Fireworks ซึ่งเป็นผลงานจาก Meta กล่าวถึงประเด็นโอเพนซอร์สกับโคลสซอร์ส: ใครจะเป็นผู้ชนะ?

ผู้สร้างวิดีโอ: Silicon Valley Vector
เรียบเรียงโดย: เพ็กกี้, บล็อกบีทส์

หมายเหตุจากบรรณาธิการ: ด้วยโมเดลโอเพนซอร์สที่กำลังก้าวเข้าใกล้ความล้ำสมัยของโมเดลปิดซอร์สอย่างรวดเร็ว และราคาการประมวลผลแบบอนุมานที่ลดลงอย่างต่อเนื่อง การอภิปรายในอุตสาหกรรมจึงเปลี่ยนจาก "ใครมีโมเดลที่ทรงพลังที่สุด" ไปเป็น "ใครสามารถนำโมเดลไปใช้งานจริงได้ในต้นทุนที่ต่ำกว่า" อย่างไรก็ตาม เมื่อความสามารถของโมเดลเริ่มใกล้เคียงกันมากขึ้น และการใช้โทเค็นที่เพิ่มขึ้นกลายเป็นฉันทามติ คำถามพื้นฐานกว่านั้นก็เริ่มปรากฏขึ้น: องค์กรต่างๆ เต็มใจที่จะจ่ายเงินเพื่ออะไรกันแน่—การเรียกใช้โมเดลที่ถูกกว่า หรือระบบอัจฉริยะเฉพาะทางที่สามารถทำงานเฉพาะอย่างได้อย่างน่าเชื่อถือ?

เมื่อเร็วๆ นี้ Cao Qingyun พิธีกรรายการ "Silicon Valley Coordinates" ได้สนทนากับ Chen Yufei ผู้ร่วมก่อตั้ง Fireworks AI ซึ่งเป็นบริษัทที่อยู่ระหว่างโมเดลและแอปพลิเคชันระดับองค์กร โดยให้บริการหลักๆ แก่ลูกค้าด้วยการอนุมานโมเดลแบบโอเพนซอร์ส การเพิ่มประสิทธิภาพ และการปรับแต่ง แทนที่จะพูดคุยกันเพียงว่าโอเพนซอร์สจะตามทันซอฟต์แวร์ปิดได้หรือไม่ ข้อสังเกตของ Chen Yufei กลับใกล้เคียงกับภาระงานในโลกแห่งความเป็นจริงมากกว่า เช่น โทเค็นไปอยู่ที่ไหน ทำไมองค์กรถึงจ่ายเงิน และอะไรที่ยังขาดอยู่เพื่อให้โมเดลสามารถพัฒนาจากขั้นพิสูจน์แนวคิดไปสู่การใช้งานจริงได้

ในการสนทนานี้ เฉิน ยู่เฟย ได้แยกแยะคำถามเรื่อง "โอเพนซอร์สเทียบกับปิดซอร์ส" ออกเป็นคำถามเชิงโครงสร้างพื้นฐานที่สำคัญยิ่งกว่านั้น ได้แก่ การเติบโตของโทเค็นสามารถแปลงเป็นรายได้ได้หรือไม่? ความสามารถทั่วไปสามารถทดแทนการสะสมในแนวดิ่งได้หรือไม่? โมเดลราคาต่ำสามารถผ่านการประเมินขององค์กรได้หรือไม่? และแพลตฟอร์มการอนุมานจะสร้างมูลค่าระหว่างผู้ให้บริการคลาวด์และบริษัทแอปพลิเคชันได้อย่างไร?

ประการแรก ขอบเขตการใช้งานและมูลค่าเชิงพาณิชย์ของโมเดลโอเพนซอร์สกำลังแตกต่างกันออกไป ในอดีต การพัฒนาความสามารถและราคาค่าบริการเป็นตัวชี้วัดหลักของความสามารถในการแข่งขันของโอเพนซอร์ส แต่ในปัจจุบัน แพลตฟอร์ม Fireworks ประมวลผลโทเค็นประมาณ 400-500 กิกะบิตต่อวัน และการใช้งานจริงของโมเดลโอเพนซอร์สก็ขยายตัวอย่างรวดเร็ว อย่างไรก็ตาม การใช้งานฟรี เงินอุดหนุนส่งเสริมการขาย และความแตกต่างของราคาโมเดล อาจทำให้สถิติโทเค็นประเมินความต้องการสูงเกินไป ลูกค้าอาจใช้โมเดลต้นทุนต่ำเป็นจำนวนมาก แต่ยังคงจัดสรรงบประมาณสูงสุดให้กับโมเดลปิดแหล่งที่มาที่มีประสิทธิภาพมากที่สุด ซึ่งหมายความว่า ขั้นตอนต่อไปสำหรับโอเพนซอร์สไม่ใช่แค่การขยายปริมาณการใช้งาน แต่เป็นการพิสูจน์ความสามารถในการเข้าถึงหรือแม้แต่เหนือกว่าโมเดลล้ำสมัยในงานที่มีมูลค่าสูง และการเปลี่ยนข้อได้เปรียบด้านต้นทุนให้เป็นความเต็มใจที่จะจ่าย

ประการที่สอง โมเดลทั่วไปและโมเดลเฉพาะทางเริ่มพัฒนาไปในทิศทางที่แตกต่างกัน ในอดีต การอัปเกรดโมเดลล้ำสมัยแต่ละครั้งอาจทำให้โมเดลที่ปรับแต่งอย่างละเอียดจำนวนมากกลายเป็นสิ่งล้าสมัยไปโดยปริยาย แต่ในปัจจุบัน แอปพลิเคชันในอุตสาหกรรมเฉพาะทาง เช่น กฎหมาย การดูแลสุขภาพ และการเขียนโปรแกรม กำลังสะสมการประเมิน ข้อมูล และขั้นตอนการทำงานที่ละเอียดมากขึ้น และเป้าหมายในการเพิ่มประสิทธิภาพของพวกเขากำลังค่อยๆ แตกต่างจากห้องปฏิบัติการล้ำสมัย โมเดลทั่วไปจำเป็นต้องเพิ่มขีดความสามารถให้สูงขึ้น ในขณะที่โมเดลเฉพาะทางจำเป็นต้องให้ผลลัพธ์ที่เสถียรภายในสถานการณ์ที่จำกัด โมเดลแรกสามารถแก้ปัญหาได้หลากหลายกว่า ในขณะที่โมเดลหลังเข้าใจได้ดีกว่าว่าผู้ใช้กำหนด "ความถูกต้อง" อย่างไร ซึ่งหมายความว่าอุปสรรคในการเข้าสู่ตลาดสำหรับบริษัทเฉพาะทางไม่ใช่แค่การมีโมเดลที่ปรับแต่งได้ แต่เป็นความสามารถในการแปลความต้องการของอุตสาหกรรมไปสู่ระบบการประเมินอย่างต่อเนื่อง และโยกย้ายระบบเหล่านั้นซ้ำๆ เมื่อโมเดลพื้นฐานได้รับการอัปเดต

ประการที่สาม อุปสรรคสำคัญในการนำ AI ไปใช้งานในองค์กรกำลังเปลี่ยนจากด้านการจัดหาโมเดลไปสู่ด้านการประเมินผล ในอดีต การพิสูจน์แนวคิดในองค์กรมักอาศัยประสบการณ์จากการทดลองและดุลยพินิจส่วนตัว แต่ในปัจจุบัน เมื่อ AI เข้าสู่กระบวนการผลิต เช่น ศูนย์บริการลูกค้า การวิจัยทางกฎหมาย และการช่วยเหลือทางการแพทย์ การพึ่งพาเพียงแค่ "มันดูดี" นั้นไม่เพียงพออีกต่อไปในการสนับสนุนการตัดสินใจจัดซื้อ องค์กรต้องรู้ว่าโมเดลมีประสิทธิภาพในงานใด เมื่อใดที่มันล้มเหลว และต้นทุนและคุณภาพจะเปลี่ยนแปลงไปมากน้อยเพียงใดเมื่อเปลี่ยนจากซอฟต์แวร์ปิดเป็นซอฟต์แวร์เปิด ดังนั้น การประเมินผลจึงไม่ใช่เครื่องมือเสริมอีกต่อไป แต่เป็นโครงสร้างพื้นฐานที่เชื่อมโยงการจัดซื้อ การฝึกอบรม และการใช้งานจริง ใครก็ตามที่สามารถกำหนดงาน สร้างการกระจายการทดสอบ และอัปเดตมาตรฐานอย่างต่อเนื่องได้ จะเป็นผู้ควบคุมการเลือกโมเดลอย่างแท้จริง

