นักวิจัย Nathan Lambert แถลงต่อสภาคองเกรสเผยโมเดลโอเพนเวตของจีนมียอดดาวน์โหลดและทราฟฟิกแซงหน้าชาติตะวันตกสองเท่า

คำแถลงต่อสภาคองเกรส: จุดเปลี่ยนดุลอำนาจปัญญาประดิษฐ์แบบเปิด

เมื่อวันที่ 21 กันยายน 2026 Nathan Lambert นักวิจัยปัญญาประดิษฐ์จาก Interconnects.ai และ Allen Institute for AI ได้ส่งและนำเสนอเอกสารคำแถลงอย่างเป็นทางการต่อสภาคองเกรสแห่งสหรัฐอเมริกา เพื่อรายงานสถานการณ์ดุลอำนาจในการแข่งขันระดับโลกด้านปัญญาประดิษฐ์แบบโอเพนเวต (Open-weight AI)

รายงานของ Lambert ระบุข้อเท็จจริงเชิงประจักษ์ที่ชี้ว่า โมเดลโอเพนเวตที่พัฒนาขึ้นในประเทศจีนกำลังครองความเป็นผู้นำในระดับสากล ทั้งในแง่ของปริมาณการใช้งานจริง การผสานรวมเข้าสู่ซอฟต์แวร์ของนักพัฒนา และประสิทธิภาพเทียบเคียงกับโมเดลแบบปิดระดับแถวหน้า ซึ่งสะท้อนว่าการแข่งขันไม่ได้จำกัดอยู่เพียงแค่ห้องทดลองขนาดใหญ่ของสหรัฐฯ อีกต่อไป

ข้อมูลเชิงสถิติ: ดาวน์โหลด 3.2 พันล้านครั้ง และการครองทราฟฟิก 80%

ข้อมูลตัวเลขที่นำเสนอต่อฝ่ายนิติบัญญัติระบุว่า โมเดลโอเพนเวตจากประเทศจีนมียอดดาวน์โหลดสะสมบนศูนย์กลางการเผยแพร่โมเดล Hugging Face สูงถึง 3.2 พันล้านครั้ง ซึ่งคิดเป็นสองเท่าของยอดดาวน์โหลดโมเดลโอเพนเวตของสหรัฐอเมริกาที่ทำได้ 1.6 พันล้านครั้ง

นอกจากนี้ บนแพลตฟอร์มเราต์ทราฟฟิกปัญญาประดิษฐ์ OpenRouter การบริโภคโทเคนต่อสัปดาห์ได้พุ่งสูงขึ้นอย่างก้าวกระโดดจากประมาณ 1 ล้านล้านโทเคน ไปแตะระดับ 80 ล้านล้านโทเคนเมื่อเทียบกับปีก่อนหน้า โดยในส่วนของสถาปัตยกรรมโมเดลแบบเปิด สถาปัตยกรรมจากประเทศจีน เช่น Qwen, GLM และ Kimi สามารถกวาดสัดส่วนการประมวลผลไปได้มากกว่า 80% ของปริมาณทราฟฟิกโทเคนโมเดลเปิดทั้งหมด

ในแวดวงวิชาการ ครอบครัวโมเดล Qwen จาก Alibaba ยังสามารถแซงหน้าสถาปัตยกรรม Llama ของ Meta ในสัดส่วนเอกสารวิจัยฉบับร่างบนคลังข้อมูล arXiv โดยถูกอ้างอิงถึงประมาณ 30% ของเอกสารวิชาการด้านการเรียนรู้ของเครื่อง (Machine Learning) ที่เกี่ยวข้อง

ระยะห่างขีดความสามารถ: เปรียบเทียบดัชนีชี้วัดระดับสากล

การวิเคราะห์ระยะห่างของขีดความสามารถ (Capability Gap) ระบุว่า โมเดลเปิดของจีนตามหลังโมเดลเชิงพาณิชย์แบบปิดระดับแนวหน้าของสหรัฐฯ เพียง 2 ถึง 5 เดือนเท่านั้น ในทางกลับกัน โมเดลโอเพนเวตที่พัฒนาโดยบริษัทในสหรัฐฯ กลับตามหลังโมเดลปิดระดับแนวหน้าของตนเองอยู่ถึง 6 ถึง 9 เดือน

เมื่อตรวจสอบผลการทดสอบบนดัชนี Artificial Analysis Intelligence Index (AAII) ณ ช่วงกลางเดือนกันยายน 2026 โมเดลเปิดจากจีนครองตำแหน่งระดับสูงอย่างต่อเนื่อง โดย GLM-5.3 ทำคะแนนได้ 45 คะแนน, Kimi K3 ได้ 44 คะแนน และ GLM-5.3-Flash ได้ 42 คะแนน ขณะที่โมเดลเปิดชั้นนำของสหรัฐฯ เช่น Thinking Machines' Inkling ได้คะแนน 26 และ Nvidia's Nemotron 3 Ultra ได้ 23 คะแนน ซึ่งตามหลังโมเดลเปิดของจีนมากกว่า 15 โมเดล

