เปิดแนวคิด Small AI เทคโนโลยีราคาประหยัดที่อาจเปลี่ยนเศรษฐกิจโลก

ในช่วงหลายปีที่ผ่านมา โลกกำลังแข่งขันกันลงทุน Artificial Intelligence หรือ AI อย่างเข้มข้น บริษัทเทคโนโลยีระดับโลกต่างเร่งพัฒนา GPU, Semiconductor, Hyperscale Data Center และ AI Computing Infrastructure เพื่อรองรับโมเดล AI ที่มีขนาดใหญ่และมีความสามารถสูงขึ้นอย่างต่อเนื่อง

การแข่งขันดังกล่าวทำให้ความต้องการไฟฟ้าของ Data Center เพิ่มขึ้นอย่างรวดเร็ว หลายประเทศต้องเร่งลงทุนโรงไฟฟ้า ระบบสายส่ง หม้อแปลง และระบบทำความเย็น เพื่อรองรับการขยายตัวของอุตสาหกรรม AI

แต่ในขณะที่โลกกำลังแข่งขันกันสร้าง AI Data Center ขนาดหลายร้อยเมกะวัตต์ ธนาคารโลก หรือ World Bank Group กลับนำเสนออีกมุมมองหนึ่งที่น่าสนใจอย่างยิ่ง นั่นคือการผลักดัน Small AI หรือ AI ขนาดเล็กที่สามารถนำไปใช้งานได้จริง มีต้นทุนไม่สูง และทำงานบนอุปกรณ์ทั่วไปได้

แนวคิดดังกล่าวปรากฏในบทความของ World Bank Group เรื่อง “How the World Bank Group is scaling practical AI for development” ซึ่งตั้งคำถามสำคัญว่า AI จะช่วยลดความเหลื่อมล้ำของโลก หรือจะทำให้ความเหลื่อมล้ำระหว่างประเทศร่ำรวยกับประเทศกำลังพัฒนารุนแรงขึ้น

ธนาคารโลกระบุว่า ประชากรโลกประมาณ 2.2 พันล้านคนยังไม่สามารถเข้าถึงอินเทอร์เน็ต ขณะที่ประชากรอีกจำนวนมากยังขาดอุปกรณ์ที่มีราคาเหมาะสม การเข้าถึงข้อมูล และทักษะดิจิทัล

ความเหลื่อมล้ำนี้สะท้อนผ่านการใช้งาน AI โดยธนาคารโลกระบุว่า การใช้งาน ChatGPT จากประเทศรายได้ต่ำมีสัดส่วนน้อยกว่า 1% ของการใช้งานทั้งหมด ตามข้อมูลที่นำมาอ้างอิงในบทความ

ตัวเลขดังกล่าวไม่ได้หมายความว่าประชากรประเทศรายได้ต่ำไม่มีความต้องการใช้ AI แต่สะท้อนข้อจำกัดด้านการเข้าถึงเทคโนโลยีและโครงสร้างพื้นฐานดิจิทัล

คำถามสำคัญจึงไม่ใช่เพียงว่า ประเทศใดมี GPU มากที่สุด หรือมี Data Center ขนาดใหญ่ที่สุด แต่คือ ประเทศใดสามารถนำ AI ไปสร้างประโยชน์ให้ประชาชน ภาคเกษตรกรรม ระบบสาธารณสุข การศึกษา และเศรษฐกิจจริงได้มากที่สุด

Small AI คืออะไร? ทำไมจึงไม่จำเป็นต้องใช้ Data Center ขนาดใหญ่ตลอดเวลา

Small AI หมายถึงแนวทางการพัฒนาหรือประยุกต์ใช้ AI ที่เน้นการแก้ปัญหาเฉพาะด้านด้วยระบบที่มีขนาดเหมาะสม ใช้ทรัพยากรประมวลผลไม่สูง และมีต้นทุนการใช้งานที่เข้าถึงได้

แทนที่จะใช้โมเดล AI ขนาดใหญ่มากเพื่อทำงานทุกประเภท Small AI อาจใช้โมเดลขนาดเล็กที่ได้รับการฝึกฝนหรือปรับแต่งให้ทำงานเฉพาะด้าน เช่น การวิเคราะห์ภาพโรคพืช การตรวจจับความผิดปกติทางการแพทย์ หรือการช่วยสอนนักเรียนในวิชาเฉพาะ

