เปิดโมเดลต้นฉบับจะฆ่าความต้องการใช้พลังประมวลผลหรือไม่? มอร์แกน สแตนลีย์คาดการณ์อนาคตสามแบบของ AI

รายงานต้นฉบับ: Morgan Stanley Research《Weighing In: Open-Weights Models & 3 States of the World》，3 สิงหาคม 2026

เรียบเรียงและตรวจทาน: DaiDai, Frank, MSX สถาบันวิจัย Mai Tong

ภาพรวมสำคัญ

• โมเดลเปิดน้ำหนัก (Open-Weight Models) ช่วยลดต้นทุนต่อการเรียกใช้และอุปสรรคในการปรับใช้ แต่ไม่จำเป็นต้องลดความต้องการใช้พลังคำนวณโดยรวม เมื่อ AI เข้าสู่องค์กร เวิร์กโฟลว์ และอุปกรณ์ต่างๆ มากขึ้น ปริมาณการเรียกใช้อาจเติบโตแซงหน้าประสิทธิภาพที่เพิ่มขึ้น ซึ่งก่อให้เกิด "ปรากฏการณ์เจวอนส์" (Jevons Paradox) โดยทั่วไป
• องค์กรต่างๆ เข้าสู่ยุคหลายโมเดลแล้ว โมเดลเปิดน้ำหนักทำหน้าที่หลักในงานเขียนโค้ด การประมวลผลเอกสาร การเรียกใช้ความถี่สูง และงานเฉพาะด้าน ส่วนการให้เหตุผลที่ซับซ้อนและเวิร์กโหลดของ Agent ยังคงพึ่งพาโมเดลปิดขั้นสูงเป็นหลัก
• โมเดลเปิดน้ำหนักไม่ได้หมายความว่าฟรี สิ่งที่องค์กรประหยัดได้อาจเป็นค่าลิขสิทธิ์โมเดลหรือค่า API บางส่วน แต่ยังต้องรับผิดชอบต้นทุน GPU คลาวด์ ดาต้าเซ็นเตอร์ในองค์กร การปรับแต่ง (Fine-tuning) บุคลากร ความปลอดภัย และการดูแลระบบ
• ไม่ว่าโมเดลปิด ไฮบริด หรือโมเดลเปิดน้ำหนักจะครองตลาดในที่สุด NVIDIA ไฟฟ้าภาคสนาม และซอฟต์แวร์ความปลอดภัย ถือเป็นกลุ่มที่ได้รับประโยชน์อย่างชัดเจนในทุกสถานการณ์
• ยิ่งโมเดลเปิดน้ำหนักแพร่หลายมากเท่าไร ห่วงโซ่คุณค่าของ AI ก็ยิ่งมีแนวโน้มที่จะกระจายจากชั้นโมเดลพื้นฐาน ไปสู่การอนุมาน (Inference) การจัดเส้นทาง (Routing) การจัดระบบ (Orchestration) การสังเกตการณ์ได้ (Observability) โครงสร้างพื้นฐานในพื้นที่ อุปกรณ์เอดจ์ และแอปพลิเคชันแนวตั้ง

ทุกช่วงเวลาหนึ่ง ตลาด AI ดูเหมือนจะเผชิญกับ "ความตื่นตระหนกเรื่องประสิทธิภาพ" ครั้งแล้วครั้งเล่า

เมื่อพารามิเตอร์ของโมเดลเล็กลง ต้นทุนการอนุมานลดลง หรือเมื่อบริษัทโมเดลแห่งหนึ่งใช้ชิปน้อยลงเพื่อให้ได้ประสิทธิภาพใกล้เคียงกับระดับ前沿 ตลาดก็มักเกิดสัญชาตญาณว่า หากทรัพยากรคำนวณที่ต้องใช้เพื่อทำงานเดียวกันลดน้อยลงเรื่อยๆ ความต้องการ GPU ดาต้าเซ็นเตอร์ และไฟฟ้า จะถึงจุดสูงสุดตามไปด้วยหรือไม่

การเกิดขึ้นของโมเดลเปิดน้ำหนักรุ่นใหม่ เช่น Kimi K3, DeepSeek V4 Flash เวอร์ชันทางการ ได้ผลักคำถามนี้กลับมาสู่ตลาดอีกครั้ง พวกมันไม่เพียงพยายามลดช่องว่างความสามารถกับโมเดลปิดขั้นสูง แต่ยังอนุญาตให้องค์กรดาวน์โหลด แก้ไข และปรับใช้โมเดลด้วยตนเอง ซึ่งกระจายความสามารถที่เคยกระจุกตัวอยู่ในห้องแล็บโมเดลของสหรัฐฯ เพียงไม่กี่แห่ง ไปสู่แวดวงนักพัฒนาและเทคสแตกขององค์กรในวงกว้างขึ้น

