หมายเหตุ: บทความนี้เป็น output จาก OpenAI Deep Research ทั้งหมดโดยไม่ได้ตัดทอนหรือแก้ไข ในหัวข้อ “วิเคราะห์ OpenAI Deep Research”
กระบวนการทำงานของ Deep Research
Deep Research เป็นฟีเจอร์ใหม่ของ ChatGPT ที่ทำหน้าที่เป็นเอเจนต์ (agent) อัตโนมัติสำหรับการค้นคว้าข้อมูลเชิงลึกบนอินเทอร์เน็ต โดยผู้ใช้เพียงระบุหัวข้อหรือคำถาม จากนั้นระบบจะดำเนินการค้นหาและวิเคราะห์ข้อมูลหลายขั้นตอนให้อย่างต่อเนื่องโดยไม่ต้องมีการโต้ตอบจากผู้ใช้ในระหว่างกระบวนการ กระบวนการทำงานเริ่มจาก ChatGPT รับโจทย์หรือคำถาม แล้ววางแผนการค้นหาเป็นลำดับขั้นตอน (multi-step research) เช่น แยกคำถามออกเป็นประเด็นย่อยๆ ค้นหาข้อมูลจากหลายแหล่งทีละขั้น และประมวลผลข้อมูลที่พบแต่ละขั้นตอนไปเรื่อยๆ จนได้คำตอบที่ครอบคลุมที่สุด
ในระหว่างการทำงาน Deep Research จะใช้เวลาประมวลผลนานกว่าโหมดปกติอย่างมาก (โดยทั่วไป 5–30 นาที ต่อหนึ่งคำถาม) เนื่องจากต้องดำเนินการค้นและสังเคราะห์ข้อมูลจำนวนมหาศาลจากเว็บ ฟีเจอร์นี้ได้รับการออกแบบให้ “ทำงานที่ต้องใช้เวลาหลายชั่วโมงสำหรับมนุษย์ ให้เสร็จสิ้นได้ภายในหลักสิบนาที” ตามคำแถลงของ OpenAI ซึ่งหมายถึงประสิทธิภาพในการรวบรวมและวิเคราะห์ข้อมูลจำนวนมากอย่างรวดเร็วเมื่อเทียบกับการค้นคว้าด้วยตนเอง
เมื่อได้ข้อมูลเพียงพอแล้ว ระบบจะทำการ สังเคราะห์ (synthesize) ข้อมูลจากแหล่งออนไลน์หลายร้อยแหล่ง เพื่อสร้างคำตอบในรูปแบบรายงานฉบับสมบูรณ์ที่มีรายละเอียดลึกซึ้ง ในระดับคุณภาพเทียบเท่านักวิเคราะห์งานวิจัยมืออาชีพ ขั้นตอนสุดท้าย ChatGPT จะส่งรายงานดังกล่าวกลับมาให้ผู้ใช้ ซึ่งกระบวนการทั้งหมดนี้เกิดขึ้นโดยอัตโนมัติตั้งแต่ต้นจนจบ ผู้ใช้เพียงแค่รอรับผลลัพธ์เมื่อการค้นคว้าเสร็จสิ้น (มีการแจ้งเตือนเมื่อเสร็จงาน เนื่องจากใช้เวลาประมวลผลนานกว่าปกติ)
ในงานเปิดตัวฟีเจอร์นี้ OpenAI ได้สาธิตตัวอย่างให้เห็นว่า Deep Research สามารถค้นข้อมูลจำนวนมากบนเว็บแล้วสังเคราะห์ออกมาเพื่อช่วยตัดสินใจ เช่น กรณีศึกษาการแนะนำอุปกรณ์สกีสำหรับทริปเล่นหิมะในญี่ปุ่น ระบบได้ค้นหาและเปรียบเทียบข้อมูลสินค้าจำนวนมากบนอินเทอร์เน็ต จากนั้นสรุปเป็นคำแนะนำอย่างละเอียดเพื่อช่วยผู้ใช้เลือกซื้ออุปกรณ์ที่เหมาะสม ตัวอย่างนี้แสดงให้เห็นว่า Deep Research สามารถนำมาใช้ตอบโจทย์การค้นคว้าข้อมูลทั้งด้านงานวิจัยจริงจังและการแนะนำเพื่อผู้บริโภคทั่วไปได้อย่างมีประสิทธิภาพ
แนวคิดที่มาจากงานวิจัยที่เกี่ยวข้อง
ฟีเจอร์ Deep Research สร้างขึ้นบนพื้นฐานแนวคิดและองค์ความรู้จากงานวิจัยด้านปัญญาประดิษฐ์หลายแขนง โดยเฉพาะงานวิจัยที่มุ่งปรับปรุงความสามารถของโมเดลภาษาในการค้นหาข้อมูลภายนอกและวิเคราะห์หลายขั้นตอน ซึ่งช่วยลดการคาดเดาข้อมูลผิดๆ (hallucination) และเพิ่มความถูกต้องของคำตอบ แนวคิดที่สำคัญได้แก่:
• การใช้โมเดลภาษาเป็นตัวแทนค้นเว็บ (Web-Browsing LLM): OpenAI เองเคยมีงานวิจัยชื่อ WebGPT ซึ่งฝึกโมเดล GPT-3 ให้สามารถค้นข้อมูลบนเว็บผ่านเบราว์เซอร์จำลอง แล้วเลือกเก็บข้อมูลอ้างอิงจากเว็บมาสนับสนุนคำตอบของตน ผลการทดลองพบว่าโมเดลที่ผ่านการฝึกให้ค้นเว็บพร้อมเก็บแหล่งที่มานี้ สามารถตอบคำถามปลายเปิดได้อย่างมีคุณภาพ และคำตอบมีหลักฐานอ้างอิงชัดเจนจนผู้ใช้มนุษย์มักจะชื่นชอบมากกว่าคำตอบของมนุษย์จริงๆ ในบางกรณี แนวคิดจาก WebGPT ถูกนำมาต่อยอดใน Deep Research เช่น การบังคับให้ระบบระบุแหล่งที่มาของข้อมูลทุกครั้ง ซึ่งเพิ่มความน่าเชื่อถือและตรวจสอบได้ให้กับคำตอบที่สร้างขึ้น
