ความท้าทายของ Physical AI กับเส้นทางที่ต้องเดิน
ตลอดระยะเวลาที่ผ่านมาผู้อ่านหลายท่านอาจเริ่มเห็นกระแสการพูดถึงสิ่งที่เรียกว่า Physical AI หรือปัญญาประดิษฐ์ทางกายภาพ หลังจากที่ตลาดเริ่มตั้งคำถามว่า กระแสปัญญาประดิษฐ์จะกระจายตัวไปถึงระดับไหน และตลาดเริ่มกลับมาพิจารณาในประเด็นนี้อย่างจริงจัง ถึงขั้นที่ว่าสายงานวิจัยของธนาคารชั้นนำอย่าง Barclays ออกรายงานเมื่อไม่กี่เดือนที่ผ่านมาว่า ขั้นต่อไปของปัญญาประดิษฐ์นั้นจะมาในรูปแบบกายภาพ เช่น หุ่นยนต์ หรืออุปกรณ์อัจฉริยะต่างๆ รอบตัวเราที่อำนวยความสะดวกเราและสามารถทำงานได้ฉลาดยิ่งขึ้น
ข่าวที่เกี่ยวข้อง
แนวคิดนี้ไม่ใช่เรื่องแปลกใหม่ เพราะก่อนหน้าไม่นานนี้ เราเริ่มมีการพูดถึง Edge AI/End-client AI หรือปัญญาประดิษฐ์ที่เครื่องปลายทาง เนื่องจากเมื่อมีการพัฒนาทางเทคโนโลยีที่เริ่มเปลี่ยนไป ทำให้อุปกรณ์ต่างๆ มีความสามารถเพิ่มขึ้น อาจกล่าวอีกแบบว่า อุปกรณ์รอบตัวเราเป็นเสมือนคอมพิวเตอร์ขนาดย่อมมากขึ้น ซึ่งก่อนหน้านั้นก็มีการพูดถึง Edge ML หรือ Edge Machine Learning ซึ่งก็คืออุปกรณ์ที่สามารถเรียนรู้ตัวเองได้ด้วยตนเอง
แต่กลายเป็นว่า ในอดีตแนวคิดนี้แทบไม่น่าเป็นไปได้ เหตุผลสำคัญมาจากสองปัจจัยหลัก
ปัจจัยแรกมาจากประสิทธิภาพของอุปกรณ์เหล่านี้ ซึ่งในวงการคอมพิวเตอร์ เราเรียกอุปกรณ์เหล่านี้ว่า คอมพิวเตอร์ฝังตัว (Embedded Computer) ข้อจำกัดอย่างสำคัญคือการใช้พลังงานในการทำงานและประมวลผล เนื่องจากคอมพิวเตอร์เหล่านี้มีขนาดเล็กและต้องทำงานอยู่ตลอดเวลา การใช้พลังงานที่ต่ำหรือเหมาะสมจึงเป็นสาเหตุหลัก ยังไม่รวมถึงระบบระบายความร้อนที่ไม่สามารถมีได้เหมือนคอมพิวเตอร์ขนาดใหญ่หรือพกพา ซึ่งหากความร้อนเกิดสะสมต่อเนื่อง ย่อมกระทบกับการทำงาน ประสิทธิภาพ และสำคัญที่สุดคืออายุการใช้งานที่สั้นลงของอุปกรณ์ทั้งหมด
อีกปัจจัยหนึ่งคือเรื่องของโมเดลหรือซอฟต์แวร์ที่ทำงานบนเครื่องคอมพิวเตอร์ขนาดเล็กเหล่านี้ การที่คอมพิวเตอร์เหล่านี้มีประสิทธิภาพที่ด้อยลงกว่าคอมพิวเตอร์ปกติ ทำให้การนำเอาซอฟต์แวร์ต่างๆ รวมถึงโมเดลปัญญาประดิษฐ์เข้าไปทำงานโดยตรงกับอุปกรณ์เหล่านี้จะเป็นไปได้ยากมากหากไม่มีการปรับแต่งให้เหมาะสม ซึ่งความท้าทายของการสร้างปัญญาประดิษฐ์ อยู่ที่ขีดจำกัดเหล่านี้
