AI บนอุปกรณ์พกพาคืออะไร และทำไมโมเดลเล็กถึงสำคัญกว่าโมเดลยักษ์
AI บนอุปกรณ์พกพา คือการนำโมเดล AI ขนาดเล็กไปประมวลผลโดยตรงบนสมาร์ทโฟน แล็ปท็อป หรือบอร์ดอย่าง Raspberry Pi โดยไม่ต้องพึ่งคลาวด์หรือ GPU ขนาดใหญ่ ทำให้แอปพลิเคชันฉลาดสามารถตอบสนองแบบเรียลไทม์ ประหยัดพลังงาน รักษาความเป็นส่วนตัวของข้อมูล และรองรับสภาพแวดล้อมที่สัญญาณอินเทอร์เน็ตไม่เสถียรได้ดีกว่าระบบที่ต้องต่อคลาวด์ตลอดเวลา
จุดเปลี่ยนสำคัญคือการพิสูจน์ว่าโมเดล AI ขนาดเล็กไม่ใช่ของเล่น แต่คือโครงสร้างใหม่ของ Edge AI inference ที่ทำงานได้จริงในโลกธุรกิจและอุปกรณ์ฝังตัว เมื่อโมเดลระดับไม่กี่พันล้านพารามิเตอร์ทำภารกิจซับซ้อนบน CPU ธรรมดาได้ เราควรถามกลับว่า: ยังจำเป็นแค่ไหนที่ทุกงานต้องโยนขึ้นคลาวด์และใช้โมเดลระดับยักษ์ที่กินพลังงานและต้นทุนมหาศาล
Liquid AI LFM2.5-2.6B: โมเดลเล็กที่ออกแบบมาสำหรับ Edge AI ตั้งแต่วันแรก
LFM2.5-2.6B เป็นโมเดลภาษา 2.6 พันล้านพารามิเตอร์ที่รองรับ context window ยาวถึง 128,000 token และมีความสามารถเรียกใช้เครื่องมือในตัว แนวคิดหลักคือ “ทำให้เล็กแต่ใช้งานจริงได้” ไม่ใช่แข่งกับโมเดลฟรอนเทียร์ที่ใหญ่ที่สุด บริษัทชี้ชัดว่าต้องการตอบโจทย์กรณีใช้งานที่แคร์ความหน่วง ความเป็นส่วนตัว ความยืดหยุ่นในการติดตั้ง และต้นทุนการ inference มากกว่าคะแนน benchmark สูงสุด.
สิ่งที่ทำให้โมเดลนี้ต่างจากโมเดลใหญ่แบบรวมทุกอย่าง คือ LFM2.5-2.6B เลือกทางเดินแคบแต่เฉียบคม เป็นโมเดลแบบ dense ที่รองรับเฉพาะข้อความและเน้นงานเชิง agent ขณะที่เวอร์ชันด้านภาพและเสียงถูกแยกออกเป็นโมเดลคนละตัว แทนที่จะพยายามยัดทุกอย่างไว้ใน checkpoint เดียว แนวทางนี้สะท้อนความเชื่อว่าความเล็กและเฉพาะทางคืออาวุธสำหรับ AI บนอุปกรณ์พกพา
ในแง่การฝึก โมเดลนี้ใช้ pipeline สี่ขั้น ได้แก่ supervised fine-tuning, teacher specialization ที่ฝึกโมเดลผู้เชี่ยวชาญด้านคำสั่ง คณิตศาสตร์ โค้ด และการใช้เครื่องมือ, multi-domain on-policy distillation เพื่อกลั่นรวมทักษะเหล่านั้นกลับสู่โมเดลนักเรียนหนึ่งตัว และปิดท้ายด้วย agentic reinforcement learning ที่ฝึกภายในกรอบงาน agent จริง. นี่ไม่ใช่โมเดลแชตทั่วไป แต่คือ “เครื่องยนต์ตัวเล็ก” สำหรับเอเจนต์ที่ต้องทำงานต่อเนื่องบนอุปกรณ์ปลายทาง
AI ไม่ต้องใช้ GPU: จาก Raspberry Pi ไปถึงสมาร์ทโฟนและระบบฝังตัว
จุดแข็งที่สุดของ LFM2.5-2.6B คือการออกแบบเพื่อให้วิ่งบน CPU โลกจริงไม่ใช่บน GPU ในศูนย์ข้อมูล โมเดลสามารถทำงานบนฮาร์ดแวร์ภายในเครื่องทั้งหมด ตั้งแต่สมาร์ทโฟน แล็ปท็อป ไปจนถึง Raspberry Pi โดยไม่ต้องพึ่งคลาวด์หรือ GPU ใดๆ. มีคำกล่าวที่น่าจดจำว่า “ตัวอย่างที่ดีที่สุดคือ Raspberry Pi” และมีเดโมหลายตัวที่แสดงว่าโมเดลทำงานได้รวดเร็วบนบอร์ดขนาดเล็กนี้.
