NVIDIA’s 30B AI Model Is Faster Than You Think

1
00:00:00,000 --> 00:00:02,832
โมเดล AI ขนาด 30B ของ NVIDIA เร็วกว่าที่คุณคิด.

2
00:00:02,832 --> 00:00:06,688
จะเป็นอย่างไรถ้าโมเดลที่ฉลาดที่สุดไม่ใช่โมเดลที่คุณต้องการจริงๆ?

3
00:00:06,688 --> 00:00:12,111
ทุกคนไล่ตามโมเดล AI ที่ใหญ่ที่สุดเท่าที่จะหาได้ แต่พลังส่วนใหญ่กลับถูกใช้ไปกับขั้นตอนเล็กๆ

4
00:00:12,111 --> 00:00:13,207
ที่น่าเบื่อ.

5
00:00:13,207 --> 00:00:17,606
NVIDIA เพิ่งปล่อยโมเดล open source ขนาดเล็กที่ทำงานได้เร็วกว่าถึงสี่เท่า.

6
00:00:17,606 --> 00:00:21,703
แทบไม่มีใครตั้งค่า workflow (ขั้นตอนการทำงาน) ของตัวเองให้ใช้มันเลย.

7
00:00:21,703 --> 00:00:23,270
ผมจะให้ดูว่าอะไรเปลี่ยนไป.

8
00:00:23,270 --> 00:00:26,524
ผมคือ digital avatar (อวตารดิจิทัล) ของ Julian Goldie.

9
00:00:26,524 --> 00:00:29,597
ผมช่วยให้คนเรียนรู้เครื่องมือ AI และนำไปใช้งานจริง.

10
00:00:29,597 --> 00:00:33,634
ไม่ใช่ทฤษฎี ไม่ใช่กระแสเกินจริง แต่เป็นสิ่งที่คุณลองทำได้เลยวันนี้.

11
00:00:33,634 --> 00:00:36,646
ในวิดีโอนี้ ผมจะอธิบายว่า NVIDIA เพิ่งเปิดตัวอะไร.

12
00:00:36,646 --> 00:00:38,695
ทำไมความเร็วจึงสำคัญกว่าที่คุณคิด.

13
00:00:38,695 --> 00:00:41,467
และมันเปลี่ยนวิธีสร้าง AI agent ของคุณอย่างไร.

14
00:00:41,467 --> 00:00:45,986
ช่วงท้าย ผมจะให้เคล็ดลับสำหรับมือใหม่ที่ช่วยลดความปวดหัวได้มากเวลาลองทำเอง.

15
00:00:45,986 --> 00:00:50,023
หนึ่งในนั้นคือสาเหตุที่คนส่วนใหญ่ทดสอบโมเดลนี้ผิดวิธีตั้งแต่วันแรก.

16
00:00:50,023 --> 00:00:52,795
เอาละ เริ่มจากว่าจริงๆ แล้วเจ้านี่คืออะไรครับ?

17
00:00:52,795 --> 00:00:56,410
วันที่ 11 สิงหาคม NVIDIA ประกาศโมเดล Nemotron 3.5 Lightning.

18
00:00:56,410 --> 00:00:58,700
นี่คือข้อความที่พวกเขาประกาศแบบตรงตัว.

19
00:00:58,700 --> 00:01:04,364
เป็นโมเดล open source แบบ mixture of experts (ระบบผสมผู้เชี่ยวชาญ) ขนาด 30 พันล้านพารามิเตอร์.

20
00:01:04,364 --> 00:01:07,798
มี active parameters (พารามิเตอร์ที่ทำงานจริง) 3 พันล้าน.

21
00:01:07,798 --> 00:01:12,317
ถูกสร้างมาให้ agent ที่ทำงานตลอดเวลาทำงานเฉพาะทางปริมาณมากให้เสร็จเร็วขึ้น.

22
00:01:12,317 --> 00:01:16,595
และให้ความเร็ว output (ผลลัพธ์) สูงกว่าโมเดลขนาดใกล้เคียงกันถึงสี่เท่า.

23
00:01:16,595 --> 00:01:18,885
ฟังดูเป็นศัพท์เทคนิคเยอะไปหน่อยนะครับ.

24
00:01:18,885 --> 00:01:20,271
ขออธิบายให้เข้าใจง่ายๆ.

25
00:01:20,271 --> 00:01:24,730
Mixture of experts หมายความว่าโมเดลถูกแบ่งออกเป็นผู้เชี่ยวชาญเฉพาะทางเล็กๆ

26
00:01:24,730 --> 00:01:25,826
จำนวนมาก.

