SCBX AI Outlook 2025

---

SCBX AI Outlook 2025

เจาะอนาคต AI ปี 2025 กับ SCBX

📌 Connect with me and follow our journey: Linkedin, Facebook

บทความนี้สรุปเนื้อหาสำคัญจากหนังสือ “SCBX AI Outlook 2025” ซึ่งเผยแพร่โดย SCBX สำหรับผู้ที่สนใจศึกษาเพิ่มเติม สามารถดาวน์โหลดเอกสารฉบับเต็มได้ที่: https://www.scbx.com/en/scbx-exclusive/ai-outlook-2025/

การเปิดตัว ChatGPT โดย OpenAI ปลายปี 2022 เปิดศักราชใหม่ของ Generative AI ที่ได้ฝังตัวอย่างรวดเร็วทั้งในชีวิตประจำวันและธุรกิจ รายงาน SCBX AI Outlook 2025 นี้เป็นเสมือนแผนที่นำทางท่ามกลางคลื่นเทคโนโลยี AI ที่กำลังเปลี่ยนแปลงโลก โดยเนื้อหาแบ่งเป็น 4 ส่วนหลัก:

• Act I: Open-Source vs. Closed-Source ศึกชิงเจ้า AI
  - Open-Source AI กำลังมาแรงแซงทางโค้ง
  - DeepSeek: ดาวรุ่งพุ่งแรงแห่งวงการ Open-Source
  - Open-Source กำลังเปลี่ยนเศรษฐศาสตร์ของ AI
• ACT II: AI รุ่นใหม่ เล็กลง ฉลาดขึ้น ใช้งานได้หลากหลายขึ้น
  - Versatile Multimodal Models (AI เข้าใจหลายรูปแบบพร้อมกัน)
  - Small Models for Specific Tasks (AI ขนาดเล็กที่เก่งเฉพาะทาง)
  - Scaling Intelligence for Improved Reasoning (AI ที่เน้นการคิดวิเคราะห์มากกว่าขนาด)
• ACT III: Agentic AI — ยุคของผู้ช่วย AI ที่ “คิดและลงมือทำ”
  - Gen AI (แบบเดิม) vs. Agentic AI
  - SCBX Agentic AI Approach
• ACT IV: Not Quite Human, But Almost There
  - ความหมายของ AGI
  - A Framework for Evaluating AGI Capability Levels
  - The True Path to AGI — ความเห็นจาก Yann LeCun
  - Typhoon — LLM ภาษาไทย ฝีมือ SCBX 10X

ปิดท้ายด้วยกรณีศึกษาการใช้งาน “Typhoon” AI Engine ของ SCBX ในหน่วยธุรกิจต่างๆ รายงานนี้มุ่งเป็นเข็มทิศสำหรับผู้นำในการนำ AI มาสร้างความได้เปรียบทางธุรกิจ

Act I: Open-Source vs. Closed-Source ศึกชิงเจ้า AI

ตอนนี้การพัฒนา AI ขั้นสูง มี 2 แนวคิดหลักที่แข่งขันกันอยู่:

• Open-Source AI:
  - โค้ดและหลักการทำงานเปิดเผยต่อสาธารณะ
  - ใครก็สามารถนำไปใช้ ปรับปรุง หรือพัฒนาต่อได้
  - ตัวอย่างเช่น: DeepSeek, LLaMA จาก Meta
• Closed-Source AI:
  - ถูกพัฒนาและควบคุมโดยบริษัทใหญ่
  - โค้ดปิด ไม่เปิดเผยรายละเอียดการทำงาน
  - ตัวอย่างเช่น: ChatGPT ของ OpenAI, Claude ของ Anthropic

ข้อดีข้อเสียที่ต่างกัน:

• Open-Source เปิดให้ทดลองและพัฒนาได้มาก
• Closed-Source มักมีประสิทธิภาพสูงกว่า แต่เราไม่รู้ว่ามันทำงานยังไง เหมือนกล่องดำ (Black Box)

