โลกอุตสาหกรรมและการผลิต กำลังเผชิญหน้ากับรอยต่อสำคัญของยุคสมัยที่เต็มไปด้วยโอกาสและความท้าทาย ทั้งจากแรงกดดันทางเศรษฐกิจ การเปลี่ยนแปลงโครงสร้างประชากรสู่สังคมผู้สูงอายุ และความต้องการของผู้บริโภคที่ซับซ้อนและเฉพาะเจาะจงยิ่งขึ้น สถานการณ์เหล่านี้บีบคั้นให้ภาคธุรกิจต้องเร่งค้นหา “ทางรอด” ใหม่ที่จับต้องได้จริงและทรงพลังกว่าเดิม ซึ่งคำตอบที่กำลังถูกจับตามองอย่างใกล้ชิดคือ “ปัญญาประดิษฐ์เชิงกายภาพ” หรือ Physical AI เทคโนโลยีที่จะเข้ามาเปลี่ยนเครื่องจักรให้มี “ความคิด” และ “การรับรู้” เพื่อปฏิวัติกระบวนการผลิตทั้งระบบ
จากโลกดิจิทัลสู่โลกกายภาพ: วิวัฒนาการที่เหนือกว่า Agentic AI
วัตสัน ถิรภัทรพงศ์ กรรมการผู้จัดการ บริษัท อะเมซอน เว็บ เซอร์วิสเซส (ประเทศไทย) กล่าวว่า หากย้อนกลับไปเพียงไม่กี่ปี เราเริ่มต้นตื่นเต้นกับ Generative AI ในรูปแบบ Chatbot หรือโมเดลภาษาขนาดใหญ่ (Large Language Model – LLM) ในปี 2022 ซึ่งทำหน้าที่โต้ตอบและให้ข้อมูลพื้นฐาน ก่อนจะพัฒนามาสู่ยุคของ “Agentic AI” ซึ่งมีความฉลาดล้ำลึกยิ่งขึ้น โดยมีคุณสมบัติสำคัญ 3 ประการคือ คิดเป็น (Think), ลงมือทำได้ (Act) และมีความทรงจำ (Memory) แต่ถึงกระนั้น ศักยภาพทั้งหมดยังคงถูกจำกัดวงอยู่เพียงในโลกดิจิทัลหรือหน้าจอคอมพิวเตอร์เท่านั้น
คุณวัตสันเน้นย้ำว่า ก้าวต่อไปที่กำลังเกิดขึ้นและจะเป็นจุดเปลี่ยนสำคัญคือการที่ AI จะก้าวข้ามขีดจำกัด (Convergence) ออกมาเชื่อมต่อกับโลกกายภาพ (Physical World) โดยอาศัยระบบเซนเซอร์ที่เปรียบเสมือนประสาทสัมผัส และระบบประมวลผลขั้นสูง (Compute) เพื่อให้เครื่องจักรสามารถ “รับรู้” สภาพแวดล้อมและ “เข้าใจ” บริบทของโลกความจริงได้ ซึ่งนี่คือกุญแจสำคัญที่จะเปลี่ยนให้ AI กลายเป็นเครื่องมือที่ช่วยลดต้นทุน เพิ่มประสิทธิภาพ และสร้างผลกำไรให้กับภาคธุรกิจได้อย่างแท้จริง
นิยามใหม่ของ Physical AI: ผสานกฎฟิสิกส์เพื่อลดต้นทุนข้อมูลมหาศาล
ในมุมมองทางวิชาการและการวิจัย ผศ. ดร.อรทัย สังข์เพ็ชร รองอธิการบดีฝ่ายยุทธศาสตร์และวิจัย มหาวิทยาลัยซีเอ็มเคแอลได้ขยายความถึงหัวใจสำคัญของ Physical AI ว่าไม่ใช่แค่เรื่องของหุ่นยนต์ (Robotics) แบบเดิมที่ทำงานตามโปรแกรม แต่คือการสร้างระบบที่เข้าใจโลกกายภาพอย่างลึกซึ้ง
