ในช่วงหลายปีที่ผ่านมา คำว่า Smart Farming มักถูกเชื่อมโยงกับภาพของโดรน เซนเซอร์ เครื่องจักรอัตโนมัติ ระบบดาวเทียม หรือแพลตฟอร์มวิเคราะห์ข้อมูลที่มีความซับซ้อนและมีต้นทุนสูง จนทำให้เกษตรกรจำนวนไม่น้อยรู้สึกว่าเทคโนโลยีเหล่านี้อาจเป็นเรื่องไกลตัว

แต่กรณีของ Hiroki Tomiyasu เกษตรกรในฮอกไกโด ประเทศญี่ปุ่น กำลังสะท้อนแนวทางใหม่ที่ต่างออกไป นั่นคือ การใช้ Generative AI อย่าง ChatGPT และ Codex เป็นผู้ช่วยเรียนรู้ ออกแบบ และสร้างเครื่องมือเพื่อแก้ปัญหาที่เกิดขึ้นจริงในฟาร์ม

สิ่งที่น่าสนใจคือ Tomiyasu ไม่ได้มีพื้นฐานด้านวิศวกรรมหรือการเขียนโปรแกรม และไม่ได้เติบโตมาในครอบครัวเกษตรกร เขาเริ่มต้นจากการทำงานเป็นข้าราชการ ก่อนจะค่อย ๆ เรียนรู้การเกษตรจากการลงมือทำจริง จนปัจจุบันดูแลพื้นที่ประมาณ 100 เฮกตาร์ หรือราว 625 ไร่ ปลูกพืชหลายชนิด เช่น บรอกโคลี ฟักทอง ต้นหอม และถั่วเหลือง

กรณีของเขาจึงน่าสนใจในฐานะตัวอย่างว่า เทคโนโลยี AI อาจกำลังช่วยลดช่องว่างระหว่าง คนที่เข้าใจปัญหาในฟาร์ม กับ คนที่สามารถสร้างเทคโนโลยีเพื่อแก้ปัญหา

ปัญหาของเกษตรกรไม่ได้มีแค่เรื่องการปลูก

เมื่อพื้นที่เกษตรมีขนาดใหญ่ขึ้น ปัญหาที่ต้องจัดการก็เพิ่มขึ้นตามไปด้วย ทั้งแรงงาน การติดตามสภาพแปลง การควบคุมโรงเรือน การบันทึกข้อมูล การใช้ปุ๋ยและสารป้องกันกำจัดศัตรูพืช ตลอดจนการประสานงานระหว่างคนงาน

ในระบบเกษตรแบบเดิม ข้อมูลจำนวนมากอาจถูกจดไว้ในสมุด กระจายอยู่ในโทรศัพท์ หรืออยู่ในบทสนทนาของกลุ่มคนทำงาน ทำให้เมื่อถึงเวลาต้องใช้ข้อมูลย้อนหลังกลับค้นหาได้ยาก

Tomiyasu จึงไม่ได้เริ่มต้นจากคำถามว่า ควรซื้อเทคโนโลยีอะไรมาใช้ในฟาร์ม แต่เริ่มจากคำถามที่สำคัญกว่า คือ งานตรงไหนกำลังสร้างปัญหา และเราจะทำให้มันง่ายขึ้นได้อย่างไร จากนั้นจึงใช้ AI เป็นผู้ช่วยหาทางออกทีละเรื่อง

ถ่ายภาพพืช แล้วให้ AI ช่วยประเมินเบื้องต้น

หนึ่งในตัวอย่างง่ายที่สุด คือเมื่อเขาพบจุดสีดำบนบรอกโคลีหลังการเก็บเกี่ยว เขาถ่ายภาพแล้วส่งให้ ChatGPT ช่วยวิเคราะห์ว่าอาการดังกล่าวอาจเกี่ยวข้องกับโรคหรือไม่ และควรตรวจสอบอะไรเพิ่มเติม

สิ่งสำคัญของวิธีนี้ไม่ใช่การให้ AI ทำหน้าที่แทนนักวิชาการด้านโรคพืช แต่คือการใช้ AI เป็น เครื่องมือคัดกรองเบื้องต้น ช่วยให้เกษตรกรตั้งคำถามได้เร็วขึ้น และตัดสินใจได้ว่าปัญหาใดควรรีบปรึกษาผู้เชี่ยวชาญ

