การพัฒนาอย่างรวดเร็วของเทคโนโลยี AI ในประเทศจีนได้นำมาซึ่งความตื่นเต้นและความไม่แน่นอนสำหรับสตาร์ทอัพหลายแห่ง เมื่อครั้งหนึ่งเต็มไปด้วยเป้าหมายที่ทะเยอทะยาน ปัจจุบันบางบริษัทกำลังปรับเทียบกลยุทธ์ของตนใหม่ โดยเผชิญกับความเป็นจริงอันโหดร้ายของตลาดที่มีการแข่งขันสูงและใช้ทรัพยากรจำนวนมาก
จากวิสัยทัศน์อันยิ่งใหญ่สู่การหมุนเชิงกลยุทธ์
จดหมายภายในฉบับล่าสุดจาก CEO ของหนึ่งใน ‘AI Little Tigers’ ของจีน Baichuan Intelligent ได้ทำเครื่องหมายครบรอบสองปีของบริษัทและเน้นย้ำถึงการเปลี่ยนแปลงเชิงกลยุทธ์ การมุ่งเน้นจะแคบลง โดยให้ความสำคัญกับการใช้งานทางการแพทย์ สิ่งนี้ตรงกันข้ามอย่างสิ้นเชิงกับภารกิจเริ่มต้นในการสร้างแบบจำลองพื้นฐานที่ก้าวล้ำคล้ายกับ OpenAI พร้อมด้วยแอปพลิเคชันที่เป็นนวัตกรรมใหม่
ในทำนองเดียวกัน Li Kaifu ผู้ก่อตั้ง ‘Little Tiger’ อีกราย 01.AI ประกาศในเดือนมกราคมว่าบริษัทของเขาจะใช้แนวทาง ‘เล็กแต่สวยงาม’ นี่เป็นการออกเดินทางที่น่าสังเกตจากวิสัยทัศน์อันยิ่งใหญ่ในการสร้างแพลตฟอร์ม AI 2.0 เพื่อเร่งการมาถึงของ AGI
การล่าถอยเชิงกลยุทธ์เหล่านี้ได้กระตุ้นให้เกิดการคาดเดา โดยผู้สังเกตการณ์บางคนแนะนำว่า ‘Little Tigers’ เหล่านี้กำลังกลายเป็นเหมือน ‘แมวป่วย’ ในสภาพแวดล้อมที่มีการเปลี่ยนแปลงอยู่ตลอดเวลา บริษัทเหล่านี้จะรักษาอนาคตของตนได้อย่างไร
เพื่อตอบคำถามนี้ ทีมบรรณาธิการของ Zhiwei ได้แสวงหาข้อมูลเชิงลึกจากผู้เชี่ยวชาญต่างๆ รวมถึงผู้เชี่ยวชาญด้านเทคโนโลยีแบบจำลองขนาดใหญ่ ผู้เชี่ยวชาญด้าน AI ในด้านการเงินและการดูแลสุขภาพ และผู้เชี่ยวชาญด้านเทคโนโลยี AI จากบริษัทชั้นนำ
ปรากฏการณ์ DeepSeek และกลยุทธ์ที่เปลี่ยนไป
ภูมิทัศน์ AI เปลี่ยนแปลงไปอย่างมากหลังจากความนิยมอย่างล้นหลามของ DeepSeek ซึ่งเป็นแบบจำลองที่สั่นคลอนตลาด เช่นเดียวกับนักรบที่น่าเกรงขาม DeepSeek ได้ขัดขวางภูมิทัศน์ บังคับให้บริษัท AI หลายแห่งประเมินตำแหน่งของตนใหม่และแสวงหาเส้นทางที่แตกต่างกัน
อย่างไรก็ตาม การเปลี่ยนแปลงนี้เริ่มต้นเร็วกว่าที่หลายคนตระหนัก ตามที่ Wang Wenguang ผู้เชี่ยวชาญด้านเทคโนโลยีแบบจำลองขนาดใหญ่กล่าวว่า บริษัท AI ของจีนบางแห่งเริ่มละทิ้งการแสวงหาการฝึกอบรมแบบจำลองขนาดใหญ่ก่อนที่จะมีการเปิดตัว DeepSeek V3 และ R1 ค่าใช้จ่ายสูงเกินไป และบริษัทเหล่านี้รู้สึกว่าไม่สามารถแข่งขันกับทางเลือกที่เปิดเผยและโอเพนซอร์ส เช่น DeepSeek V2.5 และ Alibaba’s Qwen 70B
Liang He ผู้เชี่ยวชาญจากบริษัทบริการเทคโนโลยี AI กล่าวเสริมว่าในขณะที่ ‘Little Tigers’ ส่วนใหญ่ยังคงฝึกอบรมแบบจำลองขนาดใหญ่อยู่ในช่วงกลางปี 2024 การลงทุนของพวกเขาลดลงอย่างมาก ภายในเดือนมกราคม 2025 เมื่อมีการเปิดตัว DeepSeek R1 บริษัทขนาดเล็กหลายแห่งตระหนักว่าไม่สามารถตามทันได้
การเปลี่ยนแปลงอย่างกะทันหันนี้ทำให้เกิดการเปลี่ยนแปลงครั้งใหญ่ในทิศทางสำหรับ ‘Little Tigers’ โดยย้ายจากการพัฒนา AGI ไปสู่แนวทางที่เชี่ยวชาญมากขึ้น
Baichuan และ 01.AI ได้ละทิ้งการฝึกอบรมล่วงหน้าแบบจำลองขนาดใหญ่ โดยมุ่งเน้นไปที่ AI ทางการแพทย์และการใช้งานในอุตสาหกรรมตามลำดับ MiniMax กำลังลดการดำเนินงาน B2B และมุ่งเน้นไปที่ตลาดต่างประเทศด้วยการสร้างวิดีโอ C-end และแอปพลิเคชันอื่นๆ Zhipu, Moonshot AI และ StepUp ยังคงใช้งานอยู่ในชุมชนโอเพนซอร์ส แต่ไม่ได้ผลิตแบบจำลองใหม่ใดๆ ที่มีประสิทธิภาพเหนือกว่า DeepSeek R1 Zhipu ได้รับเงินทุนจำนวนมากและความร่วมมือระหว่างรัฐบาลและองค์กร เพื่อให้มั่นใจว่าอยู่รอด Moonshot AI ซึ่งเป็นผลิตภัณฑ์หลักของ Kimi ได้เห็นตำแหน่งของตนถูกคุกคามโดย Yuanbao ทำให้ตำแหน่งของตนอึดอัดมากขึ้น
โดยรวมแล้ว ‘Little Tigers’ กำลังบรรจบกันมากขึ้นเรื่อยๆ กับตลาด B2B SaaS ซึ่งบางคนมองว่า ‘ไม่น่าสนใจ’
เสน่ห์และข้อจำกัดของตลาด B2B
01.AI เพิ่งประกาศความตั้งใจที่จะรวม DeepSeek อย่างเต็มที่เพื่อสร้างแพลตฟอร์มแบบจำลองขนาดใหญ่สำหรับองค์กรแบบครบวงจรสำหรับอุตสาหกรรมต่างๆ อย่างไรก็ตาม การเคลื่อนไหวนี้ได้รับการตอบรับด้วยความสงสัย
