ใครตัดสินใจว่า AI จะบอกคุณอะไร? Campbell Brown อดีตหัวหน้าข่าวของ Meta มีความคิดเห็น

Campbell Brown ได้เห็น ChatGPT เปิดตัวจากภายในสำนักงานใหญ่ของ Meta และมีความคิดเดียวที่ชัดเจน: "ลูกๆ ของฉันจะโง่มากถ้าเราไม่หาวิธีแก้ไขปัญหานี้" อดีตผู้ประกาศข่าว NBC ที่กลายมาเป็นหัวหน้าข่าวของ Facebook ไม่ได้พูดเกินจริง เธอกำลังเห็นคอขวดข้อมูลครั้งต่อไปเกิดขึ้นในเวลาจริง — และไม่มีใครที่สร้าง เครื่องมือพัฒนา AI ที่นักพัฒนาในเอเชียพึ่งพาดูเหมือนจะสนใจเรื่องความแม่นยำ Foundation models ทำได้ดีในการทดสอบการเขียนโค้ด แต่กลับสร้างข้อมูลเท็จเกี่ยวกับเรื่องพื้นฐานเกี่ยวกับภูมิศาสตร์การเมือง สุขภาพจิต และการเงิน สิบเจ็ดเดือนต่อมา Brown ได้เปิดตัว Forum AI เพื่อแก้ไขปัญหาที่อุตสาหกรรมไม่สนใจ: ใครตัดสินใจว่า AI จะบอกคุณอะไรเมื่อคำตอบไม่ใช่เพียงแค่ใช่หรือไม่

บริษัทของเธอประเมินผล foundation models ในเรื่อง "หัวข้อที่มีความเสี่ยงสูง" — หัวข้อที่ความเชี่ยวชาญมีความสำคัญและคำตอบที่ผิดมีผลกระทบ วิธีการนั้นตรงไปตรงมา: รับสมัครผู้เชี่ยวชาญด้านต่างๆ (Niall Ferguson, Tony Blinken, Kevin McCarthy สำหรับภูมิศาสตร์การเมือง; กลุ่มคล้ายกันสำหรับสาขาอื่นๆ) ให้พวกเขาออกแบบเกณฑ์การประเมิน จากนั้นฝึกอบรม AI judges เพื่อให้ได้ความเห็นพ้องต้องกัน 90% กับผู้เชี่ยวชาญ ผลลัพธ์ในช่วงแรกเปิดเผยความจริงที่ไม่สะดวก Gemini ดึงข้อมูลจากเว็บไซต์พรรค Communist ของจีนสำหรับเรื่องที่ไม่เกี่ยวข้องกับ CCP Models ที่ปรับให้เหมาะสมสำหรับโค้ดล้มเหลวอย่างร้ายแรงในเรื่องความละเอียดอ่อน ช่องว่างระหว่างสิ่งที่ Silicon Valley วัด (คะแนน MMLU, อัตราการผ่าน HumanEval) และสิ่งที่ผู้ใช้ต้องการ (ความแม่นยำตามบริบทในหัวข้อที่ซับซ้อน) ไม่เคยกว้างขนาดนี้มาก่อน

เครื่องมือพัฒนา AI คืออะไร

เครื่องมือพัฒนา AI คือแพลตฟอร์มและเฟรมเวิร์กที่ให้นักพัฒนาสามารถสร้าง ฝึกอบรม ปรับใช้ และรวมโมเดลแมชชีนเลิร์นนิงเข้ากับแอปพลิเคชัน หมวดหมู่นี้ครอบคลุมทุกอย่างตั้งแต่ไลบรารี tensor ระดับต่ำ (PyTorch, TensorFlow) ไปจนถึง API wrappers ระดับสูง (SDK ของ OpenAI, Claude API ของ Anthropic) ไปจนถึงแพลตฟอร์มแบบ full-stack ที่จัดการโครงสร้างพื้นฐาน การจัดการโมเดล และ deployment pipelines ความแตกต่างนี้มีความสำคัญเพราะเครื่องมือที่คุณเลือกจะกำหนดสิ่งที่คุณสามารถสร้างและความเร็วในการส่งมอบ

สำหรับนักพัฒนาในเอเชีย ภูมิทัศน์แบ่งออกเป็นสามชั้น ประการแรก: แพลตฟอร์มที่เกิดจากคลาวด์จาก AWS (SageMaker), Google (Vertex AI) และ Microsoft (Azure ML) — มีประสิทธิภาพแต่มีราคาแพง มีปัญหา latency เมื่อผู้ใช้ของคุณอยู่ใน Jakarta และคอมพิวต์ของคุณอยู่ใน Virginia ประการที่สอง: บริการแบบ API-first เช่น OpenAI และ Anthropic — รวมเร็ว แต่ไม่โปร่งใส มีการควบคุมโมเดลพฤติกรรมจำกัด และราคาที่ปรับขึ้นอย่างไม่คาดคิด ประการที่สาม: แพลตฟอร์มระดับภูมิภาคที่สร้างขึ้นสำหรับความเป็นจริงของโครงสร้างพื้นฐานของเอเชีย — latency ต่ำกว่า การปฏิบัติตามกฎหมายในท้องถิ่น ราคาในสกุลเงินระดับภูมิภาค