ในช่วงที่ผ่านมา การทำงานของปัญญาประดิษฐ์ (AI) ต้องใช้ทรัพยากรที่สูงมาก กล่าวคือ โมเดลปัญญาประดิษฐ์สักตัวอาจใช้หน่วยความจำชั่วคราวสูงถึงหลายกิกะไบต์ (GB) และพื้นที่เก็บข้อมูลหรือหน่วยความจำสำรองโดยเฉลี่ย 12-19 GB ซึ่งถือว่าสูงมากสำหรับคอมพิวเตอร์ฝังตัว หนึ่งในความพยายามที่สำคัญคือโครงการ PrismML ที่มาจากโครงการของสถาบัน CalTech ประเทศสหรัฐอเมริกา โดยนำเอาโมเดลปัญญาประดิษฐ์ต่างๆ ทั่วโลก มาบีบอัดเพื่อให้รวดเร็ว และสามารถทำงานได้บนโทรศัพท์หรืออุปกรณ์ฝังตัวขนาดเล็ก โดยไม่ต้องใช้พื้นที่มาก ซึ่งประสบความสำเร็จครั้งแรกเมื่อเดือนมีนาคมปี 2026 ที่ผ่านมากับโมเดล PrismML 1-bit Bonsai ที่สามารถทำงานบน iPhone 17 Pro รุ่นล่าสุดได้อย่างไหลลื่นเป็นภาษาอังกฤษ โดยลดขนาดพื้นที่จัดเก็บข้อมูลของโมเดลลงเหลือ 1.15 GB เท่านั้น ถือว่าไม่เสียประสิทธิภาพมาก เท่ากับว่าสามารถลดขนาดโมเดล AI ลงได้ 12-14 เท่า และใช้หน่วยความจำชั่วคราวระหว่างประมวลผลที่ราว 1.25-1.37 GB เท่านั้น
การลดขนาดโมเดลลงมีความสำคัญอย่างมาก เนื่องจากทำให้ปัญญาประดิษฐ์เหล่านี้สามารถทำงานได้จริงบนอุปกรณ์ที่มีคอมพิวเตอร์ฝังตัวขนาดเล็ก และเป็นการชี้ให้เห็นแนวทางใหม่ให้กับอุปกรณ์เหล่านี้ ซึ่งล่าสุดเอง PrismML ก็เปิดตัวโมเดล Bonsai 27B ที่นำเอาโมเดล Qwen ของ Alibaba มาบีบอัดและลดขนาดลงด้วยวิธีการออกแบบสถาปัตยกรรมของ AI ให้เหลือตัวแปรแค่การให้น้ำหนักของคำตอบและการตัดสินใจ จากการใช้ตัวแปรแบบ floating-point numbers (การใช้ตัวเลขเป็นตัวเลขสูตรสมการ เพื่อสะท้อนเป็นตัวเลขจริง) เหลือเพียง 3 ตัว คือ -1, 0 และ +1 ผลที่ได้คือโมเดลดังกล่าว โดยแบ่งเป็น 2 รุ่นย่อย คือ Ternary Bonsai 27B ที่เล็กเพียง 5.9 GB และสามารถใช้งานได้บนคอมพิวเตอร์พกพาปัจจุบันได้อย่างสบาย และ 1-bit Bonsai 27B ที่เล็กลงเหลือเพียง 3.9 GB เท่านั้น เล็กพอที่จะสามารถใช้บนโทรศัพท์มือถืออย่าง iPhone 17 Pro ได้อย่างราบรื่น
