การ์ทเนอร์ อิงค์ บริษัทวิจัยข้อมูลเชิงลึกด้านธุรกิจและเทคโนโลยี ประกาศ 10 อันดับเทรนด์เทคโนโลยีเชิงกลยุทธ์ในปี 2569 ที่องค์กรธุรกิจควรศึกษาและเฝ้าจับตา

Gene Alvarez, รองประธานนักวิเคราะห์การ์ทเนอร์ กล่าวว่า "ในปี 2569 จะเป็นปีที่สำคัญต่อผู้นำด้านเทคโนโลยีที่ต้องเผชิญกับการหยุดชะงัก นวัตกรรม ไปจนถึงความเสี่ยงที่ขยายตัวรวดเร็วอย่างที่ไม่เคยพบมาก่อน เทรนด์เทคโนโลยีเชิงกลยุทธ์ในปีหน้าจะเชื่อมโยงกับปัจจัยเหล่านี้อย่างใกล้ชิด และสะท้อนความเป็นไปของโลกที่ขับเคลื่อนด้วย AI และเชื่อมต่อกันสูงตลอดเวลา ซึ่งองค์กรธุรกิจต้องขับเคลื่อนนวัตกรรมอย่างมีความรับผิดชอบ ดำเนินงานด้วยความเป็นเลิศ และสร้างความไว้วางใจทางดิจิทัลไปพร้อมกัน"

Tori Paulman, รองประธานนักวิเคราะห์การ์ทเนอร์อีกท่าน กล่าวว่า "แนวโน้มต่าง ๆ เหล่านี้แสดงให้เราเห็นมากไปกว่าการเปลี่ยนผ่านทางเทคโนโลยี แต่ยังเป็นตัวเร่งการเปลี่ยนแปลงทางธุรกิจ โดยสิ่งที่แตกต่างออกไปในปีนี้คือความเร็ว ในระยะเวลาหนึ่งปีเราเห็นนวัตกรรมเกิดขึ้นมากกว่าที่เคยเป็น เนื่องจากคลื่นนวัตกรรมลูกใหม่ไม่ได้อยู่ไกลออกไปเป็นปี ๆ อีกแล้ว ดังนั้นองค์กรที่ลงมือตั้งแต่ตอนนี้นอกจากจะไม่เพียงแค่สามารถรับมือกับความผันผวนได้ แต่ยังเป็นผู้กำหนดทิศทางอุตสาหกรรมของตนในทศวรรษต่อไป"

 เทรนด์เทคโนโลยีเชิงกลยุทธ์ที่สำคัญในปี 2569 ประกอบด้วย

AI Supercomputing Platforms

AI Supercomputing Platforms รวมเอา CPUs, GPUs, ชิปประมวลผลเฉพาะแอปพลิเคชัน หรือ AI ASICs, การประมวลผลแบบนิวโรมอร์ฟิก (Neuromorphic) ที่เป็นการจำลองการประมวลผลในรูปแบบเดียวกับสมองมนุษย์ รวมถึงรูปแบบการประมวลผลทางเลือกอื่น ๆ เข้าไว้ด้วยกัน ช่วยให้องค์กรสามารถจัดการงานที่ซับซ้อนพร้อมปลดล็อกประสิทธิภาพ เพิ่มประสิทธิผล และการพัฒนานวัตกรรมไปสู่อีกระดับ โดยระบบเหล่านี้มีทั้งจากโปรเซสเซอร์ที่ทรงพลัง หน่วยความจำขนาดใหญ่ ฮาร์ดแวร์เฉพาะทาง และซอฟต์แวร์ที่ทำงานร่วมกัน (Orchestration Software) ที่ทำหน้าที่จัดการและประสานงานระบบแอปพลิเคชัน, บริการ, หรือเวิร์กโฟลว์ที่ซับซ้อนให้ทำงานร่วมกันโดยอัตโนมัติ เพื่อจัดการกับงานที่ต้องใช้ข้อมูลอย่างเข้มข้นในด้านต่าง ๆ อาทิ Machine Learning, Simulation และ Analytics

การ์ทเนอร์คาดการณ์ว่า ภายในปี 2571 มากกว่า 40% ขององค์กรชั้นนำจะนำสถาปัตยกรรม Hybrid Computing Paradigm มาใช้ในเวิร์กโฟลว์ธุรกิจที่มีความสำคัญ เพิ่มขึ้นจาก 8% ในปัจจุบัน

"ความสามารถนี้กำลังขับเคลื่อนนวัตกรรมในภาคอุตสาหกรรมที่หลากหลาย ตัวอย่างเช่น บริษัทด้านการดูแลสุขภาพและเทคโนโลยีชีวภาพ (Biotech) ที่สามารถคิดค้นยาตัวใหม่ โดยใช้เวลาไม่กี่สัปดาห์แทนที่เดิมต้องใช้เวลาหลายปี หรือในภาคบริการทางการเงิน องค์กรต่าง ๆ กำลังจำลองตลาดโลกเพื่อลดความเสี่ยงของพอร์ตโฟลิโอ ขณะที่ผู้ให้บริการสาธารณูปโภคกำลังจำลองสภาพอากาศที่มีความรุนแรง เพื่อเพิ่มประสิทธิภาพระบบส่งกำลังไฟฟ้า" Paulman กล่าว

 Multiagent Systems

Multiagent Systems (หรือ MAS) คือชุด AI Agent ที่โต้ตอบกันเพื่อให้บรรลุเป้าหมายที่ซับซ้อนทั้งแบบเฉพาะตัวหรือร่วมกัน Agent อาจถูกส่งมอบในสภาพแวดล้อมเชิงเดี่ยวหรือพัฒนาและปรับใช้แยกกันในสภาพแวดล้อมแบบกระจาย

"การนำระบบ Multiagent มาใช้ช่วยให้องค์กรมีวิธีการที่ใช้งานได้จริงในการทำให้กระบวนการทางธุรกิจที่ซับซ้อนเป็นอัตโนมัติ ยกระดับทักษะทีม และสร้างวิธีการใหม่ ๆ ให้ผู้คนและ AI Agent ทำงานร่วมกันได้ Agent แบบโมดูลาร์และเฉพาะทางสามารถเพิ่มประสิทธิภาพ เร่งการส่งมอบ และลดความเสี่ยงโดยการนำโซลูชันที่ได้รับการพิสูจน์แล้วมาใช้ซ้ำในเวิร์กโฟลว์ต่าง ๆ แนวทางนี้ยังทำให้ง่ายต่อการขยายการดำเนินงานและนำไปปรับใช้ได้รวดเร็วตามความต้องการที่เปลี่ยนแปลง"

 Domain-Specific Language Models (DSLMs)

