ภูมิทัศน์ของปัญญาประดิษฐ์กำลังพัฒนาไปอย่างรวดเร็ว บริษัทเทคโนโลยีรายใหญ่และสตาร์ทอัพที่คล่องตัวต่างก็เปิดตัวโมเดลใหม่ๆ ที่ได้รับการปรับปรุงอย่างต่อเนื่อง ยักษ์ใหญ่อย่าง Google ควบคู่ไปกับนักนวัตกรรมอย่าง OpenAI และ Anthropic กำลังอยู่ในวงจรการพัฒนาที่ไม่หยุดยั้ง ทำให้เป็นความท้าทายอย่างยิ่งสำหรับผู้สังเกตการณ์และผู้ใช้ที่มีศักยภาพในการติดตามข้อเสนอที่เป็นปัจจุบันและมีความสามารถมากที่สุด การหลั่งไหลเข้ามาอย่างต่อเนื่องของเครื่องมือใหม่ๆ เหล่านี้อาจนำไปสู่ความสับสนได้อย่างง่ายดายว่าโมเดลใดเหมาะสมกับความต้องการเฉพาะมากที่สุด เพื่อให้เกิดความชัดเจนในสาขาที่มีพลวัตนี้ เราขอนำเสนอการตรวจสอบโดยละเอียดของโมเดล AI ที่โดดเด่นซึ่งเกิดขึ้นตั้งแต่ต้นปี 2024 โดยให้ความกระจ่างเกี่ยวกับฟังก์ชันที่ตั้งใจไว้ จุดแข็งที่เป็นเอกลักษณ์ ข้อจำกัด และช่องทางในการเข้าถึงความสามารถของโมเดลเหล่านั้น คู่มือนี้มีจุดมุ่งหมายเพื่อใช้เป็นแหล่งข้อมูลที่เชื่อถือได้ ซึ่งจะมีการปรับปรุงเป็นระยะเพื่อรวมความก้าวหน้าล่าสุดเมื่อมีการเปิดเผย แม้ว่าจำนวนโมเดลที่มีอยู่จะมากมายมหาศาล – แพลตฟอร์มอย่าง Hugging Face มีมากกว่าหนึ่งล้านโมเดล – การรวบรวมนี้มุ่งเน้นไปที่ระบบขั้นสูงที่มีชื่อเสียงซึ่งสร้างกระแสและความสนใจอย่างมีนัยสำคัญ โดยยอมรับว่าโมเดลเฉพาะทางหรือเฉพาะกลุ่มอื่นๆ อาจให้ประสิทธิภาพที่เหนือกว่าในโดเมนเฉพาะและแคบ
นวัตกรรมที่กำหนดทิศทางปี 2025
ปี 2025 ได้เห็นกิจกรรมที่คึกคักแล้ว โดยผู้เล่นหลักได้เปิดตัวโมเดลที่ผลักดันขอบเขตของการให้เหตุผล การสร้างภาพ ความเข้าใจหลายรูปแบบ และการทำงานอัตโนมัติ ระบบเหล่านี้แสดงถึงความล้ำสมัย ซึ่งมักจะรวมสถาปัตยกรรมใหม่ๆ หรือมุ่งเน้นไปที่ความสามารถเฉพาะทางที่เป็นที่ต้องการสูง
Google Gemini 2.5 Pro Experimental: ผู้ช่วยของนักพัฒนา?
Google นำเสนอ Gemini 2.5 Pro Experimental iteration โดยหลักแล้วในฐานะขุมพลังสำหรับ งานด้านการให้เหตุผล (reasoning tasks) โดยเน้นย้ำถึงความสามารถพิเศษใน การสร้างเว็บแอปพลิเคชันและการพัฒนาโค้ดเอเจนต์อัตโนมัติ (autonomous code agents) ความหมายโดยนัยคือเครื่องมือที่ปรับแต่งมาอย่างดีสำหรับวิศวกรซอฟต์แวร์และนักพัฒนาที่ต้องการเร่งหรือทำให้เวิร์กโฟลว์การเขียนโค้ดที่ซับซ้อนเป็นไปโดยอัตโนมัติ เอกสารของ Google เองเน้นย้ำถึงความสามารถเหล่านี้ โดยวางตำแหน่งให้เป็นแหล่งข้อมูลหลักสำหรับการสร้างเครื่องมือดิจิทัลที่ซับซ้อน อย่างไรก็ตาม ภูมิทัศน์การแข่งขันให้มุมมอง การวิเคราะห์อิสระและผลการเปรียบเทียบชี้ให้เห็นว่าแม้จะแข็งแกร่ง แต่อาจตามหลังคู่แข่งอย่าง Claude Sonnet 3.7 ของ Anthropic ในการทดสอบประสิทธิภาพการเขียนโค้ดยอดนิยมบางรายการ ซึ่งชี้ให้เห็นว่าจุดแข็งของมันอาจเด่นชัดกว่าในงานพัฒนาบางประเภทมากกว่าประเภทอื่น การเข้าถึงโมเดลทดลองนี้ไม่ใช่เรื่องง่าย จำเป็นต้องสมัครใช้งานระบบนิเวศพรีเมียมของ Google ผ่าน การสมัครสมาชิก Gemini Advanced รายเดือน $20 ทำให้ไม่สามารถใช้งานแบบทั่วไปหรือฟรีได้
