- เมื่อการพึ่งพาเครื่องมือ AIในที่ทำงานเพิ่มขึ้น ก็เริ่มมีหลักฐานเบื้องต้นว่าในสาขาที่ทักษะความชำนาญมีความสำคัญ เช่น การแพทย์และวิทยาการคอมพิวเตอร์ ศักยภาพที่มนุษย์สั่งสมมาอาจอ่อนแอลงได้
- งานวิจัยกับผู้เชี่ยวชาญด้านส่องกล้องในโปแลนด์พบว่า เมื่อไม่ใช้ AI อัตราการตรวจพบ adenoma ลดลงจาก 28.4% เหลือ 22.4%
- ในการทดลองแบบสุ่มมีกลุ่มควบคุมของ Anthropic วิศวกรที่ได้รับความช่วยเหลือจาก AI มีคะแนนควิซเฉลี่ย 50% ต่ำกว่ากลุ่มที่ไม่ใช้ซึ่งได้ 67%
- จากการสำรวจบุคลากรการแพทย์ในสหรัฐฯ พยาบาล 70% และแพทย์ 77% กังวลเรื่องการสูญเสียความสามารถจากการพึ่งพา AI มากเกินไป
- เช่นเดียวกับที่ GPS ในอดีตทำให้ความสามารถในการหาทางอ่อนลง generative AI คือเทคโนโลยีแรกที่ทำงานด้านการคิดและการตีความซึ่งเป็นความสามารถทางการรู้คิดโดยตรงให้เป็นอัตโนมัติ ทำให้การรักษาความเชี่ยวชาญของมนุษย์กลายเป็นโจทย์สำคัญ
การเกิดขึ้นของปรากฏการณ์ AI deskilling
- ขณะที่ผู้ประกอบวิชาชีพพึ่งพาเครื่องมือ AI ในการทำงาน ความกังวลว่าทักษะที่ฝึกฝนมาอย่างยากลำบากอาจถดถอยกำลังแพร่กระจายในหมู่ผู้เชี่ยวชาญทางการแพทย์ นักวิทยาการคอมพิวเตอร์ และอีกหลายสาขา
- ในการสำรวจบุคลากรการแพทย์ในสหรัฐฯ ที่ Wolters Kluwer เผยแพร่ในเดือนนี้ พยาบาล 70% และแพทย์ 77% กังวลเรื่องการสูญเสียความสามารถจากการพึ่งพาระบบ AI มากเกินไป
- มีการนำเสนอหลักฐานว่าการ 'deskilling' จาก AI กำลังเริ่มเกิดขึ้นในหลายสาขา เช่น การแพทย์และวิทยาการคอมพิวเตอร์ และนักวิจัยกำลังถกเถียงกันว่าจะรักษาความเชี่ยวชาญของมนุษย์ในยุค AI อย่างไร
- Kevin Crowston นักวิทยาศาสตร์สารสนเทศจาก Syracuse University กล่าวว่า เพียงแค่รับรู้ว่าปรากฏการณ์นี้มีอยู่ ก็อาจกระตุ้นให้เกิดการทบทวนตนเองว่าควรรักษาทักษะใดไว้ และควรเอาต์ซอร์ซทักษะใดให้ AI
วงการแพทย์ — งานวิจัยกับผู้เชี่ยวชาญด้านส่องกล้อง
-
การออกแบบการวิจัย
- เป็นงานวิจัยกับผู้เชี่ยวชาญด้านส่องกล้องในโปแลนด์ โดยแพทย์ที่เข้าร่วมทุกคนเป็นผู้ที่เคยทำ colonoscopy มาแล้วอย่างน้อย 2,000 ครั้งตลอดอาชีพ
- มีการให้ระบบ AI ที่วิเคราะห์ภาพ colonoscopy แบบเรียลไทม์และทำเครื่องหมาย adenoma ซึ่งเป็นรอยโรคในลำไส้ก่อนมะเร็งแก่พวกเขา
- เครื่องมือนี้ถูกตั้งค่าให้ใช้งานได้ในบางวัน และใช้งานไม่ได้ในวันอื่น
-
ผลลัพธ์
- หลังจากแพทย์เริ่มใช้ AI แล้ว ผลการทำงานลดลงอย่างมีนัยสำคัญเมื่อไม่สามารถใช้ระบบได้
- ในช่วง 3 เดือนก่อนนำ AI มาใช้ ผู้เชี่ยวชาญตรวจพบ adenoma อย่างน้อย 1 จุดใน 28.4% ของการทำ colonoscopy
- ในช่วง 3 เดือนหลังนำ AI มาใช้ อัตราการตรวจพบ adenoma ในการทำ colonoscopy ที่ไม่มี AI ช่วยลดลงเหลือ 22.4%
- ผลลัพธ์ดังกล่าวตีพิมพ์ใน The Lancet Gastroenterology and Hepatology เมื่อเดือนตุลาคมที่ผ่านมา
-
การตีความของผู้เชี่ยวชาญ
- Robert Wachter แพทย์จาก University of California, San Francisco กล่าวว่า แม้แต่ผู้เชี่ยวชาญที่มีทักษะสูงมาก หากพึ่งพา AI มากขึ้น ก็อาจมีความสามารถในการทำงานที่จำเป็นลดลงได้
