ในยุคที่ปัญญาประดิษฐ์ (AI) กำลังพลิกโฉมโลกธุรกิจและโครงสร้างพื้นฐานระดับประเทศ การก้าวข้ามจากงานวิจัยในห้องทดลองสู่การใช้งานจริงในวงกว้าง (Nation-Scale) ถือเป็นความท้าทายที่ยิ่งใหญ่ บทความนี้จะพาไปเจาะลึกเนื้อหาจากการเสวนาในหัวข้อ “From Labs to Nation-Scale AI Products” ภายในงาน AI-VOLUTION จัดโดย SCB 10X
การเสวนาครั้งนี้เป็นการพบกันระหว่าง ดร.เลสลี่ ทีโอ (Dr.Leslie Teo) ผู้อำนวยการอาวุโสฝ่ายผลิตภัณฑ์ AI จาก AI Singapore ผู้มีประสบการณ์บริหารจัดการความมั่งคั่งระดับชาติ และผู้ดำเนินรายการ ดร.ทุตานนท์ สินธุประสิทธิ์ Head of Research and Development จาก SCBX โดยทั้งสองได้ร่วมแลกเปลี่ยนมุมมองที่ตกผลึกจากประสบการณ์จริงในการสร้างโมเดลภาษาขนาดใหญ่ SEA-LION (Southeast Asian Languages in One Network) และการวางยุทธศาสตร์ AI ที่ชี้ให้เห็นว่าหัวใจของความสำเร็จอาจไม่ได้อยู่ที่ความล้ำหน้าของเทคโนโลยีเพียงอย่างเดียว แต่อยู่ที่การบริหารจัดการ และวิสัยทัศน์ที่มองข้ามช็อตไปถึงระบบการทำงานในอนาคต
ถอดบทเรียนการเงินสู่ AI: 3 หลักคิด “การเดิมพัน“
ดร.เลสลี่ ได้เปรียบเทียบประสบการณ์จากการบริหารความมั่งคั่งที่ GIC (Government of Singapore Investment Corporation) กับการพัฒนาผลิตภัณฑ์ AI ไว้อย่างลึกซึ้ง โดยชี้ให้เห็นว่า หลักการทางเศรษฐศาสตร์มหภาคและการเงินสามารถนำมาประยุกต์ใช้กับการขยายผล AI (Scaling AI) ได้ผ่าน 3 แนวคิดหลัก ดังนี้
แนวคิดที่ 1: “ความเสี่ยง” คือ “การเดิมพันที่ชัดเจน” (The Clear Bet) ในโลกการเงิน ความเสี่ยง (Risk) คือหนทางสู่ผลตอบแทน (Return) แต่สำหรับโลกของ AI นั้น เราต้องชัดเจนมาก ๆ ว่าเรากำลัง “เดิมพัน” กับอะไร และทำไมเราถึงคิดว่าควรสร้างโมเดลนี้ขึ้นมา สิ่งที่ต้องตอบให้ได้คือ “ความได้เปรียบที่ยั่งยืน” (Durable Advantage) คืออะไร?
