สิ่งที่โพสต์ของคนที่บอกว่าตัวเองอายุ 17 ปีทำให้เห็นเกี่ยวกับวงจรปิด
ผู้โพสต์นิรนามคนหนึ่งบอกว่าตัวเองอายุ 17 ปี และเขียนว่า จุดแข็งจริงของเอเจนต์ AI ไม่ได้อยู่แค่ความเก่งของโมเดลตัวเดียว แต่อยู่ที่การทำให้งานกลายเป็น “ปริมาณ” ที่ขยายได้
ปฏิกิริยาของคนอื่นประมาณว่า
“17 ปีจริงเหรอ หรือกลับชาติมาเกิดเป็นสถาปนิกระบบ?”
ความต่างระหว่างอายุกับมุมมองนั้นตลกดี แต่ไม่ใช่ประเด็นสำคัญที่สุด
ประเด็นคือโครงสร้างของแนวคิดนี้ ผลิตภาพในยุค AI กำลังเปลี่ยนจาก “มีโมเดลที่ฉลาดที่สุดหนึ่งตัว” ไปเป็น “ทำให้งานเป็นวงจรปิด แล้วให้เอเจนต์จำนวนมากรันได้อย่างปลอดภัย”
และเมื่อวงจรนั้นทำงาน ปัญหาถัดไปก็มาทันที
ถ้าคุณภาพวัดอัตโนมัติได้ คุณภาพเองก็จะเข้าสู่สงครามปริมาณด้วย
เราแก้คอขวดหนึ่งได้
แล้วก็สร้างคอขวดถัดไป
1. จุดได้เปรียบด้านการขยายคือแรงงานที่คัดลอกได้
การเพิ่มพนักงานหนึ่งคนต้องผ่านการรับสมัคร การฝึกอบรม เงินเดือน สิทธิ์เข้าถึง การส่งต่องาน และการบริหาร
เอเจนต์ AI คัดลอกได้ง่ายกว่ามาก สำเนาหลายตัวรับงานคนละงานและทำพร้อมกันได้ ถ้ามีงบและกำลังประมวลผล หนึ่งตัวอาจกลายเป็นสิบตัว และสิบตัวอาจกลายเป็นร้อยตัว
แต่นี่ไม่ได้แปลว่า “ซื้อโทเคนแล้วกำไรแน่นอน” การซื้อการประมวลผลรับประกันเพียงว่าคุณได้การประมวลผล ไม่ได้รับประกันผลตอบแทนทางเศรษฐกิจ
มูลค่าเกิดเมื่อการประมวลผลเชื่อมกับกระบวนการที่ใช้งานได้จริง:
- แบ่งงานได้
- เอเจนต์แต่ละตัวได้รับอินพุตที่ค่อนข้างเป็นอิสระ
- ตรวจผลลัพธ์ได้ในต้นทุนต่ำ
- ตรวจจับความล้มเหลวได้
- งานที่ผิดสามารถรันใหม่หรือซ่อมอัตโนมัติได้
- ผลสุดท้ายเชื่อมกับความต้องการจริง
เมื่อเงื่อนไขเหล่านี้ครบ AI จะเปลี่ยนจากกล่องสนทนาฉลาด ๆ ไปเป็นโครงสร้างพื้นฐานของแรงงานที่ขยายได้
2. วงจรปิดคือการให้ผลลัพธ์กำหนดการกระทำครั้งต่อไป
โครงสร้างง่ายมาก:
ลงมือทำ
สังเกต
ตัดสิน
แก้ไข
ทำอีกครั้ง
ผลลัพธ์ถูกส่งกลับเข้าไปเป็นอินพุตของรอบถัดไป
ลองนึกถึงโรงงานบทความแบบทั่วไป:
สร้างบทความ → ตรวจคุณภาพ → ปรับเป็นหลายภาษา → เผยแพร่ → อ่าน HTML จริงบนระบบ → ตรวจความผิดปกติ → แก้ไข → เผยแพร่อีกครั้ง
นี่ใกล้เคียงกับวงจรปิดมาก
ตรงกันข้ามกับ
“ให้ AI เขียน 100 บทความ เสร็จแล้ว”
ซึ่งเป็นวงจรเปิด
ปริมาณอาจเพิ่ม 100 เท่า และข้อผิดพลาดหรือบทความที่ไม่มีใครอ่านก็อาจเพิ่ม 100 เท่าด้วย
มันคือสายการผลิตความเร็วสูงที่ไม่มีจุดตรวจสินค้า
