ยุคของระบบอัตโนมัติที่ทำได้เพียงงานซ้ำ ๆ กำลังจะสิ้นสุดลง และบทใหม่ที่น่าตื่นเต้นกว่าได้เริ่มต้นขึ้นแล้ว นั่นคือ Agentic AI ซึ่งไม่ใช่แค่ Generative AI ที่เราคุ้นเคยกันในแอปพลิเคชันอย่าง ChatGPT แต่เป็นก้าวต่อไปที่ระบบปัญญาประดิษฐ์สามารถทำงานได้อย่างอิสระ ตัดสินใจ และขับเคลื่อนกระบวนการที่ซับซ้อนตั้งแต่ต้นจนจบได้ด้วยตัวเอง
Dr.Ettikan Kandasamy Karuppiah ผู้อำนวยการฝ่ายเทคโนโลยี ภาคพื้นเอเชียแปซิฟิก จาก NVIDIA ได้ขึ้นเวที Techsauce Global Summit 2025 แบ่งปันข้อมูลเชิงลึกเกี่ยวกับภูมิทัศน์ใหม่ของ AI ที่กำลังจะเข้ามาเปลี่ยนแปลงทุกองค์กรในไม่ช้า
จาก AI รับรู้สู่ AI ที่มีเหตุผล (Agentic AI) : วิวัฒนาการสู่ปัญญาประดิษฐ์ที่ “ลงมือทำ”
เพื่อที่จะเข้าใจความสำคัญของ Agentic AI อย่างถ่องแท้ เขากล่าว่า ต้องมองย้อนกลับไปบนเส้นทางวิวัฒนาการของปัญญาประดิษฐ์ ซึ่งแบ่งออกเป็นยุคสมัยที่ชัดเจน และแต่ละยุคได้สร้างรากฐานสำคัญให้กับยุคถัดไป
ยุคที่ 1 : Perception AI (AI ที่รับรู้) คือจุดเริ่มต้นของยุคสมัยใหม่ของ AI ที่ขับเคลื่อนโดย Deep Learning โมเดลในตำนานอย่าง AlexNet และเครือข่ายประสาทเทียมแบบ CNN (Convolutional Neural Networks) ได้มอบ “ดวงตา” และ “หู” ให้กับคอมพิวเตอร์เป็นครั้งแรก ความสามารถหลักของ AI ในยุคนี้คือการ “รับรู้” (Perceive) และตีความโลกรอบตัว เช่น การแยกแยะวัตถุในภาพถ่าย, การจดจำใบหน้า, หรือการแปลงเสียงพูดเป็นข้อความ แม้จะทรงพลัง แต่มันยังเป็นการทำงานในลักษณะของการตอบสนองต่อข้อมูลที่ป้อนเข้ามา (Input -> Output) เป็นหลัก
ยุคที่ 2 : Generative AI (AI ผู้สร้างสรรค์) คือยุคที่เราคุ้นเคยกันดีในปัจจุบัน ด้วยการมาถึงของ LLMs (Large Language Models) ที่มีแอปพลิเคชันโด่งดังอย่าง ChatGPT เป็นตัวชูโรง Generative AI ได้มอบ “เสียง” และ “ความสามารถในการสร้างสรรค์” ให้กับปัญญาประดิษฐ์ มันไม่ได้แค่เข้าใจภาษา แต่สามารถ “สร้าง” ข้อความ, บทกวี, โค้ดโปรแกรม หรือรูปภาพที่สอดคล้องกับคำสั่ง (Prompt) ได้อย่างน่าทึ่ง อย่างไรก็ตาม โดยพื้นฐานแล้วมันยังคงเป็น AI ที่รอรับคำสั่ง มันเป็นนักสนทนาที่ยอดเยี่ยม เป็นผู้ช่วยเขียนที่ชาญฉลาด แต่ยังไม่ได้ก้าวไปสู่การเป็น “ผู้ลงมือทำ” หรือ “ผู้จัดการโครงการ” ด้วยตัวเอง
ยุคที่ 3 : Agentic AI (AI ที่มีเหตุผลและลงมือทำ) คือการเปลี่ยนแปลงกระบวนทัศน์ (Paradigm Shift) ที่กำลังเกิดขึ้นในปัจจุบัน Agentic AI คือการนำความสามารถในการรับรู้จากยุคที่ 1 และความสามารถในการสื่อสารและสร้างสรรค์จากยุคที่ 2 มาผนวกรวมกัน แล้วยกระดับขึ้นไปอีกขั้นด้วยความสามารถในการ “คิด วางแผน และลงมือทำ” ความแตกต่างสำคัญคือการเปลี่ยนจาก การตอบสนองต่อคำสั่ง (Reactive) ไปสู่ การบรรลุเป้าหมายอย่างมีอิสระ (Proactive Goal Achievement)
