ในขณะที่ความต้องการสำหรับ Intelligent Agents มีความหลากหลายในกลุ่มผู้ใช้งาน การกำกับดูแลจะต้องจัดการกับลำดับความสำคัญที่แตกต่างกัน Model Context Protocol (MCP) ซึ่งได้รับการสนับสนุนจากการทำงานร่วมกันแบบโอเพนซอร์สและการกำกับดูแลโดยมนุษย์ มอบรากฐานสำหรับระบบนิเวศเอเจนต์ที่ปลอดภัยและเชื่อถือได้
Intelligent Agents (AI Agents) คือระบบที่ขับเคลื่อนโดย Large Language Models ซึ่งมีความสามารถในการโต้ตอบกับโลกภายนอกผ่านเครื่องมือและดำเนินการในนามของผู้ใช้งาน การเกิดขึ้นของ Manus เมื่อเร็ว ๆ นี้ เน้นย้ำถึงความคาดหวังของตลาดสำหรับแอปพลิเคชันเอเจนต์ที่ใช้งานได้จริง
Anthropic ได้ประกาศ Model Context Protocol (MCP) แบบโอเพนซอร์สในเดือนพฤศจิกายน 2024 ซึ่งนำเสนอโซลูชันทางเทคนิคเพื่อเพิ่มประสิทธิภาพและความปลอดภัยของ General-Purpose Agents MCP เพิ่มความคล่องตัวในการผสานรวมผ่านอินเทอร์เฟซที่เป็นมาตรฐาน เพิ่มประสิทธิภาพการเข้าถึงข้อมูลและเครื่องมือ นอกจากนี้ยังเสริมสร้างความปลอดภัยด้วยการแยกโมเดลออกจากแหล่งข้อมูลเฉพาะและการเพิ่มความโปร่งใสในการควบคุมคำสั่ง แนวทางที่สมดุลนี้ให้ความสำคัญกับประสบการณ์ของผู้ใช้งาน ในขณะที่มั่นใจได้ถึงการอนุญาตที่ควบคุมได้
ในขณะที่ MCP สร้างรากฐานสำหรับการกำกับดูแลเอเจนต์ แต่ก็ไม่ได้แก้ปัญหาทุกอย่าง ตัวอย่างเช่น ไม่ได้ตรวจสอบความสมเหตุสมผลเบื้องหลังการเลือกเครื่องมือหรือความถูกต้องของผลการดำเนินการ และไม่ได้จัดการกับการแข่งขันและการทำงานร่วมกันภายในระบบนิเวศเอเจนต์แอปพลิเคชันอย่างมีประสิทธิภาพ
ความท้าทายที่ General-Purpose Agents เผชิญในการใช้งาน
Agent คือระบบที่มีหน่วยความจำ การวางแผน การรับรู้ การเรียกใช้เครื่องมือ และความสามารถในการดำเนินการ ซึ่งได้รับพลังจาก Large Language Models ที่โต้ตอบกับสภาพแวดล้อมภายนอกผ่านเครื่องมือ โดยดำเนินการในนามของผู้ใช้งาน Agent จำเป็นต้องรับรู้และเข้าใจความตั้งใจของผู้ใช้งาน ได้รับและจัดเก็บข้อมูลผ่านโมดูลหน่วยความจำ กำหนดและเพิ่มประสิทธิภาพกลยุทธ์โดยใช้ประโยชน์จากโมดูลการวางแผน เรียกใช้โมดูลเครื่องมือเพื่อดำเนินการเฉพาะ และนำแผนไปปฏิบัติผ่านโมดูลการดำเนินการ ดังนั้นจึงบรรลุเป้าหมายในการทำภารกิจให้สำเร็จโดยอัตโนมัติ
Manus เป็น General-Purpose Agent มากกว่าผลิตภัณฑ์ Agent ที่มุ่งเน้นเวิร์กโฟลว์
