เทคโนโลยีที่เรียกว่า AI ตอนขาย แต่เรียกว่าแมชชีนเลิร์นนิงตอนสร้าง
(theaiunderwriter.substack.com)- หลังจาก ChatGPT มี ผู้ใช้ 100 ล้านคนภายใน 2 เดือน โอกาสที่ข้อความขายแนว “AI for X” จะเพิ่มขึ้นก็สูงขึ้น และเมื่อเทคโนโลยีจริงปะปนกับการกล่าวเกินจริง จึงตัดสินได้ยากขึ้น
- ชัยชนะของ AlphaGo ในปี 2016 และ บทความ Transformers ปี 2017 เป็นความก้าวหน้าสำคัญ แต่กระแส AI ในวันนี้ไม่ได้รับประกันตัวตนทางเทคนิคของทุกผลิตภัณฑ์
- ในภาคการขาย เคยมีกรณีใช้ชื่ออัลกอริทึมผิด หรือนำ ประโยค if-then มาห่อหุ้มว่าเป็น AI และยังมีกรณีขายงานที่มนุษย์เป็นผู้ทำเหมือนกับว่าเป็น NLP
- เมื่อพิจารณาเวนเดอร์ ควรตรวจสอบโดยตรงถึงประเภทของแมชชีนเลิร์นนิง อัลกอริทึม ผลลัพธ์การทำนาย ฟังก์ชันวัตถุประสงค์ ตัวชี้วัดประสิทธิภาพ รอบการเปลี่ยนโมเดล และ สัดส่วนการแทรกแซงของมนุษย์
- หากหน้าจอสำหรับผู้ใช้เป็นเพียง wrapper บาง ๆ ที่ครอบ GPT API ก็อาจมีแต่ค่าใช้จ่ายเพิ่มโดยได้ประโยชน์น้อย ดังนั้นสิ่งสำคัญจึงไม่ใช่ชื่อ AI แต่เป็นวิธีการทำงานและเกณฑ์การตรวจสอบ
เบื้องหลังที่ทำให้ข้อความขาย “AI for X” เพิ่มขึ้น
- Generative AI แสดงความสามารถที่ทรงพลังแล้วในด้านการตอบคำถาม การเรียนรู้ การสร้างภาพและวิดีโอ และกำลังพัฒนาอย่างรวดเร็ว
- ชัยชนะของ AlphaGo ในเกมโกะเมื่อปี 2016 น่าประทับใจ แต่เป็นตัวอย่างการประยุกต์ใช้ machine intelligence เพื่อแก้ปัญหาที่มีขอบเขตจำกัด
- ในปี 2017 มี Transformers paper ออกมา
- ในปี 2023 ChatGPT มี ผู้ใช้ 100 ล้านคนภายใน 2 เดือน
- ควบคู่กับความก้าวหน้าทางเทคโนโลยี กระแสโฆษณาเกินจริง ก็เพิ่มขึ้นด้วย จึงอาจมีข้อความขาย “AI for X” ปรากฏมากขึ้นตามกระแส GPT
- ช่วงก่อนและหลัง Uber IPO มี pitch ของสตาร์ทอัพแนว “Uber for X” ออกมามากมาย บางส่วนประสบความสำเร็จ แต่มีจำนวนมากกว่าที่ล้มเหลว
- หลังภาวะซบเซาของคริปโต ก็เกิดกระแสที่ “crypto expert” เปลี่ยนตัวเองเป็น “AI expert” อย่างรวดเร็ว
- การมีชื่อว่า AI เพียงอย่างเดียวไม่ได้รับประกันตัวตนทางเทคนิค
- เคยมี pitch ที่อ้างความเชี่ยวชาญ AI แต่สะกดชื่ออัลกอริทึมผิด
