ปัญหาต้นทุนของอุตสาหกรรม AI กำลังยิ่งยากที่จะมองข้าม บริษัทที่เร่งรีบสร้างระบบบนโมเดลทรงพลังที่สุดจาก OpenAI, Anthropic และ Google DeepMind กำลังเผชิญกับบิลค่าใช้จ่ายที่อาจพุ่งสูงจนควบคุมไม่ได้ — และมีจำนวนมากขึ้นเรื่อย ๆ ที่หันมาใช้ โมเดล AI แบบโอเพ่นซอร์ส เป็นเส้นทางที่ยั่งยืนกว่า การเปลี่ยนแปลงซึ่งเคยเป็นเพียงแนวโน้มเล็ก ๆ นี้ ตอนนี้ชัดเจนมากพอจนหัวหน้าฝ่ายเทคโนโลยีของ Amazon ต้องออกมาพูดถึงอย่างเปิดเผย
Summary
ประเด็นสำคัญ
- Werner Vogels ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยี (CTO) ของ Amazon ระบุว่าบริษัทต่าง ๆ หันไปใช้โมเดล AI แบบโอเพ่นซอร์สที่มีราคาถูกกว่ามากขึ้น เพื่อควบคุมต้นทุน AI ที่เพิ่มสูงขึ้น
- Uber ใช้งบประมาณ AI ทั้งปี 2026 หมดภายในเวลาเพียงสี่เดือน โดยมีรายงานว่าใช้เงินถึงครึ่งพันล้านดอลลาร์ในเดือนเดียว
- โมเดลโอเพ่นซอร์สมักดาวน์โหลดได้ฟรี ผู้ใช้จ่ายเฉพาะค่าระบบคลาวด์ที่ใช้รันโมเดล ซึ่งมักทำให้มีต้นทุนถูกกว่าทางเลือกแบบปิดลิขสิทธิ์
- Amazon เปิดตัวเครื่องมือ AI แบบโอเพ่นซอร์สใหม่ในงานประชุม UN AI for Good เพื่อช่วยให้นักวิจัยค้นหาชุดข้อมูลวิทยาศาสตร์กว่า 1,100 ชุดด้วยภาษาธรรมชาติ
- ความโปร่งใสเกี่ยวกับข้อมูลที่ใช้ฝึก AI กำลังกลายเป็นข้อกำหนดที่ต่อรองไม่ได้ในภาคสาธารณสุข ภาครัฐ และงานด้านมนุษยธรรม
ต้นทุน AI ที่พุ่งสูงผลักดันการเปลี่ยนไปใช้โมเดลโอเพ่นซอร์ส
ระหว่างการให้สัมภาษณ์นอกรอบงานประชุม AI for Good ของสหประชาชาติเมื่อวันที่ 10 กรกฎาคม 2026 Werner Vogels ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ Amazon กล่าวอย่างตรงไปตรงมาว่า “เรามองเห็นการเปลี่ยนผ่านระหว่างโมเดลโอเพ่นซอร์สที่ถูกกว่า กับโมเดลขนาดใหญ่ที่มีราคาแพงกว่า” นี่เป็นการยอมรับอย่างชัดเจนว่ากระแสตื่นทองด้าน AI มีป้ายราคาแนบมาด้วย — และหลายบริษัทไม่พร้อมจะจ่ายแบบไร้เงื่อนไขอีกต่อไป
โมเดลปิดลิขสิทธิ์ราคาแพงจากผู้นำอุตสาหกรรม
โมเดลเรือธงจาก OpenAI, Anthropic และ Google DeepMind อยู่บนสุดของตารางจัดอันดับด้านประสิทธิภาพ แต่ประสิทธิภาพในระดับขนาดใหญ่ก็มาพร้อมโครงสร้างต้นทุนที่ทำให้หลายองค์กรตั้งตัวไม่ทัน ระบบเหล่านี้คิดค่าบริการตามจำนวนโทเคน หมายความว่าต้นทุนจะทบเพิ่มอย่างรวดเร็วเมื่อการใช้งานขยายไปทั่วทีมและผลิตภัณฑ์ต่าง ๆ
