Future Trends สรุปมุมมองผู้เชี่ยวชาญและนักพัฒนาจากบริษัท SCB 10X จากงาน Techsauce Global Summit 2025 ภายในบูธ AreaX by SCBX หัวข้อ How Real-World AI is Redefining Thai Education—and the Market Behind It และ AI’s Next Chapter: Better Models, Faster Training, and Smarter Learning โดยสรุปเนื้อหาเป็น 2 ส่วน ได้แก่ ส่วนแรกเจาะบทบาท ความท้าทาย และทิศทางอนาคตของ AI ในระบบการศึกษาไทย ส่วนที่สองลงลึกเทรนด์การพัฒนาเทคโนโลยี AI เพื่อทำให้ AI มีประสิทธิภาพ ลดต้นทุนในการประมวลผล ลดความผิดพลาดในผลลัพธ์ และมีความสามารถใกล้เคียงกับมนุษย์มากยิ่งขึ้น
ส่วนที่ 1 บทบาท ความท้าทาย และอนาคตของ AI ในระบบการศึกษาไทย ผ่านมุมมองของ SCB 10X, Learn Coporation และ Edsy
AI กับบทบาทต่อการศึกษาไทย
ปัจจุบัน AI ได้เข้ามามีบทบาทในห้องเรียนและระบบการศึกษาไทยอย่างเป็นรูปธรรมมากขึ้น .
ซึ่งบทบาทที่สำคัญของ AI ในภาคการศึกษาคือ การเร่งและปรับการเรียนรู้เฉพาะบุคคล (Personalized & Accelerated Learning)
เทคโนโลยี AI สามารถนำมาปรับใช้เพื่อตั้งเป้าหมายในการแก้ปัญหาการเรียนรู้ส่วนบุคคล ส่งเสริมศักยภาพของผู้เรียนรายบุคคล และลดภาระของบุคลากรทางการศึกษา ผ่านการใช้นวัตกรรมที่เหมาะสม
- คุณเอกชัย ลิ้มพิสูจน์ Technical Lead และคุณโชคธิรัฐ อุดมดี AI Engineer ของ SCB 10X กล่าวว่า SCB 10X ร่วมกับสภาการศึกษา พัฒนา AI Assistant ชื่อ RISA โดยใช้โมเดลภาษาไทย Typhoon เพื่อช่วยนักเรียนเตรียมสอบ PISA (Programme for International Student Assessment) ซึ่งเป็นการประเมินสมรรถนะของนักเรียน โดยมีเป้าหมายเพื่อตรวจสอบคุณภาพระบบการศึกษาของแต่ละประเทศ โดย RISA สามารถอธิบายวิธีคิดและเฉลยได้ทั้ง ข้อปรนัย และ ข้ออัตนัย พร้อมปรับคำอธิบายให้เหมาะกับผู้เรียน ช่วยเร่งการเรียนรู้เฉพาะบุคคลและยกระดับคุณภาพการศึกษาไทย ทั้งนี้ยังช่วยลดภาระงานให้กับครูและบุคคลากรที่เกี่ยวข้องอย่างมีนัยสำคัญ
- คุณสรณภพ เทวปฏิคม EdTech Product Leader จาก Learn Corporation (On demand) ระบุว่า ได้นำ AI เข้ามาช่วยในการติดแท็กอัตโนมัติ (Tagging) บนเนื้อหาข้อสอบ เฉลย และวิดีโอการสอน ทำให้สามารถวิเคราะห์ได้ว่านักเรียนติดปัญหาจุดใด พร้อมแนะนำโจทย์หรือเนื้อหาเสริมที่ตรงจุดได้อย่างแม่นยำ
- ดร.ณพล รัชตสัมฤทธิ CTO จาก Edsy ยังชี้อีกว่า Edsy เอง ได้พัฒนา AI Tutor สำหรับการเรียนภาษาอังกฤษ เพื่อให้นักเรียนฝึกสนทนาในบริบทเสมือนจริงภายในห้องเรียนและได้รับข้อเสนอแนะทันที (real-time feedback) ช่วยลดอุปสรรคด้านความมั่นใจ เพิ่มชั่วโมงฝึกที่มีคุณภาพ และยกระดับผลลัพธ์การเรียนรู้ ทั้งนี้ AI ถูกออกแบบให้เป็นเครื่องมือ “เสริมศักยภาพครู” มากกว่าจะมาแทนที่ โดยช่วยลดภาระงานในแต่ละวันและจัดการข้อมูลเชิงลึกของผู้เรียน ทำให้ผู้สอนมีเวลาโฟกัสงานที่ต้องใช้ Human Touch เช่น การโค้ช แนะทิศทาง และดูแลนักเรียนแบบรายบุคคลได้ลึกยิ่งขึ้น.