CIO และ CEO กำลังเรียกร้องคุณค่าทางธุรกิจมากขึ้นจาก AI แต่โดยส่วนใหญ่แล้ว Large Language Model (LLM) มักไม่ตอบโจทย์กับงานเฉพาะทาง โมเดลภาษาเฉพาะโดเมน (DSLMs) เติมเต็มช่องว่างนี้ด้วยความแม่นยำที่สูงขึ้น ต้นทุนที่ต่ำลง และการปฏิบัติตามข้อกำหนดที่ดีขึ้น DSLMs คือโมเดลภาษาที่ได้รับการฝึกหรือปรับแต่งด้วยข้อมูลเฉพาะทางสำหรับอุตสาหกรรม มีหน้าที่ หรือกระบวนการเฉพาะ ซึ่งแตกต่างจากโมเดลอเนกประสงค์ DSLMs ให้ความแม่นยำ ความน่าเชื่อถือ และการปฏิบัติตามข้อกำหนดที่สูงขึ้นสำหรับความต้องการทางธุรกิจที่เป็นเป้าหมาย

Gartner คาดการณ์ว่าภายในปี 2571 มากกว่าครึ่งหนึ่งของโมเดล GenAI ที่องค์กรใช้จะเป็นแบบเฉพาะโดเมน

"บริบทการใช้ Agent กลายเป็นหนึ่งในปัจจัยสร้างความแตกต่างที่สำคัญที่สุดสำหรับการใช้ Agent ให้ประสบความสำเร็จ AI Agent ที่รองรับด้วย DSLM สามารถตีความบริบทเฉพาะของอุตสาหกรรมเพื่อตัดสินใจได้อย่างถูกต้องแม้ในสถานการณ์ที่ไม่คุ้นเคย โดดเด่นในด้านความแม่นยำ อธิบายถึงที่มาที่ไปได้ และตัดสินใจได้ถูกต้อง" Paulman กล่าว

AI Security Platforms

แพลตฟอร์มความปลอดภัย AI หรือ AI Security Platforms นำเสนอแนวทางการทำงานแบบรวมศูนย์เพื่อรักษาความปลอดภัยแอปพลิเคชัน AI จากบุคคลที่สามและที่สร้างเองเฉพาะตัว ช่วยรวมศูนย์การมองเห็น บังคับใช้นโยบายการใช้งาน และป้องกันความเสี่ยงเฉพาะของ AI เช่น การโจมตีด้วยพรอมต์ (Prompt Injection), การรั่วไหลของข้อมูล (Data Leakage) และการกระทำของ Agent ที่เป็นอันตราย (Rogue Agent Actions) แพลตฟอร์มเหล่านี้ช่วย CIO บังคับใช้นโยบายการใช้งาน ติดตามกิจกรรม AI และใช้มาตรการป้องกันที่สอดคล้องกันในทุก AI

การ์ทเนอร์คาดการณ์ว่า ภายในปี 2571 มากกว่า 50% ขององค์กรจะใช้ AI Security Platforms เพื่อปกป้องการลงทุนด้าน AI ของตน

 AI-Native Development Platforms AI-Native Development Platforms หรือ แพลตฟอร์มการพัฒนาแบบ AI-Native ที่ใช้ GenAI เพื่อสร้างซอฟต์แวร์ได้รวดเร็วและง่ายกว่า โดย Software Engineer ที่ฝังอยู่ในธุรกิจ ทำหน้าที่เป็นวิศวกรซอฟต์แวร์ที่ทำงานร่วมกับลูกค้าโดยตรงเพื่อกำหนดค่าแพลตฟอร์มซอฟต์แวร์ หรือ "Forward-Deployed Engineer" สามารถใช้แพลตฟอร์มเหล่านี้ทำงานร่วมกับผู้เชี่ยวชาญในโดเมนเพื่อพัฒนาแอปพลิเคชัน

องค์กรสามารถมีทีมเล็ก ๆ ที่ประกอบด้วยคนที่ทำงานคู่กับ AI เพื่อสร้างแอปพลิเคชันมากขึ้นด้วยจำนวน นักพัฒนา (Developer) ที่มีอยู่ในปัจจุบัน องค์กรชั้นนำกำลังสร้างทีมแพลตฟอร์มเล็ก ๆ เพื่อให้ผู้เชี่ยวชาญในโดเมนที่ไม่ใช่ทางเทคนิคสามารถผลิตซอฟต์แวร์ด้วยตนเองได้ โดยมีมาตรการรักษาความปลอดภัยและธรรมาภิบาลประจำอยู่

Gartner คาดการณ์ว่าภายในปี 2573 แพลตฟอร์มการพัฒนาแบบ AI-Native จะส่งผลให้ 80% ขององค์กรพัฒนาทีม Software Engineering ขนาดใหญ่ให้เป็นทีมที่เล็กกว่าและคล่องตัวมากขึ้น โดยมี AI เสริม

 Confidential Computing

Confidential Computing คือ แนวทางใหม่ในการรักษาความปลอดภัยของข้อมูลที่มุ่งเน้นไปที่การปกป้องข้อมูลขณะที่ “กำลังถูกประมวลผล” จะเปลี่ยนวิธีที่องค์กรจัดการกับข้อมูลที่ละเอียดอ่อน โดยการแยกภาระงานไว้ในสภาพแวดล้อมการประมวลผลที่ปลอดภัย หรือ Trusted Execution Environment (TEE) ที่อิงกับฮาร์ดแวร์ ช่วยให้เนื้อหาและภาระงานเป็นส่วนตัวแม้แต่จากเจ้าของโครงสร้างพื้นฐาน ผู้ให้บริการคลาวด์ หรือใครก็ตามที่สามารถเข้าถึงฮาร์ดแวร์จริงได้ สิ่งนี้มีคุณค่า โดยเฉพาะกับอุตสาหกรรมที่มีการควบคุมและการดำเนินงานระดับโลกที่ต้องเผชิญกับความเสี่ยงทางภูมิรัฐศาสตร์และการปฏิบัติตามข้อกำหนด และทำงานร่วมมือกับคู่แข่ง

การ์ทเนอร์ คาดการณ์ว่าภายในปี 2572 มากกว่า 75% ของการดำเนินการในโครงสร้างพื้นฐานที่ไม่น่าเชื่อถือจะได้รับการรักษาความปลอดภัยระหว่างการใช้งานด้วย Confidential Computing

 Physical AI

Physical AI หรือปัญญาประดิษฐ์เชิงกายภาพที่นำความฉลาดของ AI มาสู่โลกจริงโดยฝังไว้ในเครื่องจักรและอุปกรณ์ที่สามารถรับรู้ ตัดสินใจและดำเนินการได้ อาทิ หุ่นยนต์ โดรนและอุปกรณ์อัจฉริยะ ช่วยให้เกิดประสิทธิภาพที่วัดผลได้ในอุตสาหกรรมที่ให้ความสำคัญกับระบบอัตโนมัติ ความสามารถในการปรับตัวและความปลอดภัย

