สรุปนิดหน่อยจาก Google Cloud Next Extended Bangkok 2025 @ KX

วันนี้กลับมางานในฝั่ง Google ครับ ผมน่าจะไปครั้งสุดท้ายตอนปี 2016 เห็นมันจัดใกล้แถว BTS วงเวียนใหญ่ ก็เลยลองมาฟังครับ หัวข้อที่จดๆในงาน มีตามนี้ครับ

Spark the Next Big Thing: AI at Google Cloud Next '2025

Speaker Virot Chiraphadhanakul

ใน Session นี้ Speaker มา Recap จากงาน Google Cloud Next'25 (Las Vegas) โดยงานนี้สองมุม

📌 มุมของผู้บริหาร ไปเพื่อที่จะได้เห็นภาพว่าของที่กำลังจะลงทุน มันเอามาใช้งาน เพิ่มโอกาสทางธุรกิจยังไง มีเล่า Use Case โดยมี Blog สรุปว่าแต่ละองค์กรเค้าเอา AI ไป Adapt ยังไง

📌 และส่วนของ Tech ครับ

ปีนี้เน้นส่วน Agents เลย โดย Cloud ของ Google มีความพร้อม 4 ด้าน

📌 AI Hypercomputer - ส่วน Infra ที่มี Data Center + ออกแบบชิป TPU เอง

📌 Research & Models - อย่าง LLM มาจาก Research ของ Google - Attention is All You Need (ลองหาตามมีด้วย)

📌 Vertex AI เป็น Machine Learning Platform + AI Backend + Model อย่าง Gemini ด้วย

• ตอนนี้ Gemini 2.5 จะได้คะแนนดีที่สุดใน Benchmark ในส่วนของ chatbot arena / Humanity’s Last Exam และของ LLM Performance on Thai O-NET Tests
• Gemini 2.5 มีหลายรุ่นนะ
  - Pro ตัวใหญ่ Quality + Thinking Model + Reasoning
  - Flash ตัวเล็ก มี Thinking + Reasoning มาให้ด้วย และมี Cost ที่คุ้มกว่าเจ้าอื่นๆ (อิงจาก LLM Performance on Thai O-NET Tests + ภาพด้านล่าง

การเลือกใช้ Model ต้อง Balance Cost / Quality / Speed กันนะ (สามเหลี่ยม PM) โดยเจ้า Gemini 2.5
- เรากำหนดได้นะ Mode
- Thinking Budget เท่าไหร่ ?

• นอกจากนี้แล้ว แม้ว่า AI มี Context Windows เยอะมาก อย่าง Gemini ได้ 1 ล้าน Token ทำได้
  - มันเก่งขึ้นจริง แต่ Cost จะเพิ่มขึ้นด้วย
  - แต่มีหลายเทคนิคมาช่วย เช่น การทำ RAG มาช่วย เอาที่เกี่ยวมาให้ AI คิด จะลด Cost ได้ชัดเจนเลย

• LIVE API - โต้ตอบ
  - Use Case เช่น งานSupport มีเล่า Demo Shoptify พอ Model มันเป็น Multi-Model มันจะเห็นภาพScreen / เสียง ทำให้เข้าใจ Context มากขึ้น และพูดคุย เอาข้อมูลทั้งหมดมาแนะนำเราได้
  - ส่วนงาน Dev โดยจากเดิมการยิง API จะเป็นใช้ Web Socket นะ
• นอกจากมีเปิดตัว Model ต่างครบทุกด้านทั้ง Text / ภาพ / เสียง / VDO
  - Translation ปรับปรุงการแปล.
  - Lyira - Text to Music
  - Veo3 - Generate Video+เสียง //ตอนนี้เห็นเต็ม TikTok
  - ตัว Embedding ที่ช่วยให้เข้าใจมากขึ้น มี Sematic Insight จะตีความคำว่าแมว / ภาพแมว / เสียงแมว / clipแมว มันทำ Vector มาอยู่ในระนาบเดียวกัน มองว่ามันเป็น แมว ได้แล้วนั่นเอง หรือ รููปแมว กับสุนัข และบ้าน จะแยกกลุ่มได้ชัดเจน อย่างสัดว์เลี้ยง กับ สิ่งก่อสร้าง