ตัวอย่างที่ชัดที่สุดมาจาก Uber โดยมีรายงานว่าบริษัทใช้ งบประมาณ AI ทั้งปี 2026 หมดภายในเวลาเพียงสี่เดือน — และตามรายงาน ยังใช้เงินราวครึ่งพันล้านดอลลาร์ในเดือนเดียว หลังจากไม่สามารถจำกัดการใช้งาน AI ของพนักงานได้ เส้นทางการใช้จ่ายในลักษณะนี้บังคับให้แม้แต่บริษัทขนาดใหญ่ต้องเร่งทบทวนแนวทางของตนอย่างรวดเร็ว
Vogels มองว่านี่เป็นคำถามด้านสถาปัตยกรรมระบบมากกว่าจะเป็นเรื่องการเงินล้วน ๆ “ต้นทุนเป็นส่วนสำคัญมากของสถาปัตยกรรม คุณต้องนำมาคิดด้วย” เขากล่าว “คุณจำเป็นจริง ๆ หรือไม่ที่จะต้องใช้โมเดลที่ใหญ่ที่สุด ระดับสูงสุด เพื่อแก้ปัญหานี้? คำตอบคือไม่ คุณไม่จำเป็น”
ข้อได้เปรียบด้านต้นทุนของโมเดล AI แบบโอเพ่นซอร์ส
โมเดลโอเพ่นซอร์ส — หรือที่บางครั้งเรียกว่าโมเดลแบบ open-weight — โดยทั่วไปสามารถดาวน์โหลดได้ฟรี ต้นทุนหลักมาจาก โครงสร้างพื้นฐานคลาวด์คอมพิวติ้ง ที่ใช้รันโมเดล การตั้งค่าลักษณะนี้มักมีต้นทุนรวมถูกกว่าการจ่ายค่าธรรมเนียมตามโทเคนให้ผู้ให้บริการแบบปิดลิขสิทธิ์ โดยเฉพาะเมื่อใช้งานในระดับใหญ่
ข้อได้เปรียบด้านต้นทุนไม่ได้มีเพียงเล็กน้อย จากข้อมูลของ OpenRouter แพลตฟอร์มนักพัฒนาที่รวบรวมการเข้าถึงโมเดล AI หลายตัว โมเดลโอเพ่นซอร์สจากจีนสามารถมีต้นทุน ถูกกว่าถึง 60% ถึง 90% เมื่อเทียบกับทางเลือกชั้นนำจาก Anthropic และ OpenAI ช่องว่างนี้ช่วยอธิบายว่าทำไมสัดส่วนโทเคนที่บริษัทในสหรัฐใช้กับโมเดล AI จากจีนผ่าน OpenRouter จึงเพิ่มขึ้นสูงถึง 46% — จากค่าเฉลี่ยเพียง 11% ในช่วง 12 เดือนก่อนหน้า
แนวโน้มนี้ไม่ได้เกี่ยวกับการลดต้นทุนเพียงอย่างเดียว Peter Fenton จาก Benchmark นักลงทุนใน Ollama ซึ่งเป็นเครื่องมือพัฒนา AI แบบโอเพ่นซอร์ส กล่าวไว้ว่า ทุกบริษัทที่มีค่าใช้จ่ายด้าน inference สูงล้วนมี “โครงการสำคัญเชิงอยู่รอด” ที่ผลักดันให้พวกเขาไปสู่โมเดลแบบ open-weight ตัว Ollama เองซึ่งช่วยให้นักพัฒนารันโมเดล open-weight บนเครื่องโลคัล ปัจจุบันมีผู้ใช้งานต่อเดือนเกือบ 9 ล้านคน และถูกใช้งานใน 85% ของบริษัทในดัชนี Fortune 500 — เป็นสัญญาณว่าแนวโน้มนี้ได้กลายเป็นกระแสหลักแล้ว
CTO ของ Amazon เน้นย้ำความโปร่งใสและความเป็นจริงเชิงปฏิบัติในการนำ AI มาใช้
