บทวิเคราะห์ Google: Gemini 3.8 ดำเนินกลยุทธ์การเป็นผู้นำด้านต้นทุน
พอดแคสต์ AI
กูเกิลปรับกลยุทธ์ AI มุ่งเน้นการลดต้นทุนและเพิ่มประสิทธิภาพการประมวลผลผ่านซีรีส์ Flash และชิป TPU เพื่อรองรับฐานผู้ใช้งานหลักพันล้านรายในบริการต่าง ๆ แทนการแข่งขันสร้างโมเดลที่ทรงพลังที่สุดเพียงอย่างเดียว ความได้เปรียบด้านช่องทางการจัดจำหน่ายและต้นทุนที่ต่ำช่วยสร้างผลกระทบเชิงบวกต่อปริมาณคำขอใช้งานมหาศาล อย่างไรก็ตาม ความเสี่ยงสำคัญคือการทุ่มทรัพยากรให้โมเดลต้นทุนต่ำอาจส่งผลกระทบต่อขีดความสามารถในการแข่งขันในกลุ่มโมเดลระดับแนวหน้าระยะยาว
กูเกิลเปิดตัว Gemini 3.8 เมื่อวานนี้ ด้วยความคุ้มค่าต่อราคาที่สูงเป็นพิเศษ
เมื่อวันที่ 2 กันยายน กูเกิลได้เปิดตัว Gemini 3.8 Flash ซึ่งนับเป็นการเปิดตัวรุ่นที่ 3 ในซีรีส์ Flash ในช่วง 6 สัปดาห์ที่ผ่านมา โดยเน้นการยกระดับความสามารถด้านการใช้เหตุผล การเขียนโค้ด และเอเจนต์ AI ที่น่าสังเกตคือ ในทางตรงกันข้าม ซีรีส์ Pro ซึ่งเป็นรุ่นเรือธงกลับยังไม่มีการอัปเดตเป็นเวลาประมาณ 6 เดือนครึ่ง นับตั้งแต่การเปิดตัว Gemini 3.1 Pro เมื่อวันที่ 19 กุมภาพันธ์
ในแง่ของการประเมินความสามารถของโมเดล 3.8 Flash มีระดับใกล้เคียงกับโมเดลระดับสูงอย่างน่าทึ่ง โดยในดัชนี Intelligence Index ของ Artificial Analysis โมเดล 3.8 Flash High ทำคะแนนได้ 59 คะแนน เพิ่มขึ้น 3 คะแนนจาก 3.7 Flash High ที่ทำไว้ 56 คะแนน ส่งผลให้มีระดับเทียบเท่ากับ GPT-5.6 Sol xhigh และ Grok 4.6 medium นอกจากนี้ ในการทดสอบอย่างเป็นทางการของกูเกิล โมเดล 3.8 Flash ทำคะแนน HLE-Verified ได้ 54.9% พร้อมทั้งทำผลงานในเกณฑ์ทดสอบมาตรฐานด้านวิศวกรรมซอฟต์แวร์และเอเจนต์ AI เหนือกว่ารุ่นก่อนหน้าอย่างมีนัยสำคัญ
ผลกระทบด้านราคายิ่งมีความโดดเด่นน่าประทับใจยิ่งกว่า โดยราคา API สำหรับ 3.8 Flash อยู่ที่ 0.75 ดอลลาร์ต่อ 1 ล้านอินพุตโทเคน และ 3.75 ดอลลาร์ต่อ 1 ล้านเอาต์พุตโทเคน ซึ่งหมายความว่าสำหรับคะแนนความสามารถโดยรวมเท่ากันบน Artificial Analysis ราคาของโมเดลนี้คิดเป็นเพียง 19% ของ GPT-5.6 Sol และ 15% ของ Claude Opus 5 เท่านั้น แน่นอนว่าคะแนนไม่ได้สะท้อนถึงความสามารถทั้งหมดอย่างสมบูรณ์ แต่ความได้เปรียบด้านต้นทุนนั้นเป็นสิ่งที่ปฏิเสธไม่ได้
