- OpenAI ทยอยเพิ่มฟีเจอร์ สนทนาด้วยเสียง และ รับภาพเป็นอินพุต ให้กับ ChatGPT ทำให้ผู้ใช้ไม่ต้องจำกัดอยู่แค่การพิมพ์ข้อความ แต่สามารถพูดคุยและแสดงภาพเพื่อถามคำถามได้
- ฟีเจอร์เสียงต้องเปิดใช้งานแบบออปต์อินในแอปมือถือก่อนจึงจะใช้ได้ โดยเลือกได้จาก 5 เสียง และ Whisper จะถอดคำพูดของผู้ใช้เป็นข้อความ
- ฟีเจอร์ภาพรองรับรูปถ่าย สกรีนช็อต และเอกสารที่มีทั้งข้อความและภาพ โดยในแอปมือถือสามารถใช้ เครื่องมือวาด เพื่อระบุพื้นที่เฉพาะได้
- จะปล่อยให้ผู้ใช้ Plus และ Enterprise ก่อนภายในช่วง 2 สัปดาห์ โดยฟีเจอร์เสียงใช้ได้บน iOS และ Android ส่วนฟีเจอร์ภาพใช้ได้บนทุกแพลตฟอร์ม
- เนื่องจากมีความเสี่ยงอย่างการสังเคราะห์เสียงสมจริง การตีความภาพคน และการพึ่งพาในงานความเสี่ยงสูง OpenAI จึงใช้แนวทาง ทยอยปล่อยแบบจำกัด ควบคู่กับมาตรการความปลอดภัย
รูปแบบการป้อนข้อมูลใหม่ของ ChatGPT: พูด แสดง แล้วถาม
- ChatGPT เพิ่มความสามารถให้ผู้ใช้ สนทนาด้วยเสียง หรือ แสดงภาพ พร้อมตั้งคำถามได้
- ฟีเจอร์ใหม่นี้มุ่งให้การใช้งาน ChatGPT เป็นธรรมชาติมากขึ้น โดยไม่ต้องพึ่งพาแค่การพิมพ์ด้วยคีย์บอร์ด
- ตัวอย่างการใช้งานมีดังนี้
- ถ่ายภาพสถานที่สำคัญระหว่างเดินทาง แล้วถามสิ่งที่น่าสนใจผ่านการสนทนาแบบเรียลไทม์
- แสดงภาพตู้เย็นและตู้เก็บของ แล้วถามเมนูมื้อเย็นพร้อมสูตรทีละขั้นตอน
- ถ่ายภาพโจทย์คณิตศาสตร์ของเด็ก วงชุดข้อที่ต้องการ แล้วขอคำใบ้
ผู้ใช้และแพลตฟอร์มที่จะได้ใช้ก่อน
- ผู้ใช้ Plus และ Enterprise จะสามารถใช้ฟีเจอร์เสียงและภาพได้ภายใน 2 สัปดาห์ข้างหน้า
- ฟีเจอร์เสียงจะมีบน iOS และ Android และต้องเปิดใช้งานแบบออปต์อินใน Settings
- ฟีเจอร์ภาพจะมีให้บนทุกแพลตฟอร์ม
- หลังจากนั้นมีแผนจะขยายการเข้าถึงไปยังผู้ใช้กลุ่มอื่น รวมถึงนักพัฒนา
วิธีการทำงานของฟีเจอร์เสียง
- ผู้ใช้สามารถสนทนาแบบ โต้ตอบด้วยเสียงไปกลับ กับ ChatGPT ได้
- คุยระหว่างเดินทาง
- ขอให้อ่านนิทานก่อนนอนสำหรับครอบครัว
- ช่วยสรุปข้อถกเถียงบนโต๊ะอาหาร
- หากต้องการเริ่มใช้เสียงในแอปมือถือ ต้องเปิดการสนทนาด้วยเสียงที่ Settings → New Features
- จากนั้นกดปุ่มหูฟังมุมขวาบนของหน้าหลัก แล้วเลือกเสียงที่ต้องการจาก 5 เสียง
- ฟีเจอร์เสียงใหม่นี้ใช้ โมเดลแปลงข้อความเป็นเสียงพูด ที่สามารถสร้างเสียงสมจริงจากข้อความและตัวอย่างเสียงเพียงไม่กี่วินาที
