จากโลกที่หมกมุ่นกับโมเดล สู่โลกที่ชนะด้วยระบบ
การเปลี่ยนผ่านจากการพัฒนา AI แบบเน้นโมเดล เป็นการพัฒนาแบบเน้นระบบ หมายถึงการย้ายจุดสนใจจากการทำให้โมเดลใหญ่และฉลาดขึ้น ไปสู่การออกแบบสถาปัตยกรรมที่จัดการ context, memory, retrieval และการตรวจสอบได้ดี เพื่อให้ AI ทำงานได้อย่างน่าเชื่อถือในสภาพแวดล้อมการผลิตที่ซับซ้อนและเปลี่ยนแปลงตลอดเวลา แทนที่จะวัดความสำเร็จจากคะแนน benchmark เพียงอย่างเดียว เราต้องวัดจากผลลัพธ์ที่ผู้ใช้สัมผัสได้จริงในระบบ AI การผลิตที่ใช้งานทุกวัน. วันนี้เรากำลังดูสกอร์บอร์ดผิด เพราะทุกครั้งที่มีการเปิดตัวโมเดลใหม่ เรารีบเปรียบเทียบตัวเลข แต่ในโลกการใช้งานจริง ผลกระทบกลับลดลงตามที่นักลงทุนสาย AI อย่าง Rob May อธิบายว่า การปรับปรุงโมเดลให้ดีขึ้นกำลังให้ผลตอบแทนที่น้อยกว่าการปรับปรุงระบบที่รองรับโมเดลเหล่านั้น. แนวคิดนี้คือรากฐานของวิทยานิพนธ์ Post-Model World ที่เขาใช้ตั้งบริษัทและกรอบคิดการลงทุนด้าน AI ใหม่.
Post-Model World และการแตกตัวของโมเดล: รถดีไม่ได้วัดที่เครื่องยนต์อย่างเดียว
หัวใจของวิทยานิพนธ์ Post-Model World คือการยอมรับว่าโมเดล AI ยังสำคัญ แต่ไม่ใช่แหล่งความแตกต่างเชิงธุรกิจอีกต่อไป โมเดลกำลังกลายเป็น “ฐานราก ไม่ใช่ตัวสร้างความต่าง” และมูลค่าจริงย้ายไปอยู่ในระบบที่ใช้โมเดลได้อย่างมีประสิทธิภาพมากกว่า. Rob May สรุปสั้นๆ ว่า “โมเดลคือเครื่องยนต์ แต่ลูกค้าซื้อรถ” ซึ่งสะท้อนให้เห็นว่าองค์กรที่หมกมุ่นกับการเลือกโมเดล อาจกำลังละเลยการออกแบบระบบที่ผู้ใช้สัมผัส. ส่วนสำคัญของ Post-Model World คือแนวคิด “model fragmentation” การแตกโมเดลออกเป็นหลายตัวเล็กๆ และเฉพาะทาง แทนการหวังพึ่งโมเดลเดียวที่ใหญ่และแข็งตัว. เพื่อทดสอบแนวคิดนี้ เขาจึงก่อตั้ง Neurometric แพลตฟอร์ม automated token-engineering ที่ช่วยจัดสรรงานไปยังโมเดลหลายตัวอย่างชาญฉลาด. ด้วยผลงานการลงทุนในบริษัท AI กว่า 75 แห่ง แนวคิดทั้งหมดของเขาจึงไม่ได้มาจากทฤษฎีลอยๆ แต่จากประสบการณ์ภาคสนามที่ต่อเนื่องทั้งในฐานะผู้ลงทุนและผู้บริหาร.
ระบบ AI การผลิต: จากแชตบอทสาธิต สู่เครื่องมือที่ผู้ใช้พึ่งพาได้ทุกวัน
ถ้าอยากเข้าใจว่าทำไมระบบจึงสำคัญกว่าโมเดล ลองเทียบบริษัทสองแห่งที่ใช้โมเดลเดียวกัน โมเดลนั้นฉลาดพอที่จะเขียนโค้ดและตอบคำถามซับซ้อน แต่ Company A นำไปต่อกับแชตบอทง่ายๆ ผู้ใช้ถามแล้วได้คำตอบ แต่ทุกบทสนทนาเริ่มใหม่และความรู้จากการคุยครั้งก่อนหายไปหมด. ในทางกลับกัน Company B ใช้โมเดลเดียวกันแต่สร้างระบบที่จำปฏิสัมพันธ์ที่ผ่านมา ดึงข้อมูลที่ถูกต้องแทนการเดา ตรวจงานก่อนตอบ รู้ว่าเมื่อไรควรใช้เครื่องมือใด และส่งงานต่อให้คนเมื่อความมั่นใจต่ำ พร้อมเรียนรู้จาก feedback ของผู้ใช้เมื่อเวลาผ่านไป. ผลลัพธ์คืออะไร? ทั้งสองใช้ความฉลาดระดับเดียวกัน แต่ประสบการณ์ต่างกันคนละโลก ระบบของ Company A เป็นเพียงแชตบอทที่ผู้ใช้ทดลองเป็นครั้งคราว ในขณะที่ระบบของ Company B กลายเป็นสิ่งที่คนใช้พึ่งพาทุกวัน. ความต่างนี้ไม่ได้มาจากโมเดลที่ฉลาดกว่า แต่มาจากการออกแบบระบบ AI การผลิตที่ให้ความสำคัญกับ context, memory, retrieval, verification และการไหลของงานวิศวกรรมตั้งแต่ต้นจนจบ.