การถกเถียงเรื่องต้นทุนเพียงอย่างเดียวไม่สามารถอธิบายภาพรวมทั้งหมดได้ นอกเหนือจากมิติด้านเศรษฐศาสตร์แล้ว ยังมีการเปลี่ยนแปลงเชิงโครงสร้างในวิธีที่องค์กรคิดเกี่ยวกับ AI ที่พวกเขานำมาใช้
ถ้อยแถลงของ Werner Vogels ในงานประชุม UN AI for Good
ควบคู่ไปกับประเด็นด้านต้นทุน Vogels ชี้ให้เห็นถึงแรงผลักดันอีกประการหนึ่งที่กำลังเปลี่ยนรูปแบบการจัดซื้อ AI นั่นคือ ความต้องการด้านความโปร่งใส “ความโปร่งใสกลายเป็นเรื่องสำคัญอย่างยิ่ง” เขากล่าวในงานประชุม “ผู้คนอยากรู้ว่ามีข้อมูลอะไรบ้างที่ถูกนำเข้าไปในระบบ”
นี่ไม่ใช่ข้อกังวลเชิงนามธรรมอีกต่อไป บริษัทต่าง ๆ กำลังตรวจสอบไม่เพียงแค่ว่าโมเดล AI ทำอะไรได้บ้าง แต่ยังรวมถึงวิธีที่มันถูกสร้างขึ้น — ใช้ข้อมูลอะไรฝึก มีอคติแบบใดฝังอยู่ และการตัดสินใจของมันสามารถอธิบายได้อย่างไร การตรวจสอบนี้สะท้อนถึงการเติบโตเต็มที่ของการนำ AI มาใช้ในระดับองค์กร ที่กำลังก้าวพ้นช่วงกระแสฮือฮาแรกเริ่มไปสู่การประเมินอย่างมีเหตุผลเกี่ยวกับ ความโปร่งใสของ AI และธรรมาภิบาลข้อมูล
ความสำคัญของความไว้วางใจในภาคส่วนที่อ่อนไหว
ข้อกำหนดด้านความโปร่งใสมีความเข้มข้นเป็นพิเศษในภาคส่วนที่ผลลัพธ์ AI ที่ผิดพลาดหรืออธิบายไม่ได้อาจมีความเสี่ยงสูง ในภาค สาธารณสุข ภาครัฐ และงานด้านมนุษยธรรม การเข้าใจว่าระบบถูกฝึกมาอย่างไรอาจสำคัญพอ ๆ กับประสิทธิภาพดิบของมัน “ถ้าคนเหล่านี้ให้บริการชุมชนที่เปราะบาง ถ้าพวกเขาไม่เชื่อมั่นในระบบ พวกเขาก็จะไม่ใช้มัน” Vogels กล่าว
โมเดลโอเพ่นซอร์สมีข้อได้เปรียบเชิงโครงสร้างในจุดนี้ เนื่องจากนักพัฒนาสามารถตรวจสอบและปรับแต่งโค้ดได้ และสามารถ ปรับจูนโมเดลเพิ่มเติม ด้วยข้อมูลลิขสิทธิ์ของตนเองได้ง่ายกว่า จึงมักสอดคล้องกับความคาดหวังด้านความโปร่งใสของสภาพแวดล้อมที่ถูกกำกับดูแลหรือมีความอ่อนไหวสูง อย่างไรก็ตามยังมีข้อจำกัดที่แท้จริง: แม้แต่ผู้ให้บริการ open-weight ส่วนใหญ่ก็ยังไม่เปิดเผยข้อมูลทั้งหมดที่ใช้ฝึกโมเดลในช่วงแรก ความเปิดกว้างจึงเป็นสเปกตรัม ไม่ใช่ค่าขาวดำ
สิ่งที่ทำให้ช่วงเวลานี้น่าสนใจในเชิงวิเคราะห์คือการบรรจบกันของแรงกดดันสองด้าน — การควบคุมต้นทุนและข้อกำหนดด้านความไว้วางใจ — ที่ต่างก็ชี้ไปในทิศทางเดียวกัน องค์กรที่อาจเคยยอมรับต้นทุนโมเดลปิดลิขสิทธิ์ที่สูงในช่วงทดลองใช้งาน ตอนนี้กำลังเผชิญกับสมการใหม่: พวกเขาจะยังคงรักษาความเชื่อมั่นในระดับคณะกรรมการต่อการลงทุนด้าน AI ได้หรือไม่ เมื่อทั้งต้นทุนไม่แน่นอนและที่มาของข้อมูลฝึกไม่โปร่งใส? สำหรับหลายองค์กร คำตอบกำลังเปลี่ยนโครงสร้างสแต็ก AI ทั้งหมดของพวกเขา
