ชัยชนะของ AlphaGo สร้างความตื่นตัวเรื่องเทคโนโลยีปัญญาประดิษฐ์ (AI) และการเรียนรู้เชิงลึก (Deep Learning) ไปทั่วโลก ในแวดวงวิชาการของบ้านเราก็มีการจัดเสวนา เชิญผู้เชี่ยวชาญมาพูดคุยเรื่องนี้เช่นกัน

ภาควิชาคณิตศาสตร์ คณะวิทยาศาสตร์ มหาวิทยาลัยมหิดล จัดกิจกรรมเสวนา ไขความลับ อัลฟ่าโกะ การเรียนรู้แบบเชิงลึก และอนาคตของปัญญาประดิษฐ์ เมื่อวันที่ 22 มีนาคม 2559 ผู้เขียนมีโอกาสเข้าร่วมงาน และขอสรุปเนื้อหาจากงานมาเผยแพร่ต่อ

การเสวนาครั้งนี้มีวิทยากรร่วมบรรยายคือ

• ดร.สรรพฤทธิ์ มฤคทัต ห้องปฏิบัติการวิจัยเทคโนโลยีภาพ ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ
• ดร.ปรัชญา บุญขวัญ ห้องปฏิบัติการวิจัยเทคโนโลยีภาษาธรรมชาติและความหมาย ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ
• ดร.เทพชัย ทรัพย์นิธิ ห้องปฏิบัติการวิจัยเทคโนโลยีภาษาธรรมชาติและความหมาย ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ
• ศาสตราจารย์ ดร.ธนารักษ์ ธีระมั่นคง สถาบันเทคโนโลยีนานาชาติสิรินธร (SIIT) มหาวิทยาลัยธรรมศาสตร์
• ดร.กานต์ อุ่ยวิรัช Pronto Tools : Research and Development
• ผศ.ดร.สุกรี สินธุภิญโญ ภาควิชาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย
• ดร.ไกรกมล หมื่นเดช อาจารย์ประจำภาควิชาคณิตศาสตร์ มหาวิทยาลัยมหิดล เป็นผู้ดำเนินรายการ

เหตุผลของความกลัวว่า AI จะมาแทนมนุษย์หรือไม่

สมองมนุษย์เป็นสิ่งที่นักวิทยาศาสตร์ให้ความสนใจมานานแล้ว นักวิจัยในสาขาวิทยาการคอมพิวเตอร์ (computer science) จึงได้แรงบันดาลใจในการสร้างปัญญาประดิษฐ์ (artificial intelligence หรือ AI) มาจากการศึกษารูปแบบการทำงานของสมอง เราจึงอาจทำความเข้าใจคำศัพท์เกี่ยวกับ AI ได้ง่ายขึ้นหากเรานึกถึงการทำงานของสมองมนุษย์ สมองของมนุษย์ทำให้มนุษย์มีความพิเศษ สามารถคิดวิเคราะห์ได้มากกว่าสัตว์อื่น ๆ

แต่หากมีสิ่งอื่นที่สามารถคิดวิเคราะห์ได้เช่นเดียวกับมนุษย์ เช่น AI มนุษย์จะถูกแทนที่ด้วย AI หรือไม่ และในเมื่อ AI เป็นสิ่งที่มนุษย์สร้างขึ้นเอง เราควรจะหยุดการวิจัยไว้หรือไม่ คำถามเหล่านี้แสดงถึงความกลัวและความสงสัยของคนทั่วไปทุกครั้งที่ AI สามารถก้าวข้ามขีดจำกัดเดิม และเอาชนะมนุษย์ได้

“ความกลัวเกิดจากความไม่เข้าใจ คนทั่วไปไม่เข้าใจว่าทำไม AI ถึงมีความฉลาด ถ้าหากมีความเข้าใจหลักการทำงานและข้อจำกัดของมันแล้ว เราก็จะเห็นว่า AI เป็นประโยชน์หรือจะมาช่วยชีวิตของคนให้ดีขึ้นได้อย่างไร” ดร. ไกรกมล หมื่นเดช ให้สัมภาษณ์ในงานเสวนาเรื่อง “ไขความลับ AlphaGo การเรียนรู้แบบเชิงลึกและอนาคตของปัญญาประดิษฐ์” ซึ่งจัดโดยภาควิชาคณิตศาสตร์ คณะวิทยาศาสตร์ มหาวิทยาลัยมหิดล ในวันอังคารที่ 22 มีนาคม 2559 ที่ผ่านมา

