ปัญญาประดิษฐ์เชิงรู้คิด

  • | | |

    วิธีเรียนภาษาใดก็ได้ให้เป็นภายในหกเดือน

    วิธีเรียนภาษาใดก็ได้ให้เป็นภายในหกเดือน – บทถอดเสียง ยินดีต้อนรับสู่หน้าบทถอดเสียงสำหรับ “วิธีเรียนภาษาใดก็ได้ให้เป็นภายในหกเดือน” เนื้อหานี้เผยแพร่ซ้ำโดยได้รับอนุญาตแล้ว อ่านต่อได้เลย! หรือเลื่อนลงไปด้านล่างสุดเพื่อดูลิงก์ดาวน์โหลดไฟล์ PDF คุณเคยมีคำถามที่คาใจมานานจนมันกลายเป็นส่วนหนึ่งของความคิดของคุณไหมครับ? หรือบางทีอาจจะกลายเป็นส่วนหนึ่งของตัวตนของคุณไปเลย? สำหรับผม ผมมีคำถามหนึ่งที่อยู่ในใจมาหลายปีมาก นั่นก็คือ: เราจะเร่งการเรียนรู้ได้อย่างไร? นี่เป็นคำถามที่น่าสนใจนะครับ เพราะถ้าคุณเร่งการเรียนรู้ได้ คุณก็จะใช้เวลาที่โรงเรียนน้อยลง และถ้าคุณเรียนรู้ได้เร็วมากๆ คุณอาจจะไม่ต้องไปโรงเรียนเลยด้วยซ้ำ ตอนผมเด็กๆ การไปโรงเรียนก็ถือว่าโอเคนะครับ แต่ผมมักจะพบว่าโรงเรียนกลับเป็นอุปสรรคต่อการเรียนรู้ซะงั้น ผมก็เลยมีคำถามนี้ในใจมาตลอดว่า: เราจะเรียนรู้ให้เร็วขึ้นได้อย่างไร? คำถามนี้เริ่มขึ้นตั้งแต่ผมยังเด็กมากครับ ตอนอายุประมาณสิบเอ็ดขวบ ผมเขียนจดหมายไปหานักวิจัยในสหภาพโซเวียต ถามเกี่ยวกับเรื่อง hypnopaedia หรือการเรียนรู้ขณะหลับ คือการเอาเครื่องอัดเทปไปวางไว้ข้างเตียง แล้วมันจะเปิดขึ้นมากลางดึกตอนที่คุณกำลังหลับอยู่ ซึ่งเชื่อกันว่าเราจะเรียนรู้จากสิ่งนั้นได้ เป็นความคิดที่ดีนะครับ แต่น่าเสียดายที่มันไม่ได้ผล แต่ hypnopaedia ก็ได้เปิดประตูไปสู่การวิจัยในด้านอื่นๆ และเราก็ได้ค้นพบสิ่งที่น่าทึ่งมากมายเกี่ยวกับการเรียนรู้ซึ่งเริ่มต้นมาจากคำถามแรกนั้นเองครับ จากนั้นผมก็หันมาหลงใหลในด้านจิตวิทยาอย่างจริงจัง และได้คลุกคลีอยู่กับแวดวงจิตวิทยามาตลอดชีวิตจนถึงทุกวันนี้ครับ ในปี 1981 ผมเดินทางไปประเทศอังกฤษ และตัดสินใจว่าผมจะต้องพูดภาษาอังกฤษให้ได้ในระดับเจ้าของภาษาภายในสองปีให้ได้ คุณต้องเข้าใจก่อนนะครับว่าในปี 1981 ทุกคนคิดว่าภาษาอังกฤษนั้นยากมากๆ และคนที่ไม่ใช่เจ้าของภาษาอาจต้อง เรียนเป็นสิบปีหรือมากกว่านั้น ก็ยังไม่เก่งจริงๆ สักที แต่ผมเข้าไปด้วยแนวคิดที่แตกต่างออกไป นั่นคือการนำข้อสรุปทั้งหมดจากการวิจัยทางจิตวิทยาจนถึงตอนนั้นมาประยุกต์ใช้กับกระบวนการเรียนรู้ของตัวเอง สิ่งที่เจ๋งมากก็คือ ภายใน