Multimodal AI คืออะไร? อธิบายให้เด็กเข้าใจ เมื่อ AI ไม่ได้แค่อ่าน แต่เห็น ได้ยิน และเริ่มรับรู้โลกเหมือนประสาทสัมผัสของเรา

แม่ผมอายุเจ็ดสิบสอง ปลูกต้นไม้เต็มสวนหลังบ้านที่ราชบุรี เมื่อสงกรานต์ที่แล้ว ผมเห็นแม่ยืนเล็งกล้องมือถือไปที่ใบมะนาวที่มีจุดเหลืองๆ แล้วพูดใส่มือถือว่า “ใบเป็นแบบนี้ เป็นโรคอะไร ต้องทำยังไง” ไม่กี่วินาทีต่อมา มือถือตอบกลับด้วยเสียงภาษาไทย อธิบายอาการและวิธีดูแลเบื้องต้น

หลานชายวัยสิบขวบที่ยืนดูอยู่ข้างๆ ทำตาโต “ย่า มือถือมันเห็นใบไม้ได้ด้วยเหรอ” แม่ผมตอบแบบไม่ได้คิดอะไรว่า “ก็เห็นสิ หลานสอนย่าใช้เองเมื่อเดือนก่อน”

ฉากนั้นทำให้ผมยิ้ม คนอายุเจ็ดสิบใช้ AI ที่ทั้งมองเห็นภาพ ฟังเสียงพูด และตอบเป็นเสียงได้อย่างเป็นธรรมชาติ ส่วนเด็กสิบขวบกลับเพิ่งรู้ว่ามันทำได้ เย็นวันนั้นผมจึงชวนหลานนั่งคุยเรื่อง Multimodal AI ใต้ต้นมะม่วงหลังบ้าน

หัวข้อใต้ต้นมะม่วง

• Multimodal AI คืออะไร
• ช่างหนังใช้ประสาทสัมผัสครบห้า: ทำไมหลายช่องทางถึงดีกว่า
• AI เห็น ได้ยิน และอ่านพร้อมกันได้อย่างไร
• ตัวอย่างที่อยู่รอบตัวเรา
• การทดลองสนุกๆ กับลูก
• ข้อควรระวังเมื่อ AI มองเห็นโลกของเรา
• ใช้ Multimodal AI เพื่อการเรียนรู้รอบตัว

Multimodal AI คืออะไร

Multimodal AI คือ AI ที่รับรู้และเข้าใจข้อมูลได้หลายรูปแบบในโมเดลเดียว ทั้งข้อความ ภาพ เสียง และวิดีโอ แล้วนำข้อมูลเหล่านั้นมาประกอบกันเพื่อเข้าใจสถานการณ์และตอบสนองได้ใกล้เคียงกับวิธีที่มนุษย์รับรู้โลก

คำว่า Modal หรือ Modality หมายถึงช่องทางการรับรู้ AI รุ่นแรกๆ ที่คนทั่วไปรู้จัก อย่างแชตบอตยุคแรก รับรู้ได้ช่องทางเดียว คือตัวอักษร เหมือนคนที่คุยกับเราผ่านจดหมายเท่านั้น มองไม่เห็นหน้า ไม่ได้ยินเสียง

AI รุ่นใหม่เปลี่ยนไปมาก ในปี 2023 Google เปิดตัว Gemini โดยบอกว่าออกแบบให้รับรู้หลายรูปแบบตั้งแต่ต้น และในปี 2024 OpenAI เปิดตัว GPT-4o ซึ่งตัว o มาจากคำว่า Omni หมายถึงรับรู้ได้รอบด้าน ทั้งข้อความ ภาพ และเสียง ในโมเดลเดียว ทำให้คุยด้วยเสียงแบบโต้ตอบกันได้ใกล้เคียงการคุยกับคน

