Amazon เปิดตัว Strands Decider 2B โมเดลตัดสินใจ AI ทางเลือกใหม่
Amazon Web Services เปิดตัว Strands Decider 2B โมเดลตัดสินใจแบบโอเพนซอร์สขนาด 2 พันล้านพารามิเตอร์ เพื่อช่วยให้นักพัฒนา AI ทำงานอัตโนมัติได้รวดเร็วและประหยัดต้นทุนยิ่งขึ้น
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- AWS เปิดตัวโมเดลโอเพนซอร์ส Strands Decider 2B สำหรับช่วย AI ตัดสินใจเลือกทางเลือก
- พัฒนาโดย Marc Brooker วิศวกรของ Amazon ภายใต้สังกัด Strands Labs
- สร้างขึ้นบนพื้นฐานโมเดล Qen3.5-2B ขนาดเล็กพอกับการรันบนเครื่องคอมพิวเตอร์โลคอล
- มุ่งตอบโจทย์เวิร์กโฟลว์ของเอเจนต์ AI ที่ไม่จำเป็นต้องใช้พลังประมวลผลสูงและมีราคาแพงจาก LLM ขนาดใหญ่
Amazon Web Services (AWS) กระโจนเข้าสู่สนามโมเดลตัดสินใจสำหรับปัญญาประดิษฐ์อย่างเป็นทางการ ด้วยการปล่อยตัว Strands Decider 2B ซึ่งเป็นโมเดลโอเพนซอร์สที่ได้รับแรงบันดาลใจมาจากโมเดล Jev ของบริษัท TypeSafe ความเคลื่อนไหวดังกล่าวเกิดขึ้นในช่วงเวลาที่นักพัฒนา AI กำลังมองหาระบบประมวลผลที่มีความเหมาะสมกับการนำไปใช้งานด้านระบบอัตโนมัติบนคอมพิวเตอร์มากกว่าการพึ่งพาโมเดลภาษาขนาดใหญ่หรือฟรอนเทียร์ LLM เพียงอย่างเดียว
โมเดล Strands Decider 2B นี้ถูกปล่อยออกมาในสัปดาห์เดียวกันกับที่ทาง OpenAI ได้ประกาศเปิดตัวเครื่องมือที่มีลักษณะใกล้เคียงกัน โดยจุดเด่นของระบบตัวนี้คือความสามารถในการทำหน้าที่คัดเลือกตัวเลือกที่มีการกำหนดไว้ล่วงหน้าได้อย่างรวดเร็วและใช้ต้นทุนต่ำ พร้อมทั้งยังให้ค่าความมั่นใจในการตัดสินใจแต่ละครั้งออกมาด้วย ตัวโมเดลเปิดให้ใช้งานแบบโอเพนซอร์สเต็มรูปแบบและมีขนาดเล็กจนสามารถนำไปรันบนเครื่องโลคอลได้ทันทีในวันที่ 1 ตุลาคม 2026
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
แนวคิดเบื้องหลังโปรเจกต์นี้เริ่มต้นจาก Marc Brooker วิศวกรผู้เชี่ยวชาญของ Amazon ที่ได้เห็นโมเดล Jev และมีความตั้งใจที่จะลองสร้างโมเดลในลักษณะเดียวกันขึ้นมาใช้งานด้วยตนเอง โปรเจกต์ทำมือชิ้นนี้ประสบความสำเร็จเกินคาดจนสามารถไต่อันดับขึ้นไปอยู่บนจุดสูงสุดของตารางคะแนน Jevbench สำหรับโมเดลที่มีขนาดใกล้เคียงกัน ส่งผลให้ทีมวิศวกรของ Amazon นำมาปรับปรุงโค้ดให้เรียบร้อยและเผยแพร่อีกครั้งภายใต้สังกัด Strands Labs ซึ่งเป็นหน่วยงานภายในที่มุ่งเน้นการพัฒนาเครื่องมือและโปรโตคอลใหม่ๆ สำหรับการใช้งานเอเจนต์ AI
Marc Brooker เปิดเผยว่า ความต้องการเครื่องมือลักษณะนี้เกิดขึ้นจากการพูดคุยกับลูกค้าของ AWS หลายราย เนื่องจากขั้นตอนการทำงานแบบเอเจนต์หรือ agentic workflows ของพวกเขานั้นไม่ได้มีความจำเป็นต้องใช้ความสามารถและต้นทุนที่สูงระดับ LLM เต็มรูปแบบอยู่ตลอดเวลา
