ทำไมต้อง Pathumma Connect? Agentic AI สัญชาติไทย

ในวันที่ AI กำลังเปลี่ยนจากเครื่องมือที่ใช้ถาม–ตอบ ไปสู่ระบบที่สามารถวางแผน เรียกใช้เครื่องมือ และทำงานหลายขั้นตอน คำถามสำหรับประเทศไทยไม่ได้อยู่ที่ว่า ‘เราจะใช้ AI ของใคร’ ควรที่จะเป็นคำถามว่า ‘ประเทศไทยต้องการความสามารถด้าน AI แบบใด เพื่อให้เทคโนโลยีทำงานกับภาษา ข้อมูล ระบบ และบริบทของประเทศได้จริง‘

    Pathumma เป็นหนึ่งในคำตอบ โดยมีจุดเริ่มจากทีมวิจัย Pathumma ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (NECTEC) สวทช. มองเห็นถึงกระแส AI ที่โตวันโตคืน จึงได้นำองค์ความรู้งานวิจัยด้านการประมวลผลภาษาและเสียงภาษาไทย ที่ทาง NECTEC วิจัยและพัฒนาสั่งสมมาช้านานกว่า 20 ปี มาต่อยอดสู่ Pathumma LLM ด้วยความตั้งใจที่จะสร้าง AI ที่เข้าใจภาษา บริบท และวัฒนธรรมไทยอย่างลึกซึ้ง ซึ่งโมเดลจากต่างประเทศยังมีข้อจำกัดที่ยังทำได้ไม่ดีเท่าโมเดลที่พัฒนาขึ้นเพื่อภาษาไทยโดยตรง

    หลังจากที่ Pathumma ผ่านร้อนผ่านหนาวมากว่า 2 ปี วันนี้ Pathumma กำลีงก้าวไปสู่ Pathumma Connect แพลตฟอร์ม Agentic AI ที่เชื่อมโยง AI เข้ากับข้อมูล เครื่องมือ และบริการของหน่วยงานต่างๆ

    สิ่งที่น่าสนใจ จึงไม่ใช่เพียงแค่ถามว่า Pathumma เก่งแค่ไหนเมื่อเทียบกับโมเดลอื่น แต่คือ การมองย้อนกลับไปว่า เส้นทางของเทคโนโลยีนี้กำลังพยายามแก้ปัญหาอะไร และเหตุใด ‘บริบทของประเทศไทย’ จึงกลายเป็นโจทย์สำคัญ

จุดเริ่มต้นไม่ได้อยู่ที่ Generative AI แต่อยู่ที่ “ภาษาไทย”

    ก่อนกระแส Generative AI จะกลายเป็นเทคโนโลยีกระแสหลัก งานวิจัยด้าน AI ของไทยมีโจทย์พื้นฐานอยู่แล้ว นั่นคือ การทำให้คอมพิวเตอร์เข้าใจภาษาไทย ตั้งแต่การตัดคำ การประมวลผลภาษาธรรมชาติ หรือ NLP ไปจนถึงการพัฒนาทรัพยากรและโมเดลที่เกี่ยวข้องกับภาษาไทย

    องค์ความรู้ บุคลากร และทรัพยากรภาษาไทยที่สะสมมาอย่างต่อเนื่องจึงเป็นฐานสำคัญของการพัฒนา AI สำหรับบริบทไทย เส้นทางของ Pathumma จึงไม่ได้เริ่มต้นจากวันที่ AI สนทนากลายเป็นกระแส แต่เป็นผลต่อเนื่องจากการทำงานด้านภาษาไทยที่มีมาก่อนหน้านี้ต่างหาก

    เมื่อมองในมุมนี้ Pathumma จึงไม่ใช่เพียง ‘โมเดล AI อีกหนึ่งตัว’ เท่านั้น แต่เป็นผลจากการนำองค์ความรู้เดิมมาต่อยอดให้ตอบโจทย์การใช้งานในยุคที่ AI ต้องทำงานกับข้อมูลจริงมากขึ้น

จากภาษาไทย สู่ LLM ที่ต้องลงมาเจอกับงานจริง

    เมื่อ AI ถูกนำไปใช้ในโลกจริง ข้อมูลที่ต้องประมวลผลไม่ได้มีเพียงข้อความ Pathumma LLM ถูกพัฒนาให้รองรับข้อมูลหลายรูปแบบทั้ง Text, Audio และ Vision ทำให้โจทย์ขยับจาก ‘ทำอย่างไรให้ AI เข้าใจภาษาไทย‘ ไปสู่ ‘ทำอย่างไรให้ AI เข้าใจข้อมูลที่คนและองค์กรไทยใช้งานจริง‘

