• แชตบอต
• AI ผู้ช่วยเขียนโค้ด
• ระบบอัตโนมัติสำหรับธุรกิจ

แต่ Karpathy เลือกกลับไปทำงานในระดับที่ลึกที่สุดของเทคโนโลยี นั่นคือ การฝึกโมเดลพื้นฐาน (pre‑training)

ที่ Anthropic เขาเข้าร่วมทีมที่รับผิดชอบกระบวนการฝึกโมเดลขนาดมหึมา ซึ่งเป็นขั้นตอนที่สร้างความรู้ ความสามารถในการให้เหตุผล และทักษะการเขียนโค้ดของโมเดลอย่าง Claude ก่อนที่จะนำไปปรับแต่งเพิ่มเติมหรือสร้างผลิตภัณฑ์จริง

การปรับปรุงในขั้นตอนนี้สามารถส่งผลต่อทุกแอปพลิเคชันที่ใช้โมเดลนั้น จึงถือเป็นหนึ่งในชั้นเทคโนโลยีที่มีความสำคัญเชิงกลยุทธ์ที่สุดของ AI ในปัจจุบัน

ทำไม Karpathy ถึงเป็นบุคลากรที่หาได้ยาก

Karpathy มีประสบการณ์ที่ผสมผสานระหว่าง งานวิจัยระดับลึก และ การนำ AI ไปใช้จริงในระบบขนาดใหญ่

• เป็นหนึ่งในผู้ร่วมก่อตั้ง OpenAI และทำงานด้าน deep learning ในช่วงแรกขององค์กร
• เคยเป็นผู้อำนวยการด้าน AI และ Autopilot Vision ของ Tesla พัฒนาเทคโนโลยีสำหรับรถขับเคลื่อนอัตโนมัติ

นักวิจัย AI หลายคนอาจมีประสบการณ์ด้านวิชาการอย่างเดียว ในขณะที่ผู้บริหารผลิตภัณฑ์มักเน้นการนำเทคโนโลยีไปใช้งาน แต่ Karpathy เคยทำทั้งสองด้าน

สำหรับห้องแล็บที่ทำงานกับโมเดลระดับแนวหน้าอย่าง Anthropic ความสามารถในการเชื่อมต่อ งานวิจัยพื้นฐานกับระบบจริง กลายเป็นสิ่งที่มีค่ามากขึ้นเรื่อย ๆ

จากการศึกษา AI สู่แนวคิด “Vibe Coding”

ก่อนหน้าที่จะเข้าร่วม Anthropic Karpathy ได้หันไปให้ความสนใจด้านการศึกษา

ในปี 2024 เขาก่อตั้ง Eureka Labs ซึ่งเป็นแพลตฟอร์มการศึกษาที่ใช้ AI ช่วยสอนวิชาทางเทคนิค

แนวคิดนี้สะท้อนความสนใจของเขาเกี่ยวกับวิธีที่มนุษย์จะเรียนรู้และทำงานร่วมกับ AI

เขายังเป็นคนที่ทำให้คำว่า “vibe coding” กลายเป็นที่รู้จัก โดยอธิบายรูปแบบการเขียนโปรแกรมที่นักพัฒนาใช้ AI สนทนาเพื่อช่วยสร้างและปรับปรุงโค้ดแทนการเขียนทุกบรรทัดด้วยตัวเอง

แนวคิดนี้สำคัญมาก เพราะในยุคปัจจุบัน ความสามารถในการเขียนโค้ดกลายเป็นหนึ่งในตัวชี้วัดหลักของ LLM รุ่นใหม่ และโมเดลอย่าง Claude ถูกใช้งานอย่างแพร่หลายในฐานะผู้ช่วยนักพัฒนา

Anthropic กลายเป็นศูนย์รวมของนักวิจัยระดับแนวหน้า

การย้ายของ Karpathy ยังสะท้อนแนวโน้มใหญ่ในอุตสาหกรรม

Anthropic ถูกก่อตั้งในปี 2021 โดยอดีตผู้บริหาร OpenAI อย่าง Dario Amodei และ Daniela Amodei โดยมีเป้าหมายสร้างระบบ AI ที่ทรงพลังพร้อมเน้นความปลอดภัยและการควบคุมได้

ในช่วงไม่กี่ปีที่ผ่านมา บริษัทได้กลายเป็นหนึ่งในคู่แข่งสำคัญของ OpenAI ในการแข่งขันสร้างโมเดลภาษา AI ขั้นสูง