Open-Source กำลังมาแรงแซงทางโค้ง:

ถึงแม้ Closed-Source AI จะเป็นตัวจุดประกายความสนใจเรื่อง AI ให้คนทั่วไปรู้จัก แต่ตอนนี้ Open-Source AI กำลังเติบโตอย่างรวดเร็ว สถิติจาก Stanford Institute for Human-Centered Artificial Intelligence (HAI) บอกว่าในปี 2023 มี AI แบบ Foundation Model (โมเดลพื้นฐานที่ใช้ต่อยอดได้) เกิดขึ้นถึง 149 ตัว และมากกว่า 65% เป็นแบบ Open-Source ซึ่งเพิ่มขึ้นจากปีก่อนๆ อย่างเห็นได้ชัด (เพิ่มขึ้นจาก 44.4% ในปี 2022 และ 33.3% ในปี 2021)

• หลายองค์กรหันมาใช้ Open-Source AI เพื่อสร้างระบบ chatbot และแอปพลิเคชัน AI ของตัวเอง
• ไม่ต้องเสียเงินจ่ายให้บริษัทเจ้าของโมเดล
• ปรับแต่งได้ตรงกับความต้องการของตัวเอง เช่น ปรับให้เหมาะกับภาษาท้องถิ่นหรือธุรกิจเฉพาะกลุ่ม

สรุปง่าย ๆ:
Open-Source AI กำลัง “ไล่ทัน” หรืออาจแซงหน้า Closed-Source AI
และการเลือกใช้แบบใดจะเป็น “กลยุทธ์สำคัญ” ของทุกองค์กรในอนาคต

DeepSeek: ดาวรุ่งพุ่งแรงแห่งวงการ Open-Source:

Credit: SCBX Link → https://www.scbx.com/en/scbx-exclusive/ai-outlook-2025/

ประเด็นสำคัญ:

• DeepSeek เป็นโมเดล Open-Source ที่เติบโตเร็วมากในเวลาแค่ 2 ปี
• ออกรุ่นใหม่หลายรุ่น เช่น DeepSeek-Coder, DeepSeek-V2, และล่าสุด DeepSeek R1
• จุดเด่นของ DeepSeek R1 คือ ทำคะแนนได้ใกล้เคียงกับ “o1” ของ OpenAI ซึ่งเป็นโมเดลแบบ Closed-Source

จุดแข็งของ DeepSeek R1

• ใช้เงินพัฒนาประมาณ 5.6 ล้านเหรียญสหรัฐ (ประมาณ 200 ล้านบาท) ซึ่งถูกกว่าที่หลายคนคิด
• สามารถลดช่องว่างของประสิทธิภาพระหว่าง Open-Source และ Closed-Source ได้อย่างชัดเจน
• โดยเฉพาะการทำคะแนนในแบบทดสอบ MMLU (Massive Multitask Language Understanding) ซึ่งเป็นการทดสอบความเข้าใจ ความรู้ทั่วไป และการแก้ปัญหา

Credit: SCBX Link → https://www.scbx.com/en/scbx-exclusive/ai-outlook-2025/

ประเด็นสำคัญ:

• GPT-4.5: ประสิทธิภาพสูงสุด (Score 51) แต่ต้นทุนสูงถึง $112.5 ต่อ 1 ล้าน tokens
• DeepSeek R1: ต้นทุนเพียง $1.37 แต่ทำคะแนนได้ 60.9 — เกิน GPT-4.5 ด้วยซ้ำ!
• โมเดลอื่นอย่าง Claude 3.5, Gemini 2.5 Pro, OpenAI o3/o4-mini ก็กระจายอยู่ในกลุ่มราคากลางถึงสูง

“AI ไม่จำเป็นต้องแพง ถึงจะเก่ง”
Open-Source อย่าง DeepSeek R1 พิสูจน์แล้วว่าทำได้ทั้งถูกและดี

