SalePageDD
คลังความรู้บทความ ข่าวสาร

วิวัฒนาการของ AI: จากนิยายวิทยาศาสตร์สู่ ChatGPT

บทนำ: จาก “หุ่นยนต์ในหนัง” สู่เทคโนโลยีที่อยู่ในมือเรา

เมื่อพูดถึง ประวัติ AI หรือ วิวัฒนาการปัญญาประดิษฐ์ หลายคนอาจนึกถึงภาพหุ่นยนต์ในภาพยนตร์ฮอลลีวูด หรือคอมพิวเตอร์อัจฉริยะที่คิดแทนมนุษย์ได้ทุกอย่าง แต่ในโลกความจริง การพัฒนาของ AI ไม่ได้เกิดขึ้นแบบก้าวกระโดดภายในคืนเดียว หากเป็นการเดินทางยาวนานกว่า 70 ปี ที่เต็มไปด้วยทั้ง “ความหวังเกินจริง”, “ความล้มเหลว” และ “การกลับมาอย่างยิ่งใหญ่” จนกลายมาเป็น AI รุ่นใหม่อย่าง ChatGPT ที่เราใช้งานกันอยู่ในปัจจุบัน

บทความนี้จะพาคุณไล่เรียง ประวัติ AI ตั้งแต่ยุคแนวคิดในเชิงปรัชญา ยุคเริ่มต้นของคอมพิวเตอร์ การเกิดขึ้นของคำว่า Artificial Intelligence อย่างเป็นทางการ ยุคตกต่ำที่เรียกว่า AI Winter ไปจนถึงจุดเปลี่ยนครั้งสำคัญที่ทำให้เกิดยุค Deep Learning และเกิดโมเดลขนาดใหญ่แบบ ChatGPT – เพื่อให้เห็นภาพว่า วิวัฒนาการปัญญาประดิษฐ์ เดินทางมาถึงวันนี้ได้อย่างไร และกำลังจะเปลี่ยนอนาคตของเราไปในทิศทางไหน

จุดเริ่มต้นของไอเดีย: ก่อนจะมีคำว่า Artificial Intelligence

แนวคิด “เครื่องจักรคิดได้” ในยุคยังไม่มีคอมพิวเตอร์

แม้คำว่า AI จะเพิ่งถูกบัญญัติในศตวรรษที่ 20 แต่แนวคิดเรื่อง “สิ่งไม่มีชีวิตที่คิดเองได้” มีมาตั้งแต่ยุคโบราณ ทั้งในตำนานกรีก (อย่างเช่นรูปปั้นที่มีชีวิต) และแนวคิดเรื่องหุ่นกลอัตโนมัติในยุโรปช่วงศตวรรษที่ 18–19 ที่เริ่มมีการสร้างหุ่นกลที่ขยับได้ด้วยกลไกนาฬิกา สิ่งเหล่านี้แม้ยังไม่ใช่คอมพิวเตอร์ แต่สะท้อน “ความหมกมุ่นของมนุษย์” กับการสร้างสิ่งที่เลียนแบบสติปัญญามนุษย์มาตลอดประวัติศาสตร์

Alan Turing และคำถามที่เปลี่ยนโลก

จุดตั้งต้นสำคัญใน ประวัติ AI แบบที่อ้างอิงได้ชัดเจนมักจะย้อนกลับไปที่ผลงานของ Alan Turing นักคณิตศาสตร์ชาวอังกฤษ ผู้เสนอบทความชื่อ “Computing Machinery and Intelligence” ในปี ค.ศ. 1950 ซึ่งมีคำถามสำคัญว่า “Can machines think?” หรือ “เครื่องจักรสามารถคิดได้หรือไม่”

• Turing เสนอแนวคิด Turing Test – การทดสอบที่ให้มนุษย์สนทนาผ่านตัวอักษรกับอีก 2 ฝ่าย (มนุษย์หนึ่งคน และเครื่องจักรหนึ่งตัว) ถ้ามนุษย์แยกไม่ออกว่าใครคือเครื่องจักร แปลว่าเครื่องจักรนั้น “ฉลาดพอ” ในระดับหนึ่ง
• เขายังวางแนวคิด “คอมพิวเตอร์อเนกประสงค์” ที่สามารถเขียนโปรแกรมให้ทำอะไรก็ได้หากนิยามเป็นขั้นตอนได้ – แนวคิดนี้คือพื้นฐานของคอมพิวเตอร์และ AI ทั้งหมดในยุคต่อมา

