- ปัญญาประดิษฐ์เชิงตัวแทน (Agentic AI) พัฒนาไปไกลกว่าแบบจำลองเชิงสร้างสรรค์ (generative models) โดยสามารถวางแผนและดำเนินการภารกิจปฏิบัติการที่ซับซ้อนได้อย่างอิสระ เพื่อบรรลุเป้าหมายที่กำหนดไว้
- อุตสาหกรรมเซมิคอนดักเตอร์กำลังใช้ประโยชน์จากการเรียนรู้แบบเสริมแรงเชิงลึกและระบบเอเจนต์เพื่อเพิ่มประสิทธิภาพการวางผังพื้นที่ ทำให้ความเร็วของชิปและประสิทธิภาพการใช้พลังงานดีขึ้น
- ระบบนิเวศของฮาร์ดแวร์ที่หลากหลาย ตั้งแต่ GPU ของ NVIDIA ไปจนถึง ASIC เฉพาะทาง เช่น TPU ของ Google และ LPU ของ Groq กำลังขับเคลื่อนการเปลี่ยนแปลงไปสู่ตัวแทน AI ที่ทำงานได้เองโดยอัตโนมัติ
เคยสงสัยไหมว่าชิ้นส่วนซิลิคอนเล็กๆ ภายในโทรศัพท์ของคุณจัดเรียงกันอย่างไร? มันเป็นปริศนาที่ซับซ้อนมาก ซึ่งทรานซิสเตอร์หลายพันล้านตัวต้องถูกจัดวางอย่างแม่นยำราวกับผ่าตัด เป็นเวลาหลายสิบปีแล้วที่กระบวนการนี้เป็นการผสมผสานระหว่างวิทยาศาสตร์ขั้นสูงและศิลปะ โดยอาศัยวิศวกรมนุษย์ในการใช้เวลาหลายสัปดาห์หรือหลายเดือนในการปรับแต่งโครงสร้างเพื่อให้แน่ใจว่าอุปกรณ์จะไม่ร้อนเกินไปหรือทำงานช้า แต่เรากำลังเข้าสู่ยุคใหม่ที่เครื่องจักรไม่ได้แค่ช่วยเราเขียนโค้ดเท่านั้น แต่พวกมันกำลังเข้ามาควบคุมกระบวนการออกแบบอย่าง แท้จริง
การเปลี่ยนแปลงนี้เกิดขึ้นจากสิ่งที่เรียกว่า ปัญญาประดิษฐ์เชิงตัวแทน (Agentic AI) ต่างจากแชทบอทที่เราใช้สรุปอีเมล เทคโนโลยีนี้ไม่ได้แค่พูดคุย แต่ยังลงมือทำและดำเนินการด้วยการผสานพลังการให้เหตุผลของแบบจำลองภาษาขนาดใหญ่ (Large Language Models) เข้ากับการวางแผนแบบอัตโนมัติ ปัญญาประดิษฐ์เชิงตัวแทนกำลังรับมือกับความซับซ้อนมหาศาลของสถาปัตยกรรมเซมิคอนดักเตอร์ เปลี่ยนกระบวนการที่เคยใช้เวลานานมากให้กลายเป็นสิ่งที่เกิดขึ้นได้ภายในเวลาไม่กี่ชั่วโมง
ปัญญาประดิษฐ์เชิงตัวแทน (Agentic AI) คืออะไรกันแน่?
