ข่าว 
ข้อมูลเหรียญ 
แนะนำสื่อ 
เมตา(Meta·META) เปิดตัวโมเดลปัญญาประดิษฐ์ (AI) ขนาด 3 หมื่นล้านพารามิเตอร์ที่ชื่อ ‘มิวส์ กลิมเมอร์ (Muse Glimmer)’ เมื่อวันที่ 10 (เวลาท้องถิ่น) ซึ่งสามารถรันได้บนการ์ดจอเครื่องเดียวสำหรับผู้ใช้ทั่วไป โมเดลนี้เป็นแบบ open-weight ที่ออกแบบมาให้ประมวลผลงานเชิงเอเจนต์บนคอมพิวเตอร์ส่วนบุคคลได้โดยไม่ต้องพึ่งเซิร์ฟเวอร์คลาวด์ขนาดใหญ่
เซโรเฮดจ์ (ZeroHedge) รายงานว่าน้ำหนักโมเดล (weight) ของมิวส์ กลิมเมอร์ถูกเผยแพร่บนแพลตฟอร์มจัดเก็บโมเดลอย่างฮักกิ้งเฟซ (Hugging Face) แล้ว โดยใช้สัญญาอนุญาตแบบ Apache 2.0 ที่อนุญาตให้แก้ไขและเผยแพร่ซ้ำได้ ผู้ใช้งานต้องปฏิบัติตามเงื่อนไขที่เกี่ยวข้อง เช่น การระบุลิขสิทธิ์และสัญญาอนุญาตให้ถูกต้อง
การเปิดตัวครั้งนี้เป็นความต่อเนื่องจากที่เมตาเคยเปิดตัวโมเดล AI แบบ open-weight ขนาดเบาที่รันบนคอมพิวเตอร์ส่วนบุคคลได้มาก่อน คำว่า open-weight หมายถึงวิธีการเผยแพร่ที่เปิดให้ดาวน์โหลด ‘น้ำหนัก (weight)’ ซึ่งเป็นค่าที่ AI ใช้ในการประมวลผลข้อมูลนำเข้าและสร้างผลลัพธ์
open-weight และ open-source มีขอบเขตการเปิดเผยที่ต่างกัน แม้จะเปิดเผยน้ำหนักโมเดล แต่ไม่ได้หมายความว่าข้อมูลที่ใช้ฝึกโมเดล (training data) โค้ดต้นฉบับ และกระบวนการพัฒนาทั้งหมดจะถูกเปิดเผยไปด้วย
มิวส์ กลิมเมอร์ถูกฝึกขึ้นจากมิวส์ สปาร์ก (Muse Spark) ซึ่งเป็นโมเดลขนาดใหญ่ของเมตา โดยใช้เทคนิค ‘การกลั่น (distillation)’ ที่นำผลลัพธ์และข้อมูลการเรียนรู้ของโมเดลขนาดใหญ่มาเพิ่มประสิทธิภาพให้กับโมเดลขนาดเล็ก
โดยทั่วไปโมเดลขนาด 3 หมื่นล้านพารามิเตอร์ต้องใช้หน่วยความจำมากกว่า 55 กิกะไบต์หากคงความละเอียดของตัวเลข (precision) เอาไว้ทั้งหมด แต่เมตาใช้เทคนิคการบีบอัดที่ลดความละเอียดตัวเลขลง ทำให้ขนาดโมเดลเหลือต่ำกว่า 20 กิกะไบต์
โมเดลที่บีบอัดแล้วสามารถรันได้บนการ์ดจอระดับ 24GB หรือ 32GB ร่วมกับองค์ประกอบการทำงานอื่น ๆ โครงสร้างนี้มุ่งเป้าไปที่นักพัฒนาที่ต้องการรันโมเดลบนอุปกรณ์ของตัวเอง โดยไม่ต้องเสียค่าบริการคลาวด์หรือเชื่อมต่อเซิร์ฟเวอร์ภายนอก
เพื่อเพิ่มความเร็วในการอนุมาน (inference) เมตาใช้วิธี ‘speculative decoding’ ซึ่งเป็นโครงสร้างที่ให้โมเดลผู้ช่วยขนาดเล็กคาดเดาส่วนของประโยคถัดไปก่อน จากนั้นโมเดลหลักจะตรวจสอบคำทำนายหลายรายการพร้อมกันในคราวเดียว
