AI 研究員 Nathan Lambert เมื่อไม่นานมานี้ได้เดินทางไปเยี่ยมชมหลายห้องปฏิบัติการ AI ขนาดใหญ่ในจีน รวมถึง Moonshot AI, Zhipu, Meituan, Xiaomi, Qwen (Tongyi Qianwen ของ Alibaba), Ant Ling (Ant Group) และ 01.ai (01.ai) เป็นต้น และได้บันทึก “รายงานการสังเกตเชิงลึก” ชิ้นนี้ไว้ เขายอมรับว่าการเดินทางครั้งนี้ทำให้เขาได้รู้จักระบบนิเวศ AI ของจีนอีกครั้ง รายงานดังกล่าวไม่ใช่แค่เรื่องเล่าท่องเที่ยวของนักวิจัยคนหนึ่งเท่านั้น แต่เป็นรายงานวินิจฉัย AI ของจีนฉบับปฐมมือ ตั้งแต่ “วัฒนธรรมด้านเทคโนโลยี” ไปจนถึง “โครงสร้างของอุตสาหกรรม”
จุดแข็งหลักของ AI จีน: วัฒนธรรม บุคลากร และทัศนคติแบบลงมือทำจริงจัง
ความสามารถในการแข่งขันของนักวิจัยจีนมาจากอะไร: ชอบลงแรงทำงานเงียบๆ
Lambert มองว่า ห้องปฏิบัติการในจีนสามารถตามทันได้อย่างรวดเร็ว หรือแม้แต่ทัดเทียมกับ AI ระดับแนวหน้า เหตุสำคัญที่มักถูกมองข้ามคือ “วัฒนธรรมการวิจัยและบรรยากาศองค์กร”
เมื่อเทียบกับนักวิจัยในสหรัฐที่มักมีแรงขับที่สูงต่อการแสดงตัวตนเป็นรายบุคคล โดยชอบออกมาเผยแพร่ผลงานของตนเองและพยายามสร้างแบรนด์ส่วนตัวผ่านสื่อและโซเชียลมีเดีย นักวิจัยจีนกลับมีแนวโน้มที่จะวาง “ตัวเอง” ไว้หลังก่อนคุณภาพของโมเดล พวกเขายินดีทำงานที่ไม่เป็นที่รู้จัก แต่สามารถยกระดับประสิทธิภาพโมเดลได้จริง และยังยอมรับได้มากกว่าความคิดของตัวเองอาจถูกตัดทิ้งในการปรับให้เหมาะสมกับเป้าหมายหลายด้าน
Lambert ชี้ให้เห็นว่า แม้แต่ในสหรัฐยังมีข่าวว่า “ต้องจ่ายเงินให้ผู้วิจัยระดับท็อป เพื่อให้เขาหยุดบ่นว่าข้อเสนอโดนไม่รับ” ซึ่งสะท้อนว่าความเสียดทานภายในองค์กรในห้องปฏิบัติการฝั่งตะวันตกเป็นเรื่องที่เกิดขึ้นจริง
ความต่างของวัฒนธรรมนี้ส่งผลชัดเจนในระดับองค์กร: การมี “ความตระหนักรู้ถึงตัวตนต่ำกว่า” ทำให้โครงสร้างองค์กรขยายตัวขึ้นได้ง่ายขึ้น นักวิจัยต่างระดับจึงร่วมมือกันได้อย่างมีประสิทธิภาพมากขึ้น แทนที่จะต่างคนต่างปกป้องผลประโยชน์ของตัวเอง
นักศึกษาเข้าสู่ทีมพัฒนา LLM เป็นกำลังหลักหนึ่ง
ปรากฏการณ์อีกอย่างที่ทำให้ Lambert ประทับใจ คืออัตราส่วนของผู้มีส่วนร่วมหลักในหลายห้องปฏิบัติการที่ยังเป็น “นักศึกษาในโรงเรียน” อยู่ค่อนข้างสูง ผู้เรียนกลุ่มนี้ไม่ได้ถูกปฏิบัติแบบแบ่งแยก แต่กลับถูกรวมเข้ากับทีมพัฒนา LLM โดยตรง ซึ่งแตกต่างจากระบบนิเวศในสหรัฐที่ OpenAI และ Anthropic แทบไม่เปิดโอกาสให้ฝึกงาน หรือแม้จะมีฝึกงานก็ยังถูกแยกไว้จากงานหลักของแกนกลาง:
ข้อได้เปรียบของนักศึกษาคือ “ไม่มีภาระ” พวกเขาไม่ได้ผ่านสมมติฐานความเฉื่อยจากคลื่น AI รอบก่อนๆ ทำให้ดูดซับเทคโนโลยีใหม่ได้เร็วกว่า ตั้งแต่การขยายแบบ MoE ไปจนถึงการเรียนรู้เชิงเสริมแรง ไปจนถึงการพัฒนาเอเจนต์ ทุกครั้งที่มีการเปลี่ยน “แม่แบบ” สำหรับพวกเขา มันคือจุดเริ่มต้นใหม่ทั้งหมด ไม่จำเป็นต้องทิ้งความเข้าใจเดิม