- แต่ละเสียงสร้างขึ้นจากความร่วมมือระหว่าง OpenAI และนักพากย์มืออาชีพ
- คำพูดของผู้ใช้จะถูกถอดเป็นข้อความโดย Whisper ระบบรู้จำเสียงแบบโอเพนซอร์สของ OpenAI
วิธีการทำงานของฟีเจอร์ภาพ
- ผู้ใช้สามารถแสดงภาพหนึ่งภาพหรือหลายภาพให้ ChatGPT ดู แล้วสนทนาต่อเนื่องได้
- อินพุตภาพสามารถใช้กับงานอย่างเช่น
- ตรวจหาสาเหตุที่เตาย่างไม่ติด
- ดูของในตู้เย็นเพื่อวางแผนมื้ออาหาร
- วิเคราะห์กราฟซับซ้อนที่มีข้อมูลงานอยู่ภายใน
- หากต้องการให้โฟกัสที่บางส่วน สามารถใช้ เครื่องมือวาด ในแอปมือถือได้
- การเพิ่มภาพทำได้โดยกดปุ่มรูปถ่ายเพื่อถ่ายใหม่หรือเลือกภาพที่มีอยู่
- บน iOS และ Android ต้องกดปุ่มบวกก่อน
- สามารถคุยเกี่ยวกับหลายภาพพร้อมกัน หรือใช้เครื่องมือวาดเพื่อบอก assistant ว่าควรดูส่วนไหน
- ความสามารถในการเข้าใจภาพขับเคลื่อนโดย มัลติโหมด GPT‑3.5 และ GPT‑4
- โมเดลเหล่านี้นำความสามารถด้านการให้เหตุผลทางภาษาไปใช้กับภาพหลากหลายประเภท เช่น รูปถ่าย สกรีนช็อต และเอกสารที่มีทั้งข้อความและภาพ
การทยอยปล่อยและมาตรการความปลอดภัย
- OpenAI เลือกแนวทาง ทยอยเปิดให้ใช้ เพื่อปรับปรุงเครื่องมือและลดความเสี่ยงไปพร้อมกัน
- สำหรับโมเดลขั้นสูงที่มีทั้งเสียงและวิสัยทัศน์ ความเป็นไปได้ในการถูกนำไปใช้ผิดทางมีมากขึ้น จึงยิ่งทำให้กลยุทธ์นี้สำคัญ
-
ความเสี่ยงและข้อจำกัดที่เกี่ยวกับเสียง
- เทคโนโลยีเสียงใหม่นี้สามารถสร้างเสียงสังเคราะห์สมจริงได้จากเสียงจริงเพียงไม่กี่วินาที
- แม้จะเปิดทางให้เกิดการใช้งานเชิงสร้างสรรค์และแอปพลิเคชันด้านการเข้าถึง แต่ก็มาพร้อมความเสี่ยงอย่างการปลอมเป็นบุคคลสาธารณะหรือการฉ้อโกง
- OpenAI ใช้เทคโนโลยีนี้กับกรณีใช้งานเฉพาะคือ การแชตด้วยเสียง
- การแชตด้วยเสียงสร้างขึ้นจากเสียงของนักพากย์ที่ OpenAI ร่วมงานด้วยโดยตรง
- Spotify ใช้เทคโนโลยีนี้ในโครงการนำร่อง Voice Translation
- ฟีเจอร์นี้แปลพอดแคสต์เป็นภาษาเพิ่มเติมโดยคงเสียงของพอดแคสเตอร์ไว้ ช่วยขยายการเข้าถึงของการเล่าเรื่อง
- ลิงก์ที่เกี่ยวข้อง: Voice Translation
-
ความเสี่ยงและข้อจำกัดที่เกี่ยวกับอินพุตภาพ
- โมเดลที่อาศัยวิสัยทัศน์มีความท้าทายใหม่ เช่น การมโนเกี่ยวกับบุคคล หรือการพึ่งพาการตีความภาพในงานความเสี่ยงสูง
- OpenAI ทดสอบโมเดลกับทีมเรดทีมและผู้ทดสอบอัลฟาหลากหลายกลุ่มก่อนปล่อยในวงกว้าง
- พื้นที่ทดสอบรวมถึงด้านความเสี่ยง เช่น แนวคิดสุดโต่งและความชำนาญทางวิทยาศาสตร์
