สรุปจากคลิป ดูคลิปต้นฉบับ

Open Mythos คืออะไร และทำไมธุรกิจเล็กควรจับตา

มีสัญญาณหนึ่งที่น่าสนใจกำลังเกิดขึ้นในโลก AI คือความได้เปรียบอาจไม่ได้อยู่ที่การมี model ใหญ่ที่สุดอีกต่อไป แต่อยู่ที่การใช้โครงสร้างที่ฉลาดกว่า รันได้ถูกกว่า และคุมระบบเองได้มากกว่า คลิปจากช่อง Julian Goldie SEO หยิบเรื่องนี้มาเล่าผ่านโปรเจกต์ชื่อ Open Mythos ซึ่งถูกนำเสนอว่าเป็นการลองสร้างสถาปัตยกรรมของ model ลับจาก Anthropic ขึ้นมาใหม่แบบ open source

ประเด็นสำคัญไม่ได้อยู่แค่ความ “ลับ” หรือความ “ไวรัล” ของโปรเจกต์นี้ แต่อยู่ที่แนวคิดเบื้องหลังที่ชื่อว่า recurrent depth transformer หรือ model ที่วนคิดซ้ำเพื่อเพิ่มความลึกในการให้เหตุผลแทนที่จะเพิ่มขนาดอย่างเดียว ถ้ามองจากมุมเจ้าของธุรกิจและคนทำงาน เรื่องนี้น่าสนใจมาก เพราะมันแตะคำถามใหญ่ตรงๆ ว่า เราจะใช้ AI ที่เก่งพอ โดยไม่ต้องพึ่งระบบแพงและปิดตายจากผู้ให้บริการรายใหญ่ได้หรือเปล่า

สารบัญ

• Step 1: ทำความเข้าใจก่อนว่า Open Mythos คืออะไร
• Step 2: เข้าใจปัญหาเดิมของ AI ก่อนว่าแพงเพราะอะไร
• Step 3: เรียนรู้แนวคิด recurrent depth transformer ให้เข้าใจแบบไม่ต้องเป็น developer
• Step 4: แยกให้ออกระหว่าง “งานวิจัยที่น่าตื่นเต้น” กับ “ของพร้อมใช้ในธุรกิจ”
• Step 5: มองให้ออกว่าทำไม Open Mythos ถึงถูกพูดถึงมาก
• Step 6: แปลสิ่งนี้เป็นภาพใช้งานจริงสำหรับธุรกิจไทย
• Step 7: ประเมินข้อดีและข้อจำกัดแบบไม่อวยเกินไป
• Step 8: Actionable Insights สำหรับเจ้าของธุรกิจและคนทำงาน
• Step 9: Troubleshooting ปัญหาที่มักเจอเมื่อพยายามเอาแนวคิดนี้ไปใช้
• Step 10: การต่อยอดที่น่าทำหลังจากเข้าใจ Open Mythos
• Step 11: สรุป Checklist ทั้งหมด

Step 1: ทำความเข้าใจก่อนว่า Open Mythos คืออะไร

Open Mythos คือโปรเจกต์ PyTorch แบบ open source ที่ Kai Gomez ปล่อยบน GitHub ในเดือนเมษายน 2026 จุดขายของมันคือการพยายาม “จำลองแนวคิด” ของสถาปัตยกรรมที่ถูกพูดถึงในชื่อ Claude Mythos ของ Anthropic แม้จะไม่ได้มี access ถึงโค้ดจริง, weights จริง หรือข้อมูลฝึกจริงของฝั่ง Anthropic เลยก็ตาม

จุดนี้ต้องพูดให้ชัด เพราะในคลิปเองก็ย้ำไว้ชัดเหมือนกันว่า นี่ไม่ใช่ model จริงจาก Anthropic และไม่ควรตีความว่า Open Mythos จะมีความสามารถเทียบเท่า model ปิดที่ยังไม่ถูกเปิดเผย มันคือ “ข้อสันนิษฐานที่ฉลาด” ที่ถูกแปลงเป็นโค้ดเพื่อให้ชุมชนลองรัน ลองแก้ และลองต่อยอดได้

