สรุปการถกกันของ 6 ตำนาน AI ในยุคเรา เราเหลือเวลาอีกกี่ปี ก่อนเครื่องจักรฉลาดกว่าเรา
วันที่ 6 พฤศจิกายนที่ผ่านมา อาจนับเป็นอีกหนึ่งหมุดหมายสำคัญของวงการ AI เมื่อหกสุดยอดนักวิจัยและผู้ทรงอิทธิพลที่สุดในโลกด้านปัญญาประดิษฐ์ได้แก่ Jensen Huang, Yoshua Bengio, Geoffrey Hinton, Fei-Fei Li, Yann LeCun และ Bill Dally ร่วมวงสนทนาบนเวที FT Future of AI Summit ที่ลอนดอน เพื่อย้อนมองเส้นทาง 40 ปีของ Deep Learning และชี้ทิศอนาคตที่กำลังจะเปลี่ยนโครงสร้างเศรษฐกิจ เทคโนโลยี และสังคมมนุษย์ไปตลอดกาล
ทั้ง 6 คน (รวมถึง John Hopfield) คือผู้ได้รับ The 2025 Queen Elizabeth Prize for Engineering รางวัลสูงสุดที่ยกย่องวิศวกรรมระดับโลกซึ่งถูกขนานนามว่า ‘รางวัลโนเบลด้านวิศวกรรม’ จากผลงานปูรากฐานให้กับ Machine Learning และ AI ยุคใหม่
และสิ่งที่เกิดขึ้นในวงเสวนานี้ ไม่ได้เป็นแค่การพูดคุยเชิงเทคนิค แต่คือการมองอนาคตของมนุษยชาติ ผ่านสายตาของคนที่สร้างเทคโนโลยีทรงพลังที่สุดในยุคของเรา
จุดเปลี่ยนชีวิตของนักวิจัย AI ที่กลายเป็นตำนาน
พิธีกรชวนแต่ละคนเล่าว่า อะไรคือ aha moment ที่ทำให้เส้นทางชีวิตเบี่ยงมาอยู่ตรงนี้ ซึ่งคำตอบก็ได้มาแบบไม่คาดคิด เพราะแต่ละคำตอบไม่ใช่เรื่องของเทคโนโลยีเลย แต่คือเรื่องของความสงสัย ความเหงา ความเชื่อ และความกลัว
Yoshua Bengio จากแรงบันดาลใจสู่ความกังวล
Bengio เล่าว่าชีวิตของเขามี 2 จุดเปลี่ยนสำคัญ คือ ช่วงแรกเกิดขึ้นตอนยังเป็นนักศึกษาปริญญาเอก เขาอ่านงานวิจัยของ Geoffrey Hinton แล้วรู้สึกเหมือนเจอเป้าหมายของวิทยาศาสตร์ และนั่นคือวันที่ทำให้เขาเลือกเส้นทางนี้
อีกช่วงหนึ่งเกิดขึ้นหลัง ChatGPT เปิดตัว ตอนที่เขาตั้งคำถามกับตัวเองและโลกว่า “ถ้าเราให้เครื่องจักรมีเป้าหมายของมันเอง แล้วเราไม่ควบคุมได้ล่ะ ?” ตั้งแต่นั้นเขาจึงเปลี่ยนแนวทางวิจัยไปสู่เรื่องความปลอดภัยของ AI อย่างเต็มตัว
Bill Dally จุดเริ่มต้นของยุค GPU สำหรับ Deep Learning
Dally เล่าถึงช่วงปี 2010 ตอนกำลังกินอาหารเช้ากับ Andrew Ng ที่เล่าให้เขาฟังถึงโปรเจกต์สอนคอมพิวเตอร์ให้หาแมวในอินเทอร์เน็ตด้วยโครงข่ายประสาทขนาดใหญ่
คำว่า ‘แมว’ อาจฟังดูง่ายๆ เบาๆ แต่สิ่งที่ตามมาคือการออกแบบ GPU ใหม่ เพื่อรองรับการประมวลผลแบบที่โลกยังไม่รู้ว่ากำลังจะกลายเป็นเรื่องใหญ่ที่สุดเรื่องหนึ่งในยุคนี้ นั่นคือ การปฏิวัติ deep learning
Geoffrey Hinton เมื่อ LLM เกิดขึ้นจากชุดข้อมูล 100 ประโยค
Hinton เล่าว่าในปี 1984 เขาลองให้โมเดลทำนายคำถัดไปในประโยค และค้นพบว่ามันค่อยๆ สร้างความหมายจากการคาดเดา แต่ข้อจำกัดมีเพียงหนึ่งเดียว คือ ขาด compute และขาดข้อมูล