ประการที่สี่ คุณค่าของแพลตฟอร์มการอนุมานกำลังเปลี่ยนไปจาก "การขายพลังการประมวลผลราคาถูก" ไปสู่การจัดการโมเดล ฮาร์ดแวร์ และเวิร์กโฟลว์ ในอดีต การเพิ่มประสิทธิภาพการอนุมานนั้นเข้าใจกันเป็นหลักว่าเป็นการลดต้นทุนของโทเค็นเดียว แต่ในปัจจุบัน การแคช การแบ่งงาน การกำหนดเส้นทางโมเดล และการจัดการบริบท สามารถเปลี่ยนแปลงอัตราความสำเร็จของงานได้โดยตรง โมเดลต่างๆ ไม่จำเป็นต้องแข่งขันกันเพื่อตำแหน่งเดียวกันอีกต่อไป แต่สามารถทำหน้าที่เป็นผู้ดำเนินการและที่ปรึกษาได้ตามลำดับ ดังนั้นตรรกะทางธุรกิจของ Fireworks จึงยังคงเป็นจริง: แทนที่จะสร้างฮาร์ดแวร์ที่มีสินทรัพย์จำนวนมากของตนเอง บริษัทกลับเชื่อมโยงรายได้กับการใช้งานจริงของโมเดลของลูกค้าผ่านการฝึกอบรม การปรับแต่ง และการอนุมานอย่างต่อเนื่อง อย่างไรก็ตาม คู่แข่งหลักในเส้นทางนี้ไม่ใช่บริษัทคลาวด์ใหม่ๆ เพียงแห่งเดียว แต่เป็นผู้ให้บริการคลาวด์รายใหญ่ที่สามารถควบคุมพลังการประมวลผล ซอฟต์แวร์ และจุดเข้าถึงของลูกค้าได้พร้อมกัน

ประการที่ห้า การเพิ่มขึ้นของโมเดลโอเพนซอร์สอาจไม่ได้ทำให้ความต้องการโครงสร้างพื้นฐานลดลงเสมอไป ในทางตรงกันข้าม อาจทำให้ราคาของโมเดลลดลงและผลักดันมูลค่าไปสู่การประมวลผลและการคำนวณมากขึ้น การที่บริษัทยักษ์ใหญ่ด้านเทคโนโลยีเพิ่มการลงทุนอย่างต่อเนื่องนั้น ไม่ใช่แค่การคำนวณผลตอบแทนระยะสั้น แต่ยังเป็นการชั่งน้ำหนักความเสี่ยงระยะยาวจากการพลาดโอกาสในวงจรของ AI ด้วย อย่างไรก็ตาม สำหรับบริษัทคลาวด์ใหม่ๆ ที่ต้องพึ่งพาเงินทุนจากภายนอก ต้นทุนหนี้สิน ความล่าช้าของโครงการ และระยะเวลาคืนทุนจะยังคงเป็นข้อจำกัดที่สำคัญกว่า โมเดลที่มีราคาถูกลงไม่ได้หมายความว่าการสร้างและใช้งานระบบ AI จะง่ายขึ้นตามไปด้วย

หากเราจะสรุปบทสนทนานี้เป็นข้อสรุปเดียว ก็คงจะเป็นดังนี้ การตามทันโมเดลโอเพนซอร์สเป็นเพียงจุดเริ่มต้นเท่านั้น ขั้นตอนต่อไปของการนำ AI มาใช้ในเชิงพาณิชย์จะเกี่ยวข้องกับการประเมินผล การปรับแต่ง ประสิทธิภาพในการอนุมาน และขั้นตอนการทำงานของลูกค้า

ต่อไปนี้คือข้อความต้นฉบับ (ที่ได้รับการแก้ไขเพื่อให้ง่ายต่อการอ่านและเข้าใจ):

สรุปสั้นๆ

โมเดลโอเพนซอร์สกำลังตามทันโมเดลปิดซอร์สอย่างรวดเร็ว แต่การเติบโตของโทเค็นไม่ได้หมายถึงการเติบโตของรายได้เสมอไป และงบประมาณขององค์กรยังคงให้ความสำคัญกับโมเดลที่มีประสิทธิภาพดีที่สุดเป็นอันดับแรก

การกลั่นกรองข้อมูลจะช่วยให้โมเดลโอเพนซอร์สลดช่องว่างได้ในระยะสั้นเท่านั้น ความสามารถในการแข่งขันในระยะยาวยังคงขึ้นอยู่กับการฝึกอบรมอิสระ ข้อมูลการประเมินผล บุคลากรที่มีความสามารถ และพลังการประมวลผล

• การอัปเกรดโมเดลทั่วไปไม่ได้หมายความว่าจะกำจัดโมเดลเฉพาะทางออกไปเสมอไป อุปสรรคในสถานการณ์ต่างๆ เช่น ด้านกฎหมายและการดูแลสุขภาพ กำลังเปลี่ยนจากความสามารถของโมเดลไปสู่การประเมินผล ข้อมูล และขั้นตอนการทำงาน

หัวใจสำคัญของการพัฒนา AI ระดับองค์กรจากขั้นตอนการทดสอบแนวคิด (Proof of Concept: PoC) ไปสู่การใช้งานจริง ไม่ได้อยู่ที่การเพิ่มจำนวนตัวเลือกโมเดล แต่ขึ้นอยู่กับการสร้างระบบประเมินผลที่สามารถวัดคุณภาพ ต้นทุน และขอบเขตความล้มเหลวได้

การเพิ่มประสิทธิภาพการอนุมานได้ขยายขอบเขตจากการลดต้นทุนของโทเค็นเดี่ยวไปสู่การแคช การแบ่งงาน และการกำหนดเส้นทางโมเดล การออกแบบระบบเองทำให้การผสมผสานโมเดลหลายแบบสามารถทำงานได้ดีกว่าโมเดลล้ำสมัยเพียงโมเดลเดียว

โมเดลที่ปรับแต่งเองนั้นเหมาะสมกว่าสำหรับแพลตฟอร์ม SaaS เฉพาะกลุ่มธุรกิจที่ครอบคลุมลูกค้าจำนวนมากที่มีลักษณะคล้ายคลึงกัน เนื่องจากองค์กรขนาดเล็กมักขาดความสามารถในการกระจายข้อมูลและการประเมินผลอย่างต่อเนื่องที่ครอบคลุมเพียงพอ

จุดแข็งในการแข่งขันของ Fireworks ไม่ได้อยู่ที่การเป็นเจ้าของ GPU แต่เป็นการเชื่อมต่อการฝึกอบรม การปรับแต่ง และการอนุมานอย่างต่อเนื่อง อย่างไรก็ตาม คู่แข่งที่แท้จริงในระยะยาวของ Fireworks ยังคงเป็นยักษ์ใหญ่ด้านคลาวด์ที่สามารถครอบคลุมเทคโนโลยีทั้งหมดได้

การนำโมเดลโอเพนซอร์สมาใช้อย่างแพร่หลายอาจไม่ได้ลดความต้องการฮาร์ดแวร์ลงเสมอไป แต่มีแนวโน้มที่จะลดต้นทุนของโมเดลแต่ละชั้น และกระจายมูลค่าของอุตสาหกรรมไปยังพลังการประมวลผล โครงสร้างพื้นฐานการอนุมาน และเวิร์กโฟลว์ขององค์กรมากกว่า

ประเด็นสำคัญของการสัมภาษณ์

ซอฟต์แวร์โอเพนซอร์สจะพัฒนาตามทันเรื่อยๆ แต่การกลั่นกรองไม่ใช่ทางออกระยะยาว

ทีม Fireworks ส่วนใหญ่มาจากระบบนิเวศ PyTorch ของ Meta จากประสบการณ์ที่ผ่านมาในการพัฒนาระบบปฏิบัติการ ฐานข้อมูล และซอฟต์แวร์อื่นๆ ทีมงานเชื่อมานานแล้วว่าซอฟต์แวร์ที่มีคุณค่าจะพัฒนาไปในทิศทางเดียวกันในที่สุด โมเดลโดยรวมอาจพัฒนาไปในเส้นทางเดียวกัน เพียงแต่การไล่ตามให้ทันในครั้งนี้เกิดขึ้นเร็วกว่าที่เฉิน ยู่เฟยคาดการณ์ไว้แต่แรก

