Biology Beyond Nature | ภาคภูมิ ทรัพย์สุนทร

เอไอปะทะไบโอเทค (1)

(ซีรีส์ประวัติศาสตร์อุตสาหกรรมไบโอเทค)

ตั้งแต่ยุคแรกเริ่มวงการปัญญาประดิษฐ์มีแนวคิดแยกออกสองค่ายหลัก

ค่ายแรกมองว่าภูมิปัญญาของเครื่องจักรจะเกิดขึ้นได้จากการที่เราสอนระบบให้ทำงานงานเป็นขั้นเป็นตอนมีตรรกะกฎเกณฑ์การคิดการตัดสินใจชัดเจน (rule-based systems) แนวคิดนี้เริ่มตั้งแต่ Alan Turing และก็สานต่อโดยเหล่าบิดาแห่งวงการปัญญาประดิษฐ์อีกหลายท่านอย่าง Allen Newell, Herbert Simon, Marvin Minsky ฯลฯ

อีกค่ายมองว่าภูมิปัญญาจะเกิดขึ้นจากเครื่องจักรที่สามารถเรียนรู้จากประสบการณ์จากตัวอย่างได้เอง (learning-based systems) แบบที่ Warren McCulloch, Walter Pitts, Frank Rosenblatt ฯลฯ ได้ริเริ่มบุกเบิกด้วยโครงข่ายประสาทเทียม

แนวคิด rule-based และ learning-based ขับเคี่ยวแข่งขันกันมาอีกหลายทศวรรษหลังจากนั้น

Rule-based systems มีข้อดีตรงที่เราเข้าใจตรรกะการทำงานของมันชัดเจน สอนให้ทำอะไรได้แบบนั้น แถมไม่เปลืองทรัพยากรมากในการสร้าง เหมาะกับงานที่เราสามารถแยกส่วนขั้นตอนอธิบายเหตุผลตรงไปตรงมา

แต่ว่ามีข้อเสียตรงที่ความยืดหยุ่นต่ำ อยากให้ทำอะไรก็ต้องมาสอนมันใหม่ทีละขั้น

ในทางกลับกัน Learning-based systems มีข้อดีตรงที่ยืดหยุ่นกว่า เรียนรู้แก้โจทย์ได้เอง โดยเฉพาะโจทย์ที่ไม่ได้มีตรรกะชัดเจนอย่างโจทย์พวกการจำแนกรูปภาพ

แต่ก็มีข้อเสียตรงที่เราไม่รู้ว่าข้างในเครื่องข่ายประสาทเทียมมันประมวลผลใช้ตรรกะยังไง ผลงานเอาแน่เอานอนไม่ได้บางครั้ง ที่สำคัญใช้ทรัพยากรเปลืองมากในการให้มันเรียนรู้จากตัวอย่างมหาศาลเพราะจะต้องปรับจูนการทำงานของแต่ละเซลล์ประสาทจำลองให้เหมาะสม

ทศวรรษที่ 1960s กระแสเห่อปัญญาประดิษฐ์รอบแรกเริ่มอย่างเป็นทางการพร้อมกับเงินลงทุนที่หลั่งไหลเข้ามาจากทั้งภาครัฐและเอกชน ความก้าวหน้าในช่วงสองทศวรรษก่อนหน้านั้นทำให้ทั้งเหล่านักวิจัย นักลงทุน นักธุรกิจและรัฐบาลต่างเชื่อกันว่าปัญญาประดิษฐ์ที่ทำงานได้สารพัดนึกไม่น่าจะเป็นสิ่งไกลเกินเอื้อม

Minksy ทำนายไว้ตอนปี 1961 ว่าภายในชั่วชีวิตของพวกเรา โจทย์ปัญญาประดิษฐ์จะถูกแก้สำเร็จ และจะสามารถสร้างเครื่องจักรที่มีภูมิปัญญาเหนือกว่ามนุษย์

ปี 1966 Joseph Weizenbaum ประดิษฐ์ Eliza เอไอแชตบอตตัวแรกของโลกที่สนทนากับมนุษย์ได้โดยอาศัยการดัดแปลงประโยคจากรายการถามตอบที่นักจิตบำบัดนิยมใช้

แม้ว่า Eliza จะไม่ได้เข้าใจในสิ่งที่มันพูดแต่มันก็ชวนคุยได้สมจริงเสียจนหลายคนที่ได้ลองรู้สึกว่าเอไอตัวนี้ช่างเข้าอกเข้าใจพวกเขาเสียเหลือเกิน

ในปีเดียวกัน Stanford Research Institute (SRI) เปิดตัว Shaky the robot หุ่นยนต์ผนวกปัญญาประดิษฐ์ที่สามารถมองเห็น ประมวลผลภาษามนุษย์ และตอบสนองง่ายๆ อย่างเคลื่อนไหว กดปุ่มสวิตช์ไฟ เลื่อนของบนพื้น เปิด-ปิดประตู ฯลฯ

ทศวรรษนี้ยังมีการเริ่มใช้ปัญญาประดิษฐ์เป็นผู้ช่วยในงานวิจัย ตัวอย่างหนึ่งคือ Dendral ปัญญาประดิษฐ์สำหรับช่วงจัดการความรู้และสร้างสมมุติฐาน เช่น การทำนายประเภทโมเลกุลสารอินทรีย์จากผลวิเคราะห์มวล เกร็ดน่าสนใจคือหนึ่งในหัวหน้าทีมพัฒนา Dendral ก็คือ Joshua Lederberg นักจุลชีววิทยารางวัลโนเบลจากผลงานการค้นพบกลไกการส่งถ่ายดีเอ็นเอระหว่างเซลล์แบคทีเรียซึ่งกลายมาเป็นก้าวแรกของงานชีวโมเลกุลและการพัฒนาเทคนิคไบโอเทค