ผศ.ดร.อรทัย ได้นำเสนอแนวคิดการพัฒนา AI รูปแบบใหม่ที่เรียกว่าการผสาน “องค์ความรู้ทางกายภาพและทฤษฎี” (Physical Knowledge & Theory) เข้ากับระบบปัญญาประดิษฐ์ โดยอธิบายว่า การจะฝึกฝน (Train) ให้ AI เข้าใจโลกความจริงผ่านการป้อนข้อมูล (Data) เพียงอย่างเดียวนั้นมีต้นทุนที่สูงมหาศาลและต้องใช้ข้อมูลจำนวนมากเพื่อให้ครอบคลุมทุกความเป็นไปได้ แต่หากเราสามารถ “ฝัง” กฎพื้นฐานทางฟิสิกส์หรือสามัญสำนึกของโลกลงไปในโมเดล เช่น กฎแรงโน้มถ่วง หรือความจริงที่ว่าวัตถุจะไม่หายไปเฉยๆ AI จะสามารถเรียนรู้และทำความเข้าใจบริบทได้รวดเร็วขึ้นโดยไม่ต้องเริ่มเรียนรู้จากศูนย์ วิธีการนี้เปรียบเสมือนทางลัดที่ช่วยลดปริมาณข้อมูลที่ต้องใช้ (Data Efficiency) ซึ่งเป็นกลยุทธ์ที่ชาญฉลาดและเหมาะสมอย่างยิ่งสำหรับอุตสาหกรรมไทยที่มีทรัพยากรจำกัด
สมการความสำเร็จ 3 ส่วน: AI, เครื่องจักรและ “มนุษย์” ผู้จัดการข้อยกเว้น
ผศ. ดร.อรทัย ยังได้ลงรายละเอียดถึงโครงสร้างของระบบ Physical AI ที่สมบูรณ์ว่า ไม่สามารถพึ่งพาเทคโนโลยีเพียงอย่างเดียวได้ แต่ต้องประกอบด้วย 3 องค์ประกอบหลักที่ทำงานสอดประสานกัน คือ 1. AI (ปัญญาประดิษฐ์) 2. Machine (เครื่องจักร) และ 3. People (มนุษย์)
“ในโลกความเป็นจริง กฎเกณฑ์ต่าง ๆ มักถูกท้าทายและมีข้อยกเว้นเสมอ” ผศ.ดร.อรทัย กล่าวขยายความ โดยชี้ให้เห็นว่า AI และเครื่องจักรมีหน้าที่รับผิดชอบงานที่เป็นระบบระเบียบ (Routine) และทำซ้ำๆ เพื่อให้ได้ประสิทธิภาพสูงสุดและต้นทุนต่ำที่สุด แต่ “มนุษย์” ยังคงเป็นหัวใจสำคัญที่ขาดไม่ได้ในการทำหน้าที่จัดการกับ “ข้อยกเว้น” (Exceptions) หรือสถานการณ์ที่ไม่เป็นไปตามตรรกะปกติ เพราะมนุษย์มีความยืดหยุ่น วิจารณญาณ และความคิดสร้างสรรค์ที่เครื่องจักรยังเลียนแบบได้ยาก ดังนั้น การออกแบบระบบโรงงานอัจฉริยะที่ดีจึงต้องคำนึงถึงบทบาทของคนที่จะเข้ามาเติมเต็มในจุดที่ AI ไปไม่ถึงด้วย
พลิกโฉมคลังสินค้า Amazon: เมื่อหุ่นยนต์แยกแยะ“ความนุ่ม” ของกล้วยได้
