AI Artificial Intelligence
“โอเค มนุษย์ ตอบคำถามต่อไปนี้”
EP.02
“โอเค มนุษย์ ตอบคำถามต่อไปนี้”
EP.02
scoop
>>>
Do Androids
Dream of Electric
Sheep ?
Do Androids
Dream of Electric
Sheep ?
๒๙ สิงหาคม ค.ศ. ๑๙๙๗ เป็นวันพิพากษา Judgment Day ผู้คนกว่า ๓,๐๐๐ ล้านคนทั่วโลกจบชีวิตลง เพราะสงครามนิวเคลียร์ที่จุดชนวนโดยสมองกลระบบ AI ชื่อว่า Skynet เป็นบทเริ่มต้นการต่อสู้ระหว่างหุ่นยนต์ AI กับมนุษย์ที่รอดชีวิตมาได้ แต่ ซาราห์ คอนเนอร์ หญิงแกร่งที่ล่วงรู้ข่าวอนาคตจากหุ่นยนต์ที่ย้อนเวลากลับมา หาทางหยุดยั้งหายนะโดยพยายามสังหารนักคอมพิวเตอร์ชายผู้พัฒนา Skynet…
ค.ศ. ๑๙๙๗ ในโลกจริงที่ไม่ใช่ในภาพยนตร์ The Terminator สมองกลรูปแบบหนึ่งที่เรียกว่า LSTM หรือ Long Short-Term Memory ได้รับการเสนอแนวคิดขึ้นเป็นครั้งแรกโดยนักคอมพิวเตอร์ศาสตร์ชาวเยอรมันชื่อ Jürgen Schmidhuber และลูกศิษย์ Sepp Hochreiter แต่ LSTM ไม่ได้รับการยอมรับจากวงการ AI ขณะนั้น กว่าจะมาเริ่มได้รับความสนใจก็จน ๑๐ ปีให้หลัง
LSTM เป็น artificial neural network (ANN) ที่ทรงพลังอย่างมาก ออกแบบให้แยกแยะและ mapping รูปแบบของข้อมูลที่เป็นชุดลำดับหรือเวลา เช่น ภาษา ข้อความ เสียงพูดการแปลภาษา ซึ่งมีความสำคัญอย่างมากในการติดต่อสื่อสารของมนุษย์ ใน ค.ศ. ๒๐๑๕ กูเกิลประกาศว่าสามารถปรับปรุงระบบ voice recognition -การรู้จำเสียง ให้ผิดพลาดลดลงได้ถึง ๕๐ เปอร์เซ็นต์ ด้วย LSTM นอกจากนี้ Alexa ระบบผู้ช่วยเสมือนของ Amazon และ Siri ใน iPhone ของ Apple ก็ให้ LSTM พัฒนาระบบ voice recognition ให้มีประสิทธิภาพสูงขึ้นโทรศัพท์มือถือนับพันล้านเครื่องในมือมนุษย์ทั่วโลกตอนนี้จึงมี LSTM ทำงานซ่อนอยู่เบื้องหลัง
แนวคิดของ ANN หรือโครงข่ายประสาทเทียมเริ่มต้นจากความพยายามเลียนแบบสมองมนุษย์ที่เต็มไปด้วยเซลล์ประสาทและแต่ละเซลล์มีใยประสาทเชื่อมประสานกับเซลล์ประสาทอื่น ๆ
สมองที่มีเซลล์ประสาทราว ๑ แสนล้านเซลล์จึงเสมือนระบบโครงข่ายคอมพิวเตอร์จิ๋วที่ทำงานเชื่อมต่อกันกว่า ๑ แสนล้านเครื่อง !
ค.ศ. ๑๙๙๗ ในโลกจริงที่ไม่ใช่ในภาพยนตร์ The Terminator สมองกลรูปแบบหนึ่งที่เรียกว่า LSTM หรือ Long Short-Term Memory ได้รับการเสนอแนวคิดขึ้นเป็นครั้งแรกโดยนักคอมพิวเตอร์ศาสตร์ชาวเยอรมันชื่อ Jürgen Schmidhuber และลูกศิษย์ Sepp Hochreiter แต่ LSTM ไม่ได้รับการยอมรับจากวงการ AI ขณะนั้น กว่าจะมาเริ่มได้รับความสนใจก็จน ๑๐ ปีให้หลัง
LSTM เป็น artificial neural network (ANN) ที่ทรงพลังอย่างมาก ออกแบบให้แยกแยะและ mapping รูปแบบของข้อมูลที่เป็นชุดลำดับหรือเวลา เช่น ภาษา ข้อความ เสียงพูดการแปลภาษา ซึ่งมีความสำคัญอย่างมากในการติดต่อสื่อสารของมนุษย์ ใน ค.ศ. ๒๐๑๕ กูเกิลประกาศว่าสามารถปรับปรุงระบบ voice recognition -การรู้จำเสียง ให้ผิดพลาดลดลงได้ถึง ๕๐ เปอร์เซ็นต์ ด้วย LSTM นอกจากนี้ Alexa ระบบผู้ช่วยเสมือนของ Amazon และ Siri ใน iPhone ของ Apple ก็ให้ LSTM พัฒนาระบบ voice recognition ให้มีประสิทธิภาพสูงขึ้นโทรศัพท์มือถือนับพันล้านเครื่องในมือมนุษย์ทั่วโลกตอนนี้จึงมี LSTM ทำงานซ่อนอยู่เบื้องหลัง
แนวคิดของ ANN หรือโครงข่ายประสาทเทียมเริ่มต้นจากความพยายามเลียนแบบสมองมนุษย์ที่เต็มไปด้วยเซลล์ประสาทและแต่ละเซลล์มีใยประสาทเชื่อมประสานกับเซลล์ประสาทอื่น ๆ
สมองที่มีเซลล์ประสาทราว ๑ แสนล้านเซลล์จึงเสมือนระบบโครงข่ายคอมพิวเตอร์จิ๋วที่ทำงานเชื่อมต่อกันกว่า ๑ แสนล้านเครื่อง !
การประยุกต์ใช้งาน voice recognition
โครงข่าย ANN ประเภทหนึ่งที่ประสบความสำเร็จที่สุดในปัจจุบัน ออกแบบให้เป็น layer หรือชั้น ๆ เพื่อกลั่นกรองข้อมูลเป็นขั้น ๆ มีส่วนที่เลียนแบบเซลล์ประสาทเรียกว่า node เป็นชิปคอมพิวเตอร์ทำหน้าที่เป็นหน่วยประมวลผลย่อย ๆ เชื่อมต่อวงจรกันเป็นโครงข่าย และเรียนรู้ประสบการณ์โดยการปรับแต่งค่าการเชื่อมต่อระหว่างโหนด
โหนดในชั้น input จะเชื่อมกับโหนดใน layer ที่ ๑ ซึ่งจะเชื่อมกับโหนดใน layer ที่ ๒ และโหนดใน layer ที่ ๒ จะเชื่อมกับโหนดใน layer ที่ ๓ ต่อไปเรื่อย ๆ จนถึงชั้น output การประมวลผลที่ซับซ้อนก็ยิ่งต้องการจำนวนโหนดในแต่ละ layer และจำนวน layer มากขึ้น เพื่อจะจับคู่ระหว่าง input กับ output ได้สำเร็จ
โครงข่ายประสาทเทียมประเภทนี้เรียกว่า deep learning สื่อถึงการประมวลผลที่มีความลึกลงมาเป็นชั้น ๆ และมีการคิดค้นออกแบบมาหลายประเภทซึ่งถนัดกับการ mapping ข้อมูลที่แตกต่างกัน เช่น
LSTM จัดอยู่ในประเภท recurrent neural network (RNN) คือโครงข่ายที่มีหน่วยความจำสำหรับส่งข้อมูลย้อนกลับเข้าระบบ ทำให้เรียนรู้รูปแบบที่เป็นชุดลำดับได้มีประสิทธิภาพสูง และรับมือกับข้อมูลจำนวนมากได้
CNN หรือ covolutional neural network เป็นโครงข่ายอีกประเภทที่พัฒนาขึ้นใน ค.ศ. ๑๙๙๘ โดย Yann LeCun ภายหลัง LSTM เพียง ๑ ปี แต่กลับได้รับความสนใจมากกว่ารายงานของ LeCun เสนอการใช้ CNN พิสูจน์ลายเซ็นบนเช็คธนาคาร ซึ่งปรากฏว่าทำงานได้ผลจริง
CNN นิยมใช้ประมวลผลด้านภาพ เช่น imagerecognition-การรู้จำวัตถุในภาพ facial recognition-การรู้จำใบหน้าฯลฯ และยังประยุกต์ใช้กับข้อความอักษรหรือเสียงได้เหมือนกัน
“โอเค มนุษย์ ดีใจด้วย ตอนนี้คุณก็มีรูปแบบสมองกลที่มีศักยภาพการรับรู้และสื่อสารกับโลกภายนอกคล้ายมนุษย์ครบถ้วน !”