เมื่อบุคลากรระดับท็อปย้ายระหว่างห้องแล็บ AI ผลกระทบอาจสูงกว่าที่เห็น เพราะในงานวิจัยระดับแนวหน้า ทีมเล็ก ๆ มักเป็นผู้กำหนดวิธีฝึกโมเดล แนวทางการประเมิน และแนวคิดสถาปัตยกรรมของโมเดลรุ่นใหม่ทั้งรุ่น

สิ่งที่การย้ายครั้งนี้บอกเกี่ยวกับอนาคต AI

การเข้าร่วม Anthropic ของ Karpathy ส่งสัญญาณสำคัญสามประการเกี่ยวกับทิศทางของ AI

อย่างแรก การพัฒนาโมเดลพื้นฐานยังไม่ถึงจุดอิ่มตัว แม้ผลิตภัณฑ์ AI จะเติบโตอย่างรวดเร็ว แต่ความก้าวหน้าครั้งใหญ่ยังอาจมาจากการปรับปรุงวิธีฝึกโมเดลและสถาปัตยกรรม

อย่างที่สอง บุคลากรยังเป็นทรัพยากรสำคัญที่สุด ในการแข่งขัน AI นักวิจัยเพียงไม่กี่คนสามารถกำหนดทิศทางของโปรเจกต์ฝึกโมเดลมูลค่าหลายพันล้านดอลลาร์ได้

และอย่างสุดท้าย Anthropic กำลังตอกย้ำตำแหน่งของตัวเองในฐานะหนึ่งในห้องแล็บ AI แนวหน้าที่สามารถดึงดูดนักวิจัยระดับโลกได้

เมื่อมองรวมกัน การย้ายของ Karpathy บอกเราว่าเฟสต่อไปของการแข่งขัน AI อาจไม่ได้ตัดสินกันแค่ที่ผลิตภัณฑ์หรือฐานผู้ใช้ แต่จะอยู่ที่คำถามสำคัญกว่า: ใครสามารถผลักดันขีดความสามารถของโมเดลพื้นฐานให้ก้าวไปอีกขั้นได้ก่อน—and ใครคือคนที่ทำสิ่งนั้นได้จริง

• แชตบอต
• AI ผู้ช่วยเขียนโค้ด
• ระบบอัตโนมัติสำหรับธุรกิจ

แต่ Karpathy เลือกกลับไปทำงานในระดับที่ลึกที่สุดของเทคโนโลยี นั่นคือ การฝึกโมเดลพื้นฐาน (pre‑training)

ที่ Anthropic เขาเข้าร่วมทีมที่รับผิดชอบกระบวนการฝึกโมเดลขนาดมหึมา ซึ่งเป็นขั้นตอนที่สร้างความรู้ ความสามารถในการให้เหตุผล และทักษะการเขียนโค้ดของโมเดลอย่าง Claude ก่อนที่จะนำไปปรับแต่งเพิ่มเติมหรือสร้างผลิตภัณฑ์จริง

การปรับปรุงในขั้นตอนนี้สามารถส่งผลต่อทุกแอปพลิเคชันที่ใช้โมเดลนั้น จึงถือเป็นหนึ่งในชั้นเทคโนโลยีที่มีความสำคัญเชิงกลยุทธ์ที่สุดของ AI ในปัจจุบัน

ทำไม Karpathy ถึงเป็นบุคลากรที่หาได้ยาก

Karpathy มีประสบการณ์ที่ผสมผสานระหว่าง งานวิจัยระดับลึก และ การนำ AI ไปใช้จริงในระบบขนาดใหญ่

• เป็นหนึ่งในผู้ร่วมก่อตั้ง OpenAI และทำงานด้าน deep learning ในช่วงแรกขององค์กร
• เคยเป็นผู้อำนวยการด้าน AI และ Autopilot Vision ของ Tesla พัฒนาเทคโนโลยีสำหรับรถขับเคลื่อนอัตโนมัติ

นักวิจัย AI หลายคนอาจมีประสบการณ์ด้านวิชาการอย่างเดียว ในขณะที่ผู้บริหารผลิตภัณฑ์มักเน้นการนำเทคโนโลยีไปใช้งาน แต่ Karpathy เคยทำทั้งสองด้าน

