เครื่องมือ AI ตัวไหนที่ยังรู้สึกว่า “เกินจริง” หลังจากการทดสอบใช้งานจริง

ช่องว่างระหว่างเดโมเทคโนโลยีที่ไวรัลกับเครื่องมือที่ใช้งานได้จริงในออฟฟิศกำลังกว้างขึ้นเรื่อยๆ เรากำลังอยู่ในช่วงที่ฝ่ายการตลาดสัญญาว่าจะมอบเวทมนตร์ให้ แต่ผู้ใช้กลับได้รับเพียงระบบเติมคำอัตโนมัติที่ดูหรูหรา หลายคนคาดหวังให้ระบบเหล่านี้ “คิด” ได้ แต่จริงๆ แล้วมันทำได้แค่ทำนายคำถัดไปในลำดับเท่านั้น ความเข้าใจผิดนี้ทำให้เกิดความหงุดหงิดเมื่อเครื่องมือล้มเหลวในตรรกะพื้นฐานหรือกุเรื่องขึ้นมา หากคุณต้องการเครื่องมือที่เชื่อถือได้ 100 เปอร์เซ็นต์โดยไม่ต้องมีมนุษย์คอยตรวจสอบ คุณควรเมินกลุ่มผู้ช่วย generative AI ในปัจจุบันไปได้เลย เพราะพวกมันยังไม่พร้อมสำหรับงานที่ต้องการความแม่นยำสูง แต่ถ้างานของคุณเกี่ยวข้องกับการระดมสมองหรือร่างไอเดียคร่าวๆ ก็ยังมีประโยชน์ซ่อนอยู่ภายใต้ความวุ่นวายนี้ ประเด็นสำคัญคือเรากำลังประเมินความฉลาดของเครื่องมือเหล่านี้สูงเกินไป ในขณะที่ประเมินงานที่ต้องทำเพื่อให้มันใช้งานได้จริงต่ำเกินไป สิ่งที่คุณเห็นบนโซเชียลมีเดียส่วนใหญ่เป็นเพียงการแสดงที่ถูกคัดสรรมาอย่างดี ซึ่งมักจะพังไม่เป็นท่าเมื่อต้องเจอกับความกดดันของการทำงานจริง 40 ชั่วโมงต่อสัปดาห์

เครื่องจักรทำนายในชุดสูทหรู

เพื่อให้เข้าใจว่าทำไมเครื่องมือหลายอย่างถึงน่าผิดหวัง คุณต้องเข้าใจก่อนว่ามันคืออะไร สิ่งเหล่านี้คือ Large Language Models (LLM) ซึ่งเป็นเครื่องจักรทางสถิติที่ถูกฝึกฝนด้วยชุดข้อมูลมหาศาลของข้อความมนุษย์ พวกมันไม่มีแนวคิดเรื่องความจริง จริยธรรม หรือความเป็นจริงทางกายภาพ เมื่อคุณถามคำถาม ระบบจะมองหารูปแบบในข้อมูลที่ฝึกมาเพื่อสร้างคำตอบที่ฟังดูสมเหตุสมผล นี่คือเหตุผลที่พวกมันเก่งเรื่องแต่งกลอนแต่แย่เรื่องคณิตศาสตร์ พวกมันแค่เลียนแบบสไตล์ของคำตอบที่ถูกต้องแทนที่จะใช้ตรรกะพื้นฐานที่จำเป็นในการหาคำตอบ ความแตกต่างนี้คือที่มาของความเข้าใจผิดที่ว่า AI คือ Search Engine แต่ Search Engine คือการค้นหาข้อมูลที่มีอยู่แล้ว ในขณะที่ LLM สร้างข้อความชุดใหม่ขึ้นมาตามความน่าจะเป็น นี่คือเหตุผลที่เกิดอาการ “หลอน” (hallucinations) ระบบแค่ทำในสิ่งที่มันถูกสร้างมาให้ทำ นั่นคือพูดไปเรื่อยๆ จนกว่าจะเจอ stop token

