เคยมีใครสงสัยไหมว่าทำไมเทคโนโลยีนี้ถึงเข้ามามีบทบาทในสังคม ทั้งที่ดูเหมือนจะไม่มีใครเข้าใจการทำงานของมันอย่างถ่องแท้? เพราะโดยปกติแล้ว การสร้างเครื่องมืออย่าง "ค้อน" นั้นย่อมต้องอาศัยความเข้าใจในกลไกการทำงานของมันเป็นพื้นฐาน
https://x.com/Kekius_Sage/status/2099128130682458258
.....
.....
ข้อสังเกตนี้ลึกซึ้งมาก และการเปรียบเทียบกับค้อนของผู้โพสต์ สะท้อนให้เห็นถึงประเด็นสำคัญที่เป็นหัวใจของปัญญาประดิษฐ์ (AI) สมัยใหม่ได้อย่างชัดเจน สำหรับค้อนนั้น ทั้งการออกแบบ กลไกการทำงาน และผลลัพธ์ที่ได้ล้วนมีความตรงไปตรงมาและโปร่งใส กล่าวคือ เมื่อคุณเหวี่ยงค้อน กฎทางฟิสิกส์จะเข้ามามีบทบาท และตะปูก็จะถูกตอกลงไปในเนื้อวัสดุ
แต่สำหรับโมเดลภาษาขนาดใหญ่ (Large Language Models) และโครงข่ายประสาทเทียม (Neural Networks) เรากำลังเผชิญกับรูปแบบการสร้างสรรค์นวัตกรรมที่แตกต่างออกไปอย่างสิ้นเชิง นั่นคือเราเป็นผู้สร้าง "โรงตีเหล็ก" ขึ้นมาก็จริง แต่ตัว "เครื่องมือ" นั้นกลับพัฒนาและกำหนดรูปแบบของตัวเองขึ้นมาในระดับหนึ่ง
ต่อไปนี้คือคำอธิบายว่าเหตุใดเทคโนโลยีนี้จึงแพร่หลายไปทั่วสังคม ทั้งที่ยังคงมีความลึกลับซ่อนอยู่เบื้องหลังกลไกการทำงานของมัน
ปัญหา "กล่องดำ" (Black Box): การสร้างเทียบกับการทำความเข้าใจ
ความไม่สอดคล้องกันนี้มีที่มาจากกระบวนการสร้าง AI สมัยใหม่ นักวิทยาศาสตร์คอมพิวเตอร์เข้าใจหลักคณิตศาสตร์พื้นฐานและโครงสร้างของโครงข่ายประสาทเทียมที่พวกเขาสร้างขึ้นเป็นอย่างดี พวกเขารู้วิธีป้อนข้อมูลและรู้วิธีปรับแต่งระบบเมื่อเกิดข้อผิดพลาดในระหว่างการฝึกสอน (training)
อย่างไรก็ตาม เมื่อโมเดลผ่านการฝึกสอนด้วยชุดข้อมูลมหาศาล มันจะสร้างการเชื่อมต่อภายในขึ้นมานับพันล้าน (หรือล้านล้าน) จุด ระบบจะเริ่มจดจำรูปแบบและพัฒนาขีดความสามารถที่ไม่ได้ถูกกำหนดไว้ในโปรแกรมตั้งแต่ต้น ประเด็นนี้เกี่ยวข้องกับเรื่อง "ความสามารถในการตีความ" (interpretability) เราทราบดีว่าโมเดลสามารถให้คำตอบที่แม่นยำหรือสร้างสรรค์ได้ แต่การจะระบุขั้นตอนตรรกะภายในที่แน่ชัดซึ่งนำไปสู่คำตอบนั้นยังคงเป็นปริศนาในลักษณะ "กล่องดำ" แม้แต่กับนักพัฒนาผู้สร้างมันขึ้นมาก็ตาม
ตัวอย่างในอดีตของเทคโนโลยีที่ยังไม่มีคำอธิบายชัดเจน
แม้ AI จะดูเหมือนเป็นสิ่งที่ไม่เคยเกิดขึ้นมาก่อน แต่ในความเป็นจริง มนุษย์มีประวัติศาสตร์อันยาวนานในการนำเทคโนโลยีที่มีผลกระทบสูงมาใช้ก่อนที่จะเข้าใจกลไกการทำงานที่แท้จริงของมัน