Jiang Shao ผู้เชี่ยวชาญด้าน AI ทางการเงินเชื่อว่าอนาคตของ 01.AI นั้นไม่แน่นอนเนื่องจากการมุ่งเน้นที่กว้างขวาง การขาดความสามารถในการแข่งขันทางเทคโนโลยีหลังจากการเกิดขึ้นของ DeepSeek และความสามารถในการสร้างรายได้ที่จำกัด
Wang Wenguang สะท้อนความรู้สึกนี้ โดยสังเกตว่าอุปสรรคทางเทคนิคในการเข้าสู่แพลตฟอร์มแบบจำลองขนาดใหญ่แบบครบวงจรนั้นค่อนข้างต่ำ
Wang แบ่งปันประสบการณ์ของเขาในการพัฒนาแพลตฟอร์มดังกล่าวอย่างอิสระในเวลาประมาณหกเดือน โดยขายผ่านช่องทางส่วนตัว เขาแย้งว่าในขณะที่การทำกำไรจากผลิตภัณฑ์นี้ในฐานะบริษัทเป็นเรื่องยาก แต่ก็สามารถทำกำไรได้ในฐานะกิจการเดี่ยว
Wang ร่วมมือกับบริษัท B2B หลายแห่งที่เสนอบริการแบบจำลองขนาดใหญ่ แต่ขาดแพลตฟอร์มทางเทคนิค เขาให้บริการแพลตฟอร์มของเขาในราคาต่ำ ประมาณ 40,000 ถึง 50,000 หยวนต่อใบอนุญาต ซึ่งต่ำกว่าบริษัทขนาดใหญ่กว่าอย่างมาก
แพลตฟอร์มของเขา KAF (Knowledge-based Agent Factory) ใช้กราฟความรู้ ฐานข้อมูลเวกเตอร์ และเครื่องมือค้นหาเพื่อส่งมอบแบบจำลองขนาดใหญ่และแอปพลิเคชัน Agent ช่วยให้ผู้ใช้สร้างผู้ช่วยความรู้หรือ Agent ที่กำหนดเองได้โดยไม่ต้องเขียนโค้ดผ่านการจัดการพรอมต์และแบบจำลอง Wang สังเกตเห็นการแพร่หลายของแพลตฟอร์มที่คล้ายกันในตลาด ทำให้ง่ายต่อการจำลองแบบ
ตามที่ Wang กล่าว บริษัทที่ต้องการพัฒนาแอปพลิเคชันแบบจำลองขนาดใหญ่ B2B สามารถสร้างผลิตภัณฑ์ได้อย่างรวดเร็วโดยการจ้างทีมงานขนาดเล็กที่มีทักษะหรือร่วมมือกับบริษัท AI ภายนอก แนวทางนี้ถูกกว่าการฝึกอบรมแบบจำลองขนาดใหญ่อย่างมาก
นอกเหนือจากแบบจำลองแพลตฟอร์มแล้ว โซลูชันแบบบูรณาการยังให้ฮาร์ดแวร์ ซอฟต์แวร์ และสภาพแวดล้อมการดำเนินการ โดยนำเสนอฟังก์ชันการทำงานแบบสำเร็จรูป Zhang Sensen หัวหน้ากลุ่มแพลตฟอร์มเทคโนโลยีที่ Ping An Insurance เชื่อว่าโซลูชันแบบบูรณาการมีตลาดที่ใช้งานได้ โดยเฉพาะอย่างยิ่งในสถาบันของรัฐบาลและสถาบันการศึกษาที่มีความสามารถในการปรับใช้ทางเทคนิคที่จำกัด โซลูชันเหล่านี้ให้ความสำคัญกับความง่ายในการใช้งานและเอกราชทางเทคนิค โดยนำเสนอประโยชน์เช่นความปลอดภัยของข้อมูล การปฏิบัติตามข้อกำหนดด้านความเป็นส่วนตัว และการเพิ่มประสิทธิภาพฮาร์ดแวร์-ซอฟต์แวร์ นอกจากนี้ยังสามารถใช้ชิปที่ผลิตในประเทศ โดยหลีกเลี่ยงข้อจำกัดและปรับปรุงประสิทธิภาพ บริษัทที่อ่อนไหวต่อต้นทุนและมุ่งเน้น ROI อาจพบว่าโซลูชันแบบบูรณาการน่าสนใจเนื่องจากวงจรชีวิตที่ยาวนานกว่า
ตลาด SaaS ในประเทศมีประวัติเผชิญกับความท้าทายต่างๆ เช่น ข้อกำหนดด้านการปรับแต่งที่สูง ผลิตภัณฑ์ทั่วไปและเป็นเนื้อเดียวกัน การแข่งขันที่รุนแรง กลยุทธ์การกำหนดราคาที่ต่ำ และการมุ่งเน้นไปที่การสร้างรายได้ในระยะสั้น ลูกค้าในตลาดนี้มักจะมีระดับการแปลงเป็นดิจิทัลต่ำและความเต็มใจที่จะจ่ายที่จำกัด
ในทางตรงกันข้าม ตลาด SaaS ระหว่างประเทศให้ความสำคัญกับความเชี่ยวชาญ โดยบริษัทต่างๆ มุ่งเน้นไปที่พื้นที่เฉพาะและให้บริการเชิงลึกแก่ลูกค้ารายใหญ่และขนาดกลางที่มีความเต็มใจที่จะจ่ายมากขึ้น
ช่องแบบจำลองขนาดใหญ่สะท้อนให้เห็นถึงแนวโน้มเหล่านี้ เหตุการณ์ล่าสุดในตลาด SaaS ระหว่างประเทศแสดงให้เห็นสิ่งนี้:
- ในเดือนกุมภาพันธ์ 2025 MongoDB ได้เข้าซื้อกิจการ Voyage AI ซึ่งเป็นสตาร์ทอัพ AI อายุ 17 เดือนที่มุ่งเน้นไปที่การฝังและจัดอันดับแบบจำลองใหม่ ในราคา 220 ล้านดอลลาร์
- ในปี 2024 Amazon ได้ประกาศข้อตกลงอนุญาตให้ใช้สิทธิ์เทคโนโลยีกับ Adept ซึ่งเป็นสตาร์ทอัพ AI Agent อายุสองปี โดยสมาชิก Adept บางรายเข้าร่วมทีม AGI ของ Amazon
สตาร์ทอัพเหล่านี้ประสบความสำเร็จโดยมุ่งเน้นไปที่เฉพาะกลุ่มเฉพาะภายในเทคโนโลยีแบบจำลองขนาดใหญ่ ตัวอย่างดังกล่าวหายากในประเทศจีน องค์กรขนาดเล็กและขนาดกลางหลายแห่งต้องป้องกันตัวเองจากการที่บริษัทขนาดใหญ่เข้ามาในพื้นที่ของตนอย่างต่อเนื่อง
