DeepSeek เปิดตัว DSpark ลดคอขวด AI จีน ใช้ชิปน้อยลง

1) ประเด็นหลัก: DeepSeek เร่งความเร็ว AI ด้วย DSpark

• DeepSeek เปิดตัวเทคนิคใหม่ชื่อ DSpark เพื่อเพิ่มความเร็วในการตอบคำถามของโมเดล V4 โดยบริษัทระบุว่าสามารถทำให้ความเร็วต่อผู้ใช้งานเพิ่มขึ้นได้สูงสุด 85% จุดสำคัญคือไม่ได้ทำให้โมเดล “ฉลาดขึ้น” โดยตรง แต่ทำให้การใช้งานจริงเร็วขึ้น ลื่นขึ้น และใช้ทรัพยากรคอมพิวเตอร์น้อยลง

2) DSpark แก้ปัญหาอะไรใน AI

• ปกติ AI จะสร้างคำตอบแบบ “ทีละคำ” หรือทีละชุดข้อมูลเล็ก ๆ ทำให้คำตอบยาว ๆ ใช้เวลานาน และทำให้ชิปประมวลผลถูกใช้งานไม่เต็มประสิทธิภาพ ปัญหานี้เรียกว่า คอขวดของการให้บริการ AI เพราะแม้โมเดลจะเก่งขึ้น แต่ถ้าตอบช้า ใช้ชิปมาก และต้นทุนสูง ก็ขยายการใช้งานจริงได้ยาก

 

ตาราง 1: DSpark คืออะไร และช่วยแก้ปัญหาอะไร

ประเด็น	ก่อนใช้ DSpark	หลังใช้ DSpark	ความหมาย
วิธีสร้างคำตอบ	โมเดลใหญ่สร้างคำตอบทีละคำ	โมเดลเล็กช่วยร่างคำตอบ แล้วโมเดลใหญ่ตรวจเป็นชุด	ลดภาระของโมเดลใหญ่
ความเร็วตอบกลับ	ช้าลงเมื่อคำตอบยาว	เร็วขึ้นสูงสุด 85%	ประสบการณ์ผู้ใช้ดีขึ้น
การใช้ชิป	ใช้ GPU มาก แต่บางช่วงใช้งานไม่เต็มประสิทธิภาพ	ใช้ชิปคุ้มค่าขึ้นต่อคำถาม 1 ครั้ง	ลดต้นทุนต่อผู้ใช้งาน
คุณภาพคำตอบ	โมเดลใหญ่ควบคุมทั้งหมด	มีระบบตรวจสอบตามภาระงาน	รักษาสมดุลระหว่างความเร็วกับคุณภาพ
ผลต่อการขยายบริการ	ต้องเพิ่มชิปจำนวนมากเมื่อผู้ใช้เพิ่ม	รองรับผู้ใช้ได้มากขึ้นด้วยชิปเท่าเดิม	ทำให้ AI scale ได้ง่ายขึ้น

3) วิธีทำงานของ DSpark แบบเข้าใจง่าย

• DSpark ใช้แนวคิดให้ “โมเดลเล็กช่วยร่างคำตอบก่อน” แล้วให้ “โมเดลใหญ่ตรวจและยืนยันทีหลัง” แทนที่จะให้โมเดลใหญ่สร้างคำตอบเองทีละคำทั้งหมด วิธีนี้ช่วยให้ระบบสร้างคำตอบได้เร็วขึ้น เพราะโมเดลใหญ่ไม่ต้องทำงานหนักทุกขั้นตอน และสามารถตรวจหลายส่วนพร้อมกันได้
  อีกจุดหนึ่งคือ DSpark ไม่ได้สร้างคำตอบทีละคำแบบเดิม แต่สร้างเป็น “ชุดคำสั้น ๆ” พร้อมระบบปรับระดับการตรวจสอบตามภาระงาน หากชิปยังว่าง ระบบจะตรวจถี่ขึ้นเพื่อรักษาคุณภาพ แต่ถ้าความต้องการใช้งานสูง ระบบจะลดการตรวจบางส่วนเพื่อเร่งความเร็วให้ผู้ใช้ได้รับคำตอบเร็วขึ้น

 

