จริยธรรมและปรัชญา

การเปลี่ยนผ่านจากซอฟต์แวร์ที่ทำตามคำสั่งไปสู่ซอฟต์แวร์ที่เรียนรู้จากตัวอย่าง ถือเป็นการเปลี่ยนแปลงครั้งสำคัญที่สุดในประวัติศาสตร์คอมพิวเตอร์ หลายทศวรรษที่ผ่านมา วิศวกรต้องเขียนโค้ดที่ตายตัวเพื่อกำหนดผลลัพธ์ทุกรูปแบบ แนวทางนี้อาจใช้ได้ดีกับสเปรดชีต แต่กลับล้มเหลวเมื่อต้องจัดการกับภาษาพูดและการจดจำภาพของมนุษย์ การเปลี่ยนแปลงนี้เริ่มขึ้นอย่างจริงจังในการแข่งขัน ImageNet ปี 2012 เมื่อวิธีการทางคณิตศาสตร์แบบใหม่ทำผลงานได้เหนือกว่าวิธีดั้งเดิมทั้งหมด นี่ไม่ใช่แค่เครื่องมือที่ดีขึ้น แต่มันคือการละทิ้งตรรกะเดิมที่ใช้มาตลอดห้าสิบปี วันนี้เราเห็นผลลัพธ์นั้นในทุกช่องข้อความและเครื่องมือสร้างรูปภาพ เทคโนโลยีได้ก้าวข้ามจากการเป็นแค่การทดลองในห้องแล็บมาเป็นส่วนประกอบหลักของโครงสร้างพื้นฐานระดับโลก การจะเข้าใจการเปลี่ยนแปลงนี้ เราต้องมองข้ามกระแสการตลาดไปดูว่ากลไกการคาดการณ์ได้เข้ามาแทนที่กลไกตรรกะแบบเก่าได้อย่างไร บทความนี้จะเจาะลึกถึงจุดเปลี่ยนทางเทคนิคที่พาเรามาถึงจุดนี้ รวมถึงคำถามที่ยังไม่มีคำตอบซึ่งจะเป็นตัวกำหนดทิศทางของการพัฒนาในทศวรรษหน้า เราไม่ได้กำลังสอนให้เครื่องจักรคิดอีกต่อไป แต่เรากำลังฝึกให้มันคาดการณ์ข้อมูลชิ้นถัดไปที่มีความเป็นไปได้มากที่สุด การเปลี่ยนจากตรรกะไปสู่การคาดการณ์คอมพิวเตอร์แบบดั้งเดิมอาศัยตรรกะเชิงสัญลักษณ์ ถ้าผู้ใช้คลิกปุ่ม โปรแกรมก็จะเปิดไฟล์ ซึ่งเป็นสิ่งที่คาดเดาได้และโปร่งใส แต่โลกความเป็นจริงนั้นซับซ้อน รูปภาพของแมวหนึ่งตัวดูแตกต่างกันไปในแต่ละสภาพแสงและมุมมอง การเขียนคำสั่ง

วงจรของโครงสร้างพื้นฐานที่วนซ้ำSilicon Valley มักจะอ้างว่านวัตกรรมล่าสุดของพวกเขาไม่เคยมีมาก่อน แต่จริงๆ แล้วไม่ใช่เลย กระแสความนิยมในปัญญาประดิษฐ์ (AI) ในปัจจุบันนั้นสะท้อนภาพการขยายตัวของทางรถไฟในศตวรรษที่ 19 และยุคดอทคอมในช่วงปลายทศวรรษ 1990 เรากำลังเห็นการเปลี่ยนแปลงครั้งใหญ่ในการไหลเวียนของเงินทุนและการรวมศูนย์พลังการประมวลผล นี่คือเรื่องของว่าใครจะเป็นเจ้าของโครงสร้างพื้นฐานแห่งอนาคต สหรัฐอเมริกานำหน้าเพราะมีเงินทุนหนาที่สุดและมีผู้ให้บริการ cloud ที่ดุดันที่สุด ประวัติศาสตร์พิสูจน์แล้วว่าใครที่คุมรางรถไฟหรือสายเคเบิลใยแก้วนำแสงได้ คนนั้นก็จะเป็นผู้กำหนดกติกาให้คนอื่น AI ก็เช่นกัน มันเดินตามรอยเดิมของการสร้างโครงสร้างพื้นฐานตามด้วยการควบรวมกิจการอย่างรวดเร็ว การเข้าใจรูปแบบนี้ช่วยให้เรามองข้ามกระแสโฆษณาชวนเชื่อและระบุได้ว่าอำนาจที่แท้จริงในวงจรใหม่นี้อยู่ที่ไหน