สมองกลอัจฉริยะ

สมองกลอัจฉริยะ

วิทยาการปัจจุบันด้านระบบปัญญาประดิษฐ์ (AI) บรรลุสำเร็จในขั้นสูงสุดที่สามารถสรุปข้อมูล (Induction) และการเข้าหาองค์ความรู้ใหม่จากข้อมูลตั้งต้น (Deduction) แน่นอนครับว่า ปรมาจารย์เอไอ ระดับโนเบลไพรซ์ เช่น ศาตราจารย์ เอิร์บ ไซม่อน ซึ่งท่านได้สอนวิชานี้แก่ผม คงจินตนาการความสามารถของเอไอไปไกลกว่าปัจจุบันมากอย่างไรก็ตาม ช่วงสิบปีที่ผ่านมา ดูเหมือนว่าบรรดานักวิทยาศาสตร์ส่วนใหญ่มุ่งไปที่ปรับปรุงประสิทธิภาพของวิธีต่างๆ (Refinement) งานวิจัยชิ้นหนึ่งที่ฉีกแนวออกไปอย่างมีนัยสำคัญเป็นผลงานของเพื่อนผมคนหนึ่งที่ Carnegie Mellon คิดค้นระบบเอไอช่วยออกแบบกลไลโดยอาศัยข้อมูลตั้งต้นแต่เพียงสมรรถนะ ไม่พึ่งพารูปแบบตั้งต้น

เมื่อวาน นายวุฒิชัย วิศาลคุณา ลูกศิษย์ปริญญาเอกมาเสนอหัวข้อที่น่าสนใจยิ่ง คือ การสร้างระบบปัญญาประดิษย์ที่สามารถที่เข้าใจกระบวนการคิดได้แรงบันดาลใจในการทำวิจัยของนักศึกษาท่านนี้คือคำถามว่า ทำไมพระพุทธเจ้า ถึงตรัสรู้และกำหนดหลักธรรมเผยแพร่แก่ชาวโลกได้ เมื่อพิจารณาหลักธรรมดังกล่าว พบว่าเป็นสิ่งที่เป็นเหตุและผลกัน ดังนั้นนักศึกษาจึงเข้าใจว่ากระบวนการคิดของพระพุทธเจ้าน่าจะเป็นการใช้หลักการทางเหตุและผลในการกำหนดหลักธรรม จึงเป็นแรงบันดาลใจในการพัฒนาระบบปัญญาประดิษฐ์ที่เข้าใจกระบวนการคิดขึ้นมา ผมได้ติงว่าปัญญาทางโลก “จินตนามยปัญญา” ที่เกิดจากการคิดนั้น น่าจะแตกต่างจาก “ภาวนามยปัญญา”ที่ปัญญาทางธรรมอันเกิดจากการเฝ้าดู–ตามรู้ ในมหาสติปัฎฐานสี่ (กาย–เวทนา–จิต–ธรรม)อย่างไรก็ตาม ผมก็ตื่นเต้นมากแล้ว หากนักศึกษาจักสามารถสร้างระบบเอไอที่เข้าใจขบวนการคิดได้หลายท่านคงเห็นพ้องกันว่า คนที่ “ท่องจำ” แม่นยำ มักจะมีประสิทธิภาพการใช้ความรู้สู้คนที่ใช้ความ “เข้าใจ” ไม่ได้ ปรากฎการณ์นี้ได้ทำให้นักศึกษาผู้นี้มั่นใจมากว่า “ระบบปัญญาประดิษฐ์ที่เข้าใจกระบวนการคิด” ของเขาจะทำให้วิทยาการด้านนี้ก้าวสู่ “สมองกลอัจฉริยะ” ได้ครับ

ระบบปัญญาประดิษฐ์แบบรู้จำ มีข้อจำกัดในการเพิ่มความรู้ใหม่ เมื่อทำการเปลี่ยน Application เพราะต้องทำการเรียนรู้ใหม่ และต้องทำการปรับตัวแปรในระบบ ดังนั้นผจึงพัฒนาระบบปัญญาประดิษฐ์ให้มีความสามารถในการเข้าใจกระบวนการคิด ร่วมกับการนำข้อมูลมาใช้งาน เพื่อให้มีความสามารถในการเรียนรู้