ความท้าทายและก้าวต่อไปของการใช้ AI ในการศึกษา
แม้ AI จะเป็นเครื่องมือที่มีประสิทธิภาพ แต่การจะนำมาใช้ในระบบการศึกษาได้อย่างสำเร็จ ไม่ใช่เรื่องของการนำมาใช้แบบสำเร็จรูป แต่ต้องอาศัยการ ออกแบบ กำกับ และประเมินผลอย่างรอบคอบ เพื่อให้เกิดประโยชน์สูงสุด
ข้อจำกัดสำคัญในการนำ AI มาปรับใช้ในระบบการศึกษาของไทย ได้แก่:
ความท้าทายด้านความแม่นยำ
ปัจจุบัน AI ยังไม่สามารถมีความแม่นยำได้ 100% ซึ่งในด้านการศึกษา ความผิดพลาดเพียงเล็กน้อยถือเป็นความเสี่ยงที่อาจส่งผลกระทบรุนแรงต่ออนาคตของผู้เรียน จึ่งจำเป็นต้องมี ผู้เชี่ยวชาญคอยกำกับดูแลและตรวจสอบควบคู่กับการทำงานของ AI เสมอ เพื่อให้มั่นใจในความถูกต้องของข้อมูลและป้องกันข้อผิดพลาดที่อาจเกิดขึ้นได้
ความท้าทายด้านบุคลากรและการออกแบบ AI
ปัจจุบันยังมี ช่องว่างด้านความรู้ความเข้าใจ ระหว่างครูและบุคลากรการศึกษาเกี่ยวกับศักยภาพและข้อจำกัดของ AI ทำให้การนำไปใช้งานอาจไม่เกิดประสิทธิภาพสูงสุด นอกจากนี้ การออกแบบ AI เพื่อการศึกษา มักถูกสร้างโดยนักพัฒนาเทคโนโลยีที่อาจขาดความเข้าใจในหลักการออกแบบการสอน (Pedagogy) ดังนั้น การพัฒนา AI ที่ตอบโจทย์การศึกษาอย่างแท้จริงจึงจำเป็นต้องเกิดจาก ความร่วมมือระหว่างผู้เชี่ยวชาญทั้งสองด้าน เพื่อให้ได้เครื่องมือที่สอดคล้องกับกระบวนการเรียนรู้ของผู้เรียน
ความเสี่ยงด้านการทุจริตของผู้เรียน
ผู้เรียนอาจใช้ AI ในการทำแบบฝึกหัดหรือการบ้านโดยไม่ได้เกิดกระบวนการเรียนรู้ที่แท้จริง ซึ่งเป็นโจทย์ใหญ่ที่ระบบการศึกษาต้องหาทางแก้ไข ด้วยการ พัฒนากลไกการวัดผลและประเมินผลที่รัดกุม มากขึ้น รวมถึงการใช้เทคโนโลยีเพื่อยืนยันตัวตนของผู้เรียน เช่น การใช้เทคโนโลยีจดจำเสียง (Voice Identification) หรือการใช้เทคโนโลยีตรวจจับการลอกเลียนแบบ (Plagiarism Detection)
อนาคตการศึกษา: ต้นทุนด้าน AI ที่ลดลง และความเข้าใจมนุษย์และเข้าถึงได้มากขึ้น
ในอีก 5 ปีข้างหน้า คาดว่าต้นทุนของเทคโนโลยี AI จะลดลงอย่างมาก ทำให้ทุกคนสามารถเข้าถึงเครื่องมือเพื่อ “Reskill” และ “Relearn” ได้อย่างเท่าเทียมกันมากขึ้น AI จะเข้ามาเป็นผู้ช่วยสำคัญในการ ออกแบบการเรียนรู้เฉพาะบุคคล (Personalized Learning) ที่ซับซ้อนและมีประสิทธิภาพยิ่งขึ้น