ความคาดหวังของอุตสาหกรรมสำหรับ Agents โดยเฉพาะอย่างยิ่ง General-Purpose Agents มาจากความต้องการโดยรวมที่พวกเขาจัดการ ในตลาดทุน Agents แสดงถึงเส้นทาง Closed-Loop ที่คาดการณ์ไว้ของอุตสาหกรรมสำหรับมูลค่าเชิงพาณิชย์ของโมเดล โดยเปลี่ยนราคา AI จากการคำนวณตามโทเค็นเป็นการกำหนดราคาตามผลกระทบสำหรับบริการที่ปรับแต่งได้ ส่งผลให้ผลกำไรมากขึ้น ในด้านผู้ใช้งาน ธุรกิจคาดหวังให้ Agents ดำเนินการซ้ำ ๆ กระบวนการที่เป็นมาตรฐานและกำหนดไว้อย่างชัดเจนด้วยระบบอัตโนมัติที่มีความแม่นยำ ในขณะที่สาธารณชนคาดหวังให้ Agents นำ ‘ผลประโยชน์ทางเทคโนโลยี’ มาใช้ กลายเป็น ‘ผู้ดูแลดิจิทัล’ ส่วนบุคคลที่มีเกณฑ์ต่ำสำหรับทุกคน
อย่างไรก็ตาม General-Purpose Agents เผชิญกับความเข้ากันได้ ความปลอดภัย และความท้าทายในการแข่งขันในการใช้งาน ในแง่ของความเข้ากันได้ โมเดลจำเป็นต้องทำงานร่วมกันอย่างมีประสิทธิภาพกับเครื่องมือและแหล่งข้อมูลที่แตกต่างกันในการโทร ในแง่ของความปลอดภัย Agents จำเป็นต้องดำเนินการให้ชัดเจนและโปร่งใสตามคำแนะนำของผู้ใช้งาน และจัดสรรความรับผิดชอบด้านความปลอดภัยอย่างสมเหตุสมผลภายใต้การบรรจบกันของข้อมูลของหลายฝ่าย ในแง่ของการแข่งขัน Agents จำเป็นต้องแก้ปัญหาความสัมพันธ์ทางการแข่งขันและความร่วมมือในระบบนิเวศทางธุรกิจใหม่
ดังนั้นโปรโตคอล MCP ซึ่งช่วยให้โมเดลทำงานร่วมกันอย่างมีประสิทธิภาพกับเครื่องมือและแหล่งข้อมูลที่แตกต่างกัน และจัดสรรความรับผิดชอบด้านความปลอดภัยอย่างสมเหตุสมผลภายใต้การบรรจบกันของข้อมูลของหลายฝ่าย จึงคุ้มค่าที่จะศึกษาในเชิงลึกเมื่อเทียบกับผลิตภัณฑ์ Manus เอง
ข้อกังวลเรื่องความเข้ากันได้
โลกของ AI มีการพัฒนาอย่างรวดเร็ว โดยมีโมเดลและเครื่องมือใหม่ ๆ เกิดขึ้นอย่างต่อเนื่อง เพื่อให้ General-Purpose Agent มีประโยชน์อย่างแท้จริง จะต้องสามารถผสานรวมเข้ากับทรัพยากรที่หลากหลายได้อย่างราบรื่น นี่เป็นความท้าทายที่สำคัญ เนื่องจากเครื่องมือหรือแหล่งข้อมูลแต่ละแห่งอาจมีอินเทอร์เฟซและรูปแบบข้อมูลที่เป็นเอกลักษณ์ของตัวเอง หากไม่มีแนวทางที่เป็นมาตรฐาน นักพัฒนาจะต้องเขียนโค้ดที่กำหนดเองสำหรับการผสานรวมแต่ละครั้ง ซึ่งใช้เวลานานและไม่มีประสิทธิภาพ การขาดความเข้ากันได้นี้สามารถขัดขวางการนำ AI Agents ไปใช้อย่างแพร่หลาย เนื่องจากผู้ใช้งานอาจลังเลที่จะลงทุนในเทคโนโลยีที่ใช้งานได้ไม่ง่ายกับระบบที่มีอยู่
ความเสี่ยงด้านความปลอดภัย
AI Agents ได้รับการออกแบบมาเพื่อดำเนินการในนามของผู้ใช้งาน ซึ่งหมายความว่าพวกเขามักจะเข้าถึงข้อมูลและระบบที่ละเอียดอ่อนได้ นี่ก่อให้เกิดความกังวลด้านความปลอดภัยที่สำคัญ เนื่องจาก Agent ที่ถูกบุกรุกอาจถูกใช้เพื่อขโมยข้อมูล ขัดขวางการดำเนินงาน หรือแม้แต่ก่อให้เกิดอันตรายทางกายภาพ เป็นสิ่งสำคัญอย่างยิ่งที่จะต้องตรวจสอบให้แน่ใจว่า Agents ได้รับการออกแบบโดยคำนึงถึงความปลอดภัย และพวกเขาต้องผ่านการทดสอบและการตรวจสอบอย่างเข้มงวดเพื่อป้องกันช่องโหว่ นอกจากนี้ สิ่งสำคัญคือต้องกำหนดสายความรับผิดชอบที่ชัดเจนสำหรับความปลอดภัย โดยเฉพาะอย่างยิ่งเมื่อหลายฝ่ายมีส่วนร่วมในการพัฒนาและปรับใช้ Agent
