir ให้สัมภาษณ์กับ CNBC เป็นเวลา 20 นาที ซึ่งสื่อบางแห่งเรียกว่าเป็น "ภาวะวิกฤตทางจิตใจ" คาร์ปกล่าวว่า บริษัทต่างๆ จ่ายเงินจำนวนเล็กน้อยให้กับห้องปฏิบัติการล้ำสมัย ในขณะที่ทรัพย์สินทางปัญญาของตนเองกลับถูกส่งมอบให้กับผู้ให้บริการโมเดล เขาเรียกการรั่วไหลนี้ว่า การถ่ายโอนอัลฟ่า ซึ่งเกิดขึ้นในระดับสถาปัตยกรรม: ทุกคำขอที่ส่งไปยังโมเดลแบบปิดแหล่งที่มา จะมาถึงเซิร์ฟเวอร์ของผู้ให้บริการในรูปแบบข้อความธรรมดา เพียงไม่กี่วันก่อนที่รายการจะออกอากาศ Palantir ได้ประกาศความร่วมมือกับ NVIDIA เพื่อใช้งานโมเดล Nemotron แบบเปิดในสภาพแวดล้อมที่ลูกค้าควบคุมได้ พร้อมกับการประกาศอำนาจอธิปไตยด้าน AI 9 ข้อ หลังจากรายการ CNBC ออกอากาศ ราคาหุ้น PLTR ก็พุ่งขึ้น 8%

ในช่วงยี่สิบปีที่ผ่านมา บริษัทต่างๆ ได้นำซอฟต์แวร์คลาวด์มาใช้โดยอาศัยความไว้วางใจในระดับโปรโตคอล และมันก็ได้ผล ผู้ให้บริการ SaaS แต่ละรายจะเห็นเพียงส่วนหนึ่งของข้อมูลองค์กร และส่วนใหญ่ไม่มีแรงจูงใจที่จะป้อนข้อมูลลูกค้ากลับเข้าไปในผลิตภัณฑ์หลักของตน Salesforce เห็นช่องทางการขาย Workday เห็นฝ่ายทรัพยากรบุคคล Jira เห็นการพัฒนาซอฟต์แวร์ และ AWS เป็นผู้ให้บริการพื้นฐานสำหรับการจัดเก็บและประมวลผล อย่างไรก็ตาม เวิร์กโฟลว์ AI ในปัจจุบันสนับสนุนการอัปโหลดสินทรัพย์ทั้งหมดเพียงครั้งเดียว พร้อมกับบริบทที่มีโครงสร้างซึ่งเชื่อมโยงแผนกต่างๆ เข้าด้วยกัน เพื่อมุ่งสู่การเพิ่มประสิทธิภาพการทำงานให้สูงสุด นอกเหนือจากความสัมพันธ์ที่ดีแล้ว ผู้ให้บริการต้นน้ำสามารถใช้ข้อมูลนี้เพื่อพัฒนาคุณสมบัติใหม่ๆ แทนที่จะปล่อยให้ข้อมูลเหล่านั้นอยู่บนเซิร์ฟเวอร์โดยไม่ได้ใช้งาน

ไม่มีใครชะลอตัวลงเลย รายได้ประจำปีของ Anthropic แตะระดับ 47 พันล้านดอลลาร์ในเดือนพฤษภาคม ซึ่งเพิ่มขึ้นอย่างมากจาก 9 พันล้านดอลลาร์เมื่อสิ้นปี 2025 ในขณะที่ OpenAI มีผู้ใช้งานประจำสัปดาห์มากกว่า 900 ล้านคนในเดือนกุมภาพันธ์ ทั้งสองบริษัทระดมทุนรอบใหม่เสร็จสิ้นในฤดูใบไม้ผลิปีนี้ โดยมีมูลค่าบริษัทใกล้เคียง 1 ล้านล้านดอลลาร์ และคาดว่าจะเข้าจดทะเบียนในตลาดหลักทรัพย์ด้วยมูลค่าที่สูงขึ้นไปอีก ข้อกล่าวหาเรื่องความเป็นส่วนตัวและทรัพย์สินทางปัญญาตลอดหลายปีที่ผ่านมาไม่ได้ทำให้ทั้งสองบริษัทสูญเสียโมเมนตัมไปแต่อย่างใด

บางบริษัทได้ดำเนินการไปแล้ว ในเดือนกุมภาพันธ์ 2023 ไม่ถึงสามเดือนหลังจาก ChatGPT เปิดตัว ธนาคารใหญ่ๆ ในวอลล์สตรีทได้จำกัดการใช้งาน ในเดือนพฤษภาคม 2023 หลังจากวิศวกรของ Samsung ปล่อยรหัสต้นฉบับของชิปเข้าไปใน ChatGPT บริษัทจึงสั่งห้ามใช้ AI แบบสร้างภาพ (generative AI) ในเครือข่ายของตน เพื่อตอบโต้ OpenAI จึงเปิดตัว ChatGPT Enterprise ในเดือนสิงหาคมปีเดียวกัน โดยให้คำมั่นว่าจะไม่ใช้ข้อมูลเชิงพาณิชย์ในการฝึกอบรม พร้อมกับโปรโตคอลการไม่เก็บรักษาข้อมูล (Zero-Data-Retention หรือ ZDR) ซึ่งต่อมากลายเป็นข้อกำหนดมาตรฐานสำหรับการจัดซื้อจัดจ้างขององค์กร

อย่างไรก็ตาม สัญญาต่างๆ นั้นจำกัดการใช้งานเฉพาะบัญชีของบริษัทเท่านั้น IBM พบว่าภายในปี 2025 ปัญญาประดิษฐ์แฝง (พนักงานป้อนข้อมูลของบริษัทเข้าสู่เครื่องมือ AI ที่ไม่ได้รับอนุญาตผ่านบัญชีส่วนตัว) มีส่วนเกี่ยวข้องกับเหตุการณ์การรั่วไหลของข้อมูลถึงหนึ่งในห้า และการใช้งานปัญญาประดิษฐ์แฝงอย่างหนักทำให้ต้นทุนการรั่วไหลเพิ่มขึ้นโดยเฉลี่ย 670,000 ดอลลาร์ ในการสำรวจปี 2025 โดยบริษัทฝึกอบรมด้านความปลอดภัย Anagram พนักงานสี่คนระบุว่าพวกเขาเต็มใจที่จะละเมิดนโยบายการใช้งาน AI เพื่อให้ทำงานเสร็จเร็วขึ้น

