โรงงานที่เรียนรู้ได้เอง เมื่อ AI ไม่ได้มาแทนคน แต่มาขยายขีดความสามารถของมนุษย์

เย็นวันหนึ่งกลางเมืองต้าเหลียน หัวข้อที่ดึงคนไว้ในห้องคือคำถามที่ฟังดูเรียบง่ายแต่กำลังพลิกนิยามของการผลิตทั้งอุตสาหกรรม นั่นคือ 'โรงงานที่เรียนรู้ได้เอง' (Factories that Learn) หน้าตาเป็นอย่างไร

เวทีนี้เป็นวงเสวนาภายใต้การประชุมของ World Economic Forum (WEF) ที่ต้าเหลียน รวมผู้บริหารและนักวิชาการจากทั้งฝั่งผู้ผลิตอิเล็กทรอนิกส์รายใหญ่ ผู้ผลิตเครื่องใช้ไฟฟ้า บริษัทเครื่องมือวิทยาศาสตร์ชีวภาพ สตาร์ทอัพด้านปัญญาประดิษฐ์เชิงกายภาพ (Physical AI) และวงวิชาการด้านปัญญาประดิษฐ์ในภาคอุตสาหกรรม 

โรงงานที่เรียนรู้ ต่างจากโรงงานอัตโนมัติทั่วไปอย่างไร

ผู้ร่วมเสวนาหลายคนเห็นตรงกันว่าเส้นแบ่งสำคัญอยู่ที่ 'ปัญญาที่ตายตัว กับ ปัญญาที่วิวัฒน์ได้' โรงงานอัตโนมัติแบบเดิมทำงานตามโปรแกรมที่เขียนไว้ล่วงหน้า ทำซ้ำงานเดิมที่กำหนดไว้แล้วเท่านั้น แต่โรงงานที่เรียนรู้สามารถปรับตัวเข้ากับงานใหม่ได้เร็ว และการได้มาซึ่งความสามารถใหม่ไม่ได้เกิดจากการเขียนโปรแกรมใหม่ แต่เกิดจากการสั่งงานด้วยภาษามนุษย์ ยิ่งใช้งานมาก ยิ่งมีข้อมูลมาก ปัญญาของระบบก็ยิ่งพัฒนาตามไปด้วย

ความต่างข้อที่สองคือ 'ตั้งรับ กับ เชิงรุก' โรงงานแบบเก่าจะแก้ปัญหาเมื่อปัญหาเกิดขึ้นแล้ว แต่โรงงานที่เรียนรู้สามารถคาดการณ์ความผิดเพี้ยนล่วงหน้า และปรับจูนตัวเองเพื่อรักษาประสิทธิภาพให้อยู่ในจุดที่ดีที่สุดแบบเรียลไทม์ ผู้บริหารอีกรายเสริมว่าโรงงานแบบเดิมเป็นระบบที่ผลลัพธ์แน่นอนตายตัว (Deterministic) ส่วนโรงงานแห่งอนาคตทำงานบนความน่าจะเป็น (Probabilistic) ออกแบบมาเพื่อการปรับตัว ไม่ใช่เพื่อทำงานตามรูทีนมาตรฐาน และมองข้อมูลเป็นกระแสต่อเนื่องแทนที่จะเป็นภาพนิ่งจุดเดียว

ส่วนข้อที่สามที่ถูกย้ำมากที่สุดคือเรื่องบทบาทของแรงงาน ในระบบอัตโนมัติแบบเดิมเราใช้เครื่องจักรแทนมือคน แต่ในโรงงานที่เรียนรู้ปัญญาประดิษฐ์ (AI) ถูกวางบทบาทเป็นเครื่องมือเสริมพลังให้มนุษย์ ขยายทั้งผลิตภาพและการตัดสินใจ ภาพที่หลายคนวาดไว้ตรงกันคือ พนักงานหนึ่งคนอาจดูแลเอเจนต์หรือหุ่นยนต์ฮิวแมนนอยด์ได้หลายตัวพร้อมกัน

