Jeff Dean มองว่าคนรุ่นใหม่ไม่จำเป็นต้องพยายามเก่ง AI ทุกเรื่อง
หลังทำงานกับ Google มานาน 27 ปี Jeff Dean มีคำแนะนำที่สวนทางกับความรู้สึกของคนจำนวนมากในยุค AI เขามองว่าคนรุ่นใหม่ไม่จำเป็นต้องพยายามตามให้ทันทุก Model, Paper หรือเทคนิคใหม่ เพราะขอบเขตของ AI ขยายตัวเร็วและเชื่อมโยงกับหลายสาขาจนแทบเป็นไปไม่ได้ที่คนคนเดียวจะเข้าใจทุกอย่างในระดับลึกพร้อมกัน
- Jeff Dean มองว่าคนรุ่นใหม่ไม่จำเป็นต้องพยายามเก่ง AI ทุกเรื่อง
- อ่านให้กว้างก่อน แล้วค่อยเชื่อมสิ่งที่คนอื่นยังไม่เคยเชื่อม
- โจทย์ที่ดีอาจต้องยากพอให้ใช้เวลาราว 5 ปี
- จาก Google 27 ปี สู่บทใหม่กับ DiscoveryLoop
- AI อาจทำให้คนเข้าถึงความเชี่ยวชาญระดับสูงได้ง่ายขึ้น
- สิ่งที่ Gen Z นำไปใช้ได้ ไม่ใช่การอ่านให้น้อยลง แต่คือเลือกให้เป็น
ระหว่างการพูดในงาน 2026 Frontier & Pioneer Symposium Dean เสนอว่าบางครั้ง “ความกว้าง” ของความรู้มีประโยชน์มากกว่าการรีบลงลึกทันที เขายกแนวคิดว่าการอ่านผ่าน Paper 10 ฉบับอาจให้ภาพรวมที่มีประโยชน์กว่าการใช้เวลาทั้งหมดกับ Paper เพียงฉบับเดียว เพราะแต่ละงานจะเพิ่มจุดใหม่เข้าไปในแผนที่ความคิดว่าเทคโนโลยีสามารถทำอะไรได้บ้าง และเขายังแนะนำไปถึงการอ่าน Abstract ของงานวิจัยประมาณ 100 ฉบับเพื่อมองเห็นภาพที่กว้างขึ้น
ประเด็นนี้ไม่ได้หมายความว่า Dean สนับสนุนการเรียนแบบผิวเผิน แต่เป็นเรื่องของการบริหารเวลาที่มีจำกัด เมื่อรู้ว่าแนวคิดหนึ่งมีอยู่ในอีกสาขา เราสามารถกลับไปศึกษาเชิงลึกในเวลาที่จำเป็น และอาจนำแนวคิดนั้นมาเชื่อมกับปัญหาที่คนซึ่งทำงานอยู่ในสาขาเดียวมาตลอดไม่ทันสังเกตเห็น
อ่านให้กว้างก่อน แล้วค่อยเชื่อมสิ่งที่คนอื่นยังไม่เคยเชื่อม
แก่นของคำแนะนำจาก Dean คือ Innovation จำนวนมากไม่ได้เกิดจากการรู้เรื่องหนึ่งมากที่สุดเพียงอย่างเดียว แต่อาจเกิดจากการมองเห็นความสัมพันธ์ระหว่างแนวคิดที่อยู่คนละพื้นที่ ปัจจุบัน AI เข้าไปเกี่ยวข้องตั้งแต่ Healthcare, Education, Biology และ Engineering ไปจนถึง Robotics และ Mathematics จึงแทบไม่มีใครติดตามทุกความเคลื่อนไหวได้อย่างละเอียดทั้งหมด
การอ่านงานวิจัยให้กว้างช่วยให้นักเรียน นักศึกษา และคนที่เพิ่งเริ่มทำงานด้าน Technology สร้างคลังความคิดในหัวได้มากขึ้น แม้จะไม่ได้จำสมการหรือ Implementation ของทุก Paper แต่จะรู้ว่ามี Method แบบใดอยู่บ้าง และเมื่อเจอโจทย์ใหม่ก็มีโอกาสนึกออกว่าแนวคิดจากอีกสาขาอาจนำมาประยุกต์ใช้ได้