ข้อได้เปรียบสำคัญคือ AI บางประเภทสามารถทำงานบน Smartphone, Tablet, Laptop หรืออุปกรณ์ Edge Computing โดยไม่จำเป็นต้องส่งข้อมูลทั้งหมดไปประมวลผลที่ Cloud Data Center ตลอดเวลา

ตัวอย่างเช่น เกษตรกรสามารถใช้โทรศัพท์มือถือถ่ายภาพใบพืชที่มีความผิดปกติ แล้วให้ AI วิเคราะห์ความเป็นไปได้ของโรคหรือแมลงศัตรูพืช โดยไม่จำเป็นต้องเชื่อมต่ออินเทอร์เน็ตความเร็วสูงตลอดเวลา หากมีโมเดลที่สามารถทำงานบนอุปกรณ์ได้

หรือโรงพยาบาลในพื้นที่ห่างไกลอาจใช้อุปกรณ์ตรวจคัดกรองโรคที่มี AI ช่วยวิเคราะห์ข้อมูลเบื้องต้น โดยไม่ต้องส่งข้อมูลทั้งหมดไปยัง Data Center ขนาดใหญ่ทุกครั้ง

อย่างไรก็ตาม Small AI ไม่ได้หมายความว่าไม่ต้องใช้ Data Center เลย เพราะการพัฒนาและฝึกโมเดล การอัปเดตระบบ การจัดการข้อมูล และการประเมินคุณภาพยังอาจต้องพึ่งพา Cloud หรือโครงสร้างพื้นฐานส่วนกลาง

ความแตกต่างสำคัญคือการเลือกใช้กำลังประมวลผลให้เหมาะสมกับงาน ไม่ใช่ส่งทุกปัญหาไปให้โมเดลขนาดใหญ่ที่สุดจัดการ

World Bank ยกตัวอย่าง Small AI ที่เริ่มสร้างผลลัพธ์จริง

ธนาคารโลกอธิบายว่า Small AI กำลังถูกนำไปประยุกต์ใช้ในภาคเศรษฐกิจและบริการสาธารณะหลายด้าน โดยเฉพาะในพื้นที่ที่มีข้อจำกัดด้านโครงสร้างพื้นฐานและทักษะดิจิทัล

ในภาคเกษตรกรรม เกษตรกรสามารถใช้ภาพถ่ายจาก Smartphone เพื่อช่วยวิเคราะห์โรคพืชและแมลงศัตรูพืช ซึ่งอาจช่วยให้เกษตรกรตัดสินใจจัดการปัญหาได้รวดเร็วขึ้น และลดความเสียหายจากการระบาดของโรค

ในภาคสาธารณสุข อุปกรณ์ขนาดพกพาที่มี AI สามารถช่วยคัดกรองวัณโรค โดยไม่จำเป็นต้องพึ่งพาการเชื่อมต่ออินเทอร์เน็ตความเร็วสูงอย่างต่อเนื่อง ทำให้มีโอกาสนำไปใช้ในพื้นที่ที่ขาดแคลนบุคลากรและโครงสร้างพื้นฐานทางการแพทย์

ส่วนภาคการศึกษา ธนาคารโลกยกตัวอย่างระบบ AI Tutor ขนาดเล็กที่ช่วยสนับสนุนการเรียนรู้ โดยมีผลการศึกษาบางกรณีที่พบว่าผู้เรียนมีพัฒนาการเทียบเคียงกับการเรียนเพิ่มเติมประมาณหนึ่งปี

อย่างไรก็ตาม ผลลัพธ์ด้านการศึกษาดังกล่าวเป็นผลจากบริบทและรูปแบบการทดลองที่เฉพาะเจาะจง ไม่ได้หมายความว่า AI Tutor ทุกระบบจะสามารถเพิ่มผลสัมฤทธิ์ทางการศึกษาได้เท่ากับหนึ่งปีเสมอไป

สิ่งที่น่าสนใจคือเทคโนโลยีเหล่านี้ไม่ได้มุ่งแข่งขันกันสร้างโมเดล AI ที่มีขนาดใหญ่ที่สุด แต่เน้นการแก้ปัญหาที่เกิดขึ้นจริงในชีวิตประจำวัน

