ผู้นำ AI จริงคืออะไร และแตกต่างจากคนไล่ตามโมเดลอย่างไร
ผู้นำ AI จริง คือผู้บริหารที่ขับเคลื่อนวิสัยทัศน์ AI ด้วยตนเอง เชื่อมธุรกิจกับเทคโนโลยี ลงมือทำความเข้าใจระดับโค้ด และสร้างวัฒนธรรมการใช้งาน AI ในองค์กร ไม่ใช่เพียงอนุมัติโครงการหรือซื้อโมเดลล้ำสมัย แต่กำหนดทิศทาง ระบบ และทักษะให้ทีมสามารถพัฒนาและใช้งาน AI ได้อย่างยั่งยืนในระดับปฏิบัติการ
หัวใจของบทความนี้คือ การแยกคนที่แค่พูดเรื่อง AI ออกจากคนที่สร้างระบบ AI ขนาดใหญ่ที่ใช้งานได้จริงในโลกธุรกิจ ผู้นำแบบหลังไม่ได้เริ่มจากคำถามว่า “โมเดลไหนเจ๋งที่สุด” แต่เริ่มจาก “เราจะทำให้คนทั้งองค์กรใช้ AI ได้ทุกวันโดยไม่พังกลางทางได้อย่างไร” การใช้งาน AI ในองค์กรจึงไม่ใช่โครงการทดลองที่สวยหรู แต่กลายเป็นโครงสร้างการทำงานประจำวัน ที่ต้องคิดถึงประสิทธิภาพ ความหน่วง ความน่าเชื่อถือ และต้นทุนรวมทั้งหมดตั้งแต่วันแรก
กรณีของ Simon Loong ซีอีโอ WeLab เป็นตัวอย่างชัดเจนของผู้นำ AI จริง เขาไม่โยนเรื่อง AI ให้ CTO แต่รับบทผู้นำวาระ AI ด้วยตัวเอง พร้อมถึงขั้นเรียนเขียนโค้ดทั้งที่ไม่ได้มาจากสายเทคนิค เขามองว่าซีอีโอต้องเป็นคนขับเคลื่อน ไม่เช่นนั้น AI จะกลายเป็นแค่โปรเจกต์เทคโนโลยี หรือโปรเจกต์ธุรกิจที่ขาดความเข้าใจเชิงโครงสร้างจนขยายไม่ได้ แนวคิดนี้สะท้อนชัดว่าการยกเลิกความรับผิดชอบไปให้ฝ่ายเทคโนโลยีล้วน คือสูตรสำเร็จของความล้มเหลวในระยะยาว
ยกเพดานโมเดลหรือยกพื้นความรู้ AI ของทั้งองค์กร
องค์กรส่วนใหญ่ยังหมกมุ่นกับการ “อัปเกรดเพดาน” ไล่ตามโมเดลล่าสุด แต่ละเลยการ “ยกพื้น” ให้คนทั้งองค์กรเข้าใจและใช้ AI ได้จริง กรณีของ WeLab ชี้ให้เห็นว่าเมื่อซีอีโอเป็นคนประกาศ และลงมือขับเคลื่อนด้วยตัวเอง การใช้งาน AI ในองค์กรจะไม่หยุดอยู่ที่ฝ่ายไอที แต่กระจายลงมาถึงทุกระดับ Loong อธิบายว่าพอผู้นำเดินหน้าเต็มตัว มันส่งสัญญาณตรงว่า AI สำคัญ และทำให้ “ตั้งแต่บนลงล่าง ทุกคนจะได้ใช้มัน”
มุมมองนี้ตอกย้ำความต่างระหว่างองค์กรที่สร้างการเปลี่ยนแปลงจริง กับองค์กรที่เอา AI มาแปะชื่อโครงการ เขาชี้ว่าเมื่อปล่อยให้ CTO หรือหัวหน้าธุรกิจเป็นคนขับเอง โครงการมักกลายเป็นโปรเจกต์เทคโนโลยีล้วน หรือโปรเจกต์ธุรกิจที่ตัดขาดจากเทคโนโลยีที่จำเป็นต่อการสเกล ผลคือได้เดโมสวยแต่ระบบใช้จริงไม่ได้ หรือทำงานหนักเซิร์ฟเวอร์ล่มตั้งแต่ยังไม่ทันโต
บทเรียนสำหรับผู้นำคือ ต้องยอมรับว่า AI ไม่ใช่ “ของฝ่ายเทค” อีกต่อไป แต่เป็นภาษากลางใหม่ของทั้งองค์กร ซีอีโอไม่จำเป็นต้องเขียนโค้ดเก่งเท่าวิศวกร แต่การลงไปเรียนรู้ระดับโครงสร้างพื้นฐาน machine learning อย่างน้อยในเชิงแนวคิด จะทำให้การตัดสินใจด้านสินค้า กลยุทธ์ และการลงทุนโครงสร้างพื้นฐานไม่หลุดจากข้อจำกัดจริงของเทคโนโลยี และลดโอกาสพังตอนขยายสเกล
