เอไอคืออะไร? คู่มือปัญญาประดิษฐ์ที่ครอบคลุม

แม้จะมีการโฆษณาเกินจริงเมื่อเร็ว ๆ นี้ แต่ปัญญาประดิษฐ์ (AI) ก็ไม่มีอะไรใหม่ ในความเป็นจริง มีมาก่อนเวิลด์ไวด์เว็บหลายทศวรรษ ในขณะที่การเกิดขึ้นอย่างกะทันหันและรวดเร็วของ generative AI ได้รับความสนใจทั้งหมด (และอาจเป็นสาเหตุที่คุณอ่านบทความนี้) คุณได้พบกับ AI ทั้งทางตรงและทางอ้อมเป็นเวลาหลายปีแล้ว

ภาพรวมระดับสูงของ AI นี้จะเผยให้เห็นวิธีการต่างๆ ที่ AI สามารถทำงานได้ สิ่งที่ทำได้และทำไม่ได้ และผลกระทบต่อปัจจุบันและอนาคตของธุรกิจและสังคม นอกจากนี้เรายังจะชี้ให้เห็นว่าสิ่งนี้เกี่ยวข้องกับไวยากรณ์อย่างไร ซึ่งเป็นส่วนหนึ่งของวิธีที่เราช่วยให้ผู้คนเขียนมานานกว่าทศวรรษ

สารบัญ

• เอไออธิบาย
• AI ทำงานอย่างไร
• ประวัติความเป็นมาของเอไอ
• การประยุกต์ใช้เอไอ
• ประโยชน์ของเอไอ
• ข้อจำกัดของเอไอ
• บทสรุป

ปัญญาประดิษฐ์อธิบาย

ปัญญาประดิษฐ์เป็นเทคโนโลยีที่จำลองวิธีที่จิตใจมนุษย์เรียนรู้และทำงาน

AI แตกต่างจากโปรแกรมคอมพิวเตอร์มาตรฐานตรงที่สามารถแก้ปัญหาโดยใช้อัลกอริธึมหรือการใช้เหตุผลเชิงตรรกะ นอกจากนี้ ในการใช้งานส่วนใหญ่ในปัจจุบัน มันสามารถเรียนรู้และปรับตัวได้โดยไม่ต้องมีการแทรกแซงของมนุษย์ ลักษณะสำคัญของสาขา AI ได้แก่ การเรียนรู้ของเครื่อง (ML) การประมวลผลภาษาธรรมชาติ (NLP) และโครงข่ายประสาทเทียม

ปัญญาประดิษฐ์ทำงานอย่างไร

โมเดลเป็นตัวอย่างเฉพาะของ AI ตัวอย่างเช่น ChatGPT 3.5 และ ChatGPT 4 เป็นโมเดล AI สองโมเดล เพื่อทำความเข้าใจองค์ประกอบหลักของ AI เราจะมุ่งเน้นไปที่แนวทางแนวคิดที่แตกต่างกันในการสร้างแบบจำลอง

AI ตามกฎหรือระบบผู้เชี่ยวชาญ

กรอบงานที่ตรงไปตรงมามากขึ้นคือสิ่งที่เรียกว่าระบบตามกฎหรือผู้เชี่ยวชาญ: ผู้คนเขียนคำสั่งเฉพาะในรูปแบบของตรรกะที่อัลกอริทึมสามารถเข้าใจได้ แผนผังโทรศัพท์ฝ่ายสนับสนุนลูกค้าโดยทั่วไปทำงานในลักษณะนี้: มีการบอกให้ตอบกลับอินพุตที่ตรงกับพารามิเตอร์บางตัว อัลกอริธึม PageRank พื้นฐานของ Google เป็นอีกตัวอย่างหนึ่งแต่ซับซ้อนกว่ามาก

การเรียนรู้ของเครื่อง

AI ส่วนใหญ่ในปัจจุบันใช้วิธีการที่เรียกว่าการเรียนรู้ของเครื่อง แทนที่จะได้รับชุดคำสั่งแบบฮาร์ดโค้ด โมเดลจะเรียนรู้กฎสำหรับตัวเองจากเนื้อหาที่หลากหลาย (หรือมาก) เช่น รูปแบบ ความสัมพันธ์ และไดนามิกอื่นๆ กระบวนการนี้มักเรียกว่าการฝึกแบบจำลอง นอกจากนี้ยังสามารถรวมกฎและ ML เข้าด้วยกันได้ และเราจะหารือถึงข้อดีที่เกี่ยวข้องกันของแต่ละข้อในภายหลัง

ML มีสี่ประเภทหลัก: การเรียนรู้แบบมีผู้ดูแล, ไม่มีผู้ดูแล, กึ่งมีผู้ดูแล และการเรียนรู้แบบมีผู้ดูแลด้วยตนเอง

1 การเรียนรู้แบบมีผู้สอนใช้ข้อมูลที่มีคำอธิบายประกอบหรือแบบมีโครงสร้างเพื่อบอกเครื่องว่าต้องเรียนรู้อะไร วิธีการนี้อาศัยชุดข้อมูลที่มีป้ายกำกับ ซึ่งทราบเอาต์พุตที่ต้องการแล้ว ซึ่งช่วยให้โมเดลเรียนรู้ความสัมพันธ์ระหว่างอินพุตและเอาต์พุต

2 การเรียนรู้แบบไม่มีผู้ดูแลไม่มีคำแนะนำที่ชัดเจน ดังนั้นเครื่องจักรจึงต้องทำความเข้าใจกับสิ่งที่เห็นด้วยตัวเองแล้วจึงคาดการณ์ การเรียนรู้ประเภทนี้ใช้เพื่อค้นหารูปแบบที่ซ่อนอยู่หรือโครงสร้างที่แท้จริงในข้อมูลอินพุต

3 การเรียนรู้แบบกึ่งมีผู้สอนเป็นแนวทางแบบผสมผสานที่แบบจำลองได้รับการฝึกฝนกับข้อมูลที่มีป้ายกำกับจำนวนเล็กน้อย เสริมด้วยข้อมูลที่ไม่มีป้ายกำกับจำนวนมาก วิธีการนี้ใช้ประโยชน์จากการเรียนรู้ทั้งแบบมีผู้ดูแลและแบบไม่มีผู้ดูแล ปรับปรุงประสิทธิภาพการเรียนรู้และความแม่นยำเมื่อข้อมูลที่ติดป้ายกำกับมีน้อย

4 การเรียนรู้แบบมีผู้ดูแลด้วยตนเองเป็นแนวทางที่แบบจำลองสร้างป้ายกำกับของตัวเองจากข้อมูลอินพุต มีประโยชน์อย่างยิ่งในสถานการณ์ที่ข้อมูลที่ติดป้ายกำกับมีจำกัดหรือไม่พร้อมใช้งาน แบบจำลองใช้ส่วนหนึ่งของข้อมูลอินพุตเพื่อคาดการณ์ส่วนอื่นๆ และสร้างสัญญาณที่ได้รับการดูแลของตัวเองอย่างมีประสิทธิภาพ

การเรียนรู้ไม่จำเป็นต้องหยุดอยู่ที่การฝึกอบรมเบื้องต้น ด้วยการเรียนรู้แบบเสริมกำลัง โมเดลจะปรับปรุงอย่างต่อเนื่องตามผลตอบรับเกี่ยวกับคุณภาพของผลลัพธ์ การประเมินนี้สามารถทำได้โดยมนุษย์ แต่ก็มีเทคนิคและอัลกอริธึมมากมายสำหรับการเรียนรู้การเสริมแรงแบบอัตโนมัติ

เมื่อโมเดลได้รับการฝึกอบรมแล้ว ก็พร้อมใช้งาน อินพุตจะถูกส่งผ่านโมเดลและให้เอาต์พุต ไม่ว่าจะเป็นการตอบคำถาม การจัดหมวดหมู่รูปภาพ การวาดภาพกราฟิก หรืออื่นๆ AI บางตัว (โดยเฉพาะโมเดลที่อิงกฎ) ถูกกำหนดไว้แล้ว ซึ่งหมายความว่าอินพุตที่กำหนดจะนำไปสู่เอาต์พุตที่แน่นอนเสมอ อย่างไรก็ตาม โมเดลสมัยใหม่ส่วนใหญ่มีความน่าจะเป็น โดยทำให้เกิดการสุ่มในระดับหนึ่ง ซึ่งอธิบายว่าทำไมหากคุณป้อนคำถามเดียวกันทุกประการลงใน ChatGPT สองครั้ง คุณไม่น่าจะได้รับคำตอบเดียวกัน

โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก

โอเค แต่จริงๆ แล้ว AIทำงานอย่างไร นี่คือจุดที่สิ่งต่างๆ เกิดเรื่องทางเทคนิคอย่างรวดเร็ว เราจะมุ่งเน้นไปที่แนวทางเบื้องหลังนวัตกรรม AI, โครงข่ายประสาทเทียมที่น่าสนใจในปัจจุบัน

การแสดงเซลล์ประสาทของสมองอย่างง่ายเหล่านี้เริ่มต้นจากการเดาแบบสุ่ม เปรียบเทียบการเดาเหล่านั้นกับคำตอบที่ถูกต้อง และทำการปรับเปลี่ยนเล็กน้อยซ้ำแล้วซ้ำเล่าเพื่อปรับปรุงความแม่นยำอย่างต่อเนื่อง

โครงข่ายประสาทเทียมประกอบด้วยชั้นต่างๆ ที่ "ด้านล่าง" คืออินพุต ด้านบนคือเอาต์พุต และระหว่างนั้นเรียกว่าเลเยอร์ที่ซ่อนอยู่ จากล่างขึ้นบน ความสามารถต่างๆ กลายเป็นนามธรรมมากขึ้น ตัวอย่างเช่น ในระบบการจดจำรูปภาพ เลเยอร์ที่ต่ำกว่าอาจจดจำสีหรือขอบ โดยที่เลเยอร์ที่สูงกว่าจะรับรู้วัตถุเฉพาะ

เมื่อโครงข่ายประสาทเทียมมีหลายเลเยอร์ที่ซ่อนอยู่ เรียกว่าการเรียนรู้เชิงลึก โครงข่ายประสาทเชิงลึกในปัจจุบันมักมีหลายเลเยอร์ และมักมีเลเยอร์ย่อยที่มีฟังก์ชันเฉพาะ การปรับปรุงพลังการประมวลผลช่วยปลดล็อกให้เกิดการระเบิดของนวัตกรรม

การประมวลผลภาษาธรรมชาติ

เมื่อคอมพิวเตอร์พยายามทำความเข้าใจวิธีที่มนุษย์เขียนและพูด นั่นคือการประมวลผลภาษาธรรมชาติ ในขณะที่การตรวจตัวสะกดขั้นพื้นฐานเพียงเน้นคำที่ไม่ตรงกับพจนานุกรม Grammarly จะใช้ NLP เพื่อทำความเข้าใจงานเขียนของคุณและให้คำแนะนำที่เหมาะกับบริบท

ในช่วงทศวรรษที่ผ่านมา NLP ได้ผ่านการปฏิวัติ ซึ่งคุณคงเคยประสบมาแล้วในการทำงานด้านการแปลด้วยเครื่อง การสร้างข้อความ และการถอดเสียงอัตโนมัติ เทคนิคต่างๆ เช่น การเพิ่มความสนใจ (จำนวนโมเดลที่สามารถ "จดจำ" ในช่วงเวลาที่กำหนด แทนที่จะประมวลผลทีละคำ) และโมเดลที่ได้รับการฝึกอบรมล่วงหน้า (เพื่อที่พวกเขาจะได้ไม่ต้องเรียนรู้ใหม่ว่าภาษาของมนุษย์ทำงานอย่างไร scratch) ทำให้เครื่องจักรสามารถเข้าใจและเสียงเหมือนมนุษย์ในหลายบริบทได้

AI กำเนิด

Generative AI เป็นส่วนย่อยของปัญญาประดิษฐ์ที่สามารถสร้างเนื้อหาใหม่ๆ เช่น ข้อความ รูปภาพ เพลง และแม้แต่โค้ด โดยอิงจากข้อมูลการฝึกอบรม

