Meta เปิดตัว AI แบบ Open-weight รันบน Mac ได้ แต่ต้องใช้ RAM ระดับ 1TB

Meta เปิดตัว Muse Spark Open โมเดล AI แบบ Open-weight ที่บริษัทอ้างว่าเป็นโมเดล Open-weight จากสหรัฐฯ ที่มีความสามารถสูงที่สุดในขณะนี้ จุดเด่นคือออกแบบมาให้ทำงานบน Mac ได้ แต่ผู้ใช้ทั่วไปอาจยังเข้าถึงการรันแบบ Local ได้ยาก เพราะต้องใช้หน่วยความจำอย่างน้อย 1TB ตามข้อมูลจาก Engadget ที่ TechCrunch อ้างถึง

โมเดลนี้มี 816 พันล้านพารามิเตอร์, Context Window ขนาด 1 ล้าน Token และรองรับการทำงานแบบ Multimodal โดย Meta วางตำแหน่งให้เหมาะกับงาน Coding, การให้ AI ทำงานเป็นขั้นตอนยาว ๆ และงานที่ต้องใช้เหตุผลหลายลำดับ

โมเดลใหม่เน้น Coding และงานแบบ Agentic

Meta ระบุว่า Muse Spark Open ทำได้ดีในงาน Software Engineering ที่ซับซ้อน รวมถึงงานที่ต้องวางแผนและลงมือทำต่อเนื่องหลายขั้นตอน บริษัทนำโมเดลไปจับคู่กับ Muse Code ซึ่งเป็น AI Coding Terminal เพื่อทดสอบกับ Workflow ที่ใกล้เคียงการทำงานจริง

หนึ่งในตัวอย่างคือการให้โมเดลช่วยพัฒนา Mastodon Client ตั้งแต่แก้ Bug เพิ่มฟีเจอร์ ไปจนถึง Build โปรเจกต์ทั้งหมด นอกจากนี้ Meta ยังทดสอบกับ DaVinci Resolve โดยให้โมเดลช่วยตรวจสอบและตัด Crop Footage ในงานตัดต่อวิดีโอ

Open-weight ต่างจากโมเดลแบบปิดอย่างไร

โมเดลแบบ Open-weight เปิดให้ผู้พัฒนาเข้าถึง Parameters หรือ Weights ของโมเดลเพื่อนำไปปรับแต่งและใช้งานต่อได้ ต่างจากโมเดลแบบปิด เช่น ChatGPT หรือ Claude ที่ผู้ใช้เข้าถึงผ่านบริการหรือ API เป็นหลัก

แนวทางนี้ช่วยเพิ่มความยืดหยุ่นและอาจลดต้นทุนสำหรับองค์กรที่ต้องการควบคุมการติดตั้งหรือปรับโมเดลให้เข้ากับงานเฉพาะทาง โดย Meta ยังเปิดให้เข้าถึง Muse Spark Open ผ่านผู้ให้บริการ API หลายราย

ต้องใช้เครื่องแรงแค่ไหน

Meta ระบุว่า Muse Spark Open ได้รับการปรับให้ทำงานกับชิป M5 Ultra ของ Apple โดยผู้ใช้สามารถนำ Mac Studio สองเครื่องที่ใช้ชิปดังกล่าวมาต่อกันเป็นระบบที่มีลักษณะคล้าย Supercomputer บนโต๊ะทำงานได้

แต่รายละเอียดด้าน Hardware ทำให้โมเดลนี้ยังไม่ใช่เครื่องมือที่เหมาะกับผู้ใช้ Mac ทั่วไป TechCrunch ระบุว่าการรันแบบ Local ต้องใช้ RAM อย่างน้อย 1TB และจะทำงานได้ดีที่สุดบน Mac Studio ที่ติดตั้ง M5 Ultra

เรื่องนี้เกี่ยวกับคุณยังไง

สำหรับคนทำธุรกิจออนไลน์ Muse Spark Open สะท้อนว่า AI กำลังขยับจากการตอบคำถามหรือสร้างเนื้อหา ไปสู่การทำงานหลายขั้นตอน เช่น เขียนและทดสอบ Code, ตรวจไฟล์ หรือจัดการ Workflow บน Desktop แต่ต้นทุน Hardware ยังเป็นข้อจำกัดสำคัญ

• ทดลองผ่าน API ก่อน หากคุณอยากทดสอบความสามารถของโมเดล แต่ยังไม่มีเครื่องที่มี RAM สูงพอ
• ประเมินงานที่ต้องการให้ AI ทำจริง เช่น เขียนระบบหลังบ้าน จัดการข้อมูล หรือช่วยสร้าง Digital Product
• อย่ารีบซื้อ Hardware ตามกระแส ควรเปรียบเทียบต้นทุนการรัน Local กับค่าใช้บริการ API ก่อน
• ติดตามโมเดล Open-weight เพราะอาจเปิดทางให้ธุรกิจควบคุมข้อมูลและปรับ AI ให้เข้ากับงานเฉพาะได้มากขึ้น