มีผู้ร่วมเสวนาที่เสนอกรอบคิดเพิ่มด้วยคำสองคำคือ 'วิวัฒนาการ' และ 'สมดุล' โดยแบ่งเป็นสามชั้น ชั้นแรกคืองานประเภท 3D ทั้งอันตราย (Dangerous) หนักหน่วง (Demanding) และน่าเบื่อซ้ำซาก (Dull) ควรถูกแทนที่ด้วยเครื่องจักรที่ฉลาดขึ้น ชั้นที่สองคือการสร้างสมดุลระหว่างคนกับเครื่องจักรในแบบเสริมกัน ไม่ใช่แทนที่กัน เช่นการจัดโปรแกรมยกระดับทักษะให้พนักงานหน้างานในโรงงานต้นแบบที่ฉงชิ่งเพื่อปรับตัวเข้ากับการเปลี่ยนผ่านสู่ดิจิทัล และชั้นที่สามที่เป็นหัวใจคือ 'คนคือเป้าหมายปลายทาง' (People are the purpose) เพราะสุดท้ายแล้วการสร้างโรงงานที่เรียนรู้ก็เพื่อสร้างโลกและชีวิตที่ดีขึ้นสำหรับคน

นักวิชาการในวงสรุปวิวัฒนาการของคำว่าการผลิตไว้คมคายว่า เดิมการผลิตคือ 'กระบวนการสร้างสิ่งของ' ต่อมากลายเป็น 'กระบวนการทำให้สิ่งต่าง ๆ เกิดขึ้น' และในอนาคตจะกลายเป็น 'กระบวนการที่ทำให้สิ่งต่าง ๆ พัฒนาตัวเองได้' หัวใจจึงอยู่ที่ระบบที่พัฒนาตัวเองได้ ทั้งกระบวนการให้คนเรียนรู้ กระบวนการให้เครื่องจักรเรียนรู้ และกระบวนการให้ตัวกระบวนการเองเรียนรู้ ถ้าทำได้ครบ เราจะไม่ต้องลองผิดลองถูกแบบเดิมอีกต่อไป

เมื่อโรงงานกลายเป็น 'รถยนต์ไร้คนขับ' ที่รักษาตัวเองได้

มุมที่เปิดโลกที่สุดมาจากฝั่งสตาร์ทอัพด้านปัญญาประดิษฐ์เชิงกายภาพสำหรับอุตสาหกรรมกระบวนการ (Process Manufacturing) ผู้พูดอธิบายว่าโลกการผลิตมีสองแบบ แบบแรกคือการผลิตแบบประกอบชิ้นส่วน (Discrete Manufacturing) เช่นการประกอบตู้เย็น อุปกรณ์ หรือรถยนต์ ซึ่งมองเห็นทุกอย่างที่เกิดขึ้นได้ด้วยตา ส่วนอีกแบบคืออุตสาหกรรมกระบวนการ ที่เอาวัตถุดิบมาผ่านปฏิกิริยาเคมีหลังผนังสเตนเลสจนได้ผลิตภัณฑ์ ปัญหาคือเรามองไม่เห็นว่าเกิดอะไรขึ้นจริง ๆ ในถังปฏิกรณ์หรือในท่อ

ข้อจำกัดสำคัญจึงเป็นเรื่องการเข้าถึงข้อมูลที่สำคัญจริง ๆ เพราะการจะรู้ว่าอะไรเกิดขึ้นในถังต้องอาศัยการเก็บตัวอย่างด้วยมือ ส่งคนไปหน้างาน เก็บตัวอย่าง แล้วเอาไปตรวจในแล็บ ได้ข้อมูลเป็นภาพนิ่งแค่ช็อตเดียวต่อหนึ่งครั้งที่เก็บ ผลก็คือระบบควบคุมอย่าง Programmable Logic Controller (PLC) หรือชุดควบคุมอย่าง SCADA และ DCS ถูกตั้งค่าแบบตายตัวบนสูตรที่อิงกรณีเลวร้ายที่สุด ทำงานเหมือนเดิมตลอดเวลา ซึ่งทั้งเสี่ยงต่อคุณภาพที่เพี้ยน และสิ้นเปลืองทั้งทรัพยากร พลังงาน น้ำ สารเคมี ของเสีย ไปจนถึงรายได้ที่หายไป

