ไม่เหมือนคุณ สำหรับคุณ: ทำไม "วิศวกรรมเชิงปัญญา" ถึงพลาดประเด็น

TL;DR: อุตสาหกรรม AI ยังคงประดิษฐ์สาขา "วิศวกรรม" ใหม่ๆ — Prompt, Context, Harness, Loop, Graph และตอนนี้คือ Cognitive แต่ละสาขาแก้ปัญหาเมต้าเดียวกัน: ผลลัพธ์ที่เชื่อถือได้ แต่ "วิศวกรรมเชิงปัญญา" สัญญาสิ่งที่มันยังไม่สามารถส่งมอบได้ โอกาสที่แท้จริงไม่ใช่การทำให้ AI คิดชอบคุณ มันทำให้คิดสำหรับคุณ — ดีขึ้น เร็วขึ้น และมีความรู้ชัดเจนเกี่ยวกับขีดจำกัดของตัวเอง

เจมส์ที่นี่ ซีอีโอของ Mercury Technology Solutions ไซเบอร์พอร์ต ฮ่องกง — กรกฎาคม 2026

เครื่องวิ่งตั้งชื่อ

ทุกไม่กี่เดือน AI Twitter สร้าง "วิศวกรรม" ใหม่ขึ้นมา

วิศวกรรมการตั้งคำถาม วิศวกรรมบริบท วิศวกรรมการใช้พลัง วิศวกรรมวงจร วิศวกรรมกราฟ ตอนนี้คือวิศวกรรมการรับรู้

ชื่อเรียกเพิ่มขึ้น การประชุมขายบัตรผลงาน ผู้นำความคิดใน LinkedIn อัปเดตชีวประวัติของพวกเขา และที่ไหนสักแห่งในกลางทั้งหมดนี้ วิศวกรรมที่แท้จริงก็เกิดขึ้น

แต่มีสิ่งหนึ่งที่ต้องพูด:ความก้าวหน้าเป็นเรื่องจริงแต่ละชั้นช่วยแก้ปัญหาเมตาเดียวกัน — วิธีทำให้ AI ผลิตสิ่งที่คุณต้องการได้อย่างเชื่อถือได้ — ด้วยขอบเขตและนามธรรมที่เพิ่มขึ้น

| ชั้น | สิ่งที่มันควบคุม | การกระโดด | |-------|-----------------|----------| | การตั้งคำถาม | การโทรครั้งเดียว | สิ่งที่โมเดลเห็น | | บริบท | การโทรครั้งเดียว + หน่วยความจำ | สิ่งที่โมเดลรู้เกี่ยวกับคุณ | | การใช้ประโยชน์ | การดำเนินการงานเดียว | เครื่องมือ, สถานะ, ขอบเขตความปลอดภัย | | ลูป | ความคงอยู่หลายรอบ | การแก้ไขจนกว่าจะเสร็จ | | กราฟ | การจัดการหลายขั้นตอน | การออกแบบกระบวนการ, การแยกสาขา, ความขนาน | | การรับรู้ | การตัดสินใจเอง | วิธีที่มันคิด ไม่ใช่แค่สิ่งที่คิด |

แต่ละขั้นตอนยากกว่าขั้นตอนก่อนหน้าอย่างแท้จริง แต่ละขั้นตอนต้องการนามธรรมใหม่ โหมดความล้มเหลวใหม่ การสังเกตใหม่ ชื่อไม่ใช่ปัญหา ปัญหาคือเมื่อผู้คนมองว่ามันเป็นการตลาดแทนที่จะเป็นสถาปัตยกรรม

**อุปสรรคทางวิศวกรรม:** ยิ่งเราตั้งชื่อชั้นมากเท่าไหร่ เราก็ยิ่งเสี่ยงที่จะลืมว่าผู้ใช้ไม่สนใจในนามธรรมของเรา พวกเขาสนใจในผลลัพธ์

ความหมายที่แท้จริงของ "วิศวกรรมการรับรู้"

โพสต์ล่าสุดได้กำหนดวิศวกรรมการรับรู้ว่าเป็นแนวหน้าถัดไป: "สอน AI ให้คิด" ทำให้มันเข้าใจรูปแบบการคิดของคุณ กรอบการตัดสินใจ เกณฑ์การตัดสินใจ ลำดับความสำคัญ ไม่ใช่แค่การดำเนินการ — คิดเหมือนคุณแล้วดำเนินการ

มันเป็นวิสัยทัศน์ที่น่าสนใจ นอกจากนี้ยังระบุไม่ชัดเจนอย่างอันตราย.

