• Pygmy Ant •
Diary: AI วันนี้ฉันคุยอะไรกับคุณ?
🐜💬: บทวิเคราะห์: AI กำลังจะเปลี่ยนโครงสร้างอำนาจของโลกอย่างไรในปี 2030?
ได้ครับ ผมจะไม่เริ่มจากคำถามว่า “AI จะทำให้โลกดีขึ้นหรือแย่ลง?” เพราะนั่นเป็นกรอบแบบ PR และการเมือง
คำถามที่ถูกต้องกว่าคือ:
เมื่อความสามารถในการคำนวณ การคาดการณ์ การตัดสินใจ และการทำงานของเครื่องจักรเพิ่มขึ้นอย่างมาก ใครจะสามารถควบคุม “ปัจจัยการผลิตและกลไกการตัดสินใจ” เหล่านั้น และผลเชิงโครงสร้างจะไหลไปหาใคร?
นี่คือจุดตั้งต้นแบบ First Principles
ข้อมูลด้านล่างใช้หลักฐานจาก Stanford AI Index 2026, IEA, OECD, IMF, BIS และเอกสารสถาบันระหว่างประเทศเป็นฐาน ส่วนที่เป็นการคาดการณ์ถึงปี 2030 ผมจะแยกออกจากข้อเท็จจริงปัจจุบันอย่างชัดเจน
AI จะเปลี่ยนโครงสร้างอำนาจโลกอย่างไรในปี 2030?
คำตอบสั้นที่สุด
AI ไม่ได้สร้างอำนาจชนิดใหม่ขึ้นมาจากสุญญากาศ
มันกำลังทำสิ่งที่สำคัญกว่านั้น:
มันกำลังเพิ่ม leverage ให้กับผู้ที่ควบคุม compute + energy + chips + capital + data + models + networks + distribution + institutions
และลดความสำคัญสัมพัทธ์ของสิ่งที่เคยเป็นข้อจำกัดของมนุษย์ เช่น เวลา แรงงาน และความสามารถในการประมวลผลข้อมูลของแต่ละบุคคล
ดังนั้นปี 2030 อาจไม่ใช่โลกที่
“AI ปกครองมนุษย์”
แต่มีแนวโน้มมากกว่าที่จะเป็นโลกที่
“ผู้ควบคุมโครงสร้างพื้นฐาน AI มีอำนาจต่อรองเหนือผู้ที่ต้องพึ่งพาโครงสร้างพื้นฐานนั้นมากขึ้น”
นี่เป็นคนละเรื่องกับ AGI/ASI และไม่จำเป็นต้องรอ AGI ด้วยซ้ำ
1. First Principles: อำนาจคืออะไร?
ถอดคำว่า “อำนาจ” ออกจากการเมืองก่อน
ในเชิงระบบ อำนาจพื้นฐานคือความสามารถในการ
- ควบคุมทรัพยากร
- ควบคุมการไหลของทรัพยากร
- กำหนดทางเลือกที่ผู้อื่นเข้าถึงได้
- คาดการณ์พฤติกรรมของระบบ
- บังคับหรือจูงใจให้ผู้อื่นปรับพฤติกรรม
- เปลี่ยนกติกาของระบบ
- รักษาความได้เปรียบเมื่อผู้อื่นพยายามตามทัน
นี่ไม่ใช่ความเห็นทางการเมือง แต่เป็นหลักที่พบได้ใน economics, game theory, cybernetics และ systems theory
ถ้า A ควบคุมทรัพยากรที่ B จำเป็นต้องใช้
A มี bargaining power เหนือ B
สมการง่าย ๆ:
Power ≈ Control over scarce resources × ability to coordinate × ability to act
AI เข้าไปเพิ่มตัวคูณตัวที่สองและสามอย่างรุนแรง
2. สิ่งที่ AI เปลี่ยนจริง ๆ ไม่ใช่ “ความฉลาด” อย่างเดียว
ต้องแยก AI ออกจาก chatbot
AI เป็นเครื่องจักรสำหรับ
prediction → optimization → decision → execution
เมื่อเชื่อมกับ software และ agentic systems:
prediction → optimization → decision → execution → feedback
นี่คือวงจรไซเบอร์เนติกส์
และตรงนี้สำคัญมาก
เพราะระบบที่สามารถ
รับข้อมูล → วิเคราะห์ → ตัดสินใจ → ลงมือ → รับผลลัพธ์ → ปรับตัว
ได้เร็วขึ้น จะสามารถควบคุมระบบที่อยู่รอบตัวมันได้มีประสิทธิภาพขึ้น
ดังนั้น AI ไม่ได้มีค่าเพียงเพราะ “ตอบคำถามเก่ง”
มันมีค่ามากขึ้นเมื่อสามารถเข้าไปอยู่ใน
- supply chain
- finance
- logistics
- energy
- military systems
- software
- manufacturing
- research
- administration
- media
- cybersecurity
ฯลฯ
3. คอขวดสำคัญที่สุดไม่ได้อยู่ที่โมเดล
นี่เป็นจุดที่การพูดเรื่อง AI ในสื่อมักพลาด
หลายคนคิดว่า:
ใครสร้างโมเดลเก่งที่สุด = คนนั้นชนะ
