โมเดล AI แบบโอเพนซอร์สกับแบบปิด: ใครกำลังชนะในปี 2026

ลองถามคนทำงานกับ AI สิบคนในปี 2026 ว่าโมเดลแบบเปิด (open) หรือแบบปิด (closed) กำลังชนะกันแน่ แล้วคุณจะได้คำตอบสิบแบบที่ต่างกัน ขึ้นอยู่กับว่าพวกเขากำลังสร้างอะไรอยู่ และหมายถึงอะไรเวลาพูดคำว่า “เปิด” นี่ไม่ใช่การพูดกำกวมหลบเลี่ยง แต่คือสภาพจริงของวงการนี้ ทั้งในงานสร้างวิดีโอ ภาพ และข้อความ ฝั่งโมเดลแบบเปิดเผยน้ำหนัก (open-weight) ได้ลดช่องว่างด้านความสามารถลงมากพอ จนคำแนะนำที่ว่า “ใช้โมเดลแบบปิดไปเลย เพราะมันดีกว่าเห็นๆ” ไม่ใช่ทางเลือกที่ปลอดภัยที่สุดอีกต่อไปในช่วงปีครึ่งที่ผ่านมา แต่ห้องแล็บฝั่งปิดก็ไม่ได้นิ่งเฉย และคำว่า “เปิด” เองก็กลายเป็นคำที่มีข้อถกเถียงมากพอจนสองคนอาจใช้คำเดียวกันอธิบายผลิตภัณฑ์ที่มีสิทธิ์ติดมาด้วยแตกต่างกันโดยสิ้นเชิง ก่อนจะเลือกฝ่าย ควรทำความเข้าใจให้ชัดก่อนว่ากำลังเปรียบเทียบอะไรกับอะไรอยู่จริงๆ

ศึกนิยามคำว่า “เปิด” ที่ไม่มีใครนอกวงการ AI สนใจ

Open Source Initiative (OSI) ได้สรุปนิยามอย่างเป็นทางการของ “AI แบบโอเพนซอร์ส” ในเดือนตุลาคม 2024 และตั้งมาตรฐานไว้สูงกว่าที่โมเดล “เปิด” ส่วนใหญ่จะผ่านได้จริง เพื่อให้เข้าเกณฑ์ โมเดลหนึ่งต้องเปิดให้ไม่เพียงแค่ดาวน์โหลดน้ำหนัก (weights) ได้ แต่ต้องเปิดโค้ดที่ใช้ฝึกโมเดล (training code) และเอกสารเกี่ยวกับข้อมูลฝึกที่ละเอียดพอให้คนอื่นสามารถลองทำซ้ำได้จริง ภายใต้มาตรฐานนี้ โมเดลส่วนใหญ่ที่คนทั่วไปเรียกกันเล่นๆ ว่า “โอเพนซอร์ส” — ไม่ว่าจะเป็น Llama, Wan หรือแม้แต่ DeepSeek — จริงๆ แล้วควรเรียกว่า “เปิดเผยน้ำหนัก” (open-weight) มากกว่า นั่นคือคุณจะได้พารามิเตอร์สำเร็จรูปมาใช้รันหรือฟายน์จูนต่อ แต่ไม่ได้ “สูตร” ที่ใช้สร้างมันขึ้นมา ความแตกต่างนี้ฟังดูเหมือนจับผิดคำ จนกว่าคุณจะต้องตัดสินใจว่าผู้ให้บริการรายหนึ่งสามารถตรวจสอบได้จริงหรือไม่ว่าโมเดลถูกฝึกด้วยข้อมูลอะไร ซึ่งเรื่องนี้สำคัญมากสำหรับใครก็ตามที่ต้องส่งมอบผลิตภัณฑ์ในอุตสาหกรรมที่มีการกำกับดูแล ในทางปฏิบัติ คำว่า “เปิดเผยน้ำหนัก” กลายเป็นศัพท์เทคนิคที่ใช้กันจริงในปี 2026 และคำถามที่มีประโยชน์กว่าสำหรับนักพัฒนาไม่ใช่ “นี่เป็นโอเพนซอร์สไหม” แต่คือ “สัญญาอนุญาตนี้อนุญาตให้ฉันทำอะไรได้บ้างจริงๆ”