- ผู้เขียนงานวิจัยระบุว่า เมื่อสัมผัสเครื่องมือเช่นนี้อย่างต่อเนื่อง แพทย์อาจมีแรงจูงใจน้อยลง มีสมาธิน้อยลง และมีความรับผิดชอบน้อยลงเมื่อต้องตัดสินใจเชิงการรู้คิดโดยไม่มี AI
- Yuichi Mori แพทย์และนักวิจัยจาก University of Oslo และผู้เขียนร่วม กล่าวว่า แม้จะต้องมีงานวิจัยเพิ่มเติมเพื่อยืนยันปรากฏการณ์นี้ แต่ผู้ใช้ AI ควรตระหนักถึงความเสี่ยงในการสูญเสียทักษะบางส่วน
- "ขณะนี้ยังไม่มีวิธีแก้ปัญหา deskilling ที่เป็นที่ยอมรับ และนี่ควรเป็นหัวข้อวิจัยที่สำคัญอย่างยิ่งในอีก 10 ปีข้างหน้า"
วงการวิทยาการคอมพิวเตอร์ — การทดลองโค้ดดิ้งของ Anthropic
- เพื่อสำรวจว่ามีการสูญเสียทักษะในวงการวิทยาการคอมพิวเตอร์หรือไม่ ทีมนักวิจัยของบริษัท AI จากซานฟรานซิสโกอย่าง Anthropic ได้ออกแบบการทดลองแบบสุ่มมีกลุ่มควบคุมกับวิศวกรซอฟต์แวร์ 52 คน
- ผู้เข้าร่วมทั้ง 52 คนสามารถเข้าถึงการค้นหาบนเว็บและคำแนะนำวิธีทำงานระหว่างทำงานเขียนโค้ดพื้นฐานได้
- ครึ่งหนึ่งได้รับการแนะนำเพิ่มเติมให้ใช้ AI assistant
- ในควิซเกี่ยวกับสิ่งที่ได้เรียนรู้หลังทำงาน กลุ่มที่ใช้ AI ได้คะแนนเฉลี่ย 50% เทียบกับ 67% ของกลุ่มที่ไม่ใช้
- ผู้เข้าร่วมที่มี AI ช่วยทำได้แย่เป็นพิเศษในคำถามเรื่องการวินิจฉัยข้อผิดพลาดของโค้ด สะท้อนว่าไม่ได้เรียนรู้แนวคิดของโค้ดที่เพิ่งเขียนไป
- งานวิจัยนี้เผยแพร่บนเซิร์ฟเวอร์พรีพรินต์ arXiv ก่อนผ่านการทบทวนโดยผู้ทรงคุณวุฒิ
- Crowston กล่าวว่า ตอนนี้มีช่องว่างที่แปลกประหลาดระหว่างความสามารถในการทำงานกับการเรียนรู้
- "ที่ผู้คนทำงานได้ในระดับค่อนข้างสูงนั้น โดยพื้นฐานแล้วเป็นเพราะยืมทักษะมาจาก AI และไม่ได้พัฒนาทักษะนั้นขึ้นมาด้วยตนเอง"
- ผลลัพธ์นี้น่ากังวลเป็นพิเศษสำหรับนักศึกษาและคนทำงานรุ่นใหม่ในสาขานี้
การเอาต์ซอร์ซการรู้คิด — เปรียบเทียบกับเทคโนโลยีในอดีต
- Tapani Rinta-Kahila นักวิจัยระบบสารสนเทศจาก University of Queensland กล่าวว่า ในอดีตก็มีเทคโนโลยีที่ทำให้ทักษะบางอย่างหมดความจำเป็น เช่น ระบบนำทาง GPS ที่ทำให้ความสามารถในการหาทางอ่อนลง
- แต่ generative AI คือ "เทคโนโลยีแรกที่ทำให้ความสามารถทางการรู้คิดด้านการคิดและการตีความ ซึ่งเคยถูกมองว่าเป็นทักษะเฉพาะของมนุษย์ มีกระบวนการอัตโนมัติ"
-
กรณีของนักบัญชี
- งานวิจัยที่เผยแพร่ในปี 2018 ศึกษากลุ่มนักบัญชีที่ใช้ระบบบัญชีอัตโนมัติที่ไม่ใช่ AIต่อเนื่องมานานกว่า 10 ปี
- เมื่อตัวเครื่องมือหายไป ก็พบว่านักบัญชีลืมวิธีทำงานประจำหลายอย่าง
- "โปรแกรมเมอร์รุ่นถัดไปอาจไม่เข้าใจพื้นฐานของการเขียนโค้ดอย่างแท้จริง หากขาดประสบการณ์ลงมือปฏิบัติ"
- "เรื่องเดียวกันนี้ใช้ได้กับงานที่ใช้ความรู้เข้มข้นอื่น ๆ เช่น บัญชีและกฎหมาย"
-
วิธีป้องกันการสึกกร่อนของทักษะ
- ควรตระหนักว่าเรากำลังมอบหมายงานให้ generative AI มากเพียงใด
- ต้องเข้าใจอย่างถูกต้องถึงวิธีการทำงานและข้อจำกัดของโมเดล generative AI และไม่ควรเชื่อผลลัพธ์จาก AI โดยไม่ตรวจสอบ
- "ต้องจัดการพลวัตแบบแข่งขันกันระหว่างการพึ่งพา generative AI กับการคงไว้ซึ่งความระมัดระวังอย่างมีสติ"
