บรรณาธิการหมายเหตุ: เมื่อ AI เริ่มเขียนโค้ด จัดการตั๋วบริการลูกค้า และทบทวนเอกสารกฎหมาย คำถามพื้นฐานกว่านั้นกำลังปรากฏขึ้น: บริษัทจริงๆ แล้วกำลังซื้ออะไรอยู่ — token, ชั่วโมง GPU หรืองานที่เสร็จสมบูรณ์?

บทความนี้เสนอกรอบที่น่าสนใจ: การพาณิชย์ hóa AI ไม่ควรถูกตีความเพียงว่าเป็น “ตลาดพลังการคำนวณ” หรือ “ตลาดการเรียกใช้โมเดล” เท่านั้น แต่กำลังก้าวไปสู่ “ตลาดแรงงานเครื่องจักร” รูปแบบใหม่ ในตลาดนี้ token เป็นเพียงหน่วยวัด GPU เป็นปัจจัยการผลิต โมเดลเป็นเครื่องมือการผลิต และสิ่งที่ถูกกำหนดราคาและซื้อขายจริงคืองานทางเศรษฐกิจที่ซอฟต์แวร์ดำเนินการโดยตรง

การตัดสินใจหลักของบทความคือ กลไกการกำหนดราคาของ AI จะผ่านการพัฒนาจาก token ดั้งเดิม ความสามารถของโมเดลที่เป็นมาตรฐาน แรงงานในอุตสาหกรรม ไปจนถึงตลาดผลลัพธ์ที่สามารถโปรแกรมได้ กล่าวคือ ในอนาคต บริษัทอาจไม่สนใจว่าภารกิจใดภารกิจหนึ่งจะถูกดำเนินการโดยโมเดลใดหรือ GPU ประเภทใด แต่จะให้ความสำคัญกับว่าผลลัพธ์ที่ได้ถูกส่งมอบภายในขอบเขตของความล่าช้าที่กำหนด ความแม่นยำ ความน่าเชื่อถือ และต้นทุนหรือไม่

สิ่งนี้ยังหมายความว่าผลกระทบของ AI ต่อตลาดแรงงานของมนุษย์ไม่จำเป็นต้องเป็นเพียงการแทนที่อย่างง่ายๆ ขณะที่เครื่องจักรรับผิดชอบงานที่สามารถมาตรฐานและตรวจสอบได้มากขึ้น บทบาทของมนุษย์อาจเปลี่ยนไปเป็นการทบทวน การรับผิดชอบ การจัดการบริบท และการตัดสินใจสุดท้าย ในบางสถานการณ์ การตัดสินใจของมนุษย์เพียง 1% สุดท้ายกลับมีคุณค่ามากขึ้น เพราะมันสามารถปลดปล่อยการอัตโนมัติขนาดใหญ่ถึง 99%

ในมุมมองนี้ การแข่งขันขั้นต่อไปของตลาด AI อาจไม่ใช่แค่การแข่งขันด้านความสามารถของโมเดล หรือการแข่งขันด้านราคาทรัพยากรการคำนวณเพียงอย่างเดียว แต่คือผู้ที่สามารถมาตรฐาน化 ตรวจสอบได้ และกำหนดราคาให้กับ “งาน” ก่อนใคร และสุดท้ายทำให้แรงงานของเครื่องจักรกลายเป็นปัจจัยการผลิตรูปแบบใหม่ที่สามารถซื้อ ชำระเงิน และซื้อขายได้

以下为原文：

คลื่นแห่งผลิตภาพในอดีตมักเกิดจากเครื่องมือและซอฟต์แวร์ที่สร้างขึ้นเพื่อช่วยมนุษย์ในการปรับปรุงวิธีการดำเนินงาน ตารางคำนวณช่วยนักบัญชีและนักวิเคราะห์ สายพานลำเลียงเพิ่มปริมาณการผลิต และค้อนขยายแรงเหวี่ยงของมนุษย์ แต่แรงงานที่แท้จริงยังคงมาจากมนุษย์

ตอนนี้ AI กำลังผลิตผลงานแบบครบวงจร โดยดำเนินการงานโดยตรง มันสามารถเขียนโค้ด จัดการตั๋วบริการลูกค้า และทบทวนเอกสารกฎหมาย ปลายสุดของเทคโนโลยีสแต็กเดิมคือการสนับสนุนแรงงาน ในขณะที่เทคโนโลยีสแต็กใหม่เริ่มผลิตแรงงาน

