ເປັນຫຍັງເຄືອຂ່າຍປະສາດທຽມ (Neural Networks) ຈຶ່ງລົ້ມເຫຼວໃນຊຸມປີ 1980: ປະຫວັດສາດຂອງ AI Winter
ເປັນຫຍັງເຄືອຂ່າຍປະສາດທຽມ (Neural Networks) ຈຶ່ງລົ້ມເຫຼວໃນຊຸມປີ 1980: ປະຫວັດສາດຂອງ AI Winter
ໃນທຸກມື້ນີ້, ບໍ່ວ່າເຮົາຈະເປີດໂທລະສັບມືຖື, ຫຼິ້ນອິນເຕີເນັດ, ຫຼື ແມ້ແຕ່ເບິ່ງການພັດທະນາທຸລະກິດໃໝ່ໆໃນປະເທດລາວ, ເຮົາມັກຈະໄດ້ຍິນຄຳວ່າ AI (Artificial Intelligence ຫຼື ປັນຍາປະດິດ) ຢູ່ສະເໝີ. ເຕັກໂນໂລຊີທີ່ຢູ່ເບື້ອງຫຼັງຄວາມສະຫຼາດເຫຼົ່ານີ້ແມ່ນສິ່ງທີ່ເອີ້ນວ່າ ເຄືອຂ່າຍປະສາດທຽມ ຫຼື Neural Networks (NN).
ແຕ່ທ່ານຮູ້ຫຼືບໍ່ວ່າ? ກ່ອນທີ່ AI ຈະກາຍເປັນເທຣນທີ່ປ່ຽນແປງໂລກຄືໃນທຸກມື້ນີ້, ມັນເຄີຍຖືກຖືວ່າເປັນ “ຄວາມລົ້ມເຫຼວ” ຢ່າງໜັກໃນຊ່ວງຊຸມປີ 1980s ເຊິ່ງນັກວິທະຍາສາດເອີ້ນຍຸກນັ້ນວ່າ “AI Winter” ຫຼື ລະດູໜາວຂອງ AI. ມື້ນີ້ພວກເຮົາຈະມາທຳຄວາມເຂົ້າໃຈກັນແບບງ່າຍໆວ່າ ມັນເກີດຫຍັງຂຶ້ນໃນຍຸກນັ້ນ ແລະ ເປັນຫຍັງເຕັກໂນໂລຊີນີ້ຈຶ່ງກັບມາປະສົບຜົນສຳເລັດໄດ້ໃນປັດຈຸບັນ.
ເຄືອຂ່າຍປະສາດທຽມ (Neural Networks) ແມ່ນຫຍັງກັນແທ້?
ສຳລັບຜູ້ທີ່ຫາກໍ່ເລີ່ມຕົ້ນ, ໃຫ້ລອງນຶກພາບເຖິງ “ສະໝອງຂອງຄົນເຮົາ”. ເຄືອຂ່າຍປະສາດທຽມ (Neural Network) ກໍຄືການພະຍາຍາມສ້າງໂປຣແກຣມຄອມພິວເຕີທີ່ສາມາດຮຽນຮູ້ແລະຄິດໄດ້ຄ້າຍຄືກັບສະໝອງຂອງມະນຸດ ໂດຍປະກອບດ້ວຍຈຸດນ້ອຍໆທີ່ເຊື່ອມຕໍ່ກັນ (Nodes) ເພື່ອປະມວນຜົນຂໍ້ມູນ.
ແທນທີ່ເຮົາຈະຂຽນຄຳສັ່ງບອກຄອມພິວເຕີທຸກຂັ້ນຕອນ ເຮົາພຽງແຕ່ປ້ອນ “ຕົວຢ່າງ” ໃຫ້ມັນເບິ່ງຫຼາຍໆຄັ້ງ. ຄືກັນກັບການສອນໃຫ້ເດັກນ້ອຍແຍກແຍະລະຫວ່າງລົດຕຸກຕຸກ ກັບ ລົດຈຳໂບ້ — ເມື່ອເດັກນ້ອຍເຫັນຫຼາຍໆຄັ້ງ ເຂົາເຈົ້າກໍຈະຈື່ແລະແຍກອອກເອງໄດ້. ສິ່ງນີ້ເອີ້ນວ່າ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (Machine Learning).