ต่างจากระบบ AI แบบดั้งเดิมที่ได้รับการปรับแต่งสำหรับงานเฉพาะหรือการวิเคราะห์ข้อมูล โมเดล AI เชิงสร้างสรรค์สามารถสร้างผลลัพธ์ต้นฉบับที่มักจะเลียนแบบงานที่มนุษย์สร้างขึ้น โมเดลเหล่านี้ซึ่งอิงตามโครงข่ายประสาทเทียมระดับลึก มีรูปแบบ สไตล์ หรือตรรกะจากชุดข้อมูลที่กว้างขวาง จากนั้นพวกเขาจึงใช้ประโยชน์จากความรู้นี้เพื่อสร้างเนื้อหาใหม่ที่ไม่ซ้ำใครที่ไม่เคยมีมาก่อน

การใช้ generative AI ครอบคลุมสาขาต่างๆ รวมถึงความบันเทิง ศิลปะ วรรณกรรม และการพัฒนาซอฟต์แวร์ สิ่งนี้แสดงให้เห็นถึงความเก่งกาจของ AI และความสามารถที่เพิ่มขึ้น

หากต้องการตรวจสอบ: AI สามารถยึดตามกฎหรือ ML ได้ แมชชีนเลิร์นนิงสามารถอยู่ภายใต้การควบคุมดูแลหรือไม่มีการควบคุมดูแล และจะดีขึ้นเมื่อเวลาผ่านไปด้วยการเรียนรู้แบบเสริมกำลัง โมเดล AI จำนวนมากในปัจจุบันเป็นโครงข่ายประสาทเทียมซึ่งใช้การเรียนรู้เชิงลึกผ่านหลายเลเยอร์ การประมวลผลภาษาธรรมชาติถือเป็นเรื่องราวความสำเร็จอันโดดเด่นสำหรับโครงข่ายประสาทเทียมเชิงลึก และแบบจำลองที่สร้างข้อความ รูปภาพ โค้ด และอื่นๆ เรียกว่า generative AI

ประวัติความเป็นมาของเอไอ

เราจะนำเสนอภาพรวมโดยย่อเกี่ยวกับประวัติความเป็นมาของ AI เพื่อประโยชน์ของความกระชับและมุ่งเน้นเฉพาะลำดับเวลาการพัฒนา เราจะไม่กล่าวถึงบุคคลที่อยู่เบื้องหลังนวัตกรรมเหล่านี้

1950-1980: GOFAI ฤดูใบไม้ผลิ ต่อมาเป็นฤดูหนาว

คำว่าปัญญาประดิษฐ์ได้รับการประกาศเกียรติคุณในปี 1956 ในปีเดียวกันนั้นเอง โปรแกรมซอฟต์แวร์ AI ที่ทำงานครั้งแรกประสบความสำเร็จในการพิสูจน์ทฤษฎีบททางคณิตศาสตร์ต่างๆ ซึ่งหนึ่งในนั้นมีความ “สวยงามกว่า” มากกว่าข้อพิสูจน์ที่ผู้เขียนดั้งเดิมนำเสนอ

โครงข่ายประสาทเทียมแห่งแรกถูกสร้างขึ้นในปี 1967 แต่การวิจัยด้าน AI ส่วนใหญ่ในช่วงเวลานี้เสร็จสิ้นโดยใช้การแสดงเชิงสัญลักษณ์และตรรกะเพื่อจำลองจิตใจที่มีเหตุผล (คุณอาจใช้ตัวย่อ GOFAI ที่แปลว่าAI สมัยเก่าที่ดี) อย่างไรก็ตาม การรวมกันของความคาดหวังที่ไม่บรรลุผลและพลังการคำนวณที่จำกัด นำไปสู่สิ่งที่เรียกว่าAI Winterซึ่งการระดมทุนและการวิจัยชะลอตัวลงใน ทศวรรษ 1970 และต่อจากนั้น

ในยุค 80 ระบบผู้เชี่ยวชาญ ซึ่งเป็นโมเดล AI ตามกฎที่เราได้เรียนรู้ก่อนหน้านี้ ได้รับความนิยมและมีผลกระทบเชิงปฏิบัติต่อหลายๆ บริษัท ในขณะเดียวกัน นักวิจัยก็กลับมาที่โครงข่ายประสาทเทียมและพัฒนาเทคนิคเพื่อให้พวกเขาฝึกฝนตนเอง