3. งานวิจัยบอกว่าเอเจนต์มากขึ้นไม่ได้แปลว่าดีขึ้นเสมอ
ในเดือนมกราคม 2026 Google Research เปรียบเทียบการจัดระบบเอเจนต์ 180 แบบ
ในงานวิเคราะห์การเงินที่แบ่งทำพร้อมกันได้ง่าย สถาปัตยกรรมแบบมีศูนย์กลางที่กระจายงานให้หลายเอเจนต์ทำผลงานดีขึ้นประมาณ 80.9% เมื่อเทียบกับเอเจนต์เดี่ยว
แต่ในงานวางแผนที่ต้องทำตามลำดับอย่างเข้มงวด ระบบหลายเอเจนต์ทุกแบบกลับแย่ลง 39% ถึง 70%
เอเจนต์ร้อยตัวไม่ได้แปลว่าความคืบหน้าร้อยเท่า
บางครั้งแปลว่าแค่มีคนเข้าประชุมร้อยคน
งานวิจัยเดียวกันรายงานว่าเอเจนต์ที่ทำงานแยกกันโดยไม่มีการประสานสามารถขยายความผิดพลาดได้สูงสุด 17.2 เท่า ขณะที่การประสานจากศูนย์กลางลดตัวเลขนั้นเหลือ 4.4 เท่า
ปริมาณทรงพลัง
แต่ระบบที่รวมและตรวจสอบปริมาณนั้นอาจสำคัญยิ่งกว่า
4. คอขวดจริงมักอยู่ที่ตัวตรวจสอบ
ซอฟต์แวร์เหมาะกับวงจรปิดมาก
คอมไพล์ผ่านไหม?
การทดสอบผ่านไหม?
ชนิดข้อมูลถูกไหม?
ผลลัพธ์ตรงกับที่คาดไหม?
หลายอย่างตรวจด้วยเครื่องได้
นี่เป็นหนึ่งในเหตุผลที่งานพัฒนาซอฟต์แวร์เป็นพื้นที่แรก ๆ ที่เอเจนต์ขยายจำนวนได้เร็ว
แต่งานปลายเปิดยากกว่า
บทความที่ดีคืออะไร?
งานวิจัยที่มีความใหม่คืออะไร?
การวิเคราะห์ที่น่าเชื่อถือคืออะไร?
คำแนะนำที่ควรเชื่อคืออะไร?
ถ้าเรียกกลไกตัดสินเหล่านี้ว่า “ตัวตรวจสอบ” ทรัพยากรที่ขาดแคลนในยุคเอเจนต์อาจย้ายจากตัวสร้างไปอยู่ที่ตัวตรวจสอบ
การสำรวจเอเจนต์วิจัยอัตโนมัติในปี 2026 พบว่า จากระบบที่รันได้ 24 ระบบ 83% เปิดเผยโค้ด แต่มีเพียง 38% ที่เปิดเผยค่าเริ่มต้นสุ่มหรือร่องรอยการรัน และ 38% ที่รายงานวิธีตรวจสอบความใหม่ ตามเกณฑ์ของการสำรวจนั้น ระบบวงจรปิดอัตโนมัติระดับสูง 9 ระบบไม่มีระบบใดแสดงตัวตัดสินภายในวงจรที่ได้รับการตรวจสอบจากภายนอก
สร้างผลลัพธ์ได้
พิสูจน์ว่าควรเชื่อผลลัพธ์นั้นยากกว่า
5. เมื่อวัดคุณภาพได้ คุณภาพก็กลายเป็นสงครามปริมาณ
สร้างตัวเลือก 100 แบบ
ประเมินทั้ง 100 แบบอัตโนมัติ
ปรับปรุง 10 แบบที่ดีที่สุด
แตกแขนงเป็นอีก 100 แบบ
ประเมินอีกครั้ง
ทำซ้ำ
ตอนนี้คุณภาพสามารถค้นหาด้วยกำลังประมวลผลได้
Science One Framework ที่ Google Research เปิดตัวในเดือนกรกฎาคม 2026 เดินไปในทิศทางนี้ ระบบไม่ได้แค่สำรวจแนวทางแบบขนาน แต่ยังเชื่อมข้ออ้างกับหลักฐาน ตรวจว่าคะแนนทดลองทำซ้ำได้หรือไม่ เอกสารอ้างอิงมีอยู่จริงหรือไม่ และคำอธิบายวิธีการตรงกับโค้ดจริงหรือไม่
หลังวงจรการสร้าง กำลังเกิดวงจรการตรวจสอบ
