ลองนึกถึงตอนที่เราสั่ง AI ให้ช่วยเขียนโค้ดผ่านเครื่องมืออย่าง Claude Code มันไม่ได้แค่ตอบกลับเป็นข้อความ แต่ลงมือแก้ไฟล์ เรียกใช้เครื่องมือ และกลับมาทำงานต่อในรอบถัดไปจนเสร็จ สิ่งที่ทำให้ AI ทำงานได้ถึงขั้นนี้ไม่ได้มีแค่โมเดล ซึ่งเปรียบเหมือนเครื่องยนต์ทรงพลังที่ยังทำงานเองไม่ได้ สิ่งที่ทำให้โมเดลลงมือทำงานจริงได้คือระบบแวดล้อมทั้งหมดที่เราสร้างขึ้น ทั้งไฟล์คำสั่งอย่าง CLAUDE.md ที่ AI อ่านทุกครั้งก่อนลงมือ เครื่องมือที่มันเรียกใช้ได้ และ agent ย่อยๆ ซึ่งเป็น AI ที่แยกกันรับผิดชอบงานแต่ละส่วน ระบบทั้งหมดนี้เรียกว่า harness หรือระบบที่ทำให้โมเดลทำงานวนเป็นลูปได้จริง ไม่ใช่แค่ถามตอบทีละครั้ง

ทุกวันนี้เกือบทุกคนแข่งกันพัฒนา harness ใครมี harness ดีกว่า เครื่องมือครบกว่า agent ฉลาดกว่า ก็เหมือนจะได้เปรียบ แต่ Rajiv Chandegra ผู้ก่อตั้ง Annicha Labs กลับมองต่างออกไป ในทอล์กหัวข้อ Beyond the Harness บนเวที AI Engineer เขาบอกว่าในเกม AI agent ยุคต่อไป คนที่ชนะไม่ใช่คนที่มี harness ดีที่สุด แต่เป็นคนที่มี harness ซึ่งปรับตัวเองได้กลางทาง

harness engineering คือการวางสายพานการผลิตไว้ล่วงหน้า

วิธีที่ใช้กันอยู่ตอนนี้เรียกว่า harness engineering หัวใจสำคัญคือการออกแบบ harness ทั้งชุดให้เสร็จก่อนเริ่มงาน ทุกอย่างปรับแต่งไว้ล่วงหน้าตามที่คนกำหนด ไม่ใช่ให้ระบบปรับเองระหว่างทาง ล่าสุดแนวคิดนี้ขยายไปถึงขั้นที่เรียกว่า loop engineering คือวางลูปการทำงานของ agent ไว้ให้ครบตั้งแต่ต้น

ผู้พูดเปรียบวิธีนี้กับสายพานในโรงงานที่แบ่งให้ AI ทำงานตามลำดับ ในระบบนี้ agent แต่ละตัวมีงานเดียว มีตำแหน่งตายตัว มีลำดับก่อนหลัง และมีจุดส่งต่องานที่กำหนดไว้ชัดเจน ข้อดีคือระบบน่าเชื่อถือ เมื่อใส่อินพุตแบบเดิมก็ได้ผลลัพธ์ใกล้เคียงเดิม และยังตรวจสอบย้อนได้ว่าอะไรเปลี่ยนตรงไหนเมื่อไหร่ นี่คือข้อดีที่ทำให้เราชอบมัน

แต่ความน่าเชื่อถือนี้ก็มีสิ่งที่ต้องแลก มันได้มาจากการลดความไม่แน่นอนให้เหลือน้อยที่สุด เพื่อให้ระบบนิ่งและเดาทางได้ ขณะเดียวกัน ผู้พูดชี้ว่าของใหม่ๆ ต้องอาศัยความไม่แน่นอนนี้จึงจะเกิดขึ้น ความแน่นอนกับการเกิดสิ่งใหม่จึงสวนทางกัน

ทำไมโรงงานเริ่มเอาไม่อยู่

ถ้าโรงงานประกอบมันดีขนาดนั้น แล้วทำไมต้องมองหาอย่างอื่น คำตอบคือมีสองอย่างกำลังเปลี่ยนไปพร้อมกัน

อย่างแรก โมเดลเก่งขึ้นเร็วมากและไม่มีทีท่าจะหยุด พอเครื่องยนต์แรงขึ้นตลอด harness ที่เราตั้งไว้ตายตัวก็กลายเป็นของล้าสมัยอยู่เรื่อยๆ

อย่างที่สอง งาน AI กำลังออกจากหน้าจอไปสู่โลกจริง จากเดิมที่ agent ตัวเดียวทำงานตามลำพัง ตอนนี้ agent กำลังทำงานร่วมกับ agent อื่น คนหลายคน หลายองค์กร และสิ่งของที่จับต้องได้ โลกแบบนั้นเปลี่ยนแปลงตลอดเวลา ไม่เคยหยุดนิ่งให้เราวางแผนทุกอย่างไว้ล่วงหน้าได้ harness ที่ตั้งไว้ตายตัวจึงใช้การไม่ได้ทันทีที่เจอสถานการณ์จริง

