แม้จะเป็นคู่แข่งโดยตรงในตลาดปัญญาประดิษฐ์ แต่ Meta ก็ยังอาศัยโมเดล Gemini ของ Google ในบางงานภายในองค์กร อย่างไรก็ตาม ล่าสุดมีรายงานว่า Google ได้กำหนดเพดานการใช้งาน Gemini สำหรับ Meta หลังบริษัทมีความต้องการกำลังประมวลผล (Compute) สูงเกินกว่าที่ Google Cloud จะสามารถจัดสรรให้ได้
รายงานระบุว่า Meta ได้ขอเพิ่มกำลังประมวลผลสำหรับ Gemini ตั้งแต่ช่วงเดือนมีนาคมที่ผ่านมา แต่ Google ไม่สามารถรองรับคำขอดังกล่าวได้ทั้งหมด ส่งผลให้บางโครงการ AI ภายในของ Meta ต้องล่าช้าหรือชะลอการดำเนินงานออกไป
ปัญหาไม่ได้อยู่ที่โมเดล แต่อยู่ที่ “Compute”
สิ่งที่เกิดขึ้นสะท้อนว่าปัจจุบัน “กำลังประมวลผล AI” กลายเป็นทรัพยากรที่มีค่ามากที่สุดในอุตสาหกรรม
แม้ Google จะลงทุนด้านดาต้าเซ็นเตอร์และชิป AI อย่างต่อเนื่อง แต่ความต้องการใช้งานจากลูกค้ารายใหญ่กลับเพิ่มขึ้นเร็วกว่าความสามารถในการขยายโครงสร้างพื้นฐาน ส่งผลให้ Google ต้องจำกัดการใช้งานของลูกค้าบางราย รวมถึง Meta
ก่อนหน้านี้ Sundar Pichai ซีอีโอของ Google เคยยอมรับว่าธุรกิจ Google Cloud ยังเผชิญภาวะ “Compute Constrained” หรือมีข้อจำกัดด้านกำลังประมวลผล ซึ่งทำให้ไม่สามารถตอบสนองความต้องการของลูกค้าได้ทั้งหมด
Meta ยังใช้ Gemini แม้มี Llama ของตัวเอง
แม้ Meta จะพัฒนาโมเดล AI ตระกูล Llama และโมเดลภายในอย่าง Muse Spark แต่รายงานระบุว่าบริษัทยังเลือกใช้ Gemini สำหรับงานบางประเภท เช่น
อ่านเพิ่มเติม
- การเขียนโค้ด
- ระบบช่วยเหลือลูกค้า
- การตรวจจับบัญชีหลอกลวง
- การพัฒนาเครื่องมือโฆษณา
- งานวิจัยและทดสอบโมเดล AI
สาเหตุสำคัญคือ Meta มองว่า Gemini ยังมีประสิทธิภาพเหนือกว่าในบางงานเฉพาะทาง อย่างไรก็ตาม บริษัทเริ่มทยอยย้ายบางระบบกลับมาใช้โมเดลภายใน เพื่อลดการพึ่งพาผู้ให้บริการภายนอก
AI ยุคใหม่ แข่งกันที่โครงสร้างพื้นฐาน
เหตุการณ์นี้แสดงให้เห็นว่าการแข่งขันด้าน AI ไม่ได้วัดกันเพียงว่าใครมีโมเดลที่ฉลาดกว่า แต่ยังขึ้นอยู่กับว่าใครมีศูนย์ข้อมูล ชิป และกำลังประมวลผลมากพอที่จะรองรับการใช้งานจริง
ทั้ง Google, Meta, Microsoft และ OpenAI ต่างทุ่มงบลงทุนหลายแสนล้านดอลลาร์เพื่อสร้างดาต้าเซ็นเตอร์และขยายกำลังประมวลผล เพราะ “Compute” กำลังกลายเป็นทรัพยากรที่สำคัญไม่แพ้ตัวโมเดล AI เอง
สรุป
การที่ Google ต้องจำกัดการใช้งาน Gemini ของ Meta ไม่ได้สะท้อนว่าเทคโนโลยีมีปัญหา แต่สะท้อนว่าอุตสาหกรรม AI กำลังเผชิญข้อจำกัดด้านโครงสร้างพื้นฐานอย่างจริงจัง
ในยุคที่ทุกบริษัทเร่งพัฒนา AI ความสามารถในการจัดหาชิป ดาต้าเซ็นเตอร์ และพลังประมวลผล อาจเป็นปัจจัยสำคัญที่กำหนดว่าใครจะก้าวขึ้นเป็นผู้นำในระยะยาว