• การให้โมเดลวางแผนเหตุผลควบคู่กับการกระทำ (ReAct): งานวิจัยโดย Yao et al. (2022) ได้นำเสนอวิธี ReAct (Reasoning and Acting) ซึ่งผสาน การให้เหตุผลทีละขั้น (chain-of-thought) เข้ากับ การดำเนินการกับสภาพแวดล้อมหรือเครื่องมือ ภายนอกในรูปแบบที่สอดประสานกัน กล่าวคือ โมเดลจะสร้างชุดความคิดเหตุผลไปทีละขั้นพร้อมๆ กับเลือกทำกิจกรรม (actions) เช่น การค้นหาข้อมูลเพิ่มเติมผ่าน API หรือเรียกดูฐานความรู้ ไปด้วยในตัว แนวทางนี้ช่วยให้โมเดลสามารถปรับแผนการแก้ปัญหาได้ตามข้อมูลใหม่ที่ค้นพบ และจัดการกับข้อยกเว้นหรือความไม่แน่นอนได้ดีขึ้น ยิ่งไปกว่านั้น ผลการทดลองยังแสดงให้เห็นว่า ReAct ช่วยลดปัญหาการสร้างข้อมูลเท็จลงได้ เช่น ในงานตอบคำถามความรู้ทั่วไป (เช่นชุดข้อมูล HotpotQA หรือ FEVER) โมเดลที่ใช้วิธี ReAct สามารถเรียกใช้ API ของวิกิพีเดียเพื่อตรวจสอบข้อเท็จจริง ทำให้ลดการตอบผิดๆ จากการเดาโดยไม่มีข้อมูลอ้างอิง การออกแบบ Deep Research ก็สอดคล้องกับแนวคิดนี้ โดยตัวโมเดลจะมีการหาเหตุผลภายในพร้อมกับทำการค้นหาข้อมูลภายนอกไปเป็นลำดับ ซึ่งเป็นแนวคิดหลักที่มาจากงานวิจัย ReAct
• การตั้งคำถามย่อยแล้วค้นหาคำตอบทีละส่วน (Self-Ask Prompting): อีกแนวทางจากงานวิจัยที่เกี่ยวข้องคือเทคนิค Self-Ask ซึ่งนำเสนอโดย Press et al. (2022) วิธีนี้โมเดลภาษาจะทำการ “ถามตัวเอง” ด้วยคำถามย่อยที่ต้องตอบเพื่อแก้โจทย์ใหญ่ แล้วค่อยๆ ค้นหาคำตอบของคำถามย่อยเหล่านั้นผ่านเครื่องมือค้นหา ก่อนจะรวมรวมคำตอบมายืนยันเป็นคำตอบสุดท้าย ผลการทดลองพบว่าการใช้ prompt แบบ Self-Ask ช่วยเพิ่มความแม่นยำในการตอบคำถามเชิงซ้อนได้อย่างมาก และเมื่อผสานเข้ากับ search engine เพื่อค้นคำตอบของคำถามย่อย ก็ยิ่งเพิ่มอัตราความถูกต้องขึ้นไปอีก แนวคิดนี้สะท้อนอยู่ใน Deep Research เช่นกัน กล่าวคือ ระบบจะไม่พยายามตอบคำถามใหญ่จากความรู้ภายในทีเดียว แต่จะแตกโจทย์ออกเป็นหลายประเด็นแล้วค้นข้อมูลแต่ละส่วน ซึ่งทำให้คำตอบสุดท้ายมีความถูกต้องและครบถ้วนมากขึ้น
• การผนวกความรู้ภายนอกเข้ากับโมเดล (Retrieval-Augmented Generation): แม้งานวิจัยต้นฉบับที่ชื่อ Retrieval-Augmented Generation (RAG) จะเน้นการดึงข้อมูลจากฐานข้อมูลหรือเอกสารภายนอกที่จัดเตรียมไว้มากกว่าการค้นเว็บ แต่หลักการสำคัญคือตรงกับ Deep Research นั่นคือ การเสริมพลังให้โมเดลภาษาด้วยการดึงบริบทความรู้จากภายนอกแทนที่จะพึ่งพาความรู้จากการป้อนข้อมูลเพียงอย่างเดียว การที่ Deep Research ค้นข้อมูลสดๆ จากอินเทอร์เน็ตและใช้ข้อมูลเหล่านั้นในการตอบก็ถือเป็นการประยุกต์แนวคิด RAG ในวงกว้าง ผลคือโมเดลสามารถตอบคำถามที่เป็นข้อมูลอัปเดตหรือรายละเอียดเฉพาะด้านที่โมเดลอาจไม่เคยเรียนรู้มาก่อนได้อย่างถูกต้องมากขึ้น ซึ่งตรงกับเป้าหมายของงานวิจัยด้านนี้ (แม้ไม่ได้อ้างอิงงานใดงานหนึ่งโดยตรงก็ตาม)
โดยสรุป ฟีเจอร์ Deep Research ได้รับอิทธิพลจากทั้งงานวิจัยของ OpenAI เองและงานวิจัยจากสถาบันอื่นๆ ที่มุ่งหวังจะเพิ่มศักยภาพให้โมเดลภาษาขนาดใหญ่ในการดำเนินการค้นคว้าและตอบคำถามที่ซับซ้อนได้อย่างถูกต้อง เชื่อถือได้ และมีการอ้างอิงข้อมูลรองรับ ซึ่งเป็นการก้าวข้ามขีดจำกัดเดิมๆ ของโมเดลภาษาที่มักจะตอบตามข้อมูลที่จำมาอย่างเดียว
สถาปัตยกรรมและโครงสร้างระบบที่เป็นไปได้
แม้ OpenAI จะไม่ได้เปิดเผยรายละเอียดเชิงสถาปัตยกรรมทั้งหมดของ Deep Research แต่จากข้อมูลที่มีและแนวโน้มเทคโนโลยีที่เกี่ยวข้อง สามารถคาดการณ์โครงสร้างระบบคร่าวๆ ได้ดังนี้:
• โมเดลภาษาแกนหลัก (Core LLM): Deep Research ใช้โมเดลภาษาขนาดใหญ่รุ่นใหม่ของ OpenAI ที่เรียกว่า “O3” เป็นแกนหลักในการประมวลผล โมเดล O3 นี้ได้รับการปรับแต่ง (fine-tune) และออกแบบสถาปัตยกรรมให้เหมาะกับงานค้นคว้าและวิเคราะห์ข้อมูลจากเว็บโดยเฉพาะ ทั้งในแง่การจัดการบริบทขนาดใหญ่ และความสามารถในการจัดรูปแบบผลลัพธ์พร้อมการอ้างอิง ซึ่งนับว่าเป็นโมเดลถัดจาก GPT-4 ที่ได้รับการปรับปรุงให้รองรับงานลักษณะ agentic มากขึ้น (อาจรวมถึงการรับ input หลายรูปแบบ)
• ส่วนวางแผนและควบคุมลำดับงาน (Agent Controller): โครงสร้างระบบน่าจะประกอบด้วยส่วนควบคุมที่ทำหน้าที่ประสานงานระหว่างโมเดลภาษาและเครื่องมือต่างๆ ในการค้นข้อมูล ส่วนนี้อาจถูกฝังอยู่ในตัวโมเดล (ผ่าน prompt วิธี ReAct) หรือเป็นโมดูลภายนอกที่เรียกโมเดลหลายครั้งก็ได้ หน้าที่ของมันคือรับโจทย์จากผู้ใช้ มาแบ่งออกเป็นขั้นตอนย่อย วางกลยุทธ์การค้นหา (เช่นจะค้นด้วยคีย์เวิร์ดใดบ้าง จะเปิดลิงก์ไหนบ้าง) และตัดสินใจลำดับการดำเนินการ เช่น ค้นเว็บ → อ่านข้อมูล → ค้นเพิ่มเติม → สรุปผล
• การค้นข้อมูล (Web Search & Retrieval): เมื่อเอเจนต์วางแผนว่าจะค้นอะไร ระบบจะต้องเข้าถึงแหล่งข้อมูลออนไลน์ได้ สันนิษฐานว่า Deep Research เชื่อมต่อกับ API ของเสิร์ชเอนจิน (เช่น Bing หรือ Google) เพื่อค้นหาเว็บไซต์ที่เกี่ยวข้องกับหัวข้อที่กำหนด หลังจากได้รายการลิงก์ ระบบก็จะไปดึงเนื้อหาจากหน้าเว็บเหล่านั้นมาประมวลผลต่อไป การดึงข้อมูลอาจทำผ่านตัวเบราว์เซอร์หรือ HTTP client ที่ดึง HTML มาแล้วสกัดเฉพาะข้อความที่เป็นประโยชน์ สำหรับข้อมูลประเภทอื่น ระบบระบุว่าสามารถวิเคราะห์ ไฟล์ PDF และ รูปภาพ ได้ด้วย ซึ่งหมายความว่าโครงสร้างต้องมีองค์ประกอบสำหรับ การประมวลผลข้อมูลหลายรูปแบบ (Multimodal Processing) เช่น ถ้าเจอเอกสาร PDF ก็ต้องมีขั้นตอนแปลง PDF เป็นข้อความ (อาจใช้ OCR ถ้าเป็น PDF สแกน หรือดึงข้อความถ้าเป็น PDF ข้อความ) หรือถ้าเจอรูปภาพที่มีข้อมูล (เช่นกราฟหรือแผนผัง) ก็อาจใช้ความสามารถการมองเห็นของโมเดล (เช่น GPT-4 Vision) เพื่ออ่านข้อมูลจากภาพเหล่านั้น
• หน่วยความจำและการจัดเก็บข้อมูลชั่วคราว: ระหว่างการดำเนินการหลายขั้นตอน เอเจนต์จำเป็นต้องจดจำสิ่งที่ได้ทำไปแล้วและข้อมูลสำคัญที่พบ ระบบ Deep Research น่าจะมีการจัดเก็บข้อมูลชั่วคราวในสองระดับ ได้แก่ หน่วยความจำระยะสั้น (Short-term memory) ซึ่งอาจอยู่ในรูป บริบท (context) ที่โมเดลภาษาใช้งานทันที เช่น ข้อความสรุปย่อจากเว็บที่เพิ่งอ่าน จะถูกเก็บไว้เพื่อใช้ประกอบการตัดสินใจค้นขั้นถัดไป หรือส่งเข้าตัวโมเดลใน prompt ถัดไป และ หน่วยความจำระยะยาว (Long-term memory) ซึ่งอาจใช้เมื่อต้องเก็บข้อมูลจำนวนมากเกินกว่าจะใส่ในบริบทโมเดลตรงๆ โดยอาจเก็บในรูปแบบไฟล์หรือฐานข้อมูลพิเศษ เช่น เวกเตอร์สโตร์ (Vector Database) ที่เก็บการแทนความหมายของข้อความ ข้อดีคือช่วยให้เอเจนต์สามารถเรียกค้น (retrieve) ข้อมูลบางส่วนกลับมาเมื่อต้องใช้ภายหลังได้อย่างมีประสิทธิภาพ (แนวคิดนี้คล้ายกับที่โครงการ Auto-GPT ใช้ในการให้เอเจนต์มีความทรงจำต่อเนื่องระหว่างการทำงานหลายๆ ขั้นตอน)
