การทำลายข้อจำกัดของข้อมูล: โพรโทคอล Model Context ของ Anthropic สามารถเพิ่มประสิทธิภาพของ AI ได้หรือไม่?

โพรโทคอล Model Context ของ Anthropic ซึ่งเป็นนวัตกรรมใหม่ๆ มีเป้าหมายที่จะแก้ไขปัญหาข้อมูลที่กระจัดกระจายและเพิ่มประสิทธิภาพของโซลูชันที่ใช้ AI คุณสามารถตั้งเป็นมาตรฐานสำหรับการรวม AI ที่ตระหนักถึงบริบทได้หรือไม่?

หนึ่งในความท้าทายที่สำคัญที่สุดในการพัฒนา AI ในปัจจุบันคือการแยกความแตกต่างระหว่างโมเดลภาษาขนาดใหญ่ (LLM) และข้อมูลในเวลาจริง เพื่อแก้ไขปัญหานี้ บริษัท Anthropic ซึ่งเป็นบริษัทที่ทำการวิจัยและพัฒนา AI ในซานฟรานซิสโก ได้ประกาศถึงโครงสร้างพัฒนาที่ไม่เหมือนใครเพื่อเปลี่ยนแปลงวิธีการที่โมเดล AI ติดต่อกับข้อมูล

โพรโทคอล Model Context (MCP) ของบริษัท ซึ่งเป็นโครงการโอเพ่นซอร์สที่ได้รับการเปิดตัว มีเป้าหมายที่จะเพิ่มประสิทธิภาพของ AI ผ่าน “การสื่อสารสองทางระหว่างแอปพลิเคชันที่ใช้ AI และแหล่งข้อมูลที่หลากหลายและทันสมัย”

โครงสร้างนี้ถูกสร้างขึ้นเพื่อแก้ไขปัญหาที่เพิ่มขึ้นเรื่อยๆ ซึ่งก็คือการผลิตข้อมูลที่ล้าสมัยของ AI ที่เกิดจากการที่ขาดการเชื่อมต่อกับข้อมูลทันสมัย Anthropic อ้างว่าโพรโทคอลที่รวมกันสามารถเพิ่มประสิทธิภาพของ AI สำหรับธุรกิจและทำให้ AI มีลักษณะเหมือนมนุษย์มากขึ้นผ่านการรับรู้บริบทในเวลาจริง ตามที่บริษัทระบุว่า ทุกๆ แหล่งข้อมูลใหม่สำหรับธุรกิจต้องการการนำไปใช้ AI ที่กำหนดเอง ซึ่งทำให้เกิดความไม่эффектив MCP มีจุดมุ่งหมายที่จะแก้ไขปัญหานี้โดยการนำเสนอโครงสร้างมาตรฐานที่นักพัฒนาสามารถนำไปใช้ได้ทั่วไป

“โครงสร้างเป็นเรื่องง่ายๆ: นักพัฒนาสามารถเปิดเผยข้อมูลของตนผ่านเซิร์ฟเวอร์ MCP หรือสร้างแอปพลิเคชันที่ใช้ AI (クライเอ็นต์ MCP) ที่เชื่อมต่อกับเซิร์ฟเวอร์เหล่านี้ แทนที่จะรักษาคอนเนกเตอร์ที่แยกจากกันสำหรับแหล่งข้อมูลแต่ละแหล่ง นักพัฒนาสามารถสร้างได้โดยอิงตามโพรโทคอลมาตรฐาน” Anthropic อธิบายไว้ใน บทความในบล็อก “เมื่อระบบนิเวศน์เติบโตขึ้น ระบบ AI จะรักษาบริบทไว้เมื่อเคลื่อนย้ายระหว่างเครื่องมือและชุดข้อมูลที่แตกต่างกัน โดยทดแทนการรวมกันที่กระจัดกระจายในปัจจุบันด้วยโครงสร้างที่ยั่งยืนมากขึ้น” โมเดล AI รวมถึงโมเดล Claude ของ Anthropic สามารถรวมกับเครื่องมือ เช่น Google Drive, Slack และ GitHub ได้ ผู้เชี่ยวชาญแนะนำว่า MCP มีศักยภาพที่จะเปลี่ยนแปลงการรวม AI ของธุรกิจในลักษณะเดียวกับที่โครงสร้าง Service-Oriented Architecture (SOA) และโพรโทคอลอื่นๆ ได้ปฏิวัติความสามารถในการทำงานร่วมกันของแอปพลิเคชัน