นี่อาจเป็นแนวทางหนึ่งในการลดช่องว่างด้านการเข้าถึงองค์ความรู้ โดยเฉพาะในพื้นที่ที่ผู้เชี่ยวชาญไม่สามารถเข้าไปตรวจแปลงได้ทันที

จากการเดินดูแปลง สู่การมองพื้นที่ผ่านดาวเทียม

Tomiyasu ยังใช้ AI ช่วยเรียนรู้การเชื่อมข้อมูลแปลงกับข้อมูลดาวเทียม และนำตัวชี้วัดอย่าง NDVI มาใช้ติดตามสภาพของพืช

แทนที่จะต้องเดินตรวจพื้นที่ทั้งหมดในทุกครั้ง เกษตรกรสามารถใช้ข้อมูลเชิงพื้นที่ช่วยมองหาบริเวณที่มีความแตกต่างหรือผิดปกติ แล้วเลือกลงพื้นที่ตรวจสอบเฉพาะจุด แนวทางนี้สะท้อนการเปลี่ยนจาก ตรวจทุกพื้นที่ด้วยแรงงาน ไปสู่ ใช้ข้อมูลช่วยระบุพื้นที่ที่ควรตรวจ ซึ่งมีความสำคัญมากในภาวะที่ภาคเกษตรกำลังเผชิญกับปัญหาขาดแคลนแรงงานและต้นทุนการผลิตที่สูงขึ้น

โรงเรือนที่ควบคุมผ่าน LINE

อีกหนึ่งปัญหาที่เกิดขึ้นจริงในฟาร์มคือ การต้องเดินไปเปิด–ปิดช่องระบายอากาศของโรงเรือนด้วยตนเอง

Tomiyasu จึงใช้ Codex ช่วยออกแบบระบบที่เชื่อม ESP32, motor driver, มอเตอร์, Cloudflare Workers และ LINE Bot เข้าด้วยกัน เพื่อให้สามารถส่งคำสั่งเปิด ปิด หรือหยุดระบบผ่าน LINE

แนวคิดนี้มีความน่าสนใจ เพราะไม่ได้เริ่มต้นจากการซื้อระบบ Smart Greenhouse สำเร็จรูป แต่เป็นการสร้างเครื่องมือขนาดเล็กที่แก้ปัญหาเฉพาะจุดได้จริง

นี่คืออีกมุมหนึ่งของ Smart Farming ที่อาจเหมาะกับเกษตรกรจำนวนมากกว่าเดิม คือ

ไม่จำเป็นต้องทำทั้งฟาร์มให้ “Smart” ในครั้งเดียว

แต่สามารถเริ่มจาก 1 ปัญหา → 1 ระบบ → 1 ผลลัพธ์ แล้วค่อยพัฒนาต่อไป

ไม่บังคับคนงานเรียนแอปใหม่ แต่ให้เทคโนโลยีเข้าไปอยู่ในระบบเดิม

หนึ่งในบทเรียนสำคัญจากกรณีของ Tomiyasu คือ การออกแบบเทคโนโลยีให้เข้ากับพฤติกรรมของผู้ใช้

แทนที่จะสร้างแอปใหม่แล้วให้คนงานทุกคนต้องเรียนรู้ เขาเลือกสร้าง Bot ให้ทำงานอยู่ใน LINE Group ที่ทีมงานใช้อยู่แล้ว

คนงานจึงสามารถใช้ช่องทางเดิมในการตรวจสอบอุณหภูมิ ดูตารางงาน หรือเรียกข้อมูลที่ต้องการ

แนวคิดนี้สะท้อนหลักการที่สำคัญมากสำหรับการนำเทคโนโลยีเข้าสู่ภาคเกษตร คือ

อย่าบังคับให้เกษตรกรปรับตัวเข้าหาเทคโนโลยีมากเกินไป แต่ควรออกแบบเทคโนโลยีให้เข้ากับวิธีทำงานของเกษตรกร