หนึ่ง-visual การมองเห็น การรับรู้ภาพหรือวัตถุด้วยสมองกลแบบ CNN
สอง-language ภาษา การรับรู้ข้อความตัวอักษรและเสียงด้วยสมองกลแบบ RNN
ระบบ AI ที่ซับซ้อน เช่น การวิเคราะห์ภาพเคลื่อนไหว อาจประกอบด้วยทั้งสมองกลแบบ CNN และ RNN (รวมทั้ง deep learning ประเภทอื่น ๆ) ทำงานร่วมกัน
โหนดในชั้น input จะเชื่อมกับโหนดใน layer ที่ ๑ ซึ่งจะเชื่อมกับโหนดใน layer ที่ ๒ และโหนดใน layer ที่ ๒ จะเชื่อมกับโหนดใน layer ที่ ๓ ต่อไปเรื่อย ๆ จนถึงชั้น output การประมวลผลที่ซับซ้อนก็ยิ่งต้องการจำนวนโหนดในแต่ละ layer และจำนวน layer มากขึ้น เพื่อจะจับคู่ระหว่าง input กับ output ได้สำเร็จ
โครงข่ายประสาทเทียมประเภทนี้เรียกว่า deep learning สื่อถึงการประมวลผลที่มีความลึกลงมาเป็นชั้น ๆ และมีการคิดค้นออกแบบมาหลายประเภทซึ่งถนัดกับการ mapping ข้อมูลที่แตกต่างกัน เช่น
LSTM จัดอยู่ในประเภท recurrent neural network (RNN) คือโครงข่ายที่มีหน่วยความจำสำหรับส่งข้อมูลย้อนกลับเข้าระบบ ทำให้เรียนรู้รูปแบบที่เป็นชุดลำดับได้มีประสิทธิภาพสูง และรับมือกับข้อมูลจำนวนมากได้
CNN หรือ covolutional neural network เป็นโครงข่ายอีกประเภทที่พัฒนาขึ้นใน ค.ศ. ๑๙๙๘ โดย Yann LeCun ภายหลัง LSTM เพียง ๑ ปี แต่กลับได้รับความสนใจมากกว่ารายงานของ LeCun เสนอการใช้ CNN พิสูจน์ลายเซ็นบนเช็คธนาคาร ซึ่งปรากฏว่าทำงานได้ผลจริง
CNN นิยมใช้ประมวลผลด้านภาพ เช่น imagerecognition-การรู้จำวัตถุในภาพ facial recognition-การรู้จำใบหน้าฯลฯ และยังประยุกต์ใช้กับข้อความอักษรหรือเสียงได้เหมือนกัน
“โอเค มนุษย์ ดีใจด้วย ตอนนี้คุณก็มีรูปแบบสมองกลที่มีศักยภาพการรับรู้และสื่อสารกับโลกภายนอกคล้ายมนุษย์ครบถ้วน !”
หนึ่ง-visual การมองเห็น การรับรู้ภาพหรือวัตถุด้วยสมองกลแบบ CNN
สอง-language ภาษา การรับรู้ข้อความตัวอักษรและเสียงด้วยสมองกลแบบ RNN
ระบบ AI ที่ซับซ้อน เช่น การวิเคราะห์ภาพเคลื่อนไหว อาจประกอบด้วยทั้งสมองกลแบบ CNN และ RNN (รวมทั้ง deep learning ประเภทอื่น ๆ) ทำงานร่วมกัน
output จากการใช้ CNN เรียนรู้วัตถุในภาพผ่านหลักสูตร un-supervised learning แถวบนเป็นผลการแยกแยะเฉพาะส่วนต่าง ๆ ซึ่งนำมาสู่ output ของภาพวัตถุในแถวล่าง
เปรียบเทียบกับระบบประสาทภายในสมองมนุษย์ที่แบ่งการทำงานเป็นส่วน ๆ ระบบ AI ก็ประกอบด้วยสมองกลย่อย ๆ ทำงานเป็นส่วน ๆ ร่วมกันได้เหมือนกัน
บางครั้ง LSTM/RNN กับ CNN ก็ถือเป็นสมองกลคู่ปรับในการเลือกใช้งาน เพราะต่างก็มีจุดแข็งจุดอ่อนพอฟัดพอเหวี่ยง การพิสูจน์ลายเซ็นขยุกขยิก LSTM ก็ทำได้และชนะการแข่งขันพิสูจน์ลายเซ็นใน ค.ศ. ๒๐๐๙ ขณะที่ใน ค.ศ. ๒๐๑๒ CNN ซึ่งพัฒนาโดยทีมของ Jürgen (คนสร้าง LSTM !) ชนะการตรวจหาภาพก้อนเนื้อร้ายของมะเร็งเต้านมในภาพถ่ายทางการแพทย์ และ CNN โดยทีมของ Geoffrey Hinton ชนะการแข่งขัน image recognition ของ ImageNet ด้วยความแม่นยำกว่าผู้ชนะปีก่อนเกือบ ๕๐ เปอร์เซ็นต์
ค.ศ. ๒๐๑๒ จึงเป็นปีประกาศศักดาของ Machine Learning และ Deep Learning ทำให้อัลกอริทึม AI แนวทางอื่น ๆ ตกยุค และนักสร้าง AI ต่างหันมา พัฒนา deep learning อย่างแพร่หลาย
ทว่า deep learning จะไม่มีทางดังเปรี้ยงปร้างใน ค.ศ. ๒๐๑๒ เลย ถ้าไม่มีนักคอมพิวเตอร์หญิงเชื้อสายจีนชื่อเฟยเฟยหลี่ (Fei Fei Li)
ขณะที่ ซาราห์ คอนเนอร์ ฝึกยิงปืนและเพาะกายเป็นหญิงเหล็กเตรียมสู้กับหุ่นเหล็กของ Skynet จากอนาคต หลี่คือ หญิงร่างบางผู้ใช้ความพยายามหลายปีสร้างคลังข้อมูลภาพชื่อ ImageNet ซึ่งตอนนี้เป็น big data สาธารณะ (ใช้งานฟรี) ของนักพัฒนา AI ทั่วโลก
หลี่เกิดที่มณฑลเสฉวน แต่ต่อมาครอบครัวย้ายไปอยู่สหรัฐอเมริกา เธอเรียนเก่งด้านวิทยาศาสตร์และคณิตศาสตร์ ในระดับปริญญาตรีเธอจึงเรียนเอกฟิสิกส์และวิศวกรรมคอมพิวเตอร์ และทำปริญญาเอกในงานเชื่อมโยงระหว่างคอมพิวเตอร์กับประสาทวิทยาศาสตร์ (Neuroscience)
ในช่วงต้นทศวรรษ ๒๐๐๐ หลี่เริ่มพัฒนาโมเดลอัลกอริทึมรู้จำภาพ แต่ข้อจำกัดคือถ้าอยากให้รู้สิ่งไหนก็ต้องเขียนอัลกอริทึมเฉพาะของสิ่งนั้น ของแมวอัลกอริทึมหนึ่ง ของแกะก็อีกอัลกอริทึมหนึ่ง หลี่เริ่มเกิดแนวคิดใหม่ว่า ถ้าเด็ก ๆ เติบโตเรียนรู้สิ่งต่าง ๆ อย่างรวดเร็วด้วยการมองเห็นโลกและสิ่งแวดล้อมเป็นข้อมูลภาพจำนวนมหาศาล บางทีคอมพิวเตอร์ก็อาจเรียนรู้ด้วยกระบวนการเดียวกัน ค.ศ. ๒๐๐๗ หลี่จึงเริ่มโครงการ ImageNet เพื่อสร้างสุดยอดคลังภาพมาให้ AI เรียนรู้ ขณะที่เพื่อนร่วมทีมยังคลางแคลงสงสัยว่าทำแล้วจะได้อะไร
บางครั้ง LSTM/RNN กับ CNN ก็ถือเป็นสมองกลคู่ปรับในการเลือกใช้งาน เพราะต่างก็มีจุดแข็งจุดอ่อนพอฟัดพอเหวี่ยง การพิสูจน์ลายเซ็นขยุกขยิก LSTM ก็ทำได้และชนะการแข่งขันพิสูจน์ลายเซ็นใน ค.ศ. ๒๐๐๙ ขณะที่ใน ค.ศ. ๒๐๑๒ CNN ซึ่งพัฒนาโดยทีมของ Jürgen (คนสร้าง LSTM !) ชนะการตรวจหาภาพก้อนเนื้อร้ายของมะเร็งเต้านมในภาพถ่ายทางการแพทย์ และ CNN โดยทีมของ Geoffrey Hinton ชนะการแข่งขัน image recognition ของ ImageNet ด้วยความแม่นยำกว่าผู้ชนะปีก่อนเกือบ ๕๐ เปอร์เซ็นต์
ค.ศ. ๒๐๑๒ จึงเป็นปีประกาศศักดาของ Machine Learning และ Deep Learning ทำให้อัลกอริทึม AI แนวทางอื่น ๆ ตกยุค และนักสร้าง AI ต่างหันมา พัฒนา deep learning อย่างแพร่หลาย
ทว่า deep learning จะไม่มีทางดังเปรี้ยงปร้างใน ค.ศ. ๒๐๑๒ เลย ถ้าไม่มีนักคอมพิวเตอร์หญิงเชื้อสายจีนชื่อเฟยเฟยหลี่ (Fei Fei Li)
