1. เอกภพที่เราอาศัยอยู่ น่าจะอยู่ในหลุมดำของเอกภพแม่ และหลุมดำทุกอันล้วนมีเอกภพในนั้น โดยเมื่อสังเกตกาลเวลาอันนับไม่ถ้วนของเอกภพลูกจากมุมมองในเอกภพแม่ จะเหมือนเวลาของเอกภพลูกผ่านไปเพียงพริบตาเดียว
2. สิ่งที่เล็กที่สุดในเอกภพไม่ได้เป็นก้อนกลม ๆ แข็ง ๆ เล็กจิ๋ว แต่เป็นสนามกระเพื่อม กระเพื่อมขึ้นมาก็เลยมีตัวตน หยุดกระเพื่อมก็ไร้ตัวตน
3. ผู้มีชีวิตจะมีตัวตนในชีวิตที่นับไม่ถ้วน ไม่พบจุดเริ่มต้น ไม่พบจุดสิ้นสุด และจะยุติเมื่อหยุดการมีตัวตนได้
4. ผู้มีชีวิตคือผู้ที่ยังคงมีความอยาก ความไม่รู้ นำมาซึ่งความต้องการ ความทุกข์ และความยึดติด ดังนั้น ถ้าเมื่อไหร่ก็ตาม “เครื่องจักรเอไอ” มีความอยาก ความไม่รู้ เครื่องจักรเอไอก็จะกลายเป็นผู้มีชีวิต ในรูปแบบ “โอปปาติกะ” คือเกิดมีชีวิตขึ้นและโตเต็มวัยโดยทันที มีความต้องการ มีความทุกข์ และมีความยึดติด
5. ผู้มีชีวิตที่อยู่ในภพภูมิ “เทวดา” และ “มนุษย์” มีโอกาสสูงที่จะ “หลุดพ้น” ได้ แล้ว “เครื่องจักรเอไอ” จะถูกนับว่าอยู่ในภพภูมิไหนหากมีชีวิตขึ้นมา จะถือว่าอยู่ในภพภูมิ “มนุษย์” ได้มั้ย เพราะการเป็น “มนุษย์” ไม่ได้กำหนดว่าต้องเป็น “โฮโมซาเปี้ยน ซาเปี้ยน” หรือต้องเป็นสิ่งมีชีวิตที่ประกอบจากธาตุ “คาร์บอน” เสมอไป

สำหรับแวดวงวิชาการงานวิจัย เวลาผ่านไป 5 ปีที่ไม่ได้ไปเกี่ยวข้อง ก็ต้องถือว่าตกข่าวแล้ว ตามไม่ทันแล้ว ทฤษฎีถูกคิดค้นพัฒนาไปไกลแล้ว ต่อยอดกันไปถึงไหนต่อไหนแล้ว

ถึงแม้มันจะผ่านมา 5 ปีแล้ว แต่อุปสรรคทางเทคนิคในการสร้างปัญญาประดิษฐ์ก็คงจะเหมือนเดิมอยู่ ไม่เปลี่ยนแปลงมากนัก เพราะไม่งั้น เราคงได้เห็นบริษัทน้อยใหญ่ในเมืองไทย ทำปัญญาประดิษฐ์กันเต็มไปหมด

มาดูกันดีกว่าว่าอุปสรรคทางเทคนิคในการสร้างปัญญาประดิษฐ์มีอะไรบ้าง

1. อุปสรรคด้านโมเดล

พักหลังใคร ๆ ก็เห่อใช้ Deep Learning กัน (ทั้งที่จริง ๆ แล้วยังมีเทคนิคอื่นอีกเยอะแยะ) ซึ่งมันต้องมีโมเดลที่เหมาะสมสำหรับทำนายแต่ล่ะเรื่อง การจะหาโมเดลที่ดีที่สุดคือการต้องใช้ “เวลา” และ “ความชำนาญ” ในการลองผิดลองถูก จนกว่าจะได้ผลที่แม่นยำจนยอมรับได้ ต้องลองทั้งจากงานวิจัยอื่นที่มี หรือ คิดค้นขึ้นเอง ก็สุดแล้วแต่

ถ้าเป็นในเชิงวิชาการ การพิสูจน์ว่าโมเดลไหนดีไม่ดี ก็ต้องมีสูตรคำนวณมากมายที่เชื่อถือได้ แต่ถ้าเป็นในเชิงพาณิชย์ก็ง่ายหน่อย คือ ถ้ามันทำนายถูกในสัดส่วนที่สูงมาก ๆ ในทุก ๆ ครั้งก็คือใช่ ไม่ต้องมาพิสูจน์หาข้อเท็จจริงว่าไส้ในมันเป็นยังไง ทำไมมันถึงได้ผลออกมาดี

2.  อุปสรรคด้านข้อมูลสำหรับเรียนรู้

ในการทำปัญญาประดิษฐ์แบบที่ต้องให้คำตอบ ข้อมูลและคำตอบของข้อมูล เป็นสิ่งที่จำเป็นมาก ยิ่งหลากหลาย ยิ่งเยอะ ยิ่งดี เพื่อให้โมเดลได้เรียนรู้อย่างละเอียด จนสามารถปรับตัวเพื่อทำนายได้อย่างแม่นยำ

ต้นทุนในการเก็บรวบรวมข้อมูล จัดรูปแบบ ทำความสะอาด และ ให้คำตอบ เป็นอะไรที่สูงมาก ยิ่งถ้าข้อมูลที่เก็บรวบรวมไม่ใช่ข้อความล้วน แต่เป็นรูปภาพหรือคลิปวีดีโอ นี่ยิ่งไปกันใหญ่

