Louis Amira ผู้ก่อตั้ง Circuit & Chisel – ซีรีส์สัมภาษณ์

Louis Amira เป็นผู้ก่อตั้ง Circuit & Chisel โดยนำประสบการณ์ด้านการสร้างผลิตภัณฑ์และการพัฒนาความร่วมมือในแวดวง AI คริปโท และการชำระเงินมาใช้ เส้นทางการทำงานของเขาครอบคลุมการร่วมก่อตั้งธุรกิจภายในโครงการบ่มเพาะธุรกิจ Area 120 ของ Google การทำงานที่ Chainlink และการเป็นผู้นำด้านความร่วมมือเกี่ยวกับคริปโทและ AI ที่ Stripe เขาก่อตั้ง Circuit & Chisel ร่วมกับ David Noël-Romas เพื่อแก้ปัญหาช่องว่างด้านโครงสร้างพื้นฐาน ซึ่งขัดขวางไม่ให้เอเจนต์ AI ทำงานที่เป็นประโยชน์และเชื่อถือได้ให้ธุรกิจได้

Circuit & Chisel พัฒนาโครงสร้างพื้นฐานสำหรับเอเจนต์ AI และเป็นบริษัทผู้อยู่เบื้องหลัง ATXP, Unbiased และ Pareto โดย ATXP มอบความสามารถด้านการระบุตัวตนและการชำระเงินให้เอเจนต์ ส่วน Pareto ผสานโมเดลแนวหน้ากับโมเดลแบบเปิดน้ำหนัก เพื่อแก้ปัญหาด้านคุณภาพและต้นทุนของการอนุมานด้วย AI ขณะที่ Unbiased เปิดให้เข้าถึง Pareto ผ่านแพลตฟอร์มของตน ในบทสัมภาษณ์นี้ Amira พูดถึงการประสานการทำงานของโมเดล การประเมินผล เศรษฐศาสตร์ของการอนุมาน การเก็บรักษาข้อมูล และความเชื่อมโยงระหว่างการให้เหตุผลที่เชื่อถือได้ของเอเจนต์กับการชำระเงินแบบอัตโนมัติ

เส้นทางอาชีพของคุณพาจากโครงการบ่มเพาะธุรกิจ Area 120 ของ Google มาสู่การเป็นผู้นำด้านความร่วมมือเกี่ยวกับคริปโทและ AI ที่ Stripe ก่อนจะร่วมก่อตั้ง Circuit & Chisel ประสบการณ์เหล่านั้นสอนอะไรคุณเกี่ยวกับโครงสร้างพื้นฐานที่เอเจนต์ AI จำเป็นต้องมี และอะไรเป็นแรงบันดาลใจให้คุณเริ่มก่อตั้งบริษัทในท้ายที่สุด

ที่ Google ผมร่วมก่อตั้งบริษัทแห่งหนึ่งภายใน Area 120 บทเรียนที่ผมได้จากประสบการณ์นั้นคือ สิ่งที่คุณสร้างก่อนจะเป็นตัวกำหนดว่าคุณจะสร้างอะไรได้ในภายหลัง ที่ Chainlink และ Stripe ผมเห็นรูปแบบเดียวกันจากอีกด้านหนึ่ง เทคโนโลยีใหม่ทำงานได้ในสภาพแวดล้อมสาธิต เมื่ออากาศแจ่มใสและทุกอย่างอยู่ในสภาวะสมบูรณ์แบบ แต่กลับไปต่อไม่ได้ เพราะโครงสร้างพื้นฐานสำหรับใช้งานจริงยังไม่พร้อม

David กับผมเริ่มต้น Circuit & Chisel เพื่อสร้างเอเจนต์ที่ทำงานจริงให้ธุรกิจจริง เอเจนต์เหล่านั้นล้มเหลวด้วยเหตุผลธรรมดา ๆ อยู่เสมอ พวกมันพิสูจน์ไม่ได้ว่าตัวเองเป็นใคร และจ่ายเงินซื้ออะไรก็ไม่ได้ เราจึงสร้าง ATXP เพื่อให้เอเจนต์มีตัวตนและช่องทางชำระเงิน