    ขณะเดียวกัน การมี LLM ที่พัฒนาขึ้นโดยทีมวิจัยไทยไม่ได้หมายความว่า องค์กรไทยจำเป็นต้องใช้โมเดลเดียวกับทุกงาน ในทางปฏิบัติ โมเดลแต่ละประเภทอาจเหมาะกับงานต่างกัน สิ่งที่เพิ่มเข้ามาคือ ทางเลือกในการออกแบบระบบ และกำกับว่า โมเดลใดควรทำงานกับข้อมูลประเภทใด

    ประเด็นนี้มีความสำคัญโดยเฉพาะกับองค์กรที่เกี่ยวข้องกับข้อมูลละเอียดอ่อน เช่น การเงิน สุขภาพ กระบวนการยุติธรรม หรือเอกสารราชการ เพราะการออกแบบระบบ AI ไม่ได้มีเพียงเรื่องความสามารถของโมเดล แต่รวมถึงการควบคุมข้อมูล สิทธิ์การเข้าถึง และรูปแบบการประมวลผลด้วย

ทำไมประเทศไทยต้องมีทางเลือกของตัวเอง?

    คำถามนี้ไม่ได้ตั้งอยู่บนสมมติฐานที่ว่า โมเดลจากต่างประเทศไม่มีประสิทธิภาพ แต่เป็นคำถามเรื่องของ ‘ทางเลือก’ และการควบคุมเทคโนโลยีให้สอดคล้องกับบริบทขององค์กรไทยมากกว่า

    คำว่า AI Sovereignty จึงควรถูกมองอย่างระมัดระวัง โดยหมายถึงความสามารถในการกำกับและควบคุมเทคโนโลยี ข้อมูล และโครงสร้างพื้นฐานที่เกี่ยวข้อง ขณะที่ Security เป็นเรื่องของมาตรการรักษาความมั่นคงปลอดภัย ทั้งสองเรื่องสัมพันธ์กัน แต่ไม่ใช่ความหมายเดียวกัน

    ในมุมของ DigiForLife ประเด็นสำคัญจึงไม่ใช่การประกาศว่า AI แบบใด ‘ดีกว่า’ แต่คือ การทำความเข้าใจว่า องค์กรควรมีทางเลือกและกลไกกำกับมากเพียงใด เมื่อ AI เข้าไปทำงานกับข้อมูลที่มีความสำคัญต่อองค์กรและประเทศ

Pathumma ไม่ได้เกิดมาเพื่อแข่งว่าใครตอบเก่งกว่า

    คุณค่าของ Pathumma จึงไม่ได้จำเป็นต้องวัดจากคำถามว่า ใครตอบคำถามทั่วไปได้เก่งกว่าเพียงอย่างเดียว แต่ควรมองต่อไปถึงการนำโมเดลไปใช้กับงานเฉพาะด้าน และความอธิปไตยทางด้านของ AI ของประเทศ

    จากการที่ Pathumma LLM ถูกพัฒนาให้มีฟังก์ชันการใช้เป็น Multi-Modal Generative AI ที่รองรับการประมวลผลข้อมูล 3 รูปแบบ

• รูปแบบแรก Text LLM หรือโมเดลสำหรับประมวลผลคำถามหรือคำสั่งที่เป็นข้อความ

      โมเดล Text LLM ถูกพัฒนาขึ้นมาให้เหมาะกับการสืบค้นข้อมูลและตอบคำถามอย่างเป็นเหตุเป็นผล ทำให้เหมาะแก่การพัฒนาต่อยอดเพื่อใช้ประมวลผลข้อมูลเฉพาะของแต่ละองค์กร เช่น กรมสรรพากรใช้ให้บริการแชตบอตตอบข้อซักถามด้านการยื่นภาษีแก่ประชาชน หน่วยงานวิจัยใช้ให้บริการแชตบอตสืบค้นและสรุปภาพรวมข้อมูลงานวิจัยขององค์กร

• รูปแบบที่สอง Audio LLM หรือโมเดลสำหรับประมวลผลข้อมูลที่เป็นเสียง

    โมเดล Audio LLM นี้ ผ่านการปรับแต่งให้ช่วยถอดความจากเสียงได้ทั้งภาษาไทยและอังกฤษ สร้างคำบรรยายเสียงบรรยากาศแวดล้อม ระบุอารมณ์และเพศของผู้พูด และตอบคำถามหรือให้ข้อมูลเกี่ยวกับเนื้อหาภายในคลิปได้