ผู้นำโครงสร้างพื้นฐาน AI สร้างระบบ AI ขนาดใหญ่เพื่อการใช้งานจริงอย่างไร
ฝั่งโครงสร้างพื้นฐาน machine learning กำลังมีการคิดแบบใหม่ที่ต่างจากการเอาเครื่องแรงมาถมอย่างเดียว Kismat Singh ผู้ร่วมก่อตั้ง MachGen AI ผ่านสนามจริงจากการสร้างแพลตฟอร์มการสรุปผลที่ NVIDIA และนำทีมซอฟต์แวร์ AI ที่ Intel ก่อนมาร่วมสร้างบริษัทโครงสร้างพื้นฐานที่โฟกัสการอนุมานและการปรับจูนสำหรับโมเดล diffusion โดยเฉพาะ แทนการฝืนใช้โครงสร้างที่ออกแบบมาสำหรับ LLM
สิ่งที่ผู้นำโครงสร้างพื้นฐาน AI แบบนี้ทำไม่ใช่การจูนทีละส่วน แต่คือการออกแบบระบบ AI ขนาดใหญ่แบบมองทั้งสแตก เขาปรับทั้ง attention ด้วยความแม่นยำต่ำและ attention แบบกระจาย พัฒนาเทคนิคการแคชที่ใช้ประโยชน์จากความซ้ำซ้อนเชิงพื้นที่และเวลา สร้างเคอร์เนล GPU เฉพาะสำหรับ diffusion และออกแบบการทำงานขนานที่ลดภาระการสื่อสาร เขาย้ำว่า attention การแคช เคอร์เนล การทำงานขนาน หน่วยความจำ และการจัดตาราง ล้วนส่งผลต่อกัน การปรับแค่ชั้นเดียวสุดท้ายจะสร้างคอขวดที่จุดอื่น การมองสแตกเป็นระบบครบวงจรจึงให้กำไรด้านประสิทธิภาพที่ใหญ่กว่า
แนวคิดนี้คือแก่นของการออกแบบโครงสร้างพื้นฐาน AI ที่พร้อมโลกจริง ไม่หลงคำว่า “โมเดลใหญ่” แต่ถามว่าเราจะให้ผู้ใช้ได้ประสบการณ์ที่เร็วพอ เชื่อถือได้ และต้นทุนคุมได้อย่างไร ในมุมของ Singh การเพิ่มประสิทธิภาพที่มีผลมากที่สุดมาจากการรวมการปรับปรุงหลายชั้นของสแตกเข้าด้วยกัน โดยอาศัยรูปแบบการคำนวณเฉพาะของ diffusion ที่แตกต่างจาก LLM อย่างสิ้นเชิง นี่คือวิธีคิดที่องค์กรควรลอกเลียน มากกว่าการหวังว่าบริการ API สำเร็จรูปจะตอบโจทย์ทุกอย่างตลอดไป
จากโครงสร้างพื้นฐานถึงประสบการณ์ผู้ใช้: กลยุทธ์ AI ปฏิบัติและผลกระทบที่จับต้องได้
การออกแบบระบบไม่ใช่เรื่องวิศวกรรมอย่างเดียว แต่โยงตรงไปถึงประสบการณ์ผู้ใช้และผลตอบแทนธุรกิจ Singh อธิบายว่าเมื่อการอนุมานของ AI เริ่มกระทบต่อประสบการณ์ลูกค้าหรือกำไร จุดนั้นเองที่การเพิ่มประสิทธิภาพการใช้ GPU กลายเป็นเรื่องกลยุทธ์ ไม่ใช่แค่การเปรียบเทียบราคาต่อการสร้างผ่าน API API แบบอเนกประสงค์เหมาะกับช่วงทดลองผลิตภัณฑ์ แต่ทันทีที่การสร้างภาพหรือวิดีโอกลายเป็นส่วนกลางของสินค้า ทีมต้องคิดเพิ่มเรื่องความหน่วง ความพร้อมรองรับการใช้งานพร้อมกัน คุณภาพ ความน่าเชื่อถือ และการใช้ GPU รวมทั้งหมดเป็นเศรษฐศาสตร์ชุดเดียวกัน
