Murakkab: ระบบจาก MIT + Microsoft ที่เปลี่ยน "คำอธิบายงานเป็นภาษาคน" ให้เป็น agentic workflow ที่ปรับจูนเองอัตโนมัติ — ลดพลังงานได้กว่า 10 เท่า

ปัญหาที่ทีมสร้าง agentic workflow ทุกทีมเจอเหมือนกันคือ: พอจะต่อ multi-agent pipeline จริง ๆ คุณต้องตัดสินใจเองทุกอย่าง — ใช้โมเดลตัวไหนในแต่ละสเตป, เรียกเครื่องมืออะไร, รันขนานหรือต่อกัน, จองฮาร์ดแวร์เท่าไร — แล้วงานเหล่านี้ก็พันกันยุ่งเหยิงและกินทั้งต้นทุนและพลังงานมหาศาล นักวิจัยจาก MIT CSAIL ร่วมกับ Microsoft Azure Research เสนอทางออกในงานที่ชื่อ Murakkab (คำอาหรับ/อูรดูแปลว่า “การประกอบกันของสิ่งต่าง ๆ”) ที่เพิ่งเผยแพร่เมื่อ 25 มิถุนายน 2026 และจะนำเสนอในงาน USENIX OSDI 2026

แนวคิดหลักคือ แยก “เจตนา (intent)” ออกจาก “การประกอบ (plumbing)” — นักพัฒนาบอกแค่ว่าต้องการอะไรเป็นภาษาคน ส่วนการเลือกโมเดล/เครื่องมือ และการจัดสรรฮาร์ดแวร์ให้ระบบจัดการเองตอน deploy

บอกเจตนา ไม่ต้องบอกท่อ

ในเวิร์กโฟลว์แบบเดิม นักพัฒนาต้องผูกตายว่าจะใช้โมเดลตัวไหนกับสเตปไหน และต้องจูนการจัดสรรทรัพยากรเอง พอจะเปลี่ยนเป้าหมาย (เช่นจาก “เร็วที่สุด” เป็น “ถูกที่สุด”) ก็ต้องรื้อใหม่ทั้งกระบวน

Murakkab ทำงานต่างออกไป: นักพัฒนา อธิบายเจตนาของแอปเป็นภาษาคน แทนการระบุรายละเอียดทางเทคนิค จากนั้นระบบจะ:

• เลือกโมเดลและเครื่องมือที่เหมาะที่สุด ให้โดยอัตโนมัติ
• ตัดสินใจว่าสเตปไหนควรรัน แบบลำดับ (sequential) หรือแบบขนาน (parallel)
• จัดสรรฮาร์ดแวร์แบบไดนามิกตอน deploy ให้ตรงกับข้อจำกัดที่ผู้ใช้กำหนด (เน้นต้นทุน หรือเน้นความเร็ว)

พูดง่าย ๆ คือมันยกงาน orchestration ที่นักพัฒนาเคยทำด้วยมือ ขึ้นไปเป็นปัญหา optimization ที่ระบบแก้ให้เอง

ตัวเลขประสิทธิภาพ

เทียบกับวิธี orchestration ระดับ SOTA นักวิจัยรายงานว่า Murakkab:

• ใช้หน่วยประมวลผล (GPU) เหลือเพียง ~35% ของวิธีเดิม — คือ น้อยลงราว 2.8 เท่า
• ใช้พลังงานเหลือ ~27% — น้อยลงราว 3.7 เท่า
• ต้นทุนลดลงเหลือ ~23–25% — ถูกลงราว 4.3 เท่า

และในกรณีที่ยอมแลก ระบบสามารถ ลดพลังงานได้กว่า 10 เท่า โดยความแม่นยำลดลงเพียง ~2% — ตัวเลขที่น่าสนใจมากสำหรับงานที่ทนความคลาดเคลื่อนเล็กน้อยได้แต่อ่อนไหวกับต้นทุน

หมายเหตุ: Murakkab เป็น งานวิจัย (เปเปอร์ OSDI 2026) ไม่ใช่เครื่องมือที่ดาวน์โหลดมาใช้ production ได้ทันที ตัวเลขมาจากการทดลองในเปเปอร์ — มองเป็นทิศทางที่กำลังจะมา ไม่ใช่ของพร้อมใช้วันนี้

มุมมอง AI Curator

Murakkab เป็นชิ้นส่วนล่าสุดของเทรนด์ที่ชัดขึ้นเรื่อย ๆ ในปีนี้: “อย่าให้นักพัฒนาต่อท่อเอง” เราเห็นมันในหลายรูปแบบ — จาก model router อัตโนมัติ ไปจนถึงระบบ agent-as-a-model อย่าง Sakana Fugu และล่าสุดวันนี้คือ Ornith ที่ให้โมเดลออกแบบ scaffold ของตัวเอง Murakkab โจมตีปัญหาเดียวกันจากมุมของ ระบบปฏิบัติการ/การจัดสรรทรัพยากร แทนที่จะเป็นมุมของตัวโมเดล และนั่นทำให้มันเสริมกัน ไม่ใช่แข่งกัน — จุดที่น่าตื่นเต้นคือถ้าเอาทั้งสองแนวมารวมกัน (โมเดลออกแบบ flow เอง + ระบบจัดสรรฮาร์ดแวร์ให้ flow นั้นเอง) งาน orchestration ที่กินเวลามนุษย์มหาศาลทุกวันนี้อาจหายไปเกือบหมด

สำหรับบริบทไทย/SEA มุมที่ผมคิดว่าสำคัญที่สุดไม่ใช่ “ลด 2% accuracy” แต่คือ เรื่องพลังงานและต้นทุน ภูมิภาคเราต้นทุนไฟฟ้าและการเข้าถึง GPU ระดับ data center เป็นข้อจำกัดจริง การลดพลังงาน 3.7–10 เท่าสำหรับ workload เดียวกันแปลตรงเป็นความสามารถในการรันเอเจนต์ได้มากขึ้นบนงบเท่าเดิม — นี่คือประเภทงานวิจัยที่ “efficiency เป็นฟีเจอร์” ไม่ใช่แค่ “เก่งขึ้น” และมันเข้าทางตลาดที่งบจำกัดมากกว่าตลาดที่ไล่ล่า SOTA อย่างเดียว

ข้อควรระวังตามปกติของงานวิจัย: ตัวเลขมาจากการตั้งค่าทดลองของทีมเอง การจะรู้ว่ามันใช้ได้จริงแค่ไหนต้องรอ Microsoft (หรือชุมชน) เอาแนวคิดนี้ไปฝังใน Azure AI Foundry หรือเฟรมเวิร์ก orchestration จริง แล้ววัดผลบน workload จริงนอกแล็บ แต่ในฐานะทิศทาง — “เขียนเจตนา ไม่ใช่เขียนท่อ” — นี่คือทางที่น่าจะถูก

แหล่งข่าว

• Improving AI agent speed and energy efficiency — MIT News
• Murakkab — OSDI 2026 (USENIX)
• Murakkab: OSDI 2026 paper (PDF)