- รายงานที่บริษัทร่วมลงทุน a16z คาดการณ์ เทรนด์สำคัญของอุตสาหกรรมเทคโนโลยีในปี 2026 โดยรวบรวมมุมมองของพาร์ตเนอร์จากทีมลงทุนในหมวด อินฟราสตรักเจอร์, การเติบโต, ไบโอ·เฮลท์, สปีดรัน, พลวัตของอเมริกา, แอป, คริปโต
- AI agent จะผลักดันให้มีการออกแบบโครงสร้างพื้นฐานองค์กรใหม่อย่างถึงราก โดย การจัดระเบียบข้อมูลแบบมัลติโหมดและโครงสร้างพื้นฐานที่เป็น agent-native จะกลายเป็นโจทย์สำคัญ
- ในซอฟต์แวร์องค์กร ความสำคัญของระบบบันทึกหลัก (System of Record) จะลดลง และเปลี่ยนไปสู่เอนจินเวิร์กโฟลว์อัตโนมัติที่ AI อ่าน เขียน และให้เหตุผลกับข้อมูลได้โดยตรง
- Stablecoin จะกลายเป็นวิธีชำระเงินกระแสหลัก ขณะที่ การออกสินทรัพย์บนเชนและบล็อกเชนด้านความเป็นส่วนตัว จะกลายเป็นจุดสร้างความแตกต่าง
- คาดว่าปีนี้จะเป็น "Year of Me" ที่บริการ AI แบบเฉพาะบุคคลจะมอบ ประสบการณ์ที่ปรับให้เหมาะกับแต่ละคนสำหรับผู้คนวงกว้าง ในการศึกษา สุขภาพ และสื่อ
# [Infrastructure]
สตาร์ตอัปที่กำลังทำให้ความโกลาหลของข้อมูลมัลติโหมดเชื่องลง - Jennifer Li
- ข้อมูลไร้โครงสร้างและข้อมูลแบบมัลติโหมด ที่องค์กรถือครองอยู่เป็นทั้งคอขวดใหญ่ที่สุดของการนำ AI มาใช้ และเป็นทรัพย์สินที่ยังไม่ได้ใช้ประโยชน์มากที่สุด
- มี PDFs, สกรีนช็อต, วิดีโอ, ล็อก, อีเมล และข้อมูลกึ่งมีโครงสร้างสะสมอยู่ทั่วทั้งองค์กร
- ประสิทธิภาพของโมเดลดีขึ้นอย่างรวดเร็ว แต่ข้อมูลนำเข้ากลับยิ่งสับสนมากขึ้น
- ส่งผลให้เกิด hallucination ของระบบ RAG และข้อผิดพลาดเล็ก ๆ แต่มีต้นทุนสูงของเอเจนต์
- เวิร์กโฟลว์งานสำคัญยังคงพึ่งพา QA โดยมนุษย์อย่างมาก
- ปัจจัยจำกัดของบริษัท AI กำลังย้ายจาก compute ไปเป็น data entropy
- ในสภาพแวดล้อมข้อมูลไร้โครงสร้าง ความสดใหม่ โครงสร้าง และความจริงแท้ ของข้อมูลเสื่อมลงอย่างต่อเนื่อง
- ราว 80% ของความรู้ในองค์กรอยู่ในพื้นที่ไร้โครงสร้างนี้
- การคลี่คลายข้อมูลไร้โครงสร้างกำลังกลายเป็น โอกาสระดับรุ่น
- ต้องมีระบบที่คอย จัดระเบียบ จัดโครงสร้าง ตรวจสอบ และกำกับดูแล ข้อมูลมัลติโหมดอย่างต่อเนื่อง
- จึงจะทำให้ AI workload ชั้นล่างทำงานได้อย่างน่าเชื่อถือจริง
- ขอบเขตการใช้งานกำลังขยายไปสู่เวิร์กโฟลว์ระดับองค์กรแทบทั้งหมด
- การวิเคราะห์สัญญา, onboarding, การจัดการเคลม, compliance, การสนับสนุนลูกค้า, การจัดซื้อ
- การค้นหาด้านวิศวกรรม, การสนับสนุนการขาย, analytics pipeline
- รวมถึงเวิร์กโฟลว์ของเอเจนต์ทุกแบบที่พึ่งพา บริบทที่เชื่อถือได้
- จุดชี้ขาดอยู่ที่เลเยอร์แพลตฟอร์ม
- ดึงโครงสร้าง ออกจากเอกสาร ภาพ และวิดีโอ
- ประสานความขัดแย้งของข้อมูล และ กู้คืน pipeline
- ทำให้ข้อมูล อัปเดตอยู่เสมอ และ ค้นหาได้ตลอดเวลา
- เข้ายึดแกนกลางของความรู้และกระบวนการในองค์กร
AI จะฟื้นการจ้างงานด้านไซเบอร์ซีเคียวริตี้ - Joel de la Garza
- ปัญหาใหญ่ที่สุดของไซเบอร์ซีเคียวริตี้ในช่วง 10 ปีที่ผ่านมา คือ การจ้างงาน
- ระหว่างปี 2013 ถึง 2021 ตำแหน่งงานความปลอดภัยที่ยังไม่สามารถเติมคนได้เพิ่มจาก ต่ำกว่า 1 ล้าน → 3 ล้านตำแหน่ง
- แก่นของปัญหาอยู่ที่โครงสร้างงานความปลอดภัยระดับ 1
- จ้างคนทักษะสูงมาทำ งานซ้ำ ๆ ที่สิ้นเปลืองอย่างการรีวิวล็อก
- แทบไม่มีใครอยากทำงานแบบนี้ต่อเนื่อง
- องค์กรความปลอดภัยสร้างงานจิปาถะให้ตัวเอง
- นำผลิตภัณฑ์ความปลอดภัยที่ตรวจจับทุกอย่างมาใช้
- ผลลัพธ์คือเกิดโครงสร้างที่ มนุษย์ต้องตรวจทุกการแจ้งเตือน
- สิ่งนี้สร้าง ภาวะขาดแคลนแรงงานลวง ไม่ใช่การขาดแคลนจริง
- ในปี 2026 AI จะตัดวงจรอุบาทว์นี้
- ทำงานอัตโนมัติ ให้กับงานความปลอดภัยที่ซ้ำซ้อนและทำซ้ำได้จำนวนมาก
- งานของทีมความปลอดภัยขนาดใหญ่ ครึ่งหนึ่ง สามารถแก้ได้ด้วยระบบอัตโนมัติ
- ปัญหาที่ยากที่สุดคือการตัดสินใจว่าควรทำอะไรให้อัตโนมัติ
- เมื่อจมอยู่กับงาน ก็ไม่สามารถระบุผู้สมัครสำหรับการทำอัตโนมัติได้
- เครื่องมือความปลอดภัยแบบ AI-native จะเข้ามาตัดสินใจแทนในเรื่องนี้
- ปลดปล่อยทีมความปลอดภัยจากงานซ้ำ ๆ
- ทำให้โฟกัสกับการไล่ล่าผู้โจมตี สร้างระบบ และอุดช่องโหว่ได้
อินฟราสตรักเจอร์แบบ agent-native จะกลายเป็นข้อกำหนดพื้นฐาน - Malika Aubakirova
- แรงกระแทกใหญ่ที่สุดของอินฟราสตรักเจอร์ในปี 2026 จะไม่ได้มาจากภายนอก แต่เกิดจาก การเปลี่ยนแปลงภายใน
- ออกจากทราฟฟิกของมนุษย์ที่คาดเดาได้และมี concurrency ต่ำ
- ไปสู่ workload ความเร็วระดับเอเจนต์ ที่มีลักษณะ recursive และระเบิดตัว ซึ่งจะกลายเป็นมาตรฐาน
- แบ็กเอนด์องค์กรแบบเดิมถูกออกแบบโดยยึดมนุษย์เป็นศูนย์กลาง
- สมมติให้หนึ่งพฤติกรรมของมนุษย์เท่ากับหนึ่งการตอบสนองของระบบ
- ไม่ได้คำนึงถึงสถานการณ์ที่เป้าหมายเดียวของเอเจนต์สร้าง งานย่อยหลายพันงาน พร้อมกัน
- งานปกติของเอเจนต์จะดูเหมือนการโจมตีสำหรับระบบเก่า
- การรีแฟกเตอร์โค้ดและการแก้ไข security log ถูกมองเป็น ทราฟฟิก DDoS
- แกนหลักของการรับมือคือ การออกแบบ control plane ใหม่
- อินฟราสตรักเจอร์แบบ agent-native จะกลายเป็นข้อกำหนดพื้นฐาน
- มอง thundering herd pattern เป็นสภาวะปกติ ไม่ใช่ข้อยกเว้น
- เกณฑ์ด้านประสิทธิภาพจะเปลี่ยนไปโดยสิ้นเชิง
- ลด cold start ให้ต่ำที่สุด
- ทำลายความผันผวนของ latency
- เพิ่มขีดจำกัด concurrency เป็นระดับหลักสิบเท่า
- คอขวดไม่ใช่การคำนวณ แต่เป็น coordination
- การ routing, locking, การจัดการสถานะ และการบังคับใช้นโยบาย จะกลายเป็นหัวใจของการประมวลผลแบบขนานขนาดใหญ่
- มีเพียงแพลตฟอร์มที่ทนต่อสภาพแวดล้อมที่การเรียกใช้เครื่องมือหลั่งไหลเข้ามาอย่างท่วมท้นได้เท่านั้นที่จะอยู่รอด
เครื่องมือสร้างสรรค์จะพัฒนาเป็นมัลติโหมด - Justine Moore
- AI มีองค์ประกอบหลักของการเล่าเรื่องครบแล้ว
- สามารถสร้างเสียง ดนตรี ภาพ และวิดีโอได้
- ปัญหาคือ การควบคุม
- เมื่อพ้นจากคลิปครั้งเดียวสั้น ๆ ไปแล้ว การได้ผลลัพธ์ที่ต้องการจะยากและต้นทุนพุ่งสูง
- ยังห่างไกลจากระดับการควบคุมแบบผู้กำกับดั้งเดิม
- ผู้สร้างต้องการ การตัดต่อมัลติโหมดที่อิงจากข้อมูลอ้างอิง
- ป้อนวิดีโอ 30 วินาทีเป็นอินพุต แล้วเพิ่มตัวละครใหม่เพื่อให้ฉากดำเนินต่อ
- สร้างฉากใหม่ให้เหมือนถ่ายจากมุมกล้องอื่น
- สร้างการเคลื่อนไหวซ้ำให้เหมือนกับวิดีโออ้างอิง
- ปี 2026 จะเป็น ปีแห่งมัลติโหมด AI
- ใช้คอนเทนต์อ้างอิงได้ไม่ว่าจะอยู่ในรูปแบบใด
- การสร้างฉากใหม่และการแก้ไขฉากเดิมจะเชื่อมต่อกันอย่างเป็นธรรมชาติ
- มีผลิตภัณฑ์ระยะแรกอย่าง Kling O1 และ Runway Aleph ปรากฏแล้ว
- ยังต้องมีนวัตกรรมเพิ่มเติมทั้งในเลเยอร์โมเดลและเลเยอร์แอปพลิเคชัน
- การผลิตคอนเทนต์คือ killer use case ของ AI
- ก่อให้เกิดตลาดขนาดใหญ่ตั้งแต่คนทำมีมไปจนถึงผู้กำกับฮอลลีวูด
AI-native data stack ยังคงพัฒนาอย่างต่อเนื่อง - Jason Cui
- ในช่วง 1 ปีที่ผ่านมา modern data stack รวมศูนย์อย่างรวดเร็ว
- โครงสร้างแบ่งงานตามการเก็บรวบรวม การแปลง และ compute กำลังพังทลาย
- การบันเดิลและแพลตฟอร์มแบบรวมศูนย์ กลายเป็นมาตรฐาน
- การควบรวมของ Fivetran/dbt และการเติบโตของ Databricks แสดงให้เห็นเรื่องนี้
- แม้อีโคซิสเต็มจะดูโตเต็มที่ แต่ โครงสร้าง AI-native ที่แท้จริง ยังอยู่ในระยะเริ่มต้น
- อินฟราสตรักเจอร์ข้อมูลและอินฟราสตรักเจอร์ AI กำลังหลอมรวมกันแบบแยกไม่ออก
- Vector database กำลังกลายเป็นองค์ประกอบหลัก
- และโครงสร้างที่ทำงานร่วมกับข้อมูลแบบมีโครงสร้างจะกลายเป็นมาตรฐาน
- โจทย์สำคัญในยุคเอเจนต์คือ ปัญหาเรื่องบริบท
- ต้องเข้าถึงข้อมูลที่ถูกต้องและ semantic layer ได้อย่างต่อเนื่อง
