| |

ความเข้าใจไม่ใช่แค่การท่องจำ

เราเรียนรู้กันอยู่ตลอดเวลาเลยนะคะ ไม่ว่าอายุจะเท่าไหร่ เราไม่เคยหยุดเรียนรู้เลย แต่คุณจะแปลกใจไหมคะถ้าจะบอกว่ามีนักวิทยาศาสตร์หลายคนเสนอโมเดลที่ว่าเราหยุดเรียนรู้ตั้งแต่อายุยังน้อย? นั่นไม่เป็นความจริงเลยค่ะ แม้ว่าการมีงานวิจัยเพิ่มเติมจะช่วยพิสูจน์ประเด็นนี้ได้ดีขึ้นก็ตาม เราแค่ต้องการคนที่จะมาใช้วิทยาศาสตร์เชิงทดลองเพื่อพิสูจน์มันค่ะ!

บรรยากาศข้างในสตาร์บัคส์ชั้นล่างที่โตเกียวค่ะ – ว้าว! เป็นสถานที่ที่เหมาะมากเลยที่จะมาเรียนรู้เรื่องภาษาและความสามารถในการทำความเข้าใจของเรา พร้อมจิบกาแฟไปด้วย!

 

โอเคค่ะ แล้วทำไมถึงกล้าพูดได้ว่าการเรียนรู้ไม่เคยหยุดลงเมื่อเราโตขึ้น? ทำไมถึงมั่นใจขนาดนั้นกันนะ?

คุณรู้จักคำว่า Preada (ซึ่งเป็นคำที่แต่งขึ้นมา) ไหมคะ? มันคือแบรนด์แว่นตาเหมือนกับ Prada ค่ะ Preada จะใส่ความพยายาม (Effort – E) เข้าไปในการออกแบบของ Prada มากขึ้น เลยกลายเป็นชื่อ PraEda ไงคะ! ทีนี้ ถ้าประโยคเหล่านี้ไม่สื่อความหมายอะไรกับคุณเลย ก็แปลว่าคุณยังไม่ได้เรียนรู้อะไร แต่ถ้าตอนนี้คุณได้ยินชื่อ Praeda แล้ว คุณก็ได้เรียนรู้คำศัพท์ใหม่ที่หมายถึงบริษัทที่ไม่มีอยู่จริงไปแล้วค่ะ QED: เราเรียนรู้กันอยู่เสมอจริงๆ เห็นได้จากความสามารถในการเรียนรู้คำศัพท์ใหม่ๆ จากการสื่อสารนี่แหละค่ะ

ทำไม AI เชิงสถิติในปัจจุบันถึงถูกกำหนดให้ล้มเหลว? ก็เพราะว่าการใช้ภาษานั้นไม่มีที่สิ้นสุด เป้าหมายที่จะหาตัวอย่างการสื่อสารทุกรูปแบบ (เพื่อให้จดจำได้อย่างแม่นยำ) จึงเป็นเป้าหมายที่ล้มเหลวอย่างแน่นอนค่ะ

มาดูกันค่ะว่าฉันได้เรียนรู้อะไรจากสตาร์บัคส์ที่โตเกียวบ้าง!

 

“Please hand this receipt to our Barista at the hand off.” (โปรดยื่นใบเสร็จนี้ให้บาริสต้าของเราที่จุดส่งมอบ) ไม่ค่ะ นี่ไม่ใช่ประโยคภาษาอังกฤษที่ดีเท่าไหร่ แต่ฉันก็เข้าใจมันได้อย่างสมบูรณ์แบบเลยนะคะ เวลาเราสั่งเครื่องดื่มที่ร้านกาแฟ ฉันรู้ว่าพวกเขาจะทำเครื่องดื่มแล้วเรียกชื่อฉัน (หรือเปิดเครื่องส่งสัญญาณ) เพื่อแจ้งว่าเครื่องดื่มพร้อมให้ไปรับแล้ว ที่จุดรับเครื่องดื่ม (การส่งมอบเครื่องดื่มของฉัน) ฉันต้องยื่นใบเสร็จให้บาริสต้า

ฉันเข้าใจกระบวนการที่ว่านี้อย่างละเอียด และสามารถเข้าใจการเปลี่ยนมุมมองจาก ‘การส่งมอบของฉัน’ (สิ่งที่ฉันให้ไป) ไปเป็น ‘การส่งมอบของพวกเขา’ (สิ่งที่พวกเขามอบให้ฉัน) ได้

มันเป็นเรื่องที่ซับซ้อนเหมือนกันนะคะ: ความเข้าใจในภาษาต้องอาศัยการพิจารณาปัจจัยจำนวนมากที่เกี่ยวข้องกับโลกแห่งความเป็นจริง การปฏิสัมพันธ์เหล่านี้ในช่วงทศวรรษ 1980 ถูกเรียกว่า ‘สคริปต์’ (scripts) และ ‘เฟรม’ (frames) ซึ่งระบบ FrameNet ของ UC Berkeley ก็พยายามที่จะบันทึก ‘เฟรม’ ประเภทต่างๆ เหล่านี้ไว้

