หากเอ่ยถึงโลกของ AI (Artificial Intelligence) ในปัจจุบัน สิ่งที่เห็นกันอยู่ก็คือการที่บริษัทต่าง ๆ ทั้งเล็กและใหญ่พยายามรวบรวมดาต้าจำนวนมาก (ทั้งแบบถูกต้องและผิดจริยธรรม) เพื่อนำไปใช้ในการเทรน AI ก่อนจะนำ AI เหล่านั้นกลับมาช่วยวิเคราะห์หรือคาดการณ์ความเป็นไปต่าง ๆ แต่ภาพเหล่านี้ในอีก 5 ปีข้างหน้าคงต้องบอกว่าอาจไม่เหลือเค้าเดิมเลยก็ว่าได้ เมื่อผู้เชี่ยวชาญด้านเทคโนโลยีจาก Accenture Research อย่าง H. James Wilson และ Paul R. Daugherty รวมถึง Chase Davenport ผู้เชี่ยวชาญอิสระกำลังจะบอกว่า AI ในอนาคตจะคิดเองได้ไม่ต่างจากมนุษย์ และใช้ดาต้าน้อยกว่าที่ AI ในปัจจุบันใช้อย่างมาก
โดยสิ่งที่แตกต่างระหว่าง AI ตอนนี้กับ AI ในอนาคตก็คือ รูปแบบของความอัจฉริยะ โดย AI ตอนนี้เก่งเพราะมีเทคโนโลยี Deep learning และ Machine learning ช่วยในการเรียนรู้ ซึ่งจะทำได้ต้องอาศัยข้อมูลจำนวนมาก และมีข้อจำกัดมากไม่แพ้กัน
ข้อจำกัดประการแรกคือ ตัวอย่างเรื่องรถอัจฉริยะไร้คนขับ ที่มันวิ่งได้ดีทุกวันนี้เป็นเพราะมีการป้อนข้อมูลสภาพการจราจรต่าง ๆ ภาพของคนเดินถนน ฯลฯ เข้าไปมากมายจนมันสามารถวิเคราะห์ได้ว่าอะไรคือถนน และสิ่งใดบ้างที่มันควรหลบหลีก แต่ข้อเสียก็คือ ในกรณีที่มันเจอวัตถุที่ไม่เคยรู้จักมาก่อน เช่น เด็กใส่ชุดวันฮาโลวีนเดินข้ามถนน AI ในปัจจุบันจะไม่สามารถแยกแยะได้ว่านั่นคืออะไร
หรือกรณีของ iPhone X ก็เคยมีเช่นกันที่เจ้าของไม่สามารถปลดล็อกเครื่องตอนเช้าได้ เพราะหน้าตอนตื่นนอนกับหน้าตอนที่ระบบจดจำไว้เป็นคนละแบบกัน
ข้อจำกัดอีกประการหนึ่งของบริษัทที่ต้องการเทรน AI ในปัจจุบันพบเจอก็คือ ไม่สามารถหาดาต้ามาเทรน AI ได้ หลายบริษัทจึงเลือกใช้วิธีที่ไม่เหมาะสม หรือมีการละเมิดความเป็นส่วนตัวของเจ้าของข้อมูลในรูปแบบต่าง ๆ เพื่อให้ได้มาซึ่งดาต้าเหล่านั้น และก็แน่นอนว่ามีประเทศที่เห็นถึงอันตรายดังกล่าว จนต้องออกกฎหมายมาควบคุม เช่น กรณีของสหภาพยุโรปที่บังคับใช้กฎหมาย GDPR เพื่อให้บริษัทที่เข้าถึงดาต้าของชาวยุโรปใช้งานดาต้าเหล่านั้นภายใต้การควบคุมอย่างเข้มงวดมากขึ้น
อย่างไรก็ดี ในอนาคต จุดอ่อนต่าง ๆ เหล่านี้กำลังจะหายไป เนื่องจากตอนนี้มีบริษัทด้านเทคโนโลยีที่กำลังพัฒนา AI รุ่นใหม่ที่เก่งกว่าเดิม แถมไม่ต้องการดาต้ามากเท่า AI ในปัจจุบัน แต่กลับทำงานได้รวดเร็วขึ้น และคิดเหมือนมนุษย์มากขึ้นด้วย โดยเราอาจแยกความสามารถเด่น ๆ ของ AI รุ่นใหม่ได้เป็น 4 ด้าน ได้แก่
AI ที่คิดได้อย่างมีประสิทธิภาพมากขึ้น
ในจุดนี้นักวิจัยด้านเทคโนโลยีพยายามสร้างบ็อทที่รู้จักคิดวิเคราะห์ และทำความเข้าใจวัตถุต่าง ๆ ได้โดยใช้ดาต้าน้อยกว่าในอดีต ตัวอย่างที่เห็นได้ชัดคือ Vicarious สตาร์ทอัพในแคลิฟอร์เนีย ที่มีนักลงทุนชื่อดังอย่าง Mark Zuckerberg, Jeff Bezos และ Marc Benioff หนุนหลัง โดยสิ่งที่ Vicarious สร้างคือ Artificial General Intelligence ที่สามารถทำงานได้แม้จะมีการป้อนข้อมูลเข้ามาในระบบที่น้อยมาก