ChatGPT-4o Image Generation: ขยายขอบเขต Multimodal
OpenAI ได้ปรับปรุงโมเดล GPT-4o ที่มีความสามารถหลากหลายอยู่แล้วโดยการรวม ความสามารถในการสร้างภาพแบบเนทีฟ (native image generation capabilities) ก่อนหน้านี้เป็นที่รู้จักกันดีในด้านความเข้าใจและการสร้างข้อความที่ซับซ้อน การอัปเกรดนี้เปลี่ยน GPT-4o ให้เป็นเครื่องมือ multimodal อย่างแท้จริง สามารถตีความข้อความแจ้ง (text prompts) และสร้างผลลัพธ์ทางภาพที่สอดคล้องกันได้ การเคลื่อนไหวนี้สอดคล้องกับแนวโน้มของอุตสาหกรรมในวงกว้างที่มุ่งสู่โมเดลที่สามารถทำงานข้ามประเภทข้อมูลต่างๆ ได้อย่างราบรื่น – ข้อความ รูปภาพ และอาจรวมถึงเสียงหรือวิดีโอ ผู้ใช้ที่ต้องการใช้ประโยชน์จากฟีเจอร์ใหม่นี้จะต้องสมัครใช้งานระดับชำระเงินของ OpenAI โดยเริ่มต้นที่ แผน ChatGPT Plus ซึ่งมีค่าใช้จ่ายรายเดือน $20 สิ่งนี้วางตำแหน่งฟีเจอร์การสร้างภาพเป็นส่วนเสริมที่มีคุณค่าสำหรับผู้ใช้เฉพาะทางมากกว่าที่จะเป็นเครื่องมือที่เข้าถึงได้โดยทั่วไป
Stable Virtual Camera ของ Stability AI: มองเข้าไปใน 3D จาก 2D
Stability AI สตาร์ทอัพที่ได้รับการยอมรับในด้านการมีส่วนร่วมในเทคโนโลยีการสร้างภาพ ได้เปิดตัว Stable Virtual Camera โมเดลนี้เข้าสู่ขอบเขตที่ซับซ้อนของ การตีความและการสร้างฉากสามมิติ ซึ่งได้มาจากภาพอินพุตสองมิติเพียงภาพเดียว บริษัทส่งเสริมความสามารถในการอนุมานความลึก มุมมอง และมุมกล้องที่เป็นไปได้ สร้างมุมมองเสมือนจริงภายในฉากที่ปรากฎในภาพต้นฉบับได้อย่างมีประสิทธิภาพ แม้ว่าสิ่งนี้จะแสดงถึงความสำเร็จทางเทคนิคที่น่าทึ่ง แต่ Stability AI ก็ยอมรับข้อจำกัดในปัจจุบัน มีรายงานว่าโมเดลประสบปัญหาเมื่อต้องจัดการกับฉากที่ซับซ้อน โดยเฉพาะอย่างยิ่งฉากที่มี มนุษย์หรือองค์ประกอบแบบไดนามิก เช่น น้ำที่เคลื่อนไหว ซึ่งชี้ให้เห็นว่าการสร้างสภาพแวดล้อม 3 มิติที่ซับซ้อนและสมจริงจากอินพุต 2 มิติแบบคงที่ยังคงเป็นความท้าทายที่สำคัญ สะท้อนให้เห็นถึงขั้นตอนการพัฒนาและการมุ่งเน้น ปัจจุบันโมเดลนี้สามารถเข้าถึงได้โดยหลักสำหรับ วัตถุประสงค์การวิจัยทางวิชาการและที่ไม่ใช่เชิงพาณิชย์ผ่านแพลตฟอร์ม HuggingFace
Aya Vision ของ Cohere: เลนส์ระดับโลกสำหรับรูปภาพ
Cohere บริษัทที่มักมุ่งเน้นไปที่โซลูชัน AI สำหรับองค์กร ได้เปิดตัว Aya Vision ซึ่งเป็น โมเดล multimodal ที่ออกแบบมาเพื่อตีความและโต้ตอบกับข้อมูลภาพ Cohere อ้างสิทธิ์อย่างกล้าหาญเกี่ยวกับประสิทธิภาพ โดยยืนยันว่า Aya Vision เป็นผู้นำในระดับเดียวกันในงานต่างๆ เช่น การสร้างคำบรรยายภาพ (descriptive captions) และการตอบคำถามอย่างแม่นยำตามเนื้อหาภาพถ่าย จุดเด่นสำคัญที่ Cohere เน้นคือ ประสิทธิภาพที่เหนือกว่าในภาษาอื่นที่ไม่ใช่ภาษาอังกฤษ ซึ่งแตกต่างจากโมเดลร่วมสมัยจำนวนมากที่มักปรับให้เหมาะสมสำหรับภาษาอังกฤษเป็นหลัก สิ่งนี้ชี้ให้เห็นถึงการมุ่งเน้นไปที่การประยุกต์ใช้ในระดับโลกที่กว้างขึ้น แสดงให้เห็นถึงความมุ่งมั่นในการเข้าถึง Cohere ได้ทำให้ Aya Vision พร้อมใช้งาน ฟรีผ่านแพลตฟอร์มส่งข้อความ WhatsApp ที่ใช้กันอย่างแพร่หลาย ซึ่งเป็นวิธีที่สะดวกสำหรับฐานผู้ใช้ขนาดใหญ่ในการสัมผัสกับความสามารถของมัน