ตลาดปัจจุบันเต็มไปด้วย wrappers ซึ่งเป็นแอปพลิเคชันง่ายๆ ที่ใช้ API จากบริษัทอย่าง OpenAI หรือ Anthropic แล้วครอบด้วยอินเทอร์เฟซของตัวเอง สตาร์ทอัพหลายแห่งอ้างว่ามีเทคโนโลยีที่ไม่เหมือนใคร แต่บ่อยครั้งก็เป็นแค่โมเดลเดิมในรูปลักษณ์ใหม่ คุณควรระวังเครื่องมือที่ไม่ยอมอธิบายสถาปัตยกรรมเบื้องหลังของมัน ปัจจุบันมีเครื่องมือ 3 ประเภทหลักที่กำลังทดสอบกันอยู่:

• ตัวสร้างข้อความสำหรับอีเมลและรายงานที่มักจะฟังดูเหมือนหุ่นยนต์
• ตัวสร้างรูปภาพที่ยังทำได้ไม่ดีในรายละเอียดเฉพาะ เช่น มือมนุษย์หรือตัวอักษร
• ผู้ช่วยเขียนโค้ดที่เขียน boilerplate ได้ แต่ยังเจอปัญหาเมื่อต้องใช้ตรรกะซับซ้อน

ความจริงคือเครื่องมือเหล่านี้เปรียบเสมือนเด็กฝึกงานที่อ่านหนังสือมาทุกเล่มในโลกแต่ไม่เคยออกไปใช้ชีวิตจริง พวกมันต้องการการตรวจสอบตลอดเวลาและคำสั่งที่ชัดเจนเพื่อให้ได้ผลงานที่มีค่า หากคุณคาดหวังให้มันทำงานได้ด้วยตัวเอง คุณจะผิดหวังทุกครั้ง

เศรษฐกิจแห่งความกลัวที่จะตกกระแส (FOMO)

แรงกดดันให้ใช้เครื่องมือเหล่านี้ไม่ได้มาจากประสิทธิภาพที่พิสูจน์ได้ แต่มันมาจากความกลัวที่จะตกกระแสระดับโลก บริษัทใหญ่ๆ กำลังทุ่มเงินหลายพันล้านไปกับไลเซนส์เพราะกลัวว่าคู่แข่งจะเจอข้อได้เปรียบที่เป็นความลับ สิ่งนี้สร้างช่วงเวลาทางเศรษฐกิจที่แปลกประหลาด คือความต้องการ AI สูงมาก แต่ผลกำไรด้านผลิตภาพที่แท้จริงกลับวัดได้ยาก ตามงานวิจัยจากองค์กรอย่าง Gartner group เทคโนโลยีเหล่านี้หลายอย่างกำลังอยู่ในจุดสูงสุดของความคาดหวังที่เกินจริง ซึ่งหมายความว่าช่วงเวลาแห่งความผิดหวังนั้นหลีกเลี่ยงไม่ได้เมื่อบริษัทต่างๆ ตระหนักว่าการแทนที่แรงงานมนุษย์นั้นยากกว่าที่พนักงานขายกล่าวอ้าง ผลกระทบนี้เห็นได้ชัดที่สุดในประเทศกำลังพัฒนาที่การจ้างงานภายนอก (outsourcing) เคยเป็นตัวขับเคลื่อนหลักของการเติบโต แต่ตอนนี้งานเหล่านั้นกำลังถูกทำให้เป็นอัตโนมัติด้วย AI คุณภาพต่ำ นำไปสู่การแข่งขันที่ลดคุณภาพของเนื้อหาลงเรื่อยๆ

