ปรัชญา AI สำหรับคนที่เกลียดปรัชญา

ทางเลือกที่เน้นการใช้งานจริง

คนส่วนใหญ่มองว่าปรัชญาของปัญญาประดิษฐ์เป็นเรื่องถกเถียงว่าหุ่นยนต์มีจิตวิญญาณหรือไม่ ซึ่งเป็นความเข้าใจผิดที่เสียเวลาและบดบังความเสี่ยงที่แท้จริง ในโลกการทำงาน ปรัชญาของเทคโนโลยีนี้คือการพูดคุยเรื่องความรับผิดชอบ ความแม่นยำ และต้นทุนของแรงงานมนุษย์ มันคือการหาคำตอบว่าใครต้องรับผิดชอบเมื่อโมเดลทำผิดพลาดจนบริษัทเสียหายหลายล้านดอลลาร์ และเป็นเรื่องว่าคนทำงานสร้างสรรค์ยังคงเป็นเจ้าของสไตล์ที่ตัวเองสั่งสมมานานหลายทศวรรษหรือไม่ เรากำลังก้าวผ่านยุคที่สงสัยว่าเครื่องจักรคิดได้ไหม ไปสู่ยุคที่เราต้องตัดสินใจว่าจะเชื่อใจให้พวกมันทำแทนเราได้มากแค่ไหน การเปลี่ยนแปลงในอุตสาหกรรมช่วงที่ผ่านมาเปลี่ยนจากแชทบอทที่เอาไว้เล่นมุกตลก ไปสู่เอเจนต์ที่จองเที่ยวบินและเขียนโค้ดได้ การเปลี่ยนแปลงนี้บีบให้เราต้องเผชิญกับกลไกของความเชื่อใจแทนที่จะเป็นปริศนาเรื่องจิตสำนึก หากคุณเกลียดปรัชญา ให้มองว่ามันคือการเจรจาสัญญา คุณกำลังกำหนดเงื่อนไขให้กับพนักงานรูปแบบใหม่ที่ไม่เคยหลับใหลแต่ชอบหลอน (hallucinate) เป้าหมายคือการสร้างกรอบการทำงานที่ประโยชน์จากความเร็วไม่กลบความเสี่ยงของระบบล่มทั้งระบบ

กลไกของตรรกะเครื่องจักร

เพื่อให้เข้าใจสถานะปัจจุบันของอุตสาหกรรม คุณต้องเมินคำศัพท์ทางการตลาดทิ้งไป Large language model ไม่ใช่สมอง แต่มันคือแผนที่ทางสถิติขนาดมหึมาของภาษาคน เมื่อคุณพิมพ์คำสั่ง ระบบไม่ได้กำลังคิดถึงคำถามของคุณ แต่มันกำลังคำนวณว่าคำไหนมีโอกาสสูงที่สุดที่จะตามหลังคำก่อนหน้าโดยอ้างอิงจากตัวอย่างนับล้านล้าน นี่คือเหตุผลว่าทำไมระบบพวกนี้ถึงเก่งเรื่องกลอนแต่แย่เรื่องคณิตศาสตร์พื้นฐาน พวกมันเข้าใจรูปแบบการพูดถึงตัวเลข แต่ไม่เข้าใจตรรกะของตัวเลขนั้นจริงๆ ความแตกต่างนี้สำคัญมากสำหรับใครก็ตามที่ใช้เครื่องมือเหล่านี้ในเชิงธุรกิจ หากคุณมองผลลัพธ์ว่าเป็นบันทึกข้อเท็จจริง คุณกำลังใช้เครื่องมือผิดประเภท มันคือเครื่องสังเคราะห์ความคิดสร้างสรรค์ ไม่ใช่ฐานข้อมูล ความสับสนมักเกิดจากความสามารถในการเลียนแบบความเห็นอกเห็นใจของมนุษย์ มันอาจฟังดูใจดี หงุดหงิด หรือพร้อมช่วยเหลือ แต่นั่นเป็นเพียงกระจกสะท้อนทางภาษา มันสะท้อนโทนของข้อมูลที่มันถูกฝึกมา