ขณะที่ ซาราห์ คอนเนอร์ ฝึกยิงปืนและเพาะกายเป็นหญิงเหล็กเตรียมสู้กับหุ่นเหล็กของ Skynet จากอนาคต หลี่คือ หญิงร่างบางผู้ใช้ความพยายามหลายปีสร้างคลังข้อมูลภาพชื่อ ImageNet ซึ่งตอนนี้เป็น big data สาธารณะ (ใช้งานฟรี) ของนักพัฒนา AI ทั่วโลก
หลี่เกิดที่มณฑลเสฉวน แต่ต่อมาครอบครัวย้ายไปอยู่สหรัฐอเมริกา เธอเรียนเก่งด้านวิทยาศาสตร์และคณิตศาสตร์ ในระดับปริญญาตรีเธอจึงเรียนเอกฟิสิกส์และวิศวกรรมคอมพิวเตอร์ และทำปริญญาเอกในงานเชื่อมโยงระหว่างคอมพิวเตอร์กับประสาทวิทยาศาสตร์ (Neuroscience)
ในช่วงต้นทศวรรษ ๒๐๐๐ หลี่เริ่มพัฒนาโมเดลอัลกอริทึมรู้จำภาพ แต่ข้อจำกัดคือถ้าอยากให้รู้สิ่งไหนก็ต้องเขียนอัลกอริทึมเฉพาะของสิ่งนั้น ของแมวอัลกอริทึมหนึ่ง ของแกะก็อีกอัลกอริทึมหนึ่ง หลี่เริ่มเกิดแนวคิดใหม่ว่า ถ้าเด็ก ๆ เติบโตเรียนรู้สิ่งต่าง ๆ อย่างรวดเร็วด้วยการมองเห็นโลกและสิ่งแวดล้อมเป็นข้อมูลภาพจำนวนมหาศาล บางทีคอมพิวเตอร์ก็อาจเรียนรู้ด้วยกระบวนการเดียวกัน ค.ศ. ๒๐๐๗ หลี่จึงเริ่มโครงการ ImageNet เพื่อสร้างสุดยอดคลังภาพมาให้ AI เรียนรู้ ขณะที่เพื่อนร่วมทีมยังคลางแคลงสงสัยว่าทำแล้วจะได้อะไร
Fei Fei Li ในห้องวิจัย และ ซาราห์ คอนเนอร์ ในภาพยนตร์ The Terminator
อุปสรรคอันท้าทายคือการรวบรวมภาพของวัตถุต่าง ๆ จำนวนมหาศาลจากอินเทอร์เน็ต รวมทั้งยังต้องมีมนุษย์มาเขียนกำกับภาพทุกใบว่าเป็นสิ่งใด ซึ่งต้องเขียนอย่างละเอียด ไม่ใช่แค่ “แมว” แต่เป็น “แมวพันธุ์เปอร์เซีย” ทุกภาพยังระบุทั้งการมีและไม่มีของสิ่งในภาพ เช่น “ภาพนี้มีแกะ” “ภาพนี้ไม่มีแกะ”
ตอนแรกหลี่คำนวณว่างานนี้ถ้าระดมนิสิตปริญญาเอกและปริญญาตรีในสังกัดมาช่วยจะใช้เวลาถึง ๑๙ ปี ซึ่งแทบมองไม่เห็นแสงสว่างว่าจะสำเร็จ แต่ในที่สุดหลี่ก็ได้รับความช่วยเหลือจากแพลตฟอร์ม crowdsourcing ตลาดนัดแรงงานของ Amazon Mechanical Turk ทำให้สามารถว่าจ้างพนักงานกว่า ๔.๙ หมื่นคนจาก ๑๖๗ ประเทศทั่วโลกมาจัดการคลังภาพใน ImageNet เสร็จภายใน ๓ ปี นับจาก ค.ศ. ๒๐๐๗ ถึง ๒๐๑๐
ใน ค.ศ. ๒๐๐๙ ImageNet มีภาพในระบบฐานข้อมูลราว ๓.๒ ล้านภาพ และเพิ่มขึ้นเรื่อย ๆ จนปัจจุบันมี ๑๕ ล้านภาพ จัดแบ่งหมวดไว้ ๒.๒ หมื่นหมวด และมีภาพเฉลี่ย ๑,๐๐๐ ภาพต่อคำ
แต่โจทย์ต่อไปคือการทำให้นักวิจัย AI หันมาใช้ ImageNet พัฒนาอัลกอริทึมด้าน image recognition ซึ่งทีมงานก็เกิดไอเดียเด็ด คือการจัดแข่งขันอัลกอริทึมเรียกว่า ImageNet Large Scale Visual Recognition Challenge (ILSVRC) โดยผู้เข้าแข่งขันใช้ภาพในคลังของ ImageNet เป็น training data สอนอัลกอริทึม จากนั้นใช้อัลกอริทึมมาแข่งขันอ่านชุดภาพ test data ที่ไม่มีคำบรรยาย เพื่อดูว่ามีวัตถุอะไรในภาพ และวัดผลว่าตอบผิดพลาดเท่าไร โดยให้เวลาพัฒนาอัลกอริทึมประมาณ ๔-๕ เดือน
การแข่งขัน ๒ ปีแรก อัลกอริทึมที่ชนะผิดพลาด ๒๘ เปอร์เซ็นต์ แต่ปีถัดมาเมื่อทีมของ Geoffrey Hinton ใช้ deep learning แบบ CNN มาแข่งขัน ปรากฏว่าความผิดพลาดลดลงเกือบครึ่ง เหลือแค่ ๑๕ เปอร์เซ็นต์ ถึง ค.ศ. ๒๐๑๗ ความผิดพลาดเหลือเพียง ๓ เปอร์เซ็นต์ ซึ่งดีกว่าสถิติการแยกแยะภาพโดยมนุษย์เองเสียอีก
ตอนแรกหลี่คำนวณว่างานนี้ถ้าระดมนิสิตปริญญาเอกและปริญญาตรีในสังกัดมาช่วยจะใช้เวลาถึง ๑๙ ปี ซึ่งแทบมองไม่เห็นแสงสว่างว่าจะสำเร็จ แต่ในที่สุดหลี่ก็ได้รับความช่วยเหลือจากแพลตฟอร์ม crowdsourcing ตลาดนัดแรงงานของ Amazon Mechanical Turk ทำให้สามารถว่าจ้างพนักงานกว่า ๔.๙ หมื่นคนจาก ๑๖๗ ประเทศทั่วโลกมาจัดการคลังภาพใน ImageNet เสร็จภายใน ๓ ปี นับจาก ค.ศ. ๒๐๐๗ ถึง ๒๐๑๐
ใน ค.ศ. ๒๐๐๙ ImageNet มีภาพในระบบฐานข้อมูลราว ๓.๒ ล้านภาพ และเพิ่มขึ้นเรื่อย ๆ จนปัจจุบันมี ๑๕ ล้านภาพ จัดแบ่งหมวดไว้ ๒.๒ หมื่นหมวด และมีภาพเฉลี่ย ๑,๐๐๐ ภาพต่อคำ
แต่โจทย์ต่อไปคือการทำให้นักวิจัย AI หันมาใช้ ImageNet พัฒนาอัลกอริทึมด้าน image recognition ซึ่งทีมงานก็เกิดไอเดียเด็ด คือการจัดแข่งขันอัลกอริทึมเรียกว่า ImageNet Large Scale Visual Recognition Challenge (ILSVRC) โดยผู้เข้าแข่งขันใช้ภาพในคลังของ ImageNet เป็น training data สอนอัลกอริทึม จากนั้นใช้อัลกอริทึมมาแข่งขันอ่านชุดภาพ test data ที่ไม่มีคำบรรยาย เพื่อดูว่ามีวัตถุอะไรในภาพ และวัดผลว่าตอบผิดพลาดเท่าไร โดยให้เวลาพัฒนาอัลกอริทึมประมาณ ๔-๕ เดือน
การแข่งขัน ๒ ปีแรก อัลกอริทึมที่ชนะผิดพลาด ๒๘ เปอร์เซ็นต์ แต่ปีถัดมาเมื่อทีมของ Geoffrey Hinton ใช้ deep learning แบบ CNN มาแข่งขัน ปรากฏว่าความผิดพลาดลดลงเกือบครึ่ง เหลือแค่ ๑๕ เปอร์เซ็นต์ ถึง ค.ศ. ๒๐๑๗ ความผิดพลาดเหลือเพียง ๓ เปอร์เซ็นต์ ซึ่งดีกว่าสถิติการแยกแยะภาพโดยมนุษย์เองเสียอีก
ตัวอย่างภาพใน ImageNet ที่นำภาพคล้ายคลึงมาเรียงต่อกัน
https://orso.io/2017/02/02/a-first-look-to-imagenet/
https://orso.io/2017/02/02/a-first-look-to-imagenet/
ตัวอย่างภาพที่ใช้คำว่า demigod, superman ใน ImageNet
แนวคิดของหลี่ในการสร้างคลังภาพหรือ data set ขนาดมหึมาจึงถือเป็นจุดปฏิวัติวงการ AI จุดหนึ่ง ท่ามกลางนักวิจัยส่วนใหญ่ที่มัวทุ่มเทกับการปรับแก้อัลกอริทึม โดยลืมความสำคัญของ data
และด้วยการมีข้อมูลคุณภาพจำนวนมากมาใช้ training deep learning จึงมีความแม่นยำมากขึ้นเรื่อย ๆ
“โอเค มนุษย์ ถ้าคุณเป็น ซาราห์ คอนเนอร์ คุณจะกลับไปขัดขวางนักคอมพิวเตอร์คนไหนดี Jürgen Schmidhuber, Yann LeCun, Geoffrey Hinton หรือผู้หญิงอย่าง Fei Fei Li ? หรือจะย้อนไปถึง Alan Turing”