เรากำลังเห็นการเปลี่ยนแปลงในคุณค่าของแรงงาน ความสามารถในการเขียนอีเมลพื้นฐานไม่ใช่ทักษะที่ตลาดต้องการอีกต่อไป คุณค่าได้เปลี่ยนไปสู่ความสามารถในการตรวจสอบและแก้ไข นี่คือการสร้างความเหลื่อมล้ำทางดิจิทัลรูปแบบใหม่ ผู้ที่สามารถเข้าถึงโมเดลที่ทรงพลังที่สุดและมีทักษะในการเขียน prompt ได้อย่างมีประสิทธิภาพจะก้าวล้ำหน้าไป ส่วนคนอื่นๆ จะต้องติดอยู่กับโมเดลฟรีระดับล่างที่ให้ผลลัพธ์ทั่วไปและมักจะไม่ถูกต้อง นี่ไม่ใช่แค่ปัญหาทางเทคโนโลยี แต่มันคือการเปลี่ยนแปลงทางเศรษฐกิจที่ส่งผลต่อวิธีที่เราฝึกฝนแรงงานรุ่นต่อไป หากเราพึ่งพาระบบเหล่านี้มากเกินไปในงานระดับเริ่มต้น เราอาจสูญเสียความเชี่ยวชาญของมนุษย์ที่จำเป็นในการกำกับดูแลระบบในอนาคต ผลการทดสอบประสิทธิภาพ AI ล่าสุดที่ [Insert Your AI Magazine Domain Here] แสดงให้เห็นว่าแม้โมเดลจะมีขนาดใหญ่ขึ้น แต่อัตราการพัฒนาด้านการใช้เหตุผลกลับช้าลง ซึ่งบ่งชี้ว่าเราอาจกำลังถึงเพดานของแนวทางการเรียนรู้ของเครื่องในปัจจุบัน

วันอังคารที่หมดไปกับการซ่อมเครื่องจักร

ลองพิจารณาประสบการณ์ของ Sarah ผู้จัดการโครงการที่บริษัทขนาดกลาง เธอเริ่มวันด้วยการให้ผู้ช่วย AI สรุปอีเมลยาวๆ จากคืนก่อน เครื่องมือให้รายการ bullet points ที่สะอาดตา มันดูสมบูรณ์แบบจนกระทั่งเธอพบว่ามันพลาดการเปลี่ยนแปลงกำหนดการที่ระบุไว้ในอีเมลฉบับที่สาม นี่คือต้นทุนแฝงของ AI Sarah ประหยัดเวลาอ่านไป 5 นาที แต่เสียเวลา 10 นาทีไปกับการตรวจสอบสรุปนั้นซ้ำเพราะเธอไม่เชื่อใจเครื่องมืออีกต่อไป ต่อมาเธอพยายามใช้เครื่องมือสร้างรูปภาพ AI เพื่อทำแผนภูมิสำหรับงานนำเสนอ เครื่องมือให้กราฟิกที่สวยงาม แต่ตัวเลขบนแกนกลับอ่านไม่รู้เรื่อง เธอจบลงด้วยการเสียเวลาหนึ่งชั่วโมงในโปรแกรมออกแบบทั่วไปเพื่อแก้ไขสิ่งที่ควรจะใช้เวลาแค่ 10 วินาที นี่คือความจริงในแต่ละวันของคนทำงานหลายคน เครื่องมือช่วยให้เริ่มต้นได้เร็วขึ้นแต่บ่อยครั้งก็นำคุณไปผิดทาง

ปัญหาคือเครื่องมือเหล่านี้ถูกออกแบบมาให้ “มั่นใจ” ไม่ใช่ “ถูกต้อง” มันจะให้คำตอบที่ผิดด้วยน้ำเสียงที่ดูน่าเชื่อถือพอๆ กับคำตอบที่ถูก สิ่งนี้สร้างภาระทางจิตใจให้กับผู้ใช้ คุณไม่สามารถผ่อนคลายได้เลยขณะใช้งาน สำหรับนักเขียน การใช้ AI ร่างเนื้อหาแรกมักจะรู้สึกเหมือนต้องมานั่งเก็บกวาดความยุ่งเหยิงของคนอื่น การเขียนเองตั้งแต่ต้นมักจะเร็วกว่าการมานั่งลบคำซ้ำซากหรือวลีที่โมเดลเหล่านี้ชอบใช้