แข่งกันหรือร่วมมือกัน? เผยระบบนิเวศ “วิศวกรเป็นผู้ปกครอง” ของจีน
Lambert สังเกตว่า เมื่อเขาพยายามคุยกับนักวิจัยจีนเกี่ยวกับความเสี่ยงทางสังคมในระยะยาว ผลกระทบทางเศรษฐกิจ หรือการถกเถียงด้านศีลธรรมเกี่ยวกับพฤติกรรมของโมเดล บทสนทนามักจะเข้าสู่ภาวะเงียบงัน เขาเข้าใจว่าคู่สนทนาไม่ได้หลีกเลี่ยงโดยตั้งใจ แต่สำหรับพวกเขาแล้ว ประเด็นเหล่านี้ไม่ได้อยู่ในขอบเขตการคิดของงาน
เขายกคำอธิบายของนักวิชาการ Dan Wang ที่กล่าวว่า “จีนบริหารโดยวิศวกร ส่วนสหรัฐบริหารโดยทนาย” เพื่ออธิบายจุดยืนของตัวเอง: “ภารกิจของพวกเขาคือทำให้โมเดลดีขึ้น ส่วนปัญหาที่เหลือให้เป็นหน้าที่ของคนอื่น”
สำหรับ Lambert แล้วสิ่งนี้ทำให้ชุมชน AI ของจีนดูคล้าย “ชุมชนเดียวกัน” มากกว่ากลุ่มที่แข่งขันกันเอง ระหว่างห้องปฏิบัติการต่างๆ โดยทั่วไปมีความเคารพกัน มีความเกรงใจต่อบริษัทยักษ์ใหญ่อย่าง ByteDance ให้ความยกย่องอย่างสูงต่อรสนิยมการวิจัยและความสามารถในการลงมือทำของ DeepSeek แต่กลับไม่มีแรงตึงเครียดแบบการแข่งขันที่มีกลิ่นดินปืนอย่างชัดเจนเหมือนในห้องปฏิบัติการของสหรัฐ
ข้อจำกัดและจุดอ่อนของ AI จีน: ชิป ข้อมูล และช่องว่างด้านความคิดสร้างสรรค์
ชิปของ Nvidia คือ “คอขวดร่วม” ของทุกห้องปฏิบัติการ
ภายใต้อิทธิพลของมาตรการควบคุมการส่งออกจากสหรัฐ การที่ความพร้อมด้านกำลังประมวลผลของ Nvidia ไม่พอ คือข้อจำกัดร่วมที่ห้องปฏิบัติการทั้งหมดในจีนต้องเผชิญ Lambert สังเกตว่า แทบทุกห้องปฏิบัติการระบุอย่างชัดเจนว่า หากอุปทานกำลังประมวลผลเพียงพอ พวกเขาจะขยายการสั่งซื้อโดยไม่ลังเล
ชิปเร่งการประมวลผลที่ผลิตในประเทศอย่าง Huawei (และอื่นๆ) ได้รับคำชื่นชมในฝั่งการใช้งานเพื่อการอนุมาน (inference) และหลายห้องปฏิบัติการก็ใช้งานไปแล้วจำนวนมาก แต่ในฝั่งการฝึก (training) Nvidia ยังคงเป็นมาตรฐานทองคำที่ไม่มีใครแทนได้ และช่องว่างนี้ในระยะสั้นคงเติมเต็มด้วยทางเลือกอื่นได้ไม่หมด
อุตสาหกรรมข้อมูลคือจุดอ่อนที่สุด สร้างเองกลายเป็นตัวเลือกหลัก
เมื่อเทียบกับ Anthropic และ OpenAI ที่ลงทุนซื้อสภาพแวดล้อมการฝึกด้วยการเรียนรู้เชิงเสริมแรงมูลค่าหลายร้อยล้านดอลลาร์สหรัฐต่อปี อุตสาหกรรมข้อมูลภายนอกของจีนยังมีความแตกต่างด้านคุณภาพอย่างชัดเจน Lambert สังเกตว่า ห้องปฏิบัติการส่วนใหญ่เห็นว่าคุณภาพข้อมูลที่ซื้อได้จากตลาดยังค่อนข้างต่ำ ดังนั้นพวกเขาจึงเลือกทุ่มทรัพยากรไปกับการสร้างสภาพแวดล้อมการฝึกเอง และนักวิจัยเองก็ใช้เวลาจำนวนมากไปกับการสร้างสภาพแวดล้อมเช่นกัน
แม้บริษัทขนาดใหญ่อย่าง ByteDance และ Alibaba จะมีทีมข้อมูลภายในเพื่อช่วยสนับสนุน แต่ตามที่นักวิเคราะห์ Citrini ที่ชื่อ Zephyr กล่าวไว้ นี่ก็ยังคงเป็นจุดอ่อนที่สุดของระบบนิเวศ AI ในจีน
