โลก AI กำลังเข้าสู่ยุค 'Loop'

ในงาน @Scale conference ของ Meta เมื่อสัปดาห์ที่แล้ว มีคนในห้องโถมถามบอริส เชอร์นี — ผู้สร้าง Claude Code — ว่า AI loops เป็นวัฏจักรความนิยมครั้งต่อไปหรือสิ่งที่แท้จริง คำตอบของเขาคือ แท้จริง และมีความสำคัญเท่ากับการเปลี่ยนจากโค้ดที่เขียนด้วยมือไปเป็น agentic AI การแลกเปลี่ยนความคิดเห็นนั้นตั้งชื่อให้กับสิ่งที่นักพัฒนาทั่วโลกได้ทดลองอย่างเงียบ ๆ และมันเปลี่ยนวิธีที่เราควรคิดเกี่ยวกับความสามารถที่แท้จริงของระบบ AI โลก AI กำลังเข้าสู่ยุค 'Loop' และสำหรับนักพัฒนาที่สร้างสรรค์ในเอเชีย การเปลี่ยนแปลงนั้นมีความหมายเฉพาะที่ควรค่าแก่การวิเคราะห์

เกิดอะไรขึ้น

บอริส เชอร์นี ผู้บริหาร Claude Code ที่ Anthropic ปรากฏตัวในงาน @Scale conference ของ Meta และโต้แย้งว่า "loops" แสดงถึงการเปลี่ยนแปลงทางสถาปัตยกรรมที่สำคัญครั้งต่อไปในวิธีการทำงานของระบบ AI ความก้าวหน้าที่เขาอธิบายนั้นคุ้มค่าที่จะอ้างอิงโดยตรง: "สองปีที่แล้ว เราเขียนซอร์สโค้ดด้วยมือ เราเริ่มเปลี่ยนไปเพื่อให้ agents เขียนโค้ด และตอนนี้เรากำลังเปลี่ยนไปสู่จุดที่ agents กำลังให้ agents อื่นเขียนโค้ด" เขาโต้แย้งว่าการกระโดดจาก agentic AI ไปเป็น looping AI มีความสำคัญเท่ากับการกระโดดจากการเขียนโค้ดด้วยมือไปเป็น agents

Loop ที่แท้จริงมีลักษณะอย่างไรในทางปฏิบัติ? เชอร์นีอธิบายการตั้งค่าของเขาเอง ในการพูดคุย: agent หนึ่งตรวจสอบอย่างต่อเนื่องเพื่อหาวิธีปรับปรุงสถาปัตยกรรมโค้ด อีก agent หนึ่งค้นหาการแยกส่วนที่ซ้ำกันที่สามารถรวมได้ ทั้งสองส่งคำขอ pull เหมือนผู้มีส่วนร่วมมนุษย์ทั่วไป เนื่องจากฐานโค้ดเปลี่ยนแปลงอยู่เสมอ agent ไม่มีตัวใดหยุดทำงาน ไม่มีเส้นชัยสุดท้าย — เพียงแค่การปรับปรุงอย่างต่อเนื่องในพื้นหลัง

นี่ไม่ใช่อาณาเขตที่ค่อนข้างใหม่ Recursive loops เป็นสิ่งประจำของวิทยาศาสตร์คอมพิวเตอร์ตั้งแต่เริ่มต้น — ฟังก์ชันที่เรียกตัวเองจนกว่าจะตรงตามเงื่อนไข สิ่งที่แตกต่างที่นี่คือเงื่อนไขการหยุดไม่ได้กำหนดไว้ล่วงหน้า sub-agent ตัดสินใจว่าเมื่อใดที่ loop ทำเพียงพอ ไม่ใช่กฎที่เขียนโค้ดแบบ hard-coded ความไม่กำหนดไว้ล่วงหน้านั้นคือสิ่งที่ทำให้สิ่งนี้รู้สึกว่าแท้จริงใหม่

การใช้งานที่ได้รับความนิยมอยู่แล้วในชุมชนนักพัฒนาคือ Ralph Loop — ตั้งชื่อ ด้วยความเฉลียวฉลาด ตามชื่อ Ralph Wiggum — ซึ่งทำงานโดยสรุปทุกสิ่งที่โมเดลได้สำเร็จจนถึงตอนนี้และถามว่าเป้าหมายได้รับการบรรลุหรือไม่ เป็นวิธีที่เรียบง่าย แต่มีประสิทธิภาพในการหยุดโมเดล AI จากการเบี่ยงเบนเมื่อทำงานเป็นระยะเวลานาน โดยพื้นฐานแล้วจะทำให้โมเดลเด้งระหว่างการกระทำและการประเมินตนเองจนกว่างานจะเสร็จสิ้น