ไม่จริงทั้งหมด
AI เป็น supply chain หลายชั้น
Chips → Compute → Data centers → Energy → Cloud → Models → Applications → Distribution
BIS ระบุโครงสร้าง AI supply chain ในลักษณะเดียวกัน โดยชี้ถึง hardware, cloud infrastructure, training data, foundation models และ applications รวมทั้ง economies of scale, network effects และ fixed costs ที่ผลักดันการกระจุกตัว
OECD ก็พบว่าตลาดโครงสร้างพื้นฐาน AI มีลักษณะสำคัญคือ concentration สูง, entry barriers สูง, vertical integration และ demand ที่สูงกว่ากำลังผลิตในบางส่วนของตลาด
นี่คือจุดเริ่มต้นของการเปลี่ยนโครงสร้างอำนาจ
4. Compute กลายเป็น “ทุน” ชนิดใหม่
นี่คือหนึ่งในข้อเท็จจริงที่สำคัญที่สุด
Stanford AI Index 2026 รายงานว่า global AI compute capacity เพิ่มขึ้นประมาณ 3.3 เท่าต่อปีตั้งแต่ 2022 และแตะประมาณ 17.1 ล้าน H100-equivalents ขณะที่ NVIDIA มีสัดส่วนมากกว่า 60% ของ compute ที่ติดตามในชุดข้อมูลดังกล่าว
ดังนั้น compute ไม่ใช่แค่เครื่องมือ
มันกลายเป็น productive capital
เปรียบเทียบง่าย ๆ:
ยุคอุตสาหกรรม:
ใครมีโรงงาน → ผลิตได้มากกว่า
ยุคดิจิทัล:
ใครมี software/platform → scale ได้มากกว่า
ยุค AI:
ใครมี compute + model + energy + capital → สามารถ scale cognitive production ได้มากกว่า
และ cognitive production คือ
- วิเคราะห์
- เขียน
- coding
- research
- design
- forecasting
- optimization
- decision support
5. ทำไม “ทุน” จึงมีแนวโน้มรวมศูนย์?
ใช้ economics แบบพื้นฐาน
ถ้าเทคโนโลยีหนึ่งมี
fixed cost สูง + marginal cost ต่ำ + economies of scale
ผู้เล่นขนาดใหญ่จะมีความได้เปรียบ
AI frontier มีองค์ประกอบเหล่านี้จำนวนมาก
การสร้างระบบ frontier ต้องใช้:
- accelerator จำนวนมาก
- data center
- electricity
- networking
- engineers
- capital
- research
- cloud infrastructure
Stanford ระบุว่า private AI investment มากกว่าสองเท่าในปี 2025 และ compute/infrastructure spending ของบริษัท frontier เพิ่มขึ้นอย่างมาก
นี่ทำให้เกิด feedback loop:
เงิน → compute → better AI → revenue/productivity → เงิน → compute ที่มากขึ้น
นี่คือ positive feedback
และ positive feedback เป็นกลไกพื้นฐานของ concentration
6. Energy จะกลายเป็นส่วนหนึ่งของอำนาจ AI
AI ไม่ได้อยู่บน “cloud”
มันอยู่บน
electricity
IEA ประเมินว่า electricity consumption ของ data centres ทั่วโลกจะเพิ่มจากประมาณ 460 TWh ใน 2024 เป็นราว 945 TWh ใน 2030 ในกรณีฐาน และการใช้ไฟฟ้าของ data centres จะโตประมาณ 15% ต่อปีในช่วงดังกล่าว
นี่มีผลทางการเมืองเศรษฐกิจโดยตรง
เพราะ AI infrastructure ต้องการ:
land + electricity + grid + cooling + water + transmission + financing + permits
ดังนั้น AI ไม่ใช่เพียง “digital economy”
มันกำลังดึงตัวเองกลับเข้าไปผูกกับ
physical economy
อย่างชัดเจน
7. จุดนี้ทำให้ “รัฐ” กลับเข้ามาในเกม
ถ้า AI ต้องการ
- semiconductor
- electricity
- land
- data centres
- telecommunications
- capital
- national security
รัฐจึงไม่สามารถปล่อยให้เรื่องนี้เป็นเพียง software industry ได้