• Use Case ของ Etsy เอา AI Model ด้าน Media มาช่วยแนะนำสินค้าเป็นอย่างไร
• อีก Use Case เคสเอา Gemini ทำ Story Board และเอา VEO3 มาสร้าง Vdo เสียงพากย์ หรือจะสั่งจากเสียงใช้ Chirp 3 ลองทำได้จาก Google AI Studio (แต่ใช้เงินเยอะ แต่ถูกกว่ายกกองไปถ่ายจริงๆ)

ยังมีส่วนของ Platform

• Vertex AI มีตัว Agent Development Kit มาช่วยเริ่มต้น Dev + Deploy
  - Model Garden เป็น Host Model Google / Open Source (Gemma / LLAMA / Deepseek) หรือ ใช้ Model ของค่ายอืน (เช่น Claude) แต่ Infra GCP อารมณ์แบบ Foundry ของอีกค่าย
  - Model Builder เราสร้าง Model ใช้เอง
  - Agent Builder ส่วนที่ช่วยให้ Dev สร้าง Agent ได้ง่าย
  💡 ทำ Agent to Agent ได้ง่ายผ่านตัว ADK มี Protocal กลาง
  💡 พวก MCP มันช่วยต่อ Tools API เสริมตัว ADK

📌 ส่วนของ Agent เป็นส่วนที่มาใหม่ในปีนี้เลย เน้นไปในส่วน End Users ใช้งานอย่างตัว

• Google Agentspace - ให้ End User เอา Agent ไปใช้งาน โดยมี
  - Built-In Connector เชื่อมกับรับบต่างๆ
  - Google Expert Agent มาใช้ โดยเด่นๆ Deep Research Agent / Idea Generation Agent (สุมหัว weight idea + เอาแนวคิดทีผสมกันแล้วว่าดีมาให้)
  - Customer Built Agents ทำเองตาม Business Flow รวมถึงอนาคตจะมีตัว Market Place
• AgentSpace Agent Designer เอาพนักงานทำ Agent ใช้เอง สร้างตาม Workflow ที่ต้องการได้ อีกชนกะ Copilot Studio ของอีกค่าย

นอกจากนี้ มีประเด็นให้เราทิ้งท้ายว่า เราเอา Agent มาทำอะไร หรือ ทำตาม Step ที่เราตั้งไว้ (Workflow) และต้องมี Human In the Loops ไหม

AI Agents

Speaker Aye Hninn Khine

- LLM มีวิวัฒนาการอย่างไร

- แล้ว AI Agent คือ อะไร

📌 Model ที่สิทธิเข้าไปจัดการของรอบข้าง (Environment) ได้รับรู้สภาพในตอนนั้น แล้วตัดสินใจ เช่น เราสั่ง pizza มองว่าได้ตัวร้าน pizza เป็น agent ทำของให้เรา ส่วนเป็นวิธีการไหน แล้วแต่ agent นะ เราอาจจะมี promptไปคุมอีกที
📌 ตัวที่ช่วยให้ Model จัดการของรอบข้าง (Environment) จะเรียกว่า Tools
📌 RAG ยังไม่เป็น Agent มันเอาข้อมูลใน KM มาตอบให้ชัดเจนขึ้น ลด Hallucination
📌 AI Agent มี Flow ตามนี้

INPUT --> LLM --> OUTPUT --> CALL TOOLS TAKE ACTION

ถ้าเราให้ AI ทำการบ้าน + ส่งการบ้าน อันนี้เป็น Agent มีทั้งส่วน LLM ทำการบ้าน และ มี Tools เอาผลที่ได้จาก LLM ส่งการบ้าน

📌 AI Agent Archtitiecture

• Orchestration ตัวจัด memory / state ว่าจะทำอะไร แล้วต่อยังไง
• Model - Foundation LLM Model ซึ่ง Run ที่ไหนก็ได้ อาจจะเป็น Cloud / Ollama เป็นต้น
• Tools ระบบรอบข้างที่เกี่ยวข้องมองเป็นเครื่องมือให้ AI ใช้ เลือกให้เหมาะกับ Requirement ที่ได้ เช่น ราคาตลาด / ข้อมูลสภาพอากาศ เป็นต้น
• Runtime - สั่งทำงาน