ในด้านหนึ่ง รายได้ประจำปีของบริษัทโมเดลแบบปิด เช่น OpenAI และ Anthropic ยังคงเติบโตอย่างรวดเร็ว ในอีกด้านหนึ่ง โมเดลแบบเปิดในจีนและสหรัฐอเมริกาก็กำลังลดช่องว่างด้านความสามารถลงอย่างรวดเร็วและทำให้ราคาการประมวลผลลดลงอย่างมาก ความสัมพันธ์ระหว่างโอเพนซอร์สและแบบปิดไม่ใช่ความสัมพันธ์แบบผลรวมเป็นศูนย์ที่ฝ่ายหนึ่งเติบโตและอีกฝ่ายหนึ่งต้องถดถอยอย่างหลีกเลี่ยงไม่ได้

ในส่วนของการนำเอาผลลัพธ์จากโมเดลแบบปิดมาใช้ในการประมวลผลโมเดลโอเพนซอร์สบางส่วนนั้น เฉิน ยู่เฟย เชื่อว่า แม้ว่าวิธีการนี้จะช่วยให้โมเดลมีประสิทธิภาพสูงขึ้นในระยะสั้น แต่ก็ไม่น่าจะเป็นแนวทางที่น่าเชื่อถือในระยะยาว ผู้จำหน่ายซอฟต์แวร์แบบปิดสามารถค่อยๆ ปรับปรุง API และกลไกการรักษาความปลอดภัยเพื่อลดโอกาสที่กระบวนการอนุมานและข้อมูลที่เกี่ยวข้องจะถูกดึงออกมาได้

อย่างไรก็ตาม ความก้าวหน้าของโมเดลโอเพนซอร์สไม่ได้ขึ้นอยู่กับการกลั่นกรองเพียงอย่างเดียว ตราบใดที่ระบบการประเมินผลยังคงพัฒนาอย่างต่อเนื่อง ต้นทุนข้อมูลลดลง และมีบุคลากรที่มีความสามารถ หน่วยประมวลผลกราฟิก (GPU) และศักยภาพด้านวิศวกรรมที่เพียงพอ ทีมโอเพนซอร์สก็ยังสามารถฝึกฝนโมเดลที่มีศักยภาพในการแข่งขันได้ด้วยตนเอง บริษัทอย่าง Meta ด้วยกำลังการประมวลผลและบุคลากรที่มีความสามารถจำนวนมาก ไม่มีเหตุผลที่จะต้องรักษาช่องว่างขนาดใหญ่กับโมเดลล้ำสมัยแบบปิดแหล่งที่มาในระยะยาว

นี่ไม่ได้หมายความว่าโมเดลซอฟต์แวร์แบบปิดจะสูญเสียส่วนแบ่งการตลาด เฉิน ยู่เฟย เปรียบเทียบทั้งสองอย่างกับแอปเปิลและแอนดรอยด์: ระบบนิเวศแบบเปิดอาจรองรับการใช้งานในวงกว้างขึ้น ในขณะที่ผลิตภัณฑ์แบบปิดที่ยังคงเป็นผู้นำอย่างต่อเนื่องสามารถรักษาลูกค้าที่มีมูลค่าสูงและอ่อนไหวต่อราคาต่ำกว่าได้ โดยอาศัยประสบการณ์ที่เสถียร การจดจำแบรนด์ และความไว้วางใจจากองค์กร

โดยทั่วไปแล้ว การจัดซื้อขององค์กรมักจะค่อนข้างระมัดระวัง คำกล่าวที่ว่า "ไม่มีใครถูกไล่ออกเพราะซื้อ IBM" อธิบายถึงแนวคิดการตัดสินใจนี้ได้อย่างเหมาะสม ตราบใดที่ลูกค้ายังคงเชื่อว่าการซื้อโมเดลแบบปิดแหล่งที่มาชั้นนำเป็นทางเลือกที่ปลอดภัยที่สุด บริษัทอย่าง OpenAI และ Anthropic ก็จะยังคงได้เปรียบอยู่ เมื่อเทียบกับช่องว่างทางเทคโนโลยีในระยะสั้น การเปลี่ยนแปลงการรับรู้ของผู้ใช้และความสามารถในการเข้าสู่ตลาดอาจทำได้ยากกว่า

เฉิน ยู่เฟย คาดการณ์ว่ารายได้ประจำปี (ARR) ของบริษัทที่ใช้โมเดลซอฟต์แวร์ปิดแหล่งที่มาจะยังคงเติบโตต่อไป แต่ตัวเลขนี้อาจไม่ได้สะท้อนถึงผลประโยชน์ทางเศรษฐกิจที่แท้จริงอย่างเต็มที่ ตัวอย่างเช่น รายได้บางส่วนอาจต้องแบ่งให้กับผู้ให้บริการคลาวด์ และการเพิ่มขึ้นของ ARR ไม่ได้หมายความว่าจะส่งผลให้รายได้และกำไรทางบัญชีเพิ่มขึ้นในสัดส่วนที่เท่ากันเสมอไป จะสามารถระบุได้ว่าอำนาจต่อรองของโมเดลซอฟต์แวร์ปิดแหล่งที่มาลดลงหรือไม่ ก็ต่อเมื่อบริษัทที่เกี่ยวข้องเปิดเผยข้อมูลทางการเงินที่ครบถ้วนมากขึ้นเท่านั้น

ในระยะยาว ซอฟต์แวร์โอเพนซอร์สอาจมีการใช้งานในวงกว้างมากขึ้น ในขณะที่ซอฟต์แวร์ปิดจะยังคงควบคุมความต้องการเพื่อผลกำไรที่สูงขึ้น สิ่งที่กำหนดขอบเขตทางการค้าของทั้งสองอย่างไม่ใช่แค่ความสามารถของโมเดลเท่านั้น แต่ยังรวมถึงแบรนด์ ช่องทางการจำหน่าย ความไว้วางใจของลูกค้า และวิธีการกระจายรายได้ด้วย

โทเค็นกำลังเปลี่ยนไปสู่ระบบโอเพนซอร์ส แต่รายได้ยังคงขึ้นอยู่กับประสิทธิภาพ

จากข้อมูลของเฉิน ยู่เฟย แพลตฟอร์ม Fireworks ในปัจจุบันประมวลผลโทเค็นประมาณ 40 ถึง 50 ล้านล้านโทเค็นต่อวัน โดยอ้างอิงจากข้อมูลสาธารณะที่เขายกมา ตัวเลขนี้สูงกว่าปริมาณการใช้งาน API ระดับองค์กรที่เปิดเผยโดย Gemini และ OpenAI เสียอีก

ความต้องการหลักของแพลตฟอร์มนี้มาจากด้านการเขียนโปรแกรม การดูแลสุขภาพ การทำงานร่วมกัน และการวิจัยเชิงลึก ในบรรดาความต้องการเหล่านี้ งานจำนวนมากขึ้นเรื่อยๆ ที่เดิมทีไม่ได้ถูกจัดว่าเป็นงานเขียนโปรแกรม กำลังถูกนิยามใหม่ว่าเป็น "ปัญหาการเขียนโปรแกรม"

ซอฟต์แวร์สำนักงาน เช่น PowerPoint และ Excel เป็นตัวอย่างทั่วไป เมื่อแบบจำลองสามารถใช้งานโปรแกรมซอฟต์แวร์เหล่านี้ผ่านโค้ดหรือเครื่องมือที่มีโครงสร้าง การสร้างโค้ด การเรียกใช้เครื่องมือ และวิธีการเรียนรู้แบบเสริมแรงที่มีอยู่สามารถถ่ายโอนไปยังสถานการณ์ในสำนักงานได้ บริษัท SaaS เฉพาะทางหลายแห่งยังได้รวมเครื่องมือเฉพาะอุตสาหกรรมไว้ในสภาพแวดล้อมที่แบบจำลองสามารถเรียกใช้ได้ จากนั้นใช้การเรียนรู้แบบเสริมแรงเพื่อให้แบบจำลองคุ้นเคยกับเวิร์กโฟลว์เฉพาะ