อย่างไรก็ตาม บทบาทของครูจะยังคงมีความสำคัญและจะยิ่งทวีความสำคัญมากขึ้นในด้านที่ต้องการ “ความเข้าใจในมนุษย์” โดยเป้าหมายสูงสุดของการศึกษาไทยที่ขับเคลื่อนด้วย AI ไม่ใช่การสร้างอัจฉริยะทางเทคโนโลยี แต่คือการสร้างคนให้ “คิดเป็น ทำงานเป็น และเป็นคนดีในสังคมที่มีความสุข” ซึ่งเป็นคุณค่าที่ AI ไม่สามารถสร้างขึ้นมาได้เอง
ส่วนที่ 2:เจาะลึกเทรนด์ AI ผ่านมุมมองผู้เชี่ยวชาญจาก SCB 10X
บทวิเคราะห์เชิงลึกจากดร.ณรงค์ บริจินดากุล Technical Specialist และคุณคุณัชญ์ พิพัฒนกุล Lead Al Scientist ของ SCB 10X ได้ชี้ให้เห็นถึง 3 เทรนด์สำคัญในการพัฒนา AI ที่น่าจับตามอง ดังนี้
- Diffusion LLM (dLLM) – เป็นการนำเสนอแนวคิดใหม่ที่น่าสนใจในการพัฒนาโมเดลภาษา โดย dLLM จะไม่ทำนายคำถัดไปแบบเดิม แต่จะใช้เทคนิคการ “denoising” เพื่อเติมคำที่หายไปในประโยค ซึ่งข้อดีที่โดดเด่นคือ โมเดลสามารถทบทวนและแก้ไขคำที่ทำนายไปแล้วได้ ทำให้การสร้างประโยคมีความแม่นยำมากขึ้น และอาจช่วยลดปัญหา Hallucination (การหลอนของ AI) ลงได้ในอนาคต นอกจากนี้ แม้ว่า dLLM จะไม่จำเป็นต้องใช้ KV cache เหมือนกับโมเดลแบบเก่า แต่ก็ยังคงต้องใช้หน่วยความจำในขั้นตอนการประมวลผล ซึ่งนักวิจัยกำลังศึกษาว่าในที่สุดแล้ว dLLM จะสามารถจัดการหน่วยความจำได้อย่างมีประสิทธิภาพมากกว่าหรือไม่
- การเปลี่ยนแปลงครั้งใหญ่ของ Optimizer ในวงการ AI – ในโลกของการพัฒนา AI แนวทางการฝึกโมเดลขนาดใหญ่ (large-scale training) กำลังถูกพลิกโฉมด้วยการเปลี่ยนบทบาทของ Optimizer ซึ่งเป็นกลไกสำคัญที่กำหนดประสิทธิภาพของการเรียนรู้ เดิมที AdamW ถือเป็นมาตรฐานที่นิยมใช้กันอย่างแพร่หลาย แต่ตอนนี้เริ่มมีทางเลือกใหม่ที่น่าจับตามองมากขึ้น
ตัวอย่างที่ชัดเจนคือทีม Moonshot AI ที่เลือกใช้ Muon Optimizer ในการฝึกโมเดล Kimi K2 และพบว่ามีประสิทธิภาพการคำนวณสูงกว่า AdamW ถึงสองเท่า ซึ่งการเปลี่ยนแปลงนี้ไม่ได้เป็นเพียงแค่การเปลี่ยนเครื่องมือ แต่ยังเป็นสัญญาณที่ชี้ให้เห็นถึงการมาของเทรนด์ Modular Optimization หรือแนวคิดในการปรับใช้ Optimizer ที่เหมาะสมกับแต่ละส่วนของโมเดล ทำให้การเทรนโมเดลมีประสิทธิภาพสูงสุดอย่างที่ไม่เคยมีมาก่อน
