สถาปัตยกรรม AI โอเพนซอร์สในจีน: ก้าวข้าม DeepSeek สู่ระบบนิเวศที่แข็งแกร่ง

สถาปัตยกรรม AI โอเพนซอร์สในจีน: ก้าวข้าม DeepSeek สู่ระบบนิเวศที่แข็งแกร่งการพัฒนา AI แบบโอเพนซอร์สได้กลายเป็นบรรทัดฐานใหม่ในวงการเทคโนโลยี และจีนก็เป็นหนึ่งในผู้เล่นสำคัญที่ขับเคลื่อนการเปลี่ยนแปลงนี้ บทความนี้จะพาเจาะลึกถึงทางเลือกด้านสถาปัตยกรรมและฮาร์ดแวร์ที่บริษัทจีนเลือกใช้ ซึ่งสะท้อนกลยุทธ์ความเป็นผู้นำในหลากหลายมิติ ตั้งแต่การเลือกใช้สถาปัตยกรรมแบบ Mixture of Experts (MoE) ไปจนถึงการให้ความสำคัญกับโมเดลขนาดเล็ก และการสนับสนุนฮาร์ดแวร์ภายในประเทศMixture of Experts (MoE): สถาปัตยกรรมหลักที่ถูกเลือกในช่วงปีที่ผ่านมา โมเดลชั้นนำจากจีนเกือบทั้งหมดหันมาใช้สถาปัตยกรรมแบบ MoE ซึ่งรวมถึง Kimi K2, MiniMax M2 และ Qwen3 การที่ DeepSeek R1 ซึ่งเป็นโมเดล MoE สามารถแสดงให้เห็นถึงความสามารถในการให้เหตุผลที่แข็งแกร่ง พร้อมทั้งยังคงความเป็นโอเพนซอร์ส สามารถนำไปปรับใช้ได้จริง และควบคุมต้นทุนได้ภายใต้ข้อจำกัดของจีน ทำให้ MoE กลายเป็นทางออกที่น่าสนใจMoE ทำงานคล้ายกับระบบกระจายการประมวลผลที่ควบคุมได้ โดยภายในกรอบความสามารถเดียว ระบบจะจัดสรรทรัพยากรคอมพิวเตอร์ตามคำขอและสภาพแวดล้อมการใช้งาน โดยการเปิดใช้งาน "ผู้เชี่ยวชาญ" (experts) ที่แตกต่างกันไปตามความซับซ้อนและคุณค่าของงาน สิ่งสำคัญคือ MoE ไม่จำเป็นต้องใช้ทรัพยากรเต็มจำนวนสำหรับการอนุมาน (inference) ทุกครั้ง และไม่จำเป็นต้องมีฮาร์ดแวร์ที่เหมือนกันทุกประการในทุกสภาพแวดล้อมการใช้งานทิศทางโดยรวมของโมเดลโอเพนซอร์สของจีนในปี 2025 คือการให้ความสำคัญกับ ความสามารถในการทำงานอย่างยั่งยืน การนำไปใช้งานที่ยืดหยุ่น และการพัฒนาอย่างต่อเนื่อง เพื่อให้ได้ สมดุลระหว่างต้นทุนและประสิทธิภาพที่ดีที่สุดการแข่งขันเพื่อความเป็นหนึ่งในทุกมิติ (Modality) 🚀ตั้งแต่เดือนกุมภาพันธ์ 2025 กิจกรรมโอเพนซอร์สไม่ได้จำกัดอยู่เพียงแค่โมเดลข้อความอีกต่อไป แต่ได้ขยายไปยัง โมเดลมัลติโมดอล (multimodal) และ โมเดลแบบเอเจนต์ (agent-based) อย่างรวดเร็ว ไม่ว่าจะเป็น Any-to-Any models, text-to-image, image-to-video, text-to-video, TTS, 3D และเอเจนต์ ทั้งหมดนี้ได้พัฒนาไปพร้อมๆ กันสิ่งที่ชุมชนผลักดัน ไม่ใช่แค่เพียงน้ำหนักโมเดล (model weights) เท่านั้น แต่ยังรวมถึง ชุดเครื่องมือทางวิศวกรรมที่สมบูรณ์ เช่น การนำไปใช้งาน (inference deployment), ชุดข้อมูลและการประเมินผล (datasets and evaluation), ชุดเครื่องมือ (toolchains), เวิร์กโฟลว์ (workflows) และการประสานงานตั้งแต่ Edge ไปจนถึง Cloud การปรากฏขึ้นพร้อมกันของเครื่องมือสร้างวิดีโอ, ส่วนประกอบ 3D, ชุดข้อมูลสำหรับการกลั่นความรู้ (distillation datasets) และเฟรมเวิร์กเอเจนต์ ชี้ให้เห็นถึงสิ่งที่ใหญ่กว่าความก้าวหน้าเพียงไม่กี่อย่าง นั่นคือ ความสามารถระดับระบบที่นำกลับมาใช้ใหม่ได้การแข่งขันเพื่อเป็นผู้นำในมิติที่ไม่ใช่ข้อความ เช่นเดียวกับ DeepSeek ได้ทวีความรุนแรงขึ้น StepFun ได้เปิดตัวโมเดลมัลติโมดอลประสิทธิภาพสูง ที่โดดเด่นในการสร้างและประมวลผลหรือแก้ไขเสียง วิดีโอ และรูปภาพ โมเดลแปลงเสียงเป็นเสียงรุ่นล่าสุด Step-Audio-R1.1 มีประสิทธิภาพที่ล้ำสมัย เหนือกว่าโมเดลแบบปิด (proprietary models) ในขณะที่ Tencent ก็สะท้อนการเปลี่ยนแปลงนี้ผ่านงานโอเพนซอร์สในด้านวิดีโอและ 3D โมเดล Hunyuan Video และโปรเจกต์ต่างๆ เช่น Hunyuan 3D สะท้อนถึงการแข่งขันที่เพิ่มขึ้นนอกเหนือจากโมเดลที่เน้นข้อความเป็นหลักความนิยมที่เพิ่มขึ้นของโมเดลขนาดเล็ก 💡โมเดลในช่วง 0.5B - 30B พารามิเตอร์ นั้น ง่ายต่อการรันบนเครื่องส่วนตัว (locally), ปรับแต่ง (fine-tune) และนำไปรวมกับระบบธุรกิจและเวิร์กโฟลว์ของเอเจนต์ ตัวอย่างเช่น ในซีรีส์ Qwen โมเดล Qwen 1.5-0.5B มีโมเดลที่ต่อยอดออกมามากที่สุด ในสภาพแวดล้อมที่มีข้อจำกัดด้านการประมวลผล หรือข้อกำหนดด้านการปฏิบัติตามกฎระเบียบที่เข้มงวด โมเดลเหล่านี้เหมาะสมกว่าสำหรับการดำเนินงานระยะยาวในขณะเดียวกัน ผู้เล่นหลักมักใช้โมเดล MoE ขนาดใหญ่ (100B - 700B) เป็น "โมเดลครู" (teacher models) เพื่อกำหนดเพดานความสามารถ จากนั้นจึงกลั่นความสามารถเหล่านั้นลงในโมเดลขนาดเล็กจำนวนมาก สิ่งนี้สร้างโครงสร้างที่ชัดเจน: โมเดลขนาดใหญ่ไม่กี่ตัวอยู่ด้านบน และโมเดลที่ใช้งานได้จริงจำนวนมากอยู่ด้านล่าง สัดส่วนที่เพิ่มขึ้นของโมเดลขนาดเล็กในรายงานสรุปรายเดือน สะท้อนถึงความต้องการใช้งานจริงในชุมชนสัญญาอนุญาตโอเพนซอร์สที่ยืดหยุ่นมากขึ้น ✅หลังจากการเปิดตัว R1 สัญญาอนุญาต Apache 2.0 กลายเป็นตัวเลือกเริ่มต้นสำหรับโมเดลโอเพนซอร์สจากชุมชนจีน สัญญาอนุญาตที่ยืดหยุ่นมากขึ้นช่วยลดอุปสรรคในการใช้งาน ดัดแปลง และนำโมเดลไปใช้ในการผลิต ทำให้บริษัทต่างๆ สามารถนำโมเดลโอเพนซอร์สไปใช้ในระบบจริงได้ง่ายขึ้น การคุ้นเคยกับสัญญาอนุญาตมาตรฐาน เช่น Apache 2.0 และ MIT ช่วยให้การใช้งานง่ายขึ้นเช่นกัน ในทางกลับกัน สัญญาอนุญาตที่เฉพาะเจาะจงและปรับแต่งเอง จะเพิ่มอุปสรรคผ่านความไม่คุ้นเคยและข้อจำกัดทางกฎหมายใหม่ๆ ซึ่งส่งผลให้เกิดการลดลงตามที่แสดงในกราฟจากโมเดลเป็นหลัก สู่ฮาร์ดแวร์เป็นหลัก 🛠️ในปี 2025 การเปิดตัวโมเดลมีความสอดคล้องกับเฟรมเวิร์กการอนุมาน (inference frameworks) รูปแบบการควอนไทซ์ (quantization formats) เอ็นจิ้นการให้บริการ (serving engines) และรันไทม์บนอุปกรณ์ปลายทาง (edge runtimes) มากขึ้น เป้าหมายที่เห็นได้ชัดเจนไม่ใช่แค่การทำให้ดาวน์โหลดน้ำหนักโมเดลได้ แต่คือการ ทำให้โมเดลสามารถทำงานได้โดยตรงบนฮาร์ดแวร์ภายในประเทศเป้าหมาย และทำงานได้อย่างน่าเชื่อถือและมีประสิทธิภาพการเปลี่ยนแปลงนี้เห็นได้ชัดเจนที่สุดในด้านการอนุมาน ตัวอย่างเช่น ด้วย DeepSeek-V3.2-Exp ชิป Huawei Ascend และ Cambricon ได้รับการรองรับตั้งแต่แกนกลาง (day-zero support) ไม่ใช่แค่การสาธิตบนคลาวด์ แต่เป็นไปป์ไลน์การอนุมานที่สามารถทำซ้ำได้ ซึ่งเปิดตัวพร้อมกับน้ำหนักโมเดล ทำให้ผู้พัฒนาสามารถตรวจสอบประสิทธิภาพจริงได้โดยตรงในขณะเดียวกัน สัญญาณจากฝั่งการฝึกอบรม (training) ก็เริ่มปรากฏขึ้น โมเดล Ling ของ Ant Group ใช้การฝึกอบรมที่ปรับให้เหมาะสมกับชิป AI ภายในประเทศ เพื่อให้ได้ประสิทธิภาพใกล้เคียงกับ NVIDIA H800 และลดต้นทุนในการฝึกอบรม 1 ล้านล้านโทเค็นลงประมาณ 20% โมเดล Qianfan-VL แบบโอเพนซอร์สของ Baidu ระบุอย่างชัดเจนว่าโมเดลได้รับการฝึกอบรมบนคลัสเตอร์ของตัวเร่ง (accelerators) Baidu Kunlun P800 มากกว่า 5,000 ตัว ซึ่งเป็นชิป AI เรือธงของบริษัท พร้อมรายละเอียดเกี่ยวกับการขนาน (parallelization) และประสิทธิภาพในช่วงต้นปี 2026 โมเดล GLM-Image ของ Zhipu และโมเดลโอเพนซอร์สล่าสุดจาก China Telecom คือ TeleChat3 ทั้งสองประกาศว่าได้รับการฝึกอบรมทั้งหมดบนชิปภายในประเทศ การเปิดเผยเหล่านี้แสดงให้เห็นว่าคอมพิวเตอร์ภายในประเทศไม่ได้จำกัดอยู่เพียงแค่การอนุมานอีกต่อไป แต่ได้เริ่มเข้าสู่ขั้นตอนสำคัญของไปป์ไลน์การฝึกอบรมแล้วในด้านการให้บริการและโครงสร้างพื้นฐาน ความสามารถทางวิศวกรรมกำลังถูกเปิดให้ใช้งานแบบโอเพนซอร์สอย่างเป็นระบบ Moonshot AI ได้เปิดตัวระบบการให้บริการของตนเองคือ Mooncake และรองรับคุณสมบัติต่างๆ เช่น การแยก prefill/decoding อย่างชัดเจน การเปิดให้ใช้งานประสบการณ์ระดับโปรดักชันนี้ ได้ยกระดับพื้นฐานสำหรับการนำไปใช้งานและการดำเนินงานทั่วทั้งชุมชน ทำให้การรันโมเดลได้อย่างน่าเชื่อถือในระดับสเกลขนาดใหญ่ทำได้ง่ายขึ้น ทิศทางนี้ได้รับการสะท้อนทั่วทั้งระบบนิเวศ Baidu FastDeploy 2.0 เน้นการควอนไทซ์ขั้นสูงและการปรับให้เหมาะสมในระดับคลัสเตอร์ เพื่อลดต้นทุนการอนุมานภายใต้งบประมาณการประมวลผลที่จำกัด ระบบนิเวศ Qwen ของ Alibaba มุ่งเน้นการผสานรวมแบบเต็มสแต็ก โดยเชื่อมโยงโมเดล เฟรมเวิร์กการอนุมาน กลยุทธ์การควอนไทซ์ และเวิร์กโฟลว์การปรับใช้บนคลาวด์อย่างใกล้ชิด เพื่อลดอุปสรรคตั้งแต่การพัฒนาไปจนถึงการผลิตอย่างไรก็ตาม มีรายงานเกี่ยวกับข้อจำกัดด้านการประมวลผลในจีนที่คุกคามการขยายตัว Zhipu AI รายงานว่ากำลังจำกัดการใช้งานท่ามกลางภาวะขาดแคลนการประมวลผลเมื่อโมเดล เครื่องมือ และวิศวกรรมถูกส่งมอบไปด้วยกัน ระบบนิเวศจะเติบโตโดยการเพิ่มโปรเจกต์ แต่ด้วยการสร้างความแตกต่างเชิงโครงสร้างบนรากฐานที่ใช้ร่วมกัน และเริ่มวิวัฒนาการด้วยตัวเอง คำถามที่ยังคงเปิดอยู่คือ จีนจะตอบสนองต่อการควบคุมการขายฮาร์ดแวร์ของสหรัฐฯ และการควบคุมการส่งออกอย่างไร ในขณะที่ NVIDIA ยังคงขาย H200sการปรับโครงสร้างกำลังดำเนินการ 🏗️"ช่วงเวลา DeepSeek" ในเดือนมกราคม 2025 ไม่เพียงแต่กระตุ้นให้เกิดคลื่นของโมเดลโอเพนซอร์สใหม่ๆ เท่านั้น แต่ยังบังคับให้เกิดการพิจารณาอย่างลึกซึ้งยิ่งขึ้นว่าระบบ AI ควรถูกสร้างขึ้นอย่างไร เมื่อโอเพนซอร์สไม่ใช่ทางเลือกอีกต่อไป แต่เป็นรากฐาน และทำไมทางเลือกพื้นฐานเหล่านั้นจึงมีความสำคัญเชิงกลยุทธ์ในปัจจุบันบริษัทจีนไม่ได้ปรับปรุงโมเดลที่แยกจากกันอีกต่อไป แต่พวกเขากำลังเดินตามเส้นทางสถาปัตยกรรมที่แตกต่างกัน โดยมีเป้าหมายเพื่อสร้างระบบนิเวศที่สมบูรณ์ซึ่งเหมาะสำหรับโลกโอเพนซอร์ส ในภูมิทัศน์ของโมเดลที่มีแนวโน้มจะเป็นสินค้าโภคภัณฑ์มากขึ้นเรื่อยๆ การตัดสินใจเหล่านี้ส่งสัญญาณถึงการเปลี่ยนแปลงที่ชัดเจนในการแข่งขัน จากประสิทธิภาพของโมเดลไปสู่ การออกแบบระบบบทความถัดไปของเราจะเจาะลึกถึงความสำเร็จขององค์กร และแบ่งปันสิ่งที่เราคาดว่าจะได้เห็นในปี 2026#AI #OpenSource #DeepSeek #เทคโนโลยีhttps://huggingface.co/blog/huggingface/one-year-since-the-deepseek-moment-blog-2