- ต้องรักษา คำจำกัดความทางธุรกิจที่สอดคล้องกัน ข้ามหลาย system of record
- เครื่องมือ BI และสเปรดชีตจะเปลี่ยนไปโดยสิ้นเชิง
- เวิร์กโฟลว์ข้อมูลกำลังเปลี่ยนไปสู่ การมีเอเจนต์เป็นศูนย์กลางและเน้นระบบอัตโนมัติ
ปีแห่งการเข้าไปอยู่ในวิดีโอ - Yoko Li
- ในปี 2026 วิดีโอจะไม่ใช่สื่อที่ถูกบริโภคแบบเฉื่อย ๆ อีกต่อไป
- แต่จะกลายเป็นพื้นที่ที่ เข้าไปอยู่และทำกิจกรรมได้จริง
- โมเดลวิดีโอจัดการกับเวลาและความสอดคล้องได้
- จดจำฉากก่อนหน้าได้
- ตอบสนองต่อพฤติกรรมของผู้ใช้ได้
- รักษา ความสอดคล้องต่อเนื่อง คล้ายโลกกายภาพ
- ก้าวออกจากการสร้างวิดีโอสั้น ๆ ที่ขาดตอน
- ตัวละคร วัตถุ และฟิสิกส์คงอยู่ได้นานพอ
- ทำให้การดำเนินเรื่องที่พฤติกรรมนำไปสู่ผลลัพธ์เป็นไปได้
- วิดีโอจะเปลี่ยนเป็น สื่อที่สร้างสิ่งต่าง ๆ ได้
- หุ่นยนต์ใช้ฝึกซ้อม
- เกมพัฒนาต่อได้
- นักออกแบบใช้ทำต้นแบบ
- เอเจนต์ลงมือทำและเรียนรู้ได้โดยตรง
- ผลลัพธ์จะไม่ใช่คลิป แต่เป็น สภาพแวดล้อมที่มีชีวิต
- ช่องว่างระหว่างการรับรู้กับการกระทำแคบลงอย่างมาก
- เกิดความรู้สึกราวกับได้มีตัวตนอยู่จริงภายในวิดีโอที่สร้างขึ้น
# [Growth]
ยุคของ System of Record กำลังสิ้นสุดลง - Sarah Wang
- การเปลี่ยนแปลงที่แท้จริงของซอฟต์แวร์องค์กรในปี 2026 คือ System of Record กำลังสูญเสียสถานะศูนย์กลาง
- AI แทบจะลบระยะห่างระหว่าง เจตนา (intent) และการลงมือทำ (execution) ออกไป
- โมเดลสามารถอ่าน เขียน และให้เหตุผลกับข้อมูลการปฏิบัติงานได้โดยตรงทั่วทั้งระบบ
- ITSM และ CRM เปลี่ยนจากที่เก็บข้อมูลธรรมดาไปเป็น เอนจินเวิร์กโฟลว์อัตโนมัติ
- บทบาทของระบบกำลังขยายตัวจากความก้าวหน้าของโมเดลการให้เหตุผลและเวิร์กโฟลว์ของเอเจนต์
- ไม่ได้แค่ตอบสนอง แต่ยังทำ การคาดการณ์ การประสานงาน และการดำเนินงานแบบ end-to-end ได้ด้วย
- ศูนย์กลางของอินเทอร์เฟซกำลังเปลี่ยนไป
- แทนที่ UI แบบยึดหน้าจอเป็นหลักด้วย เลเยอร์เอเจนต์แบบไดนามิก ที่ขึ้นมาอยู่แนวหน้า
- System of Record เดิมถูกดันถอยไปเป็น ชั้นจัดเก็บข้อมูล (persistence tier)
- อำนาจเชิงกลยุทธ์กำลังย้ายมือ
- ประเด็นสำคัญไม่ใช่ว่าใครเป็นผู้เก็บข้อมูล
- แต่คือใครจะครอบครอง สภาพแวดล้อมการปฏิบัติงานอัจฉริยะ ที่พนักงานใช้จริง
Vertical AI พัฒนาไปสู่โหมดผู้เล่นหลายฝ่าย - Alex Immerman
- Vertical AI กำลังเติบโตด้วยความเร็วที่ไม่เคยมีมาก่อน
- ในภาคสุขภาพ กฎหมาย และที่อยู่อาศัย สามารถทำ ARR เกิน $100M ได้ภายในเวลาเพียงไม่กี่ปี
- ด้านการเงินและบัญชีก็กำลังไล่ตามมาอย่างรวดเร็ว
- ขั้นแรกของวิวัฒนาการคือ การค้นคืนข้อมูล
- ค้นหา ดึงออกมา และสรุปข้อมูลที่ต้องการ
- ในปี 2025 จะขยับไปสู่ขั้นของ การให้เหตุผล (reasoning)
- Hebbia วิเคราะห์งบการเงินและสร้างโมเดล
- Basis กระทบยอดงบทดลองจากหลายระบบ
- EliseAI วินิจฉัยปัญหาการซ่อมบำรุงและเรียกผู้ให้บริการที่เหมาะสม
- ในปี 2026 โหมด ผู้เล่นหลายฝ่าย จะเปิดขึ้น
- ซอฟต์แวร์แนวตั้งมีจุดแข็งในด้าน UI เฉพาะโดเมน ข้อมูล และการเชื่อมต่อระบบ
- แต่การทำงานจริงโดยธรรมชาติคือ โครงสร้างการทำงานร่วมกันหลายฝ่าย
- หากเอเจนต์จะทำงานแทนแรงงานมนุษย์ การทำงานร่วมกันคือสิ่งจำเป็น
- ผู้ซื้อและผู้ขาย
- ผู้เช่า ที่ปรึกษา และผู้ให้บริการ
- ผู้เข้าร่วมแต่ละฝ่ายมีสิทธิ์ เวิร์กโฟลว์ และข้อกำหนดด้านคอมพลายแอนซ์ที่ต่างกัน
- ปัจจุบัน AI ยังทำงานแบบแยกขาดจากกัน
- AI ที่วิเคราะห์สัญญาไม่ได้เชื่อมกับ CFO
- AI ด้านซ่อมบำรุงไม่รู้กำหนดนัดของเจ้าหน้าที่ภาคสนาม
- Multi-player AI จะเข้ามาประสานสิ่งเหล่านี้
- จัดเส้นทางงานระหว่างผู้มีส่วนได้ส่วนเสีย
- รักษาคอนเท็กซ์
- ซิงก์การเปลี่ยนแปลง
- ให้ AI ฝั่งตรงข้ามเจรจาภายในขอบเขตที่กำหนด
- ยกระดับความไม่สมดุลไปสู่การตรวจทานโดยมนุษย์
- การแก้ไขของพาร์ตเนอร์อาวุโสจะกลายเป็นการเรียนรู้ของทั้งองค์กร
- ยิ่งมูลค่าที่สร้างจากการทำงานร่วมกันสูงขึ้น ต้นทุนการเปลี่ยนระบบ ก็ยิ่งเพิ่มขึ้น
- เกิด network effect ที่แอป AI ไม่เคยมีมาก่อน
- ตัวเลเยอร์การทำงานร่วมกันเองก็กลายเป็น คูเมืองทางธุรกิจ (moat)
สร้างเพื่อเอเจนต์ ไม่ใช่มนุษย์ - Stephenie Zhang
- ตั้งแต่ปี 2026 เป็นต้นไป ผู้คนจะใช้งานเว็บผ่าน เอเจนต์ของตนเอง
- องค์ประกอบที่เคยสำคัญภายใต้มาตรฐานการบริโภคโดยมนุษย์จะไม่ทำงานแบบเดิมอีกต่อไป
- วิธีการทำ optimization แบบเดิมตั้งอยู่บนสมมติฐานของพฤติกรรมมนุษย์
- การทำอันดับสูงในผลค้นหา
- การได้ขึ้นหน้าแรกของ marketplace
- การจัดโครงสร้างที่เริ่มด้วย TL;DR
- มนุษย์อาจพลาดประโยคสำคัญ แต่เอเจนต์จะไม่พลาด
- แม้เป็นประโยคสำคัญที่ซ่อนอยู่ในหน้า 5 เอเจนต์ก็หาเจอได้ทันที
- การเปลี่ยนแปลงนี้ยังใช้กับการออกแบบซอฟต์แวร์ด้วย
- แอปถูกออกแบบโดยยึดสายตาและการคลิกของมนุษย์เป็นหลัก
- เกณฑ์การทำ optimization คือ UI ที่ดีและโฟลว์ที่ใช้งานได้อย่างเป็นธรรมชาติ
- เมื่อเอเจนต์เข้ามารับหน้าที่ตีความและค้นหา เกณฑ์ก็เปลี่ยนไป
- การออกแบบภาพไม่ใช่องค์ประกอบหลักของความเข้าใจอีกต่อไป
- แทนที่วิศวกรจะดู Grafana AI SRE จะตีความ telemetry แล้วสรุปลง Slack
- แทนที่ทีมขายจะคุ้ยหาใน CRM เอเจนต์จะให้แพตเทิร์นและสรุปโดยอัตโนมัติ
- จากนี้ไป การออกแบบจะทำเพื่อ เอเจนต์ ไม่ใช่มนุษย์
- เป้าหมายของ optimization จะไม่ใช่ลำดับชั้นทางสายตา แต่เป็น ความสามารถในการอ่านโดยเครื่อง
- การเปลี่ยนแปลงนี้จะพลิกทั้งวิธีการสร้างสรรค์และตัวเครื่องมือเอง
KPI แบบ screen time ในแอป AI กำลังหมดความหมาย - Santiago Rodriguez
- ตลอด 15 ปีที่ผ่านมา screen time คือดัชนีหลักของการส่งมอบคุณค่า
- เวลาการรับชม Netflix
- จำนวนคลิกใน EHR ทางการแพทย์
- เวลาใช้งาน ChatGPT
- ตัวชี้วัดนี้จะใช้ไม่ได้ผลในไม่ช้า
- เมื่อการคิดค่าบริการตามผลลัพธ์แพร่หลายมากขึ้น
- แรงจูงใจของผู้ขายและผู้ใช้งานก็จะสอดคล้องกัน
- และตัวชี้วัดแรกที่หายไปก็คือ screen time
- การเปลี่ยนแปลงนี้ปรากฏขึ้นแล้วในโลกจริง
- ChatGPT DeepResearch สร้างคุณค่าได้มากแม้แทบไม่ต้องมองหน้าจอ
- Abridge จับบทสนทนาระหว่างการรักษาโดยอัตโนมัติและจัดการงานต่อเนื่องให้
- Cursor สร้างทั้งแอป ทำให้นักพัฒนาหันไปออกแบบรอบถัดไปได้
- Hebbia สร้าง deck จากเอกสารเปิดเผยข้อมูลหลายร้อยฉบับ และคืนเวลานอนให้กับนักวาณิชธนกิจ
- ความท้าทายใหม่จึงเกิดขึ้น
- หากจะตัดสินใจว่าจะเก็บเงินต่อผู้ใช้เท่าไร ก็ต้องมี การวัด ROI ที่ซับซ้อนยิ่งขึ้น
- แอป AI เพิ่มคุณค่าในหลายมิติพร้อมกัน
- ความพึงพอใจของแพทย์
- ผลิตภาพของนักพัฒนา
- คุณภาพชีวิตของนักวิเคราะห์การเงิน
- ความสุขของผู้บริโภค
- บริษัทที่อธิบาย ROI ได้ง่ายที่สุดจะเป็นผู้นำตลาด
# [Bio + Health]
การมาถึงของ MAU ที่มีสุขภาพดี - Julie Yoo
- ในปี 2026 Healthy MAUs (MAU ที่มีสุขภาพดี) จะกลายเป็นกลุ่มลูกค้าหลักของเฮลท์แคร์
- แม้ยังไม่ได้ป่วยในตอนนี้
- แต่เป็นผู้บริโภคที่ต้องการ เข้าใจและติดตามสุขภาพของตนอย่างต่อเนื่อง
- ระบบเฮลท์แคร์แบบเดิมมุ่งเน้นผู้ใช้ 3 กลุ่มมาโดยตลอด
- Sick MAUs: ผู้ป่วยที่มีค่าใช้จ่ายสูงและมีความต้องการการรักษาที่พุ่งขึ้นเป็นช่วง ๆ
- Sick DAUs: ผู้ใช้ที่ต้องการการรักษาอย่างเข้มข้นและต่อเนื่อง เช่น ผู้ป่วยหนักหรือผู้ป่วยโรคเรื้อรัง
- Healthy YAUs: ผู้ใช้ที่ค่อนข้างสุขภาพดีและแทบไม่ไปโรงพยาบาล
- Healthy YAUs มีความเสี่ยงที่จะ กลายเป็น Sick MAUs หรือ Sick DAUs ได้ทุกเมื่อ
- การดูแลเชิงป้องกันสามารถชะลอความเร็วของการเปลี่ยนผ่านนี้ได้
- ปัญหาอยู่ที่โครงสร้างผลตอบแทนแบบเดิม