27
00:01:25,826 --> 00:01:31,249
เมื่อคุณส่งคำหนึ่งคำเข้าไป router (ตัวจัดเส้นทาง) จะเลือกผู้เชี่ยวชาญเพียงไม่กี่ตัวมาดูแล.

28
00:01:31,249 --> 00:01:33,780
โมเดลจึงมีความจุถึง 30 พันล้านพารามิเตอร์.

29
00:01:33,780 --> 00:01:38,359
แต่ในแต่ละ token (หน่วยย่อยของข้อความ) จะมีเพียงประมาณ 3 พันล้านตัวที่ทำงาน.

30
00:01:38,359 --> 00:01:43,722
ลองนึกถึงออฟฟิศใหญ่ที่มีคน 100 คนในอาคาร แต่เมื่อมีคำถามเข้ามา มีเพียงสามคนที่ลุกขึ้นตอบ.

31
00:01:43,722 --> 00:01:45,891
ความจุใหญ่ แต่ภาระงานต่อขั้นตอนน้อย.

32
00:01:45,891 --> 00:01:48,301
NVIDIA ชัดเจนว่าโมเดลนี้สร้างมาเพื่อใคร.

33
00:01:48,301 --> 00:01:53,001
มันไม่ใช่โมเดลที่เขียนกลยุทธ์ให้คุณ แต่เป็นโมเดลที่ทำงานเบื้องหลังกลยุทธ์นั้น.

34
00:01:53,001 --> 00:01:56,014
มีเรื่องหนึ่งเกี่ยวกับ AI agent ที่ไม่มีใครพูดถึง.

35
00:01:56,014 --> 00:01:58,785
agent ที่ทำงานยาวๆ ใช้เวลาส่วนใหญ่ไปกับงานซ้ำๆ

36
00:01:58,785 --> 00:02:00,714
เช่น เรียกใช้ tool (เครื่องมือ).

37
00:02:00,714 --> 00:02:02,581
ตรวจสอบว่า tool ทำงานสำเร็จไหม.

38
00:02:02,581 --> 00:02:05,474
จัดรูปแบบผลลัพธ์ แล้วส่งต่องานให้ agent ตัวอื่น.

39
00:02:05,474 --> 00:02:06,980
NVIDIA กล่าวว่าโมเดลเล็กๆ

40
00:02:06,980 --> 00:02:08,968
เหล่านี้ได้เหรียญกล้าหาญในสนามรบ.

41
00:02:08,968 --> 00:02:11,981
พวกมันจัดการงานอย่าง Git pull (การดึงโค้ดจาก Git).

42
00:02:11,981 --> 00:02:17,464
ตรวจสอบผลลัพธ์จาก tool และการเรียกใช้งานประจำที่ประกอบเป็นงานส่วนใหญ่ของ agent ที่ทำงานยาว.

43
00:02:17,464 --> 00:02:21,923
ถ้าส่งทุกขั้นตอนแบบนั้นไปให้ frontier model (โมเดลระดับแนวหน้า) ขนาดยักษ์.

44
00:02:21,923 --> 00:02:24,514
คุณก็จะคอยรอให้อะไรที่ใหญ่โตมาตอบคำถามเล็กๆ

45
00:02:24,514 --> 00:02:25,610
น้อยๆ.

46
00:02:25,610 --> 00:02:28,081
แล้วคุณจะใช้โมเดลแบบนี้ทำอะไรได้บ้างครับ?

47
00:02:28,081 --> 00:02:32,058
NVIDIA บอกว่ามันถูกสร้างมาสำหรับ execution layer (ชั้นปฏิบัติการ).

48
00:02:32,058 --> 00:02:36,577
เช่น อ่านไฟล์ เรียกใช้ tool เรียงผลลัพธ์ หรือลองทำใหม่เมื่อบางอย่างล้มเหลว.

49
00:02:36,577 --> 00:02:40,192
มันรองรับ context length (ความยาวบริบท) สูงสุด 1 ล้าน token.

50
00:02:40,192 --> 00:02:43,687
จึงเก็บประวัติการใช้งาน tool ที่ยาวข้ามหลายรอบการสนทนาได้.

51
00:02:43,687 --> 00:02:48,748
และยังรองรับภาษาเขียนโค้ดหลายภาษา รวมถึงภาษาสเปน ฝรั่งเศส เยอรมัน อิตาลี และญี่ปุ่น.

52
00:02:48,748 --> 00:02:50,435
แล้วมันรันได้ที่ไหนบ้างครับ?

53
00:02:50,435 --> 00:02:55,557
NVIDIA บอกว่า Nemotron 3.5 Lightning รันในเครื่องได้บน RTX PC, DGX, Spark และ Jetson.

54
00:02:55,557 --> 00:03:00,438
และขยายได้จนถึง RTX PRO workstation, DGX Station, ศูนย์ข้อมูล และ cloud (คลาวด์).

55
00:03:00,438 --> 00:03:04,234
คุณยังรันผ่าน Ollama, LM Studio, llama.cpp และ Unsloth ได้ด้วย.

56
00:03:04,234 --> 00:03:08,632
ทีนี้ ถ้าฟังดูมีประโยชน์ แต่คุณไม่รู้จะเริ่มต้นกับการตั้งค่า agent ยังไง.

57
00:03:08,632 --> 00:03:12,067
นั่นคือช่องว่างที่เราทำงานกันใน AI Profit Boardroom พอดี.

58
00:03:12,067 --> 00:03:15,863
เราเปิดคอลโค้ชชิ่งสดให้คุณนำการตั้งค่า agent ของตัวเองมาถามได้.

59
00:03:15,863 --> 00:03:18,815
เพื่อที่คุณจะได้ไม่ต้องเดาว่าโมเดลไหนควรทำงานไหน.

60
00:03:18,815 --> 00:03:23,214
เรามีวอล์กทรูวิธีรันโมเดลในเครื่องและเชื่อมต่อเข้ากับ workflow ของ agent.

61
00:03:23,214 --> 00:03:27,371
รวมถึง prompt (คำสั่ง) และ roadmap (แผนเส้นทาง) ที่แสดงลำดับการสร้าง.

62
00:03:27,371 --> 00:03:30,384
ถ้าคุณคิดจะทดสอบโมเดล open source อย่าง Lightning.

63
00:03:30,384 --> 00:03:34,180
เพื่อใช้เป็น worker (ตัวทำงาน) ใน stack (ชุดเครื่องมือ) ของคุณ.

64
00:03:34,180 --> 00:03:36,892
นั่นคือสิ่งที่เราช่วยสมาชิกวางแผนทีละขั้นตอน.

65
00:03:36,892 --> 00:03:39,663
แทนที่คุณจะเสียสุดสัปดาห์ไปกับปัญหาการติดตั้ง.

66
00:03:39,663 --> 00:03:41,531
ลิงก์อยู่ในคำอธิบายและคอมเมนต์.

67
00:03:41,531 --> 00:03:43,219
ทีนี้มาพูดเรื่องความเร็วกัน.

68
00:03:43,219 --> 00:03:45,207
เพราะนั่นคือสิ่งที่คนกำลังพูดถึง.

69
00:03:45,207 --> 00:03:50,329
ในคอมเมนต์ใต้โพสต์ประกาศ NVIDIA แชร์ผล benchmark (การวัดประสิทธิภาพ) จาก Pinch Bench.

70
00:03:50,329 --> 00:03:53,703
Nemotron 3.5 Lightning ทำ accuracy (ความแม่นยำ) ได้ 86%.

71
00:03:53,703 --> 00:03:56,957
ขณะทำงาน 10,000 งานเสร็จเร็วกว่า Qwen 3.6 35B ถึง 30%.

72
00:03:56,957 --> 00:03:58,583
ด้วยความแม่นยำใกล้เคียงกัน.

73
00:03:58,583 --> 00:04:01,235
ความแม่นยำใกล้เคียงกัน แต่ใช้เวลาน้อยลง 30%.

74
00:04:01,235 --> 00:04:03,283
นั่นคือตัวเลขที่สำคัญสำหรับ agent.

75
00:04:03,283 --> 00:04:06,597
ไม่ใช่ว่ามันพิมพ์เร็วแค่ไหน แต่คือทำงานเสร็จเร็วแค่ไหน.

76
00:04:06,597 --> 00:04:10,695
NVIDIA ยังบอกอีกว่าโมเดลนี้ชนะเส้นทางด้านความแม่นยำเทียบกับความเร็ว.

77
00:04:10,695 --> 00:04:14,370
บน artificial analysis intelligence index (ดัชนีวัดความฉลาด).

78
00:04:14,370 --> 00:04:18,046
ซึ่งรวมการประเมิน 9 รายการ ครอบคลุมงานเขียนโค้ด การให้เหตุผล.