อย่างน้อยบริษัทต่างๆ ก็สามารถใช้เงินซื้อทางออกได้ ด้วยสัญญา ZDR และระดับบริการที่ไม่ต้องมีการฝึกอบรม และหากคุณเป็นหน่วยงานรัฐบาลหรือลูกค้าของ Palantir ก็จะมีตัวเลือกการใช้งานแบบอธิปไตย อย่างไรก็ตาม สำหรับผู้ใช้งานทั่วไปอย่างคุณและผม ความสำคัญของ AI ที่คำนึงถึงความเป็นส่วนตัวยังคงเป็นที่ถกเถียงกันจนกว่าจะมีหมายศาลมาถึงบ้าน

คำสั่งศาลในเดือนพฤษภาคม 2025 บังคับให้ OpenAI เก็บรักษาบันทึกการสนทนาของผู้บริโภค แม้กระทั่งบันทึกที่ผู้ใช้ลบไปแล้ว และในเดือนพฤศจิกายน ผู้พิพากษาสั่งให้โอนบันทึกเหล่านั้นจำนวน 20 ล้านรายการให้กับทนายความของ The New York Times เพื่อใช้เป็นหลักฐาน จากนั้นก็มีคดีอาญาเข้ามาเกี่ยวข้อง บันทึก ChatGPT จากจำเลยในคดีวางเพลิงที่ Palisades ถูกนำมาเป็นหลักฐาน และคำให้การในคดีฆาตกรรมสองศพในฟลอริดาอ้างถึงคำถามของผู้ต้องสงสัยเกี่ยวกับวิธีการกำจัดศพ แซม อัลท์แมนยังยอมรับในการสัมภาษณ์เมื่อเดือนกรกฎาคม 2025 ว่าการสนทนาใน ChatGPT ไม่ได้รับการคุ้มครองโดยสิทธิพิเศษทางกฎหมาย และในการดำเนินคดี OpenAI "อาจต้องส่งมอบ" บันทึกการสนทนาของผู้ใช้

ประเด็นคือ ไม่ใช่แค่พวกอาชญากรเท่านั้นที่ต้องการการสนทนาส่วนตัว การสนทนาระหว่างคนกับ AI ที่ถูกจัดเก็บและอาจถูกเรียกเป็นหลักฐานนั้น แสดงให้เห็นถึงแง่มุมของการสอดแนมที่ผู้ใช้ส่วนใหญ่ไม่รู้ตัว จากการสำรวจของสำนักงานกฎหมาย Kolmogorov ในเดือนตุลาคม 2025 ในกลุ่มผู้ใช้ AI ชาวอเมริกัน 1,000 คน พบว่า 50% ไม่ทราบว่าการสนทนาเหล่านี้อาจถูกเรียกเป็นหลักฐานได้ ในขณะที่สองในสามเชื่อว่าการสนทนาเหล่านี้ควรได้รับการคุ้มครองเช่นเดียวกับการปรึกษาหารือกับทนายความหรือแพทย์

โมเดลแบบโฮสต์เองหรือแบบโอเพนซอร์สที่ทำงานในสภาพแวดล้อมที่ตรวจสอบได้กำลังพัฒนาอย่างรวดเร็ว แต่โมเดลที่แข็งแกร่งที่สุดยังคงล้าหลังโมเดลแบบปิดซอร์สที่ล้ำสมัยอยู่ประมาณสี่เดือนในด้านความสามารถโดยทั่วไป สิ่งนี้ทำให้องค์กรและบุคคลที่เกี่ยวข้องกับการเพิ่มจำนวนโทเค็นต้องเลือกทางใดทางหนึ่ง: ต้องยอมเสียคุณภาพของโมเดลไปสองสามเดือนเพื่อความเป็นส่วนตัว หรือยังคงอัปโหลดข้อมูลที่ละเอียดอ่อนไปยังเซิร์ฟเวอร์ของ Anthropic ต่อไป ในขณะที่คู่แข่งกำลังได้รับความได้เปรียบด้านประสิทธิภาพการทำงานด้วยวิธีนี้

ปัจจุบันยังไม่มีโซลูชันที่สมบูรณ์แบบในตลาด รายงานฉบับหนึ่งได้สรุปความพยายามของหลายฝ่ายในการลดช่องว่างดังกล่าว และสังเกตว่าเทคโนโลยีอัจฉริยะล้ำสมัยภายใต้ความเป็นส่วนตัวที่พิสูจน์ได้นั้นยังห่างไกลจากการนำไปใช้ในองค์กรและผู้ใช้ทั่วไปมากเพียงใด

ปัจจุบันการรักษาความเป็นส่วนตัวทำได้อย่างไร

ปัญญาประดิษฐ์เพื่อความเป็นส่วนตัว (Privacy AI) ไม่ใช่โครงการเดียว แต่กลไกทุกอย่างในตลาดปัจจุบันล้วนจัดการกับเหตุการณ์เดียวกัน นั่นคือ ข้อความแจ้งเตือนออกจากอุปกรณ์ของคุณ เดินทางผ่านเครือข่าย ไปถึงเครื่องที่ประมวลผลโมเดล และส่งการตอบกลับมา ความแตกต่างระหว่างกลไกต่างๆ อยู่ที่ว่าข้อความธรรมดาอยู่ตรงจุดใดของเส้นทางนี้ ใครสามารถอ่านข้อความนั้นได้ และใช้อะไรในการตรวจสอบความเป็นส่วนตัวของการตอบกลับ

ความเป็นส่วนตัวระดับโปรโตคอล

ในระดับนี้ นอกจากคุณแล้ว คนอื่นๆ ก็สามารถอ่านข้อความธรรมดาที่คุณเขียนได้ และสิ่งที่เกิดขึ้นต่อไปนั้นขึ้นอยู่กับคำสัญญาโดยสิ้นเชิง

การเก็บรักษาข้อมูลเป็นศูนย์ตามสัญญา คือโซลูชันสำหรับองค์กร ผู้ให้บริการจะรู้จักคุณ ประมวลผลคำขอของคุณ และสัญญาว่าจะไม่เก็บรักษาข้อมูลนั้นไว้ โดยมีข้อผูกมัดตามสัญญาและชื่อเสียง

พร็อกซีแบบไม่ระบุตัวตนจะลบข้อมูลระบุตัวตนของคุณ แต่จะไม่เข้ารหัสสิ่งที่คุณพูด ผู้ให้บริการปลายทางยังคงจัดการข้อความธรรมดาตามนโยบายของตนเอง เงื่อนไขแตกต่างกันไปตามผู้ให้บริการ ตัวอย่างเช่น Duck.ai (ผลิตภัณฑ์แชทบอทของ DuckDuckGo) อาจเจรจาข้อตกลงการลบข้อมูลกับผู้ขายโมเดล ในขณะที่ Venice สันนิษฐานว่าผู้ใช้จะเข้าใจว่าผู้ให้บริการจะเก็บรักษาทุกอย่างไว้ แต่ทั้งสองฝ่ายไม่สามารถตรวจสอบได้