ຄວາມຄາດຫວັງອັນຍິ່ງໃຫຍ່ໃນຊຸມປີ 1980
ໃນຊ່ວງປີ 1980, ນັກວິທະຍາສາດທົ່ວໂລກຕື່ນເຕັ້ນກັບແນວຄິດຂອງ Neural Networks ຫຼາຍ. ເຂົາເຈົ້າເຊື່ອວ່າພາຍໃນບໍ່ເທົ່າໃດປີ, ໂລກນີ້ຈະມີຫຸ່ນຍົນອັດສະລິຍະ, ລະບົບແປພາສາທີ່ສົມບູນແບບ, ແລະ ຄອມພິວເຕີທີ່ສະຫຼາດກວ່າມະນຸດ… ແຕ່ຄວາມເປັນຈິງພັດແຕກຕ່າງກັນໂດຍສິ້ນເຊີງ.
3 ເຫດຜົນຫຼັກທີ່ເຮັດໃຫ້ Neural Networks ລົ້ມເຫຼວໃນຍຸກນັ້ນ
ມີເຫດຜົນສຳຄັນ 3 ຢ່າງທີ່ປຽບເໝືອນກຳແພງໃຫຍ່ທີ່ເຮັດໃຫ້ AI ໄປຕໍ່ບໍ່ໄດ້ໃນຍຸກນັ້ນ:
1. ຂໍ້ມູນບໍ່ພຽງພໍ (Lack of Data)
Neural Networks ຕ້ອງການ “ສະບຽງອາຫານ” ອັນມະຫາສານເພື່ອໃຊ້ໃນການຮຽນຮູ້, ເຊິ່ງອາຫານທີ່ວ່ານັ້ນກໍຄື “ຂໍ້ມູນ” (Data). ໃນຊຸມປີ 80s ໂລກຂອງພວກເຮົາຍັງບໍ່ມີອິນເຕີເນັດ, ບໍ່ມີສະມາດໂຟນ, ແລະ ບໍ່ມີໂຊຊ່ຽວມີເດຍ. ການເກັບຂໍ້ມູນແມ່ນເປັນເລື່ອງທີ່ຍາກລຳບາກຫຼາຍ.
- ຕົວຢ່າງໃຫ້ເຫັນພາບ: ລອງນຶກພາບວ່າເຮົາຕ້ອງການໃຫ້ AI ຄາດເດົາລະດັບນ້ຳຂອງໃນລະດູຝົນ ແຕ່ເຮົາມີຂໍ້ມູນການວັດແທກລະດັບນ້ຳພຽງແຕ່ 1 ມື້ເທົ່ານັ້ນ. ມັນເປັນໄປບໍ່ໄດ້ເລີຍທີ່ AI ຈະສາມາດຄາດເດົາໄດ້ຖືກຕ້ອງ.
2. ຄອມພິວເຕີກຳລັງປະມວນຜົນຕ່ຳເກີນໄປ (Lack of Computing Power)
ການຄິດໄລ່ຂອງ Neural Networks ແມ່ນຊັບຊ້ອນຫຼາຍ. ຄອມພິວເຕີໃນຍຸກ 80s ນັ້ນໃຫຍ່ເທົ່າກັບຕູ້ເຢັນ ແຕ່ມີຄວາມໄວໜ້ອຍກວ່າໂທລະສັບມືຖືຮຸ່ນເກົ່າໆທີ່ເຮົາໃຊ້ໂທເຂົ້າໂທອອກໃນປັດຈຸບັນຫຼາຍພັນເທົ່າ.
