จุดแข็งของ transformer คือ การ predict ประโยคล่วงหน้าก่อนที่เราจะพูดประโยคถัดไปด้วยซ้ำ ยิ่งคุณให้ข้อมูลเยอะ มันก็จะสามารถเข้าใจในสิ่งที่เราต้องการ คำว่าให้ข้อมูลเยอะ ไม่ได้หมายถึงเราจะต้องบอกเป็นคำพูด มันอาจจะมาจากประสาทสัมผัสอื่นๆ ที่เป็น sensor บนอุปกรณ์พกพาอื่น ประกอบกันด้วย

ส่วนตัวผมมองว่าอุปกรณ์ตัวนี้ น่าจะมี sensor อย่างน้อยก็คือ กล้อง ไมค์บันทึกเสียง และก็ลำโพง เป็นอย่างน้อย อาจมีระบบสัมผัสร่วมด้วยเพื่อใช้ในการตอบรับหากอยู่ในสถานะการณ์ที่ไม่ต้องการใช้เสียง ซึ่งอาจอยู่ในรูปเข็มกลัดขนาดเล็ก เอาแค่ขนาดเล็กก็ยากแล้ว แต่อันนี้ผมยืนยันว่าทำได้ เพราะมีอุปกรณ์ในจีนบางตัวทำได้อยู่แล้ว ตามที่ผมระบุ ในขนาดที่เล็กขนาดใกล้เคียงเข็มกลัดด้วย เพียงแต่ปัจจุบันมันมีน้ำหนักค่อนข้างมาก ต้องออกแบบเลือกใช้วัสดุเพื่อลดน้ำหนัก เพราะมันต้องเบาติดที่กระเป๋าเสื้อ หรือใช้แผ่นแม่เหล็กติดที่กระดุมเสื้อ โดยไม่ห้อยน่าเกลียด ฃ

ส่วนวิธีการ ถ้าเขาใช้วิธีการ stream เสียงเพื่อประมวลผลโดยตรง แล้วจับเอาเฉพาะรูปประโยค ไม่ใช้ทั้งประโยค โดยไม่ Speech to text ทุกคำพูด อาศัยการ predict จากคลังข้อมูลทางภาษาขนาดใหญ่ แล้วสรุปเป็นผลลัพท์ออกมาเลยว่าเราต้องการให้ทำอะไร ดังนั้นที่คุณบอกว่ามีปัญหาในการจัดการเสียง ผมก็ยังเชื่อว่าเขาจัดการได้ เพราะถ้า LLM ตัวไหนใช้พื้นฐานเป็น Transformer ผมก็ยังเชื่อว่าด้วยพื้นฐานของมันสามารถ predict ประโยคที่เราพูดได้แม่นยำ ใกล้กับที่เราต้องการ แล้วแยกตัวแประกอบเพื่อหาความเชื่อมโยงกับ data กลางใน cloud ไม่ใช่การทำ Speech to text ทุกตัวอักษรแน่นอน

และที่สำคัญถ้าคุณอาจ comments ตั้งแต่ต้นของผม ผมบอกไว้ตั้งแรกแล้วว่าคนที่จะทำได้คนแรกน่าจะเป็น Google มากกว่า ด้วยความพร้อมด้านองค์ประกอบต่างๆ แต่ OpenAI อาจอะไรสร้างบางอย่างขึ้นมาจาก project นี้ก็ได้ โดยเฉพาะในด้าน software เพียงแต่เวอร์ชั่นแรกกยังคงไม่ประสบความสำเร็จอย่างมีนัยสำคัญแน่นอน ผมมักเชียร์คนที่มีความตั้งใจเสมอแหล่ะ ถึงแม้จะรู้ว่าผลลัพธ์สุดท้ายเขาอาจไม่ได้อยางหวัง แต่อย่างน้อยเขาก็ยังได้ทำ

อ่อ นิดนึง เดี๋ยวจะเข้าใจคนละอย่างแบบอีกท่านนึง หากคุณคิดว่าต้อง Speed to text เป็น Text ทุกตัวอักษรก่อน แล้วจึงค่อยไปแปลความต้่องการ อันนี้คุณไปคนละทางกับผมแล้ว

แต่ถ้าคุณคิดว่า ระหว่างที่คุณกำลังพูด ระบบมันจะ predict ไปล่วงหน้าว่ามีความน่าจะเป็นว่าประโยคต่อไปคุณจะพูดอะไร ซึ่งจะได้ชุดข้อมูลออกมาชุดนึงมาเป็นตัวเลือกในสมองของ AI จากนั้นดูข้อมูลจาก sensor และ data ของสิ่งที่มันเห็นตรงหน้าจากกล้อง แล้วตัดความน่าจะเป็นที่ไม่ใช่ทิ้่งไป เรื่อยๆ ตามรูปประโยคที่คุณพูดเพิ่ม แล้วรับข้อมูลไปเรื่อยๆ จนสุดท้ายได้ความน่าจะเป็นสุดท้ายมาใช้เพื่อยืนยันกับคุณเมื่อคุณพูดจบประโยค นั่นแหล่ะคือสิ่งที่ผมต้องการจะสื่อ แต่บอกไว้ก่อนนะว่ายังไม่มีระบบที่ไหนในโลกทำได้แบบนี้ที่จับต้องได้ แต่ถ้ามองจากเทคโนโลยีที่มีอยู่ หาคนเก่งๆ ที่รวมกันในจุดหนึ่งมาประกอบร่างเทคโนโลยีนี้ มันก็มีความเป็นไปได้ ซึ่งวิธีนี้ผมเลียนแบบจากพฤติกรรมของมนุษย์ ไม่ได้มาจากเทคโนโลยีที่มีในปัจจุบัน ต้องเข้าใจตรงนี้ก่อน ถึงจะคุยกับผมรู้เรื่อง เพราะโดยปรกติผมจะพูดกับคนทั่วไปไม่ค่อยจะมีใครเข้าใจสิ่งที่ผมพูดหรอก ดังนั้นถ้าคุณเคยพบตัวผม จะพบว่าผมจะไม่พูดอะไร แต่จะนั่งฟังคุณพูด ถ้าถูกใจจะถาม ถ้าไม่ถูกใจผมก็จะลุกเดินออกไปจากที่นั้นก็แค่นั้น

*** แก้ไขหน่อย ตรงไหนที่ผมอ้างอิงถึง TTS ไม่ใช่นะ ผมหมายถึง Speech to text ไม่ได้เขียนโปรแกรมนานสับสนในศัพท์เทคนิคนิดหน่อย

โอเค ผมไม่คุยกับคุณแล้วแหล่ะ เสียเวลา คุยกับคุณก็คงไม่ได้ความรู้อะไรเพิ่มเติม คุณยังเอาเทคนิคในปัจจุบัน ไปบรรยายสิ่งที่จะเกิดขึ้นในอนาคต ซึ่งมันเกิดจากการที่ระบบต้องเรียนรู้จากพฤติกรรมของมนุษย์ ไม่ใช่เอาเทคโนโลยีในปัจจุบันไปบรรยายว่ามันควรทำไม่ได้เพราะปัจจุบันมันทำไม่ได้