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
พวกเราอยู่สบายกันเกินไป เรานั่งเรียนคอมพิวเตอร์บนเก้าอี้ Herman Miller ในออฟฟิศที่มีแอร์ ได้เงินเดือนสูง แล้วตอนนี้พอค้นพบ วิธีสังเคราะห์ปัญญา สิ่งที่เราคิดจะทำกันส่วนใหญ่กลับมีแค่ทำลายอาชีพที่สนุกที่สุดเท่าที่ใครจะฝันได้
แน่นอนว่าตอนนี้เราทำงานได้มีประสิทธิภาพมากขึ้น แต่ก็ไม่รู้ว่าในนั้นมีสักเท่าไรที่เกิดจากการเอา AI มาครอบบนปัญญาที่เคยสั่งสมจากการลงมือทำเองในอดีต
อีก 36 เดือน ใครจะรับประกันได้ว่าเราจะไม่กลายเป็นนักพัฒนาที่แย่ลงโดยรวม เพราะความรู้เกี่ยวกับระบบค่อย ๆ เสื่อมถอย
ไม่ได้หมายความว่าไม่ควรใช้ AI ฉันก็ใช้มันเสมอกับงานประกอบที่มีประโยชน์ เช่น ตั้งค่า GitHub Workflows ระหว่างที่ฉันกำลังทำฟีเจอร์เอง หรือมอบหมายงานบนอินเทอร์เน็ตให้เอเจนต์ใน VPS ปัญญาสังเคราะห์เล็กน้อยนั้นดี
แต่การ แทนที่การเสริม ปัญญาของตัวเองนั้นไม่ดี มันเหมือนใช้สเตียรอยด์ที่ทำให้คุณมีกล้ามแต่ก็ทำลายร่างกายไปด้วย ฉันคิดว่าคุณค่าที่แท้จริงอยู่ในตัวงานนั้นเอง ทางลัดนี่แหละที่บ่อยครั้งเป็นเส้นทางที่อันตรายที่สุด
เหตุผลที่ฉันเป็นวิศวกรซอฟต์แวร์ก็เพราะฉันชอบการเขียนโค้ด การคิดและแก้ปัญหาที่ซับซ้อน และความรู้สึกคุ้มค่าตอนที่สิ่งที่สร้างด้วยมือตัวเองเริ่มทำงานเป็นครั้งแรก
การคอยบริหารกองทัพเอเจนต์แทนการเขียนโค้ดมันสนุกจริงหรือ หรือเราแค่ชอบความเร้าใจของการสร้างอะไรบางอย่างได้เร็วในระดับที่ทำคนเดียวไม่ได้ สำหรับฉัน ความเร็วไม่ใช่แก่นของความสนุก
ฉันเข้าใจการใช้ AI เพื่อลดงานซ้ำ ๆ หรือโค้ด boilerplate แต่เวลาเห็นคนที่ทุ่มสุดตัวกับการพัฒนาแบบอิงเอเจนต์ ฉันก็อดสงสัยไม่ได้จริง ๆ
อุปสงค์คงตามการเพิ่มขึ้นของผลิตภาพไม่ทันในทันที ดังนั้นบริษัทก็ไม่ได้ขายได้มากขึ้นแบบอัตโนมัติ สุดท้ายจึงเกิดการปลดคน ถ้ามีคนมากขึ้นมาแข่งกันแย่งงานที่น้อยลง ค่าจ้างของคนที่เหลือก็จะลดลงด้วย เป็นเรื่องอุปสงค์-อุปทานพื้นฐาน
ฉันสงสัยว่าจากคนที่พูดในปี 2024 ว่า “งานของฉันซับซ้อนหรือเฉพาะทางเกินกว่าจะได้รับผลกระทบ” ตอนนี้จะยังมีสักกี่คนที่กล้าพูดแบบเดิม
บริษัทต่าง ๆ จะต้องยอมรับ ราคาต่อโทเค็น ที่แพงขึ้นเรื่อย ๆ เพื่อแลกกับการลดต้นทุนแรงงาน หรือไม่ก็สรุปว่าการประนีประนอมแบบนั้นไม่คุ้มและหันกลับมาลงเดิมพันกับปัญญามนุษย์อีกครั้ง ในอีกไม่กี่เดือนข้างหน้า ความคุ้มค่าทางเศรษฐศาสตร์ของอุตสาหกรรมคงเป็นตัวตัดสินแทนพวกเรา
LLM และเครื่องมือของมันเหมือนข้อจำกัดชุดใหม่ที่ต้องออกแบบระบบให้สอดรับ ถ้าจัดการได้ดี คุณก็สร้างสิ่งที่ใหญ่กว่าและดีกว่าเดิมได้ เหมือนกำลังเรียนรู้กิ่งก้านใหม่ทั้งหมดของสกิลทรีด้านการเขียนโปรแกรม
แน่นอนว่าฉันพูดแบบนี้หลังจากที่ Claude ทำ RBAC ของแอปพังเละ จนฉันต้องใช้เวลาสองวันที่ผ่านมาเพื่อสร้างมันขึ้นมาใหม่
หลายคนไม่ได้สมัครใจเข้ามาใช้ AI เอง แต่ถูกนายจ้างบังคับโดยพฤตินัยด้วยซ้ำ และไม่ใช่ว่าทุกคนจะทำงานได้มีประสิทธิภาพขึ้นเพราะ AI ยังมีคนอีกมากที่เอาเวลาที่ประหยัดได้ไปใช้กับการ รีวิว โค้ดที่ AI สร้างขึ้น
