การทำลายขีดจำกัดของข้อมูล: โพรโทคอล Model Context ของ Anthropic สามารถเพิ่มประสิทธิภาพ AI ได้หรือไม่?

โพรโทคอล Model Context (MCP) ที่เป็นนวัตกรรมของ Anthropic มีเป้าหมายที่จะแก้ไขปัญหาข้อมูลที่กระจัดกระจายและเพิ่มประสิทธิภาพของโซลูชันที่ใช้ AI คุณลักษณะนี้อาจกลายเป็นมาตรฐานสำหรับการรวม AI ที่ตระหนักถึงบริบทหรือไม่?

หนึ่งในความท้าทายที่กดดันที่สุดในการพัฒนา AI ในปัจจุบันคือการแยกความแตกต่างระหว่างโมเดลภาษาขนาดใหญ่ (LLMs) และข้อมูลแบบเรียลไทม์ เพื่อแก้ไขปัญหานี้ บริษัท Anthropic ซึ่งเป็นบริษัทด้านการวิจัยและความปลอดภัยของ AI ที่ตั้งอยู่ในซานฟรานซิสโก ได้ประกาศโครงสร้างพัฒนาที่ไม่เหมือนใครเพื่อเปลี่ยนแปลงวิธีการที่โมเดล AI ติดต่อกับข้อมูล

โพรโทคอล Model Context (MCP) ใหม่ของบริษัท ซึ่งเปิดตัวเป็นโครงการโอเพ่นซอร์ส ได้รับการออกแบบมาเพื่อเพิ่มประสิทธิภาพของ AI ผ่าน “การสื่อสารสองทางระหว่างแอปพลิเคชันที่ใช้ AI และแหล่งข้อมูลแบบเรียลไทม์ที่หลากหลาย”

โครงสร้างนี้ถูกสร้างขึ้นเพื่อแก้ไขความ沮ใจที่เพิ่มขึ้น: ผลลัพธ์ของ AI ที่ล้าสมัยเนื่องจากขาดการเชื่อมต่อกับข้อมูลแบบเรียลไทม์ Anthropic อ้างว่าโพรโทคอลที่เป็นเอกภาพนี้สามารถปรับปรุงการพัฒนาและฟังก์ชันการทำงานของ AI สำหรับธุรกิจ และทำให้ AI มีลักษณะเหมือนมนุษย์มากขึ้นผ่านการรับรู้บริบทแบบเรียลไทม์ ตามที่บริษัทระบุว่า ทุกแหล่งข้อมูลธุรกิจใหม่ต้องการการนำไปใช้ AI ที่กำหนดเอง ซึ่งสร้างความไร้ประสิทธิภาพ MCP มุ่งหวังที่จะแก้ไขปัญหานี้โดยการเสนอเฟรมเวิร์กมาตรฐานที่นักพัฒนาสามารถนำไปใช้ได้ทั่วโลก

“โครงสร้างเป็นเรื่องง่าย: นักพัฒนาสามารถเปิดเผยข้อมูลของตนผ่านเซิร์ฟเวอร์ MCP หรือสร้างแอปพลิเคชัน AI (ไคลเอ็นต์ MCP) ที่เชื่อมต่อกับเซิร์ฟเวอร์เหล่านี้ แทนที่จะรักษาการเชื่อมต่อแยกกันสำหรับแหล่งข้อมูลทุกแหล่ง นักพัฒนาสามารถสร้างได้โดยใช้โพรโทคอลมาตรฐาน” Anthropic อธิบายใน โพสต์บล็อก “เมื่อระบบนิเวศมีความต่อเนื่อง AI จะรักษาบริบทเมื่อเคลื่อนย้ายระหว่างเครื่องมือและชุดข้อมูลที่แตกต่างกัน โดยแทนที่การรวมที่กระจัดกระจายในปัจจุบันด้วยโครงสร้างที่ยั่งยืนมากขึ้น”