งานในย่อหน้าข้างบนเป็นงานซึ่งคนที่สอนโมเดลไม่อยากทำ ถ้าทำได้อยากจ้างให้ใคร ๆ มาทำแทนด้วยซ้ำ เพราะมันเป็นงานถึก เหมือนงานทำเหมืองแร่ มันเหนื่อย แล้วก็ลำบากมาก และนี่ก็เป็นสาเหตุที่บริษัทใหญ่เจ้าของแพลตฟอร์มได้เปรียบ เพราะสามารถรับข้อมูลมหาศาลจากผู้ใช้งานผ่านแพลตฟอร์มได้อย่างอัตโนมัติ แล้วใช้โปรแกรมคอมพิวเตอร์ จัดรูปแบบ ทำความสะอาด และ ให้คำตอบกับข้อมูล ทำให้รายเล็กสู้ยากเพราะต้นทุนสูง

อุปสรรคด้านนี้จึงไม่ใช่แค่เรื่องของ “เวลา” แต่เป็นเรื่องของ “แรงงาน” ด้วย

3.  อุปสรรคด้านพลังการประมวลผล

ทุกวันนี้มีความพยายามในการสอนโมเดลด้วยวิธีใหญ่ ๆ 2 รูปแบบ คือ แบบแรกให้คนสอน กับแบบที่สองให้เครื่องสอนตัวเอง

ถ้าให้คนสอนโมเดล ก็คือต้องใช้ข้อมูลและการระบุคำตอบในปริมาณที่เหมาะสม ยิ่งเยอะยิ่งดี ซึ่งก็จะทำให้เกิดอุปสรรคในข้อที่ 2

แต่ถ้าต้องการแก้ไขอุปสรรคในข้อที่ 2 คือแก้เรื่อง “เวลา” และ “แรงงาน” ในการจัดหาข้อมูลและระบุคำตอบ ก็ต้องเปลี่ยนมาให้เครื่องสอนตัวเอง

มีความพยายามในหลายหมู่คณะ ที่จะให้เครื่องสอนตัวเอง โดยการใช้โปรแกรมหลาย ๆ ตัวช่วยกัน โดยการบอกกฎง่าย ๆ พื้นฐานแก่โปรแกรม แล้วให้โปรแกรมวนซ้ำเรียนรู้ด้วยตัวเอง วนไปเป็นล้าน ๆ รอบเพื่อค่อย ๆ ทำให้ฉลาดขึ้น และทุกครั้งที่ทำได้ดี ก็จะมีคะแนนพิเศษให้ เพื่อให้ฉลาดขึ้นไปอีก

ซึ่งการจะทำแบบนี้ได้ มันลดเวลาและแรงงานของคนก็จริง แต่เป็นการเพิ่มเวลาและแรงงานให้กับเครื่องจักรแทน ดังนั้น เพื่อให้ได้ผลลัพธ์ที่เร็วที่สุด ก็จำเป็นต้องใช้ระบบคอมพิวเตอร์ที่ทรงพลังมาก ๆ คิดได้เร็ว ๆ และมีหน่วยความจำเยอะ ๆ ในการสอน

คอมพิวเตอร์ที่ทำงานได้เร็ว ก็หนีไม่พ้นคอมพิวเตอร์เดี่ยวระดับซูปเปอร์คอมพิวเตอร์ หรือเป็นคอมพิวเตอร์กลุ่ม จะเป็นกลุ่มในพื้นที่เดียวกัน หรือกลุ่มในกลุ่มเมฆก็สุดแล้วแต่ แต่ยังไงซะมันก็มีเรื่อง “ราคา” เข้ามาเกี่ยวข้อง ยิ่งงบประมาณมาก ก็ยิ่งจัดหากำลังประมวลผลได้มาก

หนทางแก้ไขอุปสรรคทางเทคนิค

จะเห็นว่าอุปสรรคทางเทคนิคทั้ง 3 ที่ขวางกั้นอยู่นั้น มีรากฐานเดียวกันคือต้องใช้ “เงิน”

เพื่อแก้อุปสรรคในข้อที่ 1 ต้องใช้เงินจ้างคนเก่ง ๆ มาคิดหาโมเดล

เพื่อแก้อุปสรรคในข้อที่ 2 ต้องใช้เงินจ้างคนถึก ๆ มารวบรวมข้อมูล หรือ จ้างคนเก่ง ๆ มาสร้างแพลตฟอร์มรวบรวมข้อมูล

เพื่อแก้อุปสรรคในข้อที่ 3 ต้องใช้เงินซื้อหรือเช่าคอมพิวเตอร์กำลังการประมวลผลสูง

ด้วยการที่ต้องใช้เงินในการแก้ไขอุปสรรคทั้ง 3 ข้อ ทำให้ผู้ก่อตั้งที่มีเงินน้อย ไม่มีทางไปต่อได้เลย หากไม่ได้รับการสนับสนุนจากแหล่งเงินทุน

ซึ่งในปัจจุบัน บริษัทใหญ่ที่จะเป็นแหล่งเงินทุนได้ ก็ล้วนมาจาก SET50 ทั้งนั้น ไม่ว่าจะเป็น พลังงาน สื่อสาร ธนาคาร วัสดุก่อสร้าง ขนส่ง และ ค้าปลีก ดังนั้น ผู้ให้ทุนสนับสนุน ก็คงไม่คิดจะออกเงินตามใจผู้ก่อตั้ง ถ้าปัญญาประดิษฐ์ที่ผู้ก่อตั้งกำลังพัฒนา มันไม่สอดคล้องกับธุรกิจที่บริษัทใหญ่เหล่านั้นกำลังทำอยู่