- เคยมีกรณีผลิตภัณฑ์ “AI driven” ที่แท้จริงทำงานด้วย ประโยค if-then
- เคยมีกรณีที่ขายว่าจะแยกและประกอบเอกสารกับความรู้ใหม่ด้วย NLP แต่การประมวลผลจริงทำโดยคนในสำนักงานในเอเชียตะวันออกเฉียงใต้ผ่านคีย์บอร์ด
- การรู้ชื่อ ไม่ใช่ความรู้ และการขายชื่อก็ไม่ได้หมายความว่าเป็นการขายเทคโนโลยีจริงเสมอไป
คำถามเพื่อตรวจสอบความน่าเชื่อถือของเวนเดอร์
- ควรถามว่าผลิตภัณฑ์ใช้ แมชชีนเลิร์นนิง ประเภทกว้าง ๆ แบบใด
- เช่น supervised learning, unsupervised learning, สถาปัตยกรรมโครงข่ายประสาทเฉพาะแบบ เป็นต้น
- ควรตรวจสอบ ชื่ออัลกอริทึม ที่อยู่เบื้องหลัง AI
- เช่น XGBoost, BERT เป็นต้น
- ควรตรวจสอบว่าโมเดลทำนายอะไร
- ควรถามว่าผลลัพธ์การทำนายจริงเป็น 1/0, yes/no หรือตัวเลข
- ควรตรวจสอบ ฟังก์ชันวัตถุประสงค์ ที่โมเดลปรับให้เหมาะสม
- หรือเรียกว่าฟังก์ชัน loss หรือฟังก์ชัน cost เป็นคำถามเพื่อดูว่าโมเดลพยายามลดความผิดพลาดแบบใด
- ควรตรวจสอบว่าใช้ตัวชี้วัดใดในการวัดประโยชน์ของโมเดล
- เชื่อมโยงกับเกณฑ์ในการตัดสินว่าโมเดล generalize กับข้อมูลที่ไม่เคยเห็นได้ดีเพียงใด
- ควรถามว่าเปลี่ยนโมเดลบ่อยแค่ไหน และเพราะเหตุใด
- ควรตรวจสอบว่ามนุษย์เข้าไปเกี่ยวข้องกับ “โซลูชัน AI” มากเพียงใด
- ควรตรวจสอบว่า GUI สำหรับผู้ใช้เป็นเพียง wrapper บาง ๆ ที่ครอบ GPT API หรือไม่
- รูปแบบนี้อาจเป็น “GPT as a service” และบริการอาจสร้างเพียงค่าใช้จ่ายเพิ่มโดยไม่มีประโยชน์เพิ่มเติม
ท่าทีที่ไม่ถูกศัพท์เทคนิคครอบงำ
- แมชชีนเลิร์นนิงทรงพลัง แต่ควบคู่กับผลิตภัณฑ์ AI ที่ดี ก็อาจมีผลิตภัณฑ์คุณภาพต่ำหรือผลิตภัณฑ์ AI แบบ หมาป่าในคราบลูกแกะ ออกมาด้วย
- แม้ศัพท์ใหญ่ ๆ ในวงการ AI ก็สามารถแยกย่อยเป็นคำอธิบายที่เข้าใจได้ตามสัญชาตญาณ จึงไม่จำเป็นต้องกลัวหรือสับสนกับถ้อยคำที่ฟังดูเป็นเทคนิค
- คนที่สร้างสิ่งต่าง ๆ ขึ้นมาจริง ๆ มักเรียกสิ่งนี้ว่า machine learning และผู้ซื้อควรถามถึงวิธีการทำงานกับเกณฑ์การตรวจสอบมากกว่าชื่อเรียก
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
