Revise: 20.02.2025

สวัสดีครับผู้อ่านทุกๆท่าน

หลังจากที่เราได้นำเสนอมุมมองต่างๆเกี่ยวกับ AI Agents ไปแล้วถึงสองบทความ

บทความ AI Agent Series

• Part 1, Introduction: AI Agents: Part 1

• Part 2, Deeper Dive: AI Agents: Part 2

ในบทความนี้ เราจะมาสรุปมุมมองต่างๆเกี่ยวกับ Agentic AI จากผู้เขียนดังต่อไปนี้ครับ

1. สรุปนิยาม Agentic AI

2. ทิศทางของ Agentic AI ในอนาคต

3. เตรียมตัวเพื่อเข้าสู่ยุคของ Agentic AI

หมายเหตุ: ในบทความนี้เราให้ Agentic AI = AI Agents

ในบทความนี้ เราจะมาสรุปเรื่องราวเกี่ยวกับ AI Agent รวมถึงการเตรียมตัวสำหรับ อนาคตสุด Agentic ที่กำลังจะมาถึง ก่อนที่บทความถัดๆไปจะเริ่มมีเนื้อหาในเชิงลึกมากยิ่งขึ้นเช่น รายละเอียด, ขั้นตอน และ tech stacks ที่จำเป็นสำหรับ implement ตัว Agentic AI (ผู้อ่านสามารถติดตามหัวข้อดังกล่าวหลักๆได้จากบทความของผู้เขียนฝั่ง Web2) รวมไปถึงวิธีการ decentralize ตัว AI Agents เพื่อประโยชน์สูงสุดแก่ผู้ใช้งานรายย่อย

ผู้อ่านอาจมีความสับสนหลังจากที่ได้เรียนรู้นิยาม Agentic AI ผ่าน LangChain, Anthropic รวมถึง OpenAI จากบทความทั้งสองของผู้เขียน และ/หรือจากที่แหล่งความรู้ที่ผู้อ่านเองเคยไปศึกษา Agentic AI มา เนื่องด้วยคำว่า Agentic AI นั้นเป็นศัพท์ที่เป็นกระแส แต่ผู้เขียนพบว่าภาพประกอบจากทาง Gartner ด้านล่างจะช่วยให้ผู้อ่านเห็นภาพของ Agentic AI มากขึ้นครับ

ทีนี้ขอให้ผู้อ่านนึกภาพถึงระบบ Customer Service

ที่พนักงานไม่ว่าจะเป็นมนุษย์หรือไม่ก็ตาม จะมีหน้าที่ตอบคำถามของลูกค้าให้ครบถ้วน ซึ่งอาจเป็นเป้าหมายที่ดูเรียบง่าย แต่ที่จริงมีความซับซ้อน เพราะคำถามของลูกค้าที่มีความหลากหลาย โดยเฉพาะเมื่อลูกค้าถามคำถามที่ยังไม่เคยมีใน track record ทำให้พนักงานต้องมีความสามารถในการปรับตัวต่อสถานการณ์ตรงหน้าได้ มีการวางแผนตอบคำถามลูกค้าสำหรับแต่ละสถานการณ์ เช่นการทำ KYC ลูกค้า, การวางแผนค้นหาข้อมูลที่เกี่ยวข้อง, การถาม feedback ถึงความพอใจ

ซึ่งการใช้ระบบ bot แบบเดิมๆ จะทำให้ workflow นั้นถูก fixed และไม่สามารถที่จะตอบคำถามนอกเหนือที่กำหนดไว้แล้วได้

แต่ด้วยการมาของ AI = LLM ในปัจจุบัน สามารถให้ตัว AI ช่วยตอบคำถามที่ไม่ได้อยู่ในระบบได้ รวมถึงการเป็นคนช่วยตัดสินใจใน workflow รวมถึงการพัฒนาตัว AI ผ่าน feedback ที่ได้รับ ถึงอย่างไรก็ตามในปัจจุบันระบบที่มี AI จะยังมีแผนสั่งงานสำหรับระบบที่มี AI ให้รัดกุมอยู่พอสมควร เพื่อที่จะให้ระบบ Agentic AI ทำงานได้อย่างมีประสิทธิภาพ

ดังนั้นผู้เขียนจึงขอสรุปอีกนิยาม Agentic AI อีกครั้งว่า

• [Input] Agentic AI สามารถเรียนรู้, ประมวลผล และ จัดการข้อมูลที่มีหลากหลายรูปแบบ (Complex Environment) ได้อย่างมีประสิทธิภาพ

• [Process] ยิ่ง Agentic AI มีความเป็น agenticness มากเท่าไหร่ ยิ่งสามารถวางแผนขั้นตอน (Proactive Planning) และจัดลำดับความสำคัญ (Adaptive) ของงานได้อย่างอิสระตามงานที่ได้รับมอบหมาย หมายเหตุ: ย้ำว่าความสามารถในการวางแผนทำงานเองได้ของตัว AI นั้นเป็นคนละเรื่องกับประสิทธิภาพ

