Transcription
สวัสดีครับ เคยสงสัยกันไหมครับว่าเบื้องหลัง AI ที่เราใช้กันทุกวันนี้ อย่างพวก ChatGPT หรือเนี่ย โครงสร้างทางวิศวกรรมจริงๆ ของมันเป็นยังไง วันนี้เราจะมาถอดพิมพ์เขียวสำคัญที่ว่านี้กันครับ มาดูกันว่าอะไรที่ทำให้ AI สมัยใหม่มันทำงานได้จริง
เอาล่ะครับ เรามาเริ่มกันที่แนวคิดหลักอันนี้เลย ที่บอกว่าความสำเร็จของ AI ในปัจจุบันเนี่ย มันไม่ได้มาจากความเก่งกาจแค่ด้านใดด้านหนึ่งนะ แต่มันเกิดจากการเอาความสามารถ 3 ด้านมาผสมผสานกัน แล้วก็ต้องทำงานร่วมกันแบบลงตัวสุดๆ ด้วย แล้วไอ้ 3 ด้านที่ว่าเนี่ย มันคืออะไรกันแน่ เราไปดูกันเลยครับ
และนี่ก็คือคำตอบครับ เค้าเรียกมันว่า 3 เสาหลักที่เป็นเหมือนโครงสร้างค้ำจุนระบบ AI สมัยใหม่ทั้งหมดเอาไว้ สไลด์นี้สรุปภาพรวมได้เคลียร์มากๆ เลยครับ จะเห็นว่ามันมี 3 ขั้นตอนหลักๆ ขั้นแรกเลยคือการสร้างโมเดลและสูตร อันนี้ก็คือสมองของ AI นั่นแหละครับ ส่วนขั้นที่ 2 คือวิศวกรรม inference ที่จะทำยังไงให้สมองเนี่ยเนี่ยมันทำงานได้เร็วสุดๆ แถมยังคุ้มค่าด้วย และสุดท้ายขั้นที่ 3 ML Ops ก็คือการเอาสมองที่ว่าเนี่ยไปเชื่อมต่อกับโลกแห่งความเป็นจริงให้คนทั่วไปได้ใช้งานกัน นี่คือภาพรวมทั้งหมดที่เราจะมาเจาะลึกกันในวันนี้ครับ
โอเคครับ งั้นเรามาเริ่มกันที่เสาหลักต้นแรกกันเลย โมเดลและสูตรครับ ตรงนี้แหละคือจุดกำเนิดของสติปัญญาทั้งหมด หรือจะเรียกว่าเป็นสถาปัตยกรรมที่เป็นหัวใจของ AI เลยก็ว่าได้ รู้มั้ยครับว่าหัวใจของโมเดลภาษาสมัยใหม่แทบจะทุกตัวเลยนะ ไม่ว่าจะ GPT-4 หรือ LLaMA ก็ตาม มันคือสถาปัตยกรรมที่ชื่อว่า Transformers ครับ เจ้าตัวนี้มันออกมาตั้งแต่ปี 2017 แล้วก็ปฏิวัติวงการไปเลย ด้วยกลไกเด็ดที่เรียกว่า Self-attention ที่ทำให้ AI เข้าใจบริบทของประโยคได้ดีขึ้นแบบก้าวกระโดดเลยล่ะครับ คือมันจะรู้ว่าคำไหนในประโยคสำคัญกว่ากัน
แต่ว่าแค่มีสถาปัตยกรรมดีๆ อย่างเดียวเนี่ย มันก็เหมือนมีสมองที่ยังว่างเปล่าอยู่นะครับ มันต้องผ่านการเรียนรู้ 2 ขั้นตอนสำคัญก่อน ขั้นแรกคือ Pretraining อันนี้เปรียบเหมือนการส่ง AI ไปอ่านหนังสือทุกเล่มในโลกเพื่อให้มันมีความรู้พื้นฐานกว้างๆ ก่อน ส่วนขั้นที่ 2 คือ Alignment ครับ อันนี้เหมือนส่งไปเข้าโรงเรียนอีกทีเพื่อสอนว่าความรู้ที่มีเนี่ย ควรจะเอาไปใช้อย่างไรให้มันมีประโยชน์แล้วก็ปลอดภัยกับคนใช้มากที่สุด