เมื่อมีการนำมาใช้เพิ่มขึ้น องค์กรต้องการทักษะใหม่ที่เชื่อมโยงกับระบบไอที, การดำเนินงานและการทำวิศวกรรม การเปลี่ยนแปลงนี้สร้างโอกาสสำหรับการยกระดับทักษะและความร่วมมือใหม่ ๆ แต่อาจทำให้เกิดความกังวลเกี่ยวกับงานและต้องการการจัดการการเปลี่ยนแปลงอย่างรอบคอบ

Preemptive Cybersecurity ความปลอดภัยไซเบอร์เชิงป้องกันล่วงหน้าหรือ Preemptive Cybersecurity กำลังเป็นเทรนด์เมื่อองค์กรเผชิญกับภัยคุกคามที่เพิ่มขึ้นอย่างทวีคูณที่มุ่งเป้าหมายการโจมตีไปที่เครือข่าย ข้อมูล และระบบการเชื่อมต่อ การ์ทเนอร์คาดการณ์ว่าภายในปี 2573 โซลูชันเชิงป้องกันล่วงหน้า (Preemptive Solutions) จะคิดเป็นครึ่งหนึ่งของการใช้จ่ายด้านความปลอดภัยทั้งหมด เนื่องจากผู้บริหาร CIO เปลี่ยนโหมดการป้องกันจาก Reactive ไปสู่โหมด Proactive  ความปลอดภัยไซเบอร์เชิงป้องกันล่วงหน้าคือการดำเนินการก่อนที่ผู้โจมตีจะโจมตีโดยใช้ AI-powered SecOps, Programmatic Denial และเทคโนโลยีที่ออกแบบมาเพื่อหลอกล่อและเบี่ยงเบนความสนใจของ Hacker เมื่อเข้ามาในเครือข่ายขององค์กรอย่าง Deception เพราะนี่คือโลกที่การคาดการณ์คือการป้องกัน" Paulman กล่าว

Digital Provenance

เมื่อองค์กรพึ่งพาซอฟต์แวร์จากบุคคลที่สาม โค้ดโอเพนซอร์ส และเนื้อหาที่สร้างโดย AI มากขึ้น การตรวจสอบ Digital Provenance กลายเป็นสิ่งจำเป็น หมายถึงความสามารถในการตรวจสอบแหล่งที่มา ความเป็นเจ้าของ และความสมบูรณ์ของซอฟต์แวร์ ข้อมูล สื่อ และกระบวนการ เครื่องมือใหม่ ๆ อาทิ Software Bills of Materials (SBoM), Attestation Database และ Digital Watermarking มอบวิธีการแก่องค์กรในการตรวจสอบและติดตามสินทรัพย์ดิจิทัลตลอดห่วงโซ่อุปทาน

 การ์ทเนอร์คาดการณ์ว่า ภายในปี 2572 ผู้ที่ไม่ได้ลงทุนอย่างเพียงพอในความสามารถด้าน Digital Provenance จะเผชิญกับความเสี่ยงจากการลงโทษที่อาจสูงถึงหลายพันล้านดอลลาร์

Geopatriation Geopatriation หมายถึงการย้ายข้อมูลและแอปพลิเคชันของบริษัทจากผู้ให้บริการคลาวด์สาธารณะระดับโลกไปสู่การดำเนินงานแบบท้องถิ่น เช่น Sovereign Cloud, Regional Cloud Provider หรือศูนย์ข้อมูลขององค์กรเอง เนื่องจากความเสี่ยงทางภูมิรัฐศาสตร์ที่รับรู้มา ซึ่งเคยจำกัดเฉพาะธนาคารและรัฐบาล แต่ระบบคลาวด์คอมพิวติ้งที่ตั้งและบริหารจัดการภายในประเทศหรือภูมิภาคเดียวกันกับผู้ใช้ หรือ Cloud Sovereignty นั้น ในปัจจุบันส่งผลกระทบต่อองค์กรหลากหลายเนื่องจากความไม่มั่นคงระดับโลกที่เพิ่มขึ้น

"การย้ายภาระงานไปยังผู้ให้บริการที่มีท่าทีด้าน Sovereignty ที่เพิ่มขึ้นสามารถช่วยผู้บริหาร CIO ได้รับการควบคุมที่มากขึ้นเหนือการเก็บข้อมูลในพื้นที่ การปฏิบัติตามข้อกำหนด และธรรมาภิบาล รวมถึงการควบคุมที่มากขึ้นนี้อาจช่วยปรับปรุงการปฏิบัติตามกฎระเบียบท้องถิ่นและสร้างความไว้วางใจให้กับลูกค้าที่กังวลด้านความเป็นส่วนตัวของข้อมูลหรือผลประโยชน์ของชาติ" Alvarez กล่าว

การเติบโตอย่างรวดเร็วของไฮเปอร์สเกลดาต้าเซ็นเตอร์ใหม่ ๆ เพื่อรองรับการใช้งาน AI และ GenAI กำลังก่อให้เกิดความต้องการพลังงานที่ไม่มีที่สิ้นสุด เกินกว่าความสามารถในการจ่ายไฟของผู้ให้บริการไฟฟ้าในปัจจุบัน

จากการคาดการณ์ของการ์ทเนอร์ระบุว่าในอีกสองปีข้างหน้าอุตสาหกรรมดาต้าเซ็นเตอร์อาจเติบโตสูงถึง 160% และการใช้ไฟฟ้าที่เพิ่มขึ้นอย่างรวดเร็วนี้อาจส่งผลกระทบต่อความพร้อมใช้งานของพลังงานและนำไปสู่ภาวะขาดแคลนไฟฟ้า โดยการ์ทเนอร์คาดการณ์ภายในอีกสองปี (ค.ศ. 2027) 40% ของดาต้าเซ็นเตอร์ AI ที่มีอยู่จะถูกจำกัดการดำเนินงานด้วยปัญหาด้านพลังงาน ซึ่งจะสร้างความท้าทายอย่างมากสำหรับองค์กรที่วางแผนจะนำเทคโนโลยีเหล่านี้มาใช้ นอกจากนี้ยังส่งผลกระทบอย่างมีนัยสำคัญต่อกลยุทธ์ด้านคลาวด์ โดยราคาอาจเพิ่มขึ้น 10 ถึง 100 เท่าของราคาปัจจุบันเนื่องจากการใช้พลังงานจาก AI ที่เพิ่มขึ้น มีการวางแผนสร้างดาต้าเซ็นเตอร์ขนาดใหญ่ใหม่ ๆ เพื่อรองรับข้อมูลจำนวนมหาศาลที่จำเป็นสำหรับฝึกฝนและใช้งาน Large Language Models (LLMs) ที่กำลังขยายตัวอย่างรวดเร็ว ซึ่งเป็นพื้นฐานของการพัฒนาแอปพลิเคชัน GenAI

