วิเคราะห์และรีวิว: Alibaba ท้าชิงบัลลังก์ AI สหรัฐฯ อีกครั้ง

Alibaba เปิดตัว Qwen 3.8-Max โมเดล AI สถาปัตยกรรม Mixture-of-Experts ขนาด 2.4 ล้านล้านพารามิเตอร์รวม (active จริงขณะ inference 95 พันล้านพารามิเตอร์) เมื่อต้นเดือนสิงหาคม 2026 วางตำแหน่งเป็นคู่แข่งโดยตรงกับค่ายอเมริกันอย่าง OpenAI และ Google ในสนาม AI ระดับโลก

จุดขายหลักคือ open-weight ที่นักพัฒนาดาวน์โหลดไปรันเองได้ บวกกับสเปคที่น่าสนใจ: context window 1 ล้าน token, รองรับ input ได้ทั้งข้อความ-รูปภาพ-วิดีโอ และราคา API เริ่มที่ $2 ต่อล้าน input token และ $6 ต่อล้าน output token — ต่ำกว่าโมเดลปิดระดับ flagship ของฝั่งสหรัฐฯ อย่างมีนัยสำคัญ

เหตุผลที่เรื่องนี้ถูกมองว่าเป็นการ “ท้าทาย” ความเป็นเจ้าตลาด เพราะที่ผ่านมา สหรัฐฯ ครองภาพจำว่าเป็นผู้นำ AI แทบทุกด้าน การที่บริษัทจีนอย่าง Alibaba ออกมาแข่งแบบจริงจังในจังหวะนี้ เท่ากับส่งสัญญาณว่าเกมนี้ไม่ได้ผูกขาดอยู่ฝั่งเดียวอีกต่อไป และอาจกระทบทั้งด้านการลงทุนและนโยบายเทคโนโลยีระหว่างสองประเทศ

หน้าตาและตัวเลขที่ Alibaba เอามาโชว์

ในงานเปิดตัว Alibaba เลือกโชว์กราฟเปรียบเทียบ benchmark ตรงๆ แบบไม่อ้อมค้อม จับ Qwen 3.8-Max วางเทียบกับคู่แข่งรายใหญ่ฝั่งอเมริกาเลย สไตล์การนำเสนอแบบนี้ส่งสัญญาณชัดว่าตั้งใจบอกว่า “เราสูสี หรือแซงได้แล้ว” ไม่ใช่แค่ “เราก็ทำได้เหมือนกัน”

ตัวเลขที่ยืนยันได้จากแหล่งภายนอก ณ ตอนนี้: SWE-bench 87.3%, PaperBench 93.0 และ OSWorld-Verified 86.1 — ตัวเลขเหล่านี้อยู่ในระดับที่แข่งขันได้กับโมเดลปิดระดับบนของสหรัฐฯ โครงสร้าง MoE ทำให้ active parameter จริงมีแค่ 95 พันล้าน แม้ขนาดรวม 2.4 ล้านล้าน ส่งผลให้ cost ต่อ token ต่ำกว่า dense model ขนาดเท่ากันอย่างมาก

ตอนที่ค่าใช้ AI ต่อเดือนเริ่มเป็นปัญหาจริง

ทีม dev หลายที่ตอนนี้เจอปัญหาคล้ายกัน: เริ่มจากเรียก API ตัวหลักไม่กี่ endpoint พอ product โต traffic เข้า usage ก็พุ่งตาม บิลปลายเดือนเลยกลายเป็นตัวเลขที่ต้องเอาไปอธิบายผู้บริหารทุกครั้ง

บางทีมโดนโควตาจำกัดในช่วง peak โดนตัด rate limit กลางทางจนต้อง fallback หรือรอคิว งานที่ควร real-time เลยสะดุด

