ความสำคัญของระบบนิเวศแบบเปิดต่อการปรับใช้ Agentic AI
สำหรับหลายองค์กร การนำ AI มาใช้ในระดับองค์กร ได้ก้าวข้ามช่วงของการทดลองนำร่องและการทำ Proof of Concept แบบแยกส่วน ไปสู่ช่วงการประเมินผลที่เข้มข้นมากขึ้น ความสามารถของ AI ในการสรุปเอกสาร ร่างอีเมล หรือตอบคำถาม กลายเป็นเพียงความสามารถพื้นฐานไปแล้ว ในปัจจุบันองค์กรต่าง ๆ ต้องการเครื่องมือ AI ที่สามารถทำงานครอบคลุมกิจกรรมหลักของธุรกิจ มากกว่าที่จะถูกจำกัดการใช้งานอยู่แค่ในแอปพลิเคชันเดียว
การก้าวเข้ามาของเทคโนโลยี AI Agent — ซึ่งก็คือบอทที่สามารถลงมือทำงานข้ามแอปพลิเคชันหรือบริการต่างๆ ได้อย่างอิสระเพื่อบรรลุเป้าหมาย — ได้เข้ามายกระดับความคาดหวังของลูกค้า และทำให้ธุรกิจต้องหันมาพิจารณาว่า Agentic AI จะทำงานร่วมกับซอฟต์แวร์และระบบการทำงาน (Workflow) ที่มีอยู่เดิมได้อย่างไร AI Agent อาศัยโมเดลภาษาขนาดใหญ่ (LLMs) เช่นเดียวกับแชตบอต แต่ระบบ Agentic AI ได้รับการออกแบบมาให้สามารถใช้เครื่องมือซอฟต์แวร์และแหล่งข้อมูลที่แชตบอต Generative AI ทั่วไปมักเข้าถึงไม่ได้ ทรัพยากรเหล่านี้ครอบคลุมตั้งแต่ข้อมูลลูกค้า ไลบรารีภายในองค์กร ระบบรับแจ้งปัญหา (Ticketing systems) ที่เก็บโค้ด (Code repositories) ไปจนถึงแอปพลิเคชันทางธุรกิจอื่น ๆ
Agentic AI ต้องการระบบนิเวศแบบเปิด (Open Ecosystem)
เอเจนต์จำเป็นต้องเข้าถึงทรัพยากรเหล่านี้ รวมถึงต้องมีความสามารถในการทำงานร่วมกับซอฟต์แวร์อื่น ๆ ได้อย่างกว้างขวางเพื่อทำงานให้สำเร็จลุล่วง แต่บริษัทที่พยายามขยายสเกลจาก Generative AI ไปสู่ Agentic AI อาจต้องสะดุดกับปัญหาการถูกผูกขาดจากผู้ให้บริการ (Vendor lock-in) และโซลูชันซอฟต์แวร์แบบปิดที่ทำงานได้ดีกับแอปพลิเคชันเพียงไม่กี่ตัวเท่านั้น การผสานรวมระบบแบบเบ็ดเสร็จที่อาจดูเหมือนช่วยให้การเริ่มต้นใช้งานทำได้ง่ายขึ้นในช่วงแรก กลับสามารถกลายเป็นข้อจำกัดได้เมื่อบริษัทต้องการขยายการใช้งาน AI และชุดเครื่องมือใหม่ ๆ
ปัจจุบัน เอเจนต์จำนวนมากอาจทำงานได้ดีภายใต้เฟรมเวิร์กซอฟต์แวร์เฉพาะกลุ่ม แต่จะเริ่มประสบปัญหาทันทีเมื่อต้องเชื่อมต่อกับแอปพลิเคชันอื่นนอกกรอบ
รูปที่ 1: ประสิทธิภาพของโมเดลเปิด Instella-MoE ทั้งแบบ Pre-trained และ Post-trained เมื่อเทียบกับโมเดลล้ำสมัยอื่น ๆ ที่มีขนาดใกล้เคียงกัน
AMD พร้อมสนับสนุนความต้องการของอุตสาหกรรมในการสร้างนวัตกรรมอย่างรวดเร็วและต่อเนื่อง ด้วยชุดโซลูชัน AI แบบครบวงจรตั้งแต่ต้นทางถึงปลายทาง ซึ่งครอบคลุมตั้งแต่ FPGA แบบฝังตัว, เซิร์ฟเวอร์โปรเซสเซอร์ AMD EPYC™, โมบายเวิร์กสเตชัน ไปจนถึงตัวเร่งความเร็ว AMD Instinct™ ความครอบคลุมนี้ช่วยให้ลูกค้ามีทางเลือกที่ยืดหยุ่นมากขึ้นในการจับคู่เวิร์กโหลด AI ให้เข้ากับข้อจำกัดด้านพลังงานและการระบายความร้อนของสภาพแวดล้อมการทำงานนั้น ๆ นอกจากนี้ แพลตฟอร์ม AMD ROCm™ และ HIP ยังรองรับเฟรมเวิร์กมาตรฐานอุตสาหกรรมอย่าง PyTorch และ TensorFlow รวมถึง ONNX Runtime ทำให้สามารถประเมิน พอร์ต และปรับใช้โมเดลข้ามสภาพแวดล้อมได้โดยไม่ต้องเทรนหรือจัดรูปแบบใหม่ ความยืดหยุ่นนี้ช่วยให้องค์กรสามารถตอบสนองต่อสภาวะปัจจุบันได้อย่างรวดเร็ว โดยไม่สูญเสียโอกาสทางกลยุทธ์ที่อาจมีความสำคัญในอีกหลายเดือนหรือหลายปีข้างหน้า
