Transcription
สวัสดีครับ ยินดีต้อนรับสู่การสนทนาเจาะลึกของเราในวันนี้นะครับ ถ้าเรามองภาพใหญ่ของปี 2025 กันดีๆ เนี่ย จะเห็นเลยว่าภูมิธาตุของ AI มันเปลี่ยนไปแบบสิ้นเชิงเลย คือมันไม่ใช่ยุคของแชทบอทอีกต่อไปแล้ว แต่เป็นยุคที่ปัญญาประดิษฐ์ถูกทำให้กลายเป็น เอ่อ อุตสาหกรรมอย่างเต็มรูปแบบ แล้วดูเหมือนว่าศูนย์กลางของการเปลี่ยนแปลงครั้งใหญ่นี้ก็คือ Amazon Web Services หรือ AWS กับโมเดล AI ของตัวเองที่ชื่อว่า Amazon Nova นี่แหละครับ
วันนี้เราเลยจะมาเจาะลึกข้อมูลจากชุดเอกสารวิเคราะห์ระบบนิเวศของ Amazon Nova ณ ปลายปี 2025 นี่แหละครับ เพื่อทำความเข้าใจให้ถึงแก่นเลยว่า Amazon พลิกเกมจากการเป็นแค่ผู้จัดจำหน่ายหรือแบบว่าร้านสะดวกซื้อ AI มาเป็นผู้กำหนดทิศทางของตลาดทั้งหมดได้ยังไง
>> ใช่เลยค่ะ เป้าหมายของเราวันนี้ก็คือการสำรวจกลยุทธ์ที่ซับซ้อนแล้วก็แยบยลมากๆ ของ Amazon ในการที่เขาผสานทุกอย่างเข้าด้วยกัน ตั้งแต่เม็ดทรายที่เอามาทำชิปซิลิคอนไปจนถึง AI agent ที่ทำงานได้เองโดยอัตโนมัติ และที่สำคัญที่สุดเราจะมาไขคำตอบกันว่าแนวคิดที่เรียกว่าโรงงานผลิต AI หรือ AI Factory ที่หลายคนพูดถึงกันเนี่ย หน้าตาจริงๆของมันเป็นยังไง แล้วมันกำลังจะเปลี่ยนโลกธุรกิจไปตลอดกาลได้ยังไงค่ะ
>> น่าสนใจมากครับ งั้นเรามาเริ่มกันที่จุดเริ่มต้นเลยดีกว่า ก่อนที่จะมี Nova เนี่ย เอ่อ Amazon อยู่ตรงไหนของวงการ AI ครับ ทำไมจู่ๆพวกเขาถึงไม่พอใจกับการเป็นแค่สวิตเซอร์แลนด์ที่เป็นกลางที่ให้บริการโมเดลของบริษัทอื่นอย่าง Anthropic หรือ OpenAI ผ่านบริการที่ชื่อว่า Amazon Bedrock ล่ะครับ มันมีปัญหาอะไรซ่อนอยู่ล่ะครับ
>> เป็นคำถามที่ดีมากเลยค่ะ ปัญหาหลักที่ Amazon ต้องเผชิญในตอนนั้นในทางยุทธศาสตร์แล้วเนี่ย เขาเรียกกันว่า "ภาษีโมเดล" หรือ Model Tax ค่ะ คือต้องเข้าใจภาพก่อนว่าการที่ AWS ให้บริการโมเดลของเจ้าอื่นบนโครงสร้างพื้นฐานของตัวเองที่ใช้ GPU ของ Nvidia เนี่ยนะคะ มันทำให้ AWS ตกอยู่ในสถานะเป็นเพียงผู้ให้เช่าที่ทรงพลังเท่านั้นเองค่ะ
>> อ๋อ หมายความว่าถึงลูกค้าจะมาใช้บริการบน AWS แต่ว่ากำไรส่วนใหญ่ก็ไม่ได้ตกเป็นของ Amazon เต็มเม็ดเต็มหน่วยหรอครับ
>> ถูกต้องเลยค่ะ พวกเขาต้องจ่ายส่วนต่างราคาสูงๆ ทั้งให้กับผู้ผลิตชิปอย่าง Nvidia แล้วก็ยังต้องแบ่งรายได้ให้กับเจ้าของโมเดลอย่าง Anthropic หรือ OpenAI ด้วย ซึ่งมันขัดกับ DNA ของ Amazon อย่างสิ้นเชิงเลยที่เน้นประสิทธิภาพด้านต้นทุนสูงสุด หรือที่เรารู้จักกันในชื่อ Flywheel Effect การที่ต้องจ่ายภาษี 2 ต่อแบบนี้ มันทำให้วงล้อของ Amazon หมุนได้ไม่เต็มที่ และที่สำคัญเลยก็คือพวกเขาไม่สามารถควบคุมแล้วก็ปรับแต่งประสิทธิภาพได้ทั้งหมดตั้งแต่แบบว่าเม็ดทรายยันซอฟต์แวร์อย่างที่ตั้งใจไว้ค่ะ
>> ตอนนั้นพวกเขากำลังเจอปัญหาอะไรกันอยู่
>> ฝั่งของลูกค้าองค์กรก็เจอกับภาวะกลืนไม่เข้าคายไม่ออกที่น่าอึดอัดมากเลยค่ะ คือถ้าเลือกใช้โมเดล Open Source อย่าง Llama ก็จะได้สิทธิ์ในการควบคุมเต็มที่ อยากปรับแก้อะไรก็ได้ แต่ว่านั่นก็มาพร้อมกับภาระด้านวิศวกรรมที่มหาศาลเลย ทั้งการดูแล การปรับจูน การรักษาความปลอดภัย แต่ถ้าหันไปใช้โมเดลปิดอย่าง GPT-4 ของ OpenAI ก็จะได้ประสิทธิภาพที่สูงมาก แต่กลับเป็นเหมือนกล่องดำที่เราปรับแต่งอะไรเชิงลึกให้เข้ากับธุรกิจของเราจริงๆ ไม่ได้เลย
>> อ๋อมันเหมือนกับทางเลือกระหว่างการสร้างบ้านเองตั้งแต่ต่อเสาเข็มกับการซื้อบ้านสำเร็จรูปที่เราปรับเปลี่ยนอะไรแทบไม่ได้เลยใช่มั้ครับ
>> เทียบได้เห็นภาพเลยค่ะ และนั่นคือช่องว่างขนาดมหึมาในตลาด โดยเฉพาะกลุ่มอุตสาหกรรมที่ต้องทำตามกฎระเบียบเข้มงวดมากๆ อย่างการเงิน การแพทย์ หรือหน่วยงานภาครัฐ ที่ต้องการโมเดลที่ทำงานบนโครงสร้างพื้นฐานของตัวเองได้ ต้องมีราคาถูกพอที่จะใช้งานในปริมาณมากๆ และที่สำคัญคือยังต้องมีความสามารถในการให้เหตุผลระดับสูงอยู่นี่ คือโจทย์ที่ตอนนั้นยังไม่มีใครตอบได้เลยค่ะ
>> แสดงว่าจริงๆแล้ว Amazon ไม่ได้เพิ่งจะมากระโดดเข้าวงการนี้ แต่ว่าพวกเขามีประสบการณ์ภายในที่พร้อมจะตอบโจทย์นี้อยู่แล้ว
>> ใช่เลยค่ะ นี่คือจุดที่หลายคนมองข้ามไป ประสบการณ์ภายในของ Amazon คือรากฐานที่สำคัญที่สุดเลย เทคโนโลยีที่เขาพัฒนาขึ้นมาเพื่อใช้กับ Alexa หรือระบบโฆษณา Amazon Ads หรือระบบจัดการคลังสินค้าที่ซับซ้อนที่สุดในโลกเนี่ยเนี่ย มันมีมาก่อน Nova เป็น 10 ปีแล้วค่ะ Use cases ภายในพวกนี้ ต้องการโมเดลที่มีความแม่นยำในการทำธุรกรรมสูงมาก ต้องตอบสนองเร็วระดับมิลลิวินาที และที่สำคัญที่สุดคือต้องไม่ทำให้ต้นทุนการส่งของราคา 10 ดอลลาร์ต้องขาดทุน นี่คือการบ้านที่พวกเขาทำมานานแล้ว Nova ก็คือการนำความเชี่ยวชาญนั้นมาสร้างเป็นผลิตภัณฑ์ให้คนอื่นใช้ได้นั่นเองค่ะ
>> โอเคครับ พอเห็นภาพแล้วว่าทำไม Amazon ถึงต้องสร้าง Nova ขึ้นมา ทีนี้มาถึงคำถามที่น่าตื่นเต้นที่สุด ทำได้อย่างไร อะไรคืออาวุธลับที่ทำให้ Nova แตกต่างครับ ดูเหมือนคำตอบจะอยู่ที่แนวคิดเรื่องการออกแบบโมเดลและชิปไปพร้อมๆกัน
>> ถูกต้องค่ะ นั่นคือหัวใจและเป็นจุดแข็งที่สุดของ Nova ที่เรียกว่า Silicon-Model Feedback Loop พูดง่ายๆก็คือ แทนที่จะสร้างชิปที่เร็วที่สุดแล้วค่อยหาโมเดล AI มาจ่ายบนนั้น Amazon กลับทำในสิ่งที่ตรงกันข้ามเลย พวกเขาตัดสินใจสร้างโมเดล AI ให้ทำงานได้ดีที่สุดบนชิปที่พวกเขาออกแบบเอง
>> อ๋อมันเหมือนกับการออกแบบเครื่องยนต์กับตัวถังรถยนต์ไปพร้อมๆกันเพื่อให้มันทำงานร่วมกันได้อย่างสมบูรณ์แบบ แทนที่จะเอาเครื่องยนต์ที่แรงที่สุดไปใส่ในรถอะไรก็ได้แบบนั้นหรือเปล่าครับ
>> เป็นการเปรียบเทียบที่ยอดเยี่ยมเลยค่ะ หัวใจสำคัญคือชิปที่ AWS ออกแบบเอง 2 ตัวคือ Trainium สำหรับการฝึกโมเดล และ Inferentia สำหรับการรันโมเดล หรือที่เรียกว่า Inference จุดเปลี่ยนคือการที่ทีมพัฒนาโมเดล Nova สามารถพูดคุยกับทีมออกแบบชิปได้โดยตรงเลยว่า "ถ้าเราปรับสถาปัตยกรรมโมเดลแบบนี้ ชิปของคุณจะรองรับเพื่อให้มันเร็วขึ้นได้ไหม" วงจรการพัฒนานี้ทำให้ทั้ง 2 ฝั่งปรับเข้าหากันจนได้ประสิทธิภาพสูงสุดค่ะ
>> อยากให้ลงรายละเอียดเกี่ยวกับ Trainium 3 ที่ใช้ฝึก Nova 2 หน่อยครับ เห็นว่าตัวเลขสเปคนี่น่าทึ่งมากเลย
>> ตัวเลขน่าทึ่งจริงๆค่ะ Trainium 3 เนี่ย มีประสิทธิภาพการประมวลผลสูงกว่ารุ่นก่อนถึง 4.4 เท่าแล้วก็ประหยัดพลังงานกว่า 4 เท่า แต่ที่น่าตกใจกว่านั้น คือสถาปัตยกรรมที่รองรับการเชื่อมต่อชิปกว่า 500,000 ตัวในคลัสเตอร์เดียวภายใต้โปรเจกต์ที่ชื่อว่า Project Prometheus ซึ่งมันใหญ่กว่าโครงสร้างพื้นฐานที่ Anthropic ใช้ฝึกโมเดลรุ่นก่อนถึง 5 เท่าเลยนะคะ และนวัตกรรมสำคัญคือการรองรับ FP8 ซึ่งช่วยให้ฝึกโมเดลเร็วขึ้น 3 เท่า ซึ่งจำเป็นมากๆสำหรับบริการอย่าง Nova Forge ที่เราจะคุยกันต่อไปค่ะ
>> แล้วตอนที่ลูกค้ารันโมเดลล่ะครับ Chip Inferentia มีไม้เด็ดอะไรซ่อนอยู่บ้าง
>> ส่วนนั้นเป็นหน้าที่ของ Chip Inferentia แล้วก็ซอฟต์แวร์ที่ชื่อ Neuron SDK ค่ะ อาวุธลับตรงนี้คือสิ่งที่เรียกว่าการคอมไพล์ล่วงหน้า หรือ Ahead-of-time compilation ค่ะ
>> ช่วยอธิบายให้เห็นภาพหน่อยได้มั้ยครับว่ามันทำงานยังไง
>> มันเหมือนกับ Google Maps ที่คำนวณเส้นทางที่ดีที่สุดจากบ้านไปที่ทำงานให้เรา ก่อนที่เราจะเริ่มขับรถเลยค่ะ
>> ออ
>> แทนที่จะมาคอยบอกทางทีละแยก มันวางแผนทั้งระบบไว้ล่วงหน้าเลย ทำให้รู้ว่าควรจะใช้เส้นทางไหน เลนส์ไหน ถึงจะเร็วที่สุด แล้วก็ประหยัดน้ำมันที่สุด Neuron SDK ก็ทำแบบเดียวกันกับโมเดล AI เลยค่ะ มันจะวิเคราะห์โครงสร้างทั้งหมดแล้วคอมไพล์ออกมาเป็นโค้ดที่ทำงานได้เร็วที่สุดบนชิป Inferentia โดยเฉพาะ นอกจากนี้ก็ยังมีเทคนิคอย่าง Automatic Quantization ที่ลดขนาดข้อมูลอัตโนมัติโดยไม่กระทบความฉลาด และ Continuous Batching เพื่อจัดการกับ input ที่มีความยาวไม่เท่ากันได้อย่างมีประสิทธิภาพสูงสุดค่ะ
>> และทั้งหมดนี้ก็คือเหตุผลที่ Amazon สามารถตั้งราคาได้ถูกกว่าคู่แข่งมหาศาล เพราะพวกเขาไม่ต้องจ่ายภาษี Nvidia ที่เราคุยกันตอนแรกนั่นเอง
>> ถูกเผงเลยค่ะ พวกเขาเป็นเจ้าของทั้งโรงงานผลิตชิปแล้วก็สายการผลิต AI ทำให้สามารถควบคุมต้นทุนได้ทุกขั้นตอนเลย
>> โอเคครับ พอเราเห็นภาพแล้วว่าเบื้องหลังความแรงและความประหยัดมันมาจากชิปที่ออกแบบมาคู่กันโดยเฉพาะ ทีนี้พอมีรากฐานที่แข็งแกร่งขนาดนี้แล้ว Amazon เอามันไปต่อยอดเป็นผลิตภัณฑ์จริงๆ ที่เปลี่ยนไปตามกาลเวลายังไงบ้างครับ จากปี 2024 ถึง 2025 เห็นว่ามันเปลี่ยนไปเร็วมาก
>> เร็วมากจริงๆค่ะ เราแบ่งวิวัฒนาการได้เป็น 2 เฟสหลักๆ เฟสแรกคือที่งาน Re:Invent 2024 ซึ่งตอนนั้นจะเน้นกลยุทธ์ทางเลือกและการแบ่งส่วน คือเปิดตัว Nova Micro สำหรับงานข้อความที่ต้องการความเร็วและราคาถูกสุดๆ Nova Light ที่เป็นโมเดลทำงานหลากหลาย และ Nova Pro ที่เป็นโมเดลเรือธงในตอนนั้น นอกจากนี้ยังแยกโมเดลสำหรับสร้างภาพ วิดีโอ Real ออกจากกันอย่างชัดเจนค่ะ
>> ซึ่งก็เป็นกลยุทธ์แบบคลาสสิคของ AWS เลย คือให้ลูกค้าเลือกจ่ายเฉพาะสิ่งที่ต้องการใช้จริงๆ ไม่ต้องซื้อเหมา
>> ใช่ค่ะ แต่เฟสที่ 2 ที่งาน Re:Invent 2025 นี่แหละค่ะ คือก้าวกระโดดครั้งใหญ่ไปสู่การให้เหตุผลและ Agent อย่างแรกคือการรวมความสามารถ คือมีการเปิดตัว Nova 2 Omni ซึ่งเป็นโมเดลเดียวที่รับและส่งออกได้ทั้งข้อความ วิดีโอ แล้วก็เสียงพร้อมกันเลย มันช่วยลดความซับซ้อนแล้วก็เวลาแฝง หรือ Latency ลงไปได้มหาศาล และอย่างที่ 2 คือฟีเจอร์ที่น่าทึ่งมากที่เรียกว่า System True Thinking ค่ะ
>> System True Thinking ฟังดูเหมือนทฤษฎีทางจิตวิทยาเลยนะครับ มันคืออะไรครับ
>> แนวคิดเดียวกันเลยค่ะ ใน Nova 2 Light และ Pro จะมีฟีเจอร์ Extended Thinking ที่ให้โมเดลใช้เวลาคิดเป็นขั้นเป็นตอน ก่อนที่จะตอบออกมา และที่น่าสนใจคือผู้ใช้สามารถปรับระดับความเข้มข้นในการคิด หรือ Thinking Intensity ได้ 3 ระดับคือ ต่ำ กลาง แล้วก็สูงค่ะ
>> เดี๋ยวนะครับ นี่เหมือนกับเราสามารถบอก AI ได้ว่าเรื่องนี้ง่ายๆ ตอบเร็วๆ ได้เลย แต่กับอีกเรื่องที่ซับซ้อน เราบอกว่าเรื่องนี้สำคัญนะ ฉันยอมจ่ายแพงขึ้นอีกนิดเพื่อเธอใช้เวลาคิดให้นานขึ้นอีกหน่อย เหมือนเราจัดสรรงบประมาณในการคิดให้กับ AI ได้เลยหรอครับ
>> ใช่เลยค่ะ นี่คือการให้ผู้ใช้ควบคุมต้นทุนและคุณภาพได้แบบที่ไม่เคยมีมาก่อนเลย และมันก็นำไปสู่โมเดลอีกตัวนึงที่เปิดตัวมาช่วงต้นปี 2025 ซึ่งเป็นกลยุทธ์ที่ฉลาดมาก นั่นคือ Nova Premier ค่ะ
>> Nova Premier ตัวนี้มีบทบาทอะไรเป็นพิเศษครับ
>> Premier คือโมเดลที่เก่งและฉลาดที่สุดในตอนนั้น แต่ Amazon กลับไม่ได้ผลักดันให้ลูกค้าใช้มันทำงานในปริมาณมากๆ เพราะต้นทุนมันสูง แต่กลับวางตำแหน่งให้มันเป็น "ครู" หรือ "ศาสตราจารย์" สำหรับกระบวนการที่เรียกว่า Model Distillation หรือการกลั่นความรู้ค่ะ
>> โอ้โห แทนที่จะขายรถแข่ง Formula 1 ให้ทุกคนขับในชีวิตประจำวัน กลับให้เช่ามาเป็นครูสอนขับรถให้กับรถบ้านของเราให้เก่งขึ้น
>> เป็นการเปรียบเทียบที่สมบูรณ์แบบเลยค่ะ องค์กรสามารถใช้ Premier Case สอนหรือสร้างข้อมูลสังเคราะห์คุณภาพสูง เพื่อนำไปฝึกฝนโมเดลที่เล็กและถูกกว่าอย่าง Nova 2 Light ให้มีความสามารถเทียบเท่า Premier ได้ในขอบเขตงานที่ต้องการโดยเฉพาะ นี่คือแนวคิด Distillation as a Service ที่เป็นตัวเปลี่ยนเกมอย่างแท้จริงเลยค่ะ
>> สุดยอดเลยครับ และนั่นก็นำเรามาสู่ 2 บริการที่อาจจะ Disrupt มากที่สุดแล้วนะครับ เริ่มจาก Nova Forge มันต่างจากการ Fine-tuning ที่เราเคยได้ยินกันมายังไงครับ
>> มันต่างกันในระดับปรัชญาเลยค่ะ การ Fine-tuning ทั่วไปเปรียบเหมือนการเอาโมเดลที่เรียนจบปริญญาตรีมาแล้ว มาติวเข้มเพื่อสอบใบประกอบวิชาชีพเฉพาะทาง แต่ Nova Forge คือการเปิดกระบวนการฝึก หรือ Open Training อย่างแท้จริงค่ะ
>> หมายความว่าแทนที่จะแค่ติวโมเดลตอนท้าย อันนี้เหมือนกับเราส่งข้อมูลของเราเข้าไปเรียนพร้อมกับโมเดลตั้งแต่ชั้นอนุบาลจนถึงมหาลัยเลย ทำให้มันเข้าใจบริบทของเราแบบเข้ากระดูกดำ
>> เข้าใจได้ถูกต้องที่สุดเลยค่ะ ลูกค้าสามารถฉีดข้อมูลที่เป็นกรรมสิทธิ์ของตัวเองเข้าไปในขั้นตอนต่างๆ ของการฝึกได้เลย ตั้งแต่ Pre-training, Mid-training ไปจนถึง Post-training และก็ยังมีเทคนิค Data Blending ที่ผสมข้อมูลของลูกค้ากับข้อมูลพื้นฐานของ Amazon เพื่อป้องกันปรากฏการณ์ Catastrophic Forgetting หรือการที่โมเดลลืมความรู้ทั่วไปหลังจากเรียนรู้เรื่องเฉพาะทางไปแล้ว ผลลัพธ์ที่ได้เรียกว่า Novellas หรือโมเดลฉบับปรับแต่งพิเศษที่มี DNA ขององค์กรนั้นๆอยู่ข้างในเลยค่ะ
>> ยังมีอะไรอีกมั้ครับสำหรับ Forge
>> ยังมีอีกค่ะ คือ RLT-Gyms หรือสนามจำลองให้โมเดลเรียนรู้ผ่าน Reinforcement Learning ได้ด้วย ยกตัวอย่างเช่น สายการบินสามารถสร้าง Gym ที่จำลองสถานการณ์การดีเลย์ของเที่ยวบิน แล้วให้โมเดลเรียนรู้กลยุทธ์การเปลี่ยนเที่ยวบินให้ลูกค้าที่สร้างกำไรสูงสุด ไม่ใช่แค่เรียนรู้จากการเลียนแบบบทสนทนาแบบเดิมๆ
>> โอ้โหนี่มันก้าวกระโดดไปไกลมากเลยนะครับ คือมันต่างกันเลยระหว่าง AI ที่อ่านรายงานการเงินในอดีตทั้งหมดของบริษัท กับ AI ที่สามารถเล่นเกมจำลองตลาดหุ้นเพื่อค้นหากลยุทธ์การลงทุนใหม่ๆ ที่มนุษย์ยังไม่เคยคิดถึง แล้วถ้า Forge คือการสร้างโมเดลที่ฉลาดขึ้นและเฉพาะทางมากขึ้นแล้ว Nova Act เอาโมเดลพวกนี้ไปทำอะไรต่อครับ
>> Nova Act คือการนำโมเดลพวกนั้นไปทำงานจริงที่เชื่อถือได้ค่ะ จุดขายสำคัญที่สุดเลยนะคะคือความน่าเชื่อถือ 90% ในงานอัตโนมัติบนเบราว์เซอร์
>> ตัวเลข 90% นี่สำคัญขนาดนั้นเลยเหรอครับ
>> สำคัญมากค่ะ มันคือเส้นแบ่งระหว่างของเล่นกับเครื่องมือทางธุรกิจเลย คืออัตราความสำเร็จที่ 70% มันคือ AI agent ที่เป็นแค่เทคเดโมเจ๋งๆ ที่ทำสำเร็จบ้างไม่สำเร็จบ้าง แต่ 90% คือระดับความน่าเชื่อถือที่คุณสามารถนำไปใช้ในกระบวนการทางธุรกิจที่สำคัญได้จริงๆ ค่ะ เบื้องหลังคือการใช้ Nova 2 Light รุ่นพิเศษที่ฝึกมาเพื่อเข้าใจโครงสร้างหน้าเว็บ หรือที่เรียกว่า DOM โดยเฉพาะ
>> DOM ช่วยขยายความหน่อยมั้ครับว่ามันคืออะไร แล้วทำไมการเข้าใจมันถึงสำคัญมาก