ไม่รู้ว่าใครเป็นคนพูด แต่มีคำคมเท่ ๆ ที่ชอบอยู่ประโยคหนึ่ง: “เราเรียกมันว่า AI จนกว่ามันจะใช้งานได้จริง ลองดู autocomplete สิ”
เวลาองค์กรบอกว่า “เราทำ AI” ในมุมของวิศวกรซอฟต์แวร์ มันฟังเหมือนว่าพวกเขาแทบยังไม่รู้เลยว่า อยากจะพา AI นี้ไปทางไหน หรือจะให้บริการอะไร
เลยทำให้ระวังแนวทางแบบ “จุดหมายทำให้วิธีการชอบธรรม” ที่มากับโปรเจกต์ AI อยู่เสมอ คนอื่นอาจมองต่างกันได้
บริษัทที่ปรึกษาของฉันทำงานโดยนำไอเดียที่สามารถแก้หรือใช้ประโยชน์ผ่าน เฟรมเวิร์กแมชชีนเลิร์นนิง ไปแมปเป็นบริการหรือโซลูชันดิจิทัล
ผลลัพธ์สุดท้ายไม่ค่อยถูกเรียกว่า “AI” แต่ท้ายที่สุดก็ยังใช้ AI/แมชชีนเลิร์นนิงอยู่ดี เราอยู่มาก่อนกระแส AI รอบนี้นิดหน่อย และช่องเฉพาะนี้ก็น่าสนุกมาก
ทุกวันนี้เราคงเรียกมันว่าชุด if-else ที่เขียนฮาร์ดโค้ด แต่เมื่อ 40 ปีก่อนมันคือ AI ล้ำสมัย และเมื่อ 20 ปีก่อนก็ยังคุ้มค่าที่จะอยู่ในตำรา
พวกเขาเริ่มจากโซลูชันอย่าง AI แล้วค่อยหาปัญหาที่จะเอาไปแก้ ทั้งที่ตามอุดมคติควรทำตรงกันข้าม
แทบแน่นอนว่าจะเผาเงินไปมากกับการวิ่งวุ่นซ้ำ ๆ แบบไร้ความหมาย เหมือนสิ่งนี้เกิดขึ้นทุกครั้งที่มีเทคโนโลยีฐานรากใหม่ ๆ และน่าจะมีบริษัทแบบนี้เยอะในยุคฟองสบู่ดอตคอมด้วย
เข้ากับมุกคลาสสิกได้ดี: “แมชชีนเลิร์นนิงมักเขียนด้วย Python ส่วน AI เขียนด้วย PowerPoint”
“ก่อน Uber เข้าตลาดหุ้นในปี 2019 วงการเวนเจอร์แคปิทัลเต็มไปด้วยสตาร์ทอัพที่พิตช์ตัวเองว่า ‘Uber สำหรับ X’ เช่น Uber สำหรับที่จอดรถ”
อึ๋ย ประธานาธิบดีฝรั่งเศสคนปัจจุบันเคยเสนออย่างโด่งดังให้ทำเศรษฐกิจให้ “uberize” ซึ่งความหมายก็คือ งานที่ไม่มั่นคง ที่มีต้นทุนต่อนายจ้างต่ำกว่า
ฝั่งผู้บริหารระดับ C ที่บริษัทฉันก็พูดเรื่องอย่าง generative AI ไม่หยุดอยู่แล้ว คิดถึงอนาคตอันใกล้ที่ต้องฟังคำพูดการตลาดไร้สาระแบบเอาทุกอย่างไปใส่ AI แล้วยังไม่ตื่นเต้นเลย
สิ่งที่ตลกคือ สิ่งที่เราเรียกว่า “AI” ดูเหมือนจะค่อย ๆ ขยับจากสิ่งที่เราหมายถึงจริง ๆ เวลาพูดว่ามนุษย์ “ฉลาด” ไปสู่สิ่งที่เราไม่มีวันมองว่าเป็นส่วนหนึ่งของความฉลาดเลย
ถ้ายกตัวอย่างหุ่นยนต์ของ Boston Dynamics เราไม่ได้มองว่าคนฉลาดเพราะแยกแมวออกจากเก้าอี้ได้ หรือเดินโดยไม่ล้ม หรือทำ backflip ได้