“เรากำลังพูดถึงเอเจนต์ที่สามารถคิด (think), ใช้เหตุผล (reason), สื่อสาร (communicate), และช่วยคุณตัดสินใจ (make decision) ได้” Dr.Ettikan เน้นย้ำ
หัวใจหลักที่ทำให้ Agentic AI แตกต่างคือความเป็นอิสระ (Autonomy) ที่จะรับเป้าหมายปลายทางมาแล้ววางแผนและดำเนินการเอง การใช้เหตุผล (Reasoning) ในการวิเคราะห์ปัญหาที่ซับซ้อนแล้วแตกออกเป็นภารกิจย่อยๆ, และความสามารถในการใช้เครื่องมือ (Tool Use) ซึ่งเป็นตัวเปลี่ยนเกมที่ทำให้เอเจนต์สามารถเชื่อมต่อและใช้งานเครื่องมือดิจิทัลต่าง ๆ ได้ ไม่ว่าจะเป็นการดึงข้อมูลจากฐานข้อมูล การสืบค้นข้อมูลเรียลไทม์ หรือการเขียนโค้ดเพื่อคำนวณบางอย่าง ทำให้มันสามารถ “กระทำ” สิ่งต่าง ๆ นอกเหนือไปจากการสร้างข้อความได้
มองไปข้างหน้า: Physical AI
วิวัฒนาการนี้จะนำเราไปสู่ยุคต่อไป คือ Physical AI ซึ่งเป็น AI ที่มีตัวตนทางกายภาพ เช่น หุ่นยนต์หรือโดรน ที่ใช้สมองของ Agentic AI ในการคิดและวางแผนเพื่อโต้ตอบและทำงานในโลกแห่งความเป็นจริง
การเปลี่ยนผ่านจาก GenAI สู่ Agentic AI จึงไม่ใช่แค่การอัปเกรดทางเทคโนโลยี แต่เป็นการเปลี่ยนแปลงขั้นพื้นฐานที่จะปลดล็อกศักยภาพของระบบอัตโนมัติในระดับที่ไม่เคยมีมาก่อน ด้วยสถิติที่คาดการณ์ว่า 1 ใน 3 ขององค์กรจะนำเทคโนโลยีนี้ไปใช้ภายในปี 2028 การทำความเข้าใจวิวัฒนาการนี้จึงเป็นกุญแจสำคัญสำหรับผู้นำองค์กรที่ต้องการคว้าโอกาสและเป็นส่วนหนึ่งของการเปลี่ยนแปลงครั้งใหญ่นี้
Agentic AI: ไม่ใช่แค่ตอบแต่คือการ “แก้ปัญหา”
หัวใจของ Agentic AI คือความสามารถในการจำลองกระบวนการคิดของมนุษย์ เมื่อได้รับคำสั่งหรือ prompt เข้ามา มันจะไม่เพียงแค่ตอบสนอง แต่จะเริ่มจากการวิเคราะห์เป้าหมายและวางแผน (Planning) แตกปัญหานั้นออกเป็นขั้นตอนย่อย ๆ ที่จัดการได้ จากนั้นเอเจนต์จะเลือกใช้เครื่องมือ (Tool Usage) ที่เหมาะสมกับแต่ละขั้นตอน ไม่ว่าจะเป็นการเข้าถึงฐานข้อมูล การอ่านเอกสาร หรือการเชื่อมต่อกับระบบอื่นผ่าน API ซึ่งในบางครั้งอาจรวมถึงการเขียนและรันโค้ด (Code Execution) ภาษา Python ง่าย ๆ เพื่อประมวลผลข้อมูลที่ซับซ้อน
ตลอดกระบวนการนี้ เอเจนต์จะใช้ความจำ (Memory) ทั้งระยะสั้นเพื่อจดจำบริบทปัจจุบัน และความจำระยะยาวเพื่อดึงความรู้เดิมมาประยุกต์ใช้ ในระบบที่ซับซ้อนยิ่งขึ้น เอเจนต์หลักยังสามารถทำงานร่วมกัน (Collaboration) โดยมอบหมายภารกิจเฉพาะทางให้กับเอเจนต์ตัวอื่น และที่สำคัญที่สุดคือ มนุษย์ยังคงสามารถเข้ามามีส่วนร่วมในกระบวนการได้ผ่านการตรวจสอบและมีปฏิสัมพันธ์ (Human Intervention) เพื่อตรวจสอบเหตุผลและปรับเปลี่ยนแนวทางให้ได้ผลลัพธ์ที่ดีที่สุด