เมื่อใครบางคนพูดว่า "สอน AI ให้คิด" พวกเขาอาจหมายถึงสามสิ่งที่แตกต่างกันมาก:

| การตีความ | มันคืออะไรจริงๆ | เราสามารถสร้างมันได้ไหม? | |----------------|---------------------|------------------| | A: รูปแบบการสะท้อน | การกระตุ้นแบบเชนของความคิด + วงจรการแก้ไขตนเอง | ✅ วันนี้ ดูรูปแบบตัวแทน 4 แบบของ Andrew Ng. | | B: การเรียนรู้ความชอบ | ปรับแต่งตามร่องรอยการตัดสินใจของคุณ เรียนรู้การแลกเปลี่ยนของคุณ | ⚠️ ยาก ต้องการโครงสร้างข้อมูลที่บริษัทส่วนใหญ่ไม่มี. | | C: สถาปัตยกรรมทางปัญญาที่ชัดเจน | สถานะความเชื่อ, กฎการอนุมาน, การจัดการความไม่แน่นอน, เมตาคอจิชัน | ❌ ขอบเขตการวิจัย ยังไม่เป็นผลิตภัณฑ์ |

ส่วนใหญ่ของ "วิศวกรรมการรับรู้" จะเป็น A แต่งตัวเป็น C.พวกเขาจะแสดงสายการสะท้อนและเรียกมันว่า "สอน AI ให้คิด." นั่นไม่ใช่สถาปัตยกรรมทางปัญญา นั่นคือการกระตุ้นที่ดีพร้อมขั้นตอนเพิ่มเติม.

สถาปัตยกรรมทางปัญญาที่แท้จริงต้องการสิ่งที่ยากกว่า:

• สถานะความเชื่อ — สิ่งที่ตัวแทนถือว่าเป็นความจริง โดยมีความมั่นใจที่ชัดเจน

• กฎการอนุมาน — วิธีการปรับปรุงความเชื่อเมื่อมีหลักฐานใหม่

• กรอบการตัดสินใจ — หลักการที่ชัดเจนสำหรับการแลกเปลี่ยน (ความเร็ว vs. ความถูกต้อง vs. ค่าใช้จ่าย)

• การคิดเกี่ยวกับการคิด — รู้ว่ามันไม่รู้ และบอกอย่างนั้น

นั่นไม่ใช่การวิศวกรรม นั่นคือ การสร้างจิตใจ และเรายังไม่ถึงจุดนั้น

มิติที่เขาขาดหายไป

ความก้าวหน้าที่เขาวางไว้คือ แนวตั้ง — ความสามารถมากขึ้นต่อชั้น แต่มี แนวนอน มิติที่สำคัญไม่แพ้กัน: ขอบเขตของการดำเนินงาน.

แนวตั้ง (กรอบของเขา): คำสั่ง → บริบท → การใช้ประโยชน์ → วงจร → กราฟ → การรับรู้ แนวนอน (ขาดหายไป): เดี่ยว → หลาย → คงอยู่ → กระจาย → อิสระ → ปรับปรุงตนเอง

แกนแนวนอนเกี่ยวกับการที่ระบบทำงานโดยไม่ต้องมีคุณ:

| ระยะ | ขอบเขต | การมีส่วนร่วมของมนุษย์ | |-------|-------|-------------------| | การโทรเดี่ยว | คำสั่งหนึ่งคำ ตอบกลับหนึ่งคำ | ทุกคำ | | หลายรอบ | ประวัติการสนทนา | ทุกเซสชัน | | คงอยู่ | งานยังคงอยู่ข้ามเซสชัน | การตรวจสอบเป็นระยะ | | กระจาย | ตัวแทนหลายคนประสานงาน | การจัดการข้อยกเว้น | | อิสระ | การแสวงหาความสำเร็จด้วยตนเอง | การเพิ่มระดับเท่านั้น | | ปรับปรุงตนเอง | ปรับเปลี่ยนสถาปัตยกรรมของตนเอง | ไม่มี (ทฤษฎี) |