“การมีโพรโทคอลมาตรฐานสำหรับข้อมูลที่ส่งระหว่าง LLM และแหล่งข้อมูลเป็นเรื่องที่เปลี่ยนแปลงเกมได้ เช่นเดียวกับ REST และ SQL ในอุตสาหกรรมซอฟต์แวร์ โพรโทคอลมาตรฐาน เช่น MCP สามารถช่วยให้ทีมสร้างแอปพลิเคชัน GenAI ได้เร็วขึ้นและมีความน่าเชื่อถือมากขึ้น” Gideon Mendels ผู้ร่วมก่อตั้งและ CEO ของ Comet ซึ่งเป็นแพลตฟอร์มประเมินโมเดล AI บอกกับฉัน “สิ่งนี้ตามมาจากความเข้าใจในตลาดในช่วง 6 เดือนที่ผ่านมาว่าโมเดล LLM ที่ดีเพียงอย่างเดียวไม่เพียงพอ”

Anthropic ยังเปิดเผยว่าผู้ใช้ธุรกิจในระยะแรก รวมถึง Block และ Apollo ได้ใช้ MCP ในระบบของตนแล้ว ในขณะเดียวกัน ผู้ให้บริการเครื่องมือพัฒนา เช่น Zed, Replit, Codeium และ Sourcegraph ก็กำลังร่วมมือกับ MCP เพื่อปรับปรุงแพลตฟอร์มของตน ส่วนความร่วมมือนี้มีจุดมุ่งหมายที่จะช่วยให้โมเดล AI และเอเย่นต์สามารถดึงข้อมูลที่เกี่ยวข้องมากขึ้นผ่านข้อมูลทันสมัย รับรู้บริบทได้ดีขึ้น และสร้างผลลัพธ์ที่เหมาะสมยิ่งขึ้นสำหรับงานของธุรกิจ เช่น การเขียนโค้ด โดยมีประสิทธิภาพมากขึ้น

“โมเดล AI ที่มีลักษณะเหมือนมนุษย์และตระหนักถึงตนเองมากขึ้นสามารถทำให้เทคโนโลยีนี้ดูเป็นมิตร ซึ่งอาจขับเคลื่อนการนำไปใช้ได้กว้างขึ้น” Masha Levin ผู้ประกอบการใน One Way Ventures บอกกับฉัน “ยังมีความกลัวมากมายเกี่ยวกับ AI โดยที่หลายคนมองว่ามันเป็นเพียงเครื่องจักรเท่านั้น การทำให้โมเดลเหล่านี้ดูเหมือนมนุษย์มากขึ้นอาจช่วยลดความกลัวเหล่านั้นและทำให้การรวมเข้ากับชีวิตประจำวันง่ายขึ้น”

Levin ยังเตือนถึงข้อเสียที่อาจเกิดขึ้น “มีความเสี่ยงว่าธุรกิจอาจพึ่งพา AI มากเกินไป ทำให้ AI มีอิทธิพลต่อการตัดสินใจในระดับที่อาจนำไปสู่ผลเสีย”

อย่างไรก็ตาม การทดสอบที่แท้จริงสำหรับ MCP จะอยู่ที่ความสามารถในการได้รับการยอมรับอย่างกว้างขวางและแซงหน้าคู่แข่งในตลาดที่มีการแข่งขันสูง

