Thomson Reuters เปิดตัวโมเดล Thomson: AI เฉพาะทางที่ไม่ได้แข่งด้วยขนาดอย่างเดียว

Thomson Reuters ไม่ได้สร้าง AI ใหม่เพื่อแข่งทุกเรื่อง แต่สร้างให้เชี่ยวชาญในงานที่ต้องตรวจสอบได้

Thomson Reuters เปิดตัวโมเดลภาษาของตัวเองชื่อ Thomson เมื่อวันที่ 24 สิงหาคม 2569 โดยวางตำแหน่งเป็น AI สำหรับงานวิชาชีพที่ต้องการความถูกต้อง ความรับผิดชอบ และการตรวจสอบย้อนกลับ ไม่ใช่แชตบอตทั่วไปที่พยายามตอบได้ทุกหัวข้อ

โมเดลนี้เริ่มถูกนำไปใช้กับฟีเจอร์ Tabular Analysis ใน CoCounsel Legal ซึ่งเป็นเครื่องมือ AI สำหรับงานกฎหมาย แต่เรื่องน่าสนใจไม่ได้อยู่แค่ชื่อผลิตภัณฑ์ หากอยู่ที่วิธีคิดเบื้องหลังว่า บริษัทที่มีคลังข้อมูลเฉพาะทางควรสร้างโมเดลของตัวเองอย่างไร และการมีโมเดลเองจะช่วยลดการพึ่งพาบริษัท AI รายใหญ่ได้มากแค่ไหน [1]

ภาพประกอบ: แนวคิด AI เฉพาะทางที่ทำงานกับข้อมูลระดับองค์กร ไม่ใช่ภาพหน้าจอหรือเอกสารลูกค้าจริง

Thomson คือโมเดลแบบไหน

Thomson Reuters เรียก Thomson ว่าเป็นโมเดลภาษาขนาดใหญ่ที่พัฒนาขึ้นเอง แต่ไม่ได้หมายความว่าบริษัทเริ่มสร้างทุกอย่างจากศูนย์ บริษัทอธิบายว่าโมเดลเริ่มต้นจาก open-weight foundation model แล้วนำข้อมูลเฉพาะทาง วิธีฝึก และความรู้จากผู้เชี่ยวชาญขององค์กรมาเสริมต่อ [2]

ฐานความรู้ของ Thomson Reuters ครอบคลุมงานกฎหมาย ข่าว ภาษี และบัญชีที่สะสมมานานหลายทศวรรษ รวมถึงผลิตภัณฑ์อย่าง Westlaw, Practical Law, Checkpoint และ Reuters News แต่บริษัทระบุว่าในการทำ continued pre-training จนถึงตอนนี้ใช้ข้อมูลในคลังทั้งหมดน้อยกว่า 10% นั่นแปลว่าความได้เปรียบไม่ได้มาจากการเอาข้อมูลทั้งหมดไปใส่ในโมเดลแบบตรง ๆ แต่มาจากการคัดเลือก จัดโครงสร้าง ตรวจสิทธิ์ และออกแบบข้อมูลให้มีผลต่อความสามารถของโมเดลจริง

ทำไมโมเดลเฉพาะทางจึงอาจมีข้อได้เปรียบ

โมเดลทั่วไปเก่งขึ้นอย่างรวดเร็วและครอบคลุมงานจำนวนมาก แต่การทำงานระดับวิชาชีพมีเงื่อนไขเพิ่มจากคำตอบที่ “ฟังดูดี” เช่น ข้อความอ้างอิงต้องตรงกับแหล่งที่มา เหตุผลต้องครบถ้วนตามเขตอำนาจศาล และผลลัพธ์ต้องอยู่ในรูปแบบที่ผู้เชี่ยวชาญสามารถตรวจทานได้

Thomson Reuters จึงให้ความสำคัญกับข้อมูลที่บอกว่าอะไรคือคำตอบที่ถูกต้องและเหตุใดคำตอบอีกแบบจึงไม่เหมาะสม บริษัทระบุว่าได้ใช้ผู้เชี่ยวชาญสร้าง rubrics สำหรับโจทย์ที่ซับซ้อน ให้ผู้เชี่ยวชาญประเมินคำตอบจำนวนมาก และพยายามเก็บ “เหตุผลระหว่างการทำงาน” ไม่ใช่เพียงบทความหรือเอกสารฉบับสุดท้าย

แนวคิดนี้ทำให้ AI เฉพาะทางไม่ได้แข่งขันด้วยจำนวนพารามิเตอร์เพียงอย่างเดียว แต่แข่งขันด้วยสามองค์ประกอบ ได้แก่ คุณภาพของข้อมูล ความรู้ของคนที่รู้ว่าอะไรถูกต้อง และระบบประเมินผลที่สามารถตรวจสอบคำตอบได้จริง