นอกจากนี้ AMD ยังให้บริการในรูปแบบคอนเทนเนอร์ เช่น AMD Inference Microservices (AIMs) เพื่อบริหารจัดการเวิร์กโหลดด้าน AI Inference บนกราฟิกการ์ด AMD Instinct โดย AIMs จะทำหน้าที่เสมือน “ปุ่มลัด” สำหรับการรัน Inference ที่ช่วยลดทอนความซับซ้อน พร้อมให้การรับประกันประสิทธิภาพเมื่อนำไปใช้งานบนการกำหนดค่าฮาร์ดแวร์ AMD ที่ระบุ ไมโครเซอร์วิสเหล่านี้เป็นส่วนหนึ่งของ AMD Enterprise Reference Stack แบบโอเพนซอร์ส และได้รับการออกแบบมาให้เชื่อมต่อกับสภาพแวดล้อมและชุดเครื่องมือเดิมขององค์กรได้อย่างราบรื่น ผ่านพันธมิตรแพลตฟอร์มทั้งแบบเปิดและแบบปิด เช่น Red Hat, SUSE, Canonical, VMware และ Nutanix เป้าหมายของเราคือการทำให้เอเจนต์และฟังก์ชันตัวเชื่อมต่อข้อมูลสามารถทำงานร่วมกับฐานข้อมูลทั้งแบบมีโครงสร้างและไม่มีโครงสร้าง สเปรดชีต และผลิตภัณฑ์ SaaS ได้ ซึ่งการจะบรรลุเป้าหมายนี้ได้นั้น ต้องอาศัยสถาปัตยกรรมที่ไม่ปิดกั้นการเข้าถึงแหล่งข้อมูลหรือแอปพลิเคชันที่หลากหลาย
ความยืดหยุ่นและอิสระในการเลือกจะยิ่งมีความสำคัญมากขึ้นเมื่อเทคโนโลยี Agentic AI เติบโตขึ้น การทดสอบเอเจนต์ในระยะแรกอาจเป็นแค่การทำงานอัตโนมัติในขอบเขตแคบ ๆ ภายในแอปพลิเคชันเดียว แต่การนำไปใช้งานจริงแบบเต็มรูปแบบจะทำให้เอเจนต์ต้องเข้าถึงแหล่งข้อมูลที่หลากหลาย ต้องรู้จักเปิดใช้เครื่องมือที่เหมาะสม และส่งผลลัพธ์กลับมาในรูปแบบที่ซอฟต์แวร์อื่นสามารถนำไปใช้งานต่อได้ องค์กรที่ให้ความสำคัญกับเอเจนต์ที่สามารถเชื่อมต่อกับเวิร์กโฟลว์และระบบเดิมของพนักงานได้ จะเป็นองค์กรที่อยู่ในจุดที่ได้เปรียบที่สุดในการดึงศักยภาพของ Agentic AI ออกมาใช้ แนวทาง “ระบบนิเวศแบบเปิด” ที่ AMD สนับสนุน จะช่วยปูทางให้องค์กรสามารถขยายสเกล AI ไปได้ทั่วทั้งองค์กร โดยไม่ถูกตีกรอบทางเลือกซอฟต์แวร์ หรือถูกบังคับให้การตัดสินใจในอนาคตต้องผูกติดอยู่กับโครงสร้างซอฟต์แวร์ของผู้ให้บริการเพียงรายเดียว
หมายเหตุทางกฎหมาย:
ข้อจำกัดความรับผิด: ข้อมูลในเอกสารนี้จัดทำขึ้นเพื่อวัตถุประสงค์ในการให้ข้อมูลเท่านั้น และอาจมีการเปลี่ยนแปลงโดยไม่ต้องแจ้งให้ทราบ แม้จะใช้ความระมัดระวังทุกประการในการจัดทำเอกสารนี้ แต่เอกสารอาจมีข้อมูลทางเทคนิคที่ไม่ถูกต้อง ข้อมูลที่ตกหล่น หรือข้อผิดพลาดในการพิมพ์ และ AMD ไม่มีภาระผูกพันในการปรับปรุงหรือแก้ไขข้อมูลดังกล่าว Advanced Micro Devices, Inc. ไม่รับรองหรือรับประกันความถูกต้องหรือความครบถ้วนของเนื้อหาในเอกสารนี้ และไม่รับผิดใด ๆ รวมถึงการรับประกันโดยนัยเกี่ยวกับการไม่ละเมิดสิทธิ ความสามารถในการจำหน่าย หรือความเหมาะสมสำหรับวัตถุประสงค์เฉพาะ ในส่วนที่เกี่ยวข้องกับการทำงานหรือการใช้ฮาร์ดแวร์ ซอฟต์แวร์ หรือผลิตภัณฑ์อื่นของ AMD ที่อธิบายไว้ในเอกสารนี้ เอกสารนี้มิได้ให้สิทธิอนุญาตใด ๆ ไม่ว่าโดยนัยหรือโดยหลักกฎหมายปิดปาก ต่อสิทธิในทรัพย์สินทางปัญญา เงื่อนไขและข้อจำกัดที่ใช้กับการซื้อหรือการใช้ผลิตภัณฑ์ AMD เป็นไปตามข้อตกลงที่ลงนามระหว่างคู่สัญญา หรือข้อกำหนดและเงื่อนไขมาตรฐานในการขายของ AMD GD-18u
ลิงก์ไปยังเว็บไซต์ของบุคคลที่สามมีไว้เพื่อความสะดวกเท่านั้น และเว้นแต่จะระบุไว้อย่างชัดแจ้ง AMD จะไม่รับผิดชอบต่อเนื้อหาของเว็บไซต์ดังกล่าว และการให้ลิงก์ไม่ได้หมายถึงการรับรองใด ๆ GD-97
AMD Says Open Ecosystems Will Be Critical to Scaling Agentic AI Without Vendor Lock-In
