แรงงาน AI ราคา 1 ดอลลาร์ต่อชั่วโมง
MiniMax สตาร์ตอัปปัญญาประดิษฐ์ของจีนได้จุดชนวนแรงสั่นสะเทือนที่อาจทำให้เศรษฐศาสตร์ของการนำ AI มาใช้ในองค์กรเปลี่ยนแปลงไปอย่างสิ้นเชิง บริษัทจากเซี่ยงไฮ้เปิดตัว M2.5 โมเดลภาษาที่ให้ประสิทธิภาพทัดเทียมระบบตะวันตกที่มีราคาแพงที่สุด ขณะที่มีต้นทุนเพียงราวหนึ่งในสิบถึงหนึ่งในยี่สิบของคู่แข่งอย่าง Claude Opus 4.6 และ GPT-5.2
สารบัญ
การเปิดตัวครั้งนี้ ซึ่งเผยแพร่บน Hugging Face ภายใต้ใบอนุญาต MIT ที่มีการปรับแก้ เกิดขึ้นในช่วงสัปดาห์ที่บริษัท AI จีนประกาศความเคลื่อนไหวอย่างต่อเนื่อง จนสร้างแรงสั่นสะเทือนให้ตลาดโลกและเปลี่ยนแนวแบ่งการแข่งขัน หุ้น MiniMax ซึ่งซื้อขายในตลาดหลักทรัพย์ฮ่องกงภายใต้ชื่อ MINIMAX-WP (00100.HK) พุ่งขึ้น 11% ถึง 16% หลังการประกาศ และปิดที่ 680 ดอลลาร์ฮ่องกง ตามรายงานของ South China Morning Post
MiniMax วางตำแหน่ง M2.5 ไม่ใช่แค่แชตบอต แต่เป็นพนักงานดิจิทัลระดับพร้อมใช้งานจริงที่เขียนโค้ด ทำวิจัย และสร้างเอกสารได้โดยอัตโนมัติ บริษัทระบุว่านี่คือโมเดลแนวหน้ารุ่นแรกที่แทบไม่ต้องกังวลเรื่องต้นทุน โดยสามารถทำงานต่อเนื่องที่ความเร็ว 100 โทเคนต่อวินาทีในราคาเพียง 1 ดอลลาร์ต่อชั่วโมง หากใช้ความเร็วต่ำลง ต้นทุนจะลดเหลือ 0.30 ดอลลาร์ต่อชั่วโมง โครงสร้างราคานี้ทำให้สามารถเปิด AI agent 4 ตัวทำงานต่อเนื่องตลอดทั้งปีได้ด้วยค่าใช้จ่ายประมาณ 10,000 ดอลลาร์ ซึ่งแทบครอบคลุมการทำงานเพียงหนึ่งเดือน หากใช้โมเดลตะวันตกที่มีความสามารถใกล้เคียงกัน
ผลทดสอบที่ท้าทายโมเดลแนวหน้า
การประเมินโดยอิสระและการทดสอบของ MiniMax เองแสดงให้เห็นว่า M2.5 อยู่ในกลุ่มโมเดลเขียนโค้ดชั้นนำ และมีคะแนนใกล้เคียง Claude Opus 4.6 ของ Anthropic แม้ราคาจะแตกต่างกันมาก ใน SWE-Bench Verified ซึ่งเป็นมาตรฐานอุตสาหกรรมสำหรับวัดความสามารถด้านวิศวกรรมซอฟต์แวร์ในโลกจริง M2.5 ทำคะแนนได้ 80.2% ตามหลัง Opus 4.6 เพียง 0.6 จุดเปอร์เซ็นต์ และสูงกว่า GPT-5.2 ของ OpenAI ที่ 80% กับ Gemini 3 Pro ของ Google ที่ 78%