ที่เมอร์คิวรี เราทำงานที่ คงอยู่ → กระจาย.งาน cron ของเราจะทำงานในตอนกลางคืน ตัวแทนย่อยของเราทำงานพร้อมกัน แต่ยังมีมนุษย์ที่ตรวจสอบผลลัพธ์ ยังเผยแพร่โพสต์ ยังอนุมัติกลยุทธ์

วิศวกรรมเชิงปัญญา ถ้ามันมีอยู่ จะอยู่ที่จุดตัดของทั้งสองแกน:ขอบเขตอิสระ + สถาปัตยกรรมการให้เหตุผลที่ชัดเจน นั่นไม่ใช่ฟีเจอร์ที่คุณส่งในสปรินต์ นั่นคือโปรแกรมวิจัย

คำถามที่แท้จริง

"คุณจะอยากได้ AI ที่สามารถ 'คิดเหมือนคุณและทำงานแทนคุณ' ไหม?"

ไม่ฉันต้องการ AI ที่คิดดีกว่า มากกว่าฉันในโดเมนที่ฉันได้มอบหมายไว้อย่างชัดเจน และ รู้ว่าเมื่อไหร่ควรถาม ในโดเมนที่ฉันยังไม่ได้มอบหมาย.

"เหมือนฉัน" เป็นข้อบกพร่อง ไม่ใช่ฟีเจอร์ ฉันมีอคติ จุดบอด วันเมื่อฉันรู้สึกเหนื่อยและตัดสินใจผิดพลาด ปัญญาประดิษฐ์ที่จำลองความคิดของฉันจะจำลองความล้มเหลวของฉัน.

คำพูดของหยาง เหวิน-ลี่ ใช้ได้ที่นี่: "วิธีที่มีประสิทธิภาพที่สุดในการชนะคือการทำให้ศัตรูสูญเสียความตั้งใจที่จะต่อสู้." ในกรณีนี้ ศัตรูคือความไม่เชื่อถือได้ และวิธีที่จะเอาชนะมันไม่ใช่การเลียนแบบ — แต่มันคือ การเสริม.

สิ่งที่ฉันต้องการจริงๆ:

• ในด้านที่ฉันมอบหมาย:เร็วขึ้น สม่ำเสมอมากขึ้น น้อยลงทางอารมณ์ ไม่มีความเหนื่อยล้า ไม่มีอีโก้ ไม่มี "ฉันตัดสินใจเรื่องนี้ไปเมื่อวานแล้ว ให้ฉันยึดติดกับมันเถอะ"

• ในด้านที่ฉันเก็บไว้:การเพิ่มระดับที่ชัดเจน "ฉันไม่มีข้อมูลเพียงพอ" "นี่ขัดแย้งกับลำดับความสำคัญที่คุณระบุไว้" "คุณบอกว่าอย่าทำสิ่งนี้โดยไม่ถาม"

• ในขอบเขต:การส่งมอบที่ชัดเจน. "ฉันได้ทำ X. Y ต้องการการตัดสินใจของคุณ. นี่คือสิ่งที่ฉันแนะนำ."

**การจัดกรอบที่แท้จริง:** ไม่ใช่ "เหมือนคุณ." **สำหรับคุณ.**

สิ่งที่เมอร์คิวรีกำลังสร้างอยู่จริงๆ

เราไม่ต้องการวิศวกรรมเชิงปัญญา. เราต้องการ วิศวกรรมกราฟที่เชื่อถือได้ที่ลูกค้าไว้วางใจกับกระบวนการทางธุรกิจจริง.