พอเจอสถานการณ์แบบนี้ซ้ำๆ คำถามที่ตามมาคือ “มีทางเลือกอื่นไหม” แล้วชื่อที่เริ่มถูกพูดถึงบ่อยขึ้นก็คือโมเดลจากฝั่งจีนอย่าง Alibaba ที่เคลมว่าราคาถูกกว่าและ performance ไล่ตามทัน

คำถามคือมันตอบโจทย์จริงหรือแค่ตัวเลขบนเวที เดี๋ยวเรามาดูกันต่อว่าทางเลือกนี้ใช้แทนของเดิมได้แค่ไหน

อลีบาบาวางหมากตัวนี้ไว้ตรงไหนในสงคราม AI ของตัวเอง

ต้องเข้าใจก่อนว่า Alibaba ไม่ได้ทำแค่โมเดล AI ตัวเดียวโดดๆ แต่วางเป็น stack ทั้งระบบ ตั้งแต่โมเดลตระกูล Qwen ไปจนถึง infrastructure บน Alibaba Cloud และชิปในเครือที่ใช้รันงานเอง

การขยับครั้งนี้เลยไม่ใช่แค่ “ออกโมเดลใหม่” แต่คือการอุดช่องที่ยังพึ่งพาเทคโนโลยีตะวันตกอยู่ ตรงกับทิศทางที่จีนผลักดันเรื่อง AI self-sufficiency มาตลอดหลายปี

พูดง่ายๆ คือ Alibaba กำลังเล่นบทเป็นทั้งผู้ผลิตโมเดลและผู้วางโครงสร้างพื้นฐานในเวลาเดียวกัน ซึ่งถ้าทำสำเร็จจริง จะลดการพึ่งพาชิปและ cloud จากฝั่งอเมริกาได้มาก นี่แหละคือเดิมพันตัวจริงที่ใหญ่กว่าตัวเลข benchmark บนเวทีเปิดตัว

รุ่นก่อนกับรุ่นใหม่ ต่างกันตรงไหนบ้าง

ด้านราคา Qwen 3.8-Max คิด $2 ต่อล้าน input token และ $6 ต่อล้าน output token เป็นตัวเลขที่ Alibaba กำหนดให้แข่งกับ closed model ระดับ flagship ของสหรัฐฯ โดยตรง — แต่เมื่อเป็น open-weight ใครที่รันเซิร์ฟเวอร์เองมีโอกาสถูกกว่านี้อีก ด้านทิศทางกลยุทธ์ที่ต่างจากรุ่นก่อนเห็นชัดขึ้นมาก:

จุดต่างที่เห็นชัดที่สุดไม่ใช่ตัวเลข benchmark แต่คือ “ขอบเขต” ของเกม รุ่นก่อนแข่งที่โมเดล รุ่นนี้ขยับไปแข่งทั้งชั้น infrastructure ด้วย นั่นคือสัญญาณว่า Alibaba มองเกมยาวกว่ารอบเปิดตัวครั้งเดียว

เอาไปใช้จริงแล้วเป็นยังไงในแต่ละงาน

ทีม dev ที่เขียนโค้ดทุกวัน จุดเด่นคือช่วย generate และ debug โค้ดในบริบทภาษาจีนได้ลื่นกว่าโมเดลตะวันตกบางตัว เพราะเทรนมากับข้อมูลฝั่งนี้โดยตรง

ฝั่ง e-commerce ที่ต้องรับมือ customer service ปริมาณมหาศาล การตอบแชทแบบเข้าใจบริบทซับซ้อนคือจุดที่ Alibaba เน้นมาตลอด เพราะพวกเขาเป็นเจ้าของแพลตฟอร์มอีคอมเมิร์ซเองอยู่แล้ว ได้เปรียบเรื่องข้อมูลผู้ใช้จริง

งานแปลภาษาหรือทำคอนเทนต์ข้ามประเทศ โมเดลจีนมักแข็งกว่าในคู่ภาษาจีน-อังกฤษ-เอเชียตะวันออกเฉียงใต้ ต่างจากโมเดลตะวันตกที่เน้นภาษาหลักฝั่งยุโรปเป็นหลัก