กรณีศึกษา SEA-LION: ความได้เปรียบที่ยั่งยืนคือ “ความเป็นพหุภาษา” (Multilinguality) และ “ข้อมูล” (Data) ซึ่งเป็นสิ่งที่ยักษ์ใหญ่ด้านเทคโนโลยี (Big Tech) อาจไม่ได้ครอบครองอย่างสมบูรณ์เท่ากับคนในพื้นที่
แนวคิดที่ 2: “การกระจายความเสี่ยง” รับมือกับสิ่งที่ไม่รู้ (Diversification) ในโลกการเงิน การกระจายการลงทุน (Diversification) ถือเป็นกฎเหล็กเพียงข้อเดียวที่ช่วยลดความเสี่ยง ในโลก AI ก็เช่นกัน เราเต็มไปด้วย “สิ่งที่เราไม่รู้ว่าเราไม่รู้อะไร” (Unknown Unknowns) ดังนั้น การกระจายความเสี่ยงจึงจำเป็นมาก เราต้องทดลอง สำรวจ และค้นหาว่าหนทางไหนที่ได้ผลจริง ไม่ใช่การทุ่มสุดตัวไปในทางเดียวโดยไม่มีแผนรองรับ
แนวคิดที่ 3: “ความเชื่อมั่น” คือรากฐานการอยู่รอด (Trust) ในการลงทุน ความเชื่อมั่นของผู้มีส่วนได้ส่วนเสีย (Stakeholders) คือสิ่งที่ทำให้เราสามารถยึดมั่นในกลยุทธ์และเอาตัวรอดจากวิกฤตระยะสั้น (Short-term shocks) ได้ สำหรับ AI “ความเชื่อมั่น” คือกุญแจสำคัญสู่ การยอมรับ (Adoption) และการสร้างคอมมูนิตี้ หากผู้คนไม่ไว้ใจว่าโมเดลนี้เข้าใจพวกเขา หรือกลัวว่าจะถูกแทนที่ พวกเขาก็จะไม่ให้ข้อมูลและไม่ใช้งาน ดังนั้นการสร้างความเชื่อมั่นจึงเป็นรากฐานที่ทำให้โครงการเดินหน้าได้เร็วกว่าในระยะยาว
วิวัฒนาการ SEA-LION: จากแล็บสู่ “แล็ปท็อป”
ดร.เลสลี่ ได้พาเราย้อนดูเส้นทางการพัฒนาโมเดล SEA-LION ตั้งแต่เวอร์ชันแรกจนถึงปัจจุบัน ซึ่งสะท้อนให้เห็นถึงการเรียนรู้และปรับตัวผ่านจุดเปลี่ยนสำคัญ 3 ระยะ ดังนี้
ระยะที่ 1: พิสูจน์ทราบและส่งมอบ (Build and Ship) ในยุคเริ่มต้น ภารกิจสำคัญคือการพิสูจน์ให้โลกเห็นว่า “เราทำได้” และ “ข้อมูลท้องถิ่นสร้างความแตกต่างได้จริง” ทีมงานจึงเลือกใช้วิธีที่ยากที่สุดคือการ ฝึกฝนโมเดลขึ้นมาใหม่ทั้งหมดจากศูนย์ (Pre-train from scratch) เพื่อสร้างโมเดลที่ตอบโจทย์ช่องว่างทางภาษาที่โมเดลระดับโลกมองข้าม
อย่างไรก็ตาม ดร.เลสลี่ ยอมรับอย่างตรงไปตรงมาว่า ผลลัพธ์ในตอนนั้นมีความเป็น “วิชาการ” (Academic model) สูงมาก โดยเฉพาะการมีตัวตัดคำ (Tokenizer) ที่สร้างขึ้นเอง ซึ่งกลายเป็นอุปสรรคทางเทคนิคเมื่อนำไปใช้งานจริงบนแพลตฟอร์มมาตรฐานอย่าง AWS หรือ Hugging Face ทำให้คนทั่วไปเข้าถึงและใช้งานได้ยาก
ระยะที่ 2: ประสิทธิภาพและความยั่งยืน (Efficiency) เมื่อผ่านด่านแรก ทีมงานเริ่มตระหนักว่าการฝึกฝนโมเดลใหม่จากศูนย์เป็นวิธีการที่ “แพงและสิ้นเปลือง” เกินไป จึงเกิดจุดเปลี่ยนทางกลยุทธ์มาสู่การใช้ประโยชน์จาก โมเดลเปิด (Open Models) ที่เก่งอยู่แล้ว แล้วนำมาพัฒนาต่อยอดด้วยกระบวนการ Continuous Pre-training