ก่อนตัดสินใจ ยังมีรายชื่อเพิ่มเติมอีกหนึ่งคน เพราะทุกวันนี้วงการ AI ยกย่องให้ผู้บุกเบิก deep learning มีสามคน คือ Yann LeCun, Geoffrey Hinton และ Yoshua Bengio โดยทั้งสามคนได้รับรางวัล Turing Award ประจำ ค.ศ. ๒๐๑๘ ร่วมกัน ซึ่งถือว่าเป็นรางวัลโนเบลของวงการคอมพิวเตอร์เลยทีเดียว
น่าสังเกตว่ารางวัลนี้ส่วนใหญ่ตกกับนักคอมพิวเตอร์ชาวอเมริกันและแคนาดาแทบทุกปี ขณะที่ฝั่งยุโรปนานทีปีหนจึงมีโอกาส
ยกตัวอย่าง Jürgen ซึ่งมนุษย์ทั่วโลกสัมผัสกับผลงานที่เขาคิดค้นผ่าน AI ในโทรศัพท์มือถือตลอดเวลา และได้รับการเปรียบเปรยว่าเป็น Godfather of machine learning แต่ Jürgen ก็ไม่ได้รับรางวัลนี้ และงานวิจัยของเขาก็ไม่ค่อยได้รับการอ้างอิงถึงในวงการ AI ฝั่งสหรัฐอเมริกา
อาจเพราะหลี่เป็นคนผิวสี และเป็นเพศหญิง เธอจึงเห็นความผิดปรกติในวงการคอมพิวเตอร์และนักวิจัยที่พัฒนาอัลกอริทึม AI ว่ามีแต่เพศชายซึ่งชอบฝันเฟื่องถึงหนังไซไฟอย่าง The Terminator หรือ Blade Runner (สร้างจาก นิยายไซไฟเรื่อง Do Androids Dream of Electric Sheep ?) และการหานักวิจัยที่เป็นคนผิวสีและผู้หญิงมาทำงานในห้องวิจัยของหลี่ที่มหาวิทยาลัยสแตนฟอร์ดก็ยากมาก ขณะที่นิสิตปริญญาตรีด้านวิทยาศาสตร์คอมพิวเตอร์ (Computer Science) ใน ค.ศ. ๒๐๐๐ เป็นผู้หญิง ๒๘ เปอร์เซ็นต์ อีก ๑๕ ปีต่อมาก็ลดลงเหลือ ๑๘ เปอร์เซ็นต์
ตลอดเวลาของการพัฒนา AI วงการนี้ถูกครอบงำด้วยผู้ชายผิวขาว (และยังอาจซ่อนไว้ด้วยการเมืองระหว่างภูมิภาค)
หลี่ชี้จุดที่จะเป็นปัญหาใหญ่ของ AI คือมนุษย์จะป้อนข้อมูลอะไรเข้าไปให้ AI และจะนำสมองกล AI ไปประยุกต์ใช้ทำงานอะไร มากกว่าปัญหาว่าโครงข่ายประสาทเทียมเป็น CNN หรือ RNN หรือ deep learning อื่น ๆ ที่จะมีการพัฒนาให้ก้าวหน้าขึ้นไปอีก
และด้วยการมีข้อมูลคุณภาพจำนวนมากมาใช้ training deep learning จึงมีความแม่นยำมากขึ้นเรื่อย ๆ
“โอเค มนุษย์ ถ้าคุณเป็น ซาราห์ คอนเนอร์ คุณจะกลับไปขัดขวางนักคอมพิวเตอร์คนไหนดี Jürgen Schmidhuber, Yann LeCun, Geoffrey Hinton หรือผู้หญิงอย่าง Fei Fei Li ? หรือจะย้อนไปถึง Alan Turing”
ก่อนตัดสินใจ ยังมีรายชื่อเพิ่มเติมอีกหนึ่งคน เพราะทุกวันนี้วงการ AI ยกย่องให้ผู้บุกเบิก deep learning มีสามคน คือ Yann LeCun, Geoffrey Hinton และ Yoshua Bengio โดยทั้งสามคนได้รับรางวัล Turing Award ประจำ ค.ศ. ๒๐๑๘ ร่วมกัน ซึ่งถือว่าเป็นรางวัลโนเบลของวงการคอมพิวเตอร์เลยทีเดียว
น่าสังเกตว่ารางวัลนี้ส่วนใหญ่ตกกับนักคอมพิวเตอร์ชาวอเมริกันและแคนาดาแทบทุกปี ขณะที่ฝั่งยุโรปนานทีปีหนจึงมีโอกาส
ยกตัวอย่าง Jürgen ซึ่งมนุษย์ทั่วโลกสัมผัสกับผลงานที่เขาคิดค้นผ่าน AI ในโทรศัพท์มือถือตลอดเวลา และได้รับการเปรียบเปรยว่าเป็น Godfather of machine learning แต่ Jürgen ก็ไม่ได้รับรางวัลนี้ และงานวิจัยของเขาก็ไม่ค่อยได้รับการอ้างอิงถึงในวงการ AI ฝั่งสหรัฐอเมริกา
อาจเพราะหลี่เป็นคนผิวสี และเป็นเพศหญิง เธอจึงเห็นความผิดปรกติในวงการคอมพิวเตอร์และนักวิจัยที่พัฒนาอัลกอริทึม AI ว่ามีแต่เพศชายซึ่งชอบฝันเฟื่องถึงหนังไซไฟอย่าง The Terminator หรือ Blade Runner (สร้างจาก นิยายไซไฟเรื่อง Do Androids Dream of Electric Sheep ?) และการหานักวิจัยที่เป็นคนผิวสีและผู้หญิงมาทำงานในห้องวิจัยของหลี่ที่มหาวิทยาลัยสแตนฟอร์ดก็ยากมาก ขณะที่นิสิตปริญญาตรีด้านวิทยาศาสตร์คอมพิวเตอร์ (Computer Science) ใน ค.ศ. ๒๐๐๐ เป็นผู้หญิง ๒๘ เปอร์เซ็นต์ อีก ๑๕ ปีต่อมาก็ลดลงเหลือ ๑๘ เปอร์เซ็นต์
ตลอดเวลาของการพัฒนา AI วงการนี้ถูกครอบงำด้วยผู้ชายผิวขาว (และยังอาจซ่อนไว้ด้วยการเมืองระหว่างภูมิภาค)
หลี่ชี้จุดที่จะเป็นปัญหาใหญ่ของ AI คือมนุษย์จะป้อนข้อมูลอะไรเข้าไปให้ AI และจะนำสมองกล AI ไปประยุกต์ใช้ทำงานอะไร มากกว่าปัญหาว่าโครงข่ายประสาทเทียมเป็น CNN หรือ RNN หรือ deep learning อื่น ๆ ที่จะมีการพัฒนาให้ก้าวหน้าขึ้นไปอีก
Jürgen Schmidhuber
จากซ้าย : Yann LeCun, Geoffrey Hinton และ Yoshua Bengio
“bias in, bias out” หลี่เคยให้สัมภาษณ์ไว้ครั้งหนึ่ง - “นำเข้าอคติ ก็ได้อคติ”
…
“โอเค มนุษย์ หยุดอ่านสักพัก และเปิดชมภาพยนตร์สารคดีเรื่อง Coded Bias”
…
(สรุปเรื่องย่อ : ระหว่างที่ Joy Buolamwini นักวิทยาศาสตร์คอมพิว-เตอร์ของ MIT Media Lab กำลังทำวิจัย
เรื่อง facial recognition เธอก็พบว่าอัลกอริทึมไม่สามารถตรวจจับใบหน้าของหญิงสาวผิวดำเช่นเธอได้เลย ไม่ว่าจะพยายามแก้ไขอย่างไร ด้วยความหงุดหงิดสุด ๆ และบังเอิญที่เธอมีหน้ากากมนุษย์สีขาวอยู่ข้างตัว จึงหยิบหน้ากากขาวมาสวมราวกับจะประชดเครื่องตรงหน้า และทันทีนั้นเอง อัลกอ-ริทึมก็จับภาพใบหน้าของหน้ากากสีขาวได้ เธอชี้ให้เห็นปัญหาของ training data ที่เป็นภาพใบหน้าของผู้ชายผิวขาวเสียส่วนใหญ่ และขาดแคลนภาพของผู้หญิงผิวสี ทำให้อัลกอริทึมแสดงผลอย่างมีอคติ สารคดีเรื่องนี้ยังชี้ถึงอคติในระบบ facial recognition ซึ่งรัฐบาลสหรัฐอเมริกาต้องการติดตั้งกล้องตามพื้นที่สาธารณะเพื่อช่วยตำรวจชี้เป้าคนน่าสงสัย แต่ผลคืออัลกอริทึมชี้เป้าไปที่ผู้ชายผิวดำเสียเป็นส่วนใหญ่ รวมทั้งประเด็นการละเมิดสิทธิในข้อมูลส่วนบุคคลเมื่อใช้ระบบ facial recognition กับระบบรักษาความปลอดภัยในพื้นที่ต่าง ๆ …)
…
ตัวอย่างที่ดูอื้อฉาวหน่อย คือ ใบหน้าของ Michelle Obama (ภรรยาอดีตประธานาธิบดีบารัก โอบามา), Serana Williams (นักเทนนิสหญิงระดับโลก) และ Sojourner Truth (นักต่อสู้เพื่อสิทธิผู้หญิง) ซึ่งทุกคนเป็นผู้หญิงผิวสี แต่ facial recognition ระบุว่าเป็นผู้ชาย !