เครื่องมือโอเพ่นซอร์สตัวใหม่ของ Amazon มุ่งเสริมพลังให้นักวิจัยด้านวิทยาศาสตร์
Vogels จาก Amazon ไม่ได้เพียงวิเคราะห์ทิศทางของอุตสาหกรรมในงานประชุมเท่านั้น — เขายังประกาศก้าวย่างที่เป็นรูปธรรมด้วย เครื่องมือ AI แบบโอเพ่นซอร์สตัวใหม่จาก Amazon ถูก ออกแบบมาเพื่อทำให้ข้อมูลวิทยาศาสตร์ เข้าถึงได้อย่างมีความหมายมากขึ้น โดยเน้นเป็นพิเศษที่สถาบันที่ขาดทรัพยากรด้านเทคนิคเทียบเท่ามหาวิทยาลัยวิจัยขนาดใหญ่หรือห้องแล็บที่ได้รับทุนสนับสนุนสูง
การผสานกับ AWS Registry of Open Data
เครื่องมือนี้เชื่อมต่อกับ AWS Registry of Open Data ซึ่ง มีชุดข้อมูลมากกว่า 1,100 ชุด จากองค์กรวิทยาศาสตร์รายใหญ่รวมถึง NASA, NOAA และ NIH แทนที่จะต้องไล่ดูแค็ตตาล็อกข้อมูลที่ซับซ้อน — กระบวนการที่ก่อนหน้านี้อาจใช้เวลาหลายชั่วโมง — นักวิจัยสามารถค้นหาฐานข้อมูลนี้ด้วย ภาษาธรรมชาติแบบเรียบง่าย นักวิทยาศาสตร์อาจถามหาภาพถ่ายดาวเทียมที่มีเงื่อนไขสัญญาอนุญาตเฉพาะ หรือขอชุดข้อมูลจีโนมของประชากรกลุ่มหนึ่ง และได้รับผลลัพธ์ที่เกี่ยวข้องโดยไม่จำเป็นต้องเข้าใจสถาปัตยกรรมข้อมูลเบื้องหลัง
อำนวยความสะดวกในการเข้าถึงสำหรับสถาบันที่ขาดทรัพยากร
ผลกระทบเชิงปฏิบัติต่องานวิจัยมีความสำคัญอย่างยิ่ง สถาบันที่ขาดทรัพยากร — มหาวิทยาลัยขนาดเล็ก องค์กร NGO หน่วยงานสาธารณสุขในประเทศกำลังพัฒนา — ต้องเผชิญกับความเสียเปรียบเชิงโครงสร้างมาอย่างยาวนานในด้านการค้นหาข้อมูล ภาระทางเทคนิคของการทำงานกับทะเบียนข้อมูลวิทยาศาสตร์ขนาดใหญ่เอื้อให้กับสถาบันที่มีวิศวกรข้อมูลเฉพาะทาง ด้วยการลดอุปสรรคนี้ผ่านการค้นหาด้วยภาษาธรรมชาติ เครื่องมือดังกล่าวจึงเปิดโอกาสให้เข้าถึงชุดข้อมูลในสาขาต่าง ๆ เช่น วิทยาศาสตร์ภูมิอากาศและสาธารณสุข ที่ก่อนหน้านี้เข้าถึงได้ยากกว่าสำหรับทีมที่ไม่ใช่ผู้เชี่ยวชาญ