ทุกส่วนของเส้นทางระหว่างเครื่องคอมพิวเตอร์ทำงานบน TLS ซึ่งเข้ารหัสเฉพาะข้อมูลในไปป์ไลน์เท่านั้น ฝั่งผู้รับสามารถอ่านข้อมูลทั้งหมดได้ โดยทั่วไปแล้ว รีเลย์จะใช้ Oblivious HTTP (RFC 9458) เพื่อแยกสิทธิ์ในการรับรู้ข้อมูลนี้ เปรียบเสมือนเพื่อนที่ส่งโน้ตให้กัน เพื่อนรู้ว่าใครส่งมา แต่ไม่สามารถอ่านเนื้อหาได้ ส่วนผู้รับสามารถอ่านเนื้อหาได้ แต่ไม่รู้ว่าใครเป็นคนเขียน OHTTP กลายเป็นมาตรฐานของ IETF ในเดือนมกราคม 2024 และหลายบริษัทในปัจจุบันใช้งานทราฟฟิกในระบบการผลิตบนรีเลย์ OHTTP ที่เช่าจาก Cloudflare และ Fastly

นี่คือขีดจำกัดความเป็นส่วนตัวที่สามารถทำได้เมื่อเข้าถึงโมเดลแบบปิดแหล่งที่มา เนื่องจากปัญหาทางคณิตศาสตร์ ต้นทุนการฝึกอบรมระดับเรือธงในปัจจุบันอยู่ที่หลายพันล้านดอลลาร์ และมูลค่าของห้องปฏิบัติการเหล่านี้ที่เกือบหนึ่งล้านล้านดอลลาร์นั้นขึ้นอยู่กับความเป็นเอกสิทธิ์ของน้ำหนักโมเดล ระยะเวลาของช่องว่างความสามารถของโมเดลกำหนดระยะเวลาของค่าพรีเมียม ดังนั้นห้องปฏิบัติการจึงปกป้องไฟล์น้ำหนักเป็นความลับของรัฐ

Meta ได้ทำการทดลองนี้โดยไม่ได้ลงมือเองโดยตรง โมเดล LLaMA ที่เปิดตัวในเดือนกุมภาพันธ์ 2023 นั้น ในตอนแรกเปิดให้เฉพาะนักวิจัยเท่านั้น แต่ภายในหนึ่งสัปดาห์ ข้อมูลพื้นฐานก็รั่วไหลไปยัง 4chan ในรูปแบบ seed หนึ่งสัปดาห์ต่อมา ไฟล์ llama.cpp ก็ทำให้โมเดล 7B ที่เล็กที่สุดสามารถทำงานได้ในเครื่อง MacBook และอีกสามวันต่อมา มหาวิทยาลัยสแตนฟอร์ดก็ปรับแต่งผู้ช่วยแชท Alpaca บนโมเดลเดียวกันนี้ในราคาต่ำกว่า 600 ดอลลาร์ การรั่วไหลนี้ช่วยลดต้นทุนการดำเนินงานของ Llama เหลือเพียงค่าไฟฟ้า ทำให้ทุกคนที่มีไฟล์สามารถใช้งานที่บ้านได้ ในเดือนกรกฎาคม 2023 Meta ได้เปิดซอร์สโค้ด Llama 2 อย่างเป็นทางการด้วยใบอนุญาตเชิงพาณิชย์ที่ยกเว้นข้อกำหนดสำหรับผู้ใช้งานรายเดือน 700 ล้านคน ข้อมูลพื้นฐานทำงานได้ และตามมาด้วยค่าบริการพรีเมียม

ในทางทฤษฎี ห้องปฏิบัติการล้ำสมัยอาจให้การรับรอง (การพิสูจน์จากระยะไกล) สำหรับการอนุมานบนโมเดลแบบปิดแหล่งที่มาได้ แต่การรับรองนั้นพิสูจน์ได้เพียงว่าส่วนใดของโค้ดที่อ่านข้อความแจ้งเตือนเท่านั้น ไม่สามารถพิสูจน์ได้ว่าโค้ดนั้นทำอะไรกับข้อความแจ้งเตือนนั้น เพื่อตรวจสอบว่าเซิร์ฟเวอร์เก็บข้อมูลไว้หรือไม่ เราจำเป็นต้องตรวจสอบโค้ดที่ให้บริการและสร้างใหม่ให้เป็นแฮชที่รายงานโดยฮาร์ดแวร์ อย่างไรก็ตาม เมื่อส่งมอบโค้ดที่ให้บริการแล้ว ห้องปฏิบัติการก็จะละทิ้งเทคนิคการประมวลผลแบบกลุ่มและการแคชที่สนับสนุนกำไร และเทคนิคเหล่านี้จะถูกย้ายไปยังโมเดลรุ่นต่อๆ ไป Apple และ Meta สามารถให้การพิสูจน์จากระยะไกลสำหรับสแต็กบริการที่อยู่เบื้องหลัง iPhone และ WhatsApp ได้ เนื่องจากกำไรของพวกเขามาจากอุปกรณ์และการโฆษณา และการเปิดเผยโค้ดบริการต่อสาธารณะแทบไม่มีค่าใช้จ่ายใดๆ

นี่คือเหตุผลที่น้ำหนักและรหัสบริการของรุ่นเรือธงจึงไม่ตกไปอยู่ในมือของผู้ให้บริการภายนอก หากไม่มีผู้ให้บริการภายนอก ก็จะไม่มีการรับรองจากบุคคลที่สาม และหากไม่มีการรับรองดังกล่าว ความเป็นส่วนตัวที่ตรวจสอบได้จึงมีอยู่เฉพาะในรุ่นโอเพนซอร์สเท่านั้น
 

ความเป็นส่วนตัวในระดับโครงสร้าง

กลไกแต่ละอย่างในหมวดหมู่นี้จะแทนที่คำมั่นสัญญาเรื่องความไว้วางใจด้วยฮาร์ดแวร์ การเข้ารหัส หรือหลักฐานทางกายภาพ แต่แต่ละแบบจะมีต้นทุนที่แตกต่างกันสำหรับการอัปเกรดความเป็นส่วนตัว โดยส่วนใหญ่เป็นเพราะสามารถใช้งานได้เฉพาะโมเดลโอเพนซอร์สเท่านั้น

TEE (Trusted Execution Environment) Confidential Computing ดำเนินการอนุมานภายในฮาร์ดแวร์ที่ปิดล้อม (ห้องปิดผนึกบนชิปที่แม้แต่ผู้ควบคุมเครื่องก็เปิดไม่ได้) โดยชิปจะลงนามรับรองรายละเอียดเกี่ยวกับโมเดลและส่วนของโค้ดที่ถูกเรียกใช้