งานวิจัยเล็กๆ ชุดนั้นกลายเป็นต้นแบบของ LLM ที่เราใช้กันในวันนี้ แสดงให้เห็นว่าบางครั้งประวัติศาสตร์ไม่ได้เริ่มจากความใหญ่โต แต่เริ่มจากห้องแล็บที่มีเครื่องคอมพิวเตอร์แค่ไม่กี่เครื่อง
Fei-Fei Li การมองเห็นว่าข้อมูลคือสิ่งที่เครื่องจักรไม่มี
Fei-Fei เล่าว่าปัญหาการมองเห็นของคอมพิวเตอร์ไม่ใช่อัลกอริทึม แต่คือความอดอยากข้อมูล มนุษย์เรียนรู้จากภาพนับล้านตั้งแต่เด็ก แต่คอมพิวเตอร์ไม่เคยมีประสบการณ์นั้นเลย ดังนั้น ImageNet จึงเกิดขึ้นจากไอเดียเรียบง่าย “ถ้าไม่มีข้อมูล ก็สร้างมันขึ้นมา”จนเกิดเป็น 15 ล้านภาพและการติดป้ายกำกับจากผู้คนทั่วโลก คือจุดเริ่มของยุคที่เครื่องจักรเริ่มเห็นโลกอย่างที่มนุษย์เห็น
Jensen Huang การค้นพบว่าซอฟต์แวร์และชิปพูดภาษาเดียวกัน
Jensen บอกว่าตอนแรกเขาเห็น deep learning เป็นเหมือนแบบแปลน ที่มีโครงสร้างเหมือนการออกแบบฮาร์ดแวร์ และความเหมือนเล็กๆ ตรงนั้นทำให้เขาเห็นอนาคต ว่าโมเดลสามารถสเกลได้แบบเดียวกับชิป เพียงแต่ต้องมีโรงงานเฉพาะสำหรับสร้างปัญญาขึ้นมา
Yann LeCun ความเชื่อยาวนานในพลังของการเรียนรู้แบบไร้คำสั่ง
LeCun เล่าว่ายุคหนึ่งแทบไม่มีใครสนใจ unsupervised learning แต่เขาเชื่อเสมอว่ามันคือวิธีที่สมองจริงๆ ใช้ และวันนี้โลกก็กลับมาที่แนวคิดนี้ผ่าน LLM ที่เรียนรู้โดยคาดเดาคำถัดไปอย่างต่อเนื่อง ไม่ใช่เพราะมีคนบอกว่าคำไหนถูกหรือผิด
เรื่องที่ทุกคนอยากรู้ “AI คือฟองสบู่หรือไม่ ?”
ช่วงกลางวงเสวนาเมื่อประเด็นเรื่องฟองสบู่ถูกยกขึ้นมา การโต้ตอบไม่ได้จบที่คำตอบว่ามีหรือไม่มี แต่พาเราไปดูความแตกต่างเชิงโครงสร้างระหว่างยุคดอทคอมกับยุค AI วันนี้ ซึ่งมีนัยสำคัญทั้งเชิงเทคนิค เชิงเศรษฐกิจ และเชิงการใช้งานจริง
Jensen Huang ชี้ว่าในยุคดอทคอมใยแก้วนำแสงส่วนใหญ่ยังไม่ได้ถูกใช้ แต่ในยุคนี้ทุก GPU ถูกใช้งานเต็มประสิทธิภาพ ทั้งเพื่อการฝึกโมเดลและการให้บริการจริงในระบบต่างๆ ตั้งแต่ชอฟต์แวร์ขององค์กรจนถึงแพลตฟอร์มระดับผู้ใช้ทั่วไป ดีมานด์ไม่ได้มาจากความคาดหวัง แต่มาจากการใช้งานที่เกิดขึ้นจริงและเพิ่มขึ้นแบบทวีคูณ
Bill Dally Bill มองว่าแม้การลงทุนจะใหญ่ แต่การใช้งานของ AI ยังอยู่ในเฟสเริ่มต้นมาก เพียง 1% ของศักยภาพทั้งหมด แอปพลิเคชันระดับอุตสาหกรรม เช่น การแพทย์ พลังงาน การผลิต และโลจิสติกส์ ยังเพิ่งเริ่มทดลองใช้ ดังนั้นโครงสร้างพื้นฐานยังต้องขยายอีกมหาศาลเพื่อรองรับงานที่จะเกิดขึ้นในทศวรรษต่อไป
Yann LeCun เตือนว่า แม้ AI มีประโยชน์เชิงธุรกิจจริง แต่ อย่าคิดว่า LLM ปัจจุบันคือเส้นทางตรงไปสู่ความฉลาดระดับมนุษย์ โมเดลภาษายังขาด common sense และความเข้าใจโลกทางกายภาพแบบสัตว์หรือมนุษย์ เขาย้ำว่าเรายังไม่มีเครื่องจักรที่ฉลาดเท่าแมว และนั่นคือเหตุผลว่าทำไมขีดความสามารถ กับมูลค่าทางเศรษฐกิจเป็นคนละเรื่องกัน
คำถามสุดท้าย เมื่อไหร่จะถึง AGI ?