การเปลี่ยนแปลงที่เราเห็นเมื่อเร็วๆ นี้คือการนำโมเดลเหล่านี้มาเชื่อมโยงกับข้อมูลจริงในโลก แทนที่จะปล่อยให้โมเดลเดาสุ่ม บริษัทต่างๆ กำลังเชื่อมต่อพวกมันเข้ากับไฟล์ภายในของตัวเอง ซึ่งช่วยลดโอกาสที่โมเดลจะกุเรื่องขึ้นมาเอง และยังเปลี่ยนเดิมพันของการสนทนาด้วย เราไม่ได้ถามแล้วว่าโมเดลรู้อะไร แต่เรากำลังถามว่าโมเดลเข้าถึงสิ่งที่เรารู้อย่างไร นี่คือการเปลี่ยนจากงานศิลปะแบบ Generative ไปสู่การใช้งานจริง ปรัชญาตรงนี้เรียบง่าย มันคือความแตกต่างระหว่างนักเล่าเรื่องกับเสมียนจัดเก็บเอกสาร ผู้ใช้ส่วนใหญ่อยากได้เสมียน แต่เทคโนโลยีถูกสร้างมาเพื่อเป็นนักเล่าเรื่อง การประสานตัวตนทั้งสองนี้คือความท้าทายหลักของนักพัฒนาในปัจจุบัน คุณต้องตัดสินใจว่าต้องการเครื่องมือที่สร้างสรรค์หรือเครื่องมือที่แม่นยำ เพราะในตอนนี้ การจะได้ทั้งสองอย่างในระดับสูงสุดพร้อมกันนั้นทำได้ยาก

เดิมพันระดับโลกและผลประโยชน์ของชาติ

ผลกระทบของทางเลือกเหล่านี้ไม่ได้จำกัดอยู่แค่ในออฟฟิศ รัฐบาลต่างๆ กำลังมองว่าการพัฒนาโมเดลเหล่านี้เป็นเรื่องความมั่นคงของชาติ ในสหรัฐอเมริกา คำสั่งฝ่ายบริหารมุ่งเน้นไปที่ความปลอดภัยและความมั่นคงของระบบที่ทรงพลังที่สุด ในยุโรป AI Act ได้สร้างกรอบกฎหมายที่แบ่งประเภทระบบตามความเสี่ยง สิ่งนี้ทำให้เกิดสถานการณ์ที่ปรัชญาของนักพัฒนาในแคลิฟอร์เนียอาจส่งผลต่อความถูกต้องตามกฎหมายของผลิตภัณฑ์ในเบอร์ลิน เรากำลังเห็นโลกที่แตกแยกซึ่งแต่ละภูมิภาคมีแนวคิดที่ต่างกันมากว่าเครื่องจักรควรทำอะไรได้บ้าง บางประเทศมองเทคโนโลยีนี้เป็นวิธีเพิ่มผลผลิตทางเศรษฐกิจโดยไม่สนต้นทุน ส่วนประเทศอื่นมองว่าเป็นภัยต่อโครงสร้างสังคมและตลาดแรงงาน สิ่งนี้สร้างชุดกฎเกณฑ์ที่แยกจากกันสำหรับทุกตลาด ทำให้บริษัทเล็กๆ แข่งขันกับยักษ์ใหญ่ที่มีทีมกฎหมายขนาดใหญ่ได้ยากขึ้น