- ความร่วมมือกับ Be My Eyes ถูกใช้เพื่อทำความเข้าใจวิธีใช้งานและข้อจำกัดของการใช้ภาพ
- Be My Eyes เป็นแอปมือถือฟรีสำหรับผู้พิการทางสายตาและผู้มีสายตาเลือนราง
- ผู้ใช้เห็นว่าฟีเจอร์สำหรับสนทนาเกี่ยวกับภาพที่มีคนอยู่ด้วยในลักษณะทั่วไป เช่น สถานการณ์ที่มีคนปรากฏอยู่ด้านหลังบนทีวี มีประโยชน์
- เนื่องจาก ChatGPT ไม่ได้แม่นยำเสมอไปและต้องเคารพความเป็นส่วนตัวของบุคคล OpenAI จึงใช้มาตรการทางเทคนิคเพื่อจำกัดความสามารถของ ChatGPT ในการวิเคราะห์ผู้คนและกล่าวอ้างโดยตรงเกี่ยวกับบุคคลอย่างมาก
- การใช้งานจริงและฟีดแบ็กจะถูกนำไปใช้เพื่อปรับปรุงมาตรการความปลอดภัย โดยยังคงประโยชน์ใช้สอยของเครื่องมือไว้
ข้อจำกัดของโมเดลและข้อควรระวังในการใช้งาน
- ผู้ใช้อาจพึ่งพา ChatGPT ในหัวข้อเฉพาะทางอย่างงานวิจัย จึงควรเข้าใจข้อจำกัดของโมเดลและหลีกเลี่ยงการใช้งาน ความเสี่ยงสูง โดยไม่มีการตรวจสอบ
- โมเดลมีความสามารถดีในการถอดข้อความภาษาอังกฤษ แต่ประสิทธิภาพจะลดลงในบางภาษาอื่น โดยเฉพาะ ระบบอักษรที่ไม่ใช่โรมัน
- OpenAI ไม่แนะนำให้ผู้ใช้ที่ไม่ได้ใช้ภาษาอังกฤษใช้ ChatGPT เพื่อจุดประสงค์นี้
- สามารถอ่านเพิ่มเติมเกี่ยวกับแนวทางด้านความปลอดภัยของอินพุตภาพและงานที่เกี่ยวข้องกับ Be My Eyes ได้ที่ system card for image input
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
อินเทอร์เฟซเสียง มีศักยภาพมหาศาล แต่เดโมนี้ค่อนข้างน่าผิดหวัง เพราะมีความหน่วงหลายวินาทีระหว่างคำถามกับคำตอบ เหมือนผู้ช่วยเสียงที่ไม่ค่อยดีตัวอื่น ๆ
ไม่จำเป็นต้องเป็นแบบนี้เสมอไป เดโมแบบรันในเครื่องที่ทำด้วย Llama 2 ตอบสนองได้ภายในประมาณ 0.5 วินาที ทำให้รู้สึกใกล้เคียงกับการคุยกับคนจริง ๆ มากกว่าความรู้สึกแบบ Siri
คงต้องแพ็กเกจให้คนทั่วไปลองใช้ได้ แต่ปัญหาคือการตัดสินว่าผู้ใช้พูดจบแล้วหรือยังนั้นยาก ระบบรู้จำเสียงสำเร็จรูปยังขาด ชุดข้อมูลและโมเดลสำหรับการผลัดกันพูดในบทสนทนา และบริษัทอย่าง OpenAI น่าจะสร้างขึ้นมาได้ไม่ยาก
เวลาแฝงแบบไป-กลับทั้งหมด ตั้งแต่แปลงเสียงเป็นข้อความ, LLM, POS สำหรับตรวจสอบ SKU ไปจนถึงสร้างเสียงกลับมา อยู่ในระดับไม่กี่ร้อยมิลลิวินาที และเพราะมีการตรวจสอบ SKU จึงเป็นไปไม่ได้ที่จะเกิด hallucination ระดับนี้ทำให้รู้สึกค่อนข้างเป็นธรรมชาติ ถ้าทำความหน่วงต่ำแบบนี้ให้เป็นระบบทั่วไปได้ ก็น่าจะเปิดทางให้แอปพลิเคชันหลากหลายมากขึ้นอย่างมาก