หัวใจสำคัญนั้นเรียบง่าย เราไม่ได้แค่สร้างซอฟต์แวร์ที่ฉลาดขึ้น แต่เรากำลังสร้างสาธารณูปโภคใหม่ที่จะมีความสำคัญพื้นฐานพอๆ กับไฟฟ้าหรืออินเทอร์เน็ต ผู้ชนะจะเป็นผู้ที่ควบคุมฮาร์ดแวร์ทางกายภาพและชุดข้อมูลมหาศาลที่จำเป็นในการขับเคลื่อนระบบเหล่านี้ จากรางเหล็กสู่โครงข่ายประสาทเทียมเพื่อที่จะเข้าใจ AI ในวันนี้ ให้ลองมองไปที่ยุคบูมของทางรถไฟในอเมริกา ในช่วงกลางศตวรรษที่ 18 เงินทุนจำนวนมหาศาลถูกทุ่มลงไปกับการวางรางรถไฟทั่วทวีป หลายบริษัทล้มละลาย แต่รางรถไฟยังคงอยู่ รางเหล่านั้นกลายเป็นรากฐานสำหรับการเติบโตทางเศรษฐกิจในศตวรรษต่อมา ปัจจุบัน AI กำลังอยู่ในช่วงของการวางราง แทนที่จะเป็นเหล็กและไอน้ำ เรากำลังใช้ซิลิคอนและไฟฟ้า การลงทุนมหาศาลจากบริษัทอย่าง Microsoft และ Google กำลังสร้าง compute clusters ที่จะสนับสนุนอุตสาหกรรมอื่นๆ ทั้งหมด นี่คือการเล่นเกมโครงสร้างพื้นฐานแบบคลาสสิก เมื่อเทคโนโลยีต้องใช้เงินทุนมหาศาลในการเริ่มต้น

กระแสความนิยมในปัญญาประดิษฐ์ (AI) ในปัจจุบันดูเหมือนพายุที่จู่ๆ ก็พัดเข้ามา แต่จริงๆ แล้วมันคือผลลัพธ์ของการตัดสินใจที่เงียบเชียบเมื่อหลายปีก่อน ในปี 2017 นักวิจัยที่ Google ได้ตีพิมพ์บทความวิจัยชื่อ Attention Is All You Need ซึ่งนำเสนอ Transformer architecture การออกแบบเฉพาะนี้ช่วยให้เครื่องจักรสามารถประมวลผลคำต่างๆ โดยสัมพันธ์กับคำอื่นทั้งหมดในประโยคได้พร้อมกัน แทนที่จะทำทีละคำ มันช่วยแก้ปัญหาคอขวดของการประมวลผลแบบเรียงลำดับ ปัจจุบันโมเดลหลักๆ ตั้งแต่ ChatGPT ไปจนถึง Claude ต่างก็พึ่งพานวัตกรรมนี้เพียงอย่างเดียว ซึ่งเกิดขึ้นในช่วง 2026 เราไม่ได้กำลังเห็นสิ่งประดิษฐ์ใหม่ แต่เรากำลังเห็นการขยายขนาดของไอเดียที่มีอายุเจ็ดปี การเปลี่ยนแปลงนี้ทำให้เราก้าวข้ามจากการจดจำรูปแบบง่ายๆ ไปสู่การสร้างสรรค์ที่ซับซ้อน มันเปลี่ยนวิธีที่เราโต้ตอบกับคอมพิวเตอร์ ตอนนี้จุดเน้นอยู่ที่ว่าเราจะทุ่มข้อมูลและไฟฟ้าเข้าไปในระบบเหล่านี้ได้มากแค่ไหน ผลลัพธ์ที่ได้นั้นน่าประทับใจ แต่รากฐานยังคงเหมือนเดิม การเข้าใจประวัติศาสตร์นี้ช่วยให้เรามองข้ามการตลาดไปได้ และแสดงให้เห็นว่าเครื่องมือในวันนี้คือบทสรุปเชิงตรรกะของทางเลือกทางวิศวกรรมที่เกิดขึ้นในทศวรรษที่ผ่านมา กลไกการคาดการณ์และความน่าจะเป็นGenerative AI ทำงานเหมือนเครื่องจักรคาดการณ์ขนาดใหญ่ มันไม่ได้คิดหรือเข้าใจในความหมายของมนุษย์ แต่จะคำนวณความน่าจะเป็นทางสถิติของโทเค็นถัดไปในลำดับ โทเค็นมักจะเป็นคำหรือส่วนหนึ่งของคำ เมื่อคุณถามคำถามกับโมเดล มันจะดูพารามิเตอร์นับพันล้านที่เรียนรู้มาระหว่างการฝึก จากนั้นจะเดาว่าคำถัดไปควรเป็นคำใดโดยอิงจากรูปแบบที่เห็นในข้อมูลการฝึก กระบวนการนี้มักถูกเรียกว่า stochastic parrot

