ปัญญาประดิษฐ์เรียนรู้ได้โดยไม่มีข้อมูลหรือไม่?
ปัญญาประดิษฐ์ในปัจจุบันไม่สามารถเรียนรู้ได้โดยสมบูรณ์หากไม่มีข้อมูล การเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกต้องพึ่งพาข้อมูลเพื่อจดจำรูปแบบ กำหนดกฎเกณฑ์ และปรับปรุงประสิทธิภาพ แม้แต่โมเดลขั้นสูง เช่น GPT หรือระบบการเรียนรู้แบบเสริมแรง ก็ยังต้องการข้อมูลนำเข้าหรือประสบการณ์จากสภาพแวดล้อมเพื่อ “เรียนรู้” และทำนายได้อย่างแม่นยำ กล่าวอีกนัยหนึ่ง ข้อมูลคือเชื้อเพลิงที่สำคัญที่สุดสำหรับการเติบโตของ AI และหากไม่มีข้อมูล AI ก็ไม่สามารถเข้าใจหรือทำการตัดสินใจที่เป็นประโยชน์ได้
ทำความเข้าใจความสัมพันธ์ระหว่าง AI กับข้อมูล
คุณสงสัยไหมว่า, "ปัญญาประดิษฐ์สามารถเรียนรู้ได้เองโดยไม่มีข้อมูลเลยหรือไม่?" เพื่อให้ได้คำตอบที่ละเอียดและสมเหตุสมผลที่สุด มาสำรวจหัวข้อนี้อย่างลึกซึ้งกับ INVIAI กันเถอะ
ตัวอย่างเช่น ใน การเรียนรู้แบบมีผู้สอน AI จะเรียนรู้จากชุดข้อมูลขนาดใหญ่ที่มนุษย์ได้ติดป้ายกำกับไว้ (ภาพ ข้อความ เสียง ฯลฯ) เพื่อจดจำรูปแบบ
แม้ใน การเรียนรู้แบบไม่มีผู้สอน AI ก็ยังต้องการข้อมูลดิบที่ไม่มีป้ายกำกับเพื่อค้นหาโครงสร้างหรือรูปแบบที่ซ่อนอยู่ภายในข้อมูลนั้นด้วยตัวเอง
ดังนั้น ไม่ว่าจะเป็นวิธีใด AI ต้องได้รับ "อาหาร" จากข้อมูล—ไม่ว่าจะเป็นข้อมูลที่ติดป้ายกำกับ ข้อมูลที่ติดป้ายเอง (self-supervised) หรือข้อมูลจากสภาพแวดล้อมจริง หากไม่มีข้อมูลนำเข้า ระบบก็ไม่สามารถเรียนรู้อะไรใหม่ได้เลย
วิธีการเรียนรู้ AI ที่พบบ่อย
ปัจจุบัน โมเดล AI ส่วนใหญ่เรียนรู้ผ่านวิธีการดังต่อไปนี้:
การเรียนรู้แบบมีผู้สอน (Supervised Learning)
การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)
การเรียนรู้แบบติดป้ายเอง (Self-Supervised Learning)
การเรียนรู้แบบเสริมแรง (Reinforcement Learning - RL)
การเรียนรู้แบบเสริมแรงคือการสอนซอฟต์แวร์ตัวแทนให้รู้จักวิธีปฏิบัติตัวในสภาพแวดล้อมโดยแจ้งผลลัพธ์ของการกระทำของมัน
— วิกิพีเดีย
การเรียนรู้แบบกระจาย (Federated Learning)
สำหรับข้อมูลที่มีความละเอียดอ่อน เช่น ภาพทางการแพทย์ส่วนบุคคล Federated Learning ช่วยให้หลายอุปกรณ์ (หรือองค์กร) ร่วมกันฝึกโมเดลโดย ไม่ต้องแชร์ข้อมูลดิบ
- ส่งโมเดลกลางไปยังแต่ละอุปกรณ์
- ฝึกบนข้อมูลท้องถิ่นเท่านั้น
- แชร์เฉพาะการอัปเดตโมเดลกลับมา
- ข้อมูลดิบไม่เคยออกจากอุปกรณ์
การเรียนรู้แบบ Zero-Shot
ความสามารถของ AI ในการอนุมานแนวคิดใหม่โดยไม่ต้องมีตัวอย่างเฉพาะ โดยอาศัยความรู้กว้างที่ได้รับมาก่อน
- จดจำแนวคิดที่ไม่เคยเห็นมาก่อน
- ใช้ฐานความรู้เดิม
- ผ่านการฝึกบนชุดข้อมูลขนาดใหญ่