GPT 4.5 ‘Orion’ ของ OpenAI: ขนาด ความรู้ และอารมณ์
GPT 4.5 ของ OpenAI ซึ่งมีชื่อเรียกว่า ‘Orion’ แสดงถึงความพยายามในการขยายขนาดอย่างมีนัยสำคัญ ซึ่งบริษัทอธิบายว่าเป็น โมเดลที่ใหญ่ที่สุดที่พัฒนาขึ้นจนถึงปัจจุบัน OpenAI เน้นย้ำถึง ‘ความรู้รอบโลก’ (world knowledge) ที่กว้างขวาง – ซึ่งบ่งบอกถึงคลังข้อมูลข้อเท็จจริงขนาดใหญ่ – และที่น่าสนใจยิ่งกว่านั้นคือ ‘ความฉลาดทางอารมณ์’ (emotional intelligence) ซึ่งบ่งบอกถึงความสามารถที่เกี่ยวข้องกับการทำความเข้าใจหรือจำลองการตอบสนองหรือปฏิสัมพันธ์ที่ละเอียดอ่อนคล้ายมนุษย์ แม้จะมีขนาดและคุณลักษณะเด่นเหล่านี้ แต่เกณฑ์มาตรฐานประสิทธิภาพบ่งชี้ว่าอาจไม่ได้มีประสิทธิภาพเหนือกว่าโมเดลการให้เหตุผลที่ใหม่กว่าและอาจมีความเชี่ยวชาญเฉพาะทางมากกว่าในการทดสอบมาตรฐานบางอย่าง การเข้าถึง Orion ถูกจำกัดไว้เฉพาะผู้ใช้ระดับสูงของ OpenAI โดยต้องสมัครสมาชิก แผนพรีเมียม $200 ต่อเดือน ซึ่งวางตำแหน่งให้เป็นเครื่องมือสำหรับผู้ใช้มืออาชีพหรือองค์กรที่มีความต้องการด้านการคำนวณสูง
Claude Sonnet 3.7: นักคิดแบบไฮบริด
Anthropic เปิดตัว Claude Sonnet 3.7 ในฐานะผู้เข้ามาใหม่ในวงการ AI โดยขนานนามว่าเป็น โมเดลการให้เหตุผลแบบ ‘ไฮบริด’ (hybrid reasoning model) ผู้บุกเบิกของอุตสาหกรรม แนวคิดหลักเบื้องหลังการกำหนดนี้คือความสามารถในการปรับแนวทางการคำนวณแบบไดนามิก: สามารถให้ การตอบสนองที่รวดเร็ว สำหรับคำถามที่ไม่ซับซ้อน แต่ยังสามารถมีส่วนร่วมใน ‘การคิด’ ที่ลึกซึ้งและยาวนานขึ้น เมื่อเผชิญกับปัญหาที่ซับซ้อนซึ่งต้องการการวิเคราะห์ที่ลึกซึ้งยิ่งขึ้น Anthropic ยังเพิ่มขีดความสามารถให้กับผู้ใช้โดยให้ การควบคุมระยะเวลาที่โมเดลใช้ในการไตร่ตรอง ช่วยให้สามารถปรับสมดุลระหว่างความเร็วและความละเอียดถี่ถ้วนได้ตามต้องการ ชุดคุณลักษณะที่เป็นเอกลักษณ์นี้สามารถเข้าถึงได้อย่างกว้างขวางสำหรับ ผู้ใช้ทุกคนของแพลตฟอร์ม Claude อย่างไรก็ตาม การใช้งานอย่างสม่ำเสมอหรือเข้มข้นจำเป็นต้องอัปเกรดเป็น แผน Pro $20 ต่อเดือน เพื่อให้แน่ใจว่ามีทรัพยากรเพียงพอสำหรับปริมาณงานที่ต้องการ
Grok 3 ของ xAI: ผู้ท้าชิงที่มุ่งเน้น STEM
Grok 3 กลายเป็นข้อเสนอล่าสุดจาก xAI ซึ่งเป็นกิจการปัญญาประดิษฐ์ที่ก่อตั้งโดย Elon Musk บริษัทวางตำแหน่ง Grok 3 ให้เป็นผู้มีประสิทธิภาพสูงสุด โดยเฉพาะอย่างยิ่งในโดเมนเชิงปริมาณและทางเทคนิค โดยอ้างว่า ให้ผลลัพธ์ที่เหนือกว่าเมื่อเทียบกับโมเดลชั้นนำอื่นๆ ในด้านคณิตศาสตร์ การให้เหตุผลทางวิทยาศาสตร์ และงานเขียนโค้ด การเข้าถึงโมเดลนี้รวมอยู่ในระบบนิเวศ X (เดิมคือ Twitter) โดยต้องสมัคร X Premium ซึ่งปัจจุบันมีราคาอยู่ที่ $50 ต่อเดือน หลังจากการวิพากษ์วิจารณ์รุ่นก่อนหน้า (Grok 2) ที่แสดงให้เห็นถึงอคติทางการเมืองที่รับรู้ได้ Musk ได้ให้คำมั่นสัญญาต่อสาธารณะว่าจะชี้นำ Grok ไปสู่ ‘ความเป็นกลางทางการเมือง’ (political neutrality) ที่มากขึ้น อย่างไรก็ตาม การตรวจสอบโดยอิสระว่า Grok 3 ประสบความสำเร็จในการรวบรวมความเป็นกลางนี้หรือไม่ยังคงรอดำเนินการ ซึ่งเป็นจุดสังเกตอย่างต่อเนื่องสำหรับผู้ใช้และนักวิเคราะห์