เนื้อหานี้ถูกสร้างขึ้นโดยได้รับความช่วยเหลือจากปัญญาประดิษฐ์เพื่อให้แน่ใจว่าโครงสร้างมีความสม่ำเสมอ สิ่งนี้สร้างความย้อนแย้ง เครื่องมือเหล่านี้มีไว้เพื่อประหยัดเวลา แต่บ่อยครั้งมันแค่เปลี่ยนประเภทของงานที่เราทำ เราเปลี่ยนจากผู้สร้างไปเป็นภารโรงของข้อมูลสังเคราะห์ เครื่องมือที่ใช้งานได้จริงคือเครื่องมือที่ทำหน้าที่ของมันอย่างชัดเจน ตัวตรวจทานไวยากรณ์ที่ช่วยแก้คำผิดนั้นมีประโยชน์ แต่เครื่องมือที่พยายามเขียนวิทยานิพนธ์ทั้งเล่มให้คุณนั้นคือภาระ ผู้คนมักประเมินศักยภาพเชิงสร้างสรรค์ของระบบเหล่านี้สูงเกินไป ในขณะที่ประเมินความสามารถในการเป็นตู้เก็บเอกสารที่ซับซ้อนสำหรับความรู้มนุษย์ต่ำเกินไป

คำถามยากๆ สำหรับผู้บริหารระดับสูง

ในขณะที่เรานำระบบเหล่านี้เข้ามาอยู่ในชีวิตมากขึ้น เราต้องถามถึงต้นทุนที่ซ่อนอยู่ จะเกิดอะไรขึ้นกับความเป็นส่วนตัวของเราเมื่อทุก prompt ที่เราพิมพ์ถูกนำไปใช้ฝึกโมเดลเวอร์ชันถัดไป? บริษัทส่วนใหญ่ไม่มีนโยบายที่ชัดเจนเกี่ยวกับการเก็บรักษาข้อมูล หากคุณป้อนเอกสารกลยุทธ์ที่เป็นความลับลงใน LLM สาธารณะ ข้อมูลนั้นอาจหลุดไปอยู่ในคำถามของคู่แข่งได้ นอกจากนี้ยังมีต้นทุนด้านสิ่งแวดล้อม การฝึกและรันโมเดลเหล่านี้ต้องใช้ไฟฟ้าและน้ำจำนวนมหาศาลในการระบายความร้อนศูนย์ข้อมูล การศึกษาในวารสาร Nature ชี้ให้เห็นว่ารอยเท้าคาร์บอนจากการสอบถามโมเดลขนาดใหญ่เพียงครั้งเดียวสูงกว่าการค้นหาผ่าน Search Engine ทั่วไปอย่างมาก ความสะดวกสบายเพียงเล็กน้อยจากอีเมลที่ AI สร้างขึ้นนั้นคุ้มกับผลกระทบทางนิเวศวิทยาหรือไม่? เรายังต้องพิจารณาเรื่องลิขสิทธิ์ด้วย โมเดลเหล่านี้ถูกฝึกด้วยผลงานของศิลปินและนักเขียนนับล้านโดยไม่ได้รับความยินยอม เรากำลังใช้เครื่องจักรที่สร้างขึ้นบนแรงงานที่ถูกขโมยมา

นอกจากนี้ยังมีคำถามเรื่องสัญชาตญาณของมนุษย์ หากเราจ้างเครื่องจักรให้คิดแทน เราจะสูญเสียความสามารถในการตรวจจับข้อผิดพลาดหรือไม่? เรากำลังเห็นคุณภาพของเนื้อหาบนเว็บลดลงเรื่อยๆ เมื่อบทความที่สร้างโดย AI ท่วมท้นอินเทอร์เน็ต สิ่งนี้สร้างวงจรป้อนกลับที่โมเดลถูกฝึกด้วยผลลัพธ์ของโมเดลอื่น นำไปสู่การเสื่อมถอยของข้อมูลที่เรียกว่า model collapse หากอินเทอร์เน็ตกลายเป็นทะเลของข้อความ AI ที่ถูกนำมาวนใช้ใหม่ ไอเดียใหม่ๆ จะมาจากไหน? นี่ไม่ใช่แค่ปัญหาทางเทคนิค แต่เป็นคำถามพื้นฐานเกี่ยวกับโลกที่เราต้องการสร้าง ปัจจุบันเรากำลังให้ความสำคัญกับความเร็วและปริมาณมากกว่าความถูกต้องและความคิดสร้างสรรค์ สิ่งนี้อาจใช้ได้ผลสักสองสามปี แต่ต้นทุนระยะยาวต่อสติปัญญารวมของเราอาจรุนแรง เราต้องตัดสินใจว่าเราต้องการเครื่องมือที่ช่วยให้เราคิด หรือเครื่องมือที่คิดแทนเรา