เกษตรกรรมและการคัดเลือกสายพันธุ์: เป็นเวลาหลายพันปีที่มนุษย์เพาะปลูกพืชและเลี้ยงสัตว์ ซึ่งเป็นการเปลี่ยนแปลงระบบนิเวศขนานใหญ่ โดยที่ไม่มีความรู้เรื่องพันธุศาสตร์ DNA หรือชีววิทยาของเซลล์เลย เรารู้เพียงแค่ว่าการคัดเลือกสายพันธุ์ที่มีลักษณะเฉพาะบางอย่างจะช่วยให้ได้ผลผลิตที่ดีขึ้น
การแพทย์: เปลือกต้นวิลโลว์ (ซึ่งมีสารออกฤทธิ์ที่เป็นส่วนประกอบของยาแอสไพริน) ถูกนำมาใช้บรรเทาอาการปวดมานานหลายศตวรรษ ก่อนที่วิทยาศาสตร์จะเข้าใจกระบวนการทางเคมีที่เกี่ยวข้องกับการอักเสบ แม้กระทั่งในปัจจุบัน กลไกทางประสาทชีววิทยาที่แน่ชัดของการวางยาสลบทั้งตัว (general anesthesia)—ซึ่งเป็นหัวใจสำคัญของการศัลยกรรมสมัยใหม่—ก็ยังไม่เป็นที่เข้าใจอย่างถ่องแท้ เราเลือกใช้มันเพราะผลลัพธ์ทางคลินิกนั้นคาดการณ์ได้และก่อให้เกิดประโยชน์
ทำไมถึงต้องนำมาใช้ในสังคมตอนนี้?
หากเรายังไม่เข้าใจมันอย่างถ่องแท้ เหตุใดจึงต้องรีบนำมันออกมาใช้งานจริงในวงกว้าง?
แต่สำหรับโมเดลภาษาขนาดใหญ่ (Large Language Models) และโครงข่ายประสาทเทียม (Neural Networks) เรากำลังเผชิญกับรูปแบบการสร้างสรรค์นวัตกรรมที่แตกต่างออกไปอย่างสิ้นเชิง นั่นคือเราเป็นผู้สร้าง "โรงตีเหล็ก" ขึ้นมาก็จริง แต่ตัว "เครื่องมือ" นั้นกลับพัฒนาและกำหนดรูปแบบของตัวเองขึ้นมาในระดับหนึ่ง
ต่อไปนี้คือคำอธิบายว่าเหตุใดเทคโนโลยีนี้จึงแพร่หลายไปทั่วสังคม ทั้งที่ยังคงมีความลึกลับซ่อนอยู่เบื้องหลังกลไกการทำงานของมัน
ปัญหา "กล่องดำ" (Black Box): การสร้างเทียบกับการทำความเข้าใจ
ความไม่สอดคล้องกันนี้มีที่มาจากกระบวนการสร้าง AI สมัยใหม่ นักวิทยาศาสตร์คอมพิวเตอร์เข้าใจหลักคณิตศาสตร์พื้นฐานและโครงสร้างของโครงข่ายประสาทเทียมที่พวกเขาสร้างขึ้นเป็นอย่างดี พวกเขารู้วิธีป้อนข้อมูลและรู้วิธีปรับแต่งระบบเมื่อเกิดข้อผิดพลาดในระหว่างการฝึกสอน (training)
อย่างไรก็ตาม เมื่อโมเดลผ่านการฝึกสอนด้วยชุดข้อมูลมหาศาล มันจะสร้างการเชื่อมต่อภายในขึ้นมานับพันล้าน (หรือล้านล้าน) จุด ระบบจะเริ่มจดจำรูปแบบและพัฒนาขีดความสามารถที่ไม่ได้ถูกกำหนดไว้ในโปรแกรมตั้งแต่ต้น ประเด็นนี้เกี่ยวข้องกับเรื่อง "ความสามารถในการตีความ" (interpretability) เราทราบดีว่าโมเดลสามารถให้คำตอบที่แม่นยำหรือสร้างสรรค์ได้ แต่การจะระบุขั้นตอนตรรกะภายในที่แน่ชัดซึ่งนำไปสู่คำตอบนั้นยังคงเป็นปริศนาในลักษณะ "กล่องดำ" แม้แต่กับนักพัฒนาผู้สร้างมันขึ้นมาก็ตาม
ตัวอย่างในอดีตของเทคโนโลยีที่ยังไม่มีคำอธิบายชัดเจน
