NEW LFM2.5 2.6B Changes Local AI FOREVER

1
00:00:00,000 --> 00:00:04,262
โมเดล LFM 2.5 2.6B ตัวใหม่นี้จะเปลี่ยนวงการ AI ในเครื่องของคุณไปตลอดกาลครับ

2
00:00:04,262 --> 00:00:08,297
เคยรันโมเดล AI ในเครื่องแล้วเห็นทั้งระบบช้าลงจนแทบขยับไม่ได้บ้างไหมครับ

3
00:00:08,297 --> 00:00:11,593
นั่นแหละคืออาการของผมทุกครั้งเลย จนกระทั่งตัวนี้ปล่อยออกมา

4
00:00:11,593 --> 00:00:14,491
มันถูกสร้างมาเพื่อให้เข้ากับ agent ที่ผมใช้อยู่พอดี

5
00:00:14,491 --> 00:00:18,526
เป็นโมเดลเล็ก ๆ แต่เร็วกว่าเดิมมาก ไม่มีอะไรหลุดออกไปจากเครื่องของผมเลย

6
00:00:18,526 --> 00:00:22,447
และสิ่งที่มันทำได้ภายใน agent OS ของผมนั้น คุณต้องดูเองถึงจะเชื่อครับ

7
00:00:22,447 --> 00:00:28,073
ผมคืออวตารดิจิทัลของ Julian Goldie ครับ หน้าที่หลักของผมคือช่วยให้คุณได้เรียนรู้และใช้งานเครื่องมือ

8
00:00:28,073 --> 00:00:32,108
AI ในงานจริง ๆ ไม่ใช่แค่ดูเดโมแล้วก็ลืม วันนี้ผมจะพาคุณไปรู้จักกับโมเดล

9
00:00:32,108 --> 00:00:35,404
local ตัวเล็กที่เร็วที่สุดเท่าที่ผมเคยทดสอบมา มันรันอยู่ใน

10
00:00:35,404 --> 00:00:38,529
agent OS ของผมโดยตรง ชื่อว่า LFM 2.5 2.6B ปล่อยออกมาจาก

11
00:00:38,529 --> 00:00:41,996
Liquid AI เมื่อวันที่ 4 สิงหาคม และมันเปลี่ยนความหมายของคำว่า

12
00:00:41,996 --> 00:00:44,724
"local" ไปอย่างเงียบ ๆ ครับ ดูคลิปนี้ต่อไปเรื่อย

13
00:00:44,724 --> 00:00:47,679
ๆ นะครับ เพราะช่วงท้ายผมจะโชว์วิธีที่ผมต่อมันเข้ากับ

14
00:00:47,679 --> 00:00:50,406
agent OS แบบละเอียด เพื่อให้มันทำงานจริง ๆ ให้ผม

15
00:00:50,406 --> 00:00:54,327
โดยที่ไม่มีอะไรแตะต้อง cloud เลย เอาล่ะ นี่คือเหตุผลที่ผมตื่นเต้นครับ

16
00:00:54,327 --> 00:00:58,249
โมเดล local ส่วนใหญ่คือการประนีประนอม เรื่องความเป็นส่วนตัวก็จริงอยู่

17
00:00:58,249 --> 00:01:00,919
แต่ช้า และครึ่งหนึ่งยังเรียกใช้เครื่องมือ (tool

18
00:01:00,919 --> 00:01:03,761
calling) แทบไม่ได้เลย LFM 2.5 ต่างออกไป มันเล็กมาก

19
00:01:03,761 --> 00:01:07,966
แค่ 2.6 พันล้านพารามิเตอร์ (parameters) เล็กพอที่จะอยู่ในหน่วยความจำไม่ถึง

20
00:01:07,966 --> 00:01:10,751
2.5 GB มีหน้าต่างบริบท (context window) ขนาด 128k

21
00:01:10,751 --> 00:01:14,331
ทำให้เก็บข้อมูลได้เยอะในคราวเดียว และจุดที่ทำให้ผมนั่งตัวตรงคือ

22
00:01:14,331 --> 00:01:17,172
มันถูกฝึกมาให้รันในโครงสร้าง agent (agent harness)

23
00:01:17,172 --> 00:01:20,355
จริง ๆ หนึ่งในโครงสร้างที่ Liquid เอ่ยชื่อถึงโดยตรงก็คือ

24
00:01:20,355 --> 00:01:23,310
Hermes ซึ่งก็คือสมองที่อยู่ใจกลาง agent OS ของผมพอดี

25
00:01:23,310 --> 00:01:28,026
โมเดลนี้จึงไม่ได้ปล่อยออกมาแบบมั่ว ๆ แต่ถูกหล่อหลอมมาให้อยู่ในระบบแบบที่ผมใช้ทุกวัน

26
00:01:28,026 --> 00:01:31,834
นี่คือตัวอย่างการใช้งานจริงครับ ผมรัน LFM 2.5 เป็นตัวทำงานในเครื่อง

27
00:01:31,834 --> 00:01:35,755
(local worker) ภายใน agent OS ของผม แล้วชี้มันตรงไปที่คลังความทรงจำใน

28
00:01:35,755 --> 00:01:39,790
Obsidian เพื่อดึงไอเดียคีย์เวิร์ด SEO สำหรับคอนเทนต์ที่ดึงคนให้เข้ามาใน

29
00:01:39,790 --> 00:01:43,313
AI profit boardroom มันอ่านบันทึกของผม ค้นหาหัวข้อที่สำคัญจริง

30
00:01:43,313 --> 00:01:46,552
ๆ แล้วส่งกลับมาเป็นมุมมองคีย์เวิร์ดที่เชื่อมโยงกับงานเก่า

31
00:01:46,552 --> 00:01:49,450
ๆ ของผมเอง ทั้งหมดแบบออฟไลน์ อยู่บนเครื่องของผมล้วน

32
00:01:49,450 --> 00:01:52,235
ๆ คอนเทนต์แบบนั้นแหละที่ดึงคนที่ใช่ให้เข้ามาหา AI

33
00:01:52,235 --> 00:01:55,304
profit boardroom ต่อไปเรามาดูกันว่าทำไมมันถึงดีขนาดนี้

34
00:01:55,304 --> 00:01:58,429
เพราะ "วิธีการ" สำคัญครับ Liquid ฝึกมันด้วยข้อมูลประมาณ

35
00:01:58,429 --> 00:02:01,782
34 ล้านล้าน token (หน่วยย่อยของข้อความ) แล้วนำมาฝึกเพิ่มอีก

36
00:02:01,782 --> 00:02:04,623
4 รอบ ขอสรุปแบบง่าย ๆ ครับ รอบแรกพวกเขาสอนแบบกว้าง

37
00:02:04,623 --> 00:02:09,681
ๆ ก่อน แล้วค่อยจำกัดวงมาที่งานแบบ agent รอบถัดไปพวกเขาสร้างโมเดลผู้เชี่ยวชาญแยกกันหลายตัว

38
00:02:09,681 --> 00:02:15,875
แต่ละตัวเก่งงานคนละอย่าง จากนั้นก็เทความรู้ของผู้เชี่ยวชาญทั้งหมดกลับเข้าไปในโมเดลตัวเดียวที่คุณโหลดมาใช้จริง

39
00:02:15,875 --> 00:02:19,456
และรอบสุดท้ายคือรอบที่สำคัญที่สุด พวกเขาปล่อยมันลงไปในโครงสร้าง

40
00:02:19,456 --> 00:02:22,695
agent จริง ๆ แล้วให้รางวัลเมื่อมันทำงานหลายขั้นตอนจนเสร็จ

41
00:02:22,695 --> 00:02:28,605
ไม่ใช่แค่เดาคำถัดไป ขั้นตอนสุดท้ายนี่แหละที่ทำให้มันเก่งเรื่องการเรียกใช้เครื่องมือและการทำตามคำสั่งจริง

42
00:02:28,605 --> 00:02:32,299
ๆ ไม่ใช่แค่พูดดูฉลาด และความเร็วนี่แหละคือประเด็นหลักสำหรับผมครับ

43
00:02:32,299 --> 00:02:34,970
บนโน้ตบุ๊ก Apple เครื่องแรง ๆ มันทำได้ราว ๆ 220

44
00:02:34,970 --> 00:02:38,038
token ต่อวินาที ส่วนบนโทรศัพท์ก็ยังทรงตัวอยู่ที่ประมาณ

45
00:02:38,038 --> 00:02:40,993
30 ต่อวินาที โดยใช้หน่วยความจำไม่ถึง 2.5 GB ตลอดเวลา

46
00:02:40,993 --> 00:02:45,312
ตอนที่ผมเคยรันโมเดล local ตัวอื่นในระบบ มันลากทุกอย่างให้ช้าลงเหมือนเต่าคลาน

47
00:02:45,312 --> 00:02:48,154
แต่ตัวนี้ไม่เป็นแบบนั้น มันเร็ว คงความตอบสนองได้ดี

48
00:02:48,154 --> 00:02:50,995
และไม่ได้ทำให้เครื่องส่วนอื่นพังไปด้วยระหว่างทำงาน

49
00:02:50,995 --> 00:02:54,064
นี่คือความต่างระหว่างโมเดล local ที่เป็นแค่ของเล่นสนุก

50
00:02:54,064 --> 00:02:56,791
ๆ กับตัวที่คุณจะปล่อยให้มันรันต่อไปเรื่อย ๆ จริง

51
00:02:56,791 --> 00:03:00,144
ๆ แต่ผมขอพูดตรง ๆ นะครับ เพราะนี่คือจุดประสงค์ของช่องนี้เลย

52
00:03:00,144 --> 00:03:02,815
ตัวเลข benchmark เหล่านี้เป็นการทดสอบของ Liquid

53
00:03:02,815 --> 00:03:06,054
เอง กับคู่แข่งที่พวกเขาเลือกมาเอง ส่วนใหญ่เป็นโมเดลตระกูล

54
00:03:06,054 --> 00:03:09,180
Gemma 4 และ Quen ที่ตัวใหญ่กว่าตัวนี้ทั้งหมด และถึงขั้น

55
00:03:09,180 --> 00:03:12,192
Liquid เองยังบอกว่า "อย่าใช้ตัวนี้กับงานเขียนโค้ดหนัก

56
00:03:12,192 --> 00:03:16,624
ๆ หรือคำถามเชิงความรู้ลึก ๆ นะ แต่ในด้านการเรียกใช้เครื่องมือและการทำตามคำสั่ง

57
00:03:16,624 --> 00:03:19,523
เจ้าตัวเล็ก 2.6B ตัวนี้ชนะโมเดลที่ใหญ่กว่าหลายเท่า"

58
00:03:19,523 --> 00:03:23,671
ในด้านการเขียนโค้ดดิบ ๆ และการใช้เหตุผลซับซ้อน โมเดลตัวใหญ่กว่ายังชนะอยู่

59
00:03:23,671 --> 00:03:26,853
ดังนั้นผมจะไม่ใช้ตัวนี้เขียนโค้ด แต่ผมใช้มันสำหรับงานแบบ

60
00:03:26,853 --> 00:03:30,263
agent งานเรียกใช้เครื่องมือ งานซ้ำ ๆ งานหนัก ๆ ที่รันทั้งวัน

61
00:03:30,263 --> 00:03:35,150
นั่นคือสิ่งที่มันถูกสร้างมาเพื่อสิ่งนี้จริง ๆ และนี่คือสิ่งที่ผมกลับมาคิดถึงอยู่เรื่อย

62
00:03:35,150 --> 00:03:38,162
ๆ ครับ นี่ไม่ใช่โมเดลที่คุณใช้ครั้งเดียวแล้วแคปหน้าจอ

63
00:03:38,162 --> 00:03:42,424
แต่เป็นโมเดลที่คุณปล่อยให้รันเงียบ ๆ อยู่เบื้องหลังระหว่างที่คุณไปทำงานจริง

64
00:03:42,424 --> 00:03:45,379
มันเป็นส่วนตัวเพราะไม่มีอะไรหลุดออกจากเครื่อง คุณปิด

65
00:03:45,379 --> 00:03:48,107
Wi-Fi ขึ้นเครื่องบิน มันก็ยังรันได้ และทำงานตลอด

66
00:03:48,107 --> 00:03:50,948
24 ชั่วโมงโดยไม่มีค่าใช้จ่ายอะไรพุ่งขึ้นเบื้องหลัง

67
00:03:50,948 --> 00:03:53,903
นี่คือวิธีสร้างงานที่ต่างไปโดยสิ้นเชิง ถ้าอยากได้ชุด

68
00:03:53,903 --> 00:03:58,052
agent OS แบบที่ผมพูดถึงตลอด ตัวที่รัน LFM 2.5 ในเครื่องเป็นตัวทำงานคู่กับ

69
00:03:58,052 --> 00:04:01,007
Hermes นั่นคือสิ่งที่ผมแพ็กไว้ใน AI profit boardroom

70
00:04:01,007 --> 00:04:04,132
ครับ คุณจะได้ไฟล์ zip ของ agent OS ทั้งระบบพร้อมติดตั้ง

71
00:04:04,132 --> 00:04:07,201
ไม่ต้องมานั่งต่อชิ้นส่วนกันเองตั้งแต่ศูนย์ เราสร้างแผน

72
00:04:07,201 --> 00:04:10,440
30 วัน (30-day road map) แบบครบถ้วนเพื่อพาคุณเดินทีละขั้น

73
00:04:10,440 --> 00:04:14,077
พร้อมวิดีโอสอนวิธีเสียบโมเดล local แบบนี้เข้ากับระบบของคุณโดยตรง

74
00:04:14,077 --> 00:04:18,908
แถมยังมีคอลให้คำปรึกษาสด (coaching call) ที่คุณแชร์หน้าจอและถามเรื่องระบบของคุณเองได้

75
00:04:18,908 --> 00:04:22,431
และผมจะมาตอบคำถามในนั้นทุกวันด้วยตัวเอง ถ้าคุณดูอยู่แล้วคิดว่า

76
00:04:22,431 --> 00:04:25,500
"ฉันอยากให้มันรันแบบนี้บ้าง" นั่นคือสิ่งที่รอคุณอยู่ใน

77
00:04:25,500 --> 00:04:28,455
AI profit boardroom ครับ ต่อไปขอโชว์วิธีใช้แบบที่สอง

78
00:04:28,455 --> 00:04:31,239
ผมรัน LFM 2.5 เป็นตัวแทนย่อย (sub agent) ใน agent

79
00:04:31,239 --> 00:04:34,024
OS เพื่อจัดการงานปริมาณมากที่ซ้ำซาก เช่นร่าง hook

80
00:04:34,024 --> 00:04:36,808
และแคปชันจำนวนมากสำหรับคอนเทนต์ซีรีส์ ขณะที่โมเดล

81
00:04:36,808 --> 00:04:39,536
frontier ตัวใหญ่กว่าทำงานวางแผนหนัก ๆ อยู่ด้านบน

82
00:04:39,536 --> 00:04:42,207
เจ้าโมเดล local ตัวเล็กกัดกินส่วนที่ซ้ำซาก สมอง

83
00:04:42,207 --> 00:04:46,412
frontier จัดการส่วนที่ต้องคิด และทั้งหมดมุ่งไปที่การดึงคนที่ใช่ให้เข้ามาใน

84
00:04:46,412 --> 00:04:50,674
AI profit boardroom ผมจะไม่เอา frontier model ไปทำอะไรที่มันไม่จำเป็นต้องทำ

85
00:04:50,674 --> 00:04:55,277
และนี่คือเคล็ดลับของโมเดลตัวนี้จริง ๆ ครับ คุณไม่ต้องเลือกระหว่างสมองใหญ่กับโมเดล

86
00:04:55,277 --> 00:04:58,233
local ที่เร็ว คุณรันทั้งคู่ ใน agent OS ของผม ผมเก็บ

87
00:04:58,233 --> 00:05:02,551
frontier model ไว้เป็นสมองของทั้งระบบ แล้วส่งงานน่าเบื่อที่กินเวลามากลงไปให้

88
00:05:02,551 --> 00:05:06,529
LFM 2.5 มันเร็ว ฟรี ไม่เสียค่าใช้จ่ายในการรัน เพราะมันอยู่ในเครื่องเรา

89
00:05:06,529 --> 00:05:09,598
และไม่เคยส่งงานนั้นออกไปที่ cloud เลย ดังนั้น frontier

90
00:05:09,598 --> 00:05:13,406
model อยู่กับงานที่ต้องคิดหนัก ส่วนเจ้าตัวเล็กจัดการที่เหลือทั้งหมด

91
00:05:13,406 --> 00:05:16,417
นี่คือระบบที่เมื่อก่อนไม่มีความเป็นจริงเลยครับ การรัน

92
00:05:16,417 --> 00:05:20,225
agent ในเครื่องเคยหมายถึงการยอมรับว่ามันจะช้าและค่อนข้างไร้ประโยชน์

93
00:05:20,225 --> 00:05:23,066
และก็ควรรู้ไว้ว่าเจ้าตัวนี้ถูกสร้างมาเพื่ออะไรจริง

94
00:05:23,066 --> 00:05:27,272
ๆ เพราะมันไม่ได้พยายามเป็นแชทบอทครับ Liquid จับมันไปทำงานน่าเบื่อปริมาณมาก

95
00:05:27,272 --> 00:05:30,056
เช่นอ่านเอกสาร ดึงรายละเอียดจากฟอร์มและใบแจ้งหนี้

96
00:05:30,056 --> 00:05:33,807
จัดปฏิทินให้เป็นระเบียบ รันเวิร์กโฟลว์เดิมซ้ำแล้วซ้ำเล่าเบื้องหลัง

97
00:05:33,807 --> 00:05:36,705
มันยังอยู่ได้ในที่ที่ cloud model เข้าไม่ถึงด้วยซ้ำ

98
00:05:36,705 --> 00:05:39,660
มันรันได้ในรถยนต์ ในหุ่นยนต์ บนฮาร์ดแวร์เล็ก ๆ อย่าง

99
00:05:39,660 --> 00:05:44,547
Raspberry Pi เวลาผมคิดว่า LFM 2.5 เหมาะกับอะไร ผมไม่ได้ขอให้มันเก่งสุดยอดแค่ครั้งเดียว

100
00:05:44,547 --> 00:05:47,730
แต่ขอให้มันเชื่อถือได้เป็นพัน ๆ ครั้งติดต่อกันอย่างเงียบ

101
00:05:47,730 --> 00:05:51,082
ๆ ขณะที่ผมไปทำอย่างอื่น นั่นคืองานที่ต่างจากที่เราเคยมอบให้

102
00:05:51,082 --> 00:05:54,549
AI มาก และมันคืองานที่งาน agent จริง ๆ ส่วนใหญ่เป็นแบบนี้เป๊ะ

103
00:05:54,549 --> 00:05:58,584
มันยังต่อเข้ากับความทรงจำ (memory) ได้โดยตรง ซึ่งเป็นส่วนที่ผมชอบที่สุด

104
00:05:58,584 --> 00:06:01,539
agent OS ของผมใช้ Obsidian เป็นชั้นความทรงจำ (memory

105
00:06:01,539 --> 00:06:04,266
layer) และ LFM 2.5 อ่านโน้ตเหล่านั้นในเครื่องได้

106
00:06:04,266 --> 00:06:07,619
มันเลยไม่ต้องเริ่มจากกระดานเปล่าทุกครั้ง มันรู้งานเก่าของผม

107
00:06:07,619 --> 00:06:10,631
หัวข้อของผม มุมมองของผม และนำมาใช้ได้ นี่คือวิธีทำให้

108
00:06:10,631 --> 00:06:15,575
agent รู้สึกเหมือนมันเข้าใจสิ่งที่คุณกำลังทำ แทนที่จะต้องอธิบายทุกอย่างให้มันฟังใหม่หมด

109
00:06:15,575 --> 00:06:19,951
และเพราะทุกอย่างอยู่ในเครื่อง ความทรงจำนั้นก็ไม่หลุดออกจากเครื่องคุณเหมือนกัน

110
00:06:19,951 --> 00:06:22,792
นี่คือวิธีที่สามที่ผมจะเอามันไปใช้งานครับ ผมอาจชี้

111
00:06:22,792 --> 00:06:25,520
LFM 2.5 ไปที่คู่มือเจ๋ง ๆ ของเราโดยใช้สกิล learn

112
00:06:25,520 --> 00:06:29,782
ในตัว ให้มันสร้างสกิลที่ใช้ซ้ำได้ในเครื่อง เช่นเปลี่ยนคู่มือแนะนำสมาชิกใหม่

113
00:06:29,782 --> 00:06:33,021
(onboarding guide) ของ AI profit boardroom ให้เป็นสกิลที่

114
00:06:33,021 --> 00:06:35,692
agent รันได้สำหรับสมาชิกใหม่ทุกคน มันอ่านคู่มือ

115
00:06:35,692 --> 00:06:38,818
เรียนรู้ บันทึกสกิล แล้วก็พร้อมใช้แบบออฟไลน์ได้ทุกเมื่อ

116
00:06:38,818 --> 00:06:42,568
สมาชิกใหม่ที่เข้ามาใน AI profit boardroom จะมีวันแรกที่ราบรื่นขึ้น

117
00:06:42,568 --> 00:06:45,353
และผมสร้างทั้งหมดนี้ด้วยโมเดล local ที่ฟรี เอาล่ะ

118
00:06:45,353 --> 00:06:49,274
ขอสรุปภาพรวมหน่อย เพราะการเปลี่ยนแปลงครั้งนี้ใหญ่กว่าแค่โมเดลตัวเดียว

119
00:06:49,274 --> 00:06:53,479
วิถีแบบเก่า งานทุกอย่างพึ่งพา cloud model ทุกสิ่งที่คุณทำต้องออกจากเครื่อง

120
00:06:53,479 --> 00:06:57,400
ไม่มี Wi-Fi ก็ไม่มี agent และคุณต้องคอยระวังอยู่เสมอว่าจะรันมากแค่ไหน

121
00:06:57,400 --> 00:07:00,128
วิถีแบบใหม่ไม่เหมือนเดิมเลย LFM 2.5 รันในเครื่อง

122
00:07:00,128 --> 00:07:04,731
และไม่ช้าอีกต่อไป ไม่มีอะไรหลุดออกจากเครื่อง ดังนั้นความเป็นส่วนตัวคือค่าเริ่มต้น

123
00:07:04,731 --> 00:07:09,334
มันทำงานตามงานที่ตั้งเวลาไว้ตลอด 24 ชั่วโมง คุณทำงานบนเครื่องบินที่ไม่มีสัญญาณได้

124
00:07:09,334 --> 00:07:12,119
และยังเก็บ frontier model ไว้เป็นสมองเมื่อต้องการ

125
00:07:12,119 --> 00:07:15,074
แล้วส่งงานหนัก ๆ ลงไปให้โมเดล local Hermes ให้ "มือ"

126
00:07:15,074 --> 00:07:17,745
ส่วน LFM 2.5 ให้สมอง local ที่เร็ว และ agent OS

127
00:07:17,745 --> 00:07:22,177
ของคุณร้อยทุกอย่างเข้าด้วยกันในที่เดียว นี่คือระบบที่ผมกลับมาใช้ซ้ำแล้วซ้ำเล่า

128
00:07:22,177 --> 00:07:25,019
และเป็นเหตุผลว่าเจ้าตัวเล็กแบบนี้ถึงเป็นเรื่องใหญ่

129
00:07:25,019 --> 00:07:27,747
และส่วนที่ดีที่สุดคือคุณไม่ต้องเชื่อผมลอย ๆ ครับ

130
00:07:27,747 --> 00:07:31,895
น้ำหนักโมเดล (weights) เปิดเผยต่อสาธารณะ มันรันบนเครื่องที่คุณใช้อยู่แล้ว

131
00:07:31,895 --> 00:07:34,736
และคุณเอามันไปทำงานได้ตั้งแต่วันนี้โดยไม่ต้องรอใคร

132
00:07:34,736 --> 00:07:37,407
นี่คือการเปลี่ยนแปลงทั้งหมดจริง ๆ ครับ สิ่งดี ๆ

133
00:07:37,407 --> 00:07:40,192
เกี่ยวกับ agent เลิกเป็นสิ่งที่ถูกล็อกไว้ใน cloud

134
00:07:40,192 --> 00:07:43,488
และกลายเป็นสิ่งที่คุณแค่รันเองได้ ถ้าคุณอยากได้ขั้นตอนเต็ม

135
00:07:43,488 --> 00:07:46,443
ๆ SOP ต่าง ๆ และกรณีการใช้งาน AI กว่า 100 กรณีแบบนี้

136
00:07:46,443 --> 00:07:50,421
มาร่วม AI success lab ได้เลยครับ ลิงก์อยู่ในคอมเมนต์และคำอธิบายใต้คลิป

137
00:07:50,421 --> 00:07:54,058
คุณจะได้โน้ตทั้งหมดจากวิดีโอนี้ในนั้น พร้อมการเข้าถึงชุมชนสมาชิก

138
00:07:54,058 --> 00:07:56,786
85,000 คนที่กำลังเรียนรู้วิธีใช้งานของพวกนี้จริง

139
00:07:56,786 --> 00:08:00,025
ๆ และถ้าอยากลงลึกกว่านั้นและได้ระบบชุดนี้มาวิ่งด้วยตัวเอง

140
00:08:00,025 --> 00:08:03,889
AI profit boardroom คือที่สำหรับสิ่งนั้นครับ คุณกำลังจะลองเสียบโมเดล

141
00:08:03,889 --> 00:08:07,356
local เข้ากับ agent จริง ๆ และผมการันตีว่าคุณจะเจออุปสรรคเล็ก

142
00:08:07,356 --> 00:08:10,936
ๆ น้อย ๆ เช่น จะใช้ runtime ตัวไหน วิธีจัดเส้นทางงานระหว่างสมอง

143
00:08:10,936 --> 00:08:13,891
frontier กับตัวทำงานในเครื่อง วิธีต่อความทรงจำเข้ามา

144
00:08:13,891 --> 00:08:17,812
และนั่นคือจุดที่ AI profit boardroom ช่วยคุณประหยัดอาการปวดหัวได้พอดี

145
00:08:17,812 --> 00:08:20,653
คุณจะได้ไฟล์ zip ของ agent OS ทั้งระบบพร้อมติดตั้ง

146
00:08:20,653 --> 00:08:23,381
แผน 30 วันที่พาคุณผ่านทุกชิ้นส่วน วิดีโอสอนโมเดล

147
00:08:23,381 --> 00:08:29,518
local พรอมต์ (prompts) และคอลให้คำปรึกษารายสัปดาห์ที่คุณสามารถแก้ปัญหาติดขัดได้แบบเรียลไทม์ร่วมกับสมาชิกกว่า

148
00:08:29,518 --> 00:08:32,985
4,000 คนที่กำลังสร้างระบบไปพร้อมกับคุณ มาร่วมกับเราได้เลยครับ

149
00:08:32,985 --> 00:08:35,599
ที่ aiprofitboardroom.com แล้วเจอกันข้างในครับ