ยกตัวอย่างเช่น CAPTCHA (Completely Automated Public Turing tests to tell Computers and Humans Apart) แผงตัวหนังสือที่มักปรากฏขึ้นมาเพื่อให้เราป้อนลงไปในกล่องข้อความ ถ้าป้อนได้ถูกต้องก็คือเครื่องหมายว่าเราคือมนุษย์ ซึ่งภาพเหล่านี้ สำหรับ AI ในปัจจุบันยังถือว่ายาก และต้องใช้ภาพในการเทรน AI เป็นจำนวนมาก แต่สำหรับบ็อทของ Vicarious นักวิจัยสามารถสร้างโมเดลที่ทำให้ AI วิเคราะห์ภาพ CAPTCHA ได้อย่างถูกต้อง และมีประสิทธิภาพเหนือกว่าระบบ Neural Network เดิม ๆ ถึง 300 เท่า (โมเดลของ Vicarious นั้นต้องการการเทรนแค่ตัวอักษรละ 5 ภาพเท่านั้น แต่ความสามารถในการวิเคราะห์ CAPTCHAs ทำได้อย่างถูกต้องถึง 67% โดยถ้าเป็น Neural Network แบบปัจจุบันนั้นต้องเทรนด้วยข้อมูลที่มากกว่าถึง 50,000 เท่า)
AI ที่เป็นผู้เชี่ยวชาญพร้อมใช้
ในจุดนี้มี AI แบบ Top-down AI เกิดขึ้นมา และเข้ามาทำงานแทน AI แบบที่เรารู้จักกันในทุกวันนี้ (ผู้เชี่ยวชาญผู้เขียนบทความเรียก AI ในปัจจุบันว่าเป็น bottom-up machine learning methods หรือก็คือ AI ที่ต้องมีดาต้ามากพอก่อนจึงจะเรียนรู้ได้) พร้อมยกตัวอย่างของค่าย Siemens ที่นำ Top-down AI เข้ามาใช้แล้วโดยการให้มันควบคุมการเผาไหม้ภายในโรงงานที่มีตัวแปรต่าง ๆ เป็นจำนวนมาก และมีความซับซ้อนสูง พร้อมเปรียบเทียบว่า ถ้าค่าย Siemens ใช้ AI แบบเดิมที่ต้องการดาต้ามาก ๆ นั้น โรงงานต้องเผาไหม้เชื้อเพลิงเพื่อเก็บข้อมูลไปสัก 100 ปีก่อนจึงจะมีดาต้ามากพอนั่นเอง
AI ที่เรียนรู้ได้ผ่าน Common Senses
คอมมอนเซนส์นั้นเป็นธรรมชาติของมนุษย์ ทุกวันนี้เรามองเห็นวัตถุต่าง ๆ เห็นการกระทำต่าง ๆ แล้วก็เก็บมาทำตาม หรือไม่ก็เก็บไว้เรียนรู้เตือนใจตัวเอง แต่เทคโนโลยีของ AI ในปัจจุบันไม่ได้เรียนรู้แบบนั้นเลย AI ในปัจจุบันต้องการดาต้าเพื่อใช้ในการประมวลผล นั่นจึงทำให้องค์กรอย่าง DARPA ควักเงินลงทุน 2,000 ล้านเหรียญสหรัฐในการวิจัย AI ในชื่อโปรแกรม Machine Common Sense (MCS) ที่พยายามสอนให้ AI เรียนรู้ได้ในแบบเดียวกับคน
โดยนักวิจัยได้สร้างโมเดลที่จำลองการทำงานของสมองส่วนการรับรู้ ทั้งวัตถุต่าง ๆ สถานที่ หรือบุคคลขึ้นมา ที่สำคัญโครงการนี้มีนักวิจัยจาก Microsoft และมหาวิทยาลัย McGill เข้าร่วมด้วย และก็มีการยืนยันว่า ระบบที่พัฒนาขึ้นนี้สามารถเข้าใจความกำกวมทางด้านภาษาที่ในอดีตเคยต้องการความรู้ความเชี่ยวชาญระดับสูงจึงจะเข้าใจได้ด้วย
AI ที่คาดเดาได้ดียิ่งขึ้น
มีการยกตัวอย่าง AI ในข้อนี้จาก Project Loon ของอัลฟาเบ็ท โปรเจ็คที่ส่งบัลลูนขึ้นไปกระจายสัญญาณอินเทอร์เน็ตในพื้นที่ห่างไกลและไม่มีโครงสร้างพื้นฐานเข้าไปถึง การเดินทางของบัลลูนแต่ละลำจำเป็นต้องมีระบบการคำนวณเรื่องความเร็วลมอย่างถูกต้อง เพื่อให้บัลลูนกระจายตัวได้ครอบคลุมพื้นที่ ไม่ใช่ไหลไปรวมกันแค่ในบางจุดมากจนเกินไป การคำนวณทิศทางลมของโปรเจ็ค Loon ใช้วิธี Gaussian processes ซึ่งเป็นกระบวนการสำหรับ AI อีกวิธีหนึ่งที่ไม่ต้องการดาต้าจำนวนมากเพื่อนำไปใช้วิเคราะห์แพทเทิร์นของการเคลื่อนที่บัลลูน