อย่างไรก็ตาม บางประเทศกำลังระงับการก่อสร้างดาต้าเซ็นเตอร์ การขออนุญาตสร้างดาต้าเซ็นเตอร์ในยุโรปถูกปฏิเสธเนื่องจากความต้องการพลังงานเกินกว่ากำลังการผลิตไฟฟ้าในท้องถิ่น บางพื้นที่ เช่น ไอร์แลนด์และสิงคโปร์ จำกัดหรือหยุดการเติบโตของดาต้าเซ็นเตอร์อย่างสิ้นเชิง เนื่องจากข้อกังวลด้านพลังงาน ไม่ว่ารูปการณ์จะเป็นอย่างไร การสร้างระบบส่งไฟฟ้า การจัดจำหน่าย และกำลังการผลิตใหม่อาจต้องใช้เวลาหลายปีกว่าจะเริ่มใช้งานได้และไม่สามารถบรรเทาปัญหาในปัจจุบันจนกว่าจะมีทางออก องค์กรต่าง ๆ ต้องเตรียมพร้อมตั้งแต่วันนี้เพื่อลดความเสี่ยงดังกล่าว

การตัดสินใจนำ AI มาใช้อย่างรอบคอบองค์กรต้องคำนึงถึงผลกระทบเชิงลบที่อาจเกิดขึ้นจากการใช้พลังงานสำหรับการใช้งานและติดตั้ง AI ทั้งในองค์กรและบนคลาวด์ สิ่งนี้จะช่วยลดความเสี่ยงจากการหยุดชะงักทางธุรกิจและแม้แต่การปิดกิจการ เนื่องจากอุปสงค์ด้านพลังงานเกินกว่าอุปทานที่มีศักยภาพในการเพิ่มประสิทธิภาพการใช้พลังงานจากความก้าวหน้าของเทคโนโลยีเซมิคอนดักเตอร์และสถาปัตยกรรมองค์กรแบบใหม่ก็เป็นสิ่งที่ต้องคำนึงถึง แม้การ์ทเนอร์คาดว่าจะมีการพัฒนาอย่างก้าวกระโดดในด้านเหล่านี้ แต่ในอีก 36 เดือนข้างหน้าจะเต็มไปด้วยความวุ่นวาย เนื่องจากทั้งผู้เล่นรายเดิมที่กำลังเติบโตและผู้เล่นรายใหม่ที่เข้ามาแข่งขันกันในตลาดต่างต้องการเป็นผู้นำตลาด สิ่งสำคัญคือองค์กรต้องพิจารณาหาทางเลือกใหม่ ๆ ด้านการจัดหาพลังงาน เพื่อให้มีพลังงานเพียงพอใช้เพื่อตอบสนองความต้องการที่เพิ่มขึ้น และในอดีตแสดงให้เห็นแล้วว่าโรงไฟฟ้าสามารถอัปเกรดเมื่อเวลาผ่านไปเพื่อรองรับความต้องการที่เพิ่มขึ้นเมื่อถึงจุดที่ต้องทำ

อย่างไรก็ตาม ประเด็นที่น่ากังวลเพิ่มขึ้นคือโครงสร้างพื้นฐานสายทองแดงของระบบไฟฟ้า ซึ่งมีการพัฒนาน้อยมากนับตั้งแต่ทศวรรษ 1960 หรือนับตั้งแต่ผลิตขึ้นครั้งแรก สิ่งนี้เป็นข้อจำกัดในการจ่ายไฟฟ้าที่สามารถแก้ไขได้ชั่วคราวโดยการวางดาต้าเซ็นเตอร์ไว้ใกล้โรงไฟฟ้านิวเคลียร์ ตัวอย่างเช่น Amazon Web Services (AWS) ที่เพิ่งดำเนินการไป โดยตั้งดาต้าเซ็นเตอร์ขนาด 750MW (เมกะวัตต์) ไว้ใกล้กับโรงไฟฟ้านิวเคลียร์ขนาด 2.3GW (กิกะวัตต์) ในรัฐเพนซิลเวเนีย เพื่อให้แน่ใจว่าจะสามารถสร้างการเติบโตในระยะยาวให้กับดาต้าเซ็นเตอร์ และจะไม่ประสบปัญหาการหยุดชะงักด้านพลังงาน แน่นอนว่าตอนนี้ไม่ใช่ทางเลือกที่เป็นไปได้ในประเทศเทศไทย เนื่องจากยังไม่มีโรงไฟฟ้านิวเคลียร์ อย่างไรก็ตามตอนนี้ประเทศไทยกำลังอยู่ในขั้นของการทบทวนร่างแผนพัฒนากำลังผลิตไฟฟ้าของประเทศ หรือ Power Development Plan 2024 (PDP) ที่จะมีการพัฒนาโรงไฟฟ้านิวเคลียร์ขนาดเล็ก หรือ Small Modular Nuclear Reactors (SMR) โดยมีกำลังผลิตสูงสุด 300 เมกกะวัตต์ต่อหน่วย

การสร้างรายได้จากข้อมูลและบริการ AI

สิ่งที่เป็นผลตามมาอย่างหลีกเลี่ยงไม่ได้เลยจากปัญหาการขาดแคลนพลังงานที่กำลังจะเกิดขึ้นก็คือราคาพลังงานที่เพิ่มขึ้น องค์กรควรพิจารณาชดเชยต้นทุนที่เพิ่มขึ้นจากการใช้พลังงานที่เพิ่มขึ้นสำหรับการติดตั้งและนำ AI มาใช้งาน โดยสรรหาวิธีสร้างรายได้จากข้อมูลและบริการ AI ตัวอย่างเช่น Tesla กำลังแก้ปัญหาที่กำลังขยายเพิ่มนี้ โดยสร้างศูนย์ซูเปอร์คอมพิวเตอร์ Dojo เพื่อตอบสนองความต้องการของยานพาหนะในการขับขี่อัตโนมัติระดับ 5 ซึ่งรถยนต์สามารถขับเคลื่อนได้โดยไม่ต้องมีมนุษย์ควบคุม เป้าหมายนี้จะไม่สำเร็จได้เลยหากไม่มีพลังงานหรือกำลังประมวลผลเพียงพอในรถยนต์แต่ละคัน ดังนั้นองค์กรจึงสร้างรายได้จากความสามารถนี้ผ่านศูนย์ Dojo