• การที่ Open-Source อย่าง DeepSeek ทำได้ดีขนาดนี้ อาจส่งผลให้:
  - ลดต้นทุนในวงการ AI
  - กระจายโอกาสการเข้าถึง AI ไปยังธุรกิจขนาดเล็ก
  - ผลักดันนวัตกรรมให้ก้าวหน้าเร็วขึ้น
• นอกจากเรื่อง “ประสิทธิภาพ” และ “ราคา” แล้วยังมีการแข่งกันเรื่อง “ความเร็วในการตอบแบบมีเหตุผล (Reasoning Speed)” ด้วย ยิ่ง AI ตอบเร็วและแม่นมากเท่าไร ก็ยิ่งมีค่ามากในการใช้งานจริง

Open-Source กำลังเปลี่ยนเศรษฐศาสตร์ของ AI:

1. Economies of Scale (ประหยัดจากขนาด)
   - Open-Source ช่วยให้ต้นทุนพัฒนา AI ถูกลงมาก เพราะ:
   → ใช้คนทั่วโลกช่วยกันพัฒนา
   → บริษัทไม่ต้องเริ่มต้นจากศูนย์
   → แค่ปรับแต่ง (fine-tune) ก็ใช้งานได้แล้ว
   - ส่งผลให้ “การนำ AI ไปใช้เชิงพาณิชย์” เกิดขึ้นได้เร็วขึ้น
2. Economies of Speed (ประหยัดจากความเร็ว)
   - เมื่อโค้ดเปิดให้สาธารณะ คนจำนวนมากสามารถ:
   → ปรับปรุงโมเดลร่วมกัน
   → แก้ปัญหาได้ไวกว่าองค์กรปิดที่มีทีมเล็ก
   - ทำให้ Open-Source ไล่ทัน Closed-Source ได้เร็วขึ้นมาก

• ตัวอย่าง: SCB10X พัฒนาโมเดลชื่อ Typhoon2 R1 70B
  - ใช้เงินแค่ $120 (ประมาณ 4,000 บาท) และเวลาแค่ 15 ชั่วโมง
  - ผสม DeepSeek R1 กับ Typhoon2 70B (เด่นเรื่องภาษาไทย)
  - ผลลัพธ์คือโมเดลที่ เก่งทั้งภาษาไทยและการใช้เหตุผล

ACT II: AI รุ่นใหม่ เล็กลง ฉลาดขึ้น ใช้งานได้หลากหลายขึ้น

3 เทรนด์ใหญ่ที่กำลังมา

1️⃣ Versatile Multimodal Models (AI เข้าใจหลายรูปแบบพร้อมกัน)

Multimodal AI คืออะไร?

• คือ AI ที่เข้าใจและประมวลผล หลายรูปแบบของข้อมูลพร้อมกัน
• เช่น ข้อความ (Text), รูปภาพ (Image), เสียง (Audio), วิดีโอ (Video)
• ทำให้ AI เข้าใจ “บริบท” ได้ดีขึ้น และสามารถจัดการงานที่ซับซ้อนได้มากขึ้น

ตัวอย่างการใช้งาน

• ช่วยให้ AI วิเคราะห์รายงานที่มีทั้งข้อความและภาพประกอบ
• ใช้ในการดูแลลูกค้าแบบเห็นหน้า (voice + video + chat)
• นำไปสู่การสร้าง AI Agents ที่ทำงานแทนคนได้อย่างชาญฉลาด

ตัวอย่างจาก SCBX:

• SCB X ได้นำเทคโนโลยี Multimodal AI มาใช้ในระบบ Smart RM Training เพื่อจำลองการสนทนากับลูกค้าและฝึกอบรมพนักงานขายแบบเรียลไทม์ ทำให้พนักงานพัฒนาทักษะได้รวดเร็วและครอบคลุมมากขึ้น

ตัวอย่าง Model:

• Y2024 เริ่มเห็น “โมเดลหลายโหมดแบบกำเนิดโดยตรง” (Natively Multimodal) เช่น Google Gemini, Meta LLaMA
• Y2025 การให้เหตุผลด้วยข้อมูลหลายแบบเร่งสู่ AGI เช่น Grok, Gemini 2.0 Pro, Qwen2.5 Omni, DeepSeek Janus Pro

Multimodal AI = “AI ที่มีหู มีตา มีสมอง”
ทำให้มันเข้าใจโลกได้คล้ายมนุษย์มากขึ้น และใช้งานได้หลากหลายมากขึ้น

2️⃣ Small Models for Specific Tasks (AI ขนาดเล็กที่เก่งเฉพาะทาง)

• เรียกว่า Small AI Models หรือ Small Language Models (SLMs)
• มีขนาดเล็กกว่า GPT-3 / GPT-4 แต่ฝึกมาให้เชี่ยวชาญเฉพาะเรื่อง เช่น คณิตศาสตร์, ภาษา, การแพทย์ ฯลฯ

แนวทางในการประยุกต์ใช้

• นำ model ขนาดเล็กไปใส่ในสมาร์ตโฟน
• ใช้เฉพาะเรื่องเช่น การแพทย์, กฎหมาย, แนะนำสินค้า เป็นต้น

ตัวอย่าง Model:

• Phi-1 (Microsoft):
  - มีแค่ 14 พันล้านพารามิเตอร์
  - แต่ทำได้ดีกว่า Gemini Pro 1.5 ในงานคณิตศาสตร์
  - ออกแบบโดยเน้น “AI ที่มีความรับผิดชอบ” (Responsible AI)
• Mistral 3B และ 8B (Mistral AI):
  - โมเดลเล็กที่ทำผลงานดีเยี่ยมบน benchmark ต่าง ๆ
  - ติดอันดับ “Top 10 Breakthrough Technologies of 2025” โดย MIT Technology Review

3️⃣ Scaling Intelligence for Improved Reasoning (AI ที่เน้นการคิดวิเคราะห์มากกว่าขนาด):

“AI ที่ไม่ใช่แค่ใหญ่ขึ้น แต่ ‘คิดเป็น’ มากขึ้น”

3.1 ปัญหาเดิม: Scaling Up = เพิ่มขนาดโมเดล

• GPT-3, GPT-4 และโมเดลใหญ่ในยุคก่อน ใช้พลังประมวลผลมหาศาล + ข้อมูลจำนวนมาก
• ทำให้ฉลาดขึ้นจริง (โดยเฉพาะความเข้าใจภาษาและเหตุผล)
  แต่ก็:
  - แพงมาก (ต้องใช้ GPU, พลังงาน, และข้อมูลขนาดใหญ่)
  - ไม่ยั่งยืน (ข้อมูลดี ๆ กำลังจะหมดภายใน 2026)

3.2 แนวทางใหม่: “คิดนานขึ้น แทนที่จะโตใหญ่ขึ้น”

• ไม่เน้นให้โมเดลตอบเร็วอย่างเดียว
• แต่ให้ “ใช้เวลาคิด” กับปัญหายาก ๆ โดยจำลองการคิดเป็นขั้น ๆ (multi-step reasoning)
• เรียกแนวคิดนี้ว่า: Test-time Compute (การเพิ่มพลังการประมวลผลในช่วงใช้งานจริง): แทนที่จะตอบคำถามทันที AI จะใช้เวลา “คิด” มากขึ้น โดยการสำรวจหลายๆ ทางออก ประเมินผล แล้วเลือกคำตอบที่ดีที่สุด

ตัวอย่าง Model:

• OpenAI ทำโมเดลชื่อ “o1” series
  - ออกแบบให้ “ค่อย ๆ คิดหลายรอบ” ก่อนตอบ
  - ใช้ข้อมูลที่คัดสรรมาดีเพื่อฝึกให้ “คิดเป็น”

ACT III: Agentic AI — ยุคของผู้ช่วย AI ที่ “คิดและลงมือทำ”