โมเดล AI รวมถึงแอสซิสตันท์ Claude ของ Anthropic สามารถรวมเข้ากับเครื่องมือ เช่น Google Drive, Slack และ GitHub ผู้เชี่ยวชาญแนะนำว่า MCP มีศักยภาพที่จะเปลี่ยนแปลงการรวม AI ของธุรกิจในลักษณะเดียวกับที่ Service-Oriented Architecture (SOA) และโพรโทคอลอื่นๆ ทำให้การทำงานร่วมกันของแอปพลิเคชันมีความยั่งยืนมากขึ้น

“การมีโพรโทคอลมาตรฐานอุตสาหกรรมสำหรับปाइ프ไลน์ข้อมูลระหว่าง LLM และแหล่งข้อมูลคือสิ่งที่เปลี่ยนแปลงเกม เช่นเดียวกับ REST และ SQL ในอุตสาหกรรมซอฟต์แวร์ โพรโทคอลมาตรฐาน เช่น MCP สามารถช่วยให้ทีมสร้างแอปพลิเคชัน GenAI ได้เร็วขึ้นและมีความน่าเชื่อถือมากขึ้น” Gideon Mendels ซีอีโอและผู้ร่วมก่อตั้ง Comet ซึ่งเป็นแพลตฟอร์มประเมินโมเดล AI บอกกับฉัน “สิ่งนี้ตามมาจากความตระหนักในตลาดในช่วง 6 เดือนที่ผ่านมาว่าโมเดล LLM ที่ยอดเยี่ยมเพียงอย่างเดียวไม่เพียงพอ”

Anthropic ยังเปิดเผยว่าผู้ใช้ธุรกิจชั้นนำ เช่น Block และ Apollo ได้รวม MCP เข้ากับระบบของตนแล้ว ในขณะเดียวกัน ผู้ให้บริการเครื่องมือพัฒนา เช่น Zed, Replit, Codeium และ Sourcegraph ก็ร่วมมือกับ MCP เพื่อปรับปรุงแพลตฟอร์มของตน ส่วนการร่วมมือนี้มีจุดมุ่งหมายเพื่อช่วยให้โมเดล AI และเอเจนต์สามารถดึงข้อมูลที่เกี่ยวข้องมากขึ้นผ่านข้อมูลแบบเรียลไทม์ เข้าใจบริบทได้ดีขึ้น และสร้างผลลัพธ์ที่เหมาะสมยิ่งขึ้นสำหรับงานธุรกิจ เช่น การเขียนโค้ด โดยมีประสิทธิภาพมากขึ้น

“โมเดล AI ที่มีลักษณะเหมือนมนุษย์และตระหนักรู้มากขึ้นสามารถทำให้เทคโนโลยีนี้ดูเป็นมิตร ซึ่งอาจขับเคลื่อนการนำไปใช้อย่างกว้างขวาง” Masha Levin ผู้ประกอบการใน One Way Ventures บอกกับฉัน “ยังมีความกลัวเกี่ยวกับ AI อยู่มาก โดยมองว่ามันเป็นเพียงเครื่องจักรเท่านั้น การทำให้โมเดลเหล่านี้มีลักษณะเหมือนมนุษย์มากขึ้นอาจช่วยลดความกลัวเหล่านี้และทำให้การรวมเข้ากับชีวิตประจำวันราบรื่นขึ้น”

เลวินยังเตือนเกี่ยวกับด้านลบที่อาจเกิดขึ้น “มีความเสี่ยงที่ธุรกิจอาจพึ่งพา AI มากเกินไปในการสนับสนุน ซึ่งทำให้ AI มีอิทธิพลต่อการตัดสินใจในลักษณะที่รุนแรง ซึ่งอาจนำไปสู่ผลกระทบที่เป็นอันตราย”

อย่างไรก็ตาม การทดสอบที่แท้จริงสำหรับ MCP จะเป็นความสามารถในการได้รับการยอมรับอย่างกว้างขวางและแซงหน้าคู่แข่งในตลาดที่มีการแข่งขันสูง

Anthropic MCP เทียบกับ OpenAI และ Perplexity: การต่อสู้เพื่อเป็นมาตรฐานในการนวัตกรรม AI