AI context memory retrieval: สถาปัตยกรรมที่สร้างมูลค่าจริงในระบบ AI การผลิต
เมื่อพูดถึง “ระบบ” ในโลก AI เรากำลังพูดถึงงานวิศวกรรม AI ขั้นสูง ที่เปลี่ยนโมเดลภาษาที่มีศักยภาพ ให้กลายเป็นเครื่องมือที่เชื่อถือได้ในการใช้งานจริง. แกนสำคัญของระบบเหล่านี้คือ AI context memory retrieval หรือการจัดการสามส่วนหลัก: context engineering ที่ประกอบข้อมูลให้ถูกต้องในเวลาที่เหมาะสม, retrieval ที่ค้นหาข้อมูลที่เกี่ยวข้องจากคลังความรู้ และ memory ที่จำเฉพาะสิ่งที่ควรจำในช่วงเวลาต่างๆ ตั้งแต่ไม่กี่นาทีไปจนถึงหลายเดือน. ถ้าระบบส่ง context ผิด ต่อให้โมเดลฉลาดแค่ไหนก็ยากที่จะตอบถูก การออกแบบ retrieval ที่ดี เช่น RAG ช่วยลดการ hallucinate ไม่ใช่เพราะโมเดลฉลาดขึ้น แต่เพราะระบบส่งข้อมูลที่ถูกต้องก่อนโมเดลสร้างคำตอบ. แนวโน้มสำคัญอื่นๆ ยังรวมถึงการตรวจสอบคำตอบ (verification layer) การเรียกใช้เครื่องมือและ API อย่างมีวินัย และการมี observability และ logging ที่บอกได้ว่าเกิดอะไรขึ้นในแต่ละคำตอบของระบบ AI การผลิต. นี่คือพื้นที่ที่การพัฒนาระบบให้ก้าวหน้า ส่งผลต่อผู้ใช้มากกว่าการไล่โมเดลรุ่นใหม่ที่ทำคะแนนดีขึ้นเล็กน้อย.
บทบาทผู้นำ: มอง AI เป็นโจทย์ระบบ ไม่ใช่แค่การติดตั้งเทคโนโลยี
จุดพลิกเกมของ AI ในองค์กรอาจไม่ใช่การมีโมเดลที่ทันสมัยที่สุด แต่คือการที่ผู้นำเข้าใจว่า AI คือโจทย์ด้านระบบและวิศวกรรม ไม่ใช่แค่การติดตั้งเทคโนโลยีหนึ่งชิ้นแล้วจบ สำหรับระบบ AI การผลิต ภาพงานไม่ได้จบที่ “ผู้ใช้ → โมเดล → คำตอบ” อีกต่อไป แต่ต้องผ่านขั้นตอนย่อยอย่าง context assembly, retrieval, memory, verification, tool orchestration และ observability ก่อนถึงคำตอบสุดท้าย. องค์กรส่วนใหญ่ไม่มีทางแข่งด้านการเทรนโมเดลกับห้องทดลองที่ลงทุนมหาศาล แต่ทุกทีมวิศวกรรมมีโอกาสสร้างระบบที่ดีขึ้นได้ ซึ่งจะกลายเป็นข้อได้เปรียบระยะยาว. Rob May เองยังเดินหน้าขยายแนวคิดเรื่อง model fragmentation และ Post-Model World ผ่านงานเขียน หนังสือที่ 90% มาจากการเขียนของมนุษย์ และ 10% จากบทที่ใช้ LLM เพื่อให้ผู้อ่านเห็นสภาพจริงของเทคโนโลยีวันนี้. พร้อมทั้งวางแผนเผยแพร่บทวิเคราะห์ตลาดสาธารณะเพิ่มขึ้นในฐานะทั้งผู้ดำเนินงานและนักลงทุน. หากผู้นำยังมอง AI เป็นแค่การ “เลือกโมเดลและติดตั้ง” องค์กรนั้นก็จะติดอยู่ในยุคสาธิต ขณะที่คู่แข่งกำลังก้าวสู่ยุคระบบที่สร้างผลลัพธ์ธุรกิจจับต้องได้.