ข้อความแจ้งเตือนจะถูกปิดผนึกเฉพาะที่ปลายทางเท่านั้น ยังคงมีบทบาทในเส้นทางที่ผ่านพร็อกซีซึ่งสามารถอ่านข้อความธรรมดาได้ และมีเพียงโปรโตคอลเท่านั้นที่ป้องกันไม่ให้พร็อกซีบันทึกหรือรั่วไหลเนื้อหาของรีเลย์

E2EE (End-to-End Encryption) ปิดกั้นการส่งต่อข้อมูลที่สามารถอ่านได้ อุปกรณ์ของผู้ใช้จะเข้ารหัสข้อความแจ้งเตือนด้วยคีย์ของเอนเคลฟ และทุกขั้นตอนการส่งต่อระหว่างทางจะส่งซองจดหมายที่ปิดผนึกไว้ ซึ่งมีเพียงเอนเคลฟเท่านั้นที่สามารถเปิดได้

ความไว้วางใจตกอยู่กับฝั่งไคลเอ็นต์ โค้ดที่รับผิดชอบในการเข้ารหัสข้อความแจ้งเตือนและการตรวจสอบการรับรองนั้นมีศักยภาพที่จะเพิกถอนการรับประกันนี้ได้เช่นกัน ดังนั้น การตรวจสอบ E2EE จึงต้องอาศัยทั้งเอนเคลฟที่ได้รับการพิสูจน์แล้วและโค้ดไคลเอ็นต์แบบเปิดที่สามารถทำซ้ำได้

เมื่อเทียบกับความเรียบง่ายของ TEE แล้ว ต้นทุนของ E2EE คือภาระด้านวิศวกรรม ซึ่งทำให้การบูรณาการฟังก์ชันการทำงานช้าลงด้วย E2EE เปลี่ยนพร็อกซีให้กลายเป็นผู้ส่งสารแบบปิดตา ดังนั้นฟังก์ชันทั้งหมดที่ต้องอาศัยการอ่านข้อความธรรมดาจะต้องสร้างขึ้นใหม่โดยใช้คีย์ไคลเอ็นต์ หรือสร้างขึ้นใหม่ภายในเอนเคลฟเท่านั้น

FHE (Fully Homomorphic Encryption และรูปแบบ MPC) ขจัดบทบาทของฝ่ายที่ได้รับความไว้วางใจออกไปโดยสิ้นเชิง เซิร์ฟเวอร์จะทำการคำนวณกับข้อความที่เข้ารหัสในกล่องที่ล็อกไว้ซึ่งไม่สามารถเปิดได้ กุญแจจะอยู่ในมือของคุณเท่านั้น ในขณะที่ MPC (Multi-Party Computation) จะแบ่งข้อความออกเป็นส่วนลับที่กระจายไปยังหลายฝ่าย ทำให้ได้ผลลัพธ์เดียวกัน เว้นแต่ว่าผู้เข้าร่วมทั้งหมดจะสมรู้ร่วมคิดกัน

ข้อเสียคือความเร็ว โดยพื้นฐานแล้ว FHE ทำได้เพียงการบวกและการคูณเท่านั้น ดังนั้นขั้นตอนที่ไม่เป็นเชิงเส้นที่จำเป็นสำหรับการทำงานของตัวแปลงจึงต้องสร้างขึ้นใหม่ด้วยต้นทุนที่สูงมาก ต้นทุนในการอนุมานบนข้อความที่เข้ารหัสจะสูงกว่าข้อความธรรมดาถึง 10,000 ถึง 100,000 เท่า โดยแต่ละโทเค็นในโมเดลขนาดเล็กใช้เวลาหลายวินาทีถึงหลายนาที ในขณะที่ในสภาวะที่ไม่ได้เข้ารหัสจะใช้เวลาเพียงไม่กี่มิลลิวินาทีเท่านั้น

คาดว่าชิปที่ออกแบบมาสำหรับการคำนวณแบบเข้ารหัสจะช่วยลดช่องว่างดังกล่าวได้ แต่ต้นแบบแรกจะยังไม่สามารถสาธิตได้เสร็จสมบูรณ์จนกว่าจะถึงต้นปี 2026 และเวอร์ชันเชิงพาณิชย์จะต้องใช้เวลาอีกหลายปี

การอนุมานในระดับท้องถิ่นช่วยขจัดขั้นตอนดังกล่าวโดยตรง โมเดลทำงานบนฮาร์ดแวร์ของคุณเอง โดยไม่ต้องใช้รีเลย์ เซิร์ฟเวอร์ ผู้ให้บริการ และไม่มีข้อกำหนดในการตรวจสอบใดๆ

ต้นทุนที่เห็นได้ชัดคือค่าใช้จ่ายและความสามารถของโมเดล gpt-oss-120b ทำคะแนนได้ประมาณครึ่งหนึ่งของ GLM-5.2 ในดัชนีการวิเคราะห์ด้วยปัญญาประดิษฐ์ แต่มีขนาด 65GB ซึ่งเกิน VRAM รวมของกราฟิกการ์ดเกมระดับเรือธงสองรุ่นในตลาด GLM-5.2 ที่มีความแม่นยำเต็มรูปแบบสามารถทำงานได้เฉพาะบนโหนดศูนย์ข้อมูล 8 การ์ดเท่านั้น ซึ่งมีราคาสูงกว่า 300,000 ดอลลาร์เฉพาะค่า GPU เท่านั้น

อย่างไรก็ตาม นอกเหนือจากข้อจำกัดเชิงโครงสร้างเหล่านี้แล้ว ต้นทุนในการนำการประมวลผลแบบอนุมานเข้าไปในเอนเคลฟกำลังลดลง ในการประมวลผลแบบการ์ดเดียว การทดสอบประสิทธิภาพของ Phala ผู้ให้บริการคลาวด์เอนเคลฟ แสดงให้เห็นว่าการสูญเสียปริมาณงานสำหรับโหมดเอนเคลฟของ H100 โดยเฉลี่ยต่ำกว่า 7% และเกือบเป็นศูนย์ในโมเดลขนาดใหญ่ เนื่องจากต้นทุนหลักอยู่ที่การย้ายข้อมูลเข้าไปในชิป ไม่ใช่การประมวลผลภายในชิป ในการประมวลผลแบบหลายการ์ด GPU Blackwell รุ่นใหม่ของ NVIDIA รองรับการเข้ารหัสโดยตรงของการรับส่งข้อมูลระหว่างชิป ในขณะที่ H100 รุ่นเก่าสามารถทำได้เช่นเดียวกันโดยการส่งผ่านโฮสต์ CPU ด้วยแบนด์วิดท์เพียงหนึ่งในเจ็ด การทดสอบประสิทธิภาพของ NVIDIA เองบน Blackwell แสดงให้เห็นว่าการสูญเสียปริมาณงานสำหรับโมเดล 397B ในโหมดเอนเคลฟต่ำกว่า 8% ด้วยความก้าวหน้าเหล่านี้ การสูญเสียประสิทธิภาพของการประมวลผลแบบอนุมานเพื่อความเป็นส่วนตัวจึงไม่ใช่ข้อจำกัดที่สำคัญอีกต่อไป

