Liquid AI เปิดตัว d1: สถาปัตยกรรม Decision Model บนอุปกรณ์ Edge

หากระบบของคุณกำลังเรียกใช้โมเดลภาษาขนาดใหญ่ (Generative LLM) เพียงเพื่อทำหน้าที่จัดหมวดหมู่ข้อความ คัดกรองเจตนาผู้ใช้ (Intent Routing) หรือตรวจสอบความปลอดภัย คำตอบสั้นๆ คือคุณควรพิจารณาเปลี่ยนมาใช้ Decision Model เพราะงานเหล่านี้ไม่จำเป็นต้องรอให้ปัญญาประดิษฐ์สร้างข้อความทีละคำ (Token-by-token generation) ให้สิ้นเปลืองพลังงานและเวลา การประมวลผลคำตอบแบบรอบเดียว (Single forward pass) บนฮาร์ดแวร์ปลายทาง (Edge Device) จะช่วยลดทั้งต้นทุนค่าบริการคลาวด์และแก้ปัญหาความหน่วงได้อย่างตรงจุด

เมื่อวันที่ 7 ตุลาคม 2026 Liquid AI ได้เปิดตัวโมเดลแบบ Open-weights ตระกูล d1 ได้แก่ รุ่น d1-3B และรุ่นทดลอง d1-omni-600M ผ่านทาง Hugging Face ซึ่งได้รับการออกแบบมาเพื่อทำหน้าที่ตัดสินใจและให้ผลลัพธ์ผ่านการประมวลผลเพียงรอบเดียวโดยตรง บทความนี้สรุปหลักการทำงาน เปรียบเทียบสเปก และนำเสนอเช็กลิสต์ประเมินความพร้อมก่อนที่คุณจะนำโมเดลกลุ่มนี้ไปติดตั้งในระบบงานจริง

ทำความเข้าใจความแตกต่างระหว่าง Generative LLM กับ Decision Model

โมเดลภาษาทั่วไปที่เราคุ้นเคยในปัจจุบันทำงานด้วยสถาปัตยกรรม Autoregressive ซึ่งหมายถึงการคาดเดาคำถัดไปทีละโทเคนตามลำดับ กระบวนการนี้ทำให้เกิดความหน่วงสะสมตามความยาวของคำตอบที่ต้องการ แม้ว่าผลลัพธ์สุดท้ายที่เราต้องการจะเป็นเพียงป้ายกำกับสั้นๆ เช่น "อนุมัติ" หรือ "ไม่อนุมัติ" ก็ตาม การใช้โมเดลสร้างข้อความขนาดใหญ่มาทำงานคัดกรองจึงมักเกินความจำเป็น ซึ่งเป็นแนวคิดเดียวกับการ [ปรับขนาดโมเดล AI ให้เหมาะสม ลดต้นทุนและเพิ่มประสิทธิภาพธุรกิจ] เพื่อไม่ให้ทรัพยากรสูญเปล่า

ในทางกลับกัน สถาปัตยกรรม Decision Model อย่างตระกูล d1 ของ Liquid AI ถูกฝึกมาเพื่อให้ส่งสัญญาณการตัดสินใจออกมาจาก Hidden State ของโมเดลโดยตรงผ่านการประมวลผลรอบเดียว (Single forward pass) โดยไม่ต้องเข้าสู่วงรอบการสร้างโทเคนแบบเดิม ทำให้ลดภาระการคำนวณลงอย่างมีนัยสำคัญและได้ผลลัพธ์ในเวลาที่สั้นลงอย่างมาก

ประสิทธิภาพ สเปกฮาร์ดแวร์ และข้อจำกัดในปัจจุบัน

ข้อมูลอย่างเป็นทางการจาก Liquid AI ระบุตัวเลขความเร็วในการประมวลผลของโมเดล d1-3B เอาไว้ดังนี้:

• 8 มิลลิวินาที (ms) บนการ์ดจอเดสก์ท็อป NVIDIA GeForce RTX 4090
• 16 มิลลิวินาที (ms) บนชิปประมวลผลปลายทาง NVIDIA Jetson AGX Thor

ตัวเลขระดับมิลลิวินาทีนี้เปิดโอกาสให้ระบบอัตโนมัติทำงานได้ใกล้เคียงเวลาจริง (Real-time) มากขึ้น อย่างไรก็ดี ทีมพัฒนายังต้องคำนึงถึงข้อจำกัดสำคัญในปัจจุบัน เนื่องจากโมเดล d1-omni-600M ซึ่งรองรับข้อมูลหลายรูปแบบ (Multimodal ทั้งภาพและเสียง) ยังอยู่ในสถานะทดลอง และยังไม่มีชุดทดสอบมาตรฐานสาธารณะ (Public Benchmark) ฝั่งภาพและเสียงที่ครอบคลุมเพียงพอ การนำไปใช้กับงานวิเคราะห์สื่อผสมจึงยังจำเป็นต้องมีกระบวนการทดสอบความแม่นยำภายในองค์กรอย่างรัดกุม