ช่างหนังใช้ประสาทสัมผัสครบห้า: ทำไมหลายช่องทางถึงดีกว่า

ตอนผมไปเลือกซื้อหนังวัวฟอกฝาดสำหรับทำกระเป๋า ช่างหนังรุ่นใหญ่ที่ร้านสอนผมว่า อย่าดูหนังด้วยตาอย่างเดียว

• ตา ดูลายผิว รอยแผลเป็นของวัว และความสม่ำเสมอของสี
• มือ ลูบดูความนุ่ม บีบดูความหนาและความแน่นของเนื้อ
• จมูก หนังฟอกฝาดแท้มีกลิ่นหอมเฉพาะ หนังที่ผ่านสารเคมีแรงจะมีกลิ่นฉุน
• หู เคาะหรือพับหนังเบาๆ หนังที่ดีมีเสียงแน่น ไม่ใช่เสียงกรอบแห้ง

ช่างหนังที่ใช้ตาอย่างเดียวอาจโดนหนังที่ผิวสวยแต่เนื้อในเปราะหลอกได้ แต่เมื่อใช้ประสาทสัมผัสหลายช่องทางประกอบกัน การตัดสินใจจะแม่นยำขึ้นมาก

Multimodal AI ทำงานด้วยหลักเดียวกัน เมื่อ AI ทั้งเห็นภาพ ได้ยินเสียง และอ่านข้อความไปพร้อมกัน มันเข้าใจบริบทได้ดีกว่าการรับรู้ช่องทางเดียว เช่น ถ้าเราถ่ายรูปใบมะนาวแล้วพิมพ์แค่ว่า “เป็นอะไร” AI ที่อ่านได้อย่างเดียวจะไม่รู้ว่าเรากำลังพูดถึงอะไร แต่ AI ที่เห็นภาพด้วยจะเข้าใจทันที

AI เห็น ได้ยิน และอ่านพร้อมกันได้อย่างไร

หลานถามว่า “แล้ว AI มันมีตาเหรอ” ผมอธิบายแบบง่ายที่สุดที่ทำได้

คอมพิวเตอร์ไม่ได้เห็นภาพแบบที่เราเห็น มันเห็นภาพเป็นตัวเลขจำนวนมหาศาล แต่ละจุดเล็กๆ ในภาพคือตัวเลขบอกสี เสียงก็เป็นตัวเลขที่บอกความสูงต่ำของคลื่นเสียง ส่วนข้อความก็ถูกแปลงเป็นตัวเลขเช่นกัน

สิ่งที่ทำให้ Multimodal AI เก่งคือ มันถูกฝึกด้วยข้อมูลที่จับคู่กันจำนวนมาก เช่น ภาพแมวคู่กับคำว่าแมว เสียงคนพูดคู่กับข้อความที่พูด จนมันเรียนรู้ว่าตัวเลขชุดหนึ่งจากภาพ กับตัวเลขชุดหนึ่งจากคำ หมายถึงสิ่งเดียวกัน งานวิจัยที่ปูทางสำคัญในเรื่องนี้คือโมเดลชื่อ CLIP ที่ OpenAI เผยแพร่ในปี 2021 ซึ่งเรียนรู้ความเชื่อมโยงระหว่างภาพกับคำบรรยายจากข้อมูลจำนวนมหาศาล

ผมเปรียบให้หลานฟังว่า เหมือนเด็กเล็กที่เรียนรู้คำว่ามะม่วง จากการได้เห็นมะม่วง ได้ยินแม่พูดคำว่ามะม่วง และได้ชิมรสมะม่วงไปพร้อมๆ กัน จนวันหนึ่งแค่ได้ยินคำว่ามะม่วงก็นึกภาพและรสชาติออกทันที