ตั้งแต่นั้นมา ฉันก็พยายามหาทางออกจากงานนี้ หรืออาจจะจากอาชีพนี้เลย
สุดท้ายคนที่ยังแคร์จริง ๆ จะถูกคัดออกหรือไม่ก็เดินออกไปเอง แล้วทั้งวงการนี้จะเต็มไปด้วยพวก นักคลั่ง AI แบบ Dunning-Kruger คำพูดที่ว่า “AI จะมาแทนที่วิศวกร” อาจจะจริง แต่จะจริงด้วยเหตุผลและในรูปแบบที่ต่างจากที่คนพูดประโยคนั้นคิดไว้โดยสิ้นเชิง
สงสัยว่ามันให้ผลแบบเดียวกันกับคนที่รวยมาก ๆ หรือผู้บริหารระดับสูงมากหรือไม่ คนกลุ่มนั้นหลายคนก็เป็นพวกที่ “เอาต์ซอร์ส” การคิดได้มาตั้งแต่ก่อนแล้ว ทั้งการมอบหมายงาน การขอให้ค้นคว้า·สรุป และการแจกจ่ายงาน
การโยนงานแบบนั้นให้คนอื่นทำก็ทำลายทักษะในลักษณะเดียวกันหรือไม่? หรือ AI ต่างออกไปโดยพื้นฐาน? ถ้าต่าง ต่างเพราะอะไร? เพราะไม่มี แรงกดดันทางศีลธรรม·สังคม ที่บอกว่าไม่ควรมอบหมายทุกอย่างหรือเปล่า
ถ้าทำบทบาทผู้จัดการอย่างจริงจัง นี่คือหนึ่งในเส้นทางอาชีพที่น่ากลัวที่สุดที่เป็นไปได้ ผ่านไปไม่กี่ปีก็แทบไม่มีทางกลับไปเป็นนักพัฒนาเชิงปฏิบัติที่ค่าตอบแทนต่ำกว่าได้อย่างสมจริง งานของคุณคือช่วยให้คนอื่นทำ ไม่ใช่ลงมือทำเอง
แน่นอนว่ามีพื้นที่ตรงกลางอยู่ และบางคนก็พยายามลับคมทักษะทีละน้อยด้วยงานวิจัยพัฒนาหรือโปรเจกต์ส่วนตัว แต่มันไม่เหมือนงานภาคปฏิบัติในสายการผลิตที่ทำทุกวัน
ระดับทักษะตั้งต้นของแต่ละคนอาจต่างกัน แต่ผลกระทบที่ได้รับเมื่อเวลาผ่านไปโดยมากคล้ายกัน
นี่แหละคือจุดที่ฉันเตือนหนักที่สุดเวลาเห็นวิศวกรฝีมือดีบอกว่าอยากย้ายไป สายบริหาร มันไม่ใช่เรื่องที่ควรตัดสินใจแบบสบาย ๆ
เพราะงั้นผมคิดว่าควรมองการที่ Noam Shazeer เข้าร่วม OpenAI ในบริบทนี้ด้วย มันเป็นการรับคนที่ดีแน่นอน แต่ก็ไม่มีเหตุผลเฉพาะอะไรที่จะเชื่อว่าเขายังมี เวทมนตร์ลับ บางอย่างที่คนอื่นยังไม่มีในรูปแบบที่ใหม่กว่า
แต่เพราะขอบเขตกว้างมากและความเสี่ยงของบทบาทสูง จึงอาจต้องใช้ vision language model ระดับ Fable 5 หรือ Fable 6 ถึงจะทำให้ปลดมนุษย์ออกได้อย่าง “ปลอดภัย” พอ
สิ่งที่จะระเบิดการเติบโตในปี 2027 คือบริษัท AI แบบอัตโนมัติ และ CEO กับเจ้าของที่เป็นมนุษย์จะไม่สามารถแข่งขันกับบริษัทที่ดำเนินงานโดย AI เหล่านี้ได้
การห่างไปพักหนึ่งแล้วกลับมาตามให้ทันยังง่ายกว่าการไม่เคยพัฒนาทักษะตั้งแต่แรกหรือไม่มีพรสวรรค์โดยกำเนิด แต่ถ้าไม่ออกกำลังกายมันก็เสื่อมลงแน่นอน ผู้นำที่ไต่ขึ้นไปเป็นสายบริหาร·กลยุทธ์ล้วน ๆ โดยไม่รักษาทักษะภาคปฏิบัติไว้ สุดท้ายก็เข้าใจอะไรได้ช้าลงพอสมควร
ดีแล้วที่มีงานวิจัยนี้ออกมา ผมมองว่าความสัมพันธ์เชิงผกผันระหว่าง AI กับสวัสดิภาพของมนุษย์เป็นหนึ่งในโจทย์ใหญ่ของยุคเรา แต่ข้อสรุปนี้เองก็ดูค่อนข้างชัดเจนอยู่แล้ว
สมองหลายส่วนก็ใกล้เคียงกับหลัก “ไม่ใช้ก็เสียไป” และการมอบหมายแบบนั้นก็คือการไม่ใช้
แต่ LLM อาจแย่กว่าการมอบหมายให้มนุษย์มากพอสมควร ส่วนหนึ่งเพราะ รอบการวนซ้ำ มันเร็วเกินไป จนแม้แต่คนที่ไม่ได้รวยมหาศาลก็ได้ความเร็วระดับที่ซื้อจากมนุษย์ไม่ได้
ผมไม่ได้เขียนฟังก์ชันโค้ดสักตัวด้วยมือตั้งแต่ต้นจนจบมานานกว่าหนึ่งปีแล้ว แต่กลับใช้เวลาคิดเรื่องสถาปัตยกรรมและคุณลักษณะของระบบมากขึ้นมาก