วัตถุประสงค์ของการจัดงานคือให้ความรู้ที่ถูกต้องแก่ผู้ที่สนใจหลักการของโปรแกรม AlphaGo และร่วมกันวิเคราะห์การพัฒนาอย่างรวดเร็วของ AI ว่าจะมีผลกระทบต่อชีวิตมนุษย์อย่างไร

พัฒนาการของ AI

สำหรับคนที่สงสัยว่าทำไมต้องสร้าง AI มาเล่น Go ด้วย ช่วงต้นของการเสวนา มีการพูดถึงความพยายามในอดีตของนักวิจัย ในการจำลองระบบการคิดของมนุษย์บางส่วน ไปพัฒนาเป็นระบบความคิดการประมวลผลของ AI โดยใช้เกมเป็นเครื่องมือในการทดสอบ

ตั้งแต่ปี 1950 เป็นต้นมา มี AI สำหรับการเล่นเกมต่าง ๆ เช่น Bertie the Brain เป็น AI สำหรับเกม Tic Tac Toe หรือบ้านเราเรียกเกมเอ็กซ์โอ ซึ่งนักวิจัยใช้วิธีการ tree search มาหาความน่าจะเป็นในการลง X หรือ O ในแต่ละช่องที่ทำให้มีโอกาสชนะมากที่สุด เนื่องจากเป็นเกมที่มีเพียง 9 ช่องทำให้ขนาดของต้นไม้ใน tree search นั้นมีขนาดเล็ก สามารถประมวลผลได้ภายในเวลาอันสั้น

source: ดร.ไกรกมล หมื่นเดช (ดัดแปลงมาจากรูปภาพ Google)

ชัยชนะของ Deep Blue ในเกมหมากรุก

เพื่อเล่นเกมที่มีความยากและซับซ้อนมากขึ้น มนุษย์จึงสร้าง AI ที่มีกระบวนการคิดประมวลผลที่ซับซ้อนขึ้น ทำให้เราได้วิธีการประมวลผลแบบใหม่ ๆ โดยในปี 1997 Deep Blue ของ IBM สามารถเอาชนะ Garry Kasparov แชมป์โลกหมากรุกในขณะนั้นได้

ทั้งที่ 1 ปีก่อนหน้านั้น Deep Blue ต้องพ่ายแพ้ Kasparov ในการแข่งกันครั้งแรก จึงเป็นที่มาของการจัด Rematch ในปีต่อมา ซึ่งเกมหมากรุกถือว่าเป็นเกมที่มีความซับซ้อนมาก ไม่สามารถที่จะทำ tree search ทั้งหมดได้ จึงทำให้นักวิจัยพัฒนาวิธีการที่สามารถทำให้ประมวลผลได้รวดเร็วมากขึ้น โดยใช้วิธีการค้นหาที่เรียกว่า Selective Extensive Search ซึ่งเป็นการจำลองการเล่นหมากรุก

ในการจำลองนี้ Deep Blue จะเลือกจำลองเฉพาะเกมที่มีโอกาสชนะสูงเท่านั้น ทำให้ขนาดของ search tree มีขนาดเล็กลง

นอกจากนี้ หลักการที่สำคัญของ Deep Blue คือการประเมินคุณภาพของหมาก ที่เรียกว่า Heuristic Evaluation Function ซึ่งเป็นโมเดลทางคณิตศาสตร์ที่ใช้สำหรับประเมินโอกาสที่จะชนะของหมากในแต่ละกระดาน เช่น ดูตำแหน่งของ King หรือจังหวะการเดิน เป็นต้น โดยนำ Supercomputer มาใช้ในการประมวลผล

ถ้าเทียบการประมวลผลข้อมูลจำนวนมากที่มีความแม่นยำระหว่างสมองมนุษย์ กับ AI ที่ใช้ Supercomputer แล้ว AI ย่อมมีความได้เปรียบกว่า ชัยชนะของ Deep Blue จึงเป็นการใช้กำลังที่มากกว่าของ Supercomputer เอาชนะมนุษย์ (Brute Force)

เป้าหมายของ AI กับการพิชิตเกมโกะ

โกะเป็นเกมที่มีกฎที่เข้าใจง่ายกว่าหมากรุก แต่โกะมีจำนวนของวิธีการเดินเกมที่เป็นไปได้ทั้งหมดมากกว่าจำนวนอะตอมในจักรวาล หากใช้การประมวลผลด้วยวิธี tree search บนคอมพิวเตอร์ธรรมดาทั่วไปเพียงอย่างเดียว อาจจะต้องใช้เวลามากถึง 10⁷⁴¹ ปีในการประมวลผล ซึ่งมากกว่าอายุของจักรวาลนี้เสียอีก (นักวิทยาศาสตร์ประมาณการณ์ว่าจักรวาลมีอายุ 13.82 พันล้านปี หรือ ประมาณ 10¹⁰)

source: ดร.ไกรกมล หมื่นเดช (ดัดแปลงมากจากรูปภาพ Google)