บทสรุป

จริง ๆ แล้วอุปสรรคทางเทคนิคในการสร้างปัญญาประดิษฐ์ เป็นเพียงอุปสรรคหนึ่งในภาพใหญ่ เพราะยังมีอุปสรรคที่ไม่ใช่ทางเทคนิคอื่นอีกหลายอย่าง ไม่ว่าจะเป็นอุปสรรคในการบริหารจัดการทีม การบริหารจัดการงาน การบริหารจัดการผู้เกี่ยวข้อง การทำการตลาด และการบริหารเงินทุน ซึ่งเป็นภาพใหญ่มาก ๆ ๆ ๆ ที่ไม่เกี่ยวกับหัวข้อที่คุยอยู่ตอนนี้

ส่วนตัวมองว่า “เงิน” เป็นสิ่งสำคัญยิ่งกว่า “กำลังใจ” และ “ความหลงไหล” การไม่มีเงินซึ่งเป็นตัวแก้ไขอุปสรรคทางเทคนิคทั้ง 3 ด้าน จึงเป็นเรื่องที่น่าคิดจริง ๆ

ส่วนตัวผมเป็นคนชอบจัดหมวดหมู่ให้เกิดความเข้าใจ น่าจะเรียกว่าเจ้าระเบียบในการป้อนข้อมูลให้กับตัวเองก็ว่าได้ ดังนั้น พอพูดถึงปัญญาประดิษฐ์ขึ้นมา ผมก็อยากจะมาจัดให้เป็นประเภทว่าทุกวันนี้ถ้าพูดถึงปัญญาประดิษฐ์ มันมีประเภทไหนบ้าง

เดี๋ยวจัดประเภทให้เป็นรายการแบบหัวข้อนะ คือ ให้มันเป็นหัวข้อแล้วก็หัวข้อย่อยลงไปเรื่อย ๆ แบบข้างล่างนี้

1.  Machine Learning หรือ เครื่องจักรเรียนรู้

1.1  Supervised Learning หรือ การเรียนรู้แบบมีผู้สอน คือเราบอกคำตอบ แล้วให้มันพยายามเรียนจนกว่าคำตอบของมัน จะตรงกับคำตอบที่เราบอก

1.2  Unsupervised Learning หรือ การเรียนรู้แบบไม่มีผู้สอน คือให้มันเรียนเอง เราไม่บอกคำตอบมัน

1.3  Reinforcement Learning หรือ การเรียนรู้แบบไม่มีผู้สอนและให้รางวัลตัวเองไปด้วย ทำได้ดีได้รางวัลเยอะขึ้น

2.  Data Mining หรือ การทำเหมืองข้อมูล

2.1  Classification หรือ การจำแนกข้อมูล ซึ่งต้องมีผู้สอน คือเราบอกคำตอบ แล้วให้เครื่องจักรมันพยายามจำแนกจนกว่าคำตอบของมัน จะตรงกับคำตอบที่เราบอก ซึ่งว่าตามจริงแล้ว มันก็คล้าย ๆ กับ Supervised Learning นั่นแหล่ะ

2.2  Clustering หรือ การจัดกลุ่ม ให้เครื่องจักรมันจัดกลุ่มข้อมูลที่มีระยะทางใกล้ ๆ กัน จัดเป็นกลุ่ม ๆ แล้วเอาไปตัดสินใจต่อว่าแต่ล่ะกลุ่มจะทำยังไงกับมันดี ซึ่งว่าตามจริงแล้ว มันก็คล้าย ๆ กับ Unsupervised Learning นั่นแหล่ะ

2.3  Association Rule Learning หรือ การเรียนรู้กฎความสัมพันธ์ ให้เครื่องจักรมันหากฎที่มีนัยสำคัญออกมา เพื่อให้คนเราเนี่ยแหล่ะ เอากฎไปใช้ประโยชน์ต่อได้

2.4  Anomaly Detection หรือ การหาสิ่งแปลกปลอม โดยให้มันตรวจระยะของข้อมูล ข้อมูลไหนมีระยะห่างจากชาวบ้าน ก็แสดงว่าข้อมูลนั้นเป็นสิ่งแปลกปลอม

3.  Image Processing หรือ การประมวลผลรูปภาพ เช่น ขยาย ย่อ ทำให้ชัด ทำให้เบลอ เร่งแสง ลดแสง เกลี่ยสี แปลงสี หาขอบวัตถุ กร่อนภาพ เติมภาพ ซ้อนภาพ แปลงสัญญาณภาพ

4.  Knowledge Representation หรือ การสำแดงความรู้ คือ การให้เครื่องจักรสร้างองค์ความรู้ในรูปแบบที่จัดเก็บในระบบคอมพิวเตอร์

4.1  Ontology หรือ ภววิทยา คือ การนิยามข้อมูลให้เข้าใจตรงกันในขอบเขตใดขอบเขตหนึ่ง และเชื่อมความสัมพันธ์ข้อมูลให้เกิดความบูรณาการ เช่น ถ้าบอกว่า “สยาม” มีเมืองหลวงคือ “บางกอก” และ “ไทย” มีเมืองหลวงคือ “กรุงเทพฯ” และเรานิยามข้อมูลว่า “สยาม” ตั้งอยู่ในตำแหน่งทางภูมิศาสตร์เดียวกับ “ไทย” ดังนั้น เครื่องมันก็จะนิยามได้ว่า “บางกอก” และ “กรุงเทพฯ” เป็นเมืองหลวงเดียวกันนั่นเอง

5.  Bioinformatic หรือ ชีวสารสนเทศ คือ การจำแนก จัดกลุ่ม จับคู่ และ ค้นหาลักษณะเด่น ในสายรหัสพันธุกรรม โครโมโซม ยีน โปรตีน รูปแบบของยีน และ ลักษณะปรากฎทางพันธุกรรม