ที่จริงแล้ว การใช้เอนเคลฟแทบจะไม่เพิ่มต้นทุนการดำเนินงานใดๆ ให้กับผู้ให้บริการเลย H100 ทุกเครื่องหลังจากปี 2023 จะมาพร้อมกับโหมดเอนเคลฟ และต้นทุนที่เพิ่มขึ้นคือการสูญเสียปริมาณงานที่เกิดจากการเข้ารหัส ไม่ใช่ชิปเพิ่มเติม ปัจจุบัน ราคาเช่า H100 แบบรักษาความลับบน Azure ยังคงอยู่ที่ 8.90 ดอลลาร์ต่อชั่วโมง ในขณะที่หากไม่มีเอนเคลฟจะอยู่ที่ 6.98 ดอลลาร์ ซึ่งคิดเป็นราคาที่เพิ่มขึ้น 27% เมื่อเทียบกับสิ่งอำนวยความสะดวกบนคลาวด์แบบดั้งเดิม ในทางกลับกัน ผู้ให้บริการอย่าง Phala ที่เชี่ยวชาญด้านเอนเคลฟกำลังให้เช่า H100 ในโหมดรักษาความลับเริ่มต้นที่ 3.80 ดอลลาร์ต่อชั่วโมง ซึ่งต่ำกว่าช่วงราคา 3.99 ถึง 4.29 ดอลลาร์สำหรับ SXM การ์ดมาตรฐานของ Lambda ในโซลูชัน API ที่โฮสต์อยู่ NEAR AI ให้บริการเอนด์พอยต์พร้อมการรับรองที่ 0.15 ดอลลาร์ต่อโทเค็นขาเข้าหนึ่งล้านโทเค็นและขาออก 0.55 ดอลลาร์สำหรับ gpt-oss-120b ซึ่งเทียบได้กับเส้นทางข้อความธรรมดาบน Amazon Bedrock, Together และ Groq แม้แต่สำหรับโมเดลที่ต้องการการประมวลผลแบบขนานหลายชิป ราคาของ NEAR AI สำหรับ GLM 5.2 ก็ยังเท่ากับ Fireworks และสำหรับ Kimi K2.6 ที่มีขนาดใหญ่กว่า ราคาอินพุตจะถูกกว่า 15% และราคาเอาต์พุตถูกกว่า 4%

แม้ว่าผู้ให้บริการการอนุมานความเป็นส่วนตัวรายใหม่เหล่านี้อาจกำลังเผาผลาญกำไรเพื่อแย่งชิงส่วนแบ่งการตลาด (ซึ่งเป็นเรื่องปกติสำหรับทุกบริษัทในตลาดที่ต้องการเติบโต) แต่แนวโน้มเชิงโครงสร้างคือต้นทุนของความเป็นส่วนตัวกำลังลดลงสำหรับทั้งผู้บริโภคและผู้ให้บริการ

โมเดลโอเพนซอร์สประสบความสำเร็จได้อย่างไร

แม้ว่าค่าใช้จ่ายด้านประสิทธิภาพจะลดลง แต่ก็ยังคงมีช่องว่างที่เห็นได้ชัดระหว่างโมเดลล้ำสมัยกับโมเดลโอเพนซอร์สที่เป็นมาตรฐานในปัจจุบัน องค์กรที่ต้องการประสิทธิภาพการทำงานสูงสุดยังคงต้องไว้วางใจห้องปฏิบัติการล้ำสมัยว่าจะไม่ขโมยทรัพย์สินทางปัญญาของตน

ช่องว่างยังคงมีอยู่ แต่ AIA Labs ภายใต้ Bridgewater และ Thinking Machines ได้นำเสนอตัวอย่างเมื่อวันที่ 30 มิถุนายน: โมเดลแบบเปิดที่ได้รับการปรับแต่งอย่างละเอียดด้วยคำอธิบายประกอบจากผู้เชี่ยวชาญ สามารถทำงานได้ดีกว่าโมเดลล้ำสมัยทั้งในด้านความแม่นยำและต้นทุน

ในการศึกษาครั้งนี้ ทีมงานได้ปรับแต่งโมเดล Qwen3-235B บน Tinker (บริการ API สำหรับการปรับแต่งโมเดลของ Thinking Machines) โดยเริ่มจากการขอข้อมูลคำอธิบายประกอบจากผู้จำหน่าย ฝึกฝนโมเดลรอบแรกด้วยชุดข้อมูลนี้ จากนั้นจึงส่งตัวอย่างที่แตกต่างกันกลับไปยังฝ่ายการลงทุนของบริษัทเพื่อขอข้อมูลคำอธิบายประกอบใหม่ การฝึกฝนใช้การเรียนรู้แบบเสริมแรง (GRPO) ร่วมกับการปรับเปลี่ยนสามอย่าง ได้แก่ การจัดกลุ่มแบบวนรอบ (แต่ละงานจะผลัดกันสร้างชุดข้อมูล) การสูญเสียแบบ CISPO (จำกัดว่าคำตอบเดียวจะดึงโมเดลไปได้ไกลแค่ไหน) และการกลั่นแบบ on-policy (ยึดกับจุดตรวจสอบที่เหมาะสมที่สุดในปัจจุบันเพื่อให้แน่ใจว่าโมเดลจะไม่เรียนรู้จากสำเนาที่อ่อนแอกว่า)

งานทั้งหมดดึงมาจากขั้นตอนการทำงานประจำวันของบุคลากรด้านการลงทุน เช่น บทความข่าวมีความสำคัญต่อผู้บริหารระดับสูงด้านการลงทุนหรือไม่ เอกสารของธนาคารกลางบ่งชี้ถึงการเปลี่ยนแปลงอัตราดอกเบี้ยในอนาคตหรือไม่ และควรเริ่มต้นอย่างไรกับวลีต้นแบบในเอกสารหรืออีเมล การให้คะแนนมาจากชุดทดสอบอิสระ โดยแบบจำลองที่ทันสมัยที่สุดทำคะแนนเฉลี่ยประมาณ 50% สำหรับคำถามง่ายๆ และทำได้เพียง 78.2% สำหรับคำถามจากผู้เชี่ยวชาญ ซึ่งต่ำกว่าเกณฑ์ 80% ที่กำหนดโดยบุคลากรด้านการลงทุน แบบจำลอง Qwen ที่ปรับแต่งแล้วทำได้ 84.7% ซึ่งตามข้อความต้นฉบับหมายความว่าทำผิดพลาดน้อยกว่าแบบจำลองที่ทันสมัยที่สุดถึง 29.8% และมีต้นทุนการอนุมานต่ำกว่าถึง 13.8 เท่า

https://thinkingmachines.ai/news/learning-to-replicate-expert-judgment-in-financial-tasks/

