ถ้าลองสั่ง Fara1.5-27B โมเดล Computer Use Agent ตัวใหม่จาก Microsoft ว่า "จองโต๊ะร้านซูชิ 2 ที่ ศุกร์นี้ทุ่มนึง" AI ทั่วไปคงตอบกลับมาเป็นวิธีทำแล้วบอกให้เราเปิดเว็บไปกดจองเอง แต่ Fara จะเปิดเบราว์เซอร์ขึ้นมาลงมือจองให้เลย ตั้งแต่ค้นหาร้าน คลิกเลือกโต๊ะ ไปจนถึงกรอกชื่อ ทำทีละขั้นตอนจนงานเสร็จ

นี่คือความสามารถของ AI กลุ่ม Computer Use Agent หรือ CUA ที่ไม่ได้ทำได้แค่พิมพ์ข้อความตอบกลับ แต่มองเห็นสิ่งที่อยู่บนจอแบบเดียวกับที่คนมอง แล้วลงมือคลิกและพิมพ์บนเบราว์เซอร์แทนเราทีละสเต็ปจนงานเสร็จ โมเดล Fara1.5-27B พัฒนาโดยทีม Microsoft Research AI Frontiers ปล่อยออกมาแบบโอเพนเวต ให้ดาวน์โหลดไปรันเองได้ฟรีภายใต้สัญญาอนุญาต MIT นำไปใช้ต่อหรือดัดแปลงได้อย่างอิสระ โดยมีให้เลือก 3 ขนาดคือ 4B, 9B และ 27B ซึ่งตัวที่เรากำลังพูดถึงคือรุ่นใหญ่สุดอย่าง 27B

Fara มองหน้าจอเหมือนที่เรามอง แล้วลงมือคลิกเอง

สิ่งที่ทำให้ Fara ต่างจากสคริปต์กดอัตโนมัติทั่วไปคือวิธีมองหน้าเว็บ ตัวโมเดลไม่ได้อ่านโครงสร้างโค้ดเบื้องหลัง แต่ดูแค่ภาพสกรีนช็อตหน้าจอ เหมือนเวลาเราเปิดเว็บขึ้นมามองด้วยตา

พอเห็นภาพหน้าจอล่าสุดรวมกับประวัติการทำงานก่อนหน้า Fara จะวิเคราะห์ทันทีว่าสเต็ปถัดไปต้องทำอะไร พร้อมระบุพิกัดพิกเซลบนภาพได้เองว่าต้องคลิกตรงไหน หรือพิมพ์ข้อความอะไรลงช่องไหน โดยไม่ต้องพึ่งโมเดลอื่นมาช่วยชี้ตำแหน่ง ส่วนคำสั่งที่ทำได้ก็มีตั้งแต่คลิก พิมพ์ เลื่อนหน้าจอ เปิด URL ไปจนถึงค้นหาข้อมูลบนเว็บ

เมื่อทำเสร็จสเต็ปหนึ่ง มันจะดูภาพหน้าจอใหม่แล้วตัดสินใจก้าวถัดไป วนลูปแบบนี้ไปเรื่อยๆ จนกว่างานจะเสร็จ การทำงานแบบดู คิด แล้วลงมือทำซ้ำๆ นี่แหละคือหัวใจของ agent loop ที่ช่วยให้ AI ลุยงานยาวๆ ได้เองโดยไม่ต้องคอยมีคนสั่งทีละคลิก

เรื่องความจำ Fara จะเก็บภาพหน้าจอไว้ดูจริงแค่ 3 ภาพล่าสุดเท่านั้น แต่จะบันทึกประวัติการทำงานเป็นข้อความไว้ยาวสูงสุดถึง 262,144 token หรือราว 262K พื้นที่ความจำขนาดนี้ยาวพอให้ย้อนเช็กได้ว่างานเริ่มจากตรงไหนและทำอะไรไปแล้วบ้าง ทำให้ทำงานได้ต่อเนื่องโดยไม่หลงทางกลางคัน

ทำงานให้จบทั้งเรื่อง ไม่ใช่คลิกสุ่มไปมั่วๆ

งานที่ Fara ออกแบบมาตอบโจทย์คืองานบนเว็บที่มีหลายสเต็ปและทำซ้ำได้ ตัวอย่างที่ Microsoft ระบุไว้บนหน้าโมเดล เช่น การกรอกฟอร์ม จองโต๊ะร้านอาหารหรือจองที่นั่ง ยื่นใบสมัครงาน จัดแผนเที่ยว ไปจนถึงเลือกของใส่ตะกร้าชอปปิง