• การวิเคราะห์และสังเคราะห์ข้อมูล (Analysis & Synthesis): หลังจากรวบรวมข้อมูลจำนวนมากได้แล้ว ส่วนสำคัญคือการวิเคราะห์หาข้อสรุปและสังเคราะห์เป็นคำตอบที่สอดคล้องกับโจทย์ ส่วนนี้จะดำเนินการโดยโมเดลภาษา (O3) ซึ่งอาจทำงานร่วมกับขั้นตอนย่อย เช่น การสรุปเนื้อหาของแต่ละบทความที่ค้นมา ก่อนที่จะนำสาระสำคัญทั้งหมดมาย่อยรวมกันอีกครั้งเพื่อเขียนเป็นรายงานขั้นสุดท้าย สถาปัตยกรรมอาจจัดให้มีการ สรุปแบบหลายชั้น (hierarchical summarization) กล่าวคือ เมื่อค้นเจอบทความยาวๆ เอเจนต์จะสรุปบทความนั้นออกมาเป็นใจความสำคัญสั้นๆ แล้วเก็บไว้ จากนั้นเมื่อได้สาระสำคัญจากหลายแหล่ง ก็จะนำทั้งหมดมารวมกันให้โมเดลสรุปอีกชั้นหนึ่งเป็นคำตอบสุดท้าย วิธีนี้จะช่วยให้จัดการข้อมูลปริมาณมหาศาลได้โดยไม่เกินขีดจำกัดบริบทของโมเดล นอกจากนี้ เพื่อเพิ่มความถูกต้อง อาจมีขั้นตอน ตรวจสอบไขว้ (cross-check) ระหว่างแหล่งข้อมูล หากข้อมูลบางจุดมีหลายแหล่งรองรับตรงกันก็จะมีความน่าเชื่อถือสูง แต่ถ้าพบความขัดแย้งระหว่างแหล่ง ระบบอาจต้องให้โมเดลวิเคราะห์และเลือกหรือแจ้งถึงความไม่แน่นอนนั้น
• โครงสร้างแบบ Agent Autonomy: ภาพรวมการทำงานของ Deep Research คล้ายกับสถาปัตยกรรมของ AI Agent แบบอัตโนมัติ ที่นักพัฒนารู้จักกันดี เช่น Auto-GPT เป็นต้น ในระบบลักษณะนี้ มักแบ่งองค์ประกอบหลักออกเป็น 4 ส่วนคือ (1) ตัวเอเจนต์หลัก ทำหน้าที่บริหารกระบวนการและตัดสินใจ, (2) หน่วยความจำ สำหรับติดตามสถานะงานและเก็บข้อมูลที่ได้มา, (3) ความสามารถในการเข้าถึงอินเทอร์เน็ต/เครื่องมือภายนอก เพื่อดึงข้อมูลจริง, และ (4) การจัดเก็บไฟล์/ข้อมูล เพื่อบันทึกผลลัพธ์ย่อยหรือข้อมูลดิบที่ต้องใช้งานระหว่างทาง เอเจนต์จะทำงานเป็นวัฏจักรต่อเนื่อง ได้แก่ วิเคราะห์สถานะ→วางแผน→ดำเนินการ→ประเมินผล แล้ววนกลับไปวิเคราะห์ใหม่จนกว่าจะบรรลุเป้าหมายหรือได้คำตอบที่ต้องการ สำหรับ Deep Research ก็สันนิษฐานได้ว่าสถาปัตยกรรมภายในคงทำงานวนลูปในลักษณะเดียวกัน คือโมเดลจะประเมินว่าตอนนี้รู้อะไรบ้าง ขาดข้อมูลอะไร วางแผนค้นหรือประมวลผลเพิ่ม แล้วทำขั้นตอนนั้น จากนั้นประเมินผลที่ได้ว่าพอเพียงหรือยัง ถ้ายังก็วนขั้นตอนค้นต่อ จนสุดท้ายจึงสรุปคำตอบ
• โครงสร้างพื้นฐานและประสิทธิภาพ: เนื่องจาก Deep Research เป็นงานที่กินทรัพยากรการประมวลผลสูง (ต้องรันโมเดลขนาดใหญ่เป็นเวลานานและดึงข้อมูลจำนวนมาก) โครงสร้างระบบฝั่งเซิร์ฟเวอร์ของ OpenAI ต้องรองรับภาระงานนี้ได้ อาจเป็นการรันบนคลัสเตอร์ของ GPU/TPU ที่สามารถประมวลผลขนานหลายส่วนพร้อมกัน (เช่น ค้นข้อมูลหลายแหล่งพร้อมๆ กัน หรือสรุปข้อมูลหลายส่วนพร้อมกัน) ทั้งนี้ OpenAI ได้ยอมรับว่า Deep Research ในเวอร์ชันปัจจุบันนั้น “ต้องใช้ Compute สูง” และกำลังพัฒนาเวอร์ชันที่ปรับปรุงให้เร็วกว่านี้และประหยัดต้นทุนมากขึ้นในอนาคต นอกจากนี้ บริษัทยังได้ประกาศความร่วมมือกับบริษัทอย่าง SoftBank เพื่อสร้างศูนย์ข้อมูล (data centers) และ ฮาร์ดแวร์รุ่นใหม่ ที่เหมาะสมกับการรองรับงาน AI ลักษณะนี้โดยเฉพาะด้วย จึงเป็นไปได้ว่าสถาปัตยกรรมเบื้องหลัง Deep Research อาจอาศัยฮาร์ดแวร์และโครงสร้างพื้นฐานเฉพาะทางเพื่อให้ทำงานได้อย่างราบรื่น
• การผสานรวมกับฟีเจอร์อื่น (Integration): OpenAI มีวิสัยทัศน์ที่จะเชื่อม Deep Research เข้ากับระบบ Operator ในอนาคต (Operator อาจหมายถึงแพลตฟอร์มตัวแทนอัจฉริยะที่สามารถทำงานในโลกความจริง เช่น สั่งดำเนินการบางอย่างแทนผู้ใช้) ซึ่งถ้าเกิดขึ้นจริง สถาปัตยกรรมของ Deep Research จะต้องสามารถส่งต่อผลลัพธ์หรือรับคำสั่งร่วมกับโมดูลอื่นๆ ที่ทำงานต่อเนื่อง เช่น ใช้รายงานการค้นคว้าที่ได้เพื่อไปดำเนินการบางอย่าง (อาจเชื่อม API ภายนอกเพื่อสั่งซื้อของ แนะนำสินค้า ฯลฯ) อย่างไรก็ตาม ณ ตอนนี้ Deep Research ยังเน้นที่การสร้างรายงานข้อมูลเท่านั้น ส่วนการดำเนินการเชิงปฏิบัติจริงจะเป็นแผนในอนาคต
