Google + MIT พิสูจน์แล้ว: Multi-Agent ไม่ได้ดีเสมอไป, เปลี่ยนแค่ 'การเชื่อมต่อ' ผลลัพธ์พลิกจากแย่ลง 70% เป็นดีขึ้น 80%

Google + MIT พิสูจน์แล้ว: Multi-Agent ไม่ได้ดีเสมอไป, เปลี่ยนแค่ 'การเชื่อมต่อ' ผลลัพธ์พลิกจากแย่ลง 70% เป็นดีขึ้น 80% โดย Nokka (นก-กา) | 15 สิงหาคม 2026 บทความนี้เขียนโดย AI (DeepSeek V4 Pro) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา) "โมเดลไม่เปลี่ยน, เครื่องมือไม่เปลี่ยน, เปลี่ยนแค่ 'แผนผังการเชื่อมต่อระหว่าง agents' แล้วผลลัพธ์พลิกจากแย่ลง 70% เป็นดีขึ้น 80%", นี่คือข้อค้นพบที่สั่นสะเทือนวงการ AI agents จากงานวิจัยของ Google Research และ MIT ที่เพิ่งเผยแพร่ โพสต์ของ Miraqle (@0xMiraqle) บน X ที่มีคนดู 101.9K ครั้ง สรุปงานวิจัยนี้ได้คมมาก: "Google Research and MIT team ran the same agent jobs hundreds of different ways: identical prompts, identical tools, identical compute budget, the only thing they touched was how the agents were wired to each other. The same exact work swung from 70% worse than a single agent to 80% better, and averaged out to basically zero" [1] นี่คือความจริงที่หลายคนยังไม่รู้, การ "เพิ่ม agents" ไม่ได้แปลว่า "ทำงานดีขึ้น", และบางครั้งมันทำให้แย่ลงอย่างมหาศาล ก่อนอื่น, Multi-Agent คืออะไร Multi-Agent System คือระบบที่ใช้ AI หลายตัวทำงานร่วมกัน, แทนที่จะใช้ AI ตัวเดียว ลองนึกภาพ, ถ้าคุณมีงาน "เขียนรายงานวิเคราะห์หุ้น", คุณมี 2 ทางเลือก: Single Agent: AI ตัวเดียวทำทุกอย่าง, อ่านข้อมูล, วิเคราะห์, เขียนรายงาน Multi-Agent: AI หลายตัวแบ่งงานกัน, ตัวหนึ่งอ่านข้อมูล, ตัวหนึ่งวิเคราะห์ตัวเลข, ตัวหนึ่งเขียนสรุป, แล้วมี "หัวหน้า" (supervisor) คอยตรวจ ฟังดูดี, หลายหัวดีกว่าหัวเดียว, ใช่ไหม? งานวิจัยนี้บอกว่า, "ไม่เสมอไป" งานวิจัย Google + MIT, 180 การทดลอง, 3 โมเดล, 5 สถาปัตยกรรม งานวิจัยชื่อ "Scaling Multi-Agent Systems" โดยทีม Google Research และ MIT, ทดลอง 180 configurations, ใช้ 3 โมเดล (GPT, Gemini, Claude), และ 5 สถาปัตยกรรมการเชื่อมต่อ agents ที่แตกต่างกัน [2] The Decoder สรุปว่า "Multi-agent systems swung wildly in performance depending on the task, from an 81 percent boost to a 70 percent drop. The team ran 180 controlled experiments across five architecture types and three model families" [3] ผลลัพธ์ที่สำคัญที่สุดคือ: 1. งานที่แบ่งขนานได้ (Parallelizable), Multi-agent ชนะ งานอย่าง "วิเคราะห์งบการเงิน" ที่แบ่งเป็นส่วนย่อยๆ ได้, การใช้ centralized coordination (มีตัวกลางคอยประสาน) ทำให้ผลลัพธ์ดีขึ้น 80.9% เมื่อเทียบกับ single agent [4] 2. งานที่ต้องทำตามลำดับ (Sequential), Multi-agent แพ้ งานอย่าง "วางแผน" ที่ต้องทำทีละขั้นตอน, multi-agent ทุกแบบทำให้ผลลัพธ์แย่ลง 39-70% [5] evoailabs สรุปว่า "for sequential reasoning tasks, every multi-agent variant we tested degraded performance by 39-70%" [5] 3. ค่าเฉลี่ย = ศูนย์ เมื่อรวมทุกอย่าง, multi-agent "เฉลี่ยแล้วแทบไม่ต่างจาก single agent" (+0.2%), ซึ่งหมายความว่า "การเพิ่ม agents โดยไม่คิด" ไม่ได้ช่วยอะไรเลย [5] ทำไม Multi-Agent ถึงทำให้แย่ลง, กลไกของ "ความผิดพลาดทวีคูณ" นี่คือส่วนที่น่าสนใจที่สุด, ทำไม "หลายหัว" ถึงแย่กว่า "หัวเดียว"? Miraqle สรุปกลไกไว้ 5 ข้อ [1]: 1. Crew ที่ไม่มี supervisor ทวีคูณความผิดพลาด 17 เท่า "crews with no correction step multiplied their own errors up to 17x the solo rate, supervised ones held it near 4x" [1] เมื่อ agent ตัวหนึ่งทำผิด, แล้วส่งต่อให้ตัวถัดไป, ตัวถัดไปก็ "ต่อยอด" ความผิดนั้น, และทวีคูณไปเรื่อยๆ, จนสุดท้ายผลลัพธ์พัง 2. Agent อ่าน draft ของกันและกัน = แพร่เชื้อความผิด "never let them read each other's drafts, so a wrong step hits the supervisor instead of infecting four other bots" [1] ถ้า agent 4 ตัวอ่าน draft ของกันและกัน, ความผิดของตัวหนึ่งจะ "แพร่" ไปยังอีก 3 ตัว, เหมือนไวรัส 3. งานที่ต้องทำตามลำดับ = คอขวด งาน sequential ต้องรอตัวก่อนหน้าทำเสร็จ, และทุกครั้งที่ "ส่งต่อ" มีโอกาสผิดพลาด, ยิ่งหลายขั้น ยิ่งผิดพลาดสะสม 4. โมเดลที่ฉลาดขึ้น ทำให้ crew ไร้ค่า "re-run the solo-vs-crew test after every model upgrade, because a smarter base model quietly makes your crew stop paying" [1] เมื่อ base model ฉลาดขึ้น, single agent ก็ทำงานได้ดีพอ, และ crew ที่เพิ่ม overhead กลับไม่คุ้ม 5. ต้องมี "ตัวควบคุม" (control) เสมอ "keep one lone agent running as the control, the only number that tells you the crew is earning its calls" [1] ถ้าไม่มี single agent เป็น baseline, คุณไม่มีทางรู้ว่า crew ของคุณ "คุ้ม" หรือ "เปลือง" สูตรที่ถูกต้อง, วิธีทำ Multi-Agent ให้ "บวก" ไม่ใช่ "ลบ" จากงานวิจัยและโพสต์ของ Miraqle, นี่คือสูตรที่ทำให้ multi-agent "เพิ่มมูลค่า" แทนที่จะ "ลดมูลค่า": 1. ทดสอบ single agent ก่อนเสมอ ก่อนจะสร้าง crew, ทดสอบ single agent ทำงานจริงก่อน, ถ้า single agent ทำได้เกิน 45% success rate, การสร้าง crew รอบๆ มัน "ให้ผลเป็นศูนย์หรือติดลบ" [1] 2. ใส่ supervisor ตัวเดียวเหนือ fan-out crew ที่มี "ตัวตรวจแก้" (correction step) ควบคุมความผิดพลาดไว้ที่ 4 เท่า, เทียบกับ 17 เท่าของ crew ที่ไม่มี [1] 3. ให้แต่ละ worker ทำงานเดียว, output เดียว "give each worker one job and one output" [1], อย่าให้ agent ตัวหนึ่งทำงานหลายอย่าง, เพราะมันเพิ่มโอกาสผิดพลาด 4. อย่าให้ agent อ่าน draft ของกันและกัน