นี่คือแนวคิดที่ธนาคารโลกเรียกว่า Practical AI for Development หรือการใช้ AI เพื่อการพัฒนาอย่างเป็นรูปธรรม

AI ขนาดใหญ่กับ Small AI ไม่ใช่คู่แข่ง แต่มีหน้าที่แตกต่างกัน

ปัจจุบันการพัฒนา AI สามารถแบ่งรูปแบบการประมวลผลออกเป็นสองกลุ่มสำคัญ ได้แก่ Cloud AI และ Edge AI

Cloud AI คือการประมวลผลบนระบบ Cloud หรือ Data Center ซึ่งเหมาะกับงานที่ต้องใช้กำลังประมวลผลสูง เช่น การฝึกโมเดลขนาดใหญ่ การวิเคราะห์ข้อมูลมหาศาล และการให้บริการ AI ที่มีความซับซ้อน

ขณะที่ Edge AI คือการประมวลผลบนอุปกรณ์ใกล้ผู้ใช้งาน เช่น Smartphone, Laptop, กล้องอัจฉริยะ หรือเครื่องจักรในโรงงาน

Edge AI เหมาะกับงานที่ต้องการตอบสนองรวดเร็ว ต้องการลดการส่งข้อมูลผ่านเครือข่าย หรือจำเป็นต้องทำงานในพื้นที่ที่มีอินเทอร์เน็ตจำกัด

ตัวอย่างเช่น ระบบตรวจสอบคุณภาพสินค้าในโรงงานอาจใช้กล้องและ AI ขนาดเล็กตรวจจับชิ้นงานที่มีตำหนิได้โดยตรง โดยไม่ต้องส่งภาพทุกภาพไปประมวลผลบน Cloud

ในทางกลับกัน หากต้องฝึกโมเดลใหม่จากภาพจำนวนหลายล้านภาพ ก็อาจจำเป็นต้องใช้ Data Center ที่มีกำลังประมวลผลสูง

ดังนั้นอนาคตของ AI จึงอาจไม่ได้เป็นการเลือกระหว่าง Data Center กับอุปกรณ์ส่วนบุคคล แต่เป็นระบบ Hybrid AI Infrastructure ที่แบ่งงานประมวลผลระหว่าง Cloud, Edge และอุปกรณ์ของผู้ใช้งานอย่างเหมาะสม

Small AI จะทำให้ความต้องการ Data Center ลดลงหรือไม่?

นี่เป็นคำถามสำคัญสำหรับอุตสาหกรรม Data Center ทั่วโลก รวมถึงประเทศไทยที่กำลังเร่งดึงดูดการลงทุน AI Infrastructure

หาก AI สามารถทำงานบน Smartphone และ Laptop ได้มากขึ้น ย่อมมีโอกาสลดความจำเป็นในการส่งงานประมวลผลบางประเภทไปยัง Cloud Data Center

ตัวอย่างเช่น การแปลภาษา การสรุปข้อความ การรู้จำภาพ หรือการช่วยเขียนข้อความบางประเภท อาจสามารถประมวลผลบนอุปกรณ์ส่วนบุคคลได้โดยตรง

การเปลี่ยนแปลงนี้อาจช่วยลดการใช้ Bandwidth ลดความหน่วงของระบบ และลดภาระการประมวลผลบน Cloud สำหรับงานบางกลุ่ม

แต่ไม่ได้หมายความว่าความต้องการ Data Center ทั้งโลกจะลดลงโดยอัตโนมัติ

เพราะในขณะที่ AI ขนาดเล็กทำให้การประมวลผลบางประเภทมีประสิทธิภาพมากขึ้น ต้นทุนการใช้งาน AI ที่ลดลงก็อาจทำให้ประชาชนและธุรกิจนำ AI ไปใช้งานเพิ่มขึ้นอย่างรวดเร็ว

ปรากฏการณ์นี้มีลักษณะคล้าย Jevons Paradox ซึ่งอธิบายว่าเมื่อเทคโนโลยีใช้ทรัพยากรได้มีประสิทธิภาพมากขึ้น ต้นทุนต่อหน่วยอาจลดลงจนกระตุ้นให้เกิดการใช้งานเพิ่มขึ้น และอาจทำให้การใช้ทรัพยากรรวมไม่ได้ลดลงตามที่คาด