สำหรับการทำงานเพิ่มเติม Speaker แนะนำ Blog https://huyenchip.com/2025/01/07/agents.html สั้นๆ

• Plannner - ตัว LLM Model คิดแผนมาว่าจะทำอะไร ้เช่น แตก Task ย่อย 1 2 3 4 .. / Function calling เป็นต้น
• Evaluator - เอา plan บางอันไปลองก่อนเอา Feedback มาเก็บไว้ใช้ต่อ จะได้ไม่รอกัน
• Executor สั่ง Tools ทำงาน

- Type of AI Agent

📌 ReAct Plan (Reasoning + Acting) วางแผล และเอา Output ที่ได้มาปรับ คิด เอา feedback มาปรับปรุง
📌 CodeAgent มาที่วางแผนมาเขียนเป็น Code ให้เลย
📌 SingleAgent - Agent ทำหน้าที่ 1 อย่าง
📌 Multi-Agent - Agent ทำงานเป็นทีม

- ตอนนี้มี AI Agent Framework อันไหนที่ใช้งานบ้าง

- Workshop / DEMO

📌 มี Demo ของ SmolAgents ให้เล่นกัน https://colab.research.google.com/drive/1LSy4AA8QrpAIv6cbMHEpb6mGEF6guWtL?usp=sharing
📌 แต่ต้องมี Hugging face Token (Read/ Write) / Google Studio API ใช้ Gemini พวก App Password สำหรับส่งเมล์
📌 ของให้เล่น ดังนี้

• เอา Agent เพียวมาถาม กับอีกตัวเอาของเดิมมาแหละ แต่เอาข้อมูลจาก DuckDuckGo (Search Engine) มาทำเป็น Grouding ช่วยตรวจความถูกต้องจองข้อมูล
• Agent that analyzes images with a proprietory model using LiteLLM
• Agent that solves your assignment, and submits it to your professor via an email อันนี้ดูใกล้กับงานที่ทำงาน มีขั้นตอนแบบ Agent มันเปลี่ยนบริบทแล้วใช้ได้ สรุป Requirement ลูกค้าแล้วเมล์มาหน่อย / หาวิธีแก้ Production Issue แล้วสรุปแนวทางแก้ไขมาใน mail
• Data Analyst that analyzes cricket matches (IPL)

นอกจากนี้แล้วเราได้ยังสร้าง Agent ได้จาก Vertex AI

• Google AI Studio ส่งสำหรับ Dev PoC
• Vertex AI ทำ Backend สำหรับ Prod และตอนนี้มี Version แบบ Low Code ด้วย

From Zero to Interactive with Google ADK

Speaker Natavit Rojcharoenpreeda

📌 Google ADK เป็น Agent Development Kit Framework ของ Google ออกแบบมา Open Eco System optimize มาให้กับ Model ของ Google แต่ก็ใช้กับค่ายอื่นๆก็ได้นะ

- ADK Concept

📌 Agents

• Base Agent ส่วนเตรียมไว้ให้ Extend ต่อ
• LLM Based - Model เพียสๆ
• Workflow Based - Business Logic + Model
  - Sequential Agent - ทำเป็นลำดับ
  - Parallel Agent - ทำพร้อมกัน
  - Loop Agent - ทำวนไป จนกว่าจะเข้า Condition หรือ max retry
• Custom Logic - กำหนดวิธีคิดเอง

นอกจากนี้แล้ว เวลาเรา Agents มันทำงานร่วมกัน (Multi Agents) จะ Agent อีกตัวมองเป็นผู้จัดการมาค่อยจ่ายงาน (Root / Steering Agent) ก่อนส่งต่อให้ Agent ที่เหมาะสมตามที่ได้บอกใน AgentSkill / AgentCard (อารมณ์แบบ Resume/CV)