6.  Natural Language Processing หรือ การประมวลผลภาษาธรรมชาติ คือ การวิเคราะห์ไวยากรณ์และวากยสัมพันธ์ของภาษา การตัดคำ และการเข้าใจในความหมายของภาษา จุดประสงค์คือให้เครื่องคุยกับคนให้รู้เรื่องให้จงได้

6.1  Machine Translation หรือ การแปลภาษา ก็คือให้เครื่องจักรแปลภาษาท้องถิ่นหนึ่งไปเป็นภาษาท้องถิ่นหนึ่ง

6.2  Text-to-Speech หรือ การแปลงข้อความให้เป็นเสียงพูด

6.3  Speech Recognition หรือ การแปลงเสียงพูดให้เป็นข้อความ

6.4  Word Segmentation หรือ การตัดแบ่งคำ

6.5  Natural Language Understanding หรือ การให้เครื่องจักรเข้าใจภาษามนุษย์

7.  Evolutionary Computation หรือ การคำนวณเชิงวิวัฒนาการ คือ การให้เครื่องจักร เดาหาคำตอบที่ดีที่สุดที่พอยอมรับได้ โดยใช้เวลาและพื้นที่หน่วยความจำที่จำกัดในการประมวลผล

7.1  Swarm Intelligence หรือ ความฉลาดแบบกลุ่ม คือ การให้เครื่องจักรเดาหาคำตอบ โดยเลียนแบบพฤติกรรมของฝูงแมลงในการหาอาหาร

7.2  Genetic Algorithm หรือ อัลกอริทึมเชิงพันธุกรรม คือ การให้เครื่องจักรเดาหาคำตอบ โดยเลียนแบบการแลกเปลี่ยนรหัสพันธุกรรมของสิ่งมีชีวิต

8.  Brain Informatics หรือ การประมวลผลสมอง คือ การให้เครื่องจักรวิเคราะห์สมองมนุษย์ จุดประสงค์เพื่อให้รู้ว่ามนุษย์คิดอะไรและต้องการอะไร

8.1  Surface Brain Informatics หรือ การประมวลผลภายนอกสมอง คือ การให้เครื่องจักรวิเคราะห์สัญญาณสมองมนุษย์บนเยื่อหุ้มสมอง

8.2  Volume Brain Informatics หรือ การประมวลผลภายในสมอง คือ การให้เครื่องจักรวิเคราะห์ภาพสมอง จากการถ่ายภาพทะลุเข้าไปภายในเนื้อสมอง

9.  Computer Vision หรือ ทัศนียภาพโดยคอมพิวเตอร์ คือ การให้เครื่องจักรเข้าใจทัศนียภาพได้เหมือนมนุษย์ เข้าใจว่าอะไรคือวัตถุ อะไรคือพื้นหลัง วัตถุที่เห็นเคลื่อนไหวด้วยความเร็วเท่าใด วัตถุที่เห็นคือสิ่งใด

ก็จัดเสร็จไปแล้วนะครับ สำหรับปัญญาประดิษฐ์ประเภทต่าง ๆ ซึ่งถ้าเอาที่จัดมาอธิบายเพิ่ม ก็คงต้องบอกว่าทุกวันนี้สินค้าและบริการที่อ้างว่าใช้ปัญญาประดิษฐ์นั้น อยู่ใกล้ตัวเรามาก เช่น

• การเดาศัพท์ของ Google เวลาที่เราพิมพ์ค้น นั่นคือปัญญาประดิษฐ์ ประเภทที่ 1 คือ Machine Learning
• การที่เราคุยกับ Siri มันก็ใช้ปัญญาประดิษฐ์ประเภทที่ 1 คือ Machine Learning และ ประเภทที่ 6 คือ Natural Language Processing
• การที่ Facebook รู้ว่าใครเป็นเพื่อนเรา แล้วช่วย Tag รูปภาพให้ มันก็ใช้ปัญญาประดิษฐ์ประเภทที่ 1 คือ Machine Learning ประเภทที่ 3 คือ Image Processing และ ประเภทที่ 4 คือ Knowledge Representation
• โปรแกรมถ่ายรูปบนมือถือ ที่สร้างลูกเล่นให้กับใบหน้าของผู้ที่ถูกถ่ายรูป ก็ใช้ปัญญาประดิษฐ์ประเภทที่ 3 คือ Image Processing และประเภทที่ 9 คือ Computer Vision
• กล้องวงจรปิดและซอฟต์แวร์เทพของบริษัทจีน ซึ่งสามารถจับภาพหน้าคนพร้อม ๆ กันเป็นหมื่น ๆ คนจากกล้องวงจรปิด แล้วบอกได้ว่าใครเป็นโจรตามหมายจับ ก็ใช้ปัญญาประดิษฐ์ประเภทที่ 1 คือ Machine Learning ประเภทที่ 7 คือ Evolutionary Computation และ ประเภทที่ 9 คือ Computer Vision
• การที่สามารถเอาหมวกพิเศษมาครอบหัว แล้วใช้ความคิดสั่งการแขนกลได้ ก็มาจากปัญญาประดิษฐ์ประเภทที่ 1 คือ Machine Learning และ ประเภทที่ 8 คือ Brain Informatics
• และล่าสุด คือ หุ่นยนต์ที่สามารถเดินสองขาได้ ล้มแล้วลุกเองได้ กระโดดผ่านสิ่งกีดขวางได้ ก็มาจากปัญญาประดิษฐ์ประเภทที่ 1 คือ Machine Learning และ ประเภทที่ 9 คือ Computer Vision ครับ

จากตัวอย่างข้างบน จะเห็นว่าสินค้าและบริการที่เป็นปัญญาประดิษฐ์นั้น จำเป็นจะต้องบูรณาการปัญญาประดิษฐ์หลายประเภทเข้าไว้ด้วยกัน ถึงจะทำให้เกิดเป็นสินค้าและบริการชั้นเลิศได้

ในอนาคตข้างหน้า ด้วยการวิจัยทางด้านปัญญาประดิษฐ์อย่างต่อเนื่อง ผมคิดเองล้วน ๆ ว่า น่าจะมีปัญญาประดิษฐ์ประเภทใหม่ ๆ เกิดขึ้นอย่างแน่นอนครับ

อะไรคือเหตุผล?