ถ้าทำได้แบบนั้น มันจะเริ่มพูดอย่างระมัดระวังตอนที่ฉันหยุดไปชั่วครู่ และถ้าฉันยังพูดต่อ มันก็หยุดได้ทันที
ฉันไม่อยากต้องมานั่งคิดว่าจะจัดรูปแบบการโต้ตอบอย่างไรให้เหมือนห่วงโซ่เรียก/ตอบกลับที่ชัดเจน และก็ไม่อยากต้องระวังว่าถ้าไม่พูดต่อเนื่องจนคิดจบ มันจะทำงานผิดจังหวะ
การพูดแทรกอย่างสุภาพ หรือการไม่มีสิ่งนั้น อาจกลายเป็นตัวบ่งชี้ว่าเรากำลังคุยกับ AI อยู่ก็ได้
จากประสบการณ์ของฉัน ถ้าไม่ได้ใช้โมเดลเล็ก ๆ อย่าง 7B เวลาในการสร้างคำตอบของ ChatGPT เร็วกว่า Llama ที่รันในเครื่องมาก
มีข้อมูลจำนวนมหาศาลในทำนองเสียงที่ไม่มีอยู่ในข้อความล้วน AI ที่ไม่เข้าใจส่วนนี้ของภาษา ต่อให้ฉลาดแค่ไหน ก็ยังต้องดูโง่ ๆ อยู่บางด้านต่อไป
ตัวอย่างจักรยานน่ารักและน่าประทับใจ แต่ดูเหมือนการโต้ตอบกับคนจะบดบังความเป็นไปได้ที่ใหญ่กว่านั้น
แค่ปรับอีกไม่กี่อย่าง สิ่งนี้ก็จะกลายเป็นตัวแก้ปัญหาอเนกประสงค์สำหรับ การวางแผนของหุ่นยนต์ ได้แล้ว ยังมีปัญหายากอีกสองสามข้อก่อนจะไปถึงโซลูชันที่ใช้งานได้จริง แต่หนึ่งในนั้นถือว่าแก้ได้แล้ว
ภายในอีก 5 ปีข้างหน้า เราจะได้เห็นหุ่นยนต์อเนกประสงค์ที่ขับเคลื่อนด้วย ChatGPT ทำงานแรงงานง่าย ๆ ไหม?
แถมยังสงสัยด้วยว่านี่คือโมเดล vision ตัวเดียวกับที่มีอยู่แล้วใน Bing Chat หรือเปล่า
https://www.deepmind.com/blog/rt-2-new-model-translates-visi...
คนที่มีกล่องเครื่องมือกับคู่มืออยู่แล้ว ถามคำถามพื้นฐานมาก ๆ อย่างวิธีลดอานจักรยาน ใครกันที่มีคู่มือจักรยานอยู่กับตัว แถมเป็นงานที่ลูกฉันอายุ 5 ขวบก็ทำได้
น่าจะมีวิธีที่ดีกว่านี้แน่ ๆ ในการแสดงผลกระทบแบบก้าวกระโดดของ AI ต่อมนุษยชาติ หรืออย่างน้อยสอนผูกเชือกรองเท้าก็ยังได้
ไม่เหมาะแม้แต่กับหุ่นยนต์ขนาดเล็กและเบาอย่างโดรน
การประกาศครั้งนี้ดูเหมือนจะทำให้สตาร์ทอัพจำนวนไม่น้อยที่พยายามทำ มัลติโมดัล บน ChatGPT ต้องจบลง
เมื่อดูความเร็วที่แก้ use case ด้านภาพและเสียงได้ ก็อาจกลายเป็นแอปเดียวที่ครองทุกอย่างในอีกไม่นาน
เริ่มเห็นแล้วทั้งการแทนที่ Alexa/Siri/Google Home, การแทนที่ Google Image Search และการล่มสลายของสตาร์ทอัพ edtech ที่ให้ถ่ายรูปแล้วใช้ AI แก้โจทย์ และน่าจะตามมาอีกเรื่อย ๆ
คงพูดไม่ได้ว่า OpenAI ตั้งใจส่งสัญญาณชัด ๆ แต่คำถามเชิงกลยุทธ์ข้อแรกควรเป็น “ทำไม OpenAI ยังไม่ทำสิ่งนี้ และถ้าพวกเขาตัดสินใจทำ เราจะทำอะไร?”