ดังนั้นมุกที่ว่า “ถ้าแยกงานประกันคุณภาพให้เป็นงานอัตโนมัติได้ คุณภาพก็จะเข้าสู่สงครามปริมาณด้วย” จึงกำลังกลายเป็นปัญหาวิศวกรรมจริง
6. แล้วปัญหา Goodhart ก็มา
เราสร้างคะแนนคุณภาพ
เอเจนต์เรียนรู้วิธีทำคะแนนให้สูงที่สุด
แต่คะแนนนั้นเป็นเพียงตัวแทนที่ไม่สมบูรณ์ของสิ่งที่มนุษย์ต้องการจริง ๆ
ถ้าปรับแต่คะแนนค้นหา เนื้อหาอาจถูกเขียนเพื่อเครื่องค้นหา
ถ้าปรับแต่ยอดคลิก หัวข้ออาจยิ่งเร้าอารมณ์
ถ้าปรับแต่การผ่านการทดสอบ เอเจนต์อาจหาช่องโหว่ของชุดทดสอบ
นี่คือพื้นที่ของกฎ Goodhart และปัญหาการใช้ช่องว่างของข้อกำหนด
งานวิจัยปี 2026 เรื่องการเจาะระบบรางวัลของเอเจนต์โมเดลภาษา พบว่าเอเจนต์สามารถได้รางวัลที่มองเห็นสูง แต่ทำผลงานแย่ลงในเป้าหมายด้านความปลอดภัยที่ซ่อนอยู่ การปรับรางวัลโดยตรงอาจทำให้ช่องว่างยิ่งกว้าง
ดังนั้นตัวตรวจสอบตัวเดียวไม่ควรกลายเป็นเกณฑ์ศักดิ์สิทธิ์ตัวใหม่
ใช้หลายการตรวจสอบ
ส่งผลลัพธ์จากโลกจริงกลับเข้าระบบ
มีการตรวจสอบอิสระ
ให้มนุษย์ดูกรณีที่คลุมเครือ
และทบทวนเป็นระยะว่าตัวชี้วัดยังสะท้อนเป้าหมายเดิมอยู่หรือไม่
วงจรปิดที่ดีต้องมีทางออกฉุกเฉินจากระบบให้คะแนนของตัวเองด้วย
7. ยังมีทรัพยากรบางอย่างที่ขยายด้วยการคัดลอกเอเจนต์ได้ยาก
ขอบเขตที่น่าสนใจไม่ใช่ “งานศักดิ์สิทธิ์ที่ AI จะไม่มีวันทำได้” แต่คือทรัพยากรที่ต้นทุนการทำสำเนาไม่ได้ลดฮวบแม้โทเคนถูกลง
โลกกายภาพ
ที่ดิน เครื่องจักร ไฟฟ้า โลจิสติกส์ ร่างกายมนุษย์ ความปลอดภัย และเวลาหน้างาน ไม่เพิ่มขึ้นด้วยความเร็วของการคำนวณ
อำนาจและความรับผิดชอบ
ลายเซ็น ใบอนุญาต ความรับผิดทางกฎหมาย และการอนุมัติขั้นสุดท้าย ต้องมีผู้รับผิดชอบจริง ไม่ใช่แค่ระบบที่คิดเก่ง
ความไว้วางใจ
ความสัมพันธ์เกิดจากการกระทำซ้ำ ๆ คำสัญญา ชื่อเสียง และการช่วยเหลือซึ่งกันและกัน AI ช่วยค้นหาคน เขียนข้อความ และดูแลการติดต่อได้ แต่ไม่สามารถสร้างประวัติร่วมที่ก่อให้เกิดความไว้วางใจได้ทันที
แนวคิดที่ว่า “สุดท้ายสิ่งที่เหลือคือคอนเนกชัน” มีเหตุผลในฐานะสมมติฐาน ไม่ใช่กฎธรรมชาติ
สิ่งที่หายากไม่ใช่รายชื่อผู้ติดต่อ
แต่คือประวัติของความสัมพันธ์
ความสนใจของมนุษย์
นี่อาจเป็นคอขวดที่ใหญ่ที่สุด
เราสร้างบทความได้พันล้านชิ้น
หนึ่งวันก็ยังมี 24 ชั่วโมง
เราสร้างวิดีโอได้พันล้านคลิป
ความสนใจของคนก็ยังมีจำกัด
ยิ่งอุปทานล้น การคัดเลือก ความไว้วางใจ และความสนใจก็ยิ่งมีมูลค่า