วิดีโอ: ช่องว่างที่แคบลงเร็วที่สุด

งานสร้างวิดีโอคือจุดที่ความแตกต่างระหว่างเปิดกับปิดชัดเจนที่สุด เพราะการสร้างโมเดลวิดีโอที่ใช้งานได้จริงตั้งแต่ศูนย์นั้นมีต้นทุนสูงจนมีเพียงห้องแล็บไม่กี่แห่งเท่านั้นที่กล้าลงมือทำ Wan 2.2 ของ Alibaba ที่เผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 พร้อมน้ำหนักที่เปิดเผยบน GitHub, Hugging Face และ ModelScope คือธงนำที่ชัดเจนที่สุดของฝั่งเปิดเผยน้ำหนักในหมวดนี้ — Apache 2.0 เป็นสัญญาอนุญาตแบบผ่อนปรนที่อนุญาตให้ใช้ในเชิงพาณิชย์ ดัดแปลง และแจกจ่ายต่อได้ โดยมีรุ่นเล็ก 5B ที่เบาพอจะรันบน GPU สำหรับผู้บริโภคเครื่องเดียวได้ ไปจนถึงรุ่นใหญ่แบบ Mixture-of-Experts ที่ต้องใช้โครงสร้างพื้นฐานจริงจังในการให้บริการขนาดใหญ่ ส่วน Kling จาก Kuaishou อยู่คนละขั้วเลย ไม่มีการเปิดเผยน้ำหนัก ไม่มีรีโพซิทอรีโมเดลให้ดู การเข้าถึงทำได้ผ่าน API สำหรับนักพัฒนาเท่านั้น ซึ่งใช้แพ็กเกจเครดิตแบบจ่ายล่วงหน้าแยกต่างหากจากแผนสมาชิกสำหรับผู้บริโภคทั่วไป นับเป็นอุปสรรคจริงสำหรับใครที่อยากลองเล่นแบบสบายๆ แม้จะไม่ใช่เรื่องแปลกสำหรับโมเดลระดับแนวหน้าแบบปิดก็ตาม ประเด็นที่น่าสนใจไม่ใช่ว่าตัวหนึ่งเปิดตัวหนึ่งปิด แต่คือความสม่ำเสมอของการเคลื่อนไหว (motion consistency) และความคมชัดสมจริงของภาพจาก Wan ได้ไล่ตามมาใกล้พอจนหลายทีมเลือกใช้ Wan เป็นค่าเริ่มต้น แล้วค่อยหันไปหาโมเดลแบบปิดเฉพาะเมื่องานนั้นๆ จำเป็นจริงๆ ซึ่งเรื่องแบบนี้ไม่เคยเป็นจริงเมื่อสองปีก่อน

ภาพ: ศึกที่เก่าแก่ที่สุดในวงการ generative AI ที่ยังไม่มีข้อสรุป

งานสร้างภาพคือสนามที่การทดลองนี้ดำเนินมายาวนานที่สุด และผลลัพธ์ก็แบ่งออกอย่างแท้จริง ไม่ใช่ชัยชนะเด็ดขาดของฝ่ายใดฝ่ายหนึ่ง Midjourney ยังคงเป็นแบบปิดและเป็นกรรมสิทธิ์เฉพาะ มีสไตล์ประจำสำนัก (house style) ที่คัดสรรมาอย่างเข้มข้นและโดดเด่น ซึ่งเอาต์พุตแบบไม่ต้องปรับแต่งอะไรเลยก็ยังเอาชนะโมเดลเปิดส่วนใหญ่ในแง่ความสวยงามได้ ทายาทของ Stable Diffusion และคู่แข่งฝั่งเปิดอย่าง Flux ได้ไล่ตามช่องว่างนี้มาใกล้มาก — จากการเปรียบเทียบแบบไม่เป็นทางการที่แพร่หลายในปี 2026 เครื่องมืออย่าง Flux และเช็คพอยต์ SDXL ที่ผ่านการฟายน์จูนอย่าง Juggernaut XL สามารถเทียบเท่าหรือเหนือกว่า Midjourney ในแง่ความสอดคล้องกับพรอมต์และความสมจริง แถมยังรันได้ฟรีบนฮาร์ดแวร์ของผู้บริโภคเองเมื่อคุณมี GPU เป็นของตัวเองแล้ว สิ่งที่ Midjourney ขายจริงๆ ตอนนี้ไม่ใช่คุณภาพของภาพอีกต่อไป แต่คือ “ความไม่ต้องตั้งค่าอะไรเลย” — ไม่ต้องสร้างกราฟ ComfyUI ไม่ต้องไล่หา LoRA มีแค่ค่าสมาชิกเดือนละ 10 ดอลลาร์กับช่องใส่พรอมต์ก็พอ ส่วนระบบนิเวศของ Stable Diffusion — LoRA, ControlNet, ตัวสุ่มตัวอย่าง (sampler) แบบกำหนดเอง และคลังโมเดลที่ชุมชนฟายน์จูนกันเองมหาศาล — คือความลึกที่ระบบแบบปิดไม่มีทางมอบให้ได้โดยธรรมชาติของการออกแบบ เพราะความลึกแบบนี้ต้องยอมให้คนเข้าถึงกลไกภายในได้จริง ใครจะ “ชนะ” ในจุดนี้ขึ้นอยู่กับว่าคุณให้ค่ากับการคัดสรรที่พร้อมใช้ หรือการควบคุมด้วยตัวเอง และทั้งสองฝ่ายต่างก็เลือกที่จะยึดข้อแลกเปลี่ยนนี้ไว้อย่างถาวร ไม่ใช่แค่ชั่วคราว