แพลตฟอร์มพัฒนา AI-native เกิดขึ้นเพื่อแก้ไขปัญหาเฉพาะ: ช่องว่างระหว่าง "ฉันมีไอเดีย" และ "ฉันมีผลิตภัณฑ์ที่ปรับใช้แล้ว" ยังคงวัดเป็นเดือน ไม่ใช่วัน workflow ดั้งเดิมต้องใช้เครื่องมือแยกต่างหากสำหรับ prototyping, training, deployment, monitoring และ iteration การส่งมอบแต่ละครั้งนำมาซึ่งแรงเสียดทาน การ lock-in ของผู้ขายแต่ละรายลดความยืดหยุ่น นักพัฒนาใช้เวลามากขึ้นในการจัดการโครงสร้างพื้นฐานมากกว่าการสร้างคุณสมบัติ

อะไรทำให้เครื่องมือเป็น "AI-native" เทียบกับเพียงแค่ "AI-enabled"? อย่างแรกถือว่า AI เป็นอินเทอร์เฟซหลัก ไม่ใช่ add-on การสร้างโค้ดไม่ใช่คุณสมบัติด้านข้าง — มันคือ workflow เริ่มต้น การเลือกโมเดลเกิดขึ้นตามบริบทตามสิ่งที่คุณกำลังสร้าง ไม่ใช่ผู้ขายที่คุณลงนามสัญญาด้วย Deployment pipelines เข้าใจว่าโมเดลของคุณจะต้องได้รับการฝึกอบรมใหม่ ไม่ใช่เพียงแค่ปรับใช้ใหม่ แพลตฟอร์มสันนิษฐานว่าคุณกำลังทำซ้ำอย่างรวดเร็ว ไม่ใช่ส่งมอบครั้งเดียว

เครื่องมือยอดนิยมสำหรับนักพัฒนาในเอเชีย

การวิจารณ์ของ Campbell Brown เกี่ยวกับ foundation models — ว่าพวกเขาปรับให้เหมาะสมสำหรับเกณฑ์การเขียนโค้ด แต่ล้มเหลวในการให้เหตุผลที่ละเอียดอ่อน — ใช้ได้เท่าเทียมกันกับเครื่องมือพัฒนา แพลตฟอร์มที่ยอดเยี่ยมในการสร้าง React components แบบ boilerplate แต่ไม่สามารถรวมเข้ากับ regional payment gateways (GrabPay, GCash, Alipay) ไม่ได้สร้างขึ้นสำหรับตลาดเอเชีย เครื่องมือพัฒนา AI ที่ดีที่สุดสำหรับภูมิภาคนี้มีสามลักษณะ: โครงสร้างพื้นฐานในท้องถิ่น การรวมเข้ากับ API ระดับภูมิภาค และราคาที่ไม่สมมติว่ามีรอบการระดมทุนของ Silicon Valley

GitHub Copilot ครองใจของผู้คนทั่วโลก แต่มีปัญหาในบริบทนอกข้อมูลการฝึกอบรม ขอให้สร้าง authentication flows สำหรับ LINE Login (มีอยู่ทั่วไปในประเทศไทยและญี่ปุ่น) และคุณจะได้รับโค้ด OAuth2 ทั่วไปที่พลาดความแปลกประหลาดเฉพาะแพลตฟอร์ม ข้อจำกัดเดียวกันปรากฏในเครื่องมือที่สร้างโดยตะวันตก: ยอดเยี่ยมสำหรับแอป CRUD มาตรฐาน อ่อนแอสำหรับสิ่งเฉพาะระดับภูมิภาค นี่ไม่ใช่ปัญหาทางเทคนิค — มันเป็นปัญหาข้อมูล โมเดลที่ฝึกอบรมส่วนใหญ่บน GitHub repositories จากนักพัฒนาสหรัฐอเมริกาและยุโรปสะท้อนให้เห็นระบบนิเวศเหล่านั้น

ทางเลือกระดับภูมิภาคได้เกิดขึ้น ModelScope ของ Alibaba Cloud ให้โมเดลที่ฝึกอบรมไว้ล่วงหน้าซึ่งปรับให้เหมาะสมสำหรับงาน Chinese language HyperCLOVA ของ Naver กำหนดเป้าหมายไปยังนักพัฒนาเกาหลี แพลตฟอร์มเหล่านี้แก้ไขการแปลเป็นภาษาท้องถิ่น แต่สืบทอดความซับซ้อนของโครงสร้างพื้นฐานเดียวกันที่ Brown ระบุที่ Meta: ผู้ขายหลายราย API ที่ไม่สอดคล้องกัน deployment pipelines ที่สมมติว่าคุณมีทีม DevOps ช่องว่างระหว่าง "ทำงานในการสาธิต" และ "ส่งมอบไปยังการผลิต" ยังคงกว้าง