เพื่อให้เข้าใจเรื่องนี้อย่างถ่องแท้ เราต้องชี้แจงความเข้าใจผิดที่พบบ่อยก่อน นั่นคือ ไม่ใช่ AI ทุกตัวที่ใช้ LLM จะเป็น “AI ที่มีเจตจำนง” เสมอไป ในขณะที่ AI แบบสร้างสรรค์ (Generative AI) เก่งในการสร้างข้อความหรือรูปภาพตามคำสั่ง แต่AI ที่มีเจตจำนงนั้นเน้นที่เป้าหมายเป็นหลักมันไม่ได้แค่ให้สูตรอาหารแก่คุณ แต่มันเข้าไปในครัว ค้นหาส่วนผสม และปรุงอาหารให้คุณ มันมีอิสระในการวางแผน และสามารถใช้เครื่องมือต่างๆเช่น API และฐานข้อมูล เพื่อทำงานให้สำเร็จโดยไม่ต้องมีมนุษย์คอยควบคุมทุกขั้นตอน
ความมหัศจรรย์เกิดขึ้นผ่านวงจรต่อเนื่อง ขั้นแรก ตัวแทนจะตีความเป้าหมาย จากนั้นจะแบ่งเป้าหมายนั้นออกเป็นลำดับของงานมันจะเลือกเครื่องมือที่เหมาะสม ดำเนินการ และตรวจสอบงานของตนเอง หากมีสิ่งใดผิดพลาด มันจะทำการปรับปรุงแก้ไขการเปลี่ยนผ่านจาก “ผู้ช่วยนักบิน” ไปสู่ “ตัวแทน”หมายความว่าเรากำลังเปลี่ยนจากเครื่องมือที่เพิ่มประสิทธิภาพการทำงานของแต่ละบุคคล ไปสู่ระบบที่กำหนดนิยามใหม่ของการดำเนินงานทางธุรกิจทั้งหมด
เมื่อเราพูดถึงระบบเอเจนต์หลายตัวมันยิ่งน่าทึ่งขึ้นไปอีก ลองนึกภาพทีมเอเจนต์ AI ที่เชี่ยวชาญเฉพาะด้าน: ตัวหนึ่งทำการวิจัย อีกตัววิเคราะห์ข้อมูล และตัวที่สามสร้างรายงานฉบับสุดท้าย พวกมันประสานงานและแลกเปลี่ยนข้อมูลกันเหมือนกับทีมมนุษย์ ทำให้กระบวนการทั้งหมดสามารถปรับขนาดและยืดหยุ่นได้มากขึ้น
ปฏิวัติพิมพ์เขียวเซมิคอนดักเตอร์
การออกแบบชิปนั้นเปรียบเสมือนการเล่นเกม Tetris ที่มีความเสี่ยงสูง โดยมีวงจรลอจิกและบล็อกหน่วยความจำนับล้านชิ้นเป้าหมายคือ "การวางผัง" ซึ่งเป็นศิลปะในการจัดเรียงส่วนประกอบเหล่านี้เพื่อลดความร้อนและเพิ่มความเร็วสูงสุด จำนวนรูปแบบที่เป็นไปได้นั้นแทบจะไม่มีที่สิ้นสุด— มากกว่าจำนวนดวงดาวในจักรวาล เสียอีก เป็นเวลานานแล้วที่การทำให้กระบวนการนี้เป็นไปโดยอัตโนมัติถูกมองว่าเป็นความฝันที่เป็นไปไม่ได้
จากนั้นก็เกิดความก้าวหน้าครั้งสำคัญโดยใช้การเรียนรู้แบบเสริมแรงเชิงลึก (Deep Reinforcement Learning ) โดยการมองการออกแบบชิปเป็นเหมือนเกมที่ AI จะได้รับ "รางวัล" สำหรับการจัดวางที่เหมาะสมที่สุด ระบบต่างๆ เช่นที่พัฒนาโดย Google Brain จึงเริ่มทำงานได้ดีกว่าผู้เชี่ยวชาญที่เป็นมนุษย์ AI เหล่านี้ไม่ได้ทำตามสัญชาตญาณของมนุษย์แบบดั้งเดิม พวกมันมักสร้างการออกแบบที่เป็นธรรมชาติและโค้งมนซึ่งอาจดูแปลกตาสำหรับวิศวกร แต่กลับทำงานได้อย่างยอดเยี่ยม ช่วยลดการใช้พลังงานและเวลาแฝงได้อย่างมาก
นี่ไม่ใช่แค่ทฤษฎีเท่านั้น ส่วนประกอบบางส่วนของโครงสร้างที่ออกแบบโดย AI เหล่านี้ได้ถูกนำไปใช้ในหน่วยประมวลผลเทนเซอร์ (TPU)แล้ว ทำให้ขั้นตอนวิธีของ AI ทำงานได้เร็วขึ้นและมีประสิทธิภาพมากขึ้น ด้วยการปิดวงจร—โดยใช้ AI ในการออกแบบฮาร์ดแวร์ที่จากนั้นจึงรัน AI—เรากำลังเห็นการก้าวกระโดดครั้งใหญ่ในด้านประสิทธิภาพซึ่งอาจจะช่วยฟื้นคืนชีพกฎของมัวร์ที่กำลังจะจางหายไปได้