นอกจากนี้ยังมีการเชื่อมต่อกับการผลักดันที่กว้างขึ้นสำหรับการคำนวณเวลาทดสอบมากขึ้น — แนวคิดที่ว่าโมเดลสามารถสร้างผลลัพธ์ที่ดีขึ้นได้โดยใช้เวลามากขึ้นในการให้เหตุผลแทนที่จะปรับขนาดพารามิเตอร์ Loops พอดีกับกรอบนั้น: แทนที่จะเป็นการส่งผ่านการอนุมานครั้งเดียวขนาดใหญ่ คุณจะได้รับการปรับปรุงแบบวนซ้ำอย่างต่อเนื่องเมื่อเวลาผ่านไป

ทำไมจึงมีความสำคัญสำหรับเอเชีย

ระบบนิเวศของนักพัฒนาในเอเชียเคยเคลื่อนไหวอย่างรวดเร็วในการนำมาใช้ แต่เงื่อนไขโครงสร้างที่นี่ทำให้ paradigm looping มีความเกี่ยวข้องเป็นพิเศษ พรสวรรค์ด้านวิศวกรรมในเอเชียตะวันออกเฉียงใต้ อินเดีย และเอเชียตะวันออกกำลังเติบโตอย่างรวดเร็ว แต่ชั่วโมงวิศวกรรมอาวุโส ยังคงมีราคาแพงและหายากเมื่อเทียบกับขนาดของซอฟต์แวร์ที่ต้องสร้าง Agent ในพื้นหลังที่ปรับโครงสร้างฐานโค้ดของคุณอย่างต่อเนื่อง จับการแยกส่วนที่ซ้ำกัน และส่ง PRs โดยไม่ถูกขอ — นั่นไม่ใช่ตัวคูณผลผลิต มันเป็นการเปลี่ยนแปลงโครงสร้างในสิ่งที่ทีมเล็ก ๆ สามารถรักษาได้

พิจารณาสตาร์ทอัพห้าคนในจาการ์ตาหรือโฮจิมินห์ซิตี้ที่ส่งมอบผลิตภัณฑ์ fintech พวกเขากำลังจัดการกับฐานโค้ดที่เติบโตเร็วกว่าที่ทีมของพวกเขาสามารถตรวจสอบได้ หนี้ทางเทคนิคสะสมไม่ใช่เพราะว่าใครคนหนึ่งไม่ระมัดระวัง แต่เพราะว่าไม่มีชั่วโมงเพียงพอ Agent ปรับโครงสร้างที่คงอยู่ในพื้นหลัง — ประเภทที่เชอร์นีอธิบาย — แก้ไขข้อจำกัดนั้นอย่างแน่นอน มันไม่ได้แทนที่วิศวกร มันจัดการกับประเภทของงานที่วิศวกรเลื่อนออกไปเสมอ

นอกจากนี้ยังมีมิติภาษาที่มีความสำคัญเป็นพิเศษสำหรับเอเชีย เครื่องมือและเอกสารส่วนใหญ่ในระบบนิเวศ AI agent นั้นเป็นภาษาอังกฤษก่อน Loops โดยธรรมชาติแล้วเป็นนามธรรมมากขึ้น — พวกเขาทำงานที่ระดับโค้ด โดยที่อุปสรรคด้านภาษามีความสำคัญน้อยลง Agent ที่ปรับปรุงสถาปัตยกรรม TypeScript หรือ Python ของคุณไม่จำเป็นต้องเข้าใจภาษาบาหاสาอินโดนีเซีย หรือภาษาจีนกลางเพื่อทำงาน นั่นทำให้ looping agents เข้าถึงได้มากขึ้นทันทีสำหรับทีมพัฒนาเอเชียมากกว่าความสามารถ AI อื่น ๆ ที่หลายอย่างขึ้นอยู่กับความเข้าใจภาษาธรรมชาติที่ละเอียดอ่อน

ฉากเทคโนโลยีเอเชียยังได้เร็วกว่าส่วนใหญ่ในการทดลองกับสถาปัตยกรรมหลายตัวแทน โดยเฉพาะอย่างยิ่งในการทำให้เป็นอัตโนมัติขององค์กร บริษัทที่สร้างบนแพลตฟอร์มเช่น MonstarX กำลังคิดในแง่ของตัวแทนที่ประสานงานกับกันและกัน ไม่ใช่เพียงการอนุมานแบบโมเดลเดียว แนวคิด loop พอดีกับแบบจำลองทางจิตใจนั้นอย่างธรรมชาติ — มันเป็นการกระโดดแนวคิดน้อยกว่าสำหรับทีมที่ทำงานกับเวิร์กโฟลว์ agentic อยู่แล้ว