ช่วงเวลานี้แม้จะยังไม่มีคำว่า “Artificial Intelligence” อย่างเป็นทางการ แต่ถือว่าเป็นยุคที่ “ความคิดเชิงทฤษฎี” เริ่มชัดเจนว่ามนุษย์อาจสร้างเครื่องจักรที่เลียนแบบการคิดของเราได้จริง

การกำเนิดคำว่า AI: Dartmouth Conference และความหวังเกินจริง

Dartmouth Workshop 1956: จุดเริ่มต้นอย่างเป็นทางการ

ปี ค.ศ. 1956 มักถูกระบุว่าเป็น “ปีเกิดของ AI” อย่างเป็นทางการ เพราะมีการจัดประชุมวิจัยฤดูร้อนที่ Dartmouth College ในสหรัฐฯ นำโดย John McCarthy ซึ่งเป็นผู้เสนอให้ใช้คำว่า Artificial Intelligence เป็นชื่อของสาขาการวิจัยใหม่นี้

• เป้าหมายของนักวิจัยยุคนั้นทะเยอทะยานมาก มีความเชื่อว่าภายในไม่กี่ปี เครื่องจักรจะสามารถแก้ปัญหาได้เหมือนมนุษย์
• มีการพัฒนาระบบอย่างเช่น Logic Theorist (1956) ที่สามารถพิสูจน์ทฤษฎีบททางคณิตศาสตร์บางอย่างได้ ซึ่งถือว่า “ล้ำมาก” สำหรับยุคนั้น

ในช่วงทศวรรษ 1950–1960 การวิจัย AI ได้รับการสนับสนุนจากรัฐบาล (โดยเฉพาะด้านกลาโหมในสหรัฐฯ) อย่างมหาศาล เพราะหวังว่าจะใช้ AI ในการวิเคราะห์ข่าวกรอง การวางแผนยุทธศาสตร์ และการแปลภาษาอัตโนมัติ

AI รุ่นแรก: Symbolic AI และข้อจำกัดที่หลายคนไม่รู้

ในยุคแรก วิวัฒนาการปัญญาประดิษฐ์ เน้นการใช้แนวทางที่เรียกว่า Symbolic AI หรือ GOFAI (Good Old-Fashioned AI) คือ:

• นักวิจัยจะ “เขียนกฎ” และ “เขียนตรรกะ” ใส่เข้าไปให้คอมพิวเตอร์ทีละข้อ
• เช่น หาก-แล้ว (IF-THEN), กฎตรรกะ, ความสัมพันธ์เชิงสัญลักษณ์ ระหว่างแนวคิดต่างๆ

ตัวอย่างเช่น ระบบ ELIZA (1966) โปรแกรมสนทนาเลียนแบบนักบำบัดจิต ที่ตอบคำถามด้วยการดัดแปลงประโยคของผู้ใช้ แม้จะไม่ได้ “เข้าใจจริงๆ” แต่ก็ทำให้หลายคนหลงคิดว่าเครื่องมีความฉลาดระดับหนึ่งแล้ว

อย่างไรก็ตาม แนวทางนี้มีข้อจำกัดสำคัญที่มักจะไม่ถูกพูดถึงในระดับสาธารณะ:

• โลกความจริงซับซ้อนเกินกว่าจะเขียนกฎได้ครบทุกกรณี
• เมื่อเผชิญกับข้อมูลไม่ตรงตามกฎ ระบบจะ “งง” และล้มเหลวง่าย
• ไม่สามารถเรียนรู้จากข้อมูลใหม่ๆ ได้เอง ต้องพึ่งมนุษย์เขียนกฎเพิ่มอย่างเดียว

AI Winter: จากความคาดหวังสูงสู่ความผิดหวัง

รายงานวิจารณ์และการตัดงบประมาณ

ช่วงปลายทศวรรษ 1960–1970 โลกเริ่มตระหนักว่า AI ไม่ได้ก้าวหน้าเร็วอย่างที่เคยโฆษณาไว้ หลายโครงการที่ได้รับทุนมหาศาลกลับให้ผลลัพธ์ที่จำกัด เช่น โครงการแปลภาษาของสหรัฐฯ ที่ไม่สามารถแปลภาษาธรรมชาติได้อย่างมีคุณภาพ

มีรายงานสำคัญอย่าง Lighthill Report ในสหราชอาณาจักร (1973) ที่วิจารณ์ว่าการวิจัย AI ยังห่างไกลจากการใช้งานจริง และเน้นแต่ปัญหาตัวอย่างเฉพาะกรณี ส่งผลให้รัฐบาลหลายประเทศ “ตัดงบประมาณ” การวิจัย AI ลงอย่างมาก

AI Winter คืออะไร?

