Machikoba no Techo กรกฎาคม 2026

สิ่งที่เชื่อมต่อกันไม่ใช่สายเคเบิล แต่คือสายตา

กรกฎาคมแล้วครับ ที่ Arita ฤดูร้อนมาถึงอย่างเต็มตัว ความร้อนสะสมอยู่ในโรงงานตั้งแต่เช้าตรู่ วันที่ฝนตกก็มีความชื้นเข้ามาสมทบ อากาศยิ่งอึดอัด
ทางตอนเหนือของ Kyushu ฤดูหมึกกล้วย (Kensaki) กำลังถึงจุดสูงสุด ทะเลยามค่ำคืนสว่างไสวด้วยไฟของเรือประมง ข้างทะเลนั้น โรงงานของเรายังคงทำอีจิต่อไปเหมือนที่เคยทำมา กัด ทาบ กัดอีก แล้วปรับแต่ง ตัวเหยื่อทุกตัวถูกล้างทีละตัวก่อนนำไปประกอบ ยี่สิบเจ็ดปีนับจากวันก่อตั้ง และเป็นงานมือเรียบ ๆ ไม่หวือหวานี้เอง ที่ทำซ้ำแล้วซ้ำเล่าจนกลายเป็นอีจิแต่ละตัว ขอขอบพระคุณทุกท่านที่ให้การสนับสนุนเราเสมอมาครับ

ขณะเดียวกัน นอกโรงงาน แทบไม่มีวันไหนที่ไม่ได้ยินคำว่า “AI”
ราวหนึ่งปีมาแล้วที่ผมทดลองกับเครื่องมือ AI หลากหลายตัวด้วยตัวเอง

แต่ความเปลี่ยนแปลงที่ผมรู้สึกได้ ไม่ใช่การที่ AI ฉลาดขึ้น
หากคือการที่ โรงงานเล็ก ๆ สามารถสร้างระบบที่เมื่อก่อนไม่มีทางเลือกอื่นนอกจากสั่งทำจากบริษัทผู้เชี่ยวชาญ ขึ้นมาเองภายในโรงงานได้แล้ว

ขอยกตัวอย่างสักเรื่องหนึ่งครับ

■ โรงงานเต็มไปด้วยหน้าจอ

ในโรงงานมีหน้าจออยู่ทุกที่
แผงควบคุมของเครื่องมือกล เทอร์โมมิเตอร์ ไฮโกรมิเตอร์ เซ็นเซอร์ CO₂ มิเตอร์วัดกำลังไฟ

คนมองดูแล้วตัดสินว่า
“วันนี้ร้อนกว่าปกตินิดหน่อยนะ”
“ค่านี้เพี้ยนไปจากทุกวัน”
“ได้เวลาระบายอากาศแล้ว”

การจะเอาข้อมูลเหล่านั้นเข้าคอมพิวเตอร์ เมื่อก่อนเป็นงานหนัก
ขอสเปกการสื่อสารจากผู้ผลิต เดินสายสัญญาณ ติดตั้ง PLC ซื้อซอฟต์แวร์เฉพาะทาง
พูดอีกอย่างคือ คุณต้องเชื่อมต่อกับเครื่องจักรทางกายภาพเสียก่อน

machining centre และเครื่องกัด NC ก็มีการเผยแพร่สเปก API อยู่ และถ้าตั้งใจจริงก็ดึงข้อมูลออกมาด้วย C++ ได้ แต่แรงที่ต้องลงไปนั้นมหาศาล และการจะรวบรวมความตั้งใจขนาดนั้นก็ไม่ง่าย

■ อย่าไปแตะเครื่อง แค่มองมันก็พอ

แต่ระยะหลังมีอีกเส้นทางหนึ่งเปิดขึ้นมา
ถ่ายหน้าจอนั้นด้วยเว็บแคม

ไม่ใช่กล้องอุตสาหกรรมพิเศษอะไร ตัวที่เราใช้คือเว็บแคมธรรมดาราคาราว 3,000 เยน

อ่านตัวเลขออกจากภาพวิดีโอนั้น เก็บไว้เป็นข้อมูล พล็อตเป็นกราฟ และแจ้งเตือนเมื่อมีอะไรผิดปกติ
มันเปลี่ยนสิ่งที่คนเคยรับรู้ด้วยตา ให้กลายเป็นข้อมูลที่วิเคราะห์ได้อย่างต่อเนื่อง
พูดอีกอย่างคือ เราเอา DX มาใช้กับการมองเสียเอง