• รูปแบบที่สาม Vision LLM หรือโมเดลสำหรับประมวลผลข้อมูลที่เป็นภาพ

    โมเดล Vision LLM  นี้ผ่านการปรับแต่งให้สร้างคำบรรยายภาพ ถอดข้อความที่อยู่ในภาพ และตอบคำถามหรือให้ข้อมูลเกี่ยวกับภาพนั้นๆ ได้

    ‘Pathumma LLM พัฒนาขึ้นรองรับการทำงาน 3 โหมด ได้แก่ ข้อความ (Text) ภาพ (Vision) และ เสียง (Audio) และเปิดให้นักพัฒนา หน่วยงาน และผู้สนใจดาวน์โหลดไปใช้งานได้ฟรีในรูปแบบโมเดลเปิด (Open Model) ผ่านแพลตฟอร์ม Hugging Face นับเป็นก้าวสำคัญของการสร้างอธิปไตยด้านปัญญาประดิษฐ์และข้อมูลของประเทศ ที่หน่วยงานสามารถนำไปติดตั้งใช้งานในระบบของตนเองได้โดยข้อมูลไม่รั่วไหลออกนอกองค์กร’ ดร.วาทยา ชุณห์วิจิตรา ผู้อำนวยการกลุ่มวิจัยปัญญาประดิษฐ์ เนคเทค สวทช. เล่าให้ฟังถึงบริการของ Pathumma

    ดร.ศราวุธ คงยัง หัวหน้าโครงการ Pathumma LLM เล่าให้ฟังถึงความทุ่มเทของทีมพัฒนา Pathumma ว่า ตลอดปี 2568 เนคเทคต่อยอด Pathumma LLM สู่บริการ AI ที่หน่วยงานนำไปใช้ได้ทันที อาทิ DocChat ระบบถาม-ตอบจากเอกสาร DocGen ผู้ช่วยร่างเอกสารราชการ เช่น TOR MOU และข้อเสนอโครงการ DocTOR ระบบตรวจทานเอกสาร และ PartiiNote ระบบถอดความและสรุปการประชุมอัตโนมัติ รวมถึง LangMind แพลตฟอร์มที่ช่วยให้หน่วยงานสร้าง AI Chatbot ของตนเองได้จากเอกสารความรู้ที่มีอยู่ โดยทุกคำตอบอ้างอิงเอกสารจริงของหน่วยงานและส่งต่อให้เจ้าหน้าที่เมื่อไม่มั่นใจ

    บริการเหล่านี้ถูกนำไปใช้งานจริงแล้วในหลายหน่วยงาน เช่น ระบบผู้ช่วย AI สนับสนุนการปฏิบัติงานภายในกรมสรรพากร ระบบผู้ช่วยการเรียนการสอน (AI Tutor) ในสถาบันอุดมศึกษา ตลอดจนระบบสนับสนุนข้อมูลด้านภาษี การจัดซื้อจัดจ้าง การเกษตร และการวิเคราะห์เชิงลึกด้านทรัพยากรน้ำ

    นั้นทำให้เห็นว่า การเปลี่ยนผ่านจาก Model ไปสู่ Application มีความหมาย เพราะเป็นจุดที่ความสามารถของ AI เริ่มเชื่อมกับกระบวนการทำงานจริง และทำให้คำถามเปลี่ยนจาก ‘โมเดลทำอะไรได้’ ไปเป็น ‘เทคโนโลยีนี้ช่วยให้งานอะไรเกิดขึ้นได้จริง’

จาก AI ที่ตอบคำถาม สู่ AI ที่ทำงานเป็นขั้นตอน

    ในโลกการทำงานจริง ปัญหาไม่ได้จบเมื่อ AI สามารถตอบคำถามได้ เพราะงานหนึ่งงานอาจต้องใช้ข้อมูลจากหลายระบบ และต้องเรียกใช้เครื่องมือหลายประเภทพร้อมกัน

    ตัวอย่างเช่น งานด้านการเกษตรอาจต้องพิจารณาข้อมูลสภาพอากาศ ภาพถ่ายดาวเทียม ราคาสินค้า และข้อมูลจากหน่วยงานต่างๆ หาก AI เข้าถึงข้อมูลเหล่านี้ไม่ได้ ความสามารถของโมเดลเพียงอย่างเดียวก็อาจไม่เพียงพอที่จะทำให้งานหนึ่งงานเสร็จสมบูรณ์