79
00:04:18,046 --> 00:04:20,396
และงานแบบ agentic (ที่เอเจนต์เป็นคนทำ).

80
00:04:20,396 --> 00:04:22,987
สรุปคือมันเร็วและยังแม่นยำสำหรับขนาดของมัน.

81
00:04:22,987 --> 00:04:24,493
แล้วพวกเขาทำได้ยังไงครับ?

82
00:04:24,493 --> 00:04:28,289
อย่างแรกคือ speculative decoding (การถอดรหัสแบบคาดเดาล่วงหน้า).

83
00:04:28,289 --> 00:04:30,519
พูดง่ายๆ คือโมเดลเดาคำหลายคำล่วงหน้า.

84
00:04:30,519 --> 00:04:34,074
แทนที่จะเขียนทีละคำ แล้วค่อยตรวจสอบคำที่เดาไว้อย่างรวดเร็ว.

85
00:04:34,074 --> 00:04:39,497
NVIDIA ฝัง multi-token prediction (การคาดการณ์หลายโทเคน) ไว้ในขั้นตอนการฝึกที่จัดไว้เฉพาะ.

86
00:04:39,497 --> 00:04:43,413
และยังแถม draft model (โมเดลร่าง) สองตัวชื่อ D-Flash และ D-Spark.

87
00:04:43,413 --> 00:04:45,823
ให้เลือกตั้งค่าให้เหมาะกับวิธีที่คุณรัน.

88
00:04:45,823 --> 00:04:48,535
อย่างที่สองคือ quantization (การลดขนาดโมเดล).

89
00:04:48,535 --> 00:04:52,632
มันมาพร้อมเวอร์ชันบีบอัดแบบ NVFP4 และเวอร์ชันความแม่นยำเต็มแบบ BF16.

90
00:04:52,632 --> 00:04:58,176
ยังมีสิ่งที่เรียกว่า harness optimized training (การฝึกที่ปรับให้เหมาะกับเฟรมเวิร์กเอเจนต์).

91
00:04:58,176 --> 00:05:02,393
NVIDIA ฝึกโมเดลนี้ให้เหมาะกับ agent harness (เฟรมเวิร์กสำหรับเอเจนต์).

92
00:05:02,393 --> 00:05:05,225
มันเป็นเฟรมเวิร์กยอดนิยมที่นักพัฒนาใช้อยู่แล้ว.

93
00:05:05,225 --> 00:05:08,780
ทำให้ agent ทำงานได้แม่นยำขึ้นและหน่วงน้อยลงในงานปริมาณมาก.

94
00:05:08,780 --> 00:05:11,371
ข้างในลึกๆ มันคือดีไซน์แบบ hybrid (ลูกผสม).

95
00:05:11,371 --> 00:05:14,384
ที่ผสมชั้น Mamba 2 เข้ากับชั้น mixture of experts.

96
00:05:14,384 --> 00:05:17,457
และชั้น select attention (กลไกความสนใจแบบคัดเลือก).

97
00:05:17,457 --> 00:05:21,554
มันถูก pre-train (ฝึกเบื้องต้น) ด้วยข้อมูลมากกว่า 20 ล้านล้าน token.

98
00:05:21,554 --> 00:05:24,386
และเป็นสมาชิกที่เล็กที่สุดของตระกูล Nemotron 3.

99
00:05:24,386 --> 00:05:28,182
การรันมันในเครื่องยังหมายถึงข้อมูลของคุณอยู่บนอุปกรณ์ของคุณเอง.

100
00:05:28,182 --> 00:05:30,834
ยังมีอีกชิ้นหนึ่งที่ NVIDIA ปล่อยมาพร้อมกัน.

101
00:05:30,834 --> 00:05:32,099
ชื่อ Nemo Switchyard.

102
00:05:32,099 --> 00:05:34,449
มันคือไลบรารีจัดเส้นทางแบบ open source.

103
00:05:34,449 --> 00:05:39,571
ที่มองแต่ละขั้นตอนใน workflow ของ agent แล้วส่งไปยังโมเดลที่เหมาะที่สุดสำหรับงานนั้น.

104
00:05:39,571 --> 00:05:41,740
งานวางแผนส่งขึ้นไปหา frontier model.

105
00:05:41,740 --> 00:05:43,788
งานปฏิบัติการส่งลงมาให้ Lightning.

106
00:05:43,788 --> 00:05:45,897
เลิกใช้โมเดลเดียวทำทุกอย่างได้แล้ว.