Wang Wenguang โดยดึงมาจากประสบการณ์ที่กว้างขวางของเขาในตลาด B2B ได้อธิบายถึงความเป็นจริงอันโหดร้ายของตลาดนี้ เขาตั้งข้อสังเกตว่าในขณะที่มีตลาดขนาดใหญ่สำหรับแพลตฟอร์มแบบครบวงจร แต่ก็มีการกระจายตัว บริษัทขนาดเล็กที่มีต้นทุนการดำเนินงานต่ำกว่าสามารถเสนอราคาที่แข่งขันได้ โดยตัดราคาบริษัทขนาดใหญ่กว่า สิ่งนี้จะลดราคาของบริการแอปพลิเคชัน แม้แต่บริษัทขนาดใหญ่ก็ยังเผชิญกับการแข่งขันจากสตาร์ทอัพและผู้รวมระบบแบบดั้งเดิม บริษัทขนาดใหญ่อาจมีแบบจำลองขนาดใหญ่ของตนเองและความได้เปรียบของแบรนด์ แต่ก็เผชิญกับกลยุทธ์ทางธุรกิจ B2B ที่คล้ายกัน
ดังที่ Wang กล่าวไว้ว่า ‘ฉันก็ใช้ DeepSeek เช่นกัน และบริษัทอื่นๆ อีกมากมายก็ใช้ DeepSeek ดังนั้นจึงไม่มีความแตกต่าง มีผู้จำหน่ายระบบคลาวด์จำนวนมากในประเทศจีน ดังนั้นจะมีคู่แข่งอย่างน้อยจำนวนมาก ตลาด B2B ในประเทศเป็นแบบนี้มาโดยตลอด เพื่อความอยู่รอด คุณต้องมีสายสัมพันธ์ที่แข็งแกร่ง บริการที่ดี หรือราคาที่ต่ำ’
Liang He เสนอการประเมินโดยย่อเกี่ยวกับตัวเลือกปัจจุบันและโอกาสในอนาคตของ 01.AI:
- การตัดสินใจของ Li Kaifu ที่จะเปลี่ยนธุรกิจของ 01.AI ไปใช้แอปพลิเคชัน B2B อย่างเต็มที่และส่งเสริมแพลตฟอร์มแบบจำลองขนาดใหญ่สำหรับองค์กรแบบครบวงจรนั้นสมเหตุสมผลในเชิงพาณิชย์ แต่จะนำไปสู่การแข่งขันที่รุนแรง
- ความจำเป็นของ 01.AI ในการเสนอผลิตภัณฑ์แบบจำลองขนาดใหญ่ที่มีราคาต่ำกว่าบริษัทขนาดใหญ่กว่าเป็นผลมาจากการขาดข้อได้เปรียบที่เป็นเอกลักษณ์ในชั้นแอปพลิเคชัน
- การย้ายไป B2B ของ 01.AI เป็นสัญญาณของการสูญเสียจินตนาการและโครงการที่ ‘เซ็กซี่’ น้อยลง สิ่งนี้คล้ายกับชะตากรรมของบริษัทวิชันซิสเต็มคอมพิวเตอร์จำนวนมากจากคลื่น AI ก่อนหน้านี้ในปี 2017
- 01.AI อาจมีโอกาสหากสำรวจตลาดต่างประเทศ
เมื่อเทียบกับ 01.AI ความคิดเห็นเกี่ยวกับอนาคตของ Baichuan นั้นมองโลกในแง่ดีน้อยกว่า
อย่างไรก็ตาม การเข้าสู่แวดวงการแพทย์ของ Baichuan ขาดข้อได้เปรียบที่เป็นเอกลักษณ์ โดยเฉพาะอย่างยิ่งในด้านข้อมูล
Jiang Shao กล่าวว่าการเปลี่ยนไปทางการแพทย์ของ Baichuan เป็นเพียงวิธีที่จะอยู่รอด อย่างไรก็ตาม เมื่อเทียบกับ 01.AI อย่างน้อย Baichuan ก็พยายามเข้าสู่ตลาดเฉพาะกลุ่ม
Zhang Sensen กล่าวว่าเธอมีความหวังมากกว่าสำหรับบริษัทที่มีข้อมูลทางการแพทย์ในการพัฒนาแบบจำลองขนาดใหญ่ทางการแพทย์มากกว่าบริษัทเทคโนโลยี นี่ใช้ได้กับทุกบริษัทที่ต้องการสร้างแบบจำลองขนาดใหญ่เฉพาะอุตสาหกรรม ความท้าทายที่สำคัญในการสร้างแบบจำลองขนาดใหญ่ทางการแพทย์อยู่ที่ข้อมูล ไม่ใช่ตัวแบบเอง มีโรงพยาบาลที่ยอดเยี่ยมมากมายในประเทศจีนที่สามารถปรับแบบจำลองขนาดใหญ่โดยใช้ DeepSeek เพื่อใช้เองได้
ข้อมูลทางการแพทย์จะได้มาอย่างมีประสิทธิภาพได้อย่างไร Jiang Shao กล่าวว่าสตาร์ทอัพเทคโนโลยี AI ขาดข้อได้เปรียบในด้านข้อมูล ในการสร้างแบบจำลองขนาดใหญ่ทางการแพทย์ พวกเขาอาจต้องร่วมมือกับบริษัทที่ให้บริการด้านไอทีแก่โรงพยาบาลอยู่แล้ว
มีรายงานว่าหนึ่งใน ‘Little Tigers’ ได้ร่วมมือพิเศษกับฟอรัมแลกเปลี่ยนแพทย์ในประเทศขนาดใหญ่เพื่อฝึกอบรมแบบจำลองโดยใช้กรณีจำนวนมากที่สร้างขึ้นจากการแลกเปลี่ยนแพทย์
นอกเหนือจากมุมมองที่เป็นบวกมากขึ้นในตลาดเฉพาะกลุ่มแล้ว ผู้เชี่ยวชาญในอุตสาหกรรมยังมีความหวังสำหรับ Wang Xiaochuan ผู้ก่อตั้ง Baichuan
Liang He เชื่อว่า Wang Xiaochuan จะประสบความสำเร็จในการเชี่ยวชาญด้านการแพทย์หรือไม่นั้นขึ้นอยู่กับว่าเขาต้องการไล่ตามอุดมคติหรือทำเงินหรือไม่ เขาเชื่อว่า Wang มีแนวโน้มที่จะไล่ตามอุดมคติ สร้างผลการวิจัย AI ทางการแพทย์ที่ก้าวล้ำ
Wang Wenguang เน้นย้ำถึงลักษณะที่ล้าสมัยของตลาดนี้ เขาบอกว่าหากเป้าหมายคือการสร้างรายได้ในระยะสั้น สาขาการแพทย์ก็มีการแข่งขันสูงเช่นกัน เช่นเดียวกับตลาด B2B โดยรวม บริษัทหลายแห่งสามารถใช้กราฟความรู้ การค้นหาเวกเตอร์ และแบบจำลองขนาดใหญ่สำหรับแอปพลิเคชันทางการแพทย์ได้