ส่วนแพลตฟอร์มยักษ์ใหญ่อย่างกูเกิลก็เคยประสบปัญหาอคติเหยียดผิวมาแล้ว โดยแอปพลิเคชันภาพถ่ายติดแท็กอัตโนมัติให้ภาพถ่ายชายผิวดำสองคนว่า “กอริลลา” จนกูเกิลต้องออกมาขอโทษต่อสาธารณะ เหตุเกิดขึ้นเมื่อ
ค.ศ. ๒๐๑๕ ขณะที่ Amazon ต้องยกเลิก AI ที่ใช้กลั่นกรองจดหมายสมัครงาน เพราะอัลกอริทึมดันเรียนรู้จากข้อมูลเก่าและคัดจดหมายที่มีคำว่า “women” ทิ้งทุกฉบับ
ถัดมาอีกปี A.I. Tay ของไมโครซอฟท์ ซึ่งเป็นแชตบอตสนทนาใน Twitter ที่สามารถเล่าเรื่องตลก และให้ความเห็นกับภาพที่คุณส่งไปให้ Tay ดูแต่เพราะ Tay เรียนบทสนทนามาจากรายการตลก แถมยังมีอัลกอริทึมแบบทวนคำของคู่สนทนา จึงโดนมนุษย์มากมายใน Twitter กระหน่ำหลอกคุยด้วยภาษาสแลงและคำหยาบ ผล
คือ Tay พูดคำเหยียดผิวและเชื้อชาติจนไมโครซอฟท์ต้องปิด Tay หลังจากเปิดตัวใช้งานเพียง ๑๖ ชั่วโมง
…
“โอเค มนุษย์ หยุดอ่านสักพัก และเปิดชมภาพยนตร์สารคดีเรื่อง Coded Bias”
…
(สรุปเรื่องย่อ : ระหว่างที่ Joy Buolamwini นักวิทยาศาสตร์คอมพิว-เตอร์ของ MIT Media Lab กำลังทำวิจัย
เรื่อง facial recognition เธอก็พบว่าอัลกอริทึมไม่สามารถตรวจจับใบหน้าของหญิงสาวผิวดำเช่นเธอได้เลย ไม่ว่าจะพยายามแก้ไขอย่างไร ด้วยความหงุดหงิดสุด ๆ และบังเอิญที่เธอมีหน้ากากมนุษย์สีขาวอยู่ข้างตัว จึงหยิบหน้ากากขาวมาสวมราวกับจะประชดเครื่องตรงหน้า และทันทีนั้นเอง อัลกอ-ริทึมก็จับภาพใบหน้าของหน้ากากสีขาวได้ เธอชี้ให้เห็นปัญหาของ training data ที่เป็นภาพใบหน้าของผู้ชายผิวขาวเสียส่วนใหญ่ และขาดแคลนภาพของผู้หญิงผิวสี ทำให้อัลกอริทึมแสดงผลอย่างมีอคติ สารคดีเรื่องนี้ยังชี้ถึงอคติในระบบ facial recognition ซึ่งรัฐบาลสหรัฐอเมริกาต้องการติดตั้งกล้องตามพื้นที่สาธารณะเพื่อช่วยตำรวจชี้เป้าคนน่าสงสัย แต่ผลคืออัลกอริทึมชี้เป้าไปที่ผู้ชายผิวดำเสียเป็นส่วนใหญ่ รวมทั้งประเด็นการละเมิดสิทธิในข้อมูลส่วนบุคคลเมื่อใช้ระบบ facial recognition กับระบบรักษาความปลอดภัยในพื้นที่ต่าง ๆ …)
…
ตัวอย่างที่ดูอื้อฉาวหน่อย คือ ใบหน้าของ Michelle Obama (ภรรยาอดีตประธานาธิบดีบารัก โอบามา), Serana Williams (นักเทนนิสหญิงระดับโลก) และ Sojourner Truth (นักต่อสู้เพื่อสิทธิผู้หญิง) ซึ่งทุกคนเป็นผู้หญิงผิวสี แต่ facial recognition ระบุว่าเป็นผู้ชาย !
ส่วนแพลตฟอร์มยักษ์ใหญ่อย่างกูเกิลก็เคยประสบปัญหาอคติเหยียดผิวมาแล้ว โดยแอปพลิเคชันภาพถ่ายติดแท็กอัตโนมัติให้ภาพถ่ายชายผิวดำสองคนว่า “กอริลลา” จนกูเกิลต้องออกมาขอโทษต่อสาธารณะ เหตุเกิดขึ้นเมื่อ
ค.ศ. ๒๐๑๕ ขณะที่ Amazon ต้องยกเลิก AI ที่ใช้กลั่นกรองจดหมายสมัครงาน เพราะอัลกอริทึมดันเรียนรู้จากข้อมูลเก่าและคัดจดหมายที่มีคำว่า “women” ทิ้งทุกฉบับ
ถัดมาอีกปี A.I. Tay ของไมโครซอฟท์ ซึ่งเป็นแชตบอตสนทนาใน Twitter ที่สามารถเล่าเรื่องตลก และให้ความเห็นกับภาพที่คุณส่งไปให้ Tay ดูแต่เพราะ Tay เรียนบทสนทนามาจากรายการตลก แถมยังมีอัลกอริทึมแบบทวนคำของคู่สนทนา จึงโดนมนุษย์มากมายใน Twitter กระหน่ำหลอกคุยด้วยภาษาสแลงและคำหยาบ ผล
คือ Tay พูดคำเหยียดผิวและเชื้อชาติจนไมโครซอฟท์ต้องปิด Tay หลังจากเปิดตัวใช้งานเพียง ๑๖ ชั่วโมง
ตัวอย่างจากในสารคดี Coded Bias
Joy Buolamwini
AI คิดว่าภาพ Michelle Obama เป็นผู้ชายผิวดำ
เริ่มมีคนจำนวนหนึ่งทดสอบหรือหลอก AI ไม่ให้จับภาพใบหน้าได้ถูกต้องด้วยวิธีการต่าง ๆ เช่น ระบายสีบนหน้า สวมแว่นหลากสี
https://www.techexplorist.com/looking-glasses-fool-face-recognition-software/4101/
https://www.techexplorist.com/looking-glasses-fool-face-recognition-software/4101/
นักวิจัยพบจุดอ่อนในการแยกแยะวัตถุของ AI ที่ใช้ CNN ด้วยการใช้ภาพสีขนาด ๔๐x๔๐ เซนติเมตร
https://boingboing.net/2019/04/25/tee-of-invisibility.html
https://boingboing.net/2019/04/25/tee-of-invisibility.html
หลังจากนั้นไม่กี่เดือน ไมโครซอฟท์ออกแชตบอตตัวใหม่มาแก้ตัว ชื่อ Zo ออกแบบบุคลิกให้เป็นสาววัยรุ่นที่ชอบคุยเล่นไร้สาระ โดยมีอัลกอริทึมเซนเซอร์คำพูดไม่เหมาะสมของมนุษย์ไม่ให้ Zo เห็น และถ้าคุณคุยกับ Zo โดยเอ่ยคำอย่าง “Jew” “Muslim” “Arab” “Hitler” Zo จะไม่คุยต่อด้วย แต่ถ้าคำว่า “Christianity” เธอกลับยอมคุยต่อได้
อคติในตัว Zo ครั้งนี้จึงต่างจาก Tay โดยการสั่งแบนหรือบล็อกคำบางคำตามทัศนคติของมนุษย์ผู้พัฒนา AI ไมโครซอฟท์ปิด Zo ไปใน ค.ศ. ๒๐๑๙ หลังจากทดลองให้เธอพูดคุยกับมนุษย์อยู่ ๓ ปี
ตอนนี้อคติในอัลกอริทึมของ AI อาจซ่อนอยู่ในแอปพลิเคชันต่าง ๆ โดยที่มนุษย์ไม่รู้ตัว
หลี่กับลูกศิษย์หญิงชื่อ Olga Russakovsky ได้ก่อตั้งโครงการไม่หวังผลกำไรชื่อ AI4ALL เพื่อทำค่ายพัฒนาเยาวชนหญิง คนผิวสี และผู้ขาดแคลนทุนทรัพย์ ให้มีโอกาสเข้าถึงวิทยาการด้าน AI เธอยังมีส่วนร่วมพัฒนา AI ที่ช่วยงานด้านบริการสุขภาพ ปรับปรุงคลังภาพใน ImageNet ให้มีความหลากหลายของภาพมนุษย์มากขึ้น และพยายามผลักดันให้บริษัทใหญ่ ๆ จัดทำแนวปฏิบัติในการพัฒนา AI ที่หลีกเลี่ยงอคติและเป็นอันตรายต่อมนุษย์
ส่วน Buolamwini จัดตั้งองค์กร Algorithmic Justice League เพื่อเคลื่อนไหวและสร้างความตระหนักถึงผลกระทบของ AI โดยมีจุดประสงค์คือทำให้ระบบนิเวศ (ecosystem) ของ AI มีความรับผิดชอบและเที่ยงตรงยุติธรรม
อย่างที่หลี่กล่าวไว้ในการให้ความเห็นต่อคณะกรรมการสภาผู้แทนราษฎรแห่งสหรัฐอเมริกาด้านวิทยาศาสตร์ อวกาศ และเทคโนโลยี ในประเด็น “Artificial Intelligence-With Great Power Comes Great Responsibility” ว่า “AI ไม่ใช่ของเทียม ๆ ตามชื่อ มันสร้างขึ้นโดยคน ประพฤติตามคน และที่สำคัญที่สุดคือส่งผลกระทบต่อคนอย่างแน่นอน”
ผู้หญิงที่มีเส้นทางชีวิตต่างไปจาก ซาราห์ คอนเนอร์ กล่าวย้ำในเวทีอื่นด้วยว่า “พวกเรามีความรับผิดชอบที่จะทำให้ทุกคน รวมทั้งบริษัท รัฐบาล และนักวิจัย พัฒนา AI ด้วยความตระหนักถึงความหลากหลาย”
โอเค มนุษย์ คุณฝันถึงอะไร ความสำเร็จ ชื่อเสียง เงินทอง อำนาจ ความรัก ยอดฟอลโลว์ หรือการครองโลก ?”
