โดย Thanedpol Dechaduangsakul | เผยแพร่: 6 สิงหาคม 2569 | อ้างอิง: BorntoDev

สรุปสาระสำคัญ

• แอดเปรม BorntoDev เผยว่า 90% ของ AI Roadmap บนอินเทอร์เน็ตตัดทิ้งได้ โฟกัสแค่ 4 เลเวลหลักก็ทำงานจริงได้

• ระดับการเติบโตของ AI ปี 2026 มี MCP Server ทะลุ 20,000 ตัว, GitHub Repos ใช้ LLM SDK เกิน 1.1 ล้าน, Frontier Models ออกมา 10+ ตัวใน 3-4 เดือน

• Andrej Karpathy อดีตหัวหน้า AI ของ Tesla ยืนยันว่า Context Engineering สำคัญกว่า Prompt Engineering

• งาน 80-90% ใช้โมเดลปีที่แล้วได้ ไม่จำเป็นต้องไล่ตามโมเดลใหม่ทุกตัว ดูแค่ Context Window

• เลเวลสุดท้ายคือ Ownership ไม่ใช่เทคนิค แต่คือความรับผิดชอบ ถ้า AI พัง ใครรับผิดชอบ

สรุปคลิป Youtube: AI Roadmap ควรรู้อะไรบ้าง ให้ทำงานได้จริง 300%

ทำไมเราถึงไม่ต้องกลัวตกขบวน (FOMO)?

ปัจจุบัน AI เติบโตไวมาก มีตัวเลขที่น่าสนใจ:

1. MCP Server ที่ลงทะเบียนกับ Anthropic มีเกือบ 20,000 ตัวแล้ว และเพิ่มขึ้นทุกนาที

2. Public Repositories บน GitHub ที่ใช้ LLM SDK มีกว่า 1.1 ล้าน Repository (เฉพาะปีที่ผ่านมาโตขึ้น 6 แสนกว่า)

3. Frontier Models ในช่วง 3-4 เดือนที่ผ่านมา ออกมาเป็น 10+ ตัว (เช่น Claude, Sonnet, Opus, GPT, DeepSeek ฯลฯ)

หลายคนกลัว FOMO (Fear Of Missing Out) กลัวตกเทรนด์ แต่ความจริงคือ งาน 80-90% สามารถใช้โมเดลของปีที่แล้วทำได้สบายมาก คุณไม่จำเป็นต้องวิ่งตามโมเดลใหม่ทุกตัว kecualiงานคุณต้องการความสามารถเฉพาะทางจริงๆ สิ่งที่คุณต้องดูในโมเดลมีแค่ 2 อย่างคือ Context Window (หน่วยความจำที่รับได้ เช่น 1 ล้าน Tokens) และ Benchmark (แต่อย่าไปยึดติดกับมันมาก ให้ดูว่าเอามาใช้งานจริงแล้วตอบโจทย์ไหม)

2 เส้นทางของสาย AI (คุณอยู่สายไหน?)

1. Researcher / ML Engineer: สายสร้างโมเดล ดู Data Pipeline ใช้ Math/Stats เยอะมาก (สายนี้ค่าตัวสูงมาก แต่ไม่ใช่สำหรับทุกคน)

2. Product Builder: สายเอา AI มาสร้างระบบ สร้างโปรดักต์ ให้ AI ทำงานแทนเรา (คลิปนี้เราจะโฟกัสที่สายนี้ครับ!)

สิ่งที่ "ตัดทิ้ง" ได้เลย (ถ้าคุณเป็น Product Builder / User ทั่วไป)

1. Math (คณิตศาสตร์): ถ้าคุณไม่ได้สร้างโมเดลเอง แค่เข้าใจพื้นฐานตรรกะ (Discrete Math) ก็พอ ไม่ต้องลงลึก

2. Fine-tune: อย่าเพิ่งรีบไป Fine-tune โมเดล ให้ดู "Problem" ก่อนว่าปัญหาของเราคืออะไร AI ต้องรู้อะไรก่อนที่จะจูนมัน

3. Vector Database: ถ้าเพิ่งเริ่มหรือเอกสารไม่ระดับหมื่นชิ้น ยังไม่ต้องไปยุ่งกับมัน

4. Framework ต่างๆ: ค่อยไปดูตอนที่คุณเริ่มลงมือทำจริง

4 เลเวลที่ต้องรู้ (10% ที่เหลือ)