ข้อความ: สมรภูมิที่มีเสียงดังที่สุดและส่งผลกระทบมากที่สุด

โมเดลภาษาคือจุดที่การถกเถียงเรื่องเปิดกับปิดได้รับความสนใจมากที่สุด และปี 2026 ก็สร้างจุดพลิกผันที่แปลกประหลาดจริงๆ นั่นคือ OpenAI บริษัทที่ถูกมองว่าล็อกโมเดลระดับแนวหน้าของตัวเองไว้หลังกำแพง API มากที่สุด กลับเปิดตัวโมเดลเปิดเผยน้ำหนักของตัวเองคือ gpt-oss-120b และ gpt-oss-20b ภายใต้สัญญาอนุญาต Apache 2.0 ในเดือนสิงหาคม 2025 — นับเป็นการเปิดเผยน้ำหนักครั้งแรกของบริษัทนับตั้งแต่ GPT-2 โมเดลทั้งสองนี้ไม่สามารถใช้งานผ่าน ChatGPT หรือ API ของ OpenAI เองได้ มันมีไว้เพื่อให้ใครก็ตามที่อยากรันการอนุมาน (inference) บนโครงสร้างพื้นฐานของตัวเองเท่านั้น และมีรายงานว่า gpt-oss-120b ทำผลงานใกล้เคียงกับโมเดลด้านการให้เหตุผล o4-mini ของ OpenAI เองในการทดสอบมาตรฐานหลักๆ การเปิดตัวครั้งเดียวนี้ช่วยสร้างความชอบธรรมให้กับโมเดลข้อความแบบเปิดเผยน้ำหนักได้มากกว่าประกาศใดๆ ของ Meta หรือ Mistral เพราะมันมาจากห้องแล็บที่มีแรงจูงใจเชิงพาณิชย์ทุกอย่างที่จะยืนยันว่าแบบปิดย่อมดีกว่าเสมอ ในขณะเดียวกัน โมเดล V4 ของ DeepSeek เผยแพร่ภายใต้สัญญาอนุญาต MIT แบบเรียบง่าย ซึ่งถือเป็นสัญญาอนุญาตที่ผ่อนปรนที่สุดเท่าที่ใช้กันอย่างแพร่หลายในอุตสาหกรรมนี้ก็ว่าได้ เปิดให้ใครก็ตามสร้างและขายต่อผลิตภัณฑ์บนพื้นฐานนี้ได้โดยไม่ต้องจ่ายค่าลิขสิทธิ์ ส่วน Llama 4 ของ Meta ใช้ “Community License” ของตัวเอง ซึ่งดูเหมือนจะเปิดจนกว่าบริษัทใดบริษัทหนึ่งจะมีผู้ใช้งานต่อเดือน (MAU) เกิน 700 ล้านคน ถึงจุดนั้นก็ต้องไปเจรจาเงื่อนไขแยกต่างหากกับ Meta ตามดุลยพินิจของ Meta เอง เงื่อนไขข้อนี้เองคือเหตุผลที่ Open Source Initiative ไม่ยอมรับว่า Llama เป็นโอเพนซอร์สในความหมายที่เคร่งครัด แม้คนทั่วไปจะเรียกมันแบบนั้นกันจนติดปากก็ตาม มันคือ “ซอร์สที่เปิดให้ดูได้แต่มีเพดานจำกัด” ไม่ใช่การเปิดแบบไม่มีข้อจำกัด ส่วน Mistral วางตัวอยู่ตรงกลางในแบบของตัวเอง ผสมผสานระหว่างการเปิดตัวโมเดลขนาดเล็กแบบผ่อนปรนมากกว่า กับเงื่อนไขที่เข้มงวดกว่าสำหรับระบบเรือธงขนาดใหญ่ ความละเอียดอ่อนเรื่องสัญญาอนุญาตทั้งหมดนี้ไม่มีทางปรากฏในกราฟผลการทดสอบมาตรฐานเลย แต่มันคือส่วนที่ตัดสินจริงๆ ว่าบริษัทหนึ่งจะสร้างธุรกิจบนโมเดลใดโมเดลหนึ่งได้โดยไม่ต้องผ่านการเซ็นอนุมัติของทนายความหรือไม่