ตัวอย่างที่อยู่รอบตัวเรา

• ถ่ายรูปถามคำถาม เช่น ถ่ายใบไม้ ถ่ายโจทย์คณิตศาสตร์ หรือถ่ายป้ายภาษาต่างประเทศ
• คุยด้วยเสียงแบบโต้ตอบ พูดถามแล้วได้คำตอบเป็นเสียงทันที
• คำบรรยายภาพสำหรับผู้พิการทางสายตา AI อธิบายสิ่งที่อยู่ตรงหน้าให้ฟัง ซึ่งเป็นการใช้งานที่เปลี่ยนชีวิตคนจำนวนมาก
• ซับไตเติลอัตโนมัติ แปลงเสียงในวิดีโอเป็นข้อความ
• สร้างภาพจากคำบรรยาย ซึ่งเป็นการทำงานย้อนทาง จากข้อความไปเป็นภาพ
• หุ่นยนต์ที่มีเซนเซอร์สัมผัส นักวิจัยกำลังพัฒนาให้หุ่นยนต์รับรู้แรงกดและพื้นผิว เพื่อจับของได้นุ่มนวลขึ้น ซึ่งยังเป็นงานวิจัยที่กำลังพัฒนา

การทดลองสนุกๆ กับลูก

หลังคุยกันเสร็จ ผมกับหลานทำการทดลองสามอย่างในสวนของคุณย่า

ทดลองที่ 1: ช่องทางเดียว กับหลายช่องทาง

ให้ AI ทายว่าเรากำลังถืออะไร โดยรอบแรกพิมพ์บอกแค่ว่า “มันกลม สีเขียว มีกลิ่นหอม” รอบสองถ่ายรูปให้ดูด้วย หลานถือมะกรูด รอบแรก AI ทายว่าแอปเปิลเขียว รอบสองตอบถูกทันที ข้อสรุปเกิดขึ้นเองโดยไม่ต้องอธิบาย

ทดลองที่ 2: หลอกตา AI

ถ่ายรูปของจากมุมแปลกๆ หรือในที่มืด แล้วดูว่า AI ยังทายถูกไหม หลานถ่ายใบเตยใกล้มาก AI ทายว่าเป็นใบหญ้า การทดลองนี้ช่วยให้เด็กรู้ว่า AI เห็นได้ แต่ก็เห็นผิดได้ เหมือนคนที่มองของในที่มืด

ทดลองที่ 3: นักสำรวจธรรมชาติ

เดินสำรวจสวน ถ่ายรูปต้นไม้ แมลง และดอกไม้ ถาม AI ว่าคืออะไร แล้วเปิดหนังสือหรือถามคุณย่าเพื่อตรวจคำตอบ หลานพบว่า AI ตอบถูกเกือบทุกข้อ ยกเว้นต้นไม้พื้นบ้านบางต้นที่คุณย่ารู้จักดีกว่า ซึ่งทำให้คุณย่าภูมิใจมาก

ข้อควรระวังเมื่อ AI มองเห็นโลกของเรา

เมื่อ AI เห็นและได้ยินได้ เรื่องความเป็นส่วนตัวก็สำคัญขึ้นอีกขั้น

• ภาพที่ส่งให้ AI อาจมีข้อมูลมากกว่าที่ตั้งใจ เช่น หน้าคนอื่นในภาพ ที่อยู่บนซองจดหมาย หรือชื่อโรงเรียนบนเสื้อ
• อย่าส่งภาพเอกสารสำคัญ เช่น บัตรประชาชน หรือเอกสารการเงิน ให้ AI บนคลาวด์โดยไม่จำเป็น
• ขออนุญาตก่อนถ่ายและส่งภาพคนอื่น รวมถึงเพื่อนและคนในครอบครัว
• AI ตีความผิดได้ โดยเฉพาะเรื่องสุขภาพ ยา หรือความปลอดภัย ต้องตรวจสอบกับผู้เชี่ยวชาญเสมอ
• ภาพและเสียงปลอมแนบเนียนขึ้น เทคโนโลยีเดียวกันนี้ใช้สร้าง Deepfake ได้ สอนลูกให้ตั้งคำถามกับสิ่งที่เห็นและได้ยินออนไลน์