• [Output] Agentic AI สามารถทำงานได้ด้วยตัวเอง (Autonomous) ตามเป้าหมายที่ได้รับ (Complex Goals) แม้ได้รับคำสั่งเพียงเล็กน้อยหรือโดยไม่ต้องรับคำสั่งเลย

จากที่ผู้เขียนได้อธิบายถึงการทำงานของ Agentic AI ในด้านบน ทำให้ผู้เขียนแบ่งกลุ่ม “ผู้ใช้งาน” แบบง่ายที่สุดจาก Workflow Process ของ Agentic AI โดยแบ่งออกเป็นสองฝั่งคือ

1. Business —โดยฝั่งนี้จะเน้นการใช้งาน Agentic AI เข้ามาเป็นส่วนนึงร่วมทำงานกับมนุษย์ใน process workflow การทำงานของ BUs (Business Units) ต่างๆ ที่ในบริษัทใหญ่ๆมักมีการกำหนด workflow การทำงานไว้อยู่แล้ว เพื่อคุมข้อผิดพลาดที่อาจเกิดขึ้นจากตัว AI ให้ได้มากที่สุด โดยทาง McKinsey เองก็ได้เน้นย้ำว่าบริษัทต่างๆกังวลความเสี่ยงในเรื่องของความไม่แม่นยำของ AI เป็นอันดับต้นๆ

2. Individual — ผู้เขียนมองว่าการใช้งานจากฝั่ง Individual หลักๆจะเริ่มจากการใช้ Agentic AI เพื่อช่วยให้ใช้ชีวิตประจำวันมีความ productive มากขึ้น ตาม use cases ที่ผู้ใช้งานต้องการเป็นหลัก โดยผู้ใช้งานฝั่งนี้จะมีข้อจำกัดในเรื่องใช้งาน Agentic AI ที่น้อยกว่าฝั่ง Business เช่น การที่ฝั่ง Individual ไม่มีความจำเป็นที่ต้อง fix ตัว workflow ของ AI สามารถไปถึงขั้นที่ให้ AI เป็นคนออกแบบระบบการทำงานด้วยตัวเองได้ ทำให้ผู้เขียนมองว่า นวัตกรรมใหม่ๆของ Agentic AI จะเกิดจากการให้บริการ Agentic AI แก่รายย่อย หรือจากรายย่อย ที่ไม่มีข้อจำกัดในเรื่องความคิดสร้างสรรค์ในการสร้าง Agentic AI เพื่อซื้อและขาย AI ผ่าน Marketplace ซึ่งผู้เขียนได้เห็นการ integrate blockchain/cryptography solutions เข้ากับ AI ทำให้เราสามารถที่จะ tokenize, incentive AI รวมถึงการที่ AI สามารถมีชีวิตอยู่บน blockchain โดยสร้าง wallet ได้ด้วยตัวเองและทำการ maximize portfolio ของตนผ่านการ trade, lend หรือการ stake รับ yield ผ่าน procotols ต่างๆ

อย่างไรก็ตามต้องขอบคุณการเกิดขึ้นของ ChatGPT ที่ทำให้ในปัจจุบันเรามี LLM ที่พร้อมใช้งานเกิดขึ้นมากมาย โดยเราสามารถนำ LLM เหล่านี้มาใช้สร้างระบบ AI ที่เข้าใกล้ความเป็น Agentic ได้มากยิ่งขึ้น และผู้เขียนขอเน้นย้ำว่าตัว LLM ในปัจจุบันยังมีกระบวนการทำงานในลักษณะที่ห่างไกลกับตอบคำถามของมนุษย์มาก แต่ก็ยังน่าทึ่งตรงที่ LLMs เหล่านี้สามารถทำงานได้อย่างมีประสิทธิภาพอย่างที่เราเห็นในทุกวันนี้

จากบทความของ McKinsey เราเริ่มเห็นได้ชัดว่าการใช้งาน GenAI นั้นลด cost และเพิ่มรายได้ให้กับหลายๆบริษัทได้จริง

โดยเฉพาะการที่ Agentic AI มีแนวโน้มที่จะสามารถพัฒนา Workflow Process ที่เคยมีให้มีประสิทธิภาพมากขึ้น จนทำให้ในอนาคตอันไม่ไกล อาจเกิด Mass-Layoff ขึ้นอีกครั้ง

สำหรับฝั่ง Business นั้น McKinsey ได้แนะนำในบทความ McKinsey Quarterly ให้

• Codification of relevant knowledge — ทำ business process ต่างๆให้อยู่ในรูปของ codified workflow สำหรับพัฒนา Agentic AI

• Strategic tech planning — มีการจัดการข้อมูลและระบบ IT สำหรับ integration และ continuous feedback สำหรับ Agentic AI

• Human-in-the-loop control mechanisms — จะต้องมีคนมาอยู่ใน loop เพื่อ ควบคุมการทำงานของ Agentic AI

สำหรับฝั่งรายย่อยจะมี options ในการเรียนรู้ที่มากขึ้น เช่นการพัฒนา Agentic AI เพื่อทำงานอย่างสร้างสรรค์และไม่ถูกจำกัดด้วย workflow ที่ต้องกำหนดไว้ แต่สำหรับเพื่อนๆ Web3 ที่ได้อ่านบทความมาถึงจุดๆนี้ เราคงจะต้องมาตอบคำถามกันก่อนว่า

Is Agentic AI in Web3 a scam?