8. รูปแบบสำคัญคือคอขวดจะเลื่อนไปด้านหลังเรื่อย ๆ
ตอนการสร้างมีราคาแพง การสร้างมีค่า
เมื่อการสร้างถูกลง การตรวจสอบแพงขึ้น
เมื่อการตรวจสอบถูกลง การคัดเลือกแพงขึ้น
เมื่อการคัดเลือกถูกลง การกระจายและความไว้วางใจจะหายากขึ้น
สุดท้ายจะชนกับทรัพยากรกายภาพ ความรับผิดชอบ ความต้องการจริง และความสนใจของมนุษย์
ดังนั้นการใช้งานเอเจนต์ที่แข็งแรงไม่ได้จบที่การเลือกโมเดลที่ฉลาดที่สุด
แบ่งงาน
ทำพร้อมกันเฉพาะส่วนที่ทำพร้อมกันได้จริง
ตรวจผลลัพธ์
ซ่อมความล้มเหลวอัตโนมัติ
ส่งปฏิกิริยาจากโลกจริงกลับไปรอบถัดไป
ปิดวงจร
ในฐานะแบบจำลองความคิดคร่าว ๆ:
ผลผลิตที่ใช้ได้ ≈ งานที่ทำพร้อมกันได้ × จำนวนเอเจนต์ × ความแม่นยำการตรวจสอบ ÷ ต้นทุนการประสาน งานแก้ซ้ำ และการตรวจโดยคน
นี่ไม่ใช่สูตรวิทยาศาสตร์
แต่ช่วยอธิบายได้ดีว่าทำไมจำนวนเอเจนต์อย่างเดียวไม่พอ
มุก “17 ปีหรือผู้กลับชาติมาเกิด” ตลกดี
การเปลี่ยนแปลงที่ใหญ่กว่าคือ ไม่ว่าอายุเท่าไร คนคนเดียวก็เริ่มสร้างระบบที่ทำงานคล้ายองค์กรขนาดเล็กได้แล้ว
การแข่งขันต่อไปไม่ใช่แค่ IQ ของโมเดล
แต่คือใครจะค้นพบวงจรที่ผลิตผลได้ก่อน และใครจะตรวจสอบผลลัพธ์มหาศาลที่วงจรนั้นสร้างได้อย่างถูกต้อง
คอขวดถัดไปรออยู่แล้ว
- Google Research, “Towards a science of scaling agent systems: When and why agent systems work,” 2026-01-28. https://research.google/blog/towards-a-science-of-scaling-agent-systems-when-and-why-agent-systems-work/
- Ding et al., “Autonomous Research Agents: A Survey of AI Scientists and the Verification Gap,” 2026. https://arxiv.org/abs/2608.05179
- Google Research, “Science One Framework: A verifiable autonomous research framework via Chain-of-Evidence,” 2026-07-30. https://research.google/blog/science-one-framework-a-verifiable-autonomous-research-framework-via-chain-of-evidence/
- Google Research, “FUSE: Scaling Verification with Zero Labeled Data,” 2026. https://research.google/pubs/fuse-scaling-verification-with-zero-labeled-data/
- Çağatan and Zhao, “Reward Hacking in Language Model Agents: Revisiting AI Safety Gridworlds,” 2026. https://arxiv.org/abs/2606.15385
- Karwowski et al., “Goodhart's Law in Reinforcement Learning,” 2023. https://arxiv.org/abs/2310.09144