สถานะปัจจุบันของ AI:

• AI ส่วนใหญ่ที่ใช้กันอยู่ตอนนี้ยังเป็น Generative AI → รับคำสั่งแล้วสร้างเนื้อหาให้
• แม้จะก้าวหน้า (เช่น ChatGPT, Gemini) แต่ยัง เป็นเพียงผู้ตามคำสั่ง ไม่ได้ตัดสินใจเอง

การเปลี่ยนผ่านสู่ Agentic AI

• Agentic AI คือ AI ที่ทำได้มากกว่าแค่ตอบ
  → มัน เข้าใจเป้าหมาย, คิดวางแผน, และ ลงมือทำอัตโนมัติ
• ใช้ความรู้บริบท (Contextual Knowledge) + ตัดสินใจเองได้ระดับหนึ่ง

Generative AI = ผู้ช่วยที่รอคำสั่ง
Agentic AI = ผู้ช่วยที่รู้เป้าหมายแล้ว “ลงมือจัดการเอง”

ตัวอย่างจริง: งานวางแผนการลงทุน (Investment Planning)

• Generative AI: สร้างคำแนะนำตามข้อมูลที่มี
• Agentic AI:
  - ตรวจสอบข้อมูลตลาดแบบเรียลไทม์
  - ประเมินผลกระทบ
  - ปรับแผนโดยอัตโนมัติ

Credit: SCBX Link → https://www.scbx.com/en/scbx-exclusive/ai-outlook-2025/

เปรียบเทียบขั้นตอนทำงาน:

1. Gen AI (แบบเดิม): ทำงานตามคำสั่งทีละรอบ
   - Receive: รับคำสั่งหรือคำถามจากมนุษย์
   - Perceive: ประมวลผลเพื่อเข้าใจบริบท
   - Generate: สร้างคำตอบ (จากโมเดลที่ฝึกไว้แล้ว)
   - ⚠️ ข้อจำกัด:
   → ต้องพึ่งการ “สั่งซ้ำ” จากมนุษย์เพื่อปรับปรุงผลลัพธ์
   → ไม่สามารถเดินหน้าต่อเองได้ → ขาดความสามารถในการวางแผนหรือปรับเปลี่ยน
2. Agentic AI: ทำงานแบบ “มนุษย์ผู้ช่วยอัจฉริยะ”
   - Receive: รับเป้าหมายหรือคำสั่ง
   - Perceive & Reason: เข้าใจบริบท + วิเคราะห์ข้อมูลจากหลายแหล่ง
   - Plan & Coordinate: วางแผน จัดการทรัพยากร หรือเครื่องมือที่ใช้
   - Act: ลงมือทำ เช่น เรียกใช้ API, ส่งอีเมล, สร้างรายงาน
   - ✅ มีจุดเด่นเพิ่มเติม:
   → เรียนรู้ต่อเนื่อง (Continuous learning): จากสภาพแวดล้อม ข้อมูลย้อนกลับ และผลลัพธ์ที่ผ่านมา
   → ปรับเป้าหมายและวิธีการได้เอง: ไม่ต้องรอคำสั่งใหม่ทุกครั้ง

เป็น AI ที่สามารถ คิด วิเคราะห์ วางแผน และลงมือทำ ได้ครบวงจร

Credit: SCBX Link → https://www.scbx.com/en/scbx-exclusive/ai-outlook-2025/

เปรียบเทียบการทำงาน:

1. Gen AI Approach

• เป็นระบบที่ต้องให้ ผู้ใช้ถาม — AI ตอบ แบบทีละคำสั่ง
• ตัวอย่าง:
  - พิมพ์ว่า “MSFT ผลตอบแทนเป็นยังไง หลังปีใหม่ มีสัญญาณแบบย้อนกลับมาก?”
  - ระบบจะดึงข่าวหรือเนื้อหาที่เกี่ยวข้องมาตอบ
• ข้อจำกัด:
  - ข้อมูลกระจัดกระจาย
  - ต้องอาศัยมนุษย์ในการ “ตีความ” และ “สรุปเอง”
  - ไม่มีการคำนวณหรือวิเคราะห์เชิงลึก