หลังจากที่ราคาเหรียญ AI Agents ได้ปรับตัวลงอย่างรุนแรงทั้ง Spectral, Virtuals และ ai16z

ผู้เขียนได้เคยพูดถึง AI Agents ก่อนหน้านี้ไว้แล้วว่า AI Agents ส่วนมากใน Web3 ยังมีสถานะเป็น Meme โดยเหรียญ AI Agents นั้นเป็นเพียงเสมือนตัวแทนของ AI Agents หาใช่เหรียญที่ผูกและหมายถึงตัว AI Agents นั้นจริงๆ ทำให้ AI Agents ใน Web3 ยังห่างไกล concept ของ Decentralized AI Agents และทำให้ราคาของเหรียญกลับมาสู่ความเป็นจริง เน้นย้ำว่า AI Agents นั้นยังอยู่ใน Stage เริ่มต้นเพียงเท่านั้น

สำหรับคำถามถัดไป ผู้อ่านอาจถามว่าโปรเจคไหนที่มี potential สำหรับ AI Agents ในอนาคต อ้างอิงจากทิศทางของ AI Agent ผ่านมุมมองของผู้เขียนในบทความนี้ โปรเจ็คนั้นควรจะมี tools สำหรับสร้าง Agentic AI ที่ตอบโจทย์ทั้งในมุมของ Business และ Individual ที่ได้เขียนมา ทำให้ผู้เขียนเล็งเห็นว่า Sahara AI ที่มี Platform ทั้งในส่วนของการทำ Decentralized AI (Agents) Modeling (AI Studio) และ Decentralized Data Labeling (Data Services Platform) นั้นมีความพร้อมที่จะสร้าง AI Agents ที่มีคุณภาพได้เลย จากฐานข้อมูลที่ scale ได้อย่าง Data Services Platform คอยป้อนข้อมูลผู้พัฒนาให้สร้าง AI Agents คุณภาพสูงผ่าน AI Studio ซึ่งรอบรับฝั่ง Business ด้วย

โดยผู้เขียนคิดว่าจะพูดถึง AI Agents ไว้เพียงเท่านี้ก่อน เพราะอยากกลับไปโฟกัสเทรนด์ AI บน Web3 อีกครั้ง โดยเฉพาะ Privacy, Verifiability ที่เริ่มชัดแล้วว่าจะเกิดขึ้นได้จากการใช้ TEE

และยังมีเรื่องของการนำ AI มา On-Chain ซึ่งยังเป็นเรื่องที่ใหม่มากๆ โดยเฉพาะการหา use cases ที่น่าสนใจสำหรับการสร้าง On-Chain AI แต่หลักๆแล้ว กระแสนี้น่าจะเริ่มเกิดขึ้นจริงจังจากโปรแกรม Ecosystem Growth Program บน 0G ที่มีทุนให้ 88 ล้านดอลล่าร์สหรัฐเลยทีเดียว (update ตัวอย่าง use cases ที่น่าสนใจจาก Consensus HK ด้านล่าง)

สุดท้ายนี้ เมื่อต้นปีที่ผ่านมา ผมก็มีเรียนเชิญจารทั้งสองท่าน @clapclap141414, @killstoryyy เป็นเหล่าจารที่มีประสบการณ์ด้าน AI จริงๆมาร่วมเสวนาเรื่อง Agentic AI ด้วยกัน สามารถฟังย้อนหลังได้ครับ

เรากำลังอยู่ในจุดเริ่มต้นของ Agentic AI ที่ในอนาคตอันไม่ไกล เราอาจจะมีเพื่อนร่วมงานในอนาคตมากกว่า 51% เป็น AI รวมถึงการที่มีเพื่อนๆในชีวิตประจำวันมากกว่า 51% เป็น AI มาช่วยวางแผนทั้งการเงิน, การทำงาน รวมถึงการวางแผนท่องเที่ยวพักผ่อนหย่อนใจ พอได้ลองจิตนการดูแล้ว ผู้เขียนก็ยังคิดไม่ตกเลยว่ามนุษย์ควรที่จะทำงานประเภทไหน แต่ถ้าผู้อ่านอ่านมาถึงจุดๆนี้ก็อย่าลืมแนะนำงานให้ผู้เขียนได้ครับ

• https://www.gartner.com/en/articles/intelligent-agent-in-ai

.

.

.

.

.

.

.

.

.

.

ตลาดทุนอะไรที่เป็นฟอง สุดท้ายแตกเสมอครับ

@0xlordachita - 17.10.2024

.

.

.

ผู้เขียนไปแข่ง Agentic Ethereum มาด้วย แต่ช่วงนั้นยุ่งมากจนเลือกปั่นงานส่งแบบ One Night Miracle แน่นอนว่าไม่ได้ไปต่อเพราะปั่นงานวันเดียว แต่ก็รู้สึกดีที่ได้ทำ(เข้าแข่งขัน) 555+