ห่วงโซ่อุปทานระดับโลกสำหรับเทคโนโลยีนี้ก็เป็นจุดตึงเครียดเช่นกัน ฮาร์ดแวร์ที่จำเป็นในการรันโมเดลเหล่านี้ถูกควบคุมโดยคนไม่กี่กลุ่ม สิ่งนี้สร้างพลวัตอำนาจรูปแบบใหม่ระหว่างประเทศที่ออกแบบชิป ประเทศที่ผลิต และประเทศที่จัดหาข้อมูล สำหรับผู้ใช้ทั่วไป นี่หมายความว่าเครื่องมือที่คุณพึ่งพาอาจตกเป็นเป้าของสงครามการค้าหรือการควบคุมการส่งออก ปรัชญาของ AI ตอนนี้ผูกติดกับปรัชญาของอธิปไตย หากประเทศหนึ่งพึ่งพาโมเดลต่างชาติสำหรับระบบสาธารณสุขหรือระบบกฎหมาย ก็เท่ากับสูญเสียการควบคุมโครงสร้างพื้นฐานของตัวเองไปบางส่วน นี่คือเหตุผลที่เราเห็นการผลักดันให้มีโมเดลท้องถิ่นและ sovereign clouds เป้าหมายคือเพื่อให้แน่ใจว่าตรรกะที่ควบคุมประเทศไม่ได้ถูกถือครองโดยบริษัทที่อยู่คนละซีกโลก นี่คือด้านที่เน้นการใช้งานจริงของการถกเถียงที่มักจะหายไปในการพูดคุยเรื่องไซไฟ

ยามเช้ากับปัญญาประดิษฐ์

ลองพิจารณาวันทำงานปกติของ Sarah ผู้จัดการฝ่ายการตลาด เธอเริ่มเช้าวันใหม่ด้วยการให้ผู้ช่วยสรุปอีเมลสามโหล ผู้ช่วยทำเสร็จในไม่กี่วินาที แต่ Sarah ต้องตรวจสอบว่ามันพลาดรายละเอียดสำคัญเรื่องการตัดงบประมาณหรือไม่ ต่อมาเธอใช้เครื่องมือ Generative สร้างภาพสำหรับแคมเปญใหม่ เธอใช้เวลาเป็นชั่วโมงปรับแต่งคำสั่งเพราะเครื่องจักรชอบให้คนในภาพมีหกนิ้ว ในช่วงบ่าย เธอใช้ผู้ช่วยเขียนโค้ดเพื่อแก้บั๊กบนเว็บไซต์บริษัท ทั้งที่เธอเขียนโค้ดไม่เป็นเลย เธอเปรียบเสมือนวาทยกรของวงออเคสตราดิจิทัล เธอไม่ได้ลงแรงเอง แต่เธอรับผิดชอบต่อผลงานสุดท้าย นี่คือความเป็นจริงใหม่ของการทำงาน มันเป็นเรื่องของการแก้ไขและตรวจสอบมากกว่าการสร้างจากศูนย์ Sarah ทำงานได้มากขึ้น แต่เธอก็เหนื่อยมากขึ้นด้วย ภาระทางสมองจากการต้องคอยตรวจสอบความผิดพลาดของเครื่องจักรนั้นต่างจากการลงมือทำด้วยตัวเอง

แรงจูงใจของบริษัท Sarah ก็เปลี่ยนไปเช่นกัน พวกเขาไม่จ้างนักเขียนระดับเริ่มต้นอีกต่อไป แต่จ้างบรรณาธิการอาวุโสหนึ่งคนที่ใช้โมเดลสามตัวเพื่อผลิตคอนเทนต์ในปริมาณเท่าเดิม สิ่งนี้ช่วยประหยัดเงินในระยะสั้น แต่สร้างปัญหาในระยะยาว บรรณาธิการอาวุโสรุ่นต่อไปจะมาจากไหนหากไม่มีใครทำงานระดับเริ่มต้น? นี่คือผลลัพธ์ของตรรกะแห่งประสิทธิภาพในปัจจุบัน เรากำลังปรับให้เหมาะสมกับปัจจุบันในขณะที่อาจกำลังกัดกินอนาคต เดิมพันสำหรับนักสร้างสรรค์นั้นสูงกว่านั้นอีก นักดนตรีและนักวาดภาพกำลังพบว่าผลงานของพวกเขาถูกนำไปใช้ฝึกโมเดลที่กำลังแย่งงานพวกเขา นี่ไม่ใช่แค่การเปลี่ยนแปลงในตลาด แต่มันคือการเปลี่ยนแปลงในคุณค่าที่เราให้กับความพยายามของมนุษย์ เราต้องถามว่าเรากำลังให้ค่าผลลัพธ์มากกว่ากระบวนการหรือไม่ และจะเกิดอะไรขึ้นกับวัฒนธรรมของเราเมื่อกระบวนการถูกซ่อนไว้ในกล่องดำ