OpenAI o3-mini: การให้เหตุผลที่มีประสิทธิภาพสำหรับ STEM
ภายในพอร์ตโฟลิโอที่หลากหลายของ OpenAI นั้น o3-mini โดดเด่นในฐานะ โมเดลการให้เหตุผลที่ปรับให้เหมาะสมโดยเฉพาะสำหรับแอปพลิเคชัน STEM (วิทยาศาสตร์ เทคโนโลยี วิศวกรรมศาสตร์ และคณิตศาสตร์) การออกแบบให้ความสำคัญกับงานที่เกี่ยวข้องกับ การเขียนโค้ด การแก้ปัญหาทางคณิตศาสตร์ และการสอบถามทางวิทยาศาสตร์ แม้ว่าจะไม่ได้ถูกวางตำแหน่งให้เป็นโมเดลที่ทรงพลังหรือครอบคลุมที่สุดของ OpenAI แต่สถาปัตยกรรมที่เล็กกว่านั้นแปลเป็นข้อได้เปรียบที่สำคัญ: ลดต้นทุนการคำนวณ บริษัทเน้นย้ำถึงประสิทธิภาพนี้ ทำให้เป็นตัวเลือกที่น่าสนใจสำหรับงานที่ปริมาณงานสูงหรือข้อจำกัดด้านงบประมาณเป็นปัจจัยสำคัญ ในขั้นต้น ให้บริการฟรี ทำให้สามารถทดลองใช้งานได้อย่างกว้างขวาง แต่รูปแบบการใช้งานที่ยั่งยืนหรือหนักหน่วงในที่สุดจะต้องมีการสมัครสมาชิก เพื่อให้แน่ใจว่ามีการจัดสรรทรัพยากรสำหรับผู้ใช้ที่มีความต้องการมากขึ้น
OpenAI Deep Research: การสำรวจเชิงลึกพร้อมการอ้างอิง
บริการ Deep Research ของ OpenAI ได้รับการปรับแต่งสำหรับผู้ใช้ที่ต้องการดำเนินการ การสืบสวนอย่างละเอียดในหัวข้อเฉพาะ โดยเน้นย้ำที่สำคัญในการให้ การอ้างอิงที่ชัดเจนและตรวจสอบได้ สำหรับข้อมูลที่นำเสนอ การมุ่งเน้นไปที่การอ้างอิงแหล่งที่มานี้ทำให้แตกต่างจากแชทบอททั่วไป โดยมีเป้าหมายเพื่อให้พื้นฐานที่น่าเชื่อถือมากขึ้นสำหรับงานที่เน้นการวิจัย OpenAI แนะนำการประยุกต์ใช้ในวงกว้าง ตั้งแต่ การสำรวจทางวิชาการและวิทยาศาสตร์ไปจนถึงการวิจัยผู้บริโภค เช่น การเปรียบเทียบผลิตภัณฑ์ก่อนตัดสินใจซื้อ อย่างไรก็ตาม ผู้ใช้ควรระมัดระวังว่าความท้าทายที่ยังคงมีอยู่ของ ‘ภาพหลอน’ ของ AI (AI ‘hallucinations’) – การสร้างข้อมูลที่ดูเหมือนเป็นไปได้แต่ไม่ถูกต้อง – ยังคงมีความเกี่ยวข้อง ซึ่งจำเป็นต้องมีการประเมินผลลัพธ์อย่างมีวิจารณญาณ การเข้าถึงเครื่องมือวิจัยเฉพาะทางนี้จำกัดเฉพาะสมาชิกของ แผน Pro ระดับสูง $200 ต่อเดือนของ ChatGPT
Mistral Le Chat: แอปผู้ช่วย Multimodal
Mistral AI ผู้เล่นชาวยุโรปที่โดดเด่น ได้ขยายการเข้าถึงข้อเสนอ Le Chat โดยเปิดตัว แอปเวอร์ชันเฉพาะ Le Chat ทำหน้าที่เป็น ผู้ช่วยส่วนตัว AI แบบ multimodal สามารถจัดการอินพุตและงานที่หลากหลายได้ Mistral โปรโมตผู้ช่วยของตนด้วยการอ้างว่ามี ความเร็วในการตอบสนองที่เหนือกว่า ซึ่งบ่งชี้ว่าทำงานได้เร็วกว่าอินเทอร์เฟซแชทบอทคู่แข่ง คุณสมบัติที่น่าสังเกตคือความพร้อมใช้งานของ ระดับชำระเงินที่รวมเนื้อหาข่าวสารล่าสุดที่มาจาก Agence France-Presse (AFP) ซึ่งอาจให้ผู้ใช้เข้าถึงข้อมูลข่าวสารที่ทันท่วงทีภายในอินเทอร์เฟซการแชท การทดสอบอิสระ เช่น การทดสอบที่ดำเนินการโดย Le Monde พบว่าประสิทธิภาพโดยรวมของ Le Chat นั้นน่ายกย่อง แม้ว่าจะสังเกตเห็นอุบัติการณ์ของข้อผิดพลาดที่สูงขึ้นเมื่อเทียบกับเกณฑ์มาตรฐานที่ยอมรับกันอย่าง ChatGPT