นิยามของโรงงานที่เรียนรู้ในมุมนี้จึงเป็นการสร้างหมวดหมู่ใหม่ที่เรียกว่า 'ระบบอัตโนมัติที่เข้าใจกระบวนการ' (Process-Aware Autonomy) ถ้า Physical AI ในโลกหุ่นยนต์คือวงจร รับรู้ ประมวลผล ลงมือ (Sense, Reason, Act) บนความเข้าใจเชิงพื้นที่ สิ่งที่สตาร์ทอัพรายนี้ทำคือย้ายแนวคิดเดียวกันมาสู่อุตสาหกรรมกระบวนการ แต่เปลี่ยนเป็นความเข้าใจเชิงเคมี มองท่อ ถังปฏิกรณ์ และตัวกรองเป็นเหมือนหุ่นยนต์ เข้าใจเคมีระดับโมเลกุลแบบเรียลไทม์ ใช้โมเดล AI ระดับแนวหน้าประมวลผล แล้วเขียนค่าตั้งต้น (Set Point) กลับเข้าไปในระบบควบคุมโดยอัตโนมัติ เปลี่ยนระบบอัตโนมัติที่ตายตัวให้กลายเป็นระบบที่แม่นยำและปรับตัวได้

ภาพรวมของโรงงานที่เรียนรู้ในสายตาผู้พูดคนนี้จึงเปรียบได้กับ 'โรงงานที่ขับเคลื่อนตัวเอง' (Self-Driving Factory) ที่ปรับจูนและซ่อมแซมตัวเองอย่างต่อเนื่องตามคุณภาพและเคมีที่เกิดขึ้นจริง ไม่ใช่ระบบที่ทำงานเหมือนเดิมทุกครั้ง

บทเรียนจาก Lighthouse: สามขา และสี่ F

ผู้ร่วมเสวนาหลายรายมาในฐานะโรงงานต้นแบบที่ได้รับการรับรองเป็น Global Lighthouse จาก World Economic Forum ซึ่งถือเป็นรางวัลสูงสุดและทรงเกียรติที่สุดของโรงงานทั่วโลก จุดที่น่าสนใจคือแต่ละองค์กรเล่าเส้นทางของตัวเองในแบบที่ต่างกันแต่ลงรอยกัน

ฝั่งผู้ผลิตอิเล็กทรอนิกส์รายใหญ่เล่าว่า Lighthouse แต่ละแห่งเป็นหมุดหมายของการเปลี่ยนผ่านองค์กร เริ่มจากปี 2019 ที่เป็นสายการผลิตอัตโนมัติแบบครบวงจรครั้งแรกเพื่อยกผลิตภาพแรงงาน พอถึงปี 2021 ก็พบว่าแค่ระบบอัตโนมัติไม่พอ จึงเริ่มนำ AI มาใช้กับการบำรุงรักษาเชิงคาดการณ์และการตรวจสอบด้วยภาพ (Machine Vision) ในสเกลใหญ่ ปี 2022 ขยับไปที่ธุรกิจเซิร์ฟเวอร์ซึ่งเป็นงานหลากหลายรุ่นแต่ปริมาณน้อย ทำให้การจัดการโลจิสติกส์และวัตถุดิบกลายเป็นคอขวดของการส่งมอบตรงเวลา (On-Time Delivery หรือ OTD) และในปี 2023 เมื่อขยายโรงงานไปเวียดนามก็เจอโจทย์ความยืดหยุ่นของห่วงโซ่อุปทาน เพราะตอนนั้นซัพพลายเออร์ถึง 95% อยู่นอกประเทศ จนต้องสร้างหอควบคุมห่วงโซ่อุปทานและนำ AI เสริมศักยภาพวิศวกรท้องถิ่น ที่น่าสนใจคือแอปพลิเคชัน Large Language Model (LLM) ตัวแรกขององค์กรนี้ถูกนำไปใช้ที่เวียดนามเพื่อช่วยงานซ่อมบำรุงเครื่องจักร

นักวิชาการในวงสรุปบทเรียนจากการตามติด Lighthouse มาเกือบสิบปีไว้เป็น 'สามขา' ที่ขาดข้อใดข้อหนึ่งไม่ได้ ขาแรกคือผลิตภาพ ทุก Lighthouse ต้องมีตัวชี้วัดผลงานหลัก (Key Performance Indicator หรือ KPI) เป็นเส้นฐาน ไม่ว่าจะเป็นคุณภาพ ประสิทธิภาพ ความยืดหยุ่น หรือความยั่งยืน ขาที่สองคือความสามารถในการแข่งขัน คือต้องทำเงินได้และทำได้ดีกว่าคู่แข่ง เพราะมีโรงงานต้นแบบที่ผลิตเก่งแต่สุดท้ายก็ล้มละลายมาแล้ว และขาที่สามที่หลายคนมองข้ามคือการดึงดูดคนรุ่นใหม่ ถ้าไม่มีสมองคนรุ่นใหม่เข้ามา องค์กรก็อยู่ได้ไม่นาน

