สงครามแย่งชิงพลัง AI: การแข่งขันอัลกอริทึม 6 ล้านของ Tencent เปิดฉาก สำรวจยุคใหม่ของกฎ Scaling Law ในระบบแนะนำ

บทนำ: หวงเหรินซฺวิน ในการประชุม GTC เสนอว่า Token คือสกุลเงินใหม่ในยุค AI ผู้ที่สามารถผลิต Token ที่มีมูลค่าสูงได้มากขึ้นต่อวัตต์ไฟฟ้า จะได้เปรียบกว่า เกือบจะในเวลาเดียวกัน การแข่งขันอัลกอริทึมโฆษณา Tencent ที่มีเงินรางวัลรวมสูงถึง 6 ล้านหยวน เปิดรับสมัครแล้ว มอบแพลตฟอร์มปฏิบัติจริงให้กับบุคลากรด้านอัลกอริทึมทั่วโลกในการทดสอบกฎนี้

“Token”, “ต้นทุนการอนุมาน”, “เอเจนต์”, “การทำงานอัตโนมัติของเวิร์กโฟลว์”… คำศัพท์เหล่านี้ที่เดิมแพร่หลายในแวดวงเทคนิคเป็นหลัก เนื่องจากกระแสความนิยมของปัญญาประดิษฐ์ในช่วงนี้ จึงเข้าสู่สายตาสาธารณชนบ่อยครั้ง

ในอีกด้านหนึ่ง หลายคนได้สัมผัสถึงการเปลี่ยนแปลงจากราคาอุปกรณ์อิเล็กทรอนิกส์ที่เพิ่มขึ้น: ราคาอุปกรณ์เช่นโทรศัพท์มือถือ คอมพิวเตอร์ ปรับขึ้น เหตุผลที่ผู้ผลิตให้โดยทั่วไปคือราชิปหน่วยความจำเพิ่มขึ้นอย่างมีนัยสำคัญ

สองเรื่องนี้ชี้ไปที่พื้นหลังเดียวกัน: ความต้องการ AI ในระดับแอปพลิเคชันกำลังเติบโตแบบระเบิด ในขณะที่ในระดับโครงสร้างพื้นฐาน อุตสาหกรรมทั้งหมดยังไม่พร้อมอย่างสมบูรณ์ ปัญหาสำคัญที่เดิมซ่อนอยู่เบื้องหลัง เช่น กำลังประมวลผล ชิป ประสิทธิภาพของระบบ ถูกผลักดันมาข้างหน้าโดยความต้องการ AI ที่ขยายตัวอย่างรวดเร็ว สัญญาณที่ชัดเจนคือ อุตสาหกรรมการให้เช่ากำลังประมวลผลเกิดกระแสการขึ้นราคาแล้ว และอาจคงอยู่สักระยะ สำหรับบริษัทที่หวังจะคว้าโอกาส AI นี่คือความท้าทายที่เกี่ยวข้องโดยตรง

อย่างไรก็ตาม ในความท้าทายก็แฝงไปด้วยโอกาส บริษัทต่างๆ มากขึ้นเริ่มตระหนักว่า ภายใต้พื้นหลังที่อุปทานกำลังประมวลผลยังคงตึงตัวในระยะสั้น สิ่งที่จำกัดการแพร่หลายของ AI อาจไม่ใช่ความสามารถของโมเดลที่ไม่เพียงพอ แต่เป็นประสิทธิภาพการใช้กำลังประมวลผลที่ไม่สูง วิธีการใช้ทรัพยากรการคำนวณที่น้อยกว่า เพื่อให้ได้ความฉลาดที่เทียบเท่าหรือแข็งแกร่งกว่า จะกลายเป็นจุดสนใจของการแข่งขันในช่วงเวลาต่อไป

เมื่อปัญหาหันไปสู่ประสิทธิภาพ ความต้องการบุคลากรของตลาดก็เปลี่ยนแปลงตาม บุคลากร “ประสิทธิภาพสูง” ที่สามารถเข้าใจอัลกอริทึม โครงสร้างระบบ และประสิทธิภาพกำลังประมวลผลได้อย่างลึกซึ้งพร้อมกัน จะเป็นที่ต้องการมากขึ้นเรื่อยๆ

ความกระหายบุคลากรเช่นนี้ ยังทำให้เกิดปรากฏการณ์ที่น่าสนใจ: บริษัทเทคโนโลยีเริ่มเปลี่ยนปัญหาวิศวกรรมจริงเป็นการแข่งขันสาธารณะ เชิญชวนพลังจากภายนอกมาร่วมแก้ปัญหา — นี่เป็นทั้งวิธีการสรรหาบุคลากร และการตรวจสอบประเด็นทางเทคนิคของตนเองต่อสาธารณะ การแข่งขันอัลกอริทึมโฆษณา Tencent ปี 2026 ก็เป็นกิจกรรมเช่นนี้