ช่วงเวลาที่ความคาดหวังต่อ AI ลดฮวบ และเงินทุนหายไป ถูกเรียกว่า AI Winter หรือ “ฤดูหนาวของ AI” ซึ่งเกิดขึ้นกว้างขวางในช่วง:

• AI Winter รอบแรก: ประมาณทศวรรษ 1970
• AI Winter รอบสอง: ช่วงปลายทศวรรษ 1980–ต้น 1990

ผลกระทบคือ:

• โครงการวิจัยหลายแห่งถูกยกเลิก
• นักวิจัยจำนวนมากต้องเปลี่ยนสาขาไปทำงานด้านอื่น
• ภาพลักษณ์ของ AI ในแวดวงวิชาการและการเงินถูกมองว่า “คุยเกินจริง”

มุมที่คนทั่วไปอาจไม่ค่อยรู้คือ AI ไม่ได้ “หยุดพัฒนา” ในช่วง AI Winter เพียงแต่การพัฒนาเดินช้าลงและอยู่ในวงจำกัด เช่น งานด้านตรรกะ, การพิสูจน์ทฤษฎีบท, การวางแผน, และการรู้จำรูปแบบเบื้องต้น

การกลับมาของ AI: จาก Expert System สู่ Machine Learning

ยุค Expert Systems: AI ในองค์กรธุรกิจ

ช่วงทศวรรษ 1980 มีการฟื้นตัวรอบหนึ่งของ วิวัฒนาการปัญญาประดิษฐ์ ผ่านแนวคิด Expert Systems หรือ “ระบบผู้เชี่ยวชาญ” ที่พยายามเก็บความรู้ของผู้เชี่ยวชาญในสาขาต่างๆ มาเป็นกฎจำนวนมาก เพื่อให้ระบบคอมพิวเตอร์ให้คำแนะนำแทนผู้เชี่ยวชาญบางส่วน

• ตัวอย่าง: ระบบช่วยแพทย์วินิจฉัยโรค, ระบบช่วยให้คำปรึกษาด้านภาษีและกฎหมาย
• องค์กรใหญ่ๆ โดยเฉพาะในอเมริกาและญี่ปุ่น เริ่มลงทุนพัฒนาระบบลักษณะนี้

แม้จะประสบความสำเร็จในบางกรณี แต่ Expert Systems ก็เจอปัญหาเดิม:

• ต้องใช้เวลามากในการ “ขูดความรู้” จากผู้เชี่ยวชาญแล้วแปลงเป็นกฎ
• เมื่อสภาพแวดล้อมเปลี่ยน กฎที่มีอยู่เริ่มไม่ทันสมัย ต้องปรับอยู่เสมอ
• ไม่สามารถ “เรียนรู้เอง” จากข้อมูลเหมือนมนุษย์

ก้าวสู่ Machine Learning: ให้คอมพิวเตอร์เรียนรู้จากข้อมูลแทนการเขียนกฎ

คำตอบต่อข้อจำกัดข้างต้น คือการเปลี่ยนมุมมองจาก “ให้มนุษย์เขียนกฎ” มาเป็น “ให้เครื่องเรียนรู้กฎจากข้อมูล” ซึ่งก็คือแนวทาง Machine Learning

• มนุษย์เตรียม “ตัวอย่างข้อมูล” พร้อมคำตอบ (เช่น รูปภาพแมว/หมา พร้อมป้ายกำกับ)
• ระบบจะเรียนรู้ “รูปแบบ” ในข้อมูลและใช้ทำนายคำตอบของข้อมูลใหม่