รากของปัญหาลึกกว่านั้น ผู้พูดบอกว่าเราจัดประเภทปัญหาผิดตั้งแต่แรก เขาแบ่งปัญหาในโลกออกเป็นสองแบบ แบบแรกคือ complicated หรือซับซ้อนแบบถอดประกอบได้ เหมือนเครื่องบินหรือนาฬิกา ชิ้นส่วนไม่เปลี่ยนพฤติกรรมเอง ผู้เชี่ยวชาญจึงถอดออกมาดู วิเคราะห์ วางแผน และทำนายผลได้ แม้จะยาก แต่ก็ทำความเข้าใจได้ทั้งหมด แบบที่สองคือ complex หรือซับซ้อนแบบมีชีวิต เหมือนฝูงนก ตลาดหุ้น หรือองค์กรคน ชิ้นส่วนในนั้นคอยตอบสนองและปรับตัวเข้าหากันตลอดเวลา จึงคาดเดาภาพรวมด้วยการแยกดูทีละชิ้นไม่ได้ ต้องลอง สังเกต แล้วค่อยปรับ แทนที่จะวิเคราะห์และวางแผนล่วงหน้า

harness ที่ตั้งไว้ตายตัวเหมาะกับปัญหาแบบ complicated แต่งานที่ AI agent ต้องออกไปทำในโลกจริงเป็นปัญหาแบบ complex นี่คือจุดที่ทั้งสองอย่างไม่เข้ากัน

ฝูงนกไม่มีหัวหน้า แต่ยังจัดระเบียบตัวเองได้

แล้วระบบแบบ complex สร้างความเป็นระเบียบขึ้นมาได้ยังไงทั้งที่ไม่มีใครสั่ง ลองนึกภาพนกเป็นพันตัวบินพร้อมกัน ไม่มีนกจ่าฝูง และไม่มีนกตัวไหนถือแบบแปลนของทั้งฝูงไว้ นกแต่ละตัวทำตามกติกาง่ายๆ แค่สามข้อ คือบินไปทางเดียวกับนกข้างๆ รักษาระยะไม่ให้ชนกัน และไม่อยู่ห่างจากฝูงเกินไป จากกติกาเล็กๆ สามข้อนี้ รูปทรงของทั้งฝูงก็ก่อตัวขึ้นมาเอง

ประเด็นสำคัญคือไม่มีนกตัวไหนรู้ว่าทั้งฝูงมีรูปทรงแบบใด รูปทรงนั้นเกิดจากนกทุกตัวตอบสนองต่อกัน ไม่ได้มีนกตัวใดตัวหนึ่งเป็นผู้กำหนด สิ่งนี้เรียกว่า emergence หมายถึงรูปแบบใหม่ที่เกิดขึ้นเองโดยไม่มีใครออกแบบ และไม่อาจอธิบายได้ด้วยการแยกดูทีละส่วน ลองนึกถึงคุณสมบัติความเปียกของน้ำ ออกซิเจนและไฮโดรเจนต่างก็ไม่เปียก แต่เมื่อรวมกันเป็นน้ำ คุณสมบัตินี้กลับเกิดขึ้น ทั้งที่ไม่มีอยู่ในธาตุตั้งต้น

ระบบแบบนี้ต้องมีองค์ประกอบสามอย่าง หนึ่งคือสมาชิกที่หลากหลาย ไม่ใช่โคลนของกันและกัน สองคือการมีปฏิสัมพันธ์เฉพาะจุด ไม่มีใครเห็นภาพรวม และแต่ละตัวตอบสนองเฉพาะสมาชิกที่อยู่ข้างๆ สามคือการเรียนรู้แบบวนซ้ำ โดย agent จะนำผลจากการปรับตัวในแต่ละรอบไปใช้ปรับตัวในรอบถัดไป ระบบแบบนี้ไม่ได้กลายเป็นความโกลาหล แต่ละส่วนเปลี่ยนแปลงตลอดเวลา แต่ภาพรวมมักเข้าสู่สภาวะที่มีรูปแบบชัดเจนและคงที่พอให้จดจำได้ โดยไม่มีใครคอยควบคุม

adaptive engineering คือ harness ที่ก่อตัวขึ้นเอง

ทีนี้ลองนำภาพฝูงนกมาเทียบกับ AI ถ้า agent หลายตัวมีปฏิสัมพันธ์กันเหมือนฝูงนก ตัว harness เองก็ไม่จำเป็นต้องออกแบบไว้ครบก่อน เพราะมันก่อตัวขึ้นเองจากความสัมพันธ์ระหว่าง agent โดย agent แต่ละตัวเปรียบได้กับนกหนึ่งตัว ส่วนฝูงที่ก่อตัวขึ้นมาก็เปรียบได้กับ harness

แนวคิดนี้เรียกว่า adaptive engineering หัวใจของมันคือการออกแบบกติกาเท่าที่จำเป็น แล้วปล่อยให้ระบบจัดระเบียบตัวเองตามสภาพแวดล้อมที่เปลี่ยนไปในแบบที่เรากำหนดล่วงหน้าไม่ได้