เพื่อเห็นภาพการใช้งานจริง คุณวัตสัน ได้ยกตัวอย่างกรณีศึกษาจากคลังสินค้าของ Amazon ที่ได้ปฏิวัติรูปแบบโลจิสติกส์โลก โดยเปลี่ยนจากระบบเดิมที่ “คนต้องเดินไปหยิบของที่ชั้นวาง” ซึ่งเสียเวลาและพลังงาน มาเป็นระบบที่ “ชั้นวางวิ่งมาหาคน” ด้วยกองทัพหุ่นยนต์อัจฉริยะ (Autonomous Robots) ซึ่งช่วยจัดการสินค้าที่มีความหลากหลายนับล้านรายการได้อย่างแม่นยำและรวดเร็ว
ความลึกล้ำของเทคโนโลยีนี้ยังสะท้อนผ่านการทำงานของ หุ่นยนต์แขนกล (Robotic Arm) ที่คุณวัตสันยกตัวอย่าง โดยหุ่นยนต์ยุคใหม่ที่ทำงานร่วมกับระบบการมองเห็น (Computer Vision) และคำสั่งภาษามนุษย์ จะมีความละเอียดอ่อนสูงมาก มันสามารถแยกแยะคุณลักษณะของวัตถุได้ เช่น รู้ว่า “แอปเปิล” มีความแข็งกว่า “กล้วย” หากได้รับคำสั่งให้หยิบกล้วย หุ่นยนต์จะประมวลผลทันทีว่าจะต้องปรับน้ำหนักการจับให้เบามือลงเพื่อไม่ให้ผลไม้ช้ำ ซึ่งการเรียนรู้อันซับซ้อนนี้ไม่ได้เกิดจากการทดลองกับของจริงทีละชิ้น แต่เกิดจากการฝึกฝนผ่าน ระบบจำลองโลกเสมือน (Digital Twins) หรือการจำลองสถานการณ์ในคอมพิวเตอร์ ทำให้หุ่นยนต์เรียนรู้ได้รวดเร็วและปลอดภัยก่อนลงสนามจริง
กลยุทธ์ “Narrow AI”: สร้างผู้เชี่ยวชาญเฉพาะทางแทนที่จะสร้างเทพเจ้าที่รู้ไปหมด
ในฟากฝั่งของผู้เชี่ยวชาญด้านนโยบายและเทคโนโลยี ดร.พณชิต กิตติปัญญางาม ที่ปรึกษารัฐมนตรีว่าการกระทรวงการคลัง ได้ให้มุมมองเชิงกลยุทธ์ที่เฉียบคมว่า ประเทศไทยไม่ควรรอคอยหรือมุ่งเป้าไปที่การสร้าง Artificial General Intelligence (AGI) หรือ AI ที่ฉลาดรอบด้านเหมือนมนุษย์ เพราะนั่นอาจเป็นเรื่องที่ไกลเกินเอื้อมและใช้ทรัพยากรสูงเกินไป แต่ควรหันมาโฟกัสที่ “ปัญญาประดิษฐ์เฉพาะทาง” (Narrow AI)
ดร.พณชิต เปรียบเทียบไว้อย่างเห็นภาพว่า “เราไม่ได้ต้องการสร้างหมอที่รักษาได้ทุกโรคเพียงอย่างเดียว แต่เราต้องการหมอเฉพาะทางที่เชี่ยวชาญด้านมะเร็งอย่างลึกซึ้ง” การสร้าง AI สำหรับอุตสาหกรรมก็เช่นกัน ภาคธุรกิจต้องการโมเดลที่มี “องค์ความรู้เฉพาะด้าน” (Intrinsic Knowledge) และมีความแม่นยำสูง เพื่อลดปัญหาการ “มโนข้อมูล” (Hallucination) ซึ่งเป็นจุดอ่อนของ AI ทั่วไป โดยเขาได้ยกตัวอย่างโมเดลภาษาที่พัฒนาขึ้นเองชื่อ “Bifrost LM” ซึ่งถูกออกแบบมาเพื่อจัดการงานเอกสารโดยเฉพาะ โดยมีการใส่ “อคติทางความรู้” (Bias with knowledge) ที่ถูกต้องลงไป เพื่อให้ AI ทำงานได้อย่างแม่นยำในบริบทของธุรกิจนั้น ๆ