ในขณะที่ MCP ของ Anthropic ที่เปิดให้ใช้งานแบบโอเพ่นซอร์สถือเป็นความก้าวหน้าที่สำคัญสำหรับการนวัตกรรม AI แต่ก็เข้าสู่ภูมิทัศน์ที่มีการแข่งขันสูงซึ่งถูกครอบงำโดยยักษ์ใหญ่ด้านเทคโนโลยี เช่น OpenAI และ Perplexity

คุณลักษณะ “Work with Apps” ของ OpenAI สำหรับ ChatGPT แสดงให้เห็นถึงความสามารถที่คล้ายคลึงกัน แม้ว่าจะมุ่งเน้นไปที่การร่วมมือที่ใกล้ชิดมากกว่ามาตรฐานที่เปิดกว้าง คุณลักษณะนี้ช่วยให้ ChatGPT สามารถเข้าถึงและวิเคราะห์ข้อมูลและเนื้อหาจากรับแอปอื่นๆ ได้ แต่เฉพาะเมื่อมีการอนุญาตจากผู้ใช้เท่านั้น ทำให้นักพัฒนาต้องคัดลอกและวางข้อมูลโดยไม่ต้องคัดลอกและวางข้อมูลด้วยตนเอง แทนที่จะให้ ChatGPT ทบทวนข้อมูลโดยตรงจากแอป และให้คำแนะนำที่ฉลาดและตระหนักรู้ถึงบริบทมากขึ้นเนื่องจากการรวมเข้ากับข้อมูลอินเทอร์เน็ตแบบเรียลไทม์

นอกจากนี้ บริษัทยังแนะนำโครงสร้างข้อมูลแบบเรียลไทม์ในเดือนตุลาคมที่เรียกว่า “Realtime API” ซึ่งช่วยให้แอสซิสตันท์เสียงตอบสนองได้ดีขึ้นโดยดึงบริบทใหม่ๆ จากอินเทอร์เน็ต ตัวอย่างเช่น แอสซิสตันท์เสียงสามารถสั่งซื้อสินค้าแทนผู้ใช้หรือดึงข้อมูลลูกค้าที่เกี่ยวข้องเพื่อให้คำตอบที่เป็นส่วนตัว “ตอนนี้ด้วย Realtime API และในอนาคตกับ Chat Completions API นักพัฒนาจะไม่ต้องเชื่อมต่อโมเดลหลายรุ่นเพื่อสร้างประสบการณ์เหล่านี้” OpenAI ระบุใน โพสต์บล็อก “ภายใต้ฮูด Realtime API ช่วยให้คุณสร้างการเชื่อมต่อ WebSocket ที่คงอยู่เพื่อแลกเปลี่ยนข้อความกับ GPT-4o”

ในทำนองเดียวกัน โพรโทคอลข้อมูลแบบเรียลไทม์ของ Perplexity สำหรับ AI ที่เรียกว่า “pplx-api” ให้ความสามารถแก่นักพัฒนาที่จะเข้าถึงโมเดลภาษาขนาดใหญ่ (LLM) ของตน API นี้ช่วยให้แอปพลิเคชันสามารถส่งคำถามภาษาธรรมชาติและรับข้อมูลที่มีรายละเอียดและเป็นปัจจุบันจากเว็บ ผ่านจุดสิ้นสุด API เดียว ทำให้สามารถดึงข้อมูลที่เป็นปัจจุบันและตอบสนองอย่างตระหนักรู้ถึงบริบทสำหรับแอปพลิเคชัน AI ซึ่งช่วยให้นักพัฒนาสามารถสร้างแอปพลิเคชันที่ยังคงถูกต้องตามข้อมูลล่าสุด

“โดยทั่วไป อุตสาหกรรมมักจะมาตรฐาน化โซลูชันโอเพ่นซอร์ส แต่สิ่งนี้มักจะใช้เวลาหลายปี มีความเป็นไปได้สูงว่า OpenAI จะพยายามแนะนำโพรโทคอลเพิ่มเติม” เม็นเดลส์กล่าว “แต่หาก MCP ได้รับการยอมรับอย่างกว้างขวางเป็นมาตรฐานแรกของชนิดนี้ เราอาจเห็นเทคนิคและแนวทางปฏิบัติที่ดีที่สุดเริ่มมาตรฐาน化รอบๆ มัน”

Anthropic MCP สามารถกำหนดมาตรฐานสำหรับการรวม AI ที่ตระหนักรู้ถึงบริบทได้หรือไม่?