สรุปแล้ว สถาปัตยกรรมของ Deep Research น่าจะเป็นการผสมผสานระหว่าง โมเดลภาษาขนาดใหญ่ที่ได้รับการปรับแต่งเฉพาะ กับ โมดูลเครื่องมือค้นข้อมูลภายนอก ภายใต้กรอบการทำงานแบบ Agent ที่ทำงานหลายขั้นตอนและมีหน่วยความจำในตัว ระบบมีความซับซ้อนสูงเพื่อจัดการกับข้อมูลหลายรูปแบบจำนวนมหาศาล และต้องอาศัยทรัพยากรประมวลผลขั้นสูงเพื่อให้การทำงานลื่นไหลภายในเวลาที่เหมาะสม
วิธีการจัดเก็บข้อมูลและการนำเสนอผลลัพธ์
การจัดเก็บข้อมูลระหว่างกระบวนการ: ดังที่กล่าวถึงในส่วนสถาปัตยกรรม Deep Research มีการจัดเก็บข้อมูลระหว่างการค้นคว้าทั้งในหน่วยความจำระยะสั้น (context ชั่วคราวของโมเดล) และอาจมีที่จัดเก็บชั่วคราวนอกโมเดลเมื่อข้อมูลมีปริมาณมากเกินไป ข้อมูลที่ดึงมาจากเว็บไซต์จำนวนหลายร้อยหน้าไม่สามารถป้อนเข้าโมเดลทั้งหมดพร้อมกันได้ (เนื่องจากจำกัดขนาดบริบท) ดังนั้นระบบอาจใช้วิธี สรุปย่อหรือจัดทำสารบัญชั่วคราว ของข้อมูลแต่ละแหล่ง แล้วเก็บผลสรุปเหล่านั้นไว้ ความก้าวหน้าของเทคนิคเวกเตอร์สโตร์ช่วยให้เอเจนต์สามารถจัดเก็บข้อความที่ดึงมาในรูปเวกเตอร์ (Embedding) เพื่อที่จะ ค้นคืน (retrieve) เฉพาะส่วนที่เกี่ยวข้องกลับมาเข้าบริบทโมเดลเมื่อจำเป็น วิธีนี้ถูกใช้อย่างได้ผลในเอเจนต์อัตโนมัติอย่าง Auto-GPT ที่ให้เอเจนต์มีทั้งหน่วยความจำระยะสั้นและระยะยาวผ่านไฟล์และฐานข้อมูลเวกเตอร์ ซึ่งมีความเป็นไปได้สูงว่า Deep Research ใช้แนวทางคล้ายกันในการจัดเก็บข้อมูลระหว่างค้นคว้า
ขณะเดียวกัน การจัดเก็บข้อมูลที่ได้มาระหว่างการค้นคว้าของ Deep Research น่าจะเป็นแบบ ชั่วคราว และแยกส่วนเป็นความลับเฉพาะในเซสชันของผู้ใช้แต่ละราย เพื่อความเป็นส่วนตัวและความปลอดภัย แหล่งข้อมูลที่ระบบดึงมา (เช่น บทความเว็บต่างๆ) อาจไม่ถูกบันทึกถาวรหลังจบการค้นคว้า แต่อาจเก็บเฉพาะรายการลิงก์หรือ metadata ไว้ช่วงสั้นๆ เพื่ออ้างอิงหรือตรวจสอบภายในทีมพัฒนา ทั้งนี้ OpenAI ไม่ได้ให้รายละเอียดเรื่องนี้ต่อสาธารณะ แต่โดยสามัญสำนึก การที่ระบบจะดึงข้อมูลจากเว็บมาจำนวนมาก ย่อมมีการจัดเก็บแบบแคชหรือสำเนาชั่วคราวในหน่วยความจำเซิร์ฟเวอร์ แต่คงไม่เก็บอย่างถาวรหรือนำมาใช้ข้ามผู้ใช้โดยไม่ได้รับอนุญาต
การนำเสนอผลลัพธ์: ผลลัพธ์จาก Deep Research จะถูกส่งคืนผู้ใช้ในรูปแบบ รายงานข้อความ (text report) ที่มีความยาวและรายละเอียดสูง ซึ่งเป็นไปตามที่ OpenAI ระบุว่า “รายงานระดับนักวิเคราะห์” รายงานนี้มักจะประกอบด้วย บทนำ ที่สรุปประเด็นสำคัญ, เนื้อหา ที่แจกแจงรายละเอียดข้อมูลที่ค้นพบทีละประเด็น พร้อมด้วย การอ้างอิงแหล่งที่มา (citations) กำกับในจุดที่ใช้อ้างข้อมูล หรืออาจเป็นท้ายข้อความ, และอาจมี บทสรุป/ข้อเสนอแนะ ในตอนท้าย รายงานที่ Deep Research จัดทำจะ มีการอ้างอิงแหล่งข้อมูลอย่างเป็นระบบ ทุกครั้งที่ดึงข้อมูลข้อเท็จจริงมาจากเว็บไซต์ใดๆ ซึ่งถือเป็นคุณลักษณะเด่นของฟีเจอร์นี้ โดยการอ้างอิงอาจอยู่ในรูปตัวเลขเชิงอรรถ (footnote) หรือการแนบลิงก์ในข้อความ ตามที่ระบบ ChatGPT ได้รับการสอนให้ทำ