ตาราง 2: กลไกของ DSpark แบบเข้าใจง่าย

ขั้นตอน	วิธีทำงาน	ประโยชน์
1) Draft Model	ใช้โมเดลขนาดเล็กช่วยร่างคำตอบล่วงหน้า	เร็วกว่าให้โมเดลใหญ่เริ่มจากศูนย์
2) Batch Verification	โมเดลใหญ่ตรวจคำตอบที่ร่างมาเป็นชุด	ลดเวลาการตรวจทีละคำ
3) Semi-Autoregressive	สร้างคำตอบเป็น “ชุดคำสั้น ๆ” แทนทีละคำ	เพิ่มความเร็วในการสร้างคำตอบ
4) Confidence Scheduling	ปรับระดับการตรวจตามความหนาแน่นของงาน	ถ้างานน้อยตรวจละเอียด ถ้างานเยอะเร่งความเร็ว
5) Open-source	เปิดให้ใช้งานบน GitHub และ HuggingFace	บริษัทอื่นนำไปต่อยอดได้ง่ายขึ้น

 

4) ผลต่อการใช้ชิป: ลดแรงกดดันจากข้อจำกัด Nvidia

• ความสำคัญของ DSpark คือช่วยให้จีนลดการพึ่งพาชิป AI ระดับสูงจาก Nvidia ได้บางส่วน ท่ามกลางข้อจำกัดส่งออกจากสหรัฐฯ เพราะถ้าระบบตอบได้เร็วขึ้นและใช้ชิปน้อยลง บริษัทจีนก็สามารถให้บริการ AI ได้ดีขึ้น แม้ใช้ชิปที่ประสิทธิภาพต่ำกว่าชิประดับสูงของสหรัฐฯ ตัวอย่างเช่น หากเดิม 1 GPU รองรับคำถามได้ 100 รายการ หลังเพิ่มประสิทธิภาพ 85% อาจรองรับได้ราว 185 รายการ

 

5) เปิดทางให้บริษัทจีนอื่นนำไปใช้

• DeepSeek ทดลอง DSpark กับโมเดลเปิดหลายตัว เช่น Gemma ของ Google DeepMind และ Qwen ของ Alibaba สะท้อนว่าเทคนิคนี้อาจนำไปใช้ได้กว้าง ไม่ได้จำกัดแค่โมเดลของ DeepSeek เท่านั้น หากนำไปใช้จริง บริษัทจีนอย่าง Tencent, Alibaba, Baidu, Zhipu AI และ MiniMax อาจได้ประโยชน์จากต้นทุนการให้บริการ AI ที่ต่ำลง

ตาราง 3: ผลกระทบต่อห่วงโซ่ AI จีน

กลุ่มที่เกี่ยวข้อง	ตัวอย่างบริษัท	ผลกระทบจาก DSpark
ผู้พัฒนาโมเดล AI	DeepSeek, Zhipu AI, MiniMax	ลดต้นทุนให้บริการ AI และเพิ่มความเร็วตอบกลับ
Internet platform	Tencent, Alibaba, Baidu	นำเทคนิคไปใช้กับบริการ AI ของตนเองได้
ผู้ผลิตสมาร์ทโฟน/EV ที่ทำ AI	Xiaomi	แข่งด้านความเร็วของโมเดลและการใช้งานจริง
Cloud / Data Center	Alibaba Cloud, Tencent Cloud, Baidu AI Cloud	ใช้ชิปเดิมรองรับงานได้มากขึ้น
ชิป AI จีน	Cambricon, Huawei Ascend ecosystem, Hygon, Moore Threads	ช่วยให้ชิปในประเทศที่ด้อยกว่า Nvidia ยังใช้งานได้คุ้มขึ้น
ชิป AI ระดับสูงต่างประเทศ	Nvidia	ความต้องการยังสูง แต่แรงกดดันด้านการพึ่งพาอาจลดลงบางส่วน

6) การแข่งขัน AI จีนเปลี่ยนจาก “ใครเก่งกว่า” เป็น “ใครถูกและเร็วกว่า”