จากการสนทนาของ Zhiwei กับผู้เชี่ยวชาญด้าน AI ทางการแพทย์ การวิจัยทางการแพทย์เองก็มีช่องว่างความรู้อย่างมาก และความรู้ใหม่ๆ ก็เติบโตอย่างรวดเร็ว ดังนั้นจึงมีศักยภาพอย่างมากในการใช้แบบจำลองขนาดใหญ่เพื่อดำเนินการวิจัยพื้นฐานทางการแพทย์ ตัวอย่างเช่น แบบจำลอง AlphaFold สำหรับการทำนายโครงสร้างโปรตีนถูกนำมาใช้โดยนักวิทยาศาสตร์กว่า 1.8 ล้านคนทั่วโลกเพื่อเร่งการวิจัย รวมถึงการพัฒนาวัสดุที่หมุนเวียนได้ทางชีวภาพและการพัฒนาการวิจัยทางพันธุกรรม ตามข้อมูลของ Meis Medical
นอกเหนือจากการไล่ตามอุดมคติหรือการทำเงิน สตาร์ทอัพ AI ทางการแพทย์ยังเผชิญกับคำถามว่าจะสร้างแบบจำลองขนาดใหญ่ทางการแพทย์ทั่วไปหรือไม่
Zhang Sensen กล่าวว่ายังไม่มีความก้าวหน้าในแบบจำลองขนาดใหญ่ทางการแพทย์ทั่วไปในตลาดในประเทศ โดยส่วนใหญ่เป็นเพราะการพึ่งพาอุปกรณ์ทางการแพทย์ที่มีประสิทธิภาพสำหรับการรวบรวมและการใช้งานข้อมูลขนาดใหญ่ สถานพยาบาลหลายแห่งในประเทศจีนยังไม่ได้รับการเผยแพร่อย่างกว้างขวาง ทำให้ AI ทำการวินิจฉัยได้อย่างแม่นยำได้ยาก อย่างไรก็ตาม โรงพยาบาลที่แข็งแกร่งบางแห่ง เช่น Mayo Clinic ได้เริ่มสำรวจการเปิดตัวแบบจำลองขนาดใหญ่ของตนเอง แม้ว่าจะเป็นเรื่องยากที่จะเห็นโอกาสในการทำกำไรในระยะสั้น แต่แบบจำลองขนาดใหญ่ประเภทนี้อาจมีผลกระทบอย่างมากต่ออุตสาหกรรมการแพทย์ในระยะยาว
อุตสาหกรรมการแพทย์ยังเผชิญกับความท้าทายในการวินิจฉัยอัตโนมัติอย่างสมบูรณ์ โดยเฉพาะอย่างยิ่งในตลาดในประเทศ ที่ซึ่งอุปกรณ์ไม่เพียงพอ และ AI ไม่สามารถแทนที่วิธีการวินิจฉัยแบบดั้งเดิมได้อย่างสมบูรณ์ การขาดอุปกรณ์ทางการแพทย์ที่แพร่หลาย โดยเฉพาะอย่างยิ่งในพื้นที่ห่างไกล ทำให้ยากต่อการครอบคลุมเทคโนโลยีทางการแพทย์อย่างเต็มที่ ดังนั้นการวินิจฉัยอัตโนมัติอย่างสมบูรณ์จึงยังคงเป็นความท้าทายที่สำคัญ
อุตสาหกรรมการแพทย์มีข้อกำหนดด้านใบอนุญาตและการปฏิบัติตามข้อกำหนดที่เข้มงวด และแบบจำลองขนาดใหญ่จะต้องแก้ไขปัญหาการปฏิบัติตามข้อกำหนดเมื่อเข้าสู่สาขาการแพทย์ บริการทางการแพทย์ C-end ในอนาคตอาจรวมเทคนิคของแพทย์และ AI เพื่อปรับปรุงประสิทธิภาพของการวินิจฉัยและการรักษา โดยเฉพาะอย่างยิ่งสำหรับคนรุ่นใหม่
สุดท้าย แม้จะไม่คำนึงถึงลักษณะเฉพาะของตลาด B2B ในประเทศ การแข่งขันในแอปพลิเคชันแบบจำลองขนาดใหญ่ทำให้การอยู่รอดในตลาด To B เป็นเรื่องท้าทาย Wang Wenguang กล่าวว่าในขณะที่แบบจำลองการออกแบบสำหรับผลิตภัณฑ์แบบจำลองขนาดใหญ่ To B ยังอยู่ระหว่างการสำรวจ แต่ในที่สุดก็จะมาบรรจบกัน นี่เป็นความจริงไม่เพียง แต่ในประเทศจีนเท่านั้น แต่ยังรวมถึงในบริษัทเทคโนโลยีใน Silicon Valley เช่น OpenAI, Anthropic และ Google ตราบใดที่ไม่มีความแตกต่างอย่างมีนัยสำคัญในประสิทธิภาพของแบบจำลองเอง มันเป็นไปไม่ได้ที่จะทำเงินในตลาดนี้ และในที่สุดทุกคนก็จะอยู่ในระดับเดียวกัน
นี่คือเหตุผลที่ DeepSeek R1 มีผลกระทบมากที่สุดไม่ใช่ในประเทศจีน แต่ในต่างประเทศ โดยเฉพาะอย่างยิ่งในบริษัทเทคโนโลยีใน Silicon Valley ตลาดหุ้นสหรัฐฯ เริ่มประสบกับความผันผวนสูงและจากนั้นก็ลดลงหลังจากมีการเปิดตัว R1 ตรรกะหลักนั้นง่าย: แบบจำลองขนาดใหญ่ของ Silicon Valley ถูกจีนจับได้ แม้ว่าจะไม่ได้เหนือกว่าพวกเขา แต่การไม่สามารถขยายช่องว่างได้ทำให้ไม่สามารถรองรับมูลค่าที่สูงเช่นนี้ได้ ซึ่งนำไปสู่การลดลงของราคาหุ้น
แน่นอนว่ามีอีกวิธีหนึ่งสำหรับตลาด To B ในการดึงดูดลูกค้า: โอเพนซอร์ส รูปแบบการทำกำไรหลักสำหรับโอเพนซอร์ส ได้แก่ การให้บริการฟังก์ชันระดับชำระเงิน การโฮสต์บนคลาวด์ และบริการเสริม เช่น การให้คำปรึกษาและการฝึกอบรมระดับองค์กรตามเทคโนโลยีโอเพนซอร์ส
ผลกระทบโดยตรงที่สุดของแบบจำลองขนาดใหญ่แบบโอเพนซอร์สคือการส่งเสริมความนิยมของเทคโนโลยี Zhang Sensen กล่าวว่าโอเพนซอร์สของ DeepSeek ได้เร่งการใช้แบบจำลองขนาดใหญ่ของบริษัทต่างๆ อย่างมาก ผู้บริหารระดับสูงให้การสนับสนุนการใช้แบบจำลองขนาดใหญ่อย่างมาก เนื่องจากแบบจำลองขนาดใหญ่ทำงานได้ดีในการใช้งานจริง โดยเฉพาะอย่างยิ่งในการลดการแทรกแซงจากมนุษย์และเพิ่มประสิทธิภาพ การสนับสนุนจะเพิ่มขึ้นอย่างต่อเนื่อง