สิทธิประโยชน์ด้านความเป็นส่วนตัวและกฎหมาย PDPA ในไทย

สำหรับองค์กรหรือนักพัฒนาในประเทศไทย การส่งข้อมูลข้อความ เสียง หรือภาพจากกล้องวงจรปิดขึ้นไปประมวลผลบนคลาวด์ภายนอกผ่าน API มีความเสี่ยงเรื่องข้อกำหนดตามพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) รวมถึงปัญหาค่าใช้จ่ายแบนด์วิดท์เครือข่าย

การที่โมเดลตระกูล d1 เผยแพร่แบบเปิดน้ำหนักโมเดล (Open-weights) ทำให้นักพัฒนาสามารถนำไฟล์โมเดลมารันบนเซิร์ฟเวอร์ภายในเครื่องหรืออุปกรณ์ Edge ภายในประเทศได้ 100% ข้อมูลที่มีความอ่อนไหวจึงไม่จำเป็นต้องถูกส่งออกไปยังเซิร์ฟเวอร์ต่างประเทศ ช่วยลดความซับซ้อนในการจัดการความยินยอมและสอดคล้องกับแนวทางการ [สร้าง Local LLM Grading Pipeline เพื่อประหยัดเวลา 17 ชั่วโมงต่อสัปดาห์] ที่เน้นการเก็บรักษาความปลอดภัยของข้อมูลในเครื่อง

เช็กลิสต์ 5 ข้อในการประเมินความพร้อมก่อนย้ายงาน

ก่อนตัดสินใจเปลี่ยนสถาปัตยกรรมจากการเรียกใช้ API โมเดลภายนอกมาติดตั้ง Decision Model บนอุปกรณ์ปลายทาง ให้ตรวจสอบระบบของคุณตาม 5 หัวข้อนี้:

1. ประเภทของผลลัพธ์ (Output Nature): งานของคุณต้องการเพียงการจัดหมวดหมู่ (Classification), การคัดแยกเส้นทาง (Routing) หรือค่าความน่าจะเป็น ใช่หรือไม่? หากงานยังต้องการการตอบแช็ตแบบอธิบายความยาวๆ งานนั้นยังไม่เหมาะกับ Decision Model
2. เงื่อนไขความหน่วง (Latency Requirements): งานของคุณต้องตอบสนองภายในระดับมิลลิวินาทีหรือไม่ เช่น ระบบตรวจจับคำหยาบทันที หรือระบบคัดกรองข้อความก่อนส่งต่อตามแนวทาง [สร้าง AI Chatbot บน LINE OA สถาปัตยกรรม Webhook และส่งต่อทีมงาน]
3. ความจุหน่วยความจำของฮาร์ดแวร์ (Memory Capacity): สำหรับรุ่น d1-3B อุปกรณ์ปลายทางต้องมี VRAM หรือ Unified Memory เพียงพอสำหรับการโหลดพารามิเตอร์ 3 พันล้านพารามิเตอร์ (แนะนำ RAM หรือ VRAM ขั้นต่ำ 8GB ขึ้นไปสำหรับการรันแบบ Quantized)
4. ความพร้อมของชุดข้อมูลทดสอบเฉพาะทาง (Custom Test Set): คุณมีชุดข้อมูลทดสอบภาษาไทยในขอบเขตงานของคุณเองหรือไม่ เนื่องจากโมเดลพื้นฐานอาจยังไม่คุ้นเคยกับคำศัพท์เฉพาะทางหรือสแลงภาษาไทยบางประเภท
5. ความคุ้มทุนในการดูแลรักษา (Operational Feasibility): ทีมงานมีความสามารถในการดูแลรักษาสภาพแวดล้อมฮาร์ดแวร์ปลายทางและการอัปเดตโมเดลอย่างต่อเนื่องเมื่อเทียบกับความสะดวกในการจ่ายเงินตามการใช้งานของระบบคลาวด์ API

สรุปและแนวทางเริ่มต้นทดสอบ

สถาปัตยกรรม Single-pass ของ Liquid AI ถือเป็นก้าวสำคัญที่แสดงให้เห็นว่า เราไม่จำเป็นต้องพึ่งพาโมเดลสร้างข้อความขนาดมหึมากับทุกงาน หากระบบของคุณมีงานคัดกรองที่ต้องการความเร็วสูงและต้องการรักษาความเป็นส่วนตัวของข้อมูล การทดลองดาวน์โหลด d1-3B ผ่าน Hugging Face มาทดสอบความแม่นยำกับชุดข้อมูลทดสอบภาษาไทยของคุณบนฮาร์ดแวร์ทดลอง นับเป็นก้าวแรกที่คุ้มค่าในการศึกษาความคุ้มทุนก่อนขยายผลจริง