เช่นเดียวกับทุกปี การแข่งขันครั้งนี้ยังคงดำเนินการรอบสถานการณ์ธุรกิจจริง ข้อมูลที่ใช้มาจากระบบโฆษณาที่ให้บริการผู้ใช้หลายพันล้านคนต่อวัน (ผ่านการลบข้อมูลส่วนตัว) ซึ่งหมายความว่านี่ไม่ใช่ปัญหาอัลกอริทึมบนกระดาษ แต่เป็นโอกาสในการเผชิญหน้ากับปัญหาพื้นฐานโครงสร้าง AI จริง มันเป็นตัวแทนของความท้าทายทางวิศวกรรมที่บริษัทเทคโนโลยีขนาดใหญ่ทุกแห่งเผชิญ แต่ยังไม่ได้รับการแก้ไขอย่างเป็นระบบ

เมื่อเทียบกับครั้งก่อน การแข่งขันปีนี้มีการเปลี่ยนแปลงที่สำคัญสองประการ:

ประการแรก การแข่งขันหลังจากหลายปี ได้ร่วมมืออย่างเป็นทางการอีกครั้งกับ KDD (การประชุมนานาชาติด้านการขุดข้อมูลและการค้นพบความรู้) ซึ่งเป็นการประชุมวิชาการระดับยอด นำกลับสู่เวทีสากลที่กว้างขึ้น

ประการที่สอง การตั้งแทร็กเปิดกว้างมากขึ้น การแข่งขันประเภทนี้เดิมมุ่งเป้าไปที่นักเรียนในสถาบันการศึกษาเป็นหลัก ปีนี้เป็นครั้งแรกที่จัดตั้งแทร็กอุตสาหกรรมแยกต่างหาก วิศวกรอัลกอริทึมและทีมเทคนิคที่ทำงานอยู่ก็สามารถเข้าร่วมได้

เงินรางวัลรวมและผลประโยชน์อื่นๆ ของการแข่งขันก็ดึงดูดใจไม่แพ้กัน รางวัลชนะเลิศแทร็กวิชาการสูงถึง 300,000 ดอลลาร์สหรัฐ (ประมาณ 2 ล้านหยวน) ซึ่งเกือบจะอยู่ในระดับสูงสุดของการแข่งขันในประเทศ

สิ่งที่สอดคล้องกับรางวัลระดับสูงเช่นนี้ ย่อมเป็นปัญหาที่ล้ำหน้าและซับซ้อนเพียงพอ — แม้แต่ผู้ตั้งปัญหาก็คาดหวังคำตอบ หากสามารถหาวิธีแก้ปัญหาที่ยอดเยี่ยมได้ มันอาจจะเปลี่ยนตรรกะพื้นฐานของโครงสร้างพื้นฐานทางเทคนิคของบริษัทใหญ่ในประเทศโดยตรง

ความท้าทายใหม่: สำรวจ Scaling Law ของระบบแนะนำ

ทำไมหัวข้อการแข่งขันปีนี้จึงสำคัญเช่นนี้? เพราะโดยพื้นฐานแล้วมันตั้งคำถามที่ท้าทาย: ระบบแนะนำสามารถถูก “ทำใหม่” เหมือนสาขาอื่นๆ ที่ถูกโมเดล AI ขนาดใหญ่ปรับโฉมแล้วได้หรือไม่?

ในช่วงสิบกว่าปีที่ผ่านมา ระบบแนะนำเป็นหนึ่งในโครงสร้างพื้นฐานหลักของบริษัทเทคโนโลยี มันคัดกรองเนื้อหาที่ตรงกับความต้องการของผู้ใช้มากที่สุดจากข้อมูลมหาศาล และกรองเสียงรบกวนที่เกิดจากการระเบิดของข้อมูล

อย่างไรก็ตาม เมื่อ AI เข้าสู่ยุคโมเดลขนาดใหญ่乃至เอเจนต์ (Agent) การวิวัฒนาการของระบบแนะนำก็มาถึงจุดเปลี่ยนใหม่: ในด้านหนึ่ง แบบแผน “โครงสร้างรวม + การคำนวณประสิทธิภาพสูงด้วย GPU” ที่คล้ายกับโมเดลขนาดใหญ่ ได้รับการพิสูจน์แล้วว่ามีความสามารถทั่วไปที่แข็งแกร่ง ในอีกด้านหนึ่ง ระบบแนะนำยังคงใช้ “วิศวกรรมแบบประกอบ” โครงสร้างแตกแยก ประสิทธิภาพการใช้กำลังประมวลผลมีพื้นที่สำหรับการปรับปรุงอย่างมาก