• ในภาพรวมสะท้อนว่าการแข่งขัน AI ของจีนกำลังเข้าสู่ช่วงใหม่ จากเดิมที่เน้นความสามารถของโมเดล มาเป็นการลดต้นทุนและเพิ่มความเร็วในการใช้งานจริง Tencent เองก็ระบุว่าประสิทธิภาพในการให้บริการ AI กลายเป็นคอขวดสำคัญ ส่วน Xiaomi ก็เพิ่งระบุว่าโมเดล MiMo-V2.5-Pro-UltraSpeed สามารถสร้างคำตอบได้มากกว่า 1,000 token ต่อวินาที ซึ่งสะท้อนการแข่งขันด้านความเร็วที่รุนแรงขึ้น

มุมมองของ InnovestX

• ประเด็นนี้เป็นบวกต่อกลุ่ม AI จีน  เพราะช่วยลดต้นทุนการให้บริการ AI และลดแรงกดดันจากการขาดแคลนชิปขั้นสูง รวมถึงผู้พัฒนาชิป AI จีน เช่น Cambricon, Huawei Ascend ecosystem, Hygon, Moore Threads หากเทคนิคแบบ DSpark ถูกนำไปใช้กว้างขึ้น จะช่วยให้จีนยังเดินหน้า AI ได้แม้ถูกจำกัดการเข้าถึงชิป Nvidia แต่ในระยะสั้นอาจเป็นแรงกดดันต่อความต้องการชิปประมวลผลบางส่วน เพราะประสิทธิภาพต่อชิปดีขึ้น ทำให้การเพิ่มกำลังประมวลผลอาจไม่ต้องเร่งเท่าเดิม

 

ข้อสงวนสิทธิ์
ข้อมูล ความเห็น บทวิเคราะห์ ราคา การคาดการณ์ และ/หรือ ข้อมูลอื่นใด (“ข้อมูล”) ที่ปรากฏ จัดทำขึ้นเพื่อวัตถุประสงค์ในการให้ข้อมูลทั่วไปเท่านั้น โดยมีที่มาจากแหล่งข้อมูลสาธารณะที่เชื่อว่าเชื่อถือได้ บริษัทหลักทรัพย์ อินโนเวสท์ เอกซ์ จำกัด (“INVX”) ไม่รับรองความถูกต้อง ครบถ้วน หรือความเป็นปัจจุบันของข้อมูลดังกล่าว โดยเป็นข้อมูล ณ วันที่เผยแพร่และอาจเปลี่ยนแปลงได้โดยไม่ต้องแจ้งให้ทราบล่วงหน้า ข้อมูลนี้ไม่ถือเป็นการรับประกันราคาหรือผลตอบแทน คำแนะนำการลงทุน การเสนอซื้อหรือขายหลักทรัพย์ หรือชักชวนให้เสนอซื้อหรือเสนอขายหลักทรัพย์ใด INVX และ/หรือ กรรมการ พนักงาน และลูกจ้างของ INVX ไม่รับผิดชอบต่อความเสียหายอันเป็นผลมาจากหรือเกี่ยวข้องกับการใช้ข้อมูลดังกล่าว

INVX และธนาคารไทยพาณิชย์ จำกัด (มหาชน) (“ธนาคารฯ”) เป็นบริษัทย่อยที่บริษัท เอสซีบี เอกซ์ จำกัด (มหาชน) (SCBX) เป็นผู้ถือหุ้นรายใหญ่ ข้อมูลที่เกี่ยวข้องกับธนาคารฯ มีวัตถุประสงค์เพื่อใช้ในการเปรียบเทียบเท่านั้น INVX และ/หรือ บริษัทในเครือ SCBX อาจเป็นที่ปรึกษาทางการเงิน ผู้จัดจำหน่ายหลักทรัพย์ ผู้ออกและเสนอขายหุ้นกู้ที่มีอนุพันธ์แฝง หรือ ตราสารแสดงสิทธิการฝากหลักทรัพย์ต่างประเทศ บนหลักทรัพย์ที่ปรากฏอยู่ในรายงานฉบับนี้ รวมถึงอาจมีการทำธุรกรรมอื่นใดในหลักทรัพย์ที่ถูกกล่าวถึง อันอาจก่อให้เกิดความขัดแย้งทางผลประโยชน์ได้ ผู้ลงทุนควรทำความเข้าใจลักษณะสินค้า เงื่อนไขผลตอบแทน และความเสี่ยง ก่อนตัดสินใจลงทุน