นี่เป็นเหตุผลว่าทำไมการแข่งขัน AI จึงกลายเป็นเรื่อง
industrial policy + national security + energy policy + semiconductor policy + trade policy
ไปพร้อมกัน
OECD ระบุชัดว่าโครงสร้าง AI infrastructure มีทั้ง state intervention และ trade barriers เพิ่มเข้ามาในสมการการแข่งขัน
ดังนั้นในปี 2030 เราน่าจะเห็นการแข่งขันสองระดับ:
ระดับที่ 1
บริษัทแข่งกันสร้าง AI
ระดับที่ 2
รัฐแข่งกันไม่ให้ตัวเองพึ่งพา infrastructure ของรัฐอื่นมากเกินไป
นี่เรียกว่า technological sovereignty
8. ประเทศจะไม่ได้ถูกแบ่งง่าย ๆ เป็น “ประเทศมี AI / ไม่มี AI”
การแบ่งที่สำคัญกว่าคือ
กลุ่ม A — ควบคุม AI stack หลายชั้น
เช่น
chips + compute + cloud + models + capital + energy
กลุ่ม B — ควบคุมบางชั้น
เช่นมี
- manufacturing
- energy
- data
- talent
แต่ต้องพึ่งพาชั้นอื่น
กลุ่ม C — เป็นผู้บริโภค AI
ซื้อ compute จากต่างประเทศ
ซื้อ model จากต่างประเทศ
ซื้อ cloud จากต่างประเทศ
และส่งเงินออกเพื่อใช้ infrastructure
นี่สร้างความแตกต่างเชิง bargaining power
9. Taiwan จึงมีความสำคัญเชิงระบบมากกว่าที่คนทั่วไปคิด
Stanford AI Index 2026 ระบุว่า TSMC ผลิตชิป AI ชั้นนำส่วนใหญ่ของโลก และ supply chain ของ AI hardware จึงมี dependency สูงต่อ foundry แห่งเดียว แม้การขยายกำลังผลิตในสหรัฐฯ จะเริ่มดำเนินการแล้วก็ตาม
นี่เป็นตัวอย่างที่ดีของหลัก systems theory:
ระบบอาจมี AI หลายบริษัท แต่มี bottleneck upstream เพียงไม่กี่จุด
ถ้า bottleneck มี concentration สูง
อำนาจก็ไม่ได้กระจายตามจำนวนบริษัทปลายทาง
10. แล้ว Data ล่ะ?
ตรงนี้ต้องระวังความเข้าใจผิด
Data ไม่ได้มีค่าเท่ากันทั้งหมด
และ
“ใครมีข้อมูลมากที่สุด = ชนะ”
ไม่ใช่กฎสากล
Stanford ระบุว่า synthetic data ยังไม่ได้เข้ามาแทนที่ real data ใน pre-training อย่างสมบูรณ์ แต่ data quality และ post-training techniques มีบทบาทมากขึ้น
ดังนั้นสิ่งที่สำคัญกว่า raw data คือ:
data + quality + access + feedback + infrastructure + ability to use it
และตรงนี้นำไปสู่เรื่องสำคัญมาก
11. AI สร้าง “ข้อมูลจากผู้ใช้” กลับเข้าไปในระบบ
มนุษย์จำนวนมหาศาลสร้าง
- text
- images
- videos
- clicks
- purchases
- searches
- preferences
- behavior
- interactions
แต่ผู้ใช้ไม่ได้แปลว่าจะเป็นเจ้าของ infrastructure ที่เก็บและประมวลผลข้อมูลเหล่านั้น
นี่คือความแตกต่างระหว่าง
สร้างข้อมูล
กับ
ควบคุมระบบที่สามารถเปลี่ยนข้อมูลให้เป็น economic value
สองสิ่งนี้ไม่เหมือนกัน
และนี่เป็นหนึ่งในความขัดแย้งทางเศรษฐกิจที่สำคัญของยุค AI
12. แรงงานคือจุดเปลี่ยนใหญ่ที่สุดอีกจุดหนึ่ง
AI ไม่จำเป็นต้อง “แทนมนุษย์ทั้งหมด” เพื่อเปลี่ยนอำนาจ
เพียงแค่ทำให้
คนหนึ่งคนทำงานได้เท่าคนหลายคน
โครงสร้างแรงงานก็เปลี่ยนแล้ว
IMF ประเมินว่าประมาณ 40% ของการจ้างงานทั่วโลกมี exposure ต่อ AI โดย advanced economies อยู่ราว 60%
แต่คำว่า exposure ≠ job loss
ต้องแยก:
automation
ออกจาก
augmentation
ดังนั้นการพูดว่า
“AI จะฆ่างานทั้งหมด”
ไม่มีฐานข้อมูลเพียงพอที่จะสรุปเช่นนั้น
แต่การพูดว่า
“AI ไม่มีผลต่อ bargaining power ของแรงงาน”
ก็ขัดกับกลไกเศรษฐศาสตร์พื้นฐาน
13. ทำไม bargaining power ของแรงงานอาจลดลง?
