Small Language Models (SLMs): ทำไม AI ตัวเล็กกำลังกลับมาได้รับความนิยม
ช่วง 2–3 ปีที่ผ่านมา บริษัท AI แข่งขันกันสร้าง Large Language Models (LLMs) ที่มีพารามิเตอร์เพิ่มขึ้นเรื่อย ๆ เพราะเชื่อว่า “ยิ่งใหญ่ ยิ่งฉลาด” แต่เมื่อองค์กรเริ่มนำ AI ไปใช้งานจริง คำถามสำคัญกลับเปลี่ยนจาก “โมเดลไหนเก่งที่สุด?” เป็น “โมเดลไหนคุ้มค่าที่สุดสำหรับงานนี้?”
เป็นเหตุผลที่ Small Language Models (SLMs) กลับมาได้รับความสนใจอีกครั้ง
SLM คือโมเดลภาษาที่มีขนาดเล็กกว่า LLM อย่างมาก โดยอาจมีพารามิเตอร์ตั้งแต่หลักร้อยล้านถึงไม่กี่พันล้านพารามิเตอร์ ในขณะที่ LLM รุ่นใหญ่มีตั้งแต่หลายหมื่นล้านไปจนถึงหลายแสนล้านพารามิเตอร์ แม้ SLM จะมีความสามารถในการให้เหตุผล (Reasoning) หรือความรู้ทั่วไปน้อยกว่า แต่ข้อดี คือ Latency ต่ำกว่า ใช้หน่วยความจำน้อยกว่า และมีต้นทุนในการประมวลผลต่ำกว่าอย่างมีนัยสำคัญ
สำหรับงานในองค์กร จำนวนพารามิเตอร์ไม่ใช่ปัจจัยที่สำคัญที่สุด เพราะหลายงานมีขอบเขตที่ชัดเจน เช่น การจัดหมวดหมู่เอกสาร การสรุปรายงาน การดึงข้อมูลจากคู่มือภายใน การตรวจสอบข้อความ หรือการตอบคำถามจากฐานความรู้ (Knowledge Base) หากใช้ RAG (Retrieval-Augmented Generation) ร่วมกับข้อมูลเฉพาะขององค์กร SLM ก็สามารถให้คำตอบที่มีคุณภาพสูงได้ โดยไม่จำเป็นต้องพึ่งโมเดลขนาดใหญ่เสมอไป
อีกเหตุผล คือ On-device AI กำลังเติบโตอย่างรวดเร็ว ไม่ว่าจะเป็นสมาร์ตโฟน แล็ปท็อป รถยนต์ หรืออุปกรณ์ IoT การรันโมเดลบนอุปกรณ์โดยตรงช่วยลดเวลาในการตอบสนอง เพิ่มความเป็นส่วนตัวของข้อมูล และยังสามารถทำงานได้แม้ไม่มีการเชื่อมต่ออินเทอร์เน็ต ซึ่งเป็นข้อได้เปรียบที่ LLM บน Cloud ทำได้ยาก
ในมุมของ AI Engineering การเลือกใช้ SLM ยังช่วยลดภาระด้านโครงสร้างพื้นฐาน ทั้งค่า GPU ค่า Inference และการใช้พลังงาน ทำให้สามารถรองรับผู้ใช้งานจำนวนมากได้ในต้นทุนที่ต่ำกว่า นอกจากนี้ SLM ยังมีแนวโน้มที่จะ Fine-tune หรือปรับแต่งสำหรับ Domain เฉพาะได้ง่ายกว่า เพราะใช้ทรัพยากรในการ Train และ Test น้อยกว่าโมเดลขนาดใหญ่
SLM อาจไม่ได้มาแทนที่ LLM ทั้งหมด งานที่ต้องอาศัยการให้เหตุผลหลายขั้นตอน (Complex Reasoning) การเขียนโค้ดที่ซับซ้อน หรือการวิเคราะห์แบบข้ามหลาย Domains ยังคงเป็นจุดแข็งของ LLM แต่สำหรับงานส่วนใหญ่ในองค์กร การเลือกใช้ SLM ที่เหมาะสมกับโจทย์ มักให้ ความเร็ว ต้นทุน และประสิทธิภาพโดยรวม ที่ดีกว่า
แนวโน้มในปัจจุบันจึงไม่ได้มุ่งไปสู่การใช้โมเดลที่ใหญ่ที่สุดเพียงอย่างเดียว แต่เป็นการออกแบบ AI System ที่เลือกใช้โมเดลให้เหมาะกับแต่ละงาน (Model Routing) เช่น ใช้ SLM สำหรับงานทั่วไป และส่งต่อเฉพาะงานที่ซับซ้อนไปยัง LLM วิธีนี้ช่วยลดต้นทุนและเพิ่มประสิทธิภาพของระบบ AI ได้อย่างมาก