Dendral ถูกต่อยอดไปทำปัญญาประดิษฐ์เฉพาะทางอีกหลายตัวอย่าง MYCIN (วินิจฉัยโรคติดเชื้อ), XCON (จัดการระบบคอมพิวเตอร์) ฯลฯ

แต่พอเข้าต้นทศวรรษที่ 1970s ฟองสบู่ก็เริ่มแตกเพราะปัญญาประดิษฐ์สารพัดนึกยากกว่าที่คิด ผลิตภัณฑ์สุดล้ำแทบทั้งหมดที่ออกมาช่วงทศวรรษก่อนยังคงขายไม่ออก เพราะใช้งานลำบาก และความแม่นยำยังไม่สูงพอ เอกชนนักลงทุนถอนตัว ทุนวิจัยภาครัฐหดหาย

ค่าย learning-based หลุดวงโคจรไปก่อนส่วนหนึ่งเป็นเพราะคอมพิวเตอร์ฮาร์ดแวร์และอัลกอริธึ่มที่ใช้เรียนรู้สมัยนั้นยังไม่พอจะทำเครื่องจักรที่เรียนรู้ขนาดที่จะทำงานอะไรเป็นชิ้นเป็นอันที่ใช้ประโยชน์ได้

Marvin Minsky Seymour Papert จากค่าย rule-based ทิ้งบอมบ์ก้อนโตในหนังสือชื่อ “Perceptrons : An Introduction to Computational Geometry” นำเสนอบทพิสูจน์ทางทฤษฎีถึงข้อจำกัดมากมายของ learning-based โดยเฉพาะโครงข่ายประสาทเทียมชั้นเดียวแบบที่ Frank Rosenblatt คิดค้น

หนังสือเล่มนี้ทำให้วงการปัญญาประดิษฐ์เลิกสนใจงานโครงข่ายประสาทเทียมกันไปร่วมสิบปี

ส่วนค่าย rule-based เองก็พบว่าการจะสอนเครื่องจักรให้รู้ตรรกะครอบจักรวาลทำงานได้สารพันอย่างนั้นเป็นไปแทบไม่ได้ เทรนด์ตอนนั้นก็เลยหันเหไปสู่ปัญญาประดิษฐ์แบบที่เป็นผู้เชี่ยวชาญทำงานเฉพาะอย่าง (Expert System)

กระนั้นปัญญาประดิษฐ์พวกนี้ก็ยังมักใช้งานยากเกินกว่าจะไปทำประโยชน์ได้จริง

ทศวรรษที่ 1970s ในขณะที่วงการไบโอเทคเฟื่องฟู วงการปัญญาประดิษฐ์อยู่ในช่วงชะงักงันจนหลายคนเรียกมันว่าฤดูหนาวแห่งปัญญาประดิษฐ์ (AI Winter)

ปัญญาประดิษฐ์กลับมาเป็นกระแสอีกครั้งต้นทศวรรษที่ 1980s จากหลายปัจจัย ตั้งแต่แรงกดดันจากการแข่งขันระหว่างประเทศเมื่อคู่แข่งโพ้นทะเลอย่างญี่ปุ่นทุ่มงบประมาณกว่า 800 ล้านดอลลาร์สหรัฐเพื่อเร่งงานวิจัยปัญญาประดิษฐ์ในโครงการอย่าง Fifth Generation Project อีกด้านหนึ่งผลงานปัญญาประดิษฐ์แนว Expert Systems อย่าง XCON ที่เริ่มขายทำกำไรได้ในตลาด

อีกหนึ่งปัจจัยสำคัญที่สุดคือการกลับมาอีกครั้งของปัญญาประดิษฐ์ค่าย learning based ที่บุกเบิกโดย John J. Hopfield และ Geoffrey Hinton

Hopfield ผนวกแนวคิดทางฟิสิกส์สถิติเข้ากับการศึกษาโครงข่ายประสาทเทียม นำเสนอโครงข่ายแบบส่งสัญญาณย้อนกลับ (recurrent network) ซึ่งสามารถจดจำและกู้คืนข้อมูลที่สูญเสียบางส่วนได้

ส่วน Hinton คิดค้นเทคนิค backpropagation ซึ่งปลดล็อกข้อจำกัดในการเรียนรู้ของโครงข่ายประสาทแบบหลายชั้น

งานของ Hopfield และ Hinton ที่ออกมาช่วงต้นถึงกลางทศวรรษที่ 1980s ตอบข้อกังขาในความสามารถของปัญญาประดิษฐ์ค่าย learning based (ที่ Minksky-Paperts ตั้งเอาไว้ตั้งแต่ปลายยุค 1960s) ผลงานของสองท่านนี้กลายมาเป็นรากฐานของปัญญาประดิษฐ์ที่ใช้กันอยู่แทบทั้งหมดในปัจจุบัน

จนทั้งคู่ได้รับรางวัลโนเบลในที่สุดเมื่อปีที่แล้ว (2024)

สะดวก ฉับไว คุ้มค่า สมัครสมาชิกนิตยสารมติชนสุดสัปดาห์ได้ที่นี่https://t.co/KYFMEpsHWj

— MatichonWeekly มติชนสุดสัปดาห์ (@matichonweekly) July 27, 2022