เมื่อวงเสวนาเดินมาถึงช่วงท้าย ผู้ดำเนินรายการโยนคำถามที่เหมือนจะเรียบง่ายแต่หนักที่สุดของงานทั้งวัน “แล้วเมื่อไหร่เราจะมี AI ที่ฉลาดเท่ามนุษย์ ? ”
Geoffrey Hinton เป็นคนแรกที่ตอบ เขาพูดอย่างตรงไปตรงมาว่า หากมองจากความเร็วของพัฒนาการที่ผ่านมา ภายใน 20 ปีเราน่าจะมีเครื่องจักรที่เถียงชนะมนุษย์ทุกครั้งในการโต้วาที เขาไม่ได้พูดด้วยความตื่นเต้นหรือหวาดกลัว แต่ด้วยน้ำเสียงของนักวิจัยที่เฝ้าติดตามความคืบหน้าของเทคโนโลยีมาตลอดชีวิต
ต่างจาก Yoshua Bengio ที่มองตัวเลขสั้นกว่านั้นมาก เขาชี้ว่าถ้าความสามารถของโมเดลยังโตเร็วมาก เราอาจเห็นระดับทำงานแทนพนักงานทั่วไป ภายใน 5–10 ปีเท่านั้น เขาไม่ได้ฟันธงว่า AI จะเป็นเหมือนมนุษย์ทั้งหมด แต่ยอมรับว่าความเร็วของความก้าวหน้าเริ่มทำนายยากขึ้นเรื่อยๆ
Yann LeCun กลับมองต่างออกไป เขาถอนหายใจเบาๆ ก่อนพูดว่าการถามว่า AGI จะมาถึงเมื่อไหร่ อาจเป็นคำถามที่ไม่ถูกต้องนัก เพราะ AI จะไม่กระโดดขึ้นไปถึงระดับมนุษย์ในวันใดวันหนึ่ง มันจะค่อยๆ ขยายความสามารถทีละด้าน ราวกับเรากำลังต่อภาพ Puzzle ที่ยังขาดชิ้นส่วนสำคัญอีกจำนวนมาก เขาย้ำว่าเรายังต้องการ paradigm ใหม่ซึ่งเป็นวิธีเรียนรู้คนละแบบกับ LLM ที่เรารู้จักกันในตอนนี้
Fei-Fei Li เลือกใช้คำอธิบายแบบเปรียบเทียบ เธอบอกว่า AI วันนี้เก่งกว่ามนุษย์ในหลายเรื่อง เช่น การจำแนกหมวดหมู่ภาพหรือการแปลหลายร้อยภาษา แต่ในอีกหลายด้าน เช่น การใช้สามัญสำนึก การเคลื่อนไหวในโลกจริง การเข้าใจสถานการณ์ทางสังคม มันยังห่างจากมนุษย์มาก และบางด้านอาจไม่มีวันเหมือน เพราะเครื่องจักรไม่ได้ถูกสร้างขึ้นจากพื้นฐานแบบเดียวกับสมองมนุษย์
Jensen Huang มองต่างไปอีกแบบ เขาบอกว่าไม่ว่าจะใช้คำว่า AGI หรือไม่ ไม่ใช่ประเด็นสำคัญที่สุดสำหรับเขา สิ่งที่สำคัญจริงๆ คือ AI ทุกวันนี้ฉลาดพอที่จะนำไปใช้แก้ปัญหาในโลกจริงแล้ว และความท้าทายที่เหลือคือการนำมันไปใช้อย่างมีความรับผิดชอบ ไม่ใช่การถกเถียงเรื่องคำเรียก
ปิดท้ายด้วย Bill Dally ที่ชี้ชัดว่า เป้าหมายของเขาไม่ใช่สร้างเครื่องจักรมาแทนมนุษย์ แต่คือการสร้างเครื่องมือที่ เสริมความสามารถของมนุษย์ ทำงานที่มนุษย์ทำได้ไม่ดีนัก เพื่อให้เรามีเวลาทำสิ่งที่เป็นมนุษย์มากขึ้น ไม่ว่าจะเป็นความคิดสร้างสรรค์หรือการดูแลกันและกัน
สิ่งที่ 6 ผู้บุกเบิก AI ทิ้งไว้ให้คิดไม่ใช่คำตอบสำเร็จรูป แต่เป็นภาพอนาคตที่กำลังเปิดกว้าง และต้องอาศัยการตัดสินใจร่วมกันของทั้งนักวิจัย ผู้กำหนดนโยบาย และผู้ใช้ทุกคน เพราะสุดท้ายแล้ว อนาคตของ AI ไม่ได้เป็นเพียงเรื่องของเทคโนโลยี แต่คือเรื่องของเราว่าจะเลือกพามันไปทางไหน
อ้างอิง: https://www.youtube.com/watch?v=0zXSrsKlm5A
_____________________
เตรียมความพร้อมให้ธุรกิจของคุณก้าวสู่ยุค AI อย่างมั่นใจ ด้วยการพัฒนา people, process และ technology อย่างครบวงจรไปกับ Techsauce
ร่วมสำรวจแนวทางและโอกาสในการเปลี่ยนผ่านสู่ AI-first organization ไปกับเรา techsauce
เพื่อนร่วมทางในการพัฒนา AI journey ของคุณ ได้ที่: https://services.techsauce.co/contact-us
หรืออีเมล bizdev@techsauce.co
ไม่มีความคิดเห็น:
แสดงความคิดเห็น