ในอนาคต จะไม่มีพลังงาน กำลังประมวลผลและความจุหน่วยความจำบนอุปกรณ์เพียงพอในหลายแอปพลิเคชัน หรือในอุปกรณ์พกพา อุปกรณ์ทางการแพทย์ และอุปกรณ์รักษาความปลอดภัย สำหรับองค์กรที่จะส่งมอบบริการ AI ในระดับที่ตลาดคาดหวัง การย้ายไปใช้ดาต้าเซ็นเตอร์ของตนเองหรือใช้ผู้ให้บริการคลาวด์ภายนอก อาจเป็นวิธีที่ดีในการสร้างรายได้จากวิสัยทัศน์ภาพรวม โดยไม่ถูกจำกัดด้วยขนาดของอุปกรณ์หรือแพลตฟอร์ม นั่นหมายถึงแนวทางใหม่สำหรับโปรเซสเซอร์เซมิคอนดักเตอร์ที่เหมาะสมที่สุดสำหรับการเรียนรู้และการอนุมาน และแนวทางใหม่สำหรับการบรรจุชิปเพื่อปรับปรุงความเร็วอินพุต/เอาต์พุต (I/O) และการระบายความร้อน ตามรายงานจาก Tesla ศูนย์ Dojo ประมวลผลสตรีมวิดีโอจากยานพาหนะแบบเรียลไทม์ใช้พลังงานน้อยกว่าซูเปอร์คอมพิวเตอร์ทั่วไปถึง 30% ผู้ผลิตชิปรายใหญ่อื่น ๆ กำลังพัฒนาและติดตั้งดาต้าเซ็นเตอร์ของตนเองเพื่อทำสิ่งที่คล้ายคลึงกัน การแข่งขันเพื่อลดการใช้พลังงานและปรับปรุงประสิทธิภาพของ AI จะสร้างประโยชน์อย่างมากสำหรับคนรุ่นต่อไป อย่างไรก็ตามความก้าวหน้าของเทคโนโลยีชิปเพียงอย่างเดียวไม่สามารถทดแทนความจำเป็นในการพัฒนาวิศวกรรมซอฟต์แวร์ AI และสถาปัตยกรรมองค์กรได้ต้องมั่นใจว่าผู้ให้บริการคลาวด์สามารถจัดหาพลังงานได้เพียงพอ ก่อนที่จะนำหรือใช้โครงสร้างพื้นฐานคลาวด์สำหรับแอปพลิเคชัน AI และ GenAI องค์กรควรตรวจสอบภาพรวมการใช้พลังงานของผู้ให้บริการคลาวด์ และดูเครื่องมือที่แสดงกำลังการผลิต ณ ปัจจุบันและที่มีอยู่แบบเรียลไทม์ องค์กรจำเป็นต้องกำหนดแผนสำรองในกรณีที่พลังงานไม่เพียงพอ โดยเฉพาะอย่างยิ่งเมื่อรัฐบาลบางประเทศกำหนดมาตรการเชิงรุกระงับการก่อสร้างดาต้าเซ็นเตอร์เนื่องจากขาดแคลนพลังงานในท้องถิ่น นอกจากนี้ยังต้องพิจารณาว่าการเปลี่ยนแปลงกำลังการผลิตต้องไม่ส่งผลกระทบต่อนโยบายด้านสิ่งแวดล้อม สังคม และธรรมาภิบาล (ESG) ของดาต้าเซ็นเตอร์ แนวคิดเก่าที่เคยใช้คือ สร้างดาต้าเซ็นเตอร์ที่ไหนก็ได้แล้วค่อยต่อไฟเข้าไป แต่ตอนนี้ต้องคิดใหม่ทำใหม่ หาแหล่งพลังงานก่อน แล้วค่อยสร้างดาต้าเซ็นเตอร์บริเวณใกล้เคียงประเทศ รัฐและเมืองต่าง ๆ ที่ต้องการรักษาความได้เปรียบสำหรับแข่งขันด้านดาต้าเซ็นเตอร์ จะต้องลงทุนในกำลังการผลิตไฟฟ้าใหม่ รวมถึงโครงสร้างพื้นฐานใหม่สำหรับการจัดจำหน่าย

โดย จอร์จ โลเปซ

รองประธานนักวิเคราะห์ การ์ทเนอร์

การ์ทเนอร์เน้นย้ำถึงแนวโน้มสำคัญหลายประการที่จะเป็นตัวกำหนดทิศทางของภาคยานยนต์ในปี 2568 ด้วยเหตุที่อุตสาหกรรมนี้กำลังเผชิญกับแรงกดดันด้านกฎระเบียบการปล่อยมลพิษและการเติบโตที่แข็งแกร่งจากจีน

เปโดร ปาเชโก รองประธานฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า "ซอฟต์แวร์และการใช้พลังงานไฟฟ้าจะยังเป็นปัจจัยขับเคลื่อนหลักสองประการในการเปลี่ยนแปลงของภาคยานยนต์ อย่างไรก็ตามในปีนี้ผู้ผลิตรถยนต์จะต้องเผชิญกับความไม่แน่นอนในเรื่องกฎระเบียบการปล่อยมลพิษและความตึงเครียดทางการค้าที่เพิ่มขึ้นระหว่างจีนกับชาติตะวันตก โดยเฉพาะอย่างยิ่งในตลาดรถยนต์ไฟฟ้า"

ภูมิทัศน์ทางการเมืองที่กำลังเปลี่ยนไปทั้งในสหรัฐอเมริกาและสหภาพยุโรป (EU) ทำให้ประเด็นเรื่องกฎระเบียบการปล่อยมลพิษของยานยนต์กลับมาได้รับความสนใจอีกครั้ง ซึ่งสร้างความไม่แน่นอนให้กับอุตสาหกรรมยานยนต์ ส่งผลให้ผู้รับจ้างผลิตอุปกรณ์หรือชิ้นส่วนหรือ OEMs บางรายอาจลังเลที่วางกลยุทธ์หลักของธุรกิจไว้ที่รถยนต์ไฟฟ้า การ์ทเนอร์ประเมินว่ายอดการจัดส่งรถยนต์ไฟฟ้า (ประเภทรถโดยสาร รถยนต์ รถตู้ และรถบรรทุกขนาดใหญ่) จะเติบโต 17% ในปี 2568 และคาดว่าในปี 2573 มากกว่าครึ่งของรถยนต์ทั้งหมดที่วางจำหน่ายและทำตลาดโดยผู้ผลิตนั้นจะเป็นรถยนต์ไฟฟ้า

ภูมิรัฐศาสตร์ทำให้การนำแนวคิด CASE มาปรับใช้ล่าช้า อุปสรรคทางการค้าที่สหรัฐอเมริกาและสหภาพยุโรปกำหนดและบังคับใช้กับรถยนต์ไฟฟ้าของจีนจะทำให้การนำเทคโนโลยีการเชื่อมต่อ ความเป็นอิสระ ซอฟต์แวร์ และการใช้พลังงานไฟฟ้า หรือที่เรียกรวมกันว่า CASE มาใช้ในทั้งสองภูมิภาคนี้ล่าช้าลง เนื่องจากรถยนต์ไฟฟ้าจีนถือเป็นประเภทยานพาหนะที่มีความก้าวหน้าที่สุดในอุตสาหกรรม