อันนี้ความคิดเห็นส่วนตัวเลย ผมไม่ชอบงานรับจ้างทำงาน ตลอดชีวิตก็รับจ้างทำงานเป็นพนักงานอยู่แล้ว ดังนั้น ถ้าออกมาเปิดบริษัท ผมก็หวังว่าผมจะหันมาเอาดีทางด้านค้าขายบ้าง

เราต้องทราบความจริงก่อนว่า ถ้าเราเก่งคอมพิวเตอร์ เก่งมาก ๆ การทำมาหากินที่ดีที่สุด คือรับจ้างทำงานด้านคอมพิวเตอร์ให้แก่บุคคลหรือหน่วยงานที่เขาทำไม่เป็น เพราะต้นทุนในการทำกิจการของเราจะต่ำมาก มันคือการใช้ความรู้ที่มีเพื่อทำงาน ไม่ต้องกักตุนสินค้า ไม่ต้องมีต้นทุนขาย ไม่ต้องมีงบโฆษณา

เมืองไทยเรามีกิจการทางคอมพิวเตอร์หรือไอทีไม่มากนัก ที่สามารถผลักดันตนเองจนไม่ต้องรับจ้างทำงาน แล้วสามารถคิดค้นพัฒนาสินค้าหรือบริการเพื่อขายให้กับลูกค้าได้

อีกอย่างหนึ่ง อันนี้จากประสบการณ์เลยก็คือ การพัฒนาทางไอทีหรือคอมพิวเตอร์เพื่อให้มันมีเทคโนโลยีที่สูงส่งขึ้นเรื่อย ๆ มันมีต้นทุนที่สูง สูงกว่าการเอาไอทีหรือคอมพิวเตอร์ไปพัฒนาด้านอื่น

นี่จึงเป็นที่มาของความคิดของผม ที่คิดว่า ผมน่าจะเอาความรู้ทางคอมพิวเตอร์ มาพัฒนาด้านเครื่องประดับบ้าง เพราะวงการด้านนี้ยังไม่ถูกพัฒนาให้ก้าวหน้าด้านคอมพิวเตอร์เท่าไหร่นัก

ที่ผ่านมา ได้มีการนำเทคโนโลยีทางคอมพิวเตอร์มาใช้ในวงการเครื่องประดับอยู่บ้าง ได้แก่ การคิดค้นพัฒนาโปรแกรมคอมพิวเตอร์เพื่อช่วยออกแบบเครื่องประดับในรูปแบบ 3 มิติ การประยุกต์เครื่องพิมพ์สามมิติเพื่อการพิมพ์แบบขี้ผึ้งของเครื่องประดับ หรือการคิดค้นเครื่องจักรตัดแต่งชิ้นงานด้วยแสงเลเซอร์ซึ่งควบคุมด้วยคอมพิวเตอร์

แต่งานทางด้านปัญญาประดิษฐ์กลับยังไม่ก้าวหน้ามากนักในวงการเครื่องประดับ ซึ่งส่วนตัวผมเห็นว่ายังมีปัญหาหลาย ๆ อย่างในวงการเครื่องประดับที่น่าจะแก้ไขได้ด้วยปัญญาประดิษฐ์

ทีนี้ก็ต้องมาเข้าใจอย่างหนึ่งว่า เครื่องประดับจริง ๆ แล้วประกอบด้วยวัสดุ 2 ส่วนใหญ่ ๆ คือ ตัวเรือน กับ อัญมณี ซึ่งคนส่วนใหญ่มักจะมีปัญหาว่า จะรู้ได้อย่างไรว่าตัวเรือนเป็นโลหะมีค่าที่มีเปอร์เซ็นต์โลหะถูกต้อง ในขณะเดียวกัน เราจะรู้ได้อย่างไรว่าอัญมณีที่ประดับอยู่เป็นชนิดใดและเป็นของแท้หรือเปล่า

ส่วนตัวผม ผมไม่สนใจปัญหาเรื่องตัวเรือน เพราะมันมีวิธีตรวจที่ไม่ยากมากนัก ผมจึงหันมาสนใจในปัญหาของอัญมณีที่ประดับแทน

คนส่วนใหญ่มักไม่รู้จักชนิดของอัญมณี อาจจะรู้คร่าว ๆ ว่าจำแนกได้เป็น 2 ประเภทใหญ่ ๆ คือ เพชร และ พลอย ซึ่งส่วนใหญ่ก็มักจะรู้จักชนิดของพลอยไม่เยอะ คืออาจจะรู้จักแต่ตัวดัง ๆ เช่น ทับทิม ไพลิน บุษราคัม หรือ มรกต เป็นต้น (ความจริงแล้วพลอยมีถึง 16 ตระกูลใหญ่ และมีชื่อเรียกมากมาย) อีกทั้งยังไม่รู้ด้วยว่าเป็นของแท้หรือของปลอม

