มีสไลด์หนึ่งในงาน AIS Academy for THAIs 2026 ที่ทำให้ผมหยุดคิดนาน
คุณป่านแก้ว สีหาวงศ์ (Country Lead Thailand, Enterprise Business, NVIDIA) ใช้สไลด์นี้เปิด keynote หัวข้อ "What's Next in AI? ขอบฟ้าใหม่ของ AI" — สิ่งที่มันสื่อไม่ใช่แค่ "AI ฉลาดขึ้น" แต่คือ "ต้นทุนการคิดของ AI ก็เพิ่มขึ้นเป็นเท่าตัวเรื่อย ๆ" ด้วย เธออธิบายยาวเลยว่าทำไม (ยุค Generative AI คือ pre-training/post-training ปกติ พอมาถึงยุค "คิดก่อนตอบ" หรือ test-time scaling ตัว AI จะ generate token ข้อมูลเพิ่มอีก 100 เท่าเพื่อให้ได้คำตอบแม่นขึ้น พอเป็น multi-agent ที่ AI คุยกับ AI ด้วยกันเอง ยิ่งเพิ่มไปอีกเป็น 1000 เท่า)
1. ไทม์ไลน์ 4 ยุคของ AI
ปี 2012 คือยุค Perception AI (AI แค่ "รับรู้" เช่นจดจำภาพ/เสียง) ผ่านมา ~10 ปีถึงยุค Generative AI ที่ ChatGPT พาเข้ามา (AI "สร้าง" คำตอบได้) ตอนนี้กำลังเข้าสู่ Agentic AI (AI ที่คิดก่อนตอบแล้วลงมือทำงานแทนเราได้จริง) และคลื่นถัดไปคือ Physical AI (เอา AI ออกจากหน้าจอเข้าสู่โลกกายภาพ)
2. Agent คืออะไรกันแน่ — ไม่ใช่แค่ "AI ที่ฉลาดขึ้น"
เธออธิบายสูตรง่าย ๆ ว่า Agent = Model (โมเดล AI ที่คิด/ตัดสินใจ) + Harness (ตัวจัดการงาน คอยสั่งให้ไปเรียกใช้เครื่องมือต่าง ๆ) ตัวอย่างที่โชว์บนเวทีคือสั่ง agent ให้ไปออกแบบชิ้นส่วนรีโมททีวีที่หัก แล้วสั่งพิมพ์ 3D printing ออกมาแทนของเดิมได้เลย — นี่คือสิ่งที่เธอเรียกว่ายุค "Useful AI" มาถึงแล้ว เพราะมันไม่ใช่ AI ทั่วไป (generic) แต่เป็น AI ที่รู้ข้อมูล/ประสบการณ์เฉพาะขององค์กรนั้นจริง ๆ
3. อนาคตแรงงานจะไม่ใช่แค่ "คน" อีกต่อไป
เธอทิ้งประโยคที่น่าจดจำไว้ว่า future workforce จะประกอบด้วย biological workforce (คน) + digital workforce (AI) ทำงานเสริมกัน — AI ช่วยให้คนเก่งขึ้น และคนก็ช่วยให้ AI เก่งขึ้นด้วยเหมือนกัน (ผ่านการป้อนความรู้เฉพาะทางที่ AI ทั่วไปไม่มี)
4. ต้องใช้ frontier model คู่กับ open model ไม่ใช่เลือกอย่างใดอย่างหนึ่ง
มีคนถามว่าโมเดลระดับ frontier (เก่งที่สุด แพงที่สุด) ฉลาดขนาดนี้แล้ว ยังต้องมี skill พิเศษอยู่ไหม เธอตอบว่าต้องใช้ทั้งคู่ร่วมกัน — คำถามยากใช้ frontier model ตอบ ส่วนงานเฉพาะทางที่ frontier model ไม่ได้เรียนรู้มา ใช้ open model ที่ปรับแต่งเฉพาะงานแทน เพราะเร็วกว่า ถูกกว่า และคุมการใช้งานได้มากกว่า
5. ความปลอดภัยของ Agent เป็นโจทย์ใหม่ที่มาพร้อมกัน
พอ Agent เริ่มมี "สิทธิ์" เข้าถึงระบบ/ข้อมูล จริงจังขึ้น (credential, password) ความเสี่ยงก็ตามมา NVIDIA เลยมีเครื่องมือ (NeMo Core และ Open Shell) มาทำหน้าที่เป็น runtime/sandbox ควบคุมไม่ให้ agent มีอำนาจเกินขอบเขต ป้องกันไม่ให้ข้อมูลอ่อนไหวรั่วไหล — ส่วนหนึ่งเปิดเป็น open source ให้เอาไปทดลองใช้ได้ฟรี
6. คลื่นถัดไปคือ Physical AI — และปัญหาใหญ่ที่สุดคือ "ข้อมูล"
เมื่อ AI ฉลาดพอในโลกดิจิทัลแล้ว ก้าวต่อไปคือ Humanoid Robot และ Self-Driving Car ปัญหาคือข้อมูลฝึกฝนในโลกจริงหายากมาก (อุบัติเหตุ สภาพอากาศ สถานการณ์คาดเดาไม่ได้) NVIDIA เลยเสนอแนวคิด "Compute is Data" คือใช้คอมพิวเตอร์สร้างข้อมูลจำลองมาฝึกแทน ผ่านเครื่องมืออย่าง Cosmos และ Project GR00T
ฟังจบแล้วผมนึกย้อนไปว่าเมื่อ 2-3 ปีก่อนตอน ChatGPT เพิ่งออก เรายังตื่นเต้นกับการคุยกับ chatbot อยู่เลย — พอมาปีนี้บทสนทนาขยับไปที่หุ่นยนต์เดินได้กับรถขับเองแล้ว ถ้าอัตราเร่งเป็นแบบสไลด์นั้นจริง อีก 2-3 ปีข้างหน้าอาจจะไม่ใช่แค่ "AI ฉลาดขึ้น" แต่เป็น "AI อยู่รอบตัวเราในรูปแบบที่จับต้องได้" แล้วครับ
ที่มา: FB Live — AIS Academy for THAIs 2026 (11 ก.ย. 69) นาที 4:05:04
https://www.facebook.com/AISAcademyforThais/videos/1604221608043394
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac