มายาคติของการสร้าง “AI ไทย” : หรือเรากำลังตั้งคำถามผิดชั้นมาตั้งแต่ต้น? โดย C.T. Suwan

เมื่อไม่นานมานี้ ผมมีโอกาสได้อ่านบทสนทนาที่น่าสนใจมากในพื้นที่ออนไลน์เวทีหนึ่ง เป็นการถกเถียงกันด้วยคำถามที่ตรงไปตรงมาแต่สะเทือนวงการว่า:

“ด้วยงบประมาณระดับกว่าพันล้านบาท ทำไมประเทศไทยจึงยังไม่สามารถสร้าง AI หรือ LLM ภาษาไทยที่มีศักยภาพอย่างเป็นรูปธรรมได้?”

บทสนทนานั้นแบ่งออกเป็นสองมุมมองหลักที่น่าสนใจ

มุมหนึ่งตั้งคำถามในเชิง “ความคุ้มค่าและผลลัพธ์” ว่าถ้าเรามีทรัพยากรขนาดนี้ ปัญหาเรื่องฮาร์ดแวร์ คลาวด์ หรือวิธีการจัดการข้อมูล ก็น่าจะเป็นสิ่งที่ใช้เงินทุนแก้ปัญหาได้

ในขณะที่อีกมุมหนึ่งพยายามชี้ให้เห็นถึง “ข้อจำกัดของหน้างานจริง” ว่าการสร้างระบบระดับประเทศนั้น ซับซ้อนกว่าแค่การมีเงินไปซื้อการ์ดจอ การเอาหนังสือสองล้านเล่มในหอสมุดมาทำเป็นข้อมูลดิจิทัล ต้องเจอกับทั้งปัญหาลิขสิทธิ์ ความผิดพลาดของการสแกน (OCR) และการตรวจสอบที่มาที่ไปของข้อมูล ซึ่งเป็นกระบวนการที่ต้องใช้เวลาและโครงสร้างที่รัดกุม

หากมองอย่างผิวเผิน สองมุมมองนี้เหมือนกำลังโต้แย้งกัน

แต่ในมุมมองของผม ทั้งสองฝ่ายต่างพูดถูกในบริบทของตัวเอง ฝ่ายแรกพูดถูกที่ตั้งคำถามถึงผลลัพธ์ของงบประมาณ ฝ่ายที่สองก็พูดถูกที่ชี้ให้เห็นว่าระบบจริงมีข้อจำกัดมหาศาล

แต่สิ่งที่ผมอยากชวน “ถอยออกมาหนึ่งก้าว” ไม่ใช่การฟันธงว่าใครถูกหรือผิด หรือเราควรซื้อสเปคคอมพิวเตอร์แบบไหน

แต่ผมอยากชวนตั้งคำถามกับสมมติฐานที่ซ่อนอยู่เบื้องหลังการถกเถียงทั้งหมดนี้

เรากำลังพยายามแก้ปัญหาด้วยสมการที่ผิดตั้งแต่ต้นหรือเปล่า?

Capital (เงินทุน) กับ Capability (ความสามารถในการสร้าง)

เมื่อเราพูดถึงการพัฒนาเทคโนโลยี เรามักจะเริ่มด้วยการสำรวจ “เงินทุน” (Capital)

เงินทุนสามารถซื้อฮาร์ดแวร์ที่แรงที่สุด ซื้อพื้นที่จัดเก็บข้อมูลบนคลาวด์ จ้างคนสแกนเอกสาร หรือแม้แต่ซื้อซอฟต์แวร์สำเร็จรูปได้

แต่สิ่งหนึ่งที่เงินทุนทำไม่ได้โดยอัตโนมัติ คือการเปลี่ยนทรัพยากรเหล่านั้นให้กลายเป็น “ระบบที่ทำงานได้จริง”

ตรงนี้แหละครับที่ Capability (ความสามารถในการสถาปนาระบบ) ต้องเข้ามาทำหน้าที่

ในทางสถาปัตยกรรมระบบ การมีวัสดุก่อสร้างกองอยู่ตรงหน้า ไม่ได้แปลว่าเราจะได้ตึกระฟ้าเสมอไป หากเราไม่มีสถาปนิกที่เข้าใจโครงสร้าง

ดังนั้น คอขวดของการสร้างเทคโนโลยีระดับชาติ อาจไม่ใช่คำถามที่ว่า

“เรามีงบเท่าไร?”

แต่อาจเป็นคำถามที่ว่า

“เรามีความสามารถในการเปลี่ยนทรัพยากรให้กลายเป็นระบบหรือไม่?”

และถ้ามองการลงทุนด้าน AI ของประเทศไทยในปัจจุบัน จะเห็นว่าทรัพยากรถูกจัดสรรอยู่ในหลายชั้น

ตัวอย่างเช่น TH-AI Passport มีกรอบงบประมาณประมาณ 1,650 ล้านบาท หรือราว 1,600 ล้านบาท ในระดับการเปิดให้ประชาชนเข้าถึงและใช้งาน AI จากผู้ให้บริการต่าง ๆ

ขณะที่ ThaiLLM มีงบประมาณโครงการประมาณ 88.8 ล้านบาท ในระดับการพัฒนาโมเดลภาษาไทย

ส่วน Data Center และ Cloud ก็เป็นอีกชั้นหนึ่งของโครงสร้างพื้นฐานที่กำลังถูกลงทุนเพื่อรองรับการประมวลผลและการใช้งาน AI

ผมไม่ได้มองว่าตัวเลขเหล่านี้เป็นเรื่องของ “อันไหนถูกหรือผิด”

แต่เมื่อแยก AI ออกเป็นชั้น ๆ คำถามที่น่าสนใจก็เกิดขึ้นว่า

สุดท้ายแล้ว ประเทศไทยกำลังเป็นเจ้าของอะไรในระบบนี้จริง ๆ?

เราเป็นเจ้าของทรัพยากร

เป็นเจ้าของโมเดล

เป็นเจ้าของโครงสร้างพื้นฐาน

หรือเรามีความสามารถในการจัดการ “ความรู้ของเราเอง” อยู่ในระดับไหน?

และนี่เองที่ทำให้ผมกลับมาสนใจเรื่อง “AI ไทย” ในอีกมุมหนึ่ง

เรากำลังสร้าง AI ให้ใคร?

ผมคิดว่ามีอีกคำถามหนึ่งที่ควรถูกวางไว้ตั้งแต่ต้น

เรากำลังพยายามสร้าง AI สำหรับคนไทยประมาณ 70 ล้านคน หรือกำลังพยายามสร้าง AI ที่ต้องแข่งขันกับระบบสำหรับประชากรทั้งโลก 7–8 พันล้านคน?

สองโจทย์นี้ไม่เหมือนกันเลย

หากโจทย์คือการสร้างระบบที่เข้าใจภาษา กฎหมาย ประวัติศาสตร์ วัฒนธรรม ธุรกิจ และบริบทของประเทศไทย เราไม่จำเป็นต้องเริ่มต้นจากสมมติฐานว่าเราต้องสร้างทุกอย่างให้มีขนาดเท่ากับ Big Tech

เราอาจต้องถามกลับว่า

“สำหรับโจทย์ของประเทศไทย เราจำเป็นต้องมีระบบขนาดเท่าโลกจริงหรือไม่?”

ถ้าเป้าหมายคือการแก้ปัญหาของคนไทย การออกแบบระบบก็ควรเริ่มจากปัญหาของคนไทย ไม่ใช่เริ่มจากการพยายามเลียนแบบระบบที่ถูกออกแบบมาสำหรับตลาดระดับโลก

และตรงนี้เองที่ผมคิดว่า “วิธีคิด” สำคัญกว่าการถามว่าเรามีเงินมากพอหรือยัง

Data Volume ≠ Knowledge Density

อีกหนึ่งมายาคติที่วงการ AI ทั่วโลกเผชิญ และเราก็กำลังเดินตาม คือความเชื่อที่ว่า

“ยิ่งมีข้อมูลมาก AI ก็ยิ่งฉลาด”

ลองนึกภาพตามสมมติฐานเรื่องการนำหนังสือทุกเล่มในหอสมุดแห่งชาติมาสอน AI ดูครับ

การมีหนังสือสองล้านเล่ม ไม่ได้แปลว่าเรามี “องค์ความรู้ที่พร้อมใช้งาน” สองล้านเรื่อง

เพราะในกองข้อมูลนั้นอาจมีความซ้ำซ้อน ตำราที่อธิบายขัดแย้งกัน (ตำรา A ขัดกับตำรา B) ข้อมูลที่ล้าสมัย หรือแม้แต่ความคิดเห็นของผู้เขียนฝ่ายเดียว

การพยายามนำ “ข้อมูลดิบทั้งหมด” เข้าสู่ระบบจึงไม่ได้หมายความว่าระบบจะฉลาดขึ้นเสมอไป

เราต้องแยกให้ออกระหว่าง

“ปริมาณข้อมูล” (Data Volume)

กับ

“ความหนาแน่นของความรู้” (Knowledge Density)

ข้อมูลใหม่บนโลกเกิดขึ้นทุกวินาที

หากเราสร้างระบบที่ต้องคอยวิ่งไล่เก็บข้อมูลทุกอย่างตลอดเวลา ปริมาณการประมวลผลก็จะเพิ่มขึ้นตามไปด้วย

คำถามที่น่าสนใจกว่าจึงอาจเป็น

“ข้อมูลจำนวนเท่าใดที่สามารถเปลี่ยนให้เป็นองค์ความรู้ที่มีโครงสร้าง ตรวจสอบได้ และมีคุณค่าพอที่จะนำมาใช้งานจริง?”

AI ของไทย จำเป็นต้องหมายถึง “การสร้าง Thai LLM จากศูนย์” หรือไม่?

เราคุ้นเคยกับความสำเร็จของ Big Tech ที่สร้างโมเดลภาษาขนาดใหญ่ (LLM) ด้วยทรัพยากรมหาศาล จนเราอาจเผลอตั้งสมมติฐานว่า

“ถ้าไทยจะมี AI เป็นของตัวเอง เราก็ต้องสร้าง LLM ของเราเองบ้าง”

แต่ถ้าเรามองระบบ AI ในฐานะสถาปัตยกรรมหนึ่ง เราอาจพบว่า LLM เป็นเพียงส่วนหนึ่งของระบบสำหรับการใช้ภาษา การตีความ และการ reasoning

สมมติว่าแทนที่เราจะพยายามสร้างระบบที่ “จำทุกอย่าง” ในประเทศได้ หากเราเปลี่ยนมาสร้างแนวคิดที่ผมขอเรียกว่า “Thai Knowledge Engine” ซึ่งทำหน้าที่เป็นโครงสร้างพื้นฐานในการจัดการองค์ความรู้ภาษาไทย คัดกรอง ตรวจสอบ จัดระเบียบความรู้ แล้วค่อยใช้ LLM ที่มีอยู่แล้วบนโลกมาเป็นตัวเชื่อมต่อเพื่ออ่านและประมวลผลความรู้ของเราล่ะ?

เราอาจไม่จำเป็นต้องเป็นเจ้าของโครงสร้างทุกชั้น เพื่อจะบอกว่านี่คือ “AI ของไทย”

LLM อาจเป็นชิ้นส่วนเทคโนโลยีที่เปลี่ยนรุ่นไปตามยุคสมัย

แต่ระบบโครงสร้างองค์ความรู้ (Knowledge Architecture) อาจเป็นสินทรัพย์และขีดความสามารถระยะยาวของประเทศ

ข้อจำกัด คือเงื่อนไขของการออกแบบ

ในฐานะของคนที่ทำงานเกี่ยวกับการสร้างระบบและแก้ปัญหา ผมพบว่าในโลกของการสร้างสรรค์เทคโนโลยี “ข้อจำกัด” ไม่ใช่เหตุผลที่บอกว่าทำไมเราถึงทำสิ่งนั้นไม่ได้

แต่ข้อจำกัดคือ “พารามิเตอร์ในการออกแบบ” (Design Constraints)

และผมคิดว่าเราต้องระวังกับดักอีกอย่างหนึ่งด้วย

การมีเงินระดับพันล้าน ไม่ได้หมายความว่าเราจะได้ “AI” เพียงเพราะเราสามารถนำเงินนั้นไปสร้างโครงสร้างพื้นฐานราคาแพงขึ้นเรื่อย ๆ โดยลืมสร้าง “AI” แล้วขอ “งบ” มากขึ้นเรื่อย ๆ

ประเทศไทยมีทั้งอาคาร ศูนย์คอมพิวเตอร์ ระบบคลาวด์ และโครงสร้างพื้นฐานด้านการประมวลผลอยู่แล้ว ตัวอย่างเช่น LANTA ของ ThaiSC ซึ่งมีมูลค่าการจัดสร้างประมาณ 600 ล้านบาท ตามข้อมูลที่เผยแพร่โดย IT24Hrs หลังเข้าไปถ่ายทำและทดสอบเครื่องจริงที่ศูนย์ ThaiSC โดย LANTA มี NVIDIA A100 จำนวน 704 ตัว และมีประสิทธิภาพการประมวลผลระดับ 8.1 PFLOPS จนเคยติดอันดับ 70 ของโลก และอันดับ 1 ในอาเซียนในปี 2022

LANTA จึงไม่ใช่ตัวอย่างของการที่ประเทศไทย “ไม่มีเครื่องมือ” แต่กลับเป็นตัวอย่างที่น่าสนใจกว่านั้นว่า เราสามารถมีโครงสร้างพื้นฐานที่มีศักยภาพสูงได้ แต่สิ่งที่ต้องตอบต่อคือ เราจะใช้โครงสร้างพื้นฐานนั้นสร้างความสามารถอะไรขึ้นมา

ดังนั้นคำถามจึงไม่ควรจบอยู่ที่

“เราต้องใช้เงินอีกเท่าไรเพื่อสร้างโครงสร้างพื้นฐาน?”

แต่อาจต้องย้อนกลับไปถามว่า

“เราจะใช้สิ่งที่เรามีอยู่แล้ว สร้างระบบที่เรายังไม่มีได้อย่างไร?”

แทนที่เราจะเริ่มตั้งโจทย์จากคำถามที่ว่า

“เราต้องของบเพิ่มอีกเท่าไร เพื่อให้ทำตามวิธี Big Tech ของโลกได้?”

นักสร้าง (Builder) มักจะเริ่มจากโจทย์ที่ว่า

“เรามีทรัพยากรอยู่เท่านี้ เราจะออกแบบสถาปัตยกรรมระบบแบบไหน เพื่อสร้างผลลัพธ์ให้ได้มากที่สุดจากสิ่งที่เรามี?”

และนี่คือจุดที่ผมคิดว่าเราควรหยุดคิดเรื่อง “ตามให้ทัน” แล้วลองคิดเรื่อง “นำหน้า” ดูบ้าง

เพราะถ้าเรายังคงตั้งโจทย์ด้วยวิธีเดิม เราอาจวนกลับไปสู่สมการเดิมซ้ำ ๆ

ขาดเงิน → ต้องเพิ่มงบ → ขาด Data Center → ต้องสร้างเพิ่ม → ขาดข้อมูล → ต้องเก็บเพิ่ม → แล้วกลับมาถามอีกครั้งว่า ทำไมเรายังไม่มี AI ที่เป็นของเราเอง

บางทีสิ่งที่ประเทศไทยขาดอาจไม่ใช่ทรัพยากรอีกก้อนหนึ่ง

แต่อาจเป็น วิธีคิดในการนำทรัพยากรที่มีอยู่ มาสถาปนาเป็นสิ่งใหม่ที่เราเป็นเจ้าของเอง

ฮาร์ดแวร์ควรถูกกำหนดโดยสถาปัตยกรรม ไม่ใช่สถาปัตยกรรมถูกจำกัดด้วยฮาร์ดแวร์ที่เรามีเงินซื้อ

บทความนี้ไม่ได้พยายามจะบอกว่า ผมค้นพบวิธีสร้าง AI แห่งชาติแล้ว หรือเราไม่ควรลงทุนกับโครงสร้างพื้นฐานเลย

แต่นี่คือการตั้งข้อสังเกตและชวนทดลองคิดทางสถาปัตยกรรม (Architectural Thought Experiment)

บางที การที่เรายังไม่เห็นผลลัพธ์ที่จับต้องได้เสียที อาจเป็นเพราะเรากำลังพยายามแก้ปัญหาผิดระดับมาตั้งแต่ต้น

ถ้าเป้าหมายของเราคือการสร้าง AI ที่เข้าใจประเทศไทยและองค์ความรู้ของไทยอย่างแท้จริง...

คำถามที่เราควรทิ้งท้ายเพื่อทบทวนตัวเองก็คือ:

“เรากำลังพยายามสร้าง ‘ภาชนะ’ ที่ใหญ่ขึ้นเรื่อย ๆ หรือเราควรคิดให้ถี่ถ้วนว่า จะจัดระเบียบ ‘สิ่งที่จะใส่ลงไปในภาชนะที่มี’ นั้นอย่างไรกันแน่?”

C.T. Suwan