尽管 MCP มีศักยภาพ แต่ก็ยังต้องเผชิญกับความท้าทายที่สำคัญ ความปลอดภัยเป็นปัญหาหลัก เนื่องจากการเปิดให้ AI เข้าถึงข้อมูลที่ละเอียดอ่อนขององค์กรทำให้เกิดความเสี่ยงของการรั่วไหลหากระบบเกิดความผิดปกติ นอกจากนี้ การชักชวนให้นักพัฒนาที่มีประสบการณ์แล้วในการนำ MCP ไปใช้อาจเป็นเรื่องที่ท้าทาย

ปัญหาอีกประการหนึ่งคือขนาดของข้อมูล ตามที่ JD Raimondi หัวหน้าฝ่ายวิทยาศาสตร์ข้อมูลของบริษัทพัฒนา IT Making Sense ระบุ “Anthropic เป็นผู้นำในด้านการทดลองที่นำไปสู่บริบทขนาดใหญ่ แต่ความแม่นยำของโมเดลลดลงอย่างมาก มีความเป็นไปได้ที่จะดีขึ้นตามเวลา และในด้านประสิทธิภาพ มีเทคนิคมากมายที่จะทำให้ความเร็วยอมรับได้”

ในขณะที่ Anthropic ยืนยันว่า MCP ปรับปรุงความสามารถของ AI ในการดึงและตีความข้อมูล การขาดมาตรฐานที่เป็นรูปธรรมเพื่อสนับสนุนคำกล่าวอ้างเหล่านี้อาจขัดขวางการนำไปใช้ “ไม่ว่าคุณจะเป็นนักพัฒนาทool, องค์กรที่ต้องการใช้ข้อมูลที่มีอยู่ หรือผู้รับใช้แรกที่กำลังสำรวจพื้นที่ใหม่ๆ เราเชิญชวนให้คุณร่วมสร้างอนาคตของ AI ที่ตระหนักรู้ถึงบริบท” Anthropic ระบุ

เมื่อนักพัฒนาทดสอบความสามารถของ MCP อุตสาหกรรมจะจับตาดูว่าโพรโทคอลที่เปิดกว้างนี้สามารถสร้างความน่าเชื่อถือที่จำเป็นในการกลายเป็นมาตรฐานสำหรับการรวม AI ที่ตระหนักรู้ถึงบริบทหรือไม่ เม็นเดลส์แนะนำว่าการมาตรฐาน化อาจเป็นขั้นตอนที่ชาญฉลาดสำหรับ Anthropic ซึ่งอาจเพิ่มความสามารถในการทำงานร่วมกันและช่วยให้ทีมสามารถทดลองกับเครื่องมือต่างๆ เพื่อค้นหาสิ่งที่ดีที่สุดสำหรับความต้องการของตน “ในขณะนี้ ยังรู้สึกว่ามันเร็วเกินไปที่จะบอกว่ากระบวนการหลายอย่างในระบบนิเวศ AI กำลังมาตรฐาน化” เม็นเดลส์กล่าว “ด้วยนวัตกรรมที่เกิดขึ้นอย่างรวดเร็ว วิธีการปฏิบัติที่ดีที่สุดในปัจจุบันอาจล้าสมัยภายในหนึ่งสัปดาห์เท่านั้น มีเพียงเวลาเท่านั้นที่จะบอกได้ว่าโพรโทคอล เช่น MCP สามารถประสบความสำเร็จในการกำหนดมาตรฐานการดึงข้อมูลบริบทได้หรือไม่”