ข้ามไปบทความ

Nereu: ใช้เจตนา แท็ก และ context ออกแบบการทำงานร่วมกับ AI

Arturo Nunez อธิบาย Game Engine ที่ใช้ Asset Tag System และเลือกส่ง context ตามความเกี่ยวข้อง เพื่อช่วยคนสร้างงานทีละส่วน

โดย Insiderly
video thumbnail for 'The Next Game Engine Won't Have a Manual — Arturo Nunez, Nereu'
ภาพจาก วิดีโอต้นทาง
เผยแพร่:

ที่มา: วิดีโอต้นทาง และบทความต้นทางวันที่ 18 สิงหาคม 2026 (2026-08-18) ซึ่งเป็นวันที่แสดงในบทความ ไม่ใช่วันอัปโหลดวิดีโอที่ยืนยันแล้ว รายละเอียดผลิตภัณฑ์ ตัวเลข และผลลัพธ์เป็นสิ่งที่ต้นทางกล่าวไว้ในขณะนั้น ยังไม่ได้ทดสอบซ้ำหรือยืนยันสถานะล่าสุด ตัวอย่างธุรกิจไทยและข้อวิเคราะห์คงจากบทความต้นฉบับ · วิดีโอต้นทาง

ปัญหาของการใช้ AI ในงานจริงไม่ใช่แค่ “AI ทำได้หรือไม่” แต่คือ AI เข้าใจสิ่งที่เราต้องการในภาษาของงานนั้นหรือเปล่า หากต้องเสียเวลาพิมพ์ศัพท์เทคนิค เลือกเมนู หรือแก้ผลลัพธ์เดิมซ้ำทุกครั้ง เครื่องมือก็ยังผลักภาระกลับมาที่คนใช้อยู่ดี

ในคลิปจากช่อง AI Engineer Arturo Nunez ผู้สร้าง Nereu เสนอภาพของ game engine ที่ไม่ต้องมีคู่มือ เพราะคนสร้างเกมสื่อสารด้วยความตั้งใจ เช่น “ตัวละครนี้เดินด้วย WASD” “กล้องตามตัวละคร” หรือ “เก็บเหรียญแล้วเพิ่มคะแนน” แทนการประกอบชิ้นส่วนเทคนิคทีละชิ้น แนวคิดนี้ไม่ใช่เรื่องเกมอย่างเดียว แต่เป็นบทเรียนสำคัญสำหรับเจ้าของธุรกิจและคนทำงานที่กำลังนำ AI ไปสร้าง workflow

แก่นของเรื่องคือ AI ที่ดีไม่ควรเป็นแค่มือที่ทำตามคำสั่ง แต่ควรเป็นระบบที่เข้าใจเจตนา กติกา และข้อมูลของงาน เมื่อออกแบบแบบนั้น คนทำงานจะกลับไปโฟกัสที่ผลลัพธ์ซึ่งมีคุณค่าจริง แทนการจมอยู่กับขั้นตอนซ้ำซาก

สารบัญ

Step 1: เริ่มจากเจตนาของงาน ไม่ใช่หน้าจอเครื่องมือ

เดโมของ Nereu เริ่มจากฉากว่าง แล้วค่อยเพิ่มหุ่นยนต์เป็นตัวละครหลัก สั่งให้เดินด้วยปุ่ม WASD และมีแอนิเมชัน เพิ่มอาคาร สร้างฝนด้วย particle system และตั้งกล้องให้ติดตามตัวละคร ทั้งหมดเกิดจากการบรรยายสิ่งที่อยากให้เกมเป็น

จุดที่น่าสนใจไม่ใช่การสร้างหุ่นยนต์หรือฝน แต่คือการเปลี่ยนภาษาจาก “ต้องกดตรงไหน” เป็น “ต้องการผลลัพธ์อะไร” ระบบจึงรับหน้าที่แปลงเจตนานั้นเป็นการตั้งค่าทางเทคนิคที่ถูกต้อง

ถ้าแปลงไปใช้กับธุรกิจไทย ลองนึกถึงทีมการตลาดที่ไม่ได้เริ่มจาก “ต้องใช้ prompt อะไร” แต่เริ่มจาก “ต้องการแคมเปญเปิดตัวสินค้า 3 รูปแบบ สำหรับลูกค้าเก่าและลูกค้าใหม่” หรือทีมแอดมินที่เริ่มจาก “ต้องการสรุปคำถามลูกค้าประจำวัน พร้อมประเด็นที่ต้องส่งต่อฝ่ายขาย”