แต่คำตอบที่ Morgan Stanley ให้ไว้ในรายงานล่าสุด กลับตรงกันข้ามกับสัญชาตญาณนี้:

ประสิทธิภาพของโมเดลที่สูงขึ้น ไม่ได้ฆ่าความต้องการพลังคำนวณเสมอไป แต่มีแนวโน้มที่จะทำให้ AI ราคาถูกพอที่จะเข้าสู่กรณีการใช้งานที่ไม่คุ้มค่าในอดีต และท้ายที่สุดจะผลักดันปริมาณการเรียกใช้โดยรวมให้สูงขึ้น

บนพื้นฐานนี้ สิ่งที่ต้องพูดคุยกันใหม่จริงๆ ก็คือ พลังคำนวณจะเกิดขึ้นที่ใด ใครเป็นผู้ให้บริการ และบริษัทใดบ้างที่จะได้รับรายได้จากการกระจายตัวนี้

1. ทำไมโมเดลที่ถูกกว่า อาจใช้พลังคำนวณมากขึ้น?

ความเข้าใจผิดที่พบบ่อยที่สุดเกี่ยวกับโมเดลเปิดน้ำหนัก คือการเทียบ "ต้นทุนโมเดลที่ลดลง" กับ "ความต้องการโครงสร้างพื้นฐานที่ลดลง" โดยตรง

แต่สำหรับองค์กรส่วนใหญ่ การจะใช้ AI หรือไม่นั้น ไม่ได้ขึ้นอยู่กับว่าโมเดลต้องใช้พลังคำนวณเท่าไรในการทำงานหนึ่งครั้ง แต่ขึ้นอยู่กับว่าผลตอบแทนที่สร้างได้ จะครอบคลุมต้นทุนโมเดล วิศวกรรม และโครงสร้างพื้นฐานหรือไม่

การคำนวณที่ Morgan Stanley อ้างถึงแสดงให้เห็นว่า งาน AI ในองค์กรโดยเฉลี่ยสร้างผลตอบแทนประมาณ 55 ดอลลาร์สหรัฐ ในขณะที่ต้นทุนโดยตรงอยู่ที่ประมาณ 2-5 ดอลลาร์สหรัฐ แม้จะคิดรวมต้นทุนด้านข้อมูล วิศวกรรม ความปลอดภัย และการจัดการแล้ว อัตราส่วนผลตอบแทนต่อต้นทุนนี้ยังหมายความว่า เวิร์กโฟลว์ขององค์กรจำนวนมากยังไม่ถูกนำมาใช้กับ AI อย่างเต็มรูปแบบ

ในกรณีนี้ ผลของการลดราคาโมเดล อาจไม่ใช่องค์กรลดการใช้จ่ายด้าน AI แต่เป็นงานจำนวนมากขึ้นที่ข้ามผ่านเกณฑ์ความเป็นไปได้ทางเศรษฐกิจ

ในอดีต องค์กรอาจมอบหมายเฉพาะงานที่สำคัญและมีมูลค่าสูงที่สุดให้กับ AI เมื่อราคาการอนุมานลดลงอย่างต่อเนื่อง การจัดหมวดหมู่บันทึกบริการลูกค้า การตรวจสอบสัญญา การทดสอบโค้ด คำอธิบายสินค้า การค้นหาขององค์กร สื่อการตลาด การทำความสะอาดข้อมูล ไปจนถึงการอนุมัติภายใน ล้วนอาจถูกนำเข้าสู่เวิร์กโฟลว์ของโมเดล

ทรัพยากรคำนวณที่งานแต่ละงานต้องใช้อาจลดลง แต่จำนวนงาน ความถี่ในการเรียกใช้ และขนาดของผู้ใช้จะขยายตัวพร้อมกัน

นี่คือ "ปรากฏการณ์เจวอนส์" ที่รายงานกล่าวถึงซ้ำแล้วซ้ำเล่า เมื่อประสิทธิภาพการใช้ทรัพยากรหนึ่งสูงขึ้นและต้นทุนต่อหน่วยลดลง เนื่องจากขอบเขตการนำไปใช้ขยายตัวอย่างรวดเร็ว ปริมาณการใช้โดยรวมกลับอาจเพิ่มขึ้น