MonstarX เข้าหาปัญหาแตกต่างกันโดยถือว่าการรวมเป็นความกังวลระดับแรก ไลบรารี connector ของแพลตฟอร์มรวมถึง adapters ที่สร้างไว้ล่วงหน้าสำหรับ Southeast Asian payment gateways, authentication providers และบริการคลาวด์ — ชั้นโครงสร้างพื้นฐานที่เครื่องมือทั่วไปไม่สนใจ ที่ Copilot สร้างโค้ดที่คุณจะต้องแก้จุดบกพร่อง MonstarX สร้างโค้ดที่เข้าใจ deployment target ของคุณแล้ว เรื่องนี้สำคัญมากกว่าคะแนน benchmark เมื่อคุณส่งมอบไปยังผู้ใช้ใน Manila ไม่ใช่ Mountain View

วิธีเลือกเครื่องมือที่เหมาะสม

วิธีการของ Forum AI — รับสมัครผู้เชี่ยวชาญ กำหนดเกณฑ์ วัดความเห็นพ้องต้องกัน — นำเสนอแม่แบบสำหรับการประเมินเครื่องมือพัฒนา "หัวข้อที่มีความเสี่ยงสูง" ของคุณคืออะไร สำหรับนักพัฒนาส่วนใหญ่ในเอเชีย คำตอบรวมถึง: latency (ผู้ใช้บนเครือข่าย 4G ในเมืองชั้นสอง), compliance (กฎหมายเรื่องข้อมูล residency แตกต่างกันไปตามประเทศ), ต้นทุน (ใบเรียกเก็บเงิน AWS ที่คำนวณเป็น USD เจ็บปวดเมื่อรายได้ของคุณเป็นรูเปีย) และการรวม (การเชื่อมต่อกับบริการที่ผู้ใช้ของคุณใช้จริง)

เริ่มต้นด้วยข้อกำหนดโครงสร้างพื้นฐาน หากผู้ใช้ของคุณอยู่ใน Southeast Asia คอมพิวต์ของคุณทำงานที่ไหน แพลตฟอร์มที่โฮสต์เฉพาะใน US-East-1 เพิ่ม baseline latency 200-300ms ก่อนที่โค้ดของคุณจะทำงาน ความล่าช้านั้นรวมกันเมื่อคุณเรียก external APIs สำหรับแอปพลิเคชันแบบ real-time (chat, collaboration tools, live updates) latency ไม่ใช่คำขอคุณสมบัติ — มันเป็นตัวตัดสินใจ ตรวจสอบว่าแพลตฟอร์มทำงาน edge nodes ที่ไหนและว่าพวกเขาสนับสนุน deployment ใน Singapore, Tokyo หรือ Mumbai หรือไม่

ต่อไป ตรวจสอบ การรวม ที่คุณจะต้องในเดือนแรก การประมวลผลการชำระเงิน: แพลตฟอร์มรองรับ regional gateways หรือเพียงแค่ Stripe หรือไม่ Authentication: คุณสามารถรวม LINE, KakaoTalk, Zalo พร้อมกับ Google และ GitHub ได้หรือไม่ บริการคลาวด์: หากคุณใช้ Alibaba Cloud หรือ Tencent Cloud ด้วยเหตุผลด้าน compliance เครื่องมือนี้รองรับผู้ให้บริการเหล่านั้นหรือไม่ แพลตฟอร์มทั่วไปสมมติว่า AWS/GCP/Azure แพลตฟอร์มระดับภูมิภาครู้ดีกว่า

แบบจำลองราคาเปิดเผยลำดับความสำคัญ ราคาตามการใช้งานฟังดูยุติธรรมจนกว่าคุณจะตระหนักว่าแพลตฟอร์มวัด "API calls" หรือ "compute minutes" โดยไม่แยกความแตกต่างระหว่าง prototype และ production traffic ราคาแบบ fixed-tier ฟังดูคาดเดาได้จนกว่าคุณจะถูกจำกัดด้วยข้อจำกัดเทียมเกี่ยวกับขนาดทีมหรือความถี่ deployment เครื่องมือที่ดีที่สุดสำหรับนักพัฒนาเอเชียราคาในสกุลเงินท้องถิ่นและโครงสร้างชั้นรอบรูปแบบการใช้งานจริง (จำนวนโครงการ ไม่ใช่จำนวน API calls) เพราะพวกเขาเข้าใจว่าสตาร์ทอัพสามคนใน Bangalore มีเศรษฐศาสตร์ที่แตกต่างจากบริษัท Series B ใน San Francisco

สุดท้าย ประเมินเส้นโค้งการเรียนรู้อย่างสัตย์ Brown's insight เกี่ยวกับช่องว่างระหว่าง Silicon Valle