แต่ถ้าใช้ข้อมูลและความสามารถทางกายภาพที่มีอยู่เพื่อแก้ปัญหาอย่างสร้างสรรค์ได้ เราจะมองว่าฉลาด
เวลาเราทึ่งกับ “AI” ในหุ่นยนต์หรืออะไรทำนองนั้น เท่าที่ฉันเข้าใจ AI นั้นส่วนใหญ่คือ การรับรู้ (จากข้อมูลเซ็นเซอร์ดิบไปสู่โมเดลโลกที่มีป้ายกำกับ) และ การควบคุมการขับเคลื่อน (เปลี่ยนคำสั่งอย่าง “เคลื่อนไปข้างหน้า 1 เมตร” หรือ “ทำ backflip” ให้เป็นลำดับการทำงานจริงของแอคชูเอเตอร์)
ส่วน “ความฉลาด” จริง ๆ เช่นการตัดสินใจเปิดประตู เดินไปอีกห้อง แล้วหยิบเนยถั่วกับขนมปังมาเพื่อทำภารกิจ “ช่วยทำแซนด์วิชเนยถั่วให้หน่อย” มักเป็นตรรกะ if-then แบบดั้งเดิม หรือมีมนุษย์เป็นผู้ควบคุมให้
ฉันเห็นรูปแบบคล้ายกันในพวก ChatGPT ด้วย ความสามารถของนักเรียนที่ท่องตำราได้และพูดซ้ำได้อย่างสมบูรณ์อาจน่าประทับใจ แต่เราไม่ได้เรียกนักเรียนแบบนั้นว่า “ฉลาด”
นักเรียนที่ฉลาดคือคนที่ถึงจะลืมวิธีพิสูจน์ทฤษฎีบทหรือคำนิยามที่แม่นยำของคำบางคำไปแล้ว ก็ยังสามารถเผชิญปัญหาใหม่และหาคำตอบที่ถูกต้องอย่างสร้างสรรค์ได้ “นักเรียนแบบนกแก้วนกขุนทอง” มักล้มเหลวไม่เป็นท่าในจุดนี้
ครั้งหนึ่งเคยดูวิดีโอเก่าบน YouTube ของระบบอัตโนมัติดึกดำบรรพ์มากตัวหนึ่ง น่าจะใช้กับหอบังคับการสนามบิน อาจจะช่วงยุค 70 และคนในวิดีโอก็เรียกมันว่า AI
เขาอธิบายละเอียดว่าซอฟต์แวร์ทำอะไรและถึงขั้นโชว์โค้ด ซึ่งมันก็เป็นแค่กอง if/else ตามตัวอักษรเลย
พอเราคุ้นกับของอย่าง ChatGPT มากขึ้น สิ่งนั้นก็อาจจะเลิกถูกเรียกว่า AI หรือไม่เราก็จะใช้คำว่า “AGI” กันกว้างขึ้นเพื่อไปเรียกเป้าหมายถัดไป
จนไม่นานมานี้ฉันยังอยู่ฝั่งที่บอกว่า ถ้าไม่ใช่ AGI ก็ไม่ควรเรียก AI แต่พูดตรง ๆ คือใครจะสนล่ะ คำก็เป็นแค่เครื่องมือสื่อความคิดเท่านั้น
ถ้าคนส่วนใหญ่วันนี้อยากเรียกสิ่งที่เราสร้างกันว่า AI ก็โอเค และก็ไม่ถึงกับผิด มันไม่มีสำนึกก็จริง แต่ภายใต้มาตรฐานบางแบบก็อาจอ้างได้ว่ามันฉลาด และแน่นอนว่ามันเป็นสิ่งประดิษฐ์ ขอแค่เราเข้าใจกันก็พอ
ความฉลาดไม่ได้มีแค่การให้เหตุผล การเดินข้ามห้องไปหยิบของสักชิ้นยังต้องใช้ความสามารถของสมองอย่างมาก
