ในยุค LLM หลักสูตรต้องสอนการออกแบบระบบ ไม่ใช่แค่ทักษะที่ AI ทำแทนได้

โพสต์ของ พันธุ์ปิติ เปี่ยมสง่า พันธุ์ปิติ เปี่ยมสง่า รู้สึกมีความหวังที่ Kasetsart University 2 วัน · กรุงเทพมหานคร ประเทศไทย · แชร์กับ สาธารณะ หลักสูตร ep3: เราจะปรับหลักสูตรยังไงในยุค LLM เริ่มจากที่ รศ.ดร.นัทที นิภานันท์ Nattee Niparnan โพสต์เรื่อง “วิศวฯคอมจะอยู่อย่างไรในยุค LLM ครองเมือง” ไว้สองตอน ผมก็เลยมีไอเดียสำหรับ ep3 แล้ว ผมเองที่ผ่านมา ได้ย้าย computer and programming (111) ของคณะวิศวกรรมศาสตร์ มก. มาเป็นคลาสออนไลน์ แล้ว และพยายามดันให้มี “Applied AI for Engineering” ซึ่งก็เริ่มไปแล้ว และสำเร็จแล้วระดับหนึ่ง ซึ่งทีแรกตั้งใจจะให้แทน 111 ด้วยซ้ำ แต่ก็ชนกำแพงข้อกำหนดของสภาวิศวกร และจริงๆ การเขียนโปรแกรม ก็ยังเป็นทักษะที่จำเป็นของวิศวกร อย่าเถึยงนะครับ ผมโดนตั้งแต่เด็กว่าเป็นจบวิศวกรรมไฟฟ้า "เปลี่ยนหลอดไฟไม่เป็น" จริงๆเปลี่ยนเป็นนะแต่ไม่ค่อยได้ทำ ดังนั้น "ทำไม่ได้เลย" กับ "ไม่เชี่ยวชาญในการทำ" มันต่างกันเยอะ ประเด็นนี้ เลยทำให้ต้องคิดจริงจังว่า เราจะออกแบบหลักสูตรยังไง ในโลกที่ “การเขียน code” ไม่ใช่ skill หายากอีกต่อไป และผมคิดว่า เรื่องนี้ไม่ใช่แค่ของวิศวกรรมคอมพิวเตอร์ แต่มันคือโจทย์ของ “ทุกสาขาในโลก” เพราะ LLM ไม่ได้มาแทนทักษะการโปรแกรมเท่านั้น แต่มันกำลัง “redefine ว่าอะไรคือความรู้ที่มีค่า" ไปพร้อมกัน --- โจทย์จริงไม่ใช่ “จะสอนอะไรเพิ่ม” แต่คือโลกของสาขานั้นกำลังเปลี่ยนเป็นอะไร เราต้องตั้งสมมติฐานให้ชัดก่อนว่า อีก 5–10 ปี คนในสาขานั้นจะทำงานแบบไหน ขอยกตัวอย่างสาขา “เกษตร” สาขาสำคัญของการพัฒนาประเทศไทย ที่อาจจะมีผลกระทบจาก LLM ตามภาพพวกนี้ ถ้ามองให้ลึก มันไม่ใช่แค่เทคโนโลยีใหม่ แต่มันคือ pattern เดียวกันที่เกิดซ้ำทุกงาน 1.การใช้ประสบการณ์ล้วน ๆ ไปสู่การตัดสินใจด้วยข้อมูลและ AI วันนี้ฟาร์มไก่ขนาดใหญ่ในไทยไม่ได้ให้อาหารตามความรู้สึกแล้ว แต่ใช้ sensor วัดอุณหภูมิ ความชื้น พฤติกรรมการกิน แล้วมี model คอยปรับ feed แบบอัตโนมัติ สิ่งที่เปลี่ยนจริง ๆ ไม่ใช่แค่เครื่องมือ แต่คือ “คน” ที่จากเดิมใช้ประสบการณ์ กลายเป็นต้องเข้าใจ logic ของระบบ ถ้าไม่เข้าใจ model ก็จะเหลือบทบาทแค่ operator 2. การ optimize แค่แปลงของตัวเอง ไปสู่การ optimize ทั้งระบบ เกษตรกรที่ปลูกทุเรียนเพื่อส่งออกจีน เริ่มดูราคาตลาดล่วงหน้า ดู logistics ดูฝนล่วงหน้า แล้วตัดสินใจว่าจะ “เร่ง” หรือ “หน่วง” การออกผล นี่ไม่ใช่เกษตรแบบเดิม แต่เป็นการตัดสินใจในระดับ system ที่เชื่อมทั้ง upstream และ downstream เข้าด้วยกัน 3.สิ่งที่มี value ไม่ใช่การ “ทำตามขั้นตอน” แต่คือการ “ออกแบบระบบ” โรงเรือนปลูกผักแบบปิด (plant factory) ไม่ต้องมีคนรดน้ำ ไม่ต้องคอยใส่ปุ๋ย แต่ต้องมีคนที่เข้าใจทั้งพืช เข้าใจ sensor และเข้าใจ control system เพื่อออกแบบทั้งระบบตั้งแต่ต้น สิ่งที่ขายได้จริงไม่ใช่แรงงาน แต่คือ “architecture ของระบบ” 4. แม้แต่ความรู้เกษตรเองก็ไม่พออีกต่อไป คนที่ดูข้อมูล soil sensor แล้วเชื่อ AI ทั้งหมดโดยไม่ตั้งคำถาม จะพังเร็วมาก เพราะ data เพี้ยนได้ model bias ได้ ดังนั้น domain knowledge ต้องรวมกับ AI literacy แบบแยกไม่ออก ไม่ใช่รู้สองอย่างแยกกัน แต่ต้องรู้ “ความสัมพันธ์ระหว่างสองอย่าง” 5. การปลูกต้นไม้ที่เคยรดน้ำตามเวลา ตอนนี้มีระบบ drip irrigation ที่ปรับน้ำตาม moisture sensor แบบ real-time มีฟาร์มที่ใช้ภาพจาก drone วิเคราะห์ความเครียดของพืชแล้วสั่งรดน้ำเฉพาะจุด ไม่ใช่ทั้งแปลง งานที่เคยเป็น manual routine กลายเป็น closed-loop control system โดยสมบูรณ์ 6. การเพาะจุลินทรีย์หรือการหมัก ที่เคยเป็นสูตรครูพักลักจำ ตอนนี้โรงงานใช้ data จาก batch ก่อน ๆ มาปรับอุณหภูมิ pH และ nutrient เพื่อให้ yield ดีขึ้นทุก cycle จาก “สูตร” กลายเป็น “process optimization ที่เรียนรู้ได้” และพัฒนาได้ต่อเนื่อง 7. การผสมปุ๋ยก็เริ่มเปลี่ยนจากสูตรสำเร็จ เป็นการคำนวณตามสภาพดินจริง บางฟาร์มส่งดินไปวิเคราะห์แล้วให้ระบบแนะนำสูตรปุ๋ยเฉพาะแปลง นี่คือ personalization ระดับ field-scale ไม่ใช่ mass product อีกต่อไป 8. การให้ยาก็ไม่ใช่แค่ตาม protocol เดิม แต่เริ่มมีการใช้ data จาก sensor และ health record ของสัตว์ มาช่วยตัดสินใจ dose และ timing ให้เหมาะกับแต่ละตัว จาก standard guideline กลายเป็น adaptive decision 9. ปลายน้ำอย่างการแปรรูปอาหาร ทุกอย่างกำลังถูก track ได้หมด ตั้งแต่แหล่งวัตถุดิบ batch การผลิต ไปจนถึง shelf life ที่ predict ได้ล่วงหน้า ไม่ใช่แค่ QC ตอนจบ แต่ควบคุมคุณภาพตั้งแต่ต้นน้ำ กลายเป็นระบบที่ traceable และ optimize ได้ทั้ง value chain --- พอเห็นภาพนี้แล้ว คำถามมันเปลี่ยนทันที เราจะยังสอนแบบแยกวิชา เน้นเนื้อหา และวัดผลด้วยข้อสอบ ไปเพื่ออะไร เพราะสิ่งที่โลกต้องการ ไม่ใช่คนที่ “รู้” แต่คือคนที่ “ออกแบบ + ตัดสินใจ + คุมระบบ” --- ถ้าพูดแบบไม่โลกสวย หลักสูตรควรเปลี่ยนแบบนี้ เลิกเสียเวลากับสิ่งที่ LLM ทำแทนได้อยู่แล้ว แล้วเอาเวลามาสอนการตั้งคำถาม การออกแบบระบบ และการทำงานกับ problem จริง AI ไม่ควรเป็นแค่วิชา แต่ต้องเป็น environment ของการเรียนทั้งหมด และที่สำคัญที่สุด ต้องแยก fundamental core กับ frontier patch ให้ชัด ปัญหาคือ วันนี้เรากำลังเอา “patch” ไปออกแบบ “core” core = สิ่งที่อยู่ได้ 10 ปี (Root Knowledge) patch = สิ่งที่เปลี่ยนทุก 1–2 ปี (Trend Layer) ถ้าเอามาปนกัน หลักสูตรจะพังแบบที่เราเห็นอยู่ทุกวันนี้ --- จริง ๆ แนวทางนี้ก็ไม่ใช่ของใหม่อะไร มก. เองก็พูดเรื่องระบบอัจฉริยะและการพัฒนาทักษะใหม่ไว้ชัดในยุทธศาสตร์ แต่ปัญหาคือ เรายัง “คิดแบบเดิม” เวลาทำจริง ปัญหาไม่ใช่ว่าเรา “ไม่รู้” แต่คือเรายัง “ไม่ยอมเปลี่ยนวิธีคิด” Rethink. Reframe. Realize.