สำหรับ AI ผลลัพธ์จึงขึ้นอยู่กับว่าการลดภาระประมวลผลต่อหนึ่งงานจะมากหรือน้อยกว่าการเพิ่มขึ้นของจำนวนงาน AI ทั้งระบบ ดังนั้น Small AI อาจเปลี่ยนรูปแบบความต้องการ Data Center มากกว่าทำให้ Data Center หมดความจำเป็น

ตัวอย่าง : หาก AI ทำงานบน Laptop แทน Cloud จะประหยัดพลังงานได้จริงหรือ?

สมมติระบบ AI หนึ่งมีทางเลือกสองรูปแบบ คือประมวลผลบน Cloud Data Center หรือประมวลผลบน Laptop ของผู้ใช้งาน

หากใช้ Cloud AI ระบบต้องใช้พลังงานของ GPU หรือ Server รวมถึงระบบเครือข่าย ระบบไฟฟ้า และระบบทำความเย็นของ Data Center

แต่หากใช้ Small AI บน Laptop พลังงานส่วนหนึ่งจะย้ายมาใช้ที่ CPU, GPU หรือ Neural Processing Unit (NPU) ภายในอุปกรณ์

ในบางกรณี การประมวลผลบนอุปกรณ์อาจประหยัดพลังงานรวมได้ เพราะไม่ต้องส่งข้อมูลไปกลับผ่านเครือข่ายและไม่ต้องใช้ระบบประมวลผลส่วนกลางขนาดใหญ่

แต่ในบางกรณี Cloud Data Center ที่มี GPU ประสิทธิภาพสูงและมีการใช้งานร่วมกันจำนวนมาก อาจมีประสิทธิภาพพลังงานต่อหนึ่งงานดีกว่าการประมวลผลบนอุปกรณ์ส่วนบุคคล

ดังนั้นไม่สามารถสรุปได้ว่า Edge AI ประหยัดพลังงานกว่า Cloud AI เสมอไป

การเปรียบเทียบที่ถูกต้องต้องพิจารณาพลังงานต่อหนึ่งงานประมวลผล คุณภาพผลลัพธ์ ความถี่การใช้งาน พลังงานของเครือข่าย และประสิทธิภาพของอุปกรณ์

สิ่งสำคัญคือการออกแบบระบบ AI ให้ใช้ทรัพยากรประมวลผลเท่าที่จำเป็น แทนที่จะใช้โมเดลขนาดใหญ่สำหรับทุกงานโดยไม่มีเหตุผลทางเทคนิคหรือเศรษฐศาสตร์รองรับ

ประเทศไทยควรเรียนรู้อะไรจากแนวคิด Small AI ของ World Bank?

ประเทศไทยกำลังให้ความสำคัญกับการลงทุน Hyperscale Data Center และ AI Data Center ซึ่งเป็นโครงสร้างพื้นฐานสำคัญของเศรษฐกิจดิจิทัล

แต่การมี Data Center ขนาดใหญ่ไม่ได้หมายความว่าประชาชนและธุรกิจไทยจะได้รับประโยชน์จาก AI อย่างทั่วถึงโดยอัตโนมัติ

หากประเทศไทยมี Data Center จำนวนมาก แต่เกษตรกร โรงพยาบาล โรงเรียน และผู้ประกอบการ SMEs ยังไม่สามารถเข้าถึง AI ที่มีต้นทุนเหมาะสมได้ ประเทศก็อาจได้รับประโยชน์จากการลงทุน AI Infrastructure ต่ำกว่าศักยภาพ

แนวคิด Small AI ของธนาคารโลกจึงเป็นบทเรียนสำคัญว่า นโยบาย AI ไม่ควรมุ่งเน้นเพียงการดึงดูดเงินลงทุน Data Center แต่ต้องสร้างความสามารถในการนำ AI ไปใช้เพิ่มผลิตภาพทางเศรษฐกิจด้วย

สำหรับภาคเกษตรกรรม ไทยสามารถพัฒนา AI ที่ช่วยตรวจโรคพืช ประเมินคุณภาพผลผลิต และสนับสนุนการจัดการน้ำ โดยออกแบบให้ทำงานบน Smartphone ที่เกษตรกรมีอยู่แล้ว