• ผู้นำบริษัทต้องตัดสินใจว่าให้ค่าความเร็วมากกว่าความคิดริเริ่มหรือไม่
• พนักงานต้องเรียนรู้ที่จะตรวจสอบผลลัพธ์จากเครื่องจักรให้เป็นทักษะหลัก
• ผู้ร่างกฎหมายต้องสร้างสมดุลระหว่างความต้องการนวัตกรรมกับการปกป้องแรงงาน
• นักสร้างสรรค์ต้องหาวิธีพิสูจน์ว่าผลงานของตนเป็นฝีมือมนุษย์เพื่อรักษาคุณค่า
• นักการศึกษาต้องคิดใหม่ว่าจะให้เกรดนักเรียนอย่างไรในเมื่อคำตอบอยู่แค่ปลายนิ้ว

ต้นทุนแฝงของระบบอัตโนมัติ

เรามักพูดถึงประโยชน์ของเทคโนโลยีนี้โดยไม่พูดถึงบิลค่าใช้จ่าย ต้นทุนแรกคือความเป็นส่วนตัว เพื่อให้โมเดลมีประโยชน์มากขึ้น เราต้องให้ข้อมูลมากขึ้น เราถูกกระตุ้นให้ป้อนตารางเวลาส่วนตัว บันทึกส่วนตัว และความลับขององค์กรเข้าไปในระบบเหล่านี้เพื่อให้ได้ผลลัพธ์ที่ดีขึ้น แต่ข้อมูลเหล่านั้นไปอยู่ที่ไหน? บริษัทส่วนใหญ่อ้างว่าพวกเขาไม่ใช้ข้อมูลลูกค้าเพื่อฝึกโมเดล แต่ประวัติศาสตร์ของอินเทอร์เน็ตบอกเราว่านโยบายเปลี่ยนกันได้ เมื่อข้อมูลของคุณเข้าไปอยู่ในระบบแล้ว การจะดึงออกแทบเป็นไปไม่ได้เลย นี่คือการแลกเปลี่ยนความเป็นส่วนตัวกับความสะดวกสบายอย่างถาวร เรายังเห็นการใช้พลังงานที่เพิ่มขึ้นมหาศาล การฝึกโมเดลขนาดใหญ่เพียงตัวเดียวต้องใช้ไฟฟ้ามากพอที่จะจ่ายไฟให้บ้านหลายพันหลังเป็นเวลาหนึ่งปี เมื่อเราก้าวไปสู่ระบบที่ซับซ้อนขึ้น ต้นทุนด้านสิ่งแวดล้อมก็จะยิ่งเพิ่มขึ้น เราต้องถามว่าความสามารถในการสร้างรูปแมวตลกๆ นั้นคุ้มกับรอยเท้าคาร์บอนที่เกิดขึ้นหรือไม่

ยังมีต้นทุนเรื่องความจริง ในเมื่อการสร้างข้อความและรูปภาพที่สมจริงทำได้ง่ายขึ้น คุณค่าของหลักฐานก็ลดลง หากทุกอย่างสามารถปลอมแปลงได้ ก็ไม่มีอะไรพิสูจน์ได้อีกต่อไป สิ่งนี้กำลังส่งผลกระทบต่อระบบการเมืองและศาลของเรา เรากำลังเข้าสู่ยุคที่การสันนิษฐานเบื้องต้นคือสิ่งที่เห็นบนหน้าจออาจเป็นเรื่องโกหก สิ่งนี้สร้างแรงเสียดทานทางสังคมในระดับสูง ทำให้ยากต่อการตกลงเรื่องข้อเท็จจริงพื้นฐาน ปรัชญาของ AI ในจุดนี้คือเรื่องการกัดเซาะความจริงร่วมกัน หากทุกคนกำลังมองโลกในเวอร์ชันที่ถูกกรองและดัดแปลงโดยอัลกอริทึม เราจะสูญเสียความสามารถในการสื่อสารอย่างมีประสิทธิภาพข้ามความแตกต่างเหล่านั้น เรากำลังแลกฐานรากทางสังคมที่มั่นคงกับประสบการณ์ที่ปรับแต่งมาเพื่อความบันเทิง นี่คือทางเลือกที่เราทำทุกครั้งที่ใช้เครื่องมือเหล่านี้โดยไม่ตั้งคำถามถึงที่มาหรือเจตนาของมัน

