ThaiPublica > คอลัมน์ > Learning about learning (Vol. 3) – human vs machine intelligence

Learning about learning (Vol. 3) – human vs machine intelligence

26 สิงหาคม 2017


จรัล งามวิโรจน์เจริญ

งานทาง AI/Machine learning เริ่มจุดประกายมาจาก computer scientist ที่ชื่อ Alan Turing (บางคนอาจจะคุ้นชื่อของเขาจากหนังเรื่อง The imitation game ส่วนงานของเขาที่รู้จักกันดีคือ Turing test ซึ่งใช้เพื่อทดสอบว่าสิ่งที่คุณกำลังสื่อสารด้วยนั้นเป็นคนหรือคอมพิวเตอร์) เขาคิดว่าจะสร้าง model จำลองความสามารถการเรียนรู้ของเด็กจะง่ายกว่าแทนที่จะเลียนแบบสมองมนุษย์ทั้งหมด (ซึ่งเป็นวิถีทางพฤติกรรม behaviorism approach หรือ psychology ซึ่งมีอิทธิพลในยุคของ Turing) ต่อมา computer scientist อีกกลุ่มที่เรียกว่า connectionist (James L. McClelland, David E. Rumelhart) ได้ใช้แรงบันดาลใจจากสมองโดยจำลองเป็น neural network model ที่มี neuron cell (เซลล์ประสาท) ซึ่งเป็นหน่วยประมวลผลที่เล็กที่สุดนำมาเชื่อมโยงกัน (ที่เป็นที่มาของชื่อ connectionist) เพื่อเพื่มความสามารถในเรียนรู้ของคอมพิวเตอร์ ในขณะเดียวกันงานอีกค่ายทาง neuroscience เองก็เน้นทางด้านความเข้าใจการทำงานของสมองโดยศึกษาองค์ประกอบและกิจกรรมต่างๆ ที่เกิดขึ้นในสมอง แต่ทั้งสองค่ายนี้ computer scientist กับ neuroscientist ก็ไม่ค่อยคุยหรือทำงานด้วยกันเพราะมีจุดร่วมต่างกัน

งานวิจัยทาง neural network ถือเป็นงานที่มีการพัฒนาการขึ้นๆ ลงๆ ใน AI แต่ช่วงหลายปีที่ผ่านมางาน neural network ได้ถูกพัฒนาเป็นนวัตกรรม deep learning (เป็น neural network ที่มีความซับซ้อนหลายชั้น) เพราะความสามารถของคอมพิวเตอร์ที่แรงขึ้นและสามารถประมวลข้อมูลที่ใหญ่ขึ้นประกอบกับเทคนิคใหม่ๆ ในการ training neural network ที่มีประสิทธิภาพที่ดีขึ้น ทำให้งานหลายๆ อย่างทำได้เทียบเท่าหรือเหนือกว่ามนุษย์ (การตรวจจับภาพ image recognition, Alpha Go ที่แข่งชนะแชมป์โลก Go, Libratus ที่ชนะ poker, การแปลภาษาเบื้องต้น, OpenAI ของ Elon Musk ที่ชนะผู้เล่น Dota 2) งานด้าน neural network นี้จึงได้รับความสนใจจากคนหลายๆ วงการรวมถึง neuroscientist มากขึ้น

การพัฒนาเติบโตอย่างรวดเร็วของ AI deep learning ได้สร้างปรากฏการณ์ใหม่ที่ทำให้นักวิจัยทั้งฝั่ง AI และ neuroscience ให้ความสนใจมากขึ้น ถึงขนาดที่ AI researcher ลงตีพิมพ์บทความทาง AI ข้ามฝั่งชื่อ Neuroscience-Inspired Artificial Intelligence ใน Neuron ซึ่งเป็น Journal ของ neuroscientist