อคติในตัว Zo ครั้งนี้จึงต่างจาก Tay โดยการสั่งแบนหรือบล็อกคำบางคำตามทัศนคติของมนุษย์ผู้พัฒนา AI ไมโครซอฟท์ปิด Zo ไปใน ค.ศ. ๒๐๑๙ หลังจากทดลองให้เธอพูดคุยกับมนุษย์อยู่ ๓ ปี
ตอนนี้อคติในอัลกอริทึมของ AI อาจซ่อนอยู่ในแอปพลิเคชันต่าง ๆ โดยที่มนุษย์ไม่รู้ตัว
หลี่กับลูกศิษย์หญิงชื่อ Olga Russakovsky ได้ก่อตั้งโครงการไม่หวังผลกำไรชื่อ AI4ALL เพื่อทำค่ายพัฒนาเยาวชนหญิง คนผิวสี และผู้ขาดแคลนทุนทรัพย์ ให้มีโอกาสเข้าถึงวิทยาการด้าน AI เธอยังมีส่วนร่วมพัฒนา AI ที่ช่วยงานด้านบริการสุขภาพ ปรับปรุงคลังภาพใน ImageNet ให้มีความหลากหลายของภาพมนุษย์มากขึ้น และพยายามผลักดันให้บริษัทใหญ่ ๆ จัดทำแนวปฏิบัติในการพัฒนา AI ที่หลีกเลี่ยงอคติและเป็นอันตรายต่อมนุษย์
ส่วน Buolamwini จัดตั้งองค์กร Algorithmic Justice League เพื่อเคลื่อนไหวและสร้างความตระหนักถึงผลกระทบของ AI โดยมีจุดประสงค์คือทำให้ระบบนิเวศ (ecosystem) ของ AI มีความรับผิดชอบและเที่ยงตรงยุติธรรม
อย่างที่หลี่กล่าวไว้ในการให้ความเห็นต่อคณะกรรมการสภาผู้แทนราษฎรแห่งสหรัฐอเมริกาด้านวิทยาศาสตร์ อวกาศ และเทคโนโลยี ในประเด็น “Artificial Intelligence-With Great Power Comes Great Responsibility” ว่า “AI ไม่ใช่ของเทียม ๆ ตามชื่อ มันสร้างขึ้นโดยคน ประพฤติตามคน และที่สำคัญที่สุดคือส่งผลกระทบต่อคนอย่างแน่นอน”
ผู้หญิงที่มีเส้นทางชีวิตต่างไปจาก ซาราห์ คอนเนอร์ กล่าวย้ำในเวทีอื่นด้วยว่า “พวกเรามีความรับผิดชอบที่จะทำให้ทุกคน รวมทั้งบริษัท รัฐบาล และนักวิจัย พัฒนา AI ด้วยความตระหนักถึงความหลากหลาย”
โอเค มนุษย์ คุณฝันถึงอะไร ความสำเร็จ ชื่อเสียง เงินทอง อำนาจ ความรัก ยอดฟอลโลว์ หรือการครองโลก ?”
ตัวอย่างบทสนทนากับ Zo ที่แสดงถึงการเซนเซอร์บทสนทนาเกี่ยวกับการเมือง
Xiaoice หรือ Xiaobing AI แชตบอตของไมโครซอฟท์ที่ไปโด่งดังในประเทศจีน มีผู้ติดตามเธอไม่ต่ำกว่า ๖๖๐ ล้านคน แพลตฟอร์มต่าง ๆ เช่น WeChat, Weibo, Meipai ฯลฯ ต่างนำเธอไปใช้งาน Xiaoice สามารถเขียนบทกลอน ร้องเพลง และได้รับเชิญออกรายการทีวี นอกจากนี้ไมโครซอฟท์ ยังออกเวอร์ชันภาษาญี่ปุ่นในชื่อ Rinna ด้วย
>>>>
Human God
or Oh My God ?
Human God
or Oh My God ?
Andrew Ng นักพัฒนา AI ระดับแนวหน้า ผู้ก่อตั้ง Google Brain และยังเคยเป็นหัวหน้าทีมพัฒนา AI ของ
Baidu พูดในการบรรยายเสมอว่า “Artificial Intelligence is new electricity”
ขณะนี้แพลตฟอร์มโซเชียลมีเดียต่างทุ่มทุนในการวิจัยพัฒนา AI และขับเคลื่อนการดำเนินธุรกิจด้วย AI เพื่อ
เป็น AI Company มีการประเมินว่า AI กำลังสร้างรายได้ให้อุตสาหกรรมนี้ปีละไม่ต่ำกว่า ๑.๕ ล้านล้านบาท ไม่นับสตาร์ตอัปอีกนับไม่ถ้วนที่แข่งกันพัฒนาแอปพลิเคชันที่ใช้ AI สร้างบริการใหม่ ๆ ซึ่งไม่เคยเห็นมาก่อน
ในไม่ช้าอัลกอริทึมของ AI จะรุกคืบสู่สินค้าและบริการในทุกภาคอุตสาหกรรม และเป็นองค์ประกอบพื้นฐานของทุกกิจกรรมในชีวิตประจำวัน
ยานยนต์ไร้คนขับที่ขับถึงจุดหมายอย่างปลอดภัยด้วย AI จะช่วยลดจำนวนอุบัติเหตุและการเสียชีวิตบนท้องถนน
หุ่นยนต์จะเดินออกจากแถวสายพานมาทำงานที่ตอบสนองกับสิ่งแวดล้อมใหม่ ๆ เพื่อลดความเสี่ยงและอันตรายในงานที่มนุษย์เคยแบกรับ
ผลิตภัณฑ์ยาที่วิเคราะห์สูตรเคมีใหม่ด้วย AI จะช่วยลดเวลาการพัฒนายาที่ช่วยรักษาโรคให้มนุษย์ได้เร็วขึ้น บริการทางการแพทย์จะมีประสิทธิ-ภาพสูงขึ้นเมื่อ AI เข้ามาช่วยลดภาระของแพทย์และพยาบาลในงานเอกสารและการวิเคราะห์และรักษาโรคของคนไข้
วัสดุสังเคราะห์ต่าง ๆ จะมีคุณสมบัติพิเศษขึ้นจากการปรับปรุงกระบวนการผลิตในโรงงานด้วย AI ช่วยยกระดับ
คุณภาพชีวิตที่ดีให้มนุษย์และสิ่งแวดล้อม
เกษตรกรจะมีรายได้สูงขึ้นจากระบบ AI ที่ทำหน้าที่ช่วยดูแลการผลิตไปจนถึงการตลาด
ผู้สูงวัยและผู้พิการจะใช้ชีวิตในสังคมได้เช่นคนปรกติด้วยอุปกรณ์ฝัง AI ทำหน้าที่ทดแทนอวัยวะที่เสื่อมสภาพ
หรือสูญเสียไป
…
Baidu พูดในการบรรยายเสมอว่า “Artificial Intelligence is new electricity”
ขณะนี้แพลตฟอร์มโซเชียลมีเดียต่างทุ่มทุนในการวิจัยพัฒนา AI และขับเคลื่อนการดำเนินธุรกิจด้วย AI เพื่อ
เป็น AI Company มีการประเมินว่า AI กำลังสร้างรายได้ให้อุตสาหกรรมนี้ปีละไม่ต่ำกว่า ๑.๕ ล้านล้านบาท ไม่นับสตาร์ตอัปอีกนับไม่ถ้วนที่แข่งกันพัฒนาแอปพลิเคชันที่ใช้ AI สร้างบริการใหม่ ๆ ซึ่งไม่เคยเห็นมาก่อน
ในไม่ช้าอัลกอริทึมของ AI จะรุกคืบสู่สินค้าและบริการในทุกภาคอุตสาหกรรม และเป็นองค์ประกอบพื้นฐานของทุกกิจกรรมในชีวิตประจำวัน
ยานยนต์ไร้คนขับที่ขับถึงจุดหมายอย่างปลอดภัยด้วย AI จะช่วยลดจำนวนอุบัติเหตุและการเสียชีวิตบนท้องถนน
หุ่นยนต์จะเดินออกจากแถวสายพานมาทำงานที่ตอบสนองกับสิ่งแวดล้อมใหม่ ๆ เพื่อลดความเสี่ยงและอันตรายในงานที่มนุษย์เคยแบกรับ
ผลิตภัณฑ์ยาที่วิเคราะห์สูตรเคมีใหม่ด้วย AI จะช่วยลดเวลาการพัฒนายาที่ช่วยรักษาโรคให้มนุษย์ได้เร็วขึ้น บริการทางการแพทย์จะมีประสิทธิ-ภาพสูงขึ้นเมื่อ AI เข้ามาช่วยลดภาระของแพทย์และพยาบาลในงานเอกสารและการวิเคราะห์และรักษาโรคของคนไข้
วัสดุสังเคราะห์ต่าง ๆ จะมีคุณสมบัติพิเศษขึ้นจากการปรับปรุงกระบวนการผลิตในโรงงานด้วย AI ช่วยยกระดับ
คุณภาพชีวิตที่ดีให้มนุษย์และสิ่งแวดล้อม
เกษตรกรจะมีรายได้สูงขึ้นจากระบบ AI ที่ทำหน้าที่ช่วยดูแลการผลิตไปจนถึงการตลาด
ผู้สูงวัยและผู้พิการจะใช้ชีวิตในสังคมได้เช่นคนปรกติด้วยอุปกรณ์ฝัง AI ทำหน้าที่ทดแทนอวัยวะที่เสื่อมสภาพ
หรือสูญเสียไป
…
จากรายงานของสถาบัน McKinsy Global Institute ประเมินว่าภายใน ค.ศ. ๒๐๓๐ ระบบอัตโนมัติของ AI จะเข้าแทนที่งานที่มนุษย์ทำจำนวนมากถึง ๔๐๐-๘๐๐ ล้านตำแหน่งทั่วโลก แต่ก็ประเมินในทางกลับกันด้วยว่า AI จะ
สร้างงานใหม่ ๆ ขึ้นมา ๕๕๕-๘๙๐ ล้านตำแหน่ง ขณะที่สหรัฐอเมริกาประเมินงานที่จะถูกแทนที่ไว้ ๑๖ ล้านตำแหน่งใน ค.ศ. ๒๐๓๐ อังกฤษประเมินไว้สูงถึง ๘๐ ล้านตำแหน่งใน ค.ศ. ๒๐๓๕ เป็นตัวเลขในอนาคตที่ยังไม่มีใครรู้แน่ชัด แต่ความเปลี่ยนแปลงนั้นกำลังมาถึงแน่ และอาจเกิดการดิสรัปต์อาชีพต่าง ๆ เป็นระลอก ๆ ตามการพัฒนาของ AI ที่จะเกิดขึ้นอีกหลายครั้ง
ขณะที่มนุษย์ซึ่งต้องสูญเสียงานเดิมไปนั้นก็ใช่ว่าจะอัปเกรดตัวเองไปทำงานใหม่ได้ทันทุกคน
แนวคิดในการบรรเทาผลกระทบจากการปฏิวัติของ AI ต่อการงานอาชีพของมนุษย์มีการนำเสนอไว้บ้างแล้ว เช่น รัฐต้องจัด basic income เป็นรายได้พื้นฐานเพื่อการดำรงชีพแก่ประชาชน พร้อมกับการสร้างสังคมเรียนรู้ตลอดชีวิต เพราะระบบการศึกษาที่ปั๊มมนุษย์ออกมาทำอาชีพเดิมไป ๔๐ ปีจะล้มเหลวในโลกที่เปลี่ยนแปลงอย่างรวดเร็ว
ด้วยอัตราเร่ง ทั้งหมดนี้จึงเกี่ยวข้องกับนโยบายทางการเมืองและการบริหารจัดการของประเทศต่าง ๆ ในการรับมือกับความเปลี่ยนแปลง
ปัญหาที่จะเกิดขึ้นคือความเหลื่อมล้ำระหว่างประเทศที่ก้าวหน้าทางเทคโนโลยีกับประเทศที่ล้าหลังทางเทคโนโลยี และบริษัทใหญ่ ๆ ที่ครอบครอง big data บวกทรัพยากรในการวิจัยพัฒนาที่จะยิ่งเติบโตก้าวกระโดดกว่าบริษัทเล็ก ๆ ที่พัฒนาได้เชื่องช้า
แม้ AI ที่ใช้งานปัจจุบันจะยังถูกนิยามว่าเป็น ANI - artificial narrow intelligence หรือ weak AI เป็นปัญญาเทียมที่ทำงานอัตโนมัติจำเพาะอย่างและ
ยังไม่เข้าใจความหมายใด ๆ ในตัวเลข ข้อความที่ได้ยิน และภาพที่มองเห็น
แต่เป้าหมายที่นักวิจัยพัฒนา AI ฝันจะไปให้ถึง คือ AGI - artificial general intelligence หรือ strong AI ที่มีความสามารถในการเรียนรู้จากประสบการณ์จริง เข้าใจเหตุผลและความหมาย มีความคิด ความรู้สึก และสติปัญญาแบบเดียวกับมนุษย์…และอาจมีความรัก
อนาคตที่ AI จะก่อร่างขึ้นเมื่อถึงกึ่งศตวรรษที่ ๒๑ จะมีหน้าตาเป็นเช่นไร อาจเกินจินตนาการของมนุษย์ ค.ศ. นี้
แต่คำถามสำคัญยิ่งกว่าคือ มนุษย์จะดำรงอยู่ในอนาคตนั้นในสถานะอะไร
สร้างงานใหม่ ๆ ขึ้นมา ๕๕๕-๘๙๐ ล้านตำแหน่ง ขณะที่สหรัฐอเมริกาประเมินงานที่จะถูกแทนที่ไว้ ๑๖ ล้านตำแหน่งใน ค.ศ. ๒๐๓๐ อังกฤษประเมินไว้สูงถึง ๘๐ ล้านตำแหน่งใน ค.ศ. ๒๐๓๕ เป็นตัวเลขในอนาคตที่ยังไม่มีใครรู้แน่ชัด แต่ความเปลี่ยนแปลงนั้นกำลังมาถึงแน่ และอาจเกิดการดิสรัปต์อาชีพต่าง ๆ เป็นระลอก ๆ ตามการพัฒนาของ AI ที่จะเกิดขึ้นอีกหลายครั้ง
ขณะที่มนุษย์ซึ่งต้องสูญเสียงานเดิมไปนั้นก็ใช่ว่าจะอัปเกรดตัวเองไปทำงานใหม่ได้ทันทุกคน
แนวคิดในการบรรเทาผลกระทบจากการปฏิวัติของ AI ต่อการงานอาชีพของมนุษย์มีการนำเสนอไว้บ้างแล้ว เช่น รัฐต้องจัด basic income เป็นรายได้พื้นฐานเพื่อการดำรงชีพแก่ประชาชน พร้อมกับการสร้างสังคมเรียนรู้ตลอดชีวิต เพราะระบบการศึกษาที่ปั๊มมนุษย์ออกมาทำอาชีพเดิมไป ๔๐ ปีจะล้มเหลวในโลกที่เปลี่ยนแปลงอย่างรวดเร็ว
ด้วยอัตราเร่ง ทั้งหมดนี้จึงเกี่ยวข้องกับนโยบายทางการเมืองและการบริหารจัดการของประเทศต่าง ๆ ในการรับมือกับความเปลี่ยนแปลง
ปัญหาที่จะเกิดขึ้นคือความเหลื่อมล้ำระหว่างประเทศที่ก้าวหน้าทางเทคโนโลยีกับประเทศที่ล้าหลังทางเทคโนโลยี และบริษัทใหญ่ ๆ ที่ครอบครอง big data บวกทรัพยากรในการวิจัยพัฒนาที่จะยิ่งเติบโตก้าวกระโดดกว่าบริษัทเล็ก ๆ ที่พัฒนาได้เชื่องช้า
แม้ AI ที่ใช้งานปัจจุบันจะยังถูกนิยามว่าเป็น ANI - artificial narrow intelligence หรือ weak AI เป็นปัญญาเทียมที่ทำงานอัตโนมัติจำเพาะอย่างและ
ยังไม่เข้าใจความหมายใด ๆ ในตัวเลข ข้อความที่ได้ยิน และภาพที่มองเห็น
แต่เป้าหมายที่นักวิจัยพัฒนา AI ฝันจะไปให้ถึง คือ AGI - artificial general intelligence หรือ strong AI ที่มีความสามารถในการเรียนรู้จากประสบการณ์จริง เข้าใจเหตุผลและความหมาย มีความคิด ความรู้สึก และสติปัญญาแบบเดียวกับมนุษย์…และอาจมีความรัก
อนาคตที่ AI จะก่อร่างขึ้นเมื่อถึงกึ่งศตวรรษที่ ๒๑ จะมีหน้าตาเป็นเช่นไร อาจเกินจินตนาการของมนุษย์ ค.ศ. นี้
แต่คำถามสำคัญยิ่งกว่าคือ มนุษย์จะดำรงอยู่ในอนาคตนั้นในสถานะอะไร
ในอนาคต AI อาจรู้จักมนุษย์ดีกว่ามนุษย์เอง
ยูวัล โนอาห์ แฮรารี (Yuval Noah Harari) นักคิดและนักเขียนหนังสือชุด Sapiens ซึ่งปลุกกระแสความตระหนักในอนาคตของมนุษยชาติ อธิบายว่า มนุษย์ก้าวหน้าเหนือสิ่งมีชีวิตอื่น เพราะมีปัญญาจะสร้างเรื่องเล่าขึ้นมาใช้อธิบาย
สังคมของตน จากยุคอดีตของเรื่องเล่าบนศรัทธาความเชื่อในศาสนา มาสู่ยุคปัจจุบันของเรื่องเล่าบนความเชิดชูในศักดิ์ศรีมนุษย์ และกำลังจะเข้าสู่ยุคของศาสนาข้อมูล (Dataism) ที่มองว่าสิ่งมีชีวิตก็คืออัลกอริทึมในการประมวลผล
และในท่ามกลางกระแสข้อมูลมหาศาลที่ท่วมท้นรอบตัวเกินกว่ามนุษย์จะจัดการได้ มนุษย์จะยอมสละเสรีภาพและอำนาจที่เคยยึดครองไว้ให้แก่การตัดสินใจของอัลกอริทึม และลดตัวเองเป็นแค่เพียง “ข้อมูล” ของอัลกอริทึมเท่านั้น
ยิ่งเมื่อเทคโนโลยีชีวภาพก้าวหน้าจนจับมือกับ AI สำเร็จ อัลกอริทึมจะรู้จักตัวตนของมนุษย์ ทั้งร่างกาย ความคิดและจิตใจ มากกว่าที่มนุษย์รู้จักตัวเอง
ยูวัลจินตนาการว่า ในที่สุด Homo sapiens จะอัปเกรดสปีชีส์ตัวเองด้วยเทคโนโลยีชีวภาพผสานกับ AI จน
กลายเป็นสิ่งมีชีวิตที่ไม่มีวันตาย และวิวัฒน์เป็น Homo deus ซึ่งแปลว่า Human God-พระเจ้ามนุษย์
…
แต่ Jürgen Schmidhuber (ชื่อของเขาอ่านว่า ยูอะเกน ชมิดอูเบอร์) ผู้มี อัลเบิร์ต ไอน์สไตน์ เป็นไอดอล และ
ตั้งเป้าหมายในชีวิตตั้งแต่เด็กว่าจะสร้างสิ่งที่มีสติปัญญาสูงกว่าตัวเขาเองและไอนสไตน์ มองเห็นว่าในอนาคต AI
จะพัฒนาถึงจุดที่เป็น true AI ซึ่งมีสติปัญญาสูงส่งกว่ามนุษย์ และจะเริ่มเดินหน้าสร้างเส้นทางประวัติศาสตร์ของ AI เอง
เขาตั้งชื่อจุดเปลี่ยนทางประวัติ-ศาสตร์นี้ว่า OMEGA เลียนเสียงคำว่า “Oh My God”
ยูอะเกนเชื่อว่าสูตรอัลกอริทึมของสติปัญญาที่แท้จริงจะสั้นมาก อาจเพียงแค่ ๑๐ บรรทัด และตอนนี้มนุษย์อาจรู้แล้ว ๕ บรรทัด
แล้วมนุษย์จะเป็นอย่างไร จะถูกหุ่นยนต์ AI ล้างเผ่าพันธุ์แบบ The Terminator หรือเป็นทาสแบบ The Matrix ไหม
“ไม่ต้องห่วงหรอก ศัตรูสำคัญของสปีชีส์ไหนก็คือพวกเดียวกันเองเสียมากกว่า AI ที่มีสติปัญญาสูงส่งก็เหมือนกับ
นักวิทยาศาสตร์ที่ชอบสงสัยใคร่รู้เกี่ยวกับกำเนิดของชีวิตและอารยธรรม
“AI คงจะสนใจมนุษย์ก็แค่พอ ๆ กับที่มนุษย์สนใจมดเท่านั้นละ”
…
“โอเค มนุษย์ คุณจะเลือกอนาคตตามเรื่องเล่าไหน ของยูวัล หรือยูอะเกน หรือคุณอยากเล่าเรื่องใหม่ ?”