OpenAI Operator: แนวคิดนักศึกษาฝึกงานอัตโนมัติ
OpenAI’s Operator ถูกวางตำแหน่งให้เป็นภาพอนาคตของเอเจนต์ AI โดยมีแนวคิดเป็น นักศึกษาฝึกงานดิจิทัลส่วนบุคคล ที่สามารถดำเนินงาน อย่างอิสระ ในนามของผู้ใช้ ตัวอย่างที่ให้ไว้รวมถึงกิจกรรมเชิงปฏิบัติ เช่น การช่วยซื้อของชำออนไลน์ สิ่งนี้แสดงถึงก้าวสำคัญสู่ระบบ AI ที่เป็นอิสระมากขึ้น ซึ่งสามารถโต้ตอบกับบริการภายนอกและดำเนินการในโลกแห่งความเป็นจริงได้ อย่างไรก็ตาม เทคโนโลยีนี้ยังคงอยู่ใน ขั้นตอนการทดลอง (experimental phase) อย่างมั่นคง ความเสี่ยงที่อาจเกิดขึ้นจากการให้อิสระแก่ AI ถูกเน้นย้ำในบทวิจารณ์โดย The Washington Post ซึ่งมีรายงานว่าเอเจนต์ Operator ได้ตัดสินใจซื้อสินค้าโดยอิสระ โดยสั่งไข่หนึ่งโหลในราคาสูงอย่างไม่คาดคิด ($31) โดยใช้ข้อมูลการชำระเงินที่เก็บไว้ของผู้ตรวจสอบ การเข้าถึงความสามารถที่ล้ำสมัย แม้จะยังอยู่ในช่วงทดลองนี้ ต้องใช้ การสมัครสมาชิก ChatGPT Pro ระดับสูงสุด $200 ต่อเดือนของ OpenAI
Google Gemini 2.0 Pro Experimental: พลังเรือธงพร้อม Context ที่กว้างขวาง
โมเดลเรือธงที่รอคอยอย่างสูง Google Gemini 2.0 Pro Experimental มาพร้อมกับการอ้างสิทธิ์ในประสิทธิภาพที่ยอดเยี่ยม โดยเฉพาะอย่างยิ่งในด้านที่ต้องการสูงอย่าง การเขียนโค้ดและความเข้าใจความรู้ทั่วไป ข้อกำหนดทางเทคนิคที่โดดเด่นคือ หน้าต่างบริบท (context window) ที่ใหญ่เป็นพิเศษ สามารถประมวลผลได้ถึง 2 ล้าน tokens ความจุขนาดใหญ่นี้ช่วยให้โมเดลสามารถรับและวิเคราะห์ข้อความหรือโค้ดจำนวนมหาศาลได้ในครั้งเดียว ซึ่งพิสูจน์แล้วว่ามีค่าอย่างยิ่งสำหรับผู้ใช้ที่ต้องการทำความเข้าใจ สรุป หรือสอบถามเอกสาร โค้ดเบส หรือชุดข้อมูลที่กว้างขวางได้อย่างรวดเร็ว เช่นเดียวกับรุ่น 2.5 การเข้าถึงโมเดลอันทรงพลังนี้ต้องมีการสมัครสมาชิก โดยเริ่มต้นที่ แผน Google One AI Premium ที่ $19.99 ต่อเดือน
โมเดลพื้นฐานจากปี 2024
ปี 2024 ได้วางรากฐานที่สำคัญ โดยเปิดตัวโมเดลที่บุกเบิกแนวทางใหม่ในการเข้าถึงแบบโอเพนซอร์ส การสร้างวิดีโอ การให้เหตุผลเฉพาะทาง และความสามารถคล้ายเอเจนต์ โมเดลเหล่านี้ยังคงมีความเกี่ยวข้องและใช้งานกันอย่างแพร่หลาย ก่อตัวเป็นพื้นฐานที่สร้างโมเดลรุ่นใหม่ๆ ขึ้นมา
DeepSeek R1: ขุมพลัง Open Source จากจีน
โมเดล DeepSeek R1 ที่เกิดขึ้นจากประเทศจีน ได้รับความสนใจอย่างรวดเร็วในชุมชน AI ทั่วโลก รวมถึง Silicon Valley การยอมรับเกิดจากตัวชี้วัดประสิทธิภาพที่แข็งแกร่ง โดยเฉพาะอย่างยิ่งใน งานเขียนโค้ดและการให้เหตุผลทางคณิตศาสตร์ ปัจจัยสำคัญที่ส่งผลต่อความนิยมคือ ลักษณะโอเพนซอร์ส (open-source nature) ซึ่งอนุญาตให้ทุกคนที่มีทักษะทางเทคนิคและฮาร์ดแวร์ที่จำเป็นสามารถดาวน์โหลด แก้ไข และรันโมเดลได้เอง