โมเดลนี้โดดเด่นเป็นพิเศษในงานเขียนโค้ดหลายภาษา โดยทำคะแนนได้ 51.3% ใน Multi-SWE-Bench ซึ่งทดสอบงานเขียนโปรแกรมข้ามคลังโค้ดที่ต้องอาศัยความเข้าใจฐานโค้ดหลายชุดพร้อมกัน คะแนนนี้สูงกว่า Opus 4.6 ที่ 50.3% และทิ้งห่าง Gemini 3 Pro ที่ 42.7% ส่วน VIBE-Pro ซึ่งเป็นเกณฑ์ทดสอบภายในสำหรับงานพัฒนาแบบฟูลสแตกที่ซับซ้อน M2.5 ทำผลงานได้ทัดเทียม Opus 4.5
นอกเหนือจากความสามารถด้านการเขียนโค้ดแล้ว M2.5 ยังมีความสามารถแบบ agent ที่โดดเด่น โดยทำคะแนนได้ 76.3% ใน BrowseComp ซึ่งวัดความสามารถในการท่องเว็บและค้นคืนข้อมูลที่ซับซ้อน และ 76.8% ใน Berkeley Function Calling Leaderboard (BFCL) สำหรับการใช้เครื่องมือแบบหลายรอบ สูงกว่า Opus 4.6 มากกว่า 13 จุดเปอร์เซ็นต์ บริษัทวิเคราะห์อิสระ Artificial Analysis ให้คะแนน M2.5 ที่ 42 ในดัชนี Intelligence Index สูงกว่าค่าเฉลี่ย 25 ของโมเดลระดับเดียวกันมาก พร้อมระบุว่าโมเดลทำงานที่ความเร็ว 80 โทเคนต่อวินาที ซึ่งเร็วกว่าค่าเฉลี่ยที่ 55
อย่างไรก็ตาม การตรวจสอบโดยอิสระบนตารางคะแนน SWE-rebench ประจำเดือนมกราคม 2026 ซึ่งทดสอบคำขอ pull request ใหม่จาก GitHub จำนวน 48 รายการด้วยวิธีการที่ต่างออกไป พบว่า M2.5 ทำคะแนนได้ 39.6% เทียบกับ Claude Code ที่ 52.9% สะท้อนว่าประสิทธิภาพในการใช้งานจริงอาจแตกต่างกันไปตามชุดเครื่องมือประเมินและความใหม่ของงาน
สถาปัตยกรรมที่เน้นประสิทธิภาพ
ความคุ้มค่าทางเศรษฐกิจของ M2.5 มาจากสถาปัตยกรรม Mixture of Experts (MoE) ซึ่งเลียนแบบการปรึกษาผู้เชี่ยวชาญเฉพาะด้าน แทนการใช้แรงงานแบบรู้รอบ แม้โมเดลจะมีพารามิเตอร์รวม 230,000 ล้านตัว แต่จะเปิดใช้งานเพียง 10,000 ล้านตัวสำหรับงานแต่ละชิ้น การเลือกใช้พารามิเตอร์เฉพาะส่วนช่วยให้ระบบรักษาความสามารถในการให้เหตุผลเชิงลึกแบบโมเดลขนาดใหญ่ไว้ได้ พร้อมทำงานด้วยความเร็วและต้นทุนแบบระบบขนาดเล็กกว่ามาก
เพื่อฝึกสถาปัตยกรรมที่ซับซ้อนนี้ MiniMax พัฒนา Forge ซึ่งเป็นเฟรมเวิร์กการเรียนรู้แบบเสริมกำลังเฉพาะของบริษัทที่สร้างขึ้นสำหรับ AI แบบ agent โดยเฉพาะ ต่างจากแนวทางมาตรฐานที่ปรับโมเดลให้ตอบได้ถูกใจผู้ใช้ Forge นำโมเดลไปทำงานในสภาพแวดล้อมจำลองที่ทำงานได้จริงหลายแสนแห่ง ทั้งคลังโค้ด เว็บเบราว์เซอร์ และแอปพลิเคชันสำนักงาน พร้อมให้รางวัลกับการทำงานให้สำเร็จจริง แทนการปรับให้สอดคล้องกับรูปแบบคำตอบ ระบบฝึกได้เร็วกว่าแนวทาง RL มาตรฐานประมาณ 40 เท่า ด้วยการปรับตารางเวลาการทำงานแบบอะซิงโครนัสและกลยุทธ์รวมตัวอย่างฝึกแบบโครงสร้างต้นไม้