บริษัทใช้เงินเท่าไร และไม่ได้สร้างโมเดลจากศูนย์ทั้งหมด

ตามรายงานของ SiliconANGLE Thomson Reuters ใช้เวลาประมาณสองปีและใช้เงินราว 40 ล้านดอลลาร์กับบุคลากรและคอมพิวเตอร์สำหรับโครงการนี้ ขณะที่ค่าใช้จ่ายของการฝึกครั้งสุดท้ายอยู่ที่ประมาณ 450,000 ดอลลาร์ ตัวเลขดังกล่าวเป็นบริบทจากการรายงานของสื่อ ไม่ใช่ต้นทุนมาตรฐานที่ทุกบริษัทจะทำตามได้ [3]

สิ่งที่ลดต้นทุนได้คือการเริ่มจากโมเดล open-weight และเน้นงานที่บริษัทมีความได้เปรียบอยู่แล้ว แทนการพยายามสร้างโมเดลที่ต้องเก่งที่สุดในทุกด้านตั้งแต่ต้น Thomson Reuters บอกว่าจุดประสงค์ไม่ใช่การแข่งกับห้องทดลอง AI รายใหญ่ในทุกหมวด แต่คือการสร้างโมเดลที่เหมาะกับงานกฎหมายและข้อมูลวิชาชีพของตนเอง

ภาพประกอบ: การเลือกใช้โมเดลให้เหมาะกับงานและให้ผู้เชี่ยวชาญตรวจผลลัพธ์ ไม่ใช่การปล่อยให้ AI ตัดสินใจแทนทั้งหมด

ไม่ได้เลิกใช้โมเดลจากบริษัทอื่น

จุดที่ควรทำความเข้าใจให้ถูกคือ Thomson ไม่ได้เข้ามาแทนที่โมเดลอื่นทั้งหมด CoCounsel ยังคงเป็นผลิตภัณฑ์แบบ multimodel โดยเลือกใช้ Thomson กับงานที่โมเดลเฉพาะทางได้เปรียบ และใช้โมเดลจากผู้ให้บริการภายนอกกับงานอื่น ๆ Tabular Analysis จะใช้ Thomson เป็นค่าเริ่มต้น แต่ผู้ดูแลระบบยังสามารถเลือกโมเดลอื่นได้ตามรายงานของ SiliconANGLE

รูปแบบนี้สะท้อนแนวทางที่เป็นไปได้สำหรับองค์กรจำนวนมากในอนาคต บริษัทอาจไม่จำเป็นต้องสร้างโมเดลเดียวที่เก่งที่สุดในโลก แต่อาจสร้างหรือปรับโมเดลที่เหมาะกับงานสำคัญของตนเอง แล้วจัดระบบให้หลายโมเดลทำงานร่วมกันตามประเภทงาน ต้นทุน และข้อกำหนดด้านข้อมูล

เรื่องความแม่นยำ: บริษัทบอกว่าอย่างไร และต้องระวังอะไร

Thomson Reuters รายงานผลทดสอบภายในว่า Thomson มีความสามารถแข่งขันกับโมเดล frontier บางรุ่น และทำผลงานเด่นด้าน factuality กับ citation เมื่อทำงานบนข้อมูล Westlaw และ Practical Law โดยในบทความอธิบายการสร้างโมเดล บริษัทระบุคะแนน factuality 0.83 เทียบกับ 0.65 และ 0.68 ของโมเดลอื่นในการทดสอบ deep research ของบริษัท [2]

อย่างไรก็ตาม ตัวเลขนี้ควรอ่านว่าเป็น ผลการประเมินที่ Thomson Reuters เปิดเผยเอง ไม่ใช่ใบรับรองว่าโมเดลเหนือกว่าทุกระบบในทุกงาน The New Stack และ SiliconANGLE ต่างชี้ว่าผลลัพธ์ยังไม่ได้รับการตรวจสอบโดยหน่วยงานอิสระอย่างกว้างขวาง และบริษัทมีแผนเผยแพร่รายงานทางเทคนิคเพิ่มเติม [4]

นอกจากนี้ factuality ไม่ได้หมายถึงคำตอบจะถูกต้องทุกประโยคในทุกสถานการณ์ แต่เป็นวิธีวัดตามเกณฑ์และชุดทดสอบที่กำหนดไว้ การนำโมเดลไปใช้ในงานจริงจึงยังต้องมีผู้เชี่ยวชาญอ่าน ตรวจแหล่งอ้างอิง และรับผิดชอบการตัดสินใจขั้นสุดท้าย

