Inkling โมเดลเปิดตัวแรกจาก Thinking Machines และเดิมพันว่า AI ที่คุณปรับเอง จะชนะ AI ที่เก่งที่สุด
วันที่ 15 กรกฎาคม 2026 Thinking Machines Lab ปล่อยโมเดลตัวแรกของบริษัทออกมาชื่อ Inkling บริษัทนี้ก่อตั้งโดย Mira Murati อดีตหัวหน้าฝ่ายเทคโนโลยีของ OpenAI และใช้เวลาพัฒนาราวเก้าเดือน
สิ่งที่ทำให้ข่าวนี้ต่างจากข่าวเปิดตัวโมเดลทั่วไปคือประโยคที่บริษัทพูดเอง ว่า Inkling ไม่ใช่โมเดลที่แข็งแรงที่สุดที่มีอยู่ตอนนี้ ไม่ว่าจะเทียบกับฝั่งเปิดหรือฝั่งปิด
ปกติวันเปิดตัวโมเดลคือวันที่ทุกบริษัทเอากราฟมาโชว์ว่าตัวเองชนะใครบ้าง การเลือกพูดแบบนี้จึงไม่ใช่ความถ่อมตัว แต่เป็นการประกาศว่าเขากำลังเล่นเกมคนละเกม บทความนี้จะแกะว่าเกมนั้นคืออะไร
Inkling คืออะไร
Inkling เป็นโมเดลแบบเปิดน้ำหนัก TechCrunch ระบุว่านักพัฒนาและบริษัทภายนอกโหลดตัวมันไปแก้ไขเองได้โดยตรง
คำว่าน้ำหนักหรือ weights หมายถึงตัวเลขนับพันล้านตัวที่เป็นสิ่งที่โมเดลเรียนรู้มาทั้งหมด เปรียบเหมือนความรู้ที่ตกผลึกอยู่ในหัวของมัน โมเดลอย่าง GPT หรือ Claude ไม่เปิดของพวกนี้ให้ คุณคุยกับมันผ่านหน้าเว็บหรือส่งงานเข้าไปทางช่องต่อที่เรียกว่า API ได้ แต่คุณไม่มีวันได้ตัวโมเดลมาไว้ในมือ
เปิดน้ำหนักแปลว่าคุณโหลดตัวโมเดลมาเก็บไว้เอง รันบนเครื่องของคุณเอง และปรับมันด้วยข้อมูลของคุณเองได้ ข้อแลกเปลี่ยนคือคุณต้องมีเครื่องที่แรงพอและมีคนที่ทำเป็น มันไม่ใช่ของที่เปิดเว็บแล้วใช้ได้ทันทีแบบ ChatGPT
ตัวเลขที่บอกว่ามันถูกออกแบบมายังไง
ตัวเลขของ Inkling ที่ TechCrunch รายงานไว้มีสามชุดที่เล่าเรื่องได้ครบ
ชุดแรก มันมีพารามิเตอร์รวม 975 พันล้านตัว แต่เวลาทำงานจริงจะใช้แค่ราว 41 พันล้านตัวต่องาน
ชุดที่สอง มันเรียนจากข้อมูล 45 ล้านล้าน token ครอบคลุมทั้งข้อความ ภาพ เสียง และวิดีโอ แม้ตอนนี้จะตอบออกมาได้เป็นข้อความอย่างเดียว รวมถึงโค้ดและข้อมูลที่มีโครงสร้าง
ชุดที่สาม บริษัทระบุว่ามันใช้ token ราวหนึ่งในสามของที่ Nemotron 3 Ultra ของ Nvidia ใช้ เพื่อไปถึงความสามารถด้านเขียนโค้ดระดับเดียวกัน
mixture-of-experts ทำงานยังไง
ตัวเลขชุดแรกคือจุดที่น่าสนใจที่สุด และมันมีชื่อเรียก
ลองนึกถึงโรงพยาบาลใหญ่แห่งหนึ่งที่มีหมอเฉพาะทางรวมกันเป็นร้อยคน หมอหัวใจ หมอกระดูก หมอผิวหนัง เวลาคุณเดินเข้าไปด้วยอาการปวดเข่า โรงพยาบาลไม่ได้เรียกหมอทั้งร้อยคนมานั่งล้อมตรวจคุณพร้อมกัน มีพยาบาลคัดกรองส่งคุณไปหาหมอกระดูกสองสามคนที่ตรงกับอาการ คุณได้ความเชี่ยวชาญระดับโรงพยาบาลใหญ่ โดยที่โรงพยาบาลจ่ายค่าแรงแค่หมอที่ตรวจคุณจริง
โครงสร้างแบบนี้ในวงการ AI เรียกว่า mixture-of-experts หรือ MoE ตัวโมเดลถูกแบ่งเป็นส่วนย่อยหลายส่วนที่ถนัดคนละเรื่อง แล้วมีกลไกคัดกรองคอยเลือกว่างานตรงหน้าควรปลุกส่วนไหนขึ้นมาทำ ที่เหลือนอนพักไว้
นี่คือเหตุผลที่ตัวเลข 975 พันล้านกับ 41 พันล้านอยู่ด้วยกันได้ ความรู้ทั้งหมดที่มันมีคือ 975 พันล้าน แต่ค่าประมวลผลที่ต้องจ่ายต่อหนึ่งคำตอบใกล้เคียงโมเดลขนาด 41 พันล้าน แปลว่าได้ความรู้ระดับโมเดลยักษ์ในราคาที่ถูกกว่ามาก
