การมีคอมพิวเตอร์ประสิทธิภาพสูงเป็นเพียงจุดเริ่มต้น โจทย์ที่ใหญ่กว่าคือ ประเทศไทยจะเปลี่ยนพลังการประมวลผลเหล่านั้นให้กลายเป็นความสามารถในการทำวิจัย พัฒนาเทคโนโลยี และแก้ปัญหาของประเทศได้อย่างไร เพราะหากโครงสร้างพื้นฐานมีอยู่ แต่ไม่สามารถนำไปสร้างองค์ความรู้ เทคโนโลยี หรือการใช้งานที่ตอบโจทย์จริง คุณค่าของพลังคำนวณก็ยังไปไม่ถึงผลลัพธ์ระดับประเทศ
สองกรณีศึกษาจาก ดร.อุเทน แสวงวิทย์ รักษาการผู้จัดการศูนย์เทคโนโลยีสารสนเทศสถาบันวิจัยดาราศาสตร์แห่งชาติ (องค์การมหาชน) หรือ NARIT และ ดร.ชัยอนันต์ ดำรงรัตน์ นักวิจัยกลุ่มวิจัยปัญญาประดิษฐ์ ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติหรือ เนคเทค สวทช. ในหัวข้อ “From Infrastructure to National Impact: Turning Compute into Thailand’s Future” แสดงให้เห็นเส้นทางเดียวกันจากคนละมุม ตั้งแต่งานฟิสิกส์อนุภาคระดับโลก ไปจนถึงการสร้างโมเดลภาษาไทยและ Agentic AI ของประเทศ
สิ่งที่เชื่อมสองกรณีนี้เข้าด้วยกันคือ High Performance Computing หรือ HPC ไม่ได้ทำหน้าที่เป็นเพียงเครื่องมือคำนวณที่เร็วขึ้น แต่เปิดทางให้ประเทศไทยทำสิ่งที่ข้อจำกัดด้านทรัพยากรการประมวลผลเคยทำให้เป็นไปได้ยาก ตั้งแต่การออกแบบระบบสำหรับการทดลองระดับโลก ไปจนถึงการสร้างโมเดล AI ที่เข้าใจภาษาและบริบทของประเทศไทยมากขึ้น
HPC พานักวิจัยไทยสู่งานวิทยาศาสตร์ระดับโลก
ดร.อุเทน ยกโครงการ Jiangmen Underground Neutrino Observatory หรือ JUNO เป็นตัวอย่างของการใช้ HPC เพื่อเปิดโอกาสให้นักวิจัยไทยเข้าไปทำงานในโครงการวิทยาศาสตร์ระดับแนวหน้า โดยประเทศไทยรวมตัวกันในนาม Thai JUNO Consortium ซึ่งดำเนินงานมาประมาณ 10 ปี มี NARIT มหาวิทยาลัยเทคโนโลยีสุรนารี และจุฬาลงกรณ์มหาวิทยาลัย เข้าร่วมกับหน่วยงานวิจัยประมาณ 68 แห่ง จาก 16 ประเทศ
JUNO เป็นการทดลองที่ตั้งอยู่ใต้ดินลึกประมาณ 700 เมตรในประเทศจีน เพื่อศึกษานิวตริโน ซึ่งเป็นอนุภาคที่มีมวลน้อยมากและตรวจวัดได้ยาก โครงการต้องการศึกษาประเด็นสำคัญทางฟิสิกส์ เช่น Neutrino Mass Ordering รวมถึงการเปลี่ยนสถานะของนิวตริโน การทดลองจึงต้องใช้เครื่องตรวจวัดขนาดใหญ่และ Photomultiplier Tube หรือ PMT จำนวนประมาณ 40,000-50,000 ตัว เพื่อรับสัญญาณแสงที่เกิดขึ้นจากการตรวจจับนิวตริโน
โจทย์ที่ทีมไทยเข้าไปมีบทบาทเกิดขึ้นจากสนามแม่เหล็กโลกในบริเวณที่ตั้งการทดลอง ซึ่งส่งผลให้ประสิทธิภาพของ PMT ลดลงเหลือประมาณ 50% หากปล่อยให้สภาพดังกล่าวเกิดขึ้นต่อไป จำนวน PMT หลายหมื่นตัวที่ติดตั้งไว้ก็จะให้ประสิทธิภาพเสมือนมีเครื่องตรวจวัดอยู่เพียงประมาณครึ่งหนึ่งของจำนวนจริง