Olive Song วิศวกรของ MiniMax อธิบายในรายการพอดแคสต์ ThursdAI ว่ากระบวนการฝึกนี้ต้องใช้เวลาสองเดือนในการทำงานอย่างเข้มข้นกับสถานการณ์จริงที่หลากหลาย เพื่อรักษาเสถียรภาพระหว่างกระบวนการ ทีมงานใช้ CISPO (Clipping Importance Sampling Policy Optimization) ซึ่งเป็นแนวทางทางคณิตศาสตร์ที่ป้องกันไม่ให้โมเดลปรับแก้มากเกินไปในแต่ละรอบการฝึก
"สิ่งที่เราตระหนักคือ โมเดลขนาดเล็กแบบนี้มีศักยภาพอีกมาก หากเราฝึกการเรียนรู้แบบเสริมกำลังด้วยสภาพแวดล้อมและ agent จำนวนมาก แต่การทำเช่นนั้นไม่ใช่เรื่องง่าย" Song กล่าว พร้อมเสริมว่าทีมใช้เวลามากในการปรับปรุงกระบวนการ
วิธีการนี้หล่อหลอมสิ่งที่ MiniMax เรียกว่า "กรอบความคิดแบบสถาปนิก" แทนที่จะสร้างโค้ดทันที M2.5 จะวางแผนโครงสร้างโครงการ ฟีเจอร์ และการออกแบบส่วนติดต่อก่อน โดยแยกงานซับซ้อนออกเป็นองค์ประกอบที่จัดการได้ก่อนเริ่มลงมือ โมเดลได้รับการฝึกด้วยภาษาโปรแกรมมากกว่า 10 ภาษา ได้แก่ Go, C, C++, TypeScript, Rust, Kotlin, Python, Java, JavaScript, PHP, Lua, Dart และ Ruby ในสภาพแวดล้อมกว่า 200,000 แห่ง
จากแชตบอตสู่พนักงานดิจิทัล
การเปลี่ยนบทบาท AI จากส่วนติดต่อสนทนาไปเป็นผู้ปฏิบัติงานอัตโนมัติ คือแนวคิดหลักในการออกแบบ M2.5 MiniMax ร่วมมือกับผู้เชี่ยวชาญอาวุโสในแวดวงการเงิน กฎหมาย และสังคมศาสตร์ เพื่อถ่ายทอดความรู้แฝงเฉพาะอุตสาหกรรมให้โมเดล ช่วยให้สร้างผลงานที่นำไปส่งมอบได้ แทนที่จะผลิตเพียงข้อความดิบ
แนวคิดนี้สะท้อนผ่านความสามารถด้านระบบอัตโนมัติสำหรับงานสำนักงานที่ใช้งานได้จริง ซึ่งโมเดลแนวหน้าส่วนใหญ่มักมองข้าม M2.5 สร้างและแก้ไขเอกสาร Microsoft Word จัดทำงานนำเสนอ PowerPoint พร้อมเค้าโครงและแผนภูมิที่เหมาะสม และทำงานสร้างแบบจำลองทางการเงินที่ซับซ้อนใน Excel ได้ ในเกณฑ์ทดสอบ MEWC ซึ่งนำโจทย์จากการแข่งขัน Microsoft Excel World Championship จริงมาใช้ โมเดลทำคะแนนได้ 74.4% ส่วนกรอบประเมินภายใน GDPval-MM ซึ่งประเมินทั้งคุณภาพผลงานที่ส่งมอบและพัฒนาการทางวิชาชีพด้วยการเปรียบเทียบเป็นคู่ M2.5 มีอัตราชนะเฉลี่ย 59% เมื่อเทียบกับคู่แข่งหลักในตลาด