หากคุณเพิ่งได้ยินการอภิปรายเกี่ยวกับการเงิน hóa AI คุณอาจได้ยินเจนสันและผู้อื่นกล่าวว่า token ของ LLM และ/หรือชั่วโมง GPU กำลังกลายเป็นสินค้าโภคภัณฑ์ใหม่ ความรู้สึกนี้เข้าใจได้ เพราะ token สามารถวัดได้ สามารถเรียกเก็บเงินได้ และง่ายต่อการวาดกราฟ; ชั่วโมง GPU ก็มีเงินลงทุนหลายพันล้านดอลลาร์สหรัฐไหลเข้ามาเช่นกัน แต่ token ยังคงเป็นเพียงเครื่องวัด และชั่วโมง GPU ก็เป็นเพียงปัจจัยการผลิต ไม่มีใครซื้อพวกมันเพื่อครอบครองมันเอง ผู้คนต้องการจริงๆ คือการให้งานสำเร็จ AI กำลังเปลี่ยนเทคโนโลยีสแต็กให้กลายเป็นแหล่งแรงงาน

Machine labor: Work performed by software, with economic utility, and sold into the production process.

ตลาดกำลังเคลื่อนตัวไปในทิศทางนี้แล้ว ซาร่าห์ เทเวล จาก Benchmark มองว่า โอกาสนี้ควรเข้าใจผ่านตลาดแรงงานที่จ้างภายนอก มากกว่าหมวดซอฟต์แวร์ หากงานที่ทำซ้ำได้เดิมถูกดำเนินการโดยทีมต่างประเทศหรือบริษัทบริการมืออาชีพ มักจะเป็นงานที่เหมาะกับการส่งมอบโดย AI อเล็กซ์ แรมเพลล จาก a16z เรียกสิ่งนี้ว่า “ซอฟต์แวร์กลืนกินแรงงาน”: ฉากถัดไปของซอฟต์แวร์คือการดำเนินงานด้วยตนเองเอง จูเลียน เบค จาก Sequoia อธิบายการเปลี่ยนแปลงเดียวกันนี้จากมุมมองอีกมุมหนึ่ง: บริการกำลังกลายเป็นซอฟต์แวร์ copilot ขายเครื่องมือ ในขณะที่ autopilot ขายงาน

ตลาดที่ขาดหายไปเบื้องหลังการกำหนดราคา

ค่าบริการตำแหน่งคิดตามสิทธิ์การเข้าถึง ค่าบริการโทเค็นคิดตามปริมาณการใช้งาน ส่วนค่าบริการผลลัพธ์จะคิดเมื่องานเสร็จสมบูรณ์ ค่าบริการผลลัพธ์ช่วยให้เราก้าวไปข้างหน้า แต่ยังไม่ตอบคำถามหนึ่งข้อ: ใครเป็นผู้ตัดสินราคา?

หากแรงงานเครื่องจักรสามารถซื้อได้โดยตรง ราคาควรมาจากความแข่งขันระหว่างผู้จัดจำหน่าย เหล่าผู้จัดจำหน่ายต้องสามารถตอบสนองมาตรฐานเดียวกันสำหรับงานหรือภารกิจประเภทเดียวกัน ซึ่งต้องมีการสร้างมาตรฐานภายในอุตสาหกรรมต่างๆ และภารกิจต่างๆ

วิธีการปัจจุบันใช้ token ของ LLM แต่ token เดิมเป็นเพียงหน่วยพื้นฐานสุด ถังน้ำมันหนึ่งถังเป็นเพียงหน่วยการวัด จริงๆ แล้วสิ่งที่ซื้อขายคือถังน้ำมันในระดับเฉพาะที่มีคุณภาพ ข้อกำหนดการจัดส่ง และราคาตลาดที่ชัดเจน ถังน้ำมันเบรนต์หนึ่งถังไม่ใช่สินค้าเดียวกับถังน้ำมันหนักที่มีกำมะถันสูงหนึ่งถัง สำหรับ token ของ LLM ก็เช่นกัน token เป็นเพียงหน่วยการวัด สิ่งที่สำคัญจริงๆ คือปัญญาที่อยู่เบื้องหลังมัน: คุณภาพของโมเดล ขีดจำกัดการทดสอบมาตรฐาน ความล่าช้า หน้าต่างบริบท ความน่าเชื่อถือ และการรับประกันการจัดส่ง 1 ล้าน token จากโมเดลโค้ดชั้นนำไม่ใช่สินค้าเดียวกับ 1 ล้าน token จากโมเดลทั่วไปราคาถูก ตลาดต้องการมาตรฐานระดับการประมวลผลแบบอ้างอิง เช่นเดียวกับตลาดพลังงานที่ต้องการมาตรฐานระดับน้ำมัน

Anjali Shriva ชี้ให้เห็นโดยตรงว่า token ไม่ใช่หน่วยต้นทุนที่คงที่ ความเป็นเศรษฐกิจของมันจะเปลี่ยนไปตามความยาวของบริบท โครงสร้างของงาน อัตราส่วนอินพุต/เอาต์พุต จำนวนครั้งที่ลองใหม่ การเรียกใช้เครื่องมือ และกระบวนการทำงานของ Agent token ในคำสั่งสั้นๆ ไม่ใช่สิ่งเดียวกับ token ที่ถูกซ่อนอยู่ในวัฏจักรของ Agent ที่ยาวนาน

เราได้ทำแบบนี้ในตลาดแรงงานมนุษย์มานานแล้ว ไม่มีใครจ้างแพทย์รังสีวิทยาเป็นเพียง “ชั่วโมงมนุษย์” ทั่วไป คนเราจะพิจารณาพื้นฐานการฝึกอบรม ใบอนุญาตและใบรับรอง ทิศทางเฉพาะทาง ระยะเวลาในการทำงาน ความพร้อม ชื่อเสียง และความรับผิดชอบ ข้อตกลงของมนุษย์ที่แตกต่างกัน มีมาตรฐานขั้นต่ำและระดับความคาดหวังที่ต่างกัน

ตลาดแรงงานมนุษย์นั้นทำงานตามข้อกำหนดเหล่านี้อยู่แล้ว เพียงแต่ข้อกำหนดเหล่านี้มักจะผสมปนเป กำหนดด้วยคุณลักษณะ และเต็มไปด้วยตัวชี้วัดแทนต่างๆ แรงงานเครื่องจักรจะทำให้ข้อกำหนดเหล่านี้ชัดเจนและวัดผลได้มากขึ้น

สำหรับ LLM หรือ Agent ตัวชี้วัดต่างๆ เช่น ทักษะ ประสบการณ์ ความเร็ว และความน่าเชื่อถือ สามารถระบุไว้ในสัญญาได้โดยตรง: คะแนนการทดสอบมาตรฐาน ความล่าช้า ปริมาณการประมวลผล หน้าต่างบริบท ความยาวเอาต์พุตสูงสุด ความแม่นยำในการใช้เครื่องมือ เวลาให้บริการ และอัตราความผิดพลาด เราสามารถจัดหาแรงงานตามเป้าหมายและผลลัพธ์ที่วัดได้

ข้อกำหนดสัญญาของ TheGrid.ai โดยพื้นฐานแล้วเป็นตัวกรองคุณสมบัติ บวกกับการแข่งขันด้านราคาสำหรับผลลัพธ์ของ LLM ผู้จัดจำหน่ายที่ตอบสนองข้อกำหนดสามารถเข้าร่วมการแข่งขันได้:

การทดสอบประสิทธิภาพอัจฉริยะ ≥ ขีดจำกัดต่ำสุด

ความล่าช้า ≤ ขีดจำกัด

ผ่านการประมวลผล ≥ ขีดจำกัดต่ำสุด

เวลาทำงานปกติ ≥ ขีดจำกัดต่ำสุด

อัตราความผิดพลาด ≤ ขีดจำกัด

เมื่อผู้จัดหาทั้งหมดบรรลุขีดจำกัดต่ำสุดเดียวกันแล้ว พวกเขาจะเริ่มแข่งขันกันในด้านราคา ผู้ซื้อต้องถามว่า: ผู้จัดหารายใดสามารถจัดหาแรงงานที่ต้องการในราคาที่ดีที่สุด?