ความต่างสำคัญเมื่อเทียบกับสคริปต์อัตโนมัติแบบเดิมคือ มันไม่ได้ทำตามขั้นตอนตายตัวที่เขียนไว้ล่วงหน้า แต่วางลำดับการทำงานเองตามสิ่งที่เห็นบนหน้าจอเพื่อไปให้ถึงเป้าหมายที่สั่งไว้ หากหน้าเว็บเปลี่ยนไปหรือไม่เป็นอย่างที่คิด มันจะปรับการกระทำตามภาพที่เห็นจริง นี่จึงเป็นเหตุผลที่บริบทความจำยาว 262K มีความสำคัญมาก เพราะงานแต่ละอย่างต้องทำหลายสเต็ป และโมเดลต้องจำให้ได้ว่าทำอะไรไปแล้วบ้างถึงจะเดินหน้าต่อได้ถูกต้อง

ถึงช่องจ่ายเงินกับล็อกอิน Fara หยุดถามก่อน

ข้อควรระวังของ AI ที่คลิกทำงานเองได้คือ ถ้าเกิดกดจ่ายเงินหรือยืนยันรายการผิดพลาด ก็จะเกิดสิ่งที่แก้คืนไม่ได้ขึ้นมาทันที ทาง Microsoft จึงฝึกให้ Fara หยุดรอก่อนในจังหวะสำคัญ แม้ในทางเทคนิคตัวโมเดลจะกดทำงานต่อเองได้ก็ตาม

สถานการณ์ที่โมเดลถูกสอนให้หยุดถามก่อนมีอยู่ 3 กรณี กรณีแรกคือเมื่อต้องใช้ข้อมูลส่วนตัวที่ไม่ได้ให้ไว้ เช่น อีเมล เบอร์โทรศัพท์ หรือข้อมูลบัตร โมเดลจะไม่แต่งข้อมูลขึ้นมาเอง แต่จะกรอกข้อมูลเท่าที่มีอยู่ก่อน แล้วค่อยถามเราเพิ่มในส่วนที่ยังขาด กรณีที่สองคือเมื่อคำสั่งกำกวมหรือมีรายละเอียดไม่พอ มันจะถามให้ชัดเจนก่อนเริ่มทำ และกรณีที่สามคือ ก่อนทำรายการที่ย้อนกลับไม่ได้ เช่น ชำระเงิน ส่งใบสมัคร ส่งข้อความ หรือล็อกอินเข้าสู่ระบบ หากไม่ได้อนุญาตไว้ล่วงหน้าอย่างชัดเจน โมเดลจะหยุดรอการยืนยันก่อนเสมอ

แนวคิดนี้คือการใส่ ด่านขออนุมัติจากคนก่อน AI ลงมือ ในจุดที่อาจเกิดความเสียหาย แต่ความพิเศษของ Fara คือการฝังพฤติกรรมนี้ไว้ในตัวโมเดลตั้งแต่ขั้นตอนการเทรน ไม่ใช่การนำกฎมาแปะทับข้างนอกในภายหลัง

นอกจากระบบหยุดถามแล้ว Microsoft ยังแนะนำให้รัน Fara ในแซนด์บ็อกซ์ หรือพื้นที่จำลองแยกที่จำกัดการเข้าถึงเฉพาะสิ่งที่อนุญาต ผ่านเครื่องมือชื่อ MagenticLite ซึ่งสร้างมาให้ใช้งานคู่กัน เครื่องมือนี้จะเปิดเบราว์เซอร์ในคอนเทนเนอร์แยก ทำให้ไม่สามารถเข้าถึงไฟล์หรือข้อมูลสำคัญในเครื่องจริงได้ ทั้งยังกำหนดได้ว่าให้เข้าเว็บไหนได้บ้าง ติดตามการทำงานได้แบบเรียลไทม์ และสั่งหยุดกลางคันได้ทันที

โอเพนเวต MIT เปิดให้ลอง แต่ต้องมีเครื่องแรงจริง

จุดเด่นของการเป็นโมเดลแบบโอเพนเวตคือเปิดให้ทุกคนนำ Fara ไปศึกษา รันใช้งาน หรือพัฒนาต่อได้ โดยไม่ถูกล็อกไว้กับบริการของบริษัทใดบริษัทหนึ่ง ตัวโมเดลถูกปล่อยไว้บน Hugging Face คลังโมเดล AI แบบเปิดที่นักพัฒนานิยมใช้ และพัฒนาต่อยอดมาจากโมเดลเปิด Qwen3.5-27B เป็นฐาน