มุมมองของข้าพเจ้า: กลยุทธ์โมเดลขนาดใหญ่ของ Google ให้ความสำคัญกับต้นทุนต่ำ, โมเดลคุณภาพสูงไม่ได้เป็นลำดับความสำคัญสูงสุดอีกต่อไป
ในช่วงไม่กี่ปีที่ผ่านมา คำถามหลักในการแข่งขันระหว่างโมเดล AI ขนาดใหญ่คือ ใครจะสามารถพัฒนาโมเดลที่ทรงพลังที่สุดได้
อย่างไรก็ตาม ตรรกะในการแข่งขันนี้กำลังเริ่มเปลี่ยนแปลงไป
เหตุผลก็คือเมื่อศักยภาพของโมเดลได้รับการพัฒนาขึ้นอย่างต่อเนื่อง งานในโลกจริงจำนวนมากขึ้นเรื่อย ๆ ได้ก้าวข้ามเกณฑ์ที่ว่า 'โมเดลสามารถทำภารกิจนั้นได้หรือไม่' ไปแล้ว สำหรับงานวิจัยทางวิทยาศาสตร์ที่มีความซับซ้อนสูง การเขียนโค้ด และเอเจนต์ AI แบบทำงานระยะยาว ศักยภาพของโมเดลยังคงมีมูลค่ามหาศาล อย่างไรก็ตาม สำหรับงานที่มีความซับซ้อนต่ำซึ่งมีจำนวนมากกว่าอย่างมาก การเพิ่มคะแนนของโมเดลจาก 90 เป็น 95 อาจสร้างมูลค่าที่แท้จริงได้น้อยกว่าการลดต้นทุนลงจาก 1 เหลือ 0.3 อย่างมาก
เมื่อพิจารณาร่วมกับการอัปเดตโมเดล Flash ถึงสามครั้งในช่วงหกสัปดาห์ และความเงียบเหงาชั่วคราวรอบโมเดล Pro สิ่งนี้แสดงให้เห็นว่ากลยุทธ์โมเดลขนาดใหญ่ของกูเกิลเริ่มมีความชัดเจนมากขึ้นเรื่อย ๆ นั่นคือ การให้ความสำคัญกับต้นทุนต่ำเป็นอันดับแรก
แน่นอนว่า คุณอาจสังเกตเห็นว่ารุ่น 3.8 นั้นแพงกว่ารุ่น 3.7 เล็กน้อย แม้ว่าราคาต่อหน่วยของ API สำหรับโมเดลทั้งสองเจนเนอเรชันจะเท่ากัน แต่จำนวนโทเค็นผลลัพธ์เฉลี่ยเพิ่มขึ้นประมาณ 30% และรอบการเรียกใช้งานสำหรับภารกิจของเอเจนต์ AI ก็เพิ่มขึ้นเช่นกัน จากการวัดผลโดย Artificial Analysis ต้นทุนต่อภารกิจเพิ่มขึ้นจากประมาณ 0.40 ดอลลาร์ เป็น 0.58 ดอลลาร์ หรือเพิ่มขึ้นประมาณ 45% เราเชื่อว่าขณะนี้กูเกิลกำลังสำรวจขอบเขตระหว่างต้นทุนและประสิทธิภาพบนเส้นทางต้นทุนต่ำ แต่ตัวกลยุทธ์ต้นทุนต่ำเองก็ยังคงสมเหตุสมผล
ในอีกด้านหนึ่ง ความคิดเห็นของผู้บริหารก็ยืนยันในเรื่องนี้เช่นกัน โดยในไตรมาสที่สองของปีนี้ ซุนดาร์ พิชัย ประธานเจ้าหน้าที่บริหารของกูเกิล ระบุว่าความต้องการซีรีส์ Flash นั้นแข็งแกร่งมาก เนื่องจากอยู่ในจุดที่สมดุลที่สุดระหว่างประสิทธิภาพและต้นทุน