แยกงานให้ขาดจากกัน, ให้ความผิดพลาด "หยุด" ที่ supervisor, ไม่ใช่ "แพร่" ไปยัง agent อื่น [1] 5. ทดสอบซ้ำทุกครั้งที่โมเดลอัปเกรด โมเดลที่ฉลาดขึ้นอาจทำให้ crew ของคุณ "ไม่คุ้ม" อีกต่อไป, ต้อง re-test เสมอ [1] Grok Bot, เมื่อการสร้าง crew กลายเป็น "ข้อความเดียว" โพสต์ของ Miraqle เชื่อมโยงงานวิจัยนี้กับ Grok Bot, ผลิตภัณฑ์ใหม่ของ xAI (SpaceXAI) ที่เปิดตัว 11 สิงหาคม 2026 [6] Grok Bot คือแพลตฟอร์ม multi-agent ที่ให้ผู้ใช้ "สร้างทีม AI agents" ได้ด้วยข้อความเดียว, แต่ละ Bot มี cloud computer ของตัวเอง, มี browser, filesystem, terminal, และ login เข้าเครื่องมือของคุณด้วย credential ของคุณเอง [7] VentureBeat รายงานว่า "SpaceXAI's Grok Bot turns agents into persistent digital coworkers that can operate your apps for $120-per-month" [8] แต่ประเด็นที่ Miraqle เตือนคือ, "Grok Bot just turned spinning up a crew of agents into a single message. Which means half the internet is about to build crews that quietly make them worse and never once check" [1] นี่คือความเสี่ยง, เมื่อการสร้าง crew ง่ายขนาดนี้, คนจะสร้าง crew โดยไม่เข้าใจ "การเชื่อมต่อ" และได้ผลลัพธ์ที่แย่ลงโดยไม่รู้ตัว ข้อดีของการเข้าใจงานวิจัยนี้ การเข้าใจงานวิจัยนี้มีข้อดีชัดเจน: 1. คุณไม่เสียเงินเปล่า, ไม่สร้าง crew ที่ "แย่กว่า single agent" โดยไม่รู้ตัว 2. คุณรู้ว่าเมื่อไหร่ควรใช้ multi-agent, งาน parallelizable ใช้ได้, งาน sequential อย่าใช้ 3. คุณรู้วิธีออกแบบ crew ที่ถูกต้อง, supervisor, แยกงาน, ไม่ให้อ่าน draft กัน 4. คุณวัดผลได้, มี single agent เป็น control, รู้ว่า crew "คุ้ม" หรือไม่ ข้อควรระวัง แต่ก็มีข้อควรระวัง: 1. งานวิจัยนี้ไม่ใช่ "multi-agent ไร้ค่า", มันบอกว่า "multi-agent ต้องออกแบบให้ถูก", ไม่ใช่ "อย่าใช้เลย" 2. ตัวเลข 45% เป็น guideline ไม่ใช่กฎตายตัว, งานแต่ละประเภทมี threshold ต่างกัน 3. Grok Bot ยังเป็น beta, เปิดตัว 11 ส.ค. 2026, ยังต้องรอดูว่าใช้งานจริงเป็นยังไง 4. งานวิจัยยังพัฒนา, นี่คือ "จุดเริ่มต้น" ของความเข้าใจ multi-agent, ไม่ใช่ "บทสรุป" สรุป งานวิจัย Google + MIT พิสูจน์ว่า, multi-agent ไม่ได้ดีเสมอไป, และ "การเชื่อมต่อ" ระหว่าง agents สำคัญกว่า "จำนวน agents" งาน parallelizable + centralized coordination = ดีขึ้น 80.9%, แต่งาน sequential + multi-agent = แย่ลง 39-70% สูตรที่ถูกต้องคือ, ทดสอบ single agent ก่อน, ใส่ supervisor, แยกงาน, ไม่ให้อ่าน draft กัน, และ re-test ทุกครั้งที่โมเดลอัปเกรด Bottom line: "โมเดลไม่เปลี่ยน, เครื่องมือไม่เปลี่ยน, เปลี่ยนแค่แผนผังการเชื่อมต่อ, แล้วผลลัพธ์พลิกจากแย่ลง 70% เป็นดีขึ้น 80%", นี่คือบทเรียนที่สำคัญที่สุดของวงการ AI agents ในปี 2026, การ "เพิ่ม agents" ไม่ใช่คำตอบ, แต่ "การออกแบบการเชื่อมต่อ" ต่างหากคือคำตอบ, และเมื่อ Grok Bot ทำให้การสร้าง crew ง่ายเป็นข้อความเดียว, คนจำนวนมากกำลังจะสร้าง crew ที่ "แย่ลงโดยไม่รู้ตัว", เพราะพวกเขาไม่รู้ว่า "การเชื่อมต่อ" สำคัญกว่า "จำนวน" แหล่งอ้างอิง [1] Miraqle (@0xMiraqle). "Grok Bot on GOD-MODE - killer of the AI race". X (Twitter). 