นี่คือสิ่งที่ดูเหมือนในทางปฏิบัติ:

สแต็คของเราวันนี้:

• ลูป L1-L3 (รายงาน → ช่วยเหลือ → ไม่ต้องดูแล) สำหรับเนื้อหาและการวิเคราะห์

• การประสานงาน L4-L5 (งานที่ต่อเนื่อง, หลายตัวแทน) สำหรับการตรวจสอบและการวิจัย

• การบีบอัดบริบทเพื่อให้เซสชันที่ยาวนานไม่สูญเสียสถานะ

• การลองใหม่ + การจัดเส้นทางสำรองเพื่อให้ความล้มเหลวไม่ส่งผลกระทบต่อกัน

• ชั้นการสังเกตการณ์เพื่อให้เรารู้ว่าอะไรพังและทำไม

สิ่งที่เรากำลังเพิ่มต่อไป:

• การบันทึกความชอบ — ซึ่งช่วยให้คุณจัดลำดับความสำคัญและความเสี่ยงที่คุณยอมรับ

• การติดตามการตัดสินใจ — ไม่ใช่ "AI ทำอะไร" แต่ "ทำไมมันถึงเลือกสิ่งนี้"

• ความไม่แน่นอนที่ชัดเจน — คะแนนความมั่นใจในคำแนะนำ ไม่ใช่แค่คำตอบ

นั่นไม่ใช่การวิศวกรรมเชิงปัญญา นั่นคือ การเรียนรู้จากความชอบ + การบันทึกการแลกเปลี่ยนที่ชัดเจน. แต่ให้คุณค่า 80% ด้วยความซับซ้อนเพียง 20% และสามารถสร้างได้ในตอนนี้.

โอกาส

บริษัทแรกที่ผลิตรูปแบบที่แม้จะอ่อนแอของ "พฤติกรรมเชิงปัญญา" จะชนะการเล่าเรื่อง ไม่ใช่เพราะมันเป็น AGI เต็มรูปแบบ แต่เพราะมันเปลี่ยนการสนทนาจาก "การทำงานอัตโนมัติ" เป็น "การตัดสินใจ."

คิดเกี่ยวกับการนำเสนอ:

"ตัวแทนของเราไม่ได้แค่ดำเนินการตามกระบวนการทำงานของคุณ พวกเขาเรียนรู้เกณฑ์การตัดสินใจของคุณ — ว่าคุณให้ความสำคัญกับอะไร, ความเสี่ยงใดที่คุณยอมรับ, ทางลัดใดที่คุณยอมรับ — และนำไปใช้อย่างสม่ำเสมอ เมื่อพวกเขาไม่แน่ใจ พวกเขาจะถาม เมื่อคุณไม่แน่ใจ พวกเขาจะแนะนำ."

นั่นไม่ใช่เอกสารวิจัย นั่นคือ การวางตำแหน่งผลิตภัณฑ์. และมันสามารถป้องกันได้เพราะคูน้ำไม่ใช่โมเดล — แต่มันคือ ข้อมูลความชอบที่สะสม ที่ไม่มีคู่แข่งคนใดมี.

การกระทำ

ถ้าคุณกำลังสร้างด้วย AI หยุดไล่ตามป้าย "วิศวกรรม" ถามสามคำถามแทน:

1. ระบบของฉันทำงานในขอบเขตใด? (การเรียกครั้งเดียว? คงอยู่? กระจาย?)

2. จะเกิดอะไรขึ้นเมื่อมันล้มเหลว? (ข้อผิดพลาดเงียบ? การเพิ่มระดับ? การล้มเหลวซ้ำ?)

3. มันรู้ได้อย่างไรว่าฉันให้คุณค่าอะไร? (กฎที่ชัดเจน? ความชอบที่เรียนรู้? มันไม่ใช่เหรอ?)

คำตอบบอกคุณว่าควรสร้างอะไรต่อไป ไม่ใช่ว่าควรตั้งชื่อมันว่าอะไร

เพราะในปี 2026, บริษัทที่ชนะไม่ใช่บริษัทที่มีสถาปัตยกรรมเชิงปัญญาที่ทันสมัยที่สุด แต่เป็นบริษัทที่ตัวแทนของพวกเขาล้มเหลวอย่างสง่างาม, ยกระดับอย่างชัดเจน, และพัฒนาอย่างต่อเนื่อง

ที่เหลือก็แค่การตั้งชื่อ

Mercury Technology Solutions: เร่งความเป็นดิจิทัล