ถ้าใครคิดว่าตัวเองแก่เกินจะเรียนรู้แล้ว งั้นเดี๋ยวจะลองแปลประโยคที่สองให้ฟังนะคะ: “We sincerely serve our almondmilk beverages to our customers by using this receipt.” (เราให้บริการเครื่องดื่มนมอัลมอนด์แก่ลูกค้าด้วยความจริงใจโดยใช้ใบเสร็จนี้) ซึ่งหมายความว่า:

“โปรดใช้ใบเสร็จนี้แลกกาแฟนมอัลมอนด์ของคุณ”

จริงๆ นะคะ มันมีความจริงใจบางอย่างที่ฉันไม่ได้ใส่เข้าไป แต่ใบเสร็จไม่ได้เป็นสาเหตุที่ทำให้เครื่องดื่มถูกเสิร์ฟ! ฉันแปลคำว่า “almondmilk” เป็นสองคำคือ “almond” และ “milk”

ขอบเขตความเข้าใจอันกว้างขวางของฉันเกี่ยวกับสถานการณ์นี้ ทำให้ฉันสามารถเปลี่ยนภาษาอังกฤษที่ไม่เป็นมาตรฐานให้กลายเป็นคำขอที่ชัดเจนและไม่คลุมเครือได้อย่างง่ายดาย จากข้อมูลการสังเกตการณ์สมองเป็นเวลาหลายปีที่นำไปสู่การก่อตั้งทฤษฎี Patom เราสามารถทำสิ่งนี้ซ้ำได้โดยไม่จำเป็นต้องเก็บตัวอย่างภาษาหลายๆ ชุดเพื่อจดจำรูปแบบใหม่ๆ ของภาษาเลยค่ะ เราสามารถเรียนรู้คำศัพท์ได้ทันที เช่นเดียวกับวลีและมุมมองที่แตกต่างกันของเหตุการณ์ต่างๆ ได้เลย!

เรามาลองดูอีกสักตัวอย่างกันนะคะ เพื่อให้เห็นถึงทักษะอันน่าทึ่งของเราในการถอดรหัสข้อความในภาษา หมายเหตุ: ฉันจะไม่พยายามทำความเข้าใจภาษาญี่ปุ่นในที่นี้นะคะ เพราะไม่เพียงแต่จำตัวอักษรไม่ได้ แต่ยังไม่รู้จักคำศัพท์ วลี และความหมายของความสัมพันธ์ต่างๆ ด้วยค่ะ!

 

ตัวอย่างที่สองของการทำความเข้าใจภาษาอังกฤษที่ไม่ได้เป็นไปตามมาตรฐานค่ะ นี่คือสี่ประโยคที่แต่ละประโยคมี “ข้อผิดพลาด” ให้เราถอดรหัส ซึ่งมันง่ายมากเลยค่ะ และยังแสดงให้เห็นว่าสมองของเราน่าทึ่งแค่ไหนในการทำความเข้าใจภาษาอังกฤษ

เรามาทบทวนแต่ละประโยคเพื่อเปรียบเทียบภาษาอังกฤษของฉันกับของพวกเขากันค่ะ

“To Customers who use table” (ถึงลูกค้าที่ใช้โต๊ะ)

โอเคค่ะ ฉันจะไม่ใช้ ‘Customers’ เป็นตัวพิมพ์ใหญ่ และไม่ใช่ ‘table’ แต่เป็น ‘this table’ (โต๊ะนี้) ประโยคนี้เป็นการเกริ่นนำประโยคถัดไป ดังนั้นอาจจะใช้เครื่องหมายโคลอน ‘:’ ช่วยได้

“This table will be reserved from 16:30 to close.” (โต๊ะนี้จะถูกจองตั้งแต่เวลา 16:30 น. ถึงเวลาปิด)

ฉันจะเปลี่ยน ‘to’ เป็น ‘until’ (จนกระทั่ง) ค่ะ ทำไมน่ะเหรอ? ฉันก็ไม่รู้เหมือนกัน แต่ฉันชอบใช้ ‘until’ กับการอ้างอิงเวลาที่เป็นจุดสิ้นสุดของระยะเวลามากกว่า บางที ‘we close’ (เราปิด) อาจจะชัดเจนกว่า ‘close’ เฉยๆ ก็ได้ค่ะ “… from 16:30 until we close.” (ตั้งแต่ 16:30 น. จนกระทั่งเราปิดร้าน)

“When the time comes, the staff will communicate to you” (เมื่อถึงเวลา พนักงานจะสื่อสารกับคุณ)