โมเดลประเภท decision models หรือระบบตัดสินใจถือเป็นแนวทางใหม่ในวงการ AI ที่ถูกออกแบบมาเพื่อแบ่งเบาภาระของ Large Language Models (LLM) โดยเฉพาะ แทนที่จะให้ LLM ขนาดมหึมาคิดและประมวลผลทุกขั้นตอนซึ่งมีค่าใช้จ่ายสูงและใช้เวลามาก การใช้โมเดลขนาดเล็กที่มีหน้าที่เฉพาะเจาะจงในการเลือกผลลัพธ์จากตัวเลือกที่มีอยู่แล้วจะช่วยเพิ่มความเร็วและลดต้นทุนได้อย่างมหาศาล ซึ่งสอดคล้องกับทฤษฎีทางเศรษฐศาสตร์ของ William Stanley Jevons ที่ระบุว่าการลดลงของต้นทุนสิ่งใดสิ่งหนึ่งสามารถเพิ่มความต้องการใช้งานสิ่งนั้นได้มากขึ้น
ในแง่ของสถาปัตยกรรม Strands Decider ถูกสร้างขึ้นบนแกนหลักหรือส่วนลำตัวของ LLM โดยอาศัยโมเดล Qen3.5-2B แต่แทนที่จะทำหน้าที่สร้างข้อความยาวๆ ตัวโมเดลจะทำหน้าที่ให้ผลลัพธ์เป็นการเลือกตัวเลือกที่ผ่านการปรับเทียบความถูกต้องแล้ว ทั้งนี้ ทาง TypeSafe เจ้าของแนวคิดดั้งเดิมได้ตั้งชื่อโมเดล Jev ตามชื่อของนักเศรษฐศาสตร์ William Stanley Jevons เพื่อสื่อถึงทฤษฎีดังกล่าว
การที่นักวิจัยและทีมนักพัฒนาพากันผลิตโมเดลที่มีลักษณะคล้ายคลึงกันออกมานับสิบนับร้อยรายการ นับตั้งแต่ที่ TypeSafe เปิดตัวแนวคิดนี้ สะท้อนให้เห็นถึงความสนใจในวงกว้าง แต่ในขณะเดียวกันก็สร้างคำถามถึงความคุ้มค่าและมูลค่าที่แท้จริงของโมเดลเหล่านี้ โดย Brooker ระบุว่าความท้าทายที่แท้จริงอยู่ที่การปรับแต่งความเร็วในการตัดสินใจโดยไม่ไปลดทอนประสิทธิภาพด้านอื่นๆ ลง
"เราต้องค้นหาจุดสมดุลที่ละเอียดอ่อนมาก คุณต้องการผลักดันประสิทธิภาพทั้งในด้านความแม่นยำและการปรับเทียบสำหรับงานเหล่านี้ โดยไม่ทำให้ความเข้าใจในภาษาต่างๆ หรือองค์ความรู้ที่มีอยู่เสื่อมถอยลง ซึ่งนั่นคือสิ่งที่ทำให้มันเป็นโมเดลอเนกประสงค์ มีความน่าสนใจ และมีประโยชน์อย่างแท้จริง"
Marc Brooker
อย่างไรก็ตาม Brooker ไม่ได้คาดหวังว่าห้องปฏิบัติการพัฒนา AI ระดับแนวหน้าหรือฟรอนเทียร์แล็บจะเป็นผู้ครองตลาดนี้ทั้งหมด โดยเฉพาะอย่างยิ่งในตลาดขนาดเล็กที่ค่าใช้จ่ายในการพัฒนาสิ่งใหม่ๆ มีมูลค่าเพียงหลักร้อยหรือหลักพันดอลลาร์เท่านั้น ในขณะที่ทางฝั่งผู้บริหารของ TypeSafe ระบุว่าพวกเขากำลังมุ่งมั่นพัฒนาโมเดลรุ่นต่อไปให้ดียิ่งขึ้นไป พร้อมกับตั้งข้อสังเกตว่าผลงานระลอกล่าสุดนี้ดูเหมือนเป็นการที่นักพัฒนาแมชชีนเลิร์นนิงต้องการทดลองสถาปัตยกรรมเจ๋งๆ มากกว่าจะเป็นทีมงานที่ทุ่มเทกับการทำให้ปัญญาประดิษฐ์เกิดประโยชน์สูงสุดอย่างแท้จริง
ที่มา: TechCrunch
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น