ตัวอย่างเช่น รถยนต์ที่ประหยัดน้ำมันมากขึ้น ไม่ได้ทำให้ความต้องการน้ำมันทั่วโลกหายไปโดยอัตโนมัติ แบนด์วิดท์อินเทอร์เน็ตที่ถูกลงเรื่อยๆ ก็ไม่ได้ทำให้ปริมาณการรับส่งข้อมูลลดลง ในทำนองเดียวกัน โมเดลที่มีประสิทธิภาพมากขึ้นอาจไม่ลดการใช้ GPU แต่กลับทำให้ AI เปลี่ยนจากงานคุณค่าสูงเพียงไม่กี่อย่าง กลายเป็นความสามารถพื้นฐานที่อยู่ทุกหนแห่งภายในองค์กร

ปัจจุบัน การกระจายตัวนี้已经开始เกิดขึ้นแล้ว

ผลสำรวจของ McKinsey ที่รายงานอ้างถึงแสดงให้เห็นว่า 63% ขององค์กรที่ตอบแบบสำรวจใช้โมเดลเปิดในเทคสแตกของตนแล้ว แต่องค์กรส่วนใหญ่ไม่ได้ละทิ้งโมเดลปิดโดยสิ้นเชิง แต่ใช้ทั้งสองแบบผสมผสานกัน โดยโมเดลเปิดน้ำหนักส่วนใหญ่ใช้สำหรับการเขียนโค้ด การแยกวิเคราะห์เอกสาร การเรียกใช้ความถี่สูง และงานเฉพาะด้าน ส่วนโมเดลปิดขั้นสูงยังคงรับผิดชอบงานที่ต้องใช้การให้เหตุผลซับซ้อน ความน่าเชื่อถือสูง และยากต่อการกำหนดมาตรฐาน

ระหว่างเดือนกุมภาพันธ์ถึงกรกฎาคม 2026 สัดส่วน Token ที่บริษัทอเมริกันจัดเส้นทางผ่าน OpenRouter ไปยังโมเดลเปิดของจีน เคยสูงเกิน 30% ต่อสัปดาห์ ตัวเลขนี้可能偏向นักพัฒนาและสตาร์ทอัป ไม่สามารถแทนค่าใช้จ่ายขององค์กรขนาดใหญ่ได้โดยตรง แต่อย่างน้อยก็แสดงให้เห็นว่า โมเดลเปิดน้ำหนัก已经从แนวคิดในห้องแล็บ เข้าสู่สภาพแวดล้อมการเรียกใช้และการปรับใช้จริง

แน่นอนว่า โมเดลเปิดน้ำหนักก็ไม่ได้หมายความว่าเป็น "โมเดลฟรี"

เมื่อองค์กรโฮสต์ด้วยตนเอง จะไม่ต้องจ่ายค่า API ตาม Token ให้ผู้ให้บริการโมเดลอีกต่อไป แต่ยังต้องซื้อหรือเช่า GPU และรับผิดชอบค่าใช้จ่ายด้านห้องเซิร์ฟเวอร์ คลาวด์ การปรับแต่ง ทีมวิศวกรรม ความปลอดภัย และการดูแลระบบประจำวัน ซึ่งหมายความว่าหากใช้โมเดลเปิดน้ำหนักผ่าน API ที่โฮสต์โดยผู้ผลิตโมเดลหรือแพลตฟอร์มคลาวด์ องค์กรก็ยังอาจจ่ายตาม Token หรือปริมาณการคำนวณ

ดังนั้น สิ่งที่โมเดลเปิดน้ำหนักเปลี่ยนแปลงไม่ใช่การมีอยู่ของต้นทุนการคำนวณ แต่เป็นวิธีที่องค์กรจ่ายค่าต้นทุนการคำนวณ และคุณค่าจะตกเป็นของผู้ให้บริการโมเดล แพลตฟอร์มคลาวด์ หรือโครงสร้างพื้นฐานขององค์กรเอง

งานวิจัยของ MIT ที่ Morgan Stanley อ้างถึง ประมาณการว่าการเปลี่ยนจากโมเดลปิดมาเป็นโมเดลเปิด ราคาเฉลี่ยอาจลดลงประมาณ 70% ช่วยประหยัดเงินให้ผู้บริโภคได้ปีละประมาณ 25,000 ล้านดอลลาร์สหรัฐ แต่รายงานก็เตือนเป็นพิเศษว่างานวิจัยนี้ทำเสร็จ较早 ความสามารถของโมเดลต่างกันไม่สามารถเทียบได้โดยตรง และอาจไม่ได้คิดรวมต้นทุนแฝงด้านวิศวกรรม การปรับแต่ง และการดูแลระบบอย่างเต็มที่