📌 Tools เป็นส่วนที่ให้ Agents จัดการ Enviromemnt ภายนอกได้ โดยมี

• Built-In ของ Google เช่น Search / Mail
• Third-Party Tools อย่าง Serper/ LangChain / CrewAI.
• Function Tools ให้มันยิงมาหา Code หรือ API เรา
• MCP Tools
• OpenAPI Tools ถ้ามี Spec อย่างพวก Swagger / OpenAPI โยนไฟล์ yaml ให่มันไปบอกว่า เรามี Endpoint อะไรให้ใช้งาน

ส่วนของ Tools ต้องบอกความสามารถว่าทำอะไรได้ โดยการ Comment

import requests
# define a function to get exchange rate
def get_fx_rate(base: str, target: str):
        """
        Fetches the current exchange rate between two currencies.
        Args:
                base: The base currency (e.g., "SGD").
                target: The target currency (e.g., "JPY").
        Returns:
                The exchange rate information as a json response,
                or None if the rate could not be fetched.
        """
        base_url = "https://hexarate.paikama.co/api/rates/latest"
        api_url = f"{base_url}/{base}?target={target}"
        response = requests.get(api_url)
        if response.status_code == 200:
                return response.json()

📌 Agent 2 Agent เป็นให้ตัว Agent มาทำงานร่วมกันได้ โดยมองภาพใหญ่ ส่วนตัว MCP ส่วนเสริมให้ Agent เข้าถึง Enviroment ได้มากขึ้น

- Workshop

📌 goo.gle/adk-foundation - ลองสร้าง Agent ขึ้นมา มันตอบได้ตาม Model เราถามคำถาม Classic ไป ฝั่งซ้ายมี Tools ช่วย Debug / Trace ว่าเราทำอะไร

📌goo.gle/adk-using-tools จากอันแรก ถ้าเพิ่มความฉลาดต้องใส่ Tools เข้าไป

• Tools Funtion Calling
• Tools Google Search > Agents Google Search
  - ตอน Run จะ Error
  - ต้องปรับเป็น Agent อันนี้ Google กลัวว่าตัว Tools Search มันจะกลายเป็นตัวแบกของ Agent เลยให้แยก

• Tools Third Party - langchain

📌goo.gle/adk-mcp-a2a - ลองเอา Agent มาทำร่วม MCP

• fastmcp เป็น lib สร้าง mcp server
• A2A จะมี metadata มองว่าเป็น resume ก็ได้ว่า Agent มีความสามารถอะไร เวลาคุยกันเราก็อ่าน Spec ตรงนี้นอกจาก ใน Framework นี้จะเป็นตัว Class AgentSkill / Class AgentCard //ลองมาถึงตรงนี้คล้าย Sematic Kernel

Google's ADK and the A2A Protocol: Introduction

Speaker Natdhanai Praneenatthavee

- เราทำ Agent ไปเพื่ออะไร ?

📌จากงาน Nvidia CES Speech + Ad Toy Data Rookie มีบอก Trend ว่า Agent ช่วยให้เราทำงานต่างๆได้ง่าย ช่วย Automate ได้ง่าย รวมถึงทำ One Person Business ได้ง่ายขึ้นด้วย จากเดิมจ้างคน เราใช้ Agent หรือ เอามาเสริมในจุดอื่นได้

📌แต่มีอีกมุมตัวการ Layoff คนบางส่วน ถ้า AI แทนได้ ดังนั้นเราต้องพัฒนา Skill ให้ได้

📌ตอนนี้จาก Research ของ Accenture พบว่า Agent มีบทบาทมากขึ้นในอนาคต

สำหรับที่ Speaker มองว่าเด่นๆ

• Gemini cli
• Jules - Coding Agent แบบ Copilot
• Google Agent Development Kit

- Agent 2 Agent

สำหรับ A2A บางส่วนคล้ายกับ Session ก่อนหน้า เลยจะขอละไว้

📌A2A How It Work

• Framework + CLI ทำ Agent มีมาตรฐานกลาง A2A Protocal ในการเชื่อมกับ Agent อื่นๆ และรองรับ MCP ด้วย
• การทำงานแยกเป็น Client / Server (Remote) ทำกัน 4 มุม Capability Discovery / Task Management / Collaboration / Negolation
  - End User ส่วงคำขอ
  - Client รับคำขอจาก User และเป็นตัวแทนในการสื่อสาร
  - Server รับ Request จาก Client มาจัดการต่อ และส่งต่อให้ Agent ย่อยๆที่เกี่ยวข้อง