มีเรื่องราว, เครื่องมือ, เทรนด์ หรือคำถามเกี่ยวกับ AI ที่คุณคิดว่าเราควรนำเสนอหรือไม่? ส่งแนวคิดบทความของคุณมาให้เรา — เรายินดีรับฟัง

ข้อจำกัดทางเทคนิคและระบบท้องถิ่น

สำหรับผู้ใช้ระดับสูง การสนทนาเป็นมากกว่าแค่เรื่องจริยธรรม แต่เป็นเรื่องของขีดจำกัดของฮาร์ดแวร์และซอฟต์แวร์ อุปสรรคที่ใหญ่ที่สุดอย่างหนึ่งคือ context window ซึ่งคือปริมาณข้อมูลที่โมเดลสามารถเก็บไว้ในหน่วยความจำขณะทำงานได้ในคราวเดียว แม้หน้าต่างเหล่านี้จะขยายใหญ่ขึ้น แต่ก็ยังมีจำกัด หากคุณป้อนหนังสือพันหน้าให้โมเดล ในที่สุดมันจะเริ่มลืมช่วงต้นเมื่อไปถึงช่วงท้าย ซึ่งนำไปสู่ความไม่สอดคล้องกันในโปรเจกต์ยาวๆ นอกจากนี้ยังมีปัญหาเรื่อง API limits และ latency หากธุรกิจของคุณพึ่งพาโมเดลจากบุคคลที่สาม คุณก็ต้องขึ้นอยู่กับ uptime และราคาของเขา การเปลี่ยนแปลงเงื่อนไขการให้บริการกะทันหันอาจทำให้เวิร์กโฟลว์ทั้งหมดของคุณพังได้ นี่คือเหตุผลที่ผู้ใช้ขั้นสูงหลายคนกำลังย้ายไปใช้ local storage และ local execution พวกเขากำลังรันโมเดลขนาดเล็กบนฮาร์ดแวร์ของตัวเองเพื่อรักษาการควบคุมและความเร็ว

การรวมเวิร์กโฟลว์ (Workflow integration) เป็นความท้าทายใหญ่ถัดไป การมีแค่ช่องแชทบนเว็บไซต์ไม่เพียงพอ คุณค่าที่แท้จริงมาจากการเชื่อมต่อโมเดลเหล่านี้เข้ากับเครื่องมือที่มีอยู่ เช่น สเปรดชีต ฐานข้อมูล และซอฟต์แวร์บริหารจัดการโปรเจกต์ สิ่งนี้ต้องอาศัยความเข้าใจอย่างลึกซึ้งในการจัดโครงสร้างข้อมูลเพื่อให้โมเดลเข้าใจได้ เรากำลังเห็นการเกิดขึ้นของ RAG หรือ Retrieval-Augmented Generation ซึ่งเป็นวิธีที่โมเดลจะไปค้นหาข้อมูลเฉพาะจากแหล่งที่เชื่อถือได้ก่อนที่จะตอบ เป็นวิธีเชื่อมช่องว่างระหว่างธรรมชาติทางสถิติของโมเดลกับความต้องการด้านข้อเท็จจริงของผู้ใช้ อย่างไรก็ตาม สิ่งนี้เพิ่มความซับซ้อนให้กับระบบ คุณต้องจัดการทั้งเสิร์ชเอนจิน ฐานข้อมูล และโมเดลไปพร้อมกัน เป็นโซลูชันที่ต้องดูแลรักษามากและต้องใช้ทักษะเฉพาะทางในการจัดการอย่างมีประสิทธิภาพ