ในช่วงปลายทศวรรษ 1990 – 2000 แนวทาง Machine Learning เริ่มมีโมเดลหลากหลาย เช่น Decision Tree, SVM, Random Forest และ Neural Network รุ่นแรกๆ ทำให้ความแม่นยำงานจำแนกประเภทและการทำนายดีขึ้นมาก

Deep Learning และจุดเปลี่ยนครั้งใหญ่ของ AI

ปัจจัยที่ทำให้ Deep Learning เกิดผลจริง

แม้โครงข่ายประสาทเทียม (Neural Network) จะถูกเสนอมาก่อนหน้านั้น แต่เหตุผลที่ Deep Learning กลายเป็นจุดเปลี่ยนสำคัญใน ประวัติ AI มี 3 ปัจจัยหลัก:

• พลังประมวลผล (GPU) – การ์ดจอและสถาปัตยกรรมคอมพิวเตอร์ที่ทรงพลังขึ้น ทำให้เทรนโมเดลขนาดใหญ่ได้จริง
• ข้อมูลจำนวนมาก (Big Data) – อินเทอร์เน็ต, สมาร์ตโฟน, โซเชียลมีเดีย ทำให้มีข้อมูลมหาศาลให้ระบบเรียนรู้
• อัลกอริทึมใหม่ๆ – เทคนิคเช่น Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN) และภายหลังคือตระกูล Transformer

เหตุการณ์สัญลักษณ์: จาก AlphaGo ถึงผู้ช่วยดิจิทัล

ตัวอย่างสำคัญที่ทำให้คนทั่วไปเริ่มตระหนักถึงพลังของ AI ยุคใหม่ ได้แก่:

• AlphaGo (2016) – ระบบของ DeepMind (ในเครือ Google) ที่เอาชนะ Lee Sedol แชมป์โลกหมากล้อม ซึ่งเคยถูกมองว่าเป็นเกมที่ยากเกินกว่าคอมพิวเตอร์จะเล่นชนะมนุษย์ระดับโลกได้ในระยะเวลาอันใกล้
• ระบบรู้จำภาพและเสียง – การรู้จำใบหน้า, การสั่งงานด้วยเสียง, การแปลภาษาแบบเรียลไทม์ กลายเป็นฟีเจอร์ธรรมดาในสมาร์ตโฟน

จุดที่หลายคนไม่ทันสังเกตคือเบื้องหลังความ “ลื่นไหล” ของฟีเจอร์เหล่านี้ คือการใช้โมเดล Deep Learning ที่ผ่านการฝึกด้วยข้อมูลระดับ “หลักล้านถึงพันล้านตัวอย่าง” ซึ่งเกินกว่าที่มนุษย์จะตรวจสอบทีละชิ้นได้แล้ว

จาก GPT สู่ ChatGPT: AI ที่ “คุยกับมนุษย์” ได้จริง

Transformer: สถาปัตยกรรมที่เปลี่ยนเกม

ปี ค.ศ. 2017 มีการเผยแพร่บทความวิจัยชื่อ “Attention Is All You Need” โดยทีม Google ที่เสนอโมเดลสถาปัตยกรรมใหม่เรียกว่า Transformer ซึ่งกลายเป็นรากฐานของโมเดลภาษา (Language Model) ยุคใหม่

• Transformer ใช้กลไก Attention เพื่อ “มอง” คำทุกคำในประโยคพร้อมกัน ทำความเข้าใจบริบทได้ดีกว่ารุ่นก่อน
• สามารถฝึกฝนกับ “ข้อมูลข้อความปริมาณมหาศาล” จากอินเทอร์เน็ต หนังสือ และแหล่งข้อมูลอื่นๆ

ตระกูล GPT: จากต้นแบบสู่การใช้งานจริง

OpenAI นำไอเดีย Transformer มาพัฒนาต่อเป็นโมเดลตระกูล GPT (Generative Pre-trained Transformer) ซึ่งเป็นหัวใจของการมาถึงของ ChatGPT:

• GPT-1 (2018) – พิสูจน์แนวคิดว่า “Pre-training บนข้อความขนาดใหญ่ แล้ว Fine-tune ภายหลัง” ใช้งานได้ดี
• GPT-2 (2019) – สร้างความฮือฮาเพราะสามารถเขียนบทความต่อจากประโยคตั้งต้นได้อย่างเนียน จนมีการชะลอปล่อยโมเดลเต็มด้วยเหตุผลด้านความปลอดภัย
• GPT-3 (2020) – โมเดลขนาดใหญ่ขึ้นอย่างมาก (ระดับร้อยกว่าพันล้านพารามิเตอร์) ทำให้สามารถเขียนโค้ด แปลภาษา ตอบคำถาม และสร้างคอนเทนต์ได้หลากหลายขึ้น

