AI กำลังเปลี่ยนบทบาทจากระบบที่มนุษย์ใช้ถามและรอคำตอบ ไปสู่ระบบที่สามารถรับงาน คิด ตัดสินใจ เรียกใช้เครื่องมือ และลงมือทำงานแทนมนุษย์ได้ เมื่อความสามารถนี้พัฒนาต่อไป AI จะไม่ได้อยู่เพียงในโลกดิจิทัล แต่จะเชื่อมเข้ากับหุ่นยนต์ ยานยนต์ไร้คนขับ โรงงาน และอุปกรณ์ต่าง ๆ ที่ทำงานอยู่ในโลกจริง
ป่านแก้ว สีหาวงศ์ Country Lead Thailand, Enterprise Business, NVIDIA กล่าวว่า ปัจจุบันโลกอยู่ในยุค Agentic AI และกำลังก้าวต่อไปสู่ Physical AI โดยสิ่งที่จะเห็นมากขึ้นคือ Humanoid Robot และ Autonomous Vehicle การเปลี่ยนผ่านครั้งนี้จึงไม่ใช่เพียงการมีโมเดลที่ฉลาดขึ้น แต่หมายถึงขอบเขตการทำงานของ AI ที่กว้างขึ้น จากการสร้างคำตอบไปสู่การทำงาน และจากการทำงานในระบบดิจิทัลไปสู่การกระทำในโลกจริง
จาก AI ตอบคำถามสู่ Agent ทำงานแทนคน
พัฒนาการของ AI ในช่วงไม่กี่ปีที่ผ่านมาเกิดขึ้นอย่างรวดเร็ว ปี 2022 การมาถึงของ ChatGPT ทำให้ผู้คนจำนวนมากรู้จัก Foundation Model และการสนทนากับ AI แบบ Multi-turn Prompt ผู้ใช้สามารถถามและโต้ตอบกับระบบต่อเนื่องกันได้ แต่ข้อจำกัดคือคำตอบอาจไม่ถูกต้องเสมอไป
ปี 2025 การมาถึงของ DeepSeek ทำให้ Reasoning Model เป็นที่รู้จักมากขึ้น แนวคิดสำคัญคือการให้โมเดล “คิดก่อนตอบ” แทนที่จะเน้นความเร็วเพียงอย่างเดียว เพื่อให้ได้คำตอบที่ถูกต้องมากขึ้น การเพิ่มกระบวนการคิดมีต้นทุนตามมา เพราะโมเดลสร้าง Token เพิ่มขึ้นประมาณ 100 เท่าเมื่อเทียบกับช่วงก่อนหน้า
พัฒนาการถัดมาคือ Autonomous Agent หรือ Self-Evolving Agent ที่สามารถทำงานแทนมนุษย์ได้มากขึ้น ไม่ได้หยุดอยู่ที่การตอบคำถาม แต่สามารถรับงานแล้วดำเนินการต่อด้วยตัวเอง เมื่อเข้าสู่ระดับนี้ ปริมาณ Token ที่เกิดขึ้นเพิ่มขึ้นประมาณ 1,000 เท่า และหากขยายไปสู่ Multi-agent ที่ Agent หลายตัวทำงานและสื่อสารระหว่างกัน ปริมาณ Token อาจเพิ่มขึ้นถึงระดับ 10,000 เท่า
ความสามารถของ AI ที่เพิ่มขึ้นจึงมาพร้อมโจทย์ใหม่สำหรับองค์กร เพราะการใช้ AI ไม่ได้มีเพียงคำถามว่าโมเดลใดฉลาดที่สุด แต่ต้องพิจารณาด้วยว่าจะใช้ทรัพยากรการประมวลผลอย่างไรให้เหมาะสมกับต้นทุนและประสิทธิภาพที่ต้องการ
AI ยิ่งคิดมากต้นทุนยิ่งเพิ่ม
การเปลี่ยนจาก Generative AI มาสู่ Reasoning Model และ Agentic AI ทำให้รูปแบบการใช้ทรัพยากรประมวลผลเปลี่ยนไปด้วย ในช่วง Generative AI ทรัพยากรจำนวนมากถูกใช้กับ Pre-training และ Post-training เพื่อพัฒนาโมเดลให้มีความสามารถสูงขึ้น แต่เมื่อโมเดลได้รับการฝึกด้วยข้อมูลจำนวนมากแล้ว การพัฒนาเริ่มเคลื่อนไปสู่ Test-Time Scaling หรือ Long Thinking ซึ่งเพิ่มเวลาและทรัพยากรให้โมเดลคิดก่อนตอบ