นักวิชาการคนเดิมยังเสนอแนวคิด 'สี่ F' ว่า Lighthouse ไม่จำเป็นต้องเป็นโรงงาน (Factory) เท่านั้น แต่เป็นได้ทั้งสถานที่ปฏิบัติการ (Facility) กองยานพาหนะ (Fleet) และพื้นที่ภาคสนาม (Field) อย่างที่เพิ่งมีการประกาศ Lighthouse ที่เป็นท่าเรือ และย้ำว่าการทำ Lighthouse ให้ขยายผลได้ต้องเรียนจากของเดิม แล้วทำให้ดีขึ้น เร็วขึ้น ถูกลง ถ้า Lighthouse แห่งแรกใช้เงินหนึ่งล้านดอลลาร์ แห่งที่สองควรเหลือครึ่ง แห่งที่สามควรเหลือแสนห้า ถ้าทุกแห่งใช้เงินเท่ากันแสดงว่ามีบางอย่างผิดปกติ

ฝั่งผู้ผลิตเครื่องใช้ไฟฟ้าเสริมว่าใบรับรอง Lighthouse ไม่ใช่ปลายทาง แต่เป็นขีดความสามารถที่จำเป็นต่อการอยู่รอดในโลกการค้า และยังชี้ไปที่ฐานข้อมูลของเครือข่าย Global Lighthouse ที่มีรายละเอียดของแต่ละฟังก์ชันให้คนทั่วไปเข้าไปเรียนรู้ได้ ส่วนผู้บริหารบริษัทเครื่องมือวิทยาศาสตร์ชีวภาพเสริมประเด็นการขยายผลว่า ต่อให้ใส่เทคโนโลยีเข้าไปในกองเทคโนโลยีมากแค่ไหน ถ้าไม่พัฒนาทีมงานให้พร้อมรับอนาคตก็สูญเปล่า เพราะเทคโนโลยีไม่ได้เปิดใช้งานตัวเอง แต่ไปเปิดทางให้คนในโรงงานทำงานได้ดีขึ้นต่างหาก

ความกลัวว่า AI จะแย่งงาน กับความจริงที่กลับด้าน

เมื่อผู้ดำเนินรายการโยงไปถึงอัตราว่างงานของคนรุ่นใหม่ในจีนที่สูงขึ้นและความกังวลเรื่อง AI แย่งงาน นักวิชาการในวงให้มุมที่ช่วยคลายปม โดยอธิบายว่าการเพิ่มผลิตภาพคือการตัดงานที่สิ้นเปลืองออกก่อน ทั้งงานซ้ำซ้อน แรงงานซ้ำซ้อน และงานที่ไม่สร้างมูลค่า จากนั้นจึงไปหางานที่มีมูลค่าสูง ระบบอัตโนมัติมีไว้สำหรับงานที่คนไม่อยากทำหรือทำได้ไม่ดี ส่วนระบบอัจฉริยะมีไว้ทำสิ่งที่คนทำไม่ได้ เช่นการตรวจสอบที่ AI มองเห็นได้พันจุดในเสี้ยววินาที ซึ่งคนทำไม่ได้ โจทย์จึงเป็นการสร้างสมดุลของกำลังคน ให้แรงงานเดิมโฟกัสงานสร้างมูลค่า และดึงคนรุ่นใหม่ที่มีไฟเข้ามาสร้างมูลค่าใหม่

มุมที่กลับด้านจากความกลัวกระแสหลักมาจากฝั่งสตาร์ทอัพ Physical AI ที่ชี้ว่าในหลายพื้นที่อย่างสหรัฐฯ และยุโรป ปัญหาใหญ่ที่สุดไม่ใช่ AI แย่งงาน แต่เป็นความเสี่ยงที่จะ 'สูญเสียแรงงานทักษะสูง' ต่างหาก ภาพที่ผู้พูดวาดให้เห็นคือ ในโรงงานอุตสาหกรรมกระบวนการ ระบบวิกฤตมักถูกตั้งค่าตายตัวบนสูตรที่ใครสักคนเขียนไว้เมื่อสิบปีก่อน และคนที่เดินหน้างานมายี่สิบสามสิบปีคือผู้เชี่ยวชาญตัวจริง เป็นคนที่ 'ดมกลิ่นออกหรือฟังเสียงออกว่ามีอะไรผิดปกติ' แต่ไม่มีใครรู้จริง ๆ ว่าเกิดอะไรขึ้นหลังผนังสเตนเลส