ภูมิทัศน์การแข่งขัน
ในขณะที่ AI Agents แพร่หลายมากขึ้น พวกเขามีแนวโน้มที่จะขัดขวางรูปแบบธุรกิจที่มีอยู่และสร้างรูปแบบการแข่งขันใหม่ ตัวอย่างเช่น Agent ที่สามารถเจรจาต่อรองราคากับซัพพลายเออร์โดยอัตโนมัติ อาจทำให้บริษัทมีความได้เปรียบทางการแข่งขันอย่างมาก อย่างไรก็ตาม นี่อาจนำไปสู่การแข่งขันที่ลดลงเช่นกัน เนื่องจากบริษัทต่างแข่งขันกันเสนอราคาต่ำสุด สิ่งสำคัญคือต้องพิจารณาผลกระทบที่อาจเกิดขึ้นจาก AI Agents ต่อภูมิทัศน์การแข่งขัน และพัฒนากลยุทธ์สำหรับการนำทางสภาพแวดล้อมใหม่นี้ ซึ่งรวมถึงการจัดการกับปัญหาต่าง ๆ เช่น ความเป็นเจ้าของข้อมูล ทรัพย์สินทางปัญญา และศักยภาพสำหรับพฤติกรรมต่อต้านการแข่งขัน
MCP: โซลูชันทางเทคนิคสำหรับความเข้ากันได้และความปลอดภัยใน Agent Applications
ในเดือนพฤศจิกายน 2024 Anthropic ได้เปิดโปรโตคอล MCP (Model Context Protocol) แบบโอเพนซอร์ส ซึ่งช่วยให้ระบบสามารถให้บริบทแก่โมเดล AI และสามารถใช้งานได้ทั่วไปในสถานการณ์การผสานรวมที่แตกต่างกัน MCP ใช้สถาปัตยกรรมแบบแบ่งชั้นเพื่อแก้ปัญหาด้านมาตรฐานและความปลอดภัยใน Agent Applications Host Application (เช่น Manus) เชื่อมต่อกับ Service Programs หลายรายการ (MCP Server) ผ่าน MCP Client ในเวลาเดียวกัน และ Server แต่ละรายการจะปฏิบัติหน้าที่ของตนเอง โดยให้การเข้าถึงแหล่งข้อมูลหรือแอปพลิเคชันที่เป็นมาตรฐาน
ประการแรก MCP แก้ปัญหาความเข้ากันได้ในการเรียกข้อมูล/เครื่องมือของ Agent ผ่าน Standard Consensus MCP แทนที่การผสานรวมที่กระจัดกระจายด้วย Unified Interface และ AI เพียงแค่ต้องเข้าใจและปฏิบัติตามข้อตกลงเพื่อโต้ตอบกับเครื่องมือทั้งหมดที่ตรงตามข้อกำหนด ซึ่งช่วยลดการผสานรวมที่ซ้ำซ้อนได้อย่างมาก ประการที่สอง MCP มีข้อพิจารณาสามประการในแง่ของความปลอดภัย ประการแรก โมเดลและแหล่งข้อมูลเฉพาะจะถูกแยกออกจากกันบน Data Link และทั้งสองโต้ตอบกันผ่านโปรโตคอล MCP Server โมเดลไม่ได้ขึ้นอยู่กับรายละเอียดภายในของแหล่งข้อมูลโดยตรง ทำให้แหล่งที่มาของการผสมข้อมูลหลายฝ่ายมีความชัดเจน ประการที่สองคือการปรับปรุงความโปร่งใสและความสามารถในการตรวจสอบ Command and Control Link ผ่านโปรโตคอลการสื่อสาร และแก้ปัญหาความไม่สมมาตรของข้อมูลและความท้าทายในกล่องดำของการโต้ตอบข้อมูล User-Model ประการที่สามคือการตรวจสอบให้แน่ใจว่าสามารถควบคุม Authorization Link ได้โดยการตอบสนองตามสิทธิ์ และรับรองการควบคุม Agent ของผู้ใช้งานในการใช้เครื่องมือ/ข้อมูล