• Quantization ช่วยให้โมเดลขนาดใหญ่รันบนฮาร์ดแวร์ทั่วไปได้โดยการลดความแม่นยำของน้ำหนักโมเดล
• Fine tuning เริ่มได้รับความนิยมน้อยลงเนื่องจาก RAG ให้ความแม่นยำทางข้อเท็จจริงที่ดีกว่าโดยใช้ความพยายามน้อยกว่า
• Tokenization ยังคงเป็นต้นทุนแฝงที่อาจทำให้บางภาษาประมวลผลได้แพงกว่าภาษาอื่น
• Local execution เป็นวิธีเดียวที่จะรับประกันความเป็นส่วนตัว 100 เปอร์เซ็นต์สำหรับข้อมูลองค์กรที่ละเอียดอ่อน
• Model distillation กำลังสร้างโมเดลเวอร์ชันที่เล็กและเร็วกว่าจากโมเดลยักษ์ใหญ่เพื่อใช้บนมือถือ

เส้นทางสู่การใช้งานจริง

ปรัชญาของ AI ไม่ใช่สิ่งที่เบี่ยงเบนความสนใจจากงาน แต่มันคืองาน ทุกครั้งที่คุณเลือกโมเดล คุณกำลังเลือกตรรกะแบบไหนที่คุณต้องการให้ครอบงำชีวิตของคุณ คุณกำลังตัดสินใจว่าความเสี่ยงระดับไหนที่ยอมรับได้และต้นทุนระดับไหนที่สูงเกินไป เทคโนโลยีเปลี่ยนไปอย่างรวดเร็ว แต่ความต้องการของมนุษย์ยังคงเหมือนเดิม เราต้องการเครื่องมือที่ทำให้เราเก่งขึ้น ไม่ใช่เครื่องมือที่มาแทนที่เรา เราต้องการระบบที่โปร่งใส ไม่ใช่ระบบที่ทำงานในความมืด ความสับสนในเรื่องนี้มักเป็นเรื่องที่ตั้งใจให้เกิดขึ้น บริษัทต่างๆ ขายกล่องวิเศษได้ง่ายกว่าขายเครื่องมือทางสถิติที่ซับซ้อน การตัดสิ่งฟุ่มเฟือยออกและมุ่งเน้นไปที่แรงจูงใจ จะทำให้คุณเห็นเทคโนโลยีในสิ่งที่มันเป็นจริงๆ มันคือสิ่งที่ทรงพลัง มีข้อบกพร่อง และเป็นผลงานที่สะท้อนความเป็นมนุษย์อย่างลึกซึ้ง มันสะท้อนแนวคิดที่ดีที่สุดและนิสัยที่แย่ที่สุดของเรา เป้าหมายคือการใช้มันอย่างเปิดตา เข้าใจถึงสิ่งที่คุณกำลังแลกเปลี่ยนในทุกปฏิสัมพันธ์ คุณสามารถค้นหาข้อมูลเพิ่มเติมเกี่ยวกับ เทรนด์ล่าสุดใน machine learning เพื่อก้าวให้ทันการเปลี่ยนแปลงเหล่านี้ สำหรับข้อมูลเชิงลึกเกี่ยวกับจริยธรรมของระบบเหล่านี้ แหล่งข้อมูลอย่าง Stanford Institute for Human-Centered AI และ MIT Technology Review มีข้อมูลที่ยอดเยี่ยม นอกจากนี้คุณยังสามารถติดตามการเปลี่ยนแปลงทางกฎหมายได้ในส่วนเทคโนโลยีของ New York Times

หมายเหตุจากบรรณาธิการ: เราสร้างเว็บไซต์นี้ขึ้นมาเพื่อเป็นศูนย์กลางข่าวสารและคู่มือ AI หลายภาษาสำหรับผู้ที่ไม่ได้เป็นผู้เชี่ยวชาญคอมพิวเตอร์ แต่ยังคงต้องการทำความเข้าใจปัญญาประดิษฐ์ ใช้งานได้อย่างมั่นใจมากขึ้น และติดตามอนาคตที่กำลังจะมาถึงแล้ว