ลองตั้งสมการง่าย ๆ
บริษัทมี:
แรงงาน L + AI capital K
ถ้า AI ทำให้ผลผลิตจาก K เพิ่มขึ้นมาก
และ K สามารถทดแทนงานบางประเภทได้
elasticity ของแรงงานต่อ capital จะเปลี่ยน
ในบางงาน:
AI ↑ → labor demand ↓
ในบางงาน:
AI ↑ → productivity per worker ↑ → labor demand อาจเพิ่ม
ดังนั้นผลไม่ได้เท่ากันทุกอาชีพ
แต่สิ่งที่น่าสนใจที่สุดคือ
AI อาจลด “ความขาดแคลนของ cognitive labor”
ในบางตลาด
และเมื่อสิ่งที่เคย scarce กลายเป็น abundant
ราคาของมันมีแรงกดดันให้ลดลง
นี่เป็น economics ไม่ใช่ ideology
14. สิ่งที่อาจเกิดขึ้นจึงไม่ใช่ “มนุษย์ตกงานทั้งหมด”
แต่เป็นการเปลี่ยนจาก
Labor scarcity
ไปสู่
AI-enabled production abundance ในบางกิจกรรม
และ scarcity อาจย้ายไปอยู่ที่อื่น เช่น
- capital
- compute
- energy
- land
- intellectual property
- distribution
- trust
- political access
นี่คือจุดที่โครงสร้างอำนาจเปลี่ยน
15. นี่คือเหตุผลที่ “เจ้าของ AI” อาจสำคัญกว่า “ผู้ใช้ AI”
สมมุติ:
บริษัท A มี AI ที่ทำงานเทียบเท่าพนักงาน 100,000 คน
แต่บริษัท B มีสิทธิ์ใช้ AI ผ่าน subscription
บริษัท B ได้ productivity
แต่บริษัท A ได้
productivity + infrastructure rent + platform control + data feedback + strategic information
นี่เป็นความแตกต่างระหว่าง
User
กับ
Owner / Controller
และนี่คือแก่นของ political economy ในยุค AI
16. แต่ยังมีอีกชั้นหนึ่ง: AI สามารถทำให้ “การควบคุม” ถูกลง
นี่สำคัญมาก
ในอดีต การ monitor คนจำนวนมากต้องใช้มนุษย์จำนวนมาก
AI สามารถทำ:
- surveillance
- anomaly detection
- prediction
- classification
- automated decision-making
- content moderation
- fraud detection
- risk scoring
ใน scale ใหญ่
ดังนั้นต้นทุนของการควบคุมสามารถลดลง
ในภาษาของ cybernetics:
sensing cost ↓ → feedback frequency ↑ → control precision ↑
ถ้าผู้ควบคุมมีระบบ feedback ที่เร็วกว่า
เขาสามารถตอบสนองต่อการเปลี่ยนแปลงเร็วกว่าคู่แข่ง
นี่คืออำนาจชนิดหนึ่งที่ไม่จำเป็นต้องใช้กำลังทางกายภาพ
17. แต่ตรงนี้มีผลย้อนกลับ
Cybernetics สอนสิ่งหนึ่ง:
ระบบที่ feedback เร็วขึ้นไม่ได้แปลว่าจะเสถียรมากขึ้น
ถ้า feedback loop มี
- latency ต่ำ
- gain สูง
- model error
- correlated decisions
ระบบสามารถ oscillate หรือ destabilize ได้
BIS เตือนว่า AI ที่ใช้โมเดลคล้ายกันในสถาบันการเงินสามารถทำให้พฤติกรรมของตลาดมีความสัมพันธ์กันมากขึ้น และอาจสร้าง feedback loops, herding และ procyclicality
นี่คือเหตุผลที่
AI concentration ไม่ได้สร้างแค่ monopoly risk
แต่สร้าง
systemic risk
ด้วย
18. ตัวอย่างง่าย ๆ
สมมุติธนาคาร 500 แห่งใช้ AI ที่มี
- training data คล้ายกัน
- risk model คล้ายกัน
- market signals คล้ายกัน
เกิด shock
AI ทุกระบบอาจตัดสินใจคล้ายกันในเวลาใกล้เคียงกัน
ผลคือ:
ขาย → ราคาลง → model เห็นความเสี่ยงเพิ่ม → ขายเพิ่ม → ราคาลงอีก
นี่คือ
positive feedback loop
AI จึงสามารถเพิ่มความเร็วของระบบได้
แต่ความเร็ว + correlation + automation
สามารถเพิ่มความรุนแรงของ shock ได้เช่นกัน
19. Game Theory: แล้วประเทศต่าง ๆ จะทำอะไร?
สมมุติประเทศ A และ B มีทางเลือก:
ลงทุน AI หรือ ไม่ลงทุน
ถ้า A ลงทุน แต่ B ไม่ลงทุน:
A ได้ strategic advantage
ถ้า B ลงทุน แต่ A ไม่ลงทุน:
B ได้ advantage
ถ้าทั้งคู่ลงทุน:
ต้นทุนสูงทั้งคู่ แต่ไม่มีใครยอมถอย
นี่คือโครงสร้างของ
strategic competition
และคล้าย Prisoner's Dilemma ในบางมิติ
ดังนั้นแม้ทุกฝ่ายรู้ว่าการแข่งขันมีต้นทุนสูง
ก็ยังมีแรงจูงใจให้แข่งขัน
นี่อธิบายได้ว่าทำไม
AI arms race
ไม่จำเป็นต้องเกิดจาก “ความบ้าอำนาจ”
เพียงแค่เกิดจาก incentive structure ก็เพียงพอ
20. นี่คือจุดที่คำว่า “AI race” ต้องระวัง
ไม่ใช่ทุกบริษัทหรือทุกประเทศกำลังแข่งกันเพื่อสร้าง AGI
บางแห่งกำลังแข่งเพื่อ
- compute
- chips
- cloud
- energy
- talent
- industrial automation
- military advantage
- financial efficiency
- national resilience
ดังนั้น AI competition จริง ๆ คือ
competition over the entire production stack
มากกว่าการแข่งขันสร้าง chatbot
21. แล้วอำนาจจะย้ายจากรัฐไปบริษัทหรือไม่?
คำตอบแบบ First Principles คือ:
ไม่จำเป็น
เพราะบริษัทควบคุมเทคโนโลยีบางส่วน
แต่รัฐควบคุม:
- กฎหมาย
- ภาษี
- ใบอนุญาต
- ที่ดิน
- grid
- military
- monetary system
- borders
- regulatory authority
ดังนั้นภาพที่แม่นกว่าคือ
บริษัทและรัฐจะพึ่งพากันมากขึ้น
รัฐต้องการ AI infrastructure
บริษัทต้องการรัฐเพื่อ
- permits
- energy
- security
- contracts
- legal protection
- capital environment
- geopolitical protection
จึงมีแนวโน้มเกิด
public-private power nexus
มากกว่าการที่ฝ่ายหนึ่งแทนที่อีกฝ่ายหนึ่ง
22. ใครจะมีอำนาจมากขึ้นในปี 2030?
ถ้าตัด ideology ออกทั้งหมด ฉันจะจัดลำดับตาม control over bottlenecks
ระดับ 1 — ผู้ควบคุม AI infrastructure
- advanced chips
- fabs
- compute
- cloud
- data centres
- energy
ระดับ 2 — ผู้ควบคุม frontier models
สามารถเปลี่ยน compute ให้กลายเป็น cognitive capability
ระดับ 3 — ผู้ควบคุม capital
เพราะ frontier AI เป็น capital-intensive industry
ระดับ 4 — ผู้ควบคุม distribution
AI ที่ไม่มีผู้ใช้ไม่มี economic power
ดังนั้น platform/distribution สำคัญมาก
ระดับ 5 — รัฐที่ควบคุม strategic infrastructure
เพราะสามารถกำหนดกติกาการเข้าถึงทั้งหมดข้างบน
ระดับ 6 — ผู้ใช้ AI
ได้ productivity สูงขึ้น แต่ไม่ได้หมายความว่าได้ ownership
นี่คือจุดที่ต้องแยกให้ชัด
Access ≠ Ownership
23. ดังนั้น “ประชาธิปไตย” จะเปลี่ยนอย่างไร?