โจทย์ท้าทายในระยะนี้คือการรักษาความสมดุล ทีมงานต้องหาวิธีใส่ความรู้ภาษาและบริบทของภูมิภาคเข้าไป โดยไม่ให้โมเดลเกิดภาวะ “ลืมความรู้เดิม” (Catastrophic Forgetting) หรือสูญเสียความฉลาดดั้งเดิมไป ซึ่งเป็นการผสมผสานความเก่งกาจของโมเดลโลกเข้ากับความลึกซึ้งของบริบทท้องถิ่น
ระยะปัจจุบัน: เล็ก ปลอดภัย และเข้าถึงได้ (Small & Safe) ดร.เลสลี่ ชี้ว่าในปัจจุบัน ปัญหาเรื่องความเป็นพหุภาษา (Multilinguality) หรือความเก่งกาจหลายรูปแบบ (Multimodality) กลายเป็น “เรื่องของเมื่อวาน” (Yesterday’s problem) ไปแล้ว
ความท้าทายที่แท้จริงของวันนี้และอนาคต คือข้อจำกัดด้านฮาร์ดแวร์ในภูมิภาคเอเชียตะวันออกเฉียงใต้ ซึ่งไม่ใช่ทุกคนที่จะสามารถเข้าถึงชิปประมวลผลประสิทธิภาพสูงราคาแพงอย่าง H100 หรือ A100 ได้ เป้าหมายใหม่ของ SEA-LION จึงมุ่งเน้นไปที่การสร้างโมเดลที่ “เล็กลงแต่เก่งขึ้น” (Smaller models) และ “ปลอดภัย” (Safer) เพื่อให้มั่นใจว่าโมเดลสามารถรันได้อย่างมีประสิทธิภาพบนอุปกรณ์ทั่วไปที่ทุกคนมีอย่าง “แล็ปท็อป” โดยไม่ต้องพึ่งพาโครงสร้างพื้นฐานระดับซูเปอร์คอมพิวเตอร์เสมอไป
ยุทธศาสตร์ภูมิภาค: เติมเต็มไม่แข่งขัน
อีกหนึ่งประเด็นสำคัญที่ ดร.ทุตานนท์ และ ดร.เลสลี่ เห็นพ้องต้องกันอย่างยิ่ง คือการวางตำแหน่ง (Positioning) ของโมเดลภาษาในระดับภูมิภาค (Regional Models) ท่ามกลางการแข่งขันของยักษ์ใหญ่ระดับโลกอย่าง Google หรือ OpenAI
ดร.เลสลี่ ย้ำชัดเจนว่า การสร้างโมเดลอย่าง SEA-LION หรือ Typhoon ของไทย “ไม่ใช่การแข่งขัน” เพื่อเอาชนะโมเดลระดับโลก แต่คือการ “เติมเต็ม” (Complement) ในจุดที่โมเดลเหล่านั้นเอื้อมไม่ถึง เนื่องจากบริษัทเทคโนโลยีระดับโลกอาจไม่มีเวลาหรือทรัพยากรเพียงพอที่จะลงลึกในรายละเอียดของทุกภาษา หรือเจาะลึกปัญหาเฉพาะทางของแต่ละภูมิภาคได้ทั้งหมด
ดังนั้น โมเดลระดับภูมิภาคจึงทำหน้าที่สำคัญในการ “ปิดช่องว่าง” ทางภาษาและวัฒนธรรม ซึ่งกลายเป็นจิ๊กซอว์ชิ้นสำคัญที่แม้แต่บริษัทระดับโลกเองก็ยังให้ความสนใจและต้องการร่วมมือ เพราะช่วยทำให้ระบบนิเวศ AI ของพวกเขาสมบูรณ์และครอบคลุมยิ่งขึ้น
คำแนะนำสำหรับผู้นำองค์กรในการเลือกใช้เทคโนโลยี: ดร.เลสลี่ แนะนำให้ยึดหลัก “เลือกเครื่องมือที่ดีที่สุดสำหรับงานนั้น ๆ” โดยไม่ต้องยึดติดว่าจะต้องเป็น Open Source หรือบริการจาก OpenAI เพียงอย่างเดียว แต่ให้พิจารณาอย่างรอบคอบผ่านตะแกรงร่อน 2 มิติ คือ
- ข้อมูล (Data): ข้อมูลที่จะใช้นั้นมีความละเอียดอ่อนหรือสำคัญเพียงใด?