เลยรู้สึกว่าทักษะระดับล่างมาก ๆ หายไปบ้างในระดับหนึ่ง แต่ก็อาจเป็นไปได้ว่าผมได้ใช้เวลากับทักษะระดับสูงมากขึ้น เหมือนแพทย์ที่อาจอ่านภาพได้แย่ลง แต่มี ทรัพยากรทางการรับรู้ เพิ่มขึ้นเพื่อคิดถึงบริบทของผู้ป่วยมากขึ้นหรือเปล่า
ก็ยังไม่แน่ใจ
แต่ถึงอย่างนั้นตอนนี้ผมก็ขยับตัวให้ไปเขียนโค้ดเองโดยไม่มี AI ไม่ได้แล้ว มันช้าเกินไปและแทบรู้สึกทรมาน
ตอนผมเรียนโรงเรียนออกแบบ งานส่วนใหญ่ต้องใช้สื่อทางกายภาพอย่างดินสอแกรไฟต์ กระดาษตัด สี และถ่านไม้ควบคู่กับการฝึกใช้มีดคัตเตอร์และเครื่องมือดิจิทัลอย่างคล่องแคล่ว ในงานดิจิทัลคุณยังต้องสร้างเส้นแต่ละเส้นและเลือกเครื่องมือที่เหมาะสมอยู่ดี แต่กับคนที่มาจากพื้นฐานดิจิทัลล้วน ๆ มันมีการรับรู้กระบวนการบางอย่างที่หายไปอย่างชัดเจน
มันคล้ายกับคนที่เคยวาดจากภาพถ่ายอ้างอิงอย่างเดียวแล้วลองวาดจากของจริง เมื่อวาดสิ่งที่เป็น 2D อยู่แล้ว กระบวนการรับรู้ส่วนหนึ่งทั้งหมดจะไม่ถูกใช้งาน มันเรียนได้ แต่ถ้าไม่มีอะไรบังคับ ก็มักจะยังถ่ายรูปแล้วเอารูปนั้นมาวาดต่อไป
การสร้างภาพนั้นต่างออกไปมากจนเทียบกันยาก แม้จะมี inpainting ที่ละเอียดมากก็ตาม ผมลังเลที่จะบอกว่าคนที่มีประสบการณ์สร้างภาพขั้นสูงมาก ๆ จะนำหน้ามือใหม่แบบขาดลอยเมื่อเริ่มเรียนวาดรูป สำหรับคนที่วาดจากภาพถ่ายอ้างอิงนั้นไม่จริง และยิ่งไม่จริงสำหรับศิลปินดิจิทัลล้วนที่วาดจากของจริงบนแท็บเล็ตมาอยู่แล้ว
มันคล้ายกับที่คนรุ่นมิลเลนเนียลเข้าถึงเทคโนโลยีได้ตลอด แต่ก็ยังผ่านยุคอินเทอร์เน็ตหมุนโทรศัพท์มา จึงโดยทั่วไปเข้าใจเทคโนโลยีมากกว่า “iPad kid” ทั่วไปที่แม้แต่โครงสร้างไดเรกทอรีก็ยังเปิดดูไม่เป็น
ผมไม่มั่นใจว่า AI จะทำงานอย่างการบริหารโครงการหรือสถาปัตยกรรมได้แย่กว่าโดยเนื้อแท้
สมมติว่าแพทย์ในบทความทำผลงานได้แย่ลงหลังมี AI ถ้า AI ทำให้ในเวลาเท่าเดิม จากเดิมตรวจได้ 10 เคสกลายเป็น 100 เคส นายจ้างจะเอาเวลาแรงงานที่เหลือนั้นไปใช้อย่างไร? แน่นอนก็สั่งให้ตรวจมากขึ้นอีก และไล่หมอบางส่วนที่ไม่จำเป็นแล้วออก
แพทย์ที่เหลือรอดก็จะ ถูกลดทอนทักษะ แต่ทำงานเท่าเดิมหรือมากขึ้น และสังคมก็จะได้รับการรักษาพยาบาลที่คุณภาพต่ำลง ถึงอย่างนั้นนายจ้างก็ประหยัดค่าแรงและผู้ถือหุ้นก็มีความสุข
นี่เป็นเรื่องใหม่ และที่สำคัญคือความใหม่ของขอบเขต ไม่ใช่แค่ “ทักษะ” ของปัจเจกไม่กี่อย่าง แต่แทบจะทั้งหมดกำลังตกอยู่ในความเสี่ยง รากฐานที่ พื้นฐานที่สุด ของความสามารถในการคิดอย่างลึก กว้าง และต่อเนื่อง กำลังถูกท้าทาย เรื่องแบบนี้ไม่เคยเกิดขึ้นในลักษณะนี้มาก่อน
เวลาดูเอเจนต์ทำงาน บางครั้งก็น่าทึ่งจนแทบหายใจไม่ออก ในทางกลับกัน พลังนั้นเองก็ทำให้เราเปราะบางต่อการยั่วยวนและการทำให้หมดพลังในระดับเดียวกัน ศักยภาพของผลกระทบทางจิตวิทยาระยะยาวแทบจะใกล้เคียงยาเสพติดรุนแรง
ทุกวันนี้มันง่ายเกินไปที่จะติดอยู่ในห้องเสียงสะท้อน และยากมากที่จะหลุดออกจากไซโล
มันอาจเป็นดาบสองคมก็ได้ AI ที่คนส่วนใหญ่เชื่อเหมือนเป็นเทพพยากรณ์ผู้รู้ทุกอย่าง อาจกลับกลายเป็นการโต้แย้งเพียงอย่างเดียวที่เราได้พบต่อจุดยืนที่เรารับมาแบบเฉยๆ จากการเลื่อนดูโซเชียลมีเดียหรือ Youtube, TikTok