อุตสาหกรรมการเงิน ซึ่งเป็นอุตสาหกรรมที่มีคุณภาพข้อมูลดีที่สุด มีการสะสมทางเทคนิคที่หลากหลายใน AI มาโดยตลอด และสามารถตามทันได้อย่างรวดเร็ว โดยไม่คำนึงถึง DeepSeek การเงินจะใช้เทคโนโลยี AI อย่างไรก็ตาม ด้วย DeepSeek AI จะไม่เพียงแต่เปิดใช้งานธุรกิจหลักของอุตสาหกรรมการเงินเท่านั้น แต่ยังใช้ในงานสำนักงานและการดำเนินงานประจำวันที่ยากที่จะทำก่อนหน้านี้
การดำเนินงานเคยมีค่าใช้จ่ายสูงมาก ตัวอย่างเช่น การวิเคราะห์สาเหตุที่แท้จริงก่อนหน้านี้ต้องมีการตรวจสอบการดำเนินงานแบบดั้งเดิมและ AIOps รวมถึงการฝึกอบรมแบบจำลองขนาดเล็ก ตอนนี้ DeepSeek สามารถใช้ร่วมกับฐานความรู้เพื่อสร้างแผนแอปพลิเคชันเพื่อจัดการการตรวจสอบ การเตือนภัย การวิเคราะห์แบบบริการตนเอง และการตรวจสอบย้อนกลับ การประมวลผลอัตโนมัติ และการปรับปรุงเสถียรภาพ ซึ่งมีความยืดหยุ่นมากกว่า AIOps
นอกจากนี้ ขอบเขตการครอบคลุมการดำเนินงานของ AI ยังกว้างขึ้น โดยมีการพิจารณามากขึ้นสำหรับการโต้ตอบและความคิดริเริ่ม ความคิดริเริ่มหมายถึงการอนุญาตให้ AI ดำเนินการอย่างแข็งขัน การเปลี่ยนจากการพึ่งพากฎเกณฑ์ มนุษย์ หรือแม้แต่ประสบการณ์ส่วนตัว ที่ซึ่งระดับประสบการณ์ของมนุษย์เป็นตัวกำหนดระดับความสามารถในการดำเนินงาน ตอนนี้สามารถใช้แบบจำลอง AI ที่เบาลงเพื่อบรรลุเป้าหมายนี้ได้โดยตรง
แม้ว่าอัตราการหลอกหลอนของ DeepSeek ยังคงสูง แม้จะไม่แตกต่างจากแบบจำลองที่คล้ายกันอื่นๆ อย่างมีนัยสำคัญ แต่ความสามารถในการให้เหตุผลและการใช้งานจริงสามารถชดเชยผลกระทบด้านลบของการหลอกหลอนได้ ปัญหานี้จะค่อยๆ ดีขึ้นผ่านการปรับละเอียดและการเพิ่มประสิทธิภาพโดยใช้ RAG และเทคโนโลยีที่เกี่ยวข้องอื่นๆ
Gao Peng ผู้เชี่ยวชาญด้านเทคโนโลยีแบบจำลองขนาดใหญ่ของ Alibaba เชื่อว่าผลกระทบของ DeepSeek แตกต่างกันสำหรับบริษัทขนาดใหญ่และขนาดเล็ก:
แบบจำลองขนาดใหญ่ที่ใช้ภายใน Alibaba นั้นล้ำหน้าที่สุดในอุตสาหกรรมมาโดยตลอด ดังนั้นการเกิดขึ้นของ DeepSeek จึงไม่มีผลกระทบอย่างมีนัยสำคัญ Alibaba ใช้ DeepSeek สำหรับการประเมินประสิทธิภาพและการเปรียบเทียบ โดยให้แรงบันดาลใจทางเทคนิคมากกว่า การนำ DeepSeek ไปใช้ในการให้เหตุผลค่อนข้างเร็ว และรายละเอียดทางเทคนิคเป็นเรื่องธรรมดามากกว่า DeepSeek ยังได้รับอิทธิพลจาก Qianwen
ในทางตรงกันข้าม DeepSeek มีผลกระทบมากขึ้นต่อบริษัทขนาดเล็กและขนาดกลาง เนื่องจากก่อนหน้านี้ไม่มีแบบจำลองใดที่สามารถบรรลุผลของ DeepSeek ได้ในขณะที่ให้การปรับใช้ส่วนตัวในราคาต่ำ หลังจากมีการเปิดตัว DeepSeek บริษัทหลายแห่งที่ขายเครื่องรวม DeepSeek ก็เกิดขึ้น อย่างไรก็ตาม DeepSeek ไม่ใช่เครื่องรวมแบบจำลองโอเพนซอร์สที่ถูกที่สุดเมื่อเทียบกับเครื่องรวมแบบจำลองโอเพนซอร์สอื่นๆ โดยขึ้นอยู่กับมาตรฐานเฉพาะ
ไม่ว่าในกรณีใด แบบจำลองขนาดใหญ่แบบโอเพนซอร์สในประเทศกำลังเฟื่องฟูและสามารถแข่งขันได้ทั่วโลก อย่างไรก็ตาม จากการใช้แบบจำลองขนาดใหญ่ของ Ping An Insurance Zhang Sensen เชื่อว่าแบบจำลองขนาดใหญ่แบบโอเพนซอร์สยังมีข้อจำกัดที่ไม่สามารถเอาชนะได้:
สำหรับเรา DeepSeek ส่วนใหญ่มีความได้เปรียบด้านต้นทุนอย่างมาก ในแง่ของความสามารถ อาจจะดีกว่าแบบจำลองอื่นๆ ในสถานการณ์การดำเนินงานในแง่ของการให้เหตุผล ความสามารถในการสรุป และความเข้าใจตามบริบท อย่างไรก็ตาม DeepSeek ทำงานได้ไม่ดีในสถานการณ์ที่ซับซ้อนกว่า เช่น การควบคุมความเสี่ยงทางการเงิน นี่เป็นเพราะต้องมีการปรับแต่งอย่างละเอียดหรือแม้แต่การเพิ่มประสิทธิภาพร่วมกับแบบจำลองอื่นๆ ดังนั้นจึงจำเป็นต้องมีการปรับแต่งตามเป้าหมายตามสถานการณ์การใช้งานเฉพาะเพื่อปรับปรุงประสิทธิภาพของแบบจำลองให้ดียิ่งขึ้น