- ขีดความสามารถ (Capabilities): งานนั้นต้องการความสามารถที่เป็นหัวใจสำคัญของธุรกิจหรือไม่?
หากเป็น “ข้อมูลเชิงกลยุทธ์” หรือเป็น “ความสามารถหลัก” ที่สร้างความได้เปรียบให้ธุรกิจ องค์กรควรเก็บรักษา ควบคุม และพัฒนาโมเดลขึ้นมาเอง (Sovereign approach) แต่สำหรับเรื่องทั่วไปที่ไม่ใช่แก่นหลัก (Non-core) การเลือกใช้บริการสำเร็จรูปจากภายนอกย่อมเป็นทางเลือกที่คุ้มค่าและเหมาะสมกว่า
ความจริง: ระดับชาติคือ “ประถม” ระดับองค์กรคือ “ด็อกเตอร์”
ดร.เลสลี่ ได้เปรียบเทียบความแตกต่างที่ฟังดูขัดแย้งกับความรู้สึกทั่วไป แต่สะท้อนความจริงหน้างานว่า การสร้างโมเดลพื้นฐาน (Foundation Models) เปรียบเสมือนการเรียนชั้นประถม เพราะสิ่งที่เรากำลังสอน AI คือ “ความรู้สากล” ที่ทุกคนเห็นพ้องต้องกันและไม่มีข้อโต้แย้ง เช่น หลักภาษา คณิตศาสตร์ หรือความรู้ทั่วไป เหมือนเราสอนเด็กว่า 1+1=2 หรือไวยากรณ์ภาษาไทยเป็นอย่างไร ซึ่งเป็นเรื่องพื้นฐานที่ “เป็นเอกภาพ” (Homogeneous) และสรุปได้ง่าย
ในทางกลับกัน การนำ AI ไปใช้ในองค์กรกลับยากเหมือนการทำวิจัยปริญญาเอก เพราะเป็นเรื่อง “เฉพาะทางและซับซ้อน” (Specialized) ในแต่ละองค์กรหรือแผนกจะมีบริบท วิธีการทำงาน และความต้องการที่ไม่เหมือนกันเลย ผู้บริหารและพนักงานแต่ละคนต่างมีมุมมอง (Views) ของตัวเอง ทำให้หาข้อสรุปยาก เปรียบเสมือนการเจาะลึกในเรื่องที่ยังไม่มีคำตอบตายตัว และต้องอาศัยการถกเถียงเพื่อหาทางออกที่เหมาะสมที่สุดเฉพาะจุดนั้น ๆ
เมื่อโจทย์ยากระดับ “ปริญญาเอก” ปัจจัยความสำเร็จจึงประกอบด้วย 4 กุญแจสำคัญ ได้แก่
- มองให้ทะลุว่าเป็น “ปัญหาคน” (Human Problem): การนำ AI มาใช้มักล้มเหลวถ้ามองเป็นแค่โปรเจกต์ไอที เพราะด่านหินที่สุดคือ “การยอมรับของคน”
- ต้องมี “แม่ทัพ” ระดับสูง (Sponsorship): ความสำเร็จต้องการผู้บริหารระดับ C-Level ที่กล้าฟันธงและยอมรับความเสี่ยง ไม่ใช่ปล่อยให้เป็นหน้าที่ของฝ่ายเทคนิคเพียงลำพัง
- ยึด “โจทย์ธุรกิจ” เป็นตัวตั้ง: อย่าหลงใหลไปกับความล้ำของเทคโนโลยี แต่ต้องตอบให้ได้ว่า AI จะมาแก้ปัญหาธุรกิจตรงไหน
- ยอมทำ “งานที่น่าเบื่อ” (Boring Stuff): ความสำเร็จเกิดจากรากฐานที่คนมักมองข้าม เช่น การวางท่อส่งข้อมูล (Data Pipelines) และการกำกับดูแล ซึ่งขาดไม่ได้