■ เวอร์ชันแรก และกำแพงที่มันชน

เวอร์ชันแรกเรียบง่ายมาก คือส่งภาพที่ถ่ายได้ไปให้ AI แล้วบอกว่า “ช่วยอ่านตัวเลขเหล่านี้ให้หน่อย”
Claude ของ Anthropic, Gemini ของ Google, Grok ของ xAI เราลองมาแล้วหลายบริการ

ยิ่งไปกว่านั้น ผู้ช่วยเขียนโค้ดอย่าง Claude Code, Codex, Grok Build และ Cursor ก็ทำให้การสร้างตัวระบบเองเร็วขึ้นอย่างมหาศาล งานที่เมื่อก่อนผู้เชี่ยวชาญต้องใช้เวลาเป็นสัปดาห์ ตอนนี้เสร็จได้ในเวลาอันสั้น

แต่พอต้นแบบเริ่มทำงาน ปัญหาก็โผล่ขึ้นมา มันแพงเกินไป

การเรียกใช้ครั้งเดียวไม่ได้แพงเลย แต่การเฝ้าดูตลอดยี่สิบสี่ชั่วโมงทั้งปีเป็นอีกเรื่องหนึ่ง “AI ที่ใช้เป็นครั้งคราว” กับ “AI ที่เปิดทิ้งไว้ตลอด” ต้องการโครงสร้างต้นทุนที่ต่างกันคนละแบบ

ในฐานะเจ้าของโรงงานเล็ก ๆ มากกว่าจะทึ่งกับประสิทธิภาพ ผมกลับเอาแต่คิดว่าจะทำอย่างไรให้ใบแจ้งหนี้รายเดือนน้อยลง

■ รันมันบนเครื่องของเราเอง

ความพยายามถัดมาจึงเป็นการรัน LLM แบบโลคัลบน Raspberry Pi
พีซีเครื่องใหญ่ที่วางข้างเครื่องมือกลนั้นเกะกะ ส่วน Raspberry Pi ที่วางบนฝ่ามือได้ กลับอยู่ตรงนั้นได้อย่างสบาย

และถ้า AI ทำงานอยู่บนอุปกรณ์ของเราเองทั้งหมด ก็ไม่มีค่า API ต้นทุนการเดินระบบก็คือค่าไฟ ในทางทฤษฎีแล้วเกือบเป็นศูนย์

ความเป็นจริงไม่ง่ายขนาดนั้น LLM ที่มีชื่อเสียงส่วนใหญ่รันไม่ได้ เพราะหน่วยความจำไม่พอ สุดท้าย Qwen เป็นตัวที่รันได้สบายที่สุด ถึงอย่างนั้นมันก็ยังทำงานผ่านเครื่องมืออำนวยความสะดวกอย่าง ollama ไม่ได้ และต้องปรับจูนอยู่พอสมควร

■ ใช้ AI ให้น้อยที่สุดเท่าที่จะทำได้

จุดที่เรามาลงเอยในที่สุดคือ
ให้ OCR รับกรณีปกติ และให้ LLM แบบโลคัลเริ่มทำงานเฉพาะตอนที่ OCR อ่านไม่ได้

OCR ที่เบาบางรับงานประจำวันไป AI จะปรากฏตัวก็ต่อเมื่อมีอะไรผิดปกติหรือค่าที่อ่านได้กำกวมเท่านั้น
ต้นทุนการเดินระบบจึงออกมาแทบเป็นศูนย์

การจะรีดความเร็วออกจาก Raspberry Pi วิธีมาตรฐานคือตรึงตำแหน่งกล้องไว้ แล้วฝังพิกัดที่จะอ่านลงไปตายตัว วิธีนี้มีจุดอ่อน แรงสั่นสะเทือนเพียงเล็กน้อยในโรงงานทำให้กล้องขยับ พิกัดที่ฝังไว้ก็ไม่ตรงอีกต่อไป และทันใดนั้นก็อ่านอะไรไม่ได้เลย

ตรงนี้เองที่ LLM ซึ่งเข้าใจบริบทได้ แสดงคุณค่าของมันอีกครั้ง เพราะมันอ่านใหม่ได้ว่า “ตัวเลขอยู่ตรงไหน” จากภาพทั้งภาพ การขยับเพียงเล็กน้อยจึงแก้ได้ง่าย เราใส่การแก้ค่านี้เข้าไปในรูทีนการอ่าน และให้ cron รันการสอบเทียบเป็นระยะ ผลลัพธ์คือระบบที่ดูดซับความคลาดเคลื่อนได้เองเรื่อย ๆ โดยไม่ต้องมีใครมาคอยเฝ้า