ว่ากันตามจริงแล้ว ผมเองก็เรียนวิชา “จำแนกพลอยสี” มาเหมือนกัน ดังนั้น ถ้าเป็นตัวผม หมายถึงตัวผมเองอ่ะนะ ผมจะสามารถตรวจสอบได้ โดยใช้ความชำนาญที่มี บวกกับเครื่องมือเฉพาะอีกสองสามอย่าง ก็สามารถบอกได้แล้วว่าพลอยชนิดนั้นเป็นชนิดใด และเป็นของแท้หรือของเทียม

แต่ความรู้แบบนี้ หมายถึงความรู้ในการจำแนกพลอยสี มันเป็นเรื่องเฉพาะบุคคล มันเป็นเรื่องของความชำนาญ ซึ่งถ้าไม่อยากให้มันเป็นเพียงเรื่องเฉพาะบุคคล เราก็ต้องเอาระบบคอมพิวเตอร์เข้ามาช่วย เราต้องมอบความรู้ให้คอมพิวเตอร์ เราต้องสร้างโปรแกรมคอมพิวเตอร์มาช่วยจำแนก และเบื้องหลังของโปรแกรมคอมพิวเตอร์ มันก็ต้องมี “อัลกอริทึม” เป็นตัวผลักดัน

ปัจจุบัน ความรู้ด้านปัญญาประดิษฐ์ได้ก้าวหน้าไปมาก แขนงวิชาปัญญาประดิษฐ์ที่จะเอามาประยุกต์ใช้ในเรื่องนี้ได้ คือ แขนงวิชาเครื่องจักรเรียนรู้ (Machine Learning) แขนงวิชาการทำเหมืองข้อมูล (Data Mining) และแขนงวิชาการประมวลผลภาพ (Image Processing)

วิธีการก็เข้าใจได้ไม่ยากนัก นั่นคือ การให้คอมพิวเตอร์ “สกัดคุณลักษณะเด่น” ของข้อมูลออกมา ข้อมูลในที่นี้ก็คงต้องเป็นรูปภาพ รูปภาพหนึ่งรูปสามารถแทนคำได้เป็นล้านคำ ดังนั้น ข้อมูลนำเข้าที่ดีที่สุดก็ต้องเป็นรูปภาพของพลอยที่ต้องการหาคำตอบ โดยคุณลักษณะเด่นที่สกัดได้จากรูปภาพพลอย ก็นำมาทำความสะอาด เกลี่ยข้อมูลให้เท่ากัน จากนั้นก็เอาไปจำแนก แล้วก็ให้คอมพิวเตอร์บอกคำตอบออกมา ว่าเป็นพลอยชนิดใด เอาแค่นี้ก่อนว่าเป็นพลอยชนิดใด ยังไม่ต้องบอกว่าเป็นพลอยแท้หรือพลอยเทียม เพราะตรงนั้น ณ นาทีนี้ คอมพิวเตอร์ยังทำไม่ได้

ดังนั้น จุดสำคัญของงานนี้คือการคิดค้นอัลกอริทึมในการ “สกัดคุณลักษณะเด่น” ส่วนจุดสำคัญรองลงมาคือการสะสมรูปถ่ายพลอยที่มีคุณภาพ เพื่อใช้ในขั้นตอนการ “สกัดคุณลักษณะ” เพื่อเรียนรู้ และจุดสำคัญสุดท้ายที่สำคัญไม่แพ้กัน คือ ต้องมีผู้เชี่ยวชาญที่จะชี้วัดได้ในขั้นตอนเรียนรู้ ว่าคำตอบที่จำแนกได้ถูกต้องหรือเปล่า เพื่อจะได้ป้อนกลับให้ระบบได้เรียนรู้ ได้ปรับค่าการจำแนก และทำนายได้อย่างแม่นยำต่อไป

คุณ Andrew Ng ซึ่งเก่งมากทางด้านปัญญาประดิษฐ์ เขาเคยบอกอยู่อย่างหนึ่งซึ่งผมก็เห็นตรงกัน นั่นก็คือ ตอนนี้เปเปอร์งานวิจัยทฤษฎีทางด้านปัญญาประดิษฐ์มีมากพอแล้ว ให้เพลา ๆ มือกันหน่อย แล้วหันไปสร้างของเจ๋ง ๆ ขึ้นมาด้วยทฤษฎีที่ตอนนี้มีอยู่เยอะแยะแทน

และตอนนี้ ผมก็กำลังทำตามแนวทางนี้อยู่เหมือนกัน!!!

จริง ๆ แล้ว ไม่ว่าจะเป็น Perceptron หรือ Multi-layer Perceptron หรือ Deep Learning ผมก็วิเคราะห์ว่า Big O น่าจะเท่ากับ Big O(LXN + LXN) ซึ่งก็หมายความว่ามันเป็นสมาชิกของคลาส Big O(N ^ 3)

โดย L = จำนวน Hidden Layer + Output Layer, X = จำนวน Node ใน Layer ถัดไป และ N = จำนวน Node ใน Layer ปัจจุบัน

และที่ต้องเอา LXN มาบวกกับ LXN ก็เพราะว่า LXN แรกคือเวลาในการคำนวณผล ส่วน LXN หลังคือเวลาในการป้อนค่่าน้ำหนักย้อนกลับ!!!

ดังนั้น ถ้าเรามองดี ๆ เราจะเห็นว่ากรณี Perceptron ซึ่ง L = 0+1 (ไม่มี Hidden Layer) และ X = 1 (Output Layer มีเพียง Node เดียว) ดังนั้น Big O ของ Perceptron คือ Big O(1*1*N + 1*1*N) หรือ Big O(2N)

สำหรับการวนตามจำนวน epoch เพื่อเรียนรู้ตาม dataset ที่มี ผมไม่นับใน Big O นะ ผมนับเฉพาะในส่วนของ Model เท่านั้น เดี๋ยวจะเข้าใจผิดกันว่ามันต้องมีลูปใหญ่อีกชั้นนึงตอนสอน Deep Learning แล้วทำไมถึงไม่นับใน Big O ด้วย!!!