บิล เรย์ รองประธานอาวุโสของการ์ทเนอร์ กล่าวว่า "ผู้ผลิตโดรนและบริษัทโทรคมนาคมจีนกำลังรับรู้ถึงผลกระทบจากมาตรการแทรกแซงทางการค้าระหว่างประเทศ และรายต่อไปก็คือผู้ผลิตหุ่นยนต์ การมีซอฟต์แวร์อัจฉริยะที่สามารถอัปเดตได้ กล้องที่เข้าถึงได้จากระยะไกล และการผสานการเก็บข้อมูลเข้ากับโมเดลธุรกิจยานยนต์ ทำให้หลีกเลี่ยงไม่ได้ที่จะต้องเผชิญกับความท้าทายด้านภูมิรัฐศาสตร์ที่จะเป็นตัวแบ่งแยกตลาดและชะลอการนำเทคโนโลยีเหล่านี้มาปรับใช้"

 ผู้ผลิตรถยนต์จากจีนได้เปรียบการแข่งขันในด้านซอฟต์แวร์และระบบพลังงานไฟฟ้า เนื่องจากมีแนวทางการพัฒนาที่มีความเฉพาะและมีประสิทธิภาพ ช่วยให้สามารถนำเสนอรถยนต์ไฟฟ้าที่มีประสิทธิภาพสูง และราคาไม่แพง อย่างไรก็ตามอุปสรรคทางการค้าที่เพิ่มขึ้นอาจลดทอนข้อได้เปรียบดังกล่าวนี้ และทำให้รถยนต์ไฟฟ้าในตลาดสำหรับผู้บริโภคมีความหลากหลายลดลง ผู้ผลิตชิ้นส่วน OEM ต่าง ๆ ขยายความร่วมมือด้านซอฟต์แวร์กับผู้ผลิต OEM จากจีน  ผู้รับจ้างผลิตชิ้นส่วนและส่วนประกอบกำลังประสบปัญหาในการพัฒนาความสามารถด้านซอฟต์แวร์ภายในองค์กร ส่งผลให้หลายรายหันมาทำข้อตกลงกับผู้ผลิต OEM จากจีน เพื่อเข้าถึงสถาปัตยกรรมไฟฟ้า/อิเล็กทรอนิกส์ (E/E) ของยานพาหนะ ทำให้พึ่งพาความสามารถด้านซอฟต์แวร์และฮาร์ดแวร์ของผู้ผลิตรถยนต์ไฟฟ้าจากจีนมากยิ่งขึ้น

กำลังการผลิตส่วนเกินกระตุ้นให้โรงงาน OEM ปิดตัว

กำลังการผลิตส่วนเกินเป็นความท้าทายสำหรับโรงงานผลิตรถยนต์หลายแห่งในยุโรปและอเมริกาเหนือมานานหลายปี การเพิ่มอัตราภาษีนำเข้ารถยนต์ไฟฟ้าจากจีนที่สหรัฐฯ และ EU กำหนดเมื่อเร็ว ๆ นี้มีแนวโน้มที่จะทำให้ปัญหานี้รุนแรงมากขึ้น โดยผู้ผลิตรถยนต์จีนอาจตั้งโรงงานในยุโรปและสหรัฐฯ หรือในประเทศพันธมิตรการค้าเสรี อาทิ โมร็อกโกหรือตุรกี เพื่อรักษาความสามารถด้านราคาให้แข่งขันได้

การ์ทเนอร์คาดว่าสถานการณ์นี้มีแนวโน้มที่จะนำไปสู่การปิดตัวหรือขายโรงงานผลิตรถยนต์หลายแห่งที่มีอัตราการใช้งานต่ำให้กับผู้ผลิตรถยนต์รายอื่น ๆ และก่อให้เกิดผลกระทบต่อเนื่อง ที่นำไปสู่การปิดตัวโรงงานของซัพพลายเออร์ ประเด็นนี้จะเป็นการกำหนดทำเลการผลิตรถยนต์ของสหรัฐฯ และยุโรปขึ้นใหม่ และทำให้ประเทศที่มีต้นทุนต่ำกลายเป็นศูนย์กลางการผลิตและเป็นห่วงโซ่อุปทานหลักของอุตสาหกรรมยานยนต์

การ์ทเนอร์คาดการณ์ว่าสิ้นปีหน้า (2568) จะมีปริมาณรถยนต์ไฟฟ้า (EVs) จำนวน 85 ล้านคัน วิ่งบนท้องถนน ครอบคลุมประเภทต่าง ๆ อาทิ รถยนต์, รถบัส, รถตู้ และรถบรรทุกขนาดใหญ่

โจนาธาน ดาเวนพอร์ท ผู้อำนวยการอาวุโสฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า "แม้จะมีอุปสรรคหลายอย่างส่งผลกระทบต่อตลาดรถยนต์ไฟฟ้าในช่วงไม่กี่เดือนที่ผ่านมา แต่เรายังคาดการณ์ว่าในปีนี้ยอดรวมของรถยนต์ไฟฟ้าทั่วโลกจะอยู่ที่ 64 ล้านคัน และจะเพิ่มขึ้น 33% ในปี 2568 ซึ่งผลจากการที่บริษัทหลายแห่งต่างประเมินสูงเกินจริงไปว่าการเปลี่ยนไปใช้รถยนต์ไฟฟ้าจะเกิดขึ้นรวดเร็ว นั่นส่งผลให้ต้องเลื่อนการเปิดตัวรถยนต์ไฟฟ้ารุ่นใหม่ ๆ ออกไป โดยปัจจัยขับเคลื่อนการเติบโตของตลาดรถยนต์ไฟฟ้าในปีหน้านั้น หลัก ๆ มาจากยอดขายที่เพิ่มสูงขึ้นในจีน (58%) และยุโรป (24%) ซึ่งเมื่อนับรวมกันแล้วคิดเป็น 82% ของจำนวนรถยนต์ไฟฟ้าทั้งหมดทั่วโลก"

การ์ทเนอร์คาดว่า สิ้นปี 2568 ปริมาณรถยนต์ไฟฟ้าแบตเตอรี่ (BEVs) จะมีจำนวนเกือบ 62 ล้านคัน เพิ่มขึ้น 35% จากปี 2567 ส่วนรถยนต์ไฟฟ้าปลั๊กอินไฮบริด (PHEVs) คาดว่าจะเติบโตในอัตราที่ช้ากว่าเล็กน้อยและปีหน้าจะมีปริมาณอยู่ที่ 23 ล้านคัน เพิ่มขึ้น 28% จากปี 2567