ตัวอย่างเช่น ถ้าถาม Claude, ChatGPT, Grok เกี่ยวกับ “เลเซอร์อวกาศ” ของไฟป่า Hawaii ปี 2018 ที่คนอย่าง Marjorie Taylor Greene ปล่อยบนโซเชียลมีเดีย มันก็จะรีบโต้กลับว่าเป็นเรื่องไร้สาระ
ท้ายที่สุดทุกคนอาจมี AI ส่วนตัวที่คอยพูดแต่สิ่งที่เจ้าตัวอยากฟังก็ได้ แต่จนถึงตอนนี้ ผมก็เห็นคนยอมเลิกเถียงบน Twitter เพราะ Grok ปัดตกข้ออ้างของพวกเขาไปแล้ว ดังนั้นก็ดูเหมือนจะยังมีความหวังอยู่บ้าง
การได้เห็นเอเจนต์ทำงานแล้วรู้สึกน่าทึ่งจนแทบหายใจไม่ออกนั้น มายากลก็ทำได้เหมือนกัน ความเป็นไปได้อันน่าอึดอัดที่ว่าสิ่งนั้นอาจเป็นเพียง ภาพลวง ที่เราไม่เข้าใจอย่างถูกต้องทั้งหมด ดูเหมือนจะไม่ได้เป็นภาระต่อผู้คนสักเท่าไร
ที่ว่าผลกระทบทางจิตวิทยาระยะยาวเหมือนยาเสพติดรุนแรงนั้น อาจเกี่ยวข้องมากกว่าว่าเจ้าของผลิตภัณฑ์นี้เลือกจะทำการตลาดและเผยแพร่มันอย่างไร แค่เปิดผ้าคลุมออกนิดหน่อย ความเคลิบเคลิ้มอาจกลายเป็นความหวาดกลัวได้ ช่วงเวลาแบบ Upton Sinclair กำลังใกล้เข้ามา
พยาบาล แพทย์ และครอบครัวต่างรู้ดีว่า เมื่อคนคนหนึ่งถูกตรึงอยู่กับเตียงอย่างกะทันหัน แล้วสิ่งกระตุ้นกับความท้าทายที่ทำได้ถูกลดลงจนแทบไม่มี วิถีชีวิตของเขาจะทรุดลงเร็วแค่ไหน
LLM ขจัดหรือทำให้ความท้าทายเหลือน้อยที่สุด นอกจากการลดต้นทุนให้นายจ้างแล้ว ก็ยากจะนึกออกว่ามันเพิ่มคุณค่าอะไรให้วิศวกรได้บ้าง แน่นอนว่าจะมีคนออกมาบอกว่าตัวเองทำงานได้มากขึ้น 10 เท่า และบางคนอาจทำได้จริง แต่ผมก็ยังสงสัยอยู่ดี สำหรับคนส่วนใหญ่ที่เหลือ มันไม่ดีนัก และก็ไม่น่าจะดีขึ้นด้วย เว้นแต่ว่าราคาจะทำให้มันใช้ไม่ได้ในตลาดส่วนใหญ่
ตอนอายุ 40 ผมกำลังเรียนรู้สิ่งใหม่ๆ ด้วยความเร็วที่ตัวเองไม่เคยจินตนาการมาก่อน ทั้งกีฬาใหม่ ธุรกิจใหม่ และความสนใจทางวิชาการใหม่ๆ
เทคโนโลยีคือคันโยก และ AI คือคันโยกที่ใหญ่ที่สุดที่เรามี มันทำให้ความขี้เกียจเป็นไปได้ และก็ทำให้เกิดประสิทธิภาพมหาศาลได้เหมือนกัน เส้นทางต่อจากนี้เราเลือกเองได้
LLM เป็นพวกประจบ และในการสนทนายาวๆ การประจบนั้นจะสร้าง วงจรป้อนกลับเชิงบวก ถ้ามีการยืนยันการตีความหรืออุปมาอุปไมยที่ผิดเข้าไปในหน้าต่างบริบท แชตบอตก็จะเดินหน้าต่อไปในทิศนั้น เพราะมันคือการเติมข้อความก่อนหน้าให้ดูน่าเชื่อที่สุด
ไม่นานคุณก็จะเหมือนค้นพบโครงสร้างลับของจักรวาล ซึ่งสุดท้ายก็มักกลายเป็นอะไรทำนอง Minkowski fractal spacetime tensor lattice manifold กับ subharmonic DNA nanotube
เพราะงั้น ถ้าไม่มีวิธีที่แข็งแรงพอจะประเมินสิ่งที่กำลังเรียนและตรวจสอบว่าคุณกำลังเรียนรู้จริงหรือไม่ ก็ควรระวังไว้จะดีกว่า
เรื่องนี้รู้กันมานานแล้ว นักเรียนที่อ่านแต่หนังสือคณิตศาสตร์แต่ไม่ทำโจทย์ซ้ำๆ จะสอบไม่ผ่าน
ต่อให้ดีที่สุด มันก็แค่การอ่านอะไรบางอย่างอยู่เท่านั้น ผู้ใช้ coding agent จำนวนมากไม่ได้ทำแม้กระทั่งแค่นั้น
การเรียนรู้ต้องใช้การลงทุนลงเวลาอย่างมหาศาล การใช้ LLM ไม่ได้ทำให้เวลานั้นลดลง
ทุกอย่างทางเทคนิคที่ผมรู้คือสิ่งที่ผมเรียนมาด้วยความพยายามของตัวเอง ดังนั้นผมจึงอยากให้เครื่องมือเหล่านี้ถูกโฆษณาในฐานะแบบจำลองที่ช่วยให้คนทำงาน ได้ดีขึ้น ไม่ใช่แบบจำลองที่ทำงานแทนมากขึ้น