เปลี่ยนบทสนทนาให้กลายเป็นฐานข้อมูล

ข้อมูลจำนวนมากในฟาร์มอาจเกิดขึ้นในบทสนทนาประจำวัน เช่น วันนี้เพาะกล้าไปกี่ถาด แปลงไหนใส่ปุ๋ยแล้ว
ใครเป็นผู้รับผิดชอบงาน อุณหภูมิโรงเรือนเท่าไร เมื่อข้อมูลเหล่านี้สะสมอยู่ใน Group Chat เป็นเวลานาน การค้นย้อนหลังด้วยคนอาจเป็นเรื่องยาก Tomiyasu ใช้ Codex ช่วยอ่านประวัติการสนทนาและสรุปข้อมูล เช่น จำนวนถาดเพาะกล้าบรอกโคลีในแต่ละรอบ นี่ทำให้เห็นแนวคิดใหม่ว่า ข้อมูลในฟาร์มไม่จำเป็นต้องเริ่มต้นจากระบบฐานข้อมูลที่ซับซ้อนเสมอไป

ข้อมูลที่เกิดขึ้นจากการทำงานประจำวันสามารถถูกจัดระเบียบและนำกลับมาใช้ประโยชน์ได้ หากมี AI ช่วยค้นหาและสรุปอย่างเหมาะสม

ก่อนซื้อเทคโนโลยีราคาแพง ให้ AI ช่วยเรียนรู้ก่อน

Tomiyasu สนใจระบบ RTK-GPS สำหรับช่วยควบคุมการเดินรถแทรกเตอร์ให้แม่นยำขึ้น แต่แทนที่จะตัดสินใจซื้อระบบเชิงพาณิชย์ทันที เขาใช้ ChatGPT ช่วยอธิบายหลักการ ทำความเข้าใจอุปกรณ์ และศึกษาทางเลือกแบบ Open Source แนวคิดนี้ชี้ให้เห็นประโยชน์อีกด้านหนึ่งของ AI คือการเป็น ผู้ช่วยเรียนรู้ก่อนการลงทุน

เกษตรกรสามารถใช้ AI เพื่อทำความเข้าใจว่าเทคโนโลยีหนึ่งทำงานอย่างไร เหมาะกับฟาร์มหรือไม่ ต้องใช้อุปกรณ์อะไร และมีทางเลือกแบบใดบ้าง ก่อนตัดสินใจลงทุนจริง

สำหรับภาคเกษตรที่การลงทุนผิดพลาดอาจหมายถึงต้นทุนจำนวนมาก การลดความไม่แน่นอนก่อนตัดสินใจจึงมีความสำคัญไม่น้อยไปกว่าตัวเทคโนโลยีเอง

จากข้อมูลกระจัดกระจาย สู่ระบบบริหารฟาร์ม

เมื่อการใช้เทคโนโลยีเริ่มมากขึ้น Tomiyasu จึงนำ AI มาช่วยออกแบบฐานข้อมูลสำหรับเชื่อมข้อมูลต่าง ๆ ของฟาร์มเข้าด้วยกัน เช่น ข้อมูลแปลง พืช คนงาน ตารางงาน ปุ๋ย สารป้องกันกำจัดศัตรูพืช โรงเรือน วัสดุ และข้อมูลจากเซนเซอร์

เป้าหมายคือการทำให้เกษตรกรสามารถถามคำถามง่าย ๆ เช่น วันนี้ต้องทำอะไร งานถัดไปของแปลงนี้คืออะไร อุณหภูมิโรงเรือนตอนนี้เท่าไร แล้วระบบสามารถดึงข้อมูลที่เกี่ยวข้องกลับมาตอบได้

นี่คือการเปลี่ยนจาก การเก็บข้อมูล ไปสู่ การใช้ข้อมูลเพื่อการตัดสินใจ และอาจเป็นหัวใจที่แท้จริงของ Smart Farming

บทเรียนใหม่สำหรับเกษตรกร: เริ่มจากปัญหา ไม่ใช่อุปกรณ์

กรณีของ Hiroki Tomiyasu ทำให้เห็นว่า การพัฒนาเกษตรอัจฉริยะในอนาคตอาจไม่จำเป็นต้องเริ่มจากเทคโนโลยีขนาดใหญ่เสมอไป