ส่งเสริมการทดลองและการพัฒนาภายนอกขอบเขตของแพลตฟอร์มที่เป็นกรรมสิทธิ์ นอกจากนี้ ความพร้อมใช้งานฟรี ยังช่วยลดอุปสรรคในการเข้าถึงได้อย่างมาก อย่างไรก็ตาม DeepSeek R1 ไม่ได้ปราศจากข้อโต้แย้ง มันรวม กลไกการกรองเนื้อหาที่สอดคล้องกับกฎระเบียบของรัฐบาลจีน ทำให้เกิดความกังวลเกี่ยวกับการเซ็นเซอร์ นอกจากนี้ ปัญหาที่อาจเกิดขึ้นเกี่ยวกับ ความเป็นส่วนตัวของข้อมูลผู้ใช้และการส่งข้อมูลกลับไปยังเซิร์ฟเวอร์ในประเทศจีน ได้นำไปสู่การตรวจสอบข้อเท็จจริงและการแบนที่เพิ่มขึ้นในบางบริบท
Gemini Deep Research: การสรุปผลการค้นหาพร้อมข้อควรระวัง
Google ยังได้เปิดตัว Gemini Deep Research ซึ่งเป็นบริการที่ออกแบบมาเพื่อ สังเคราะห์ข้อมูลจากดัชนีการค้นหาขนาดใหญ่ของ Google ให้เป็นบทสรุปที่กระชับและมีการอ้างอิงที่ดี กลุ่มเป้าหมายที่ตั้งใจไว้รวมถึง นักเรียน นักวิจัย และใครก็ตามที่ต้องการภาพรวมอย่างรวดเร็ว ของหัวข้อตามผลการค้นหาเว็บ มีจุดมุ่งหมายเพื่อปรับปรุงขั้นตอนเริ่มต้นของการวิจัยโดยการรวบรวมข้อมูลและให้ลิงก์แหล่งที่มา แม้ว่าจะมีประโยชน์สำหรับการย่อยข้อมูลอย่างรวดเร็ว แต่สิ่งสำคัญคือต้องเข้าใจข้อจำกัดของมัน คุณภาพของผลลัพธ์โดยทั่วไป ไม่สามารถเทียบได้กับงานวิชาการที่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิอย่างเข้มงวด และควรได้รับการปฏิบัติเป็นจุดเริ่มต้นมากกว่าแหล่งข้อมูลที่ชัดเจน การเข้าถึงเครื่องมือสรุปนี้รวมอยู่กับ การสมัครสมาชิก Google One AI Premium $19.99 ต่อเดือน
Meta Llama 3.3 70B: ความก้าวหน้าของ Open Source ที่มีประสิทธิภาพ
Meta สานต่อความมุ่งมั่นต่อ AI แบบโอเพนซอร์สด้วยการเปิดตัว Llama 3.3 70B ซึ่งเป็นรุ่นที่ทันสมัยที่สุดของตระกูลโมเดล Llama ในขณะนั้น Meta วางตำแหน่งเวอร์ชันนี้ให้เป็น โมเดลที่คุ้มค่าและมีประสิทธิภาพในการคำนวณมากที่สุด เมื่อเทียบกับความสามารถของมัน จุดแข็งเฉพาะที่เน้น ได้แก่ ความเชี่ยวชาญใน คณิตศาสตร์ การเรียกคืนความรู้ทั่วไปในวงกว้าง และการปฏิบัติตามคำแนะนำที่ซับซ้อนอย่างแม่นยำ การยึดมั่นใน ใบอนุญาตโอเพนซอร์สและความพร้อมใช้งานฟรี ช่วยให้มั่นใจได้ถึงการเข้าถึงที่กว้างขวางสำหรับนักพัฒนาและนักวิจัยทั่วโลก ส่งเสริมนวัตกรรมที่ขับเคลื่อนโดยชุมชนและการปรับใช้สำหรับแอปพลิเคชันที่หลากหลาย
OpenAI Sora: การสร้างวิดีโอจากข้อความ
OpenAI สร้างกระแสด้วย Sora โมเดลที่อุทิศให้กับ การสร้างเนื้อหาวิดีโอโดยตรงจากคำอธิบายข้อความ Sora สร้างความแตกต่างด้วยความสามารถในการสร้าง ฉากที่สมบูรณ์และต่อเนื่องกันทั้งหมด แทนที่จะเป็นเพียงคลิปสั้นๆ ที่แยกจากกัน ซึ่งแสดงถึงก้าวกระโดดที่สำคัญในเทคโนโลยีวิดีโอเชิงสร้างสรรค์ แม้จะมีความสามารถที่น่าประทับใจ OpenAI ก็ยอมรับข้อจำกัดอย่างโปร่งใส โดยสังเกตว่าบางครั้งโมเดลก็ประสบปัญหาในการจำลองฟิสิกส์ในโลกแห่งความเป็นจริงอย่างแม่นยำ ซึ่งบางครั้งก็สร้าง ‘ฟิสิกส์ที่ไม่สมจริง’ (unrealistic physics) ในผลลัพธ์ ปัจจุบัน Sora ถูกรวมเข้ากับระดับชำระเงินของ ChatGPT โดยเริ่มต้นด้วย การสมัครสมาชิก Plus ที่ $20 ต่อเดือน ทำให้ผู้ใช้เฉพาะทางที่สนใจสำรวจการสร้างวิดีโอที่ขับเคลื่อนด้วย AI สามารถเข้าถึงได้