2. SCBX Agentic AI Approach

• เป็นระบบที่ รับเป้าหมาย → วางแผน → ดึงข้อมูล → วิเคราะห์ → สรุปให้เอง
• ตัวอย่าง:
  - เมื่อถามเรื่อง MSFT ระบบจะ:
  1. ดึงข้อมูลสถิติย้อนหลัง
  2. วิเคราะห์ความน่าจะเป็นในการทำกำไร
  3. คำนวณ Risk-Reward Ratio
  4. สร้าง “ข้อสรุป” ให้เห็นแบบชัดเจน
• ข้อได้เปรียบ:
  - มีการวางขั้นตอนการคิดอย่างอัตโนมัติ
  - แปลผลให้เห็น actionable insights → เช่น ควรลงทุนหรือไม่
  - มี Simulation และ กราฟย้อนหลัง รองรับการวิเคราะห์แบบมืออาชีพ
• จุดแข็ง 5 ด้านหลัก:

1. Input Interpretation → เข้าใจคำถามอย่างแม่นยำ เช่น การวิเคราะห์หุ้น MSFT
2. Reasoning and Planning → วางแผนวิเคราะห์เอง เช่น หาราคาย้อนหลัง, วิเคราะห์กราฟ, อ่านข่าวสำคัญ
3. Tool Execution for Analysis → เรียกใช้ API และเครื่องมือ เช่น:
   → ตัววิเคราะห์งบการเงิน
   → ตัวกรองหุ้น (Stock Screener)
   → ตัวชี้วัดทางเทคนิค → แล้วสรุปผลอย่างมีโครงสร้าง พร้อมข้อมูลจาก InnovestX
4. Real-Time Data Presentation → แสดงข้อมูลสดแบบเข้าใจง่าย เช่น:
   → กราฟผลตอบแทน
   → ตาราง Win Rate (5, 10, 20 วัน)
   → อัตราส่วนความเสี่ยงต่อผลตอบแทน (Risk-to-Return)
   → การจำลองผลลัพธ์ในอนาคต (Simulation)
5. Deep Summary and Recommendations → สรุปเชิงลึก + คำแนะนำชัดเจน เช่น: “MSFT มีโอกาสชนะ 60% ในช่วงเวลา 20 วัน โดยมีอัตราส่วนผลตอบแทนต่อความเสี่ยง 1.21”

ACT IV: Not Quite Human, But Almost There

ความหมายของ AGI:

AGI (Artificial General Intelligence) คือ AI ที่สามารถ “คิด, เรียนรู้, และทำงานได้หลากหลายแบบมนุษย์”

ไม่ใช่แค่เก่งเฉพาะเรื่องเดียว แต่สามารถ “โยกย้ายความรู้” และ “เรียนรู้สถานการณ์ใหม่” ได้เอง

แนวคิดของ AGI:

• ไม่ใช่แค่ “ทำงาน” ได้ แต่ต้อง:
  - คิดเองได้
  - เรียนรู้สิ่งใหม่โดยไม่ต้องเทรนใหม่
  - เข้าใจสิ่งรอบตัว และบริบทที่ซับซ้อน
  - โต้ตอบกับสิ่งแวดล้อมอย่างยืดหยุ่น

ทำไม AGI ยังไม่เกิด?

