AI กำลังเปลี่ยนโลกในแบบที่ไม่มีเทคโนโลยีใดทำมาก่อน แต่ก่อนจะเข้าใจว่า AI จะพาอนาคตไปในทิศทางใด เราต้องเข้าใจก่อนว่า AI มาถึงจุดนี้ได้อย่างไร ใน TechCut ตอนนี้ คุณบี (พีรณัฎฐ์ ทูลแสงงาม) จาก Muze ถอดรหัสวิวัฒนาการของ AI ตั้งแต่รากฐานไปจนถึงอนาคตที่กำลังจะมาถึง
1. รากฐานของ AI: Machine Learning และ Deep Learning
ก่อนที่ Generative AI จะเป็นที่รู้จัก โปรแกรมเมอร์ทำให้คอมพิวเตอร์ทำงานด้วยการเขียนกฎแบบ If-Then-Else — ถ้าอีเมลมีคำว่า “ฟรี” และ “คลิกที่นี่” ให้จัดเป็น spam แต่ spam ใหม่ๆ ก็หาทางเลี่ยง rule ได้เสมอ
Machine Learning เปลี่ยนแนวคิดนี้ทั้งหมด — แทนที่จะเขียนกฎ เราให้ข้อมูล + label แล้วให้ AI หา pattern เอง ระบบที่เรียนรู้จากตัวอย่างแทนการถูกโปรแกรมด้วยกฎตายตัว
Deep Learning คือขั้นถัดไป โดยใช้ Neural Network หลายชั้นเลียนแบบการทำงานของสมองมนุษย์ ทำให้ AI สามารถจดจำภาพ เสียง และภาษาได้อย่างแม่นยำมากขึ้น
จนมาถึง LLMs (Large Language Models) ที่ทำสิ่งที่ไม่เคยทำได้มาก่อน — เข้าใจ semantic meaning คือบริบทของความหมาย ไม่ใช่แค่ตัวคำ “ธนาคาร” ในประโยคที่เกี่ยวกับปลาหมายถึงริมฝั่งน้ำ แต่ “ธนาคาร” ในประโยคที่เกี่ยวกับเงินหมายถึงสถาบันการเงิน LLM แยกแยะสิ่งนี้ได้จากบริบท — breakthrough นี้คือสิ่งที่เปิดประตูสู่ Generative AI
2. จาก Discriminative AI สู่ Generative AI
AI รุ่นเก่า (Discriminative AI) ทำได้แค่ “จำแนก” — เช่น บอกว่าภาพนี้คือแมวหรือหมา ทำนายยอดขายเดือนหน้า หรือตรวจจับ fraud แต่ไม่สามารถสร้างสิ่งใหม่ที่ไม่มีในชุดข้อมูลได้
Generative AI คือก้าวกระโดดครั้งใหญ่ — ใช้ LLMs ที่เรียนรู้จากข้อมูลมหาศาลจนสามารถ “สร้าง” สิ่งใหม่ได้ ไม่ว่าจะเป็นข้อความ รูปภาพ โค้ด หรือดนตรี ไม่ใช่การ “ค้นหา” คำตอบในฐานข้อมูล แต่คือการ “คิด” ต่อจากสิ่งที่เรียนรู้มา
ขั้นถัดไปที่นักวิจัยและองค์กรเทคโนโลยีชั้นนำกำลังทำงานอยู่คือ AGI (Artificial General Intelligence) — ระบบที่เรียนรู้และแก้ปัญหาได้หลากหลายเหมือนมนุษย์ ข้ามโดเมนได้โดยไม่ต้อง train ใหม่ทุกครั้ง ซึ่งถ้าถึงจุดนั้น การเปลี่ยนแปลงจะไม่ใช่แค่ productivity อีกต่อไป
3. การเขียน Prompt: กุญแจสำคัญที่หลายคนมองข้าม
การใช้ Generative AI ให้ได้ผลดีที่สุดขึ้นอยู่กับคุณภาพของ Prompt
“การเขียน Prompt ที่ดีคือการระบุคำสั่งที่เฉพาะเจาะจง”