ความต่างนี้ดูเล็ก แต่ส่งผลมาก เพราะคนทำงานไม่จำเป็นต้องเรียนรู้ศัพท์ของ platform ก่อนจึงจะเริ่มสร้างงานได้ หน้าที่ขององค์กรคือกำหนดภาษาของงานให้ชัด เช่น ประเภทลูกค้า สถานะคำสั่งซื้อ น้ำเสียงแบรนด์ และเกณฑ์การส่งต่องาน

Step 2: แยกงานสร้างสรรค์ออกจากงานประกอบที่ซ้ำเดิม

Arturo ชี้ว่าการควบคุมตัวละครใน game engine ปกติอาจต้องเตรียมโมเดล ตัวแสดงผล แอนิเมชัน ฟิสิกส์ ตัวตรวจการชน เสียง และ logic การเคลื่อนไหว ทั้งที่ส่วนใหญ่เป็นโครงสร้างพื้นฐานซึ่งแทบทุกเกมต้องมีอยู่แล้ว

นี่คือปัญหาเดียวกับงานธุรกิจจำนวนมาก เช่น ทุกครั้งที่ทำรายงานยอดขาย ต้องดึงข้อมูล ทำความสะอาดไฟล์ จัดหมวดหมู่ เขียนสรุป และส่งอีเมล ทั้งที่สิ่งที่ทีมอยากทำจริงคืออ่านแนวโน้ม ตัดสินใจเรื่องสินค้า หรือแก้ปัญหายอดตก

หลักคิดที่นำไปใช้ได้คือให้เราถาม 2 คำถามกับทุก workflow

ส่วนหลังควรถูกทำให้เป็นระบบมาตรฐานก่อน แล้วจึงวาง AI เข้าไปช่วย ไม่เช่นนั้น AI จะต้องคิดวิธีใหม่ทุกครั้ง เหมือนการให้ agent เขียนกล้องติดตามตัวละครใหม่ซ้ำไปมา แม้ผลลัพธ์ที่ต้องการเหมือนเดิม

Step 3: สร้างภาษากลางด้วยแท็กที่บอกความหมายของงาน

Nereu ใช้แนวคิด Asset Tag System หรือ ATS ทุกสิ่งในเกมถือเป็น asset แล้วเติมแท็กที่อธิบาย “หน้าที่” แทน “วิธีทำ” ตัวอย่างเช่น asset หนึ่งอาจมีแท็ก character, animated และ double jump ส่วนระบบภายในจะรู้เองว่าต้องผูกการเคลื่อนไหว ฟิสิกส์ หรือแอนิเมชันแบบใด

ระบบจะค้นหา asset ที่มีแท็กร่วมกันแล้วเรียกใช้กติกาที่ตรงกัน เช่น วัตถุที่ติดแท็ก vehicle และ drivable ก็ขับได้ ความสนุกของวิธีนี้คืออาคารก็สามารถถูกติดแท็กให้ขับได้เช่นกัน จึงทำให้เกิดไอเดียแปลกใหม่โดยไม่ต้องสร้างระบบใหม่ตั้งแต่ต้น

หลักการนี้มีรากจาก Entity Component System ซึ่งมองว่าวัตถุเกิดพฤติกรรมจากองค์ประกอบและข้อมูลที่กำกับอยู่ สำหรับคนทำธุรกิจ ไม่จำเป็นต้องเขียนระบบนี้เอง แต่ควรเอาแนวคิดไปสร้าง “แท็กขององค์กร”

ตัวอย่างแท็กสำหรับธุรกิจไทย

เมื่อแท็กชัด AI จะตอบคำถามได้ตรงกว่า workflow จะต่อกันได้ง่ายกว่า และคนใหม่ในทีมเข้าใจวิธีทำงานเร็วขึ้น แต่นี่มีข้อควรระวัง แท็กที่มากเกินไปจะกลายเป็นคู่มือเล่มใหม่ในรูปแบบอื่น เราควรเริ่มจากแท็กไม่กี่ตัวที่นำไปใช้ตัดสินใจหรือกระตุ้นงานต่อได้จริง