กระแสความนิยมของปัญญาประดิษฐ์ในปัจจุบันไม่ได้เริ่มต้นจากแชทบอทที่กลายเป็นไวรัลในช่วงปลายปี 2022 แต่มันเริ่มจากงานวิจัยชิ้นสำคัญที่ตีพิมพ์โดยวิศวกรของ Google ในปี 2017 ในชื่อ “Attention Is All You Need” เอกสารฉบับนี้ได้แนะนำสถาปัตยกรรม Transformer ซึ่งเข้ามาเปลี่ยนวิธีการที่เครื่องจักรประมวลผลภาษาของมนุษย์ ก่อนหน้านี้คอมพิวเตอร์มักประสบปัญหาในการรักษาบริบทของประโยคที่ยาวๆ พวกมันมักจะลืมเนื้อหาช่วงต้นของย่อหน้าเมื่ออ่านไปจนถึงช่วงท้าย แต่ Transformer เข้ามาแก้ไขปัญหานี้ด้วยการเปิดให้โมเดลสามารถให้น้ำหนักความสำคัญของคำต่างๆ ได้พร้อมกัน การเปลี่ยนแปลงทางเทคนิคเพียงจุดเดียวนี้คือ เหตุผลหลัก ที่ทำให้เครื่องมือสมัยใหม่ดูมีความต่อเนื่องแทนที่จะเป็นหุ่นยนต์ เรากำลังใช้ชีวิตอยู่กับผลลัพธ์ที่ขยายตัวขึ้นจากการตัดสินใจครั้งนั้นที่เปลี่ยนจากการประมวลผลแบบลำดับขั้น ประวัติศาสตร์นี้ไม่ใช่แค่เรื่องของโค้ดที่ดีขึ้น แต่มันคือการเปลี่ยนแปลงพื้นฐานในวิธีที่เราโต้ตอบกับข้อมูลในระดับโลก การเปลี่ยนผ่านจากการค้นหาคำตอบไปสู่การสร้างคำตอบได้เปลี่ยนความคาดหวังพื้นฐานของผู้ใช้อินเทอร์เน็ตทุกคนในปัจจุบัน การทำนายเชิงสถิติที่เหนือกว่าตรรกะเพื่อให้เข้าใจสถานะของเทคโนโลยีในปัจจุบัน เราต้องเลิกคิดว่าระบบเหล่านี้กำลังใช้ความคิด เพราะจริงๆ แล้วมันไม่ใช่ แต่มันคือเครื่องจักรทางสถิติขนาดมหึมาที่ทำหน้าที่ทำนายส่วนถัดไปของลำดับข้อมูล เมื่อคุณพิมพ์คำสั่ง (prompt) ระบบจะดูข้อมูลที่ใช้ฝึกฝนเพื่อตัดสินว่าคำใดมีโอกาสปรากฏต่อจากสิ่งที่คุณป้อนเข้ามามากที่สุด นี่คือความแตกต่างจากการเขียนโปรแกรมแบบใช้ตรรกะในอดีต ในทศวรรษก่อนๆ ซอฟต์แวร์จะทำงานตามกฎ if-then ที่เคร่งครัด หากผู้ใช้คลิกปุ่ม ซอฟต์แวร์ก็จะทำงานตามที่กำหนดไว้ แต่ในปัจจุบันผลลัพธ์เป็นแบบความน่าจะเป็น ซึ่งหมายความว่าอินพุตเดียวกันอาจให้ผลลัพธ์ที่ต่างกันได้ขึ้นอยู่กับการตั้งค่าของโมเดล การเปลี่ยนแปลงนี้ได้สร้างซอฟต์แวร์ประเภทใหม่ที่มีความยืดหยุ่นสูง แต่ก็มีโอกาสเกิดข้อผิดพลาดที่เครื่องคิดเลขแบบเดิมไม่มีทางทำขนาดของการฝึกฝนนี้เองที่ทำให้ผลลัพธ์ดูเหมือนมีความฉลาด บริษัทต่างๆ ได้กวาดข้อมูลเกือบทั้งหมดบนอินเทอร์เน็ตสาธารณะเพื่อป้อนให้กับโมเดลเหล่านี้ ซึ่งรวมถึงหนังสือ บทความ คลังโค้ด และโพสต์ในฟอรัม