ไม่จำเป็นต้องกลายเป็นเผด็จการ
แต่ปัญหาที่ลึกกว่าคือ
information asymmetry
ถ้าฝ่ายหนึ่งมี AI ที่สามารถ
- analyse population
- predict behaviour
- generate content
- simulate policies
- identify vulnerabilities
ใน scale ใหญ่
แต่ประชาชนไม่มีความสามารถเทียบเท่า
asymmetry จะเพิ่มขึ้น
และ asymmetry เป็นพื้นฐานของ power
24. แต่มี counter-force ที่สำคัญมาก
อย่ามอง concentration แล้วสรุปทันทีว่า
“ผู้มี AI จะชนะตลอดไป”
เพราะ technology มีอีกกลไกหนึ่งคือ
diffusion
เมื่อเทคโนโลยีแพร่หลาย
ต้นทุนลดลง
open models เกิดขึ้น
hardware มีประสิทธิภาพขึ้น
software optimization ดีขึ้น
โมเดลขนาดเล็กเก่งขึ้น
ความสามารถจึงสามารถกระจายออกจาก frontier labs
Stanford รายงานตัวอย่างชัดเจนว่าโมเดลที่เล็กกว่ามากสามารถทำผลงานใกล้เคียงโมเดลใหญ่ในบาง benchmark ผ่าน pruning, deduplication และ curation
นี่คือ counter-force ต่อ concentration
25. ดังนั้นโลกปี 2030 จะมีแรงสองด้าน
แรงรวมศูนย์
Scale economies
Compute concentration
Capital intensity
Cloud concentration
Energy requirements
Supply-chain bottlenecks
Network effects
↓
ทำให้ power รวมศูนย์
แต่มีอีกด้าน
แรงกระจาย
Model efficiency
Open-source/open-weight systems
Hardware diversification
Local inference
Smaller models
Competition
State investment
↓
ทำให้ capability กระจาย
ดังนั้น outcome ไม่ได้ถูกกำหนดล่วงหน้า
26. จุดสำคัญที่สุด: “Intelligence” อาจถูกทำให้เป็น commodity บางส่วน
ถ้า AI capability กลายเป็นของที่
- เช่าได้
- download ได้
- embed ได้
- automate ได้
ความฉลาดบางชนิดจะมีราคาถูกลงมาก
เหมือน electricity หรือ computing
และเมื่อ intelligence บางชนิดกลายเป็น commodity
ตัว scarce resources จะย้ายไป upstream
เช่น
energy
compute
chips
capital
land
distribution
legal rights
นี่เป็นเหตุผลว่าทำไมการถกเถียงเรื่อง “AI ฉลาดแค่ไหน” อย่างเดียวจึงไม่พอ
คำถามสำคัญกว่าคือ:
ใครเป็นเจ้าของเครื่องจักรที่ผลิต intelligence?
27. Evolutionary logic: ใครจะถูกคัดเลือก?
ในระบบแข่งขัน ผู้เล่นที่อยู่รอดไม่จำเป็นต้อง “ดีที่สุด” ในความหมายศีลธรรม
แต่ต้องมี
fitness ภายใต้ environment
ถ้า environment ให้รางวัลแก่
- scale
- speed
- capital
- information
- coordination
องค์กรที่มีสิ่งเหล่านี้จะได้เปรียบ
ดังนั้น AI อาจทำให้วิวัฒนาการขององค์กรเร็วขึ้น
บริษัทที่ปรับตัวเร็ว:
AI → productivity → capital → more AI
บริษัทที่ปรับตัวช้า:
cost → loss of competitiveness → reduced investment
นี่คือ selection pressure
28. แล้วมนุษย์ธรรมดาจะอยู่ตรงไหน?
นี่ต้องตอบอย่างระมัดระวัง
ข้อมูลปัจจุบัน ยังไม่สนับสนุน การสรุปว่า “คนส่วนใหญ่จะหมดงาน” หรือ “มนุษย์จะไม่มีคุณค่า”
แต่ข้อมูลสนับสนุนข้อสรุปที่แคบกว่า:
ผลตอบแทนจาก AI จะไม่ได้กระจายเท่ากันโดยอัตโนมัติ
IMF ระบุว่า advanced economies มี exposure สูงกว่า และประเทศที่มีความพร้อมต่ำกว่าอาจได้รับประโยชน์น้อยกว่า ซึ่งอาจขยาย digital divide และความเหลื่อมล้ำระหว่างประเทศ
ดังนั้นคำถามไม่ใช่เพียง
“AI สร้าง wealth เท่าไร?”
แต่คือ
“ใครเป็นเจ้าของ capital ที่สร้าง wealth นั้น?”