มุมที่น่าสนใจสำหรับคนทำธุรกิจคือ บางครั้งสิ่งที่มีค่ามากที่สุดไม่ใช่ของที่ “ดีที่สุดในตลาด” แต่เป็นของที่ เปิดให้ทดลองได้จริง ถ้าเครื่องมือหนึ่งช่วยให้เราเรียนรู้แนวโน้มใหม่ของ AI ได้เร็วกว่าเดิม เราอาจได้เปรียบคนที่ยังรอใช้แต่ของสำเร็จรูปจากบริษัทใหญ่

Step 2: เข้าใจปัญหาเดิมของ AI ก่อนว่าแพงเพราะอะไร

เหตุผลที่หลายธุรกิจยังใช้ AI ได้ไม่เต็มที่ ไม่ใช่เพราะไม่อยากใช้ แต่เพราะต้นทุนมันคุมยาก ยิ่ง model ใหญ่ ยิ่งใช้เครื่องแรง ยิ่งเสียค่า API สูง และยิ่งผูกกับผู้ให้บริการมากขึ้น

โครงสร้างแบบเดิมของ transformer ทำงานโดยรับ prompt เข้าไป ผ่านชั้นการประมวลผลจำนวนมากทีละชั้น แล้วค่อยได้คำตอบออกมา วิธีนี้ทำให้ model เก่งขึ้นได้ด้วยการเพิ่มจำนวนชั้นและจำนวนพารามิเตอร์ แต่ผลข้างเคียงก็คือค่าใช้จ่ายสูงขึ้นตามไปด้วย

ในโลกธุรกิจไทย ปัญหานี้เห็นชัดมาก โดยเฉพาะกับทีมเล็ก เช่น

• เอเจนซีที่ต้องสร้างคอนเทนต์จำนวนมากทุกวัน
• ร้านค้าออนไลน์ที่ต้องตอบแชตและจัดหมวดหมู่คำถามลูกค้า
• บริษัทบริการที่อยากสรุปข้อมูลลูกค้าและทำ follow-up อัตโนมัติ

ถ้าทุกอย่างต้องวิ่งผ่าน API ราคาแพงทุกครั้ง ต้นทุนจะสะสมเร็วมาก และยิ่งใช้งานกับข้อมูลภายในบริษัท ความกังวลเรื่องความเป็นส่วนตัวก็ยิ่งเพิ่มขึ้น

นี่คือเหตุผลที่คลิปพยายามชี้ว่า Open Mythos ไม่ได้สำคัญเพราะเป็นของใหม่เฉยๆ แต่มันสะท้อนแนวทางใหม่ของการสร้าง AI ที่พยายามลดการพึ่ง “ขนาด” แล้วเพิ่ม “วิธีคิด” แทน

Step 3: เรียนรู้แนวคิด recurrent depth transformer ให้เข้าใจแบบไม่ต้องเป็น developer

หัวใจของ Open Mythos คือแนวคิด recurrent depth transformer ฟังชื่ออาจยาก แต่ถ้าอธิบายแบบง่ายที่สุด มันคือ model ที่ไม่ได้วิ่งผ่านชั้นประมวลผลครั้งเดียวแล้วจบ แต่มันสามารถ วนกลับไปผ่านชุดชั้นเดิมซ้ำหลายรอบ เพื่อคิดต่อให้ลึกขึ้น

ลองนึกภาพการทำงานของคน เวลาเจอโจทย์ง่าย เราอาจตอบได้ทันที แต่เวลาเจอโจทย์ยาก เรามักต้องคิดรอบแรกก่อน แล้วกลับมาทบทวนใหม่อีกรอบ สถาปัตยกรรมแบบนี้พยายามเลียนหลักการนั้น

ข้อดีคือ model ไม่จำเป็นต้องมีพารามิเตอร์มหาศาลตั้งแต่ต้น เพราะมันใช้ “เวลาในการคิด” เข้ามาช่วยเพิ่มความสามารถในการให้เหตุผลแทนที่จะเพิ่ม “ขนาด” อย่างเดียว