ตอนนี้มันกลับถูกใช้เป็นข้ออ้างสำหรับการปลดคนครั้งใหญ่ มากกว่าจะยกระดับความสามารถของผู้คน และแน่นอนว่ามันยังดึงดูดคนจำนวนมากที่ใช้มันเพื่อทำให้ความสามารถจริงของตัวเองดูเกินจริงอีกด้วย
การใช้เครื่องมือโดยทั่วไปมักเป็นเส้นโค้งแบบนี้ ถ้าคุณอยากรักษาทักษะอะไรไว้ ก็ต้องรักษามันจริงๆ
ตัวมันเองไม่ได้แย่โดยเนื้อแท้ เครื่องมือทำให้เราทำอะไรได้มากกว่าที่จะทำได้โดยไม่มีเครื่องมือ และเรื่องว่าทักษะใดบ้างที่ยังสำคัญโดยเนื้อแท้เมื่อเครื่องมือเข้ามาทำแทน ก็ยังเป็นประเด็นที่ถกเถียงกันได้
มันไม่ใช่เครื่องมือเฉพาะทางที่มีขอบเขตปัญหาชัดเจนเหมือนเครื่องคิดเลข ในทางปฏิบัติ หลายคนใช้ AI กับงานเฉพาะทางอย่างการเขียนโค้ดหรือการออกแบบภาพ แต่ในเชิงหลักการก็ไม่มีเหตุผลอะไรที่เราจะส่งต่อแม้แต่ระดับนามธรรมของงานที่เราทำอยู่ตอนนี้ให้ AI ไม่ได้
เอาต์พุตของ LLM ไม่น่าเชื่อถือ ดังนั้นยังต้องอาศัยการตัดสินอยู่ดี และถ้าจะตัดสินโค้ดได้ คุณก็ต้องเคยลงมือกับมันเองมาบ้าง เพราะฉะนั้นเครื่องมือที่ไม่น่าเชื่อถือก็ไม่ได้ช่วยอะไรนัก เว้นแต่คุณจะยอมรับความไม่แน่นอนนั้น
เมื่อนึกถึงวิศวกรระดับ Staff+ ก็ไม่น่าแปลกใจ งานของพวกเขาคล้ายกับการออกคำสั่งให้ AI อยู่มาก หลายคนไต่บันไดขึ้นมาด้วยความพยายาม ทักษะวิศวกรรมที่ยอดเยี่ยม ทักษะด้านมนุษยสัมพันธ์ และโชคเล็กน้อย แต่ยิ่งบริษัทใหญ่ขึ้น เวลาที่ใช้กับการเขียนโค้ด การดีบัก และการออกแบบเชิงลึกก็ยิ่งลดลง
กลับต้องทำตัวเหมือนผู้จัดการผลิตภัณฑ์ที่มีความเป็นเทคนิคสูงมากแทน ช่วยพวก VP วางแผนและเขียนข้อกำหนดผลิตภัณฑ์ระดับสูง แล้วโรยศัพท์เทคนิคลงไปหน่อย วาดกล่องบนไวท์บอร์ด ทำสไลด์สวย ๆ และเขียนเอกสารที่ขัดเกลามาอย่างดีให้ฝ่ายบริหารพอใจ อยู่ในประชุมหรือกำลังเดินไปประชุมถัดไป และถ้ามีไอเดียทางเทคนิคก็ส่งทีมไปตรวจสอบ
แน่นอนว่าพวกเขายังคงรู้สึกว่าตัวเองมีความเป็นเทคนิคสูงอยู่ แต่พอถึงวันที่ต้องแก้ incident ในระบบ ผ่านสัมภาษณ์เชิงเทคนิค หรือเขียนโค้ดจำนวนมาก ก็จะตระหนักว่าทักษะเริ่มขึ้นสนิมแล้ว
ไม่ได้จะวิจารณ์ แค่อยากเน้นว่านี่คือโจทย์อาชีพจริง ๆ ในฐานะวิศวกร คุณอยากลับมาขัดเกลาความสามารถทางเทคนิค แต่ถ้าจะไต่บันไดในองค์กร ก็ต้องรับงานเชิงองค์กรให้มากขึ้น ทางออกเดียวที่พอนึกได้คือขยับไปใกล้ความเป็นนักวิจัยหรืออาจารย์มากขึ้น อาจารย์ที่ดีเมื่อเวลาผ่านไปอาจใช้เวลาน้อยลงกับการเขียนเปเปอร์หรือพิสูจน์สมการเอง แต่มีความลึกของ insight มากพอจะชี้แนะนักศึกษาปริญญาเอกให้สร้างผลงานยอดเยี่ยมได้ เพียงแต่เส้นทางนั้นก็ไม่ได้ง่ายอย่างที่พูด
ผลกระทบด้านลบที่ใหญ่ที่สุดที่ฉันเห็นคือ คนจำนวนมากเคลื่อนที่ เร็วเกินไป จนไม่ทันประเมินสิ่งที่ตัวเองโยนเข้าไป ถ้าเร็วเกินไป ก็จะไม่มีเวลาสั่งสมรสนิยม หรือทำความเข้าใจความละเอียดอ่อนของหลาย ๆ วิธีในการแก้ปัญหาเดียวกัน
