Open Source vs Open Weight: ความแตกต่างที่ต้องเข้าใจก่อนเริ่มต้น
หนึ่งในความเข้าใจผิดที่พบบ่อยคือการใช้คำว่า "Open Source" และ "Open Weight" สลับกัน ทั้งที่ทั้งสองมีความหมายต่างกันชัดเจน:
• Open Source หมายถึงตัวซอฟต์แวร์หรือ Engine ที่ใช้รันโมเดล (Inference Server) เช่น Ollama, vLLM, TensorRT ซึ่งเป็นเทคโนโลยีแบบเปิดเผยโค้ดอย่างแท้จริง
• Open Weight หมายถึงตัวโมเดลเอง (เช่น Kimi, Qwen, Gemma) ที่ผู้พัฒนาเปิดเผยค่าน้ำหนัก (weight) ให้ดาวน์โหลดไปใช้ได้ แต่ไม่ได้เปิดเผยกระบวนการฝึกโมเดล ข้อมูลที่ใช้เทรน หรือโค้ดต้นทางทั้งหมด
ความแตกต่างนี้ส่งผลต่อการนำไปใช้เชิงพาณิชย์ด้วย โดยกลุ่มโมเดลที่ใช้สัญญาอนุญาตแบบ Apache 2.0 / MIT (เช่น Qwen3, Mistral Small 3.1, Devstral, gpt-oss) ถือเป็นมิตรต่อการทำธุรกิจมากที่สุด เพราะใช้งานเชิงพาณิชย์ได้อย่างเสรีตามกฎหมาย ในขณะที่กลุ่มที่มีเงื่อนไข (เช่น Llama 4 ที่จำกัดผู้ใช้งานเกิน 700 ล้านคนต่อเดือน หรือ Gemma 3 ที่ต้องยอมรับข้อตกลงการใช้งานเฉพาะของ Google) จำเป็นต้องพิจารณาเงื่อนไขให้รอบคอบก่อนนำไปใช้ในองค์กร
คำนวณ RAM อย่างไรให้พอดีกับโมเดล
การวางแผนฮาร์ดแวร์คือหัวใจสำคัญของการรัน Local LLM ให้ประสบความสำเร็จ หลักการคำนวณ RAM เบื้องต้นมีดังนี้:
• โดยทั่วไป พารามิเตอร์ขนาด 1 พันล้าน (1B) จะใช้ RAM ในการประมวลผลประมาณ 1 GB
• Dense Model ต้องมี RAM รองรับพารามิเตอร์ทั้งหมดของโมเดล เช่น โมเดล 27B จะต้องใช้ RAM ประมาณ 27GB ขึ้นไป
• Mixture of Experts (MoE) ค่าน้ำหนักทั้งหมดจะถูกเก็บไว้ในหน่วยความจำเสมอ แต่การประมวลผลจริงจะอิง Active Parameters เท่านั้น ตัวอย่างเช่น โมเดล Kimi ที่มีพารามิเตอร์รวมสูงถึง 2.88 ล้านล้าน (2.88 Trillion) แต่ทำงานจริงเพียง 50 พันล้านพารามิเตอร์ (50B) เท่านั้นในแต่ละครั้ง
นอกจากนี้ เทคนิค Quantization (การบีบอัดโมเดล) เช่น FP16, FP8 และ NVFP4 ของ Nvidia ก็ช่วยประหยัด RAM และเพิ่มประสิทธิภาพได้มาก โดย NVFP4 (Nvidia Fast Quantization 4-bit) อาจส่งผลกระทบต่อความแม่นยำของภาษาไทยได้อย่างมากหากเลือกใช้ระดับการบีบอัดที่สูงเกินความเหมาะสม ในขณะที่ FP16 หรือ FP8 แม้จะทำงานช้ากว่า แต่มีความเสถียรมากกว่าตามความสามารถของฮาร์ดแวร์ ปัจจุบันมีบางโมเดลเฉพาะกลุ่ม เช่น Qwen 3.6 (35B พารามิเตอร์ ทำงานจริง 3B) ที่ปรับแต่งบน NVFP4 Fast แล้วสามารถตอบภาษาไทยได้อย่างรวดเร็วและแม่นยำโดยไม่เกิดปัญหา
เทคนิคการปรับแต่งโมเดลด้วย LoRA
LoRA (Low-Rank Adaptation) เป็นเทคนิคในการอัปเกรดความรู้เฉพาะด้านให้กับโมเดล โดยแยกส่วนที่ต้องเพิ่มไปเทรนต่างหาก แล้วนำกลับมาเสียบเข้ากับโมเดลหลักร่วมกัน ทำให้ประหยัดทรัพยากรและเวลาการ Fine-tune โมเดลใหม่ทั้งหมด — เหมาะสำหรับองค์กรที่ต้องการให้ AI มีความรู้เฉพาะทางโดยไม่ต้องเทรนโมเดลใหม่ทั้งก้อน
ตัวอย่างฮาร์ดแวร์และการนำไปใช้จริง
ในระดับองค์กรที่เริ่มมีการใช้งานจริง มีการใช้เครื่องระดับ RTX Station ที่ควบคุมราคาประมาณ 3.89 ล้านบาท มี RAM รวมสูงถึง 748 GB เพื่อรันโมเดลขนาดใหญ่อย่าง Kimi ได้อย่างลื่นไหล พร้อมระบบปฏิบัติการ Windows 11 และ RAM 128 GB นอกจากนี้ ผู้ใช้ยังสามารถสร้าง API คีย์ส่วนตัว (ที่ใช้หัวรัส 'sk-' แบบเดียวกับ OpenAI) เพื่อเชื่อมต่อยอดกับเฟรมเวิร์กเพิ่มเติมอย่าง Hot Code หรือ CrewAI ได้อีกด้วย ทำให้ Local LLM ไม่ได้จำกัดอยู่แค่การแชตเท่านั้น แต่ยังต่อยอดเป็นระบบ Agent อัตโนมัติได้เช่นเดียวกับบริการคลาวด์
บทสรุป
Local LLM ในปี 2026 ไม่ใช่แค่ทางเลือกสำหรับผู้ที่กังวลเรื่อง Privacy อีกต่อไป แต่กลายเป็นโครงสร้างพื้นฐานที่จับต้องได้จริงสำหรับองค์กร ด้วยความเข้าใจที่ถูกต้องเรื่อง Open Source vs Open Weight, การคำนวณ RAM ที่แม่นยำ, เทคนิค Quantization และ LoRA รวมถึงตัวอย่างฮาร์ดแวร์ที่จับต้องได้ องค์กรสามารถออกแบบระบบ AI ของตัวเองที่ทั้งปลอดภัย คุ้มค่า และมีประสิทธิภาพเทียบเท่าบริการ AI บนคลาวด์ชั้นนำได้ไม่ยาก