เพื่อให้เห็นภาพชัดเจนยิ่งขึ้น Dr.Ettikan ให้ลองจินตนาการว่าเราสั่งให้ AI ช่วย “เริ่มต้นธุรกิจฟู้ดทรัคในปารีส” ทันทีที่ได้รับคำสั่ง เอเจนต์หลักจะเริ่มวางแผนและประสานงานกับเอเจนต์ผู้เชี่ยวชาญตัวอื่น ๆ ทันที โดยเอเจนต์นักวิจัยตลาดจะเริ่มวิเคราะห์รีวิวและเทรนด์ของคู่แข่ง ขณะที่เอเจนต์นักออกแบบก็นำข้อมูลมาเสนอเมนูอาหารโดยอิงจากวัตถุดิบท้องถิ่นพร้อมสร้างอัตลักษณ์ให้แบรนด์ ในขณะเดียวกัน เอเจนต์นักวางแผนการเงินจะใช้เทคนิคการจำลองเพื่อคาดการณ์กำไรและการเติบโต ส่วนเอเจนต์ฝ่ายปฏิบัติการจะสร้างไทม์ไลน์การทำงานตั้งแต่การซื้ออุปกรณ์ไปจนถึงการขอใบอนุญาต และท้ายสุด เอเจนต์การตลาดจะเข้ามาสร้างแผนเปิดตัวพร้อมแคมเปญโซเชียลมีเดียและเขียนโค้ดสร้างเว็บไซต์สั่งอาหารออนไลน์ สุดท้ายแล้ว ผลงานทั้งหมดจากทุกเอเจนต์จะถูกรวบรวมเป็น “ข้อเสนอแผนธุรกิจ” ที่สมบูรณ์ ซึ่งทั้งหมดนี้เกิดขึ้นจากคำสั่งเพียงประโยคเดียว
NVIDIA กับ Ecosystem ที่พร้อมสำหรับ Agentic AI: เครื่องมือครบครันเพื่อการสร้างสรรค์
NVIDIA ตระหนักดีว่าการสร้างระบบ Agentic AI ที่ซับซ้อนนั้นเป็นเรื่องท้าทายสำหรับทุกองค์กร ด้วยเหตุนี้ บริษัทจึงไม่ได้นำเสนอเพียงแค่ฮาร์ดแวร์ แต่ได้สร้าง Ecosystem หรือระบบนิเวศที่สมบูรณ์ เพื่อสนับสนุนนักพัฒนาและองค์กรในทุกย่างก้าวของการเดินทางสู่โลก Agentic AI
Dr.Ettikan ย้ำ 3 องค์ประกอบหลักที่ทุกคนควรจดจำ ได้แก่ เว็บไซต์ build.nvidia.com และ NIMs (NVIDIA Inference Microservices) ซึ่งเปรียบเสมือนคลังชิ้นส่วน AI สำเร็จรูปที่พร้อมใช้งาน; NVIDIA NeMo Agent Toolkit ที่ทำหน้าที่เป็นผู้กำกับหรือผู้ควบคุมวงให้เอเจนต์ต่าง ๆ ทำงานร่วมกัน และ AIQ Agentic AI Blueprint ซึ่งเป็นพิมพ์เขียว Open-source สำหรับใช้เป็นต้นแบบในการพัฒนาแอปพลิเคชันของตนเอง
นอกจากนี้ NVIDIA ยังได้พัฒนาโมเดลภาษา Llama Nemotron ที่ปรับจูนมาเพื่องานด้านการใช้เหตุผลโดยเฉพาะ และมีระบบดึงข้อมูล (Retriever) ที่มีความแม่นยำสูง เพื่อให้มั่นใจว่าเอเจนต์จะได้รับข้อมูลที่ถูกต้องและทันท่วงทีที่สุดในการตัดสินใจ ทั้งหมดนี้ทำงานบนโครงสร้างพื้นฐานของ NVIDIA ที่ปรับแต่งมาให้มีประสิทธิภาพดีขึ้นถึง 15 เท่า
พลังของ Data Flywheel: กลไกที่ทำให้ AI “ฉลาดขึ้น” ทุกวัน
“เช่นเดียวกับมนุษย์ เราไม่ได้ฉลาดตั้งแต่วันแรก… เราเรียนรู้ไปเรื่อย ๆ การเรียนรู้อย่างต่อเนื่อง (Continuous Learning) มีความสำคัญอย่างยิ่ง” Dr.Ettikanกล่าวว่านี่คือปรัชญาที่เป็นหัวใจของ Data Flywheel ซึ่งเป็นกลไกสำคัญที่ทำให้ AI Agent ของ NVIDIA ไม่ได้เป็นเพียงเครื่องมือที่ชาญฉลาดแบบคงที่ แต่เป็นระบบที่มีชีวิตและสามารถพัฒนาตัวเองให้เก่งขึ้นได้ตลอดเวลา