เฉิน ยู่เฟย แบ่งความต้องการในปัจจุบันออกเป็นสองประเภทคร่าวๆ คือ การเขียนโปรแกรมและการวิจัยเชิงลึก แอปพลิเคชันในอุตสาหกรรมต่างๆ จะผสมผสานสองสิ่งนี้เข้าด้วยกันเพื่อสร้างเอเจนต์เฉพาะทางสำหรับสถานการณ์ต่างๆ เช่น กฎหมาย การดูแลสุขภาพ และงานสำนักงาน

เขามีความมองโลกในแง่ดีเป็นพิเศษเกี่ยวกับผลิตภัณฑ์สำนักงานแบบร่วมมือกันที่มุ่งเป้าไปที่ผู้ใช้ที่ไม่เชี่ยวชาญด้านเทคนิค ก่อนหน้านี้ ทรัพยากรส่วนใหญ่ของอุตสาหกรรมถูกลงทุนไปในด้าน "STEM" เช่น คณิตศาสตร์และการเขียนโปรแกรม แต่ความต้องการของคนทำงานด้านความรู้ที่หลากหลาย เช่น การสร้างสไลด์ การประมวลผลเอกสาร และการสร้างวิดีโอ มีแนวโน้มที่จะเติบโตเร็วยิ่งขึ้น

การพัฒนาเอเจนต์ที่ควบคุมด้วยคอมพิวเตอร์เป็นไปอย่างช้ากว่าที่คาดการณ์ไว้ก่อนหน้านี้ เมื่อกว่าหนึ่งปีที่แล้ว ผลิตภัณฑ์เหล่านี้ถูกมองว่าจะช่วยลดความซับซ้อนของ API ทำให้ผู้ใช้สามารถโต้ตอบกับคอมพิวเตอร์ได้โดยตรงเหมือนมนุษย์ อย่างไรก็ตาม ในทางปฏิบัติ บริษัทต่างๆ พยายามลดต้นทุนโดยการเปลี่ยนเวิร์กโฟลว์ส่วนใหญ่ไปใช้ข้อความธรรมดา โมเดลข้อความมีราคาถูกกว่าและฝังลงในกระบวนการที่มีอยู่ได้ง่ายกว่า แม้ว่าเอเจนต์ที่ควบคุมด้วยคอมพิวเตอร์อาจได้รับความนิยมมากขึ้นในอนาคตเมื่อต้นทุนของเครื่องเสมือนลดลงและสภาพแวดล้อมการทำงานดีขึ้น แต่เส้นทางการเพิ่มประสิทธิภาพที่เฉพาะเจาะจงยังคงอยู่ระหว่างการสำรวจ

อย่างไรก็ตาม การเติบโตของโทเค็นไม่ได้แสดงถึงมูลค่าทางการค้าโดยตรง การจัดอันดับการกำหนดเส้นทางของโมเดลสาธารณะมักได้รับอิทธิพลจากโควต้าฟรีและกิจกรรมส่งเสริมการขาย และจำนวนโทเค็นที่เท่ากันอาจมีราคาที่แตกต่างกันอย่างสิ้นเชิง ปริมาณการเข้าชมที่เกิดจากโมเดลราคาถูกและปริมาณการเข้าชมที่เกิดจากโมเดลล้ำสมัยราคาแพงมีความหมายแตกต่างกันในแง่ของรายได้

เฉิน ยู่เฟย เชื่อว่ารายได้เป็นตัวบ่งชี้ที่ดีกว่าจำนวนโทเค็นในการตัดสินใจที่แท้จริงของลูกค้า เมื่อธุรกิจไม่คำนึงถึงราคา งบประมาณของพวกเขาก็จะยังคงไหลไปยังโมเดลที่มีประสิทธิภาพดีที่สุด ดังนั้น เมื่อ Fireworks ช่วยลูกค้าปรับแต่งโมเดล เป้าหมายหลักจึงมักไม่ใช่การบรรลุ "ความคุ้มค่าที่ดี" แต่เป็นการเทียบเท่าหรือเหนือกว่าโมเดลแบบปิดแหล่งที่มาชั้นนำในงานเฉพาะด้าน

ตลาดการเขียนโปรแกรมยังแสดงให้เห็นถึงความแตกต่างระหว่างการใช้งานและรายได้ การบริโภคโทเค็นมีแนวโน้มที่จะเติบโตต่อไป แต่หากราคาของโมเดลที่ใช้กันทั่วไปลดลงเรื่อยๆ ราคาที่ต่ำลงจะกระตุ้นให้มีการเรียกใช้งานมากขึ้น แต่ไม่ได้หมายความว่าจะทำให้รายได้ของตลาดเพิ่มขึ้นตามไปด้วย เช่นเดียวกับการเข้าถึงไฟฟ้าอย่างแพร่หลายไม่ได้หมายความว่ากำไรทั้งหมดจะตกเป็นของบริษัทผลิตไฟฟ้า การเติบโตของการใช้งาน AI จึงไม่สามารถตอบได้โดยตรงว่ามูลค่าที่แท้จริงของอุตสาหกรรมนี้อยู่ที่ใด

ในอนาคตอันใกล้ การใช้งานโมเดลโอเพนซอร์สอาจเพิ่มขึ้นอย่างต่อเนื่อง แต่การใช้จ่ายที่เกี่ยวข้องจะขยายตัวไปพร้อมกันได้หรือไม่นั้น ขึ้นอยู่กับว่าองค์กรต่างๆ เต็มใจที่จะลงทุนทรัพยากรในการปรับแต่งหรือไม่ หากบริษัทต่างๆ สามารถทำให้โมเดลโอเพนซอร์สที่ปรับแต่งได้นั้นสามารถแข่งขันกับโมเดลปิดซอร์สในงานเฉพาะด้านได้มากขึ้นเรื่อยๆ ปริมาณการใช้งานและรายได้ก็จะย้ายไปยังโอเพนซอร์สมากขึ้น ในทางกลับกัน หากต้นทุนการปรับแต่ง อัตราความล้มเหลว และความสามารถขององค์กรยังคงเป็นอุปสรรค โมเดลปิดซอร์สก็จะยังคงตอบสนองความต้องการที่มีมูลค่าสูงส่วนใหญ่ต่อไป

โมเดลอเนกประสงค์จะเพิ่มขีดจำกัดสูงสุดของความสามารถ ในขณะที่โมเดลเฉพาะทางจะสะสมอุปสรรคในการทำงาน

ทุกครั้งที่มีการเปิดตัวรุ่นใหม่ที่ล้ำสมัย ตลาดก็จะเกิดคำถามใหม่ขึ้นมาเสมอ: รุ่นที่บริษัทต่างๆ ลงทุนทั้งข้อมูลและเงินทุนเพื่อปรับแต่งอย่างละเอียดนั้น จะสูญเสียมูลค่าอย่างรวดเร็วหรือไม่?

เฉิน ยู่เฟย กล่าวว่า แม้ว่าโมเดลที่ปรับแต่งเฉพาะบุคคลจำนวนมากจะถูกแทนที่ด้วยโมเดลพื้นฐานรุ่นใหม่ในปี 2025 แต่สถานการณ์นี้ลดลงอย่างมากในปี 2026 ในมุมมองของเขา นี่เป็นสัญญาณที่ดีที่แสดงให้เห็นว่ามูลค่าทางการค้าของโมเดลเฉพาะกลุ่มกำลังค่อยๆ มีเสถียรภาพมากขึ้น

เหตุผลก็คือ โมเดลอเนกประสงค์และแอปพลิเคชันเฉพาะทางกำลังได้รับการปรับให้เหมาะสมในทิศทางที่แตกต่างกัน ห้องปฏิบัติการวิจัยระดับแนวหน้าจำเป็นต้องพิสูจน์ว่าโมเดลสามารถแก้ปัญหาทางคณิตศาสตร์ วิทยาศาสตร์ และการพัฒนายาที่ซับซ้อนมากขึ้นได้ ในขณะที่บริษัทเฉพาะทางในสาขาต่างๆ เช่น กฎหมายและการดูแลสุขภาพ มุ่งเน้นไปที่ความต้องการเฉพาะของผู้ใช้ อัตราความสำเร็จของงาน ความถูกต้องของการอ้างอิง และความน่าเชื่อถือของกระบวนการทำงาน

"การพัฒนาตัวแทนที่ดีสำหรับตลาดเฉพาะกลุ่มและการแก้ปัญหาตามสมมติฐานของรีมันน์เป็นสองงานที่แตกต่างกันอย่างสิ้นเชิง"