ตัวเลขที่สะดุดหูคือ ผู้พูดเล่าถึงพาร์ตเนอร์รายหนึ่งที่มีอัตราการลาออกของพนักงานหน้างานสูงมาก ถึงขั้นที่ 40% ของพนักงานหน้างานเพิ่งเข้ามาทำงานได้แค่ปีเดียว ความเสี่ยงคือความรู้เชิงสถาบันที่สั่งสมมาหลายสิบปีกำลังจะหายไปพร้อมคน และอีกสามถึงห้าปีข้างหน้าอาจไม่มีคนที่รู้วิธีเดินเครื่องโครงสร้างพื้นฐานที่ผลิตแทบทุกอย่างที่เรากิน อ่าน เห็น และสวมใส่ ข้อสรุปจึงไม่ใช่การแทนที่คน แต่คือการสร้างเทคโนโลยีที่เสริมและสนับสนุนคน พร้อมนิยามความยั่งยืนใหม่เป็นสามชั้น คือ ความยั่งยืนของธุรกิจ ความยั่งยืนของสิ่งแวดล้อม และความยั่งยืนของคน

เมื่อถามถึงคำแนะนำสำหรับเด็กจบใหม่ ผู้ผลิตเครื่องใช้ไฟฟ้าอ้างถึงรายงานของ WEF ที่ระบุว่าระหว่างปี 2025 ถึง 2030 จะมีบทบาทงานราว 22% ที่ถูกปรับโฉมใหม่ คำแนะนำคือคนรุ่นใหม่ต้องแสดงความหลงใหลใน AI ออกมา เพราะแทบทุกงานวันนี้ผูกกับ AI แล้ว และควรเจาะลึกในเรื่องฟิสิกส์ซึ่งสำคัญมากสำหรับงานผลิต โดยเปรียบกับ 'เส้นโค้งรอยยิ้ม' (Smiling Curve) ว่า Generative AI ทำงานปลายสองข้างของเส้นโค้งได้ง่าย แต่ส่วนกลางที่เป็นแกนการผลิตคือส่วนที่ยากที่สุดและเป็นโอกาสที่ใหญ่ที่สุด ส่วนคนที่ทำงานในอุตสาหกรรมอยู่แล้วก็ต้องไม่หยุดพัฒนาตัวเอง ดังตัวอย่างองค์กรที่ประกาศให้ปี 2025 เป็น 'ปีที่หนึ่งของ AI' และต่อด้วยปี 2026 เป็น 'ปีที่หนึ่งของเอเจนต์' เพื่อปักธงให้ทุกคนเข้ามามีส่วนร่วมมากขึ้น

ทำไมหลายโครงการถึงติดอยู่แค่ 'โครงการนำร่อง'

หนึ่งในคำถามที่คมที่สุดของวงคือ อะไรแยกองค์กรที่ขยายผล AI ได้ทั้งระบบ ออกจากองค์กรที่ติดอยู่แค่โครงการนำร่อง (Pilot) ในหน่วยงานเดียว

ผู้บริหารบริษัทเครื่องมือวิทยาศาสตร์ชีวภาพตอบตรงไปตรงมาว่ามันอยู่ที่การไม่ยอมแก้เรื่องพื้นฐานก่อน ไม่มีอะไรหวือหวาในการมีชุดข้อมูลเดียวทั้งบริษัท หรือมีระบบวางแผนทรัพยากรองค์กร (Enterprise Resource Planning หรือ ERP) ที่เชื่อมกัน หรือการขยายระบบฝึกอบรมให้ทั่วทั้งบริษัท แต่ละหน่วยงานอาจปรับกระบวนการของตัวเองได้เก่งมาก แต่ไม่ได้ปรับให้ดีที่สุดเมื่อมองปลายทาง การลงแรงทำแผนที่กระบวนการแบบครบวงจร (End-to-End) ที่เชื่อมตั้งแต่การวิจัยพัฒนาไปจนถึงการผลิตและคุณภาพจึงสำคัญมาก และถ้าเอาเทคโนโลยีไปวางบนกระบวนการที่ยังไม่ดี ก็จะได้ผลตอบแทนน้อยมาก ผู้พูดยังเสริมว่าคุณสมบัติที่ทุกพนักงานต้องมีในยุคนี้คือ 'ความคล่องในการเรียนรู้และความอยากรู้อยากเห็น' เพราะไม่มีหลักสูตรอบรมใดได้ผลถ้าคนไม่อยากรู้ว่างานจะถูกออกแบบใหม่ได้อย่างไร