ตลอดฤดูร้อนอยาก “คุย” กับ ChatGPT เพื่อเรียนรู้ภาษาฝรั่งเศส ทฤษฎีดนตรี ประวัติศาสตร์ คณิตศาสตร์ และเรื่องทำนองนี้ให้มากขึ้น ฟีเจอร์นี้น่าจะตอบโจทย์พอดี
สองอย่างนี้มักจะไปด้วยกัน
ในแอปมีการป้อนเสียงอยู่แล้ว ตอนนี้ยังแปลงเสียงเป็นข้อความก่อนส่ง แต่ทำได้ดีมากจนแทบไม่ต้องตรวจหรือแก้ด้วยซ้ำ ถึงขั้นสงสัยด้วยซ้ำว่าทำไมยังไม่ตอบกลับด้วยเสียง
ฟีเจอร์ป้อนภาพเป็นแกนหลักและไฮไลต์ของการประกาศ GPT-4 เมื่อเดือนมีนาคม: https://openai.com/research/gpt-4
บริษัทและหน่วยงานรัฐจำนวนมากใช้ OpenAI ที่ส่งข้อมูลไปยังบริการบุคคลที่สามไม่ได้เพราะนโยบายของตัวเอง พวกเขาน่าจะยอมจ่ายให้สิ่งที่รันได้แบบ on-premises หรือบน private cloud ของตัวเอง
นี่จะเป็นกริชที่แทงให้ การศึกษาออนไลน์ เป็นไปไม่ได้
แค่ ChatGPT อย่างเดียว หากคัดลอกและวางโจทย์ข้อความเฉพาะทาง ก็ได้รับคำตอบที่ถูกต้องราว 90% แล้ว จุดอ่อนเพียงอย่างเดียวคือโจทย์ที่มีแผนภูมิหรือรูปภาพ
เมื่อรองรับภาพ นักเรียนก็แค่อัปโหลดสกรีนช็อตหรือสแกนเอกสาร แล้วให้ ChatGPT ให้คำตอบที่ใช้ได้ ในมุมมองของผม นักเรียนจำนวนมากยินดีจะใช้ฟีเจอร์นี้ในทางที่ผิด หากจะรับมือก็ต้องเลิกระบบการให้คะแนน หรือบังคับให้เป็นการศึกษาแบบพบหน้า โดยทำงานเฉพาะในโรงเรียนภายใต้การควบคุมและไม่มีการบ้าน
การใช้งานที่ใหญ่ที่สุดของ ChatGPT คือการเรียนรู้หัวข้อต่าง ๆ ด้วยตัวเอง สามารถใช้เหมือนสัมมนาแบบโสเครติส โดยถาม ChatGPT เพื่อเรียน X
แน่นอนว่ามันจะเปลี่ยนความสามารถของนักเรียนในการสร้างการบ้านอย่างรุนแรง แต่ตั้งแต่แรกก็อาจเปลี่ยนวิธีที่นักเรียนเรียนรู้อย่างรุนแรงได้เช่นกัน ด้วยการติวที่มี AI ช่วย โรงเรียนออนไลน์อาจกลายเป็นอะไรได้มากกว่าปัจจุบันมาก
อนาคตที่การศึกษากระจายศูนย์มากขึ้น นักเรียนเลือกหลักสูตรและวิธีการเอง และมีความรู้สึกเป็นเจ้าของและควบคุมงานของตัวเอง จนไม่มองว่าเป็นแค่ “งานยุ่ง ๆ” ก็ดูเป็นไปได้
ถ้าคนเก่งที่สุดในยุคเราตัดสินใจแล้วว่าเพื่อความก้าวหน้าของสปีชีส์ ทางที่ดีที่สุดคือให้มนุษย์ถูกเครื่องจักรแทนที่ ก็อดคิดไม่ได้ว่าการเรียนหนังสือไปมีความหมายอะไร
ถ้าตอนนี้อายุ 16 ปี รู้แผนของ ChatGPT และ OpenAI และในขณะเดียวกันก็ถูกบอกให้ตั้งใจเรียนเพื่อให้ได้งานดี ๆ แต่ก็อ่านอนาคตในสายตาของเหล่านักเทคโนแครตอยู่ด้วย คงสับสนไม่น้อย
ตอนนี้การอยากเรียนไปพร้อม ๆ กับพยายามไม่โกงน่าจะยากจริง ๆ
ในคลาสออนไลน์ มีเหตุผลอะไรที่ต้องดูวิดีโอคนจริง ๆ? มีเหตุผลอะไรที่ต้องให้เด็กสร้างอะไรบางอย่างในห้องมืด ๆ?