ทีมวิศวกรและนักวิจัยไทยจึงพัฒนาระบบ ThaiEMF เพื่อสร้างสนามแม่เหล็กสำหรับลดทอนผลกระทบจากสนามแม่เหล็กโลก โดยต้องออกแบบและปรับค่าระบบให้สามารถลดผลกระทบลงมาต่ำกว่า 10% งานส่วนนี้ต้องใช้ HPC ในการออกแบบและหาค่าที่เหมาะสม ก่อนนำไปสู่การสร้างระบบจริงที่ประกอบด้วยสายเคเบิลความยาวรวมประมาณ 33 กิโลเมตร รวมถึงระบบจ่ายไฟและองค์ประกอบที่เกี่ยวข้อง
สิ่งที่น่าสนใจจึงไม่ใช่เฉพาะความซับซ้อนของระบบ แต่เป็นผลที่ประเทศไทยได้รับจากการลงทุน ดร.อุเทน ระบุว่า งบลงทุนของฝ่ายไทยอยู่ที่ประมาณ 12 ล้านบาท หรือประมาณ 300,000 ดอลลาร์สหรัฐ ขณะที่การทดลองระดับนานาชาตินี้มีมูลค่าการลงทุนรวมหลายร้อยล้านดอลลาร์ เขาจึงมองการลงทุนของไทยในมิติของ “Leverage” ซึ่งทำให้ประเทศไทยสามารถเข้าไปมีส่วนร่วมกับโครงการวิทยาศาสตร์ขนาดใหญ่ในระดับที่สูงกว่ามูลค่าเงินลงทุนโดยตรงอย่างมาก
กรณีของ JUNO จึงทำให้เห็นความหมายของโครงสร้างพื้นฐานด้านการประมวลผลชัดขึ้น ประเทศไทยไม่จำเป็นต้องสร้างโครงการวิทยาศาสตร์ขนาดหลายร้อยล้านดอลลาร์ขึ้นมาทั้งหมดด้วยตัวเอง แต่สามารถใช้ความสามารถเฉพาะด้าน งานวิศวกรรม และพลังการประมวลผล เข้าไปแก้โจทย์สำคัญของโครงการ จนกลายเป็นส่วนหนึ่งของความร่วมมือระดับโลกได้
ข้อมูล 60 วันยกระดับความแม่นยำเหนือการทดลอง 10 ปี
หลังการก่อสร้างการทดลองเสร็จในปี 2024 โครงการเดินหน้าสู่ขั้นตอนเติมน้ำและ Liquid Scintillator ก่อนเริ่มเก็บข้อมูลจริง ผลที่เกิดขึ้นสะท้อนความละเอียดของระบบตรวจวัด เมื่อข้อมูลประมาณ 59-60 วัน สามารถช่วยปรับปรุงความแม่นยำในการวัดพารามิเตอร์ได้ดีขึ้นถึงสองเท่า เมื่อเทียบกับการทดลองก่อนหน้าที่ใช้เวลาประมาณ 10 ปี
ผลการศึกษาชุดแรกได้รับการตอบรับให้ตีพิมพ์ใน Nature และมีการอ้างอิงมากกว่า 100 ครั้งตามข้อมูลที่ ดร. ชอุเทน นำเสนอ สำหรับประเทศไทย ความสำคัญของผลลัพธ์นี้จึงอยู่ที่การแสดงให้เห็นว่า เมื่อนักวิจัยมีโครงสร้างพื้นฐานและทรัพยากรการประมวลผลรองรับ ก็สามารถเข้าไปทำงานร่วมกับเครือข่ายวิทยาศาสตร์ขนาดใหญ่ และมีส่วนร่วมกับงานวิจัยระดับแนวหน้าได้
กรณีของ JUNO ยังทำให้คำว่าโครงสร้างพื้นฐานมีความหมายมากกว่าการจัดหาเครื่อง HPC เพราะสิ่งที่เกิดขึ้นหลังจากมีเครื่อง คือความสามารถในการออกแบบ ทดลอง ปรับปรุง และสร้างองค์ความรู้ของคนในประเทศ หากขาดส่วนเหล่านี้ พลังคำนวณก็อาจหยุดอยู่เพียงทรัพยากรทางเทคนิคที่ยังไม่ถูกเปลี่ยนเป็นความสามารถของประเทศ
มี HPC อย่างเดียวยังไม่สร้างอธิปไตยทาง AI