กรณีนี้แสดงให้เห็นว่าโมเดลโอเพนซอร์สสามารถชนะได้ทั้งในด้านความแม่นยำและต้นทุน แต่กระบวนการฝึกฝนยังคงไม่เป็นส่วนตัว ข้อมูลจากผู้เชี่ยวชาญที่ใช้ในกระบวนการเป็นข้อมูลที่เป็นกรรมสิทธิ์ของ Bridgewater ซึ่งผ่านบริการของบุคคลที่สามของ Tinker และอยู่ในระดับความน่าเชื่อถือเดียวกับโปรโตคอล ZDR นอกจากนี้กองทุนยังเช่าพลังการประมวลผล และการฝึกฝนทั้งหมดดำเนินการบนเครื่องที่กองทุนไม่เคยควบคุม ผู้ซื้อที่ต้องการสูตรนี้โดยไม่มีข้อสมมติฐานเรื่องความน่าเชื่อถือมีตัวเลือกน้อยมากในปัจจุบัน การเช่าคลัสเตอร์ GPU แบบเปล่าๆ ทำให้กระบวนการฝึกฝนสามารถอ่านได้โดยผู้ให้บริการคลาวด์ การซื้อคลัสเตอร์ช่วยแก้ปัญหาการโฮสต์ข้อมูล แต่ต้นทุนจะพุ่งสูงขึ้น

เส้นทางที่มีการรับรองความถูกต้องได้มาถึงแล้ว ในเดือนมีนาคม Workshop Labs และ Tinfoil ได้เปิดตัว Silo ซึ่งเป็นสแต็กหลังการฝึกอบรมที่ทำงานใน Tinfoil enclave บนโหนด 8 การ์ดเดียว โดยมีคีย์ที่ควบคุมโดยลูกค้าแต่เพียงผู้เดียว บทความระบุว่าค่าใช้จ่ายของ enclave เพิ่มเวลา 11 นาทีให้กับการฝึกอบรมสองชั่วโมง และสแต็กนี้สามารถรองรับโมเดลที่มีพารามิเตอร์นับล้านล้านตัว (Kimi K2 Thinking) โดยการตรึงน้ำหนักพื้นฐานและฝึกอะแดปเตอร์ขนาดเล็กเพิ่มเติมเท่านั้น ความท้าทายอยู่ที่ข้อเท็จจริงที่ว่าการเรียนรู้แบบเสริมแรงต้องการการย้ายข้อมูลไปมาระหว่างส่วนประกอบ และการย้ายข้อมูลนี่เองที่เป็นจุดกำเนิดของค่าใช้จ่ายของ enclave

ไม่ถึงหนึ่งเดือนหลังจากที่ Silo เปิดตัว Workshop Labs ก็ถูก Thinking Machines เข้าซื้อกิจการ และส่วนประกอบทั้งหมดที่จำเป็นในการใช้งานวงจร RL สไตล์ Bridgewater รุ่นต่อไปในพื้นที่นั้น ก็อยู่ภายใต้บริษัทเดียวกันแล้ว

ความเป็นส่วนตัวที่ชั้นสายรัด

ยังมีอีกประเด็นหนึ่งที่อยู่นอกเหนือกลไกการอนุมานส่วนตัวทั้งหมด กลไกเหล่านี้แต่ละกลไกจัดการเส้นทางจากข้อความแจ้งไปยังโมเดล ในขณะที่การเรียกใช้เครื่องมือภายนอกทุกครั้งที่เริ่มต้นโดยเอเจนต์จะเปิดเส้นทางที่เลเยอร์การอนุมานไม่สามารถเข้าถึงได้โดยพื้นฐาน แนวโน้มล่าสุดของการออกแบบระบบเชื่อมต่อยิ่งทำให้ปัญหานี้รุนแรงขึ้น เครื่องมือ ที่เก็บข้อมูล และแหล่งข้อมูลทุกอย่างที่อยู่รอบโมเดลล้วนเป็นปลายทางอีกแห่งหนึ่งที่อ่านส่วนของเวิร์กโฟลว์ในรูปแบบข้อความธรรมดา เซิร์ฟเวอร์ปฏิทินอ่านกำหนดการ เซิร์ฟเวอร์ฐานข้อมูลอ่านคำสั่งค้นหา เอเจนต์ที่ทำงานในเครื่องอย่างสมบูรณ์ยังคงต้องส่งคำค้นหาในรูปแบบข้อความธรรมดาไปยังเครื่องมือค้นหาหากต้องการสิ่งใด ๆ ที่อยู่นอกชุดข้อมูลการฝึกอบรม เนื่องจากเซิร์ฟเวอร์ไม่สามารถอ่านข้อความธรรมดาได้และไม่สามารถตอบคำถามได้

โซลูชันกระแสหลักส่วนใหญ่ยังคงใช้เลเยอร์โปรโตคอลเป็นค่าเริ่มต้น บริษัทต่างๆ เช่น Runlayer และ MintMCP ใช้เกตเวย์ส่วนกลางเพื่อควบคุมการรับส่งข้อมูลของเครื่องมือทั้งหมด โดยปกปิดข้อมูลส่วนบุคคลที่ระบุตัวตนได้ (PII) ก่อนที่คำขอจะถูกส่งออกไป เกตเวย์ยังตัดสินใจว่าเซิร์ฟเวอร์ใดสามารถรับส่งข้อมูลได้ โดยจะบล็อกเซิร์ฟเวอร์ที่ไม่ได้รับการตรวจสอบ และบันทึกปลายทางและเนื้อหาของแต่ละการเรียกเพื่อใช้อ้างอิงในอนาคต แม้ว่าการควบคุมเหล่านี้จะมีการตรวจสอบโดยอิสระ (SOC 2) แต่เซิร์ฟเวอร์ของเครื่องมือยังคงต้องอ่านข้อความธรรมดาเพื่อตอบสนอง และการเก็บสำเนาไว้หรือไม่นั้นขึ้นอยู่กับนโยบายการเก็บรักษาข้อมูลของตนเอง ซึ่งคูณด้วยจำนวนเครื่องมือแต่ละตัวในระบบ นอกจากนี้ เกตเวย์เองก็เป็นฝ่ายอ่านข้อมูลเพิ่มเติมที่ต้องอาศัยความไว้วางใจตลอดเส้นทาง มากกว่าการตรวจสอบความถูกต้อง