โดยในบทความได้แสดงให้เห็นว่าความรู้ทาง neuroscience สามารถนำมาประยุกต์ใช้และเป็นแรงบันดาลใจในการสร้างโมเดลใหม่ๆ ของ AI deep learning เช่น ความเข้าใจโลกทางกายภาพ (Intutitive understanding the physical world) การเรียนอย่างมีประสิทธิภาพ [Efficient learning – คนเรียนรู้โดยใช้ความรู้ที่มี (prior knowledge) และใช้ตัวอย่างน้อยก็เรียนรู้ได้ เทียบกับ deep learning ที่ต้องใช้ตัวอย่างเป็นจำนวนมาก] ด้านคนในสาย neuroscience เองก็เริ่มสนใจงานทาง deep learning เช่น บทความ Toward an Integration of Deep Learning and Neuroscience ใน Frontiers in Computational Neuroscience Journal เริ่มชี้ให้เห็นจุดร่วมของนักวิจัยทาง AI ว่า AI model เช่น deep learning ช่วยสร้างสมมติฐานการทำงานของสมองได้ โดยต่างฝ่ายต่างมี model ที่ช่วยอธิบายการทำงานของสมอง

แต่อย่างไรก็ตาม งาน AI ที่ใช้อยู่ในปัจจุบันยังมีความแตกต่างจากความฉลาดของมนุษย์ดังต่อไปนี้ (ซึ่งเริ่มมีงานวิจัยที่มาช่วยเติมช่องว่างนี้อยู่บ้าง) แต่ AI ก็ยังทำงานพร้อมกันทั้งหมดไม่ได้เหมือนมนุษย์

อย่างที่ได้เห็นข้างต้นว่า ถ้าเราจะสร้างเครื่องที่มีความฉลาดเทียบเท่ามนุษย์หรือที่เรียกว่า Artificial General Intelligence เรายังมีช่องว่างอยู่อีกเยอะมากที่จะมาประกอบความสามารถของงานต่างๆ เพื่อมาทำให้เท่าสมองมนุษย์ ช่วงที่ผ่านมามีกลุ่มนักวิจัยทาง AI ออกมาพูดคุยกันเพื่อมองอนาคตของ AI เป็นจำนวนมาก

กลุ่มหนึ่งที่นำโดย Eric Horvitz (Microsoft Research) เขาได้ร่วมกับนักวิจัย AI และผู้เชี่ยวชาญด้านต่างๆ มาพิจารณาผลกระทบที่จะเกิดขึ้นในอนาคต 100 ปีโดยทำเป็นรายงาน AI100 ทุกๆ 5 ปี รายงานแรกเสร็จในปี ค.ศ. 2016 ซึ่งได้แสดงให้เห็นถึงศักยภาพของ AI และนำเสนอแนวทางนโยบายที่จะช่วยรองรับผลกระทบของ AI ในสังคม

ในปี ค.ศ. 2017 Future of Life Institute ได้จัดงาน Beneficial AI 2017 โดยมีนักวิจัย AI กว่า 1,200 คนจากทั่วโลกร่วมกันลงนามเพื่อสนับสนุนหลักการ 23 ข้อ (แบ่งเป็น 3 กลุ่ม Research Issues, Ethics and Values, Longer-term Issues) ที่เรียกว่า Asilomar AI Principles เพื่อใช้ในการประยุกต์ใช้และพัฒนา AI ให้เกิดประโยชน์กับมนุษย์

กลุ่มล่าสุดคือ Partnership on AI ถูกจัดตั้งขึ้นโดยกลุ่มบริษัทใหญ่ๆ ที่ทำเกี่ยวกับ AI เช่น Amazon, Apple, Deepmind, Facebook, Google, IBM, Microsoft เพื่อที่จะสนับสนุนงานที่ช่วยพัฒนาสังคมไม่ว่าจะเป็น สุขภาพ (healthcare) การขนส่ง (transportation) การศึกษา (education) วิทยาศาสตร์ (sciences) เป็นต้น

