Digital marketing

แหล่งข้อมูลใหม่สำหรับนักการศึกษามหาวิทยาลัย

การมองย้อนกลับไปในช่วงหลายทศวรรษนับตั้งแต่การประชุมครั้งนั้นแสดงให้เห็นว่าความหวังของนักวิจัย AI ถูกบดขยี้บ่อยครั้งเพียงใด และความพ่ายแพ้เหล่านั้นได้ขัดขวางพวกเขาเพียงเล็กน้อย ทุกวันนี้ แม้ว่า AI จะปฏิวัติอุตสาหกรรมและขู่ว่าจะคว่ำตลาดแรงงานทั่วโลก ผู้เชี่ยวชาญหลายคนก็ยังสงสัยว่า AI ในปัจจุบันมีขีดจำกัดหรือไม่ ตามที่ Charles Choi อธิบายไว้ใน “Seven Revealing Ways AIs Fail” จุดอ่อนของระบบการเรียนรู้เชิงลึกในปัจจุบันเริ่มชัดเจนขึ้นเรื่อยๆ ทว่านักวิจัยกลับรู้สึกถึงความหายนะเพียงเล็กน้อย ใช่ เป็นไปได้ว่าเราอยู่ในฤดูหนาวของ AI อีกในอนาคตอันใกล้นี้ แต่นี่อาจเป็นเพียงช่วงเวลาที่วิศวกรที่ได้รับแรงบันดาลใจจะนำเราไปสู่ฤดูร้อนนิรันดร์ของจิตใจของเครื่องจักร นักวิจัยที่พัฒนา AI เชิงสัญลักษณ์มุ่งมั่นที่จะสอนคอมพิวเตอร์เกี่ยวกับโลกอย่างชัดเจน หลักการก่อตั้งของพวกเขาถือได้ว่าความรู้สามารถแสดงด้วยชุดของกฎเกณฑ์ และโปรแกรมคอมพิวเตอร์สามารถใช้ตรรกะเพื่อจัดการกับความรู้นั้น นักสัญลักษณ์ชั้นนำ อัลเลน นีเวลล์ และเฮอร์เบิร์ต ไซมอน แย้งว่าหากระบบเชิงสัญลักษณ์มีข้อเท็จจริงและหลักฐานที่มีโครงสร้างเพียงพอ การรวมกลุ่มจะสร้างปัญญาในวงกว้างในที่สุด ในทางกลับกัน นักเชื่อมต่อได้รับแรงบันดาลใจจากชีววิทยา ทำงานใน “โครงข่ายประสาทเทียม” ที่จะรับข้อมูลและทำความเข้าใจมันเอง ตัวอย่างผู้บุกเบิกคือ perceptron ซึ่งเป็นเครื่องทดลองที่สร้างโดยนักจิตวิทยาของ Cornell Frank Rosenblatt โดยได้รับทุนสนับสนุนจากกองทัพเรือสหรัฐฯ มีเซ็นเซอร์วัดแสง 400 ตัวที่ทำหน้าที่เป็นเรตินา โดยให้ข้อมูลแก่ “เซลล์ประสาท” ประมาณ 1,000 เซลล์ซึ่งทำหน้าที่ประมวลผลและให้ผลลัพธ์เพียงตัวเดียว ในปี 1958 บทความของ New York Times อ้างถึง Rosenblatt ว่า “เครื่องจักรจะเป็นอุปกรณ์แรกที่คิดว่าเป็นสมองของมนุษย์” Frank Rosenblatt ได้ประดิษฐ์ perceptron ซึ่งเป็นโครงข่ายประสาทเทียมเครื่องแรก การมองโลกในแง่ดีแบบ Unbridled ของมหาวิทยาลัย Cornell University Division of Rare and Manuscript Collections สนับสนุนให้หน่วยงานของรัฐในสหรัฐอเมริกาและสหราชอาณาจักรทุ่มเงินเข้าสู่การวิจัยเชิงเก็งกำไร ในปี 1967 ศาสตราจารย์ Marvin Minsky จาก MIT เขียนว่า “ภายในหนึ่งชั่วอายุคน…ปัญหาในการสร้าง ‘ปัญญาประดิษฐ์’ จะได้รับการแก้ไขอย่างมาก” แต่หลังจากนั้นไม่นาน เงินทุนของรัฐบาลก็เริ่มแห้งแล้ง โดยได้รับแรงผลักดันจากความรู้สึกว่าการวิจัย AI นั้นไม่ได้ดำเนินชีวิตตามโฆษณาของตัวเอง ทศวรรษ 1970 เห็นฤดูหนาว AI ครั้งแรก อย่างไรก็ตาม ผู้เชื่อที่แท้จริงยังคงสู้ต่อไป และในช่วงต้นทศวรรษ 1980 ความกระตือรือร้นที่เกิดขึ้นใหม่ก็นำความรุ่งเรืองมาสู่นักวิจัยในด้าน AI เชิงสัญลักษณ์ ซึ่งได้รับการยกย่องและให้ทุนสนับสนุนสำหรับ “ระบบผู้เชี่ยวชาญ” ที่เข้ารหัสความรู้เกี่ยวกับวินัยเฉพาะ เช่น กฎหมายหรือการแพทย์ นักลงทุนหวังว่าระบบเหล่านี้จะค้นหาแอปพลิเคชันเชิงพาณิชย์ได้อย่างรวดเร็ว กิจการ AI เชิงสัญลักษณ์ที่มีชื่อเสียงที่สุดเริ่มต้นขึ้นในปี 1984 เมื่อนักวิจัย Douglas Lenat เริ่มทำงานในโครงการที่เขาตั้งชื่อว่า Cyc ซึ่งมีวัตถุประสงค์เพื่อเข้ารหัสสามัญสำนึกในเครื่อง จนถึงทุกวันนี้ Lenat และทีมของเขายังคงเพิ่มคำศัพท์ (ข้อเท็จจริงและแนวคิด) ให้กับ ontology ของ Cyc และอธิบายความสัมพันธ์ระหว่างคำเหล่านั้นผ่านกฎเกณฑ์ ภายในปี 2560 ทีมมีข้อกำหนด 1.5 ล้านข้อและกฎ 24.5 ล้านข้อ ทว่า Cyc ก็ยังไม่ถึงขั้นบรรลุปัญญาทั่วไป ในช่วงปลายทศวรรษ 1980 ลมหนาวของการค้าขายนำหน้า AI ฤดูหนาวครั้งที่สอง ตลาดสำหรับระบบผู้เชี่ยวชาญล้มเหลวเนื่องจากต้องใช้ฮาร์ดแวร์เฉพาะและไม่สามารถแข่งขันกับคอมพิวเตอร์เดสก์ท็อปราคาถูกที่กลายเป็นเรื่องธรรมดาได้ ในช่วงทศวรรษ 1990 การทำงานกับ AI หรือโครงข่ายประสาทเทียมไม่เป็นที่นิยมในเชิงวิชาการอีกต่อไป เนื่องจากกลยุทธ์ทั้งสองดูเหมือนจะล้มเหลว แต่คอมพิวเตอร์ราคาถูกที่แทนที่ระบบผู้เชี่ยวชาญกลับกลายเป็นประโยชน์สำหรับนักเชื่อมต่อ ซึ่งจู่ๆ ก็มีการเข้าถึงพลังงานคอมพิวเตอร์เพียงพอที่จะเรียกใช้โครงข่ายประสาทเทียมที่มีเซลล์ประสาทเทียมหลายชั้น ระบบดังกล่าวกลายเป็นที่รู้จักในชื่อเครือข่ายประสาทลึกและวิธีการที่เปิดใช้งานเรียกว่าการเรียนรู้เชิงลึก เจฟฟรีย์ ฮินตัน จากมหาวิทยาลัยโตรอนโต ได้ใช้หลักการที่เรียกว่า back-propagation เพื่อทำให้โครงข่ายประสาทเรียนรู้จากความผิดพลาด (ดู “วิธีการทำงานของการเรียนรู้อย่างลึกซึ้ง”) Yann LeCun หนึ่งใน postdocs ของ Hinton ไปที่ AT&T Bell Laboratories ในปี 1988 ซึ่งเขาและ postdoc ชื่อ Yoshua Bengio ใช้โครงข่ายประสาทในการจดจำอักขระด้วยแสง ธนาคารสหรัฐได้นำเทคนิคนี้ไปใช้ในการประมวลผลเช็คในไม่ช้า ในที่สุด Hinton, LeCun และ Bengio ได้รับรางวัล Turing Award ปี 2019 และบางครั้งถูกเรียกว่าเจ้าพ่อแห่งการเรียนรู้เชิงลึก แต่ผู้สนับสนุนโครงข่ายประสาทยังคงมีปัญหาใหญ่อยู่อย่างหนึ่ง