แล้ววงการเนี้ยคือไม่เคยหยุดนิ่งเลยจริงๆ ครับ อย่างที่เห็นในสไลด์นี้เลย มันมีนวัตกรรมใหม่ๆ เกิดขึ้นตลอดเวลา อย่างสถาปัตยกรรม MoE หรือ Mixture of Experts ที่ทำให้เราสร้างโมเดลที่ใหญ่ขึ้นได้อีกโดยที่ใช้ทรัพยากรน้อยลง หรือแม้กระทั่งสูตรการเทรนแบบใหม่ๆ ที่ทำให้ AI สามารถใช้เหตุผลที่ซับซ้อนได้ดีขึ้นกว่าเดิมเยอะเลย
เอาล่ะครับ ตอนนี้แล้วเรามีพิมพ์เขียว เรามีสูตรแล้ว แต่คำถามที่ตามมาก็คือ แล้วเราจะสร้างโรงงานที่มันใหญ่พอที่จะผลิตโมเดลที่มีพารามิเตอร์เป็นล้านๆ ตัวเนี่ย ได้ยังไง ใช่แล้วครับ อ่านไม่ผิดเลย มากกว่า 1 ล้านล้านพารามิเตอร์ คือเพื่อให้เห็นภาพนะครับ ถ้าพารามิเตอร์ 1 ตัวเนี่ย เปรียบเป็นดาว 1 ดวง จำนวนนี้มันก็เทียบเข้ากับดาวฤกษ์ในกาแล็กซีทางช้างเผือกของเรา รวมกันถึง 10 กาแล็กซี่เลยทีเดียว โอ้โห เป็นสเกลที่ใหญ่จนจินตนาการแทบไม่ถูกเลยครับ
พอขนาดมันใหญ่หึมาขนาดนี้ มันก็นำมาสู่ปัญหาใหญ่ทางวิศวกรรมเลยครับ นั่นก็คือโมเดลใหญ่ขนาดนี้เนี่ย มันไม่มีทางยัดลงไปใน GPU แค่ตัวเดียวได้แน่ๆ ครับ ต่อให้ใช้ 10 ตัวก็ยังไม่พอเลย แล้วแบบนี้จะทำยังไงกันดีล่ะ
และนี่ก็คือคำตอบของเขาครับ คือวิศวกรเนี่ย เขาไม่ได้ใช้วิธีเดียว แต่ใช้กลยุทธ์ที่เรียกว่าการทำงานแบบขนานถึง 3 รูปแบบพร้อมๆ กันเลย พูดง่ายๆ คือเขาจะหั่นโมเดลออกเป็นชิ้นเล็กๆ ทั้งการแบ่ง Layer ของโมเดล การแบ่งข้อมูล แล้วก็แบ่งการคำนวณ เพื่อกระจายภาระงานที่มันหนักอึ้งขนาดเนี้ย ไปให้ GPU นับพันๆ ตัวช่วยกันทำงานพร้อมกันครับ
ทีนี้พอโมเดลถูกเทรนเสร็จเรียบร้อยแล้ว มันก็มีความท้าทายใหม่ที่แตกต่างไปอย่างสิ้นเชิงเกิดขึ้นมาครับ นั่นก็คือจะทำยังไงให้มันทำงานได้เร็วพอ แล้วก็ถูกพอ สำหรับผู้ใช้งานเป็นล้านๆ คน ดูตารางนี้สิครับ มันเปรียบเทียบได้ชัดเจนมากเลยนะว่าโลกของการเทรนกับโลกของการใช้งานจริง หรือที่เขาเรียกกันว่า inference เนี่ย มันตรงข้ามกันแบบคนละขั้วเลย ตอนเทรนเนี่ย เรายอมทุ่มทุกอย่างเลยนะ เพื่อให้ได้ความแม่นยำสูงสุด ถึงมันจะช้าจะแพงก็ไม่เป็นไร แต่พอจะเอามาใช้งานจริงเท่านั้นแหละ เราต้องการความเร็วสูงสุดในต้นทุนที่ต่ำที่สุดเท่าที่จะทำได้
นี่แหละครับคือความท้าทายที่แตกต่างกันสุดๆ และตรงนี้แหละครับ ที่วิศวกรรมด้าน inference เข้ามามีบทบาทสำคัญมากๆ มันมีเทคนิคเยอะแยะเลยที่ถูกสร้างขึ้นมาเพื่อแก้ปัญหานี้โดยเฉพาะ อย่างเช่นการทำ Quantization ที่เปรียบเหมือนการบีบอัดไฟล์โมเดลให้มันเล็กลง หรือการใช้เครื่องมืออย่าง vLLM เพื่อจัดการหน่วยความจำของ GPU ให้มีประสิทธิภาพสูงสุด ทำให้เราสามารถให้บริการคนเป็นล้านๆ คนได้พร้อมกันเลย