ทศวรรษ 1990-2000: แพร่หลายแต่ถูกมองข้าม

ด้วยพลังการประมวลผลที่มากขึ้นและชุดข้อมูลที่ใหญ่ขึ้น ในปี 1990 การเรียนรู้ของเครื่องจักรจึงกลายเป็นจริงในระดับที่ประยุกต์ใช้ และ AI ก็บรรลุเป้าหมายสำคัญมากมาย นอกเหนือจากภาพยนตร์ ความสำเร็จครั้งแรกที่เป็นที่รู้จักกันอย่างแพร่หลายของปัญญาประดิษฐ์น่าจะเกิดขึ้นเมื่อ Deep Blue เอาชนะ Garry Kasparov ในการเล่นหมากรุกในปี 1997 หลังจากนั้นไม่นาน Dragon โปรแกรมจดจำคำพูดของผู้บริโภคโปรแกรมแรกก็พร้อมใช้งานสำหรับ Windows

แม้จะมีความก้าวหน้านี้ ในช่วงทศวรรษแรกของศตวรรษนี้ นักวิจัยและบริษัทจำนวนมากปิดบังผลิตภัณฑ์และโครงการ AI ของตนในแง่อื่น ๆ เพราะพวกเขายังคงมีความหมายแฝงของการพูดเกินจริง สิ่งที่น่าขันก็คือระบบเหล่านี้ซึ่งขับเคลื่อนทุกอย่างตั้งแต่ตัวกรองสแปมไปจนถึง Roombas ได้นำคุณค่าเชิงปฏิบัติของ AI ที่ประยุกต์มาสู่ชีวิตประจำวันอย่างแท้จริง

ยุค 2010–ปัจจุบัน: AI กลายเป็นกระแสหลัก

ในช่วงปี 2010 AI เริ่มมีการเติบโตอย่างต่อเนื่องมาจนถึงทุกวันนี้ แทนที่จะมีความก้าวหน้าเพียงครั้งเดียว มีปัจจัยหลายประการมาบรรจบกัน:

• GPU: แม้จะมีชื่อหน่วยประมวลผลกราฟิก แต่ชิปเหล่านี้กลับกลายเป็นว่ามีประสิทธิภาพมากในการฝึกโครงข่ายประสาทเทียมระดับลึก การเปลี่ยนมาใช้ GPU ช่วยเร่งทั้งความเร็วและขอบเขตการใช้งานจริงของการเปิดตัวโมเดลใหม่ๆ
• ความก้าวหน้าทางการวิจัย: รูปแบบใหม่และแอปพลิเคชันของโครงข่ายประสาทเทียมทำให้คอมพิวเตอร์สามารถเข้าใจและแสดงข้อความและรูปภาพได้อย่างก้าวกระโดด
• ข้อมูลขนาดใหญ่: ณ จุดนี้ อินเทอร์เน็ตมีมานานเพียงพอแล้วสำหรับผู้ใช้หลายพันล้านคนในการสร้างเนื้อหาจำนวนมหาศาลเพื่อให้โมเดลได้เรียนรู้
• การประมวลผลแบบคลาวด์: แพลตฟอร์มตามความต้องการจาก Amazon, Google, Microsoft และอื่นๆ ทำให้การรับพลังการประมวลผลที่จำเป็นในการพัฒนาโมเดล AI เป็นเรื่องง่ายยิ่งขึ้น

นวัตกรรมที่ถูกสร้างขึ้นใหม่หรือยกเครื่องใหม่ในช่วงเวลานี้ ได้แก่ Google Translate, ผู้ช่วยเสมือนเช่น Siri และเครื่องมือแนะนำบริการต่างๆ เช่น Netflix และ Spotify ไม่ต้องพูดถึงผลกระทบที่สำคัญมากมายแต่มองเห็นได้น้อยกว่าในภาคส่วนต่างๆ รวมถึงการดูแลสุขภาพ การผลิต และแม้แต่การป้องกัน .