ฝั่งผู้ผลิตอิเล็กทรอนิกส์เสริมหลักคิดสำคัญว่า ต้องขับเคลื่อนด้วยโจทย์ธุรกิจ ไม่ใช่ขับเคลื่อนด้วยเทคโนโลยี ถ้าดูเอกสาร Lighthouse แต่ละแห่งจะมี 'เรื่องราวของการเปลี่ยนแปลง' ที่ตอบว่ากำลังเจอโจทย์ธุรกิจอะไรและแก้อย่างไร องค์กรที่มีเรื่องราวการเปลี่ยนแปลงที่ดีมักได้ผลลัพธ์ทางการเงินที่ดีกว่าและมีกรณีใช้งานที่สร้างสรรค์กว่า นอกจากนี้ยังต้องยอมลงทุนในกรอบการทำงานเชิงระบบและแพลตฟอร์มเทคโนโลยี เช่นการกำกับดูแลข้อมูล (Data Governance) ที่อาจไม่เห็นผลตอบแทนทันทีแต่ช่วยมหาศาลตอนขยายผล และต้องไม่ลืมการยกระดับทักษะพนักงาน เพราะต่อให้มี AI และเครื่องมือใหม่ครบ สุดท้ายก็ยังต้องพึ่งคนในการมองหาโอกาสและคิดไอเดียใหม่

มุมที่จับใจที่สุดเรื่องการขยายผลมาจากสตาร์ทอัพ Physical AI ที่บอกว่าสิ่งที่ให้แรงงัดสูงที่สุดคือการเปลี่ยนความคิดจาก 'นี่คือเหตุผลทั้งหมดที่มันจะไม่เวิร์ก' ไปเป็น 'มาทำให้มันเกิดขึ้นกันเถอะ' เพราะระหว่างทางจะมีอุปสรรคเสมอ การมีกรอบคิดแบบนี้คือตัวเร่งที่ใหญ่ที่สุด ผู้พูดยกตัวอย่างการขยายผลจากโรงงานเดียวไปหกโรงงานและไปถึงหกสิบโรงงานทั่วโลกภายในหนึ่งปีครึ่ง โดยมีหลักคือต้องคิดจากเป้าหมายปลายทางแล้วถอยกลับมาออกแบบก้าวแรก เพราะการบริหารการเปลี่ยนแปลงมีต้นทุนเสมอ ถ้าทำแค่โครงการนำร่องในสายเดียวหรือไซต์เดียว ก็จะได้ผลตอบแทนแค่จุดเดียว คุณค่าที่แท้จริงเกิดเมื่อขยายผลได้ทั้งกองปฏิบัติการ และต้องระวังอาการ 'ของดีที่อื่นแต่อาจไม่เวิร์กกับฉัน' ที่มักเกิดขึ้นเสมอเมื่อข้ามหน่วยธุรกิจหรือข้ามภูมิภาค

ทั้งนี้ผู้พูดจากสตาร์ทอัพย้ำว่าวินัยสำคัญคือการมีโจทย์ปัญหาที่คมชัดและผูกกับ KPI ที่กระทบงบกำไรขาดทุน (Profit and Loss หรือ P&L) โดยตรง เช่นการเพิ่มประสิทธิภาพโดยรวมของเครื่องจักร (Overall Equipment Effectiveness หรือ OEE) การลดการใช้สารเคมีและสาธารณูปโภค เพราะผลกระทบต่อกำไรก่อนหักดอกเบี้ย ภาษี ค่าเสื่อม และค่าตัดจำหน่าย (Earnings Before Interest, Taxes, Depreciation and Amortization หรือ EBITDA) ที่ใหญ่ที่สุดของ AI ในองค์กรการผลิตอยู่ที่ฝ่ายปฏิบัติการ ซึ่งก็เป็นโจทย์ที่ยากที่สุดในการนำไปใช้และขยายผลในงานจริงด้วยเช่นกัน