จากนั้นเราก็เจออุปสรรคถัดไป เอเจนต์ที่ลงมือทำงานได้ก็ต้องทำงานได้ถูกต้องด้วย ในราคาที่เหมาะสมกับงาน นั่นคือที่มาของ Pareto ทั้งสองครั้ง เราใช้สัญชาตญาณเดียวกัน นั่นคือค้นหาสิ่งที่ขาดหายไปแล้วสร้างมันขึ้นมา

ช่วงแรก Circuit & Chisel มุ่งเน้นที่ ATXP ซึ่งเป็นโปรโตคอลที่ออกแบบมาเพื่อรองรับการชำระเงินแบบอัตโนมัติระหว่างเอเจนต์ AI ก่อนจะขยายไปสู่โครงสร้างพื้นฐานของโมเดล AI ด้วย Unbiased และ Pareto อะไรเป็นเหตุให้เกิดการเปลี่ยนแปลงนี้ และเทคโนโลยีเหล่านี้สอดคล้องกับวิสัยทัศน์ที่กว้างขึ้นของคุณเกี่ยวกับเศรษฐกิจของเอเจนต์อย่างไร

ลูกค้าของเราและเอเจนต์ของพวกเขาทำให้เราเห็นว่า ATXP ใช้งานได้จริง เอเจนต์มีตัวตนและใช้จ่ายเงินได้ แต่เมื่อเราได้นั่งคุยกับธุรกิจ ปัญหาแรกที่พวกเขาเผชิญไม่ใช่เรื่องการชำระเงิน หากเป็นความเชื่อมั่นในผลลัพธ์ ไม่มีใครมอบงบประมาณให้เอเจนต์ที่เลือกโมเดลไม่เหมาะกับงานหรือให้คำตอบผิด

ดังนั้นเมื่อต้นปีนี้ เราจึงเร่งพัฒนางานด้านคุณภาพและต้นทุน ซึ่งนำไปสู่ Pareto

ทั้งสองอย่างยังคงทำงานร่วมกันได้ Pareto ตัดสินใจว่าเอเจนต์ควรคิดวิเคราะห์งานอย่างไร ส่วน ATXP ช่วยให้เอเจนต์ลงมือทำและชำระเงินได้ คุณจำเป็นต้องมีทั้งคู่ และต้องใช้ตามลำดับนี้ เพราะไม่มีใครให้กระเป๋าเงินแก่เอเจนต์ก่อนจะเชื่อมั่นในการตัดสินใจของมัน เราเพียงแต่สร้างทั้งสองอย่างผิดลำดับ

Pareto ใช้แนวทางที่แตกต่างจากโมเดลภาษาขนาดใหญ่แบบดั้งเดิม โดยผสานผลลัพธ์จากโมเดลแนวหน้าและโมเดลแบบเปิดน้ำหนักหลายตัว แทนที่จะพึ่งโมเดลเดียวหรือระบบกำหนดเส้นทางแบบทั่วไป ช่วยอธิบายการทำงานของสถาปัตยกรรมนี้ได้ไหม โดยเฉพาะวิธีสังเคราะห์คำตอบที่ขัดแย้งกันให้กลายเป็นผลลัพธ์ที่แม่นยำหรือเป็นประโยชน์ยิ่งขึ้น

Pareto เป็นระบบ ไม่ใช่โมเดลเดียว ระบบจะส่งงานไปยังโมเดลจากแล็บหลายแห่ง ทั้งโมเดลแนวหน้าและโมเดลแบบเปิดน้ำหนัก แล้วกำหนดหน้าที่ให้แต่ละโมเดล หลายโมเดลอาจทำงานนั้นได้ แต่บางครั้งงานก็ซับซ้อน และจำเป็นต้องให้โมเดลหนึ่งตรวจทานและให้คำแนะนำ การเลือกว่าจะเรียกใช้โมเดลใดนั้นขึ้นอยู่กับคะแนนด้านความสามารถ ต้นทุน ความเร็ว และความน่าเชื่อถือของแต่ละโมเดลสำหรับงานประเภทนั้น รวมถึงระดับการตรวจสอบที่งานนั้นควรได้รับ