ในยุค 90 ฉันมีเครื่องดูดฝุ่นที่มีคำฮิตทางเทคโนโลยีสุดเท่ในเวลานั้นอย่าง “fuzzy logic” อยู่ด้วย
มันทำอะไรจริง ๆ ใครจะไปรู้ เดาว่าคงแค่หมายถึงมีระดับแรงดูดกึ่งกลางระหว่างเปิดกับปิด
ดูเหมือนจะมีความต่างเล็กน้อยระหว่างร้อนนิดหน่อยกับร้อนมาก แต่ระหว่างเย็นนิดหน่อยกับร้อนนิดหน่อยกลับมีสวิตช์ชัดเจน
บางครั้งฉันก็แค่อยากให้พัดลมเป่า อากาศอุณหภูมิห้อง เฉย ๆ ไม่เอาทั้งร้อนทั้งเย็น
คิดว่าน่าสังเกตที่ Apple ยังคงเรียกมันว่า แมชชีนเลิร์นนิง
AI เป็น คำสำหรับผู้บริโภค มาโดยตลอด เช่นในเกมก็มีหลายอย่างที่ถูกเรียกว่า “AI”
โดยพื้นฐานแล้วผู้คนพอใจที่จะเรียกแทบทุกอย่างว่า AI[1] และเมื่อ AI เริ่มทำได้ดีมากจริง ๆ ในด้านอย่างภาษาธรรมชาติ พวกเขาก็ค่อยสร้างภาษาชุดใหม่ขึ้นมาเพื่อลดค่ามัน
ตลอดชีวิตที่ฉันผ่านมา AI หมายถึงซอฟต์แวร์ใด ๆ ก็ตามที่เลียนแบบบางแง่มุมของการตัดสินใจแบบมนุษย์ได้แม้เพียงเล็กน้อย
แล้วประเด็นจริง ๆ คืออะไร ต่อให้ปฏิเสธไม่เรียกมันว่า AI ความสามารถของมันก็ไม่เปลี่ยนไป ไม่ว่าจะในทางดีหรือร้าย
และข้อเท็จจริงที่ว่าแล็บวิจัยด้านขีดความสามารถชั้นนำแทบทั้งหมด ยกเว้น FAIR กำลังพยายามสร้าง ปัญญาทั่วไปที่แท้จริง ก็ไม่ได้เปลี่ยนไป และแม้แต่ FAIR เองก็มีเหตุผลที่ชื่อเต็มคือ Fundamental AI Research lab
[1] เช่น Ghost AI ของ Pacman — เป็นคำอธิบายที่สมเหตุสมผลอย่างยิ่งสำหรับสิ่งที่สรุปได้เป็นโค้ดไม่กี่บรรทัดบน Z80 Wikipedia: “Each of the four ghosts has its own unique artificial intelligence (A.I.), or "personality": ...”
นักพัฒนามักต้องทำให้ AI ในเกมโง่ลงพอสมควรเพื่อให้ผู้เล่นรู้สึกว่ายุติธรรม แล้วค่อยชดเชยด้วยโบนัสแทน
ตัวอย่างเช่น AI ในเกมมักมีกระสุนไม่จำกัด แต่กระสุนเหล่านั้นกลับสร้างความเสียหายให้ผู้เล่นได้ไม่มาก
ในทีวี Sony ของฉันก็คงมี AI โรยอยู่สักที่เหมือนกัน แต่ฉันไม่รู้เลยว่ามันทำอะไร ที่จริงฉันต้องการแค่ จอใหญ่โง่ ๆ เท่านั้น
จะประสานสองอย่างนี้แล้วเรียกว่า “การเรียนรู้เชิงสถิติ” ไม่ได้หรือ?
“คนที่เขียนด้วย Python จะเรียกมันว่าแมชชีนเลิร์นนิง ส่วนคนที่ เขียนด้วย PowerPoint จะเรียกมันว่า AI”
คนเราจ่ายเงินซื้อ รู ไม่ใช่สว่าน