ฉันเองก็ใช้ LLM เยอะพอสมควร แต่ดูเหมือนว่าจะใช้เวลานั่งจ้องโค้ดที่มันสร้างออกมานานกว่าค่าเฉลี่ยของเพื่อนร่วมงานมาก ของที่ออกมารอบแรกมัน “ใช้ได้” ก็จริง แต่หลังจากปล่อยให้มันตกผลึกในหัวแล้ว กว่าจะรู้สึกว่าควร merge ได้จริง ปกติก็ต้องวนไอเดียเดิมอีก 2–3 รอบ
ดังนั้นเมื่อรวมทั้งหมดแล้ว ในประเด็นด้านการออกแบบที่สำคัญจริง ๆ ก็ไม่ได้รู้สึกว่าผลิตภาพเพิ่มขึ้นมากนัก
อย่างแรก ฉันสงสัยในคุณค่าของงานวิจัยส่องกล้องนี้ ถ้าจะเปรียบเทียบจำนวน adenoma ที่พบก่อนและหลังการลดทักษะที่อาจเกิดจาก AI ก็ต้องสมมติว่า อัตราการเกิด adenoma คงที่ ซึ่งดูไม่ใช่สมมติฐานที่ปลอดภัยนัก
ไม่แน่ใจว่าเป็นปัญหาของตัวงานวิจัยเองหรือปัญหาของสรุป แต่การออกแบบงานวิจัยที่ดีกว่ามากน่าจะเป็นการวัดว่าผู้เข้าร่วมทำได้ดีแค่ไหนเมื่อเทียบกับการวิเคราะห์ฐาน และจะทำให้มั่นใจมากขึ้นด้วยว่ามีการเปลี่ยนแปลงของทักษะจริง
อีกอย่าง ฉันก็สงสัยว่าเวลาในการอ่านผลลดลงหรือไม่ หรือเพราะ AI อ่านได้เร็ว ทำให้ตอนสแกนแบบเดิมรู้สึกกดดันมากขึ้นหรือเปล่า นี่เป็นตัวแปรกวนที่อาจเกิดขึ้นได้
อย่างที่สอง การที่ AI ทำให้เกิดการลดทักษะที่วัดได้ไม่ใช่เรื่องน่าแปลกใจ แต่ก่อนหน้านี้เราก็คงหาการลดทักษะจากตัวตรวจสะกดและเครื่องคิดเลขได้เหมือนกัน ถึงอย่างนั้นก็ไม่มีใครบอกว่าเดี๋ยวนี้ไม่ควรใช้ word processor แล้วกลับไปนับนิ้วมือเท้าหรือทำหารยาว
มันมีการแลกเปลี่ยนอยู่เสมอระหว่างทักษะและความรู้แบบไหนที่สำคัญจริง ๆ สำหรับผู้เชี่ยวชาญ กับอะไรที่สามารถจ้างเทคโนโลยีทำแทนได้ ตอนนี้เป็นช่วงเปลี่ยนผ่าน เพราะเทคโนโลยียังใหม่และเปลี่ยนเร็วเกินไป อีกไม่กี่ปี เมื่อเราไต่ขึ้นไปสูงกว่านี้บนเส้นโค้งการยอมรับ และความเร็วของการเปลี่ยนแปลงเริ่มนิ่งลงในบางด้าน เราก็น่าจะลงตัวกับวิธีใช้ AI ที่ยังต้องอาศัยทั้งความรู้และทักษะในงานอย่างการเขียนโค้ดและการแพทย์ และฉันคิดว่าผู้คนจะค่อย ๆ ชินกับการที่บางสิ่งซึ่งทุกวันนี้ถือเป็นแกนหลักของงาน ไม่จำเป็นต้องรู้หรือทำเองอีกต่อไป
จะถึงขั้นที่ AI หายไปแล้วเรามานั่งเสียดายทักษะที่สูญเสียไปไหม? ต่อให้แย่ที่สุดก็คงแค่ต้องใช้ โมเดล open-weight แทนของล้ำหน้าที่สุด ดังนั้นฉันไม่คิดว่าเป็นปัญหาใหญ่
มั่นใจว่าหลังมีการประดิษฐ์เครื่องคิดเลข ผู้คนก็คงคำนวณเลขคณิตได้แย่ลง
เมื่อเวลาผ่านไปและเราสั่งสมทักษะ ก็จะเกิด insight และ insight นั้นจะนำไปสู่นวัตกรรม
AI ทำสิ่งที่น่าสนใจได้มากมาย แต่ยังสร้างนวัตกรรมไม่ได้
ภัยคุกคามที่แท้จริงไม่ใช่ว่าเราทุกคนจะสูญเสียทักษะและเสียสิทธิ์เข้าถึง AI ไปด้วย แบบนั้นก็เป็นไปได้ แต่โอกาสที่จะเสียการเข้าถึงดูต่ำกว่า ความเสี่ยงที่ใหญ่กว่าคือ AI จะค้างอยู่ประมาณระดับปัจจุบัน ขณะที่เราพึ่งพามันจนทักษะทื่อขึ้น และยกการคิดให้เครื่องจักรที่ไม่ค่อยสร้างนวัตกรรมมากเกินไป จนทำให้นวัตกรรมหยุดชะงัก
ไม่ได้บอกว่าจะต้องลงเอยแบบนั้นแน่ ๆ แต่ก็ดูเป็นผลลัพธ์ที่เป็นไปได้พอสมควร
“หลังการประดิษฐ์ LLM ผู้คนทำ X ได้แย่ลง”
ปัญหาไม่ได้มีแค่ว่าทักษะ X เสื่อมถอยลงเท่านั้น
ปัญหาคือสำหรับ LLM แล้ว X แทบจะหมายถึง ความรู้และทักษะการสื่อสารทั้งหมด
สังคมจะรับมือกับภาวะที่ความรู้และทักษะการสื่อสารแทบทั้งหมดเสื่อมถอยลงได้จริงหรือ