เห็นได้ชัดว่า กูเกิลกำลังปรับเปลี่ยนเป้าหมายสำคัญอันดับแรกจาก:
"จะสามารถสร้างโมเดลที่แข็งแกร่งที่สุดให้ทรงพลังได้มากเพียงใด"
ไปเป็น:
"จะสามารถลดต้นทุนในการทำภารกิจให้ต่ำลงได้มากเพียงใด"
แนวทางทั้งสองนี้มีความแตกต่างอย่างสิ้นเชิง โดยรูปแบบหลังสอดคล้องกับหลักเศรษฐศาสตร์ของการประยุกต์ใช้ AI ขนาดใหญ่ในอนาคตได้ดีกว่า เนื่องจากกำลังการคำนวณส่วนใหญ่นั้น ในท้ายที่สุดจะไม่ได้มาจากปัญหาที่ยากที่สุดเพียงส่วนน้อยนิด แต่จะมาจากคำขอทั่วไปที่มีปริมาณมหาศาล
เหตุใดกลยุทธ์นี้จึงเหมาะสมเป็นพิเศษสำหรับ Google
1. ข้อได้เปรียบด้านช่องทางการจัดจำหน่ายของกูเกิลช่วยดึงดูดฐานผู้ใช้จำนวนมหาศาล ขณะที่ปริมาณคำขอใช้งานจำนวนมากก็ช่วยเพิ่มมูลค่าของต้นทุนที่ต่ำให้สูงขึ้น
ความแตกต่างพื้นฐานระหว่างกูเกิลและบริษัทพัฒนาโมเดลขนาดใหญ่อื่น ๆ คือกูเกิลมีฐานผู้ใช้อยู่แล้ว
ในไตรมาสที่สองของปีนี้ จำนวนผู้ใช้งานรายเดือนของ AI Mode ใน Google Search ทะลุ 1 พันล้านราย ขณะที่เมื่อวันที่ 11 สิงหาคม แอปพลิเคชัน Gemini มีผู้ใช้งานรายเดือนเกิน 1 พันล้านราย ยิ่งไปกว่านั้น ข้อได้เปรียบด้านช่องทางการจัดจำหน่ายที่ยิ่งใหญ่กว่ายังมาจากกลุ่มผลิตภัณฑ์ทั้งหมดของกูเกิล โดยปัจจุบัน Gemini ถูกผสานรวมเข้ากับผลิตภัณฑ์ของกูเกิล 13 รายการ ซึ่งแต่ละรายการมีฐานผู้ใช้เกิน 1 พันล้านราย และมี 5 รายการที่มีผู้ใช้มากกว่า 3 พันล้านราย
ทางฝั่งนักพัฒนาก็ก้าวสู่ระดับมหาศาลเช่นกัน โดยในแต่ละเดือน มีนักพัฒนามากกว่า 9 ล้านรายใช้งานโมเดลของกูเกิล และ API โมเดลของกูเกิลเองในปัจจุบันประมวลผลประมาณ 2.2 หมื่นล้านโทเคนต่อนาที เพิ่มขึ้นจาก 1.6 หมื่นล้านโทเคนในไตรมาสที่แล้ว
ดังนั้น ปัญหาทางเศรษฐศาสตร์ที่กูเกิลเผชิญจึงแตกต่างจากบริษัท AI ที่ต้องหาผู้ใช้ใหม่ตั้งแต่เริ่มต้น
สิ่งที่กูเกิลจำเป็นต้องแก้ไขอย่างแท้จริงคือ:
วิธีส่งมอบ AI ให้แก่ผู้ใช้งานเดิมหลายพันล้านรายด้วยต้นทุนที่ต่ำเพียงพอ
ในจุดนี้ การระบุความซับซ้อนของงานจึงมีความสำคัญอย่างยิ่ง