ส่วนที่น่าสนใจคือ โครงการที่เริ่มต้นด้วยความพยายามจะใช้ AI ให้มาก กลับใช้งานได้จริงที่สุด เมื่อมันวิวัฒน์ไปสู่การใช้ AI ให้น้อยที่สุด

มันคล้ายกับวิธีทำงานของคน งานประจำจัดการด้วยประสบการณ์และขั้นตอนที่วางไว้ จะเรียกผู้เชี่ยวชาญก็ต่อเมื่อเกิดเรื่องที่ไม่คาดคิด การแบ่งงานแบบนั้นกลับกลายเป็นวิธีที่มีประสิทธิภาพที่สุด

■ ไม่ใช่ด้วยสายเคเบิล แต่ด้วยสายตา

พอคิดเรื่องนี้ไปเรื่อย ๆ ผมก็นึกถึงวิธีที่เราชาร์จโทรศัพท์
เมื่อก่อนการเสียบสายเป็นเรื่องธรรมดา ตอนนี้การชาร์จไร้สายมีอยู่ทั่วไป วางโทรศัพท์ลงบนแท่นแล้วมันก็ชาร์จ ไม่มีการเชื่อมต่อทางกายภาพ แต่พลังงานก็ยังข้ามไปได้

โครงการนี้ก็คล้าย ๆ อย่างนั้น
ตามธรรมเนียมแล้ว การจะเอาข้อมูลออกจากเครื่องจักรต้องต่อสายสื่อสารเข้าไป แต่คราวนี้ไม่ เราไม่แตะเครื่องจักร ไม่มีสายข้อมูล เราเพียงแค่เฝ้ามอง และเราก็ยังได้ข้อมูลที่ต้องการ

จะเรียกว่าเป็นการเปลี่ยนจากการเชื่อมต่อด้วยสายทางกายภาพ ไปสู่การรับข้อมูลแบบไร้สัมผัสคล้ายการเหนี่ยวนำก็ได้

เราไม่ได้เชื่อมต่อกับเครื่องจักร เราเฝ้ามองมัน
สิ่งที่เชื่อมต่อกันไม่ใช่สายเคเบิล แต่คือสายตา

พอคิดดูแล้ว การมองทำงานผ่านแสง และแสงก็เป็นคลื่นแม่เหล็กไฟฟ้าเช่นกัน
มองแบบนั้น บางทีนี่อาจเป็นการเชื่อมต่อด้วยการเหนี่ยวนำแม่เหล็กไฟฟ้าจริง ๆ เหมือนหม้อแปลง

■ ต้นทุนของการลองลดลงแล้ว

สิ่งที่ใหญ่ที่สุดของโครงการนี้ ไม่ใช่การที่ AI ฉลาดขึ้น แต่คือการที่ ต้นทุนของการลองทำอะไรสักอย่างลดลงอย่างมหาศาล

ระบบที่เมื่อไม่กี่ปีก่อนเราคงต้องจ้างผู้เชี่ยวชาญทำ ตอนนี้สร้างขึ้นได้ภายในโรงงานเล็ก ๆ เราไม่มีงบประมาณเท่าบริษัทใหญ่ เราไม่มีแผนกเฉพาะทาง แต่ก็เพราะเราเล็กนี่เอง เราจึงลอง ล้มเหลว และปรับปรุงได้เร็ว

ผมเชื่อว่านั่นคือจุดที่ความเปลี่ยนแปลงที่แท้จริงของยุค AI อยู่
ไม่ใช่ว่า AI แย่งงานไปจากคน แต่คือ AI ได้ขยายขอบเขตของสิ่งที่คนลองทำได้ออกไปอย่างกว้างขวาง

KEYSTONE จะยังคงรับมือกับปัญหาที่เกิดขึ้นในหน้างานของโรงงานต่อไป โดยเฉพาะอย่างยิ่งในการทำอีจิ แต่ไม่ได้จำกัดอยู่แค่นั้น พร้อมกับนำเทคโนโลยีใหม่ ๆ มาใช้อย่างยืดหยุ่นไปด้วย

ดั้งเดิมแต่ล้ำสมัย
ด้วยถ้อยคำนี้ในใจ เราตั้งใจจะเดินหน้าต่อไปทีละก้าว

ขอขอบพระคุณสำหรับการสนับสนุนเสมอมาครับ

with SQUID!!

กรกฎาคม 2026
KeyStone Corporation
Nobuhide Kanagawa, ประธานบริษัท