ทำไมถึงพูดเช่นนี้? โดยทั่วไป โมเดลในระบบแนะนำโฆษณาต้องจัดการกับงานสองประเภทที่มีลักษณะแตกต่างกัน:

ประเภทแรกคือการเข้าใจลำดับพฤติกรรมของผู้ใช้ เช่น ผู้ใช้ดูวิดีโออะไร คลิกสินค้าอะไร ค้นหาอะไรในช่วงล่าสุด พฤติกรรมเหล่านี้เรียงตามเวลา ดังนั้นโมเดลต้องเข้าใจ “ลำดับ” ปัญหาประเภทนี้มักเรียกว่าการสร้างแบบจำลองลำดับ

ประเภทที่สองคือการเข้าใจความสัมพันธ์เชิงผสมระหว่างคุณลักษณะต่างๆ เช่น การรวมกันของคุณลักษณะ “ผู้หญิง” กับ “เคยซื้อรถเข็นเด็ก” อาจหมายถึงควรแนะนำ “ที่นั่งนิรภัยสำหรับเด็ก” มากขึ้น ปัญหาประเภทนี้เรียกว่าปฏิสัมพันธ์ของคุณลักษณะ

ปัญหาอยู่ที่ว่า วิธีการทั่วไปในอุตสาหกรรมปัจจุบันคือแยกสองสิ่งนี้ออกจากกัน — ส่วนหนึ่งของเครือข่ายจัดการเฉพาะลำดับพฤติกรรม อีกส่วนหนึ่งของเครือข่ายทำเฉพาะปฏิสัมพันธ์ของคุณลักษณะ สุดท้ายจึงรวมผลลัพธ์

ในยุค CPU ต้นๆ โครงสร้างแบบนี้ยังรับมือได้ แต่เมื่อเข้าสู่ยุค GPU โครงสร้างแบบประกอบนี้เผยให้เห็นปัญหามากมาย: ประการแรก ข้อมูลถูกแบ่งแยกในกระบวนการกลาง ยากต่อการจับความสัมพันธ์ที่ซับซ้อน ประการที่สอง ระบบประกอบด้วยโมดูลย่อยจำนวนมาก โครงสร้างซับซ้อน GPU ทำงานเต็มที่ได้ยาก นอกจากนี้ ข้อมูลต้องถูกขนย้ายระหว่าง CPU และ GPU บ่อยครั้ง ประสิทธิภาพต่ำ

ผู้จัดงานหวังให้ผู้เข้าแข่งขันลองทำภารกิจหนึ่ง: รวมสองระบบนี้เข้าด้วยกันอย่างสมบูรณ์เป็นโมเดลรวมหนึ่งเดียว ดังนั้นหัวข้อการแข่งขันครั้งนี้จึงถูกตั้งชื่อว่า “การรวมกันของการสร้างแบบจำลองลำดับและปฏิสัมพันธ์ของคุณลักษณะในระบบแนะนำขนาดใหญ่”

แผนภาพโครงสร้างหลักของภารกิจการแข่งขันครั้งนี้

นี่ไม่ใช่หัวข้อที่คิดขึ้นลอยๆ แต่เป็นการก้าวไปตามเส้นทางที่โมเดลขนาดใหญ่พิสูจน์แล้วว่าประสบความสำเร็จ โครงสร้างรวมเช่น Transformer ได้พิสูจน์แล้วว่า: ตราบใดที่แสดงข้อมูลทุกประเภทด้วยวิธีเดียวกัน และให้โมเดลชุดเดียวกันประมวลผล ก็จะใช้กำลังประมวลผลได้มีประสิทธิภาพมากขึ้น และยิ่งมีขนาดใหญ่ผลยิ่งดี นั่นคือสิ่งที่เรียกว่า Scaling Law (กฎการปรับขนาด) อย่างไรก็ตาม ระบบแนะนำยังคงอยู่ในโครงสร้างเก่าแบบต่อเติม ทำให้ยากที่จะได้รับประโยชน์จากการปรับขนาดที่เพิ่มขึ้นนี้ หัวข้อการแข่งขันนี้ โดยพื้นฐานแล้วกำลังสำรวจว่า: ระบบแนะนำสามารถใช้โครงสร้างที่เรียบง่ายและเป็นหนึ่งเดียวกันมากขึ้น เพื่อให้แข็งแกร่งขึ้นเรื่อยๆ ได้หรือไม่