ระบบปัญญาประดิษฐ์ในสาขาของการรู้จำแบบเดิม เน้นที่ข้อมูล Input และ Output โดยมุ่งไปที่ในส่วนของข้อมูล (Data) มากกว่างานวิจัยที่มุ่งไปในส่วนของกระบวนการคิด (Thinking Process) ซึ่งมีจำนวนน้อยมาก และถึงแม้ว่า Fuzzy Logic จะมีการนำกฎที่เป็นเหตุและผลมาใช้ แต่กฎที่ใช้ถูกออกแบบโดยผู้เชี่ยวชาญอีกทีตัวอย่างงานวิจัยที่เพิ่มประสิทธิภาพในการรู้จำให้กับระบบปัญญาประดิษฐ์ ได้แก่ Speech Understanding โดยนำหลักการด้าน Natural Language Processing (NLP) ดังกล่าว มาประยุกต์ใช้ ในการวิเคราะห์ไวยากรณ์ (Syntactic) และการวิเคราะห์ความหมาย (Semantic) มาใช้ เพื่อให้ระบบสามารถเข้าใจความหมายของสิ่งที่รู้จำได้ ตัวอย่างที่เห็นได้ชัด เช่น Application บน Iphone ชื่อ SIRIจากนั้นได้มีการนำหลักการด้าน NLP มาประยุกต์ใช้ในการเข้าใจภาพ เช่น ภาพหนังสือที่ถูกแสกน เมื่อผ่านกระบวนการรู้จำตัวอักษณ (Optical Character Recognition) จะถูกวิเคราะห์ด้านภาษาด้วย NLP ต่อเพื่อหาความหมาย

นอกจากนี้ได้มีการนำหลักการ NLP ไปใช้ในการวิเคราะห์ภาพถ่าย X-Ray ของกระดูก เพื่อใช้ในการวินิจฉัยด้านการแพทย์เราพบว่า งานวิจัยที่กล่าวมาทั้งหมด ไม่ได้สร้างระบบที่เข้าใจกระบวนการคิด แต่เป็นการสร้างระบบที่ต่อยอดจากการ “รู้จำ” เป็นการ “เข้าใจความหมาย” ของข้อมูลที่รู้จำ ดังนั้นนักศึกษา จึงได้เสนองานวิจัยระบบปัญญาประดิษฐ์ที่พัฒนาต่อยอดจากการ “เข้าใจความหมาย” เข้าสู่ระบบปัญญาประดิษฐ์แบบ “เข้าใจกระบวนการคิด (Thinking Process) ”

ระบบปัญญาประดิษฐ์ที่นำเสนอ คงคุณสมบัติเด่นในการรู้จำ และเพิ่มคุณสมบัติการ คิดและกระบวนการเข้าใจ เพื่อให้ระบบมีความเข้าใจในองค์ความรู้และการนำไปใช้

รายละเอียดโดยรวมของระบบ หลังจากนั้นต้องมีการพัฒนาระบบปัญญาประดิษฐ์แบบรู้จำ โดยการเพิ่มกระบวนการทำความเข้าใจ และทำการสร้างความหมายให้กับข้อมูล “เงื่อนไข/กฎ/ประสบการณ์” และ “ข้อมูลแบบจำลอง” ที่ได้จากการเรียนรู้ เนื่องจากกระบวนการทำความเข้าใจ จำเป็นต้องรู้ “ความหมาย” ของสิ่งที่ทำความเข้าใจก่อน ผ่านอัลกอริทึมที่พัฒนาขึ้นเพื่อใช้ในการระบุความหมาย (Semantic) ให้กับข้อมูลในส่วนของกระบวนการทำกวามเข้าใจ ได้แก่ “เงื่อนไข/กฎ” และ “แบบจำลอง” โดยกระบวนการระบุความหมายและสร้างความสัมพันธ์ระหว่าง “เงื่อนไข/กฎ” และ “แบบจำลอง” เพื่อพัฒนากระบวนการเข้าใจให้กับระบบ จะใช้วิธีการดึง “กฎ/เงื่อนไข” และ “ข้อมูล” พร้อมความหมาย จากระบบงานขึ้นมา เพื่อทำการเรียนรู้ และพัฒนาต่อเพื่อสร้างเป็น “กฎพื้นฐาน (Common Rules)” ที่สามารถนำไปประยุกต์ใช้กับ Application หรือ Domain อื่นได้ ซึ่งหลังจากระบบสร้างกฎพื้นฐานได้แล้ว เมื่อมีองค์ความรู้จาก Domain หรือ Application ใหม่เข้ามา ข้อมูลในส่วนของ “กฎพื้นฐาน” ของระบบจะถูกวิวัฒนาการจนได้ความเหมาะสมที่สุด ประโยชน์ของงานวิจัยนี้ที่คาดว่าจะได้รับคือ ระบบ AI ที่มีความสามารถในการเรียนรู้มากขึ้นเป็นระบบที่มีความใกล้เคียงการคิดของมนุษย์มากขึ้นและสามารถหาความหมาย (Semantic) ของผลลัพธ์ได้

แต่สำหรับผมแล้วผลลัพท์ที่มีความหมายยิ่งคือการได้ผลิต

นักวิจัยชั้นเยี่ยมด้านเอไอของไทยขึ้นมาอีกท่านหนึ่งครับ