แนะ SME: เริ่มที่โจทย์ และ Cloud First
สำหรับธุรกิจ SME และองค์กรที่กำลังตื่นตัว ดร.เลสลี่ เตือนสติว่า “AI ไม่ใช่ยาวิเศษ” (Silver Bullet) บ่อยครั้งปัญหาที่ธุรกิจเผชิญไม่ได้ต้องการ AI เข้ามาแก้ แต่เป็นปัญหาเรื่องกลยุทธ์ (Strategy) การเติบโต (Growth) หรือปัญหาเรื่องคน (People problem) ผู้ประกอบการต้องระลึกเสมอว่า AI เป็นเพียง “เครื่องมือ” (Tool) ชนิดหนึ่งเท่านั้น
ในแง่ของการลงทุนโครงสร้างพื้นฐาน องค์กรไม่ควรเร่งรีบลงทุนซื้อฮาร์ดแวร์ราคาแพงหรือสร้างระบบที่ซับซ้อนเกินความจำเป็น แต่ควร “เริ่มต้นที่ระบบคลาวด์” (Start in the cloud) เพื่อพิสูจน์ผลตอบแทนการลงทุน (ROI) และความชัดเจนของโมเดลธุรกิจ (Business Model) เสียก่อน เมื่อเห็นผลลัพธ์ที่คุ้มค่าแล้ว จึงค่อยขยับขยายไปสู่การปรับแต่งระบบ (Optimize) หรือลงทุนเพิ่มเติม เพราะในปัจจุบัน ทีมงานขนาดเล็กเพียง 2-3 คน ก็สามารถสร้างสิ่งที่เคยต้องใช้คน 30 คนทำได้แล้ว การสร้างให้เร็วและทดสอบให้ไว (Pragmatic route) จึงเป็นกลยุทธ์ที่เหมาะสมที่สุด
อนาคตปี 2026: ยุค Agentic และ Workflow
เมื่อมองไปข้างหน้าถึงปี 2026 และยุคต่อไป ดร.เลสลี่ ทำนายว่าเรากำลังจะก้าวเข้าสู่ยุคที่ “โมเดลไม่ใช่พระเอก” อีกต่อไป เพราะความแตกต่างระหว่างความสามารถของแต่ละโมเดลจะลดน้อยลงเรื่อย ๆ จนเหลือช่องว่างเพียง 5-10% เท่านั้น ทำให้คนจะเลิกสนใจว่าใช้โมเดลอะไร แต่จะหันไปให้ความสำคัญกับ “กระบวนการทำงาน” (Workflows) และ “ระบบ” (Systems) เพื่อแก้ปัญหาให้สำเร็จแทน
อนาคตของ AI จะมุ่งสู่รูปแบบ “Agentic” หรือระบบตัวแทนปัญญาประดิษฐ์ ที่สามารถเลือกหยิบใช้เครื่องมือที่เหมาะสมที่สุดมาแก้โจทย์เฉพาะหน้า โดยระบบนี้จะเป็น ระบบไฮบริดแบบกระจายศูนย์ (Decentralized Hybrid System) ที่มีการใช้งานหลายโมเดลและหลายเครื่องมือร่วมกันในระบบเดียว ตัวอย่างเช่น:
- งานการตลาด: อาจใช้ ChatGPT เพราะมีความคิดสร้างสรรค์สูง
- งานเขียนโค้ด: อาจสลับไปใช้ Claude ที่มีความแม่นยำด้านตรรกะ
- งานค้นหาข้อมูล: ใช้ Perplexity เพื่อความรวดเร็วและอ้างอิงแหล่งที่มา
- งานอ่านเอกสารภายใน: ใช้โมเดลขนาดเล็ก (Small Model) อย่าง Typhoon หรือ SEA-LION เพื่อความปลอดภัยของข้อมูล