ดังนั้น Skill สำคัญจึงไม่ใช่แค่การอ่านเร็ว แต่คือการตัดสินใจว่าเรื่องใดควรกลับไปศึกษาให้ลึก การอ่านกว้างเป็นเหมือนช่วง Discovery ส่วน Deep Technical Work ยังจำเป็นเมื่อพบ Connection หรือ Problem ที่มีศักยภาพ วิธีคิดของ Dean จึงไม่ใช่ “อ่านให้น้อยลง” แต่เป็น “สำรวจให้กว้างก่อน แล้วลงแรงจริงกับจุดที่คุ้มค่า”
อ่านเพิ่มเติม
โจทย์ที่ดีอาจต้องยากพอให้ใช้เวลาราว 5 ปี
Dean ยังเสนอกรอบคิดสำหรับเลือกปัญหาที่ควรลงทุนเวลาในระยะยาว หากเป็นโจทย์ที่อาจต้องใช้เวลา 20 ปีและยังไม่เห็นแนวทางว่าจะเริ่มแก้อย่างไร เขามองว่าอาจใหญ่หรือคลุมเครือเกินไปสำหรับการสร้าง Momentum ในงานวิจัย ขณะที่โจทย์ซึ่งคาดว่าจะจบได้ง่ายภายใน 2 ปี ก็อาจตรงไปตรงมาจนไม่สร้าง Breakthrough ที่มีนัยสำคัญ
ช่วงเวลาประมาณ 5 ปีจึงเป็นรูปทรงของปัญหาที่ Dean มองว่าน่าสนใจ ยาวพอให้ทดลองหลายแนวทาง เจอความล้มเหลว และเปลี่ยนทิศทางได้ แต่ยังสั้นพอที่จะมองเห็นเส้นทางที่มีความเป็นไปได้
แนวคิดนี้น่าสนใจเป็นพิเศษในอุตสาหกรรมที่ทุกคนคุ้นกับการเปลี่ยนแปลงรายสัปดาห์หรือรายเดือน เพราะเท่ากับ Dean กำลังบอกคนรุ่นใหม่ว่าไม่ควรออกแบบ Career ตามกระแส AI ทุกระลอก โจทย์ที่มีคุณค่าจริงควรอยู่ได้นานกว่า Product Cycle หรือ Model รุ่นใดรุ่นหนึ่ง และสามารถนำเครื่องมือใหม่เข้ามาช่วยระหว่างทางได้
อีกส่วนที่เขาเน้นคือการทดลอง หลายวิธีที่ลองอาจไม่สำเร็จ แต่นั่นไม่ได้แปลว่าเลือกโจทย์ผิดเสมอไป ความล้มเหลวของแต่ละ Approach เป็นส่วนหนึ่งของกระบวนการค้นหาวิธีที่มีโอกาสทำงานจริง
จาก Google 27 ปี สู่บทใหม่กับ DiscoveryLoop
คำแนะนำของ Dean เกิดขึ้นในช่วงที่เส้นทางอาชีพของเขาเปลี่ยนครั้งใหญ่ เขาออกจาก Google เมื่อต้นเดือนสิงหาคม หลังอยู่กับบริษัทมานาน 27 ปี โดยเคยเป็นหัวหน้า Google AI ระหว่างปี 2018–2023 และดำรงตำแหน่ง Chief Scientist ของ Google ตั้งแต่ปี 2023 ถึง 2026
หลังออกจาก Google เขาเข้ารับบท Co-founder และ CEO ของ DiscoveryLoop บริษัท AI ที่มุ่งใช้ระบบวิจัยแบบ Autonomous เพื่อเร่งการค้นพบด้าน Science และ Engineering ซึ่งทำให้คำแนะนำเรื่องการมองข้ามสาขามีบริบทชัดขึ้น เพราะงานใหม่ของเขาเองตั้งอยู่บนแนวคิดว่า AI สามารถช่วยนักวิจัยสำรวจความเป็นไปได้จำนวนมากได้เร็วกว่าเดิม
Dean ไม่ได้บอกว่า Expertise หมดความสำคัญ ตรงกันข้าม งานที่ DiscoveryLoop ต้องการแก้เป็นงานวิทยาศาสตร์ที่ซับซ้อน เพียงแต่เขามองว่า AI สามารถลดกำแพงในการเข้าถึงความรู้เฉพาะทาง และทำให้คนหนึ่งคนสามารถเข้าไปทำความเข้าใจพื้นที่ที่เดิมต้องใช้เวลาเรียนรู้หลายปีได้เร็วขึ้น
สำหรับคนที่กำลังเริ่ม Career ความได้เปรียบจึงอาจค่อย ๆ เปลี่ยนจากการจำข้อมูล Technical ให้ได้มากที่สุด ไปเป็นความสามารถในการเลือกคำถามที่ควรถาม เชื่อม Domain ที่เกี่ยวข้อง และตรวจสอบคำตอบจาก AI อย่างมีวิจารณญาณ