สำหรับงานที่มีความซับซ้อนสูง ลูกค้าจะซื้อความสามารถเป็นหลัก สำหรับการวิจัยทางวิทยาศาสตร์หรือการทำงานของเอเจนต์ AI ที่มีความซับซ้อน หากโมเดลที่ทรงพลังกว่าสามารถปรับปรุงอัตราความสำเร็จได้อย่างมีนัยสำคัญ การจ่ายเงินเพิ่มอีกไม่กี่ดอลลาร์ต่องานจึงเป็นเรื่องที่ยอมรับได้อย่างสิ้นเชิง
อย่างไรก็ตาม ในแต่ละวันกูเกิลต้องรับมือกับคำขอที่มีความซับซ้อนต่ำและมีความถี่สูงเป็นหลัก
ตัวอย่างเช่น ในการถามตอบทั่วไปและเอเจนต์ AI แบบง่าย ตราบใดที่ทั้งสองโมเดลสามารถแก้ปัญหาได้อย่างถูกต้อง การเพิ่มความสามารถของโมเดลขึ้นอีกเพียงไม่กี่เปอร์เซ็นต์จะสร้างมูลค่าเพิ่มให้แก่ผู้ใช้น้อยมาก อย่างไรก็ตาม หากต้นทุนต่อการประมวลผลผลลัพธ์ลดลงจาก 0.50 ดอลลาร์ เหลือ 0.20 ดอลลาร์ เมื่อคูณกับผู้ใช้หลายพันล้านรายและความถี่ในการค้นหาที่เติบโตอย่างต่อเนื่อง จะสร้างความแตกต่างด้านต้นทุนอย่างมหาศาลสำหรับบริษัท LLM
ดังนั้น จึงเกิดผลกระทบแบบทวีคูณระหว่างข้อได้เปรียบด้านช่องทางการจัดจำหน่ายและข้อได้เปรียบด้านต้นทุนต่ำ
ยิ่งกูเกิลมีผู้ใช้มากเท่าใด มูลค่าที่เกิดจากการลดต้นทุนต่อการประมวลผลผลลัพธ์ก็ยิ่งสูงขึ้นเท่านั้น และยิ่งต้นทุนต่ำลง กูเกิลก็ยิ่งสามารถฝัง AI ลงในผลิตภัณฑ์ที่มีอยู่ เช่น Search, Android, Workspace และ YouTube ได้ลึกซึ้งยิ่งขึ้น ซึ่งจะช่วยขยายปริมาณการสอบถามข้อมูลอย่างต่อเนื่อง
นี่จึงเป็นเหตุผลที่ว่าทำไมโมเดลต้นทุนต่ำอาจมีคุณค่าทางยุทธศาสตร์สำหรับกูเกิลสูงกว่าบริษัท LLM อื่น ๆ
2. ข้อได้เปรียบด้านต้นทุนต่ำของ TPU จะกลายเป็นปัจจัยตัดสินหลักในสถานการณ์ที่มีความซับซ้อนต่ำ
สำหรับงานที่มีความซับซ้อนสูง ความแตกต่างด้านต้นทุนมักไม่ใช่ปัจจัยตัดสิน
หากโมเดลหนึ่งสามารถทำงานวิจัยทางวิทยาศาสตร์ เขียนโค้ด หรือทำงานของเอเจนต์ AI ที่ซับซ้อนซึ่งอีกโมเดลหนึ่งทำไม่ได้ ผู้ใช้จะซื้อผลลัพธ์เป็นหลัก และโมเดลที่แพงกว่าเล็กน้อยก็จะไม่เปลี่ยนการตัดสินใจของพวกเขา
อย่างไรก็ตาม เกณฑ์การตัดสินใจสำหรับงานที่มีความซับซ้อนต่ำนั้นแตกต่างกันโดยสิ้นเชิง
เมื่อโมเดลต่าง ๆ สามารถทำงานสำเร็จได้อย่างน่าเชื่อถือ ผลตอบแทนส่วนเพิ่มจากการปรับปรุงความสามารถของโมเดลเพิ่มเติมก็จะลดลงอย่างรวดเร็ว ส่งผลให้ต้นทุนในการทำงานสำเร็จกลายเป็นปัจจัยการแข่งขันหลัก