นั่นคือ พวกเขามีกรอบงานเชิงทฤษฎีและพลังของคอมพิวเตอร์ที่กำลังเติบโต แต่มีข้อมูลดิจิทัลไม่เพียงพอในโลกที่จะฝึกระบบของพวกเขา อย่างน้อยก็ไม่ใช่สำหรับแอปพลิเคชันส่วนใหญ่ ฤดูใบไม้ผลิยังมาไม่ถึง ในช่วงสองทศวรรษที่ผ่านมา ทุกสิ่งทุกอย่างได้เปลี่ยนไป โดยเฉพาะอย่างยิ่ง เวิลด์ไวด์เว็บเบ่งบาน และทันใดนั้น ก็มีข้อมูลทุกที่ กล้องถ่ายรูปดิจิทัลและสมาร์ทโฟนเต็มไปด้วยรูปภาพต่างๆ ในอินเทอร์เน็ต เว็บไซต์เช่น Wikipedia และ Reddit เต็มไปด้วยข้อความดิจิทัลที่เข้าถึงได้ฟรี และ YouTube มีวิดีโอมากมาย ในที่สุดก็มีข้อมูลเพียงพอที่จะฝึกโครงข่ายประสาทเทียมสำหรับการใช้งานที่หลากหลาย การพัฒนาครั้งใหญ่อื่น ๆ มาจากอุตสาหกรรมเกม บริษัทต่างๆ เช่น Nvidia ได้พัฒนาชิปที่เรียกว่าหน่วยประมวลผลกราฟิก (GPU) สำหรับการประมวลผลจำนวนมากซึ่งจำเป็นต่อการเรนเดอร์ภาพในวิดีโอเกม นักพัฒนาเกมใช้ GPU เพื่อทำการแรเงาและการแปลงทางเรขาคณิตที่ซับซ้อน นักวิทยาศาสตร์คอมพิวเตอร์ที่ต้องการพลังในการประมวลผลอย่างจริงจังตระหนักว่าพวกเขาสามารถหลอกให้ GPU ทำงานอื่นๆ ได้ เช่น การฝึกอบรมโครงข่ายประสาทเทียม Nvidia สังเกตเห็นแนวโน้มและสร้าง CUDA ซึ่งเป็นแพลตฟอร์มที่ช่วยให้นักวิจัยใช้ GPU สำหรับการประมวลผลทั่วไป ในบรรดานักวิจัยเหล่านี้คือปริญญาเอก นักเรียนในห้องทดลองของ Hinton ชื่อ Alex Krizhevsky ซึ่งใช้ CUDA ในการเขียนโค้ดสำหรับโครงข่ายประสาทเทียมที่ระเบิดทุกคนในปี 2012 ศาสตราจารย์ Marvin Minsky ของ MIT ทำนายในปี 1967 ว่าปัญญาประดิษฐ์ที่แท้จริงจะถูกสร้างขึ้นภายในชั่วอายุคน พิพิธภัณฑ์ MIT เขาเขียนไว้ สำหรับการแข่งขัน ImageNet ซึ่งท้าทายให้นักวิจัย AI สร้างระบบคอมพิวเตอร์วิทัศน์ที่สามารถจัดเรียงภาพมากกว่า 1 ล้านภาพออกเป็น 1,000 หมวดหมู่ของวัตถุ แม้ว่า AlexNet ของ Krizhevsky จะไม่ใช่โครงข่ายประสาทเทียมรายแรกที่ใช้สำหรับการจดจำภาพ แต่ประสิทธิภาพของเครือข่ายในการประกวดปี 2012 ได้รับความสนใจจากทั่วโลก อัตราข้อผิดพลาดของ AlexNet อยู่ที่ 15 เปอร์เซ็นต์ เทียบกับอัตราข้อผิดพลาด 26 เปอร์เซ็นต์ของรายการที่ดีที่สุดอันดับสอง โครงข่ายประสาทได้รับชัยชนะอย่างหลีกเลี่ยงไม่ได้ต่อพลังของ GPU และโครงสร้างที่ “ลึก” ของหลายเลเยอร์ที่มีเซลล์ประสาททั้งหมด 650,000 เซลล์ ในการแข่งขัน ImageNet ในปีหน้า เกือบทุกคนใช้โครงข่ายประสาทเทียม ภายในปี 2560 อัตราความผิดพลาดของผู้แข่งขันหลายคนลดลงเหลือ 5 เปอร์เซ็นต์ และผู้จัดยุติการแข่งขัน