.
“โอ มาย ฮิวแมน ก็อด”
คำถามส่งท้าย
สังคมของตน จากยุคอดีตของเรื่องเล่าบนศรัทธาความเชื่อในศาสนา มาสู่ยุคปัจจุบันของเรื่องเล่าบนความเชิดชูในศักดิ์ศรีมนุษย์ และกำลังจะเข้าสู่ยุคของศาสนาข้อมูล (Dataism) ที่มองว่าสิ่งมีชีวิตก็คืออัลกอริทึมในการประมวลผล
และในท่ามกลางกระแสข้อมูลมหาศาลที่ท่วมท้นรอบตัวเกินกว่ามนุษย์จะจัดการได้ มนุษย์จะยอมสละเสรีภาพและอำนาจที่เคยยึดครองไว้ให้แก่การตัดสินใจของอัลกอริทึม และลดตัวเองเป็นแค่เพียง “ข้อมูล” ของอัลกอริทึมเท่านั้น
ยิ่งเมื่อเทคโนโลยีชีวภาพก้าวหน้าจนจับมือกับ AI สำเร็จ อัลกอริทึมจะรู้จักตัวตนของมนุษย์ ทั้งร่างกาย ความคิดและจิตใจ มากกว่าที่มนุษย์รู้จักตัวเอง
ยูวัลจินตนาการว่า ในที่สุด Homo sapiens จะอัปเกรดสปีชีส์ตัวเองด้วยเทคโนโลยีชีวภาพผสานกับ AI จน
กลายเป็นสิ่งมีชีวิตที่ไม่มีวันตาย และวิวัฒน์เป็น Homo deus ซึ่งแปลว่า Human God-พระเจ้ามนุษย์
…
แต่ Jürgen Schmidhuber (ชื่อของเขาอ่านว่า ยูอะเกน ชมิดอูเบอร์) ผู้มี อัลเบิร์ต ไอน์สไตน์ เป็นไอดอล และ
ตั้งเป้าหมายในชีวิตตั้งแต่เด็กว่าจะสร้างสิ่งที่มีสติปัญญาสูงกว่าตัวเขาเองและไอนสไตน์ มองเห็นว่าในอนาคต AI
จะพัฒนาถึงจุดที่เป็น true AI ซึ่งมีสติปัญญาสูงส่งกว่ามนุษย์ และจะเริ่มเดินหน้าสร้างเส้นทางประวัติศาสตร์ของ AI เอง
เขาตั้งชื่อจุดเปลี่ยนทางประวัติ-ศาสตร์นี้ว่า OMEGA เลียนเสียงคำว่า “Oh My God”
ยูอะเกนเชื่อว่าสูตรอัลกอริทึมของสติปัญญาที่แท้จริงจะสั้นมาก อาจเพียงแค่ ๑๐ บรรทัด และตอนนี้มนุษย์อาจรู้แล้ว ๕ บรรทัด
แล้วมนุษย์จะเป็นอย่างไร จะถูกหุ่นยนต์ AI ล้างเผ่าพันธุ์แบบ The Terminator หรือเป็นทาสแบบ The Matrix ไหม
“ไม่ต้องห่วงหรอก ศัตรูสำคัญของสปีชีส์ไหนก็คือพวกเดียวกันเองเสียมากกว่า AI ที่มีสติปัญญาสูงส่งก็เหมือนกับ
นักวิทยาศาสตร์ที่ชอบสงสัยใคร่รู้เกี่ยวกับกำเนิดของชีวิตและอารยธรรม
“AI คงจะสนใจมนุษย์ก็แค่พอ ๆ กับที่มนุษย์สนใจมดเท่านั้นละ”
…
“โอเค มนุษย์ คุณจะเลือกอนาคตตามเรื่องเล่าไหน ของยูวัล หรือยูอะเกน หรือคุณอยากเล่าเรื่องใหม่ ?”
.
“โอ มาย ฮิวแมน ก็อด”
คำถามส่งท้าย
“โอเค มนุษย์ คุณคิดว่าเรื่องที่อ่านมานี้เขียนโดยมนุษย์หรือ AI ?”
หมายเหตุผู้เขียน :
มนุษย์-สุวัฒน์ อัศวไชยชาญ
มนุษย์-สุวัฒน์ อัศวไชยชาญ
แหล่งความรู้อ้างอิง
คอร์สออนไลน์
Coursera : AI for Every One โดย Andrew Ng
https://www.coursera.org/
เว็บไซต์
https://searchenterpriseai.techtarget.com/definition/Turing-test
https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html
https://www.edge-ai-vision.com/2018/09/whats-the-difference-between-a-cnn-and-an-rnn/
https://www.theguardian.com/technology/2017/apr/18/robot-man-artificial-intelligence-computer-milky-way
https://analyticsindiamag.com/lstm-juergen-schmidhuber-artificial-intelligence-switzerland-goedel-machines/
https://emerj.com/ai-podcast-interviews/how-robots-learn-jurgen-schmidhuber/
https://www.wired.com/story/fei-fei-li-artificial-intelligence-humanity/
https://image-net.org/update-sep-17-2019.php
https://www.gehealthcare.com/article/what-is-imagenet-and-why-2012-was-so-important
https://thaikeras.com/2020/rise-of-dl/
https://qz.com/1340990/microsofts-politically-correct-chat-bot-is-even-worse-than-its-racist-one/
https://builtin.com/artificial-intelligence/examples-ai-in-industry
https://www.producthunt.com/topics/artificial-intelligence#order=most-commented
TED
Fei Fei Li : How we teach computers to understand pictures
Juergen Schmidhuber : True Artificial Intelligence will change everything
Rana el Kaliouby : This app knows how you feel - from the look on your face
Yuval Noah Harari : Why humans run the world
หนังสือ
โฮโมดีอุส ประวัติย่อของวันพรุ่งนี้ เขียนโดย ยูวัล โนอาห์ แฮรารี แปลโดย ดร. นำชัย ชีววิวรรธน์ และ ธิดา จงนิรามัยสถิต
คอร์สออนไลน์
Coursera : AI for Every One โดย Andrew Ng
https://www.coursera.org/
เว็บไซต์
https://searchenterpriseai.techtarget.com/definition/Turing-test
https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html
https://www.edge-ai-vision.com/2018/09/whats-the-difference-between-a-cnn-and-an-rnn/
https://www.theguardian.com/technology/2017/apr/18/robot-man-artificial-intelligence-computer-milky-way
https://analyticsindiamag.com/lstm-juergen-schmidhuber-artificial-intelligence-switzerland-goedel-machines/
https://emerj.com/ai-podcast-interviews/how-robots-learn-jurgen-schmidhuber/
https://www.wired.com/story/fei-fei-li-artificial-intelligence-humanity/
https://image-net.org/update-sep-17-2019.php
https://www.gehealthcare.com/article/what-is-imagenet-and-why-2012-was-so-important
https://thaikeras.com/2020/rise-of-dl/
https://qz.com/1340990/microsofts-politically-correct-chat-bot-is-even-worse-than-its-racist-one/
https://builtin.com/artificial-intelligence/examples-ai-in-industry
https://www.producthunt.com/topics/artificial-intelligence#order=most-commented
TED
Fei Fei Li : How we teach computers to understand pictures
Juergen Schmidhuber : True Artificial Intelligence will change everything
Rana el Kaliouby : This app knows how you feel - from the look on your face
Yuval Noah Harari : Why humans run the world
หนังสือ
โฮโมดีอุส ประวัติย่อของวันพรุ่งนี้ เขียนโดย ยูวัล โนอาห์ แฮรารี แปลโดย ดร. นำชัย ชีววิวรรธน์ และ ธิดา จงนิรามัยสถิต