แบบจำลองขนาดใหญ่ที่พัฒนาขึ้นเองของ Ping An แบ่งออกเป็นสองชั้น: แบบจำลองขนาดใหญ่พื้นฐานที่อยู่เบื้องหลังและแบบจำลองโดเมนที่รับผิดชอบด้านการธนาคาร ประกันภัย และธุรกิจอื่นๆ แบบจำลองขนาดใหญ่ที่ใช้ภายในมีประสิทธิภาพดีกว่า DeepSeek ในด้านความรู้ระดับมืออาชีพ โดยเฉพาะอย่างยิ่งในสาขาเฉพาะ เช่น การเงินและการแพทย์ ที่ซึ่งแบบจำลองมีความแม่นยำมากกว่า อย่างไรก็ตาม DeepSeek ยังคงมีความได้เปรียบอย่างมากในด้านความสามารถในการให้เหตุผล ในบางสถานการณ์ เราต้องการใช้ DeepSeek เพื่อลองขนาดเล็กเพื่อดูว่าจะสามารถดำเนินการได้หรือไม่
ไม่มีความแตกต่างอย่างมีนัยสำคัญระหว่าง Alibaba Qianwen, Baidu Wenxin และ Zhipu ChatGLM กับ DeepSeek ในแง่นี้ การตัดสินนั้นขึ้นอยู่กับข้อเท็จจริงที่ว่าแบบจำลองเหล่านี้ไม่มีความแตกต่างอย่างมีนัยสำคัญจาก DeepSeek ในความสามารถในการให้เหตุผลและโครงสร้างฐานความรู้
โดยรวมแล้ว ผลกระทบของแบบจำลองขนาดใหญ่แบบโอเพนซอร์สในปัจจุบันมีจำกัด และจังหวะการแข่งขันระหว่างกันนั้นรุนแรง
ภัยพิบัติของตลาด To C
ในขณะที่การแข่งขันในตลาด To B รุนแรง นี่ไม่ได้หมายความว่าเส้นทาง To C จะมีหวังมากกว่า
การแข่งขันในตลาด To C สำหรับแบบจำลองขนาดใหญ่ก็รุนแรงมากเช่นกัน แต่แตกต่างจากตลาด To B มาก
ภูมิทัศน์ของตลาดมีการเปลี่ยนแปลงอยู่ตลอดเวลา
การสร้างรายได้ของ To C เป็นเรื่องยาก
แอปพลิเคชันที่ได้รับความนิยมสูงสุดไม่จำเป็นต้องสร้างรายได้มากที่สุด ตัวอย่างเช่น ChatGPT มีรายได้สูงสุด แต่ OpenAI ยังคงขาดทุน 5 พันล้านดอลลาร์ต่อปี ในขณะที่แอปพลิเคชัน ‘เลียนแบบ’ ของ ChatGPT จำนวนมากมีแนวโน้มที่จะทำกำไรได้อย่างรวดเร็ว หลังจาก DeepSeek ได้รับความนิยม ผู้เลียนแบบและผู้ปลอมแปลงก็เข้ามาอย่างท่วมท้น
การสังเกตสถานการณ์ของ ‘Little Tigers’ จากตลาด C-end ก็ไม่เป็นที่พอใจเช่นกัน การสื่อสารของ Zhiwei กับผู้เชี่ยวชาญในอุตสาหกรรมโดยทั่วไปเชื่อว่าผู้ผลิตรายใหญ่จะนำมาซึ่งแรงกดดันในการอยู่รอดอย่างมาก
Jiang Shao กล่าวว่าผลงานที่ดีที่สุดของ ‘Little Tigers’ ในตลาดผู้บริโภคคือ Kimi ของ Moonshot AI แต่ตอนนี้ Yuanbao ของ Tencent อยู่ในอันดับที่หนึ่ง DeepSeek อยู่ในอันดับที่สอง และ Doubao อยู่ในอันดับที่สาม บริษัทสามอันดับแรกเกือบจะครอบครองส่วนแบ่งตลาดส่วนใหญ่ Yuanbao ของ Tencent ได้รับปริมาณการเข้าชมลูกค้าจำนวนมากด้วยความช่วยเหลือจากระบบนิเวศ WeChat ในขณะที่ DeepSeek โดดเด่นด้วยนวัตกรรมทางเทคโนโลยีและประสิทธิภาพที่ยอดเยี่ยมในหลายสถานการณ์
Liang He กล่าวว่าเทคโนโลยีแบบจำลองขนาดใหญ่ของ Kimi ไม่แตกต่างจากคู่แข่งมากนัก ดังนั้นจึงทำได้เพียงฟรี ซึ่งทำให้ Moonshot สามารถสร้างรายได้ได้ยากมาก ในฐานะแอปพลิเคชัน To C ยังไม่ชัดเจนว่าแตกต่างจาก Yuanbao และ Doubao อย่างไร นอกจากนี้ Doubao สามารถได้รับการสนับสนุนจากธุรกิจอื่นๆ ของ Byte และ Yuanbao สามารถได้รับการสนับสนุนจากธุรกิจอื่นๆ ของ Tencent พวกเขาสามารถลงทุน 1 แสนล้านเพื่อสนับสนุนแอปพลิเคชันเหล่านี้ได้
Jiang Shao กล่าวเสริมว่าผู้ใช้ C-end สนใจความง่ายในการใช้งานของผลิตภัณฑ์มากกว่า ซึ่ง Tencent และ Byte ทำได้ดีกว่า แน่นอนว่า Alibaba ก็มีโอกาสเช่นกัน Alibaba กำลังบ่มเพาะแอปพลิเคชันที่เรียกว่า ‘AI Listening’ ซึ่งใช้ AI สำหรับการแชทและโต้ตอบ โดยมีเป้าหมายที่จะแทนที่ Douyin ในแพลตฟอร์มวิดีโอสั้น แม้ว่า Douyin จะดึงดูดผู้สร้างจำนวนมากให้สร้างเนื้อหาคุณภาพสูง แต่แอปพลิเคชันแชท AI มีศักยภาพในการดึงดูดกลุ่มผู้ใช้โดยการมอบประสบการณ์ที่เป็นส่วนตัวและโต้ตอบได้มากขึ้น ความแตกต่างระหว่างทั้งสองอยู่ที่การสร้างเนื้อหาและการโต้ตอบ หาก Alibaba สามารถทำลายสิ่งนี้ได้ ก็มีโอกาสที่จะพลิกสถานการณ์ได้เช่นกัน แต่เป็นเรื่องยากที่จะบอกว่า Tencent จะทำตามหรือไม่
เกี่ยวกับ MiniMax ความคิดเห็นของอุตสาหกรรมแตกต่างกันเล็กน้อย
Liang He เชื่อว่า Conch AI ของ MiniMax กำลังสร้างรายได้ที่ดีในปัจจุบัน มันได้ค้นพบเส้นทางของตัวเองแล้ว แต่ยังไม่ทราบว่าเส้นทางนี้จะช่วยให้ MiniMax เพิ่มมูลค่าได้มากพอหรือไม่ เนื่องจากมีเป้าหมายที่แอปพลิเคชัน MiniMax จึงผ่อนคลายมากขึ้นหลังจาก DeepSeek ออกมา หากพวกเขาใช้แบบจำลองของ DeepSeek จะช่วยประหยัดค่าใช้จ่ายในการวิจัยและพัฒนาแบบจำลอง และแอปพลิเคชันของพวกเขายังคงทำเงินได้มากขึ้น