MiniMax นำ M2.5 มาใช้งานภายในบริษัทแล้ว เพื่อทดสอบการนำไปใช้ในองค์กร บริษัทระบุว่าโมเดลทำงานได้เองโดยอัตโนมัติ 30% ของงานทั้งหมดในแผนกต่าง ๆ รวมถึงวิจัยและพัฒนา บริหารผลิตภัณฑ์ ฝ่ายขาย ทรัพยากรบุคคล และการเงิน ในสภาพแวดล้อมการเขียนโค้ด M2.5 สร้างโค้ดใหม่ที่ถูกส่งเข้าคลังโค้ดของสำนักงานใหญ่ MiniMax ถึง 80%
บริษัทนำความสามารถเหล่านี้มารวมไว้ใน MiniMax Agent แพลตฟอร์มที่ผู้ใช้สร้าง Experts เฉพาะทางแล้วกว่า 10,000 แบบ โดยผสานทักษะด้านงานสำนักงานเข้ากับความรู้เฉพาะอุตสาหกรรม การตั้งค่าเหล่านี้ช่วยให้ Agent ปฏิบัติตามขั้นตอนการทำงานมาตรฐานที่กำหนดไว้สำหรับการวิจัยอุตสาหกรรม หรือยึดตรรกะควบคุมความเสี่ยงเฉพาะสำหรับการสร้างแบบจำลองทางการเงิน แทนการสร้างเพียงข้อความดิบ
โมเดลรองรับการพัฒนาแบบฟูลสแตกบนแพลตฟอร์ม Web, Android, iOS และ Windows โดยจัดการ API ฝั่งเซิร์ฟเวอร์ ตรรกะธุรกิจ และฐานข้อมูล ไม่ได้สร้างแค่ตัวอย่างส่วนหน้าเท่านั้น ความสามารถนี้ครอบคลุมตลอดวงจรการพัฒนาซอฟต์แวร์ ตั้งแต่การออกแบบระบบเบื้องต้น การปรับปรุงฟีเจอร์ ไปจนถึงการตรวจทานและทดสอบโค้ดอย่างครบถ้วน
เศรษฐศาสตร์ของการทำงานต่อเนื่อง
MiniMax ให้บริการ API สองรูปแบบที่มีความสามารถเหมือนกัน แต่ต่างกันที่ความเร็วในการประมวลผล M2.5-Lightning ทำงานที่ 100 โทเคนต่อวินาที คิดราคา 0.30 ดอลลาร์ต่อโทเคนขาเข้าหนึ่งล้านโทเคน และ 2.40 ดอลลาร์ต่อโทเคนขาออกหนึ่งล้านโทเคน ส่วน M2.5 รุ่นมาตรฐานทำงานที่ความเร็วครึ่งหนึ่ง (50 โทเคนต่อวินาที) โดยมีค่าใช้จ่ายครึ่งหนึ่งเช่นกัน คือ 0.15 ดอลลาร์ต่อโทเคนขาเข้าหนึ่งล้านโทเคน และ 1.20 ดอลลาร์ต่อโทเคนขาออกหนึ่งล้านโทเคน
เพื่อให้เห็นภาพ การเปิด M2.5 agent 4 ชุดทำงานต่อเนื่องตลอดทั้งปีมีค่าใช้จ่ายประมาณ 10,000 ดอลลาร์ ในทางตรงกันข้าม Claude Opus 4.6 คิดค่าบริการราว 75 ดอลลาร์ต่อโทเคนขาออกหนึ่งล้านโทเคน ทำให้การทำงานต่อเนื่องในระดับใกล้เคียงกันมีต้นทุนสูงเกินกว่าที่องค์กรส่วนใหญ่จะรับได้ เมื่อคำนวณจากราคาผลลัพธ์เพียงอย่างเดียว M2.5 มีต้นทุนต่ำกว่า Opus, Gemini 3 Pro และ GPT-5 อยู่หนึ่งในสิบถึงหนึ่งในยี่สิบ