ยกตัวอย่างเช่น บริษัท Harvey ซึ่งเป็นบริษัท AI ด้านกฎหมาย ข้อได้เปรียบของบริษัทไม่ได้มาจากเพียงแค่โมเดลพื้นฐานที่ใช้เท่านั้น แต่ยังมาจากการแบ่งงานด้านกฎหมาย ระบบการประเมินผล การประมวลผลข้อมูล และกระบวนการผลิตสินค้าด้วย หลักการเดียวกันนี้สามารถนำไปใช้กับวงการแพทย์ได้เช่นกัน ผลิตภัณฑ์ต่างๆ จำเป็นต้องกำหนดมาตรฐานเฉพาะตามวิธีการทำงานของแพทย์ แหล่งข้อมูล และข้อกำหนดด้านความแม่นยำ

การประเมินและข้อมูลเหล่านี้ไม่ได้กลายเป็นโมฆะโดยอัตโนมัติเมื่อมีการเปิดตัวโมเดลใหม่ หลังจากที่โมเดลพื้นฐานได้รับการอัปเกรดแล้ว บริษัทเฉพาะทางสามารถย้ายสภาพแวดล้อมการฝึกอบรมที่มีอยู่ไปยังโมเดลใหม่ได้โดยไม่ต้องทำความเข้าใจอุตสาหกรรมทั้งหมดใหม่ เมื่อการประเมินมีความละเอียดมากขึ้นและกระบวนการทำความสะอาดข้อมูลมีความสมบูรณ์มากขึ้น โมเดลเฉพาะทางจะกลายเป็นความสามารถที่สะสมอย่างต่อเนื่องรอบๆ งานเฉพาะด้าน

ในทางทฤษฎี บริษัทพัฒนาแบบจำลองที่ล้ำสมัยอาจมุ่งเน้นทรัพยากรไปที่การเข้าสู่ตลาดกฎหมายหรือการแพทย์ และสร้างผลงานที่เหนือกว่าผลิตภัณฑ์ที่มีอยู่แล้วในด้านใดด้านหนึ่ง อย่างไรก็ตาม แนวทางนี้อาจไม่สอดคล้องกับเป้าหมายทางธุรกิจของพวกเขา บริษัทพัฒนาแบบจำลองอเนกประสงค์จำเป็นต้องให้บริการฐานลูกค้าที่กว้างขวาง และการลงทุนอย่างหนักในกลุ่มธุรกิจเฉพาะกลุ่มเดียวอาจไม่เพียงพอที่จะสนับสนุนขนาดตลาดและมูลค่าที่พวกเขาต้องการ

เฉิน ยู่เฟย เปรียบเทียบโมเดลทั่วไปกับร้านอาหารเครือข่ายที่ต้องตอบสนองความต้องการที่หลากหลาย ในขณะที่โมเดลเฉพาะทางนั้นคล้ายกับร้านอาหารที่เน้นเฉพาะอาหารไม่กี่อย่าง โมเดลหลังไม่จำเป็นต้องแก้ปัญหาได้ทุกอย่าง ตราบใดที่มันดีกว่าวิธีแก้ปัญหาทั่วไปอย่างเห็นได้ชัดในงานเป้าหมาย ก็สามารถสร้างพื้นที่ให้บริการแบบอิสระและเสียค่าใช้จ่ายได้

ความสามารถที่ไม่สมดุลแต่มีความเชี่ยวชาญสูงนี้เองที่เขาเรียกว่า "สติปัญญาที่ขรุขระ" แบบจำลองทางกฎหมายอาจไม่สามารถแก้สมมติฐานของรีมันน์ได้ แต่สามารถทำงานได้ดีกว่าแบบจำลองขนาดใหญ่ที่ใช้งานได้ทั่วไปในงานทางกฎหมายบางประเภท สำหรับลูกค้าองค์กร ความสามารถในการทำงานให้เสร็จสมบูรณ์อย่างน่าเชื่อถือมักมีความสำคัญมากกว่าความสามารถที่กว้างขวางของแบบจำลอง

โมเดลที่ปรับแต่งเฉพาะนั้นไม่เหมาะกับธุรกิจทุกประเภท เฉิน ยู่เฟย เชื่อว่าลูกค้าที่เหมาะสมที่สุดคือบริษัท SaaS เฉพาะทางที่ให้บริการแก่สถาบันที่คล้ายคลึงกันจำนวนมาก มากกว่าโรงพยาบาล สำนักงานกฎหมาย หรือบริษัทผู้ใช้งานรายย่อย

แพลตฟอร์ม SaaS เฉพาะทางสามารถเข้าถึงลูกค้าจำนวนมาก เข้าใจความต้องการทั่วไปขององค์กรต่างๆ และสร้างระบบประเมินผลที่ครอบคลุมสถานการณ์ได้มากขึ้น ในขณะที่องค์กรแต่ละแห่งมักขาดความสามารถในการกระจายข้อมูลและการประเมินผลอย่างต่อเนื่องที่เพียงพอ แทนที่จะฝึกฝนโมเดลแยกต่างหาก ควรเน้นการพัฒนาทักษะ เครื่องมือ หรือเอเจนต์ภายในองค์กร แล้วจึงเรียกใช้โมเดลพื้นฐานภายนอกเพื่อทำงานให้เสร็จสมบูรณ์

ในโครงการเรียนรู้แบบเสริมแรงที่กำหนดเองนั้น GPU เป็นปัจจัยด้านต้นทุนหลัก แต่ข้อมูลและสภาพแวดล้อมการฝึกอบรมก็มีความสำคัญไม่แพ้กัน ทีมงานจำเป็นต้องตรวจสอบการโกงรางวัล กล่าวคือ การใช้ช่องโหว่ในการประเมินเพื่อให้ได้คะแนนสูงโดยไม่ต้องทำภารกิจให้เสร็จสมบูรณ์ ในขณะเดียวกันก็ต้องมั่นใจว่าสภาพแวดล้อมการฝึกอบรมมีความเสถียรและสามารถขยายขนาดการฝึกอบรมได้

สภาพแวดล้อมการฝึกฝนเริ่มต้นไม่จำเป็นต้องมีเส้นทางการเคลื่อนที่หลายแสนเส้น เฉิน ยู่เฟย กล่าวว่า สภาพแวดล้อมการฝึกฝนหนึ่งพันแห่งก็เพียงพอสำหรับการเริ่มต้นการเรียนรู้แบบเสริมแรง เนื่องจากแบบจำลองจะสำรวจและสร้างเส้นทางการเคลื่อนที่จำนวนมากซ้ำๆ ในระหว่างการฝึกฝน สมมติว่าแต่ละขั้นตอนการฝึกฝนทำงาน 128 ครั้งในหนึ่งสภาพแวดล้อม ข้อมูลเริ่มต้นหนึ่งพันจุดสามารถสร้างเส้นทางการฝึกฝนได้ประมาณ 128,000 เส้นทาง

โมเดลที่ปรับแต่งเองยังคงต้องได้รับการ "ปรับปรุงใหม่" หลังจากการใช้งาน เมื่อมีการเปิดตัวโมเดลพื้นฐานโอเพนซอร์สใหม่ แพลตฟอร์มสามารถย้ายระบบการฝึกอบรมและการประเมินผลเดิมไปยังโมเดลใหม่ได้ ตราบใดที่เกณฑ์การประเมินและสภาพแวดล้อมของงานคงที่ การย้ายข้อมูลนั้นไม่จำเป็นต้องใช้เวลานาน สิ่งที่สร้างภาระงานอย่างต่อเนื่องอย่างแท้จริงคือเมื่อลูกค้าเพิ่มสถานการณ์ กระบวนการทำงาน และงานที่ท้าทายมากขึ้น

ดังนั้น สินทรัพย์หลักของบริษัทเฉพาะทางจึงไม่ใช่ค่าน้ำหนักของโมเดลรุ่นใดรุ่นหนึ่ง แต่เป็นข้อมูล การประเมินผล และขั้นตอนการทำงานที่สามารถโยกย้ายซ้ำได้เมื่อมีการอัปเดตโมเดลพื้นฐาน

AI ระดับองค์กรติดอยู่ที่ขั้นตอนการทดสอบแนวคิด (Proof-of-Concept หรือ PoC) ไม่ใช่เพราะขาดโมเดล แต่เป็นเพราะขาดการประเมินผล

เมื่อบริษัทต่างๆ เลือกใช้ระหว่างโมเดลโอเพนซอร์สและโมเดลปิดซอร์ส สิ่งที่พวกเขาพิจารณาเป็นหลักไม่ใช่แค่ประสิทธิภาพและราคา แต่ยังรวมถึงความไว้วางใจด้วย