การรับสมัครแพทย์รังสีวิทยา ในบริบทของ LLM จึงกลายเป็นปัญหาที่สามารถวัดได้: LLM ใดบ้างที่สามารถอ่านภาพรังสีได้ด้วยระดับความชำนาญสูง และดำเนินการให้เสร็จภายในเวลาหน่วงที่ชัดเจน หน้าต่างบริบท และข้อกำหนดสัญญาอื่นๆ ที่อิงตามผลลัพธ์

ผลลัพธ์คือวิธีที่ผู้ซื้อวัดความสำเร็จ; งานคือกิจกรรมทางเศรษฐกิจที่จัดหา; token คือเชื้อเพลิงที่เครื่องจักรใช้ในการทำงาน

Grid คือตลาดแรงงานของเครื่องจักร

จากโทเค็นไปสู่ตลาดแรงงานเครื่องจักร

ตลาดสามารถกำหนดราคาให้กับการลงทุนในเทคโนโลยีได้ แต่หากต้องการกำหนดราคาให้กับผลลัพธ์ จำเป็นต้องมีตลาดแรงงานเครื่องจักร ผู้ซื้อไม่ได้สนใจชั่วโมง GPU จุดสิ้นสุดของโมเดลเองก็ไม่มีความมั่นคง: มันอาจถูกเปลี่ยนชื่อ ยกเลิก การห่อหุ้ม หรือเลิกใช้งานโดยตรง

ผู้ใช้และสภาพคล่องเกลียดการเปลี่ยนแปลงบ่อยครั้ง GPU และโมเดลจะพัฒนาต่อไปอย่างต่อเนื่อง แต่หน่วยที่มั่นคงคืองาน本身

ฉันคิดว่าตลาดจะวิวัฒนาการตามเส้นทางต่อไปนี้ ทุกขั้นที่สูงขึ้น สิ่งที่ถูกซื้อจะยิ่งมีความเป็นนามธรรมและมีมูลค่ามากขึ้น แต่ก็ยิ่งตรวจสอบได้ยากขึ้น The Grid ควรค่อยๆ ก้าวขึ้นไปตามบันไดนี้:

โทเค็นดั้งเดิม → ตลาดการซื้อขายความสามารถของ LLM → ตลาดการซื้อขายแรงงาน → ตลาดผลลัพธ์ที่สามารถเขียนโปรแกรมได้

Claude 4.7, GPT 5.5, Kimi 2.6, DeepSeek V4, GLM 5 เป็นต้น

วันนี้ ผู้ซื้อซื้อผลลัพธ์แบบดิบจากผู้ให้บริการการให้เหตุผล พวกเขาส่งคำสั่งของตนเอง รับผลลัพธ์การให้เหตุผล และจ่ายตามการใช้งาน ซึ่งสามารถตรวจสอบได้ง่าย แต่มันยังคงเป็นเพียงวัตถุดิบ ผู้ซื้อต้องการจริงๆ ไม่ใช่โทเค็น แต่คือปัญญาที่มีประโยชน์ในราคาที่ดีที่สุด

ตัวอย่างเช่น text/usd, code/usd, agent/usd เป็นต้น

ผู้ซื้อไม่ได้เลือกโมเดลเฉพาะเจาะจงอีกต่อไป แต่เลือกประเภทปัญญาที่ต้องการ ผู้ซื้อยังคงควบคุมงาน流程 คำสั่งนำทาง ข้อมูล และตรรกะการใช้งาน The Grid เพียงแค่ส่งคำขอแต่ละครั้งไปยังโมเดลที่มีคุณสมบัติตรงตามข้อกำหนดในสัญญาและมีราคาต่ำที่สุด

หมายเหตุ: นี่คือระดับการนามธรรมแรกที่สูงกว่า token เดิม และเป็นตำแหน่งที่ TheGrid.ai อยู่ในปัจจุบัน

ตัวอย่างเช่น accounting/usd, support_agent/usd, legal/usd, healthcare/usd, radiology/usd เป็นต้น

เมื่อโมเดลกลายเป็นเชี่ยวชาญมากขึ้น ตลาดความสามารถสามารถพัฒนาต่อไปเป็นตลาดเฉพาะอุตสาหกรรม ซึ่งคล้ายกับการแบ่งหน้าที่เฉพาะทางของมนุษย์ในตลาดแรงงานต่างๆ

