AI บนอุปกรณ์ส่วนตัวไม่ใช่อนาคตอีกต่อไป แต่เป็นปัจจุบัน
โมเดล AI บนอุปกรณ์ขอบเครือข่าย (AI models edge devices) คือการนำโมเดลภาษาขนาดเบาไปทำงานบนฮาร์ดแวร์ของผู้ใช้เอง เช่น แล็ปท็อป สมาร์ทโฟน หรือ Raspberry Pi เพื่อทำ local AI inference และสร้าง offline AI agents ที่ไม่ต้องเชื่อมต่อคลาวด์ตลอดเวลา ช่วยลดความหน่วง ปกป้องความเป็นส่วนตัว และตัดต้นทุนโครงสร้างพื้นฐานคลาวด์ลงอย่างเห็นได้ชัด พร้อมเปิดโอกาสให้อุปกรณ์ราคาปกติกลายเป็นผู้ช่วยอัจฉริยะทำงานอัตโนมัติในชีวิตประจำวันได้อย่างต่อเนื่อง ประเด็นสำคัญคือ เรากำลังย้ายจุดศูนย์กลางจากศูนย์ข้อมูลขนาดมหึมามาสู่อุปกรณ์ในมือเราเอง แนวโน้มนี้ผลักดันโดยสองแรงหลัก หนึ่งคือข้อจำกัดของคลาวด์ทั้งด้านความล่าช้าและข้อมูลละเอียดอ่อน สองคือการปรากฏตัวของโมเดลขนาด 2.6B–9B ที่ให้คุณภาพใกล้เคียงโมเดลใหญ่แต่ใช้ทรัพยากรน้อยมาก เมื่อผู้ใช้ทั่วไปเริ่มรัน LLM บนฮาร์ดแวร์ธรรมดาได้ ระบบ AI ก็ไม่ใช่บริการที่อยู่ห่างไกลอีกต่อไป แต่กลายเป็นฟีเจอร์พื้นฐานของทุกอุปกรณ์ส่วนตัว
Liquid AI และพลัง Raspberry Pi: โมเดลเล็กที่เร็วกว่าโมเดลยักษ์
การเปิดตัว LFM2.5-2.6B โดยสตาร์ทอัป Liquid ที่ก่อตั้งในปี 2023 เป็นสัญญาณชัดว่ายุคโมเดลเล็กกำลังมาถึง โมเดลนี้มี 2.6 พันล้านพารามิเตอร์ รองรับ context ยาวถึง 128,000 โทเคน และมีความสามารถเรียกใช้เครื่องมือ (tool calling) ในตัว ที่สำคัญคือมันรันได้ครบทั้งบนสมาร์ทโฟน แล็ปท็อป ไปจนถึง Raspberry Pi โดยไม่ต้องใช้คลาวด์หรือ GPU เลย นี่คือระดับของ lightweight LLM deployment ที่ก่อนหน้านี้ดูเหมือนเป็นไปไม่ได้สำหรับงานตัวแทนอัตโนมัติ Liquid ออกแบบสถาปัตยกรรม LFM2 ให้ทำงานดีบน CPU จริงมากกว่าการไล่คะแนนบน GPU ผลคือการทดสอบพบว่าบน Apple M5 Max โมเดลนี้ผลิตได้ประมาณ 220 โทเคนต่อวินาที และ 113 โทเคนต่อวินาทีบน AMD Ryzen AI Max+ 395 โดยใช้หน่วยความจำไม่ถึง 2.5GB และราว 30 โทเคนต่อวินาทีบนสมาร์ทโฟน ที่น่าจับตามองยิ่งกว่าคือบนเวิร์กโหลด agentic ที่ต้องเรียกเครื่องมือจำนวนมาก Atomic Chat พบว่า LFM2.5-2.6B ทำงานเร็วกว่า DeepSeek-V4-Flash ที่มี 284B พารามิเตอร์ถึง 3.7 เท่า นี่เป็นคำประกาศชัดเจนว่าพารามิเตอร์จำนวนมากไม่ใช่คำตอบเดียวของประสิทธิภาพอีกต่อไป
จากแล็ปท็อป 16GB ถึง Ornith 9B: โมเดลเล็กที่คิดได้แบบโมเดลใหญ่
กรณีของ Ornith 9B แสดงให้เห็นว่าการออกแบบการฝึกสอนสำคัญไม่แพ้ขนาดโมเดล ผู้ใช้ที่สร้างผู้ช่วยเสียงควบคุมสมาร์ทโฮมของตัวเองพยายามหาโมเดลที่รันออฟไลน์บนเครื่องส่วนตัว และพบว่า Ornith 9B ซึ่งเป็นสมาชิกที่เล็กที่สุดของตระกูล Ornith 1.0 กลับให้คำตอบใกล้เคียงโมเดล 35B แถมยังรองรับภาพอีกด้วย เคล็ดลับอยู่ที่สูตร reinforcement learning แบบ self-improving บนฐาน Qwen 3.5 ที่ทำให้โมเดลเรียนรู้การสร้างโครงงานแก้ปัญหาของตัวเอง แทนที่จะใช้วงวนเอเจนต์ที่มนุษย์เขียนตายตัว แม้ Ornith 9B ในความละเอียด bf16 จะต้องการหน่วยความจำราว 19GB และเหมาะกับ GPU 80GB สำหรับการรันแบบไม่บีบอัด แต่การใช้ไฟล์ quantized GGUF ทำให้เกิด lightweight LLM deployment ที่จับต้องได้จริง บีบระดับ Q4_K_M แล้วโมเดลจะเหลือประมาณ 5.6GB ซึ่งพอดีในงบ RAM 16GB บนแล็ปท็อปเมื่อเผื่อพื้นที่ให้ระบบปฏิบัติการและ context window ผลก็คือผู้ใช้ธรรมดาสามารถรันการเขียนโค้ดและงานวิเคราะห์ออฟไลน์ได้ลื่นไหลแม้ไม่มี GPU ระดับศูนย์ข้อมูล ซึ่งพลิกภาพเดิมที่ว่าการทำ local AI inference คุณภาพสูงเป็นเรื่องของเซิร์ฟเวอร์ราคาแพงเท่านั้น