ChatGPT: เมื่อ AI กลายเป็น “อินเตอร์เฟสใหม่ของความรู้”

ปลายปี 2022 การเปิดตัว ChatGPT ทำให้ภาพของ วิวัฒนาการปัญญาประดิษฐ์ เปลี่ยนไปในสายตาคนทั่วไปอย่างชัดเจน:

• ChatGPT นำ GPT มาผ่านกระบวนการฝึกเพิ่มเติมด้วยเทคนิคอย่างเช่น Reinforcement Learning from Human Feedback (RLHF) เพื่อให้ตอบสนองสอดคล้องกับความคาดหวังของมนุษย์
• มีอินเตอร์เฟสแบบ “แชต” ที่เป็นธรรมชาติมากกว่าการเขียนคำสั่งโปรแกรม ทำให้คนทั่วไปเข้าถึงได้ทันที
• สามารถตอบคำถาม เขียนโค้ด สรุปเอกสาร ให้ไอเดีย ทำแผนธุรกิจ หรือแม้แต่ brainstorm งานสร้างสรรค์ ต่างจาก AI ยุคก่อนที่ทำงานเฉพาะด้านมาก

สิ่งที่หลายคนไม่ทันเห็นคือ ChatGPT ไม่ได้เป็นเพียง “บอตแชต” แต่เป็นตัวอย่างชัดเจนของ “โมเดลภาษา (Large Language Model)” ที่เรียนจากสถิติของภาษามนุษย์มหาศาล แล้วสร้างข้อความใหม่ตามแบบแผนเหล่านั้น ซึ่งมีทั้ง ข้อดีมหาศาล (ช่วยประหยัดเวลา สร้างไอเดีย) และ ข้อจำกัดสำคัญ (อาจตอบผิด มั่วอย่างน่าเชื่อ หรือมีอคติจากข้อมูลฝึก)

บทสรุป: ทำไมการเข้าใจประวัติ AI จึงสำคัญต่ออนาคตของเรา

เมื่อมองย้อนกลับไป การเดินทางของ ประวัติ AI และ วิวัฒนาการปัญญาประดิษฐ์ จะเห็นลักษณะ “เป็นคลื่น” ชัดเจน:

• เริ่มจากความหวังสูง – สู่ความผิดหวัง – แล้วกลับมาใหม่พร้อมเทคโนโลยีที่ดีขึ้น
• จากการ “เขียนกฎ” ให้คอมพิวเตอร์ – สู่การ “ให้คอมพิวเตอร์เรียนรู้” จากข้อมูลเอง
• จากระบบเฉพาะทาง – สู่โมเดลขนาดใหญ่ที่ทำได้หลากหลายอย่างเช่น ChatGPT

สำหรับเจ้าของธุรกิจ นักการตลาด ครีเอเตอร์ หรือผู้ใช้งานทั่วไป การเข้าใจเส้นทางเหล่านี้จะช่วยให้:

• ใช้ AI อย่าง “มีสติ” – เห็นทั้งศักยภาพและข้อจำกัด ไม่หลงเชื่อเกินจริง
• มองเห็นโอกาส – รู้ว่าตอนนี้ AI เก่งด้านไหน นำไปใช้สร้างมูลค่าเพิ่มอย่างไรได้บ้าง
• เตรียมตัวรับการเปลี่ยนแปลง – ทั้งในด้านอาชีพ ทักษะที่ต้องพัฒนา และจริยธรรมการใช้ข้อมูล

สุดท้ายแล้ว AI อย่าง ChatGPT ไม่ใช่ “จุดจบ” ของวิวัฒนาการ แต่เป็นเพียง “อีกหนึ่งจุดหมายระหว่างทาง” การเข้าใจที่มาที่ไปอย่างลึกซึ้งจะช่วยให้เราปรับตัว และใช้เทคโนโลยีนี้ให้เป็นประโยชน์สูงสุด ทั้งต่อธุรกิจและต่อสังคมในระยะยาวนะครับ