เนื่องจากสัญญาขององค์กรมักมีระยะเวลาหนึ่งถึงสองปี ผู้ซื้อจึงจำเป็นต้องประเมินว่าผู้ให้บริการและระบบนิเวศของพวกเขาสามารถรองรับความต้องการทางธุรกิจในระยะยาวได้หรือไม่ โมเดลโอเพนซอร์สอาจมีราคาถูกกว่าและมีความยืดหยุ่นมากกว่า แต่ผู้ให้บริการแบบปิดแหล่งที่มายังคงมีข้อได้เปรียบในด้านการสื่อสารแบรนด์ เรื่องราวความสำเร็จ และการได้รับการยอมรับในตลาด

เฉิน ยู่เฟย เชื่อว่าจุดอ่อนที่สำคัญที่สุดของโมเดลโอเพนซอร์สและผู้ให้บริการนั้นไม่ใช่เทคโนโลยี แต่เป็นความสามารถในการเข้าสู่ตลาด บริษัทที่ใช้โมเดลแบบปิดสามารถเพิ่มการรับรู้ของผู้ใช้ได้อย่างต่อเนื่องผ่านการสาธิตความสามารถใหม่ๆ และผลการวิจัย ในขณะที่ระบบนิเวศโอเพนซอร์สขาดระบบการตลาดและการสื่อสารกับลูกค้าที่เป็นหนึ่งเดียว

วิธีการใช้งานก็กำลังเปลี่ยนแปลงไปเช่นกัน ในช่วงแรกองค์กรต่างๆ เน้นการใช้งานในระบบภายในองค์กรเป็นหลัก แต่ปัจจุบันปริมาณงานจำนวนมากกำลังย้ายไปอยู่บนคลาวด์ ตราบใดที่ผู้ให้บริการสามารถสร้างความน่าเชื่อถือในด้านต่างๆ เช่น ความปลอดภัยและคลาวด์ส่วนตัวเสมือน บริการคลาวด์แบบหลายผู้เช่าโดยทั่วไปแล้วจะคุ้มค่ากว่าการใช้ GPU เฉพาะสำหรับองค์กรต่างๆ

องค์กรเดียวอาจไม่สามารถรักษาอัตราการใช้งาน GPU จำนวนมากให้อยู่ในระดับสูงได้ แต่แพลตฟอร์มสามารถรวบรวมความต้องการของลูกค้าที่แตกต่างกันและปรับปรุงประสิทธิภาพการใช้งานฮาร์ดแวร์ได้ เมื่อต้นทุนการประมวลผลแบบอนุมานเพิ่มขึ้นเป็นเปอร์เซ็นต์ของค่าใช้จ่ายในการดำเนินงานขององค์กร ข้อได้เปรียบด้านต้นทุนของโครงสร้างพื้นฐานแบบใช้ร่วมกันก็จะยิ่งชัดเจนขึ้น

หนึ่งในอุปสรรคที่ใหญ่ที่สุดสำหรับบริษัทต่างๆ ในการเปลี่ยนจากขั้นตอนการทดสอบแนวคิดไปสู่การใช้งานจริง คือ การขาดการประเมินอย่างเข้มงวด แม้ว่าบริษัทเหล่านั้นจะนำ AI ไปประยุกต์ใช้ในด้านสำคัญๆ เช่น ศูนย์บริการลูกค้าแล้วก็ตาม พวกเขายังคงประเมินประสิทธิภาพของโมเดลโดยการลองผิดลองถูก แทนที่จะกำหนดมาตรฐานการทดสอบที่สามารถดำเนินการซ้ำได้

หากไม่มีการประเมินผล บริษัทต่างๆ ก็ไม่สามารถเปรียบเทียบโมเดลโอเพนซอร์สและโมเดลปิดซอร์สได้อย่างน่าเชื่อถือ และไม่สามารถระบุได้ว่าการอัปเดตโมเดลนั้นช่วยปรับปรุงธุรกิจของตนได้จริงหรือไม่ ดังนั้น เฉิน ยู่เฟย จึงเชื่อว่าบุคลากรที่มีความสามารถในการออกแบบระบบประเมินผล AI ยังคงหายาก ระบบประเมินผลที่น่าเชื่อถือจะช่วยให้บริษัทต่างๆ สามารถเปลี่ยนโมเดลและประหยัดค่าใช้จ่ายในระยะยาวได้มากกว่าต้นทุนการสร้างเริ่มต้นอย่างมาก

นี่ไม่ใช่สิ่งที่แตกต่างไปจากพื้นฐานจากการทดสอบหน่วยในบริษัทซอฟต์แวร์แบบดั้งเดิม ในอดีต บริษัท SaaS จำเป็นต้องทำการทดสอบหลายชุดก่อนส่งมอบซอฟต์แวร์ ปัจจุบัน บริษัท AI เฉพาะทางจำเป็นต้องกำหนดชุดการประเมินเพื่อยืนยันว่าเอเจนต์ตรงตามมาตรฐานที่เกี่ยวข้องก่อนที่จะนำไปใช้งานจริง จุดเน้นของงานในอุตสาหกรรมกำลังเปลี่ยนจากการ "เขียนการทดสอบ" บางส่วนไปเป็นการ "เขียนการประเมิน" แต่แก่นแท้ยังคงอยู่ที่การเปลี่ยนคุณภาพผลิตภัณฑ์ให้เป็นความสามารถขององค์กรที่วัดผลได้และสะสมได้

การพัฒนาของบริษัทข้อมูลจากภายนอกยังสามารถใช้เป็นตัวชี้วัดในการสังเกตการนำ AI มาใช้ในองค์กรได้อีกด้วย หากลูกค้าของพวกเขายังคงกระจุกตัวอยู่ในห้องปฏิบัติการชั้นนำเพียงไม่กี่แห่ง แสดงว่าพื้นที่สำหรับองค์กรทั่วไปในการสร้างความสามารถด้าน AI อย่างอิสระยังคงมีจำกัด แต่หากแหล่งรายได้ค่อยๆ มีความหลากหลายมากขึ้น อาจหมายความว่าองค์กรต่างๆ เริ่มซื้อข้อมูล สร้างระบบประเมินผล และฝึกฝนโมเดลของตนเองมากขึ้น

สิ่งที่ธุรกิจขาดแคลนจริงๆ ไม่ใช่โมเดลเพิ่มเติม แต่เป็นชุดมาตรฐานที่สามารถกำหนดได้ว่าอะไรถูกอะไรผิด และสนับสนุนการตัดสินใจในการจัดซื้อ

การปรับปรุงประสิทธิภาพการอนุมานจะเปลี่ยนจากการลดต้นทุนโทเค็นไปเป็นการจัดตารางเวลาของระบบ

ธุรกิจหลักของ Fireworks คือการเพิ่มประสิทธิภาพการอนุมาน เฉิน ยู่เฟย เชื่อว่ายังมีโอกาสพัฒนาในด้านนี้อีกมาก เนื่องจากประสิทธิภาพของโมเดลเมื่อเปิดตัวครั้งแรกมักจะแตกต่างอย่างมากจากประสิทธิภาพหลังจากเพิ่มประสิทธิภาพในระยะยาว

แพลตฟอร์มนี้มีเป้าหมายเพื่อลดระยะเวลาของวงจรการเพิ่มประสิทธิภาพนี้ เพื่อให้มั่นใจว่าโมเดลใหม่จะอยู่ในสถานะที่เหมาะสมที่สุดเท่าที่จะเป็นไปได้เมื่อนำไปใช้งาน นอกเหนือจากเวลาในการทำงานของโมเดลแล้ว การแคช การจัดตารางเวลา และโครงสร้างพื้นฐานที่สนับสนุน ล้วนส่งผลต่อต้นทุนสุดท้าย การเพิ่มประสิทธิภาพหลายอย่างเกี่ยวข้องกับงานด้านวิศวกรรมที่กระจัดกระจายจำนวนมาก ทำให้การเพิ่มประสิทธิภาพการอนุมานเป็นงานที่ต้องใช้แรงงานมาก