คลิปยกแนวคิดสำคัญไว้ชัดมากว่า คำถามง่ายอาจใช้แค่ 1 loop แต่คำถามยากอาจใช้ 10 loops นี่คือสิ่งที่เรียกว่า adaptive compute หรือใช้ทรัพยากรตามความยากของงาน

ถ้ามองจากฝั่งธุรกิจ แนวคิดนี้มีความหมายมาก เพราะงานจริงในบริษัทไม่ได้หนักเท่ากันทุกเคส เช่น

• สรุปอีเมลสั้นๆ อาจใช้การประมวลผลง่าย
• วิเคราะห์ complaint ของลูกค้าและหาสาเหตุซ้ำซ้อน อาจต้องใช้ reasoning มากขึ้น
• จัดลำดับความสำคัญของ lead จากหลายปัจจัย อาจต้องให้ model “คิด” นานขึ้น

ถ้า AI ปรับระดับการใช้ทรัพยากรตามประเภทงานได้จริง ต้นทุนก็มีโอกาสลดลงโดยไม่เสียคุณภาพมากเท่าการใช้ model ใหญ่ตัวเดียวครอบทุกงาน

Step 4: แยกให้ออกระหว่าง “งานวิจัยที่น่าตื่นเต้น” กับ “ของพร้อมใช้ในธุรกิจ”

ตรงนี้เป็นส่วนที่ควรวิเคราะห์เพิ่มจากคลิป เพราะคำว่า open source กับคำว่าใช้งานได้จริงในธุรกิจ ไม่ได้แปลว่าเป็นเรื่องเดียวกัน

Open Mythos มีคุณค่ามากในฐานะ research playground หรือสนามทดลองของไอเดียใหม่ เราสามารถเห็นโค้ดจริง เห็นแนวทางการวน loop และเข้าใจว่าชุมชนกำลังมองระยะถัดไปของ model อย่างไร แต่สำหรับเจ้าของธุรกิจส่วนใหญ่ สิ่งที่ต้องถามต่อคือ

• มันเสถียรพอสำหรับงานจริงหรือยัง
• มีเครื่องมือให้ต่อกับ workflow ที่ใช้อยู่หรือไม่
• ทีมมีความพร้อมพอจะดูแลระบบเองไหม
• ถ้า model ตอบผิด ใครจะรับผิดชอบผลลัพธ์นั้น

ดังนั้น ถ้าใครอ่านข่าวลักษณะนี้แล้วรีบสรุปว่า “งั้นเลิกใช้ API เจ้าใหญ่ได้เลย” อาจเร็วเกินไป มุมที่สมเหตุสมผลกว่าคือ Open Mythos เป็นสัญญาณว่า ฝั่ง open source กำลังไล่ทันเร็วขึ้น และกำลังผลักให้แนวคิดใหม่ๆ หลุดออกจากห้องแล็บมาสู่คนทั่วไปเร็วกว่าเดิม

สำหรับธุรกิจไทย สิ่งที่ควรทำไม่ใช่รีบย้ายทุกระบบ แต่ควรเริ่มจากการติดตามว่า architecture แบบนี้จะพัฒนาไปถึงจุดที่เอามาใช้กับงานเฉพาะทางได้เมื่อไร เช่น ระบบสรุปเอกสารภายใน ระบบค้นหาความรู้ในบริษัท หรือ workflow คัดกรองคำถามลูกค้า

Step 5: มองให้ออกว่าทำไม Open Mythos ถึงถูกพูดถึงมาก

อีกปัจจัยที่ทำให้โปรเจกต์นี้ถูกจับตา คือคนทำอย่าง Kai Gomez มีภาพจำเรื่องการหยิบไอเดียวิจัยที่ซับซ้อนมาทำให้รันได้จริงบนโค้ดที่คนทั่วไปเข้าถึงได้ง่ายขึ้น นี่สำคัญมาก เพราะในโลก AI ช่วงหลัง ปัญหาไม่ได้มีแค่เทคโนโลยี แต่มีเรื่อง “ใครเปิดให้ลองใช้” ด้วย