สำหรับภาคอุตสาหกรรม สามารถพัฒนา Edge AI สำหรับตรวจสอบคุณภาพสินค้า บำรุงรักษาเครื่องจักรเชิงคาดการณ์ และเพิ่มประสิทธิภาพการใช้พลังงาน

สำหรับภาคสาธารณสุข สามารถใช้ AI สนับสนุนการคัดกรองโรคและการบริหารบริการทางการแพทย์ โดยต้องมีการตรวจสอบความถูกต้อง ความปลอดภัย และการกำกับดูแลโดยบุคลากรทางการแพทย์

ส่วนภาคการศึกษา สามารถพัฒนา AI Tutor ภาษาไทยที่มีต้นทุนต่ำ เพื่อสนับสนุนการเรียนรู้ของนักเรียนในพื้นที่ที่ขาดแคลนครูหรือทรัพยากรการศึกษา

การพัฒนาเหล่านี้อาจสร้างประโยชน์ทางเศรษฐกิจและสังคมในวงกว้าง โดยไม่จำเป็นต้องรอให้ทุกพื้นที่มี Data Center ขนาดใหญ่ตั้งอยู่ใกล้เคียง

นโยบาย AI ไทยควรลงทุนทั้ง Big AI Infrastructure และ Small AI Applications

หากประเทศไทยต้องการเป็นศูนย์กลาง AI ของภูมิภาค ควรพัฒนานโยบายที่ครอบคลุมทั้งโครงสร้างพื้นฐานขนาดใหญ่และการประยุกต์ใช้ AI ในเศรษฐกิจจริง

ด้านแรกคือการพัฒนา Big AI Infrastructure ซึ่งรวมถึง Data Center, Cloud Computing, GPU Computing, ระบบไฟฟ้า ระบบทำความเย็น และโครงข่าย Fiber เพื่อรองรับงาน AI ที่ต้องใช้กำลังประมวลผลสูง

ด้านที่สองคือการพัฒนา Small AI และ Edge AI ซึ่งช่วยให้ประชาชนและธุรกิจเข้าถึง AI ได้ด้วยต้นทุนที่เหมาะสม โดยเฉพาะงานที่สามารถประมวลผลบนอุปกรณ์ทั่วไป

ด้านที่สามคือการพัฒนาบุคลากรและทักษะดิจิทัล เพราะการมี AI ที่มีประสิทธิภาพสูงจะไม่สร้างประโยชน์เต็มที่ หากผู้ใช้งานไม่สามารถนำเทคโนโลยีไปแก้ปัญหาได้จริง

ด้านที่สี่คือการพัฒนาข้อมูลและระบบกำกับดูแล เช่น การคุ้มครองข้อมูลส่วนบุคคล ความปลอดภัยทางไซเบอร์ และมาตรฐานการใช้งาน AI ในภาคบริการสาธารณะ

และด้านสุดท้ายคือการสร้างระบบนิเวศให้ภาคเอกชนและสถาบันการศึกษาสามารถพัฒนา AI Applications ที่ตอบโจทย์ปัญหาของประเทศไทยได้โดยตรง

นโยบายลักษณะนี้จะช่วยให้การลงทุน AI Infrastructure ไม่ได้จบลงเพียงการสร้างอาคาร Data Center และติดตั้ง GPU แต่สามารถเชื่อมโยงไปสู่การเพิ่มผลิตภาพของภาคเศรษฐกิจไทย

บทเรียนสำคัญ: AI ที่ดีที่สุดไม่จำเป็นต้องเป็น AI ที่ใหญ่ที่สุด

การพัฒนา AI ในช่วงที่ผ่านมาให้ความสำคัญกับขนาดของโมเดล จำนวน Parameter และกำลังประมวลผลที่ใช้ในการฝึกโมเดล

แต่สำหรับผู้ใช้งานจำนวนมาก สิ่งสำคัญอาจไม่ใช่ว่า AI มี Parameter มากเพียงใด แต่คือสามารถแก้ปัญหาที่ต้องการได้อย่างถูกต้อง รวดเร็ว และมีต้นทุนเหมาะสมหรือไม่