เมื่อเปรียบเทียบกับ API ของผู้พัฒนาโมเดลเอง Fireworks สามารถให้บริการโมเดลพื้นฐานและโมเดลที่กำหนดเองจำนวนมากพร้อมกัน ทำให้สามารถสังเกตแบบแผนการใช้งานและปริมาณงานที่หลากหลายมากขึ้น ผู้พัฒนาโมเดลต้องตรวจสอบให้แน่ใจก่อนว่าโมเดลของตนได้รับการให้บริการอย่างเสถียรแก่ผู้ใช้จำนวนมาก ในขณะที่แพลตฟอร์มของบุคคลที่สามสามารถทำการปรับแต่งอย่างละเอียดมากขึ้นสำหรับลักษณะเฉพาะของคำขอของลูกค้าแต่ละรายได้

การกำหนดเส้นทางการทำงานของโมเดลไม่ได้มีแค่เรื่องการลดต้นทุนเท่านั้น ในการทดลองร่วมกันระหว่าง Fireworks และ Harvey ระบบได้ใช้โมเดลหนึ่งตัวเป็นผู้ดำเนินการงาน และอีกตัวเป็นที่ปรึกษา โดยแบ่งงานที่มีบริบทขนาดใหญ่เป็นงานย่อยๆ ที่สั้นกว่าหลายๆ งาน เนื่องจากประสิทธิภาพของโมเดลขนาดใหญ่อาจลดลงเมื่อบริบทขยายใหญ่ขึ้น การแบ่งงานอย่างเหมาะสมจึงอาจทำให้ประสิทธิภาพโดยรวมของระบบดีกว่าการใช้โมเดลที่แข็งแกร่งที่สุดเพียงอย่างเดียวด้วยซ้ำ

เฉิน ยู่เฟย เปรียบเทียบกระบวนการนี้กับการเพิ่มประสิทธิภาพของซีพียู นักพัฒนาจำเป็นต้องเข้าใจลักษณะเฉพาะของโปรเซสเซอร์ จากนั้นจึงแบ่งโปรแกรมออกเป็นภาระงานที่เหมาะสมกับโปรเซสเซอร์นั้น ในทำนองเดียวกัน ในระบบ AI โมเดลพื้นฐานสามารถมองได้ว่าเป็นโปรเซสเซอร์ข้อความ ทีมงานจำเป็นต้องเข้าใจขอบเขตความสามารถของโมเดลต่างๆ ก่อน จากนั้นจึงออกแบบกรอบงาน และสุดท้ายจึงวางโมเดลที่เหมาะสมในตำแหน่งที่เหมาะสม

การเพิ่มประสิทธิภาพฮาร์ดแวร์ไม่สามารถทำได้โดยการพิจารณาเพียงตัวชี้วัดแต่ละอย่าง เช่น GPU, HBM, CPU และเครือข่าย โดยทั่วไปแล้ว โมเดลจะถูกออกแบบโดยคำนึงถึงอัตราส่วนการประมวลผลต่อหน่วยความจำของฮาร์ดแวร์ที่มีอยู่ระหว่างการฝึกฝนเบื้องต้น ดังนั้น การย้ายโมเดลจาก GPU ของ NVIDIA ไปยัง GPU ของ AMD ที่มีประสิทธิภาพใกล้เคียงกันจึงค่อนข้างง่าย ในขณะที่การย้ายไปยัง ASIC ที่มีสถาปัตยกรรมแตกต่างกันอาจต้องใช้ความพยายามอย่างมาก

ความสำเร็จของฮาร์ดแวร์ชิ้นใหม่ไม่ได้ขึ้นอยู่กับว่าสเปคของมันคล้ายกับของ Nvidia หรือไม่เท่านั้น แต่ยังขึ้นอยู่กับปริมาณการผลิต ระบบนิเวศของซอฟต์แวร์ และแรงจูงใจทางเศรษฐกิจที่จะกระตุ้นให้นักพัฒนาปรับปรุงโมเดลของตนให้เหมาะสมกับฮาร์ดแวร์นั้นด้วย แม้ว่าการกำหนดค่าฮาร์ดแวร์จะคล้ายกับของ Nvidia แต่ก็ยากที่จะสร้างระบบนิเวศได้หากนักพัฒนาไม่ได้รับผลตอบแทนที่คุ้มค่าจากการใช้งาน

ท้ายที่สุดแล้ว การปรับปรุงประสิทธิภาพของแพลตฟอร์มการอนุมานไม่ได้ขึ้นอยู่กับความเร็วในการทำงานของโมเดลเพียงอย่างเดียว แต่ยังขึ้นอยู่กับการจับคู่ระหว่างโมเดล งาน และฮาร์ดแวร์ด้วย

บริษัท Fireworks ไม่ได้เป็นเจ้าของฮาร์ดแวร์ แต่เป็นผู้เชื่อมต่อการฝึกอบรมและการอนุมาน

เพื่อตอบสนองต่อการขยายตัวของผู้ให้บริการคลาวด์ AI เข้าสู่ชั้นซอฟต์แวร์ ปัจจุบัน Fireworks ยังไม่มีแผนที่จะสร้างฮาร์ดแวร์ของตนเองหรือลงทุนอย่างหนักใน GPU Chen Yufei อธิบายโมเดลของบริษัทว่าคล้ายกับ "ผู้ให้เช่า" มากกว่า กล่าวคือ ซื้อพลังการประมวลผลจากผู้ให้บริการโครงสร้างพื้นฐาน และมุ่งเน้นไปที่ซอฟต์แวร์การประมวลผล บริการอนุมาน และการปรับแต่งโมเดล

ความแตกต่างระหว่าง Fireworks กับแพลตฟอร์มคลาวด์ AI ทั่วไปอยู่ที่ว่าปริมาณการใช้งานส่วนใหญ่บนแพลตฟอร์มไม่ได้มาจากโมเดลพื้นฐานที่ไม่ได้รับการดัดแปลง แต่มาจากโมเดลที่ออกแบบเอง เฉิน ยู่เฟย เชื่อว่าการแข่งขันในการอนุมานโมเดลพื้นฐานจะดุเดือดมากขึ้น และผลกำไรมีแนวโน้มที่จะมาจากโมเดลที่เป็นกรรมสิทธิ์ซึ่งสามารถให้ผลลัพธ์ที่ดีกว่าแก่ลูกค้า

Fireworks ผสานการฝึกอบรมและการอนุมานเข้าไว้ในธุรกิจเดียว บริษัทช่วยลูกค้าฝึกอบรมโมเดลและมุ่งเน้นการเติบโตอย่างยั่งยืนของปริมาณการใช้งานการอนุมานหลังจากที่โมเดลเริ่มใช้งานจริง เมื่อเทียบกับผู้ให้บริการที่คิดค่าธรรมเนียมเฉพาะการฝึกอบรมหรือให้คำปรึกษา โครงสร้างรายได้นี้สอดคล้องกับผลประโยชน์ระยะยาวสำหรับแพลตฟอร์มและลูกค้าได้อย่างมีประสิทธิภาพมากขึ้น: เมื่อลูกค้าสร้างมูลค่าเพิ่มขึ้นผ่านโมเดลของตน Fireworks ก็สามารถสร้างรายได้มากขึ้นจากการอนุมานอย่างต่อเนื่อง

ผู้ให้บริการการเรียนรู้แบบเสริมแรงบางรายเสนอเพียงแค่การฝึกอบรมหรือให้คำปรึกษา และรายได้ของพวกเขาอาจไม่ได้เกี่ยวข้องโดยตรงกับประสิทธิภาพของโมเดลหลังจากที่นำไปใช้งานแล้ว แต่หลักการดำเนินธุรกิจของ Fireworks คือการปรับปรุงประสิทธิภาพของโมเดลผ่านการฝึกอบรม แล้วจึงเก็บเกี่ยวผลตอบแทนจากปริมาณการใช้งานที่เกิดขึ้นในภายหลัง พวกเขาไม่ได้ขายโครงการฝึกอบรมแบบครั้งเดียวจบ แต่ขายความสามารถในการช่วยให้โมเดลของลูกค้าสร้างการใช้งานอย่างต่อเนื่อง

คู่แข่งที่แท้จริงซึ่งสามารถครอบคลุมทั้งห่วงโซ่ได้นั้นไม่ใช่บริษัทคลาวด์รายใหม่เพียงรายเดียว แต่เป็นผู้ให้บริการคลาวด์รายใหญ่ เช่น AWS, Microsoft Azure และ Google Cloud พวกเขามีทั้งพลังการประมวลผลและความสามารถในการสร้างบริการการเรียนรู้แบบเสริมแรง แพลตฟอร์มการอนุมาน และเครื่องมือพัฒนา