อืมมม ข้อนี้ยากหน่อย เพราะฉันคงไม่พูดตรงๆ แบบนี้ บางทีอาจจะเป็น “We will remind you if you are still here after 16:30.” (เราจะเตือนคุณหากคุณยังอยู่ที่นี่หลังเวลา 16:30 น.) (ฉันชอบให้แต่ละประโยคจบด้วยเครื่องหมายมหัพภาค) ไม่จำเป็นต้องบอกว่าพนักงานจะ ‘พูดคุยกับ’ (communicate WITH) เรา

“We thank you for your cooperation” (เราขอขอบคุณสำหรับความร่วมมือของคุณ)

เติมเครื่องหมายมหัพภาคเข้าไป! โอเคค่ะ นั่นเป็นแค่ความชอบส่วนตัวของฉัน นี่เป็นวิธีที่สุภาพในการบอกให้เราทำตาม “You have been warned” (คุณได้รับการเตือนแล้ว) จะตรงกว่า แต่ไม่ให้เกียรติลูกค้า ประโยคนี้ใช้เทคนิค ‘การปิดการขายแบบทึกทักเอาเอง’ (assumptive close) เพราะหลายคนอาจจะไม่ให้ความร่วมมือก็ได้! แต่เราสามารถใส่ข้อความที่ไม่เป็นจริง “your cooperation” (ความร่วมมือของคุณ) เข้าไปในการขอบคุณแบบนี้ได้: “We thank you for…” (เราขอขอบคุณสำหรับ…)

บทสรุป

ภาษานั้นเป็นเครื่องมือสื่อสารที่แม่นยำและเที่ยงตรงอย่างยิ่งเลยค่ะ ในฐานะที่เป็นการใช้คำและวลีที่ประกอบกันได้ไม่สิ้นสุดตามบริบท เราสามารถเข้าใจได้มากกว่าสิ่งที่เขียนไว้เพื่อสื่อสารคำขอต่างๆ

ความเข้าใจไม่ใช่แค่การท่องจำ ตัวอย่างต่างๆ แสดงให้เห็นคำและวลีที่ฉันไม่เคยเห็นมาก่อน!

ในตัวอย่างนี้ ภาษาอังกฤษที่เข้าใจได้อย่างสมบูรณ์แบบถูกสร้างขึ้นโดยเจ้าของภาษาญี่ปุ่นในร้านสตาร์บัคส์ที่โตเกียว ในขณะที่ฉันสามารถเขียนบทความเกี่ยวกับความแตกต่างเหล่านี้ได้มากมาย แต่จุดประสงค์ของการสื่อสารคือการส่งสารของเราให้ไปถึงอีกฝ่ายอย่างกระชับ แนวทางพื้นฐานในการสื่อสารนี้ (อ้างอิงถึง Grice’s Maxims สำหรับรายละเอียดเพิ่มเติม) เป็นรูปแบบมาตรฐานของมนุษย์ที่เราไม่เคยถูกสอนโดยตรง แต่ดูเหมือนว่าเราจะปฏิบัติตามกันอยู่แล้ว

สำหรับใครที่กำลังหวัง (หรือที่เรียกว่า ‘ความหวังลมๆ แล้งๆ’) ว่า AI เชิงสถิติจะ ‘สักวันหนึ่ง’ สามารถเข้าใจประเด็นมากมายที่ฉันได้กล่าวถึงในวันนี้ได้ บางทีบทความนี้อาจจะช่วยชวนให้คุณมองไปไกลกว่าแนวทาง AI ในปัจจุบันก็ได้นะคะ เพราะ AI ยุคต่อไปกำลังถือกำเนิดขึ้นจากองค์ความรู้ด้านกระบวนการคิดและรับรู้ (cognitive sciences) แล้วค่ะ!

 

วิวกรุงโตเกียวจากชั้นบนสุดของสตาร์บัคส์ที่น่าทึ่งแห่งนี้!

 

นี่ฉันอยู่ที่ไหนกันนะ? ที่นี่เป็นร้านกาแฟ บาร์ หรือพิพิธภัณฑ์กันแน่?!

อยากเข้ามามีส่วนร่วมกับเรามากขึ้นไหมคะ?

ถ้าคุณอยากมีส่วนร่วมกับโปรเจกต์ใหม่ของเราที่จะสร้างระบบการเรียนรู้ภาษาในรูปแบบเกม คุณสามารถติดตามความคืบหน้าได้ที่เว็บไซต์นี้เลยค่ะ (คลิก) และสามารถติดตามข่าวสารได้โดยการเพิ่มอีเมลของคุณในรายชื่อผู้ติดต่อบนเว็บไซต์นั้นได้เลยค่ะ

 

John Ball inside AI เป็นสื่อสิ่งพิมพ์ที่ได้รับการสนับสนุนจากผู้อ่าน หากต้องการรับโพสต์ใหม่ๆ และสนับสนุนผลงานของฉัน โปรดพิจารณาสมัครเป็นสมาชิกแบบฟรีหรือแบบชำระเงินนะคะ

 
 

Similar Posts

  • | | |

    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…

Leave a Reply

Your email address will not be published. Required fields are marked *