แนวทางที่สามารถนำไปประยุกต์ใช้ได้คือ

ปัญหาในฟาร์ม
↓
ระบุว่างานใดเสียเวลา มีต้นทุนสูง หรือเกิดข้อผิดพลาดบ่อย
↓
ใช้ AI ช่วยเรียนรู้และออกแบบทางเลือก
↓
สร้างเครื่องมือหรือต้นแบบขนาดเล็ก
↓
ทดลองในพื้นที่จริง
↓
ประเมินว่าช่วยลดเวลา ลดแรงงาน หรือลดความผิดพลาดได้หรือไม่
↓
จึงค่อยขยายระบบ

แนวคิดนี้อาจเรียกได้ว่าเป็น Problem-driven Smart Farming หรือ Smart Farming ที่ขับเคลื่อนจากปัญหา

ต่างจากการซื้อเทคโนโลยีก่อน แล้วค่อยหาว่าจะนำไปใช้ทำอะไร

AI ไม่ได้มาแทนเกษตรกร แต่ช่วยขยายความสามารถของเกษตรกร

สิ่งสำคัญที่สุดที่ควรเรียนรู้จากกรณีนี้ คือ AI ไม่ได้ทำให้ประสบการณ์ของเกษตรกรหมดความหมาย

ในทางตรงกันข้าม การที่ Tomiyasu สามารถสร้างระบบที่ตอบโจทย์ฟาร์มของตนเองได้ เป็นเพราะเขามีประสบการณ์จากการทำเกษตรจริงมานานหลายปี และเข้าใจดีว่าปัญหาอยู่ตรงไหน

AI จึงทำหน้าที่ช่วยเติมสิ่งที่เขายังขาด เช่น การเขียนโปรแกรม การออกแบบฐานข้อมูล หรือการทำความเข้าใจอุปกรณ์อิเล็กทรอนิกส์

อาจสรุปได้ว่า

เกษตรกรมีความรู้หน้างาน
+
AI มีความสามารถด้านการประมวลผลและเทคนิค

การสร้างนวัตกรรมที่ตอบโจทย์พื้นที่จริง

ทางเลือกใหม่ของการพัฒนาเกษตร

ประเทศไทยเองกำลังเผชิญปัญหาที่คล้ายคลึงกัน ทั้งเกษตรกรสูงวัย การขาดแคลนแรงงาน ต้นทุนสูง ความผันผวนของสภาพอากาศ และข้อมูลการผลิตที่กระจัดกระจาย

กรณีของ Tomiyasu จึงอาจไม่ได้ให้คำตอบว่าเกษตรกรทุกคนต้องเรียนเขียนโปรแกรม แต่ให้บทเรียนสำคัญว่า การเข้าถึง AI อาจทำให้เกษตรกรสามารถเรียนรู้และสร้างเครื่องมือแก้ปัญหาของตนเองได้ง่ายขึ้น

ในอนาคต การส่งเสริม Smart Farming จึงอาจไม่ควรมีเพียงการสนับสนุนเครื่องจักรหรือแพลตฟอร์มสำเร็จรูป แต่ควรเพิ่มทักษะให้เกษตรกรสามารถ

ตั้งโจทย์ปัญหาให้ชัดเจน
ใช้ AI อย่างรู้เท่าทัน
ทดลองสร้างต้นแบบ
ตรวจสอบผลในพื้นที่จริง
และปรับเทคโนโลยีให้เหมาะกับบริบทของตนเอง

เพราะนวัตกรรมทางการเกษตรที่ดีที่สุด อาจไม่ใช่เทคโนโลยีที่ล้ำสมัยที่สุด แต่คือ เทคโนโลยีที่แก้ปัญหาจริงของเกษตรกรได้

และนี่อาจเป็นจุดเริ่มต้นของ Smart Farming ยุคใหม่—ยุคที่เกษตรกรไม่ได้เป็นเพียง “ผู้ซื้อเทคโนโลยี” แต่สามารถก้าวขึ้นมาเป็น “ผู้ร่วมสร้างเทคโนโลยี” สำหรับฟาร์มของตนเองได้ด้วย

ที่มา: เรียบเรียงจากกรณีศึกษาของ Hiroki Tomiyasu 

ในบทความ A broccoli farmer in northern Japan shares his chats 

เผยแพร่โดย ChatGPT Pro Community, 1 June 2026