รู้จักประวัติ Yang Zhilin ซีอีโออัจฉริยะผู้อยู่เบื้องหลัง Kimi K3

Yang Zhilin เกิดเมื่อปี 1992 ที่เมืองซัวเถา มณฑลกวางตุ้ง เขาฉายแววความอัจฉริยะตั้งแต่การคว้าอันดับหนึ่งในชั้นเรียนจากมหาวิทยาลัยชิงหัวในปี 2015

ก่อนมุ่งหน้าสู่สหรัฐอเมริกาเพื่อคว้าปริญญาเอกด้านวิทยาการคอมพิวเตอร์ที่ Carnegie Mellon University (CMU) ภายใต้การดูแลของนักวิจัย AI ระดับตำนานอย่าง Ruslan Salakhutdinov (ผู้อำนวยการฝ่ายวิจัย AI ของ Apple) และ William Cohen

ในฐานะนักวิจัย Yang Zhilin ได้รับการยกย่องว่าเป็น 'อัจฉริยะ' 

เขาเคยฝึกงานที่ Google Brain และ Meta พร้อมสร้างผลงานชิ้นโบแดงอย่างการร่วมเขียนเปเปอร์ Transformer-XL และ XLNet ซึ่งเป็นรากฐานสำคัญที่ช่วยให้ AI สามารถประมวลผลข้อความขนาดยาวได้ดียิ่งขึ้น

แม้จะถูกทาบทามจากบริษัทเทคโนโลยียักษ์ใหญ่หลายแห่งในสหรัฐฯ ภายหลังจบการศึกษา แต่เขากลับเลือกเส้นทางที่ท้าทายกว่า นั่นคือ 'การกลับบ้านเกิด' เพื่อสร้างบริษัทของตัวเอง

Moonshot AI การเดิมพันครั้งใหญ่

Yang Zhilin เริ่มต้นเส้นทางผู้ประกอบการด้วย Recurrent AI สตาร์ทอัปที่ใช้ AI วิเคราะห์บทสนทนาเพื่อช่วยเพิ่มยอดขาย ก่อนจะก้าวสู่สังเวียนที่ใหญ่ขึ้นด้วยการก่อตั้ง Moonshot AI ในเดือนมีนาคม 2023 ด้วยเป้าหมายสูงสุดคือการสร้าง AGI

ภาพจำแรกของ Moonshot AI ไม่ใช่ตึกระฟ้าหรูหรา แต่เป็นออฟฟิศทรุดโทรมที่มีพนักงานเพียง 80 คน ไม่มีแม้แต่โลโก้บริษัท และมีเพียงเปียโนสีขาวตั้งอยู่ข้างประตู

จากจุดเริ่มต้นเล็ก ๆ Kimi แชตบอตตัวแรกของบริษัทกลับสร้างแรงสั่นสะเทือนในเดือนตุลาคม 2023 ด้วยความสามารถในการประมวลผลบริบทขนาดยาวระดับล้านตัวอักษร

ความเชื่อมั่นหลักของ Yang คือ หากแก้ปัญหาด้วยสเกลได้ อย่าเพิ่งใช้อัลกอริทึมใหม่ อัลกอริทึมใหม่ มีไว้เพื่อให้ขยายสเกลได้ดีขึ้น 

วิสัยทัศน์นี้ผลักดันให้ Kimi AI เติบโตอย่างก้าวกระโดด บริษัทสามารถระดมทุนได้มากกว่า 1 พันล้านดอลลาร์สหรัฐ และคาดการณ์ว่ามูลค่าบริษัทจะพุ่งแตะระดับ 5 พันล้านดอลลาร์ภายในปี 2026

การวิวัฒนาการสู่ Kimi K3

เส้นทางการพัฒนาโมเดลของ Moonshot AI เต็มไปด้วยการทำลายขีดจำกัดทางสถาปัตยกรรม

Kimi K1.5 : เป็นจุดเริ่มต้นสำคัญของการลงทุนด้าน Reinforcement Learning โดยใช้การให้รางวัลจากผลลัพธ์ปลายทางแบบ End-to-End เพื่อยกระดับความสามารถด้านเหตุผลเชิงตรรกะ โดยไม่พึ่งพาระบบประเมินระหว่างทางที่ซับซ้อน