- ระบบค่าตอบแทนทางการแพทย์แบบ reactive ที่ยึดการรักษาเป็นศูนย์กลาง ให้รางวัลกับการรักษามากกว่าการป้องกัน
- การเข้าถึงบริการตรวจติดตามหรือเช็กอินเป็นประจำยังต่ำ
- ประกันแทบไม่จ่ายให้กับบริการที่เน้นการป้องกัน
- Healthy MAUs จะเข้ามาเติมช่องว่างนี้
- แม้จะยังไม่ป่วยในตอนนี้
- แต่ต้องการตรวจสอบและทำความเข้าใจสภาวะสุขภาพของตนซ้ำ ๆ อย่างต่อเนื่อง
- และมีโอกาสสูงที่จะกลายเป็น กลุ่มศักยภาพที่ใหญ่ที่สุด ในบรรดาผู้บริโภคทั้งหมด
- คลื่นบริการที่เจาะกลุ่มลูกค้านี้เริ่มต้นขึ้นแล้ว
- สตาร์ตอัป AI-native
- บริการที่รีแพ็กเกจใหม่ จากบริษัทเฮลท์แคร์เดิม
- ทั้งหมดกำลังขยับไปสู่การให้บริการแบบประจำและแบบสมัครสมาชิก
- AI กำลังลดโครงสร้างต้นทุนของการให้บริการเฮลท์แคร์
- การทำ monitoring และการวิเคราะห์แบบอัตโนมัติ
- การลดการพึ่งพาบุคลากร
- ความเป็นไปได้ของผลิตภัณฑ์ประกันที่เน้นการป้องกันเริ่มเปิดกว้าง
- ผู้บริโภคก็คุ้นเคยกับ โมเดลสมัครสมาชิกที่จ่ายเอง มากขึ้นเรื่อย ๆ
- Healthy MAUs จะกลายเป็นกลุ่มลูกค้าหลักของเฮลท์เทครุ่นถัดไป
- มีส่วนร่วมอย่างต่อเนื่อง
- ขับเคลื่อนด้วยข้อมูล
- และลงมือแบบ เน้นการป้องกัน
# [Speedrun]
World model จะขึ้นมาเป็นศูนย์กลางของการเล่าเรื่อง - Jon Lai
- ภายในปี 2026 world model ที่ขับเคลื่อนด้วย AI จะกลายเป็นแกนกลางของการเล่าเรื่อง
- รูปแบบใหม่ที่อิงกับโลกเสมือนแบบโต้ตอบได้และ เศรษฐกิจดิจิทัล จะถือกำเนิดขึ้น
- Marble (World Labs) และ Genie 3 (DeepMind) สร้าง สภาพแวดล้อม 3D ที่สมบูรณ์ ได้จากเพียง text prompt
- ผู้ใช้สามารถเข้าไปสำรวจโลกนั้นได้ด้วยตัวเองเหมือนเล่นเกม
- เมื่อครีเอเตอร์เริ่มนำเครื่องมือเหล่านี้ไปใช้ รูปแบบการเล่าเรื่องแบบใหม่ทั้งหมด ก็จะเกิดขึ้น
- โลกขนาดใหญ่ที่เปิดให้ร่วมกันสร้างสรรค์ได้จะถูกสร้างขึ้น
- ท้ายที่สุดจะพัฒนาไปสู่รูปแบบที่ใกล้เคียงกับ ‘Minecraft แบบ generative’
- กลไกของเกมและการเขียนโปรแกรมด้วยภาษาธรรมชาติจะถูกผสานเข้าด้วยกัน
- คำสั่งอย่าง “สร้างพู่กันที่เปลี่ยนทุกสิ่งที่แตะให้เป็นสีชมพู” จะทำงานเป็นกฎของโลก
- เส้นแบ่งระหว่างผู้เล่นกับผู้สร้างจะเลือนหายไป
- ผู้ใช้จะไม่ใช่แค่ผู้บริโภค แต่กลายเป็น ผู้ร่วมประพันธ์
- จะเกิดเป็น multiverse แบบ generative ที่เชื่อมต่อถึงกัน
- แนวอย่างแฟนตาซี สยองขวัญ และผจญภัย จะอยู่ร่วมกันในระบบนิเวศเดียว
- เศรษฐกิจดิจิทัลภายในโลกเหล่านี้จะคึกคักขึ้น
- การสร้างแอสเซ็ต
- การแนะนำผู้ใช้ใหม่
- การสร้างรายได้จากการพัฒนาเครื่องมือปฏิสัมพันธ์แบบใหม่
- โลกเหล่านี้จะถูกใช้เกินกว่าความบันเทิง ไปเป็น สภาพแวดล้อมสำหรับการจำลอง
- การฝึก AI agent
- การเรียนรู้ของหุ่นยนต์
- และต่อยอดไปเป็นพื้นที่ทดลองสำหรับ AGI
- การผงาดขึ้นของ world model ไม่ใช่แค่แนวการเล่นรูปแบบใหม่ แต่คือการเกิดขึ้นของ สื่อสร้างสรรค์รูปแบบใหม่และแนวหน้าทางเศรษฐกิจ
‘ปีของฉัน’ - Josh Lu
- ปี 2026 คือ “The Year of Me” ปีที่ผลิตภัณฑ์จะเปลี่ยนจากการผลิตจำนวนมากไปสู่ การปรับแต่งเฉพาะบุคคล
- การเปลี่ยนแปลงได้เริ่มขึ้นแล้วในภาคการศึกษา
- สตาร์ทอัพอย่าง Alphaschool มอบ AI tutor ที่ปรับตามความเร็วและความสนใจใคร่รู้ของนักเรียนแต่ละคน
- นี่คือระดับของการปรับให้เป็นรายบุคคลที่ในอดีตต้องใช้ค่าเรียนพิเศษหลายหมื่นดอลลาร์ต่อเด็กหนึ่งคนจึงจะทำได้
- ในด้านสุขภาพ การปรับให้เป็นรายบุคคลก็จะกลายเป็นเรื่องปกติในชีวิตประจำวัน
- AI จะออกแบบ ชุดอาหารเสริม แผนการออกกำลังกาย และรูทีนการกิน ที่ตรงกับข้อมูลชีวภาพของแต่ละคน
- ทำได้โดยไม่ต้องพึ่งเทรนเนอร์หรือห้องแล็บ
- สื่อก็จะถูกทำให้เป็นส่วนตัวเช่นกัน
- ข่าว รายการ และเรื่องเล่าจะถูกจัดเรียบเรียงใหม่ให้เข้ากับความสนใจและโทนของแต่ละบุคคล
- ผู้ชนะของศตวรรษที่ผ่านมา คือบริษัทที่ค้นพบ ผู้บริโภคโดยเฉลี่ย
- ผู้ชนะของศตวรรษถัดไป คือบริษัทที่ค้นพบ ปัจเจกบุคคลที่ซ่อนอยู่ในค่าเฉลี่ย
- ปี 2026 คือจุดที่โลกจะเลิกเพิ่มประสิทธิภาพให้กับ ‘ทุกคน’ และเริ่ม เพิ่มประสิทธิภาพให้กับ ‘คุณ’
มหาวิทยาลัย AI-native แห่งแรก - Emily Bennett
- ในปี 2026 จะมี มหาวิทยาลัย AI-native เกิดขึ้น
- เป็นสถาบันการศึกษาที่ถูกออกแบบขึ้นใหม่ตั้งแต่ต้นโดยมีระบบอัจฉริยะเป็นแกนกลาง
- มหาวิทยาลัยแบบเดิมได้นำ AI มาใช้เพียงบางส่วน
- จำกัดอยู่ในระดับการตรวจให้คะแนน การสอนเสริม และการจัดตาราง
- ตอนนี้กำลังจะมี องค์กรวิชาการที่เรียนรู้และปรับให้เหมาะสมได้ด้วยตัวเอง เกิดขึ้น
- ตั้งแต่การเรียนการสอน การแนะแนว ความร่วมมือด้านวิจัย ไปจนถึงการบริหารอาคาร จะปรับตัวผ่าน data feedback loop
- ทุกองค์ประกอบของมหาวิทยาลัยจะเปลี่ยนแปลงแบบเรียลไทม์
- ตารางเรียนจะปรับให้เหมาะสมได้เอง
- รายการอ่านจะอัปเดตทุกคืนเพื่อสะท้อนงานวิจัยล่าสุด
- เส้นทางการเรียนรู้จะถูกปรับทันทีให้เข้ากับความเร็วและบริบทของนักศึกษา
- มีตัวอย่างสัญญาณนำมาก่อนแล้ว
- ASU ดำเนินโครงการ AI หลายร้อยโครงการผ่านความร่วมมือระดับทั้งองค์กรกับ OpenAI
- SUNY บรรจุ AI literacy เป็นวิชาบังคับในหลักสูตรการศึกษาทั่วไป
- บทบาทของอาจารย์ในมหาวิทยาลัย AI-native จะเปลี่ยนไป
- ไม่ใช่ผู้ถ่ายทอดความรู้ แต่เป็น ผู้ออกแบบการเรียนรู้
- ทำหน้าที่คัดสรรข้อมูลและปรับแต่งโมเดล
- สอนให้นักศึกษารับมือกับการให้เหตุผลของเครื่องจักรอย่างมีวิจารณญาณ
- วิธีการประเมินก็จะเปลี่ยนตาม
- การตรวจจับการลอกผลงานและการห้ามใช้จะหายไป
- จะประเมินว่าใช้ AI อย่างไร
- ความโปร่งใสและการใช้อย่างพอดีจะกลายเป็นเกณฑ์
- อุตสาหกรรมทั่วทุกภาคส่วนต้องการบุคลากรที่สามารถออกแบบ ดำเนินงาน และทำงานร่วมกับ AI ได้
- มหาวิทยาลัย AI-native จะกลายเป็น เครื่องยนต์ผลิตกำลังคนของเศรษฐกิจใหม่
# [American Dynamism]
การสร้างฐานอุตสาหกรรม AI-native - David Ulevitch
- ภาคส่วนที่สร้างพลังแท้จริงให้เศรษฐกิจสหรัฐฯ กำลังกลับมาอยู่แถวหน้าอีกครั้ง
- พลังงาน การผลิต โลจิสติกส์ และโครงสร้างพื้นฐานกลับมาเป็นแกนหลัก
- การเปลี่ยนแปลงที่สำคัญที่สุดคือการเกิดขึ้นของ ฐานอุตสาหกรรม AI-native ที่แท้จริงและ software-first
- เริ่มต้นจากการจำลอง การออกแบบแบบอัตโนมัติ และการปฏิบัติการที่ขับเคลื่อนด้วย AI
- ไม่ใช่การทำสิ่งเก่าให้ทันสมัย แต่เป็นการ สร้างคนรุ่นถัดไปขึ้นใหม่ตั้งแต่ต้น
- โอกาสใหม่กำลังเปิดขึ้นทั่วทั้งภาคอุตสาหกรรม
- ระบบพลังงานขั้นสูง
- การผลิตอุตสาหกรรมหนักที่ขับเคลื่อนด้วยหุ่นยนต์
- อุตสาหกรรมเหมืองแร่ยุคถัดไป
- กระบวนการเคมีที่อิงชีววิทยาและเอนไซม์ ซึ่งเป็นรากฐานของทุกอุตสาหกรรม
- AI กำลังออกแบบกระบวนการหลักของอุตสาหกรรมใหม่
- การออกแบบ reactor ที่สะอาดขึ้น
- การเพิ่มประสิทธิภาพการสกัดทรัพยากร
- วิศวกรรมเอนไซม์ที่ดีขึ้น
- การจูนฝูงเครื่องจักรอัตโนมัติอย่างแม่นยำ
- โลกนอกโรงงานก็กำลังถูกจัดองค์ประกอบใหม่
- เซนเซอร์อัตโนมัติและโดรน
- โมเดล AI รุ่นล่าสุดจะทำให้ท่าเรือ ทางรถไฟ โครงข่ายไฟฟ้า ท่อส่ง ฐานทัพ และดาต้าเซ็นเตอร์ มองเห็นได้อย่างต่อเนื่อง
- โลกแห่งความจริงต้องการซอฟต์แวร์แบบใหม่
- ผู้ก่อตั้งที่สร้างมันขึ้นมาจะเป็นผู้กำหนด ความรุ่งเรืองของอเมริกาในศตวรรษหน้า
การฟื้นคืนชีพของโรงงานอเมริกัน - Erin Price-Wright
- ศตวรรษอันยิ่งใหญ่ครั้งแรกของอเมริกาถูกสร้างขึ้นบนพื้นฐานของ ขีดความสามารถทางอุตสาหกรรม
- แต่จากการ offshoring และความล้มเหลวในการสร้างสิ่งต่าง ๆ ทั่วทั้งสังคม ทำให้สูญเสียศักยภาพไปมาก
- ตอนนี้มันเริ่มขยับอีกครั้ง
- การเกิดใหม่ของโรงงานอเมริกัน ที่มีซอฟต์แวร์และ AI เป็นแกนกลางกำลังดำเนินอยู่