ข้อมูลลูกค้าไม่ใช่ข้อมูลฝึกโมเดล

Thomson Reuters ระบุว่าข้อมูลลูกค้าไม่ได้ถูกนำไปใช้ฝึก Thomson และการควบคุมโมเดลเองทำให้บริษัทมีอำนาจตัดสินใจมากขึ้นเรื่องการใช้งาน การกำกับดูแล และทิศทางการพัฒนาระบบ ข้อนี้เป็นหนึ่งในเหตุผลที่คำว่า “AI sovereignty” หรือ AI ที่องค์กรควบคุมเอง ถูกพูดถึงมากขึ้นในช่วงที่บริษัทต่าง ๆ กังวลเรื่องข้อมูลสำคัญไหลออกไปยังระบบภายนอก

แต่การมีโมเดลเองก็ไม่ได้ทำให้ความเสี่ยงหายไปทั้งหมด องค์กรยังต้องดูแลสิทธิ์ข้อมูล การเก็บบันทึกการใช้งาน การตรวจสอบผลลัพธ์ การอัปเดตข้อมูล และการรับมือเมื่อโมเดลตอบผิด หากระบบถูกใช้กับงานที่มีผลต่อสิทธิหรือความรับผิดชอบของคน การมีโมเดลของตนเองยิ่งทำให้ต้องกำหนดผู้รับผิดชอบและขั้นตอนตรวจทานให้ชัดเจน

บทเรียนสำหรับองค์กรทั่วไป

ข่าวนี้ไม่ได้แปลว่าทุกบริษัทควรรีบสร้าง LLM ของตัวเอง เพราะการฝึกโมเดลต้องใช้เงิน คน ข้อมูล และระบบประเมินผลจำนวนมาก องค์กรที่มีข้อมูลน้อยหรือไม่มีผู้เชี่ยวชาญช่วยกำหนดมาตรฐานอาจได้ผลดีกว่าด้วยการใช้โมเดลสำเร็จรูปผ่านระบบที่ควบคุมข้อมูลและสิทธิ์อย่างเหมาะสม

กรณีของ Thomson Reuters ชี้ให้เห็นว่าโมเดลเฉพาะทางจะมีเหตุผลเมื่อองค์กรมีคลังข้อมูลที่มีคุณค่า มีผู้เชี่ยวชาญที่บอกได้ว่าคำตอบที่ดีต้องเป็นอย่างไร และมีงานซ้ำ ๆ ที่สามารถวัดผลได้ ความสำคัญไม่ได้อยู่ที่คำว่า “สร้างโมเดลเอง” เพียงอย่างเดียว แต่อยู่ที่การเปลี่ยนความรู้เชิงวิชาชีพให้กลายเป็นข้อมูลฝึกและเกณฑ์ตรวจสอบที่ใช้งานได้จริง

สรุป: อนาคตอาจไม่ได้มีแค่โมเดลใหญ่ที่สุด

Thomson เป็นตัวอย่างของการขยับจาก AI ที่เน้นความสามารถทั่วไป ไปสู่ AI ที่ออกแบบมาเพื่อความน่าเชื่อถือในบริบทเฉพาะทาง โดยเริ่มจาก open-weight foundation model แล้วเติมข้อมูล ผู้เชี่ยวชาญ และระบบวัดผลขององค์กรเอง

แนวทางนี้ไม่ได้ทำให้โมเดลทั่วไปหมดความสำคัญ และไม่ได้รับประกันว่า Thomson จะชนะทุก benchmark แต่ทำให้เห็นว่าองค์กรอาจสร้างความได้เปรียบด้วยการรู้จักข้อมูลของตนเองและรู้ว่า “คำตอบที่ถูกต้อง” ต้องตรวจสอบอย่างไร สุดท้ายแล้ว AI สำหรับงานวิชาชีพอาจไม่ได้วัดกันที่ตอบได้กว้างที่สุด แต่ที่ตอบแล้วคนกล้าตรวจสอบและนำไปทำงานต่อได้มากที่สุด

ข้อมูลตรวจสอบ ณ วันที่ 25 สิงหาคม 2569 รายละเอียดผลิตภัณฑ์ การเข้าถึง และผลการประเมินอาจเปลี่ยนแปลงตามการอัปเดตของผู้พัฒนา

แหล่งอ้างอิง

1. Thomson Reuters, “Thomson Reuters Leverages its World-Class Data Assets to Launch Its Own Frontier Model”, 24 สิงหาคม 2569: ลิงก์แหล่งข้อมูล
2. Thomson Reuters, “How we built Thomson”, 24 สิงหาคม 2569: ลิงก์แหล่งข้อมูล
3. SiliconANGLE, “Thomson Reuters launches proprietary AI model for legal work”, 24 สิงหาคม 2569: ลิงก์แหล่งข้อมูล
4. The New Stack, “Thomson Reuters trained its own AI model. Then it kept using Anthropic anyway.”, 24 สิงหาคม 2569: ลิงก์แหล่งข้อมูล