Kimi K2 : แก้ปัญหาการขาดแคลนข้อมูลคุณภาพสูงด้วยการเพิ่ม Token Efficiency กลไกสำคัญอย่าง Muon Optimizer และการจัดโครงสร้างแบบ Matrix Orthogonalization ทำให้โมเดลเรียนรู้ได้มีประสิทธิภาพขึ้นเป็นเท่าตัว เสมือนฝึกด้วยข้อมูล 60 ล้านล้านโทเคน ทั้งที่มีข้อมูลจริงเพียงครึ่งเดียว

Kimi K2.5 : ขยายพารามิเตอร์ทะลุ 1 ล้านล้าน (Trillion) พร้อมเสริมความแกร่งด้านเครื่องมือและ Agent

Kimi K3 : ผลงานชิ้นล่าสุดที่เป็น Open-weight Model ซึ่งมีความสามารถด้านการเขียนโค้ดและ Agentic AI เทียบชั้นโมเดลชั้นนำจากฝั่งตะวันตก ในระดับต้นทุนที่ต่ำกว่ามาก

ความสำเร็จของ K3 ทำให้ซีอีโอในซิลิคอนแวลลีย์ต่างยกย่องว่านี่คือหมุดหมายใหม่ของวงการ ขณะที่นักลงทุนระดับตำนานอย่าง Vinod Khosla ได้ออกมาวิจารณ์นโยบายวีซ่าของสหรัฐฯ ว่าเป็นต้นเหตุที่ทำให้ประเทศต้องสูญเสียบุคลากรชั้นยอดอย่าง Yang ไป

อย่างไรก็ตาม Salakhutdinov อดีตอาจารย์ที่ปรึกษาของเขายืนยันว่า Yang มีปณิธานแน่วแน่ที่จะกลับไปตั้งสตาร์ทอัปที่จีนและสร้างเส้นทางของตัวเองมาโดยตลอด

AGI คือการเดินทาง ไม่ใช่เส้นชัย

Yang แบ่งแนวทางการประมวลผล Test-Time Scaling ออกเป็นสองเส้นทางหลัก คือ Reasoning (สมองในโหลแก้ว ที่คิดและทบทวนตรรกะภายในตัวเอง) และ Agentic LLMs (การคิดควบคู่กับการลงมือทำผ่านเบราว์เซอร์ การเรียก API หรือเขียนโค้ด)

หัวใจสำคัญของ Agent ในอนาคตจึงไม่ใช่แค่การใช้เครื่องมือที่เคยฝึกมา แต่คือ 'ความเข้าใจ' ในการหยิบจับเครื่องมือใหม่ ๆ มาแก้ปัญหาได้ทันที

เขามองการพัฒนา AI ว่าเหมือน 'การมุ่งหน้าสู่ภูเขาหิมะอันไร้ขอบเขตและไม่เป็นที่รู้จัก' 

เขาได้รับอิทธิพลจากหนังสือ The Beginning of Infinity โดยเชื่อว่าเมื่อมนุษย์แก้ปัญหาหนึ่งได้ องค์ความรู้ชุดใหม่ก็จะนำไปสู่ปัญหาใหม่เสมอ

AGI จึงไม่ใช่เส้นชัยที่เมื่อไปถึงแล้วทุกอย่างจะจบลง แต่เป็นทิศทางของการค้นพบที่ไม่หยุดนิ่ง สำหรับเขา AI คือ 'ตัวขยายอารยธรรมมนุษย์' ที่อาจย่นระยะเวลาการเรียนรู้จากหลายสิบปีให้เหลือเพียงชั่วข้ามคืน

ในแง่การบริหาร เขานำแนวคิดเดียวกันมาปรับใช้กับองค์กร โดยมองว่าการสั่งงานแบบละเอียดจากบนลงล่างเปรียบเสมือน Supervised Fine-Tuning ที่จำกัดความคิดสร้างสรรค์ เขาจึงเลือกบริหารงานสไตล์ 'Reinforcement Learning' คือการกำหนดเป้าหมายที่ต้องการ แล้วเปิดพื้นที่ให้ทีมค้นหาวิธีที่ดีที่สุดด้วยตนเอง

ที่มา : Business Insider, SCMP