AI อาจทำให้คนเข้าถึงความเชี่ยวชาญระดับสูงได้ง่ายขึ้น
แม้มีความกังวลว่า AI อาจแทนที่แรงงานบางส่วนหรือทำให้ความเหลื่อมล้ำเพิ่มขึ้น Dean ยังคงมองศักยภาพของเทคโนโลยีในเชิงบวก เขายก Healthcare และ Education เป็นตัวอย่างของพื้นที่ที่ Model ที่มีความสามารถสูงสามารถช่วยให้คนแก้ปัญหาที่เดิมเกินขอบเขตความรู้หรือทรัพยากรของตัวเองได้
หนึ่งในภาพอนาคตที่เขาพูดถึงคือ Model ที่เข้าใจ Science และ Engineering หลาย Domain จนสามารถให้ความช่วยเหลือในระดับใกล้เคียง “Ph.D.-level expertise” ในหลายสาขา หากระบบลักษณะนี้มีความน่าเชื่อถือเพียงพอ นักวิจัยที่เชี่ยวชาญเรื่องหนึ่งอาจข้ามไปสำรวจอีกสาขาได้โดยไม่จำเป็นต้องเริ่มจากการใช้เวลาหลายปีเพื่อเรียนหลักสูตรเต็มรูปแบบ
อย่างไรก็ตาม AI ไม่ได้ทำให้ Human Judgment หมดความสำคัญ Model ยังตอบผิดได้ การทดลองยังล้มเหลวได้ และข้อสรุปที่สำคัญยังต้องอาศัยผู้เชี่ยวชาญตรวจสอบ Dean เองยอมรับว่าเขาไม่ได้มี “คำตอบวิเศษ” สำหรับทุกปัญหา และยังเจอความล้มเหลวเป็นเรื่องปกติ
มุมมองเชิงบวกของเขาจึงไม่ได้หมายความว่า AI จะทำให้งานยากกลายเป็นเรื่องง่ายทันที แต่หมายถึง AI อาจเพิ่มเพดานของสิ่งที่คนหนึ่งคนหรือทีมขนาดเล็กสามารถลองทำได้ โดยเฉพาะเมื่อใช้ร่วมกับความอยากรู้อยากเห็นและการทดลองอย่างเป็นระบบ
สิ่งที่ Gen Z นำไปใช้ได้ ไม่ใช่การอ่านให้น้อยลง แต่คือเลือกให้เป็น
สำหรับ Gen Z คำแนะนำของ Dean เป็นอีกทางเลือกหนึ่งจากความกดดันที่ต้องวิ่งตามทุกข่าว AI เป้าหมายไม่จำเป็นต้องเป็นการ “รู้ทุกอย่าง” แต่ควรสร้างความรู้กว้างพอที่จะเห็น Opportunity มีความรู้ลึกพอเมื่อถึงเวลาต้องลงมือจริง และมีความอดทนพอที่จะทำงานกับโจทย์ที่มีคุณค่ายาวนานกว่ากระแสระยะสั้น
หากแปลงแนวคิดนี้เป็นวิธีทำงานจริง อาจเริ่มจากการอ่าน Research นอกสาขาของตัวเองอย่างสม่ำเสมอ จดแนวคิดที่อาจนำกลับมาใช้ได้ มองหา Problem ที่ยังมีความสำคัญในอีกหลายปี และใช้ AI ช่วยเร่งการสำรวจหรือ Prototype แทนการปล่อยให้ AI คิดแทนทั้งหมด
เมื่อข้อมูลและ Technical Assistance หาได้ง่ายขึ้น สิ่งที่ขาดแคลนอาจไม่ใช่ข้อมูล แต่เป็น Judgment ว่าอะไรสำคัญ คนที่เชื่อมแนวคิดจาก Community ที่ปกติไม่คุยกันได้ อาจพบโอกาสที่คนซึ่งพยายามเก่งเพียงช่องทางเดียวมองไม่เห็น
ดังนั้นพาดหัวที่บอกว่า Dean แนะนำให้ “ไม่ต้อง Master AI” อาจฟังง่ายกว่าความหมายจริง เพราะสิ่งที่เขาเสนอไม่ได้ลดมาตรฐานของ Expertise แต่ต้องการให้คนรุ่นใหม่สร้างแผนที่ความรู้ให้กว้างก่อน แล้วค่อยเลือกอย่างมีเหตุผลว่าจะลงลึกและใช้เวลาหลายปีกับเรื่องใด