Jiang Shao เชื่อว่า MiniMax มีโอกาสหากสามารถสร้างแอปยอดนิยมในภายหลังได้ แต่อาลีบาบาอาจเกินกว่านั้นและสร้างแอปยอดนิยมก่อน ดังนั้นแม้ว่า MiniMax จะมีโอกาส ความน่าจะเป็นก็ไม่สูง
ท้ายที่สุด ความแตกต่างของผลิตภัณฑ์ยังคงเป็นจุดเปลี่ยนสำหรับแอปพลิเคชัน C-end
ตามรายงานล่าสุดของ a16z ‘Top 100 Gen AI Consumer Apps’ แอปพลิเคชันที่มีการใช้งานต่ำจำนวนมากสร้างรายได้ได้ดีกว่า ผลิตภัณฑ์บางอย่างที่มีความสามารถรอบด้านไม่ดี เช่น การระบุพืชและโภชนาการ ดึงดูดผู้ใช้ที่ชำระเงินมากกว่าผลิตภัณฑ์ทั่วไป
เป็นเรื่องยากที่จะแยกแยะผลิตภัณฑ์ AI ทั่วไป ผู้ใช้มีความเต็มใจที่จะจ่ายต่ำ วงจรการทำกำไรยาวนาน ดังนั้นพวกเขาจึงไม่สามารถอยู่รอดได้กับบริษัทขนาดใหญ่
และหากความแตกต่างไม่ลึกพอในแนวตั้ง ก็เป็นเรื่องง่ายที่จะถูกทำให้เป็นภายในโดยแบบจำลองขนาดใหญ่พื้นฐานผ่านการอัปเกรดความจุ ตัวอย่างเช่น ความสามารถในการสร้างภาพของ GPT-4o ล่าสุดได้นำมาซึ่งความเสียหายในการลดขนาดสำหรับสตาร์ทอัพข้อความเป็นภาพ เช่น Midjourney ความสามารถในการครอบคลุมนี้มักจะสุ่มและคาดเดาไม่ได้ ดังคำกล่าวที่ว่า ‘การทำลายคุณไม่มีส่วนเกี่ยวข้องกับคุณ’
การเลียนแบบคู่แข่งในระดับพิกเซลและการอัปเกรดแบบจำลองขนาดใหญ่พื้นฐานอย่างรวดเร็วทำให้ทิวทัศน์ของสตาร์ทอัพ C-end AI เกือบจะคงอยู่เพียงช่วงเวลาสั้นๆ เท่านั้น
สำหรับวิธีการคว้าความน่าจะเป็นที่ต่ำมากที่จะเป็นที่นิยม ผู้เชี่ยวชาญในอุตสาหกรรมเห็นพ้องกันว่า ‘โดยพื้นฐานแล้วไม่มีประสบการณ์ให้ปฏิบัติตาม’
‘Little Tigers’ ได้เข้าสู่สถานการณ์ที่ยากลำบากในปัจจุบัน ส่วนใหญ่เป็นเพราะพวกเขาลงทุนมากเกินไปในแบบจำลองขนาดใหญ่พื้นฐาน และประเมินค่ากำลังคน ทรัพยากรทางการเงิน และทรัพยากรวัสดุที่จำเป็นต่อการอยู่รอดและเก่งในเส้นทางนี้ต่ำเกินไป ส่งผลให้แยกแยะความแตกต่างบนเส้นทางแอปพลิเคชันได้ยาก
ตอนนี้ ‘Little Tigers’ มีความมุ่งมั่นน้อยลงเรื่อยๆ ที่จะโจมตี AGI และ Li Kaifu ได้กล่าวอย่างเปิดเผยว่าจะมีเพียง DeepSeek, Ali และ Byte เท่านั้นที่จะเหลืออยู่ในแบบจำลองขนาดใหญ่พื้นฐานในประเทศ
ในเรื่องนี้ ผู้เชี่ยวชาญในอุตสาหกรรมที่สื่อสารกับ Zhiwei โดยทั่วไปเห็นด้วยกับมุมมองนี้
Jiang Shao กล่าวว่าสตาร์ทอัพ AI ที่ยังคงทำงานอย่างหนักในด้านเทคโนโลยีแบบจำลองขนาดใหญ่จะต้องตายโดยพื้นฐานแล้ว สิ่งที่มีแนวโน้มมากที่สุดคือ DeepSeek อย่างแน่นอน อันดับที่สองคือ Alibaba และอันดับที่สามคือ ByteDance คาดว่าอันดับแรกจะได้รับ 50%-80% ของการเข้าชม และอีกสองอันดับหลังอาจได้รับการเข้าชม 10% หลักอยู่ที่ใครสร้าง AGI ก่อน และใครคือผู้ชนะสูงสุด
DeepSeek ปัจจุบันมีการแข่งขันมากที่สุดในด้านแบบจำลองขนาดใหญ่ และนวัตกรรมทางเทคโนโลยีและประสิทธิภาพในการใช้งานจริงนั้นไร้ที่ติ Alibaba และ ByteDance ก็มีความสามารถในการแข่งขันที่แข็งแกร่งเช่นกัน โดยเฉพาะอย่างยิ่งในแอปพลิเคชันข้ามแพลตฟอร์มและทรัพยากรข้อมูล การจัดอันดับนั้นขึ้นอยู่กับความสามารถด้านนวัตกรรมของแต่ละบริษัทในด้านเทคโนโลยีพื้นฐาน กำลังการคำนวณ ทรัพยากรข้อมูล และการใช้งานจริงเป็นหลัก
ทีม Zhipu และ Kimi เชื่อมั่นว่าการเพิ่มขีดความสามารถของแบบจำลองพื้นฐานอย่างต่อเนื่องคืออนาคต ในทางตรงกันข้าม ฉันเชื่อว่าด้วยการเปลี่ยนแปลงในความต้องการของตลาดและความหลากหลายของสถานการณ์การใช้งาน เส้นทางของการเสริมสร้างความแข็งแกร่งให้กับแบบจำลองพื้นฐานอาจมีจำกัด และเส้นทางการพัฒนาแบบจำลองที่ยืดหยุ่นและปรับตัวได้มากขึ้นอาจมีการแข่งขันมากขึ้นในตลาด
การแข่งขันในด้านเทคโนโลยีแบบจำลองขนาดใหญ่นั้นรุนแรงอย่างมาก และบริษัทที่มีการลงทุนจำนวนมากจะต้องมีการพัฒนาที่ชัดเจนในด้านนวัตกรรม กำลังการคำนวณ ข้อมูล และการเพิ่มประสิทธิภาพ เพื่อรักษาความสามารถในการแข่งขัน บริษัทอื่นๆ ที่ล้มเหลวในการตามทันความก้าวหน้าทางเทคโนโลยีหรือไม่สามารถรับมือกับความต้องการของตลาดได้ จะค่อยๆ ถูกกำจัดออกไป