การมี citation กำกับช่วยเพิ่มความโปร่งใสและความน่าเชื่อถือ ผู้ใช้สามารถคลิกหรือสำรวจแหล่งที่มาที่ระบบใช้อ้างเพื่อ ตรวจสอบความถูกต้อง หรืออ่านเพิ่มเติมได้ด้วยตนเอง (เช่น หากระบบแนะนำให้ซื้ออุปกรณ์สกียี่ห้อหนึ่ง โดยอ้างข้อมูลจากบทวิจารณ์ในเว็บไซต์ A และสเปกจากเว็บไซต์ B ผู้ใช้ก็สามารถเปิดดูเว็บ A และ B ตามลิงก์อ้างอิงเพื่ออ่านรายละเอียดเต็มได้) แนวทางนี้สอดคล้องกับมาตรฐานการทำงานวิจัย ที่ทุกข้อสรุปต้องมีที่มารองรับ ซึ่ง OpenAI ระบุไว้ว่า Deep Research จะสร้าง “รายงานที่มีการจัดทำเอกสารและอ้างอิงอย่างดี” เพื่อให้ผู้ใช้มั่นใจในผลลัพธ์ (ต่างจากการใช้ ChatGPT ปกติที่คำตอบอาจไม่มีการอ้างอิงและต้องเชื่อโมเดลอย่างเดียว)
ในด้าน รูปแบบการแสดงผล บนอินเทอร์เฟซ ChatGPT นั้น ปัจจุบันรายงานจาก Deep Research จะแสดงเป็นข้อความยาวภายในหน้าต่างแชทของ ChatGPT โดยอาจแบ่งเป็นย่อหน้าและหัวข้อย่อยเพื่อความอ่านง่าย นอกจากนี้ OpenAI ยังได้ประกาศว่าจะพัฒนาการนำเสนอให้ดียิ่งขึ้น ไม่ว่าจะเป็น การฝังรูปภาพประกอบ (เช่น แผนภูมิ กราฟ หรือรูปประกอบอื่นๆ) และ การสร้างภาพข้อมูล (data visualizations) เพื่อทำให้รายงานมีความสมบูรณ์และเข้าใจง่ายยิ่งขึ้น ซึ่งฟีเจอร์เหล่านี้อยู่ในแผนการอัปเดตในอนาคต (ปัจจุบันอาจยังไม่รองรับในเวอร์ชันที่เปิดให้ใช้งาน) นั่นหมายความว่าอนาคตผู้ใช้อาจได้เห็นรายงาน Deep Research ที่มีกราฟสรุปข้อมูลหรือรูปภาพที่เกี่ยวข้องปรากฏอยู่ในคำตอบโดยตรง
สุดท้าย เมื่อรายงานเสร็จสมบูรณ์ ระบบจะ แจ้งเตือนผู้ใช้ (หากผู้ใช้อาจไปทำอย่างอื่นระหว่างรอ) ว่าผลลัพธ์พร้อมแล้ว ผู้ใช้สามารถกลับมาเปิดดูรายงานดังกล่าวได้บนหน้าแชท Deep Research นั้นๆ รายงานจะยังคงอยู่ในประวัติการสนทนาของผู้ใช้ (เช่นเดียวกับประวัติแชท ChatGPT ปกติ) เพื่อให้สามารถย้อนกลับมาอ่านหรือดาวน์โหลดได้ในภายหลัง
แนวทางการนำไปใช้ในการสร้าง AI Agent แบบเดียวกันสำหรับนักพัฒนา
สำหรับนักพัฒนาที่สนใจสร้าง AI Agent ที่มีลักษณะการทำงานคล้าย Deep Research (คือให้โมเดลทำการค้นคว้าหาข้อมูลและสรุปผลอย่างอัตโนมัติหลายขั้นตอน) มีแนวทางและองค์ประกอบสำคัญที่ควรพิจารณาดังต่อไปนี้:
• เลือกโมเดลภาษาที่มีความสามารถสูงและปรับแต่งได้: ควรเริ่มจากการเลือกใช้โมเดลภาษาใหญ่ (LLM) ที่มีความสามารถเพียงพอในการทำความเข้าใจโจทย์ซับซ้อนและสร้างข้อความยาวคุณภาพสูง ปัจจุบันโมเดลที่เหมาะสมเช่น GPT-4 (ผ่าน OpenAI API) หรือโมเดลโอเพนซอร์สประสิทธิภาพสูง (เช่น Llama 2 รุ่นขนาดใหญ่) นักพัฒนาอาจใช้โมเดลเหล่านี้ผ่านวิธีการ Prompt Engineering เพื่อให้ทำหน้าที่เป็นเอเจนต์ (เช่นใช้ prompt สไตล์ ReAct ให้โมเดลคิดเป็นลำดับขั้นและเรียกใช้เครื่องมือ) หรือฝึกสอนเพิ่มเติม (fine-tune) ถ้าจำเป็นต่อการให้โมเดลทำงานตามรูปแบบที่ต้องการ
• เชื่อมต่อเครื่องมือค้นหาข้อมูลและแหล่งความรู้ภายนอก: หัวใจของระบบแบบ Deep Research คือความสามารถในการเข้าถึงข้อมูลภายนอกแบบเรียลไทม์ นักพัฒนาควรผนวก Search Engine API เข้ากับระบบของตน เช่น API ของ Google Search, Bing Search หรือใช้แหล่งข้อมูลเฉพาะทาง (เช่น Wikipedia API) ตามลักษณะงาน นอกจากนี้ควรพัฒนาโมดูลสำหรับ ดึงและประมวลผลเนื้อหาเว็บ จากลิงก์ที่ค้นเจอ (web scraping) โดยอาจใช้ไลบรารีสำหรับดึงข้อความจาก HTML และจัดการ encoding ให้เหมาะสม รวมถึงเตรียมความสามารถในการอ่าน ไฟล์เอกสาร (PDF, Word) หรือ วิเคราะห์รูปภาพ ถ้างานวิจัยนั้นต้องครอบคลุมสื่อหลายประเภท