สำหรับห้องแล็บที่ทำงานกับโมเดลระดับแนวหน้าอย่าง Anthropic ความสามารถในการเชื่อมต่อ งานวิจัยพื้นฐานกับระบบจริง กลายเป็นสิ่งที่มีค่ามากขึ้นเรื่อย ๆ

จากการศึกษา AI สู่แนวคิด “Vibe Coding”

ก่อนหน้าที่จะเข้าร่วม Anthropic Karpathy ได้หันไปให้ความสนใจด้านการศึกษา

ในปี 2024 เขาก่อตั้ง Eureka Labs ซึ่งเป็นแพลตฟอร์มการศึกษาที่ใช้ AI ช่วยสอนวิชาทางเทคนิค

แนวคิดนี้สะท้อนความสนใจของเขาเกี่ยวกับวิธีที่มนุษย์จะเรียนรู้และทำงานร่วมกับ AI

เขายังเป็นคนที่ทำให้คำว่า “vibe coding” กลายเป็นที่รู้จัก โดยอธิบายรูปแบบการเขียนโปรแกรมที่นักพัฒนาใช้ AI สนทนาเพื่อช่วยสร้างและปรับปรุงโค้ดแทนการเขียนทุกบรรทัดด้วยตัวเอง

แนวคิดนี้สำคัญมาก เพราะในยุคปัจจุบัน ความสามารถในการเขียนโค้ดกลายเป็นหนึ่งในตัวชี้วัดหลักของ LLM รุ่นใหม่ และโมเดลอย่าง Claude ถูกใช้งานอย่างแพร่หลายในฐานะผู้ช่วยนักพัฒนา

Anthropic กลายเป็นศูนย์รวมของนักวิจัยระดับแนวหน้า

การย้ายของ Karpathy ยังสะท้อนแนวโน้มใหญ่ในอุตสาหกรรม

Anthropic ถูกก่อตั้งในปี 2021 โดยอดีตผู้บริหาร OpenAI อย่าง Dario Amodei และ Daniela Amodei โดยมีเป้าหมายสร้างระบบ AI ที่ทรงพลังพร้อมเน้นความปลอดภัยและการควบคุมได้

ในช่วงไม่กี่ปีที่ผ่านมา บริษัทได้กลายเป็นหนึ่งในคู่แข่งสำคัญของ OpenAI ในการแข่งขันสร้างโมเดลภาษา AI ขั้นสูง

เมื่อบุคลากรระดับท็อปย้ายระหว่างห้องแล็บ AI ผลกระทบอาจสูงกว่าที่เห็น เพราะในงานวิจัยระดับแนวหน้า ทีมเล็ก ๆ มักเป็นผู้กำหนดวิธีฝึกโมเดล แนวทางการประเมิน และแนวคิดสถาปัตยกรรมของโมเดลรุ่นใหม่ทั้งรุ่น

สิ่งที่การย้ายครั้งนี้บอกเกี่ยวกับอนาคต AI

การเข้าร่วม Anthropic ของ Karpathy ส่งสัญญาณสำคัญสามประการเกี่ยวกับทิศทางของ AI

อย่างแรก การพัฒนาโมเดลพื้นฐานยังไม่ถึงจุดอิ่มตัว แม้ผลิตภัณฑ์ AI จะเติบโตอย่างรวดเร็ว แต่ความก้าวหน้าครั้งใหญ่ยังอาจมาจากการปรับปรุงวิธีฝึกโมเดลและสถาปัตยกรรม

อย่างที่สอง บุคลากรยังเป็นทรัพยากรสำคัญที่สุด ในการแข่งขัน AI นักวิจัยเพียงไม่กี่คนสามารถกำหนดทิศทางของโปรเจกต์ฝึกโมเดลมูลค่าหลายพันล้านดอลลาร์ได้

และอย่างสุดท้าย Anthropic กำลังตอกย้ำตำแหน่งของตัวเองในฐานะหนึ่งในห้องแล็บ AI แนวหน้าที่สามารถดึงดูดนักวิจัยระดับโลกได้

เมื่อมองรวมกัน การย้ายของ Karpathy บอกเราว่าเฟสต่อไปของการแข่งขัน AI อาจไม่ได้ตัดสินกันแค่ที่ผลิตภัณฑ์หรือฐานผู้ใช้ แต่จะอยู่ที่คำถามสำคัญกว่า: ใครสามารถผลักดันขีดความสามารถของโมเดลพื้นฐานให้ก้าวไปอีกขั้นได้ก่อน—and ใครคือคนที่ทำสิ่งนั้นได้จริง