ขีดจำกัดทางเทคนิคสำหรับผู้ใช้ระดับสูง

สำหรับผู้ที่ต้องการก้าวข้ามอินเทอร์เน็ตแชทพื้นฐาน ข้อจำกัดจะยิ่งชัดเจนขึ้น ผู้ใช้ระดับสูงมักมองหาการเชื่อมต่อเวิร์กโฟลว์และการเข้าถึง API เพื่อสร้างโซลูชันเฉพาะตัว แต่ไม่นานพวกเขาก็จะเจอกำแพงของ context window และขีดจำกัดของโทเค็น Context window คือปริมาณข้อมูลที่โมเดลสามารถ “จำ” ได้ในระหว่างการสนทนาครั้งเดียว แม้บางโมเดลจะอ้างว่าจัดการหนังสือได้ทั้งเล่ม แต่ความแม่นยำในการเรียกคืนข้อมูลจะลดลงอย่างมากในช่วงกลางของข้อความ ซึ่งเรียกว่าปรากฏการณ์ “lost in the middle” หากคุณกำลังสร้างระบบอัตโนมัติ คุณยังต้องรับมือกับ rate limits ผู้ให้บริการส่วนใหญ่จำกัดจำนวนคำขอต่อนาที ซึ่งทำให้ยากต่อการขยายเครื่องมือสำหรับฐานผู้ใช้ขนาดใหญ่โดยไม่มีต้นทุนที่สูงลิ่ว ราคาเองก็มีความผันผวนเช่นกัน เนื่องจากบริษัทต่างๆ พยายามหาวิธีทำให้ระบบราคาแพงเหล่านี้ทำกำไรได้

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

การจัดเก็บข้อมูลในเครื่องและการรันโมเดลในเครื่อง (local inference) กำลังกลายเป็นทางเลือกที่ผู้ที่ใส่ใจเรื่องความเป็นส่วนตัวชื่นชอบ เครื่องมืออย่าง Ollama หรือ LM Studio ช่วยให้คุณรันโมเดลบนฮาร์ดแวร์ของคุณเองได้ สิ่งนี้แก้ปัญหาเรื่องความเป็นส่วนตัวแต่ก็นำไปสู่คอขวดของฮาร์ดแวร์ ในการรันโมเดลคุณภาพสูงในเครื่อง คุณต้องมี GPU ที่ทรงพลังพร้อม VRAM จำนวนมาก แล็ปท็อปทั่วไปส่วนใหญ่จะรันโมเดลที่ใหญ่กว่า 7 พันล้านพารามิเตอร์ด้วยความเร็วที่ใช้งานได้จริงได้ยาก นอกจากนี้ยังมีปัญหาด้านซอฟต์แวร์ การรวมโมเดลเหล่านี้เข้ากับเวิร์กโฟลว์ที่มีอยู่มักต้องใช้ความรู้ด้าน Python หรือภาษาที่คล้ายกัน คุณต้องจัดการ system prompts, การตั้งค่า temperature และ top-p sampling เพื่อให้ได้ผลลัพธ์ที่สม่ำเสมอ ปัจจัยต่อไปนี้มีความสำคัญอย่างยิ่งสำหรับทุกคนที่พยายามสร้างเวิร์กโฟลว์ AI ระดับมืออาชีพ:

• ความจุของ VRAM คือขีดจำกัดหลักสำหรับการรันโมเดลในเครื่อง
• ความหน่วง (Latency) จะเพิ่มขึ้นตามขนาดของโมเดลหรือความยาวของ prompt
• System prompts ต้องได้รับการออกแบบอย่างระมัดระวังเพื่อป้องกันไม่ให้โมเดลออกนอกลู่นอกทาง

แม้จะมีฮาร์ดแวร์ที่ดีที่สุด คุณก็ยังต้องรับมือกับระบบที่คาดเดาไม่ได้โดยธรรมชาติ คุณสามารถส่ง prompt เดิมสองครั้งแล้วได้ผลลัพธ์ที่ต่างกันสองแบบ การขาดความแน่นอนนี้เป็นฝันร้ายสำหรับวิศวกรรมซอฟต์แวร์แบบดั้งเดิม ตามรายงานของ MIT Technology Review อุตสาหกรรมยังคงค้นหาวิธีที่จะทำให้ LLM เชื่อถือได้สำหรับงานที่สำคัญอย่างสม่ำเสมอ จนกว่าจะถึงตอนนั้น มันจะยังคงเป็นเครื่องมือสำหรับงานอดิเรกหรือผู้ช่วยรองมากกว่าจะเป็นเครื่องมือหลักในการทำงาน

บทสรุปสุดท้ายเกี่ยวกับความวุ่นวาย

สถานะปัจจุบันของ AI คือการผสมผสานระหว่างศักยภาพที่แท้จริงกับการกล่าวอ้างที่เกินจริง เรามีเครื่องมือที่เก่งกาจในการสรุปข้อความ แปลภาษา และเขียนโค้ดพื้นฐาน เรายังมีกระแสโฆษณาชวนเชื่อจำนวนมหาศาลที่บอกว่าเครื่องมือเหล่านี้กำลังจะมีความรู้สึกนึกคิดหรือแทนที่แรงงานมนุษย์ทั้งหมด ความจริงอยู่ตรงกลาง หากคุณใช้เครื่องมือเหล่านี้เป็นจุดเริ่มต้น มันก็มีประโยชน์ แต่ถ้าคุณใช้มันเป็นผลิตภัณฑ์สุดท้าย คุณกำลังหาเรื่องใส่ตัว คำถามที่ยังค้างคาใจคือเราจะแก้ปัญหาเรื่องการ “หลอน” ได้หรือไม่ ผู้เชี่ยวชาญบางคนเชื่อว่ามันเป็นส่วนหนึ่งของวิธีที่โมเดลเหล่านี้ทำงาน ในขณะที่บางคนคิดว่าข้อมูลที่มากขึ้นและการฝึกที่ดีขึ้นจะช่วยแก้ได้ จนกว่าจะถึงตอนนั้น วิธีที่ดีที่สุดคือความสงสัยอย่างระมัดระวัง ใช้เครื่องมือที่แก้ปัญหาเฉพาะหน้าให้คุณได้ในวันนี้ และเมินคำสัญญาเกี่ยวกับสิ่งที่มันอาจทำได้ในวันพรุ่งนี้ เครื่องมือที่สำคัญที่สุดในเวิร์กโฟลว์ของคุณยังคงเป็นวิจารณญาณของคุณเอง

หมายเหตุจากบรรณาธิการ: เราสร้างเว็บไซต์นี้ขึ้นมาเพื่อเป็นศูนย์กลางข่าวสารและคู่มือ AI หลายภาษาสำหรับผู้ที่ไม่ได้เป็นผู้เชี่ยวชาญคอมพิวเตอร์ แต่ยังคงต้องการทำความเข้าใจปัญญาประดิษฐ์ ใช้งานได้อย่างมั่นใจมากขึ้น และติดตามอนาคตที่กำลังจะมาถึงแล้ว

พบข้อผิดพลาดหรือสิ่งใดที่ต้องแก้ไขหรือไม่? แจ้งให้เราทราบ