นักวิจัยจึงต้องคิดหาวิธีการใหม่เพื่อให้ AI สามารถประมวลผลจำนวนมากได้อย่างรวดเร็วและยังมีความแม่นยำอยู่

ทีม DeepMind ที่พยายามแก้โจทย์นี้ใช้วิธีการที่สำคัญ (แต่เป็นวิธีการที่มีอยู่ก่อนแล้ว) 3 อย่าง คือ

1. การใช้ Monte Carlo Tree Search
2. เทคนิกที่เรียกว่า Deep Neural Network (ในกรณีนี้ใช้ Convolutional Neural Networks หรือ CNN)
3. การสอนแบบ Reinforcement Learning

AlphaGo ใช้วิธีเล่นโกะกับตัวเอง โดยสุ่มตาเดินจากกระดานก่อนและวิเคราะห์ผล (วิธีการโดยละเอียดว่า AlphaGo ทำงานอย่างไร ถึงจุดนี้ผู้อ่านคงได้อ่านกันไปหลายรอบแล้ว จึงไม่ขอพูดในรายละเอียดเนื่องจากเนื้อที่จำกัด) แต่ทำในสเกลที่ใหญ่กว่าด้วยพลังการประมวลผลของฮาร์ดแวร์ ซึ่งต้องใช้เงินทุนจำนวนมาก จึงไม่ใช่เรื่องง่ายที่จะมีใครทำตามได้แม้จะทราบวิธีการโดยละเอียดก็ตาม

ทีม DeepMind ตีพิมพ์บทความชื่อ “Mastering the game of Go with deep neural networks and tree search.” ลงในนิตยสาร Nature ซึ่งเป็นนิตยสารชั้นแนวหน้าในวงการวิทยาศาตร์ อธิบายถึงการทำงานของ AlphaGo ซึ่งเป็นการพัฒนาถึงก่อนช่วงที่จะแข่งขันกับ Lee Sedol (AlphaGo ที่แข่งกับ Lee Sedol มีความสามารถมากกว่า ณ เวลาที่ตีพิมพ์บทความ)

ภาพงานเสวนา จาก เว็บไซต์คณะวิทยาศาสตร์ มหาวิทยาลัยมหิดล

ตกลงแล้ว AI จะมาแทนมนุษย์หรือไม่?

คำถามสำคัญที่หลายคนสงสัย คงเป็นคำถามว่าความสามารถของ AI ในการเรียนรู้จากความผิดพลาดของตัวเอง เป็นสิ่งที่คนทั่วไปจะต้องกังวลหรือไม่ AI จะมาทำงานแทนที่มนุษย์หรือไม่

ศ.ดร. ธนารักษ์ ธีระมั่นคง สถาบันเทคโนโลยีเทคโนโลยีนานาชาติสิรินธร (SIIT) ให้ความเห็นว่า ความสามารถของ AI ที่เพิ่มขึ้น ไม่ใช่สิ่งที่น่ากังวล ถ้าหากมองว่า AI เป็นเพียงเครื่องมือหนึ่ง คนก็จะได้เครื่องมือทำงานที่มีประสิทธิภาพมากขึ้น มีความแม่นยำมากขึ้น ซึ่งเป็นประโยชน์กับคนมากกว่า ตราบใดที่คนยังเป็นผู้สร้าง AI อยู่

ผศ. ดร. สุกรี สินธุภิญโญ ภาควิชาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ได้แสดงความเห็นว่า AI จะมาช่วยให้คนสามารถตัดสินใจเรื่องยาก ๆ ได้ง่ายและฉลาดขึ้น จึงไม่น่ากังวลหากคนยังเป็นผู้ตัดสินใจ ยกตัวอย่างเช่น งานรับพิมพ์เอกสาร ซึ่งปัจจุบันถูกแทนที่ด้วยความฉลาดของคอมพิวเตอร์ไปแล้ว แต่คนมีความฉลาดกว่าคอมพิวเตอร์และสามารถเรียนรู้ออกนอก domain ไปทำอย่างอื่นที่น่าสนใจกว่าได้ (ผู้เขียน: เช่น AlphaGo มี domain คือการเล่นโกะ อยู่ดี ๆ AlphaGo จะไปเล่นหุ้นเองยังไม่ได้)

เรานำ AI ไปใช้ประโยชน์อย่างไรได้บ้าง

ความสามารถของ AI ที่เพิ่มขึ้นจากการสร้าง AlphaGo และการวิจัยด้านอื่น ๆ เกี่ยวกับ AI สามารถนำมาใช้ประโยชน์ในด้านต่าง ๆ