ตัวอย่าง Trusted TV แสดงให้เห็นผลกระทบเชิงปฏิบัติอย่างชัดเจน แพลตฟอร์มนี้ช่วยให้ธุรกิจขนาดเล็กสร้างโฆษณาทีวีด้วย AI โดยเจ้าของธุรกิจทำทุกอย่างจากสมาร์ตโฟนได้ภายในประมาณห้านาที และดูผลงานก่อนจ่ายเงินได้ เมื่อ MachGen ลดเวลาสร้างจากระดับหลายนาทีเหลือระดับวินาทีโดยไม่ลดคุณภาพ ทีม Trusted TV ถึงขั้นย้ายกระบวนการผลิตทั้งหมดมาใช้ภายในไม่ถึง 48 ชั่วโมง นี่คือจุดที่เทคโนโลยีโครงสร้างพื้นฐานแปลงตัวเองเป็นความได้เปรียบเชิงธุรกิจแบบทันตา
ผลที่เกิดกับผู้ใช้ปลายทางก็เปลี่ยนไป ไม่ใช่แค่มีโฆษณาถูกลง แต่รูปแบบการทำการตลาดทั้งชุดเปลี่ยนจากการทำโฆษณาทั่วไปเพียงหนึ่งหรือสองชิ้น มาเป็นการหมุนเวียนโฆษณาใหม่สองถึงสามชิ้นต่อสัปดาห์ ทดสอบครีเอทีฟกับกลุ่มผู้ชมต่างกัน และปรับต่อเนื่องแทนการตัดสินใจครั้งเดียว นี่คือภาพชัดว่าระบบ AI ที่ออกแบบมาดีส่งผลต่อพฤติกรรมผู้ใช้และรูปแบบธุรกิจอย่างไร ผู้นำ AI จริงจึงต้องคิดตั้งแต่ระดับเคอร์เนล GPU ไปจนถึงรูปแบบการทดลองทางการตลาดในโลกจริง
สมดุลระหว่างนวัตกรรมกับข้อจำกัดปฏิบัติการ: สูตรลับของผู้ก่อตั้งสายระบบ
คำถามสำคัญคือจะสร้างนวัตกรรม AI ไปพร้อมกับคุมความเสี่ยงเชิงปฏิบัติการอย่างไร Singh เลือกปัญหา diffusion inference เพราะเห็นพัฒนาการของสแตกนี้จากข้างใน ทั้งจากทีมแพลตฟอร์มการสรุปผลของ NVIDIA และโครงสร้างพื้นฐานการฝึกโมเดลขนาดใหญ่เบื้องหลัง PyTorch ที่ Meta เขาสรุปเหตุผลว่าจังหวะนี้เหมาะเพราะหนึ่ง โมเดลมีคุณภาพดีพอสำหรับสินค้าจริง สอง ปัญหาตรงกับทักษะที่ทั้งคู่ใช้เวลาฝึกมาทั้งอาชีพ และสาม ผลกระทบใหญ่พอจะสร้างบริษัทเจเนอเรชั่นใหม่ได้
มุมมองนี้สะท้อนสูตรของผู้ก่อตั้งสายระบบที่ดี นั่นคือไม่เริ่มจากฝันล้ำเกินสภาพแวดล้อม แต่เริ่มจากการประเมินว่าคุณภาพโมเดลตอนนี้ไปได้ไกลแค่ไหน ทักษะทีมเหมาะกับปัญหาแบบใด และถ้าแก้ได้แล้วโลกจะต่างไปเพียงใด สำหรับการใช้งานในผลิตภัณฑ์จริง เขาย้ำชัดว่า ความเร็ว ค่าใช้จ่าย และคุณภาพต้องเดินไปด้วยกัน ถ้าดีแค่อย่างเดียวแล้วเสียอีกสองอย่าง ระบบจะไม่รอดในโลกจริง
บทเรียนสำหรับองค์กรคือ อย่าเริ่มจากการตามโมเดลที่แรงที่สุด แต่ให้เริ่มจากการถามว่า เมื่อระบบนี้ถูกฝังลงไปในสินค้า เราจะรับมือกับความหน่วง การจราจรใช้งานจริง และการขยายสเกลได้อย่างไร ตั้งแต่การเลือกโครงสร้างพื้นฐาน machine learning ไปจนถึงการสร้างความรู้ AI ให้คนในองค์กรจับต้องได้ ทุกการตัดสินใจที่ “คิดเผื่อตอนสเกล” ตั้งแต่วันนี้ คือสิ่งที่แยกผู้นำ AI จริงออกจากคนที่ปล่อยให้ hype นำทาง เมื่อฝุ่น hype จางลง เหลืออยู่เพียงระบบที่ยังทำงานได้ และองค์กรที่กลายเป็น AI first โดยไม่ต้องประกาศ