- ในปี 2026 ทั้งภาคอุตสาหกรรมจะเข้าหาปัญหาด้วย แนวคิดแบบโรงงาน
- ใช้ได้กับพลังงาน เหมืองแร่ การก่อสร้าง และการผลิตทั้งหมด
- หัวใจสำคัญคือการผสาน AI และ autonomy แบบ modular + แรงงานทักษะสูง
- ทำให้กระบวนการที่ปรับเฉพาะและซับซ้อนทำงานได้เหมือนสายการประกอบ
- แนวทางนี้ทำให้สิ่งต่อไปนี้เป็นไปได้
- ผ่านกฎระเบียบและใบอนุญาตที่ซับซ้อนได้อย่างรวดเร็วและทำซ้ำได้
- ย่นรอบการออกแบบและออกแบบโดยคำนึงถึงการผลิตตั้งแต่แรก
- จัดการการประสานงานของโครงการขนาดใหญ่ได้อย่างมีประสิทธิภาพ
- เร่งงานที่ยากหรืออันตรายสำหรับมนุษย์ด้วยระบบอัตโนมัติ
- นำแนวคิดแบบ Henry Ford มาใช้ ตั้งแต่ Day 0
- ออกแบบโดยตั้งสมมติฐานเรื่องขนาดและการทำซ้ำได้
- แล้วผสานเข้ากับ AI สมัยใหม่
- ผลลัพธ์กำลังปรากฏอย่างรวดเร็ว
- การผลิต reactor จำนวนมาก
- การขยายอุปทานที่อยู่อาศัย
- การก่อสร้างดาต้าเซ็นเตอร์ความเร็วสูงมาก
- แนวคิดที่ว่า “โรงงานคือตัวผลิตภัณฑ์” กำลังกลับมาเป็นจริงอีกครั้ง
- เรากำลังก้าวเข้าสู่ ยุคทองทางอุตสาหกรรม ครั้งใหม่
คลื่นลูกถัดไปของ observability จะไม่ใช่ดิจิทัล แต่เป็นกายภาพ - Zabie Elmgren
- ตลอด 10 ปีที่ผ่านมา software observability ทำให้ระบบดิจิทัลโปร่งใสขึ้น
- ทำความเข้าใจโค้ดและเซิร์ฟเวอร์ผ่าน log, metric และ trace
- นวัตกรรมแบบเดียวกันกำลังขยายไปสู่ โลกกายภาพ
- ขณะนี้มี กล้องและเซนเซอร์มากกว่า 1 พันล้านตัว ถูกติดตั้งอยู่ทั่วสหรัฐฯ แล้ว
- ทำให้ observability ของโลกกายภาพ เพื่อเข้าใจเมือง โครงข่ายไฟฟ้า และโครงสร้างพื้นฐานแบบเรียลไทม์ กลายเป็นทั้งเรื่องเร่งด่วนและเป็นไปได้
- ชั้นการรับรู้นี้จะเปิดประตูสู่ขั้นถัดไปของหุ่นยนต์และ autonomy
- เครื่องจักรต้องการ fabric กลางที่ใช้รับรู้โลกกายภาพได้เหมือนรับรู้โค้ด
- แต่ความเสี่ยงก็มาพร้อมกัน: เทคโนโลยีตรวจจับไฟป่าและป้องกันอุบัติเหตุในอุตสาหกรรมอาจกลายไปเป็นดิสโทเปียแห่งการเฝ้าระวังได้เช่นกัน
- ผู้ชนะคือ บริษัทที่ได้รับความไว้วางใจ: รักษาความเป็นส่วนตัว, ทำงานร่วมกันได้, และ AI-native
- เราต้องการระบบที่ทำให้สังคมเข้าใจได้มากขึ้น โดยไม่ทำให้เสรีภาพลดลง
- ผู้ที่สร้าง fabric แห่งความไว้วางใจนี้จะเป็นผู้กำหนด observability ในอีก 10 ปีข้างหน้า
สแต็กไฟฟ้า-อุตสาหกรรมกำลังขับเคลื่อนโลก - Ryan McEntush
- การปฏิวัติอุตสาหกรรมครั้งถัดไปจะไม่ได้เกิดขึ้นแค่ในโรงงานเท่านั้น แต่จะเกิดขึ้น ภายในส่วนประกอบของเครื่องจักร ด้วย
- ซอฟต์แวร์ได้เปลี่ยนวิธีคิดและการออกแบบ และตอนนี้กำลังเปลี่ยนแปลง การเคลื่อนที่·การก่อสร้าง·การผลิต
- กำลังเกิดการบรรจบกันของไฟฟ้า วัสดุ และ AI
- มีการนำ การควบคุมด้วยซอฟต์แวร์อย่างแท้จริง เข้าสู่โลกกายภาพ
- เครื่องจักรสามารถรับรู้ เรียนรู้ และลงมือทำได้ด้วยตัวเอง
- นี่คือ electro-industrial stack
- เทคโนโลยีฐานรากของรถยนต์ไฟฟ้า โดรน ดาต้าเซ็นเตอร์ และการผลิตสมัยใหม่
- เชื่อมโยงเทคโนโลยีที่ขยับอะตอมเข้ากับบิต
- องค์ประกอบของสแตก
- การกลั่นแร่ → ชิ้นส่วน
- พลังงานที่เก็บไว้ในแบตเตอรี่
- ไฟฟ้าที่ควบคุมด้วยเพาเวอร์อิเล็กทรอนิกส์
- การเคลื่อนไหวที่ส่งผ่านด้วยมอเตอร์ความแม่นยำสูง
- ซอฟต์แวร์ที่ประสานทุกอย่างเข้าด้วยกัน
- นี่คือรากฐานที่มองไม่เห็นของระบบอัตโนมัติในโลกกายภาพ ซึ่งสร้างความแตกต่างระหว่างซอฟต์แวร์ที่ใช้เรียกแท็กซี่กับ ซอฟต์แวร์ที่จับพวงมาลัยเอง
- ความสามารถในการสร้างสแตกนี้กำลังอ่อนแอลง: การกลั่นวัสดุหลักและการผลิตชิปขั้นสูง
- หากสหรัฐฯ ต้องการเป็นผู้นำยุคอุตสาหกรรมถัดไป ก็จำเป็นต้อง ผลิตฮาร์ดแวร์ด้วยตัวเอง
- ประเทศที่ครอบครอง electro-industrial stack จะเป็นผู้กำหนด อนาคตของเทคโนโลยีอุตสาหกรรมและการทหาร
- ซอฟต์แวร์เคยกลืนโลก และตอนนี้กำลังขับเคลื่อนโลก
ห้องปฏิบัติการอัตโนมัติเร่งการค้นพบทางวิทยาศาสตร์ - Oliver Hsu
- ความสามารถของโมเดลกำลังก้าวหน้าในทุกด้านของมัลติโหมด
- ความสามารถในการควบคุมหุ่นยนต์ก็ดีขึ้นอย่างต่อเนื่อง
- เมื่อสองกระแสนี้มาบรรจบกัน จึงเกิด ห้องปฏิบัติการอัตโนมัติ
- ตั้งสมมติฐาน - ออกแบบการทดลอง - ดำเนินการ - ให้เหตุผลและวิเคราะห์ผลลัพธ์ - ทำซ้ำเพื่อกำหนดทิศทางการวิจัยถัดไป
- วงจร end-to-end ของการค้นพบทางวิทยาศาสตร์ถูกปิดครบโดยอัตโนมัติ
- ทีมที่สร้างห้องปฏิบัติการลักษณะนี้โดยแก่นแท้แล้วเป็นทีมแบบ บูรณาการข้ามสาขา: AI, หุ่นยนต์, ฟิสิกส์·ชีววิทยาศาสตร์, การผลิต, การปฏิบัติการ
- การทดลองแบบไร้คนควบคุม (lights-out) ทำให้เกิด การทดลองต่อเนื่อง ได้
- ความเร็วของการค้นพบเพิ่มขึ้นอย่างก้าวกระโดดในหลายสาขา
สงครามครูเสดข้อมูลสู่แกนอุตสาหกรรม - Will Bitsky
- แกนกลางของวาทกรรม AI ในปี 2025 คือ ข้อจำกัดด้านคอมพิวต์และดาต้าเซ็นเตอร์
- แกนกลางของปี 2026 คือ ข้อจำกัดด้านข้อมูล และสนามรบข้อมูลแห่งใหม่ ซึ่งก็คือ อุตสาหกรรมแกนหลัก
- ในอุตสาหกรรมแกนหลักยังมี ข้อมูลไร้โครงสร้าง จำนวนมหาศาลที่ยังหลับใหลอยู่: การเดินรถบรรทุก การอ่านค่ามิเตอร์ งานบำรุงรักษา กระบวนการผลิต การประกอบและการทดสอบ เป็นต้น
- ทุกกระบวนการเหล่านี้จะกลายเป็นข้อมูลฝึกโมเดล และสิ่งสำคัญไม่ใช่แค่ว่าทำอะไร แต่คือ ทำอย่างไร
- ปัญหาคือภาคอุตสาหกรรมยังขาดแนวคิดเรื่องข้อมูล: การเก็บรวบรวม การทำ annotation และการฝึกโมเดลยังไม่อยู่ในภาษาของอุตสาหกรรม
- ความต้องการข้อมูลกำลังพุ่งสูงอย่างมาก
- Scale, Mercor และสถาบันวิจัย AI กำลังเก็บข้อมูลกระบวนการอย่างเข้มข้น
- พึ่งพาข้อมูลแบบทำมือที่มีต้นทุนสูง
- บริษัทอุตสาหกรรมเดิมมีความได้เปรียบเชิงโครงสร้าง
- มีโครงสร้างพื้นฐานทางกายภาพและแรงงานอยู่แล้ว
- สามารถ เก็บข้อมูลได้แทบไม่มีต้นทุนส่วนเพิ่ม
- ฝึกโมเดลเองหรือให้ไลเซนส์ภายนอกก็ได้
- สตาร์ตอัปเข้ามาสนับสนุนเรื่องนี้
- ซอฟต์แวร์สำหรับการเก็บรวบรวม·annotation·การจัดการความยินยอม
- ฮาร์ดแวร์เซนเซอร์และ SDK
- สภาพแวดล้อม reinforcement learning และไปป์ไลน์การฝึก
- ท้ายที่สุดคือให้บริการ เครื่องจักรอัจฉริยะของตัวเอง ด้วย
# [Apps]
AI เสริมความแข็งแกร่งให้กับตัวโมเดลธุรกิจเอง - David Haber
- สตาร์ตอัป AI ที่โดดเด่นไม่ได้แค่ทำงานให้เป็นอัตโนมัติ แต่ยัง ขยายโครงสร้างเศรษฐกิจของลูกค้าเอง
- ยกตัวอย่างสำนักงานกฎหมายที่คิดค่าตอบแทนตามผลสำเร็จ
- จะมีรายได้ก็ต่อเมื่อชนะคดี
- บริษัทอย่าง Eve ใช้ ข้อมูลผลลัพธ์ของคดี เพื่อคาดการณ์โอกาสชนะ
- จึงคัดเลือกคดีได้ดีขึ้น รับลูกค้าได้มากขึ้น และชนะบ่อยขึ้น
- AI ไม่ได้เป็นเพียงเครื่องมือลดต้นทุน แต่ เพิ่มรายได้โดยตรง
- ในปี 2026 ตรรกะนี้จะขยายไปทั่วทุกอุตสาหกรรม
- AI จะสอดคล้องกับแรงจูงใจของลูกค้าได้ลึกยิ่งขึ้น
- สร้าง ความได้เปรียบเชิงการแข่งขันแบบทบต้น ที่ซอฟต์แวร์แบบเดิมตามไม่ทัน
ChatGPT จะกลายเป็น AI app store - Anish Acharya
- วงจรผลิตภัณฑ์ผู้บริโภคต้องมีสามอย่าง
- เทคโนโลยีใหม่
- พฤติกรรมผู้บริโภคใหม่
- ช่องทางการจัดจำหน่ายใหม่
- AI ตอบโจทย์สองข้อแรกแล้ว แต่ยังไม่มี ช่องทางการจัดจำหน่ายเฉพาะตัว และต้องพึ่งเครือข่ายเดิมอย่าง X หรือการบอกต่อ
- ตอนนี้สถานการณ์เปลี่ยนไปแล้ว
- การเปิดตัว OpenAI Apps SDK
- การรองรับมินิแอปของ Apple
- การเพิ่มฟีเจอร์ส่งข้อความแบบกลุ่มใน ChatGPT
- ตอนนี้นักพัฒนาสามารถเข้าถึง ผู้ใช้ 900 ล้านคนของ ChatGPT ได้โดยตรง
- และเติบโตไปพร้อมกับเครือข่ายมินิแอปใหม่อย่าง Wabi ได้
- เมื่อจิ๊กซอว์ชิ้นสุดท้ายเข้าที่ ปี 2026 จะเป็นจุดเริ่มต้นของ ยุคตื่นทองที่เกิดขึ้นครั้งหนึ่งในรอบ 10 ปี สำหรับคอนซูเมอร์เทค
เอเจนต์เสียงกำลังขยายอาณาเขตอย่างจริงจัง - Olivia Moore