จากเนื้อหาที่กล่าวมา ถือเป็นแนวโน้มการพัฒนาที่ดีขึ้น แต่อย่าลืมว่า Physical AI ในรูปแบบนี้มาได้ดำเนินการมาได้เพียงครึ่งทางเท่านั้น เพราะโมเดลที่เราใช้กันมักเป็น Generative AI ที่เรียนรู้จากข้อมูลที่เป็นตัวอักษร (textual) เป็นหลัก และการสร้างข้อมูลต่างๆ ก็มักจะมาจากข้อความเหล่านี้ แต่ในงานของ Physical AI โดยเฉพาะอย่างยิ่งในกลุ่มของหุ่นยนต์นั้น จำเป็นที่จะต้องใช้ข้อมูลจากภาพเคลื่อนไหวที่ชัดเจนในการเรียนรู้ (pretraining) ซึ่งแปลว่ายังต้องใช้โมเดลที่มีขนาดใหญ่ และพื้นที่การจัดเก็บข้อมูลที่ยังเยอะอยู่มาก และที่สำคัญปัญญาประดิษฐ์นี้นั้นก็พัฒนายังไม่เพียงพอด้วย
ผู้อ่านอาจเสนอได้ว่า หุ่นยนต์นั้นอาจไม่จำเป็นต้องใช้การฝึกฝน ซึ่งในสถานการณ์ที่สามารถคาดเดาได้ เช่น โรงงาน ที่มีสายพานลำเลียง หรือการที่หุ่นยนต์วิ่งเอาของจากสถานที่หนึ่งไปยังอีกสถานที่หนึ่ง ตามตัวอย่างนี้จะมีตัวแปรรบกวนที่ค่อนข้างน้อย หรือในอีกทางหนึ่ง เราสามารถออกแบบโครงสร้างโรงงานให้เอื้อต่อเงื่อนไขการทำงานของหุ่นยนต์ได้โดยตรง
แต่ในสถานการณ์ที่ไม่สามารถคาดเดาได้ หรือคาดเดาได้ยากมาก เช่น อย่างในบ้านเรือนทั่วไป สถานการณ์จะต่างออกไปอย่างสิ้นเชิง เนื่องจากแต่ละครอบครัวมีวิถีชีวิตและบรรยากาศที่หลากหลาย การวางสิ่งของ ปริมาณของใช้ ตลอดจนกิจวัตรประจำวันของคนในบ้านล้วนแตกต่างและเปลี่ยนแปลงอยู่ตลอดเวลา ความแตกต่างในรายละเอียดเหล่านี้กลายเป็นปัญหาสำคัญที่ทำให้การพัฒนาโมเดลด้วยภาพและวิดีโอนั้นทำได้ยากกว่ามาก ซึ่งก็มีบริษัทอย่าง MicroAGI ที่กำลังพยายามแก้ปัญหานี้ ด้วยการรวบรวมข้อมูลต่างๆ ทั้งจากการทำงานให้ฟรีๆ ผ่านบริการอย่าง Shift หรือคนที่ใช้แอพแล้วยอมให้บันทึกกิจกรรมต่างๆ ภายในบ้าน เพื่อแลกกับเงินจำนวนหนึ่งก็ได้เช่นกัน แต่ก็แลกมาด้วยการที่ทุกกิจกรรมต้องเห็นมือที่ยื่นมาอย่างชัดเจนด้วย ถึงจะได้รับค่าจ้างดังกล่าว