เหตุใดความบ้าคลั่งของ AI จึงเพิ่มขึ้นหลายระดับเมื่อ AI กำเนิดมาถึงที่เกิดเหตุ ความแตกต่างที่สำคัญคือโมเดลอย่าง ChatGPT และ DALL-E สามารถตีความและตอบสนองต่ออินพุตใดๆ ก็ได้ แทนที่จะถูกจำกัดไว้เฉพาะโดเมนใดโดเมนหนึ่ง ซึ่งหมายความว่าใครก็ตามที่มีการเชื่อมต่ออินเทอร์เน็ตสามารถโต้ตอบกับโมเดล AI ได้โดยตรง โดยไม่ต้องมีการฝึกอบรมพิเศษใดๆ และ AI สามารถนำไปใช้งานเฉพาะเจาะจงได้เร็วกว่าการสร้างแบบจำลองใหม่ตั้งแต่เริ่มต้นมาก

อนาคต: AGI และ ASI

สำหรับความสามารถทั้งหมด สิ่งที่เราเห็นในปัจจุบันเรียกว่าAIที่แคบ หรืออ่อนแอ หมายถึงเทคโนโลยีที่ครอบคลุมเพียงบางส่วนแต่ไม่ครอบคลุมความฉลาดของมนุษย์ทั้งหมด เครื่องจักรที่เทียบเท่ากับความสามารถของสมองเราจะเรียกว่าAI ที่แข็งแกร่งหรือปัญญาประดิษฐ์ทั่วไป (AGI) เมื่อ AI เหนือกว่าสติปัญญาของมนุษย์ นั่นเรียกว่าปัญญาประดิษฐ์ขั้นสูง (ASI)

เราอยู่ห่างจาก AGI แค่ไหน? มันเป็นเรื่องของใครๆ ก็เดาได้ แม้แต่ผู้ที่เกี่ยวข้องอย่างลึกซึ้งในสาขานี้ก็ยังประเมินความก้าวหน้าของนวัตกรรมครั้งแล้วครั้งเล่าอย่างไม่ถูกต้อง

แอพพลิเคชั่นและตัวอย่าง AI

นี่เป็นเพียงไม่กี่วิธีที่ AI ปรากฏในแอปพลิเคชันในโลกแห่งความเป็นจริงในปัจจุบัน

ช่วยให้มนุษย์ทำสิ่งต่าง ๆ ได้ดีขึ้นเราคิดว่า Grammarly เป็นตัวอย่างที่ดีเยี่ยม: คุณมีความคิด ความรู้สึกของสิ่งที่คุณพยายามจะพูด และความรู้ของผู้ฟัง เราขอแนะนำวิธีทำให้ข้อความของคุณชัดเจนขึ้นและเพิ่มโอกาสที่จะได้รับการตอบรับอย่างดี เรียนรู้เพิ่มเติมเกี่ยวกับวิธีที่ Grammarly ใช้ AI เชิงสร้างสรรค์เพื่อปรับปรุงการสื่อสาร

ช่วยเหลือผู้มีความพิการ.เทคโนโลยีต่างๆ เช่น การแปลงคำพูดเป็นข้อความและการอ่านออกเสียงข้อความเป็นตัวเปลี่ยนเกมสำหรับผู้ที่มีความบกพร่องทางประสาทสัมผัส เช่น การได้ยินหรือการมองเห็น พวกเขาอนุญาตให้พวกเขารับชมเนื้อหาสดและที่บันทึกไว้ซึ่งก่อนหน้านี้ไม่สามารถเข้าถึงได้ ดังนั้นพวกเขาจึงสามารถมีส่วนร่วมกับความสมบูรณ์ของโลกได้มากขึ้นโดยไม่ต้องพึ่งใครมาเป็นหูเป็นตาของพวกเขา

ระบบอัตโนมัติAI สามารถผสมผสานการรับรู้เข้ากับการคาดการณ์เพื่อทำสิ่งต่างๆ ได้อย่างมีประสิทธิภาพและปลอดภัยยิ่งขึ้น ตั้งแต่รถยนต์ที่ขับเคลื่อนด้วยตนเองไปจนถึงระบบสปริงเกอร์ที่ไม่ทำงานเมื่อฝนกำลังจะตก Waymo บริษัทรถยนต์ไร้คนขับที่ก่อตั้งโดย Google รายงานว่ามีการบาดเจ็บจากการชนน้อยลงประมาณ 85 เปอร์เซ็นต์ เมื่อเทียบกับการที่มนุษย์ขับรถในระยะทางเท่ากัน