Step 4: ให้ AI รับผิดชอบการลงมือทำ ไม่ใช่แทนการกำหนดทิศทาง

ผู้ช่วย AI ของ Nereu ชื่อ Bibi ไม่ได้ถูกออกแบบมาเพื่อสร้างเกมเสร็จทั้งเกมจากคำสั่งเดียว หน้าที่ของมันคือช่วยปลดล็อกช่วงที่คนสร้างติดขัด เช่น ไม่รู้ว่าต้องใช้แท็กอะไร หรืออยากเพิ่มความสามารถหนึ่งในฉากที่กำลังทำอยู่

มุมนี้น่าเห็นด้วยมาก เพราะการสั่ง AI ให้ทำงานใหญ่แบบ one-shot มักได้ผลลัพธ์ที่ดูครบในรอบแรก แต่ตรวจยาก แก้ยาก และไม่สะท้อนความเข้าใจธุรกิจจริง การใช้งานที่ดีกว่าคือแบ่งบทบาทให้ชัดเจน

ตัวอย่างเช่น ร้านค้าออนไลน์ไม่ควรสั่งว่า “ทำระบบดูแลลูกค้าทั้งหมดให้หน่อย” แต่ควรเริ่มด้วย “จัด 100 ข้อความล่าสุดเป็น 5 หมวด สรุปปัญหาซ้ำ และร่างคำตอบสำหรับคำถามจัดส่ง” จากนั้นให้ทีมตรวจความถูกต้องก่อนใช้จริง วิธีนี้ทำให้เราสร้างความเชื่อมั่นทีละส่วน และเห็นว่า workflow จุดใดคุ้มค่าต่อการต่อยอด

Step 5: ส่ง context ให้พอดีกับงานที่กำลังทำ

อีกบทเรียนที่มีน้ำหนักมากคือวิธีจัดการ context ของ AI Nereu มี asset จำนวนมาก หากส่งข้อมูลทั้งฉากให้ model ทุกครั้ง ทั้ง token และความซับซ้อนจะเพิ่มขึ้นโดยไม่จำเป็น โดยเฉพาะวัตถุเล็กน้อยอย่างหญ้าจำนวนมากที่ไม่เกี่ยวกับคำสั่งปัจจุบัน

แนวทางที่ใช้คือยืมแนวคิด Level of Detail จากงานเรนเดอร์ภาพ วัตถุที่อยู่ใกล้จุดกำลังแก้ไขจะถูกส่งรายละเอียดของแท็กและค่าต่าง ๆ เต็มกว่า วัตถุที่อยู่ไกลจะส่งเพียงชนิดและตำแหน่ง หรืออาจไม่ส่งเลย

ธุรกิจนำหลักนี้ไปใช้ได้ทันที เช่น เมื่อให้ AI ร่างอีเมลหาลูกค้ารายหนึ่ง ไม่จำเป็นต้องส่งฐานลูกค้าทั้งหมด ควรส่งเฉพาะประวัติการซื้อ เคสสนทนาล่าสุด สถานะปัจจุบัน นโยบายที่เกี่ยวข้อง และน้ำเสียงแบรนด์

การส่งข้อมูลมากไม่ได้แปลว่า AI ฉลาดขึ้นเสมอไป ข้อมูลที่ไม่เกี่ยวข้องอาจทำให้คำตอบฟุ้ง เสี่ยงข้อมูลรั่ว และเสียค่าใช้จ่ายเพิ่ม หลักง่าย ๆ คือ ส่งเฉพาะข้อมูลที่ AI ต้องใช้เพื่อตัดสินใจในงานรอบนั้น แล้วออกแบบให้ระบบดึงข้อมูลเพิ่มเฉพาะเมื่อจำเป็น

Step 6: ยอมรับข้อจำกัด และอย่าไล่ตามภาพฝันที่ยังไม่พร้อม

Arturo แยกแนวคิดของ Nereu ออกจาก world models ที่สร้างโลกขึ้นแบบทันที แม้แนวทางหลังน่าตื่นเต้น แต่การสร้างเกมที่ต้องเรนเดอร์ 60 เฟรมต่อวินาทีที่ความละเอียดสูง พร้อมจำลองฟิสิกส์แบบเรียลไทม์ ยังมีโจทย์อีกมาก