สำหรับใครที่อยากทดลองใช้งานก็มีหลายตัวเลือก วิธีเร็วที่สุดคือทดสอบผ่าน Colab ที่มี GPU ให้ยืมรันบนคลาวด์ หรือใช้งานบน Kaggle ก็ได้เช่นกัน ส่วนสายพัฒนาถ้าคุณจะเสิร์ฟโมเดลเองด้วย vLLM หรือ SGLang ก็ทำได้ หรือจะเรียกใช้งานผ่านไลบรารี Transformers โดยตรงก็สะดวก

แต่สิ่งที่ต้องทำความเข้าใจก่อนคือ Fara ไม่ใช่แอปพลิเคชันทั่วไปที่จะดาวน์โหลดมาคลิกใช้งานบนโน้ตบุ๊กหรือมือถือได้ทันที เนื่องจากรุ่น 27B ต้องใช้ทรัพยากรสูงมาก ทาง Microsoft ได้ทดสอบบนการ์ดประมวลผลระดับดาต้าเซ็นเตอร์อย่าง A100, H100 และ B200 พร้อมแนะนำให้แบ่งการทำงานของโมเดลลงการ์ดอย่างน้อย 2 ใบขึ้นไปสำหรับรุ่น 27B

แม้ในหน้าโมเดลจะระบุว่ารันบนเครื่องเดียวได้ ซึ่งอาจฟังดูเหมือนใช้สเปกไม่สูง แต่คำว่าเครื่องเดียวในที่นี้หมายถึงเครื่องที่ติดตั้ง GPU ระดับ A100 หรือ H100 จำนวน 1 ใบ ไม่ใช่คอมพิวเตอร์พีซีหรือมือถือทั่วไป ดังนั้น คำว่าทดลองใช้งานได้บน Hugging Face จึงหมายถึงการรันผ่านแพลตฟอร์มที่มีทรัพยากรสูงอย่าง Colab หรือการตั้งระบบเสิร์ฟเอง ไม่ใช่การกดรันบนคอมพิวเตอร์ส่วนตัว ทั้งนี้ หากต้องการลองรุ่นที่ใช้ทรัพยากรน้อยลง ก็มีขนาด 4B และ 9B ให้เลือกใช้งาน

ฝั่งซอฟต์แวร์ก็มีสเปกขั้นต่ำที่ต้องใช้ ได้แก่ torch 2.11.0 ขึ้นไป, transformers 5.2.0 ขึ้นไป และ vllm 0.19.1 ขึ้นไป โดยตัวอย่างการตั้งค่าแฟลกเมื่อสั่งเสิร์ฟรุ่น 27B ด้วย vLLM มีหน้าตาประมาณนี้

vllm serve microsoft/Fara1.5-27B \
  --dtype bfloat16 --max-model-len 262144 --limit-mm-per-prompt image=10

เนื่องจากโมเดลประมวลผลจากภาพหน้าจอเท่านั้น Fara จึงอาจไม่ได้เข้าใจทุกหน้าเว็บถูกต้องทั้งหมด หน้าเว็บที่เรนเดอร์ผิดพลาดหรือมีดีไซน์สับสนอาจทำให้โมเดลตีความผิดได้ นอกจากนี้ งานที่มีหลายขั้นตอนก็อาจเกิดความคลาดเคลื่อนสะสม หากกดผิดตั้งแต่สเต็ปแรกก็อาจส่งผลกระทบต่อสเต็ปถัดไป ทั้งยังมีความเสี่ยงเรื่อง prompt injection หรือคำสั่งลวงที่ซ่อนอยู่ในเนื้อหาหน้าเว็บเพื่อหลอกให้ AI ทำตาม การปล่อยให้ AI agent ทำงานเองจึงมี จุดที่มันหลุดได้ อยู่เสมอ ทั้งหมดนี้คือเหตุผลที่ยังต้องมีคนคอยกำกับดูแลและตรวจสอบผลลัพธ์ก่อนนำไปใช้งานจริง

งานจุกจิกบนเว็บอย่างการกรอกฟอร์ม จองร้านอาหาร หรือการไล่หาข้อมูลทีละหน้า กำลังเปลี่ยนไปสู่รูปแบบที่เราแค่ป้อนคำสั่งแล้วนั่งดู AI ทำงานแทนการลงมือคลิกเองทุกขั้นตอน และการที่ Fara เปิดตัวแบบโอเพนเวต ก็ช่วยให้คนที่สนใจอยากรู้หลักการทำงานของ AI ประเภทนี้ นำโมเดลไปศึกษาและทดลองของจริงได้ทันที โดยไม่ต้องรอคาดเดาจากบริการปิดของบริษัทไหน

ที่มา: หน้าโมเดล microsoft/Fara1.5-27B บน Hugging Face จาก Microsoft