หกเดือนผมก็พูดภาษาอังกฤษได้คล่องแล้ว และใช้เวลาอีกไม่นานก็ไปถึงระดับใกล้เคียงเจ้าของภาษา แต่เมื่อผมมองไปรอบๆ ผมเห็นคนจากหลายประเทศกำลังดิ้นรนกับการเรียนภาษาอังกฤษอย่างหนัก ผมเห็นคนไทยกำลังพยายามอย่างหนักเพื่อเรียนภาษาอังกฤษและภาษาอื่นๆ คำถามของผมจึงถูกขัดเกลาให้แคบลงเหลือแค่: เราจะช่วยให้ผู้ใหญ่ธรรมดาๆ คนหนึ่งเรียนภาษาใหม่ให้ได้ผลอย่างรวดเร็ว ง่ายดาย และมีประสิทธิภาพได้อย่างไร? นี่เป็นคำถามที่สำคัญมากๆ ในโลกปัจจุบันนะครับ เรามีความท้าทายใหญ่หลวงด้านสิ่งแวดล้อม ความเหลื่อมล้ำทางสังคม สงคราม และเรื่องอื่นๆ อีกมากมาย และถ้าเราไม่สามารถสื่อสารกันได้ เราก็จะแก้ปัญหาเหล่านี้ได้ยากมากจริงๆ ดังนั้น เราจำเป็นต้องพูดภาษาของกันและกันได้ นี่เป็นเรื่องที่สำคัญมากๆ ครับ คำถามก็คือ แล้วจะทำได้อย่างไร? จริงๆ แล้วมันง่ายมากครับ คุณแค่ลองมองหาคนที่ทำได้แล้ว มองหาสถานการณ์ที่วิธีนั้นมันได้ผลอยู่แล้ว จากนั้นก็ระบุหลักการสำคัญแล้วนำมาปรับใช้ มันเรียกว่าการสร้างแบบจำลอง (modelling) และผมก็ได้เฝ้าสังเกตและสร้างแบบจำลองการเรียนภาษามาเป็นเวลาประมาณสิบห้าถึงยี่สิบปีแล้วครับ และข้อสรุปของผม หรือข้อสังเกตจากเรื่องนี้ก็คือ ผู้ใหญ่ทุกคนสามารถเรียนภาษาที่สองจนพูดได้คล่องภายในหกเดือนครับ พอผมพูดแบบนี้ คนส่วนใหญ่จะคิดว่าผมบ้า เป็นไปไม่ได้หรอก ดังนั้นผมขอเตือนทุกคนให้ระลึกถึงประวัติศาสตร์ความก้าวหน้าของมนุษย์หน่อยนะครับ มันคือการขยายขีดจำกัดของเราไปเรื่อยๆ นั่นเอง ในปี 1950 ทุกคนเชื่อว่าการวิ่งหนึ่งไมล์ภายในสี่นาทีเป็นเรื่องที่เป็นไปไม่ได้ แต่แล้ว Roger Bannister ก็ทำได้ในปี 1956 และหลังจากนั้นสถิติก็สั้นลงเรื่อยๆ 100 ปีก่อน ทุกคนเชื่อว่าของหนักๆ บินไม่ได้ ยกเว้นว่าจริงๆ แล้วมันบินได้ และเราทุกคนก็รู้ดี ของหนักบินได้อย่างไร? เราจัดเรียงองค์ประกอบของวัตถุใหม่โดยใช้หลักการที่เราเรียนรู้จากการสังเกตธรรมชาติ ในกรณีนี้คือนก และวันนี้เราไปได้ไกลกว่านั้นอีก คุณสามารถขับรถที่บินได้แล้ว คุณสามารถซื้อเจ้ารถแบบนี้ได้ในราคาไม่กี่แสนดอลลาร์สหรัฐ ตอนนี้เรามีรถที่บินได้บนโลกแล้ว และยังมีวิธีบินอีกแบบที่เราเรียนรู้มาจากกระรอกบินด้วยครับ สิ่งที่คุณต้องทำก็แค่ลอกเลียนแบบสิ่งที่กระรอกบินทำ สร้างชุดที่เรียกว่าวิงสูทแล้วก็ออกบินได้เลย…