โซลูชันระดับโครงสร้างมุ่งเป้าไปที่ชั้นกลางนั้น ตัวอย่างเช่น Phala โฮสต์เซิร์ฟเวอร์ MCP โดยตรงภายใน TEE ซึ่งครอบคลุมกระเป๋าเงินดิจิทัล การดำเนินการโค้ด และแหล่งข้อมูล ทำให้ผู้ใช้สามารถตรวจสอบคำแถลงความเป็นส่วนตัวด้วยการรับรองแทนที่จะเชื่อถือผู้ดำเนินการ อย่างไรก็ตาม เครื่องมือที่โฮสต์อยู่ใน TEE ยังคงต้องส่งคำขอในรูปแบบข้อความธรรมดาไปยังผู้ให้บริการ เนื่องจาก TEE ทำหน้าที่เพียงแค่ปิดผนึกผู้ส่งสาร ไม่ใช่ปลายทาง

มีเพียงไม่กี่ปลายทางเท่านั้นที่เรียนรู้ที่จะตอบสนองโดยไม่ต้องอ่านข้อความ แต่เฉพาะสำหรับคำค้นหาที่มีโครงสร้างเท่านั้น Apple ให้บริการดึงข้อมูลส่วนตัวสำหรับ iPhone โดยอนุญาตให้จับคู่หมายเลขผู้โทรกับฐานข้อมูลการโทรสแปมโดยไม่เปิดเผยหมายเลข และ Microsoft ใช้รูปแบบเดียวกันนี้สำหรับรหัสผ่านในเบราว์เซอร์ Edge การเข้ารหัสที่สามารถสอบถามได้ของ MongoDB ช่วยให้ไคลเอนต์เข้ารหัสฟิลด์ก่อนส่งออกไป ทำให้เซิร์ฟเวอร์สามารถทำการจับคู่ความเท่าเทียมกันและการจับคู่ช่วงโดยอิงจากข้อความที่เข้ารหัสเท่านั้น

อย่างไรก็ตาม สำหรับการค้นหาแบบเปิดกว้าง คำตอบที่ดีที่สุดในปัจจุบันยังคงอาศัยความไว้วางใจ การค้นหาแบบเข้ารหัสที่ตรวจสอบได้ยังไม่ปรากฏออกมาจากห้องปฏิบัติการ Brave สัญญาว่าจะไม่เก็บรักษาข้อมูลใดๆ ในดัชนีของตนเองที่มี 40 พันล้านหน้า (แทนที่จะเป็นของ Google) แต่ก็ยังอยู่ภายใต้ชั้นของโปรโตคอล Exa สร้างดัชนีโครงข่ายประสาทเทียมที่ฝังคำหลักของผู้ใช้ในเชิงความหมาย จับคู่ผลลัพธ์ตามความหมาย แต่ขั้นตอนการฝังนี้ยังคงเริ่มต้นจากข้อความธรรมดาบนเซิร์ฟเวอร์ของ Exa งานวิจัย Tiptoe ของ MIT ในปี 2023 ประสบความสำเร็จในการจัดอันดับบนเว็บเพจ 360 ล้านหน้าโดยไม่ต้องเปิดเผยคำค้นหา แต่การค้นหาแต่ละครั้งใช้พลังการประมวลผลของเซิร์ฟเวอร์จำนวนมาก และคุณภาพการจัดอันดับจะแตกต่างจากการค้นหาที่ไม่ได้เข้ารหัส งานวิจัย Wally ของ Apple ในปี 2024 ลดต้นทุนการสื่อสารได้มากถึง 31 เท่าโดยการซ่อนคำค้นหาจริงไว้ในคำค้นหาลวง แต่การคำนวณนี้จะคุ้มค่าก็ต่อเมื่อมีการค้นหาพร้อมกันหลายล้านครั้ง ซึ่งเป็นขนาดที่ระบบค้นหาส่วนตัวใดๆ ในปัจจุบันยังไม่สามารถทำได้

การค้นหาแบบเข้ารหัสเป็นไปได้ แต่ยังไม่ถึงระดับที่คุ้มค่าในเชิงพาณิชย์ทั้งในแง่ของประสิทธิภาพและราคา

ลุค

ความต้องการ AI ส่วนตัวกำลังเติบโตขึ้น Venice AI เพิ่งมีผู้ใช้งานที่ลงทะเบียนเกิน 3.5 ล้านคน และมีปริมาณการใช้งานโทเค็นต่อเดือนถึง 1.3 ล้านล้านโทเค็น ส่งผลให้มีการระดมทุนรอบ Series A มูลค่า 1 พันล้านดอลลาร์ Proton เป็นคู่แข่งโดยตรง โดยผลิตภัณฑ์แชท Lumo ของ Proton มีผู้ใช้งานเกิน 10 ล้านคนภายในหนึ่งปีหลังเปิดตัว ในแง่ของโครงสร้างพื้นฐาน Phala กำลังใช้งานโทเค็น 2 ถึง 3 พันล้านโทเค็นต่อวันบน OpenRouter Duck.ai ส่งต่อ gpt-oss-120b และ Gemma ไปยัง enclave ของ Tinfoil ซึ่งให้ความเป็นส่วนตัวที่ตรวจสอบได้เหนือกว่าพร็อกซีของผู้ใช้ นี่ยังไม่รวมถึงการโฮสต์ด้วยตนเอง ซึ่งน่าจะเป็นช่องทางที่ใหญ่ที่สุดสำหรับการอนุมานแบบส่วนตัว เนื่องจากโมเดลทำงานบนฮาร์ดแวร์ของตนเองโดยไม่ทิ้งร่องรอยการใช้งานใดๆ

อย่างไรก็ตาม ในกระแสหลักของ AI นั้น AI ที่เน้นความเป็นส่วนตัวมีสัดส่วนเพียงเล็กน้อย และช่องว่างนี้จะปิดลงได้ก็ต่อเมื่อห้องปฏิบัติการล้ำสมัยตั้งใจตอบสนองความต้องการนี้เท่านั้น ในเดือนพฤษภาคม Google ประมวลผลโทเค็น 320 ล้านล้านโทเค็นในผลิตภัณฑ์ทั้งหมด ซึ่งหมายความว่าปริมาณการประมวลผลรายเดือนของ Venice นั้นเทียบเท่ากับ 18 นาทีของ Google โดยประมาณ เมื่อเดือนพฤศจิกายนที่ผ่านมา Google เปิดตัว Private AI Compute (PAC) ซึ่งใช้งานฟีเจอร์ที่ขับเคลื่อนด้วย Gemini บางอย่างในพื้นที่ TPU ที่ปิดผนึกและแยกออกจากบริษัท โดยมี NCC Group ตรวจสอบการออกแบบอย่างอิสระ อย่างไรก็ตาม ปัญหาคือ PAC ครอบคลุมเฉพาะฟีเจอร์ Pixel บางอย่าง เช่น คำแนะนำส่วนบุคคลและบทสรุปเสียง ไม่ใช่แอปพลิเคชัน Gemini ที่ใช้งานโดยผู้คนหลายร้อยล้านคน Google ยินดีที่จะส่งมอบการออกแบบให้กับผู้ตรวจสอบเพราะฟีเจอร์เหล่านี้สร้างรายได้ผ่านอุปกรณ์และการโฆษณา ไม่ใช่โดยการขายโทเค็น