>> DOM หรือ Document Object Model มันคือพิมพ์เขียวของหน้าเว็บค่ะ มันบอกว่าปุ่มนี้อยู่ตรงไหน กล่องข้อความนี้ชื่ออะไร เจนเนอรัลทั่วไปอ่ะ อาจจะมองหน้าเว็บเหมือนรูปภาพ แต่เอเจนต์ของ Nova อ่านพิมพ์เขียวนี้ออก ทำให้มันไม่สับสนแม้ว่าหน้าตาเว็บจะเปลี่ยนไปเล็กน้อย มันสามารถคลิก พิมพ์ เลื่อนหน้าจอได้เหมือนมนุษย์ และมี Audit Trail ที่บันทึกทุกการกระทำและการตัดสินใจของเอเจนต์ เพื่อการตรวจสอบย้อนหลังได้ด้วย ซึ่งตอนนี้ก็มีการใช้งานจริงแล้วนะคะ เช่น Reddit ใช้ดูแลเนื้อหา หรือ Booking.com ใช้จัดการขั้นตอนการจองที่ซับซ้อน
>> พอเห็นภาพรวมของระบบนิเวศทั้งหมดแล้ว คำถามที่ตามมาก็คือ แล้วมาเทียบกับเจ้าตลาดอย่าง OpenAI หรือ Google ล่ะครับ Nova Act อยู่ตรงไหน
>> จากข้อมูล Benchmark ที่มีถือว่าน่าสนใจมากค่ะ ในระดับกลางเนี่ย Nova 2 Lite มีประสิทธิภาพดีกว่าหรือเทียบเท่า Claude 3.5 Sonnet ของ Anthropic และ Gemini 1.5 Flash ของ Google ใน Benchmark ส่วนใหญ่เลย ส่วนในระดับสูง Nova 2 Pro ก็สามารถแข่งขันกับ GPT-4o และ Gemini 3 Pro ได้อย่างสูสี โดยเฉพาะในงานที่ต้องใช้เครื่องมือ หรือ Agentic Task
>> การที่สู้ได้สูสีในด้านประสิทธิภาพแต่ราคาถูกกว่ามหาศาลแบบนี้ มันจะส่งผลกระทบต่อตลาด ยังไงครับ OpenAI หรือ Google จะตอบโต้ด้วยการลดราคาตาม หรือจะเน้นสู้ที่ฟีเจอร์อื่นแทน
>> นั่นคือคำถามล้านดอลลาร์เลยค่ะ สิ่งที่น่าจะเกิดขึ้นคือตลาดจะแบ่งเป็น 2 ส่วนชัดเจน OpenAI และ Google อาจจะยังคงมุ่งเน้นไปที่การสร้างโมเดลที่เก่งที่สุดในโลก เพื่อรักษาภาพลักษณ์ผู้นำทางเทคโนโลยี แต่ Amazon ด้วยกลยุทธ์ด้านราคาที่เหนือกว่า จะสามารถกวาดตลาดองค์กรขนาดใหญ่ไปได้เกือบทั้งหมด ที่ต้องการ AI ที่ดีพอ ปรับแต่งได้ และถูกพอที่จะใช้งานได้ในทุกส่วนขององค์กรค่ะ
>> และอาวุธเด็ดที่สุดก็คือราคาใช่มั้ครับ
>> ราคาคือจุดที่ Amazon ใช้กลยุทธ์เชิงรุก Nova 2 Light อยู่ที่ประมาณ $0.03 ต่อล้าน Input Token ส่วน Nova 2 Pro อยู่ที่ประมาณ $0.05 ต่อล้าน Input Token ราคานี้ถูกกว่าโมเดลที่เทียบเท่าในรุ่นก่อนหน้าอย่าง GPT-4o หลายเท่าตัวเลยนะคะ ทำให้การมีเอเจนต์ที่ทำงานตลอดเวลาเป็นไปได้ในเชิงเศรษฐกิจจริงๆ ยังไม่รวมส่วนลดอีก 75% สำหรับการอ่านข้อมูลจาก S3 ให้องค์กรเก็บข้อมูลขนาดใหญ่อย่างโค้ดเบสทั้งหมดไว้ในหน่วยความจำเพื่อการเรียกใช้ที่รวดเร็วและราคาถูกสุดๆ ค่ะ
>> เพราะฉะนั้นกลยุทธ์ด้านราคาของ Amazon ไม่ใช่การตลาด แต่เป็นผลโดยตรงมาจากความได้เปรียบเชิงโครงสร้างที่พวกเขาสร้างขึ้นมาตั้งแต่ต้น คือการที่ไม่ต้องจ่าย "ภาษีโมเดล" นั่นเอง
>> ถูกต้องค่ะ มันคือความได้เปรียบที่ฝังลึกอยู่ใน DNA ของสถาปัตยกรรมทั้งหมดเลย