แล้วใครกันแน่ที่กำลังชนะอยู่จริงๆ

คำตอบที่ตรงไปตรงมาคือ “ชัยชนะ” ไม่ใช่การแข่งขันเดียว แต่เป็นอย่างน้อยสามสนามพร้อมกัน และแต่ละฝ่ายก็นำอยู่คนละสนาม ในแง่ความสามารถระดับแนวหน้าดิบๆ — งานให้เหตุผล เขียนโค้ด และสร้างสรรค์ที่ยากที่สุด — ห้องแล็บฝั่งปิดยังคงมีความได้เปรียบจริงแม้จะแคบลงเรื่อยๆ และการติดตามอย่างเป็นอิสระจากกลุ่มอย่าง Epoch AI ก็พบอย่างสม่ำเสมอว่าโมเดลแบบปิดที่ดีที่สุดมักนำหน้าโมเดลเปิดเผยน้ำหนักที่ดีที่สุดอยู่หลายเดือนในทุกช่วงเวลา ไม่ใช่เพราะห้องแล็บฝั่งเปิดแข่งขันไม่ได้ แต่เพราะการฝึกโมเดลระดับแนวหน้านั้นใช้เงินทุนมหาศาลในแบบที่เอื้อให้ฝ่ายที่ทุ่มเงินได้มากที่สุดได้เปรียบ ในแง่ต้นทุนและการเข้าถึง ฝั่งเปิดเผยน้ำหนักชนะขาดลอย DeepSeek และโมเดลเปิดที่ใกล้เคียงกันมักมีราคาต่อโทเคนถูกกว่า API แบบปิดถึงสี่ถึงสิบเท่าเป็นประจำ และการรันโมเดลในเครื่องของตัวเองหมายความว่าไม่มีบิลรายคำขอ และไม่ต้องพึ่งพาผู้ให้บริการให้คง endpoint ไว้ให้ใช้งานได้ตลอด ซึ่งเป็นความเสี่ยงจริง เพราะนโยบายการเข้าถึงของโมเดลแบบปิดเคยเปลี่ยนแปลงโดยแทบไม่มีการแจ้งล่วงหน้ามาแล้วหลายครั้ง เมื่อผู้ให้บริการเจรจาเงื่อนไขใหม่หรือต้องรับมือกับข้อพิพาทต่างๆ ส่วนในแง่ประสบการณ์การใช้งานสำหรับคนที่ไม่อยากยุ่งกับโครงสร้างพื้นฐานเลย แพลตฟอร์มแบบปิดยังคงชนะโดยปริยาย เพราะแอปที่คัดสรรมาอย่างดีและไม่ต้องตั้งค่าอะไรเลย ย่อมเอาชนะโมเดลที่เหนือกว่าแต่ต้องให้คุณลงมือสร้างระบบให้บริการของตัวเองได้เสมอ

ไม่มีแกนไหนในสามแกนนี้ที่กำลังจะหายไป นี่จึงเป็นเหตุผลที่วงการนี้ยังคงจัดระเบียบตัวเองรอบทั้งสามแกนไปพร้อมกัน แทนที่จะยุบรวมเหลือผู้ชนะเพียงรายเดียว คาดได้เลยว่าจะมีการเปิดตัวแบบ gpt-oss ของ OpenAI ให้เห็นอีก — ห้องแล็บฝั่งปิดป้องกันความเสี่ยงด้วยการเปิดตัวโมเดลเปิดเผยน้ำหนักระดับหนึ่งที่ดึงความสนใจของนักพัฒนาไว้ได้โดยไม่กัดกินยอดขาย API เรือธงของตัวเอง และรายละเอียดในสัญญาอนุญาต ไม่ใช่คะแนนจากการทดสอบมาตรฐาน จะยังคงเป็นสิ่งที่ตัดสินจริงๆ ว่าทีมที่จริงจังจะเลือกสร้างผลิตภัณฑ์บนโมเดลไหน