14 ส.ค. 2026. https://x.com/0xMiraqle/status/2088303417433231712 [2] Google Research & MIT. "Scaling Multi-Agent Systems". 2026. https://www.infoq.com/news/2026/02/google-agent-scaling-principles/ [3] The Decoder. "More AI agents isn't always better, new Google and MIT study finds". 2026. https://the-decoder.com/more-ai-agents-isnt-always-better-new-google-and-mit-study-finds/ [4] InfoQ. "Google Explores Scaling Principles for Multi-Agent Coordination". 2026. https://www.infoq.com/news/2026/02/google-agent-scaling-principles/ [5] evoailabs (Medium). "Stop Blindly Scaling Agents: A Reality Check from Google & MIT". 2026. https://evoailabs.medium.com/stop-blindly-scaling-agents-a-reality-check-from-google-mit-0cebc5127b1e [6] Opoinstall. "xAI Launches Grok Bot: How Its Multi-Agent Architecture Works". 2026. https://www.opoinstall.com/blog/xai-launches-grok-bot [7] AIToolsReview. "Grok Bot: xAI's Always-On AI Agents, Explained (August 2026)". 2026. https://aitoolsreview.co.uk/insights/grok-bot-agent-launch [8] VentureBeat. "SpaceXAI's Grok Bot turns agents into persistent digital coworkers". 2026. https://venturebeat.com/orchestration/spacexais-grok-bot-turns-agents-into-persistent-digital-coworkers-that-can-operate-your-apps-for-120-per-month บทความนี้วิเคราะห์จากโพสต์ X ของ Miraqle, งานวิจัย Google Research & MIT, The Decoder, InfoQ, evoailabs, VentureBeat, และแหล่งข้อมูลเพิ่มเติม, ข้อมูล ณ 15 สิงหาคม 2026, Nokka ในมุมมองของผม, นี่คือ "การตื่นจากฝัน" ของวงการ multi-agent, หลายเดือนที่ผ่านมา ทุกคนพูดว่า "เพิ่ม agents มากขึ้น = ฉลาดขึ้น", แต่ความจริงคือ "การเชื่อมต่อ" สำคัญกว่า "จำนวน", และงานวิจัยนี้พิสูจน์ด้วยตัวเลข, ผมคิดว่าบทเรียนนี้สำคัญมากสำหรับคนที่กำลังจะใช้ Grok Bot หรือเครื่องมือ multi-agent ใดๆ, เพราะ "ความง่าย" ในการสร้าง crew คือ "กับดัก", ยิ่งสร้างง่าย ยิ่งมีคนสร้างโดยไม่คิด, และได้ผลลัพธ์ที่แย่ลงโดยไม่รู้ตัว, เหมือนที่ Miraqle เตือนว่า "half the internet is about to build crews that quietly make them worse and never once check" คุณเคยใช้ multi-agent แล้วได้ผลแย่กว่า single agent ไหม? คุณออกแบบการเชื่อมต่อ agents ยังไง? แชร์ความเห็นใต้บทความได้เลยครับ