นี่คือจุดที่ TPU (ชิปที่เป็นกรรมสิทธิ์ของกูเกิล) สามารถสร้างมูลค่าได้สูงสุดอย่างแท้จริง
กูเกิลสามารถควบคุมชิป โมเดล และโครงสร้างพื้นฐานการประมวลผลผลลัพธ์ไปพร้อม ๆ กันได้ โดยชิป TPU 8i รุ่นล่าสุดได้รับการออกแบบมาสำหรับการประมวลผลผลลัพธ์โดยเฉพาะ และข้อมูลที่กูเกิลเปิดเผยแสดงให้เห็นว่าประสิทธิภาพการประมวลผลผลลัพธ์ต่อดอลลาร์เพิ่มขึ้น 80% เมื่อเทียบกับ TPU รุ่นก่อนหน้า
ในฝั่งผลิตภัณฑ์จริง การลดต้นทุนเหล่านี้เริ่มส่งผลเป็นรูปธรรมแล้ว อัลฟาเบท (Alphabet) เปิดเผยในไตรมาส 2 ว่า แม้ว่า AI Mode จะนำโมเดลและความสามารถที่ก้าวหน้ายิ่งขึ้นมาใช้อย่างต่อเนื่อง แต่การปรับปรุงประสิทธิภาพร่วมกันระหว่างซอฟต์แวร์และฮาร์ดแวร์ได้ส่งผลให้ต้นทุนต่อการตอบคำถามของ AI Mode ลดลงสู่ระดับต่ำสุดนับตั้งแต่เปิดตัวผลิตภัณฑ์
TPU มอบความสามารถสำคัญให้แก่กูเกิล:
ความสามารถในการรักษาข้อได้เปรียบด้านต้นทุนท่ามกลางการแข่งขันพัฒนาความสามารถของโมเดล
ในสถานการณ์ระดับแนวหน้า ข้อได้เปรียบนี้อาจส่งผลต่ออัตรากำไรเพียงเล็กน้อยโดยไม่สามารถชิงส่วนแบ่งทางการตลาดได้ อย่างไรก็ดี ในสถานการณ์ที่มีความซับซ้อนต่ำ มีผู้ใช้นับพันล้านราย และมีความถี่ในการใช้งานสูง ตัวต้นทุนเองจะกลายเป็นสิ่งกำหนดว่าฟีเจอร์ AI ใดที่สามารถส่งมอบในระดับใหญ่ได้ และใครคือผู้ที่สามารถรองรับปริมาณคำขอใช้งานมหาศาลที่สุดได้ในท้ายที่สุด
ความเสี่ยงใหญ่ที่สุด: หลังภาวะแบบจำลองกลมกลืนเป็นเนื้อเดียวกัน Google ต้องเป็นหนึ่งในผู้เล่นที่อยู่รอด
เพื่อให้กลยุทธ์ของกูเกิลประสบผลสำเร็จอย่างแท้จริง จำเป็นต้องบรรลุเงื่อนไข 2 ประการพร้อมกัน:
โมเดลระดับแนวหน้าค่อย ๆ มีขีดความสามารถใกล้เคียงกัน ขณะเดียวกันกูเกิลเองก็สามารถรักษาตำแหน่งอยู่ในกลุ่มโมเดลระดับแนวหน้าได้อย่างสม่ำเสมอ
ผู้เขียนเชื่อว่าความเป็นไปได้ที่เงื่อนไขทั้งสองประการนี้จะเกิดขึ้นพร้อมกันกำลังปรับตัวเพิ่มขึ้นในช่วง 2 ถึง 3 ปีข้างหน้า