ความนิยมของ Open Mythos ที่ขึ้นดาวบน GitHub อย่างรวดเร็วสะท้อน 3 เรื่องพร้อมกัน

1. ตลาดเริ่มอิ่มกับ model ปิดที่ตรวจสอบข้างในไม่ได้
2. หลายทีมเริ่มกังวลเรื่องราคา API ที่ขยับขึ้นเรื่อยๆ
3. คนจำนวนมากอยากมีระบบที่ fork ได้ ปรับได้ และถือครองได้เอง

ถ้ามองให้ไกลกว่าตัวโปรเจกต์เดียว นี่คือแรงกดดันต่อบริษัท AI รายใหญ่ด้วย เพราะทุกครั้งที่ community สร้างของใกล้เคียงได้ แม้จะยังไม่เก่งเท่า แต่ก็ทำให้ผู้ใช้มีทางเลือกมากขึ้น

Step 6: แปลสิ่งนี้เป็นภาพใช้งานจริงสำหรับธุรกิจไทย

คลิปยกตัวอย่างไว้หลายแบบ เช่น เขียนบทความ, ทำระบบตอบลูกค้า, ประมวลผลงาน support ตอนกลางคืน หรือสร้าง content pipeline บนเครื่องของตัวเอง ประเด็นเหล่านี้ถ้านำมาแปลเป็นภาพของธุรกิจไทย จะเห็นโอกาสที่จับต้องได้มากขึ้น

ตัวอย่างที่ 1: ธุรกิจบริการและเอเจนซี

ใช้ model local ช่วยสรุป brief ลูกค้า, แปลงบันทึกประชุมเป็นรายการงาน, ร่างอีเมลติดตามงาน และคัดแยกงานด่วนกับงานทั่วไป ถ้า workflow เหล่านี้รันภายในองค์กรได้ ข้อมูลลูกค้าก็ไม่ต้องถูกส่งออกไปทุกครั้ง

ตัวอย่างที่ 2: ร้านค้าออนไลน์

นำ AI มาช่วยจัดหมวดหมู่คำถามลูกค้า เช่น เรื่องจัดส่ง, การคืนสินค้า, การชำระเงิน หรือรีวิวเชิงลบ จากนั้นโยนต่อให้ทีมงานที่เกี่ยวข้อง วิธีนี้ไม่ได้แทนแอดมินทั้งหมด แต่ลดงานซ้ำๆ ได้มาก

ตัวอย่างที่ 3: ทีมคอนเทนต์

ใช้ model ช่วยร่างโครงบทความ, สรุปข้อมูลจากเอกสารจำนวนมาก, ทำ FAQ และแปลงข้อมูลเดิมเป็นหลาย format เช่น โพสต์สั้น, อีเมล, หรือสคริปต์วิดีโอ ถ้าใช้ model ที่คุมได้เอง ก็มีอิสระในการออกแบบ prompt และกติกาภายในมากกว่าเดิม

อย่างไรก็ตาม ต้องเน้นว่าภาพเหล่านี้เป็น ทิศทาง มากกว่าการรับประกันว่า Open Mythos เวอร์ชันปัจจุบันพร้อมทำทั้งหมดนี้ทันที ความต่างระหว่าง “ทำได้ในเดโม” กับ “รันทุกวันในธุรกิจจริง” ยังมีอยู่มาก

Step 7: ประเมินข้อดีและข้อจำกัดแบบไม่อวยเกินไป

ข้อดี ของแนวคิดแบบ Open Mythos ชัดเจนมาก

• ลดการยึดติดกับ model ขนาดใหญ่อย่างเดียว
• เปิดทางให้ใช้ฮาร์ดแวร์เล็กลง
• เพิ่มโอกาสให้ธุรกิจคุมข้อมูลได้เอง
• เป็นพื้นที่เรียนรู้สำหรับคนที่อยากเข้าใจระยะถัดไปของ AI