ที่ระดับนี้ เราขายความสามารถในการให้เหตุผลที่ออกแบบมาสำหรับกระบวนการทำงานในสาขาแรงงานเฉพาะทาง ขณะที่โมเดลเฉพาะอุตสาหกรรมมีความแพร่หลายมากขึ้น ตลาดประเภทนี้จะเติบโตอย่างรวดเร็ว ตัวอย่างที่เกี่ยวข้องได้แก่ Composer ของ Cursor, Harvey สำหรับงานด้านกฎหมาย และ EvidenceOpen สำหรับด้านสุขภาพ

ตัวอย่างเช่น support_ticket_resolved/usd, pr_merged/usd, claim_processed/usd เป็นต้น

ชั้นสุดท้ายคือจุดที่ The Grid เคลื่อนตัวจากตลาดการพยากรณ์ไปสู่ตลาดแรงงานเครื่องจักร

ชั้นนี้ต้องการกลไกต่างๆ เช่น RFQ (คำขอเสนอราคา) บัญชีที่จัดเก็บไว้ การชำระเงินล่าช้า การยืนยันจากผู้ซื้อ ชื่อเสียงของผู้จัดจำหน่าย กลไกการคืนเงิน และการแก้ไขข้อพิพาท มันน่าจะเริ่มต้นด้วย RFQ ก่อนที่จะใช้สมุดคำสั่งโดยตรง ผู้ซื้อจะกำหนดขอบเขตงาน ข้อจำกัด มาตรฐานการยอมรับ และเงื่อนไขการชำระเงิน โดยตัวแทนจะแข่งขันเพื่อเสนอราคาในการทำภารกิจ The Grid จะช่วยในการส่งต่อ กำหนดราคา ตรวจสอบ และชำระเงินสำหรับงานเหล่านี้

นี่คือชั้นที่มีค่ามากที่สุด แต่ก็เป็นชั้นที่ยากที่สุดในการยืนยัน เพราะผลลัพธ์อาจล่าช้า มีความเป็นส่วนตัว และสามารถถูกจัดการได้ง่าย ตั๋วบริการลูกค้าอาจถูกเปิดใหม่; PR อาจผ่านการทดสอบ แต่ยังคงสร้างสถาปัตยกรรมที่ไม่ดี

รวมค่าใช้จ่าย = ต้นทุนในการทำงานสำเร็จ + ต้นทุนของการรับความเสี่ยง

งานหนึ่งๆ จะไม่กลายเป็นตลาดโดยอัตโนมัติเพียงเพราะปัญญาประดิษฐ์มีตลาดหรือถูกลง งานบางประเภทขึ้นอยู่กับบริบทเฉพาะตัวสูง เช่น ประวัติลูกค้าหรือนโยบายภายใน ยิ่งงานนั้นพึ่งพาบริบทมากเท่าใด ก็ยิ่งเป็นไปได้น้อยเท่านั้นที่จะสามารถชำระหนี้อย่างสะอาดจะในตลาดเปิด [@hypersoren https://hypersoren.xyz/posts/cybernetic-arbitrage/]

ตลาดต้องการเปิดเผยว่าหมวดแรงงานใดจะขยายตัว และหมวดใดจะหดตัว

แรงงานเครื่องจักร vs แรงงานมนุษย์ หรือ แรงงานเครื่องจักร & แรงงานมนุษย์

Anjali Shriva ชี้ให้เห็นในร่างการออกแบบกลไกของเธอว่า คำเล่าเรื่องเกี่ยวกับ AI มักถูกอธิบายว่าเป็นการแทนที่ แต่ในความเป็นจริง มันคล้ายกับปัญหาการประสานงาน: เมื่อมนุษย์และเครื่องจักรร่วมกันผลิต งาน การระบุแหล่งที่มา การจูงใจ และคุณค่าจะถูกจัดระเบียบใหม่อย่างไร

วันนี้ การใช้งาน AI ภายในองค์กรจำนวนมากยังติดขัด เพราะพนักงานใช้ AI อย่างลับๆ กระบวนการทำงานยังคงถูกล็อกไว้กับบุคคล องค์กรไม่สามารถกำหนดราคาให้กับการเพิ่มประสิทธิภาพเหล่านี้ หรือขยายผลกำไรเหล่านี้ได้