อย่างไรก็ตาม Lambert ได้ตั้งข้อสังเกตว่า แม้โมเดลเปิดของจีนจะมีความโดดเด่นในด้านการเขียนโค้ดเชิงเอเจนต์ (Agentic Coding) และการทดสอบตามเกณฑ์มาตรฐาน แต่ระบบปิดระดับแนวหน้าของสหรัฐฯ ยังคงรักษาความได้เปรียบในงานวิทยาศาสตร์ขั้นสูงแบบปลายเปิด เช่น ฟิสิกส์ขั้นสูง และอณูชีววิทยา

เสียงสะท้อนจากนักพัฒนา: เหตุผลที่นักวิศวกรรมเลือกโมเดลเปิดจากจีน

ในชุมชนนักพัฒนาและวิศวกรซอฟต์แวร์ กระแสตอบรับต่อข้อมูลตัวเลขดังกล่าวเป็นไปในทิศทางยอมรับความจริง โดยผู้ปฏิบัติงานระบุว่าห้องปฏิบัติการขนาดใหญ่ของชาติตะวันตกมุ่งเน้นไปที่โมเดลแบบปิดขนาดมหึมาที่ใช้ทรัพยากรประมวลผลสูง ส่งผลให้ผู้พัฒนาในจีนสามารถตอบโจทย์ความต้องการใช้งานจริงผ่านโมเดลขนาดเล็กที่มีประสิทธิภาพสูงและปล่อยน้ำหนักโมเดลให้ปรับแต่งได้อย่างอิสระ

วิศวกรปัญญาประดิษฐ์หลายรายเน้นย้ำถึงข้อได้เปรียบเชิงปฏิบัติว่า โมเดลเปิดเช่นตระกูล Qwen และ GLM มีต้นทุนค่าบริการผ่าน API ต่ำมาก สามารถนำไปปรับแต่งเฉพาะทาง (Fine-tuning) บนฮาร์ดแวร์ในองค์กรได้อย่างรวดเร็ว และมีข้อจำกัดด้านความปลอดภัยที่ไม่รัดกุมจนเกินไป ทำให้การนำไปใช้ในงานแก้ไขข้อบกพร่องของโค้ด (Debugging) หรืองานวิศวกรรมย้อนกลับทำได้อย่างราบรื่น

อย่างไรก็ตาม นักวิเคราะห์บางกลุ่มชี้ว่า ข้อโต้แย้งที่ระบุว่าชาติตะวันตกไม่สามารถไล่ตามช่องว่างนี้ได้หากปราศจากการอุดหนุนมหาศาลจากรัฐบาล ยังคงเป็นเพียงข้อเสนอแนะเชิงนโยบายที่ต้องมีการพิจารณาเพิ่มเติม ไม่ใช่ข้อสรุปที่พิสูจน์แล้วในทางปฏิบัติ

นัยสำคัญต่อภาคธุรกิจและองค์กรในประเทศไทย

สำหรับผู้นำด้านเทคโนโลยีและผู้บริหารฝ่ายข้อมูลในประเทศไทย ตัวเลขการครอบครองส่วนแบ่งตลาดของโมเดลโอเพนเวตจากจีนชี้ให้เห็นแนวทางปฏิบัติที่ชัดเจน 3 ประการ ประการแรกคือ ความจำเป็นในการออกแบบโครงสร้างพื้นฐานให้มีความเป็นกลาง (Model-agnostic) ที่สามารถสลับการประมวลผลระหว่าง API ภายนอกกับการโฮสต์โมเดลโอเพนเวตภายในศูนย์ข้อมูลของตนเอง (On-premises) เพื่อรองรับกฎระเบียบด้านการคุ้มครองข้อมูลส่วนบุคคล (PDPA)

ประการที่สอง ความคุ้มค่าทางเศรษฐศาสตร์ของโมเดลเช่น Qwen ทำให้การพัฒนาระบบอัตโนมัติภายในองค์กร (Internal Agentic Workflows) มีต้นทุนโทเคนลดลงอย่างมีนัยสำคัญ ส่งผลให้ธุรกิจสามารถประเมินผลตอบแทนจากการลงทุน (ROI) ในโครงการเอไอได้ชัดเจนยิ่งขึ้น

อย่างไรก็ดี องค์กรในไทยต้องรักษาสมดุลความเสี่ยงทางภูมิรัฐศาสตร์ ด้วยการไม่พึ่งพาโมเดลหรือระบบนิเวศของประเทศใดประเทศหนึ่งเพียงฝ่ายเดียว การสร้างกลไกตรวจสอบความถูกต้องของข้อมูล (Auditability) และการทดสอบระบบก่อนนำไปใช้ในระดับปฏิบัติการจริงจึงยังคงเป็นหัวใจสำคัญสูงสุด