    แนวคิด Agentic AI จึงเข้ามาเปลี่ยนโจทย์ จากระบบ Automation ที่มักทำงานตามขั้นตอนที่กำหนดไว้ล่วงหน้า ไปสู่ระบบที่ผู้ใช้กำหนดเป้าหมายและเงื่อนไข ขณะที่ AI สามารถวางแผน เลือกขั้นตอน และเรียกใช้เครื่องมือที่เกี่ยวข้องภายใต้สิทธิ์ นโยบาย และ Guardrails ที่กำหนดไว้

    พูดให้สั้นลงคือ จากคำถามว่า ‘AI ตอบอะไรได้บ้าง?’ กำลังขยับไปสู่คำถามว่า ‘AI ทำอะไรต่อจากคำตอบนั้นได้บ้าง?’ นั้นเอง

Pathumma Connect เมื่อ AI ต้องเชื่อมโลกของข้อมูลเข้าด้วยกัน

    Pathumma Connect คือ ก้าวต่อไปของแนวคิดนี้ โดยทาง NECTEC มองว่า จะเป็นแพลตฟอร์มที่นำเสนอในฐานะ Agentic AI ที่เชื่อมโยงเครื่องมือ ข้อมูล และบริการของหน่วยงานภาครัฐเข้าด้วยกัน โดยใช้ Model Context Protocol หรือ MCP เป็นส่วนหนึ่งของแนวทางการเชื่อมต่อ

    ประเด็นสำคัญจึงอยู่ที่ ‘การเชื่อมต่อ’ เพราะข้อมูลในองค์กรไม่ได้อยู่ในที่เดียว บางส่วนอยู่ในเอกสาร บางส่วนอยู่ในฐานข้อมูล ระบบภายใน เว็บไซต์ หรือบริการของหน่วยงานอื่น เมื่อ AI ต้องทำงานกับข้อมูลเหล่านี้ ความสามารถในการเข้าถึงและประสานข้อมูลจึงมีความสำคัญพอๆ กับความสามารถในการสร้างคำตอบ ทำให้ PathummaLLM ไม่ได้เพียงตอบคำถาม แต่สามารถทำงานหลายขั้นตอนให้เสร็จในบทสนทนาเดียว เช่น ตรวจสอบสิทธิ เตรียมเอกสาร กรอกแบบฟอร์ม และติดตามสถานะแทนผู้ใช้

    ในปี 2569 Pathumma Connect ถูกนำเสนอในกรอบการใช้งานที่กว้างขึ้น ครอบคลุมการใช้งาน 7 โมเดน ประกอบไปด้วย เกษตร (Agri) ภาครัฐ (Gov) น้ำ (Water) ท่องเที่ยว (Travel) วัฒนธรรม (Cultural) การศึกษา (Education) และการใช้งานภายในองค์กร (Insight)

เมื่อโจทย์คือรัฐบาล ข้อมูลยิ่งไม่ได้อยู่ที่เดียว

    กรณีของภาครัฐทำให้เห็นภาพชัด เพราะข้อมูลและบริการถูกแบ่งตามภารกิจของแต่ละหน่วยงาน ประชาชนจึงอาจต้องรู้ก่อนว่าคำถามของตัวเองเกี่ยวข้องกับหน่วยงานใด

    ‘เวลานี้ในภาครัฐ เนคเทคร่วมกับสำนักงานคณะกรรมการพัฒนาระบบราชการ (ก.พ.ร.) พัฒนาต้นแบบ AI Agentic Chatbot กลาง ที่ให้ประชาชนสอบถามบริการภาครัฐจากหลายหน่วยงานผ่านจุดเดียวพร้อมแหล่งอ้างอิงที่ตรวจสอบได้ โดยนำร่องกับ 5 หน่วยงาน ได้แก่ กรมการปกครอง กรมที่ดิน สำนักงานคณะกรรมการอาหารและยา กรมสรรพากร และกรมคุ้มครองสิทธิและเสรีภาพ’ ดร.ศราวุธบอกถึงความก้าวหน้าของ Pathumma Connect ให้ฟัง