อนาคตของโรงงาน ในประโยคเดียว

ช่วงปิดท้าย ผู้ดำเนินรายการขอให้ทุกคนสรุปอนาคตของโรงงานเป็นประโยคเดียว และคำตอบที่ออกมาก็สะท้อนแก่นของวงได้ครบ

ผู้บริหารบริษัทเครื่องมือวิทยาศาสตร์ชีวภาพบอกว่าโรงงานแห่งอนาคตจะไม่ได้ถูกนิยามด้วยปริมาณการทำงานอัตโนมัติ แต่ด้วยการใช้เทคโนโลยียกระดับขีดความสามารถของมนุษย์ได้อย่างมีประสิทธิภาพแค่ไหน ถ้ามองปัญหาผ่านเลนส์ของคนแทนเลนส์ของระบบอัตโนมัติ จะได้ความอุดมสมบูรณ์กลับมามหาศาล

ฝั่งผู้ผลิตอิเล็กทรอนิกส์เตือนว่าเราต้องตั้งความคาดหวังกับ AI ให้ถูก อย่าเอาหุ่นยนต์ฮิวแมนนอยด์หรือเอเจนต์ไปเทียบกับระบบอัตโนมัติเดิมที่มีอยู่ เพราะเทียบเรื่องประสิทธิภาพก็สู้เครื่องจักรอัตโนมัติไม่ได้ เทียบเรื่องความยืดหยุ่นก็สู้คนไม่ได้ ถ้ามัวเทียบแบบนี้จะพลาดโอกาสใหญ่ในอนาคต ควรวาง AI เป็นเครื่องมือขยายผลิตภาพของมนุษย์ และเป็นการแปลงความรู้และประสบการณ์ให้กลายเป็นสินทรัพย์ดิจิทัลที่งอกเงยขององค์กร โดยเชื่อว่าถ้าตั้งความคาดหวังถูกและลงทุนต่อเนื่อง เราจะไปถึงจุดที่สมดุลทั้งประสิทธิภาพ ความยืดหยุ่น และความทนทานของระบบในไม่ช้า

ผู้ผลิตเครื่องใช้ไฟฟ้าย้ำประโยคที่พูดมาตลอดวงว่า 'คนคือเป้าหมายปลายทาง' คำว่า มนุษย์อยู่ในวงจร (Human-in-the-Loop) ในความหมายที่กว้างกว่าเดิม ไม่ใช่แค่ขั้นตอนที่คนตัดสินใจ แต่หมายถึงไม่ว่าจะใช้เทคโนโลยีล้ำแค่ไหนหรือมีเอเจนต์กี่ตัว ปลายทางก็คือชีวิตที่ดีขึ้นและผลิตภัณฑ์ที่ดีขึ้นสำหรับลูกค้า สอดคล้องกับสตาร์ทอัพ Physical AI ที่ปิดท้ายว่าเราต้องการเทคโนโลยีที่เสริมและสนับสนุนคน บนนิยามความยั่งยืนทั้งของธุรกิจ สิ่งแวดล้อม และคน

ส่วนนักวิชาการในวงทิ้งท้ายแรงที่สุดว่า การผลิตเคยเป็นงานที่ดีและจ่ายดี แต่ถ้าเชื่อว่าเส้นทางของ Global Lighthouse คือทิศเหนือที่แท้จริง เราต้องทำให้การผลิตกลายเป็นงานเทคโนโลยีขั้นสูงที่จ่ายสูง ถ้าทำไม่ได้ ก็จะไม่มีวันพรุ่งนี้ที่แข่งขันได้ ไม่ว่าจะประเทศไหนก็ตาม

แก่นที่ร้อยทุกเสียงในวงเข้าด้วยกันจึงไม่ใช่คำถามว่าโรงงานจะอัตโนมัติได้แค่ไหน แต่เป็นวิสัยทัศน์ว่า AI จะขยายศักยภาพของมนุษย์ได้อย่างไร และนั่นคือเข็มทิศที่ควรใช้นำทางในการออกแบบโรงงานแห่งอนาคต

ที่มา: Session 'Factories that Learn' งาน Annual Meeting of the New Champions 2026 (AMNC 2026) หรือ Summer Davos โดย World Economic Forum (WEF)