เมื่อ AI หลุดพ้นจากคลาวด์: หัวใจของโมเดล AI เบาและ LLM ในเครื่อง
โมเดล AI เบา คือโมเดลภาษาขนาดกะทัดรัดระดับ 2.6B–35B พารามิเตอร์ที่ถูกออกแบบให้ประมวลผล AI ท้องถิ่นบนอุปกรณ์ผู้ใช้ เช่น แล็ปท็อป สมาร์ทโฟน หรือบอร์ดขนาดเล็กได้โดยไม่ต้องพึ่งพาโครงสร้างคลาวด์หรือจีพียูประสิทธิภาพสูง ทำให้ Edge AI กลายเป็นทางเลือกจริงจังทั้งด้านความเร็ว ความเป็นส่วนตัว และต้นทุนการใช้งานสำหรับทั้งคนทั่วไปและองค์กรขนาดใหญ่
มุมมองสำคัญคือ เราควรหยุดคิดว่า AI ระดับสูงต้องรันบนศูนย์ข้อมูลขนาดยักษ์เท่านั้น ยุคของ LLM ในเครื่องกำลังแสดงให้เห็นว่า “ดีพอ ใช้ได้จริง และอยู่ใกล้ตัว” สำคัญกว่าการไล่คะแนนเบนช์มาร์กสูงสุดบนคลาวด์ โมเดลอย่าง LFM2.5-2.6B ถูกสร้างมาเพื่อให้รันได้ตั้งแต่สมาร์ทโฟน แล็ปท็อป ไปจนถึงบอร์ดขนาดเล็กโดยไม่ต้องใช้คลาวด์หรือจีพียูเลย พร้อมปลดล็อกแอปพลิเคชัน Edge AI สำหรับองค์กรที่ต้องรักษาข้อมูลอ่อนไหวไม่ให้หลุดขึ้นคลาวด์ แนวโน้มนี้คือการย้าย “สมอง” กลับมาที่ปลายทาง ไม่ใช่ย้ายทุกอย่างขึ้นศูนย์กลางอีกต่อไป
LFM2.5-2.6B: จากศูนย์ข้อมูลสู่ Raspberry Pi ทำไมเล็กแต่แรงจึงสำคัญ
จุดเปลี่ยนที่ชัดเจนของ Edge AI คือการมาถึงของ LFM2.5-2.6B โมเดลภาษา 2.6 พันล้านพารามิเตอร์ที่ออกแบบมาสำหรับงานเอเจนต์โดยเฉพาะ เช่น การเรียกใช้เครื่องมือ การจัดการเอกสาร ปฏิทิน เวิร์กโฟลว์ และงานเบื้องหลังที่รันต่อเนื่องบนเครื่องผู้ใช้ ทีมผู้พัฒนาออกแบบสถาปัตยกรรมให้เหมาะกับซีพียูในโลกจริง ไม่ใช่เพื่อโชว์ตัวเลขบนจีพียูเท่านั้น ทำให้มันรัน “ลื่น” ได้แม้บนฮาร์ดแวร์บ้านๆ
สิ่งที่น่าจับตาคือ โมเดลนี้รันได้ “ดีมาก” บน Raspberry Pi ตามเดโมที่ทีมพัฒนานำเสนอ โดยระบุชัดว่า Raspberry Pi คือกรณีตัวอย่างของฮาร์ดแวร์ขั้นต่ำที่ยังให้ประสบการณ์ที่ใช้ได้ และในการทดสอบโดยแพลตฟอร์มไคลเอนต์ AI ท้องถิ่น พบว่า LFM2.5-2.6B ทำภารกิจด้วยการเรียกใช้เครื่องมือ 35 ครั้งเพื่อทำ 3 งานต่อเนื่องเสร็จเร็วกว่า DeepSeek-V4-Flash ซึ่งมีขนาดถึง 284 พันล้านพารามิเตอร์ ถึง 3.7 เท่า นี่คือคำยืนยันว่าขนาดไม่ใช่ทุกอย่าง การออกแบบให้ตรงกับโจทย์คือสิ่งที่ชี้เป็นชี้ตายว่าคุณจะได้ AI ที่ใช้ได้จริงบนอุปกรณ์ราคาปกติหรือไม่
Ornith 9B: พลังระดับ 35B ในแล็ปท็อป 16GB พร้อมมองเห็นภาพ
ฝั่งแล็ปท็อป โมเดล Ornith 9B แสดงให้เห็นว่าคุณไม่จำเป็นต้องมีเซิร์ฟเวอร์ระดับองค์กรเพื่อให้ได้คุณภาพคำตอบใกล้โมเดล 35B อีกต่อไป ผู้ใช้รายหนึ่งทดสอบบนแล็ปท็อปส่วนตัวและพบว่า Ornith 9B แม้จะเป็นโมเดลที่เล็กที่สุดในตระกูล Ornith 1.0 แต่ให้คำตอบในระดับ “near-35B” แถมยังรองรับสื่อ เช่น ภาพอีกด้วย จุดเด่นไม่ได้อยู่ที่จำนวนพารามิเตอร์ แต่อยู่ที่สูตร reinforcement learning แบบ self-improving ที่ทำให้โมเดลเรียนรู้การวางโครงแก้ปัญหาเอง แทนการพึ่งลูปเอเจนต์ที่มนุษย์เขียนตายตัว