สำหรับประเทศไทย การ์ทเนอร์คาดว่าในปี 2568 จะมีรถยนต์ไฟฟ้า (EVs) มากกว่า 77,800 คัน เพิ่มขึ้น 49% จากปี 2567 โดยรถยนต์ไฟฟ้าแบตเตอรี่จะมีสัดส่วน 74% และมียอดรวมทั้งหมดกว่า 57,900 คัน

สำหรับในระดับภูมิภาค การ์ทเนอร์คาดว่าความต้องการเป็นเจ้าของรถยนต์ไฟฟ้าในจีนจะยังคงมีปริมาณมากกว่าจำนวนรถยนต์ไฟฟ้าส่วนที่เหลือของโลกรวมกันยาวไปจนถึงปีหน้า และอาจเป็นเช่นนี้ต่อไปอีกทศวรรษ โดยความต้องการรถยนต์ไฟฟ้าจะเติบโตอย่างต่อเนื่องในยุโรปและอเมริกาเหนือ คาดว่าจะคิดเป็น 36% ของยอดรวมรถยนต์ไฟฟ้าทั่วโลกในปีนี้ (2567) การ์ทเนอร์ประมาณการว่าในปีหน้า (2568) จะมีรถยนต์ไฟฟ้า 49 ล้านคัน วิ่งอยู่ตามท้องถนนในจีน 20.6 ล้านคันในยุโรป และ 10.4 ล้านคันในอเมริกาเหนือ

ภายในอีกหกปี (2573) ผู้ผลิตรถยนต์จะสามารถรีไซเคิลแบตเตอรี่รถ EVs ได้สูง 95% ช่วยลดปัญหาขาดแคลนวัตถุดิบ

ตามที่คาดการณ์ว่ายอดจำหน่ายรถยนต์ไฟฟ้าจะเพิ่มสูงขึ้นทุกปี และการแก้ไขปัญหาขาดแคลนวัตถุดิบถือเป็นเรื่องท้าทาย ดังนั้น "ความพยายามในการรีไซเคิลอย่างจริงจังเพื่อใช้ประโยชน์จากแบตเตอรี่ที่ผ่านการใช้งานรวมถึงเศษวัสดุจากกระบวนการผลิต ผนวกเข้ากับความพยายามของสหภาพยุโรปเพื่อบังคับให้มีการรีไซเคิลแบตเตอรี่ ก็อาจช่วยลดความจำเป็นในการขุดแร่เพิ่มเติมได้" ดาเวนพอร์ตกล่าวเพิ่มเติม

“เนื่องจากความเข้มข้นของโลหะหายากในแบตเตอรี่มีสูงกว่าแร่ธรรมชาติ ดังนั้นแบตเตอรี่ที่ใช้งานแล้วจึงอาจถือเป็นแร่ที่มีความเข้มข้นสูง หากสามารถนำกลับมาใช้ใหม่ได้ในปริมาณมาก ๆ อาจช่วยเพิ่มโอกาสทางการค้าในภาพรวมของตลาดรถยนต์ไฟฟ้า ด้วยการลดราคาแบตเตอรี่ลง นอกจากนี้ยังมีประโยชน์เพิ่มเติมคือ แบตเตอรี่จะไม่ถูกกำจัดด้วยวิธีที่ผิดจริยธรรมหรือถูกนำไปทิ้งในหลุมฝังกลบ" ดาเวนพอร์ตกล่าวสรุป

การ์ทเนอร์คาดการณ์ว่าในอีกสามปี (พ.ศ. 2570) 40% ของโซลูชัน Generative AI จะทำงานในแบบมัลติโหมดที่จะสามารถประมวลผล ทำความเข้าใจและทำงานร่วมกับข้อมูลได้มากกว่าหนึ่งประเภท (อาทิ ข้อความ, รูปภาพ, เสียง และวิดีโอ) ซึ่งเพิ่มขึ้นจาก 1% ในปี 2566 โดยการเปลี่ยนแปลงนี้ทำให้ Human-AI มีปฏิสัมพันธ์ที่พัฒนายิ่งขึ้น และยังมอบโอกาสที่จะสร้างความต่างให้กับสิ่งที่ GenAI มีให้

เอริค เบรทเดอนิวซ์ รองประธานฝ่ายวิจัยการ์ทเนอร์ กล่าวว่า “เนื่องจากตลาด GenAI วิวัฒน์ไปสู่โมเดลที่เกิดและพัฒนาด้วยโหมดต่าง ๆ มากกว่าหนึ่งโหมด สิ่งนี้ช่วยสะท้อนภาพความสัมพันธ์ระหว่างข้อมูลที่ส่งออกมาในปริมาณมากและเพิ่มขึ้นต่อเนื่องที่แตกต่างกัน และมีศักยภาพในการปรับขนาดการใช้และเพิ่มประโยชน์ของ GenAI ให้ครอบคลุมประเภทข้อมูลและแอปพลิเคชันทั้งหมด นอกจากนี้ยังช่วยให้ AI สนับสนุนการทำงานของมนุษย์ได้มากขึ้นโดยไม่คำนึงถึงสภาพแวดล้อม”

Multimodal GenAI เป็นหนึ่งในสองเทคโนโลยีที่ได้รับการระบุไว้ในรายงาน Gartner Hype Cycle for Generative AI ปีนี้ โดยการนำมาใช้ช่วงแรกอาจสร้างความได้เปรียบในการแข่งขันที่สำคัญและเพิ่มประสิทธิภาพในด้านระยะเวลาในการนำออกสู่ตลาด ควบคู่ไปกับโมเดลภาษาโอเพนซอร์สขนาดใหญ่ (LLM) ทำให้เทคโนโลยีทั้งสองมีศักยภาพที่จะสร้างผลกระทบสูงต่อองค์กรอย่างสูงภายในห้าปีข้างหน้านี้  บรรดานวัตกรรม GenAI ที่การ์ทเนอร์คาดว่าจะได้รับการยอมรับแพร่หลายภายใน 10 ปีนั้น มีเทคโนโลยี 2 ประเภทที่ได้รับการระบุว่ามีศักยภาพสูงสุด ได้แก่ Domain-Specific GenAI Models และ Autonomous Agents

อรุณ จันทรเศกการัน รองประธานฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า “การวิเคราะห์แนวโน้มระบบนิเวศของ GenAI ยังคงเป็นเรื่องยากสำหรับองค์กร เนื่องจากระบบนิเวศของเทคโนโลยีนี้และผู้ผลิตหรือผู้ให้บริการเทคโนโลยีนั้นมีการเปลี่ยนแปลงอย่างรวดเร็ว โดย GenAI กำลังอยู่ในช่วงขาลงเมื่ออุตสาหกรรมเริ่มรวมตัวเข้าด้วยกัน ทว่าประโยชน์ที่แท้จริงจะเกิดขึ้นเมื่อกระแสนี้ลดลง และตามมาด้วยขีดความสามารถที่ก้าวหน้าขึ้นจะเกิดขึ้นรวดเร็วไปอีกมากในอีกไม่กี่ปีข้างหน้านี้”

