ห้องสมุดประชาชนวันเสาร์มีชมรมคณิตศาสตร์สำหรับเด็กประถม ลูกสาววัยสิบเอ็ดขวบของพี่โอ๊คเพื่อนผม ยื่นกระดาษโจทย์ปริศนาตรรกะมาให้ผมดู “ลุงคะ หนูลองถาม AI แล้ว มันตอบมั่นใจมาก แต่ครูบอกว่าผิด”
โจทย์คือ มีเด็กห้าคนนั่งเรียงกัน คนใส่เสื้อแดงไม่ได้นั่งริม คนชื่อต้นนั่งติดกับคนใส่เสื้อเขียว และเงื่อนไขอีกสี่ข้อ ให้หาว่าใครนั่งตรงกลาง AI เขียนเหตุผลยาวสวยงาม แล้วสรุปคำตอบที่ขัดกับเงื่อนไขข้อสาม ทั้งที่ตอนต้นของคำอธิบาย มันเพิ่งทวนเงื่อนไขข้อนั้นเองด้วยซ้ำ
เด็กหญิงวัยสิบเอ็ดแก้โจทย์นี้ได้ด้วยกระดาษตารางกับดินสอ ภายในสิบนาที ส่วน AI ที่อ่านหนังสือมามากกว่าที่คนคนหนึ่งจะอ่านได้ทั้งชีวิต กลับตอบผิด เธอถามผมว่าทำไม และคำถามนั้นพาไปสู่หนึ่งในทิศทางที่น่าสนใจที่สุดของ AI ในอนาคต
สิ่งที่จะคลี่ออกทีละชั้น
- AI สองสายที่เคยแยกทางกัน
- ทำไม Deep Learning ถึงเก่งแต่บางครั้งขาดเหตุผล
- Symbolic AI ยุคเก่า: เก่งกฎ แต่แข็งทื่อ
- นักทาสีโมเดลที่ใช้ทั้งตาและวงล้อสี
- Neuro-symbolic AI คืออะไร
- AlphaGeometry: ตัวอย่างที่เกิดขึ้นจริง
- ทำไม AI ที่อธิบายได้ถึงสำคัญ
- ฝึกลูกให้คิดได้ทั้งสองแบบ
AI สองสายที่เคยแยกทางกัน
ในประวัติศาสตร์ของ AI มีแนวคิดหลักสองสายที่แข่งกันมาหลายสิบปี
- สายสัญลักษณ์ หรือ Symbolic AI เชื่อว่าความฉลาดมาจากกฎและตรรกะ มนุษย์เขียนกฎให้คอมพิวเตอร์ทำตาม เช่น ถ้าเป็นนก และไม่ใช่นกเพนกวิน แปลว่าบินได้
- สายโครงข่ายประสาท หรือ Neural Networks เชื่อว่าความฉลาดเกิดจากการเรียนรู้รูปแบบจากข้อมูลจำนวนมาก เหมือนสมองที่เรียนจากประสบการณ์ ไม่ต้องมีใครเขียนกฎให้
ช่วงทศวรรษ 1970 ถึง 1980 สายสัญลักษณ์รุ่งเรือง มีระบบผู้เชี่ยวชาญ หรือ Expert Systems ที่ใช้กฎหลายร้อยข้อช่วยวินิจฉัยโรคหรือแนะนำการตัดสินใจ แต่ในช่วงสิบกว่าปีหลัง สายโครงข่ายประสาทในรูปแบบ Deep Learning ก้าวกระโดดจนครองวงการ ทั้งการจดจำภาพ การแปลภาษา และแชตบอตที่เราใช้ทุกวัน
ทำไม Deep Learning ถึงเก่งแต่บางครั้งขาดเหตุผล
โมเดลภาษาขนาดใหญ่เรียนรู้ว่าคำไหนมักตามหลังคำไหน จากข้อความมหาศาล มันจึงเขียนเหตุผลที่ฟังดูถูกต้องได้ดีมาก แต่การเขียนสิ่งที่ฟังดูเหมือนเหตุผล ไม่ได้รับประกันว่าทุกขั้นตอนถูกต้องตามตรรกะ
- ทำตามรูปแบบมากกว่าทำตามกฎ ถ้าโจทย์หน้าตาคล้ายโจทย์ที่เคยเห็น มันอาจตอบตามความเคยชิน แม้เงื่อนไขจะต่างไป
- ไม่มีกลไกตรวจตรรกะในตัว ไม่มีขั้นตอนบังคับว่าคำตอบต้องสอดคล้องกับเงื่อนไขทุกข้อ
- อธิบายได้ แต่คำอธิบายอาจไม่ใช่เหตุผลจริง คำอธิบายที่สวยงามอาจถูกเขียนขึ้นหลังจากเลือกคำตอบไปแล้ว
- ทำนายผิดด้วยความมั่นใจ ไม่ได้บอกว่าไม่แน่ใจ