📌Computer Vision เป็นศาสตร์การเข้าใจภาพ มัน คือ อะไร เป็นของอะไร ซึ่งตัวนี้ เอามาเสริมเป็นความสามารถนึงของ Agent ได้ โดยกว่าจะได้เป็น Computer Vision ตอนนี้

• Classic OpenCV
• Neural Network
• Deep Learning จากแนวคิด CNNs / Transformer
• AI - LLM ที่เราสามารถเอา Base Model และเสริมด้วยเทคนิค Zero Shot / Few Shot เข้าได้ paper ของ Spekaer ที่ทำงานในส่วนนี่

- Workshop

• Resource Google-Cloud-Next-2025​
• Required
  - Google AI Key (จาก Google AI Studio / VertexAI)
  - Gmail App Password
• Workshop1:
  - Google Colab เอาไว้ลอง
  - Gemini-Flash + CV Example (Object Detection / OCR พื้นที่ที่ต้องการ + ภาษาไทย) มีตัวอย่าง Prompt พร้อม
• Workshop2(Fix): เอาที่ลองจาก Workshop1 (Colab) มาแยกเป็น Agent ย่อยๆ dev code ที่เครื่องเรา
  - OCR - Extract Text
  - Send Mail
  และมีตัว root agent ค่อยประสานการทำงาน ผมฟังนึกถึงพวก node ใน n8n ที่เคยลองเลยมีลองคล้ายกัน และอย่างนี้ดีนะ ทำให้เห็นว่าใช้ UI อื่น แทน Default Chat ด้วยนะ

Bi-directional Streaming with Gemini Live API

Speaker Kamolphan Liwprasert

- Bi-directional Streaming with Gemini Live API คือ อะไร ?

📌Recap เวลานี้ Gemini มีอะไรใช้ให้บ้าง

• Gemini 2.5 Pro
• Gemini 2.5 Flash
• Gemini 2.0 Flash-lite

ตัว Gemini 2.5 Pro / flash จะมี Native audio output (text to speech) เสียงเป็นธรรมชาติคล้ายคนมากขึ้น ลองได้จาก ai.dev (Google AI Studio) ส่วน Stream

Bi-directional Streaming with Gemini Live API ย่อ Live API

📌Live API คือ อะไร ?

• ความสามารถในการ Stream เสียงเรา ขาไป (text > speeach) และ กลับ (speeach to text)
• ตอบแบบ Realtime เป็นธรรมชาติมาก
• เราพูด Interrupt มันได้นะ มันจะพังเราและเอ๊ะๆ ตอบได้ระดับนึง
• ใช้งานกับ Use-Case MultiModel ได้

มี demo เยอะ เหมือนกัน เช่น https://github.com/GoogleCloudPlatform/generative-ai/blob/main/gemini/multimodal-live-api/intro_multimodal_live_api_genai_sdk.ipynb กดเปิดใน Google Colba ได้เลย

สำหรับในมุม Coding

• เปลี่ยนจาก REST API (http) มาใช้ Web Socket เปิดช่องทางพิเศษให้ Server Client คุยกันบนทางพืเศษเลย
• จาก https:// > wss:// (web socker secure)
• สำหรับ ws กับ webrtc
• มี doc ลองดูตาม https://google.github.io/adk-docs/streaming/dev-guide/part1/

- Workshop / DEMO

• Repo: https://github.com/fonylew/language-buddy อาจจะต้องกำหนด Google Credential ก่อน Run
• ดูใน Live นะเข้าใจมากกว่า มันคุยโต้ตอบ