เมื่อ AI ขยับจากการคิดไปสู่การทำงานในรูปแบบ Agent การใช้ทรัพยากรก็เพิ่มขึ้นอีก เพราะ Agent ไม่ได้สร้างคำตอบเพียงครั้งเดียว แต่ต้องวางแผน เรียกใช้เครื่องมือ เชื่อมต่อข้อมูล และดำเนินงานหลายขั้นตอน ยิ่งเมื่อ Agent หลายตัวทำงานร่วมกัน การสื่อสารระหว่าง AI กับ AI ยิ่งทำให้ปริมาณการประมวลผลเพิ่มขึ้นอย่างมาก
โจทย์ขององค์กรจึงอยู่ที่การจัดสมดุลระหว่างความสามารถ ต้นทุน และลักษณะงาน ไม่จำเป็นต้องนำ Frontier Model ที่มีความสามารถสูงที่สุดมาใช้กับทุกงาน คำถามหรือโจทย์ที่ซับซ้อนอาจเหมาะกับ Frontier Model ส่วนงานที่มีลักษณะเฉพาะขององค์กรสามารถใช้ Open Model มาฝึก ปรับแต่ง หรือ Optimize ให้เหมาะกับงานนั้นได้ วิธีนี้ช่วยให้ตอบได้เร็วขึ้น ลดค่าใช้จ่าย และควบคุมการใช้งานได้มากขึ้น
Future Workforce เมื่อคนทำงานร่วมกับ AI
การเปลี่ยนแปลงที่เกิดขึ้นทำให้ NVIDIA มองว่า AI กำลังเข้าสู่ช่วงของ “Useful AI” เพราะ AI ไม่ได้เป็นเพียงระบบทั่วไปที่ให้คำตอบกว้าง ๆ อีกต่อไป แต่สามารถนำข้อมูล ความรู้ และประสบการณ์เฉพาะด้านขององค์กรมาใช้ เข้าใจ Proprietary Workflow และปรับให้เหมาะกับงานเฉพาะทางได้
คุณป่านแก้ว กล่าวว่า Future Workforce จึงไม่ได้ประกอบด้วยมนุษย์เพียงอย่างเดียว แต่จะเป็นการทำงานร่วมกันระหว่าง Biological Workforce หรือคน กับ Digital Workforce หรือ AI
“ต่อไปในอนาคต ไม่ใช่มีแค่เรา แต่ว่ามีเราที่เราเรียกว่าเป็น Biological แล้วก็ Digital Workforce ก็คือคนบวก AI ซึ่งทั้งสองอย่างนี้จะทำงานร่วมกัน โดย AI ก็จะช่วยให้เราเก่งขึ้น และเราก็ช่วยให้ AI เก่งขึ้นด้วย”
ความหมายของ Agent ในบริบทนี้จึงมากกว่าโมเดล AI ตัวหนึ่ง เพราะการทำงานของ Agent ต้องประกอบด้วย Model สำหรับคิดและตัดสินใจ, Harness สำหรับประสานและควบคุมการทำงาน, Tools and Skills สำหรับเชื่อมต่อข้อมูลและระบบที่ต้องใช้งาน รวมถึง Runtime ซึ่งเป็นสภาพแวดล้อมที่ทำให้ Agent สามารถทำงานได้อย่างปลอดภัย
Agent ระดับองค์กรต้องเก่งและควบคุมได้
เมื่อ Agent สามารถเรียกใช้เครื่องมือ เข้าถึงข้อมูล หรือดำเนินงานแทนมนุษย์ได้ ความสามารถที่เพิ่มขึ้นย่อมมาพร้อมความเสี่ยง หากระบบมีอำนาจมากเกินไป Agent อาจเข้าถึงข้อมูลหรือดำเนินการบางอย่างเกินกว่าขอบเขตที่องค์กรต้องการ จึงต้องมีระบบควบคุมทั้งด้านสิทธิ์ นโยบาย Credential การเชื่อมต่อเครือข่าย และการป้องกันข้อมูลรั่วไหล