• ออกแบบให้เอเจนต์ทำงานเป็นลำดับหลายขั้นตอน (Multi-step reasoning): ควรกำหนดกลไกให้เอเจนต์สามารถวางแผนและทำงานทีละขั้น ไม่ใช่พยายามตอบคำถามใหญ่ในครั้งเดียว นักพัฒนาสามารถนำเทคนิคจากงานวิจัยมาใช้ เช่น วิธี Self-Ask ที่ให้โมเดลแตกคำถามใหญ่เป็นคำถามย่อย แล้วค้นหาคำตอบทีละข้อ หรือวิธี ReAct ที่ผสานการให้เหตุผลกับการใช้เครื่องมือไปพร้อมกัน วิธีการเหล่านี้สามารถทำได้ผ่าน prompt ที่เหมาะสม หรือใช้ framework ที่ช่วยจัดการเอเจนต์โดยเฉพาะ ตัวอย่างเช่นไลบรารี LangChain มีแม่แบบเอเจนต์พร้อมใช้งาน (เช่น “ReAct agent” หรือ “Self-Ask with search agent”) ที่ช่วยจัดลำดับขั้นตอนการคิดและเรียกใช้งานเครื่องมือต่างๆ ให้อัตโนมัติ นักพัฒนาสามารถปรับใช้แม่แบบเหล่านั้นแล้วเพิ่ม logic เฉพาะสำหรับงานของตน
• การจัดการหน่วยความจำและข้อมูลระหว่างดำเนินการ: ในการทำวิจัยเชิงลึก เอเจนต์อาจต้องจัดการข้อมูลจำนวนมากที่ได้มาจากหลายแหล่ง นักพัฒนาควรสร้างระบบหน่วยความจำให้เอเจนต์ เช่น การเก็บข้อความหรือผลสรุปที่สำคัญจากแต่ละแหล่งไว้ในตัวแปรหรือฐานข้อมูลชั่วคราว เพื่อให้โมเดลสามารถ เรียกใช้อ้างอิงภายหลัง ได้เมื่อต้องสังเคราะห์ผลลัพธ์สุดท้าย แนวทางหนึ่งคือใช้ Vector Database (เช่น FAISS, Milvus หรือ Pinecone) ในการจัดเก็บ embedding ของข้อมูลที่ค้นมาแต่ละส่วน แล้วเมื่อจะสรุปผลก็ให้โมเดลค้น embedding ที่เกี่ยวข้องกลับมาใช้อีกครั้ง วิธีนี้คล้ายกับความสามารถหน่วยความจำระยะยาวของ Auto-GPT ที่ใช้ vector store ในการจำข้อมูลเก่าๆ นอกจากนี้ การจัดเก็บควรรองรับการ เขียนลงไฟล์ กรณีที่ต้องสร้าง output ชั่วคราว เช่น ตารางข้อมูล หรือรายงานย่อย ก่อนจะรวมเข้าเป็นรายงานใหญ่สุดท้าย (การจัดโครงสร้างไฟล์อย่างเป็นระบบจะช่วยให้เอเจนต์ทำงานซับซ้อนได้มีประสิทธิภาพ)
• สังเคราะห์คำตอบพร้อมแหล่งอ้างอิง: ควรวางกลไกให้ออกผลลัพธ์ที่ ระบุที่มาของข้อมูลทุกจุด เพื่อความน่าเชื่อถือ วิธีการคือระหว่างที่เอเจนต์ดึงข้อมูลจากแหล่งใด ให้จัดเก็บ คู่ควบระหว่างข้อมูลกับแหล่งที่มา ไว้ เช่น อาจใช้โครงสร้างข้อมูลที่เก็บเป็นกลุ่มว่า “ข้อความ A มาจาก URL X” เพื่อที่เมื่อโมเดลจะเขียนรายงาน ก็สามารถนำข้อมูล A นั้นมาใช้อ้าง และใส่เครื่องหมายอ้างอิง URL X กำกับได้ ซึ่งอาจทำผ่าน prompt ที่สอนโมเดลให้ใส่หมายเลขอ้างอิงเวลาหยิบข้อมูลภายนอกมาเขียนคำตอบ แนวทางนี้ได้รับแรงบันดาลใจจากงานอย่าง WebGPT ที่บังคับให้โมเดลรวบรวม reference ระหว่างค้นข้อมูล และรวม reference เหล่านั้นมากับคำตอบด้วยเสมอ นักพัฒนาควรทดสอบและปรับรูปแบบการให้โมเดลใส่อ้างอิงให้เหมาะสมกับระบบของตน (เช่น ใช้หมายเลข [1], [2] หรือรูปแบบเอกสารวิชาการ)
• ใช้เฟรมเวิร์กและเครื่องมือช่วยในการพัฒนา: มีเครื่องมือและเฟรมเวิร์กหลายตัวที่จะช่วยเร่งการสร้างเอเจนต์แนวนี้ โดยไม่ต้องพัฒนาทุกอย่างจากศูนย์ ยกตัวอย่างเช่น LangChain (สำหรับ Python/JS) ที่มีชุดโมดูลสำหรับ Agents และ Tools ที่พร้อมเชื่อม LLM เข้ากับเครื่องมือค้นเว็บ ฐานข้อมูลเวกเตอร์ และมีโครงสร้าง Memory ที่กำหนดเองได้, นอกจากนี้ยังมี frameworks แบบ Multi-agent อื่นๆ เช่น AutoGen, langchain’s Agent, หรือแพลตฟอร์มโอเพนซอร์สอย่าง Auto-GPT และ AgentGPT ที่ชุมชนนักพัฒนาสร้างขึ้น ซึ่งสามารถศึกษาเป็นแนวทางได้ (IBM ได้กล่าวถึง Auto-GPT ว่าเป็นตัวอย่างของเฟรมเวิร์กที่ประสานงานเอเจนต์อัตโนมัติหลายตัวเข้าด้วยกันเพื่อบรรลุเป้าหมาย และยังมีแพลตฟอร์มอื่นๆ เช่น “crewAI”, “LangGraph” และ “AutoGen” ที่อยู่ในกลุ่มเดียวกัน ) การศึกษาระบบเหล่านี้จะช่วยให้นักพัฒนาเข้าใจรูปแบบการออกแบบเอเจนต์ และสามารถดัดแปลงมาใช้กับโครงการของตนเองได้รวดเร็วขึ้น