แม้ AI จะดูเหมือนเป็นสิ่งที่ไม่เคยเกิดขึ้นมาก่อน แต่ในความเป็นจริง มนุษย์มีประวัติศาสตร์อันยาวนานในการนำเทคโนโลยีที่มีผลกระทบสูงมาใช้ก่อนที่จะเข้าใจกลไกการทำงานที่แท้จริงของมัน
เกษตรกรรมและการคัดเลือกสายพันธุ์: เป็นเวลาหลายพันปีที่มนุษย์เพาะปลูกพืชและเลี้ยงสัตว์ ซึ่งเป็นการเปลี่ยนแปลงระบบนิเวศขนานใหญ่ โดยที่ไม่มีความรู้เรื่องพันธุศาสตร์ DNA หรือชีววิทยาของเซลล์เลย เรารู้เพียงแค่ว่าการคัดเลือกสายพันธุ์ที่มีลักษณะเฉพาะบางอย่างจะช่วยให้ได้ผลผลิตที่ดีขึ้น
การแพทย์: เปลือกต้นวิลโลว์ (ซึ่งมีสารออกฤทธิ์ที่เป็นส่วนประกอบของยาแอสไพริน) ถูกนำมาใช้บรรเทาอาการปวดมานานหลายศตวรรษ ก่อนที่วิทยาศาสตร์จะเข้าใจกระบวนการทางเคมีที่เกี่ยวข้องกับการอักเสบ แม้กระทั่งในปัจจุบัน กลไกทางประสาทชีววิทยาที่แน่ชัดของการวางยาสลบทั้งตัว (general anesthesia)—ซึ่งเป็นหัวใจสำคัญของการศัลยกรรมสมัยใหม่—ก็ยังไม่เป็นที่เข้าใจอย่างถ่องแท้ เราเลือกใช้มันเพราะผลลัพธ์ทางคลินิกนั้นคาดการณ์ได้และก่อให้เกิดประโยชน์
ทำไมถึงต้องนำมาใช้ในสังคมตอนนี้?
หากเรายังไม่เข้าใจมันอย่างถ่องแท้ เหตุใดจึงต้องรีบนำมันออกมาใช้งานจริงในวงกว้าง?
1. ประโยชน์ใช้สอยแซงหน้าความลึกลับ
ประโยชน์ทางเศรษฐกิจและการใช้งานจริงของ AI นั้นมหาศาล ความสามารถในการสังเคราะห์ข้อมูล แปลภาษา เขียนโค้ด และวิเคราะห์ชุดข้อมูลที่ซับซ้อนได้ทันที เป็นแรงจูงใจอย่างมากในการนำไปใช้งาน เช่นเดียวกับยาชาในยุคแรกๆ ประโยชน์ที่ได้รับนั้นสำคัญเกินกว่าจะรอจนกว่าวิทยาศาสตร์เชิงทฤษฎีจะตามทัน
2. การแข่งขันที่ดุเดือด
อุตสาหกรรมเทคโนโลยีดำเนินงานบนพื้นฐานของการนำไปใช้งานและการพัฒนาอย่างรวดเร็ว มีการแข่งขันทางการค้าและการเมืองอย่างดุเดือดเพื่อครองความเป็นผู้นำในภาคส่วน AI การหยุดการนำไปใช้งานเพื่อแก้ปัญหาเรื่องการตีความได้นั้นหมายถึงการยอมเสียเปรียบคู่แข่งที่พร้อมจะก้าวไปข้างหน้า
3. การค้นพบความสามารถผ่านการใช้งานจริง
นักพัฒนา AI หลายคนโต้แย้งว่าวิธีเดียวที่จะเข้าใจโมเดลเหล่านี้อย่างแท้จริง ค้นพบข้อบกพร่อง และค้นพบความสามารถที่เกิดขึ้นใหม่ คือการทดสอบกับสภาพแวดล้อมจริง ระบบที่ทดสอบในห้องปฏิบัติการปิดจะทำงานแตกต่างจากระบบที่โต้ตอบกับข้อมูลป้อนเข้าจากมนุษย์นับล้านที่มีความหลากหลาย
ความท้าทายด้านการกำกับดูแล