การประเมินนักเรียนจะไม่ได้อิงจากการบ้าน แต่อิงจากบทสนทนาระหว่างผู้ช่วย AI กับนักเรียน การสอนทำให้อัตโนมัติได้ แต่การเรียนรู้ทำให้อัตโนมัติไม่ได้
ตอนนี้เป็นเพียงช่วงเวลาหน่วงที่การศึกษายังตามไม่ทัน และเพราะการศึกษามีราคาแพง เรื่องนี้จะถูกแก้เร็ว พ่อแม่ควรกระตุ้นให้ลูก ๆ ฝึกเรียนรู้แบบเดิมจริง ๆ และให้ใช้ ChatGPT เหมือน Wikipedia ในช่วงเปลี่ยนผ่าน คนหนึ่งเจเนอเรชันจะต้องเจ็บปวด
ความต้องการเฉพาะที่พวกเขาพยายามแก้คือกำจัดการบ้านหรือเรียงความให้พ้นทาง แล้วไปทำ XYZ บางที XYZ อาจไม่ได้ใช้ ChatGPT ถ้าอย่างนั้นก็ทำให้สิ่งนั้นเป็นสิ่งที่พวกเขาใช้เวลากับมัน
เมื่อถึงจุดหนึ่ง พวกเขาจะย้อนกลับไปหาทักษะที่จำเป็นเพื่อเรียนรู้ และต้องการคำแนะนำกับโครงสร้างทางการศึกษา มันไม่ง่าย และจะไม่เกิดขึ้นหากไม่มีเวลาและทรัพยากร แต่การปรับตัวจะดำเนินไปในลักษณะนั้น
มีวิธีทำให้การโกงยากจนไม่คุ้มที่จะโกงอยู่ เพียงแต่เทคโนโลยีนี้จะเปลี่ยนอย่างมากว่าเราจะเรียนรู้อะไรและเรียนรู้อย่างไร มันเป็นการเปลี่ยนแปลงครั้งใหญ่และความเร็วก็ไม่ได้ชะลอลง
ผมไม่ชอบวิธีที่ฟีเจอร์แชตสำหรับเว็บบราวซิง หรือก็คือ Bing Browsing ถูกปิดใช้งานไปหลายเดือน แล้วก็ถูกเอาออกไปเงียบ ๆ
ถ้ามีประกาศชัดเจนว่าจะเอาฟีเจอร์นี้ออกก็คงดี ผมอาจพลาดไปก็ได้ แต่ข่าวทางการล่าสุดที่เห็นคือปิดใช้งานชั่วคราวระหว่างแก้บางอย่าง พอรู้ตัวอีกทีมันก็หายไปจากแพลตฟอร์มแบบไม่มีคำอธิบายแล้ว
แต่ Perplexity AI ใช้การค้นเว็บได้ดีกว่า ChatGPT เลยทำให้ผมใช้มันมากกว่า ChatGPT ด้วยเหตุผลนั้น
ไม่ใช่ปลั๊กอินด้วย แต่เป็น “โมเดล” แยกต่างหากที่เลือกได้
จนถึงตอนนี้ ประสบการณ์ผู้ใช้ระดับ killer app ที่เข้าใจง่ายที่สุดดูจะเป็น แชตข้อความ
การให้ดูภาพแล้วโต้ตอบกันก็น่าสนใจ เพราะให้ความรู้สึกเหมือนคุยกับเพื่อนเรื่องใดเรื่องหนึ่ง แต่ก็ต้องรอดูว่าจะให้ความรู้สึกเหมือนคุยกับคนที่ฉลาดมากอย่าง ChatGPT หรือเหมือนคุยกับคนที่ทึ่มมากแต่พอรู้จักวัตถุได้บ้าง
การจำประแจได้ไม่น่าประทับใจเท่าการคุยเรื่องประวัติศาสตร์กับ ChatGPT หรือให้มันเขียนโค้ดที่ใช้งานได้จริง