107
00:05:45,897 --> 00:05:49,633
หันมาสร้างระบบของโมเดลหลายตัวที่แต่ละตัวทำในสิ่งที่ตัวเองถนัด.

108
00:05:49,633 --> 00:05:50,959
เคล็ดลับสำหรับมือใหม่.

109
00:05:50,959 --> 00:05:52,646
ข้อหนึ่ง ลองก่อนติดตั้งอะไร.

110
00:05:52,646 --> 00:05:56,683
NVIDIA ให้ลองใช้ได้ที่ build.nvidia.com และยังมีบน OpenRouter ด้วย.

111
00:05:56,683 --> 00:05:58,189
ลองเล่นในเบราว์เซอร์ก่อน.

112
00:05:58,189 --> 00:06:00,660
ข้อสอง อย่าตัดสินมันแบบ chatbot (แชตบอต).

113
00:06:00,660 --> 00:06:03,371
นี่คือความผิดพลาดที่เกือบทุกคนทำในวันเปิดตัว.

114
00:06:03,371 --> 00:06:06,685
พวกเขาถามคำถามเปิดกว้างมหึมากับโมเดลปฏิบัติการขนาดเล็ก.

115
00:06:06,685 --> 00:06:08,915
ได้คำตอบธรรมดาๆ แล้วสรุปว่าโมเดลอ่อน.

116
00:06:08,915 --> 00:06:11,385
แต่นั่นไม่ใช่สิ่งที่มันถูกสร้างมาเพื่อทำ.

117
00:06:11,385 --> 00:06:13,374
ให้ทดสอบกับงานหลายขั้นตอนที่ซ้ำๆ.

118
00:06:13,374 --> 00:06:15,965
ให้ tool มันเรียกใช้. ให้ผลลัพธ์มันตรวจสอบ.

119
00:06:15,965 --> 00:06:18,134
นั่นแหละคือจุดที่มันเปล่งประกายครับ.

120
00:06:18,134 --> 00:06:19,761
ข้อสาม เลือกเวอร์ชันให้ถูก.

121
00:06:19,761 --> 00:06:21,990
ถ้าอยากได้ความเร็ว ใช้เวอร์ชัน NVFP4.

122
00:06:21,990 --> 00:06:25,605
ถ้าอยากฝึกมันด้วยตัวอย่างของคุณเอง ให้เริ่มจากเวอร์ชัน BF16.

123
00:06:25,605 --> 00:06:30,968
เพราะ NVIDIA บอกว่านั่นคือเวอร์ชันอ้างอิงที่ตั้งใจไว้สำหรับ post training (การฝึกต่อยอด).

124
00:06:30,968 --> 00:06:33,318
ข้อสี่ ใช้มันเป็นคนทำงาน ไม่ใช่เจ้านาย.

125
00:06:33,318 --> 00:06:36,933
เก็บโมเดลใหญ่ไว้วางแผน แล้วให้ Lightning รับมือกับปริมาณงาน.

126
00:06:36,933 --> 00:06:39,524
นั่นคือสิ่งที่ SwitchYard ถูกออกแบบมาให้ทำ.

127
00:06:39,524 --> 00:06:41,633
และคุณโหลดได้จาก GitHub ของ NVIDIA.

128
00:06:41,633 --> 00:06:43,983
ข้อห้า ระวังการตั้งค่า context (บริบท).

129
00:06:43,983 --> 00:06:47,779
โมเดลรองรับ context window (หน้าต่างบริบท) สูงสุด 1 ล้าน token.

130
00:06:47,779 --> 00:06:51,334
แต่บางเส้นทางแบบโฮสต์จำกัดปริมาณที่มันสร้างได้ในครั้งเดียว.

131
00:06:51,334 --> 00:06:53,142
ตรวจสอบขีดจำกัดก่อนจะโทษโมเดล.

132
00:06:53,142 --> 00:06:54,889
ข้อหก มันเปิดกว้างเต็มรูปแบบ.

133
00:06:54,889 --> 00:06:59,047
NVIDIA ปล่อย weights (ค่าน้ำหนัก) ข้อมูลฝึก และ recipes (สูตรการฝึก).

134
00:06:59,047 --> 00:07:00,854
ภายใต้สัญญาอนุญาต OpenMDW 1.1.

135
00:07:00,854 --> 00:07:06,579
พวกเขายังปล่อยชุดข้อมูล agentic reinforcement learning (การเรียนรู้แบบเสริมกำลังสำหรับเอเจนต์).

136
00:07:06,579 --> 00:07:09,049
ชื่อ Nemo Tron RL agentic terminal pivot.