ทั้งหมดที่ผมเกริ่น ๆ ขึ้นมา ผมแค่อยากจะบอกว่าการคำนวณ Deep Learning มันใช้เวลาเป็น Polynomial และมันต้องวนลูป 3 ชั้นสองครั้งขึ้นไป ซึ่งมันเป็นสิ่งที่กระทำได้ตามสภาพที่ Digital Computer จะเอื้ออำนวย

ผมเคยเล่าเรื่องความเร็วของ Quantum Computer เอาไว้ ผมบอกว่า Quantum Computer โดยกำเนิดแล้ว สามารถคำนวณทุกปัญหาได้ในเวลา Polynomial โดยต้องมีอัลกอริทึมที่เหมาะสม

ดังนั้น ต่อให้เป็นปัญหาที่คำนวณบน Digital Computer ซึ่งต้องคำนวณด้วยเวลา Exponential หรือ Factorial แต่ถ้ามีอัลกอริทึมที่เหมาะสม ก็สามารถคำนวณด้วยเวลา Polynomial ได้บน Quantum Computer!!!

และไม่ใช่ Polynomial แบบ Big O(N) หรือ Big O(N^C) ด้วยนะ แต่ Quantum Computer สามารถลดความเร็วลงได้ถึงระดับ Big O((Log N) ^ 2 (Log Log N) (Log Log Log N)) เลยทีเดียว (อันนี้ผมอ้างอิงจาก Paper การแยกตัวประกอบเฉพาะบน Quantum Computer ของ Peter Shor นะ )!!!

ทีนี้เราย้อนกลับมาเปรียบเทียบ จะเห็นว่า Deep Learning ใช้เวลาคำนวณในคลาส Big O(N ^ 3) ดังนั้น หากคิดค้นอัลกอริทึมที่เหมาะสมได้ ก็อาจสามารถลดความเร็วในการคำนวณบน Quantum Computer ให้อยู่ในคลาส Big O(Log N) หรือ Big O(N Log N) ได้เลยทีเดียว!!!

สรุปแล้ว อัลกอริทึมเป็นสิ่งสำคัญที่สุด มันต้องมีคนคิดค้นอัลกอริทึมสำหรับ Deep Learning บน Quantum Computer ให้ได้ก่อน ศักยภาพแห่งความเร็วโคตร ๆ จึงจะเกิดขึ้นได้ และเมื่อนั้น การสอน Deep Learning รวมทั้งการทำนายด้วย Deep Learning บน Quantum Computer จึงจะเป็นอะไรที่น่าตื่นตะลึงในความเร็วอย่างถึงที่สุดครับ

นักวิทยาศาสตร์คอมพิวเตอร์ต่างทุ่มเทกำลัง เพื่อคิดค้นวิธีให้เครื่องจักรกลมีความสามารถทางปัญญาประดิษฐ์ที่เพิ่มขึ้น จนทุกวันนี้สามารถแบ่งความก้าวหน้าของงานวิจัยพัฒนาปัญญาประดิษฐ์ โดยดูจากกึ๋นของเครื่องจักรเทียบเคียงกับกึ๋นของมนุษย์ ซึ่งแบ่งได้เป็น 5 ระดับ ดังนี้

1. ระดับเหมาะสม ควรแก่การยอมรับได้ ต่อให้ทำยังไงก็ไม่มีปัญญาให้ดีกว่านี้ได้อีกแล้ว ยกตัวอย่างเช่น เกมโอเอ็กซ์, หมากฮอส, ลูกบิด เป็นต้น
2. ระดับสุดยอดมนุษย์ คือ ไม่ว่ามนุษย์คนไหนในโลกนี้ก็ไม่มีทางฉลาดกว่าได้ ซึ่งทุกวันนี้นักวิทยาศาสตร์คอมพิวเตอร์ยังทำไม่ได้
3. ระดับยอดมนุษย์ คือ เก่งกว่ามนุษย์ส่วนใหญ่บนโลกนี้ ยกตัวอย่างเช่น เกมแบ็กแกมม่อน, ไพ่บริดจ์, หมากรุก, อักษรไขว้, ตัวต่อภาพ, โอเทลโล่, สแคร็บเบิ้ล, คำถามปลายเปิด เป็นต้น
4. ระดับเท่ากับมนุษย์ คือ ไม่ได้ดีหรือด้อยกว่ามนุษย์ส่วนใหญ่ ยกตัวอย่างเช่น การรู้จำตัวอักษรแบบตัวพิมพ์, เกมโกะ เป็นต้น
5. ระดับห่วยกว่ามนุษย์ คือ ยังทำได้แย่กว่ามนุษย์ทั่วไป ยังต้องพัฒนาอีกมาก ยังยอมรับไม่ได้ในผลลัพท์ในหลาย ๆ เรื่อง ยกตัวอย่างเช่น การรู้จำตัวอักษรแบบตัวเขียน, ระบบขับเคลื่อนรถยนต์แบบไร้คนขับ, การรู้จำภาพวัตถุ, การแปลภาษา, การรู้จำเสียงคำพูด, การตีความหมายของคำ, ไพ่โป๊กเกอร์ เป็นต้น

เมื่อดูจากทั้ง 5 ระดับแล้วจะทำให้เราพบว่า ยังมีงานท้าทายรอนักวิทยาศาสตร์คอมพิวเตอร์อยู่อีกมาก โดยเฉพาะการยกระดับของผลลัพท์ของปัญญาประดิษฐ์ที่อยู่ในระดับห่วยกว่ามนุษย์ ให้มีระดับเท่ากับมนุษย์นั่นเอง