MCP สร้างอินเทอร์เฟซที่เป็นมาตรฐานและกลไกการป้องกันความปลอดภัยผ่านสถาปัตยกรรมแบบแบ่งชั้น ซึ่งบรรลุความสมดุลระหว่าง Interoperability และ Security ในการเรียกข้อมูลและเครื่องมือ ในระดับมูลค่าของผู้ใช้งาน MCP นำมาซึ่งความร่วมมือและการโต้ตอบที่แข็งแกร่งยิ่งขึ้นระหว่าง Intelligent Bodies และเครื่องมือมากขึ้น และ Intelligent Bodies มากยิ่งขึ้น ในขั้นตอนต่อไป MCP จะมุ่งเน้นไปที่การพัฒนาการสนับสนุนสำหรับการเชื่อมต่อระยะไกล
Standardized Interfaces เพื่อเพิ่มความเข้ากันได้
หนึ่งในคุณสมบัติที่สำคัญของ MCP คือการใช้อินเทอร์เฟซที่เป็นมาตรฐาน ซึ่งหมายความว่า AI Agents สามารถโต้ตอบกับเครื่องมือและแหล่งข้อมูลที่แตกต่างกันได้โดยไม่ต้องใช้โค้ดที่กำหนดเองสำหรับการผสานรวมแต่ละครั้ง Agent เพียงแค่ต้องเข้าใจโปรโตคอล MCP ซึ่งกำหนดชุดคำสั่งและรูปแบบข้อมูลทั่วไป สิ่งนี้ทำให้กระบวนการผสานรวมง่ายขึ้นอย่างมากและลดปริมาณงานการพัฒนาที่จำเป็น นอกจากนี้ยังทำให้การสลับระหว่างเครื่องมือและแหล่งข้อมูลที่แตกต่างกันง่ายขึ้น เนื่องจากไม่จำเป็นต้องกำหนดค่า Agent ใหม่ในแต่ละครั้ง
การใช้อินเทอร์เฟซที่เป็นมาตรฐานยังส่งเสริม Interoperability ระหว่าง AI Agentsที่แตกต่างกัน หาก Agents หลายตัวสนับสนุนโปรโตคอล MCP พวกเขาสามารถสื่อสารและแบ่งปันข้อมูลซึ่งกันและกันได้อย่างง่ายดาย สิ่งนี้นำไปสู่การพัฒนา AI Systems ที่ซับซ้อนและซับซ้อนยิ่งขึ้น ซึ่ง Agents หลายตัวทำงานร่วมกันเพื่อแก้ปัญหา
Robust Security Mechanisms สำหรับการปกป้องข้อมูล
ความปลอดภัยเป็นสิ่งสำคัญที่สุดในการออกแบบ MCP โปรโตคอลนี้มีกลไกหลายอย่างเพื่อปกป้องข้อมูลและป้องกันการเข้าถึงที่ไม่ได้รับอนุญาต คุณสมบัติที่สำคัญอย่างหนึ่งคือการแยกโมเดลออกจากแหล่งข้อมูลเฉพาะ ซึ่งหมายความว่า Agent ไม่ได้เข้าถึงข้อมูลพื้นฐานโดยตรง แต่โต้ตอบกับมันผ่านโปรโตคอล MCP Server แทน สิ่งนี้เพิ่มระดับของ Indirection ที่ทำให้ผู้โจมตีบุกรุกข้อมูลได้ยากขึ้น
MCP ยังมีกลไกในการปรับปรุงความโปร่งใสและความสามารถในการตรวจสอบ Command and Control Links สิ่งนี้ช่วยให้ผู้ใช้งานเห็นว่าคำสั่งใดกำลังถูกส่งไปยัง Agent และตรวจสอบว่า Agent กำลังดำเนินการตามคำแนะนำของพวกเขา สิ่งนี้สำคัญสำหรับการสร้างความไว้วางใจใน AI Systems เนื่องจากช่วยให้ผู้ใช้งานเข้าใจว่า Agent กำลังตัดสินใจอย่างไร