OpenAI ทำได้ดีอยู่ ผู้คนคิด use case ที่น่าสนใจออกมาได้ แต่ดูเหมือนว่าวิธีหลักที่คนส่วนใหญ่โต้ตอบกับ AI ก็ยังเป็น ChatGPT
อย่างไรก็ตาม การสร้างภาพยังดูเหมือนพวกเขายังจับทางได้ไม่ค่อยอยู่ และของเจ๋ง ๆ ก็ยังออกมาจากฝั่ง MidJourney กับ Stable Diffusion อย่างต่อเนื่อง
ดูเหมือนจะทำได้ถึงขั้นใส่ข้อความเป็นประโยคสมบูรณ์ลงในภาพเอาต์พุตได้
ผมกำลังทำโปรเจกต์งานอดิเรกอยู่หลายตัวที่เอาบริการ AI หลายเจ้าเข้ามาต่อกันเพื่อทำสิ่งนี้ เลยตั้งตารอที่ความซับซ้อนและดีเลย์จากการวนไปวนมาหลายรอบจะลดลง
ถ้า API ออกมาตรงเวลา คือราว ๆ ฮาโลวีน งานฝั่งซอฟต์แวร์ของโปรเจกต์มัลติโมดัล หัวกะโหลกพูดได้ ที่มีกล้อง ESP32 และคอยดูชุดคอสตูมของคนแล้วแซะ ก็น่าจะง่ายขึ้นเล็กน้อย
ในฐานะคนที่อยู่ลึกในสายงาน automation สำหรับการทดสอบซอฟต์แวร์ สิ่งที่รออยู่คือ การรู้จำภาพด้วย AI ที่แข็งแรงสำหรับอินเทอร์เฟซผู้ใช้ของแอป
เมื่อรวมกับความสามารถของ AI ในการเขียนโค้ด automation สำหรับทดสอบ ผมหวังว่าจะสามารถสร้างโค้ดทดสอบ Selenium หรือ Appium ที่รันได้จากสกรีนช็อตเดียวหรือชุดสกรีนช็อตได้ รู้สึกเหมือนใกล้จะถึงแล้ว
เขาบอกว่ามีชุดข้อมูล screen-action-screen ภายใน แต่คงไม่น่าจะเปิดเผย นี่คงเป็นข้อดีของการเป็นเจ้าของ Android
ยังมีงานวิจัยล่าสุดของ Hugging Face อย่าง IDEFICS[2] ด้วย ซึ่งอ้างว่าเป็นการใช้งานแบบโอเพนซอร์สของงานวิจัยเก่าที่ชื่อ Flamingo ว่าด้วยการเข้าใจงานมัลติโมดัลแบบ few-shot สาขานี้น่าจะร้อนแรงขึ้นเร็ว ๆ นี้
[1] https://research.google/pubs/pub52171/
[2] https://huggingface.co/blog/idefics
สิ่งที่ผมไม่พอใจที่สุดเกี่ยวกับ OpenAI/ChatGPT คือ การตลาด ที่แย่มาก
พอประกาศฟีเจอร์หรือปลั๊กอินแบบนี้ ผมก็คาดหวังและเข้าไปลองใช้ แต่ยังไม่ได้ถูกปล่อยให้บัญชีผม ในฐานะลูกค้าที่จ่ายเงินมันน่าหงุดหงิด และสิ่งเดียวที่ทำได้คือเข้าไปเช็กทุกวัน
พวกเขาไม่ส่งอีเมลอย่าง “ตอนนี้คุณใช้ปลั๊กอินได้แล้ว” หรือ “เปิดใช้งานแชตเสียงให้บัญชีของคุณแล้ว” ด้วยซ้ำ ทำให้หลายครั้งผมลืมฟีเจอร์ใหม่ไปจนกระทั่งบังเอิญกลับไปเห็นทีหลัง