จากผลทดสอบภายในของเมตา มิวส์ กลิมเมอร์ทำความเร็วได้เร็วกว่าเดิม 3.1 เท่าบนการ์ดจอ RTX 5090, เร็วกว่า 1.8 เท่าบน M5 Max และเร็วกว่า 1.5 เท่าบน M4 Max อย่างไรก็ตาม เกณฑ์เปรียบเทียบและตัวเลขประสิทธิภาพดังกล่าวเป็นผลทดสอบภายในของเมตาเอง ซึ่งยังไม่มีการตรวจสอบอย่างเป็นอิสระจากภายนอก
มิวส์ กลิมเมอร์เน้นรองรับงานเชิงเอเจนต์ (agentic) ที่ต้องผ่านหลายขั้นตอน เช่น การเขียนโค้ด งานธุรการ และการเรียกใช้เครื่องมือภายนอก AI เชิงเอเจนต์หมายถึงโมเดลที่ไม่ได้เพียงสร้างคำตอบตามคำสั่งของผู้ใช้ แต่สามารถแบ่งงานและใช้เครื่องมือต่าง ๆ เพื่อทำงานให้สำเร็จได้ด้วยตัวเอง
เมตาระบุว่ามิวส์ กลิมเมอร์เป็นคู่แข่งของเจมมา4-31B (Gemma4-31B) จากกูเกิล(Google) และควีน3.6-27B (Qwen3.6-27B) จากอาลีบาบา(Alibaba) โดยบริษัทอ้างว่าโมเดลนี้มีความสามารถแข่งขันได้ในการทดสอบด้านการแก้ไขข้อผิดพลาดของโค้ด การเรียกใช้เครื่องมือภายนอก และการกู้คืนงานหลังความล้มเหลว
มาร์ก ซักเคอร์เบิร์ก(Mark Zuckerberg) ซีอีโอของเมตา เขียนในบทความชื่อ ‘อนาคตคือของทุกคน (The Future Is for Everyone)’ ว่า “หากโมเดลโอเพนซอร์สของสหรัฐฯ ต้องการนำหน้าในระยะยาว นโยบายของสหรัฐฯ ต้องลดแรงเสียดทานเพิ่มเติมเช่นนี้” คำกล่าวนี้สะท้อนแนวคิดที่ว่าศักยภาพด้าน AI ควรกระจายไปสู่บุคคลและนักพัฒนาในวงกว้าง มากกว่าจะกระจุกอยู่ในองค์กรไม่กี่แห่ง
การเปิดตัวครั้งนี้เกิดขึ้นในช่วงที่กูเกิล อาลีบาบา มิสทรัล(Mistral) และดีปซีค(DeepSeek) ต่างทยอยเปิดตัวโมเดลขนาดเล็กแบบเปิดของตนเองเช่นกัน การรันโมเดลบนอุปกรณ์ของตัวเองช่วยให้ผู้ใช้ควบคุมสภาพแวดล้อมการใช้งานได้โดยตรงและปรับแต่งให้เหมาะกับวัตถุประสงค์ แต่ผู้ใช้ก็ต้องเตรียมอุปกรณ์และความสามารถในการดูแลระบบด้วยตัวเอง
การขยายตัวของการรันโมเดล AI บนอุปกรณ์ท้องถิ่น (local) เชื่อมโยงโดยตรงกับความต้องการการ์ดจอและทรัพยากรประมวลผลส่วนบุคคล ส่วนจะส่งผลต่อภาคธุรกิจ AI ในวงการคริปโตหรือระบบคอมพิวติ้งแบบกระจายศูนย์หรือไม่นั้น ยังต้องติดตามต่อไป และยังไม่มีข้อมูลยืนยันผลกระทบโดยตรงต่อราคาหรือปริมาณการซื้อขายโทเคนที่เกี่ยวข้อง
เมตามีแผนเปิดตัวเวอร์ชัน open-weight ของมิวส์ สปาร์กภายในไม่กี่สัปดาห์ข้างหน้า ก่อนจะตามด้วยโมเดลขนาดใหญ่กว่านี้ในอนาคต ส่วนประสิทธิภาพที่แท้จริงของมิวส์ กลิมเมอร์จะชัดเจนขึ้นหลังจากนักพัฒนาภายนอกที่ดาวน์โหลดน้ำหนักโมเดลไปทดสอบอย่างเป็นอิสระ
ความคิดเห็น 0