ดีปเลิร์นนิงกำลังชนกำแพงข้อจำกัด

• ข้อจำกัดที่บทความอธิบายคือ: GPT-3 ไม่ได้เข้าใจประโยค แต่เพียงมุ่งทำให้ข้อความต่อเนื่องอย่างเป็นธรรมชาติเท่านั้น โมเดลขับขี่อัตโนมัติของ Tesla ไม่สามารถแยกแยะคนที่ถือป้าย STOP ได้ และยังจัดประเภทบัสที่ถูกหิมะกลบว่าเป็นรถกวาดหิมะ สาเหตุคือดีปเลิร์นนิงไม่ได้ “คิด” แต่เป็นการจดจำแล้วค่อยจัดประเภท

• เพราะฉะนั้น ในงานที่ไม่วิกฤตและเป็นโดเมนที่กำหนดไว้ล่วงหน้าแล้ว รวมถึงงานที่สามารถคาดการณ์ผลลัพธ์ถัดไปได้ ดีปเลิร์นนิงจึงให้ผลลัพธ์ที่ยอดเยี่ยม แต่ในพื้นที่ที่ไม่เป็นเช่นนั้นกลับมีปัญหามาก ผู้เขียนยก NetHack เป็นตัวอย่าง โดยทดสอบ AI ที่เล่นเกมนี้จนเคลียร์ได้ทั้งแบบ AI คลาสสิกและ AI ดีปเลิร์นนิง ผลคือ AI คลาสสิกทำผลงานได้ดีกว่า

• AI คลาสสิก หรือ symbolic AI สามารถเข้าใจความหมายและดำเนินการต่อได้ จึงรับมือได้รวดเร็วแม้จะมีรูปแบบใหม่เกิดขึ้น แต่ดีปเลิร์นนิงมีประโยชน์กับการจัดประเภทสิ่งที่มีอยู่เดิม ทว่าไม่เก่งในการจัดการดันเจียนที่ถูกสร้างอัตโนมัติ เพราะมันไม่อาจรู้ได้ว่าสิ่งนั้นมีความหมายอย่างไร

• ทางเลือกที่ผู้เขียนเสนอคือ hybrid AI (อ้างอิง: มองอนาคตของ AI ผ่านอดีตของ AI - MIT Technology Review ) ซึ่งคือการใช้การวิเคราะห์เชิงสัญลักษณ์ของ AI แบบคลาสสิกและกฎที่นิยามได้ เพื่อก้าวข้ามข้อจำกัดของ AI ดีปเลิร์นนิง วิธีนี้จะทำให้ควบคุมสาเหตุของการทำงานภายในได้ และจัดการทั้งความสัมพันธ์เฉพาะส่วนและความสัมพันธ์โดยรวมได้แม่นยำยิ่งขึ้น

• AI ลักษณะนี้ไม่ได้มีอยู่แค่ในข้อเสนอของผู้เขียนเท่านั้น แต่ AlphaGo และ AlphaFold2 ก็เป็น hybrid AI เช่นกัน และบริษัทอื่น ๆ ก็เดินหน้าไปในทิศทางนั้นเช่นกัน

[xguru]

กำลังคิดอยู่ว่าควรสรุปและโพสต์ยังไงดี เลยตั้งใจว่าจะเขียนแค่แนะนำผู้เขียนไว้ด้านล่างแบบนี้ก่อน.. ขอบคุณครับ 555

นี่เป็นบทความของ Gary Marcus ซีอีโอของ Robust AI และผู้เขียนหนังสือ Rebooting AI.

[ffdd270]

บทความนี้มีประเด็นที่หยิบมาพูดถึงเยอะมาก และก็มีส่วนที่น่าสนใจมากมายด้วย เลยสรุปออกมาได้ไม่ง่ายนัก ดังนั้นจึงขอสรุปแบบย่อเฉพาะแนวคิดของผู้เขียนว่าทำไม Hybrid AI ถึงจำเป็น

ในเนื้อหาหลักยังพูดถึงความสัมพันธ์และการปะทะคารมณ์(...) ระหว่าง AI แบบดีพเลิร์นนิงกับ AI แบบดั้งเดิมด้วย และยังมีเรื่องน่าสนใจอีกมาก พออ่านแล้วก็อยากให้คนที่ยังไม่ได้อ่านต้นฉบับ ลองไปอ่านเนื้อหาหลักกันด้วยค่ะ (__ )/