ข้อแนะนำ.แบบจำลอง AI วิเคราะห์พฤติกรรมของผู้ใช้และข้อมูลประชากร เพื่อทำการคาดเดาที่มีการศึกษาสูงเกี่ยวกับสิ่งต่างๆ เช่น รายการทีวีถัดไป หรือประเภทของน้ำอัดลมที่คุณอาจต้องการลอง

การประมวลผลภาพและเสียงตัวอย่าง ได้แก่ การจดจำเสียงจากผู้ช่วยเสมือน การเก็บค่าผ่านทางอัตโนมัติตามการประมวลผลภาพป้ายทะเบียน และการกรองสัญญาณรบกวนภาพและเสียงออกจากการบันทึกหรือสตรีม

ขอบเอไอซึ่งจะทำให้พลังของ AI อยู่ในอุปกรณ์ในโลกแห่งความเป็นจริงโดยตรง แทนที่จะอยู่ในศูนย์ข้อมูล สิ่งเหล่านี้มีแนวโน้มที่จะเน้นเลเซอร์ไปที่งานเฉพาะเพื่อการประมวลผลที่รวดเร็วและใช้พลังงานต่ำ ตัวอย่าง ได้แก่ Face ID บน iPhone และตัวควบคุมอุณหภูมิอัจฉริยะ

ข้อดีและประโยชน์ของเอไอ

การประมวลผลตามขนาดลองนึกภาพว่าบุคคลจริงๆ ต้องประเมินธุรกรรมบัตรเครดิตทุกรายการเพื่อหาการฉ้อโกง หรือป้อนหมายเลขทุกหมายเลขจากแบบฟอร์มภาษีทุกฉบับที่ส่งทางไปรษณีย์ไปยัง IRS AI สามารถตัดสินหรือจำแนกประเภทได้เร็วกว่าและมักจะดีกว่ามนุษย์มาก

การตรวจจับและการทำนายรูปแบบAI เริ่มมีความสามารถในการตรวจพบมะเร็งแซงหน้ามนุษย์แล้ว ในกรณีหนึ่ง เอาชนะผู้เชี่ยวชาญได้ถึง 13% นอกจากนี้ ยังตรวจจับได้ดีมากเมื่อสิ่งต่างๆ แตกต่างจากรูปแบบที่เป็นที่รู้จัก เช่น การตรวจจับข้อผิดพลาดในฐานข้อมูล พลังการค้นหารูปแบบนี้ทำให้ AI มีประโยชน์อย่างยิ่งสำหรับการคาดการณ์ ตั้งแต่การพยากรณ์อากาศไปจนถึงการเคลื่อนไหวของตลาดหุ้น

ข้อมูลเชิงลึกใหม่จากโมเดลแรกสุด AI ได้สร้างคำตอบและแนวทางสำหรับปัญหาทุกประเภทที่ไม่เคยมีมนุษย์คนใดทำได้ ตัวอย่างสมัยใหม่ครอบคลุมตั้งแต่การออกแบบรองเท้าไปจนถึงกฎฟิสิกส์ใหม่

ยาเร่ง.ตั้งแต่วัคซีนป้องกันโควิด-19 ไปจนถึงการตรวจหาอัลไซเมอร์ AI ช่วยให้นักวิจัยพัฒนาการวินิจฉัยและการรักษาได้เร็วขึ้น

การเฝ้าระวังAI ไม่เคยเหนื่อย ตราบใดที่ได้รับการออกแบบทางวิศวกรรมอย่างเหมาะสม และมีไฟฟ้าและกำลังในการประมวลผลเพียงพอ ก็สามารถติดตามข้อมูลปริมาณมากได้อย่างต่อเนื่อง นี่เป็นสาเหตุสำคัญที่ทำให้อัตราการชนของยานพาหนะอัตโนมัติลดลง