Speaker มี Course มาแนะนำด้วยครับ https://www.kaggle.com/learn-guide/5-day-genai

Evolution of Gemma 3n for Deploying Local Models on Every Device

Speaker Witthawin Sripheanpol

- What is Gemma

• gemini ทำโดย deepmind บ ที่ทำ alpha go
• gemma เป็นเวอร์ชัน open source model ของ gemini
• ตัว Gemma Design for local device เน้นเล็ก แต่ฉลาดอยู่
• ตัว Gemma 3 มีปรับให้ Model ใหญ่ขึ้นมี parameter มากขึ้น
• พอเป็น opensource มีเอาไปต่อยอดหลายแบบ เช่น medgemmea / shieldgemma เอาไปเป็น GuardRail เอากันตอบอะไรแปลก / dolphingemma (how dolphins communicate) //จะมี catgemma ไหมนะ เป็นต้น

- Evolution From Gemma > Gemma3 > Gemma3n

• Gemma3 - multimodal และ ขนาดเล็ก
• Gemma3n - เน้น Env ที่เล็กลงไปอีก อย่างพวก iot / mobile device

📌 Model Code อ่านยังไง ?

• 3 - Verion
• n - บอก nano สำหรับ modile
• it - instruction tuning เก่ง chat
• X - ขนาดของ Model บอกจำนวน RAM ที่ใช้
• e - effective parameter ตอนออกแบบ Model เลยแบ่งว่าส่วนในใช้ GPU / CPU เรียกว่าลด Resource ได้เยอะเลย

ทำไมถึงต้องทำแบบนี้ เพราะ Mobile มีส่วนของ vRam น้อย เลยต้องแบ่งส่วนของ Model สำหรับ Process ใน ว่าส่วนในใช้ GPU / CPU เรียกว่าลด Resource ได้เยอะเลย งานไหนใช้เท่าไร่ดึง Resource เท่านั้น

📌 ความสามารถของ Gemma3n (Model 2B)

• Supports 140 languages for text
• Supports 35 languages for multimodal interactions.
• Support Long-term conversation
• เบื่องหลังความเก่งมีหลายอัลกอริทึมยัดเข้าไปใน Model
  - MobileNet เป็นอัลกอรึทึมเบื้องหลังที่ช่วยให้งานด้วยภาพไวขึ้น อย่าง เช่นใน Google Pixel ตอนนี้ MobileNet-V5-300
  - Universal Speech Model (USM) - จัดการด้านเสียง ทำให้เข้าใจมากขึ้น
  เลยเป็น multimodal

📌 Benefit Gemma3n

• Optimize for on device เหมือนงาน Video / Image
• Privacy First
• Multi Modal Understanding
• Dynamic Resource usage - มันใช้ resource น้อย ถ้า scale คุม cost ได้ แบ่งงานลง CPU ได้ Cost จะถูกลง กว่าซื้อการ์ดจอ

- How to use Gemma3n

• มีหลายที่เลยจาก Hugging Face / Kaggle / Ollama / LMStudio
• คนใช้ดูแต่ -it สำหรับ chat ส่วนงานอื่นๆ เอาตัวที่ไม่มี -it //เข้าใจและ ฮ่าๆ เดี๋ยวไปดึงใน Ollma ใหม่ ลองแล้วมันแปลกๆ
• Demo https://github.com/ro-witthawin/Evolution-of-Gemma3n-For-Deploying-local-models-on-every-device/blob/main/[Gemma_3n]Multimodal_understanding_with_HF.ipynb
• เพิ่งรู้วาเราส่องใน model ได้ด้วย อารมณ์แบบ layer ใน docker มั้ง

- Deploy Gemma3n On Local Device

• ลองใช้ผ่านตัว ONNX Framework แต่ Client จะดึงข้อมูลนานๆหน่อย Model หลาย GB
  Ref: https://huggingface.co/onnx-community/gemma-3n-E2B-it-ONNX

Resource: Slide / Code

สุดท้ายขอขอบคุณทีมงานทุกท่านที่จัดงานดีๆแบบนี้นะครับ

Reference

• https://gdg.community.dev/events/details/google-gdg-cloud-bangkok-presents-cloud-next-extended-bangkok-2025/
• Live: https://www.youtube.com/watch?v=J8vPROs0Qb4