ในมุมการใช้งาน Ornith 9B ผ่านการ quantize แบบ Q4_K_M ทำให้ขนาดโมเดลเหลือราว 5.6GB พอดีตัวในแรม 16GB เมื่อต้องเผื่อพื้นที่ให้ระบบปฏิบัติการและ context window ที่สมเหตุสมผล นี่คือสมดุลทองของ AI บนแล็ปท็อป: ฉลาดเกือบระดับโมเดลยักษ์ แต่รันบนเครื่องทำงานมาตรฐานที่คนจำนวนมากมีอยู่แล้ว ความสามารถอ่านภาพยังเปิดประตูสู่งาน multimodal เช่น วิเคราะห์สไลด์ รายงาน หรือภาพหน้าจอ โดยไม่ต้องส่งข้อมูลขึ้นคลาวด์ ซึ่งเป็นประโยชน์มากสำหรับงานที่มีข้อมูลละเอียดอ่อน
มือถือที่ไม่ใช่แค่แชตบอต: เอเจนต์ท้องถิ่นที่ควบคุมเบราว์เซอร์ได้เอง
โทรศัพท์เคยเป็นเพียงหน้าต่างคุยกับโมเดลบนคลาวด์ แต่แนวคิดใหม่อย่างเอเจนต์บนมือถือที่เชื่อมต่อ LLM ในเครื่องหรือเซิร์ฟเวอร์ส่วนตัวกำลังเปลี่ยนมันให้กลายเป็นผู้ช่วยที่ “ทำงานแทน” ได้จริง ตัวอย่างหนึ่งคือการฟอร์กไคลเอนต์ Android ให้กลายเป็นเอเจนต์ที่ใช้โมเดลท้องถิ่น เช่น Qwen 3.6 ขนาด 27B, 35B หรือ Gemma 4 E2B แบบรันบนเครื่องเต็มๆ โดยที่มือถือเป็นฝั่งรันเอเจนต์ ส่วนโมเดลอาจอยู่บนเซิร์ฟเวอร์ในบ้าน
ชั้นเอเจนต์นี้เพิ่มชุดเครื่องมือบนเครื่องมากกว่า 80 อย่าง ตั้งแต่การแตะ เลื่อน พิมพ์ เปิดแอป อ่านการแจ้งเตือน ไปจนถึงเบราว์เซอร์ในแอปที่โมเดลควบคุมได้จากต้นทางถึงปลายทาง ในการใช้งานจริง ผู้ใช้สั่งให้เปิด Chrome เข้าเว็บข่าว แล้วเปิดบทความบนสุด เอเจนต์ก็เปิดหน้า ดูเนื้อหา เลือกข่าวนำ และสรุปหัวข้อกับชื่อผู้เขียนได้ถูกต้อง ทั้งหมดผ่านเบราว์เซอร์ที่มันควบคุมด้วยการเรียกใช้เครื่องมือเอง นี่คือการยืนยันว่า LLM ในเครื่องไม่ต้องหยุดอยู่ที่การตอบตัวหนังสือ แต่สามารถกลายเป็น “แรงงานดิจิทัล” ที่ลงมือคลิกแทนเราได้โดยตรง
ทำไมอนาคตของ AI ควรวิ่งมาที่ปลายทาง ไม่ใช่กลับขึ้นคลาวด์
สิ่งที่โมเดล AI เบาเหล่านี้พิสูจน์คือ Edge AI ไม่ได้เป็นแค่ของเล่นทดลอง แต่เป็นทางเลือกเชิงกลยุทธ์ที่จริงจัง การรันประมวลผล AI ท้องถิ่นบนสมาร์ทโฟน แล็ปท็อป หรือแม้แต่ Raspberry Pi ช่วยลดดีเลย์ ลดความเสี่ยงข้อมูลรั่ว และลดต้นทุนการใช้งานเมื่อเทียบกับโมเดลบนคลาวด์ โดยเฉพาะเมื่อโมเดลอย่าง LFM2.5-2.6B ถูกออกแบบมาสำหรับสถานการณ์ที่ความหน่วง ความเป็นส่วนตัว ความยืดหยุ่นด้านการติดตั้ง และต้นทุนอินเฟอเรนซ์สำคัญกว่าการเป็นแชมป์เบนช์มาร์ก แถมการรันเอเจนต์ที่มีประสิทธิภาพบนเครื่องต้นทุนต่ำในราคาประมาณค่าไฟยิ่งทำให้แนวทางนี้น่าดึงดูดสำหรับธุรกิจที่ต้องการสเกลงานอัตโนมัติ
คำถามจึงไม่ใช่ว่า “คลาวด์จะหายไปไหม” เพราะโมเดลใหญ่สุดยังจำเป็นบนคลาวด์อยู่ แต่คือเราจะยอมผูกทุกอย่างกับศูนย์ข้อมูลหรือไม่ ในโลกที่ Ornith 9B ให้พลังใกล้ 35B บนแล็ปท็อป 16GB พร้อมอ่านภาพ และเอเจนต์บนมือถือควบคุมเบราว์เซอร์เองผ่านโมเดลท้องถิ่นได้ การเพิกเฉยต่อ LLM ในเครื่องคือการเสียโอกาสเปลี่ยนอุปกรณ์รอบตัวให้กลายเป็นทีมงานดิจิทัลที่เชื่อถือได้ บทสรุปคือ ถึงเวลาคิดกลยุทธ์ AI แบบ “กระจายสมอง” ให้ปลายทางฉลาดขึ้น แทนที่จะยัดทุกอย่างกลับขึ้นไปบนคลาวด์อย่างเดียว