AI รุ่นใหม่ที่ถูกฝึกให้ใช้เวลาคิดเป็นขั้นตอนก่อนตอบ พัฒนาเรื่องนี้ขึ้นมาก แต่ปัญหาพื้นฐานยังไม่หายไปทั้งหมด
Symbolic AI ยุคเก่า: เก่งกฎ แต่แข็งทื่อ
ถ้าเราให้โจทย์นั่งเรียงห้าคนกับระบบตรรกะแบบสัญลักษณ์ มันจะแก้ได้ถูกต้องร้อยเปอร์เซ็นต์ เพราะมันไล่ตรวจทุกความเป็นไปได้ตามกฎอย่างเคร่งครัด ไม่มีทางสรุปคำตอบที่ขัดกับเงื่อนไข
แต่ระบบแบบนี้มีจุดอ่อนใหญ่ มันต้องให้มนุษย์แปลโจทย์เป็นกฎที่ชัดเจนก่อน ถ้าโจทย์เขียนเป็นภาษาธรรมดา มีคำกำกวม หรือต้องใช้สามัญสำนึก มันทำไม่ได้ และโลกจริงเต็มไปด้วยสิ่งที่เขียนเป็นกฎไม่ได้ทั้งหมด เช่น การจดจำใบหน้าแม่ท่ามกลางฝูงชน
นักทาสีโมเดลที่ใช้ทั้งตาและวงล้อสี
งานทาสีโมเดลจิ๋วของผมใช้สองระบบในหัวพร้อมกัน ระบบแรกคือตาที่ฝึกมาหลายปี มองแล้วรู้ทันทีว่าเงาตรงผ้าคลุมยังไม่ลึกพอ หรือไฮไลต์บนดาบสว่างเกินไป เป็นความรู้สึกที่อธิบายเป็นคำพูดได้ยาก
ระบบที่สองคือกฎทฤษฎีสีที่ผมแปะไว้บนผนัง วงล้อสีบอกว่าสีคู่ตรงข้ามทำให้กันและกันดูหม่นลง ถ้าอยากให้เงาของผ้าสีแดงดูลึกโดยไม่สกปรก ให้ผสมสีเขียวลงไปเล็กน้อย กฎเหล่านี้ชัดเจน ตรวจสอบได้ และอธิบายให้คนอื่นฟังได้
นักทาสีที่ใช้แต่ตา บางครั้งผสมสีมั่วจนได้สีโคลน นักทาสีที่ใช้แต่กฎ งานออกมาถูกต้องแต่แข็งทื่อ ไม่มีชีวิต นักทาสีที่ดีใช้ตาเพื่อรู้สึก แล้วใช้กฎเพื่อตรวจและอธิบาย และนั่นคือแนวคิดของ Neuro-symbolic AI
Neuro-symbolic AI คืออะไร
Neuro-symbolic AI คือแนวทางที่ผสานโครงข่ายประสาทซึ่งเก่งเรื่องการเรียนรู้รูปแบบจากข้อมูล เข้ากับระบบสัญลักษณ์ซึ่งเก่งเรื่องตรรกะ กฎ และการให้เหตุผลที่ตรวจสอบได้ เพื่อสร้าง AI ที่ทั้งยืดหยุ่นและคิดเป็นเหตุเป็นผลได้
- ส่วน Neural ทำหน้าที่เหมือนสัญชาตญาณ อ่านภาษา มองภาพ เสนอแนวทางที่น่าจะเป็นไปได้
- ส่วน Symbolic ทำหน้าที่เหมือนครูตรวจการบ้าน ตรวจว่าทุกขั้นตอนถูกต้องตามกฎ ปฏิเสธคำตอบที่ขัดแย้ง
นักวิจัยบางคนเปรียบเทียบกับทฤษฎีของนักจิตวิทยา Daniel Kahneman ที่แบ่งความคิดมนุษย์เป็นระบบที่หนึ่งซึ่งเร็วและใช้สัญชาตญาณ กับระบบที่สองซึ่งช้าและใช้เหตุผล มนุษย์ใช้ทั้งสองระบบร่วมกัน AI ในอนาคตก็อาจต้องเป็นแบบนั้น
AlphaGeometry: ตัวอย่างที่เกิดขึ้นจริง
ต้นปี 2024 Google DeepMind เผยแพร่งานวิจัยในวารสาร Nature เกี่ยวกับ AlphaGeometry ระบบ AI ที่แก้โจทย์เรขาคณิตระดับการแข่งขันคณิตศาสตร์โอลิมปิกระหว่างประเทศ ระบบนี้แก้โจทย์ได้ 25 ข้อจาก 30 ข้อในชุดทดสอบ ใกล้เคียงกับผู้ได้เหรียญทองโดยเฉลี่ย