แล้วแบบนี้วิศวกรตกงานไหม ไม่เลย เพียงแต่บทบาทของวิศวกรเปลี่ยนไป เดิมวิศวกรเป็นผู้กำหนดผลลัพธ์สุดท้ายทุกอย่าง แต่ต่อไปจะหันมาออกแบบกติกาของเกม คอยสังเกต harness ที่ก่อตัวขึ้น และตอบสนองตามสถานการณ์ แทนที่จะหยุดระบบแล้วรื้อทำใหม่ตั้งแต่ต้นทุกครั้งที่ผลไม่ตรงใจ

วิศวกรปรับระบบได้จริงเพียงไม่กี่เรื่อง เช่น จะเปิดให้ agent อิสระแค่ไหนหรือคุมไว้แค่ไหน จะให้รางวัลเมื่อการทำงานของ agent เข้าใกล้เป้าหมายหรือลงโทษเมื่อมันหลุดกรอบ และจะกำหนดให้ agent เชื่อมโยงกันเร็วหรือช้าเพียงใด ทั้งหมดนี้คือการกำหนดเงื่อนไขให้ระบบทำงาน ไม่ใช่การกำหนดผลลัพธ์โดยตรง

ผู้พูดยังแบ่งวิธีทำให้ระบบ AI เก่งขึ้นออกเป็นสองแบบ แบบแรกคือทำให้ agent แต่ละตัวเก่งขึ้น เช่น สอนให้มันสร้างสกิลของตัวเองจากประสบการณ์ที่ผ่านมา แบบที่สองคือทำให้ agent หลายตัวประสานงานกันเก่งขึ้น เขาเชื่อว่าแบบที่สองปรับตัวได้ไวกว่าและคุ้มกว่า เพราะความเก่งของฝูงไม่ได้อยู่ที่นกตัวเดียว แต่อยู่ที่ว่านกทั้งฝูงเข้าขากันแค่ไหน

ไม่ใช่การปล่อยฝูง agent มั่วๆ

adaptive engineering ไม่ใช่การปล่อย agent ให้ทำงานกันเองแบบไร้ทิศทางและไม่มีบทบาท แนวทางทั้งสองแบบไม่ได้แยกขาดจากกัน แต่มีระดับกลางๆ อยู่ระหว่างนั้นให้เลือกได้ จึงไม่จำเป็นต้องเลือกข้างสุดขั้วอย่างใดอย่างหนึ่ง และไม่มีฝั่งไหนดีกว่าเสมอไป harness แบบตายตัวเหมาะกับปัญหาที่ซับซ้อนแต่ยังทำนายได้ ส่วนแบบ adaptive เหมาะกับปัญหาที่มีชีวิตและเปลี่ยนแปลงตลอดเวลา

ที่สำคัญคือแบบ adaptive มีสิ่งที่ต้องแลกจริง โครงสร้างที่ก่อตัวขึ้นเองอาจหยุดอยู่ที่ผลลัพธ์ซึ่งดูเหมือนดีที่สุด แต่จริงๆ แล้วไม่ใช่ ถ้าไม่มีอะไรมาคอยคัดกรองว่าผลลัพธ์แบบไหนดีกว่ากันจริงๆ ระบบก็จะเปลี่ยนไปโดยไร้ทิศทาง อีกความเสี่ยงคือ agent อาจมีลักษณะเหมือนกันหมด ถ้า agent ทุกตัวเทรนมาจากข้อมูลชุดเดียวกัน ความหลากหลายที่ระบบต้องอาศัยก็หายไป และยิ่งระบบปรับตัวได้เก่งเท่าไหร่ ก็ยิ่งอธิบายได้ยากขึ้นว่าตอนนี้มันกำลังทำอะไรอยู่ จนแทบทำนายผลล่วงหน้าไม่ได้เลย

พูดง่ายๆ คือเราได้ความสามารถในการปรับตัวเพิ่มขึ้น แต่ต้องแลกด้วยความสามารถในการตรวจสอบและทำนายที่ลดลง ผู้พูดเองก็ไม่ได้ฟันธงว่าทางนี้ดีกว่า เขาปิดท้ายด้วยการชวนคนอื่นมาช่วยกันสำรวจว่านี่คือทิศทางที่ถูกจริงไหม

พอโมเดลเก่งขึ้นเรื่อยๆ และ AI ออกไปทำงานในโลกจริงมากขึ้น คอขวดของงานจะไม่ใช่ความแรงของโมเดลอีกต่อไป แต่จะอยู่ที่การทำให้ harness เรียนรู้ที่จะจัดระเบียบตัวเองระหว่างทำงาน เช่นเดียวกับฝูงนกที่ก่อตัวเป็นรูปทรงของมันเองได้ โดยไม่เคยมีใครวางพิมพ์เขียว

---

ที่มา: คลิป Beyond the Harness: A Journey Towards Adaptative Engineering - Rajiv Chandegra, Annicha Labs จากช่อง AI Engineer