ฮาร์ดแวร์ที่ขับเคลื่อนยุคแห่งเอเจนต์
คุณไม่สามารถรันเอเจนต์ระดับสูงบนฮาร์ดแวร์พื้นฐานได้ มีการแข่งขันกันอย่างดุเดือดระหว่างGPU และ ASIC GPU ซึ่งถูกครอบงำโดยบริษัทอย่าง NVIDIA และ AMD เปรียบเสมือนมีดพับอเนกประสงค์ของโลก AI – มีความยืดหยุ่นและยอดเยี่ยมทั้งสำหรับการฝึกฝนและการอนุมาน ในทางกลับกันวงจรรวมเฉพาะงาน (ASIC)เช่น TPU ของ Google หรือตัวเร่งความเร็ว AI เช่น Maia 200ถูกสร้างขึ้นเพื่อใช้งานเฉพาะอย่าง ให้ประสิทธิภาพที่เหนือกว่าต่อวัตต์
ภูมิทัศน์ด้านนวัตกรรมนั้นเต็มไปด้วยการแข่งขันอย่างดุเดือด ในขณะที่ NVIDIA ครองตลาดศูนย์ข้อมูลอย่างเหนือชั้นด้วยสถาปัตยกรรม Blackwellบริษัทอย่าง AMD ก็กำลังต่อสู้กลับด้วยซีรี่ส์ MI300 ในขณะเดียวกัน สตาร์ทอัพรุ่นใหม่ก็กำลังเกิดขึ้นมากมายSambaNova Systemsกำลังผลักดันหน่วยประมวลผลข้อมูลที่ปรับเปลี่ยนได้ (RDU) สำหรับเวิร์กโหลดแบบเอเจนต์ และCerebrasกำลังสร้างชิปขนาดเท่าจานอาหาร ซึ่งเป็นชิปยักษ์เพื่อแก้ปัญหาคอขวดด้านหน่วยความจำ
นอกจากนี้เรายังเห็นแนวโน้มไปสู่ความเชี่ยวชาญเฉพาะด้านอย่างมากบริษัทต่างๆ เช่น Taalas กำลังฝังโมเดล AI ลงในซิลิคอนโดยตรง สร้างโมเดล "ฮาร์ดคอร์" ที่เร็วและประหยัดพลังงานอย่างเหลือเชื่อตั้งแต่การประมวลผลแบบย้อนกลับได้ของ Vaire ไปจนถึงวิธีการแบบอนาล็อกของ Mythic เป้าหมายก็เหมือนกันคือ การทำลายข้อจำกัดด้านความร้อนและลดต้นทุนด้านพลังงานของระบบอัจฉริยะ
การนำปัญญาประดิษฐ์เชิงตัวแทนไปใช้: แผนงานเชิงปฏิบัติ
หากองค์กรต้องการก้าวเข้าสู่โลกของการทำงานแบบอัตโนมัติอย่างเต็มตัว ก็ไม่สามารถทำได้เพียงแค่กดสวิตช์ ต้องใช้แนวทางที่เป็นระบบ 8 ขั้นตอนเริ่มต้นด้วยการกำหนดเป้าหมายที่ชัดเจน เนื่องจากระบบเหล่านี้มีความเป็นอิสระในระดับหนึ่ง คุณจึงต้องกำหนดขอบเขตการทำงานที่เข้มงวดเพื่อป้องกันไม่ให้ระบบตัดสินใจอย่างหุนหันพลันแล่นจนอาจทำให้ระบบล่มได้
- ความแข็งแกร่งและความน่าเชื่อถือ: การกำหนดตัวชี้วัดประสิทธิภาพ (KPI) และการติดตาม "การเบี่ยงเบนของแบบจำลอง" หรือพฤติกรรมที่ไม่คาดคิด
- ชั้นความปลอดภัย: การนำระบบป้องกันทางเทคนิคมาใช้และ มนุษย์ในวง จุดตรวจสอบเพื่อป้องกันการใช้งานในทางที่ผิด
- อธิบายได้: การทำให้แน่ใจว่ากระบวนการตัดสินใจของ AI ไม่ใช่ "กล่องดำ" จะช่วยให้วิศวกรสามารถตรวจสอบได้ ติดตามและยืนยันทุกการเคลื่อนไหว.
- ความเป็นส่วนตัวและการปฏิบัติตาม: ตรวจสอบว่ากฎระเบียบขององค์กรที่มีอยู่ใช้ได้กับระบบนั้นหรือไม่ โต้ตอบอย่างอิสระ ร่วมกับซอฟต์แวร์อื่นๆ
ด้านเทคนิคอาศัยเฟรมเวิร์กต่างๆ เช่นLangChain, CrewAI และ Semantic Kernel ของ Microsoftเครื่องมือเหล่านี้ช่วยให้นักพัฒนาสามารถเชื่อมต่อ LLM กับโลกแห่งความเป็นจริงผ่าน API ได้ อย่างไรก็ตาม หัวใจสำคัญอยู่ที่การทำงานร่วมกันแบบสหสาขาคุณจำเป็นต้องมีมุมมองที่หลากหลายเพื่อค้นหาจุดบกพร่องและตรวจสอบให้แน่ใจว่า AI ไม่สร้างภาพลวงตาของวิธีการแก้ปัญหาที่ไม่สามารถผลิตได้จริงในชิป