>> เอาล่ะครับ ทั้งหมดนี้หมายความว่าอย่างไร อะไรคือภาพใหญ่ที่เราได้เห็นจากการเจาะลึกข้อมูลครั้งนี้ครับ
>> สรุปประเด็นสำคัญได้ว่า Amazon กำลังเปลี่ยน AI จากบริการระดับพรีเมียมที่มีราคาแพงและซับซ้อน ให้กลายเป็นสาธารณูปโภคที่เข้าถึงง่ายและราคาถูกเหมือนไฟฟ้าหรืออินเทอร์เน็ตเลยค่ะ คุณค่ามันไม่ได้อยู่ที่ใครมีโมเดลที่ฉลาดที่สุดอีกต่อไป แต่แต่อยู่ที่ใครมีโมเดลที่น่าเชื่อถือ ปรับแต่งได้ และผสานกับระบบอื่นได้ดีที่สุดในราคาที่สมเหตุสมผล
>> ซึ่งนั่นก็คือแก่นแท้ของแนวคิดโรงงานผลิต AI ที่เราพูดถึงตอนแรก และมันยังนำไปสู่แนวคิดที่ใหญ่กว่าอย่าง Sovereign AI ที่รัฐบาลหรือองค์กรขนาดใหญ่สามารถมีโครงสร้างพื้นฐาน AI เป็นของตัวเองได้โดยไม่ต้องพึ่งพาใคร
>> ใช่ค่ะ และถ้าเรามองไปที่ผลกระทบต่อสังคม เทคโนโลยีอย่าง Nova Act ที่เชื่อถือได้ถึง 90% เนี่ย อาจจะทำให้เกิดการเปลี่ยนแปลงครั้งใหญ่ในอุตสาหกรรม Business Process Outsourcing หรือ BPO งานที่ซ้ำซากบนโลกดิจิทัลอาจจะถูกแทนที่ด้วยเอเจนต์เหล่านี้ค่ะ
>> แต่มันก็คงคงไม่ใช่แค่เรื่องของการตกงาน ใช่ไหมครับ มันน่าจะเป็นการเปลี่ยนรูปแบบของงานมากกว่า
>> Agent Architect หรือผู้ฝึกสอน AI ประจำองค์กรค่ะ ที่ต้องออกแบบและกำกับดูแลกองทัพเอเจนต์ดิจิทัลเหล่านี้ มันคือการยกระดับทักษะของแรงงานจากผู้ลงมือทำไปสู่ผู้ออกแบบและควบคุมระบบค่ะ
>> สุดท้ายนี้ผมอยากจะทิ้งท้ายด้วยคำถามชวนคิดครับ แหล่งข้อมูลที่เราดูมาระบุว่าก้าวต่อไปที่สมเหตุสมผลและน่าจะเกิดขึ้นเร็วๆ นี้ของ Amazon คือการรวม Nova Omni ที่มีความสามารถในการมองเห็นและเข้าใจ กับ Nova Act จินตนาการตามดูนะครับว่าจะเกิดอะไรขึ้นเมื่อ "ที่มองเห็นและลงมือทำได้" นี้ก้าวข้ามขีดจำกัดของเบราว์เซอร์ไปสู่การควบคุมอุปกรณ์ทางกายภาพ หรือทำงานในโลกเสมือนจริง Internet of Things ที่ขับเคลื่อนด้วย AI แบบนี้จะเปิดประตูสู่ความเป็นไปได้และความท้าทายอะไรบ้าง
>> นั่นคือจุดที่อนาคตจะน่าตื่นเต้นและน่ากังวลไปพร้อมๆ กันเลยค่ะ มันคือโลกที่ AI ไม่ใช่แค่ผู้ช่วยที่ตอบคำถามเราได้ แต่เป็นตัวแทนหรือเอเจนต์ที่สามารถมองเห็นโลกดิจิทัลและโลกทางกายภาพแล้วลงมือกระทำบางอย่างแทนเราได้จริงๆ ซึ่งจะเปลี่ยนนิยามของคำว่าแรงงานอัตโนมัติไปอย่างสิ้นเชิง และนั่นคือภาพอนาคตที่ Nova กำลังปูทางไปถึงค่ะ