- ตลอด 18 เดือนที่ผ่านมา voice AI ได้เปลี่ยนจากนิยายวิทยาศาสตร์เป็นความจริง: การนัดหมาย การจัดการการจอง การทำแบบสำรวจ การรับมือลูกค้าที่เข้ามา
- ปัจจุบันถูกใช้งานอย่างกว้างขวางแล้วตั้งแต่ SMB ไปจนถึงองค์กรขนาดใหญ่
- ผลลัพธ์ชัดเจน: ลดต้นทุน สร้างรายได้เพิ่ม และ ให้มนุษย์ไปทำงานที่มีมูลค่าสูงกว่า
- แต่หลายบริษัทยังอยู่ในขั้น point solution ที่รองรับเฉพาะประเภทสายโทรบางแบบ
- ขั้นต่อไปคือการขยายแบบเต็มรูปแบบ
- จัดการเวิร์กโฟลว์ทั้งหมด
- รองรับปฏิสัมพันธ์แบบมัลติโหมด
- ดูแลความสัมพันธ์กับลูกค้าตลอดทั้งวงจร
- สิ่งนี้ต้องอาศัย เอเจนต์ที่เชื่อมลึกกับระบบธุรกิจ และ สิทธิ์ในการจัดการปฏิสัมพันธ์ที่ซับซ้อนยิ่งขึ้นได้อย่างอัตโนมัติ
- ตราบใดที่ประสิทธิภาพของโมเดลยังดีขึ้นต่อเนื่อง ก็ไม่มีเหตุผลที่ทุกบริษัทจะไม่ใช้งาน AI แบบ voice-first
การมาถึงของแอปพลิเคชันเชิงรุกที่ไม่ต้องพึ่งพรอมป์ต์ - Marc Andrusko
- ปี 2026 คือ จุดจบของช่องกรอกพรอมป์ต์
- แอป AI รุ่นถัดไปจะทำงานโดยไม่ต้องมีอินพุตแบบชัดเจน: สังเกตพฤติกรรมผู้ใช้ และเสนอสิ่งต่าง ๆ ล่วงหน้า
- ตัวอย่าง
- IDE เสนอการรีแฟกเตอร์ก่อนที่ผู้ใช้จะร้องขอ
- CRM เขียนอีเมลติดตามผลทันทีหลังจบการโทร
- เครื่องมือออกแบบสร้างตัวเลือกดัดแปลงระหว่างที่กำลังทำงาน
- อินเทอร์เฟซแบบแชตเป็นเพียง ล้อช่วยพยุง
- ตอนนี้ AI กลายเป็น โครงสร้างที่มองไม่เห็น ซึ่งซึมเข้าไปทั่วทั้งเวิร์กโฟลว์
- ตอบสนองต่อ เจตนา ไม่ใช่คำสั่ง
AI กำลังสร้างรากฐานของธนาคารและประกันภัยขึ้นใหม่ - Angela Strange
- สถาบันการเงินแบบเดิมที่ผ่านมาได้นำ AI ไปครอบบนระบบเลกาซี: การรู้จำเอกสาร เอเจนต์เสียง
- การเปลี่ยนแปลงที่แท้จริงจะเกิดขึ้นเมื่อ สร้างโครงสร้างพื้นฐานขึ้นใหม่ทั้งระบบ
- ในปี 2026 ความเสี่ยงจากการไม่ใช้ AI จะมากกว่าความเสี่ยงจากความล้มเหลว
- สถาบันการเงินขนาดใหญ่จะยุติสัญญากับผู้ขายระบบเลกาซี และย้ายไปใช้ ทางเลือกแบบ AI-native
- ลักษณะของแพลตฟอร์มการเงินแบบใหม่: รวมศูนย์ ปรับมาตรฐาน และเสริมข้อมูลเลกาซีกับข้อมูลภายนอก
- ผลลัพธ์
- การทำงานแบบขนานของเวิร์กโฟลว์ในระดับมหาศาล
- ทำงานได้โดยไม่ต้องสลับไปมาระหว่างระบบ
- มองเห็นงานนับร้อยได้ในหน้าจอเดียว และเอเจนต์จัดการบางส่วนให้อัตโนมัติ
- ตัวหมวดหมู่เองก็ถูกรวมเข้าด้วยกัน
- เช่น KYC และการติดตามการแปลงสถานะถูกรวมเป็นแพลตฟอร์มความเสี่ยงเดียว
- ผู้ชนะจะเป็นบริษัทที่ ใหญ่กว่าผู้เล่นเดิม 10 เท่า
- เพราะซอฟต์แวร์เข้าไปแทนที่แรงงาน
- อนาคตของการเงินไม่ใช่การเอา AI ไปแปะบนระบบเดิม แต่คือการสร้าง ระบบปฏิบัติการใหม่ที่มี AI เป็นฐาน
กลยุทธ์ลงพื้นที่หน้างานจะกระจาย AI ไปสู่ 99% - Joe Schmidt
- จนถึงตอนนี้ ประโยชน์ของ AI กระจุกอยู่กับ 1% ในซิลิคอนวัลเลย์ เพราะการเข้าถึงทางภูมิศาสตร์และเครือข่าย VC
- ในปี 2026 กระแสนี้จะกลับด้าน: โอกาสของ AI ส่วนใหญ่อยู่ นอกซิลิคอนวัลเลย์
- ผู้ก่อตั้งรุ่นใหม่จะค้นหาโอกาสภายในอุตสาหกรรมเลกาซีด้วยแนวทางแบบ forward-deployed
- พื้นที่ที่มีโอกาสใหญ่เป็นพิเศษ:
- ที่ปรึกษาแบบดั้งเดิม
- การบูรณาการระบบ
- อุตสาหกรรมที่เคลื่อนตัวช้าอย่างภาคการผลิต
Fortune 500 จะมีชั้น orchestration และบทบาทใหม่เกิดขึ้น - Seema Amble
- องค์กรกำลังเปลี่ยนจากเครื่องมือ AI เดี่ยวไปสู่ ระบบมัลติเอเจนต์
- เอเจนต์ต้องทำงานร่วมกันเหมือนทีมดิจิทัล ทั้งการวางแผน การวิเคราะห์ และการลงมือทำ
- เพื่อสิ่งนี้ จึงมีการออกแบบ โครงสร้างงานและการไหลของคอนเท็กซ์ระหว่างระบบ ใหม่
- AskLio และ HappyRobot วางเอเจนต์ไว้กับ กระบวนการทั้งหมด ไม่ใช่แค่งานเดี่ยวแล้ว
- Fortune 500 กำลังเผชิญการเปลี่ยนแปลงครั้งใหญ่ที่สุด: ข้อมูลแบบไซโลจำนวนมหาศาล และความรู้โดยนัยที่เคยอยู่ในหัวคน
- หากทำให้สิ่งเหล่านี้กลายเป็นฐานร่วมกันได้ จะช่วยเร่งความเร็วในการตัดสินใจ ย่นรอบงาน และทำให้เกิดกระบวนการ end-to-end โดยไม่ต้องมีมนุษย์เข้ามาแทรกแซง
- บทบาทใหม่กำลังเกิดขึ้น: ผู้ออกแบบเวิร์กโฟลว์ AI, ผู้กำกับดูแลเอเจนต์, ผู้รับผิดชอบด้านธรรมาภิบาล
- มีการเพิ่ม system of coordination ไว้บน system of record
- มนุษย์จะไปโฟกัสกับ edge case ที่ซับซ้อนที่สุด
- มัลติเอเจนต์ไม่ใช่แค่ระบบอัตโนมัติแบบง่าย ๆ แต่คือการ ปรับโครงสร้างวิธีการดำเนินงานขององค์กรทั้งระบบ
Consumer AI กำลังเปลี่ยนจาก ‘ช่วยฉันหน่อย’ ไปเป็น ‘มองเห็นฉัน’ - Bryan Kim
- ปี 2026 จะเป็นปีที่ Consumer AI ขยับจาก Productivity ไปสู่ Connectivity
- AI จะก้าวข้ามการเป็นเครื่องมือช่วยทำงาน ไปสู่การ ช่วยให้เข้าใจตัวเองได้ดีขึ้นและเสริมความสัมพันธ์
- นี่เป็นพื้นที่ที่ยาก และ Social AI จำนวนมากก็ล้มเหลว
- แต่สภาพแวดล้อมเปลี่ยนไปแล้ว: คอนเท็กซ์แบบมัลติโหมดที่กว้างขึ้น และต้นทุนการให้เหตุผลที่ลดลง
- ตอนนี้ AI สามารถเรียนรู้อารมณ์จากภาพถ่าย รูปแบบการสนทนา และการเปลี่ยนแปลงของกิจวัตรตามความเครียดได้
- ลักษณะของผลิตภัณฑ์แบบ ‘see me’
- ความเต็มใจจ่ายระยะสั้นต่ำ
- อัตราการคงอยู่สูง
- ผู้คนแลกเปลี่ยนข้อมูลกับคุณค่าอยู่แล้ว
- และในไม่ช้า ผลตอบแทนจากการแลกเปลี่ยนนั้นก็จะมากพอ
โมเดล primitive แบบใหม่กำลังสร้างบริษัทที่เมื่อก่อนเป็นไปไม่ได้ - Kimberly Tan
- นวัตกรรมของโมเดลในช่วงหลังทำให้เกิดบริษัทที่ก่อนหน้านี้ไม่อาจมีอยู่ได้
- ในอดีต มันเป็นเพียงการ ปรับปรุง ผลิตภัณฑ์เดิม
- แต่ตอนนี้ ฟังก์ชันหลักของผลิตภัณฑ์เอง กลับเป็นสิ่งที่เกิดขึ้นได้จากความสามารถใหม่ของโมเดล
- ตัวอย่าง
- การตัดสินคำร้องเรียกเก็บเงินทางการเงินที่ซับซ้อน
- การวิเคราะห์เอกสารวิชาการและงานวิจัยจำนวนมหาศาล
- การดึงข้อมูลจากวิดีโอในหน้างานการผลิต
- การทำงานอัตโนมัติสำหรับงานที่ซ่อนอยู่หลังเดสก์ท็อปและ API ที่แย่
- การให้เหตุผล มัลติโหมด และการใช้คอมพิวเตอร์ กำลังเปลี่ยนโครงสร้างของอุตสาหกรรมขนาดใหญ่
AI startup ที่มีลูกค้าเป็น AI startup กำลังเติบโต - James da Costa
- ตอนนี้คือช่วง การระเบิดของการก่อตั้งบริษัท ที่ไม่เคยเกิดขึ้นมาก่อน
- บริษัทเดิมก็เร่งนำ AI มาใช้เช่นกัน
- วิธีที่สตาร์ตอัพจะชนะคือการมีบริษัทที่ยังอยู่ใน ช่วงก่อตัว เป็นลูกค้า
- หากได้บริษัทเกิดใหม่มาเป็นลูกค้าตั้งแต่ต้น ก็จะเติบโตไปพร้อมกันเมื่อพวกเขาโตขึ้น
- Stripe, Deel, Mercury และ Ramp ใช้กลยุทธ์นี้
- ลูกค้าจำนวนมากของ Stripe ก่อตั้งขึ้นหลังจาก Stripe เสียอีก
- ปี 2026 จะเป็นปีที่สตาร์ตอัพซึ่งเลือกกลยุทธ์ greenfield เริ่มขยายสเกลอย่างจริงจังในหลายพื้นที่ของซอฟต์แวร์องค์กร
- แก่นสำคัญนั้นเรียบง่าย:
- สร้างผลิตภัณฑ์ที่ดีกว่า
- และหมกมุ่นกับ ลูกค้าใหม่ ที่ยังไม่ถูกมัดไว้กับของเดิม
# [Crypto]
ความเป็นส่วนตัวจะกลายเป็น moat ที่สำคัญที่สุดในคริปโต
- หากการเงิน on-chain จะก้าวสู่กระแสหลักได้ ความเป็นส่วนตัวเป็นสิ่งจำเป็น
- แต่ที่ผ่านมา บล็อกเชนส่วนใหญ่แทบไม่มีความเป็นส่วนตัวเลย หรือให้ความสำคัญเป็นเรื่องรอง
- ตอนนี้ เพียงแค่เรื่องความเป็นส่วนตัวอย่างเดียวก็สามารถทำให้เชน แตกต่างอย่างชัดเจน ได้แล้ว
- ความเป็นส่วนตัวไม่ใช่แค่ฟีเจอร์ แต่สามารถสร้าง chain lock-in ได้
- มันยิ่งทรงพลังในโลกที่การแข่งขันด้านประสิทธิภาพเพียงอย่างเดียวไม่เพียงพออีกต่อไป
- การย้ายข้าม public chain ทำได้ง่ายเพราะมี bridging
- แต่เมื่อมีความเป็นส่วนตัวเข้ามา เรื่องจะต่างออกไป
- โทเคนย้ายได้ง่าย แต่ ความลับย้ายได้ยาก
- ความเสี่ยงที่เกิดขึ้นเมื่อเข้าออกพื้นที่ private
- ผู้ที่เฝ้าดู chain/mempool/network traffic อาจอนุมานตัวตนได้