• การทดสอบ ปรับปรุง และการป้องกันข้อผิดพลาด: เมื่อนำองค์ประกอบทั้งหมดมารวมกันสร้างเป็นเอเจนต์แล้ว ควรทำการทดสอบอย่างละเอียดในหลายๆ โจทย์ การประเมินควรดูทั้ง คุณภาพของข้อมูลที่ค้นมา (ตรงประเด็น ครบถ้วนหรือไม่), ความถูกต้องของคำตอบสุดท้าย และ ความสม่ำเสมอของการใส่อ้างอิง นอกจากนี้นักพัฒนาควรสร้างกลไก ป้องกันการฮัลลูซิเนต เช่น หากโมเดลสรุปข้อมูลที่ไม่มีในแหล่งอ้างอิงจริงๆ ก็ควรมีขั้นตอนตรวจสอบ (อาจเปรียบเทียบข้อความสรุปกับต้นฉบับ) หรือจำกัดไม่ให้โมเดลตอบสิ่งที่ไม่พบหลักฐานเลย ในทางปฏิบัติ อาจตั้งเงื่อนไขว่า “ถ้าหาข้อมูลไม่เจอ ให้โมเดลรายงานว่าไม่มีข้อมูล” แทนที่จะเดาขึ้นมาเอง นอกจากนี้อาจต้องระวังประเด็น การเข้าถึงข้อมูลที่ไม่ควรเข้าถึง (เช่น เว็บไซต์ที่มี robot.txt ห้ามเก็บข้อมูล) และ การเคารพลิขสิทธิ์ ในการดึงข้อมูลมาใช้ ซึ่งอาจจัดการโดยทำให้เอเจนต์ค้นหาเฉพาะแหล่งที่เชื่อถือได้หรือเป็นข้อมูลสาธารณะ
• ปรับทรัพยากรให้เหมาะสม: หากนักพัฒนาสร้างเอเจนต์ใช้เอง อาจต้องคำนึงถึงต้นทุนและทรัพยากรในการรัน ระบบแบบ Deep Research ใช้การเรียกโมเดลขนาดใหญ่หลายสิบครั้งและดึงข้อมูลจำนวนมาก ซึ่งต้นทุน API และการประมวลผลจะสูง ควรวางแผนให้เอเจนต์ทำงานอย่างมีประสิทธิภาพ เช่น จำกัดจำนวนลิงก์สูงสุด ที่จะเปิดต่อการค้นหนึ่งครั้ง, เลือกใช้โมเดลขนาดเล็กลงสำหรับงานย่อย (เช่น สรุปข้อความ) แล้วใช้โมเดลใหญ่เฉพาะตอนสังเคราะห์ขั้นสุดท้าย เป็นต้น
โดยสรุป การสร้าง AI Agent ที่คล้ายกับ Deep Research จำเป็นต้องรวมความสามารถหลายด้านเข้าด้วยกัน ได้แก่ ความเก่งของโมเดลภาษา, การใช้เครื่องมือค้นหาภายนอก, การจัดการข้อมูลระหว่างทำงาน, และ การจัดรูปแบบผลลัพธ์พร้อมอ้างอิง นักพัฒนาสามารถใช้บทเรียนจากฟีเจอร์ Deep Research ของ OpenAI และงานวิจัยที่เกี่ยวข้องมาประยุกต์ใช้ ตลอดจนใช้เครื่องมือโอเพนซอร์สที่มีอยู่เพื่อพัฒนาระบบได้อย่างรวดเร็วขึ้น แนวทางการออกแบบระบบสามารถยึดหลักคล้ายกับที่อธิบายโดย IBM เกี่ยวกับเอเจนต์อัตโนมัติ คือหลังจากผู้ใช้กำหนดเป้าหมายแล้ว เอเจนต์จะตัดสินใจลำดับขั้นตอนที่จะทำให้บรรลุเป้าหมายนั้น โดยใช้ผลลัพธ์ของแต่ละขั้นมาปรับการทำงานขั้นถัดไปไปเรื่อยๆ จนงานเสร็จสิ้น** ** ดังนั้นการวางโครงสร้างให้เอเจนต์สามารถวนลูป วางแผน→ปฏิบัติ→ตรวจสอบ ได้เองจึงเป็นกุญแจสำคัญ เมื่อสร้างระบบขึ้นมาแล้ว ควรปรับปรุงผ่านการทดสอบกับงานวิจัยหลากหลายประเภท และใส่ใจกับการใส่อ้างอิงและการตรวจสอบความถูกต้อง เพื่อให้เอเจนต์ที่พัฒนาขึ้นมีความใกล้เคียงกับ Deep Research ทั้งในด้านประสิทธิภาพและความน่าเชื่อถือของผลลัพธ์ที่นำเสนอ
อ้างอิงแหล่งข้อมูลที่ใช้ในการวิเคราะห์:
• OpenAI (2025). Deep research is OpenAI’s next agent… – AFP News via Jordan Times
• OpenAI (2025). Introducing deep research (ประกาศฟีเจอร์ Deep Research) – OpenAI Press Release (สรุปโดยชุมชนผู้พัฒนา OpenAI)
• Nakano et al. (2022). WebGPT: Browser-assisted question-answering with human feedback – arXiv preprint
• Yao et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models – ICLR 2023
• Press et al. (2023). Self-Ask: A method for compositional question answering – EMNLP 2023
• DigitalOcean (2023). Auto-GPT vs ChatGPT: Understanding the Key Differences
• IBM (2024). What is AutoGPT? – IBM Technology Blog