วิธีการทำงานคือ ส่วนโมเดลภาษาเสนอไอเดียสร้างสรรค์ เช่น ลองลากเส้นเสริมหรือเพิ่มจุดใหม่ในรูป ซึ่งเป็นสิ่งที่ต้องใช้สัญชาตญาณ แล้วส่วนระบบสัญลักษณ์ก็พิสูจน์ทางคณิตศาสตร์อย่างเคร่งครัดว่าแนวทางนั้นนำไปสู่คำตอบจริงหรือไม่ ผลลัพธ์ไม่ได้มีแค่คำตอบ แต่มีบทพิสูจน์ที่มนุษย์อ่านและตรวจสอบได้ทุกขั้นตอน
ทำไม AI ที่อธิบายได้ถึงสำคัญ
- การแพทย์ หมอต้องรู้ว่าทำไม AI ถึงสงสัยว่าคนไข้เป็นโรคนี้ ไม่ใช่แค่ผลลัพธ์
- กฎหมายและการเงิน การปฏิเสธสินเชื่อหรือการตัดสินใจที่กระทบชีวิตคน ต้องมีเหตุผลที่ตรวจสอบได้
- วิทยาศาสตร์ การค้นพบต้องพิสูจน์ได้ ไม่ใช่แค่ทายถูก
- ความปลอดภัย ระบบที่ขับรถหรือควบคุมเครื่องจักรต้องทำงานตามกฎที่กำหนดเสมอ
- การศึกษา เด็กที่เรียนกับ AI ต้องการเห็นวิธีคิดที่ถูกต้อง ไม่ใช่แค่คำตอบ
ฝึกลูกให้คิดได้ทั้งสองแบบ
บทเรียนที่ผมอยากให้ลูกสาวพี่โอ๊คได้ ไม่ใช่ว่า AI ห่วย แต่คือ เธอมีทั้งสองระบบในหัวอยู่แล้ว และควรใช้ให้เป็น
- เดาก่อน ตรวจทีหลัง ใช้สัญชาตญาณเดาคำตอบ แล้วตรวจกับเงื่อนไขทีละข้อ
- ทำตารางตรรกะ โจทย์ปริศนาให้วาดตารางตัดตัวเลือกที่เป็นไปไม่ได้ออก
- ตรวจคำตอบของ AI ด้วยเงื่อนไข อย่าอ่านแค่คำอธิบาย ให้นำคำตอบไปเทียบกับเงื่อนไขทุกข้อ
- ฝึกอธิบายเหตุผล เขียนว่าทำไมคำตอบนี้ถูก ทีละขั้น
- เล่นเกมตรรกะ เช่น ซูโดกุ เกมปริศนา หรือบอร์ดเกมที่ต้องอนุมาน
เก็บไว้ทบทวน
- AI มีสองสายหลัก: สายเรียนรู้จากข้อมูล และสายกฎตรรกะ
- Deep Learning เก่งรูปแบบ แต่อาจสรุปผิดเหตุผลด้วยความมั่นใจ
- Symbolic AI เก่งตรรกะ แต่แข็งทื่อและต้องมีคนเขียนกฎ
- Neuro-symbolic AI ผสานทั้งสองเพื่อให้ยืดหยุ่นและตรวจสอบได้
- AlphaGeometry แก้โจทย์โอลิมปิกได้พร้อมบทพิสูจน์ที่ตรวจได้
- เด็กฝึกใช้ทั้งสัญชาตญาณและการตรวจเหตุผลได้ตั้งแต่วันนี้
คำถามสำหรับนักคิดตัวน้อย
- เวลาหนูแก้โจทย์ หนูใช้ความรู้สึกหรือใช้กฎมากกว่ากัน
- ถ้า AI ตอบถูกแต่อธิบายไม่ได้ หนูจะเชื่อมันไหม ในเรื่องอะไรบ้าง
- มีเรื่องอะไรในชีวิตที่เขียนเป็นกฎไม่ได้
- ถ้าหนูออกแบบ AI ช่วยทำการบ้าน จะให้มันตรวจคำตอบตัวเองอย่างไร
ตารางดินสอที่ชนะ AI
ลูกสาวพี่โอ๊คนำกระดาษตารางที่เธอใช้แก้โจทย์ไปให้ AI ดู แล้วพิมพ์ถามว่าคำตอบของมันขัดกับเงื่อนไขข้อสามหรือเปล่า AI ยอมรับว่าผิดและแก้คำตอบให้ถูก เธอหันมายิ้มอย่างภูมิใจ และบอกว่าตั้งแต่นี้จะไม่เชื่อคำอธิบายที่ยาวสวย จนกว่าจะตรวจกับเงื่อนไขเอง
AI ในอนาคตอาจคิดเป็นเหตุเป็นผลได้ดีขึ้นมาก แต่เด็กที่รู้จักตรวจเหตุผลด้วยตัวเอง จะเป็นคนที่ใช้มันได้อย่างปลอดภัยที่สุดเสมอ
ลองหาโจทย์ปริศนาตรรกะสักข้อมาเล่นกับลูกคืนนี้ครับ ให้ลูกแก้เอง แล้วค่อยถาม AI เปรียบเทียบ ความสนุกอยู่ที่การได้จับผิดเครื่องที่ดูฉลาดกว่าเรา