แน่นอน การบรรลุเป้าหมายนี้ไม่ใช่เรื่องง่าย จุดยากหลักอยู่ที่ ข้อมูลในสถานการณ์แนะนำโฆษณาซับซ้อนอย่างยิ่ง — มีทั้งข้อมูลสถิตย์ปัจจุบันของผู้ใช้ และข้อมูลลำดับพฤติกรรมที่มีประทับเวลา ผู้เข้าแข่งขันต้อง “แปล” ข้อมูลสองประเภทที่แตกต่างกันนี้เป็นภาษาที่โมเดลเข้าใจได้ และผสานรวมอย่างลึกซึ้งภายในโครงสร้างรวมเดียวกัน ในขณะเดียวกัน ข้อมูลระดับอุตสาหกรรมมีขนาดมหาศาลและเบาบางอย่างมาก โมเดลต้องมีความแข็งแกร่งเพียงพอ ข้อกำหนดที่เข้มงวดยิ่งกว่าคือ แนวทางไม่เพียงแต่ต้องทำนายได้แม่นยำ แต่ยังต้องทำงานมีประสิทธิภาพ ต้องสามารถสนับสนุนการฝึกอบรมและการอนุมานแบบแบทช์ใหญ่ที่มีประสิทธิภาพบน GPU ระดับสูง ควรทราบว่า การแข่งขันห้ามใช้เทคนิคเช่น “การรวมโมเดล” (model ensemble) ในการไต่อันดับ กำหนดให้ผู้เข้าแข่งขันแข่งขันด้วยความสามารถจริงของโมเดลเดียว

อย่างไรก็ตาม จากสิ่งที่ผู้จัดงานให้การสนับสนุน การแข่งขันครั้งนี้ไม่ใช่ “โยนปัญหายากแล้วให้ผู้เข้าแข่งขันลองผิดลองถูกเอง” เพื่อลดอุปสรรคในการเข้าร่วม การแข่งขันมอบ Baseline (โมเดลพื้นฐาน) ที่สามารถทำซ้ำได้และมีจุดเริ่มต้นที่ค่อนข้างสูง — นี่ไม่ใช่แค่ตัวอย่างง่ายๆ แต่เป็นโครงสร้างรวมที่สมบูรณ์บนพื้นฐานของ Transformer แม้กระทั่งแนวคิด Tokenization และเครือข่ายหลักก็ถูกสร้างขึ้นแล้ว นอกจากนี้ ผู้จัดงานยังจะให้การสนับสนุนกำลังประมวลผลฟรี

ด้านข้อมูลก็ไม่ต้องกังวล ข้อมูลที่การแข่งขันมอบให้มาจากบันทึกอุตสาหกรรมจริงของ Tencent Advertising โดยตรง ขนาดและความซับซ้อนใกล้เคียงกับสภาพแวดล้อมการผลิตจริง และผ่านการลบข้อมูลส่วนตัวอย่างเข้มงวดและไม่สามารถย้อนกลับได้

โดยวัตถุประสงค์ หัวข้อมีความท้าทายจริง แต่ก็จริงจังและล้ำหน้าพอ หากสามารถทุ่มเวลา 1-2 เดือนเพื่อรับความท้าทาย ไม่ว่าผู้เข้าแข่งขันวางแผนจะทำงานลึกในระบบแนะนำในอุตสาหกรรมต่อไป หรือสำรวจโมเดลขนาดใหญ่และโครงสร้างระบบต่อไป ประสบการณ์นี้จะกลายเป็นหลักฐานที่มีค่า ที่ “เคยสัมผัสปัญหาจริงแนวหน้า”

ทำไมถึงควรเข้าร่วม?

ดังที่กล่าวไว้ก่อนหน้านี้ การแข่งขันครั้งนี้มีการเปลี่ยนแปลงที่น่าสนใจสองประการ: หนึ่งคือการร่วมมือกับงานประชุม KDD สองคือเปิดให้ผู้ที่ทำงานอยู่เข้าร่วม

เป็นที่ทราบกันดีว่า KDD เป็นหนึ่งในการประชุมวิชาการระดับยอดเคียงข้าง ICML และ NeurIPS การที่การแข่งขันครั้งนี้สามารถร่วมมือกับ KDD ได้ โดยพื้นฐานแล้วเป็นเพราะหัวข้อการแข่งขันมีคุณค่าทางวิชาการในระดับงานประชุมยอดนิยม ดังนั้น หากสามารถทำผลงานได้ดีในการแข่งขัน ประวัติย่อจะเพิ่มจุดเด่นที่ได้รับการยอมรับทั่วโลก นอกจากนี้ ผลงานดีเด่นจะถูกบันทึกใน Workshop Proceedings ของงานประชุม พิธีมอบรางวัลก็กำหนดจัดขึ้นที่สถานที่จัดงานประชุม KDD ในเดือนสิงหาคมปีนี้