มาตรฐานด้านประสิทธิภาพก็ไม่ด้อย สถิติที่บริษัทแจ้งคือ throughput ประมาณ 220 token ต่อวินาทีบนชิป Apple ระดับสูง และประมาณ 30 token ต่อวินาทีบนสมาร์ทโฟน ขณะใช้หน่วยความจำไม่ถึง 2.5 GB. ผู้ใช้ทั่วไปยังสามารถทดลองโมเดลนี้บนโทรศัพท์ผ่านแอป Apollo ที่ทำงานแบบ on-device. เมื่อ AI บนอุปกรณ์พกพาทำงานได้ลื่นไหลโดยไม่ต้องใช้ GPU ภาพของ AI “กินเครื่อง” ก็เริ่มจางลงอย่างชัดเจน
ใช้ทำอะไรได้จริง: จากงานเอกสาร ออโตเมชัน ไปถึงหุ่นยนต์และรถยนต์
LFM2.5-2.6B ถูกออกแบบให้เป็นหัวใจของ Edge AI inference สำหรับงาน agent ปริมาณสูง ที่รูปแบบงานชัดเจนและต้องทำซ้ำบนเครื่อง เช่น การเรียกใช้เครื่องมือ การจัดการเอกสาร การดูแลปฏิทินและ workflow automation และรูทีนเบื้องหลังที่ต้องทำงานตลอดเวลา. โมเดลจึงเหมาะกับสภาพแวดล้อมที่การเชื่อมต่อจำกัดอย่างยานยนต์หรือหุ่นยนต์มากกว่าบทสนทนาเล่นๆ.
สำหรับองค์กร มีคำอธิบายที่สำคัญว่า การเปิดตัวโมเดลนี้คือจุดเปลี่ยนว่าบริษัทควรใช้โมเดลเล็กทำอะไรได้บ้าง. แทนที่จะมองโมเดลเล็กเป็น “รุ่นประหยัด” เราควรเห็นว่าเป็นเครื่องมือหลักสำหรับงานที่ความหน่วงต่ำและความลับของข้อมูลสำคัญกว่า ส่วนด้านประสิทธิภาพในการใช้เครื่องมือจริง ก็มีการทดสอบโดยแพลตฟอร์มไคลเอนต์ AI รายหนึ่งพบว่า LFM2.5-2.6B ทำการเรียกเครื่องมือ 35 ครั้งเพื่อทำภารกิจสามชุดได้เร็วกว่าโมเดล DeepSeek-V4-Flash ถึง 3.7 เท่า. ตัวเลขนี้ไม่เพียงแสดงความเร็ว แต่ย้ำว่าการออกแบบเพื่อ agent ตั้งแต่ต้นมีผลจริงในโลกใช้งาน
บทเรียนจากชิป AI พลังเทียน LED: AI ประหยัดพลังงานคือเงื่อนไขใหม่ของโลกจริง
ฝั่งฮาร์ดแวร์ นักวิจัยจากสถาบันเทคโนโลยีแห่งหนึ่งได้พัฒนาชิป AI สำหรับหุ่นยนต์และโดรนขนาดเล็กที่ใช้พลังงานเพียงประมาณ 6 มิลลิวัตต์ ซึ่งใกล้เคียงกับหลอด LED ขนาดเล็ก แต่ยังสามารถสร้างแผนที่สามมิติแบบละเอียดของสภาพแวดล้อมรอบตัวแบบเรียลไทม์ เพื่อนำไปใช้วางเส้นทางหลีกเลี่ยงสิ่งกีดขวางได้. สิ่งนี้ชี้ว่าการประหยัดพลังงานไม่ใช่ “ของแถม” แต่เป็นข้อจำกัดจริงสำหรับ AI ในโลกกายภาพ