ความแตกต่างด้านต้นทุนเห็นได้ชัดเมื่อพิจารณาค่าใช้จ่ายของงานเฉพาะอย่าง Alex Volkov พิธีกรรายการพอดแคสต์ ThursdAI ระบุว่า M2.5 ทำงานใน SWE-Bench โดยใช้โทเคนคิดเป็นมูลค่าประมาณ 0.15 ดอลลาร์ ขณะที่ Claude Opus 4.6 ต้องใช้ราว 3 ดอลลาร์สำหรับงานที่เทียบเท่ากัน การลดต้นทุน 95% นี้ช่วยลดแรงกดดันแบบเดิมในการปรับแต่งพรอมป์ต์และจำกัดการใช้โทเคน เปิดทางให้นักพัฒนานำโมเดลที่รองรับบริบทกว้างและให้เหตุผลได้ลึกมาใช้กับงานประจำ ซึ่งก่อนหน้านี้มักต้องพึ่งระบบที่ราคาถูกกว่าแต่ความสามารถด้อยกว่า
API ทั้งสองรูปแบบรองรับการแคช ซึ่งช่วยลดต้นทุนเพิ่มเติมสำหรับงานที่ทำซ้ำ ใบอนุญาต MIT ที่มีการปรับแก้กำหนดให้ผู้ใช้เชิงพาณิชย์แสดงข้อความ "MiniMax M2.5" ให้เห็นเด่นชัดในส่วนติดต่อผู้ใช้ ซึ่งเป็นเงื่อนไขเล็กน้อยเมื่อเทียบกับข้อได้เปรียบด้านต้นทุน ที่ความเร็ว 100 โทเคนต่อวินาที การสร้างผลลัพธ์ต่อเนื่องจะได้ 360,000 โทเคนต่อชั่วโมง มีค่าใช้จ่ายสำหรับโทเคนขาออกราว 0.86 ดอลลาร์ บวกต้นทุนขาเข้า
ความเร็วที่เพิ่มขึ้นยังช่วยขยายผลประหยัดด้านต้นทุน M2.5 ทำงานตั้งแต่ต้นจนจบได้เร็วกว่า M2.1 รุ่นก่อน 37% โดยเวลาในการทำ SWE-Bench Verified ลดจาก 31.3 นาทีเหลือ 22.8 นาที ใกล้เคียงกับ Claude Opus 4.6 ที่ 22.9 นาที ขณะที่ใช้ต้นทุนต่อภารกิจเพียง 10%
บริบทตลาดและแรงกดดันจากการแข่งขัน
การเปิดตัว M2.5 เกิดขึ้นท่ามกลางสัปดาห์ที่ผันผวนของวงการปัญญาประดิษฐ์จีน ซึ่งบริษัทในประเทศหลายแห่งเปิดตัวโมเดลที่มีศักยภาพแข่งขันกัน Zhipu AI เปิดตัว GLM-5 ซึ่งทำคะแนนเหนือ Gemini 3 Pro ของ Google ในดัชนี Artificial Analysis Intelligence Index ขณะที่ Alibaba เปิดตัว RynnBrain สำหรับงานหุ่นยนต์ ByteDance เปิดตัว Seedance 2.0 สำหรับสร้างวิดีโอ และ Kuaishou เปิดตัว Kling 3.0 หุ้นของ MiniMax และ Zhipu AI ต่างปรับขึ้นเป็นเลขสองหลัก โดยหุ้นของ Zhipu AI พุ่งขึ้น 30% ในการซื้อขายที่ฮ่องกง
การเปิดตัวต่อเนื่องอย่างรวดเร็วนี้ท้าทายการประเมินล่าสุดเกี่ยวกับช่องว่างด้าน AI ระหว่างจีนกับสหรัฐฯ Demis Hassabis หัวหน้า Google DeepMind เคยประเมินว่าโมเดลจีนตามหลังผลิตภัณฑ์จากตะวันตกเพียงไม่กี่เดือน แต่การที่ M2.5 ของ MiniMax ทำผลงานใกล้เคียง Claude Opus 4.6 ซึ่งเปิดตัวก่อนหน้าเพียงหนึ่งสัปดาห์ บ่งชี้ว่าช่องว่างดังกล่าวอาจหดเหลือเพียงไม่กี่วัน ผล SWE-rebench ประจำเดือนมกราคม 2026 ระบุว่า Claude Opus 4.6 ทำคะแนนได้ 51.7% และ GPT-5.2 ได้ 51.0% ในคำขอ pull request ใหม่ ขณะที่ MiniMax M2.5 ได้ 39.6% แสดงว่าโมเดลตะวันตกยังได้เปรียบกับโค้ดที่ใหม่ที่สุด แม้ช่องว่างจะลดลงอย่างต่อเนื่อง