เมื่อขยับจากงานวิทยาศาสตร์มาสู่ AI คำถามเรื่องการใช้ประโยชน์จากโครงสร้างพื้นฐานยิ่งชัดขึ้น ดร.ชัยอนันต์ อธิบายว่า การมีทรัพยากรประมวลผลอย่าง ThaiSC เป็นองค์ประกอบหนึ่งของการสร้างอธิปไตยทาง AI แต่การมี Compute เพียงอย่างเดียวยังไม่เพียงพอ ประเทศจำเป็นต้องมีโมเดล องค์ความรู้ และความรู้ในการสร้างโมเดลของตัวเองด้วย
เหตุผลคือ หากประเทศไทยอยู่ในสถานะผู้ใช้เทคโนโลยีจากต่างประเทศเพียงอย่างเดียว การเข้าถึงเทคโนโลยีเหล่านั้นอาจถูกจำกัดได้จากนโยบายของผู้ให้บริการ ความขัดแย้ง หรือปัจจัยอื่นที่ประเทศควบคุมไม่ได้ การมีโครงสร้างพื้นฐานอยู่ภายในประเทศจึงต้องเดินคู่กับความสามารถในการพัฒนาเทคโนโลยี ไม่เช่นนั้นประเทศไทยยังคงพึ่งพาความสามารถที่ผู้อื่นเป็นผู้กำหนดเงื่อนไขการเข้าถึง
ดร.ชัยอนันต์ อธิบายระดับของอธิปไตยทาง AI ตั้งแต่การใช้บริการของผู้อื่น การนำโมเดลแบบ Open Weight มาติดตั้งบนเซิร์ฟเวอร์ของตัวเอง การ Fine-tune โมเดล ไปจนถึง Continue Pretrain และการสร้างโมเดลขึ้นใหม่ตั้งแต่ต้น โดยโครงการ Thai LLM เลือกแนวทาง Continue Pretrain เพื่อเพิ่มความเข้าใจภาษาและบริบทของประเทศไทยเข้าไปในโมเดลพื้นฐาน
เหตุผลสำคัญมาจากข้อมูลที่ใช้ฝึก AI ระดับโลก ซึ่งข้อมูลภาษาไทยมีสัดส่วนน้อยกว่า 0.5% ทีมพัฒนาจึงใช้จุดแข็งจากการเข้าถึงข้อมูลภาษาไทย นำข้อมูลจากแหล่งต่าง ๆ ทั้งภาครัฐและเอกชนเข้ามาเพิ่มสัดส่วนภาษาไทยในการฝึกโมเดล โดยใช้ Qwen 3 เป็นโมเดลพื้นฐาน ผลที่ได้คือโมเดลที่มีความสามารถด้านภาษาไทยสูงขึ้นเมื่อเปรียบเทียบในขนาดเดียวกัน
จาก Thai LLM สู่ระบบนิเวศ AI ภาษาไทย
Thai LLM ยังเป็นเพียง Foundation Model ที่ทำให้โมเดลมีพื้นฐานภาษาไทยดีขึ้น หากต้องการนำไปใช้ถามตอบ สรุป หรือแปลภาษา ยังต้องผ่านการปรับแต่งเพิ่มเติม ขั้นตอนนี้นำไปสู่การทำงานของพันธมิตรหลายฝ่าย NECTEC พัฒนา “ปทุมมา” (Pathumma) สมาคมปัญญาประดิษฐ์พัฒนา OpenThaiGPT ขณะที่ SCB 10X พัฒนา “ไต้ฝุ่น” (Typhoon) และ KBTG พัฒนา “ทะเล” (THaLLE)
ภาพที่เกิดขึ้นจึงเป็นการใช้โครงสร้างพื้นฐานร่วมกันเป็นฐาน ก่อนกระจายไปสู่การพัฒนาโมเดลและบริการในรูปแบบต่าง ๆ แทนที่จะจบลงตรงการสร้างโมเดลภาษาไทยเพียงตัวเดียว ทีม NECTEC ยังนำปทุมมาไปพัฒนาบริการ AI สำหรับงานถามตอบ การสนทนากับเอกสาร การสร้างเอกสาร OCR และการถอดความเสียง เพื่อขยับจากการมีโมเดลไปสู่การใช้งานจริง
ทิศทางล่าสุดคือ Pathumma Connect ซึ่งเปิดตัวเมื่อวันที่ 15 กันยายนที่ผ่านมา และนำเทคโนโลยีเข้าสู่ Agentic AI ความแตกต่างจาก Generative AI ตามที่ ดร.ชัยอนันต์ อธิบาย คือ Generative AI สร้างเนื้อหาหรือตอบคำถามแล้วจบงาน ขณะที่ Agentic AI สามารถวางแผน ลงมือทำ ตรวจสอบผล แล้วกลับมาวางแผนใหม่เมื่อการดำเนินงานไม่เป็นไปตามเป้าหมาย โดยมีมนุษย์เข้ามายืนยันหรือปรับคำสั่งระหว่างกระบวนการ