Level 1 — Prompt Engineering คือฐานปิรามิด ใช้สูตร RTFC คือ Role ระบุบทบาท, Task ระบุงาน, Context ให้บริบท, Format ระบุรูปแบบผลลัพธ์

Level 1.5 — Context Engineering อันนี้ Andrej Karpathy อดีตหัวหน้า AI ของ Tesla บอกเองว่าสำคัญกว่า Prompt Engineering เพราะมันคือการจัดการทั้งระบบ ไม่ใช่แค่พิมพ์ถาม-ตอบ 1 ครั้ง ประกอบด้วย System Prompt, การทำ Compaction ย่อความจำก่อน Context เต็ม, Structured Notes ให้ AI จดบันทึกในไฟล์ .md, การแยก Sub-agent แบ่งงานให้ Agent ย่อย, และ JIT Retrieval ดึงข้อมูลมาใช้เฉพาะตอนจำเป็น

Level 2 — Tools และ MCP ทำให้ AI มีแขนขา ทำงานแทนเราจริงได้ Custom Tools คือฟังก์ชันที่เขียนให้ AI อ่านไฟล์ ยิง API Query Database ส่วน MCP หรือ Model Context Protocol คือสาย USB ที่ต่อ AI เข้ากับระบบภายนอก มี MCP Server ลงทะเบียนเกือบ 20,000 ตัวแล้ว

Level 3 — Evaluation และ Observability เมื่อสร้างเป็นระบบ ต้องมี Tracking ว่าใครทำอะไรเมื่อไหร่ มี Assertion Test Case ตรวจ Input-Output มี LLM เป็น Judge ช่วยตรวจ และมี A/B Testing เทียบเวอร์ชัน

Level 4 — Ownership ไม่ใช่เทคนิค แต่คือความรับผิดชอบ ถ้า AI ยิงแอดเกินงบจาก 2 ล้านเป็น 2.5 ล้าน ใครรับผิดชอบ ถ้า AI ลบ Database ทั้งก้อน คุณรับความเสี่ยงระดับนี้ไหวไหม ต้องดู Cost, Risk, ROI ตลอด

ตัวเลขที่สะท้อนการเติบโต MCP Server เกือบ 20,000 ตัว, GitHub Repos ที่ใช้ LLM SDK ทะลุ 1.1 ล้าน, Frontier Models ออกมา 10 กว่าตัวใน 3-4 เดือน แต่แอดเปรมย้ำว่าอย่า FOMO งานส่วนใหญ่ใช้โมเดลเดิมได้

คำถามที่พบบ่อย (FAQ)

Q1: มือใหม่ที่ไม่เคยใช้ AI เลย ควรเริ่มจากเลเวลไหน?
A: เริ่มจากเลเวล 1 Prompt Engineering ก่อน ใช้สูตร RTFC ให้คล่อง แล้วค่อยขยับไป Context Engineering ไม่ต้องรีบไป Tools หรือ Fine-tune

Q2: Context Engineering ต่างจาก Prompt Engineering ยังไง?
A: Prompt Engineering คือการเขียนคำสั่ง 1 ครั้งให้ได้คำตอบที่ดี Context Engineering คือการจัดการทั้งระบบของ AI ว่ามีข้อมูลอะไรบ้าง จำได้แค่ไหน ลืมเมื่อไหร่ และต้องต่อ Tools อะไร

Q3: ต้องรู้ Math หรือ Fine-tune ก่อนไหม?
A: ไม่ต้อง ถ้าไม่ได้สร้างโมเดลเอง แค่เข้าใจตรรกะพื้นฐานพอ และก่อน Fine-tune ให้ดู Problem ก่อนว่า AI ต้องรู้อะไร

Q4: MCP Server คืออะไร?
A: MCP ย่อมาจาก Model Context Protocol คือมาตรฐานที่เปรียบเหมือนสาย USB ให้ AI เชื่อมต่อกับระบบภายนอก เช่น ระบบบัญชี, Email, Database ตอนนี้มีเกือบ 20,000 ตัวที่ลงทะเบียนกับ Anthropic

Q5: ทำไมแอดเปรมถึงบอกว่าไม่ต้องไล่ตามโมเดลใหม่?
A: เพราะงาน 80-90% ใช้โมเดลปีที่แล้วได้เลย สิ่งที่ต้องดูในโมเดลมีแค่ Context Window หรือหน่วยความจำที่รับได้ กับ Benchmark แต่อย่าไปยึดติดกับตัวเลข Benchmark มาก

Source:

Youtube: https://www.youtube.com/live/Vl0kNpeeKsU