เราไม่ได้นำคำตอบมาเฉลี่ยกัน เพราะการเฉลี่ยทำให้ข้อผิดพลาดกลมกลืนไปด้วยกัน เราต้องการให้โมเดลเห็นต่างกัน เพราะข้อผิดพลาดจะปรากฏให้เห็นเมื่อเกิดความเห็นต่าง เมื่อชุดโมเดลที่พร้อมใช้งานเปลี่ยนไป เราจะทดสอบซ้ำและเผยแพร่ Pareto เวอร์ชันใหม่ที่มีหมายเลขกำกับ

จุดเด่นสำคัญอย่างหนึ่งของ Pareto คือการมอบความสามารถระดับโมเดลแนวหน้าในต้นทุนที่ต่ำกว่ามาก เมื่อมีโมเดลหลายตัวร่วมกันสร้างคำตอบ คุณทำให้ประหยัดต้นทุนได้อย่างไร และต้องแลกกับอะไรบ้างในแง่ต้นทุนการอนุมาน เวลาแฝง และคุณภาพของผลลัพธ์

หน้าที่ของ Pareto คือให้คำตอบในระดับโมเดลแนวหน้า ส่วนต้นทุนที่ต่ำลงเกิดจากวิธีที่ระบบใช้เพื่อให้ได้คำตอบเหล่านั้น

คำขอส่วนใหญ่ที่ผู้คนส่งให้ AI เป็นงานทั่วไป โมเดลราคาถูกกว่าตอบคำขอเหล่านั้นได้ถูกต้องบ่อยพอ ๆ กับโมเดลที่แพงที่สุด Pareto ส่งคำขอเหล่านั้นไปยังโมเดลราคาถูกกว่า และเก็บโมเดลแนวหน้าหรือการทำงานร่วมกันของโมเดลหลายตัวไว้ใช้กับคำขอที่จำเป็นต้องใช้ ในการทดสอบที่เราเผยแพร่ ผลการประเมินของชุดโมเดลนี้อยู่ห่างจาก GPT-6 Astra และ Claude Opus 5.5 เพียงไม่กี่คะแนนในเกณฑ์มาตรฐานหลักส่วนใหญ่ โดยมีต้นทุนต่อภารกิจต่ำกว่า 30–70%

ไม่มีข้อแลกเปลี่ยนที่มีนัยสำคัญ Pareto อาจไม่ได้กำหนดเส้นทางให้ทุกคำขอได้อย่างสมบูรณ์แบบ แต่เราวัดความถี่ที่ระบบกำหนดเส้นทางผิด แล้วปรับปรุงผลลัพธ์และเผยแพร่ข้อมูลเหล่านั้นด้วย

ทีมของคุณเผยแพร่ผลการทดสอบประสิทธิภาพที่แสดงให้เห็นว่า Pareto แข่งขันได้กับโมเดลชั้นนำทั้งแบบปิดและแบบเปิดน้ำหนัก รวมถึงการเปรียบเทียบที่มี GPT-6 Astra และ Claude Opus 5.5 อยู่ด้วย คุณทำอย่างไรให้มั่นใจว่าการประเมินเหล่านี้สะท้อนประสิทธิภาพในการใช้งานจริง ไม่ใช่การปรับแต่งให้เหมาะกับชุดทดสอบโดยเฉพาะ และโมเดลแนวหน้ายังคงได้เปรียบ Pareto อย่างมีนัยสำคัญในด้านใดบ้าง?

เราเผยแพร่โค้ดที่ใช้ประเมินผล เพื่อให้ทุกคนสามารถรันตัวเลขของเราอีกครั้งได้ โมเดลทุกตัวผ่านชุดทดสอบเดียวกัน รวมถึง Pareto ด้วย และเราก็แสดงผลแพ้ของ Pareto ให้เห็นพอ ๆ กับผลชนะด้วย กระดานคะแนนที่เจ้าบ้านชนะอยู่เสมอก็เป็นแค่โฆษณา

เราเปิดให้ใช้งานผ่านเกตเวย์ AI หลายแห่ง และให้บริษัททุกขนาดเข้าถึงโมเดลใหม่ในช่วงพรีวิว เรานำความคิดเห็นของพวกเขามาปรับใช้แทบจะเรียลไทม์ เพื่อพัฒนาประสิทธิภาพของโมเดลอย่างต่อเนื่อง

มีรายงานว่า Pareto ประมวลผลโทเค็นได้มากกว่า 2 ล้านล้านโทเค็นภายใน 48 ชั่วโมงแรก ความต้องการในช่วงแรกนั้นสะท้อนอะไรเกี่ยวกับตลาดการอนุมาน AI ที่มีต้นทุนคุ้มค่า และความท้าทายทางเทคนิคที่สำคัญที่สุดในการรักษาประสิทธิภาพ ความน่าเชื่อถือ และความสามารถในการขยายระบบให้รองรับปริมาณดังกล่าวคืออะไร?