โซลูชันที่ให้บริการอยู่ในปัจจุบันก็ยังไม่สมบูรณ์แบบ ผู้ใช้ที่ต้องการความเป็นส่วนตัวสูงสุดผ่านการเข้ารหัสแบบ End-to-End (E2EE) ต้องรอให้มีการสร้างฟีเจอร์ใหม่ๆ ขึ้นมาในส่วนที่ผู้ให้บริการไม่สามารถเข้าถึงได้ ระบบรักษาความปลอดภัยส่วนตัวยังคงต้องพึ่งพาโปรโตคอลในระดับบริการ การฝึกอบรมหลังการใช้งานในราคาที่เหมาะสมยังคงต้องอาศัยความไว้วางใจจากผู้ให้บริการภายนอกเพื่อให้ได้ผลลัพธ์การปรับแต่งที่ดีที่สุด การโฮสต์ด้วยตนเองช่วยขจัดผู้ให้บริการทั้งหมด แต่การใช้งานโมเดลโอเพนซอร์สที่แข็งแกร่งที่สุดในพื้นที่อาจมีค่าใช้จ่ายมากกว่าอาคารที่ใช้เป็นที่ตั้งของระบบเหล่านั้นเสียอีก

ถึงแม้จะมีข้อบกพร่องอยู่บ้าง แต่ AI ส่วนตัวได้กลายเป็นตัวเลือกที่เป็นไปได้และราคาไม่แพง และช่องว่างที่เหลืออยู่ก็กำลังแคบลง สำหรับผู้บริโภคทั่วไป การแชทส่วนตัวแบบเปิดบน Lumo และ Venice ภายใต้คำมั่นสัญญาว่าจะไม่บันทึกข้อมูลนั้นไม่มีค่าใช้จ่าย ในขณะที่การสมัครสมาชิกจาก Venice หรือ Tinfoil ในราคา 18 ถึง 20 ดอลลาร์ จะห่อหุ้มการแชทเดียวกันไว้ในพื้นที่ปิดล้อม ซึ่งไม่แพงไปกว่าการสมัครสมาชิก ChatGPT สำหรับเวิร์กโฟลว์ระดับองค์กร ปลายทางที่มีการรับรองความถูกต้องนั้นมีราคาถูกกว่าเส้นทางข้อความธรรมดาเสียอีก ปลายทางเช่น API E2EE ของ NEAR สามารถนำบริบทที่เข้ารหัสเข้าสู่พื้นที่ปิดล้อมได้แล้ว โดยมีหน่วยความจำ การอัปโหลดไฟล์ และคำสั่งที่กำหนดเองทำงานอยู่บน E2EE ในปัจจุบัน ส่วนการฝึกอบรมภายหลังพร้อมการรับรองความถูกต้องนั้น Vera Rubin NVL72 ที่กำลังจะมาถึงของ NVIDIA จะขยายการประมวลผลแบบลับจากโหนด 8 การ์ดของ Blackwell ไปยังแร็ค 72 การ์ด ทำให้ลูป RL ที่ล้ำสมัยเป็นไปได้มากขึ้นโดยไม่ต้องเปิดเผยทรัพย์สินทางปัญญา

อย่างไรก็ตาม คุณค่าที่สำคัญที่สุดนั้นอยู่เหนือระดับการลดราคาเหล่านี้ ความเป็นส่วนตัวนั้นแทบจะฟรีในที่ที่มีอยู่แล้ว แต่ยังไม่ครอบคลุมเวิร์กโฟลว์หลักของเอเจนต์ ผู้ประกอบการที่มุ่งเน้นการให้เช่าและขายเอนเคลฟนั้นถือครองสวิตช์บนชิปมาตรฐาน ไม่ใช่คูเมือง ในขณะที่เกตเวย์ระดับโปรโตคอลแข่งขันกับมิดเดิลแวร์แบบดั้งเดิม พื้นที่ที่ควรปกป้องคือครึ่งหนึ่งของรายงานนี้ที่ยังแก้ไม่ตก: วงจรการฝึกอบรมที่ถูกล็อกไว้ในเอนเคลฟ การเรียกใช้เครื่องมือแบบปิดผนึกจากต้นทางถึงปลายทาง และดัชนีการค้นหาคำที่มองไม่เห็น ใครก็ตามที่ทำสิ่งใดสิ่งหนึ่งเหล่านี้สำเร็จก่อน จะขายสิ่งที่ไม่อาจลดทอนคุณค่าได้ด้วยสงครามราคาใดๆ เงินทุนที่ไล่ล่า AI ด้านความเป็นส่วนตัวควรซื้อช่องว่าง ไม่ใช่สวิตช์นั้น

ดังนั้น จะเชื่อหรือตรวจสอบดี? สำหรับงานที่ต้องใช้การประมวลผลและตัวแทนจำนวนมาก ควรเลือกความเชื่อ เพราะการเรียกใช้เครื่องมือทุกครั้งจะส่งข้อความธรรมดาไปยังปลายทางที่ระบบรักษาความปลอดภัยไม่สามารถปิดผนึกได้ และโมเดลล้ำสมัยก็คุ้มค่ากับราคาในกระบวนการดังกล่าว ส่วนการคิดเชิงลึกที่ทำให้บริษัทแตกต่างจากคู่แข่ง ควรเลือกการตรวจสอบ กลยุทธ์ การวางแผน และการตัดสินใจที่กลั่นกรองจากประสบการณ์ระดับมืออาชีพหลายปี คือ "อัลฟ่า" ที่เป็นที่ถกเถียงกัน หนทางข้างหน้าคือการปรับแต่งโมเดลโอเพนซอร์สด้วยข้อมูลเชิงลึกที่เป็นกรรมสิทธิ์เหล่านี้ภายในขอบเขตการควบคุมของบริษัท ในโดเมนที่อัลฟ่าของบริษัทอยู่ โมเดลโอเพนซอร์สที่ปรับแต่งโดยผู้เชี่ยวชาญได้แสดงประสิทธิภาพเหนือกว่าโมเดลล้ำสมัยทั้งในด้านความแม่นยำและต้นทุนแล้ว และโครงสร้างพื้นฐานในการสร้างโมเดลเหล่านี้ในสภาพแวดล้อมที่มีความเป็นส่วนตัวก็กำลังเกิดขึ้นทีละโหนด