Fireworks แข่งขันกับผู้ให้บริการคลาวด์ ในขณะเดียวกันก็พึ่งพาและทำงานร่วมกับโครงสร้างพื้นฐานของพวกเขา ปัจจุบัน บริษัทมีความร่วมมือที่ใกล้ชิดที่สุดกับ Azure ซึ่งช่วยให้ลูกค้าสามารถซื้อบริการของ Fireworks โดยใช้เครดิต Azure ได้ นอกจากนี้ยังร่วมมือกับ AWS และ Google Cloud ด้วย

เฉิน ยู่เฟย เชื่อว่า ความสามารถในการเพิ่มประสิทธิภาพการอนุมานของ Fireworks ในปัจจุบันยังคงเหนือกว่าบริการที่คล้ายคลึงกันจากผู้ให้บริการคลาวด์ แต่ประสิทธิภาพในจุดเดียวไม่ใช่ข้อจำกัดที่สำคัญที่สุด ที่สำคัญกว่านั้นคือ มันครอบคลุมวงจรการทำงานของแมชชีนเลิร์นนิงทั้งหมด ตั้งแต่การฝึกอบรม การปรับใช้ การประเมินผล ไปจนถึงการอนุมาน ทำให้ผู้พัฒนาได้รับประสบการณ์ที่ราบรื่น เมื่อเทียบกับบริษัทคลาวด์รายใหม่ Fireworks ครอบคลุมห่วงโซ่ที่ยาวกว่า และเมื่อเทียบกับยักษ์ใหญ่ด้านคลาวด์ มันจำเป็นต้องรักษาข้อได้เปรียบในด้านความเชี่ยวชาญและความเร็วในการประมวลผล

แม้ว่าในอนาคต AI จะสามารถทำให้กระบวนการพัฒนาเคอร์เนล การอนุมาน และการปรับแต่งหลังการฝึกอบรมเป็นไปโดยอัตโนมัติได้ แต่การทำความเข้าใจความต้องการของลูกค้าก็ยังคงเป็นงานที่ยากที่จะหาอะไรมาทดแทนได้อย่างสมบูรณ์ ระบบอาจสามารถแก้ปัญหาทางคณิตศาสตร์ที่ซับซ้อนได้ แต่ก็อาจไม่สามารถเข้าใจกระบวนการ ข้อจำกัด และเกณฑ์การประเมินของบริษัทได้โดยอัตโนมัติ คุณค่าในระยะยาวของ Fireworks ขึ้นอยู่กับความสามารถในการแปลงความต้องการของลูกค้าให้เป็นแบบจำลอง การประเมิน และผลิตภัณฑ์ที่ใช้งานได้จริง

ข้อดีของโมเดลการบีบอัดข้อมูลแบบโอเพนซอร์สยังคงขึ้นอยู่กับกำลังการประมวลผลเป็นข้อจำกัดสำคัญที่สุด

ในช่วงหนึ่งถึงสองปีข้างหน้า ความท้าทายที่ใหญ่ที่สุดของ Fireworks ยังคงเป็นเรื่องกำลังการประมวลผล ความสามารถของบริษัทในการจัดหาทรัพยากรการประมวลผลที่เพียงพอในราคาที่เหมาะสมจะเป็นปัจจัยจำกัดการเติบโตของรายได้โดยตรง เฉิน ยู่เฟย สรุปสถานการณ์ปัจจุบันของ Fireworks ว่า "ถูกจำกัดด้วยกำลังการประมวลผล" และคาดการณ์ว่าตลาดโดยรวมน่าจะรักษาสถานะนี้ไว้อย่างน้อยอีกหนึ่งปี

สิ่งนี้ยังส่งผลต่อมุมมองของเขาเกี่ยวกับการใช้จ่ายด้านทุนใน AI ของบริษัทยักษ์ใหญ่ทางเทคโนโลยี โดยปกติแล้ว ตลาดจะตัดสินว่าบริษัทอย่าง Google และ Meta ลงทุนมากเกินไปหรือไม่ โดยพิจารณาจากผลตอบแทนจากการลงทุน แต่สำหรับบริษัทเหล่านี้ ความเสี่ยงอีกอย่างหนึ่งอาจยิ่งใหญ่กว่า นั่นคือ หาก AI นำมาซึ่งผลตอบแทนที่สูงมากในท้ายที่สุด และพวกเขาพลาดโอกาสในการแข่งขันรอบนี้เพราะลดการลงทุนลง พวกเขาอาจสูญเสียตำแหน่งในตลาดไปอย่างถาวร

ดังนั้น แม้ว่าจะมีการลงทุนมากเกินไปในระยะสั้น ต้นทุนอาจเป็นเพียงแรงกดดันต่อรายงานทางการเงินและความจำเป็นในการรับภาระค่าเสื่อมราคาในช่วงไม่กี่ปีข้างหน้า สำหรับบริษัทยักษ์ใหญ่ด้านเทคโนโลยีที่มีกระแสเงินสดและศักยภาพในการจัดหาเงินทุนในระยะยาว นี่มักจะไม่ใช่ความเสี่ยงต่อการอยู่รอด อย่างไรก็ตาม การพลาดโอกาสในวงจรเทคโนโลยีที่สำคัญอาจเป็นความเสี่ยงได้

สถานการณ์จะแตกต่างออกไปสำหรับบริษัทคลาวด์ใหม่ๆ พวกเขาจำเป็นต้องคำนวณผลตอบแทนจากโครงการ ต้นทุนทางการเงิน และระยะเวลาคืนทุนอย่างเข้มงวดมากขึ้น เฉิน ยู่เฟย แนะนำให้ให้ความสนใจกับอันดับความน่าเชื่อถือของพันธบัตร การขยายโครงการ และความสามารถในการรีไฟแนนซ์ของบริษัทที่เกี่ยวข้อง หากผู้เข้าร่วมรายใดไม่สามารถกู้ยืมต่อไปได้เนื่องจากปัญหาด้านเครดิตและจำเป็นต้องปรับโครงสร้างหนี้ในอีก 3 ถึง 6 เดือนข้างหน้า ตลาดจะมีเงินทุนพร้อมที่จะรับช่วงต่อหรือไม่นั้นจะเป็นตัวบ่งชี้สำคัญของความสามารถทางการเงินของโครงสร้างพื้นฐาน AI

เฉิน ยู่เฟย ไม่เชื่อมั่นในแนวคิดของตลาดที่ว่า "โมเดลโอเพนซอร์สที่พัฒนาตามทันโมเดลปิดแหล่งที่มาจะทำให้ความต้องการฮาร์ดแวร์ลดลง" ในมุมมองของเขา การพัฒนาความสามารถของโมเดลโอเพนซอร์สส่วนใหญ่จะลดอำนาจการกำหนดราคาพรีเมียมของโมเดลลง หากการใช้จ่ายด้าน AI โดยรวมยังคงไม่เปลี่ยนแปลง มูลค่าอาจจะเปลี่ยนไปอยู่ที่บริษัทที่ให้บริการด้านพลังการประมวลผลและโครงสร้างพื้นฐานมากกว่า

อย่างไรก็ตาม ยังคงเป็นคำถามที่เปิดกว้างว่า การลงทุนด้าน AI จะให้ผลตอบแทนที่คุ้มค่าในท้ายที่สุดหรือไม่ โครงการเพิ่มขีดความสามารถในการประมวลผลมักต้องใช้เวลาหลายปีในการคืนทุน และพลวัตของอุปสงค์และอุปทานในอีกหนึ่งปีข้างหน้านั้นยากที่จะคาดการณ์ได้ สัญญาณที่ค่อนข้างชัดเจนในขณะนี้คือ ทั้ง Fireworks และลูกค้าจำนวนมากยังคงต้องการขีดความสามารถในการประมวลผลเพิ่มเติม

การแข่งขันระหว่างโมเดลโอเพนซอร์สและโมเดลปิดซอร์สจะไม่ถูกตัดสินด้วยอันดับของโมเดลเพียงอย่างเดียว เมื่อช่องว่างด้านความสามารถแคบลงเรื่อยๆ คุณค่าของอุตสาหกรรมจะขึ้นอยู่กับว่าใครสามารถกำหนดงาน ตรวจสอบประสิทธิภาพ และนำโมเดลไปใช้งานจริงได้อย่างยั่งยืนด้วยต้นทุนที่ยั่งยืนมากกว่ากัน