- ช่วยให้สามารถคิดวิเคราะห์แนวคิดใหม่ได้
โมเดล AI ถูกฝึกให้จดจำหรือจำแนกวัตถุ/แนวคิดที่ไม่เคยเห็นตัวอย่างมาก่อน
— IBM, นิยามการเรียนรู้แบบ Zero-Shot
สรุป: วิธีการทั้งหมดนี้แสดงให้เห็นว่า ไม่มีวิธีวิเศษที่ AI จะเรียนรู้ได้โดยไม่มีข้อมูล—ไม่ว่าจะในรูปแบบใดก็ตาม AI อาจลดการพึ่งพาข้อมูลที่ติดป้ายโดยมนุษย์หรือเรียนรู้จากประสบการณ์ แต่ไม่สามารถเรียนรู้จากความว่างเปล่าได้
แนวโน้มขั้นสูง: การเรียนรู้จาก "ประสบการณ์" แทนข้อมูลคงที่
นักวิจัยกำลังสำรวจวิธีที่ AI จะพึ่งพาข้อมูลที่มนุษย์จัดหาให้น้อยลง เช่น DeepMind เพิ่งเสนอโมเดล "streams" ในยุคของ "AI ที่เรียนรู้จากประสบการณ์" ซึ่ง AI เรียนรู้หลักจากการโต้ตอบกับโลกจริงแทนที่จะเป็นปัญหาและคำถามที่มนุษย์ออกแบบ
เราสามารถทำได้โดยอนุญาตให้ตัวแทนเรียนรู้อย่างต่อเนื่องจากประสบการณ์ของตัวเอง นั่นคือ ข้อมูลที่ตัวแทนสร้างขึ้นเองขณะโต้ตอบกับสภาพแวดล้อม… ประสบการณ์จะกลายเป็นวิธีหลักในการพัฒนา แซงหน้าข้อมูลที่มนุษย์จัดหาในปัจจุบัน
— งานวิจัย DeepMind อ้างอิงโดย VentureBeat
กล่าวอีกนัยหนึ่ง ในอนาคต AI จะสร้างข้อมูลของตัวเองผ่านการทดลอง สังเกต และปรับการกระทำ คล้ายกับวิธีที่มนุษย์เรียนรู้จากประสบการณ์จริง
ข้อมูลที่มนุษย์จัดหา
- ต้องใช้ชุดข้อมูลที่ติดป้ายกำกับ
- พึ่งพาความเชี่ยวชาญของมนุษย์
- จำกัดด้วยตัวอย่างที่มี
- วิธีการเรียนรู้แบบคงที่
ข้อมูลที่สร้างเอง
- สร้างความท้าทายของตัวเอง
- เรียนรู้จากผลตอบรับของสภาพแวดล้อม
- พัฒนาอย่างต่อเนื่อง
- วิธีการเรียนรู้แบบไดนามิก
น่าทึ่งที่แม้ไม่ใช้ข้อมูลฝึกภายนอก AZR ก็ทำงานได้ยอดเยี่ยมในงานคณิตศาสตร์และโปรแกรมมิ่ง แซงหน้าระบบที่ฝึกด้วยตัวอย่างติดป้ายหลายหมื่นตัวอย่าง แสดงให้เห็นว่า AI สามารถ สร้างชุดข้อมูลของตัวเอง โดยการตั้งคำถามและแก้ปัญหาอย่างต่อเนื่อง
ระบบการเรียนรู้อัตโนมัติ
นอกจาก AZR ยังมีงานวิจัยอื่นๆ ที่สำรวจ AI ที่ เรียนรู้อัตโนมัติ ระบบตัวแทนอัจฉริยะสามารถโต้ตอบกับซอฟต์แวร์และโลกเสมือนเพื่อสะสมข้อมูลจากประสบการณ์
- โต้ตอบกับเครื่องมือและเว็บไซต์
- เรียนรู้จากเกมจำลองสถานการณ์
- ตั้งเป้าหมายและรางวัลเอง
- พัฒนานิสัยอัตโนมัติ
ข้อสรุปสำคัญ
อย่างไรก็ตาม AI สามารถเรียนรู้น้อยลงจากข้อมูลที่มนุษย์จัดหา โดย:
- ใช้ข้อมูลที่ไม่มีป้ายกำกับ (การเรียนรู้แบบไม่มีผู้สอน)
- เรียนรู้จากผลตอบรับของสภาพแวดล้อม (การเรียนรู้แบบเสริมแรง)
- สร้างความท้าทายของตัวเอง (เช่น โมเดล AZR)
ผู้เชี่ยวชาญหลายคนเชื่อว่าในอนาคต AI จะเรียนรู้มากขึ้นจากประสบการณ์ที่สะสมเอง ทำให้ประสบการณ์กลายเป็น "ข้อมูล" หลักที่ช่วยพัฒนา AI