Anthropic MCP vs. OpenAI และ Perplexity: การแข่งขันเพื่อเป็นมาตรฐานในการพัฒนา AI

ในขณะที่ MCP ของ Anthropic ที่เปิดให้ใช้งานแบบโอเพ่นซอร์สถือเป็นความก้าวหน้าอย่างมีนัยสำคัญสำหรับการพัฒนา AI แต่ก็เข้าสู่ภูมิทัศน์ที่มีการแข่งขันสูงซึ่งได้รับการครอบงำโดยยักษ์ใหญ่ด้านเทคโนโลยี เช่น OpenAI และ Perplexity

คุณลักษณะ “Work with Apps” ของ OpenAI สำหรับ ChatGPT แสดงให้เห็นถึงความสามารถที่คล้ายคลึงกัน แม้ว่าจะมุ่งเน้นไปที่การร่วมมือกันอย่างใกล้ชิดกับพันธมิตรมากกว่ามาตรฐานที่เปิดกว้าง คุณลักษณะนี้ช่วยให้ ChatGPT สามารถเข้าถึงและวิเคราะห์ข้อมูลและเนื้อหาจากรับแอปอื่นๆ ได้ แต่เฉพาะเมื่อมีการอนุญาตจากผู้ใช้เท่านั้น โดยไม่ต้องมีการคัดลอกและวางข้อมูลโดยตรง ChatGPT สามารถตรวจสอบข้อมูลโดยตรงจากรับแอปและให้คำแนะนำที่ฉลาดและตระหนักถึงบริบทได้ดีขึ้นเนื่องจากการรวมกับข้อมูลอินเทอร์เน็ตทันสมัย

นอกจากนี้ บริษัทยังเปิดตัวโครงสร้างข้อมูลทันสมัยในเดือนตุลาคมที่เรียกว่า “Realtime API” ซึ่งช่วยให้ระบบช่วยเหลือเสียงสามารถตอบสนองได้อย่างมีประสิทธิภาพมากขึ้นโดยดึงบริบทใหม่จากอินเทอร์เน็ตได้ ตัวอย่างเช่น ระบบช่วยเหลือเสียงสามารถสั่งซื้อสินค้าแทนผู้ใช้หรือดึงข้อมูลลูกค้าที่เกี่ยวข้องเพื่อให้คำตอบที่เป็นส่วนตัว “ตอนนี้ด้วย Realtime API และในอนาคตกับ Chat Completions API นักพัฒนาจะไม่ต้องติดกันหลายๆ โมเดลเพื่อสร้างประสบการณ์เหล่านี้” OpenAI กล่าวใน บทความในบล็อก “ภายใต้พื้นผิว Realtime API ช่วยให้คุณสร้างการเชื่อมต่อ WebSocket ที่คงอยู่เพื่อแลกเปลี่ยนข้อความกับ GPT-4o”

ในทำนองเดียวกัน โพรโทคอลข้อมูลทันสมัยของ Perplexity สำหรับ AI ที่เรียกว่า “pplx-api” ให้ความสามารถแก่นักพัฒนาที่จะเข้าถึงโมเดลภาษาขนาดใหญ่ (LLM) ของตนได้ API นี้ช่วยให้แอปพลิเคชันสามารถส่งคำถามภาษาที่เป็นธรรมชาติและรับข้อมูลที่มีรายละเอียดและทันสมัยจากเว็บผ่านจุดสิ้นสุด API เดียว ทำให้นักพัฒนาสามารถสร้างแอปพลิเคชันที่ยังคงประสานกับข้อมูลล่าสุดและให้คำตอบที่ตระหนักถึงบริบทได้ดีขึ้นสำหรับงานของ AI เช่น การเขียนโค้ด

“โดยทั่วไป อุตสาหกรรมมักจะมาตรฐาน化กับโซลูชันที่เปิดกว้าง แต่สิ่งนี้มักจะใช้เวลาหลายปี มีความเป็นไปได้สูงว่า OpenAI จะพยายามแนะนำโพรโทคอลเพิ่มเติม” Mendels กล่าว “แต่หาก MCP ได้รับการยอมรับอย่างกว้างขวางเป็นมาตรฐานแรกของประเภทนี้ เราอาจเห็นเทคนิคและแนวปฏิบัติที่ดีที่สุดเริ่มมาตรฐาน化รอบๆ โพรโทคอลนี้”

Anthropic MCP สามารถตั้งเป็นมาตรฐานสำหรับการรวม AI ที่ตระหนักถึงบริบทได้หรือไม่?