เรื่องใบมะนาวของแม่ผม AI ให้คำแนะนำเบื้องต้นที่ดี แต่ผมก็ยังพาแม่ไปถามเจ้าหน้าที่ส่งเสริมการเกษตรอำเภออีกที AI เป็นผู้ช่วยที่ดีในการเริ่มต้น แต่ไม่ใช่คำตอบสุดท้ายในเรื่องที่สำคัญ

ใช้ Multimodal AI เพื่อการเรียนรู้รอบตัว

• ถ่ายรูปโจทย์ที่ทำไม่ได้ แล้วขอให้ AI อธิบายวิธีคิด ไม่ใช่ขอคำตอบ
• ฝึกพูดภาษาอังกฤษกับ AI แบบโต้ตอบด้วยเสียง
• ทำสมุดสำรวจธรรมชาติ ถ่ายรูป ถาม AI แล้วจดบันทึกด้วยมือ
• ถ่ายรูปชิ้นส่วนเครื่องยนต์หรืออุปกรณ์ แล้วถามว่าแต่ละชิ้นทำหน้าที่อะไร
• ให้ AI อธิบายภาพวาดในพิพิธภัณฑ์ แล้วเปรียบเทียบกับป้ายข้อมูลจริง

สรุปเป็นข้อสำหรับพ่อแม่

• Multimodal AI รับรู้ได้หลายช่องทาง ทั้งข้อความ ภาพ และเสียง
• หลายช่องทางทำให้เข้าใจบริบทได้ดีกว่า เหมือนช่างหนังที่ใช้ทุกประสาทสัมผัส
• ทดลองกับลูกให้เห็นทั้งความเก่งและความผิดพลาดของ AI
• ระวังข้อมูลส่วนตัวที่ติดไปกับภาพและเสียง
• ตรวจสอบเรื่องสำคัญกับผู้เชี่ยวชาญเสมอ
• ใช้ AI เพื่อเริ่มต้นการเรียนรู้ ไม่ใช่จบการเรียนรู้

คำถามชวนลูกคิดเรื่องประสาทสัมผัสของ AI

• ถ้า AI มีประสาทสัมผัสได้เพิ่มอีกหนึ่งอย่าง หนูอยากให้เป็นอะไร และจะเอาไปใช้ทำอะไร
• มีอะไรบ้างที่คนรู้ได้แต่ AI ยังไม่รู้ เช่น กลิ่นหรือรสชาติ
• ทำไม AI ถึงทายผิดเวลาภาพมืดหรือมุมแปลก
• ก่อนส่งรูปให้ AI ดู หนูจะเช็กอะไรในรูปก่อน

คุณย่ากับนักสำรวจตัวน้อย

ก่อนกลับกรุงเทพฯ หลานชายทำสมุดสำรวจสวนของคุณย่าเสร็จสิบหน้า มีรูปถ่าย ชื่อที่ AI บอก ชื่อที่คุณย่าบอก และช่องติ๊กว่าใครถูก คะแนนสุดท้ายคุณย่าชนะ AI ไปสามข้อ เพราะรู้จักชื่อพื้นบ้านของผักริมรั้ว

ผมคิดว่านั่นคือบทเรียนที่ดีที่สุดของวันนั้น AI ที่เห็นและได้ยินได้คือเครื่องมือที่น่าทึ่ง แต่ประสบการณ์และความรู้ของคนที่อยู่กับโลกจริงมาทั้งชีวิต ยังเป็นสิ่งที่ AI ต้องเรียนรู้อีกมาก

ลองชวนลูกเดินสำรวจรอบบ้านกับ AI ที่มองเห็นได้สักครั้งครับ แล้วอย่าลืมพาคุณตาคุณยายไปด้วย คุณอาจได้เห็นการแข่งขันที่สนุกที่สุดระหว่างคนกับเครื่อง