• เพราะ การนิยาม “ความคิดระดับมนุษย์” ยังซับซ้อน
• มนุษย์มี:
  - ความเข้าใจบริบท (Context)
  - ความคิดสร้างสรรค์
  - การตัดสินใจเชิงอารมณ์หรือคุณค่า
• สิ่งเหล่านี้ “ยังยากมาก” ที่จะจำลองด้วยคอมพิวเตอร์

A Framework for Evaluating AGI Capability Levels

• 0️⃣ Level 0: No AI
  - ไม่มีลักษณะของ AI เลย
  - ตัวอย่าง: เครื่องคิดเลข, คอมไพเลอร์, ระบบที่ใช้แรงงานคนล้วน ๆ (เช่น Amazon Mechanical Turk)
• Level 1️⃣: Emerging
  - เก่งพอ ๆ กับมนุษย์ที่ไม่มีทักษะ หรือเก่งกว่านิดหน่อย
  - ใช้กฎหรือขั้นตอนแบบตายตัว (rule-based)
  - ตัวอย่าง AGI: ChatGPT (OpenAI), Llama 2 (Meta), Gemini (Google)
• Level 2️⃣: Competent
  - มีความสามารถระดับเฉลี่ยของมนุษย์ (50th percentile)
  - Narrow AI ที่อยู่ระดับนี้ เช่น:
  → Siri, Alexa, Google Assistant
  → LLM ที่เขียน essay หรือเขียนโค้ดง่าย ๆ
  - ยังไม่มี AGI ที่ถึงระดับนี้ได้
• Level 3️⃣: Expert
  - เทียบเท่าหรือเก่งกว่า 90% ของมนุษย์
  - ตัวอย่าง Narrow AI:
  → Grammarly (ตรวจไวยากรณ์)
  → Imagen หรือ DALL-E 2 (สร้างภาพ)
  - ยังไม่มี AGI ที่ไปถึงระดับ Expert ได้
• Level 4️⃣: Virtuoso
  - เทียบเท่าหรือเก่งกว่า 99% ของมนุษย์
  - ตัวอย่าง (เฉพาะ Narrow AI):
  → Deep Blue (หมากรุก)
  → AlphaGo (โกะ)
  - ยังไม่มี AGI ถึงระดับนี้
• Level 5️⃣: Superhuman
  - เก่งกว่ามนุษย์ในทุกด้าน
  - ตัวอย่าง:
  → AlphaFold, AlphaZero (DeepMind)
  - ในแง่ของ Artificial Superintelligence (ASI)
  ยังไม่มีระบบไหนถึงขั้นนี้
• หมายเหตุสำคัญ:
  - Narrow AI = เก่งเฉพาะเรื่อง (แต่อาจเก่งมาก)
  - AGI (General AI) = เข้าใจได้หลายเรื่อง คิดได้เหมือนมนุษย์

The True Path to AGI — ความเห็นจาก Yann LeCun

การจะไปถึง AGI ไม่ใช่แค่ปรับปรุงโมเดลเดิมให้ดีขึ้น แต่ต้อง ‘เปลี่ยนแนวคิด’ ทั้งระบบ เขาแนะนำให้ “ละทิ้งแนวทางเดิม” ที่นิยมในวงการตอนนี้:

1. Abandon Generative Models
   - หยุดเน้นสร้างข้อความ/ภาพจากข้อมูลฝึก เช่น GPT หรือ Stable Diffusion
   - หันไปใช้ระบบที่ “เข้าใจความสัมพันธ์ของข้อมูล” มากกว่าการสร้าง output
2. Abandon Probabilistic Models
   - โมเดลที่เดาว่าคำต่อไปคืออะไร (แบบ LLM) ไม่เหมาะกับ AGI
   - เขาเสนอใช้ energy-based models → เน้นเข้าใจ “สถานะ” ของระบบ → คล้ายการทำงานของสมองมนุษย์
3. Abandon Contrastive Methods
   - วิธีที่ให้ AI เรียนรู้โดยแยกความต่างระหว่างข้อมูล (เช่น self-supervised learning แบบทั่วไป)
   - ควรใช้ regularized methods ที่แม่นยำและครอบคลุมกว่า → ลดการเรียนรู้แบบลำเอียง
4. Abandon Reinforcement Learning
   - RL (เรียนรู้จากรางวัล-การลงโทษ) ควรใช้เป็นแค่ “ตัวเสริม”
   - ให้ใช้ Model Predictive Control (MPC) แทน → วางแผนล่วงหน้าและคำนวณผลลัพธ์ในอนาคตแบบเรียลไทม์
5. Final Advice: Don’t Work on LLMs หากอยากสร้าง Human-Level AI
   - LLM แม้เก่ง แต่:
   → เข้าใจบริบทโลกไม่ครบ
   → ขาดเหตุผลแบบมนุษย์
   → ไม่ยืดหยุ่นพอสำหรับปัญหาซับซ้อนข้ามโดเมน
   - ถ้าอยากสร้าง AGI จริง ๆ → ควรสำรวจทางอื่นนอกจาก LLM