ทีมวิจัยใช้วิธีออกแบบอัลกอริทึมและฮาร์ดแวร์ไปพร้อมกัน เช่น เปลี่ยนจากการแบ่งพื้นที่เป็นโวเซลจำนวนมากมาใช้รูปทรงวงรีแบบ Gaussian เพื่อลดการใช้หน่วยความจำและพลังงาน เมื่อจับภาพนี้มาเทียบกับแนวคิดโมเดลเล็กอย่าง LFM2.5-2.6B เราเห็นแนวโน้มเดียวกัน: AI รุ่นใหม่ต้องประหยัดพลังงาน ใช้ทรัพยากรน้อย และเข้าไปอยู่ในอุปกรณ์ที่เคยคิดว่า “เล็กเกินไป” สำหรับ AI มาก่อน
อนาคตของ AI บนอุปกรณ์พกพา: เมื่อความเร็ว ความลับ และต้นทุนชนะขนาดโมเดล
ข้อได้เปรียบสำคัญของ Edge AI inference คือการตัดปัญหาความหน่วง ความเป็นส่วนตัว และการพึ่งพาคลาวด์ออกไปในคราวเดียว LFM2.5-2.6B ทำงานบนฮาร์ดแวร์ภายในเครื่องได้เต็มรูปแบบ ตั้งแต่สมาร์ทโฟนไปถึง Raspberry Pi โดยไม่ต้องเชื่อมต่อคลาวด์หรือใช้ GPU ทำให้เปิดทางให้แอปพลิเคชันที่องค์กรในอุตสาหกรรมที่มีกฎระเบียบเข้มงวดหรือมีข้อมูลอ่อนไหวไม่ต้องส่งข้อมูลขึ้นระบบภายนอก. นอกจากนี้ การที่โมเดลทำงานได้ด้วย “ต้นทุนเท่าค่าไฟ” ยังทำให้หลายธุรกิจมอง AI แบบ on-device เป็นตัวเลือกหลัก ไม่ใช่ทางเลือกเสริม.
สิ่งที่น่าจับตามองที่สุดคือเมื่อฝั่งโมเดลอย่าง LFM2.5-2.6B และฝั่งชิปที่ประหยัดพลังงานแบบชิปของหุ่นยนต์ขนาดเล็กเดินหน้าไปพร้อมกัน เราอาจเข้าสู่ยุคที่สมาร์ทโฟน แว่นอัจฉริยะ หุ่นยนต์ และยานยนต์ทำงานด้วย AI ไม่ต้องใช้ GPU และไม่ต้องพึ่งคลาวด์เป็นค่าเริ่มต้นอีกต่อไป โครงสร้างโลกดิจิทัลจะเปลี่ยนจาก “ศูนย์ข้อมูลเป็นศูนย์กลาง” ไปสู่ “อุปกรณ์ปลายทางเป็นศูนย์กลาง” และใครที่เข้าใจคุณค่าของโมเดล AI ขนาดเล็กวันนี้ จะได้เปรียบในการออกแบบระบบของวันพรุ่งนี้