สุดท้าย MCP มีกลไกสำหรับการควบคุม Authorization ของ Agents สิ่งนี้ช่วยให้ผู้ใช้งานระบุว่า Agent ได้รับอนุญาตให้เข้าถึงเครื่องมือและแหล่งข้อมูลใด สิ่งนี้สำคัญสำหรับการป้องกันไม่ให้ Agent เข้าถึงข้อมูลที่ละเอียดอ่อนหรือดำเนินการที่ไม่ได้รับอนุญาต
MCP: การวางรากฐานสำหรับการกำกับดูแล Agent
MCP ให้การรับประกันความเข้ากันได้และความปลอดภัยสำหรับการเรียกข้อมูลและเครื่องมือ ซึ่งวางรากฐานสำหรับการกำกับดูแล Agent แต่ไม่สามารถแก้ปัญหาทั้งหมดที่เผชิญในการกำกับดูแลได้
ประการแรก ในแง่ของความน่าเชื่อถือ MCP ไม่ได้สร้างมาตรฐานเชิงบรรทัดฐานสำหรับการเลือกแหล่งข้อมูลและเครื่องมือในการเรียก และไม่ได้ประเมินและตรวจสอบผลการดำเนินการ ประการที่สอง MCP ไม่สามารถปรับเปลี่ยนความสัมพันธ์ความร่วมมือทางการแข่งขันทางการค้าประเภทใหม่ที่เกิดจาก Agent ได้ชั่วคราว
โดยรวมแล้ว MCP มอบการตอบสนองทางเทคนิคเบื้องต้นต่อข้อกังวลด้านความปลอดภัยหลักที่ผู้ใช้งานเผชิญในการใช้ Agents และได้กลายเป็นจุดเริ่มต้นสำหรับการกำกับดูแล Agent ด้วยความนิยมของ Agent และ AI Applications อื่น ๆ จำเป็นต้องมีวิธีการแบบกระจายเพื่อตอบสนองความต้องการที่แตกต่างกันของผู้ใช้งานที่แตกต่างกัน จุดเน้นของการกำกับดูแลไม่ได้อยู่ที่ความปลอดภัยของโมเดลเท่านั้น แต่ยังรวมถึงข้อกำหนดหลักในการตอบสนองความต้องการของผู้ใช้งานด้วย โปรโตคอล MCP ได้ก้าวแรกในการตอบสนองความต้องการของผู้ใช้งานและส่งเสริมการกำกับดูแลร่วมกันทางเทคโนโลยี นอกจากนี้ Agent ยังบรรลุการแบ่งงานที่มีประสิทธิภาพและการทำงานร่วมกันของเครื่องมือและทรัพยากรต่าง ๆ บนพื้นฐานของ MCP เมื่อสัปดาห์ที่แล้ว Google ได้เปิดโปรโตคอล Agent2Agent (A2A) แบบโอเพนซอร์สสำหรับการสื่อสารระหว่าง Agents เพื่อให้ Agents ที่สร้างบนแพลตฟอร์มต่าง ๆ สามารถเจรจาต่อรองงานและดำเนินการความร่วมมือที่ปลอดภัย และส่งเสริมการพัฒนา Multi-Intelligent Body Ecology
การจัดการกับข้อกังวลเรื่องความไว้วางใจและความน่าเชื่อถือ
ในขณะที่ MCP มอบรากฐานที่มั่นคงสำหรับการกำกับดูแล Agent แต่ก็ไม่ได้จัดการกับความท้าทายทั้งหมด พื้นที่สำคัญอย่างหนึ่งที่ต้องให้ความสนใจเพิ่มเติมคือประเด็นเรื่องความไว้วางใจและความน่าเชื่อถือ ปัจจุบัน MCP ไม่ได้รวมกลไกใด ๆ สำหรับการตรวจสอบความถูกต้องของผลการดำเนินการ หรือเพื่อให้แน่ใจว่า Agents กำลังเลือกแหล่งข้อมูลและเครื่องมือที่เหมาะสม ซึ่งหมายความว่าผู้ใช้งานอาจไม่สามารถไว้วางใจการตัดสินใจของ Agent ได้อย่างเต็มที่ โดยเฉพาะอย่างยิ่งในสถานการณ์ที่มีเดิมพันสูง