ในโลกยุคใหม่นี้ ทักษะที่สำคัญที่สุดจะไม่ใช่การสร้างโมเดล แต่เป็น “การบริหารจัดการโมเดลจำนวนมาก” (Managing many models) และ “การประเมินผล” (Evaluating) ว่า Agent ตัวไหนทำงานได้ดีที่สุด องค์กรจะมี Workstation ส่วนตัวสำหรับรันงานบางอย่างที่ขอบข่ายเครือข่าย (Edge) เพื่อลดต้นทุนและรักษาความปลอดภัย ในขณะที่ยังคงเรียกใช้ระบบคลาวด์สำหรับงานอื่น ๆ ควบคู่กันไป
โจทย์หน้างานและกลยุทธ์ Co-develop
ดร.เลสลี่ ได้สะท้อนปัญหาหน้างานจริง (On-the-ground reality) ของนักพัฒนาในภูมิภาคเอเชียตะวันออกเฉียงใต้ และทางออกเชิงกลยุทธ์ไว้อย่างละเอียด:
อุปสรรคทางภูมิภาค: เครื่องมือใหม่ ๆ มักถูกปล่อยให้ใช้ในสหรัฐอเมริกาก่อน หรือเมื่อเปิดให้ใช้ก็มักเจอปัญหาการเชื่อมต่อ “Time Out” รวมถึงการเปลี่ยนแปลง API และคู่มือการใช้งาน (Documentation) ตลอดเวลา ซึ่งเป็นความเสี่ยงของการพึ่งพาภายนอกเพียงอย่างเดียว
ทางออกเรื่องความเร็ว (MIT Nanda Report): ดร.เลสลี่ อ้างถึงรายงานจาก MIT Nanda ที่ชี้ว่าองค์กรขนาดใหญ่มักขยับตัวช้าเกินไป (ใช้เวลาประเมินนานกว่าวงรอบการเกิดโมเดลใหม่) ทางออกคือการ “ร่วมพัฒนา” (Co-develop) กับสตาร์ตอัปที่มีความคล่องตัวสูงกว่า (เช่น SCBX ที่ถูกกล่าวถึงในบริบทนี้) เพื่อให้ก้าวทันเทคโนโลยีที่เปลี่ยนรายวัน
เลือกพาร์ตเนอร์ให้ถูกจุด (Cursor): ดร.เลสลี่ ยกตัวอย่างเรื่อง Cursor (เครื่องมือช่วยเขียนโค้ด) หากคุณเป็นบริษัทพัฒนาซอฟต์แวร์ การร่วมมือกับเครื่องมือเหล่านี้คือเรื่องจำเป็น แต่ถ้าคุณเป็นบริษัทการตลาด คุณอาจแค่ใช้เครื่องมือที่มีอยู่ทั่วไปก็เพียงพอ เพราะการเขียนโค้ดไม่ใช่ความสามารถหลัก
Responsible AI ที่ยืดหยุ่น
ในส่วนของ “AI ที่มีความรับผิดชอบ” (Responsible AI) นั้น องค์กรควรยึดหลักความยืดหยุ่นและปฏิบัติได้จริง หลีกเลี่ยงการสร้างกฎระเบียบที่ตึงตัวเกินไปจนไม่มีใครทำตามได้ แต่ควรแบ่งระดับการกำกับดูแลตามความเสี่ยงของกรณีการใช้งาน (Use Case) เช่น โมเดลที่ใช้ภายในอาจมีความเข้มงวดน้อยกว่าแชตบอทที่ให้บริการสาธารณะ และพร้อมที่จะปรับเปลี่ยนกฎเกณฑ์ตามเทคโนโลยีที่เปลี่ยนแปลงไป
ข่าวอื่น ๆ ที่น่าสนใจ
SCBX: ก้าวข้าม AI สู่ Quantum Ready เดิมพันอนาคตโลกการเงิน
Thailand Digital Outlook 2568: เน็ต-AI พุ่ง มุ่งแก้วิกฤติการแข่งขันและคน