NVIDIA จึงพัฒนา NeMo Core เพื่อช่วยให้องค์กรสร้าง Agent ที่พร้อมสำหรับการใช้งานระดับองค์กร โดยมี Open Shell เป็น Runtime ที่ช่วยควบคุม Security และ Policy เพื่อจำกัดขอบเขตการทำงานของ Agent เครื่องมือที่นำเสนอสามารถใช้ร่วมกับ Harness อื่นได้ และเป็น Open Source
ตัวอย่างหนึ่งคือการนำ NeMo Core มาใช้กับ Hermes Agent ซึ่งเป็น Self-Evolving Agent ที่สามารถสร้าง Skill ใหม่ขึ้นมาได้ เมื่อทำงานและเรียนรู้ Skill เพิ่มขึ้น ข้อมูลเหล่านั้นสามารถย้อนกลับไปเก็บใน Skill Library ทำให้ Agent มีความสามารถเพิ่มขึ้นจากการทำงานที่ผ่านมา
ทิศทางถัดไปไม่ได้หยุดอยู่ที่ Single Agent แต่กำลังเคลื่อนไปสู่ System of Agents หรือ Enterprise Agent System ซึ่งมี Agent และ Sub-agent หลายตัวทำงานร่วมกัน เชื่อมกับ Model, Runtime, Tools and Skills, Memory และระบบ Governance ในโครงสร้างเดียวกัน
Data คือหัวใจของ Enterprise Agent
เมื่อ Agent ถูกนำมาใช้กับงานขององค์กร ข้อมูลกลายเป็นองค์ประกอบสำคัญ เพราะความสามารถของ Agent ขึ้นอยู่กับข้อมูลที่สามารถเข้าถึงได้ แต่ข้อมูลขององค์กรไม่ได้อยู่ในที่เดียว การกำหนดสิทธิ์เข้าถึง การเชื่อมโยงความรู้ที่กระจัดกระจาย และการตรวจสอบว่าเนื้อหาที่นำมาใช้น่าเชื่อถือหรือไม่ ล้วนเป็นโจทย์ที่ต้องจัดการก่อนนำระบบไปใช้งานจริง
NVIDIA IQ Blueprint ถูกพัฒนาขึ้นเพื่อเชื่อม Enterprise Knowledge เข้ากับ Agent Workflow โดยใช้ Deep Research Agent เข้ามาช่วยในการค้นหาและประมวลผลข้อมูล คำตอบที่ได้สามารถมี Citation และตรวจสอบย้อนกลับไปยังแหล่งข้อมูลได้ พร้อมกับจัดเส้นทางคำขอไปยัง Workflow หรือ Model ที่เหมาะสมกับงาน เพื่อสร้างสมดุลระหว่าง Speed, Quality และ Cost
จากข้อมูลที่คุณป่านแก้วนำเสนอ การใช้แนวทางดังกล่าวช่วยเพิ่มความถูกต้องของคำตอบได้มากกว่า 10% และลดต้นทุนได้ประมาณ 30-50% โดย Blueprint ถูกออกแบบเป็น Modular สามารถปรับเปลี่ยนองค์ประกอบบางส่วนได้ และนำไปติดตั้งได้ทั้ง On-prem, Cloud และ Hybrid
การจัดการข้อมูล โมเดล เครื่องมือ และต้นทุนในระดับองค์กรจึงเป็นฐานสำคัญของ Agentic AI แต่พัฒนาการของ AI ไม่ได้หยุดอยู่เพียงการให้ Agent ทำงานในระบบดิจิทัล เพราะก้าวถัดไปคือการทำให้ AI เข้าใจและลงมือทำในโลกจริง
Physical AI จากคำตอบสู่การกระทำ
คุณป่านแก้ว อธิบายว่า Physical AI เป็นอุตสาหกรรมที่มีขนาดประมาณ 98 ล้านล้านดอลลาร์ และมีหลักการต่างจาก LLM ที่ผู้คนคุ้นเคย หาก LLM รับ Token เข้าไปแล้วสร้าง Token เป็นคำตอบออกมา Physical AI จะรับข้อมูลจาก Sensor หรือ Text เข้าไปประมวลผลผ่าน Physical AI Foundation Model ก่อนส่งผลลัพธ์ออกมาเป็น Action Token
“Physical AI ก็คือ Token in แล้วก็ Action out”