นอกจากนี้ ช่วงที่ผ่านมามีกระแสโต้แย้งระหว่าง Elon Musk (CEO ของ Tesla) และ Mark Zuckerberg (CEO ของ Facebook) โดย Elon เกรงภัยที่จะเกิดจาก AI ในอนาคต เขาได้ชักชวนให้กลุ่มบริษัทที่ทำงานทางด้าน robotics AI ลงนามขอให้ UN ห้ามให้ประเทศต่างๆ สร้างหุ่นยนต์เพื่อใช้ในการทำลาย และแนะนำให้เริ่มสร้างกฎระเบียบควบคุม

ในขณะที่ Mark เห็นว่า AI จะมีประโยชน์ให้แก่สังคมในอนาคต ส่วนคนที่ทำงานในสาย AI จริงๆ เช่น Andrew Ng (ผู้ก่อตั้ง Coursera), Rodney Brooks (ผู้ก่อตั้ง Rethink Robotics) เห็นว่าคนที่กลัวส่วนใหญ่เป็นคนที่ไม่ได้ทำงานใกล้ชิดกับ AI โดยตรงและเกรงว่ากระแสสร้างภาพความกลัวจะไม่ช่วยในการพัฒนางาน AI ในอนาคต

เครื่องมือทุกอันสามารถนำมาใช้ประโยชน์หรือโทษได้ สิ่งที่น่ากลัวไม่ใช่ตัว AI แต่เป็นมนุษย์ที่สร้างและประยุกต์ใช้มากกว่าว่ามีจรรยาบรรณและความรอบคอบในการตรวจสอบระบบอย่างถี่ถ้วนแค่ไหน เราอยู่ในโลกที่มีทั้งคนที่หวังดีและหวังไม่ดี เพราะฉะนั้นความปลอดภัยต่างๆ รวมถึง AI Safety เป็นเรื่องที่ทุกคนต้องช่วยกันไม่ประมาท เพราะผู้ร้ายคงไม่แคร์ว่ากฎกติกาคืออะไรและเขาก็มักจะมากันเป็นทีม แล้วฝั่งที่หวังดีจะสู้กับผู้ร้ายเหล่านี้ยังไงหากยังทำกันแบบ one man show

แหล่งอ้างอิงจากตาราง

1 https://arxiv.org/pdf/1705.09406.pdf
2 https://pdfs.semanticscholar.org/5776/d0fea69d826519ee3649f620e8755a490efe.pdf
3 https://deepmind.com/blog/agents-imagine-and-plan
4 http://ac.els-cdn.com/S0004370298000551/1-s2.0-S0004370298000551-main.pdf?_tid=54b5f1ca-82a5-11e7-a827-00000aab0f02&acdnat=1502903406_b0ed0a8e019b0e1734870ce952b25353
5 http://www.thinkartificial.org/artificial-creativity/
6 http://science.sciencemag.org/content/sci/350/6266/1332.full.pdf
7 http://geolserv.geol.queensu.ca/faculty/harrap/teaching/geol463/GradDown/files/0_Simon_illstrucprobs_AI_1974_pr.pdf
8 http://bair.berkeley.edu/blog/2017/07/18/learning-to-learn/
9 http://www.cs.columbia.edu/~junfeng/papers/unlearning-sp15.pdf
10 https://arxiv.org/pdf/1707.06742.pdf
11 https://www.tesla.com/en_GB/blog/tragic-loss
12 http://mlg.eng.cam.ac.uk/yarin/blog_3d801aa532c1ce.html
13 http://people.ict.usc.edu/~gratch/links.html
14 https://www.scientificamerican.com/article/computers-vs-brains/
15 https://www.darpa.mil/program/explainable-artificial-intelligence
16 https://arxiv.org/pdf/1603.08507.pdf
17 https://arxiv.org/pdf/1602.04938.pdf
18 https://arxiv.org/pdf/1611.05817.pdf