งานวิจัยอีกชิ้นของ Carnegie Mellon แสดงให้เห็นว่าระยะเวลาคืนทุนของการปรับใช้โมเดลเปิดด้วยตนเอง อาจยืดออกจากประมาณ 3 เดือนไปจนถึง 6 ปี โดยโมเดลที่มีพารามิเตอร์น้อย งานตายตัว และความถี่ในการเรียกใช้สูง จะสามารถตัดต้นทุนฮาร์ดแวร์ได้较快 ส่วนโมเดลขนาดใหญ่และแอปพลิเคชันระดับองค์กรที่ซับซ้อน อาจต้องใช้เวลานานมาก จนไม่สามารถพิสูจน์ได้ว่าการสร้างเองถูกกว่า API เนื่องจากอัตราการใช้งานไม่เต็มที่ อัปเดตบ่อย และต้นทุนการปรับแต่งสูงเกินไป

ดังนั้น เศรษฐศาสตร์ของโมเดลเปิดน้ำหนักจึงไม่มีคำตอบเดียว

มันขึ้นอยู่กับขนาดโมเดล ความถี่ในการใช้งาน อัตราการใช้โครงสร้างพื้นฐาน ความสามารถทางวิศวกรขององค์กร และว่าข้อมูลต้องอยู่ในพื้นที่หรือไม่ ยิ่งโมเดลเปิดมากเท่าไร องค์กรก็ยิ่งมีทางเลือกมากขึ้น แต่ภาระรับผิดชอบทางเทคนิคก็มากขึ้นตามไปด้วย

2. ในระยะต่อไป พลังคำนวณจะเกิดขึ้นที่ไหน?

หากอนาคตของ AI ถูกครอบงำโดยโมเดลปิดเพียงไม่กี่รุ่น การฝึกฝนและการอนุมานก็จะยังกระจุกตัวอยู่ในแพลตฟอร์มคลาวด์ขนาดใหญ่และดาต้าเซ็นเตอร์ระดับ Hyperscale

แต่หากโมเดลเปิดน้ำหนักถูกนำไปใช้ในวงกว้าง พลังคำนวณของ AI จะไม่หายไป แต่จะกระจายจากโหนดกลางไม่กี่แห่ง ไปสู่คลาวด์ส่วนตัว ห้องเซิร์ฟเวอร์ขององค์กร ดาต้าเซ็นเตอร์อธิปไตย เซิร์ฟเวอร์เอดจ์ และอุปกรณ์ส่วนบุคคล

ซึ่งหมายความว่า ตัวแปรที่ตลาดต้องจับตาจะเปลี่ยนจาก "ต้องใช้ GPU กี่ตัว" ไปเป็น "GPU ถูกติดตั้งที่ไหน ใครจัดการ และถูกเรียกใช้อย่างไร"

ในยุคโมเดลปิด องค์กรสามารถ outsourced ความซับซ้อนส่วนใหญ่ให้บริษัทโมเดลได้: เชื่อมต่อ API จ่ายตาม Token แล้วผู้ให้บริการจะรับผิดชอบการอัปเดตโมเดล โครงสร้างพื้นฐาน การปรับให้ปลอดภัย และความรับผิดทางกฎหมายบางส่วน

เมื่อเข้าสู่ยุคหลายโมเดล โครงสร้างง่ายๆ นี้เริ่มถูกทำลาย

องค์กรอาจมอบงานที่ซับซ้อนที่สุดให้โมเดลปิดขั้นสูง และมอบงานที่ความถี่สูงและไวต่อต้นทุนให้โมเดลเปิดน้ำหนัก ข้อมูลที่อ่อนไหวอยู่ภายในองค์กร เวิร์กโหลดทั่วไป運行บน公有คลาวด์ คำขอบางส่วนประมวลผลในดาต้าเซ็นเตอร์ บางส่วนประมวลผลบนคอมพิวเตอร์ โทรศัพท์ หรืออุปกรณ์เอดจ์อื่นๆ โดยตรง

ยิ่งจำนวนโมเดลมากและตำแหน่งการปรับใช้กระจายตัวมากเท่าไร เทคสแตก AI ขององค์กรก็ยิ่งซับซ้อนมากขึ้น:

• ประการแรกคือชั้นเกตเวย์: องค์กรต้องมีจุดเข้าใช้งานเดียว เพื่อจัดการการตรวจสอบตัวตน สิทธิ์การเรียกใช้ การจำกัดอัตรา การบันทึก และการสลับซัพพลายเออร์เมื่อขัดข้องของโมเดลต่างๆ
• ประการที่สองคือชั้นการจัดเส้นทาง: ระบบต้องจัดสรรแต่ละคำขอให้กับโมเดลที่เหมาะสมที่สุดตามความแม่นยำ ความหน่วง ต้นทุน ระดับความอ่อนไหวของข้อมูล และความยากของงาน
• ประการที่สามคือชั้นการจัดระบบ: เวิร์กโฟลว์ Agent ที่ซับซ้อน通常ต้องใช้หลายโมเดล ฐานข้อมูล และเครื่องมือภายนอกร่วมกัน คำขอผู้ใช้ครั้งเดียวอาจถูกแยกย่อยเป็นหลายสิบขั้นตอนและการเรียกใช้
• สุดท้ายคือชั้นการสังเกตการณ์ได้และการประเมินผล: องค์กรต้องติดตามคุณภาพเอาต์พุตของโมเดล ความหน่วงการตอบสนอง การใช้ Token ต้นทุนการ运行 สาเหตุความล้มเหลว และความเสี่ยงด้านความปลอดภัยอย่างต่อเนื่อง

นี่คือเหตุผลที่การแพร่กระจายของโมเดลเปิดน้ำหนัก ไม่ได้เป็นผลดีต่อผู้ผลิตโมเดลเท่านั้น

เมื่อโมเดลพื้นฐานเข้าถึงได้ง่ายขึ้น องค์กรยินดีจ่ายเงินมากขึ้นสำหรับ "วิธีนำโมเดลไปใช้ในการผลิตอย่างเสถียร" เกตเวย์โมเดล การจัดเส้นทางงาน การจัดระบบ Agent การกำกับข้อมูล ซอฟต์แวร์สังเกตการณ์ได้ และความปลอดภัย อาจกลายเป็นส่วนที่บีบอัดยากที่สุดในห่วงโซ่คุณค่า

ความสำคัญด้านความปลอดภัยโดดเด่นเป็นพิเศษ เมื่อโมเดลปิด运行แบบรวมศูนย์ ความรับผิดด้านความปลอดภัยบางส่วนตกอยู่กับห้องแล็บโมเดลและแพลตฟอร์มคลาวด์ แต่เมื่อโมเดลเปิดเข้าสู่พื้นที่องค์กร คลาวด์ส่วนตัว และอุปกรณ์เอดจ์ ตัวตน ข้อมูล เอนด์พอยต์ น้ำหนักโมเดล และสภาพแวดล้อมการ运行都需要ได้รับการปกป้องอย่างอิสระ

องค์กรไม่เพียงต้องป้องกันไม่ให้พนักงานส่งข้อมูลอ่อนไหวไปยังโมเดลผิดตัว แต่ยังต้องจัดการว่าโมเดลต่างๆ สามารถเข้าถึงฐานข้อมูลใด เรียกใช้เครื่องมือใด และอาจถูกโจมตีด้วย Prompt Injection, Model Distillation, การ篡改น้ำหนัก หรือการใช้สิทธิ์ในทางที่ผิดหรือไม่

ยิ่งการปรับใช้โมเดลกระจายตัวมากเท่าไร พื้นผิวการโจมตีก็ยิ่งใหญ่ขึ้น ยิ่งจำนวนโมเดลมากเท่าไร ต้นทุนการกำกับดูแลก็ยิ่งสูงขึ้น

ดังนั้น สิ่งที่โมเดลเปิดน้ำหนักนำมาจริงๆ ไม่ใช่การหายไปของคุณค่าโครงสร้างพื้นฐาน AI แต่เป็นการกระจายคุณค่าจากชั้นโมเดลพื้นฐานและ API เพียงชั้นเดียว ไปสู่ทั่วทั้งระบบเทคสแตก

การใช้จ่าย AI ในอนาคตอาจไม่เพียงปรากฏเป็นการสร้างคลัสเตอร์ฝึกฝนขนาดยักษ์โดยยักษ์ใหญ่เทคโนโลยีไม่กี่ราย แต่ยังปรากฏเป็นการซื้อเซิร์ฟเวอร์ขององค์กร การอัปเกรดเครือข่ายและพื้นที่จัดเก็บ การติดตั้งระบบความปลอดภัย การสร้างแพลตฟอร์ม AI ส่วนตัว และการ配置พลังคำนวณฝั่งอุปกรณ์ที่แข็งแกร่ง