- ทันทีที่ข้ามขอบเขต (private↔public, private↔private) จะเกิด การรั่วไหลของ metadata
- จังหวะเวลาในการทำธุรกรรม ความสัมพันธ์ของขนาดธุรกรรม ฯลฯ กลายเป็นเบาะแสให้ติดตามได้
- ค่าธรรมเนียมมีแนวโน้มถูกแข่งขันจนใกล้ 0
- blockspace กำลัง กลายเป็นสินค้าเนื้อเดียวกัน มากขึ้นเรื่อย ๆ
- เพราะฉะนั้น “เชนใหม่ที่ไม่มีจุดเด่นอะไร” จึงสร้าง network effect ที่แข็งแรงได้ยาก
- ในทางกลับกัน privacy chain มีช่องว่างที่จะสร้าง network effect ที่แข็งแรงกว่า
- ถ้าเป็นเชนแบบ general purpose ที่
- ไม่มีระบบนิเวศที่รุ่งเรืองอยู่แล้ว
- ไม่มี killer app
- และไม่มีข้อได้เปรียบด้านการกระจายแบบไม่เป็นธรรม
ก็แทบไม่มีเหตุผลให้ใช้ ให้สร้าง หรือให้ภักดีต่อมัน
- ใน public chain คำถามว่า “คุณอยู่เชนไหน” สำคัญน้อยกว่า
- เพราะทำธุรกรรมกับผู้ใช้เชนอื่นได้ง่าย
- แต่ใน private chain คำถามว่า “คุณเข้าไปอยู่เชนไหน” สำคัญกว่ามาก
- เพราะความเสี่ยงในการเปิดเผยข้อมูลตอนย้ายสูงขึ้น จึง ย้ายออกน้อยลง
- ผลลัพธ์คือ privacy chain อาจสร้าง โครงสร้างที่เข้าใกล้ผู้ชนะกินรวบ ได้
- หากการใช้งานในโลกจริงส่วนใหญ่ต้องการความเป็นส่วนตัว
- privacy chain เพียงไม่กี่รายอาจครองสัดส่วนส่วนใหญ่ของคริปโตได้
ตลาดพยากรณ์จะใหญ่ขึ้น กว้างขึ้น และฉลาดขึ้น
- ตลาดพยากรณ์ได้เข้าสู่ช่วงที่เริ่มแพร่หลายแล้ว
- ในปีหน้า เมื่อผสานคริปโตและ AI เข้าด้วยกัน ทั้ง ขนาด ขอบเขต และความฉลาด จะเพิ่มขึ้นพร้อมกัน
- จะมีการลิสต์สัญญามากขึ้นอย่างมาก
- ไม่ใช่แค่การเลือกตั้งใหญ่หรือประเด็นภูมิรัฐศาสตร์
- แต่ยังเข้าถึงผลลัพธ์ที่ซับซ้อนและเหตุการณ์ที่เชื่อมโยงกันมากขึ้นเรื่อย ๆ ในรูปแบบ ความน่าจะเป็นแบบเรียลไทม์
- ข้อมูลจากตลาดพยากรณ์ได้แทรกซึมเข้าไปในระบบนิเวศข่าวลึกขึ้นแล้ว
- ขณะเดียวกัน คำถามทางสังคมก็ยิ่งใหญ่ขึ้น
- จะถ่วงดุลคุณค่าและความเสี่ยงของข้อมูลลักษณะนี้อย่างไร
- จะออกแบบให้ โปร่งใสและตรวจสอบได้ มากขึ้นอย่างไร
- และคริปโตอาจทำให้สิ่งนี้เป็นไปได้ (โดยตั้งอยู่บนสมมติฐานว่าจะมีลิงก์บทความต่อเนื่อง)
- เมื่อจำนวนสัญญาเพิ่มขึ้น “วิธีทำให้เห็นพ้องกันว่าอะไรคือความจริง” จะกลายเป็นคอขวด
- การตัดสินแบบรวมศูนย์ (เหตุการณ์นี้เกิดขึ้นจริงหรือไม่ จะยืนยันอย่างไร) มีความสำคัญ
- แต่กรณีพิพาทก็แสดงให้เห็นถึงข้อจำกัด
- หากต้องการขยายต่อ จำเป็นต้องมีกลไกใหม่เพื่อจัดการกรณีพิพาท
- การกำกับดูแลแบบกระจายศูนย์
- LLM oracle (ช่วยตัดสิน “ความจริง” ของผลลัพธ์ที่เป็นข้อถกเถียง)
- AI ไม่ได้ขยายขอบเขตแค่ในฝั่ง oracle แต่รวมถึงด้านการเทรดด้วย
- เอเจนต์เทรดเดอร์สามารถรวบรวมสัญญาณจากทั่วโลกเพื่อสร้างความได้เปรียบระยะสั้นได้
- (กระแสอย่าง Prophet Arena เป็นตัวบอกใบ้)
- ตลาดพยากรณ์ไม่ได้มาแทนที่การสำรวจความคิดเห็น
- แต่สามารถทำให้ การสำรวจความคิดเห็นดีขึ้น ได้
- ข้อมูลโพลเองก็สามารถเป็นอินพุตให้ตลาดพยากรณ์ได้
- หนึ่งในโจทย์สำคัญคือ “การยืนยันความเป็นมนุษย์”
มอง RWA tokenization และ stablecoin ใหม่ให้เป็นคริปโตเนทีฟมากขึ้น
- ธนาคาร/ฟินเทค/ผู้จัดการสินทรัพย์
- แต่การโทเคนไนซ์ในปัจจุบันมักมีลักษณะเป็น skeuomorphic
- คือแค่ทำซ้ำแนวคิดสินทรัพย์ในโลกจริงแบบเดิม
- ยังใช้ความสามารถเฉพาะของคริปโตได้ไม่เต็มที่
- ทางเลือกคือ สินทรัพย์สังเคราะห์ โดยเฉพาะ perpetual futures (perps) ที่ทรงพลังมาก
- การทดลองที่น่าสนใจ: การ “ทำให้เป็น perp” ของหุ้นตลาดเกิดใหม่
- ในบางสินทรัพย์ 0DTE options กลับมีสภาพคล่องลึกกว่าตลาดสปอต
- จึงอาจเป็นเป้าหมายที่น่าสนใจสำหรับการทดลองทำให้เป็น perp
- ท้ายที่สุด คำถามคือ “ทำให้เป็น perp vs โทเคนไนซ์”
- ไม่ว่าในรูปแบบใด ปี 2026 มีแนวโน้มว่าจะเห็นกระแส RWA ที่เป็นคริปโตเนทีฟมากขึ้น
- สำหรับสเตเบิลคอยน์ สิ่งที่สำคัญกว่าการ “โทเคนไนซ์” คือ origination
- ในปี 2025 สเตเบิลคอยน์เข้าสู่กระแสหลักแล้ว และยอดคงค้างที่ออกก็ยังเพิ่มขึ้นต่อเนื่อง
- สเตเบิลคอยน์ที่ไม่มีโครงสร้างพื้นฐานด้านเครดิตที่แข็งแรงจะดูคล้าย narrow bank
- เป็นโมเดลธนาคารแบบแคบที่ถือเฉพาะสินทรัพย์สภาพคล่องที่ปลอดภัยมาก
- แม้จะเป็นผลิตภัณฑ์ที่ใช้ได้จริง แต่ยังไม่พอจะเป็นกระดูกสันหลังระยะยาวของเศรษฐกิจบนเชน
- ดังนั้น สำหรับ “สินทรัพย์หนี้” แทนที่จะสร้างนอกเชนแล้วค่อยโทเคนไนซ์
- การ ทำ origination โดยตรงบนเชน มีข้อได้เปรียบมากกว่า
- ลดต้นทุนบริการปล่อยกู้/ต้นทุนโครงสร้างแบ็กออฟฟิศ
- เพิ่มการเข้าถึง
- โจทย์ยากที่ยังเหลือคือ compliance และมาตรฐาน
- แต่ผู้สร้างที่พยายามแก้ปัญหานี้ได้เริ่มเดินหน้าแล้ว
การเทรดไม่ใช่จุดหมายปลายทาง แต่เป็นจุดแวะผ่าน
- หากไม่นับสเตเบิลคอยน์และโครงสร้างพื้นฐานแกนหลักบางส่วน
- บริษัทคริปโตที่ไปได้ดีจำนวนมากได้ pivot ไปสู่การเทรด หรือกำลัง pivot อยู่
- ปัญหาเมื่อทุกคนกลายเป็นแพลตฟอร์มเทรด
- ผู้เล่นจะมีความคล้ายกันมากขึ้นจน การรับรู้และโอกาสถูกกัดกิน
- ง่ายที่จะเหลือผู้ชนะรายใหญ่เพียงไม่กี่ราย
- ทีมที่ pivot เร็วเกินไปอาจพลาดโอกาสสร้าง ธุรกิจที่มีแนวป้องกันการแข่งขัน
- การไล่ตามความรู้สึกของ PMF แบบฉับพลันมีต้นทุน
- โดยเฉพาะในคริปโตที่โครงสร้างแบบโทเคน/การเก็งกำไรผลักให้เกิดรางวัลทันที
- จึงอาจดึงให้ไปสู่ ‘การเทรด’ ระยะสั้นมากกว่าการสร้าง ‘ผลิตภัณฑ์’ ระยะยาว
- ตัวการเทรดเองเป็นฟังก์ชันสำคัญของตลาด
- แต่ไม่จำเป็นต้องเป็น “จุดหมายสุดท้าย”
- ผู้ชนะที่ใหญ่กว่าคือ
จาก KYC สู่ KYA: ไม่ใช่รู้จักลูกค้า แต่ต้องรู้จักเอเจนต์
- คอขวดของ เศรษฐกิจเอเจนต์ กำลังย้ายจาก ความฉลาด ไปเป็น อัตลักษณ์
- ในบริการทางการเงิน “อัตลักษณ์ที่ไม่ใช่มนุษย์” มีจำนวนมากกว่าพนักงานมนุษย์ถึง 96:1
- แต่อัตลักษณ์เหล่านี้กลับถูกปฏิบัติเสมือนเป็น ผีที่อยู่นอกระบบธนาคาร
- primitive สำคัญที่จำเป็นคือ KYA (Know Your Agent)
- เช่นเดียวกับที่มนุษย์ต้องมีคะแนนเครดิต
- เอเจนต์ก็ต้องมี ข้อมูลรับรองที่ลงนามด้วยคริปโตกราฟี เพื่อทำธุรกรรม
- เชื่อมกับ principal ของเอเจนต์
- ระบุข้อจำกัดและความรับผิด (liability)
- หากไม่มี KYA ความเป็นจริงก็เรียบง่าย
- ร้านค้า/บริการจะยังคงบล็อกเอเจนต์ไว้ที่ไฟร์วอลล์ต่อไป
- อุตสาหกรรมที่ใช้เวลาหลายทศวรรษสร้างโครงสร้างพื้นฐาน KYC
- ตอนนี้กลับอยู่ในสถานการณ์ที่ต้องสร้าง KYA ให้ได้ภายในไม่กี่เดือน
on-ramp/off-ramp ของสเตเบิลคอยน์จะฉลาดขึ้น
- ปริมาณธุรกรรมสเตเบิลคอยน์เมื่อปีที่แล้วประเมินว่าอยู่ที่ ประมาณ 46 ล้านล้านดอลลาร์
- และยังทำสถิติสูงสุดใหม่อย่างต่อเนื่อง
- เมื่อเทียบกันแล้ว: มากกว่า PayPal กว่า 20 เท่า เกือบ 3 เท่าของ Visa และกำลังเข้าใกล้ ACH ของสหรัฐฯ อย่างรวดเร็ว
- ในเชิงเทคนิค การ “ส่ง” กลายเป็นเรื่องง่ายแล้ว
- ปัญหาสำคัญที่ยังไม่ถูกแก้คือ การเชื่อมต่อกับรางการเงินในโลกจริง
- กล่าวคือ on-ramp/off-ramp ของสเตเบิลคอยน์
- สตาร์ตอัปรุ่นใหม่กำลังเข้ามาอุดช่องว่างนี้
- เชื่อมกับระบบชำระเงินที่คุ้นเคย/สกุลเงินท้องถิ่น
- ใช้หลักฐานคริปโตกราฟีเพื่อรักษาความเป็นส่วนตัวขณะแลกยอดคงเหลือท้องถิ่น ↔ ดิจิทัลดอลลาร์
- ผสานการชำระเงินระหว่างธนาคารผ่านรางชำระเงินแบบ QR/เรียลไทม์
- เพิ่มชั้นกระเป๋าเงินระดับโลก + การออกบัตร เพื่อใช้จ่ายสเตเบิลคอยน์กับร้านค้าในชีวิตประจำวัน
- เมื่อ on-ramp/off-ramp เติบโตเต็มที่ พฤติกรรมใหม่จะเกิดขึ้น
- การจ่ายค่าจ้างข้ามพรมแดนแบบเรียลไทม์
- รับ ‘ดอลลาร์โลก’ ได้โดยไม่ต้องมีบัญชีธนาคาร
- แอปสามารถชำระเงินกับผู้ใช้ทั่วโลกได้ทันที
- สเตเบิลคอยน์กำลังเปลี่ยนจากเครื่องมือทางการเงินเฉพาะกลุ่ม