เพื่อแก้ไขข้อกังวลนี้ จะต้องพัฒนากฎระเบียบและแนวทางปฏิบัติที่ดีที่สุดใหม่ ๆ สำหรับการพัฒนาและการปรับใช้ Agent ซึ่งอาจรวมถึงสิ่งต่าง ๆ เช่น วิธีการตรวจสอบอย่างเป็นทางการ ซึ่งสามารถใช้เพื่อพิสูจน์ว่า Agent จะประพฤติตนในลักษณะที่คาดการณ์ได้และปลอดภัยเสมอ นอกจากนี้ยังสามารถรวมถึงการใช้ Explainable AI Techniques ซึ่งสามารถช่วยให้ผู้ใช้งานเข้าใจว่า Agent กำลังตัดสินใจอย่างไร
การนำทางภูมิทัศน์การแข่งขันใหม่
ความท้าทายอีกประการหนึ่งที่ MCP ไม่ได้จัดการอย่างเต็มที่คือผลกระทบของ Agents ต่อภูมิทัศน์การแข่งขัน ในขณะที่ Agents แพร่หลายมากขึ้น พวกเขามีแนวโน้มที่จะขัดขวางรูปแบบธุรกิจที่มีอยู่และสร้างรูปแบบการแข่งขันใหม่ สิ่งสำคัญคือต้องพิจารณาผลกระทบที่อาจเกิดขึ้นจาก Agents ต่อภูมิทัศน์การแข่งขัน และพัฒนากลยุทธ์สำหรับการนำทางสภาพแวดล้อมใหม่นี้ ซึ่งรวมถึงการจัดการกับปัญหาต่าง ๆ เช่น ความเป็นเจ้าของข้อมูล ทรัพย์สินทางปัญญา และศักยภาพสำหรับพฤติกรรมต่อต้านการแข่งขัน
แนวทางที่เป็นไปได้ประการหนึ่งคือการพัฒนากรอบการกำกับดูแลใหม่ ๆ ที่ปรับให้เข้ากับ AI Agents โดยเฉพาะ กรอบเหล่านี้สามารถจัดการกับปัญหาต่าง ๆ เช่น ความเป็นส่วนตัวของข้อมูล ความลำเอียงของอัลกอริทึม และศักยภาพสำหรับการบิดเบือนตลาด นอกจากนี้ยังสามารถรวมถึงกลไกสำหรับการส่งเสริมการแข่งขันและการป้องกันการผูกขาด
เส้นทางข้างหน้า: ความร่วมมือและนวัตกรรม
การพัฒนา MCP เป็นก้าวสำคัญไปข้างหน้าในด้านการกำกับดูแล Agent อย่างไรก็ตาม สิ่งสำคัญคือต้องรับรู้ว่านี่เป็นเพียงจุดเริ่มต้น ยังมีความท้าทายอีกมากมายที่ต้องเอาชนะ และจะต้องมีความพยายามร่วมกันจากนักวิจัย นักพัฒนา ผู้กำหนดนโยบาย และผู้ใช้งาน เพื่อให้แน่ใจว่า AI Agents ถูกใช้อย่างปลอดภัยและมีความรับผิดชอบ
การพัฒนาที่น่าสนใจอย่างหนึ่งคือการเปิดตัวโปรโตคอล Agent2Agent (A2A) ของ Google เมื่อเร็ว ๆ นี้ โปรโตคอลนี้ช่วยให้ Agents ที่สร้างบนแพลตฟอร์มต่าง ๆ สามารถสื่อสารและทำงานร่วมกันได้ ซึ่งนำไปสู่การพัฒนา AI Systems ที่ซับซ้อนและซับซ้อนยิ่งขึ้น ซึ่ง Agents หลายตัวทำงานร่วมกันเพื่อแก้ปัญหา นอกจากนี้ยังช่วยส่งเสริมระบบนิเวศ AI ที่มีการแข่งขันและสร้างสรรค์มากขึ้น เนื่องจากนักพัฒนาสามารถสร้าง Agents ที่สามารถผสานรวมเข้ากับ Agents อื่น ๆ ได้อย่างราบรื่น
ในขณะที่เทคโนโลยี AI ยังคงพัฒนาต่อไป สิ่งสำคัญคือต้องก้าวนำหน้าและพัฒนากลไกการกำกับดูแลใหม่ ๆ ที่สามารถจัดการกับความท้าทายในอนาคตได้ สิ่งนี้จะต้องมีความมุ่งมั่นในการทำงานร่วมกัน นวัตกรรม และความเต็มใจที่จะปรับตัวให้เข้ากับภูมิทัศน์ของ AI ที่เปลี่ยนแปลงตลอดเวลา