Typhoon — LLM ภาษาไทย ฝีมือ SCBX 10X

Typhoon คือโมเดลภาษาไทยขนาดใหญ่ (Thai-Language LLM) ที่ SCBX พัฒนาขึ้นโดยเฉพาะเพื่อ “ปลดล็อกศักยภาพ AI ภาษาไทย” ให้ใช้งานได้จริงในหลากหลายอุตสาหกรรม

เป้าหมายของ Typhoon:

• ยกระดับ ความแม่นยำ
• เพิ่ม ความเข้าใจบริบทไทย
• ทำให้ AI เข้าถึงได้ง่ายขึ้น สำหรับผู้ใช้ไทย

ตัวอย่าง Case Studies ที่เกิดขึ้นจริง:

1. Smart RM Training System (ดูเพิ่มเติมใน ACT II)
   ใช้ AI จำลองบทสนทนา → ฝึก Relationship Manager แบบโต้ตอบเสียง (Voice-based Simulation)
2. Agentic AI Financial Advisory Platform (ดูเพิ่มเติมใน ACT III)
   ให้คำแนะนำด้านการเงินอัตโนมัติจากข้อมูลจริง + วิเคราะห์สถานการณ์ตลาด

ตัวอย่างความร่วมมือ:

• ศิริราช: ใช้ AI ภาษาไทยช่วยเอกสารทางการแพทย์และ workflow การวินิจฉัย
• VISAI: พัฒนา Legal AI ภาษาไทย (เช่น chatbot, เอกสารกฎหมาย)
• TDRI: ใช้ AI วิเคราะห์ข้อมูลแรงงาน → ช่วยกำหนดนโยบายเชิงข้อมูล

เป็นอย่างไรกันบ้างครับกับการเดินทางสำรวจโลก AI ปี 2025 ไปกับรายงาน SCBX AI Outlook 2025? หวังว่าบทความนี้จะช่วยให้เพื่อนๆ เข้าใจภาพรวมของ AI ในอนาคต และมองเห็นโอกาสที่ซ่อนอยู่ได้ชัดเจนยิ่งขึ้น

ถึงแม้ว่าเส้นทางสู่ AGI จะยังอีกยาวไกล แต่ความก้าวหน้าของ AI ในปัจจุบันก็สร้างความเปลี่ยนแปลงให้กับโลกของเราอย่างมหาศาลแล้ว การเรียนรู้และปรับตัวให้เข้ากับเทคโนโลยีเหล่านี้ จะช่วยให้เราสามารถใช้ประโยชน์จาก AI ได้อย่างเต็มที่ และสร้างอนาคตที่ดีกว่าเดิม

ขอบคุณที่ติดตามอ่านจนจบนะครับ แล้วพบกันใหม่ในบทความหน้า ^__^

Data Science Explore the world of data science with Donato_Story

Dashboard Discover the power of data visualization with Donato_Story

Donato_Journey Join me on my journey (Thai version)

Course_Review Discover the training courses with Donato_Story (Thai version)

Let’s Connect!

Your thoughts and feedback are invaluable. Feel free to share them in the comments or connect with me on

• 🌐 Medium: medium.com/donato-story
• 📘Facebook: web.facebook.com/DonatoStory
• 💼 Linkedin: linkedin.com/in/nattapong-thanngam