ความแตกต่างนี้ทำให้ AI ไม่ได้จบการทำงานที่การสร้างข้อความหรือคำตอบ แต่ผลลัพธ์สามารถนำไปควบคุมการกระทำในโลกจริง ตั้งแต่ Autonomous Vehicle หุ่นยนต์ ระบบ Healthcare ไปจนถึง Robotic Factory
โจทย์ใหญ่ของการพัฒนา Physical AI ที่ผ่านมาคือข้อมูล การฝึก Humanoid Robot ไม่สามารถผลิตหุ่นยนต์จำนวนมหาศาลแล้วให้มนุษย์จำนวนมหาศาลมาสอนการเคลื่อนไหวทุกแบบได้เหมือนการรวบรวมข้อมูลข้อความสำหรับโมเดลภาษา การสร้างข้อมูลสำหรับฝึก AI ในโลกกายภาพจึงต้องอาศัยอีกแนวทางหนึ่ง
NVIDIA นำ World Foundation Model เข้ามาช่วยให้โมเดลเข้าใจ Physical World และใช้การประมวลผลเพื่อสร้างข้อมูลเพิ่มเติมจากข้อมูลต้นแบบที่มีอยู่ แนวคิดนี้ทำให้คุณป่านแก้วอธิบายว่า สำหรับ Physical AI แล้ว “Compute คือ Data” เพราะเมื่อข้อมูลในโลกจริงมีไม่เพียงพอ พลังการประมวลผลสามารถนำมาใช้สร้างข้อมูลจำนวนมากขึ้นเพื่อให้การพัฒนาโมเดลดำเนินต่อไปได้
Cosmos เป็นหนึ่งในเครื่องมือที่ถูกนำมาใช้ในกระบวนการนี้ ขณะที่การพัฒนา Humanoid Robot มี Isaac GR00T เข้ามาเกี่ยวข้องกับการสร้างและฝึกความสามารถของหุ่นยนต์ ส่วนฝั่ง Autonomous Vehicle มีโมเดลสำหรับช่วยให้รถสามารถใช้กระบวนการ Reasoning ระหว่างการขับขี่
เมื่อ AI ก้าวเข้าสู่โลกจริง
เส้นทางจาก Generative AI มาถึง Agentic AI ทำให้ AI เปลี่ยนจากเครื่องมือที่รอรับคำสั่ง ไปสู่ระบบที่สามารถคิด เรียกใช้เครื่องมือ และทำงานแทนมนุษย์ได้ แต่ความเปลี่ยนแปลงที่กำลังตามมาจะขยายขอบเขตออกไปอีก เมื่อ AI เริ่มเชื่อมการรับรู้ การคิด และการตัดสินใจเข้ากับการกระทำในโลกจริง
สำหรับองค์กร การเตรียมพร้อมจึงไม่ได้หมายถึงการเลือกโมเดลที่ฉลาดที่สุดเพียงอย่างเดียว แต่ต้องรู้ว่างานใดควรใช้โมเดลแบบไหน จัดการต้นทุนอย่างไร เชื่อมข้อมูลขององค์กรเข้าสู่ Agent อย่างไร และกำหนดขอบเขตการทำงานให้ปลอดภัยเพียงใด เพราะเมื่อ AI เปลี่ยนจากระบบที่ “ตอบ” ไปเป็นระบบที่ “ทำ” ความสามารถในการควบคุม AI จะมีความสำคัญไม่ต่างจากความสามารถของ AI เอง
และเมื่อ Agentic AI กำลังก้าวต่อไปสู่ Physical AI เส้นแบ่งระหว่าง AI ในระบบดิจิทัลกับเครื่องจักรในโลกจริงก็กำลังแคบลง จาก AI ที่เคยสร้างคำตอบบนหน้าจอ สู่ AI ที่สามารถส่งผลลัพธ์ออกมาเป็นการกระทำ นี่คือก้าวต่อไปของเทคโนโลยีที่กำลังเคลื่อนจากโลกของข้อมูลเข้าสู่โลกจริง
ข่าวอื่น ๆ ที่น่าสนใจ
Traffy Fondue เข้าเรือนจำ เชื่อมข้อมูลเฝ้าระวังโรค ลดเวลารับมือการระบาด
AI at Scale บทเรียน KBTG ใช้ AI Governance สร้าง Value จาก AI
ETDA เร่งสร้าง Digital Trust รับ AI-แพลตฟอร์มโตเร็ว