การจัดตั้งแทร็กคู่ “วิชาการ” และ “อุตสาหกรรม” มาจากการพิจารณาสองด้าน: หนึ่ง หัวข้อการแข่งขันเองไม่ใช่ “ปัญหาของเล่น” แต่เป็นปัญหาวิศวกรรมจริงที่บริษัทใหญ่ทุกแห่งเผชิญ ต้องการวิศวกรที่มีประสบการณ์การนำระบบจริงไปใช้ นำเงื่อนไขข้อจำกัดและมุมมองการนำไปปฏิบัติที่ใกล้เคียงกับการปฏิบัติอุตสาหกรรมมากขึ้น สอง ในยุคที่เทคโนโลยีเปลี่ยนแปลงอย่างรวดเร็วนี้ นักวิจัยวิชาการในสถาบันการศึกษาและผู้เชี่ยวชาญปฏิบัติการในอุตสาหกรรมต้องการโอกาสสนทนาโดยตรง เพื่อเร่งกระบวนการแปลงอัลกอริทึมล้ำหน้าจากบทความไปสู่ระบบการผลิต

การแข่งขันครั้งนี้เปิดรับสมัครแล้วในวันที่ 19 มีนาคม เงินรางวัลรวมสูงถึง 885,000 ดอลลาร์สหรัฐ (ประมาณ 6.1 ล้านหยวน) ในจำนวนนี้ รางวัลชนะเลิศแทร็กวิชาการคือ 300,000 ดอลลาร์สหรัฐ (ประมาณ 2 ล้านหยวน) รางวัลชนะเลิศแทร็กอุตสาหกรรมคือ 150,000 ดอลลาร์สหรัฐ (ประมาณ 1 ล้านหยวน)

ที่น่าสนใจคือ เพื่อส่งเสริมผู้เข้าแข่งขันให้เกิดนวัตกรรมดั้งเดิมในด้าน Scaling Law และโครงสร้างรวม การแข่งขันยังตั้งรางวัล “นวัตกรรมทางเทคนิค” สองรางวัล แม้ว่าอันดับสุดท้ายจะไม่ติดอันดับต้นๆ แต่หากมีนวัตกรรมทางเทคนิคที่โดดเด่น ก็ยังมีโอกาสได้รับรางวัล รางวัลละ 45,000 ดอลลาร์สหรัฐ (ประมาณ 310,000 หยวน)

หลังการแข่งขันสิ้นสุด ผู้เข้าแข่งขันที่ติดอันดับต้นๆ จะมีโอกาสเข้าร่วม Tencent นำแนวทางของตนเองไปใช้ในระบบโฆษณาด้วยมือ ตรวจสอบผลลัพธ์จริง

บางทีคุณอาจกระตือรือร้นที่จะลองแล้ว แต่ก็อาจกังวล: หากไม่เคยสัมผัสระบบแนะนำมาก่อน ตอนนี้เริ่มทันหรือไม่?

จริงๆ แล้วไม่ต้องกังวลมาก เมื่อย้อนดูรายชื่อผู้ได้รับรางวัลของการแข่งขันอัลกอริทึมโฆษณา Tencent ในปีที่ผ่านมา คุณจะพบว่าผู้เข้าแข่งขันหลายคนเริ่มเรียนรู้จากศูนย์หลังจากสมัครแล้ว ฝึกฝนไปแข่งไปในการแข่งขัน สุดท้ายพวกเขาไม่เพียงแต่ได้รับรางวัล แต่ยังใช้โอกาสนี้ชี้แจงทิศทางอาชีพของตนเอง การแข่งขันนี้เอง เป็นทั้งการแก้ปัญหาทางเทคนิค และการสำรวจศักยภาพส่วนบุคคล: มันสามารถตรวจสอบได้ว่าคุณเหมาะกับสาขานี้หรือไม่ และยังทำให้คุณเข้าใจภาพจริงของอุตสาหกรรมได้อย่างรวดเร็วภายใต้สภาพแวดล้อมที่มีแรงกดดันสูง

⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง

☕ สนับสนุนค่ากาแฟทีมงาน

หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay

SCAN TO PAY WITH ANY BANK