ข้อจำกัด ก็ชัดเช่นกัน

• ยังเป็น reconstruction ไม่ใช่ model ต้นฉบับ
• ตัวเลขประสิทธิภาพอาจไม่สะท้อนของจริงจาก Anthropic
• การเอาไปใช้จริงต้องมีระบบรองรับ ไม่ใช่แค่โหลด repo มาแล้วจบ
• เจ้าของธุรกิจส่วนใหญ่ไม่ได้ต้องการ “สร้าง model” แต่ต้องการ “แก้ปัญหาให้ workflow”

นี่คือจุดที่เราเห็นต่างจากกระแสตื่นเต้นบางส่วนเล็กน้อย ต่อให้ architecture นี้น่าสนใจมาก แต่สิ่งที่ธุรกิจต้องชนะจริงๆ คือการเอา AI ไปผูกกับงานประจำให้ได้ ไม่ใช่แค่ตามข่าว model ใหม่ทุกสัปดาห์

Step 8: Actionable Insights สำหรับเจ้าของธุรกิจและคนทำงาน

• เริ่มจากงานที่ซ้ำและเสี่ยงต่ำ เช่น สรุปข้อความ, จัดหมวดหมู่คำถาม, ร่างเอกสารเบื้องต้น ก่อนคิดเรื่อง automation ใหญ่
• แยกงานตามระดับความยาก งานง่ายใช้เครื่องมือเบา งาน reasoning สูงค่อยใช้ model ที่หนักขึ้น จะช่วยคุมต้นทุนได้ดี
• ติดตาม open source ไว้เสมอ ไม่จำเป็นต้องลงมือโค้ดเอง แต่ควรรู้ว่ามีทางเลือกนอก API เจ้าใหญ่เพิ่มขึ้นเรื่อยๆ
• คิดเรื่องข้อมูลก่อนเลือก tool ถ้างานเกี่ยวกับข้อมูลลูกค้า เอกสารภายใน หรือราคาสินค้า การรันภายในระบบตัวเองอาจคุ้มกว่าในระยะยาว
• ประเมินจาก workflow ไม่ใช่จากความหวือหวา ถ้า tool ใหม่ยังไม่ช่วยลดเวลา ลดต้นทุน หรือเพิ่มความแม่นในงานจริง ก็ยังไม่ใช่ของจำเป็น

Step 9: Troubleshooting ปัญหาที่มักเจอเมื่อพยายามเอาแนวคิดนี้ไปใช้

ปัญหา: ตื่นเต้นกับ model ใหม่มาก แต่ไม่รู้จะเริ่มตรงไหน

สาเหตุ: โฟกัสที่เทคโนโลยีมากกว่าโจทย์ธุรกิจ

วิธีแก้: เริ่มจากลิสต์ 3 งานที่ทีมทำซ้ำทุกวัน แล้วเลือกงานที่วัดผลได้ เช่น ลดเวลาตอบอีเมล ลดเวลาสรุปรายงาน

ปัญหา: คิดว่า open source แปลว่าถูกและง่ายเสมอ

สาเหตุ: มองข้ามต้นทุนเรื่องการติดตั้ง ดูแลระบบ และการเชื่อม workflow

วิธีแก้: เปรียบเทียบต้นทุนรวมระหว่างใช้ API กับรันเอง ทั้งค่าเครื่อง เวลา setup และความเสี่ยงในการดูแล

ปัญหา: ได้คำตอบจาก AI แต่ยังไม่มั่นใจว่าจะใช้กับลูกค้าได้ไหม

สาเหตุ: model เชิงทดลองอาจยังไม่นิ่งพอสำหรับงานสำคัญ

วิธีแก้: ให้ AI เป็นผู้ช่วยร่างหรือจัดลำดับก่อน แล้วให้คนตรวจจุดสำคัญเสมอ โดยเฉพาะข้อความสื่อสารกับลูกค้า