มุมมองนี้ใช้กับธุรกิจได้ตรงตัว อย่าเพิ่งเริ่มจากการหา AI ที่ทำทุกอย่างแทนทีม แต่ให้เริ่มจากงานที่มีขอบเขตชัด มีข้อมูลพอ และมีคนรับผิดชอบตรวจผล งานอย่างสรุปประชุม จัดหมวดข้อความลูกค้า สร้างร่างคอนเทนต์ หรือสกัดข้อมูลจากเอกสาร มักเป็นจุดเริ่มที่สมเหตุสมผลกว่า

เป้าหมายของ AI ไม่ควรเป็นการลบคนออกจาก workflow แต่คือการลดแรงเสียดทาน เพื่อให้คนกลับไปใช้เวลาในส่วนที่ต้องอาศัยการตัดสินใจ ความเข้าใจลูกค้า และความคิดสร้างสรรค์

Step 7: Actionable Insights สำหรับเริ่มใช้ AI ในทีม

Step 8: Troubleshooting เมื่อ AI ยังทำงานไม่ตรงใจ

Step 9: การต่อยอดจากแนวคิด Nereu

Step 10: สรุป Checklist ทั้งหมดก่อนนำ AI ไปใช้จริง

บทเรียนจาก Nereu คือ AI ที่มีประโยชน์ไม่ได้เริ่มจาก model ที่ใหญ่ที่สุด แต่เริ่มจากการออกแบบระบบให้ AI เข้าใจงานในภาษาที่คนทำงานใช้จริง เมื่อเราจัดเจตนา แท็ก กติกา และ context ให้ชัด AI จะกลายเป็นผู้ช่วยที่พาทีมหลุดจากงานประกอบซ้ำ ๆ และเหลือพื้นที่สำหรับการสร้างสิ่งที่ลูกค้าเห็นคุณค่า

Insiderly

บทความจากกองบรรณาธิการ Insiderly

อ่านบทความทั้งหมด

More in ข่าวผลิตภัณฑ์ AI

See all
ภาพปกบทสัมภาษณ์ Will Koh จาก Ramp เรื่อง GPT-5.5

GPT-5.5 กับงานจริง: บทเรียนจาก Will Koh และ Ramp

โดย Insiderly
/
ภาพปกคลิป ChatGPT Images 2.0 พร้อมตัวอย่างภาพจรวด

ChatGPT Images 2.0: ย้อนดูแนวคิดภาพสำหรับงานธุรกิจ

โดย Insiderly
/
ภาพปกวิดีโอต้นทางของ Julian Goldie SEO แสดง Hermes Agent 0.14

Hermes v0.14: การติดตั้ง เบราว์เซอร์ และความจำในคลิปเดือนพฤษภาคม

โดย Insiderly
/
อินเทอร์เฟซ Deep Research ของ ChatGPT แสดงข้อความ 'Ready when you are' กล่องคำถามตัวอย่าง และตัวเลือก Deep research กับ Sites (3)

การอัปเดต Deep Research ใน ChatGPT: พลังของ GPT-5.2 และฟีเจอร์เชิงลึก

โดย Insiderly
/

บทความอื่นจาก Insiderly

See all
ภาพปกบทสัมภาษณ์ Will Koh จาก Ramp เรื่อง GPT-5.5

GPT-5.5 กับงานจริง: บทเรียนจาก Will Koh และ Ramp

โดย Insiderly
/
ภาพปกคลิป ChatGPT Images 2.0 พร้อมตัวอย่างภาพจรวด

ChatGPT Images 2.0: ย้อนดูแนวคิดภาพสำหรับงานธุรกิจ

โดย Insiderly
/
ภาพปก The End of Apps ของ Kitze บนเวที AI Engineer Europe

AI Agents กับจุดจบของแอป: บทเรียนจาก Kitze

โดย Insiderly
/
ภาพปกการสนทนา Human Judgment in Agentic Engineering จาก AI Engineer Europe

AI เร่งงานได้ แต่แรงเสียดทานช่วยให้เราตัดสินใจดีขึ้น

โดย Insiderly
/