Multimodal GenAI

Multimodal GenAI จะมีผลกระทบต่อแอปพลิเคชันองค์กรอย่างมาก จากการเพิ่มคุณสมบัติและฟังก์ชันใหม่ ๆ ที่วิธีอื่น ๆ ทำไม่ได้ และผลกระทบนั้นไม่ได้จำกัดอยู่แค่เฉพาะอุตสาหกรรมหรือยูสเคสการใช้งานเฉพาะเท่านั้น แต่ยังสามารถนำไปประยุกต์ใช้ในทุก Touchpoint ระหว่าง AI กับมนุษย์ ปัจจุบัน Multimodal Model หลาย ๆ ตัวยังมีข้อจำกัดอยู่เพียงสองหรือสามโหมดเท่านั้น แต่อีกไม่กี่ปีข้างหน้าจะเพิ่มขึ้นเพื่อให้ครอบคลุมมากขึ้น

“ในโลกความเป็นจริง ผู้คนจะพบเจอและเข้าใจข้อมูลผ่านการประมวลผลที่เป็นการผสมผสานของข้อมูลหลากหลายประเภท อาทิ เสียง ภาพและการสัมผัส โดย Multimodal GenAI นั้นมีความสำคัญอย่างยิ่ง เนื่องจากข้อมูลโดยทั่วไปนั้นจะประกอบด้วยประเภทต่าง ๆ อยู่แล้ว เมื่อนำ Single Modality Models มาประกอบเข้าด้วยกันเพื่อรองรับแอปพลิเคชัน Multimodal GenAI มักส่งผลให้เกิดความล่าช้าและลดความแม่นยำของผลลัพธ์ ส่งผลให้ได้รับประสบการณ์ที่มีคุณภาพต่ำ” เบรทเดอนิวซ์ กล่าวเพิ่ม

Open-Source LLMs LLM แบบโอเพ่นซอร์สเป็นโมเดลพื้นฐานการเรียนรู้เชิงลึกที่เร่งมูลค่าองค์กรจากการนำ GenAI ไปปรับใช้งาน โดยทำให้การเข้าถึงเชิงพาณิชย์ได้อย่างเสรีและอนุญาตให้ผู้พัฒนาปรับแต่งโมเดลให้เหมาะกับงานและยูสเคสการใช้งานเฉพาะ นอกจากนี้ ยังสามารถเข้าถึงชุมชนนักพัฒนาในองค์กร สถาบันการศึกษา และบทบาทการวิจัยอื่น ๆ ที่กำลังทำงานเพื่อเป้าหมายร่วมกันปรับปรุงและทำให้โมเดลนี้มีคุณค่ามากขึ้น

“LLM แบบโอเพ่นซอร์สเพิ่มศักยภาพด้านนวัตกรรมผ่านการปรับแต่งอย่างเหมาะสม ทำให้การควบคุมความเป็นส่วนตัวและความปลอดภัยดีขึ้น โมเดลมีความโปร่งใส มีความสามารถเพิ่มจากการพัฒนาร่วมกัน และมีศักยภาพในการลดการผูกขาดของผู้ขาย ท้ายที่สุดแล้ว LLM นำเสนอโมเดลขนาดเล็กกว่าให้กับองค์กร ซึ่งฝึกฝนได้ง่ายและมีค่าใช้จ่ายน้อยกว่า และเปิดใช้งานแอปพลิเคชันทางธุรกิจและกระบวนการทางธุรกิจหลัก” จันทราเสการัน กล่าวเพิ่ม

Domain-Specific GenAI Models

Domain-Specific GenAI Models ได้รับการพัฒนาเพื่อตอบสนองต่อความต้องการของอุตสาหกรรม ฟังก์ชันทางธุรกิจ หรือภารกิจที่มีความเฉพาะ โดยโมเดลเหล่านี้สามารถเพิ่มประสิทธิภาพของการจัดวางยูสเคสการใช้งานภายในองค์กรได้ พร้อมมอบความแม่นยำ ความปลอดภัย และความเป็นส่วนตัวที่ดีกว่า รวมถึงคำตอบที่เข้าใจบริบท ซึ่งช่วยลดความจำเป็นในการออกแบบข้อความที่ใช้สื่อสารกับโมเดล AI เทียบกับโมเดล AI ที่พัฒนามาเพื่อวัตถุประสงค์ทั่วไป และยังสามารถลดความเสี่ยงจากกรณีที่ AI อาจสร้างภาพหลอนขึ้นมาเอง (Hallucination Risks) จากการฝึกฝนที่เน้นการกำหนดเป้าหมาย

“Domain-specific models สามารถร่นระยะเวลาส่งมอบบริการตามความต้องการ (Time to Value) ประสิทธิภาพเพิ่มขึ้นและมีความปลอดภัยสูงขึ้นสำหรับโครงการ AI ต่าง ๆ โดยการนำเสนอจุด Start ที่ก้าวล้ำกว่าสำหรับงานอุตสาหกรรมเฉพาะ สิ่งนี้จะส่งเสริมการนำ GenAI มาใช้อย่างแพร่หลายมากขึ้น เนื่องจากองค์กรต่าง ๆ จะสามารถนำไปประยุกต์ใช้ในยูสเคสที่ General-Purpose Models ไม่มีประสิทธิภาพเพียงพอ” จันทราเสการัน กล่าวเพิ่ม

Autonomous Agents

Autonomous Agents คือ ระบบรวม (Combined Systems) ที่สามารถบรรลุเป้าหมายที่กำหนดไว้ได้โดยปราศจากมนุษย์ โดยใช้เทคนิค AI ที่หลากหลายในการระบุรูปแบบของสภาพแวดล้อม การตัดสินใจ การจัดลำดับการดำเนินการและสร้างผลลัพธ์ โดยตัวแทนเหล่านี้มีศักยภาพเรียนรู้จากสภาพแวดล้อมและปรับปรุงตลอดเวลา ทำให้สามารถจัดการงานที่ซับซ้อนได้

“Autonomous Agents เป็นการเปลี่ยนแปลงครั้งสำคัญของความสามารถ AI โดยความสามารถดำเนินการและตัดสินใจได้อย่างอิสระช่วยปรับปรุงการดำเนินธุรกิจ สร้างประสบการณ์ที่ดีให้กับลูกค้า และใช้ในการเปิดตัวผลิตภัณฑ์และบริการใหม่ ๆ ส่งผลให้ประหยัดต้นทุนและมีความได้เปรียบทางการแข่งขัน นอกจากนี้ยังเปลี่ยนบทบาทของทีมงานในองค์กรจากการส่งมอบ (Delivery) เป็นการควบคุมดูแล (Supervision) แทน”