ความต้องการสูงกว่าที่เรากับพาร์ตเนอร์คาดไว้หลายเท่า และน่าเสียดายที่เรามีกำลังประมวลผลไม่พอจะรองรับได้อย่างเหมาะสม ในวันแรก ความต้องการพุ่งเกิน 5 ถึง 10 พันล้านโทเค็นต่อนาที แต่เรารองรับได้ประมาณ 1.6 พันล้านโทเค็น หากจะรองรับความต้องการทั้งหมดนั้นได้อย่างเหมาะสมโดยไม่คิดค่าใช้จ่าย เราคงต้องใช้เงินหลายล้านดอลลาร์ต่อวัน

สิ่งที่เราได้เรียนรู้คือ ราคาเป็นอุปสรรคต่อการใช้งาน AI จำนวนมาก มีผู้พัฒนาที่ผลิตภัณฑ์ของตนใช้งานได้ในราคาหนึ่ง แต่ใช้ไม่ได้หากราคาสูงขึ้นห้าเท่า เมื่อราคาลดลง พวกเขาก็เข้ามาใช้บริการ

ความท้าทายที่ยากที่สุดนั้นตรงไปตรงมามาก เรามีกำลังรองรับไม่พอ ในวันแรก โมเดลทำงานช้าจนมีผู้ใช้บางส่วนเลิกใช้งาน เราเพิ่มกำลังรองรับในชั่วข้ามคืน และเปลี่ยนเป็นการเข้าถึงแบบชำระเงินในอีกสองวันหลังเปิดตัว ซึ่งเป็นวิธีจัดสรรทรัพยากรที่ตรงไปตรงมา

เรายังได้เรียนรู้เรื่องการเปิดเผยข้อมูลด้วย ผู้ใช้บางคนรู้สึกว่าถูกทำให้เข้าใจผิดเมื่อทราบว่า Union Alpha ประกอบด้วยหลายโมเดลที่ทำงานร่วมกัน ไม่ใช่โมเดลเดียว การเปิดตัวร่วมกับพาร์ตเนอร์ในฐานะ “โมเดลอีกตัวหนึ่ง” ก็เป็นส่วนหนึ่งของจุดประสงค์ เพราะในทางปฏิบัติ ผู้ใช้ไม่ควรสัมผัสได้ถึงความแตกต่างในการใช้ผลลัพธ์จากระบบจัดเส้นทาง

การไม่เก็บรักษาข้อมูลเป็นองค์ประกอบสำคัญอีกประการหนึ่งของจุดยืนด้านผลิตภัณฑ์ของ Pareto โดยเฉพาะเมื่อองค์กรต่าง ๆ กังวลมากขึ้นเรื่อย ๆ ว่าข้อมูลอ่อนไหวจะถูกส่งผ่านผู้ให้บริการ AI ภายนอก คุณบังคับใช้และตรวจสอบมาตรการคุ้มครองเหล่านี้อย่างไรเมื่อมีโมเดลพื้นฐานหลายตัวเกี่ยวข้อง และลูกค้าองค์กรจะได้รับคำรับรองอะไรได้บ้างเกี่ยวกับการจัดการข้อมูลของตน?

สำหรับแพ็กเกจที่ไม่เก็บรักษาข้อมูล เราจะไม่จัดเก็บพรอมต์หรือผลลัพธ์ของคุณ และผู้ให้บริการที่เราส่งข้อมูลไปให้ก็จะไม่จัดเก็บเช่นกัน

เมื่อมีโมเดลหลายตัวอยู่ในกระบวนการ คำมั่นว่าจะไม่เก็บรักษาข้อมูลก็มีความน่าเชื่อถือได้เท่ากับจุดที่อ่อนแอที่สุดเท่านั้น ดังนั้นคำขอที่ต้องการการไม่เก็บรักษาข้อมูลจึงส่งไปยังโมเดลที่ดำเนินงานภายใต้เงื่อนไขไม่เก็บรักษาข้อมูลเท่านั้น หากผู้ให้บริการรายใดทำตามเงื่อนไขเหล่านี้ไม่ได้ ก็จะไม่ได้รับคำขอที่กำหนดให้ไม่เก็บรักษาข้อมูล

ลูกค้าองค์กรจะได้รับเอกสารเป็นลายลักษณ์อักษร ได้แก่ ข้อตกลงการประมวลผลข้อมูลและเอกสารแนบท้ายเรื่อง ZDR เรายังระบุอย่างชัดเจนด้วยว่าแพ็กเกจใดบ้างที่ไม่ใช่ ZDR เพื่อไม่ให้ใครเข้าใจผิดว่าแพ็กเกจของตนอยู่ในกลุ่มใด สำหรับบริษัทที่ต้องการให้ข้อมูลไม่ออกจากอาคารของตนเลย เรากำลังพัฒนาเวอร์ชันที่สามารถใช้งานบนฮาร์ดแวร์ของบริษัทเองได้ อีกไม่นานจะมีรายละเอียดเพิ่มเติม

เมื่อ AI Agent เปลี่ยนจากการตอบคำถามไปสู่การดำเนินเวิร์กโฟลว์ซับซ้อนหลายขั้นตอน ข้อผิดพลาดเล็กน้อยในการให้เหตุผลก็อาจสะสมจนกลายเป็นความล้มเหลวครั้งใหญ่ได้ Pareto จัดการปัญหาอย่างภาพหลอนของ AI ผลลัพธ์ที่ขัดแย้งกันระหว่างโมเดล และความน่าเชื่อถือในการทำงานของเอเจนต์เป็นเวลานานอย่างไร และการผสานโมเดลหลายตัวอาจก่อให้เกิดรูปแบบความล้มเหลวใหม่ ๆ ขึ้นเองหรือไม่?

นี่คือปัญหาแรกที่เราเจอ เมื่อนำออกจากสภาพแวดล้อมสาธิต เอเจนต์มักทำงานต่อไม่ไหว ความผิดพลาดเล็กน้อยในขั้นที่สองอาจกลายเป็นปัญหาใหญ่ในขั้นที่สิบ

การใช้หลายโมเดลช่วยได้ในขั้นตอนที่ยาก โมเดลเหล่านี้สามารถแยกกันทำโจทย์เดียวกัน ตรวจสอบกันและกัน หรือยืนยันผลลัพธ์ก่อนที่เอเจนต์จะดำเนินการต่อ โมเดลเดียวไม่มีความเห็นที่สอง แต่ Pareto มี

เราวัดความพึงพอใจของผู้ใช้และประสิทธิภาพในการทำงานจริง เผยแพร่ผลลัพธ์รวมถึงผลที่ไม่ดี แล้วแก้ไขสิ่งที่พบ ลูกค้าที่ต้องการให้ระบบทำงานแบบเดิมทุกครั้งสามารถตรึง Pareto ไว้ที่เวอร์ชันหนึ่ง เพื่อไม่ให้มีการเปลี่ยนแปลงโดยไม่คาดคิด

ผ่าน ATXP และ Unbiased, Circuit & Chisel กำลังรับมือกับความท้าทายสำคัญสองประการสำหรับเอเจนต์อัตโนมัติ ได้แก่ การเข้าถึงขีดความสามารถด้านปัญญาประดิษฐ์อย่างมีประสิทธิภาพ และการชำระค่าบริการที่เอเจนต์ใช้งาน คุณมองว่าขีดความสามารถเหล่านี้จะมาบรรจบกันอย่างไร และในอนาคตเราอาจได้เห็นเอเจนต์เลือก ซื้อ และประสานการทำงานของโมเดล AI กับเครื่องมือภายนอกได้ด้วยตนเอง โดยพิจารณาจากประสิทธิภาพ ต้นทุน และข้อกำหนดของงานหรือไม่?