ยิ่ง Prompt ชัดเจนและมีบริบทมากเท่าไหร่ ผลลัพธ์ก็ยิ่งแม่นยำเท่านั้น — เหมือนการสื่อสารกับพนักงานใหม่ที่ฉลาดมากแต่ยังไม่รู้บริบทของงาน
จาก Prompt สู่ Workflow: วิธีที่ Muze ใช้ AI อย่างเป็นระบบ
การเขียน Prompt ที่ดีเป็นทักษะ — แต่การทำให้ Prompt กลายเป็น workflow ที่ใช้ซ้ำได้ คือขั้นที่ต่างออกไปอีกระดับ
ใน Muze เราไม่ได้ใช้ AI แบบ ad-hoc คือถามแล้วเอาคำตอบไปใช้ แต่ออกแบบ workflow ที่ AI ทำหน้าที่ต่างกันในแต่ละขั้น
- Content Strategist — วิเคราะห์ว่า potential client อาจค้นหาอะไร และควรสร้าง content แบบไหนเพื่อตอบคำถามเหล่านั้น
- Writer & Editor — ร่าง draft แรก ปรับ structure และ tone ให้ consistent ข้ามหลายบทความ
- Developer Assistant — ช่วย config CMS, frontmatter และ multilingual setup โดยไม่ต้องเขียน boilerplate ซ้ำ
- Quality Reviewer — ให้คะแนน content ตาม criteria เพื่อจัดลำดับว่า article ไหนควร publish ก่อน
ทั้งหมดนี้ไม่ได้เกิดจากการส่ง prompt ทีละครั้ง แต่จากการออกแบบให้ AI ทำงานต่อเนื่องเป็น workflow เดียวกัน
Prompt ที่ดีไม่ใช่แค่คำสั่งที่ดี — แต่คือระบบที่ออกแบบมาเพื่อผลลัพธ์ที่ต้องการ
Software คือ tool — AI คือ intelligence layer — Solution คือการรวมทั้งสองเข้ากับ process และ people เพื่อตอบ business problem จริง ความผิดพลาดที่พบบ่อยคือองค์กรมี AI tool แต่ไม่มี Solution ที่ออกแบบมาเพื่อใช้งานจริง
4. ทำไม AI ไม่ใช่แค่ Metaverse รอบใหม่
หลายคนยังสงสัยว่า AI จะเป็นแค่กระแสชั่วคราวเหมือน Metaverse ไหม
คำตอบอยู่ที่ความแตกต่างพื้นฐาน — Metaverse ต้องการให้คนเปลี่ยนพฤติกรรม ใส่ headset ไปอยู่ใน virtual world แยกออกจากชีวิตจริง แต่คนส่วนใหญ่ไม่มีเหตุผลพอที่จะทำแบบนั้น Metaverse เสนอ space ใหม่ แต่ไม่ได้ตอบคำถามว่าจะทำให้ชีวิตหรือธุรกิจดีขึ้นอย่างไร
AI ทำตรงข้าม — มันฝังตัวเข้าไปใน tool ที่คนใช้อยู่แล้ว:
- ระบบแนะนำสินค้าใน e-commerce
- ฟิลเตอร์ spam ในอีเมล
- Google Search และ Maps
- ระบบตรวจจับการฉ้อโกงในธนาคาร
แต่สิ่งที่เปลี่ยนรุนแรงที่สุดในช่วง 2–3 ปีที่ผ่านมาไม่ใช่แค่ productivity tool — มันคือการที่ AI กำลังเปลี่ยน infrastructure ของการค้นหาความรู้เอง
ในอดีต ถ้าใครค้นหาว่า “วิธีสร้าง OTT platform ที่รองรับ 10 ล้านผู้ใช้” — Google จะแสดงรายการเว็บไซต์ แล้วให้คนตัดสินใจเองว่าจะคลิกเข้าไปอ่านที่ไหน