ส่วนงาน enterprise ที่ต้องรันบนคลาวด์จีนโดยเฉพาะ เรื่อง data residency และกฎหมายท้องถิ่น นี่คือจุดที่ Alibaba Cloud ได้เปรียบโดยธรรมชาติ เพราะเป็นเจ้าของ infrastructure เองทั้งสาย

เทียบกับคู่แข่งระดับโลก ใครนำใครตามในตอนนี้

ฝั่ง Qwen 3.8-Max ทำได้ 87.3% บน SWE-bench และ 93.0 บน PaperBench ซึ่งถือว่าแข็งแกร่งในกลุ่ม open-weight การเทียบตัวเลขตรงๆ กับ GPT หรือ DeepSeek ต้องระวัง เพราะแต่ละค่ายใช้ชุดทดสอบที่ไม่เหมือนกันทั้งหมด — จุดที่ต่างชัดและ actionable กว่าสำหรับการตัดสินใจจริงคือ “เปิด เทียบกับ ปิด” และ “ตลาดที่แต่ละเจ้าถนัด”

ข้อดีข้อเสียที่ต้องชั่งน้ำหนักก่อนเชื่อคำโฆษณา

พูดตรงๆ ว่าตอนนี้ยังเร็วไปที่จะฟันธงว่าใครแซงใคร ต้องดูงานจริงของแต่ละทีมก่อนตัดสินใจเลือกใช้ครับ

สิ่งที่ไม่ได้พูดถึงในราคาต่อโทเคน

ราคาต่อโทเคนที่เห็นบนหน้าเว็บ ไม่ได้รวมต้นทุนแฝงที่มาทีหลัง

อย่างแรกคือความเสี่ยงด้าน export control/sanction — ถ้าวันหนึ่งกฎเปลี่ยน การเข้าถึงโมเดลหรือ API อาจสะดุดกลางทาง ทีมที่ผูก production ไว้กับ stack เดียวจะกระทบหนักสุด

อย่างที่สองคือต้นทุนย้ายระบบ (migration cost) ถ้าวันหนึ่งต้องสลับ provider — เขียน prompt ใหม่ ทดสอบใหม่ deploy ใหม่ ใช้เวลาและแรงคนไม่น้อย

อย่างที่สามคือข้อมูล ถ้ารันผ่านคลาวด์จีน บริษัทที่มีนโยบายเรื่อง data residency เข้มงวดต้องเช็คให้ชัดก่อนว่าข้อมูลลูกค้าไปอยู่ที่ไหน

สุดท้ายคือ benchmark ที่บริษัทประกาศเอง น้ำหนักความน่าเชื่อถือย่อมต่ำกว่าผลทดสอบจากบุคคลที่สาม เวลาเทียบราคาจึงต้องมองไกลกว่าตัวเลขบนหน้าเว็บนะครับ

งานนี้สะท้อนว่าสนามแข่ง AI ไม่ได้มีแค่สองผู้เล่นอีกต่อไป ธุรกิจนอกจีน-สหรัฐฯ อย่างไทยจะมีทางเลือกมากขึ้นเรื่อยๆ ไม่ต้องผูกกับค่ายใดค่ายหนึ่ง

สิ่งที่น่าจับตาต่อคือท่าทีของ OpenAI กับ Google ว่าจะตอบโต้ด้วยการลดราคาหรือเปิดฟีเจอร์ใหม่เร็วขึ้นไหม รวมถึง regulator สหรัฐฯ ที่อาจออกมาตรการควบคุมการส่งออกชิปหรือโมเดล AI เพิ่มเติม

สำหรับนักพัฒนา จุดที่ควรทำคืออย่าผูกระบบไว้กับ provider เดียว เตรียม architecture ให้สลับโมเดลได้ง่าย เพราะสนามนี้เปลี่ยนเร็วและราคาจะเป็นตัวแปรหลักในการแข่งขันรอบต่อไปครับ