เครื่องมือนี้ยังวางตำแหน่งให้ Amazon อยู่ในระบบนิเวศ AI แบบโอเพ่นซอร์สอย่างชัดเจน ในช่วงเวลาที่ระบบนิเวศนี้กำลังดึงดูดทั้งเงินทุนและบุคลากรคุณภาพสูง การระดมทุน Series B มูลค่า 65 ล้านดอลลาร์ล่าสุดของ Ollama ซึ่งทำให้ยอดเงินทุนรวมเพิ่มเป็น 88 ล้านดอลลาร์ บ่งชี้ว่าชุมชนนักลงทุนมองว่าเครื่องมือ AI แบบโอเพ่นซอร์สเป็นธุรกิจที่ยั่งยืน — ไม่ใช่เพียงช่วงรอยต่อก่อนที่โมเดลปิดลิขสิทธิ์จะกลับมาครองความได้เปรียบอีกครั้ง กล่าวอีกนัยหนึ่ง เส้นทางของโอเพ่นซอร์สตอนนี้มีแรงส่งจากสถาบันรองรับ ไม่ได้มีเพียงเหตุผลด้านต้นทุนเท่านั้น
คำถามที่ยากกว่าซึ่งลอยอยู่เหนือทุกสิ่งนี้คือจะเกิดอะไรขึ้นกับเพดานด้านประสิทธิภาพ โมเดลโอเพ่นซอร์สกำลังไล่ตามโมเดลปิดลิขสิทธิ์ระดับแนวหน้าได้ใกล้ขึ้นเรื่อย ๆ แต่ภารกิจที่ซับซ้อนที่สุด — ซึ่งเป็นงานที่ใช้ต้นทุนโมเดลสูงที่สุด — ยังคงมักเอื้อให้กับระบบปิดที่มีทรัพยากรหนาแน่น บริษัทต่าง ๆ อาจลงเอยด้วยการใช้สแต็กแบบไฮบริด: ใช้โมเดลโอเพ่นซอร์สสำหรับภาระงาน inference ส่วนใหญ่ และสำรองโมเดลปิดลิขสิทธิ์ไว้สำหรับงานเฉพาะที่มีความเสี่ยงสูง สถาปัตยกรรมลักษณะนี้ ไม่ใช่การสลับแบบเบ็ดเสร็จจากแบบหนึ่งไปอีกแบบหนึ่ง อาจเป็นจุดที่อุตสาหกรรมลงหลักปักฐานจริง ๆ
คำถามที่พบบ่อย (FAQ)
ทำไมบริษัทต่าง ๆ จึงหันไปใช้โมเดล AI แบบโอเพ่นซอร์ส?
บริษัทต่าง ๆ หันไปใช้โมเดล AI แบบโอเพ่นซอร์สเป็นหลักเพื่อช่วยลดต้นทุน AI ที่เพิ่มสูงขึ้น โมเดลปิดลิขสิทธิ์จากผู้ให้บริการอย่าง OpenAI และ Anthropic คิดค่าบริการตามจำนวนโทเคน ซึ่งอาจสร้างค่าใช้จ่ายที่คาดเดาไม่ได้และสูงมากเมื่อใช้งานในระดับใหญ่ โมเดลโอเพ่นซอร์สโดยทั่วไปดาวน์โหลดได้ฟรี โดยผู้ใช้จ่ายเฉพาะค่าระบบคลาวด์ที่ใช้รันโมเดล — ซึ่งมักทำให้มีต้นทุนรวมถูกกว่ามาก โดยเฉพาะสำหรับการใช้งานปริมาณสูง
CTO ของ Amazon เน้นย้ำข้อกังวลอะไรเกี่ยวกับความโปร่งใสของ AI?
Werner Vogels CTO ของ Amazon เน้นว่าความโปร่งใสเกี่ยวกับข้อมูลที่ใช้ฝึก AI กำลังมีความสำคัญมากขึ้นเรื่อย ๆ ต่อการนำไปใช้ในระดับองค์กร องค์กรต่าง ๆ ต้องการรู้ว่ามีข้อมูลอะไรบ้างที่ถูกใช้ฝึกโมเดลที่พวกเขานำมาใช้งาน ประเด็นนี้สำคัญเป็นพิเศษในภาคส่วนอย่างสาธารณสุข ภาครัฐ และงานด้านมนุษยธรรม ซึ่งความเชื่อมั่นในระบบเป็นเงื่อนไขเบื้องต้นของการใช้งานจริง — โดยเฉพาะเมื่อระบบเหล่านั้นให้บริการชุมชนที่เปราะบาง
จุดประสงค์ของเครื่องมือ AI แบบโอเพ่นซอร์สตัวใหม่ของ Amazon คืออะไร?
