ต้นทุนประสิทธิภาพ AI ลดลง 13 เท่าต่อปี เร็วกว่าทุกเทคโนโลยีในประวัติศาสตร์

ราคาสำหรับการบรรลุระดับประสิทธิภาพที่กำหนดบนเบนช์มาร์ก AI บางรายการลดลงอย่างมหาศาลตั้งแต่ปี 2023 โดย Epoch AI องค์กรวิจัยที่ติดตามแนวโน้มเทคโนโลยีระบุว่า ต้นทุนลดลงเฉลี่ยประมาณร้อยละ 47 ต่อไตรมาส หรือประมาณ 13 เท่าต่อปี

ทางกลุ่มผู้วิจัยกล่าวว่าไม่มีเทคโนโลยีที่สร้างความเปลี่ยนแปลงอย่างสิ้นเชิง (transformative technology) ชนิดอื่นใดที่มีราคาลดลงรวดเร็วขนาดนี้ อย่างไรก็ตาม ตัวเลขดังกล่าวสะท้อนถึงราคาตลาดสำหรับคะแนนเบนช์มาร์กที่กำหนดเท่านั้น ไม่ใช่ความก้าวหน้าทางอัลกอริทึมล้วนๆ หรือต้นทุนการผลิตในชีวิตจริง ซึ่งเป็นอีกเรื่องหนึ่งเลยทีเดียว

ด้านนักวิจัยจาก MIT ที่พิจารณา ข้อมูลที่เทียบเคียงกัน พบว่าต้นทุนลดลง 5 ถึง 10 เท่าต่อปี เมื่อตัดปัจจัยเรื่องฮาร์ดแวร์ที่ถูกลงและแรงกดดันด้านราคาจากการแข่งขันออกไป พวกเขาประเมินว่าการเพิ่มขึ้นของประสิทธิภาพทางอัลกอริทึมที่แท้จริงอยู่ที่ประมาณ 3 เท่าต่อปี ซึ่งประสิทธิภาพสูงสุดต่อการรันหนึ่งครั้งอาจมีราคาแพงขึ้นได้ เนื่องจากโมเดลการใช้เหตุผลรุ่นใหม่ต้องใช้การประมวลผล (compute) ต่อหนึ่งงานมากขึ้น

ทั้งนี้ การศึกษาทั้งสองชุดตั้งคำถามที่ต่างกัน หากมองที่การทำขีดความสามารถให้เท่ากับโมเดลระดับแนวหน้าของปีที่แล้วถือว่าถูกลงอย่างมหาศาล แต่การรันโมเดลที่ดีที่สุดในปัจจุบันมักจะมีราคาแพงกว่าอย่างมีนัยสำคัญต่อการคิวรีหนึ่งครั้ง

การทำระดับความแม่นยำให้เท่ากับ o3 ในตอนนี้ใช้ต้นทุนเพียงเศษเสี้ยวของราคาเดิม

Epoch ใช้ o3 ของ OpenAI เป็นตัวอย่าง โดยในช่วงต้นปี 2025 o3 ทำคะแนนได้ร้อยละ 75 บน GPQA Diamond ซึ่งเป็นแบบทดสอบวิทยาศาสตร์ระดับปริญญาเอก โดยมีต้นทุนประมาณ 30 เซนต์ต่อคำถาม

ทว่าเพียง 18 เดือนต่อมา โมเดลในตระกูล GPT-5.6 ทำคะแนนได้เท่ากันในราคาเพียง 4 ใน 100 ของเซนต์ หรือคิดเป็น 1/725 ของราคาเดิม หากเปรียบเทียบกับราคารถยนต์ราคา 50,000 ยูโร จะเหลือเพียงไม่ถึง 70 ยูโรเท่านั้น ล่าสุด OpenAI เพิ่งเปิดตัวโมเดล GPT-6 Sol และ Luna ที่ถูกยิ่งกว่าเดิม ทำให้ช่องว่างด้านราคาขยายกว้างขึ้นไปอีก