- Reinforcement Learning (RL) – ในปัจจุบัน เทรนด์ของ Reinforcement Learning (RL) กำลังก้าวเข้าสู่ยุคทอง โดยเฉพาะอย่างยิ่ง Reinforcement Learning with Verifiable Reward (RLVR) ซึ่งเป็นวิวัฒนาการที่ล้ำหน้ากว่า RLHF (Reinforcement Learning from Human Feedback) ที่พึ่งพาการให้ฟีดแบ็กจากมนุษย์เพียงอย่างเดียว
RLVR ช่วยให้โมเดลสามารถสร้างชุดความคิดหรือ “trace” ของคำตอบที่สามารถตรวจสอบความถูกต้องได้อย่างชัดเจน ซึ่งถือเป็นหัวใจสำคัญที่ทำให้เกิดเทรนด์ “Vibe Coding” หรือ AI ช่วยเขียนโค้ดที่กำลังเป็นที่นิยมอย่างมากในปีนี้ เนื่องจากงานประเภทนี้ (เช่น การเขียนโปรแกรมหรือแก้โจทย์คณิตศาสตร์) มีคำตอบที่ถูกต้องและตรวจสอบได้จริง ทำให้โมเดลสามารถเรียนรู้ได้อย่างมีประสิทธิภาพมากขึ้น นอกจากนี้ การพัฒนา Reasoning Model ยังเป็นอีกหนึ่งปัจจัยสำคัญที่ช่วยยกระดับ AI Agent ให้สามารถคิดวิเคราะห์และตัดสินใจได้อย่างซับซ้อนยิ่งขึ้นในปัจจุบัน
บทสรุปสำคัญจากการวิเคราะห์ครั้งนี้คือ การเดินทางของ AI ยังเพิ่งเริ่มต้นขึ้นเท่านั้น โดยมีเทคโนโลยีหลักอย่าง Diffusion Models, Optimizers แบบใหม่ และ Reinforcement Learning เป็นเครื่องยนต์สำคัญที่จะช่วยผลักดันให้ AI ในอนาคตมีราคาถูกลง, เข้าถึงง่ายขึ้น และมีประสิทธิภาพสูงขึ้นกว่าเดิมอย่างก้าวกระโดด
ในฐานะองค์กรชั้นนำอย่าง SCB 10X ได้แสดงผลลัพธ์เชิงรูปธรรมในการยกระดับขีดความสามารถด้าน AI ของประเทศไทย ผ่านการพัฒนา “Typhoon” โมเดลที่ออกแบบให้สอดคล้องกับบริบทการใช้งานของคนไทย และเปิดเป็น Open-source ผ่านแพลตฟอร์ม opentyphoon.ai เพื่อให้นักพัฒนาและองค์กรเข้าถึง ทดลอง และต่อยอดได้อย่างรวดเร็ว ครอบคลุมทั้ง โมเดลภาษาไทย (LLM), OCR, ASR, TTS ตลอดจนภาษาถิ่น ความเคลื่อนไหวนี้ไม่เพียงเร่งการสร้างนวัตกรรม แต่ยังวาง รากฐานโครงสร้างพื้นฐานด้านภาษาและเทคโนโลยี ที่แข็งแรงและยั่งยืนให้กับระบบนิเวศ AI ของไทยในระยะยาว
สามารถติดตามความเคลื่อนไหวของ SCB 10X ได้ที่ https://www.facebook.com/SCB10X/
#FutureTrends #FutureTrendsetter #SCBX #SCB10X