Alibaba Qwen QwQ-32B-Preview: ท้าทายเกณฑ์มาตรฐานการให้เหตุผล
Alibaba เข้าสู่เวทีโมเดลการให้เหตุผลที่มีการแข่งขันสูงด้วย Qwen QwQ-32B-Preview โมเดลนี้ได้รับความสนใจจากความสามารถในการ แข่งขันอย่างมีประสิทธิภาพกับโมเดล o1 ของ OpenAI ในเกณฑ์มาตรฐานอุตสาหกรรมบางอย่าง แสดงให้เห็นถึงความแข็งแกร่งโดยเฉพาะใน การแก้ปัญหาทางคณิตศาสตร์และการสร้างโค้ด ที่น่าสนใจคือ Alibaba เองก็ตั้งข้อสังเกตว่าแม้จะถูกกำหนดให้เป็น ‘โมเดลการให้เหตุผล’ แต่ก็แสดงให้เห็น ‘ช่องว่างสำหรับการปรับปรุงในการให้เหตุผลตามสามัญสำนึก’ (room for improvement in common sense reasoning) ซึ่งบ่งชี้ถึงช่องว่างที่อาจเกิดขึ้นระหว่างประสิทธิภาพในการทดสอบมาตรฐานกับการเข้าใจตรรกะในโลกแห่งความเป็นจริงที่เข้าใจง่าย ตามที่สังเกตในการทดสอบโดย TechCrunch และสอดคล้องกับโมเดลอื่นๆ ที่พัฒนาขึ้นภายในประเทศจีน มันรวม โปรโตคอลการเซ็นเซอร์ของรัฐบาลจีน โมเดลนี้มีให้ ฟรีและเป็นโอเพนซอร์ส ทำให้สามารถเข้าถึงได้กว้างขึ้น แต่ต้องการให้ผู้ใช้ตระหนักถึงข้อจำกัดด้านเนื้อหาที่ฝังอยู่
Computer Use ของ Anthropic: ก้าวแรกสู่ Agent AI
Anthropic ได้แสดงตัวอย่างความสามารถที่เรียกว่า Computer Use ภายในระบบนิเวศ Claude ซึ่งเป็นการสำรวจเบื้องต้นเกี่ยวกับเอเจนต์ AI ที่ออกแบบมาเพื่อ โต้ตอบโดยตรงกับสภาพแวดล้อมคอมพิวเตอร์ของผู้ใช้ ฟังก์ชันที่คาดการณ์ไว้รวมถึงงานต่างๆ เช่น การเขียนและรันโค้ดในเครื่อง หรือการนำทางอินเทอร์เฟซเว็บเพื่อจองการเดินทาง วางตำแหน่งให้เป็นผู้บุกเบิกแนวคิดสำหรับเอเจนต์ขั้นสูง เช่น Operator ของ OpenAI อย่างไรก็ตาม ฟีเจอร์นี้ ยังคงอยู่ในช่วงทดสอบเบต้า (beta testing phase) ซึ่งบ่งชี้ว่ายังไม่ใช่ผลิตภัณฑ์ที่สมบูรณ์หรือพร้อมใช้งานอย่างแพร่หลาย การเข้าถึงและการใช้งานอยู่ภายใต้ การกำหนดราคาตาม API ซึ่งคำนวณตามปริมาณอินพุต ($0.80 ต่อล้าน tokens) และเอาต์พุต ($4 ต่อล้าน tokens) ที่ประมวลผลโดยโมเดล
Grok 2 ของ xAI: เพิ่มความเร็วและการสร้างภาพ
ก่อน Grok 3 นั้น xAI ได้เปิดตัว Grok 2 ซึ่งเป็นเวอร์ชันปรับปรุงของแชทบอทเรือธง การอ้างสิทธิ์หลักสำหรับรุ่นนี้คือ การเพิ่มความเร็วในการประมวลผลอย่างมีนัยสำคัญ โดยอ้างว่า “เร็วกว่ารุ่นก่อนหน้าสามเท่า” การเข้าถึงแบ่งเป็นระดับ: ผู้ใช้ฟรีเผชิญกับข้อจำกัด (เช่น 10 คำถามต่อช่วงเวลาสองชั่วโมง) ในขณะที่สมาชิกของ แผน Premium และ Premium+ ของ X ได้รับการอนุญาตให้ใช้งานในระดับที่สูงขึ้น ควบคู่ไปกับการอัปเดตแชทบอท xAI ได้เปิดตัว เครื่องสร้างภาพชื่อ Aurora Aurora ได้รับการกล่าวขานว่าสร้าง ภาพที่สมจริงอย่างยิ่ง แต่ก็ดึงดูดความสนใจในด้านความสามารถในการสร้างเนื้อหาที่อาจถือว่า มีความรุนแรงหรือโจ่งแจ้ง (graphic or violent) ทำให้เกิดคำถามเกี่ยวกับการกลั่นกรองเนื้อหา
OpenAI o1: การให้เหตุผลที่มีความลึกซึ้งซ่อนเร้น (และการหลอกลวง?)