การเรียนรู้เชิงลึกเริ่มต้นขึ้น ด้วยพลังประมวลผลของ GPU และข้อมูลดิจิทัลจำนวนมากในการฝึกระบบการเรียนรู้เชิงลึก รถยนต์ที่ขับด้วยตนเองสามารถนำทางไปตามถนน ผู้ช่วยเสียงสามารถจดจำคำพูดของผู้ใช้ และเว็บเบราว์เซอร์สามารถแปลระหว่างภาษาต่างๆ ได้หลายสิบภาษา AIs ยังเอาชนะแชมป์เปี้ยนมนุษย์ในหลายเกมที่ก่อนหน้านี้คิดว่าจะเอาชนะโดยเครื่องจักรไม่ได้ ซึ่งรวมถึงเกมกระดานโบราณ Go และวิดีโอเกม StarCraft II ความเจริญในปัจจุบันของ AI ได้ส่งผลกระทบต่อทุกอุตสาหกรรม โดยนำเสนอวิธีใหม่ๆ ในการจดจำรูปแบบและการตัดสินใจที่ซับซ้อน การมองย้อนกลับไปในช่วงหลายทศวรรษที่ผ่านมาแสดงให้เห็นว่าความหวังของนักวิจัย AI ถูกบดขยี้บ่อยเพียงใด และความพ่ายแพ้เหล่านั้นได้ขัดขวางพวกเขาเพียงเล็กน้อย แต่ความสำเร็จที่เพิ่มมากขึ้นในการเรียนรู้เชิงลึกนั้นอาศัยการเพิ่มจำนวนเลเยอร์ในโครงข่ายประสาทและเพิ่มเวลา GPU ที่ทุ่มเทให้กับการฝึกอบรมเหล่านั้น การวิเคราะห์หนึ่งจากบริษัทวิจัย AI OpenAI แสดงให้เห็นว่าปริมาณพลังในการคำนวณที่จำเป็นสำหรับการฝึกอบรมระบบ AI ที่ใหญ่ที่สุดนั้นเพิ่มขึ้นเป็นสองเท่าทุก ๆ สองปีจนถึงปี 2012 และหลังจากนั้นก็เพิ่มขึ้นเป็นสองเท่าทุก ๆ 3.4 เดือน อย่างที่ Neil C. Thompson และเพื่อนร่วมงานเขียนไว้ใน “Deep Learning’s Diminishing Returns” นักวิจัยหลายคนกังวลว่าความต้องการด้านการคำนวณของ AI อยู่ในวิถีที่ไม่ยั่งยืน เพื่อหลีกเลี่ยงการทำลายงบประมาณด้านพลังงานของโลก นักวิจัยจำเป็นต้องทำลายแนวทางที่กำหนดไว้ในการสร้างระบบเหล่านี้ แม้ว่าอาจดูเหมือนว่าค่ายประสาทเทียมได้ทำลายสัญลักษณ์อย่างเด็ดขาด แต่ในความเป็นจริงผลลัพธ์ของการต่อสู้นั้นไม่ง่ายอย่างนั้น ยกตัวอย่างเช่น มือหุ่นยนต์จาก OpenAI ที่พาดหัวข่าวสำหรับจัดการและแก้ไขลูกบาศก์ของรูบิค หุ่นยนต์ใช้โครงข่ายประสาทและ AI เชิงสัญลักษณ์ เป็นหนึ่งในระบบประสาทและสัญลักษณ์ใหม่ ๆ จำนวนมากที่ใช้โครงข่ายประสาทเพื่อการรับรู้และ AI เชิงสัญลักษณ์สำหรับการให้เหตุผล ซึ่งเป็นแนวทางไฮบริดที่อาจให้ประโยชน์ทั้งในด้านประสิทธิภาพและความสามารถในการอธิบาย แม้ว่าระบบการเรียนรู้เชิงลึกมักจะเป็นกล่องดำที่ทำการอนุมานในลักษณะที่ไม่ชัดเจนและน่าพิศวง แต่ระบบสัญลักษณ์ทางประสาททำให้ผู้ใช้สามารถมองภายใต้ประทุนและเข้าใจว่า AI บรรลุข้อสรุปได้อย่างไร กองทัพสหรัฐฯ ระมัดระวังเป็นพิเศษในการพึ่งพาระบบกล่องดำ ดังที่ Evan Ackerman อธิบายไว้ใน “วิธีที่กองทัพสหรัฐฯ เปลี่ยนหุ่นยนต์ให้กลายเป็นผู้เล่นในทีม” ดังนั้นนักวิจัยของกองทัพบกจึงกำลังตรวจสอบวิธีการไฮบริดที่หลากหลายในการขับเคลื่อนหุ่นยนต์และยานยนต์อิสระของตน ลองนึกภาพว่าหากคุณนำหุ่นยนต์กวาดถนนของกองทัพสหรัฐฯ ตัวหนึ่งมาสั่งกาแฟให้คุณ นั่นเป็นข้อเสนอที่น่าหัวเราะในวันนี้ เพราะระบบการเรียนรู้เชิงลึกถูกสร้างขึ้นเพื่อจุดประสงค์ที่แคบ และไม่สามารถสรุปความสามารถของพวกเขาจากงานหนึ่งไปอีกงานหนึ่งได้ ยิ่งไปกว่านั้น การเรียนรู้งานใหม่มักจะต้องใช้ AI เพื่อลบทุกอย่างที่มันรู้เกี่ยวกับวิธีแก้ปัญหางานก่อนหน้านี้ ปริศนาที่เรียกว่าหายนะอย่างหายนะ ที่ DeepMind ห้องปฏิบัติการ AI ของ Google ในลอนดอน นักวิทยาการหุ่นยนต์ชื่อดัง Raia Hadsell กำลังแก้ไขปัญหานี้ด้วยเทคนิคที่ซับซ้อนมากมาย ใน “How DeepMind Is Reinventing the Robot” Tom Chivers อธิบายว่าเหตุใดปัญหานี้จึงมีความสำคัญมากสำหรับหุ่นยนต์ที่ทำงานในโลกแห่งความเป็นจริงที่คาดเดาไม่ได้ นักวิจัยคนอื่นๆ กำลังตรวจสอบ meta-learning ประเภทใหม่โดยหวังว่าจะสร้างระบบ AI ที่เรียนรู้วิธีเรียนรู้แล้วนำทักษะนั้นไปใช้กับโดเมนหรืองานใดๆ กลยุทธ์ทั้งหมดเหล่านี้อาจช่วยความพยายามของนักวิจัยในการบรรลุเป้าหมายสูงสุดของพวกเขา: การสร้าง AI ด้วยความฉลาดทางของเหลวที่เราเฝ้าดูลูก ๆ ของเราพัฒนา เด็กวัยหัดเดินไม่ต้องการข้อมูลจำนวนมากเพื่อสรุป พวกเขาเพียงแค่สังเกตโลก สร้างแบบจำลองทางจิตว่ามันทำงานอย่างไร ลงมือทำ และใช้ผลของการกระทำเพื่อปรับแบบจำลองทางจิตนั้น ซ้ำซากจนเข้าใจ กระบวนการนี้มีประสิทธิภาพและประสิทธิผลอย่างมาก และเกินความสามารถของ AI ที่ล้ำหน้าที่สุดในปัจจุบัน แม้ว่าระดับความกระตือรือร้นในปัจจุบันจะทำให้ AI กลายเป็นวงจรโฆษณาของ Gartner และแม้ว่าเงินทุนสำหรับ AI จะพุ่งแตะระดับสูงสุดเป็นประวัติการณ์ แต่ก็ยังไม่มีหลักฐานว่าอนาคตของเราจะหมดไป บริษัทต่างๆ ทั่วโลกกำลังนำระบบ AI มาใช้เพราะพวกเขาเห็นการปรับปรุงในทันทีในบรรทัดล่าง และพวกเขาจะไม่มีวันย้อนกลับ คงต้องรอดูกันต่อไปว่านักวิจัยจะหาวิธีปรับการเรียนรู้เชิงลึกเพื่อให้มีความยืดหยุ่นและแข็งแกร่งยิ่งขึ้น หรือคิดค้นวิธีการใหม่ๆ ที่ยังไม่เคยคิดมาก่อนในการสืบเสาะอายุ 65 ปีเพื่อสร้างเครื่องจักรเหมือนเรามากขึ้น บทความนี้ปรากฏในฉบับพิมพ์เดือนตุลาคม 2564 ในชื่อ “อดีตที่ปั่นป่วนและอนาคตที่ไม่แน่นอนของ AI”

  • บ้าน
  • ธุรกิจ
  • วิทยาศาสตร์ข้อมูล
  • การตลาดดิจิทัล
  • ตลาดการค้า
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button