    แนวคิดนี้พยายามเปลี่ยนประสบการณ์จาก ‘ประชาชนต้องรู้ว่าจะติดต่อหน่วยงานไหน’ ไปสู่ ‘ประชาชนบอกความต้องการ แล้วระบบช่วยค้นหาและเชื่อมโยงข้อมูลที่เกี่ยวข้อง‘ โดยระบบสามารถนำข้อมูลจากหลายหน่วยงานมาประกอบเป็นคำตอบเดียวพร้อมแหล่งอ้างอิงที่ตรวจสอบได้

จาก Language Model สู่ AI Infrastructure

    หากมองพัฒนาการของ Pathumma ที่เริ่มจาก Language ก้าวเข้าสู่ Model จาก Model ไปสู่ Application จาก Application ไปสู่ Agent และจาก Agent ก้าวไปสู่ Infrastructure ในอนาคตอันไม่ไกลนี้

    เส้นทางนี้ ไม่ควรถูกมองว่า เป็นชื่อสถาปัตยกรรมอย่างเป็นทางการ แต่เป็นวิธีมองพัฒนาการของเทคโนโลยีจากการ ‘เข้าใจภาษา’ ไปสู่การ ‘ทำงานกับระบบจริง’ และทุกขั้นมีคำถามเดียวกันอยู่เบื้องหลัง: ทำอย่างไรให้ AI ทำงานกับบริบทของประเทศไทยได้จริง?

คำถามสุดท้ายจึงไม่ใช่ “Pathumma เก่งแค่ไหน?”

    หากถามว่า Pathumma มีความสำคัญอย่างไร คำตอบอาจไม่ได้อยู่ที่คะแนน Benchmark หรือจำนวนพารามิเตอร์เพียงอย่างเดียว เพราะโจทย์ที่ประเทศไทยกำลังเผชิญไม่ได้มีเพียงการสร้างโมเดล AI แต่คือ การสร้างความสามารถในการนำ AI ไปทำงานกับภาษา ข้อมูล องค์กร กฎระเบียบ โครงสร้างพื้นฐาน และความต้องการของคนไทย

    ดร.ศราวุธ คงยัง นักวิจัยกลุ่มวิจัยปัญญาประดิษฐ์ เนคเทค สวทช. เคยอธิบายหลักคิดของงานวิจัยไว้ว่า “หากงานวิจัยไม่สามารถทำให้คนกินอิ่มได้ก็ถือเป็นงานวิจัยที่ไม่มีประโยชน์” คำพูดนี้ช่วยให้เห็นอีกมุมของ Pathumma ว่า เป้าหมายของงานวิจัยไม่ได้จบที่การสร้างโมเดล แต่ต้องไปต่อถึงการแก้ปัญหาที่มีอยู่จริง

    การเปิดตัว Pathumma Connect ทำให้ภาพดังกล่าวชัดขึ้นอีกขั้น เพราะ Pathumma ถูกนำเสนอไม่ใช่เพียงในฐานะ LLM แต่เป็นส่วนหนึ่งของระบบที่พยายามเชื่อม AI เข้ากับข้อมูล เครื่องมือ และบริการจริง

แล้วทำไมต้อง Pathumma?

    อาจไม่ใช่เพราะประเทศไทยต้องมี AI ที่เก่งที่สุด และไม่ใช่เพราะทุกองค์กรจำเป็นต้องใช้โมเดลเดียวกัน แต่เมื่อ AI กำลังกลายเป็นโครงสร้างพื้นฐานใหม่ของเศรษฐกิจและสังคม ประเทศไทยจำเป็นต้องมีความสามารถในการเข้าใจ ควบคุม ปรับแต่ง และพัฒนา AI ให้สอดคล้องกับบริบทของตัวเอง

    Pathumma จึงน่าสนใจ ในฐานะหนึ่งในความพยายามสร้างความสามารถนั้น จากการสั่งสมงานวิจัยด้านภาษาไทย สู่ LLM จาก LLM สู่ Application จาก Application สู่ Agentic AI และจาก Agentic AI ไปสู่การเชื่อมโยงข้อมูลและระบบจริง

    ท้ายที่สุดแล้ว เรื่องของ Pathumma จึงอาจไม่ใช่เรื่องของการสร้าง ‘AI อีกหนึ่งตัว’ แต่เป็นเรื่องของคำถามที่ใหญ่กว่า เมื่อ AI กำลังกลายเป็นส่วนหนึ่งของโครงสร้างพื้นฐานของประเทศ ประเทศไทยต้องการให้ Pathumma AI ของตัวเองเข้าใจอะไร และทำอะไรให้กับคนไทยได้บ้าง?