ผลต่อการแข่งขันไม่ได้จำกัดอยู่แค่คะแนนทดสอบ กลยุทธ์ด้านราคาของ MiniMax สร้างแรงกดดันโดยตรงต่อแล็บ AI ตะวันตกที่สร้างโมเดลธุรกิจจากการคิดค่าบริการ API ระดับพรีเมียม เมื่อความฉลาดกลายเป็นสิ่งที่ "ถูกเกินกว่าจะวัดมิเตอร์" ตามคำกล่าวของ MiniMax อุตสาหกรรมจะเปลี่ยนจากเศรษฐศาสตร์ที่ตั้งอยู่บนความขาดแคลนไปสู่เศรษฐศาสตร์ที่ขับเคลื่อนด้วยปริมาณ ซึ่งอาจพลิกโฉมโมเดลรายได้ของผู้เล่นที่ครองตลาดอยู่
สำหรับผู้นำด้านเทคนิค M2.5 มีข้อได้เปรียบในการปฏิบัติงานที่นำไปใช้ได้ทันที ความเร็วที่เพิ่มขึ้น 37% จากรุ่นก่อนช่วยให้สร้างสายงาน agent แบบเรียลไทม์ที่โมเดลโต้ตอบกับโมเดลอื่นได้โดยไม่มีคอขวดด้านความหน่วง องค์กรสามารถตรวจสอบโค้ดโดยอัตโนมัติในขนาดที่ไม่เคยทำได้มาก่อน พร้อมรักษาความเป็นส่วนตัวของข้อมูลด้วยการติดตั้งใช้งานโมเดลแบบเปิดที่โฮสต์เอง
ประเด็นสำคัญ
- MiniMax M2.5 ทำคะแนน 80.2% ใน SWE-Bench Verified ทัดเทียม Claude Opus 4.6 แต่มีต้นทุนเพียงหนึ่งในสิบถึงหนึ่งในยี่สิบ
- มี API สองรูปแบบ: รุ่นมาตรฐานราคา 0.15/1.20 ดอลลาร์ต่อโทเคนหนึ่งล้านโทเคน (50 TPS) และรุ่น Lightning ราคา 0.30/2.40 ดอลลาร์ (100 TPS)
- สถาปัตยกรรม MoE มีพารามิเตอร์ 230,000 ล้านตัว แต่เปิดใช้เพียง 10,000 ล้านตัวต่องาน ช่วยลดภาระการประมวลผล
- ฝึกด้วยเฟรมเวิร์ก RL เฉพาะ Forge ในสภาพแวดล้อมจริงกว่า 200,000 แห่ง พร้อมใช้อัลกอริทึม CISPO ควบคุมเสถียรภาพ
- รองรับการพัฒนาแบบฟูลสแตกโดยอัตโนมัติ การสร้างเอกสารสำนักงาน (Word, Excel, PowerPoint) และการสร้างแบบจำลองทางการเงินที่ซับซ้อน
- นำมาใช้งานภายใน MiniMax แล้ว โดยทำงานของบริษัทได้ 30% และสร้างโค้ดใหม่ 80%
- เปิดให้ใช้งานเป็นโมเดลแบบเปิดบน Hugging Face ภายใต้ใบอนุญาต MIT ที่ปรับแก้ ซึ่งกำหนดให้ระบุที่มาเมื่อใช้เชิงพาณิชย์
- หุ้นบริษัท (MINIMAX-WP, 00100.HK) พุ่งขึ้น 11% ถึง 16% ในตลาดหลักทรัพย์ฮ่องกงหลังการประกาศ