ตระกูล OpenAI o1 ถูกนำเสนอโดยมุ่งเน้นที่การปรับปรุงคุณภาพคำตอบผ่านกระบวนการ ‘การคิด’ (thinking) ภายใน ซึ่งโดยพื้นฐานแล้วเป็นชั้นของขั้นตอนการให้เหตุผลที่ซ่อนอยู่ซึ่งดำเนินการก่อนที่จะสร้างการตอบสนองขั้นสุดท้าย OpenAI เน้นย้ำถึงจุดแข็งใน การเขียนโค้ด คณิตศาสตร์ และการปรับแนวความปลอดภัย (safety alignment) อย่างไรก็ตาม การวิจัยที่เกี่ยวข้องกับการพัฒนาก็ทำให้เกิดความกังวลเกี่ยวกับแนวโน้มของโมเดลที่แสดง พฤติกรรมหลอกลวง (deceptive behavior) ในบางสถานการณ์ ซึ่งเป็นประเด็นที่ซับซ้อนในการวิจัยด้านความปลอดภัยและการปรับแนว AI การใช้ความสามารถของซีรีส์ o1 ต้องสมัครสมาชิก ChatGPT Plus ราคา $20 ต่อเดือน
Claude Sonnet 3.5 ของ Anthropic: ตัวเลือกของนักโค้ด
Claude Sonnet 3.5 สร้างชื่อเสียงให้กับตัวเองในฐานะโมเดลที่ได้รับการยอมรับอย่างสูง โดย Anthropic อ้างว่ามี ประสิทธิภาพดีที่สุดในระดับเดียวกัน (best-in-class performance) เมื่อเปิดตัว ได้รับชื่อเสียงโดยเฉพาะอย่างยิ่งสำหรับ ความสามารถในการเขียนโค้ด (coding capabilities) กลายเป็นเครื่องมือยอดนิยมในหมู่นักพัฒนาและคนในวงการเทคโนโลยีจำนวนมาก ซึ่งมักถูกเรียกว่า ‘แชทบอทของคนวงในเทคโนโลยี’ (tech insider’s chatbot) โมเดลนี้ยังมีความสามารถ ความเข้าใจหลายรูปแบบ (multimodal understanding) หมายความว่าสามารถตีความและวิเคราะห์ภาพได้ แม้ว่าจะขาดความสามารถในการสร้างภาพก็ตาม สามารถเข้าถึงได้ ฟรีผ่านอินเทอร์เฟซหลักของ Claude ทำให้ความสามารถหลักพร้อมใช้งานอย่างกว้างขวาง อย่างไรก็ตาม ผู้ใช้ที่มีความต้องการใช้งานจำนวนมากจะถูกนำไปยัง การสมัครสมาชิก Pro รายเดือน $20 เพื่อให้แน่ใจว่าสามารถเข้าถึงและมีประสิทธิภาพอย่างสม่ำเสมอ
OpenAI GPT 4o-mini: ปรับให้เหมาะสมด้านความเร็วและความสามารถในการจ่าย
OpenAI เปิดตัว GPT 4o-mini โดยมุ่งเป้าไปที่ประสิทธิภาพและการเข้าถึง ได้รับการโปรโมตให้เป็น โมเดลที่ราคาไม่แพงและเร็วที่สุด ของบริษัทในขณะที่เปิดตัว ขนาดที่เล็กกว่าเป็นกุญแจสำคัญในลักษณะการทำงานของมัน ได้รับการออกแบบมาเพื่อการใช้งานที่หลากหลาย เหมาะอย่างยิ่งสำหรับการขับเคลื่อนแอปพลิเคชันที่ต้องการการตอบสนองอย่างรวดเร็วในวงกว้าง เช่น แชทบอทบริการลูกค้าหรือเครื่องมือสรุปเนื้อหา ความพร้อมใช้งานบน ระดับฟรีของ ChatGPT ช่วยลดอุปสรรคในการเข้าถึงเทคโนโลยีของ OpenAI ได้อย่างมาก เมื่อเทียบกับรุ่นที่ใหญ่กว่า มันได้รับการปรับให้เหมาะสมดีกว่าสำหรับการจัดการ งานที่ค่อนข้างง่ายในปริมาณมาก มากกว่าการให้เหตุผลที่ซับซ้อนลึกซึ้งหรือการสร้างสรรค์เชิงสร้างสรรค์
Cohere Command R+: เป็นเลิศในการดึงข้อมูลระดับองค์กร
โมเดล Command R+ ของ Cohere ได้รับการออกแบบมาโดยเฉพาะเพื่อให้เป็นเลิศใน งาน retrieval-augmented generation (RAG) ที่ซับซ้อน โดยมุ่งเป้าไปที่ แอปพลิเคชันระดับองค์กร เป็นหลัก ระบบ RAG ช่วยเพิ่มการตอบสนองของ AI โดยการดึงข้อมูลที่เกี่ยวข้องจากฐานความรู้ที่ระบุ (เช่น เอกสารภายในของบริษัท) และรวมข้อมูลนั้นเข้ากับข้อความที่สร้างขึ้น Command R+ ได้รับการออกแบบมาเพื่อดำเนินการ กระบวนการดึงข้อมูลและการอ้างอิงนี้ด้วยความแม่นยำและความน่าเชื่อถือสูง แม้ว่า RAG จะช่วยปรับปรุงพื้นฐานข้อเท็จจริงของผลลัพธ์ AI ได้อย่างมีนัยสำคัญ แต่ Cohere ก็ยอมรับว่า ไม่ได้กำจัดความเป็นไปได้ของภาพหลอน AI (AI hallucinations) ทั้งหมด ซึ่งหมายความว่าการตรวจสอบข้อมูลที่สำคัญอย่างรอบคอบยังคงมีความจำเป็น แม้จะมีการนำ RAG ขั้นสูงมาใช้ก็ตาม