ความเสี่ยงแน่นอนคือ loops ที่ทำงานโดยไม่มีการควบคุมที่เพียงพอสามารถรวมข้อผิดพลาดได้ง่ายเท่าที่พวกเขารวมการปรับปรุง Agent ที่ผิดเกี่ยวกับสิ่งที่ประกอบด้วยนามธรรมที่ดีจะยังคงผิดอยู่ ในระดับ ตลอดไป ความท้าทายด้านการปกครองนั้นเป็นจริง และเป็นสิ่งที่ทีมเอเชียจะต้องคิดอย่างจริงจังเมื่อพวกเขานำรูปแบบเหล่านี้มาใช้

นี่หมายถึงอะไรสำหรับนักพัฒนา

หากคุณกำลังสร้างสรรค์ด้วย AI วันนี้ loops จะเปลี่ยนแบบจำลองทางจิตใจของคุณเกี่ยวกับสิ่งที่ระบบกำลังทำ คุณไม่ได้ส่งพรอมต์และรอการตอบสนองอีกต่อไป คุณกำลังกำหนดค่าของกระบวนการที่คงอยู่ — กระบวนการที่มีเป้าหมาย ตัดสินใจ และสร้างผลลัพธ์อย่างต่อเนื่อง นั่นใกล้เคียงกับการจ้างผู้รับเหมาแล้ว

ในทางปฏิบัติ นี่คือความหมายของวิธีการสร้าง:

• กำหนดขอบเขตของตัวแทนของคุณให้แคบ Agents ของเชอร์นีแต่ละตัวมีอำนาจที่กำหนดไว้อย่างชัดเจนและแคบ — ตัวหนึ่งมองหาการปรับปรุงสถาปัตยกรรม อีกตัวหนึ่งสำหรับการแยกส่วนที่ซ้ำกัน พวกเขาไม่ทำทุกอย่าง ยิ่งขอบเขตแคบเท่าไหร่ loop ก็ยิ่งน้อยที่จะเบี่ยงเบนไปยังอาณาเขตที่อาจเกิดความเสียหาย
• สร้างการประเมินผลลัพธ์เข้าไปใน loop Ralph Loop ทำงานเพราะมันบังคับให้โมเดลตรวจสอบความก้าวหน้าของตัวเอง Loop ใด ๆ ที่คุณเรียกใช้ควรมีขั้นตอนการประเมินผลที่ฝังอยู่ — ไม่ว่าจะเป็น sub-agent ชุดทดสอบ หรือประตูการตรวจสอบของมนุษย์สำหรับ PRs ที่สูงกว่าเกณฑ์ความซับซ้อนที่กำหนด
• ปฏิบัติต่อผลลัพธ์ loop เหมือน contributor PRs Agents ของเชอร์นีส่ง pull requests นั่นคือนามธรรมที่ถูกต้อง อย่า auto-merge ตรวจสอบผลลัพธ์ loop ในลักษณะเดียวกับที่คุณจะตรวจสอบงานของนักพัฒนาจูเนียร์ — โดยให้ความสนใจว่าการเปลี่ยนแปลงนั้นถูกต้องหรือไม่ ไม่ใช่แค่ว่ามันคอมไพล์ได้
• เริ่มต้นด้วย read-only loops ก่อนที่คุณจะให้ agent เขียนและส่ง ให้เรียกใช้ในโหมดการสังเกต ให้มันแสดงสิ่งที่มันจะเปลี่ยนโดยไม่ต้องเปลี่ยนอะไรจริง ๆ นั่นให้ความรู้สึกว่าการตัดสินใจของมันน่าเชื่อถือหรือไม่ก่อนที่คุณจะมอบสิทธิ์การเขียน
• ตรวจสอบการเบี่ยงเบนเมื่อเวลาผ่านไป Loop ที่ทำงานเป็นเวลาหลายวันหรือหลายสัปดาห์สามารถสะสมข้อผิดพลาดเล็ก ๆ ที่รวมกัน ตั้งค่าการบันทึกที่ให้คุณตรวจสอบสิ่งที่ loop ได้ทำ ไม่ใช่เพียงสิ่งที่มันกำลังทำอยู่ในปัจจุบัน

เครื่องมือสำหรับสิ่งนี้ยังคงอยู่ในขั้นตอนการพัฒนา นักพัฒนาส่วนใหญ่วันนี้กำลังเย็บ loops ด้วยตนเอง — ใช้กรอบการจัดการ สคริปต์การประเมินผลลัพธ์แบบกำหนดเอง และ prompt engineering จำนวนมาก แต่ primitives กำลังกลายเป็นชัดเจนมากขึ้น และแพลตฟอร์มที่รองรับการดำเนินการ agent ที่คงอยู่พร้อมการจัดการสถานะที่เหมาะสมจะกลายเป็นมีค่ามากขึ้นอย่างมีนัยสำคัญเมื่อรูปแบบนี้แพร่กระจาย

สำหรับทีมที่ใช้ MonstarX ความสามารถในการกำหนดค่า agent ที่มีสถานะและการประเมินผลลัพธ์ที่ชัดเจนนั้นเป็นสิ่งที่ต้องการ