ใช่ นี่คือทิศทางที่กำลังมุ่งไป

ปัจจุบัน คนเป็นผู้ตัดสินใจว่าจะใช้โมเดลใด เรียกใช้เครื่องมือใด และจะชำระเงินอย่างไร แต่ต่อไป การตัดสินใจเหล่านี้จะทำผ่านเอเจนต์มากขึ้นเรื่อย ๆ เอเจนต์จะเลือกโมเดลที่เหมาะสมสำหรับแต่ละขั้นตอน ค้นหาเครื่องมือที่จำเป็น ชำระเงินให้ผู้ให้บริการแต่ละราย และตรวจสอบผลลัพธ์ก่อนดำเนินการต่อ

เรื่องนี้ต้องมีสองอย่าง อย่างแรกคือวิธีเข้าถึงขีดความสามารถด้านปัญญาประดิษฐ์ที่เหมาะกับงานแต่ละประเภท ซึ่งก็คือ Pareto อย่างที่สองคือวิธีพิสูจน์ตัวตนและชำระเงิน ซึ่งเป็นวัตถุประสงค์ดั้งเดิมที่ ATXP ถูกสร้างขึ้นมาเพื่อรองรับ

ขณะนี้หลายบริษัทกำลังพัฒนาสิ่งต่าง ๆ เช่น ข้อจำกัดและความรับผิด ก่อนที่ใครจะไว้วางใจให้เอเจนต์จัดการเงิน นั่นจึงเป็นเหตุผลที่เราเริ่มต้นด้วยการตัดสินใจ ส่วนการชำระเงินจะยิ่งมีประโยชน์มากขึ้นเมื่อคุณไว้วางใจเอเจนต์ที่ใช้งานมากขึ้น

เมื่อมองไปข้างหน้า คุณคิดว่าความก้าวหน้าครั้งสำคัญครั้งต่อไปของ AI จะมาจากการฝึกโมเดลเดี่ยวให้มีความสามารถเพิ่มขึ้นอย่างต่อเนื่องเป็นหลัก หรือจากการพัฒนาระบบที่ผสานโมเดลและความสามารถที่มีอยู่เข้าด้วยกันอย่างชาญฉลาด คุณคิดว่าความแตกต่างนี้จะกำหนดการแข่งขันระหว่างบริษัท AI หน้าใหม่กับผู้พัฒนาโมเดลแนวหน้ารายใหญ่ในช่วงหลายปีข้างหน้าอย่างไร

ทั้งสองอย่าง ห้องปฏิบัติการจะพัฒนาโมเดลให้ดีขึ้นเรื่อย ๆ ซึ่งมีความสำคัญมาก เราทำให้ผู้คนไม่รู้สึกว่าต้องอ่านข้อมูลและทดสอบโมเดลแต่ละตัวด้วยตัวเอง เราควรส่งมอบโมเดลที่เหมาะกับงานนั้น พร้อมผลตอบแทนจากการลงทุนที่เหมาะสม ไม่ต้องเหนื่อยล้าจากการตามดูโมเดลอีกต่อไป

เราไม่มีทางใช้เงินฝึกโมเดลได้มากกว่าห้องปฏิบัติการเหล่านั้น เราจึงต่อยอดจากผลงานของพวกเขาและช่วยเผยแพร่โมเดล ทุกครั้งที่ห้องปฏิบัติการแห่งใดเปิดตัวโมเดลที่ดีกว่า Pareto ก็จะดีขึ้นตามไปด้วย

ห้องปฏิบัติการเหล่านั้นอาจสร้างระบบนี้เอง และบางแห่งก็จะทำเช่นนั้น แต่ระบบเลือกโมเดลของห้องปฏิบัติการย่อมเข้าข้างทีมของตัวเอง เราไม่ได้เป็นเจ้าของโมเดลใด ๆ ดังนั้นหนทางเดียวที่เราจะชนะได้คือทำให้ลูกค้าได้รับคำตอบที่ดีที่สุดในราคาที่จ่าย ยิ่งมีโมเดลมากเท่าไร เรื่องนี้ก็ยิ่งสำคัญมากขึ้นเท่านั้น

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Pareto โครงสร้างพื้นฐานสำหรับเอเจนต์ และเครื่องมือที่เชื่อมโยงการให้เหตุผลของ AI เข้ากับการระบุตัวตนและการชำระเงิน สามารถเยี่ยมชม Circuit & Chisel ได้