- ไปเป็น เลเยอร์พื้นฐานสำหรับการชำระเงินและการหักบัญชี ของอินเทอร์เน็ต
สเตเบิลคอยน์เปิดวงจรอัปเกรดสมุดบัญชีธนาคารและสถานการณ์การชำระเงินแบบใหม่
- ระบบ core banking ของธนาคาร เมื่อมองจากสายตานักพัฒนาสมัยใหม่ แทบจะเป็น “โบราณวัตถุทางโบราณคดี”
- ยุค 60~70: เริ่มนำระบบขนาดใหญ่มาใช้ก่อนใคร
- ยุค 80~90: core banking รุ่นที่ 2 (Temenos GLOBUS, Infosys Finacle ฯลฯ)
- แม้ถึงตอนนี้ สมุดบัญชีหลักก็ยังมักอยู่บนเมนเฟรม, COBOL และอินเทอร์เฟซไฟล์แบบแบตช์
- สินทรัพย์ส่วนใหญ่ของโลกยังอยู่บน สมุดบัญชีแกนหลักที่ล้าสมัย เหล่านี้
- ได้รับความเชื่อถือจากหน่วยงานกำกับดูแล
- ฝังลึกอยู่ในสถานการณ์งานที่ซับซ้อน
- แต่ในขณะเดียวกันก็ทำให้นวัตกรรมชะลอลงอย่างมาก
- แม้แต่การเพิ่มฟังก์ชันอย่าง RTP ก็อาจใช้เวลาหลายเดือนถึงหลายปี
- สเตเบิลคอยน์ทำให้เกิดนวัตกรรมได้โดย “ไม่ต้องรื้อของเดิมทิ้งทันที”
- สเตเบิลคอยน์ เงินฝากที่โทเคนไนซ์ ตั๋วเงินคลังที่โทเคนไนซ์ และพันธบัตรบนเชน
- กลายเป็นเส้นทางให้ธนาคาร/ฟินเทคสร้างผลิตภัณฑ์และฐานลูกค้าใหม่
- หลายปีที่ผ่านมาเป็นช่วงที่ สเตเบิลคอยน์ได้ PMF และเข้าสู่กระแสหลัก
- และปีนี้เป็นปีที่ TradFi ยอมรับในระดับที่สูงขึ้น
- สรุปคือ สเตเบิลคอยน์กลายเป็น ช่องทางนวัตกรรม ที่อ้อมผ่านสมุดบัญชีแบบ legacy ได้
อนาคตอันใกล้ของ messaging ไม่ได้มีแค่ quantum-resistant แต่ยังต้อง decentralize ด้วย
- การเตรียมรับมือ quantum computing เป็นเรื่องสำคัญ
- แต่ปัญหาที่ใหญ่กว่าคือ “ความเชื่อถือในเซิร์ฟเวอร์”
- เมสเซนเจอร์หลักอย่าง Apple/Signal/WhatsApp
- สุดท้ายแล้วผู้ใช้ยังต้องเชื่อถือเซิร์ฟเวอร์ส่วนตัวที่ดำเนินการโดยองค์กรเดียว
- จึงยังมีจุดอ่อนที่รัฐบาลสามารถบล็อก ใส่แบ็กดอร์ หรือบังคับได้
- หากเซิร์ฟเวอร์เป็นศูนย์กลางของโมเดลความเชื่อถือ ก็เท่ากับเป็น “เชื่อฉันสิ”
- แต่ถ้า ไม่มีเซิร์ฟเวอร์ส่วนตัว ก็จะกลายเป็น “ไม่จำเป็นต้องเชื่อเลย”
- messaging ควรมุ่งไปสู่ open protocol
- ไม่มีเซิร์ฟเวอร์ส่วนตัว
- ไม่มีแอปเดียวผูกขาด
- โอเพนซอร์สทั้งหมด
- การเข้ารหัสระดับสูงสุด (รวมถึงภัยคุกคามจากควอนตัม)
- หากเครือข่ายเปิด
- ไม่มีประเทศหรือบริษัทใดพรากความสามารถในการสื่อสารไปได้ง่าย ๆ
- ต่อให้บล็อกแอปหนึ่ง วันถัดไปก็อาจมีอีก 500 แอปโผล่กลับมา
- ต่อให้ปิดโหนด แรงจูงใจทางเศรษฐกิจก็จะทำให้เกิดโหนดใหม่
- เมื่อข้อความและอัตลักษณ์ถูก ถือครองด้วยคีย์ เหมือนเงิน ทุกอย่างจะเปลี่ยนไป
- แม้แอปจะเปลี่ยน แต่การควบคุมข้อความ/อัตลักษณ์ยังอยู่กับผู้ใช้
- สุดท้าย ประเด็นสำคัญไม่ได้มีแค่ “การเข้ารหัสที่ทนทานต่อควอนตัม” แต่รวมถึง ความเป็นเจ้าของ และการกระจายศูนย์
จาก ‘code is law’ สู่ ‘spec is law’
- การแฮ็ก DeFi ระยะหลัง
- เกิดขึ้นได้แม้กับทีมที่แข็งแกร่ง ผ่านการตรวจสอบอย่างละเอียด และโปรโตคอลที่เปิดใช้งานมาหลายปี
- แนวปฏิบัติด้านความปลอดภัยในปัจจุบันยังคง
- ยึดตามฮิวริสติก (กฎจากประสบการณ์)
- ใกล้เคียงกับการอุดรูรั่วเป็นกรณีไป
- หากจะทำให้ความปลอดภัยของ DeFi เติบโตเต็มที่ จำเป็นต้องเปลี่ยนทิศทาง
- รับมือรูปแบบบั๊ก → ไปสู่ คุณสมบัติระดับการออกแบบ (property)
- จาก best-effort → ไปสู่แบบ ยึดหลักการ (principled)
- ในด้านก่อนดีพลอย (สถิต)
- ไม่ใช่การตรวจพิสูจน์บางส่วน แต่ต้องพิสูจน์ เงื่อนไขคงที่ระดับระบบ (invariant) อย่างเป็นระบบ
- เครื่องมือพิสูจน์ที่มี AI ช่วยจะ
- ช่วยเขียนสเปก
- เสนอ invariant
- ลดต้นทุนงานวิศวกรรมในการพิสูจน์ด้วยมือ
- ในด้านหลังดีพลอย (ไดนามิก)
- ใช้ invariant เป็นราวกั้นขณะรันไทม์
- เข้ารหัสเป็น runtime assertion ที่ทุกทรานแซ็กชันต้องผ่าน
- แทนที่จะคาดหวังว่า “น่าจะจับบั๊กได้หมดแล้ว”
- ให้ ย้อนธุรกรรมกลับโดยอัตโนมัติ เมื่อทรานแซ็กชันละเมิดคุณสมบัติความปลอดภัยหลัก
- ในโลกความเป็นจริง เอ็กซ์พลอยต์ส่วนใหญ่
- มีโอกาสสูงว่าจะถูกตรวจพบจากเช็กลักษณะนี้ระหว่างการทำงาน
- เพราะฉะนั้น “code is law” จึงพัฒนาเป็น “spec is law”
- แม้เป็นการโจมตีแบบใหม่ก็ยังต้องผ่านคุณสมบัติความปลอดภัยเดียวกัน
- ทำให้การโจมตีที่เป็นไปได้ มีขนาดเล็กลงหรือยากมากขึ้นอย่างมาก
คริปโตมอบ primitive ใหม่ที่ใช้นอกบล็อกเชนได้ด้วย
- SNARKs เคยแทบจะเป็นเทคโนโลยีเฉพาะบล็อกเชนมาโดยตลอด
- เป็นหลักฐานเชิงเข้ารหัสที่ตรวจสอบได้โดยไม่ต้องรันการคำนวณซ้ำ
- แต่มีโอเวอร์เฮดสูงเกินไป (มากสุดระดับ 1,000,000 เท่า)
- ในปี 2026 zkVM prover มีแนวโน้มว่า
- จะลดลงมาอยู่ราว โอเวอร์เฮด 10,000 เท่า
- memory footprint ก็จะลดลงมาเหลือระดับไม่กี่ร้อย MB
- รันบนโทรศัพท์ได้ และถูกพอจะใช้ได้แทบทุกที่
- เหตุผลที่ 10,000 เท่าอาจเป็น ‘เลขมหัศจรรย์’
- GPU ระดับสูงมีปริมาณงานแบบขนานสูงกว่าซีพียูโน้ตบุ๊กประมาณ 10,000 เท่า
- ปลายปี 2026 GPU เพียงตัวเดียวอาจ สร้างหลักฐานของการประมวลผลบน CPU ได้แบบเรียลไทม์
- วิสัยทัศน์จากบทความเก่าที่การเปลี่ยนแปลงนี้เปิดขึ้นมา: คลาวด์คอมพิวติ้งที่ตรวจสอบได้
- หลายกรณีมีการรันเวิร์กโหลดบน CPU ในคลาวด์
- เพราะไม่หนักพอจะย้ายไป GPU
- หรือไม่มีความเชี่ยวชาญ
- หรือด้วยเหตุผลด้านระบบเดิม
- จึงสามารถแนบ หลักฐานความถูกต้อง ได้ในต้นทุนที่สมเหตุสมผล
- ตัว prover ก็ถูกปรับให้เหมาะกับ GPU อยู่แล้ว ทำให้โค้ดแอปพลิเคชันยังคงเดิมได้
ใช้ AI กับงานวิจัยจริงจังในทางปฏิบัติ
- เมื่อต้นปีนี้เอง AI สำหรับผู้บริโภคยังไม่เข้าใจเวิร์กโฟลว์งานวิจัยได้ดีนัก
- แต่ไม่กี่เดือนถัดมา เราเริ่มสั่ง AI ด้วยคำสั่งนามธรรมแบบที่มอบให้กับนักศึกษาปริญญาเอกได้
- และบางครั้งก็ได้ คำตอบใหม่ที่ทำได้ถูกต้องจริง
- ในภาพใหญ่ การใช้ AI ในแวดวงวิจัยกำลังเพิ่มขึ้น
- ยังเปิดกว้างอยู่ว่าสาขาใดจะเห็นผลมากที่สุด
- แต่สไตล์การวิจัยแบบ polymath รูปแบบใหม่อาจได้เปรียบ
- คือการตั้งสมมติฐานถึงความสัมพันธ์ระหว่างไอเดียต่าง ๆ
- และให้ความสำคัญกับความสามารถในการคาดต่อจากคำตอบที่ยังไม่สมบูรณ์ได้อย่างรวดเร็ว
- แม้บางคำตอบจะไม่แม่นยำ ก็ยังชี้ทิศทางได้
- ในเชิงย้อนแย้ง ยังมีมุมที่ใช้ “ภาพหลอน” ให้เกิดประโยชน์
- เมื่อมันฉลาดพอแล้ว ระหว่างกระบวนการที่แกว่งไกวอย่างอิสระ
- แม้จะมีคำตอบเพี้ยน ๆ ปะปน แต่บางครั้งก็อาจ เปิดช่องว่างสู่การค้นพบ
- เวิร์กโฟลว์ที่จำเป็นสำหรับเรื่องนี้
- ไม่ใช่เอเจนต์เดี่ยว แต่เป็นโครงสร้างแบบ เอเจนต์ที่ครอบเอเจนต์อีกชั้น (wrapped เป็นชั้น ๆ)
- ให้โมเดลอื่นประเมินและสังเคราะห์ความพยายามและผลลัพธ์ของโมเดลก่อนหน้า
- ตัวอย่างการใช้งานจริง
- การเขียนงานวิชาการ: write papers
- การค้นหาสิทธิบัตร การสร้างสรรค์งานศิลปะ
- และน่าเสียดายรวมถึงการค้นหาช่องโจมตีสมาร์ตคอนแทร็กต์
- หากจะเดินระบบ agent ensemble เพื่อการวิจัย
มีการเก็บภาษีที่มองไม่เห็นบนเว็บเปิด
- AI agent กำลังเก็บ ภาษีที่มองไม่เห็น จากเว็บเปิด
- แก่นของปัญหาคือความไม่สอดคล้องกันระหว่างสองเลเยอร์ของอินเทอร์เน็ต
- เลเยอร์คอนเท็กซ์: ข้อมูลถูกจัดหาโดยเว็บไซต์ที่พึ่งพาโฆษณา
- เลเยอร์การปฏิบัติการ: เอเจนต์ดึงข้อมูลนั้นไปใช้เพื่ออำนวยความสะดวกให้ผู้ใช้
- ผลลัพธ์คือการ เลี่ยงผ่าน แหล่งรายได้อย่างโฆษณา/สมาชิก และบั่นทอนฐานรองรับเดิม
- หากเว็บเปิดพังทลาย
- คอนเทนต์ที่หลากหลายและอุดมสมบูรณ์ซึ่ง AI ใช้เป็นอาหารก็จะลดลงไปด้วย
- ทางออกที่ต้องการคือการติดตั้งใช้งานโซลูชันเชิงเทคนิค+เศรษฐศาสตร์ในวงกว้าง
- sponsored content รุ่นถัดไป
- micro-attribution (การติดตามผู้มีส่วนร่วม)
- โมเดลการระดมทุนรูปแบบใหม่