สิ่งที่ผมอธิบายทั้งหมด ทั้งเรื่องของขีดจำกัดของคอมพิวเตอร์แบบฝังตัว และเรื่องของการออกแบบซอฟต์แวร์ต่างๆ คือปัจจัยความท้าทายทั้งหมดที่เกี่ยวข้องกับ Physical AI และ Humanoid Robot ต่างๆ และนี่คือเหตุผลว่าทำไมตลาดยังต้องตั้งคำถามอย่างมีนัยสำคัญกับตลาดกลุ่มนี้ โดยหากพิจารณาจากข้อมูลการคาดการณ์ของตลาดจากดัชนี Solactive Global AI Humanoid Robotics จะเห็นได้ว่าตลาดยังคงคาดการณ์กำไรสุทธิอยู่ในระดับที่ต่ำ โดยหากนับตั้งแต่คาดการณ์ ณ ไตรมาส 2 ปี 2026 ยาวถึงไตรมาส 2 ปี 2028 เฉลี่ยจะอยู่ที่เพียง 1.09% ซึ่งต่างกับของดัชนี S&P 500 ที่เฉลี่ยคาดการณ์อยู่ที่ 16.78%
ภาพ 1 คาดการณ์ของตลาด สำหรับกำไรของกลุ่ม Humanoid Robot เทียบกับดัชนี S&P 500 (ที่มา: Bloomberg, XSpring Asset Management)
อีกมิติคือผลตอบแทนของผู้ถือหุ้น (ROE) ซึ่งเป็นส่วนที่สำคัญเช่นกัน จากข้อมูลคาดการณ์ของตลาดจากดัชนี Solactive Global AI Humanoid Robotics จะเห็นได้ว่าตลาดยังคาดการณ์ผลตอบแทนของผู้ถือหุ้นอยู่ในระดับที่ต่ำ โดยหากนับตั้งแต่การคาดการณ์ผลตอบแทน ณ ไตรมาส 2 ปี 2026 ยาวถึงไตรมาส 2 ปี 2028 เฉลี่ยจะอยู่ที่ -0.74% ซึ่งต่างกับของดัชนี S&P 500 ที่เฉลี่ยคาดการณ์อยู่ที่ 22.03%
ภาพ 2 คาดการณ์ของตลาด สำหรับผลตอบแทนของผู้ถือหุ้น (ROE) ของกลุ่ม Humanoid Robot เทียบกับดัชนี S&P 500 (ที่มา: Bloomberg, XSpring Asset Management)
จะเห็นได้ว่าการคาดการณ์ของตลาดนั้นไม่ได้เป็นมิตรสำหรับการลงทุนเท่าใด ทำให้กระแสของ AI Humanoid หรือ Robotic ที่เกี่ยวข้องกับ Physical AI นั้นยังไม่สามารถจุดติดได้ทั้งในไทยและต่างประเทศ ซึ่งสะท้อนภาพกลับไปยังข้อจำกัดในเชิงปัจจัยพื้นฐานและเทคนิคที่เกี่ยวข้องกับปัญหาของ Physical AI
ดังนั้นแล้ว หากจะลงทุนในกลุ่มหลักทรัพย์ที่เกี่ยวข้องหรือกองทุนที่เกี่ยวข้อง ผู้อ่านมีความจำเป็นอย่างมากที่จะต้องมีความเข้าใจว่าเทคโนโลยีในกลุ่มนี้ยังพัฒนาไม่ถึงขีดสุด เหมือนยุคสมัยที่เกี่ยวข้องกับ Machine Learning ที่กว่าจะพัฒนาจนกลายเป็นปัญญาประดิษฐ์ (AI) ในปัจจุบันได้นั้นกินระยะเวลาเป็นหลายทศวรรษ และอาจไม่จำเป็นที่จะต้องรีบร้อนเพื่อเข้าไปมีส่วนร่วมในช่วงเวลานี้ ซึ่งกว่ามนุษย์จะแก้ไขขีดจำกัดที่เกี่ยวข้องนั้น ก็อาจต้องใช้ระยะเวลาอีกสักพักหนึ่ง
ภัทรนันท์ ธนียวัน ลิ้มอุดมพร
นักกลยุทธ์การลงทุน ผู้จัดการอาวุโส บริษัทหลักทรัพย์จัดการกองทุน เอ็กซ์สปริง จำกัด