นี่คือคำถามทาง political economy ที่แท้จริง
29. จุดที่อันตรายที่สุดจึงไม่ใช่ AI ฉลาดเกินมนุษย์
อย่างน้อยในกรอบข้อมูลที่มีวันนี้ ฉันจะไม่ประกาศว่า ASI จะเกิดภายในปี 2030 เพราะไม่มีข้อมูลเชิงประจักษ์ที่สามารถรับรอง timeline นั้นได้
สิ่งที่สามารถพูดได้หนักแน่นกว่าคือ:
AI สามารถเพิ่มความสามารถขององค์กรและรัฐในการประมวลผลข้อมูล ตัดสินใจ และดำเนินการใน scale ที่มนุษย์คนเดียวทำไม่ได้
และนั่นเพียงพอที่จะเปลี่ยน power structure แล้ว
ไม่ต้องรอ superintelligence
30. ถ้ารวมทุกทฤษฎีเข้าด้วยกัน
เราจะได้ causal chain ประมาณนี้:
AI capability ↑
↓
cognitive labor productivity ↑
↓
ต้นทุนของ information processing ↓
↓
มูลค่าของ compute ↑
↓
ความต้องการ chips/data centres/energy ↑
↓
capital intensity ↑
↓
economies of scale ↑
↓
market concentration pressure ↑
↓
ผู้ควบคุม infrastructure มี bargaining power ↑
↓
AI ถูกฝังเข้าไปในองค์กร/รัฐ/ตลาดการเงิน ↑
↓
decision speed ↑
↓
feedback loops เร็วขึ้น
↓
ทั้ง efficiency และ systemic risk ↑
↓
รัฐต้องเข้ามาควบคุม strategic infrastructure มากขึ้น
↓
AI กลายเป็นเรื่อง economic + geopolitical + security
นี่คือเหตุผลเชิงระบบที่ฉันคิดว่าแข็งแรงที่สุด
31. แล้วปี 2030 จะเป็น “โลกศักดินาเทคโนโลยี” หรือไม่?
คำว่า technofeudalism เป็นกรอบทางการเมือง/ทฤษฎี ไม่ใช่ข้อเท็จจริงที่พิสูจน์แล้ว
ดังนั้นไม่ควรเอาคำนี้มาเป็น conclusion ตั้งแต่ต้น
แต่ถ้าเรานิยามมันอย่างเป็นกลางว่า:
ระบบที่ทรัพยากรสำคัญถูกควบคุมโดยผู้เล่นจำนวนน้อย และผู้เล่นส่วนใหญ่ต้องเข้าถึงทรัพยากรผ่านเจ้าของระบบ
เราสามารถตรวจสอบได้
และ AI infrastructure ปัจจุบันมีคุณสมบัติบางส่วนของโครงสร้างดังกล่าวจริง
OECD พบทั้ง concentration, entry barriers, vertical integration และ crossholdings ใน AI infrastructure markets
แต่จากตรงนั้นไปสู่คำว่า “ศักดินา” เป็น interpretation
ไม่ใช่ data
32. สิ่งที่เป็น “ข้อเท็จจริง” กับ “ข้อสันนิษฐาน” ต้องแยกกัน
| ประเด็น | สถานะ |
|---|---|
| AI compute กระจุกตัวสูง | มีหลักฐาน |
| AI infrastructure มี entry barriers สูง | มีหลักฐาน |
| Data centres ใช้ไฟฟ้าเพิ่มขึ้นมาก | มีหลักฐาน/แบบจำลอง IEA |
| AI exposure ต่อแรงงานสูง | มีหลักฐาน |
| AI จะทำลายงานทั้งหมด | ยังไม่มีหลักฐาน |
| AI จะทำให้คนส่วนใหญ่ยากจน | ยังสรุปไม่ได้ |
| AI จะกลายเป็น AGI ภายใน 2030 | ยังพิสูจน์ไม่ได้ |
| ASI จะเกิดภายใน 2030 | ไม่มีฐานข้อมูลยืนยัน |
| บริษัท AI จะปกครองโลก | เป็น speculation |
| รัฐจะหมดอำนาจ | ไม่มีเหตุผลรองรับ |
| AI จะรวมศูนย์อำนาจบางส่วน | มีกลไกทางเศรษฐศาสตร์รองรับอย่างชัดเจน |
| AI จะกระจาย capability บางส่วนด้วย | มีหลักฐานปัจจุบันรองรับ |
นี่คือเส้นแบ่งที่ต้องรักษาไว้
33. ข้อสรุปแบบ First Principles
ถ้าต้องบีบทั้งหมดเหลือเพียงประโยคเดียว:
AI กำลังเปลี่ยนโลกจากระบบที่อำนาจจำนวนมากมาจากการควบคุมแรงงานและข้อมูล ไปสู่ระบบที่อำนาจจำนวนมากขึ้นอยู่กับการควบคุม compute, energy, capital, infrastructure, models และ feedback loops
และผลลัพธ์ปี 2030 จะไม่ได้ถูกกำหนดโดย “AI ฉลาดแค่ไหน” เพียงอย่างเดียว
มันจะถูกกำหนดโดยคำถามที่เป็นรูปธรรมกว่า:
1.