ดร. ไกรกมล หมื่นเดช ภาควิชาคณิตศาสตร์ คณะวิทยาศาสตร์ มหาวิทยาลัยมหิดล แสดงความเห็นว่า AI จะเข้ามาช่วยแบ่งเบาภาระงานบางงานที่ต้องใช้แรงงานจำนวนหลายชั่วโมง เช่น งานเอกสารกฎหมายสำหรับทนายความที่เตรียมคดีในศาล AI สามารถช่วยอ่านงานเอกสารปริมาณมากอย่างรวดเร็ว ทำให้ทนายความสามารถใช้เวลาไปเตรียมคดีในส่วนอื่นได้มากขึ้น

ดร. กานต์ อุ่ยวิรัช จากบริษัท Pronto tools ยกตัวอย่าง เทคโนโลยีการเรียนรู้ของเครื่อง (machine learning) ที่อยู่ใกล้ตัวเรา เช่น การตรวจจับอีเมลขยะ (spam detection) ช่วยคัดกรองอีเมลขยะออกไปจาก inbox ของเรา หรือในทางการแพทย์ นักวิจัยสามารถสอนให้ AI เรียนรู้รูปภาพของหัวใจจากการสแกน MRI ที่แพทย์เคยวินิจฉัยเอาไว้แล้ว ทำให้ AI สามารถวิเคราะห์และให้คำแนะนำเบื้องต้นของผล MRI กับแพทย์ และช่วยทำให้การวินิจฉัยของแพทย์เป็นไปอย่างรวดเร็วและมีประสิทธิภาพมากขึ้น

ดร. เทพชัย ทรัพย์นิธิ ยกตัวอย่างงานที่ AI เข้ามามีบทบาทในการวางแผนสนทนาและติดต่อกับมนุษย์ เช่น งาน call center เพื่อให้รองรับลูกค้าได้มากขึ้นและมีประสิทธิภาพสูง AI สามารถจับอารมณ์ของผู้โทรเข้ามาและเลือกบทสนทนาที่เหมาะกับอารมณ์ของผู้โทรมาใช้ให้เหมาะสมได้

วิดีโอจาก เว็บไซต์คณะวิทยาศาสตร์ มหาวิทยาลัยมหิดล

ความท้าทายของ AI กับภาษาไทย

ในงานพัฒนา AI ด้านอื่นนอกจาก Deep Learning ที่กำลังร้อนแรงอยู่ในขณะนี้ งานด้านการประมวลผลภาษาธรรมชาติ (Natural Language Processing หรือ NLP) ก็เป็นอีกด้านที่มีความร้อนแรงและมีความท้าทายไม่แพ้กัน

ดร. สรรพฤทธิ์ มฤคทัต ห้องปฏิบัติการวิจัยเทคโนโลยีภาพ ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ มองว่าการพัฒนา AI จะต้องอาศัยข้อมูลจำนวนมาก ซึ่งเป็นโจทย์ที่ท้าทายของประเทศไทยและประเทศแถบอาเซียน เพราะยังมีข้อมูลไม่มาก ทำให้การวิจัยและพัฒนาอาจจะต้องใช้เทคนิกต่าง ๆ เพื่อให้มีข้อมูลมากขึ้น

ดร. เทพชัย ทรัพย์นิธิ เสริมว่า ภาษาไทยเป็นโจทย์ที่ท้าทายมาก เนื่องจากมีความซับซ้อนทางภาษาสูง จะทำอย่างไรให้ AI สามารถเข้าใจการตัดคำ ไวยากรณ์ การร้อยเรียงเอกสารทั้งเอกสาร โดยยกตัวอย่างเช่น “คนขับรถ” จะทำให้ AI สามารถแยกแยะได้อย่างไรว่าเป็น นามวลี หรือเป็นประโยค

สรุป

ชัยชนะของ AlphaGo ไม่ใช่ความพ่ายแพ้ของมนุษยชาติ แต่เป็นตัวจุดกระแสให้คนหันมาสนใจการพัฒนา AI ทำให้คนพยายามหาความรู้และเกิดความเข้าใจ

การพัฒนา AI เป็นเรื่องที่น่ายินดี เมื่อคนทั่วไปสามารถเข้าใจกลไกการทำงานของ AI แล้ว ก็น่าจะเกิดความร่วมมือและคงจะลดความหวาดกลัวของคนทั่วไปลงไปได้บ้าง หากเห็นว่า AI พัฒนาขึ้นมาเพื่อทำให้ชีวิตของคนมีคุณภาพและสะดวกสบายมากขึ้น