เกษตรกรที่ต้องการตรวจโรคพืชอาจไม่จำเป็นต้องใช้โมเดล AI ขนาดใหญ่ที่สุดในโลก

โรงพยาบาลในพื้นที่ห่างไกลอาจต้องการระบบ AI ที่สามารถทำงานได้แม้อินเทอร์เน็ตไม่เสถียร มากกว่าระบบที่ต้องเชื่อมต่อ Cloud ตลอดเวลา

โรงเรียนขนาดเล็กอาจต้องการ AI Tutor ภาษาไทยที่ใช้งานง่ายและมีต้นทุนต่ำ มากกว่าแพลตฟอร์ม AI ที่มีความสามารถหลากหลายแต่มีค่าใช้จ่ายสูง

ดังนั้นการประเมินความสำเร็จของ AI ควรพิจารณาผลลัพธ์ที่เกิดขึ้นจริงต่อผู้ใช้งาน ไม่ใช่พิจารณาจากขนาดของโมเดลหรือกำลังประมวลผลเพียงอย่างเดียว

บทสรุป: อนาคต AI ไม่ได้มีเพียง Data Center ขนาดใหญ่ แต่ต้องเข้าถึงประชาชนทุกกลุ่ม

แนวคิด Small AI ของ World Bank Group สะท้อนทิศทางสำคัญของการพัฒนาเทคโนโลยีในอนาคตว่า AI ไม่ควรเป็นเครื่องมือที่มีเฉพาะประเทศร่ำรวยหรือบริษัทเทคโนโลยีขนาดใหญ่เท่านั้น

แม้โลกยังจำเป็นต้องลงทุน Hyperscale Data Center และ AI Computing Infrastructure เพื่อรองรับการพัฒนาโมเดล AI ที่มีความซับซ้อนสูง แต่ในขณะเดียวกันก็ต้องพัฒนา AI ที่ประชาชนสามารถเข้าถึงและนำไปใช้ได้จริง

สำหรับประเทศไทย การแข่งขันเพื่อเป็น Data Center Hub ของอาเซียนเป็นโอกาสสำคัญ แต่ไม่ควรเป็นเป้าหมายสุดท้ายของนโยบาย AI

สิ่งที่สำคัญกว่าคือการนำโครงสร้างพื้นฐานเหล่านั้นมาสนับสนุนการพัฒนาเศรษฐกิจไทย ทั้งภาคเกษตรกรรม อุตสาหกรรม การศึกษา สาธารณสุข และ SMEs

ประเทศไทยจึงควรพัฒนา AI สองระดับไปพร้อมกัน ได้แก่ Big AI Infrastructure สำหรับรองรับกำลังประมวลผลขนาดใหญ่ และ Small AI Applications สำหรับสร้างประโยชน์ให้ประชาชนและภาคเศรษฐกิจจริง

เพราะประเทศที่มี Data Center มากที่สุด อาจไม่ใช่ประเทศที่ได้รับประโยชน์จาก AI มากที่สุด แต่ประเทศที่สามารถทำให้ประชาชนและธุรกิจเข้าถึง AI และนำไปใช้เพิ่มผลิตภาพได้อย่างทั่วถึงต่างหาก ที่จะสร้างความได้เปรียบทางเศรษฐกิจในระยะยาว

ท้ายที่สุด ความสำเร็จของ AI ไม่ควรวัดเพียงจำนวน GPU ที่ติดตั้ง จำนวนเมกะวัตต์ของ Data Center หรือมูลค่าการลงทุนด้านเทคโนโลยี

แต่ควรวัดว่า AI สามารถช่วยเกษตรกรเพิ่มผลผลิต ช่วยโรงพยาบาลให้บริการได้ดีขึ้น ช่วยนักเรียนเรียนรู้ได้มากขึ้น และช่วยผู้ประกอบการไทยแข่งขันในตลาดโลกได้มากเพียงใด

อนาคต AI จึงไม่ได้ขึ้นอยู่กับการสร้าง AI ที่ใหญ่ที่สุดเพียงอย่างเดียว แต่ขึ้นอยู่กับการสร้าง AI ที่เหมาะสมและเข้าถึงผู้คนได้มากที่สุดด้วย

แหล่งข้อมูล : บทความ World Bank Group เรื่อง How the World Bank Group is scaling practical AI for developme