ปัญหา: ทีมสับสนว่าต้องจ้าง developer เพิ่มหรือไม่

สาเหตุ: เข้าใจว่าการใช้ AI ทุกแบบต้องสร้างระบบเองทั้งหมด

วิธีแก้: แยกให้ชัดระหว่าง “ทดลองแนวคิด” กับ “พัฒนาระบบจริง” ช่วงแรกอาจใช้เครื่องมือสำเร็จรูปก่อน แล้วค่อยขยับไปของ open source เมื่อเห็น use case ชัด

ปัญหา: ตามข่าว AI ตลอด แต่ธุรกิจไม่ขยับจริง

สาเหตุ: เสพข้อมูลมากกว่าลงมือทำ pilot เล็กๆ

วิธีแก้: ตั้งรอบทดลอง 2 สัปดาห์ต่อ use case หนึ่ง มีตัวชี้วัดง่ายๆ เช่น เวลาที่ประหยัดได้ จำนวนงานที่ลดลง หรือคุณภาพที่ดีขึ้น

Step 10: การต่อยอดที่น่าทำหลังจากเข้าใจ Open Mythos

• ทำแผนที่ AI ในองค์กร ดูว่างานไหนควรใช้ cloud model งานไหนมีโอกาสย้ายไป local model ในอีก 6-12 เดือน
• สร้าง knowledge base ภายใน เตรียมเอกสาร FAQ, SOP, ข้อมูลสินค้า ให้พร้อมสำหรับวันที่ model ฝั่ง open source เสถียรพอจะเชื่อมเข้าระบบ
• ออกแบบ workflow แบบ hybrid ใช้ model ทั่วไปกับงานที่ไม่อ่อนไหว และเก็บงานข้อมูลสำคัญไว้ในระบบที่ควบคุมได้มากกว่า

Step 11: สรุป Checklist ทั้งหมด

• ☐ เข้าใจก่อนว่า Open Mythos เป็น reconstruction ไม่ใช่ model จริงจาก Anthropic
• ☐ รู้ปัญหาหลักของ AI แบบเดิม คือยิ่งใหญ่ยิ่งแพงและยิ่งพึ่ง API
• ☐ เข้าใจหลัก recurrent depth transformer ว่าคือการวนคิดซ้ำเพื่อเพิ่มความลึก
• ☐ แยกให้ออกระหว่างของที่น่าตื่นเต้นในเชิงวิจัย กับของที่พร้อมใช้ในธุรกิจ
• ☐ มอง use case ไทยให้ชัด เช่น งานซัพพอร์ต คอนเทนต์ เอกสารภายใน และการตามงานลูกค้า
• ☐ ประเมินต้นทุนรวม ไม่ใช่มองแค่คำว่า open source แล้วคิดว่าถูกเสมอ
• ☐ เริ่มจาก pilot เล็กๆ ที่วัดผลได้ก่อน
• ☐ วางแผนเผื่อระยะถัดไปที่ธุรกิจจะใช้ทั้ง local model และ cloud model ร่วมกัน

สรุปแล้ว Open Mythos น่าสนใจไม่ใช่เพราะมันเป็น “ของลับที่ถูกสร้างใหม่” อย่างเดียว แต่เพราะมันทำให้เราเห็นทิศทางใหม่ของ AI ชัดขึ้นว่า ระยะถัดไปอาจไม่ได้วัดกันแค่ใครมี model ใหญ่กว่า แต่อาจวัดกันที่ใครออกแบบให้ model คิดได้ฉลาดกว่า ใช้ทรัพยากรคุ้มกว่า และเปิดให้คนเอาไปต่อยอดได้มากกว่า

สำหรับเจ้าของธุรกิจและคนทำงาน สิ่งที่ควรเก็บจากเรื่องนี้ไม่ใช่การรีบไปโหลด repo ทันที แต่คือการเริ่มถามว่า ถ้า AI ที่เล็กลง ฉลาดขึ้น และควบคุมได้มากขึ้นมาถึงจริง เราจะเอามันไปใส่ใน workflow ตรงไหนก่อน นั่นต่างหากคือคำถามที่พาไปสู่ผลลัพธ์ทางธุรกิจได้จริง