137
00:07:09,049 --> 00:07:12,423
ใช้ฝึกทักษะด้าน coding agent (เอเจนต์เขียนโค้ด) บางส่วน.

138
00:07:12,423 --> 00:07:16,159
คุณจึงสามารถ fine-tune (ปรับแต่ง) มันสำหรับงานเฉพาะอย่างหนึ่ง.

139
00:07:16,159 --> 00:07:18,810
แล้วรันเวอร์ชันเฉพาะของคุณเองได้. โมเดลเล็กๆ

140
00:07:18,810 --> 00:07:23,450
ปรับแต่งได้เร็วกว่า และใช้ฮาร์ดแวร์ที่เรียบง่ายกว่ามากเมื่อเทียบกับโมเดลใหญ่.

141
00:07:23,450 --> 00:07:26,884
โอกาสที่แท้จริงจึงไม่ใช่แค่ใช้ Lightning ตามสภาพที่มันมา.

142
00:07:26,884 --> 00:07:29,837
แต่คือการปรับแต่งมันให้เข้ากับวิธีทำงานของคุณเอง.

143
00:07:29,837 --> 00:07:33,271
ถ้าอยากได้กระบวนการเต็มรูปแบบ SOP (มาตรฐานการปฏิบัติงาน).

144
00:07:33,271 --> 00:07:35,682
และกรณีการใช้งาน AI กว่า 100 กรณีแบบนี้.

145
00:07:35,682 --> 00:07:37,550
เข้าร่วม AI Success Lab ได้เลย.

146
00:07:37,550 --> 00:07:39,417
ลิงก์อยู่ในคอมเมนต์และคำอธิบาย.

147
00:07:39,417 --> 00:07:41,767
คุณจะได้โน้ตทั้งหมดของวิดีโอจากที่นั่น.

148
00:07:41,767 --> 00:07:46,045
พร้อมการเข้าถึงคอมมูนิตี้สมาชิก 85,000 คนที่กำลังประสบความสำเร็จกับ AI.

149
00:07:46,045 --> 00:07:48,757
และเมื่อคุณไปลองทำจริง นี่คือสิ่งที่เกิดขึ้น.

150
00:07:48,757 --> 00:07:50,625
คุณจะรันโมเดลได้ แล้วคำถามจริงๆ

151
00:07:50,625 --> 00:07:51,721
ก็จะถาโถมเข้ามา.

152
00:07:51,721 --> 00:07:53,529
ขั้นตอนไหนควรส่งให้ Lightning?

153
00:07:53,529 --> 00:07:55,577
ขั้นตอนไหนควรส่งขึ้นไปหาโมเดลใหญ่?

154
00:07:55,577 --> 00:07:58,952
จะตั้งค่า routing (การจัดเส้นทาง) ยังไงไม่ให้ agent พัง?

155
00:07:58,952 --> 00:08:01,543
ควรติดตั้งเวอร์ชันไหนสำหรับฮาร์ดแวร์ของคุณ?

156
00:08:01,543 --> 00:08:05,218
จะ fine-tune ด้วยตัวอย่างของตัวเองยังไงไม่ให้เสียเวลาเป็นวัน?

157
00:08:05,218 --> 00:08:07,689
นั่นคือจุดที่คนส่วนใหญ่ติดอยู่ แล้วเงียบๆ

158
00:08:07,689 --> 00:08:09,496
กลับไปใช้โมเดลเดียวทำทุกอย่าง.

159
00:08:09,496 --> 00:08:12,810
นั่นคือสิ่งที่ AI Profit Boardroom สร้างขึ้นมาเพื่อแก้.

160
00:08:12,810 --> 00:08:16,305
คุณจะได้คอลโค้ชชิ่งสดที่ถามเรื่องการตั้งค่าของคุณโดยเฉพาะ.

161
00:08:16,305 --> 00:08:19,197
บทเรียนเกี่ยวกับโมเดลในเครื่องและ agent harness.

162
00:08:19,197 --> 00:08:22,812
roadmap ที่บอกว่าควรสร้างอะไรก่อน และ prompt ที่ใช้ได้ทันที.

163
00:08:22,812 --> 00:08:24,078
แทนที่จะทดสอบแบบมั่วๆ

164
00:08:24,078 --> 00:08:27,030
หลายสัปดาห์ คุณจะได้ทางลัดและคนให้ถามเมื่อติดขัด.

165
00:08:27,030 --> 00:08:29,320
มาร่วมกับเราที่ aiprofitboardroom.com.