งานส่วนใหญ่ที่สามารถทำด้วยระบบอัตโนมัติอาจถูกโอนให้เครื่องจักรดำเนินการ งานบางส่วนจะเปลี่ยนเป็นการตรวจสอบโดยมนุษย์ การรับผิดชอบ การฝึกอบรม และการจัดการบริบท ในบางกรณี การตัดสินใจของมนุษย์เพียง 1% สุดท้ายจะมีค่ามากขึ้น เพราะสามารถปลดล็อกงานที่อัตโนมัติถึง 99% ได้ในระดับใหญ่

รีเชล ซู ปาร์ก ในหนังสือ《Brave New World of AI Markets》ชี้ให้เห็นว่า TAM ของ AI ไม่ควรถูกโมเดลแบบง่ายๆ เป็นการแทนที่ค่าใช้จ่ายของแรงงานมนุษย์ในปัจจุบัน เพราะมันเปลี่ยนทั้งราคาและปริมาณพร้อมกัน ขณะที่ต้นทุนการทำงานลดลง ราคาต่อหน่วยอาจลดลง แต่ปริมาณการบริโภคอาจขยายตัว เพราะงานที่มีอยู่จะถูกบริโภคบ่อยขึ้น และงานใหม่ๆ ที่ก่อนหน้านี้ไม่มีความเป็นไปได้ทางเศรษฐกิจก็จะกลายเป็นไปได้ บทความสรุปไว้ว่า:

P × Q: ขนาดตลาด = ราคาต่อหน่วยงาน × จำนวนงานที่ถูกบริโภค

หาก AI ทำให้การโต้ตอบกับบริการลูกค้าถูกลง บริษัทสามารถให้บริการแบบ 24/7 ได้ ตลาดนี้จะไม่ใช่เพียงเวอร์ชันราคาถูกของตลาดแรงงานบริการลูกค้าแบบเดิม แต่อาจกลายเป็นตลาดการมีส่วนร่วมกับลูกค้าที่ใหญ่กว่าเดิม

AI เป็นตลาดที่ขยายตัว เพราะเมื่อต้นทุนการทำงานลดลง ความต้องการจะไม่คงที่

แรงงานระดับล่าง

ตลาดแรงงานของเครื่องจักรควรเริ่มต้นจากงานที่มีข้อกำหนดที่สามารถกำหนดได้อย่างชัดเจน เวลา GPU มีข้อมูลการลงทุนมากเกินไป ทำให้สามารถบอกได้เพียงว่าอะไรเป็นพื้นฐานของงาน; แต่การกำหนดราคาสำหรับผลลัพธ์ทั้งหมดนั้นซับซ้อนเกินไป และขึ้นอยู่กับบริบทมากเกินไป เมื่อการตรวจสอบ การสร้างชื่อเสียง และการกำหนดราคาความเสี่ยง/การประกันค่อยๆ ถูกเครื่องจักรรับผิดชอบ ตลาดจึงจะก้าวไปสู่ระดับผลลัพธ์บริสุทธิ์ต่อไป

แรงงานของเครื่องจักรสามารถกลายเป็นสินทรัพย์ที่สามารถซื้อขายได้ เพราะผู้ซื้อจะให้ความสำคัญกับโมเดลหรือ GPU ใดที่ผลิตงานนั้นน้อยลง แต่จะให้ความสำคัญกับว่าผลงานนั้นบรรลุมาตรฐานและระดับขั้นต่ำตามข้อกำหนดในสัญญาในราคาที่ถูกต้องหรือไม่ ตัวแทนจะยิ่งไม่สนใจแหล่งที่มาเหล่านี้มากกว่า

เครื่องจักรตอนนี้สามารถดำเนินงานที่มีประโยชน์ทางเศรษฐกิจได้โดยตรง ซึ่งงานดังกล่าวสามารถกำหนด วัดผล กำหนดราคา จัดซื้อ และสุดท้ายสามารถซื้อขายได้ ไฟฟ้า กำลังการประมวลผล โมเดล และโทเค็นยังคงมีความสำคัญ แต่ทั้งหมดนี้ยังอยู่ในขั้นตอนต้นทาง

จุดที่งานแท้จริงเสร็จสมบูรณ์คือด้านล่าง และตลาดกำลังก้าวไปสู่เป้าหมายที่เรียบง่ายกว่า: แรงงานเครื่องจักร