ข้อเสียและข้อจำกัดของ AI

ภาพหลอนAI เจนเนอเรทีฟสามารถสร้างสิ่งต่างๆ ได้ เนื่องจากสิ่งที่โมเดลเหล่านี้พูดนั้นเป็นไปได้มาก หลายๆ คนจึงไม่คิดที่จะตรวจสอบอีกครั้ง ตัวอย่างล่าสุดของปัญหานี้เกิดขึ้นเมื่อ Michael Cohen อดีตทนายความส่งการอ้างอิงถึงทนายความของเขาเองเกี่ยวกับคดีทางกฎหมายที่ประดิษฐ์ขึ้นทั้งหมดโดย generative AI ของ Google หรือที่รู้จักกันในชื่อ Bard (ปัจจุบันคือ Gemini)

ดีพเฟคแม้ว่าภาพหลอนจะเกิดขึ้นโดยบังเอิญ แต่การดีพเฟคนั้นเกิดขึ้นโดยเจตนา นักแสดงที่เป็นอันตราย (หรือที่พูดตรงๆ ก็คือพวกเล่นแกล้งกัน) สามารถใช้ AI สร้างสรรค์เพื่อสร้างรูปภาพ วิดีโอ เสียง หรือข้อความที่ดูใกล้เคียงกับความเป็นจริงจนหลายๆ คนไม่สามารถบอกความแตกต่างได้

แข่งขันกับงานมนุษย์หลายคนในบทบาทเช่นการเขียนและการบริการลูกค้ามองว่า AI กำเนิดเป็นภัยคุกคามที่แท้จริง Fortune รายงานตำแหน่งงานหลายพันตำแหน่งที่สูญเสียให้กับ AI ซึ่งระบุอย่างชัดเจนว่า “นับน้อยไปอย่างแน่นอน”

ปัญหาในการรู้ว่าเหตุใดจึงได้ข้อสรุปที่เฉพาะเจาะจงด้วยโครงข่ายประสาทเทียม คุณจะไม่ทราบแน่ชัดว่าเหตุใดจึงให้ผลลัพธ์เฉพาะเจาะจงหรืออย่างไร ตัวอย่างเช่น ไม่สามารถสืบย้อนกลับไปยังส่วนใดส่วนหนึ่งของคลังข้อมูลการฝึกอบรมได้โดยตรง ในอุตสาหกรรมที่มีการควบคุมอย่างเข้มงวด เช่น การดูแลสุขภาพหรือการเงิน AI บางตัวถูกสร้างขึ้นบางส่วนหรือทั้งหมดด้วยอัลกอริธึมตามกฎที่มนุษย์สามารถประเมินได้

การใช้พลังงานการวัดโดยตรงเป็นเรื่องยาก แต่มีงานวิจัยชิ้นหนึ่งประมาณการว่าการสร้างภาพเดียว เช่น ด้วย DALL-E จะใช้พลังงานในปริมาณที่ใกล้เคียงกับรอบการชาร์จสมาร์ทโฟน ซึ่งอาจเพิ่มขึ้นอย่างมากเมื่อเวลาผ่านไป

บทสรุป

AI ทั้งเก่าและใหม่มาก แม้ว่าสาขานี้มีมาเกือบ 70 ปีแล้ว แต่ในช่วงทศวรรษที่ผ่านมาเท่านั้น และโดยเฉพาะอย่างยิ่งในช่วงไม่กี่ปีที่ผ่านมา พวกเราหลายคนตระหนักดีถึงพลังและศักยภาพของสาขานี้ ต้องขอบคุณนวัตกรรมต่างๆ เช่น โครงข่ายประสาทเทียม การเรียนรู้เชิงลึก การประมวลผลภาษาธรรมชาติ และ AI เชิงสร้างสรรค์ ทำให้เครื่องมือที่ดูเหมือนนิยายวิทยาศาสตร์เมื่อไม่นานมานี้พร้อมให้ใช้งานแล้ว และสร้างความแตกต่างครั้งใหญ่ให้กับโลก ต้องการลองทำอะไรสักอย่างตอนนี้ไหม? สมัคร Grammarly และดูว่า AI ทำงานให้คุณได้อย่างไร