โทรศัพท์ที่ควบคุมตัวเองได้: พลังของเอเจนต์ท้องถิ่นและการแยกชั้นโมเดล
สมาร์ทโฟนถูกมองว่าเป็นคอมพิวเตอร์ที่แย่ที่สุดสำหรับรันโมเดลภาษา แต่กลับเป็นอุปกรณ์ที่ดีที่สุดในแง่เซ็นเซอร์ ไฟล์ การแจ้งเตือน และการเข้าถึงผู้ใช้ แนวคิดของ RikkaHub Agent แก้ปัญหานี้ด้วยสถาปัตยกรรมที่เอเจนต์อยู่บนโทรศัพท์ ส่วนโมเดลจะอยู่ที่ไหนก็ได้ เช่น เซิร์ฟเวอร์ในบ้าน โดยโทรศัพท์ทำแค่รันลูป อ่านคำขอ เรียกเครื่องมือ และส่งผลลัพธ์กลับไปให้โมเดลโดยไม่ต้องทำ inference เองเลย นี่คือรูปแบบใหม่ของ AI models edge devices ที่ผสาน local AI inference บนเซิร์ฟเวอร์กับ offline AI agents บนอุปกรณ์เคลื่อนที่ เลเยอร์เอเจนต์นี้เพิ่มเครื่องมือกว่า 80 รายการให้โมเดลควบคุม เช่น แตะ ปัด เลื่อน พิมพ์ ถ่ายภาพหน้าจอ เปิดแอป อ่านสถานะแบตเตอรี่ เซ็นเซอร์ การแจ้งเตือน อ่านและส่ง SMS ลงชื่อด้วย Android Keystore และอีกมากมาย ผู้ทดสอบเล่าว่าโมเดลที่ใช้บ่อยคือ Qwen 3.6 27B แบบ dense ซึ่งถูกบีบเป็น Q4_K_M ทำให้พารามิเตอร์ 27 พันล้านเหลือไฟล์ราว 16GB หนึ่งในช่วงเวลาที่น่าจดจำคือเมื่อเอเจนต์ถามว่าให้ตั้งค่าเครื่องมือบางอย่างไหม และเมื่อได้รับคำตอบว่า “ใช่” มันก็ลง dependency ดึง repository และคอมไพล์ทั้งหมดใน Termux ด้วยตัวเอง สิ่งนี้แปลว่าธุรกรรมอัตโนมัติบนโทรศัพท์ไม่ต้องพึ่งคลาวด์อีกต่อไป และการควบคุมอุปกรณ์โดย AI จะค่อย ๆ กลายเป็นเรื่องธรรมดา
ทำไมการย้าย AI มาที่ขอบเครือข่ายถึงสำคัญต่ออนาคตผู้ใช้
กระแสการนำโมเดลขนาดเล็กมารันบนอุปกรณ์ผู้ใช้เองไม่ได้มุ่งแข่งกับโมเดลแนวหน้า แต่สร้างข้อเสนอใหม่ที่เน้นความหน่วงต่ำ ความเป็นส่วนตัว และต้นทุนโครงสร้างที่ต่ำกว่าแทน ในงานที่ต้องรันตลอดเวลา เช่น การจัดการเอกสาร ปฏิทิน งานอัตโนมัติ หรือเครื่องมือหลังบ้านในรถยนต์และหุ่นยนต์ การรอส่งข้อมูลขึ้นคลาวด์ก่อนคิดกลับมาไม่ใช่คำตอบที่ดี แนวคิดของผู้พัฒนา LFM2.5-2.6B จึงตรงไปตรงมา: “คุณควรใช้ edge AI เมื่อคุณไม่สามารถใช้โมเดลคลาวด์ได้” ประโยชน์ที่ผู้ใช้ทั่วไปสัมผัสได้มีทั้งการค้นหาไฟล์ล่าสุดบนโทรศัพท์ หรือให้เอเจนต์อ่านย่อหน้าแรกของเอกสารที่ไม่อยากเปิดเอง งานเหล่านี้ไม่ต้องการโมเดลระดับ frontier แต่ต้องการการเข้าถึงไฟล์และเซ็นเซอร์ที่โมเดลบนคลาวด์ไม่ควรมีสิทธิ์เข้าถึง เมื่อรวมกับโมเดลอย่าง Ornith 9B ที่ทำให้การเขียนโค้ดออฟไลน์บนเครื่องส่วนตัวเป็นเรื่องปกติ ตลอดจน Raspberry Pi AI อย่าง LFM2.5-2.6B ที่รันงานเอเจนต์ได้เต็มรูปแบบ ภาพใหญ่ชัดเจนว่าอนาคตของ AI จะไม่ได้อยู่แค่ในศูนย์ข้อมูล แต่วิ่งกระจายอยู่ในกระเป๋าเสื้อและบนโต๊ะทำงานของเราเอง การย้ายจุดประมวลผลมาที่ขอบเครือข่ายจึงไม่ใช่เทรนด์เท่านั้น แต่เป็นการเปลี่ยนดุลอำนาจจากผู้ให้บริการคลาวด์กลับสู่มือผู้ใช้