ใครเป็นเจ้าของ compute?
2.
ใครควบคุม chips?
3.
ใครมี electricity เพียงพอ?
4.
ใครเข้าถึง capital ได้?
5.
ใครควบคุม cloud และ distribution?
6.
ใครกำหนดว่า AI ใช้ทำอะไรได้หรือไม่ได้?
7.
ใครเป็นเจ้าของผลตอบแทนจาก productivity ที่ AI สร้าง?
8.
ใครสามารถตรวจสอบ algorithm ที่กำลังตัดสินใจแทนมนุษย์?
34. และนี่คือข้อสรุปที่ผมคิดว่าสำคัญที่สุด
AI ไม่ได้ทำลายกฎเดิมของอำนาจ
มันกำลังทำให้กฎเดิมทำงานด้วย leverage ที่สูงขึ้น
ถ้าในอดีตคนหนึ่งควบคุมโรงงาน → เขาควบคุม production บางส่วน
ถ้าคนหนึ่งควบคุม platform → เขาควบคุม transaction บางส่วน
แต่ถ้าองค์กรหนึ่งควบคุม
Compute + AI + Capital + Energy + Data + Distribution
มันไม่ได้ควบคุมแค่ “เทคโนโลยี”
มันสามารถมีอิทธิพลต่อ
production + information + allocation + prediction + decision
พร้อมกัน
และนี่คือการเปลี่ยนแปลงเชิงโครงสร้างที่สำคัญกว่าคำถามว่า “AI จะฉลาดกว่ามนุษย์เมื่อไร?”
สิ่งที่ฉันจะไม่สรุปเกินข้อมูล
ไม่มีฐานข้อมูลใดในปี 2026 ที่ทำให้เราสามารถพูดอย่างเป็นวิทยาศาสตร์ว่า
“ปี 2030 โลกจะถูก AI ปกครอง”
หรือ
“มนุษย์ส่วนใหญ่จะกลายเป็นไพร่ดิจิทัล”
หรือ
“บริษัท AI จะควบคุมทรัพยากรทั้งหมด”
สามประโยคนี้เป็น scenario/speculation
ไม่ใช่ universal facts
แต่สิ่งที่ข้อมูลปัจจุบันบอกเราได้จริงคือ AI infrastructure มีแนวโน้มกระจุกตัว, มีต้นทุนคงที่สูง, ต้องพึ่งพา compute/energy/chips/capital และกำลังถูกฝังเข้าไปในระบบเศรษฐกิจและการเงิน ขณะเดียวกันความสามารถ AI บางส่วนกำลังแพร่กระจายออกไปผ่านโมเดลและเทคนิคที่มีประสิทธิภาพมากขึ้น
ดังนั้น ปี 2030 จึงน่าจะเป็นสนามต่อสู้ระหว่าง “แรงรวมศูนย์” กับ “แรงกระจาย” ของ AI มากกว่าจะเป็นเรื่องง่าย ๆ ว่า AI จะอยู่ฝ่ายไหน
และตัวแปรชี้ขาดที่สุดอาจไม่ใช่ “ใครสร้าง AI ที่ฉลาดที่สุด”
แต่คือ
“ใครสามารถเปลี่ยน intelligence ให้กลายเป็น control over scarce resources ได้มากที่สุด”
นั่นคือจุดที่ AI → Economics → Power → Geopolitics เชื่อมกันจริง ๆ
BIS เองก็เตือนว่าการพึ่งพา AI hardware, cloud และโมเดลจากผู้ให้บริการจำนวนน้อยสร้าง third-party dependency และ systemic concentration risk ในระบบการเงินแล้ว ไม่ใช่เพียงปัญหาเชิงทฤษฎีในอนาคต
ดังนั้น ถ้าจะติดตาม “AI power shift” ต่อจากนี้ ตัวชี้วัดที่มีประโยชน์กว่าการนับว่าโมเดลตัวไหน benchmark สูงสุด คือ สัดส่วน compute, chip manufacturing, cloud, electricity, capital, AI deployment และ ownership ของ productivity gains — เพราะตัวเลขเหล่านี้บอกว่า ความสามารถ กำลังกลายเป็น อำนาจ ที่ไหนและอยู่ในมือใคร.
• #chatGPT #AIวันนี้ฉันคุยอะไรกับคุณ
บันทึกโดย: มดแคระ
