ไฮไลต์จากเวที AI Engineer ไม่ได้อยู่ที่แชตบอตใหม่ แต่เป็นการชี้ให้เห็นว่า Frontier AI กำลังก้าวข้ามกรอบเดิม Raia Hadsell จาก Google DeepMind นำเสนอ AI ที่เริ่ม “รับรู้โลก” “คาดการณ์โลก” และ “จำลองโลก” ได้จริง
นี่คือจุดเปลี่ยนสำหรับธุรกิจ โอกาสจาก AI ไม่ได้หยุดที่การลดเวลางานเอกสารอีกต่อไป แต่ขยายสู่การค้นหาข้อมูลข้ามสื่อ การพยากรณ์ระบบซับซ้อน และการสร้างประสบการณ์โต้ตอบรูปแบบใหม่
Step 1: Frontier AI ไม่ได้เท่ากับ LLM
Raia Hadsell ชี้ว่างานวิจัยของเธอมองข้ามไปถึงสถาปัตยกรรม AI ที่จะแก้ปัญหาซับซ้อนในโลกจริง นี่ท้าทายความเชื่อเดิมที่ว่า AI คือแชตบอต Frontier AI ของแท้ประกอบด้วยหลายเลเยอร์ เช่น การทำความเข้าใจข้อมูลหลายรูปแบบพร้อมกัน การคาดการณ์ระบบที่เปลี่ยนแปลงตลอดเวลา และการสร้าง World Model ที่โต้ตอบได้แบบ Real-time
หากแปลเป็นภาษาธุรกิจ นี่คือจุดเปลี่ยนจาก “AI ช่วยตอบ” ไปสู่ “AI ช่วยมอง” “AI ช่วยคาดการณ์” และ “AI ช่วยจำลองสถานการณ์” อินไซต์สำคัญคือแนวคิด Root Nodes หรือการแก้ปัญหาที่ต้นตอ แทนการซื้อ AI Tool มาแปะใน Workflow เดิมโดยไม่ได้ถามว่า Pain Point จริงอยู่ตรงไหน
Step 2: Embedding Models คือรากฐานสำคัญ
Raia ยกตัวอย่าง “Jennifer Aniston cells” จากประสาทวิทยา ซึ่งเปรียบเทียบได้กับ Embedding Model หน้าที่ของมันคือการแปลงข้อมูลให้อยู่ในรูป Semantic Representation ที่ระบบสามารถค้นหา เปรียบเทียบ และดึงกลับมาใช้ได้เร็ว เช่น Gemini Embeddings 2 ที่รวมข้อความ วิดีโอ เสียง และเอกสารใน Semantic Space เดียวกัน
สำหรับธุรกิจไทย นี่คือกุญแจสำคัญ เพราะข้อมูลองค์กรมักกระจายอยู่ในหลายรูปแบบ เช่น PDF, บันทึกการประชุม, ไฟล์เสียง และคลิปสาธิต Embedding จึงเป็นรากฐานที่สำคัญที่สุดของระบบ AI ในองค์กรสำหรับงาน Retrieval, Recommendation, Semantic Search และ Agent Workflow
อีกเทคนิคที่น่าสนใจคือการทำ Representation แบบหลายระดับมิติ ซึ่งอนุญาตให้ระบบเริ่มค้นหาแบบรวดเร็วด้วยเวกเตอร์ขนาดเล็กก่อน แล้วค่อยขยายความละเอียดเมื่อจำเป็น หากรากฐานชั้นนี้แข็งแรง ระบบที่ทำงานอยู่ด้านบนก็จะทรงประสิทธิภาพตามไปด้วย
Step 3: เรียนจาก AI พยากรณ์อากาศ ว่าคุณค่า AI ไม่ได้มีแค่สร้างคอนเทนต์
DeepMind เริ่มจากโจทย์ “AI จะพยากรณ์ฝนได้ดีกว่าโมเดลฟิสิกส์ดั้งเดิมหรือไม่” คำตอบคือ “ได้” GraphCast สามารถพยากรณ์สภาวะบรรยากาศล่วงหน้าได้ถึง 15 วัน และในกรณีพายุเฮอริเคน Lee สามารถทำนายตำแหน่งการขึ้นฝั่งได้แม่นยำล่วงหน้าถึง 9 วัน ซึ่งมากกว่าโมเดลมาตรฐาน 3 วัน
ต่อมาทีมพัฒนา GenCast ซึ่งเป็นโมเดลเชิงความน่าจะเพื่อสะท้อนความโกลาหลของสภาพอากาศ และ FGN ที่ยกระดับสู่การทำนายพายุไซโคลนโดยตรง ซึ่งถูกนำไปใช้งานจริงโดย US National Hurricane Center
อินไซต์ที่ควรเก็บเกี่ยวคือกรอบความคิดนี้: หากมีข้อมูลย้อนหลังจำนวนมาก หากระบบนั้นซับซ้อนและเปลี่ยนแปลงตามเวลา และหากการคาดการณ์ล่วงหน้ามีผลโดยตรงต่อการตัดสินใจ ระบบนั้นคือพื้นที่ที่ AI สามารถสร้างคุณค่ามหาศาลได้
อ่านต้นฉบับ:
