ประวัติ AI ฉบับเล่าเรื่อง: จากความฝันของ Alan Turing สู่ Generative AI และ AI Agent

ก่อนจะมีคำว่า AI มนุษย์ก็ฝันถึงเครื่องจักรที่คิดได้แล้ว

ความฝันเรื่องสิ่งประดิษฐ์ที่มีความคิดคล้ายมนุษย์ปรากฏอยู่ในตำนานของหลายวัฒนธรรมมาเป็นเวลานาน แต่การเดินทางของ AI ในทางวิทยาศาสตร์เริ่มต้นขึ้น เมื่อมนุษย์พยายามเปลี่ยน “การคิด” ให้กลายเป็นขั้นตอนที่อธิบายและตรวจสอบได้

นักตรรกศาสตร์ตั้งคำถามว่า เหตุผลของมนุษย์สามารถเขียนเป็นกฎได้หรือไม่

นักคณิตศาสตร์พยายามค้นหาว่า ปัญหาแบบใดสามารถแก้ได้ด้วยขั้นตอนที่แน่นอน

ส่วนวิศวกรก็พยายามสร้างเครื่องจักรที่ช่วยทำงานคำนวณซ้ำ ๆ แทนมนุษย์

ตลอดหลายศตวรรษ แนวคิดจากตรรกะ คณิตศาสตร์ สถิติ จิตวิทยา ประสาทวิทยา และวิศวกรรมควบคุมค่อย ๆ ไหลมาบรรจบกัน จนเกิดคำถามสำคัญว่า

หากความคิดบางส่วนของมนุษย์สามารถเขียนเป็นกฎได้ แล้วเราจะสอนให้เครื่องจักรทำตามกฎเหล่านั้นได้หรือไม่

ดังนั้น AI จึงไม่ได้ถือกำเนิดขึ้นจากคอมพิวเตอร์เพียงอย่างเดียว แต่เกิดจากการพบกันของศาสตร์หลายแขนงที่พยายามทำความเข้าใจว่า “ความฉลาด” ทำงานอย่างไร

ปี 1936: Alan Turing วางรากฐานให้เครื่องจักรแห่งความคิด

ก่อนที่โลกจะมีคอมพิวเตอร์อิเล็กทรอนิกส์ใช้อย่างแพร่หลาย นักคณิตศาสตร์ชาวอังกฤษชื่อ Alan Turing ได้เสนอแบบจำลองเชิงนามธรรมของเครื่องจักรที่สามารถอ่าน เขียน และจัดการสัญลักษณ์ตามกฎที่กำหนด

แบบจำลองนี้ภายหลังถูกเรียกว่า Turing Machine

Turing Machine ไม่ใช่หุ่นยนต์ และไม่ใช่เครื่องคอมพิวเตอร์ที่ถูกสร้างขึ้นจริงในตอนนั้น แต่มันช่วยตอบคำถามพื้นฐานที่สุดข้อหนึ่งของวิทยาการคอมพิวเตอร์ว่า

ปัญหาแบบใดสามารถแก้ได้ด้วยขั้นตอนการคำนวณ และปัญหาแบบใดไม่มีขั้นตอนทั่วไปที่รับประกันคำตอบ

แนวคิดนี้เปรียบเสมือนการวาดแผนที่ของโลกแห่งการคำนวณ ก่อนที่มนุษย์จะมีเครื่องมือสำหรับเดินทางเข้าไปในโลกนั้นเสียอีก

งานของ Turing ในปี 1936 จึงกลายเป็นหนึ่งในรากฐานสำคัญของวิทยาการคอมพิวเตอร์สมัยใหม่

ปี 1950: “เครื่องจักรคิดได้หรือไม่”

หลังสงครามโลกครั้งที่สอง คอมพิวเตอร์เริ่มเปลี่ยนจากแนวคิดบนกระดาษไปเป็นเครื่องจักรที่ใช้งานได้จริง

Turing จึงกลับมาตั้งคำถามที่ทะเยอทะยานยิ่งกว่าเดิมว่า

“เครื่องจักรสามารถคิดได้หรือไม่”

ปัญหาคือ คำว่า “คิด” หมายความว่าอย่างไร

มนุษย์เองยังถกเถียงกันไม่จบว่าอะไรคือความคิด ความเข้าใจ หรือสติปัญญา ดังนั้นแทนที่จะเสียเวลาไปกับการนิยามคำเหล่านี้ Turing จึงเสนอวิธีทดสอบผ่านพฤติกรรม

ผู้ประเมินจะสนทนาผ่านข้อความกับคู่สนทนาที่มองไม่เห็น หากผู้ประเมินไม่สามารถแยกได้อย่างมั่นใจว่าอีกฝ่ายเป็นมนุษย์หรือเครื่องจักร เครื่องจักรนั้นก็ถือว่าแสดงพฤติกรรมการสนทนาที่ใกล้เคียงมนุษย์

แนวคิดนี้ภายหลังกลายเป็นที่รู้จักในชื่อ Turing Test

Turing Test ไม่ได้พิสูจน์ว่าเครื่องจักรมีความรู้สึกหรือมีสติ แต่มันเปลี่ยนการถกเถียงจากคำถามเชิงปรัชญาที่จับต้องยาก ไปสู่พฤติกรรมที่สามารถสังเกตและทดลองได้

ที่น่าสนใจคือ ผ่านมาหลายสิบปี คำถามของ Turing ยังคงตามติดวงการ AI อยู่เสมอ

ทุกครั้งที่แชตบอตตอบได้อย่างเป็นธรรมชาติ มนุษย์มักเผลอคิดว่าระบบ “เข้าใจ” สิ่งที่พูด ทั้งที่ความสามารถในการสร้างคำตอบและความเข้าใจแบบมนุษย์อาจเป็นคนละเรื่องกัน [OUP Academic]

ปี 1956: วันที่ Artificial Intelligence มีชื่อเรียกอย่างเป็นทางการ

ฤดูร้อนปี 1956 นักวิจัยกลุ่มหนึ่งมารวมตัวกันในโครงการวิจัยที่ Dartmouth College สหรัฐอเมริกา

พวกเขาตั้งสมมติฐานที่กล้าหาญว่า การเรียนรู้และสติปัญญาของมนุษย์น่าจะสามารถอธิบายได้อย่างละเอียดมากพอ จนเครื่องจักรสามารถจำลองมันได้

ในข้อเสนอโครงการดังกล่าว มีการใช้คำว่า Artificial Intelligence อย่างชัดเจน

คำนี้มีความสำคัญมาก เพราะมันช่วยรวบรวมงานที่เคยกระจัดกระจายอยู่ในหลายสาขาให้กลายเป็นพื้นที่วิจัยเดียวกัน นักคณิตศาสตร์ นักจิตวิทยา นักวิทยาการคอมพิวเตอร์ และวิศวกรเริ่มมองเห็นว่าตนเองกำลังพยายามแก้ปัญหาที่เกี่ยวข้องกัน

Dartmouth จึงมักถูกเรียกว่า “สถานที่เกิดของ AI”

แต่ในความเป็นจริง แนวคิดจำนวนมากมีมาก่อนหน้านั้นแล้ว ความสำคัญของ Dartmouth อยู่ที่การตั้งชื่อ การสร้างชุมชนนักวิจัย และการทำให้หน่วยงานผู้ให้ทุนมองเห็นว่าสาขานี้อาจมีอนาคต [Formal Reasoning Group]

ยุคแห่งความมั่นใจ: เมื่อทุกคนเชื่อว่า AI ระดับมนุษย์อยู่ไม่ไกล

ช่วงปลายทศวรรษ 1950 ถึงกลางทศวรรษ 1960 เป็นยุคที่วงการ AI เต็มไปด้วยพลังและความหวัง

นักวิจัยพัฒนาโปรแกรมที่สามารถพิสูจน์ทฤษฎีบท เล่นเกม แก้ปัญหา และประมวลผลภาษาในระดับหนึ่งได้

แนวทางหลักในขณะนั้นเรียกว่า Symbolic AI

หลักการของมันฟังดูตรงไปตรงมา หากเราสามารถนำความรู้ของมนุษย์มาเขียนเป็นข้อเท็จจริง สัญลักษณ์ และกฎได้ คอมพิวเตอร์ก็น่าจะใช้กฎเหล่านั้นเพื่อให้เหตุผลและค้นหาคำตอบได้

ตัวอย่างเช่น

• หากฝนตก ถนนจะเปียก
• ขณะนี้ฝนกำลังตก
• ดังนั้นถนนน่าจะเปียก

เมื่อโปรแกรมสามารถทำงานกับโจทย์ที่กำหนดขอบเขตชัดเจนได้สำเร็จ นักวิจัยบางส่วนจึงเชื่อว่า อีกไม่นานเครื่องจักรอาจมีความสามารถใกล้เคียงมนุษย์

เงินทุนไหลเข้าสู่ห้องทดลองจำนวนมาก และการทำนายอนาคตก็ยิ่งกล้าหาญขึ้น

แต่แล้ววงการ AI ก็ต้องพบกับความจริงข้อสำคัญว่า

ปัญหาที่ดูง่ายสำหรับมนุษย์ อาจยากอย่างมหาศาลสำหรับคอมพิวเตอร์

เมื่อ AI เดินออกจากห้องทดลอง แล้วพบว่าโลกจริงไม่ได้เป็นระเบียบ

ในห้องทดลอง ทุกอย่างสามารถควบคุมได้

แสงอยู่ในระดับที่เหมาะสม วัตถุถูกวางในตำแหน่งที่คาดไว้ คำถามมีรูปแบบชัดเจน และข้อมูลถูกเตรียมมาอย่างดี

แต่โลกจริงไม่เคยให้ความร่วมมือขนาดนั้น

ภาษามีสำนวนและความกำกวม วัตถุอาจถูกบัง ภาพอาจมืด เสียงอาจมีสัญญาณรบกวน และมนุษย์มักทำสิ่งที่ผู้ออกแบบระบบไม่ได้คาดการณ์ไว้

โปรแกรมแปลภาษาในยุคแรกพบว่า การแปลไม่ใช่เพียงการนำคำหนึ่งไปแทนด้วยอีกคำหนึ่ง เพราะความหมายขึ้นอยู่กับบริบท วัฒนธรรม และความรู้เกี่ยวกับโลก

ระบบการค้นหาคำตอบก็เผชิญปัญหาเช่นเดียวกัน เมื่อจำนวนตัวเลือกเพิ่มขึ้น ความเป็นไปได้อาจขยายตัวอย่างรวดเร็วจนเครื่องจักรไม่สามารถคำนวณได้ทัน

สิ่งที่เคยดูเหมือนเป็นบันไดสั้น ๆ ไปสู่เครื่องจักรอัจฉริยะ กลับกลายเป็นภูเขาที่สูงกว่าที่ทุกคนคาดไว้

รายงานและการประเมินหลายฉบับเริ่มตั้งคำถามต่อความก้าวหน้าของ AI เงินทุนถูกลดลง และคำสัญญาอันยิ่งใหญ่ในยุคแรกเริ่มย้อนกลับมาทำร้ายวงการ

ช่วงเวลานี้ถูกเรียกว่า AI Winter ครั้งแรก

คำว่า “ฤดูหนาว” ไม่ได้หมายความว่างานวิจัยหยุดลงทั้งหมด แต่หมายถึงช่วงที่ความสนใจ เงินทุน ตำแหน่งงาน และความเชื่อมั่นลดลงอย่างมาก หลังจากผลลัพธ์จริงตามไม่ทันความคาดหวัง

Expert System: แทนที่จะทำให้ AI รู้ทุกอย่าง ลองสอนให้มันเก่งเพียงเรื่องเดียว

หลังจากความฝันเรื่องเครื่องจักรที่ฉลาดรอบด้านเริ่มสะดุด นักวิจัยเปลี่ยนวิธีคิดใหม่

แทนที่จะสร้าง AI ที่ทำได้ทุกอย่าง พวกเขาหันมาสร้างระบบที่เชี่ยวชาญในงานเฉพาะด้าน

แนวทางนี้นำไปสู่ยุคของ Expert System

Expert System เก็บความรู้ของผู้เชี่ยวชาญไว้ในรูปของกฎ เช่น

ถ้ามีอาการ A ร่วมกับผลตรวจ B ให้พิจารณาความเป็นไปได้ C

ระบบอย่าง DENDRAL ถูกนำมาช่วยวิเคราะห์โครงสร้างโมเลกุล ขณะที่ MYCIN ทดลองใช้กฎเพื่อช่วยให้คำแนะนำเกี่ยวกับการติดเชื้อและการใช้ยาปฏิชีวนะ

ความสำเร็จของ Expert System แสดงให้เห็นว่า AI ไม่จำเป็นต้องมีความฉลาดเหมือนมนุษย์ทุกด้าน จึงจะสร้างคุณค่าได้

เพียงแค่ทำงานเฉพาะอย่างได้ดีพอ ก็อาจช่วยลดเวลา ลดข้อผิดพลาด หรือสนับสนุนการตัดสินใจของผู้เชี่ยวชาญได้แล้ว

แต่ปัญหาใหม่ก็เกิดขึ้น

ความรู้จำนวนมากไม่ได้อยู่ในตำรา แต่อยู่ในประสบการณ์ของผู้เชี่ยวชาญ บางครั้งผู้เชี่ยวชาญรู้ว่าควรตัดสินใจอย่างไร แต่ไม่สามารถอธิบายออกมาเป็นกฎที่ชัดเจนได้

ยิ่งฐานกฎมีขนาดใหญ่ การแก้ไขและดูแลก็ยิ่งยาก กฎใหม่อาจขัดกับกฎเก่า และเมื่อโลกเปลี่ยน ความรู้ในระบบก็ต้องได้รับการปรับปรุงอย่างต่อเนื่อง

AI จึงไม่ได้เรียนรู้ด้วยตัวเอง ทีมงานยังต้องคอยป้อนและบำรุงรักษาความรู้ให้มันอยู่เสมอ

AI Winter ครั้งที่สอง: เมื่อระบบฉลาด แต่แพงและดูแลยากเกินไป

ช่วงต้นทศวรรษ 1980 Expert System กลายเป็นเทคโนโลยีที่หลายบริษัทให้ความสนใจ

มีการพัฒนาเครื่องคอมพิวเตอร์และซอฟต์แวร์เฉพาะสำหรับงาน AI ตลาดเติบโตอย่างรวดเร็ว และหลายประเทศลงทุนในโครงการขนาดใหญ่เพื่อแข่งขันกันสร้างคอมพิวเตอร์แห่งอนาคต

อย่างไรก็ตาม เมื่อองค์กรนำระบบไปใช้จริง พวกเขาพบว่าต้นทุนไม่ได้หยุดอยู่ที่ค่าซอฟต์แวร์

องค์กรยังต้องจ่ายค่าผู้เชี่ยวชาญ ทีมพัฒนาฐานกฎ การเชื่อมระบบเข้ากับกระบวนการเดิม และการดูแลความรู้ให้ทันสมัย

เมื่อคอมพิวเตอร์ทั่วไปมีราคาถูกและทรงพลังขึ้น เครื่องเฉพาะทางราคาแพงก็เริ่มสูญเสียความได้เปรียบ บริษัท AI หลายแห่งปิดตัวลง และผู้ลงทุนเริ่มระมัดระวัง

วงการจึงเข้าสู่ AI Winter ครั้งที่สอง ในช่วงปลายทศวรรษ 1980 ถึงต้นทศวรรษ 1990

คราวนี้บทเรียนไม่ได้มีเพียงเรื่องความสามารถของอัลกอริทึม แต่รวมถึงความจริงทางธุรกิจด้วยว่า

เทคโนโลยีที่ทำงานได้ในห้องทดลอง อาจไม่ใช่ผลิตภัณฑ์ที่คุ้มค่าสำหรับองค์กร

ระบบที่แม่นยำแต่ติดตั้งยาก ดูแลแพง และไม่เข้ากับวิธีทำงานของผู้ใช้ อาจล้มเหลวได้ไม่ต่างจากระบบที่ทำงานไม่ดี

ทศวรรษ 1990: จากการเขียนกฎ สู่การปล่อยให้เครื่องเรียนจากข้อมูล

หลังจากพบว่าการเขียนกฎทุกอย่างด้วยมือเป็นงานที่ยากและใช้เวลามหาศาล นักวิจัยจำนวนมากเริ่มหันไปสู่แนวทางใหม่

แทนที่จะบอกคอมพิวเตอร์ทีละข้อว่าโลกทำงานอย่างไร พวกเขานำตัวอย่างจำนวนมากมาให้คอมพิวเตอร์ แล้วปล่อยให้ระบบค้นหารูปแบบจากข้อมูล

นี่คือจุดที่ Machine Learning เริ่มมีบทบาทมากขึ้น

ตัวอย่างเช่น แทนที่จะเขียนกฎหลายพันข้อเพื่ออธิบายว่าอีเมลแบบใดเป็นสแปม เราสามารถนำตัวอย่างอีเมลสแปมและอีเมลปกติมาให้ระบบเรียนรู้ความแตกต่าง

แนวทางเชิงสถิติช่วยให้ AI จัดการกับความไม่แน่นอนได้ดีขึ้น และทำให้วงการเริ่มให้ความสำคัญกับชุดข้อมูล ชุดทดสอบ และเกณฑ์วัดผลร่วมกัน

ความก้าวหน้าอาจไม่ได้เกิดขึ้นอย่างหวือหวาในครั้งเดียว แต่ค่อย ๆ สะสมผ่านข้อมูลที่ดีขึ้น อัลกอริทึมที่แม่นยำขึ้น และเครื่องคอมพิวเตอร์ที่เร็วขึ้น

ปี 1997: วันที่คอมพิวเตอร์เอาชนะแชมป์หมากรุกโลก

หมากรุกเคยถูกมองว่าเป็นสัญลักษณ์ของสติปัญญา การวางแผน และกลยุทธ์ของมนุษย์

แต่ในปี 1997 คอมพิวเตอร์ Deep Blue ของ IBM สามารถเอาชนะ Garry Kasparov แชมป์หมากรุกโลกในการแข่งขันอย่างเป็นทางการได้

เหตุการณ์นี้สร้างแรงสั่นสะเทือนไปทั่วโลก

อย่างไรก็ตาม Deep Blue ไม่ได้คิดเหมือนมนุษย์ และไม่ได้เข้าใจชีวิตนอกกระดานหมากรุก มันเป็นระบบเฉพาะทางที่ผสานความสามารถในการค้นหาความเป็นไปได้จำนวนมหาศาลกับการประเมินตำแหน่งและฮาร์ดแวร์ที่ออกแบบมาโดยเฉพาะ

ชัยชนะของ Deep Blue จึงไม่ได้หมายความว่าเครื่องจักรมีความฉลาดทั่วไปเหนือมนุษย์

แต่มันพิสูจน์ว่า เมื่อกำหนดขอบเขตของปัญหาได้ชัดเจน เครื่องจักรสามารถพัฒนาความสามารถจนเอาชนะมนุษย์ระดับสูงสุดได้ [IBM]

ปี 2012: Deep Learning กลับมา และครั้งนี้โลกพร้อมแล้ว

แนวคิดเรื่องโครงข่ายประสาทเทียมไม่ได้เพิ่งเกิดขึ้นในปี 2012

นักวิจัยศึกษา Neural Network และวิธีฝึกเครือข่ายหลายชั้นมานานหลายสิบปี แต่ในอดีต พวกเขายังขาดสิ่งสำคัญหลายอย่างพร้อมกัน ได้แก่

• ข้อมูลจำนวนมาก
• กำลังประมวลผลที่เพียงพอ
• หน่วยความจำ
• วิธีฝึกที่เสถียร
• ซอฟต์แวร์ที่ใช้งานง่าย

เมื่ออินเทอร์เน็ตสร้างข้อมูลมหาศาล และนักวิจัยพบว่า GPU ซึ่งเดิมพัฒนาสำหรับงานกราฟิกสามารถเร่งการคำนวณของ Neural Network ได้อย่างมีประสิทธิภาพ แนวคิดเก่าจึงได้รับโอกาสใหม่

จุดเปลี่ยนสำคัญเกิดขึ้นในการแข่งขัน ImageNet ปี 2012 เมื่อโมเดล AlexNet ลดข้อผิดพลาดในการจำแนกภาพลงอย่างเด่นชัดเมื่อเทียบกับคู่แข่ง

ความสำเร็จครั้งนั้นทำให้ห้องวิจัยและบริษัทเทคโนโลยีจำนวนมากหันมาลงทุนใน Deep Learning อย่างรวดเร็ว

สิ่งที่น่าสนใจคือ AlexNet ไม่ได้เกิดจากอัลกอริทึมมหัศจรรย์เพียงอย่างเดียว แต่มาจากการที่แนวคิด ข้อมูล GPU วิธีฝึก และชุดทดสอบมาบรรจบกันในเวลาที่เหมาะสม [AlexNet paper]

ปี 2016: AlphaGo และหมากที่ไม่มีใครคาดคิด

หากหมากรุกเป็นโจทย์ยาก เกมโกะก็ยากกว่านั้นหลายระดับ

จำนวนความเป็นไปได้บนกระดานโกะมีมากจนไม่สามารถใช้วิธีค้นหาทุกทางเลือกแบบตรงไปตรงมาได้

ในเดือนมีนาคม 2016 ระบบ AlphaGo ของ Google DeepMind แข่งขันกับ Lee Sedol หนึ่งในนักเล่นโกะที่เก่งที่สุดในโลก และเอาชนะไปได้ 4 ต่อ 1 เกม

AlphaGo ไม่ได้พึ่งเทคนิคเพียงชนิดเดียว แต่ผสาน Deep Neural Network การค้นหาในต้นไม้ และ Reinforcement Learning เข้าด้วยกัน

หนึ่งในช่วงเวลาที่ถูกพูดถึงมากที่สุดคือ “Move 37” ในเกมที่สอง ซึ่งเป็นหมากที่ผู้เชี่ยวชาญหลายคนแทบไม่คิดว่ามนุษย์จะเลือกเดิน แต่ภายหลังกลับกลายเป็นหมากสำคัญของเกม

เหตุการณ์นี้ทำให้โลกเริ่มมอง AI ในมุมใหม่

เครื่องจักรไม่ได้เพียงคำนวณทางเลือกที่มนุษย์เตรียมไว้ให้เท่านั้น แต่มันอาจค้นพบวิธีแก้ปัญหาที่มนุษย์ไม่คุ้นเคยได้ด้วย [Google DeepMind]

ปี 2017: Transformer เปลี่ยนเส้นทางของ AI

แม้ Deep Learning จะทำงานได้ดีด้านภาพและเสียง แต่งานด้านภาษายังคงมีข้อจำกัดหลายประการ

การทำความเข้าใจประโยคไม่ได้ขึ้นอยู่กับคำที่อยู่ติดกันเท่านั้น คำที่ปรากฏอยู่ห่างกันอาจมีความสัมพันธ์สำคัญ และความหมายของคำหนึ่งอาจเปลี่ยนไปตามบริบททั้งหมดของประโยค

ในปี 2017 งานวิจัยชื่อ Attention Is All You Need เสนอสถาปัตยกรรมที่เรียกว่า Transformer

หัวใจของมันคือกลไก Attention ซึ่งช่วยให้โมเดลพิจารณาความสัมพันธ์ระหว่างส่วนต่าง ๆ ของข้อมูลได้โดยตรง

Transformer ยังสามารถประมวลผลข้อมูลแบบขนานระหว่างการฝึกได้ดีกว่าสถาปัตยกรรมลำดับหลายชนิด ทำให้สามารถใช้ข้อมูลมากขึ้น สร้างโมเดลที่ใหญ่ขึ้น และฝึกด้วยกำลังประมวลผลขนาดมหาศาลได้

ในเวลาต่อมา Transformer กลายเป็นรากฐานของโมเดลภาษาอย่าง BERT และ GPT รวมถึงขยายไปสู่งานด้านภาพ เสียง วิดีโอ วิทยาศาสตร์ และชีววิทยา

กล่าวได้ว่า หากไม่มี Transformer โลกของ Generative AI อย่างที่เราเห็นในวันนี้อาจไม่เกิดขึ้นเร็วเท่านี้ [Google Research]

จากโมเดลเฉพาะงาน สู่ Foundation Model

ในอดีต หากต้องการให้ AI ทำงานหลายชนิด เรามักต้องสร้างโมเดลแยกกัน

โมเดลหนึ่งสำหรับแปลภาษา อีกโมเดลสำหรับวิเคราะห์อารมณ์ และอีกโมเดลสำหรับตอบคำถาม

แต่เมื่อโมเดลภาษามีขนาดใหญ่ขึ้นและได้รับการฝึกจากข้อมูลที่หลากหลาย นักวิจัยพบว่าโมเดลเดียวสามารถนำไปปรับใช้กับงานจำนวนมากได้

แนวคิดนี้ถูกเรียกว่า Foundation Model

เปรียบได้กับการสร้างรากฐานขนาดใหญ่ขึ้นมาก่อน จากนั้นทีมพัฒนาระบบจึงนำรากฐานนั้นไปต่อยอดผ่าน Prompt, Fine-tuning, Retrieval หรือเครื่องมือเชื่อมต่ออื่น ๆ

ข้อดีคือไม่จำเป็นต้องเริ่มสร้างโมเดลใหม่จากศูนย์ทุกครั้ง

แต่ข้อเสียคือ หากโมเดลฐานมีอคติ ข้อผิดพลาด หรือช่องโหว่ ปัญหาเหล่านั้นอาจถูกส่งต่อไปยังผลิตภัณฑ์จำนวนมากที่สร้างอยู่บนรากฐานเดียวกัน [Stanford CRFM]

ปี 2022: ChatGPT พา AI ออกจากห้องทดลอง

Generative AI ไม่ได้เริ่มต้นจาก ChatGPT

ก่อนหน้านั้นมีทั้งโมเดลภาษา ระบบสร้างภาพ GAN และ Diffusion Model อยู่แล้ว แต่เทคโนโลยีเหล่านี้ยังไม่เข้าถึงผู้ใช้ทั่วไปในวงกว้าง

จุดเปลี่ยนเกิดขึ้นเมื่อ OpenAI เปิดตัว ChatGPT ในรูปแบบ Research Preview เมื่อวันที่ 30 พฤศจิกายน 2022

สิ่งสำคัญไม่ได้มีเพียงความสามารถของโมเดล แต่คือหน้าต่างสนทนาที่ใช้งานง่าย

ทันใดนั้น ผู้ใช้ไม่จำเป็นต้องเขียนโปรแกรมหรือเข้าใจ Machine Learning ก็สามารถทดลองใช้ AI ขั้นสูงได้ เพียงพิมพ์คำถามด้วยภาษาที่ใช้ในชีวิตประจำวัน

ผู้คนเริ่มนำ AI ไปช่วยร่างเอกสาร สรุปข้อมูล แปลภาษา เขียนโค้ด ระดมความคิด วางแผน และเรียนรู้เรื่องใหม่

AI ซึ่งเคยซ่อนอยู่เบื้องหลังระบบค้นหา โฆษณา และระบบแนะนำ กลายเป็นเทคโนโลยีที่มนุษย์สื่อสารด้วยได้โดยตรง [OpenAI]

จากแชตบอตสู่ AI Agent

ในช่วงแรก Generative AI ทำหน้าที่หลักคล้ายผู้ช่วยตอบคำถาม

ผู้ใช้ส่งคำสั่ง โมเดลสร้างคำตอบ แล้วการทำงานก็จบลง

แต่ทิศทางใหม่ของ AI กำลังเคลื่อนจากระบบที่ “ตอบ” ไปสู่ระบบที่ “ลงมือทำ”

ระบบลักษณะนี้มักถูกเรียกว่า AI Agent

AI Agent สามารถรับเป้าหมาย แบ่งงานเป็นขั้นตอน เรียกใช้เครื่องมือ ตรวจสอบผล และปรับแผนตามสถานการณ์ได้

ตัวอย่างเช่น แทนที่จะเพียงแนะนำวิธีวางแผนการประชุม ระบบอาจตรวจสอบปฏิทิน ค้นหาเวลาว่าง เตรียมวาระ และส่งคำเชิญได้จริง

แต่ความสามารถที่เพิ่มขึ้นย่อมมาพร้อมความเสี่ยงที่สูงขึ้น

หากแชตบอตตอบผิด ผลกระทบอาจหยุดอยู่ที่ข้อความ แต่หาก Agent มีสิทธิ์ส่งอีเมล แก้ไขไฟล์ เข้าถึงฐานข้อมูล หรือทำธุรกรรม ความผิดพลาดอาจกลายเป็นการกระทำจริงได้

ข้อมูลจาก Stanford AI Index 2026 สะท้อนภาพที่น่าสนใจว่า AI บางระบบสามารถทำงานซับซ้อนได้ดีมาก ขณะเดียวกันก็ยังพลาดงานพื้นฐานบางอย่างอย่างไม่น่าเชื่อ ส่วน AI Agent แม้มีความก้าวหน้าอย่างรวดเร็ว แต่ยังล้มเหลวในงานทดสอบที่เป็นระบบอยู่ไม่น้อย

ความสามารถของ AI จึงไม่ได้เพิ่มขึ้นอย่างเรียบเสมอกันทุกด้าน แต่มีลักษณะเหมือนภูมิประเทศที่บางจุดสูงมากและบางจุดกลับเป็นหลุมลึก [Stanford HAI]

บทเรียนสำคัญที่เกิดซ้ำตลอดประวัติศาสตร์ AI

เมื่อมองย้อนกลับไป เราจะพบว่าเหตุการณ์ในวงการ AI เปลี่ยนไป แต่บทเรียนหลายอย่างกลับเกิดซ้ำอยู่เสมอ

1. ความก้าวหน้าไม่ได้เกิดจากอัลกอริทึมเพียงอย่างเดียว

โมเดลที่ประสบความสำเร็จต้องอาศัยข้อมูล ฮาร์ดแวร์ ซอฟต์แวร์ บุคลากร เงินทุน และวิธีวัดผลที่เหมาะสม

แนวคิดที่ดูเหมือนล้มเหลวในวันนี้ อาจกลับมาเปลี่ยนโลกในอนาคต เมื่อส่วนประกอบอื่นพร้อมกว่าเดิม

2. การสาธิตที่น่าตื่นตาไม่เท่ากับระบบที่ใช้งานได้จริง

Demo มักเกิดขึ้นภายใต้สถานการณ์ที่เลือกมาอย่างดี

แต่การใช้งานจริงต้องเผชิญข้อมูลไม่ครบ ผู้ใช้ที่คาดเดาไม่ได้ ต้นทุน การเชื่อมระบบ ความปลอดภัย และความรับผิดชอบเมื่อเกิดข้อผิดพลาด

3. คำสัญญาที่เกินหลักฐานมีราคาแพง

AI Winter ทั้งสองครั้งไม่ได้เกิดเพราะ AI ไม่มีประโยชน์ แต่เกิดจากความคาดหวังที่เติบโตเร็วกว่าความสามารถและความคุ้มค่า

ยิ่งโฆษณาเทคโนโลยีเกินจริงมากเท่าไร ความผิดหวังเมื่อทำไม่ได้ตามคำสัญญาก็ยิ่งรุนแรงขึ้นเท่านั้น

4. ความเก่งเฉพาะด้านไม่ใช่ความฉลาดทั่วไป

Deep Blue เก่งหมากรุก AlphaGo เก่งเกมโกะ และโมเดลภาษาเก่งการสร้างข้อความ

แต่ความสามารถเหล่านั้นไม่ได้ยืนยันว่าระบบมีสามัญสำนึก เข้าใจโลกเหมือนมนุษย์ หรือสามารถทำงานทุกชนิดได้

คำถามสำคัญจึงไม่ใช่เพียง “AI เก่งแค่ไหน” แต่คือ

AI เก่งเรื่องอะไร ภายใต้เงื่อนไขใด และล้มเหลวเมื่อใด

5. เทคโนโลยีเก่าไม่ได้หายไป

ระบบ AI สมัยใหม่ยังคงใช้กฎ การค้นหา ฐานข้อมูล ความน่าจะเป็น และการตรวจสอบโดยมนุษย์ร่วมกับ Deep Learning

งานบางอย่างเหมาะกับโมเดลเรียนรู้จากข้อมูล ขณะที่งานซึ่งต้องตรวจสอบย้อนหลังอาจเหมาะกับกฎที่ชัดเจนกว่า

การออกแบบระบบที่ดีจึงควรเริ่มจากปัญหา ไม่ใช่เริ่มจากเทคโนโลยีที่กำลังเป็นกระแส

ประวัติ AI บอกอะไรกับประเทศไทย

ประเทศไทยมักเข้าถึง AI ผ่านผลิตภัณฑ์สำเร็จรูปจากต่างประเทศ

สิ่งที่เราเห็นคือหน้าจอที่ใช้งานง่าย แต่เบื้องหลังประกอบด้วยข้อมูลฝึก ศูนย์ข้อมูล ชิป ซอฟต์แวร์ ผู้พัฒนา และนโยบายของผู้ให้บริการจำนวนมาก

โมเดลที่ทำงานได้ดีในภาษาอังกฤษ อาจไม่เข้าใจภาษาไทย ชื่อบุคคล สำนวน เอกสารราชการ หรือบริบททางสังคมของไทยได้ดีเท่ากัน

ดังนั้น คะแนน Benchmark ระดับสากลจึงยังไม่เพียงพอ

ก่อนนำระบบไปใช้จริง เราต้องทดสอบกับข้อมูลภาษาไทย งานของคนไทย และความเสี่ยงที่เกิดขึ้นในบริบทของประเทศไทยเอง

ประเทศไทยอาจไม่จำเป็นต้องแข่งขันด้วยการสร้างโมเดลที่ใหญ่ที่สุดในโลก แต่สามารถสร้างความได้เปรียบจากสิ่งที่ใกล้ตัวกว่า เช่น

• ชุดข้อมูลภาษาไทยที่มีคุณภาพ
• แบบทดสอบสำหรับบริบทไทย
• โมเดลและระบบเฉพาะด้าน
• บุคลากรที่เข้าใจทั้งวิชาชีพและ AI
• ระบบรักษาความปลอดภัยและการกำกับดูแล
• ความสามารถในการนำ AI ไปเชื่อมกับกระบวนการทำงานจริง

บทเรียนจาก Expert System ยังคงใช้ได้จนถึงวันนี้

ความรู้เฉพาะด้านของแพทย์ วิศวกร นักกฎหมาย ครู นักวิจัย หรือเจ้าหน้าที่ในหน่วยงานต่าง ๆ อาจสร้างคุณค่าได้มากกว่าการนำโมเดลทั่วไปมาใช้โดยไม่ปรับให้เข้ากับบริบท

คำถามที่พบบ่อยเกี่ยวกับประวัติ AI

ใครเป็นผู้คิดค้น AI คนแรก

ไม่มีบุคคลเพียงคนเดียวที่คิดค้น AI

สาขานี้เกิดจากความร่วมมือและแนวคิดของนักคณิตศาสตร์ นักตรรกศาสตร์ นักประสาทวิทยา นักจิตวิทยา วิศวกร และนักวิทยาการคอมพิวเตอร์จำนวนมาก