尽管 MCP ของ Anthropic มีศักยภาพ แต่ก็เผชิญกับความท้าทายที่สำคัญ ความปลอดภัยเป็นปัญหาหลัก เนื่องจากการทำให้ระบบ AI สามารถเข้าถึงข้อมูลที่มีความเสี่ยงขององค์กรได้จะเพิ่มความเสี่ยงของการรั่วไหลหากระบบเกิดความผิดปกติ นอกจากนี้ การชักชวนให้นักพัฒนาที่มีประสบการณ์ในระบบนิเวศที่มีอยู่แล้วให้ใช้ MCP อาจเป็นเรื่องที่ยาก

ปัญหาอีกประการหนึ่งคือขนาดของข้อมูล ตามที่ JD Raimondi หัวหน้าฝ่ายวิทยาศาสตร์ข้อมูลของ Making Sense กล่าว “Anthropic เป็นผู้นำในด้านการทดลองที่นำไปสู่บริบทขนาดใหญ่ แต่ความแม่นยำของโมเดลลดลงอย่างมาก มีความเป็นไปได้ที่จะดีขึ้นเมื่อเวลาผ่านไป และในด้านประสิทธิภาพ มีเทคนิคมากมายที่จะรักษาความเร็วให้เหมาะสม”

ในขณะที่ Anthropic อ้างว่า MCP ปรับปรุงความสามารถของ AI ในการดึงและตระหนักถึงข้อมูล การขาดการเปรียบเทียบเชิงตัวเลขที่ชัดเจนเพื่อสนับสนุนคำกล่าวอ้างเหล่านี้อาจขัดขวางการนำไปใช้ “ไม่ว่าคุณจะเป็นผู้พัฒนาเครื่องมือ AI ผู้ประกอบการที่ต้องการใช้ข้อมูลที่มีอยู่แล้ว หรือผู้บุกเบิกที่กำลังสำรวจพื้นที่ใหม่ๆ เราเชิญชวนให้คุณร่วมสร้างอนาคตของ AI ที่ตระหนักถึงบริบทร่วมกับเรา” Anthropic กล่าว

เมื่อนักพัฒนาทดสอบความสามารถของ MCP อุตสาหกรรมจะจับตาดูว่าโพรโทคอลมาตรฐานนี้สามารถสร้างแรงผลักดันที่จำเป็นในการเป็นมาตรฐานสำหรับการรวม AI ที่ตระหนักถึงบริบทได้หรือไม่ Mendels ชี้ว่าการมาตรฐาน化อาจเป็นขั้นตอนที่ชาญฉลาดสำหรับ Anthropic ซึ่งอาจเพิ่มความสามารถในการทำงานร่วมกันและช่วยให้ทีมสามารถทดลองกับชุดเครื่องมือที่แตกต่างกันเพื่อค้นหาว่าชุดใดเหมาะสมที่สุด “ในขณะนี้ มันรู้สึกว่ามันเร็วเกินไปที่จะบอกว่ากระบวนการหลายอย่างในระบบนิเวศ AI กำลังมาตรฐาน化” Mendels กล่าว “ด้วยนวัตกรรมที่เกิดขึ้นอย่างรวดเร็ว วิธีการปฏิบัติที่ดีที่สุดในปัจจุบันอาจล้าสมัยภายในหนึ่งสัปดาห์เท่านั้น มันจะใช้เวลาในการพิจารณาว่าโพรโทคอล เช่น MCP สามารถประสบความสำเร็จในการมาตรฐาน化การดึงข้อมูลบริบทหรือไม่”