–ดร.พณชิต กิตติปัญญางาม แนะ 4 ยุทธศาสตร์ใช้ AI สร้างเศรษฐกิจใหม่
เปลี่ยน “ความยุ่งเหยิง” ของข้อมูลเป็นโอกาสทองของไทย
ดร.พณชิต ยังชี้ให้เห็นถึงโอกาสในวิกฤติ โดยระบุว่า “ความไม่เป็นระเบียบ” ของข้อมูลในโลกความจริง (Real World Data) ที่มักถูกมองว่าเป็นอุปสรรค แท้จริงแล้วคือ โอกาสทองของไทย ข้อมูลจากโรงงานหรือระบบโลจิสติกส์ไทยที่อาจดูยุ่งเหยิงและมาจากหลายแหล่ง (External Data) คือโจทย์ที่ท้าทาย
หากนักพัฒนาไทยสามารถใช้ความซับซ้อนของระบบการผลิตและโครงสร้างพื้นฐานในประเทศเป็น “สนามทดสอบ” (Testbed) เพื่อสร้างโซลูชันที่แก้ปัญหาหน้างานจริงๆ เหล่านี้ได้สำเร็จ นวัตกรรมนั้นจะมีมูลค่ามหาศาลในตลาดโลก เพราะความยุ่งเหยิงในโลกกายภาพคือโจทย์ยากที่ทุกประเทศต้องเผชิญ ดร.พณชิต ยกตัวอย่างการใช้ AI ในธุรกิจโลจิสติกส์ ที่มีการติดตามการไหลเวียนของสินค้าและรถบรรทุก เพื่อนำมาวิเคราะห์และพยากรณ์ความต้องการ (Demand) ล่วงหน้า ช่วยให้ธุรกิจบริหารจัดการต้นทุนได้อย่างแม่นยำท่ามกลางความผันผวน
ก้าวข้ามกับดักแรงงาน สู่ยุคแห่งการปรับแต่งเฉพาะบุคคล (Hyper-personalization)
ในมิติของเศรษฐกิจมหภาค คุณวัตสัน เน้นย้ำปิดท้ายว่า ยุคของการผลิตสินค้าราคาถูกในปริมาณมาก (Mass Production) หรือ Volume Play อาจไม่ใช่จุดแข็งของไทยอีกต่อไป เนื่องจากการเข้าสู่สังคมผู้สูงอายุ (Aging Society) ซึ่งส่งผลให้จำนวนประชากรวัยแรงงานลดลง ทิศทางของโลกกำลังมุ่งไปสู่ “การปรับแต่งเฉพาะบุคคลขั้นสูง” (Hyper-personalization)
คุณวัตสันมองว่า Physical AI จะเป็นเครื่องมือสำคัญที่ช่วยให้ผู้ประกอบการไทยสามารถปรับเปลี่ยนกระบวนการผลิตเพื่อตอบสนองความต้องการที่หลากหลายและเฉพาะเจาะจงของตลาดโลกได้ โดยไม่ต้องพึ่งพาแรงงานจำนวนมากเหมือนในอดีต การค้นหาจุดยืนใหม่ในตลาด (Sweet Spot) ที่เน้นคุณภาพ ความยืดหยุ่น และความเฉพาะตัว จะช่วยให้ธุรกิจไทยหลุดพ้นจากสมรภูมิราคา และสามารถขยายตลาดไปสู่ระดับสากลได้ในฐานะผู้สร้างมูลค่าตัวจริง
ข่าวอื่น ๆ ที่น่าสนใจ
รับมือ Q-Day: วาระแห่งชาติและความอยู่รอดของไทย
NT พลิกเกมธุรกิจอวกาศ ปั้น ‘อ.สิรินธร’ ฮับดาวเทียม LEO แห่งอาเซียน