  • |

    การทดลองทางความคิดเพื่อทำให้ AI ดีขึ้น

    ทำไมระบบโครงข่ายประสาทเทียมถึงยังไม่เข้ามาแทนคน? ในโลกของ AI เครื่องควรเลียนแบบสิ่งที่เราทำ ไม่ใช่แค่คำนวณสถิติ เราจะทำอะไรได้บ้างด้วย “การทดลองทางความคิด” เพื่อพัฒนา AI ของเรา? ภาพถ่ายโดย Kazi Mizan บน Unsplash ความก้าวหน้าใน AI และ AGI ถูกนำไปใช้ในองค์กรค่อนข้างช้า เพราะ generative AI ในวันนี้ยังทำงานไม่ได้อย่างที่ผู้บริหารบิ๊กเทคหลายคนคาดการณ์ไว้ เราถูกเล่า “เรื่องแฟนตาซี” ว่าอีกไม่นานวิทยาศาสตร์ทั้งหมดจะถูกแก้ได้ด้วยเครื่องจักรที่ไปกวาดสถิติจากงานวิจัยที่มีอยู่แล้ว แต่ถ้างานวิจัยทางวิทยาศาสตร์มีคำตอบของวิทยาศาสตร์ในอนาคตอยู่แล้ว เราจะได้ประโยชน์อะไรจาก AI ในเมื่อวิทยาศาสตร์นั้น ถูกเขียนไว้แล้ว? AI ในวันนี้ชัดเจนว่ายังขาดชิ้นส่วนสำคัญ—ความเข้าใจว่าโลกทำงานอย่างไรในความสมจริงแบบหลายประสาทสัมผัส และปฏิสัมพันธ์ระหว่างสิ่งที่มองเห็นกับสิ่งที่จินตนาการ กาลิเลโอไม่ได้เขียนว่า ดาวเคราะห์ในระบบสุริยะมีดวงจันทร์เหมือนโลก เพราะไปอ่านจากหนังสือ แต่เพราะเขาเห็นมันผ่านกล้องโทรทรรศน์ที่เขาสร้างเอง จากนั้นเขาก็บันทึกสิ่งที่สังเกตได้จากกล้องคืนแล้วคืนเล่า จนค้นพบ “รูปแบบ” ขึ้นมา! แบบจำลองของเขาเกิดจากสมองของเขาเอง โดยเอาแนวคิดเรื่องโลกกับดวงจันทร์ของเรา มาผสานกับสิ่งที่เขาสังเกตจากดาวพฤหัสบดีและจุดเล็ก ๆ ที่โคจรรอบมัน แบบจำลองสุริยศูนย์กลางของโลกเกิดจากการวิเคราะห์การสังเกตแบบนี้ ไม่ใช่แค่จากการ อ่าน งานของคนอื่น เป้าหมายวันนี้ – แบบจำลองสมองที่ดีที่สุด วันนี้ผมจะนำเสนอทฤษฎี Patom ซึ่งเป็นแบบจำลองสมองที่อธิบายว่าเมื่อสมองเสียหายแล้วจะเกิดอะไรขึ้นตามมา ผมจะใช้คำพูดอ้างอิงจากตอนเปิดตัวทฤษฎีนี้ สิ่งนี้จะปูทางให้การวิเคราะห์ในครั้งหน้า สำหรับการวิเคราะห์ประโยคของผมว่า: “ใบหน้าของแม่คุณ” ซึ่งแสดงความสามารถโดยกำเนิดของเราในการทำ “เวทมนตร์” ส่วนใหญ่ที่เราเห็นในภาษามนุษย์ ในวิทยาศาสตร์ เราควรโฟกัสการศึกษาที่ “คำถามที่ถูกต้อง” ครับ สมองไม่ใช่คอมพิวเตอร์ ตั้งแต่ทศวรรษ 1970 หลายสาขาวิทยาศาสตร์เริ่มเอนเอียงจากแบบจำลองที่โฟกัสรายละเอียดเฉพาะของสิ่งที่ศึกษา ไปสู่แบบจำลองที่โฟกัสเรื่อง การคำนวณ รางวัลและการยกย่องระดับสูงมักตกเป็นของผู้นำที่ตั้งชื่อภาควิชาใหม่ ๆ เช่น ภาษาศาสตร์เชิงคำนวณ (Computational Linguistics), ประสาทวิทยาศาสตร์เชิงคำนวณ (Computational Neuroscience) และแม้แต่จิตวิทยาเชิงคำนวณ (Computational Psychology) ยังมีการผสานสาขาวิทยาศาสตร์กับวิศวกรรมเข้าด้วยกันด้วยชื่ออย่าง “Computational Science and Engineering (CSE)!” แนวทางที่ดีกว่า: มนุษยชาติควรเรียนรู้ที่จะทำให้วิทยาศาสตร์เดินหน้าต่อไป จนกว่าทางเลือกอื่น ๆ จะได้รับการพิสูจน์ แนวคิดเดิมของแมชชีนเลิร์นนิง (ML) นำไปสู่ดีพเลิร์นนิง และนำไปสู่โมเดลภาษาขนาดใหญ่ (Large Language Models) โมเดลทั้งหมดนั้นอาศัย ML แต่ผมจะให้คุณเห็นว่านี่ไม่ใช่วิธีที่สมองมนุษย์หรือสัตว์ทำงาน เรามีเหตุผลที่ดีกว่าแค่คำพูดว่า “สมองคือคอมพิวเตอร์” วันนี้เราจะเห็นว่าเหตุใด ML จึงไม่ใช่แบบจำลองที่เหมาะสำหรับ AI หรือ AGI และแบบจำลองเชิงแข่งขันของทฤษฎี pattern-atom หรือทฤษฎี Patom เริ่มอธิบายการทำงานของสมองได้อย่างไร โดยไม่ต้องใช้คำเปรียบเทียบ “คอมพิวเตอร์ดิจิทัล” มาบดบังการตัดสินของเรา สมองสัตว์…