- ຕົວຢ່າງໃຫ້ເຫັນພາບ: ມັນຄືກັບການຂໍໃຫ້ຄົນໜຶ່ງໄປນັບຈຳນວນຄົນທີ່ມາທ່ຽວງານບຸນທາດຫຼວງທຸກຄົນ ໂດຍໃຫ້ໃຊ້ພຽງແຕ່ “ລູກຄິດ” ໃນການບວກເລກເທົ່ານັ້ນ. ມັນທັງຊ້າ ແລະ ບໍ່ມີທາງສຳເລັດໄດ້ທັນເວລາ.
3. ຂໍ້ຈຳກັດຂອງສູດຄຳນວນ (Flawed Algorithms)
ໃນຍຸກນັ້ນ, ວິທີການທີ່ນັກຄົ້ນຄວ້າໃຊ້ສອນ Neural Networks ຍັງບໍ່ສົມບູນແບບ. ເມື່ອມີການເພີ່ມຊັ້ນຂອງເຄືອຂ່າຍປະສາດ (Layers) ໃຫ້ເລິກຂຶ້ນເພື່ອແກ້ໄຂບັນຫາທີ່ຍາກຂຶ້ນ, ຂໍ້ມູນແລະສັນຍານການຮຽນຮູ້ຈະຄ່ອຍໆຈາງຫາຍໄປກ່ອນທີ່ຈະຮອດປາຍທາງ (ເຊິ່ງເອີ້ນວ່າບັນຫາ Vanishing Gradients).
- ຕົວຢ່າງໃຫ້ເຫັນພາບ: ປຽບເໝືອນການບອກຕໍ່ໜັງສື ຫຼື ຂໍ້ຄວາມສຳຄັນ ກະຊິບຜ່ານຄົນ 100 ຄົນທີ່ຢືນລຽນແຖວກັນຢູ່ກາງຕະຫຼາດເຊົ້າທີ່ມີສຽງດັງວົນວາຍ. ພໍໄປຮອດຄົນສຸດທ້າຍ, ຂໍ້ຄວາມນັ້ນກໍຜິດພ້ຽນ ຫຼື ຫາຍໄປໝົດແລ້ວ.
ລະດູໃບໄມ້ປົ່ງ: ການກັບມາຢ່າງຍິ່ງໃຫຍ່ຂອງ AI ຈົນເຖິງປັດຈຸບັນ
ຫຼັງຈາກຜ່ານຍຸກ “AI Winter” ທີ່ບໍ່ມີໃຜໃຫ້ທຶນສະໜັບສະໜູນການຄົ້ນຄວ້າໄປຫຼາຍສິບປີ, Neural Networks ກໍໄດ້ກັບມາຟື້ນຄືນຊີບອີກຄັ້ງໃນຊ່ວງປີ 2010s ຍ້ອນ 2 ປັດໄຈຫຼັກຄື:
- Big Data: ທຸກມື້ນີ້ເຮົາມີອິນເຕີເນັດ ມີຂໍ້ມູນມະຫາສານໃຫ້ AI ໄດ້ຮຽນຮູ້ທຸກໆວິນາທີ.
- GPU (Graphics Processing Unit): ຊິບຄອມພິວເຕີສຳລັບຫຼິ້ນເກມ ຖືກຄົ້ນພົບວ່າມີຄວາມສາມາດໃນການຄິດໄລ່ຄະນິດສາດຂອງ Neural Networks ໄດ້ໄວພິເສດ ເຮັດໃຫ້ການປະມວນຜົນທີ່ເຄີຍໃຊ້ເວລາເປັນປີ ຫຼຸດລົງເຫຼືອພຽງບໍ່ຈັກຊົ່ວໂມງ.
ຜົນກະທົບຕໍ່ປະເທດລາວ (Impact in Laos)
ໃນປັດຈຸບັນ, ເຕັກໂນໂລຊີທີ່ເຄີຍລົ້ມເຫຼວໃນອະດີດນີ້ ກຳລັງຊ່ວຍຂັບເຄື່ອນປະເທດລາວໃນຫຼາຍຊ່ອງທາງ:
- SMEs ແລະ ທຸລະກິດທ້ອງຖິ່ນ: ສາມາດໃຊ້ AI ເພື່ອວິເຄາະພຶດຕິກຳຂອງລູກຄ້າ ແລະ ຄາດເດົາສິນຄ້າທີ່ຈະຂາຍດີ.