Liang He กล่าวว่าจะมีเพียง DeepSeek, Ali และ Byte เท่านั้นที่จะเหลืออยู่ในบริษัทแบบจำลองขนาดใหญ่พื้นฐานในประเทศในอนาคต โดยอิงจากข้อเท็จจริงที่ว่าทั้งสามมีกำลังและความมุ่งมั่นที่จะลงทุนทรัพยากรจำนวนมากในการวิจัยและพัฒนา สำหรับ Byte เป็นไปไม่ได้ที่จะพลาดโอกาสสำหรับแบบจำลองขนาดใหญ่ มิฉะนั้นจะมีผลกระทบอย่างมากต่อโดยรวม และเทคโนโลยีของ DeepSeek จะไม่มีอุปสรรคมากเกินไปสำหรับ Byte แต่ DeepSeek ปัจจุบันมีความได้เปรียบมากขึ้นในด้านประสิทธิภาพการวิจัยและพัฒนา แบบจำลองโอเพนซอร์ส Qianwen ของ Alibaba เองก็อยู่ในระดับสูง ก่อนที่ DeepSeek จะได้รับความนิยม Qianwen และ Llama ก็ไล่ตามกัน Qianwen และ Llama โดยพื้นฐานแล้ว สำหรับ Alibaba แบบจำลอง Qianwen อาจไม่ทำเงิน แต่ธุรกิจคลาวด์ที่เกี่ยวข้องสามารถทำเงินได้ และ Byte ก็คล้ายกัน และสามารถใช้เทคโนโลยีแบบจำลองขนาดใหญ่อย่างต่อเนื่องเพื่อเพิ่มประสิทธิภาพประสบการณ์ของ Douyin และแอปอื่นๆ อย่างต่อเนื่อง สำหรับสตาร์ทอัพ AI หากแบบจำลองเองไม่ทำเงิน ก็จะส่งผลกระทบต่อรากฐานของการอยู่รอด
Wang Wenguang กล่าวว่าข้อได้เปรียบของ DeepSeek ส่วนใหญ่อยู่ที่อุดมคตินิยมทางเทคโนโลยี ภายในสองหรือสามเดือนก่อนและหลังเทศกาลฤดูใบไม้ผลิ การเข้าชมของ DeepSeek มีจำนวนมาก หากต้องการสร้างรายได้ จะขึ้นสู่อันดับต้นๆ ของโลกในไม่ช้า และแบบจำลองขนาดใหญ่อื่นๆ เช่น Doubao จะไม่มีโอกาสเลย ตราบใดที่ DeepSeek ไม่เปิดเผยวิธีการเพิ่มประสิทธิภาพที่เกี่ยวข้องกับโครงสร้างพื้นฐานในสัปดาห์โอเพนซอร์สล่าสุด ก็สามารถพึ่งพาสิ่งนี้เพื่อทำเงินได้ในอนาคต เพื่อให้คนอื่นไม่มีโอกาส DeepSeek ไม่ได้รับการสนับสนุนทางการเงินและไม่จำเป็นต้องได้รับอิทธิพลจากนักลงทุน อุดมคตินิยมทางเทคโนโลยีและพรสวรรค์เป็นอุปสรรคที่ใหญ่ที่สุด เมื่อเทียบกับ OpenAI ผลลัพธ์ที่ OpenAI สามารถเห็นได้ในขณะนี้โดยพื้นฐานแล้วคือผลการวิจัยก่อนที่จะมีข้อพิพาทระหว่าง Altman และ Ilya เกิดขึ้น อย่างน้อยที่สุด จุดที่เป็นนวัตกรรมได้รับการกำหนดแล้ว ตอนนี้หลังจากการจากไปของทีมอุดมคตินิยมดั้งเดิม OpenAI เองแทบจะไม่มีนวัตกรรมเลย ปัจจุบันนวัตกรรมของ OpenAI อยู่ในระดับแอปพลิเคชันมากขึ้น เช่น Deep Research ไม่มีอุปสรรคต่อนวัตกรรมในระดับแอปพลิเคชัน ดังนั้นจึงต้องแข่งขันกับคู่แข่ง
Wang Mu ผู้เชี่ยวชาญด้านเทคโนโลยี AI ของโรงงานขนาดใหญ่ บอกกับ Zhiwei ว่าเว้นแต่จะมีเงิน พรสวรรค์ และฮาร์ดแวร์ ก็ไม่จำเป็นต้องเสียความพยายามในการฝึกอบรมแบบจำลองขนาดใหญ่ DeepSeek มีคลัสเตอร์ 10,000 การ์ดตั้งแต่ปี 2021 และไม่ขาดเงิน ในทางตรงกันข้าม บริษัทขนาดเล็กและขนาดกลางอื่นๆ แทบจะไม่สามารถรวมเงื่อนไขนี้ได้
Gao Peng กล่าวว่าสตาร์ทอัพ AI ต้องการความอยู่รอด พวกเขายังคงต้องหันไปใช้แอปพลิเคชัน ฉันคิดอย่างนั้นเมื่อหนึ่งหรือสองปีที่แล้ว และตอนนี้อาจสายเกินไปที่จะหันมา บริษัท AI ชุดแรกที่จะถูกกำจัดออกไปในครั้งต่อไปคือบริษัทที่สร้างแบบจำลองขนาดใหญ่พื้นฐาน การฝึกอบรมแบบจำลองขนาดใหญ่มีรายละเอียดที่ซับซ้อนมากมายและขึ้นอยู่กับการสะสมประสบการณ์อย่างมาก รายละเอียดภายในของสถาปัตยกรรม Transformer เป็นที่เข้าใจกันโดยทั่วไป แต่เอกสารของแบบจำลองโอเพนซอร์สหรือแบบปิดซอร์สโดยพื้นฐานแล้วไม่ได้บอกคุณว่าข้อมูลถูกจัดเตรียมอย่างไร รายละเอียดข้อมูลคืออะไร ขนาดข้อมูลใหญ่แค่ไหน และคุณภาพข้อมูลดีแค่ไหน ไม่มีมาตรฐานที่เป็นเอกภาพในอุตสาหกรรม
การเปิดครึ่งซอร์สเป็นแนวทางปฏิบัติทั่วไปในเส้นทางแบบจำลองขนาดใหญ่อย่างต่อเนื่อง ปัจจุบันมีแบบจำลองขนาดใหญ่น้อยมากที่จะเปิดเผยโค้ด น้ำหนัก ชุดข้อมูล และกระบวนการฝึกอบรมอย่างเต็มที่ แบบจำลองที่มีชื่อเสียงกว่า ได้แก่ OLMo, BLOOM เป็นต้น
อย่างไรก็ตาม แม้ว่าการหันมาใช้แอปพลิเคชันจะสามารถอยู่รอดได้ จากการวิเคราะห์ก่อนหน้านี้ของเส้นทาง To B และเส้นทาง To C สตาร์ทอัพ AI เกือบจะเป็นเรื่องยากที่จะสร้างอุปสรรคในอุตสาหกรรมของตนเองในแอป