ช่องว่างระหว่างความสามารถและการตีความนี้เองที่เป็นเหตุผลว่าทำไมความเสี่ยงด้านความปลอดภัยของแบบจำลองจึงกลายเป็นประเด็นสำคัญอย่างยิ่ง เมื่อต้องรับมือกับระบบอัตโนมัติที่เพิ่มมากขึ้น ความไม่สามารถคาดการณ์ได้อย่างแม่นยำว่าแบบจำลองจะแก้ปัญหาได้อย่างไรนั้น ก่อให้เกิดความเสี่ยงมหาศาล มันเปลี่ยนความท้าทายจากเพียงแค่การแก้ไขข้อผิดพลาดทางเทคนิคไปสู่ปัญหาการกำกับดูแลที่ลึกซึ้ง ซึ่งต้องมีมาตรการป้องกันความปลอดภัยที่เข้มงวดและกรอบกฎหมายที่แข็งแกร่งเพื่อให้แน่ใจว่าระบบเหล่านี้ยังคงสอดคล้องกับผลประโยชน์ของมนุษย์ แม้ว่าตรรกะภายในของระบบจะไม่โปร่งใสก็ตาม
ประโยชน์ทางเศรษฐกิจและการใช้งานจริงของ AI นั้นมหาศาล ความสามารถในการสังเคราะห์ข้อมูล แปลภาษา เขียนโค้ด และวิเคราะห์ชุดข้อมูลที่ซับซ้อนได้ทันที เป็นแรงจูงใจอย่างมากในการนำไปใช้งาน เช่นเดียวกับยาชาในยุคแรกๆ ประโยชน์ที่ได้รับนั้นสำคัญเกินกว่าจะรอจนกว่าวิทยาศาสตร์เชิงทฤษฎีจะตามทัน
2. การแข่งขันที่ดุเดือด
อุตสาหกรรมเทคโนโลยีดำเนินงานบนพื้นฐานของการนำไปใช้งานและการพัฒนาอย่างรวดเร็ว มีการแข่งขันทางการค้าและการเมืองอย่างดุเดือดเพื่อครองความเป็นผู้นำในภาคส่วน AI การหยุดการนำไปใช้งานเพื่อแก้ปัญหาเรื่องการตีความได้นั้นหมายถึงการยอมเสียเปรียบคู่แข่งที่พร้อมจะก้าวไปข้างหน้า
3. การค้นพบความสามารถผ่านการใช้งานจริง
นักพัฒนา AI หลายคนโต้แย้งว่าวิธีเดียวที่จะเข้าใจโมเดลเหล่านี้อย่างแท้จริง ค้นพบข้อบกพร่อง และค้นพบความสามารถที่เกิดขึ้นใหม่ คือการทดสอบกับสภาพแวดล้อมจริง ระบบที่ทดสอบในห้องปฏิบัติการปิดจะทำงานแตกต่างจากระบบที่โต้ตอบกับข้อมูลป้อนเข้าจากมนุษย์นับล้านที่มีความหลากหลาย
ความท้าทายด้านการกำกับดูแล
ช่องว่างระหว่างความสามารถและการตีความนี้เองที่เป็นเหตุผลว่าทำไมความเสี่ยงด้านความปลอดภัยของแบบจำลองจึงกลายเป็นประเด็นสำคัญอย่างยิ่ง เมื่อต้องรับมือกับระบบอัตโนมัติที่เพิ่มมากขึ้น ความไม่สามารถคาดการณ์ได้อย่างแม่นยำว่าแบบจำลองจะแก้ปัญหาได้อย่างไรนั้น ก่อให้เกิดความเสี่ยงมหาศาล มันเปลี่ยนความท้าทายจากเพียงแค่การแก้ไขข้อผิดพลาดทางเทคนิคไปสู่ปัญหาการกำกับดูแลที่ลึกซึ้ง ซึ่งต้องมีมาตรการป้องกันความปลอดภัยที่เข้มงวดและกรอบกฎหมายที่แข็งแกร่งเพื่อให้แน่ใจว่าระบบเหล่านี้ยังคงสอดคล้องกับผลประโยชน์ของมนุษย์ แม้ว่าตรรกะภายในของระบบจะไม่โปร่งใสก็ตาม
Has anyone ever wondered why this technology came into society at all, although apparently no one knows about it? The hammer was not developed without knowing how it works. How did this meta-technique make it into the dual existing company?
— Anne (@NavaKoot) September 13, 2026