(หุ่นยนต์สตาร์ทอัปจีน Moonshot อ้างว่าตัวเองคือ Claude ขณะที่รอยรั่วจากโมเดลของ Anthropic โผล่มา)
เบื้องหลังโอเพ่นซอร์สคือความคิดแบบลงมือทำจริงจัง ไม่ใช่อุดมการณ์
เมื่อเผชิญคำถามจากภายนอกว่า “ทำไมบริษัทอย่าง Meituan และ Xiaomi ถึงต้องสร้างและเปิดให้ใช้โมเดลขนาดใหญ่แบบทั่วไปได้” Lambert มองว่าเบื้องหลังคือตรรกะเชิงธุรกิจที่ค่อนข้าง “ทำได้จริง” โอเพ่นซอร์สช่วยให้ได้รับฟีดแบ็กจากชุมชนภายนอก และยังช่วยยกระดับคุณภาพโมเดลอีกด้วย ในขณะเดียวกัน บริษัทก็สามารถเก็บเวอร์ชันที่ปรับจูนภายในไว้ใช้กับผลิตภัณฑ์ของตัวเอง เพื่อควบคุมสแต็กเทคโนโลยีหลัก
ทัศนคติแบบ “ความเป็นเจ้าของเทคโนโลยี” นี้เป็นแรงขับให้บริษัทเทคโนโลยีจีนรายใหญ่แทบทั้งหมดสร้างโมเดลพื้นฐานของตัวเอง แทนที่จะพึ่งพาบริการจากภายนอก ซึ่งแตกต่างอย่างสิ้นเชิงจากทางเลือกของบริษัท AI ในสหรัฐ
มุมมองจากผู้ก่อตั้ง Delphi Ventures: ทำได้จริงแข็งแรง แต่ขาดความคิดสร้างสรรค์
José Maria Macedo ผู้ร่วมก่อตั้ง Delphi Ventures ได้ไปเยี่ยมชมระบบนิเวศ AI ของจีนอย่างลึกซึ้งเช่นกัน และจากมุมมองของนักลงทุน เขานำเสนออีกชั้นหนึ่งของการสังเกต ซึ่งเป็นภาพตรงข้ามกับมุมมองด้านเทคนิคของ Lambert
Macedo เห็นว่า ผู้ก่อตั้งในจีนโดยทั่วไปมีประวัติที่ไร้ที่ติและมีความสามารถในการลงมือทำอย่างน่าทึ่ง แต่เมื่อเทียบกันแล้ว “แรงบันดาลใจที่จะสร้างตั้งแต่ศูนย์จนเกิดขึ้นจริง (จากศูนย์สู่หนึ่ง)” ในเชิงความคิดริเริ่มของเจ้าของแนวคิดดั้งเดิมกลับพบไม่บ่อย: “พวกเขาเก่งกว่าในการทำเวอร์ชันอัปเกรดที่ยอดเยี่ยมจากทิศทางที่มีอยู่แล้ว มากกว่าการเสนอปัญหาใหม่ที่ตลาดยังไม่ทันรู้ตัวว่าต้องการ” เขาโยงสาเหตุเข้ากับรูปแบบการคิดที่ระบบการศึกษาสร้างมาอย่างต่อเนื่อง โดยเน้น “คนหาคำตอบ” มากกว่า “คนตั้งคำถาม”
(คนเก่งกระจายเต็มถนน แต่ทำ OpenAI ไม่ได้?)
สหรัฐยังควรแย่งชิงตำแหน่งผู้นำในระบบนิเวศแบบเปิด
Lambert ยอมรับว่า จีนเป็นพื้นที่ที่ไม่สามารถเข้าใจได้ง่ายๆ ด้วยกรอบคิดแบบตะวันตก: “วัฒนธรรมของมันเก่าแก่และลึกซึ้งเกินไป การผสานระหว่างวัฒนธรรมกับระบบนิเวศเทคโนโลยีให้เกิดปฏิกิริยาเคมีเฉพาะตัว”
เขาในฐานะคนอเมริกัน หวังให้ห้องปฏิบัติการ AI ของสหรัฐที่ยึดโมเดลแบบเปิดเป็นหลักยังคงรักษาความเป็นผู้นำต่อไป อย่างไรก็ตามสิ่งที่เขากังวลมากกว่าคือ หากสหรัฐจำกัดการพัฒนาโมเดลแบบเปิดผ่านคำสั่งทางฝ่ายบริหาร กลับอาจทำให้สหรัฐอ่อนแรงลงในตำแหน่งผู้นำของตนเองในระบบนิเวศ AI แบบเปิดระดับโลก ทำให้สมดุลของการแข่งขันเอียงไปในทิศทางที่คาดเดาได้ยาก
บทความนี้ เดินทางไปเยี่ยมชม “ห้องปฏิบัติการ AI ในจีนด้วยตนเอง” : นักวิจัยเผย “ช่องว่างด้านชิปและข้อมูล” คือกุญแจสำคัญของความต่างระหว่างจีนกับสหรัฐ เป็นครั้งแรกที่ปรากฏใน 鏈新聞 ABMedia