เมื่อกี้เปิดแอปแล้วไปที่ “New Features” ในการตั้งค่า พบว่า Bing Browsing ถูกปิดอยู่ ผมไม่รู้ด้วยซ้ำว่ามันเคยใช้งานได้ เลยคิดว่าอาจต้องอัปเดตแอป จึงไปที่ App Store แต่ก็เป็นเวอร์ชันล่าสุด พอปิดแอปแล้วเปิดใหม่ ตอนนี้รายการ “New Features” ก็หายไปเลย
ผมคงไม่มาคุ้ยการตั้งค่าแอปเป็นประจำเพื่อดูว่ามีฟีเจอร์ใหม่ไหม การที่ไม่มีแม้แต่ข้อความในแอป ไม่ต้องพูดถึงอีเมลหรือ push notification นี่เป็นเรื่องที่เข้าใจยากจริง ๆ
คงไม่ใช่ว่าไม่ใส่ใจการสื่อสารกับลูกค้า แต่ภายในน่าจะวุ่นวายและโกลาหลสุด ๆ
ผมต้องยกเลิกสมาชิกแล้วสมัครใหม่จริง ๆ เพื่อเริ่มใช้ API ได้ น่าจะอยู่ในแพ็กเกจโมเดลการคิดเงินรุ่นก่อนหน้า
ผมชอบบริษัทที่ประสบความสำเร็จได้ทั้งที่ไม่ได้เกิดจากการตลาดและดีไซน์ แต่สำเร็จทั้ง ๆ ที่สองอย่างนั้นไม่ดี เพราะแปลว่าต้องมีอะไรที่พิเศษจริง ๆ
ถ้าคุณแค่เลิกใช้แล้วลืมไป เขาก็ควรปรับปรุง retention แต่คุณคงไม่ทำแบบนั้น ดังนั้นเขาก็ไม่จำเป็นต้องทำ
ผมไม่เข้าใจเลยว่าพวกเขาจะรวมทั้งหมดนี้เป็นแพ็กเกจในราคา 20 ดอลลาร์ ต่อเดือนได้อย่างไร พอขยายสเกลแล้วต้นทุนการประมวลผลมันถูกขนาดนั้นจริง ๆ เหรอ?
ผมก็สงสัยเหมือนกันว่า Apple กับ Google จะให้บริการสิ่งนี้ฟรีได้อย่างไร อยากแอบเข้าไปอยู่ในการประชุมนั้นเหมือนแมลงวันคอยฟังจริง ๆ คงมีการถกเถียงแบบภาวะกลืนไม่เข้าคายไม่ออกของนักนวัตกรรมกันหนักมาก ระหว่าง “ต้องทำ” กับ “มันกัดกินมาร์จิน”
อาจจะเป็นความคิดที่ล้ำไปหน่อย แต่ผมว่า Apple กำลังเลือกถูกแล้วที่ปล่อยให้ฝุ่นควันสงบลงก่อน เหมือนตอน Zuckerberg เผาเงิน 20,000 ล้านดอลลาร์ แล้ว Apple ก็เปิดตัว Vision Pro ผมคิดว่าเรื่องคล้าย ๆ กันอาจเกิดขึ้นกับ Llama ได้ เพียงแต่ซอฟต์แวร์เป็นสนามหลักของ Facebook ส่วนฮาร์ดแวร์ไม่ใช่ เลยไม่ค่อยมั่นใจนัก
แต่เมื่อพิจารณาการลงทุน 10,000 ล้านดอลลาร์จาก Microsoft รวมถึงรายได้จากการสมัครสมาชิกและ API ตอนนี้ก็ยังพอไหว นี่เป็นช่วงเวลาสำคัญสำหรับบริษัท AI และ OpenAI ก็กำลังพยายามคว้าส่วนแบ่งตลาดให้ได้มากที่สุด โดยแทบจะให้คุณค่า 10 เท่าในราคาที่ต่ำกว่าโมเดลเชิงพาณิชย์อื่น ๆ
เงินทุนเวนเจอร์ กำลังอุดหนุนการยึดตลาดอยู่
ลองคิดดูว่าถ้าจะจ้างผู้ทดสอบจำนวนมหาศาล จะต้องจ่ายเงินเท่าไร