วันนี้ ถ้าถาม AI ว่า “ถ้าจะสร้าง OTT platform ต้องคิดเรื่องอะไรบ้าง?” — AI จะอ่านข้อมูลจากหลายแหล่ง สรุปเป็นคำตอบ และอ้างอิง content ที่มีความรู้ลึกที่สุด โดยที่ผู้ถามไม่ต้องคลิกเข้าเว็บไซต์ใดก่อนเลย
นี่คือเหตุผลที่ AI ไม่ใช่ Metaverse รอบใหม่ — Metaverse พยายามสร้าง world ใหม่ที่ไม่มีคนไป แต่ AI กลายเป็นส่วนหนึ่งของ world ที่ทุกคนอยู่แล้ว
Muze AI Framework: Human คือ Source of Truth — AI คือ Publisher
จาก foundation ของ AI ที่เพิ่งพูดถึง สิ่งที่ Muze ได้เรียนรู้จากการทำงานจริงคือ ความผิดพลาดที่พบบ่อยที่สุดในการใช้ AI ขององค์กรไม่ใช่เรื่อง technology
แต่คือการ เข้าใจผิดว่า AI รู้ทุกอย่างแล้ว
AI ไม่รู้ว่า CH3+ ต้องรองรับ 800,000 Concurrent Viewers ในคืนที่ละครดัง ไม่รู้ว่า token exchange คือจุดที่ยากที่สุดของการ integrate SDK ใน Super App ไม่รู้ว่า migration content 10,000 รายการต้องรักษา SEO equity ไว้อย่างไร
สิ่งเหล่านี้เกิดจากการลงมือทำจริง — ไม่ใช่จาก training data
Framework ที่ Muze ใช้จึงแบ่งบทบาทชัดเจน:
Human คือ Source of Truth — ใส่ context จริง, decision จริง, บทเรียนจากโปรเจกต์จริงเข้าไป
AI คือ Publisher — รับ input นั้น แล้วจัดระเบียบให้กลายเป็น narrative ที่อ่านง่าย มีโครงสร้าง และพร้อมใช้งาน
สองบทบาทนี้ขาดกันไม่ได้ — ถ้า AI ทำทุกอย่างเองโดยไม่มี insider knowledge ผลลัพธ์จะเป็นแค่ content generic ถ้า Human มี insight แต่ไม่มี AI ช่วย pace จะช้าเกินกว่าจังหวะธุรกิจ
บทสรุป: จาก Foundation สู่ Application
AI ไม่ใช่ magic และไม่ใช่กระแสชั่วคราว — มันคือ technology ที่มีรากฐานจาก Machine Learning, Deep Learning และวิวัฒนาการหลายสิบปี
แต่ความเข้าใจ foundation เพียงอย่างเดียวไม่พอ
สิ่งสำคัญคือการออกแบบ วิธีที่องค์กรจะนำ AI มาทำงานจริงกับ business ของตัวเอง — แบ่งบทบาทระหว่าง human และ AI ให้ชัด รู้ว่า AI ทำอะไรได้ดี และรู้ว่าสิ่งไหนที่ต้องมาจากคนจริงๆ
สำหรับ Muze นั่นหมายถึงการใช้ AI ในฐานะ collaborator ที่มีบทบาทชัดเจน ไม่ใช่แค่ tool ที่ถามแล้วเอาคำตอบ — ตั้งแต่ content strategy ไปถึง production ไปถึง quality review
อ่านเพิ่มเติม: Human คือ Source of Truth, AI คือ Publisher →
สรุปประเด็นสำคัญจากรายการ TechCut — “อนาคตของ AI: จากจุดเริ่มต้นสู่เทคโนโลยีที่เปลี่ยนโลก”