Epoch อ้างอิงการวิเคราะห์จากเบนช์มาร์ก 5 รายการที่ครอบคลุมด้านคณิตศาสตร์ วิทยาศาสตร์ และปริศนาตรรกะ แม้จะเป็นกลุ่มตัวอย่างที่แคบแต่ทางองค์กรยืนยันว่าเป็นการวัดผลที่สมเหตุสมผลโดยอ้างอิงจากข้อมูลที่ดีที่สุดเท่าที่มีอยู่ในปัจจุบัน

ความก้าวหน้าทางอัลกอริทึมอธิบายการลดลงของราคาได้เพียงบางส่วน

Hans Gundlach และทีมวิจัยที่ MIT ใช้ข้อมูลราคาจากแพลตฟอร์ม Artificial Analysis ช่วงเดือนเมษายน 2024 ถึงพฤศจิกายน 2025 พบว่าตัวเลขการลดลงต่ำกว่าที่ Epoch ประเมิน ส่วนหนึ่งเป็นเพราะโมเดลการใช้เหตุผลรุ่นใหม่มีการใส่ test-time compute เพิ่มเติมในโจทย์ยาก ซึ่งทำให้ต้นทุนต่อคำตอบที่ถูกต้องสูงขึ้น แม้ราคาต่อโทเคน (token) จะลดลงอย่างต่อเนื่องก็ตาม

เมื่อแยกย่อยปัจจัยที่ทำให้ราคาลดลง พบว่าฮาร์ดแวร์ที่ถูกลงมีส่วนอยู่บ้าง แต่การแข่งขันในตลาดมีผลมากกว่า นักวิจัยได้ควบคุมตัวแปรโดยพิจารณาโมเดลแบบเปิด (open models) แยกต่างหาก เพื่อหาประสิทธิภาพทางอัลกอริทึมล้วนๆ ซึ่งพบว่าดีขึ้นประมาณ 3 เท่าต่อปี

คะแนนเบนช์มาร์กที่ดีขึ้นไม่ได้หมายถึงประสิทธิภาพที่ดีขึ้นเสมอไป

MIT พบว่าการเพิ่มขึ้นของประสิทธิภาพบางส่วนมาจากการใช้พลังการประมวลผลที่มากขึ้น โมเดลใหม่ที่ทำคะแนนชนะรุ่นก่อนหน้าใน GPQA Diamond ดูเหมือนจะเป็นความก้าวหน้า แต่ความจริงมาจากการใช้พลังการประมวลผลต่อคำถามที่มากขึ้น ซึ่งส่งผลให้ต้นทุนการรันสูงขึ้นตามไปด้วย

นอกจากนี้ยังมีประเด็นเรื่อง "benchmaxxing" หรือการที่บริษัท AI ปรับแต่งโมเดลเพื่อเน้นทำคะแนนทดสอบให้สูงเกินจริงโดยไม่มีประโยชน์ในโลกแห่งความเป็นจริง Epoch จึงพยายามป้องกันโดยรวมการทดสอบ "Mystery Game Puzzles" ที่เป็นความลับ ซึ่งพบว่าต้นทุนในส่วนนี้ลดลงช้าที่สุด

ราคาเพียงอย่างเดียวไม่สามารถบอกได้ว่าควรเลือกโมเดลไหน

ค่าเฉลี่ยต้นทุนในวงกว้างอาจไม่ใช่คำตอบสุดท้ายในการเลือกโมเดลสำหรับงานเฉพาะทาง แพลตฟอร์มอย่าง Artificial Analysis จึงจัดอันดับโมเดลโดยพิจารณาทั้งคุณภาพ ราคา ความหน่วง (latency) หน้าต่างบริบท และความเร็ว ซึ่งตัวเลือกที่ถูกที่สุดแทบจะไม่เคยชนะในทุกมิติ

โมเดลราคาถูกแต่อืดเกินไปอาจไร้ประโยชน์สำหรับแชทบอท หรือโมเดลที่ฉลาดมากอาจช้าเกินไปสำหรับงานอัตโนมัติ ในบางกรณีโมเดลระดับแนวหน้า (frontier model) ที่ราคาแพงกว่าอาจช่วยประหยัดเงินได้มากกว่าหากทำงานได้ถูกต้องแม่นยำจนไม่ต้องทำซ้ำ ซึ่งเราได้วิเคราะห์ คำถามด้านเศรษฐศาสตร์ของโทเคนไว้ใน Frontier Radar #3 แล้ว