เครื่องมือนี้ช่วยให้นักวิจัยสามารถค้นหา AWS Registry of Open Data — ซึ่งมีชุดข้อมูลมากกว่า 1,100 ชุดจากองค์กรต่าง ๆ รวมถึง NASA, NOAA และ NIH — ด้วยคำค้นหาภาษาธรรมชาติ แทนการต้องไล่ดูแค็ตตาล็อกเชิงเทคนิคที่ซับซ้อน เป้าหมายคือเพื่อลดเวลาและความเชี่ยวชาญทางเทคนิคที่จำเป็นในการค้นหาชุดข้อมูลวิทยาศาสตร์ที่เกี่ยวข้อง โดยมุ่งเน้นเป็นพิเศษที่การทำให้การเข้าถึงดังกล่าวมีความเท่าเทียมมากขึ้นสำหรับสถาบันวิจัยที่ขาดทรัพยากร
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”ทำไมบริษัทต่าง ๆ จึงหันไปใช้โมเดล AI แบบโอเพ่นซอร์ส?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”บริษัทต่าง ๆ หันไปใช้โมเดล AI แบบโอเพ่นซอร์สเป็นหลักเพื่อช่วยลดต้นทุน AI ที่เพิ่มสูงขึ้น โมเดลปิดลิขสิทธิ์จากผู้ให้บริการอย่าง OpenAI และ Anthropic คิดค่าบริการตามจำนวนโทเคน ซึ่งอาจสร้างค่าใช้จ่ายที่คาดเดาไม่ได้และสูงมากเมื่อใช้งานในระดับใหญ่ โมเดลโอเพ่นซอร์สโดยทั่วไปดาวน์โหลดได้ฟรี โดยผู้ใช้จ่ายเฉพาะค่าระบบคลาวด์ที่ใช้รันโมเดล — ซึ่งมักทำให้มีต้นทุนรวมถูกกว่ามาก โดยเฉพาะสำหรับการใช้งานปริมาณสูง.”}},{“@type”:”Question”,”name”:”CTO ของ Amazon เน้นย้ำข้อกังวลอะไรเกี่ยวกับความโปร่งใสของ AI?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Werner Vogels CTO ของ Amazon เน้นว่าความโปร่งใสเกี่ยวกับข้อมูลที่ใช้ฝึก AI กำลังมีความสำคัญมากขึ้นเรื่อย ๆ ต่อการนำไปใช้ในระดับองค์กร องค์กรต่าง ๆ ต้องการรู้ว่ามีข้อมูลอะไรบ้างที่ถูกใช้ฝึกโมเดลที่พวกเขานำมาใช้งาน ประเด็นนี้สำคัญเป็นพิเศษในภาคส่วนอย่างสาธารณสุข ภาครัฐ และงานด้านมนุษยธรรม ซึ่งความเชื่อมั่นในระบบเป็นเงื่อนไขเบื้องต้นของการใช้งานจริง — โดยเฉพาะเมื่อระบบเหล่านั้นให้บริการชุมชนที่เปราะบาง.”}},{“@type”:”Question”,”name”:”จุดประสงค์ของเครื่องมือ AI แบบโอเพ่นซอร์สตัวใหม่ของ Amazon คืออะไร?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”เครื่องมือนี้ช่วยให้นักวิจัยสามารถค้นหา AWS Registry of Open Data — ซึ่งมีชุดข้อมูลมากกว่า 1,100 ชุดจากองค์กรต่าง ๆ รวมถึง NASA, NOAA และ NIH — ด้วยคำค้นหาภาษาธรรมชาติ แทนการต้องไล่ดูแค็ตตาล็อกเชิงเทคนิคที่ซับซ้อน เป้าหมายคือเพื่อลดเวลาและความเชี่ยวชาญทางเทคนิคที่จำเป็นในการค้นหาชุดข้อมูลวิทยาศาสตร์ที่เกี่ยวข้อง โดยมุ่งเน้นเป็นพิเศษที่การทำให้การเข้าถึงดังกล่าวมีความเท่าเทียมมากขึ้นสำหรับสถาบันวิจัยที่ขาดทรัพยากร.”}}]}
บทความนี้จัดทำขึ้นโดยได้รับความช่วยเหลือจากปัญญาประดิษฐ์และผ่านการทบทวนโดยทีมกองบรรณาธิการแล้ว