โอกาสที่จะเกิดเงื่อนไขประการแรกนั้นมีสูงมาก การแข่งขันในตลาดโมเดลในช่วงไม่กี่ปีที่ผ่านมามีลักษณะเด่นที่ชัดเจน คือ เป็นเรื่องยากยิ่งขึ้นสำหรับบริษัทใดบริษัทหนึ่งที่จะรักษาความเป็นผู้นำได้เป็นเวลานาน เนื่องจากวิธีการฝึกฝน (Training) เทคนิคการประมวลผล (Inference) และสถาปัตยกรรมโมเดลรูปแบบใหม่ ๆ แพร่กระจายไปอย่างรวดเร็ว ส่งผลให้หลังจากที่มีบริษัทใดบริษัทหนึ่งก้าวขึ้นมานำได้อย่างชัดเจน ผู้เล่นระดับแถวหน้ารายอื่น ๆ ก็มักจะไล่ตามกวดทันในการอัปเดตโมเดลรอบถัด ๆ ไป
ดังนั้น ภาพรวมการแข่งขันที่มีแนวโน้มจะเกิดขึ้นมากที่สุดในท้ายที่สุด คือการที่บริษัทจำนวนน้อยรายยังคงรักษาขีดความสามารถให้อยูในระดับที่ใกล้เคียงกันในระยะยาว
อย่างไรก็ตาม ภายใต้กลยุทธ์ต้นทุนต่ำ คำถามที่ว่าโอกาสที่กูเกิลจะรักษาตำแหน่งอยู่ในกลุ่มนี้ได้อย่างสม่ำเสมอจะลดลงหรือไม่นั้น ถือเป็นความเสี่ยงที่ยิ่งใหญ่ที่สุดของกลยุทธ์ดังกล่าว โดยในช่วง 6 สัปดาห์ที่ผ่านมา กูเกิลได้อัปเดตซีรีส์ Flash ติดต่อกันถึง 3 ครั้ง ในทางตรงกันข้าม ซีรีส์ Pro กลับไม่มีการอัปเดตมานานถึง 6 เดือนครึ่ง ซึ่งหากทรัพยากรด้านการวิจัยและพัฒนา (R&D) และเป้าหมายของผลิตภัณฑ์ยังคงเอียงไปทางประสิทธิภาพด้านต้นทุน กูเกิลอาจต้องสูญเสียขีดความสามารถระดับแนวหน้าบางส่วนไป เพื่อแลกกับต้นทุนการประมวลผล (Inference) ที่ต่ำลง
สิ่งนี้ก่อให้เกิดข้อขัดแย้งในตัวเอง กล่าวคือ กลยุทธ์ต้นทุนต่ำของกูเกิลจะสร้างมูลค่าสูงสุดได้ก็ต่อเมื่อโมเดลของตนเองยังคงอยู่ในระดับแถวหน้า แต่การมุ่งเน้นต้นทุนต่ำเป็นหลักอาจทำให้ความสามารถในการรักษาตำแหน่งในระดับแถวหน้านั้นลดลง
ในขณะนี้ เราจึงเลือกใช้วิธีเฝ้ารอดูสถานการณ์ (Wait-and-see) ต่อประเด็นนี้ เนื่องจากประวัติศาสตร์แสดงให้เห็นซ้ำแล้วซ้ำเล่าว่า ในอุตสาหกรรมที่ขาดความได้เปรียบจากการเป็นผู้เคลื่อนไหวรายแรก (First-mover advantage) การไล่ตามอย่างไม่ลดละอาจด้อยกว่าการรอให้อุตสาหกรรมชนคอขวด แล้วจึงเร่งเครื่องไล่ตามด้วยความเร็วเต็มที่ ซึ่งอาจเป็นแผนการเล่นที่แท้จริงของกูเกิลก็เป็นได้
เนื้อหานี้ได้รับการแปลโดยปัญญาประดิษฐ์ (AI) และผ่านตรวจสอบโดยมนุษย์ มีไว้เพื่อการอ้างอิงและข้อมูลทั่วไปเท่านั้น ไม่ใช่การแนะนำการลงทุนแต่อย่างใด
บทความแนะนำ
ความคิดเห็น (0)
คลิกปุ่ม $ ป้อนสัญลักษณ์ และเลือกเพื่อเชื่อมโยงหุ้น, กองทุน ETF หรือสัญลักษณ์หลักทรัพย์อื่น ๆ