การเปรียบเทียบกับโรงพยาบาลนี้ใช้ได้จุดเดียวคือเรื่องการเลือกเรียกเฉพาะส่วนที่ตรงงาน ส่วนที่ต่างคือส่วนย่อยของโมเดลไม่ได้แบ่งตามสาขาที่คนเข้าใจแบบหมอเฉพาะทาง มันแบ่งตามรูปแบบทางคณิตศาสตร์ที่โมเดลจัดกลุ่มขึ้นมาเองระหว่างเรียน ไม่มีใครสั่งได้ว่าส่วนไหนต้องถนัดอะไร
เดิมพันจริงของบริษัทนี้
ทีนี้กลับมาที่ประโยคที่บริษัทยอมรับว่าตัวเองไม่ใช่ที่หนึ่ง
ข้อเสนอของ Thinking Machines คือ AI ที่องค์กรเอาไปปรับเองด้วยข้อมูลและงานของตัวเอง จะทำงานได้ดีกว่าโมเดลกลางที่เทรนมาแบบตายตัวและเก่งรอบด้าน Inkling จึงไม่ได้ถูกวางเป็นของสำเร็จรูปที่เอาไปใช้จบ แต่เป็นจุดตั้งต้นให้เอาไปปรับต่อ ผ่านแพลตฟอร์มของบริษัทที่ชื่อ Tinker
พูดอีกแบบคือเขาไม่ได้แข่งว่าใครทำข้อสอบกลางได้คะแนนสูงสุด เขาเดิมพันว่าข้อสอบกลางไม่ใช่สิ่งที่วัดว่าองค์กรจะได้ประโยชน์จริงหรือไม่
ตัวเลขที่บริษัทยกมาสนับสนุนคืองานที่ทำร่วมกับ Bridgewater Associates ซึ่งเป็นกองทุนเฮดจ์ฟันด์ขนาดใหญ่ ผลที่รายงานคือ 84.7 เปอร์เซ็นต์ในการทดสอบการให้เหตุผลด้านการเงิน ซึ่งสูงกว่าโมเดลเชิงพาณิชย์ชั้นนำ โดยมีต้นทุนการรันราวหนึ่งในสิบสี่
ตรงนี้ต้องพูดให้ชัด TechCrunch ระบุเองว่าตัวเลขนี้มาจากการประเมินของบริษัทเหล่านั้นเอง ไม่ใช่การวัดโดยคนกลาง เวลาบริษัทวัดตัวเองแล้วบอกว่าตัวเองชนะ ให้ฟังไว้เป็นทิศทาง อย่าเพิ่งรับเป็นข้อสรุป
อีกข้อที่บริษัทระบุเองคือ ขั้นตอนการฝึกช่วงท้ายของ Inkling ยังต้องพึ่งโมเดลเปิดของเจ้าอื่นมาช่วยสร้างข้อมูลตั้งต้นบางส่วน และบอกว่าโมเดลรุ่นถัดไปจะทำเองทั้งหมด
ธุรกิจไทยควรอ่านข่าวนี้ยังไง
คุณไม่ต้องไปโหลด Inkling มาใช้ ธุรกิจส่วนใหญ่ในไทยไม่มีเครื่องและคนที่จะรันโมเดลขนาดนี้เอง และไม่จำเป็นต้องมี
สิ่งที่ควรเก็บกลับไปคือแนวคิด ไม่ใช่ตัวสินค้า
ถ้าแนวคิดนี้ถูก สิ่งที่ตัดสินว่าใครได้ประโยชน์จาก AI จะไม่ใช่ใครจ่ายค่าโมเดลที่แพงและเก่งที่สุด แต่คือใครมีข้อมูลงานของตัวเองที่สะอาดพอ จัดเก็บดีพอ และมีมากพอจะเอาไปปรับ AI ให้รู้จักธุรกิจของตัวเอง
ข้อดีของเรื่องนี้คือ ข้อมูลของธุรกิจคุณเป็นของที่สะสมได้เองโดยไม่ต้องมีทุนระดับพันล้าน บันทึกการคุยกับลูกค้า คำถามที่ลูกค้าถามซ้ำ ๆ ขั้นตอนการทำงานที่ทีมคุณรู้กันเองแต่ไม่เคยเขียนลงกระดาษ ของพวกนี้คือสิ่งที่โมเดลกลางไม่มีวันรู้ เพราะมันไม่เคยเห็น
สิ่งที่ทำได้ตั้งแต่วันนี้โดยไม่ต้องซื้ออะไรเลยจึงเป็นเรื่องพื้น ๆ ที่ฟังดูไม่เกี่ยวกับ AI เลย เขียนขั้นตอนการทำงานให้เป็นเอกสาร เก็บบทสนทนากับลูกค้าให้เป็นที่เป็นทาง อย่าปล่อยให้ความรู้ของบริษัทอยู่ในหัวคนเดียวหรือในแชตที่หาไม่เจอ
วันที่คุณอยากให้ AI ช่วยงานคุณจริงจัง ไม่ว่าจะด้วยวิธีปรับโมเดลแบบที่ Thinking Machines เสนอ หรือด้วยวิธีที่ง่ายกว่านั้นอย่างการป้อนเอกสารให้ AI อ่านก่อนตอบ สิ่งที่คุณจะต้องใช้เหมือนกันหมดคือข้อมูลที่จัดเก็บไว้ดี ถ้ายังไม่มี ต่อให้โมเดลเก่งแค่ไหนก็ช่วยอะไรไม่ได้ เพราะมันไม่รู้จักธุรกิจคุณ
ที่มา TechCrunch รายงานเมื่อวันที่ 15 กรกฎาคม 2026