As enterprises move from Generative AI experiments toward Agentic AI, the challenge is no longer limited to model capabilities. AI agents must also connect with existing data, software and workflows across the organization — an area where AMD believes an open ecosystem will become increasingly important.
Alexey Navolokin, General Manager for Asia Pacific, said enterprise AI adoption is moving beyond isolated Proof of Concept projects. Capabilities such as document summarization, email drafting and question answering are becoming baseline functions, while businesses increasingly expect AI to work across multiple applications and services to complete broader tasks.
AI agents therefore need access to a wide range of resources, including customer data, ticketing systems, code repositories, internal libraries and business applications. This is where closed architectures can become a limitation, particularly when solutions work effectively only within a limited set of software or frameworks.
AMD argues that vendor lock-in could become a greater concern as Agentic AI deployments scale. Agents need to select appropriate tools, retrieve information from multiple data sources and return outputs in formats that other software can use. Maintaining architectural flexibility therefore directly affects an organization’s ability to introduce or change technologies in the future.
On the infrastructure side, AMD offers technologies ranging from embedded FPGAs and AMD EPYC™ processors to mobile workstations and AMD Instinct™ accelerators. AMD ROCm™ and HIP support industry-standard frameworks including PyTorch, TensorFlow and ONNX Runtime, allowing organizations to evaluate, port and deploy models across environments without having to retrain or reformat them for every platform.
AMD also provides AMD Inference Microservices, or AIMs, for managing AI inference workloads on AMD Instinct. AIMs are part of the open-source AMD Enterprise Reference Stack and are designed to integrate with existing environments and technology ecosystems from partners including Red Hat, SUSE, Canonical, VMware and Nutanix.
The longer-term objective is to enable agents and data connectors to work across structured and unstructured databases, spreadsheets and SaaS products. Achieving this requires architectures that do not restrict access to diverse data sources and applications.
As Agentic AI expands from narrow automation inside individual applications to organization-wide deployment, interoperability with existing workflows and freedom of technology choice will become increasingly important. AMD sees an open ecosystem as a way for enterprises to scale AI without tying future technology decisions to the software architecture of a single vendor.
บทความโดย Alexey Navolokin ผู้จัดการทั่วไป ประจำภูมิภาคเอเชียแปซิฟิก