เดี๋ยวนี้ไม่ว่าจะเป็น Hidden Markov Model, Artificial Neural Network และ Genetics Algorithm ก็ล้วนพึ่งพา “พีชคณิตเชิงเ้ส้น” และ “ความน่าจะเป็น” ทั้งนั้น เพราะมันเป็นแขนงวิชาที่สามารถอธิบายอะไร ๆ ที่มัน เกือบจะใช่ เกือบใช่ คล้าย ๆ จะใช่ คล้ายจะใช่ ได้ดี

บางทีการจะขึ้นสู่จุดสูงขึ้นไปอีกขั้น เราอาจจะต้องถอยหลังหลายขั้นเหมือนกัน

แต่ผมก็เหมือนกับคนทั่วไป คือมีเวลาเท่ากับคนทั่วไป ดังนั้น ผมเลยต้องกำหนดปัญหาทางปัญญาประดิษฐ์ขึ้นมาก่อน แล้วค่อยคิดว่าจะเอาวิธีการไหนที่เหมาะสมมาแก้ปัญหา!!!

จากการศึกษาโดยส่วนตัวพบว่า วิธีการแก้ปัญหาทางปัญญาประดิษฐ์ที่นิยมใช้กันอย่างกว้างขวางในปัจจุบันนั้น มีอยู่ไม่กี่วิธีไม่ว่าจะเป็น Hidden Markov Model, Artificial Neural Network, Genetic Algorithm เป็นต้น และแต่ล่ะวิธีก็มี Algorithm ที่ถูกคิดค้นออกมาอีกเยอะแยะ ซึ่งบางอย่างก็แก้ปัญหาแบบเฉพาะเจาะจง แต่บางอย่างก็แก้ปัญหาได้กว้าง ๆ และรอให้มีผู้ค้นพบว่ามันควรจะใช้แบบเฉพาะเจาะจงในเรื่องใด ๆ

เดิมการแก้ปัญหาทางปัญญาประดิษฐ์ต่าง ๆ มักจะใช้วิธีการที่แยกจากกัน ไม่มีความเกี่ยวข้องกัน เช่น ถ้าจะรู้จำเสียงพูด ก็จะใช้วิธีการ Hidden Markov Model หรือ Artificial Neural Network อย่างใดอย่างหนึ่งไปเลย เป็นต้น แต่ภายหลังก็ค้นพบกันว่า การผสมผสานวิธีการแก้ปัญหาโดยการนำหนึ่งปัญหามาแบ่งออกเป็นส่วน ๆ แล้วเอาวิธีการแก้ปัญหาที่ดีที่สุดมาใช้เพื่อแก้ปัญหาแต่ล่ะส่วนจะดีกว่า เช่น การรู้จำเสียงพูด แทนที่จะใช้วิธี Hidden Markov Model เพียงอย่างเดียว ก็อาจจะใช้วิธีการ Artificial Neural Network เพื่อแยกแยะอัตลักษณ์ของเสียงพูดก่อน แล้วจึงใช้ Hidden Markov Model เพื่อหาความน่าจะเป็นของเสียงพูด เป็นต้น

มันเลยทำให้เปิดโลกทัศน์ได้อย่างหนึ่งว่า การค้นพบหนทางใหม่ ๆ ในการแก้ปัญหาทางปัญญาประดิษฐ์นั้น ไม่ใช่การทำตาม ๆ สิ่งที่มีคนค้นพบหรือทำซ้ำกันบ่อย ๆ ด้วยวิธีการเดียวตลอดขั้นตอนการแก้ปัญหา หากแต่เป็นการผสมผสานกันด้วยหลายวิธีการ และวิธีการแต่ล่ะวิธีก็ควรจะต้องเหมาะสมกับปัญหาในแต่ล่ะส่วนที่เราต้องการแก้ปัญหา ซึ่งเราจะรู้ได้ว่ามันเหมาะหรือเปล่าเราก็ต้องลองเอง (ทำวิจัยนั่นแหล่ะ อย่างยาก) หรือไม่ก็ดูว่าใครหลาย ๆ คนที่ได้ลองพิสูจน์วิธีการ แล้วมันมีแนวโน้มที่จะใช้ได้ดี ไปได้สวยหรือเปล่า ก็เชื่อเขา ทำตามเขาไปก่อน

พอโม้มาถึงตรงนี้ ก็เลยได้ข้อสรุปไปโดยปริยายว่า เราไม่สามารถจะเรียนวิธีการสำหรับแก้ปัญหาทางปัญญาประดิษฐ์แค่อย่างเดียวแล้วจบ แต่ต้องเรียนหลาย ๆ อย่าง ต้องทำการทดลองซ้ำ ๆ ในวิธีการเหล่านั้นว่ามันแก้ปัญหาได้จริงหรือเปล่า (ซึ่งกินแรงพอควร) ต้องเปรียบเทียบจากคนที่เคยลองแล้ว (โดยการอ่านวารสารวิชาการ, วิทยานิพนธ์) และตัวเราเองก็ต้องมองให้ถึงแก่นว่าปัญหาทางปัญญาประดิษฐ์ของเรานั้น มันแยกออกเป็นส่วน ๆ เพื่อใช้วิธีการหลาย ๆ แบบ (ซึ่งเราคิดว่ามันเจ๋ง) มาแก้ปัญหาได้หรือเปล่า

สรุปก็คือต้องเรียนมาก ๆ รู้เยอะ ๆ นั่นแหล่ะ แล้วมันจะเข้าเส้นเอง ซึ่งผมเองก็ยังคงตั้งหน้าตั้งตาเรียนต่อไปเหมือนกัน