- ดีล licensing ของ AI แบบเดิม
- มักกลายเป็น การอุดปัญหาเฉพาะหน้าแบบไม่ยั่งยืนทางการเงิน ต่อความเสียหายของทราฟฟิกที่ AI แย่งไป
- การเปลี่ยนผ่านสำคัญคือ
- จาก licensing แบบคงที่ → ไปสู่ การชดเชยตามการใช้งานแบบเรียลไทม์
- ต้องทดลองและขยายโมเดลที่ใช้ blockchain-based nanopayments และมาตรฐาน attribution ที่ละเอียด
- เพื่อให้มูลค่าไหลไปโดยอัตโนมัติ
- ถึงทุกฝ่ายที่มีส่วนร่วมต่องานที่เอเจนต์ทำสำเร็จ
การมาถึงของสื่อที่มี stake หนุนหลัง
- โมเดลสื่อดั้งเดิม (รวมถึงมายาคติเรื่อง ‘ความเป็นกลาง’) มีรอยร้าวอยู่ก่อนแล้ว
- อินเทอร์เน็ตเปิดโอกาสให้ทุกคนได้ส่งเสียง
- และผู้ปฏิบัติการ/ผู้ทำงานจริง/ผู้สร้าง เริ่มสื่อสารกับสาธารณะโดยตรง
- มุมมองของผู้คนสะท้อนผลประโยชน์ที่ตนมีส่วนได้เสีย (stake)
- และในเชิงย้อนแย้ง ผู้ชมกลับเชื่อถือมากขึ้นเพราะมีส่วนได้เสียให้เห็น
- สิ่งที่ใหม่ไม่ใช่ “โซเชียลมีเดีย”
- แต่คือการมาถึงของเครื่องมือเข้ารหัสที่ทำให้เกิด commitment ที่ตรวจสอบได้สาธารณะ
- เมื่อ AI ทำให้ต้นทุนการสร้างคอนเทนต์เข้าใกล้ศูนย์ คำพูดลอย ๆ ก็ไม่เพียงพออีกต่อไป (รวมถึงบอต ดีปเฟก และ persona ปลอม)
- เพราะฉะนั้นฐานของความเชื่อถือจึงเปลี่ยนไป
- สินทรัพย์ที่ถูกโทเคนไนซ์
- programmable lockup
- ตลาดพยากรณ์
- ประวัติ onchain
สิ่งเหล่านี้กลายเป็นสัญญาณความน่าเชื่อถือที่แข็งแรงกว่า
- แก่นของ “staked media” คือ
- ไม่ใช่การซ่อนผลประโยชน์ที่มีส่วนได้เสีย แต่คือ การเปิดเผยออกมาในรูปแบบที่พิสูจน์ได้
- ไม่ใช่ “ฉันเป็นกลาง” แต่เป็น “นี่คือสิ่งที่ฉันวางไว้และนี่คือวิธีตรวจสอบ”
- มันจะไม่ได้มาแทนที่สื่อแบบอื่น แต่จะกลายเป็นสัญญาณที่ช่วย เสริมกัน
ความลับในรูปแบบบริการ
- โมเดล/เอเจนต์/ระบบอัตโนมัติทั้งหมดท้ายที่สุดแล้วล้วนพึ่งพาข้อมูล
- แต่ในปัจจุบัน data pipeline มักจะ
- ไม่โปร่งใส
- เปลี่ยนแปลงได้ง่าย
- และตรวจสอบย้อนหลังได้ยาก
- ในแอปผู้บริโภคอาจยังพอรับได้ แต่
- ในด้านอย่างการเงิน/เฮลท์แคร์ ความเป็นส่วนตัวของข้อมูลอ่อนไหวเป็นสิ่งจำเป็น
- และยังเป็นอุปสรรคใหญ่ในการทำโทเคนไนซ์ RWA
- คำถามหลักคือการควบคุมการเข้าถึงข้อมูล
- ใครเป็นผู้ควบคุมข้อมูลอ่อนไหว
- ข้อมูลเคลื่อนย้ายอย่างไร
- และใคร (หรืออะไร) เข้าถึงได้ภายใต้เงื่อนไขใด
- ตอนนี้หากต้องการรักษาความลับ ก็ต้อง
- พึ่งพาบริการแบบรวมศูนย์
- หรือทำ custom setup ราคาแพงด้วยตัวเอง
- ด้วยเหตุนี้ TradFi จึงยังไม่ได้รับประโยชน์จากการจัดการข้อมูลแบบ onchain
- เมื่อเอเจนต์เริ่มสำรวจ/เทรด/ตัดสินใจได้อย่างอิสระ ก็จำเป็นต้องมี การรับประกันด้วยคริปโตกราฟี ไม่ใช่แค่ “ความไว้วางใจเท่าที่ทำได้”
- เพราะฉะนั้นจึงจำเป็นต้องมี secrets-as-a-service
- กฎการเข้าถึงแบบเนทีฟที่ตั้งโปรแกรมได้
- การเข้ารหัสฝั่งไคลเอนต์
- การจัดการคีย์แบบกระจายศูนย์
- บังคับได้ว่าใครสามารถถอดรหัสอะไรได้ ภายใต้เงื่อนไข/ช่วงเวลาใด
- และบังคับใช้สิ่งนี้บนเชน
- เมื่อผสานกับระบบข้อมูลที่ตรวจสอบได้
- ความเป็นส่วนตัวจะไม่ใช่แค่ ‘การพอกทับบนแอป’
- แต่จะกลายเป็น โครงสร้างพื้นฐานแกนกลาง ของอินเทอร์เน็ต
การบริหารสินทรัพย์สำหรับทุกคน
- การบริหารสินทรัพย์แบบเฉพาะบุคคลเดิมทีเป็นบริการสำหรับผู้มีสินทรัพย์สูงเท่านั้น
- เพราะมีค่าใช้จ่ายสูงและการดำเนินงานซับซ้อน
- เมื่อสินทรัพย์ถูกโทเคนไนซ์มากขึ้น
- การดำเนินกลยุทธ์/รีบาลานซ์บน crypto rails จะทำได้ทันทีและมีต้นทุนต่ำ
- การปรับให้เหมาะกับแต่ละบุคคลจะยิ่งดีขึ้นด้วยคำแนะนำ/โคไพลอตจาก AI
- นี่ไม่ใช่แค่ robo-advisor
- ทุกคนจะเข้าถึง การบริหารพอร์ตแบบแอ็กทีฟ ได้ ไม่ใช่แค่การลงทุนแบบ ‘passive’
- ในปี 2025 TradFi เริ่มเพิ่มสัดส่วนคริปโตแล้ว
- ในปี 2026 แพลตฟอร์มที่เหมาะกับ การสะสมความมั่งคั่ง มากกว่า “การรักษาความมั่งคั่ง” จะเติบโต
- ฟินเทคอย่าง Revolut, Robinhood
- CEX อย่าง Coinbase จะขยายตลาดด้วยความได้เปรียบด้าน tech stack
- ฝั่ง DeFi
- เครื่องมืออย่าง Morpho Vaults ให้การจัดสรรอัตโนมัติตามผลตอบแทนที่ปรับความเสี่ยงแล้ว
- และอาจกลายเป็นโซนผลตอบแทนหลักของพอร์ต
- สินทรัพย์สภาพคล่องก็จะเปลี่ยนไป
- ถือ stablecoin แทนเงิน fiat
- ถือ MMF แบบโทเคนไนซ์แทน MMF แบบดั้งเดิม
- ทำให้มีพื้นที่สำหรับผลตอบแทนและกลยุทธ์เพิ่มขึ้น
- การโทเคนไนซ์ยังขยายการเข้าถึงสินทรัพย์เอกชน
- เช่น private credit, pre-IPO, private equity
- สามารถเพิ่มสภาพคล่องได้พร้อมรักษา compliance/reporting
- เมื่อองค์ประกอบของสินทรัพย์ถูกโทเคนไนซ์
- ก็จะสามารถ รีบาลานซ์อัตโนมัติ ได้โดยไม่ต้องโอนเงินผ่าน wire transfer
อินเทอร์เน็ตกำลังกลายเป็นธนาคาร
- เมื่อเอเจนต์จำนวนมากเกิดขึ้น
- และการค้าขายอัตโนมัติที่ทำงานอยู่เบื้องหลังเพิ่มขึ้นแทนการคลิก
- วิธีการเคลื่อนย้ายเงิน (มูลค่า) ก็ต้องเปลี่ยนตาม
- หากระบบขับเคลื่อนด้วย เจตนา ไม่ใช่คำสั่งทีละขั้นตอน
- มูลค่าก็ต้องเคลื่อนที่ได้รวดเร็วและอิสระเหมือนข้อมูล
- บล็อกเชน/สมาร์ตคอนแทรกต์/โปรโตคอลแบบใหม่จะเป็นฐานของสิ่งนี้
- สมาร์ตคอนแทรกต์ได้แสดงให้เห็นแล้วว่า
- สามารถชำระดอลลาร์ข้ามโลกได้ภายในไม่กี่วินาที
- ในปี 2026 ด้วย primitive อย่าง x402
- การชำระเงินจะกลายเป็น ตั้งโปรแกรมได้และตอบสนองได้
- ตัวอย่างสถานการณ์ที่เป็นไปได้
- เอเจนต์จ่ายค่า data/GPU/API call ให้กันได้ทันที
- โดยไม่ต้องมี invoice/settlement/batch และไม่ต้องขออนุญาต
- กฎการชำระเงิน/วงเงิน/ร่องรอยการตรวจสอบถูกฝังอยู่ในการอัปเดตซอฟต์แวร์
- โดยไม่ต้องมีการเชื่อม fiat/การ onboard ร้านค้า/การรวมเข้ากับธนาคาร
- ตลาดพยากรณ์สามารถ ชำระบัญชีตัวเองแบบเรียลไทม์ ตามความคืบหน้าของเหตุการณ์
- เมื่อถึงระดับนี้ flow การชำระเงินจะไม่ใช่เลเยอร์การดำเนินงานแยกต่างหากอีกต่อไป แต่จะกลายเป็น พฤติกรรมของเครือข่าย
- ธนาคารจะกลายเป็นระบบประปาพื้นฐานของอินเทอร์เน็ต
- และสินทรัพย์จะกลายเป็นโครงสร้างพื้นฐาน
- เมื่อเงินกลายเป็นแพ็กเก็ตที่อินเทอร์เน็ตสามารถ route ได้
- อินเทอร์เน็ตจะไม่ใช่แค่ “สนับสนุน” ระบบการเงินอีกต่อไป
- แต่จะกลายเป็น ระบบการเงินนั้นเอง
เมื่อโครงสร้างทางกฎหมายตามทันโครงสร้างทางเทคนิค ศักยภาพของบล็อกเชนก็จะถูกปลดปล่อย
- ตลอด 10 ปีที่ผ่านมา หนึ่งในเหตุผลใหญ่ที่สุดที่ทำให้การสร้างเครือข่ายในสหรัฐฯ เป็นเรื่องยาก คือ ความไม่แน่นอนทางกฎหมาย
- กฎหมายหลักทรัพย์พยายามเอากรอบที่มี ‘บริษัท’ เป็นศูนย์กลางมาครอบทับ ‘เครือข่าย’ แบบฝืนธรรมชาติ
- และเกิดการบังคับใช้แบบเลือกปฏิบัติอย่างต่อเนื่อง
- ผลลัพธ์คือ
- การลดความเสี่ยงทางกฎหมายสำคัญกว่ากลยุทธ์ผลิตภัณฑ์
- และทนายความได้นั่งแถวหน้าก่อนวิศวกร
- ผลข้างเคียงจากความบิดเบี้ยวนี้
- แต่กฎระเบียบด้านโครงสร้างตลาดมีศักยภาพสูงที่จะเปลี่ยนสถานการณ์
- เพราะรัฐบาลเข้าใกล้การผ่านกฎหมายมากกว่าที่เคย
- หากผ่าน สิ่งที่คาดว่าจะเปลี่ยนคือ
- แรงจูงใจต่อความโปร่งใส
- มาตรฐานที่ชัดเจน
- การสิ้นสุดของ “enforcement roulette”
- มีเส้นทางที่เป็นระบบสำหรับการระดมทุน/การเปิดตัวโทเคน/การกระจายศูนย์
- เช่นเดียวกับที่ GENIUS ทำให้การขยายตัวของ stablecoin พุ่งขึ้นอย่างมาก กฎระเบียบด้านโครงสร้างตลาด ก็อาจสร้างการเปลี่ยนแปลงที่ใหญ่กว่ามากให้กับ “เครือข่าย”
- บทสรุป
- เมื่อโครงสร้างทางกฎหมายสอดคล้องกับโครงสร้างทางเทคนิค
- เครือข่ายบล็อกเชนก็จะทำงานได้อย่างที่เครือข่ายควรเป็น
- และ ความเปิดกว้าง ความเป็นอิสระ การประกอบต่อกันได้ ความเป็นกลางที่เชื่อถือได้ และการกระจายศูนย์ จะกลายเป็นความจริง
ยังไม่มีความคิดเห็น