เอาล่ะครับ ตอนนี้เรามีโมเดลที่เทรนมาอย่างดี แถมยังทำงานได้เร็วแล้วด้วย แต่มันยังมีปัญหาใหญ่อีกอย่างนึงครับ นั่นก็คือความรู้ของมันเนี่ย มันจะถูกจำกัดอยู่แค่วันที่มันเทรนเสร็จเท่านั้น แล้วเราจะทำยังไงล่ะให้มันเข้าถึงข้อมูลล่าสุดของโลกได้ตลอดเวลา
คำตอบก็คือเทคนิคที่เรียกว่า RAG หรือ Retrieval Augmented Generation ครับ ถ้าจะให้อธิบายง่ายก็คือ แทนที่เราจะให้ AI ตอบจากความจำของมันอย่างเดียวเนี่ย เราจะสอนให้มันเปิดหนังสือหรือไปค้นข้อมูลจากฐานข้อมูลข้างนอกที่มันอัปเดตอยู่ตลอดเวลาก่อน แล้วค่อยเอาข้อมูลสดๆ ใหม่ๆ ที่เจอเนี่ย มาสรุปเป็นคำตอบให้เราอีกที แค่นี้คำตอบก็เลยสดใหม่แล้วก็ถูกต้องมากขึ้นเยอะเลยครับ
ไม่ใช่แค่นั้นนะครับ เรายังไปได้ไกลกว่านั้นอีกด้วย สิ่งที่เรียกว่า Agent Frameworks ครับ ซึ่งเจ้าตัวนี้จะเปลี่ยน AI จากแค่คนตอบคำถามธรรมดา ให้กลายเป็นผู้ช่วยที่สามารถทำงานให้เราได้จริงๆ เลย อย่างเช่นเราสามารถสั่งมันได้เลยว่า "เฮ้ย ช่วยหาเที่ยวบินไปยุโรปที่ถูกที่สุดในสัปดาห์หน้า แล้วก็จองให้ด้วย" มันก็จะไปใช้เครื่องมือต่างๆ เพื่อทำตามคำสั่งที่ซับซ้อนแบบนี้ให้เราได้เลยครับ
พอเรานำทั้งหมดยที่ว่ามารวมกันนะครับ เราจะเห็นภาพใหญ่ขึ้นว่าภูมิทัศน์ของวงการ AI สมัยใหม่เนี่ย มันได้แบ่งออกเป็น 2 ระบบนิเวศหลักๆ ที่กำลังแข่งขันกันอยู่อย่างดุเดือดเลย ด้านหนึ่งเลยก็คือระบบนิเวศแบบ Open Source ครับ ที่ทุกคนสามารถเข้าถึงโมเดลและเครื่องมือต่างๆ ได้แบบโปร่งใสมากๆ ซึ่งมันก็ทำให้เกิดนวัตกรรมที่รวดเร็วจากการร่วมมือกันของคนทั้งโลก
แต่อีกด้านหนึ่งก็คือระบบนิเวศแบบปิดของบริษัทใหญ่ๆ ที่เขาเอารวมทุกอย่างเข้าไว้ด้วยกันเป็นบริการที่ใช้ง่ายๆ แล้วก็มีประสิทธิภาพสูงมากๆ แต่แน่นอนว่ามันก็ต้องแลกมากับความยืดหยุ่นและความโปร่งใสที่น้อยลง
เพราะฉะนั้นแล้วนะครับ ประเด็นสำคัญที่สุดที่เราได้เรียนรู้กันในวันนี้ก็คือ การจะสร้างระบบ AI ให้ประสบความสำเร็จในยุคนี้ได้เนี่ย มันไม่ใช่แค่การมีโมเดลที่ดีที่สุดเท่านั้น แต่คือการมีความเป็นเลิศทางวิศวกรรมตลอดทั้งกระบวนการเลย ตั้งแต่การออกแบบสถาปัตยกรรมของโมเดลไปจนถึงการทำให้มันใช้งานได้จริงในต้นทุนที่เหมาะสม
และทั้งหมดนี้ก็นำเรามาสู่คำถามสำคัญสำหรับอนาคตครับ ในขณะที่ AI กำลังกลายเป็นศาสตร์ทางวิศวกรรมที่จับต้องได้มากขึ้นเรื่อยๆ เนี่ย สุดยอดนวัตกรรมในอนาคตมันจะมาจากไหนกันแน่ ระหว่างพลังของมหาชนในโลก Open Source หรือจะมาจากปราสาทที่ถูกสร้างขึ้นมาอย่างแข็งแกร่งโดยบริษัทเทคโนโลยี ยักษ์ใหญ่ นี่คือคำถามที่เราต้องจับตาดูต่อไปครับ