- ການກະເສດອັດສະລິຍະ: ຊາວສວນກາເຟຢູ່ປາກຊ່ອງສາມາດໃຊ້ເຊັນເຊີເກັບຂໍ້ມູນສະພາບອາກາດ ແລະ ໃຊ້ Neural Networks ຄາດເດົາເວລາເກັບກ່ຽວທີ່ດີທີ່ສຸດ.
- ພາສາ ແລະ ວັດທະນະທຳ: ການພັດທະນາລະບົບ ແປພາສາລາວ (NLP/LLMs) ທີ່ກຳລັງເກັ່ງຂຶ້ນທຸກມື້ ຊ່ວຍທຳລາຍອຸປະສັກທາງດ້ານພາສາລະຫວ່າງລາວກັບສາກົນ.
- ການແກ້ໄຂບັນຫາຈະລາຈອນ: ລະບົບກ້ອງວົງຈອນປິດຕາມແຍກໄຟແດງໃນນະຄອນຫຼວງວຽງຈັນ ກໍສາມາດໃຊ້ AI ຊ່ວຍວິເຄາະຄວາມໜາແໜ້ນຂອງລົດໄດ້.
ຈຸດສຳຄັນທີ່ຄວນຈື່ (Key Takeaways)
- Neural Networks ຄືໂປຣແກຣມທີ່ຮຽນແບບການເຮັດວຽກຂອງສະໝອງຄົນ.
- AI Winter ຄືຍຸກໃນຊຸມປີ 1980 ທີ່ AI ບໍ່ໄດ້ຮັບຄວາມນິຍົມແລະຂາດການສະໜັບສະໜູນ.
- ສາເຫດຫຼັກຂອງຄວາມລົ້ມເຫຼວແມ່ນ: ຂາດຂໍ້ມູນ, ຄອມພິວເຕີບໍ່ແຮງພໍ, ແລະ ວິທີການຄຳນວນທີ່ຍັງອ່ອນແອ.
- ຄວາມສຳເລັດຂອງ AI ໃນປັດຈຸບັນເກີດຈາກໂລກນີ້ມີ ອິນເຕີເນັດ (Big Data) ແລະ ຊິບປະມວນຜົນທີ່ມີປະສິດທິພາບບູງ (GPUs).
ຫຼັງຈາກການລໍຖ້າອັນຍາວນານກວ່າ 3 ທົດສະວັດ, ການປະສົມປະສານລະຫວ່າງຂໍ້ມູນທີ່ລົ້ນເຫຼືອ ແລະ ພະລັງການປະມວນຜົນອັນມະຫາສານ ໄດ້ປຸກໃຫ້ເຄືອຂ່າຍປະສາດທຽມຕື່ນຂຶ້ນຈາກການຫຼັບໄຫຼ. ບົດຮຽນຈາກຍຸກ 1980 ສອນໃຫ້ພວກເຮົາຮູ້ວ່າ ເຕັກໂນໂລຊີທີ່ຍິ່ງໃຫຍ່ອາດຈະເບິ່ງຄືລົ້ມເຫຼວໃນຕອນເລີ່ມຕົ້ນ, ແຕ່ຖ້າແນວຄິດມັນຖືກຕ້ອງ, ມັນພຽງແຕ່ຕ້ອງການ “ເວລາ” ເພື່ອລໍຖ້າໃຫ້ອົງປະກອບທຸກຢ່າງພ້ອມເທົ່ານັ້ນ. ແລະ ໃນມື້ນີ້, ມັນໄດ້ພ້ອມແລ້ວທີ່ຈະຊ່ວຍແກ້ໄຂບັນຫາຕ່າງໆ, ບໍ່ວ່າຈະໃນລະດັບໂລກ ຫຼື ແມ້ກະທັ້ງໃນວິຖີຊີວິດປະຈຳວັນຂອງຄົນລາວເຮົາ.