หลักการของ Data Flywheel เปรียบได้กับล้อตุนกำลังที่ยิ่งหมุนก็ยิ่งมีพลัง มันคือวงจรการปรับปรุงตัวเองที่ไม่สิ้นสุด วงจรนี้เริ่มต้นจากการรวบรวมและคัดกรองข้อมูล (Data Curation) จากทุกแหล่งความรู้ขององค์กร ข้อมูลที่สะอาดแล้วจะถูกนำไปใช้ปรับแต่งโมเดล (Model Customization) เพื่อ ‘สอน’ ให้ AI กลายเป็นผู้เชี่ยวชาญในบริบทของธุรกิจนั้น ๆ
หลังจากนั้น โมเดลจะเข้าสู่ขั้นตอนการประเมินผล (Evaluation) เพื่อทดสอบประสิทธิภาพและความแม่นยำอย่างสม่ำเสมอ ควบคู่ไปกับการกำหนดขอบเขต (Guardrails) หรือวาง ‘รั้ว’ ทางพฤติกรรม เพื่อให้แน่ใจว่าเอเจนต์จะทำงานอย่างปลอดภัยและมีจริยธรรม ในขณะเดียวกันระบบการดึงข้อมูลล่าสุด (Retrieval) ที่ทรงพลังจะคอยป้อนข้อมูลที่สดใหม่และถูกต้องที่สุดให้เอเจนต์อยู่เสมอ เมื่อวงจรนี้หมุนไปผลลัพธ์ที่ได้จากเอเจนต์จะกลายเป็นข้อมูลใหม่ป้อนกลับเข้ามาในระบบอีกครั้ง ก่อให้เกิดเป็นวงจรที่เสริมแรงตัวเอง (Self-reinforcing Loop) ยิ่งเอเจนต์ทำงานมากเท่าไหร่ ก็ยิ่งเรียนรู้และฉลาดขึ้นเท่านั้น
ที่สำคัญไปกว่านั้น Data Flywheel ไม่ได้จำกัดอยู่แค่ข้อมูลตัวอักษรและเสียง แต่ยังสามารถเรียนรู้จาก ข้อมูลภาพและวิดีโอ (Visual Language Models – VLM) ได้อีกด้วย ทำให้สามารถเปลี่ยนกล้องวงจรปิดธรรมดาให้กลายเป็น “กล้องอัจฉริยะ” ที่สามารถคิด ใช้เหตุผล และดำเนินการบางอย่างแทนมนุษย์ได้
ในกรณีของ Caceis ทุกบทสนทนากับลูกค้าที่ถูกวิเคราะห์โดย AI จะกลายเป็นข้อมูลใหม่ใน Flywheel ระบบจะเรียนรู้ว่าการวิเคราะห์แบบใดที่ถูกต้องและเป็นประโยชน์ (Evaluation) เพื่อปรับปรุงความเข้าใจสำหรับบทสนทนาครั้งต่อไป นี่คือตัวอย่างที่ชัดเจนของกลไกการเรียนรู้ที่ไม่สิ้นสุดซึ่งกำลังขับเคลื่อนองค์กรชั้นนำในปัจจุบัน
ดร.เอททิคคาน กล่าสรุปว่า Agentic AI ไม่ใช่เรื่องของอนาคตอันไกลอีกต่อไป แต่เป็นเทคโนโลยีที่พร้อมให้องค์กรต่าง ๆ เข้าไปสำรวจและนำมาปรับใช้แล้ว ซึ่ง NVIDIA ได้มอบเครื่องมือที่ทรงพลังและเป็น Open-source เพื่อเปิดทางให้ทุกคนสามารถเริ่มต้นการเดินทางสู่โลกของระบบอัตโนมัติอัจฉริยะได้อย่างมั่นคง ถึงเวลาแล้วที่องค์กรของคุณจะเริ่มสร้าง AI Agent ของตัวเอง เพื่อปลดล็อกประสิทธิภาพและสร้างความได้เปรียบในการแข่งขันแห่งอนาคต
ข่าวอื่น ๆ ที่น่าสนใจ
ปลดล็อกสินเชื่อ SME-ฟรีแลนซ์: เมื่อข้อมูลทางเลือกและ AI ทลายกำแพงการเงิน
CP Axtra: กลยุทธ์ Zero Waste จัดการขยะอาหารและพลาสติกสู่เศรษฐกิจหมุนเวียน