Pathumma Connect พา AI จากตอบคำถามสู่ลงมือทำ
แนวคิดของ Pathumma Connect อยู่ที่การเชื่อม AI เข้ากับเครื่องมือ ความรู้ API และบริการของหน่วยงานต่าง ๆ เมื่อ AI สามารถเข้าถึงข้อมูลและเครื่องมือที่เกี่ยวข้องกับงานได้ ความสามารถของระบบจึงขยับจากการตอบคำถามไปสู่การช่วยจัดการโจทย์ที่มีหลายขั้นตอน
ตัวอย่างที่ทีมวิจัยกำลังมุ่งไปครอบคลุมตั้งแต่งานเกษตร ซึ่งมีข้อมูลดิน น้ำ อากาศ และราคาผลผลิต งานภาครัฐ เช่น OCR และการจัดซื้อจัดจ้าง ไปจนถึงการจัดการน้ำ ทั้งน้ำท่วม น้ำแล้ง และความเพียงพอของน้ำสำหรับการเกษตร รวมถึงการนำไปใช้เป็นผู้ช่วยภายในองค์กร โดยเชื่อมต่อกับองค์ความรู้และ API ที่องค์กรมีอยู่
เป้าหมายจึงไม่ได้หยุดอยู่ที่การทำให้ AI ภาษาไทยตอบคำถามได้ดีขึ้น แต่เป็นการสร้างระบบที่สามารถนำข้อมูลและเครื่องมือของประเทศไทยมาใช้ร่วมกัน หากหน่วยงานเปิด API และข้อมูลให้ระบบเชื่อมต่อได้มากขึ้น AI ก็สามารถนำข้อมูลจากหลายด้านมาประกอบการทำงานในโจทย์ที่กว้างขึ้นได้
จาก Compute สู่ขีดความสามารถของประเทศ
JUNO และ Thai LLM เป็นงานคนละสาขา แต่ให้ภาพของ HPC ในทิศทางเดียวกัน กรณีแรกใช้พลังคำนวณช่วยออกแบบระบบที่ทำให้นักวิจัยไทยเข้าไปเป็นส่วนหนึ่งของการทดลองฟิสิกส์ระดับโลก ส่วนกรณีหลังใช้ทรัพยากรประมวลผลสร้างโมเดลภาษาไทย ก่อนต่อยอดไปสู่บริการ AI และ Agentic AI ที่เชื่อมกับข้อมูลและเครื่องมือของหน่วยงานในประเทศ
จุดร่วมจึงไม่ได้อยู่ที่ว่าเครื่องคอมพิวเตอร์มีประสิทธิภาพสูงเพียงใด แต่อยู่ที่ประเทศไทยสามารถนำ Compute ไปสร้างองค์ความรู้ พัฒนาเทคโนโลยี และสร้างการใช้งานที่ตอบโจทย์จริงได้มากเพียงใด
โครงสร้างพื้นฐานเป็นฐานให้เริ่มต้น แต่ผลกระทบระดับประเทศเกิดขึ้นเมื่อมีนักวิจัย วิศวกร ข้อมูล องค์ความรู้ และความสามารถในการพัฒนาเทคโนโลยีทำงานอยู่บนโครงสร้างพื้นฐานนั้น ตั้งแต่ ThaiEMF ที่พาประเทศไทยเข้าไปมีบทบาทใน JUNO จนถึง Thai LLM และ Pathumma Connect ที่พยายามเปลี่ยน Compute ของ ThaiSC ให้กลายเป็นเทคโนโลยี AI ที่ประเทศไทยสามารถพัฒนาและนำไปใช้กับโจทย์ของตัวเองได้ นี่คือระยะทางจาก Infrastructure ไปสู่ National Impact ที่ไม่ได้วัดจากขนาดของเครื่อง แต่วัดจากสิ่งที่ประเทศสามารถสร้างขึ้นจากพลังคำนวณที่มีอยู่
ข่าวอื่น ๆ ที่น่าสนใจ
สุวิตา Tellscore ชี้ AI เปลี่ยน Creator Economy จาก Followers สู่ Trust–Data Signals
Tech for Thailand: เปลี่ยน R&D เป็นรายได้สร้างเครื่องยนต์เศรษฐกิจใหม่