Alan Turing มีบทบาทสำคัญต่อทฤษฎีการคำนวณและคำถามเรื่องความฉลาดของเครื่องจักร ส่วน John McCarthy มีบทบาทในการตั้งชื่อ Artificial Intelligence และผลักดันให้สาขานี้มีตัวตนชัดเจนขึ้น

AI เริ่มต้นในปี 1956 จริงหรือไม่

ปี 1956 เป็นหมุดหมายสำคัญ เพราะโครงการ Dartmouth ช่วยทำให้ชื่อ Artificial Intelligence และชุมชนนักวิจัยเป็นรูปเป็นร่าง

แต่แนวคิดเกี่ยวกับตรรกะ การคำนวณ และเครื่องจักรอัตโนมัติมีมาก่อนหน้านั้นหลายสิบหรือหลายร้อยปี

AI Winter เกิดขึ้นกี่ครั้ง

โดยทั่วไปมีการกล่าวถึง AI Winter ครั้งใหญ่สองช่วง

ครั้งแรกเกิดขึ้นในทศวรรษ 1970 หลังผลลัพธ์ไม่เป็นไปตามคำคาดการณ์ของยุคแรก ส่วนครั้งที่สองเกิดในช่วงปลายทศวรรษ 1980 ถึงต้นทศวรรษ 1990 เมื่อธุรกิจ Expert System และตลาดคอมพิวเตอร์เฉพาะทางหดตัว

Deep Learning เริ่มต้นในปี 2012 หรือไม่

ไม่ใช่

แนวคิด Neural Network และ Backpropagation มีมาก่อนหน้านั้นหลายสิบปี แต่ปี 2012 เป็นจุดที่ข้อมูลขนาดใหญ่ GPU วิธีฝึก และการแข่งขัน ImageNet มาบรรจบกัน จน Deep Learning แสดงศักยภาพได้อย่างชัดเจน

ChatGPT คือจุดเริ่มต้นของ Generative AI หรือไม่

ไม่ใช่

โมเดลสร้างภาษาและภาพมีมาก่อน ChatGPT แล้ว จุดสำคัญของ ChatGPT คือการทำให้ผู้ใช้ทั่วไปสามารถเข้าถึง Generative AI ผ่านการสนทนาที่ใช้งานง่าย จึงช่วยเร่งการยอมรับ AI ในวงกว้าง

ประวัติศาสตร์สามารถบอกได้หรือไม่ว่า AGI จะเกิดขึ้นเมื่อไร

ประวัติศาสตร์ไม่สามารถระบุปีที่ AGI จะเกิดขึ้นได้

แต่ประวัติศาสตร์ช่วยเตือนให้เราระวังการขยายผลจาก Demo มากเกินไป การมองข้ามต้นทุน การเชื่อคะแนน Benchmark มากกว่าโลกจริง และการคาดการณ์อนาคตจากความก้าวหน้าเพียงช่วงสั้น ๆ

สรุป: ประวัติ AI ไม่ใช่เส้นตรง แต่เป็นเรื่องของจังหวะเวลา

เส้นทางจากเครื่องคำนวณเชิงกลมาถึง Generative AI ไม่ได้เกิดจากการค้นพบครั้งเดียว

Symbolic AI แสดงให้เห็นว่าเครื่องจักรสามารถทำงานกับกฎและสัญลักษณ์ได้ แต่ติดข้อจำกัดเมื่อปัญหามีขนาดใหญ่

Expert System พิสูจน์ว่า AI สามารถสร้างคุณค่าในงานเฉพาะด้าน แต่การรวบรวมและดูแลความรู้มีต้นทุนสูง

Machine Learning เปลี่ยนจากการเขียนกฎทุกอย่างด้วยมือ ไปสู่การให้ระบบเรียนรู้จากข้อมูล

Deep Learning เติบโตขึ้นเมื่อ Neural Network ได้พบกับข้อมูลขนาดใหญ่ GPU และวิธีฝึกที่เหมาะสม

Transformer เปิดทางให้โมเดลภาษาขยายขนาดและทำงานได้หลากหลาย ส่วน ChatGPT ทำให้เทคโนโลยีเหล่านี้เดินออกจากห้องทดลองเข้าสู่ชีวิตประจำวันของผู้คนนับล้าน

วันนี้ AI Agent กำลังพาเทคโนโลยีขยับจากการสร้างคำตอบไปสู่การลงมือทำ

แต่ยิ่ง AI ทำอะไรได้มากขึ้น คำถามเรื่องความน่าเชื่อถือ ความปลอดภัย ต้นทุน ความโปร่งใส และความรับผิดชอบก็ยิ่งสำคัญขึ้นตามไปด้วย

เรื่องราวของ AI จึงยังไม่จบ

และหากจะจดจำบทเรียนจากประวัติศาสตร์ทั้งหมดไว้เพียงข้อเดียว อาจเป็นข้อนี้

ความคิดที่ยิ่งใหญ่เพียงอย่างเดียวไม่เพียงพอ เทคโนโลยีจะเปลี่ยนโลกได้ก็ต่อเมื่อแนวคิด ข้อมูล ฮาร์ดแวร์ บุคลากร และความต้องการใช้งานมาบรรจบกันในเวลาที่เหมาะสม