Transcription
สวัสดีค่ะ วันนี้บอกเลยว่ามีข้อมูลที่น่าตื่นเต้นและอัดแน่นมากๆ รอพวกเราอยู่บนโต๊ะค่ะ
>> ใช่ครับ แหล่งข้อมูลของเราในวันนี้มาจากหลายที่เลย ตั้งแต่ Model Card ของ Gemini 3.1 Pro ที่เพิ่งปล่อยออกมาจาก Google DeepMind สดๆร้อนๆ
>> อ่าฮะ
>> ตามมาด้วยรายงานการทดสอบประสิทธิภาพจาก Artificial Analysis บทความจากหน้าบล็อก Google Keyword และ Google Antigravity
>> และยังมีรายงานบทวิเคราะห์เชิงลึกที่เจาะเข้าไปถึงสถาปัตยกรรมทางปัญญา หรือ Cognitive Architecture ของโมเดลตัวนี้ด้วยค่ะ
>> โห เรียกได้ว่าข้อมูลแน่นมาก ภารกิจของการเจาะลึกข้อมูลในวันนี้คือการพาพวกเราทุกคนไปทำความเข้าใจครับว่าทำไม Gemini 3.1 Pro ถึงไม่ใช่แค่การอัปเดตฟีเจอร์แบบธรรมดาทั่วไป
>> แต่เป็นก้าวสำคัญมากๆ เลยนะคะ
>> ถูกต้องครับ มันคือการเปลี่ยนกระบวนทัศน์ หรือ paradigm shift ของวงการ AI อย่างแท้จริงเลย คือเปลี่ยนจากการเป็นแค่เครื่องจักรที่เก่งเรื่อง เอ่อ การเดาคำต่อไปอย่างรวดเร็ว ไปสู่เอเจนต์ที่เน้นการคิดอย่างมีระบบและรอบคอบครับ
>> ซึ่งเรื่องนี้แหละค่ะที่จะเปลี่ยนวิธีการเรียนรู้และรูปแบบการทำงานในโลกอนาคตไปอย่างสิ้นเชิงเลย
เอาล่ะ เรามาแยกแยะเรื่องนี้กัน ปกติแล้ว เวลามีการอัปเดตเวอร์ชั่นที่มีตัวเลขทศนิยมจุด 1 ตามหลังเนี่ย
>> เราก็มักจะคิดว่ามันน่าจะเป็นแค่การแก้บั๊กเล็กๆ น้อยๆ ใช่มั้ยคะ
>> ใช่ครับ หรืออาจจะแค่ปรับปรุงความเสถียรนิดหน่อย แต่งานเนี้ย จากข้อมูลที่เรามี มันดูเหมือนจะไม่ใช่แบบนั้นเลย
สิ่ง ที่น่าทึ่งตรงนี้คือ การใช้ตัวเลขจุดหนึ่งในบริบทของการปล่อยโมเดลครั้งนี้ มันเป็นกลยุทธ์การสื่อสารที่จงใจทำขึ้นมาอย่างแยบยลมากค่ะ
>> ยังไงนะครับ
>> คือมันไม่ใช่การบอกว่าเรามีฟีเจอร์ใหม่ 108,900 มาให้กดเล่น แต่มันคือการบอกว่าเราได้ทำการยกเครื่องยนต์กลไกทางความคิดใหม่ทั้งหมด ภายใต้โครงสร้างภายนอกที่ดูคล้ายเดิมค่ะ
>> อ๋อ เหมือนเปลี่ยนไส้ในใหม่หมดเลย
>> ใช่ค่ะ ถ้าจะเปรียบเทียบให้เห็นภาพชัดๆ มันเหมือนกับการเอารถสปอร์ตคันเดิมไปเปลี่ยนเครื่องยนต์ จากเครื่องยนต์สันดาบไปเป็นมอเตอร์ไฟฟ้าแรงสูง โดยที่ตัวถังรถภายนอก เบาะนั่ง พวงมาลัย ยังหน้าตาเหมือนเดิมทุกประการเลย
>> ฟังดูเป็นการอัปเกรดที่ทรงพลังมากครับ
>> มากค่ะ การเปลี่ยนแปลงครั้งนี้มุ่งเน้นไปที่ความสามารถในการให้เหตุผลและการคิดวิเคราะห์เชิงลึก เพื่อเตรียมพร้อมรับมือกับปัญหาที่ใหญ่กว่าในโลกความเป็นจริงค่ะ
>> ซึ่งปัญหานั้นก็คือสิ่งที่ในวงการเรียก ว่า Utility problem หรือปัญหาด้านอรรถประโยชน์นั่นเองครับ
>> อืม ปัญหานี้เป็นเรื่องที่เถียงกันมานานเลย
>> ใช่ครับ ลองนึกภาพตามนะครับ ในช่วงหลายปีที่ผ่านมา เรามักจะเห็นพาดหัวข่าวที่บอกว่า AI สามารถสอบผ่านเนติบัณฑิตได้คะแนนท็อป หรือเอาชนะแชมป์โลกในเกมกระดานยากๆ อย่างโกะได้แบบขาดลอย
>> แต่พอเอาเข้าจริง
>> พอเราเอา AI พวกนั้นมาให้ช่วยทำงานในโลกการทำงานจริง กลับพบว่ามันทำประโยชน์ในสเกลใหญ่ๆ หรือโปรเจกต์ซับซ้อนได้น้อยกว่าที่คาดหวังไว้มากครับ
>> สาเหตุก็เพราะว่าโลกแห่งความเป็นจริงมันไม่ได้ออกแบบมาเหมือนข้อสอบในห้องเรียนค่ะ
>> มันต่างกันยังไงครับ
>> ในวงการวิจัยเขาจะเรียกข้อสอบพวกนี้ว่า ข้อมูลแบบ i.i.d หรือ independent and identically distributed ค่ะ พูดง่ายๆ ก็คือ ในข้อสอบเนติบัณฑิต ข้อ 1 กับข้อ 2 มันไม่ได้เกี่ยวข้องกันเลย
>> อ๋อ คือถ้าตอบข้อแรกผิด ก็ยังมีสิทธิ์ตอบข้อ 2 ถูกได้
>> ถูกต้องค่ะ ข้อมูลมันเป็นอิสระต่อกันและมีรูปแบบที่ตายตัว แต่ในโลกการทำงานจริง การตัดสินใจเมื่อวานส่งผลกระทบต่อเนื่องมาถึงปัญหาในวันนี้ มันมีความเกี่ยวโยงกันอย่างซับซ้อนค่ะ
>> จริงครับ โลกจริงนี่มันวุ่นวายกว่าเยอะ
>> โลกจริงจึงต้องการความจำระยะยาว การวางแผนงานอย่างเป็นขั้นตอน และที่สำคัญคือต้องมีการคิดทบทวนตัวเองเมื่อเจอทางตันด้วย ซึ่ง AI ในยุคก่อนหน้านี้แทบจะทำกระบวนการพวกนี้ไม่ได้เลยค่ะ
>> เดี๋ยวนะครับ แล้วทาง Google เขาแก้ปัญหาความซับซ้อนที่ว่านี้ยังไงครับ เพราะฟังดูมันต้องใช้ทรัพยากรการประมวลผลที่มหาศาลแน่ๆ
>> เขาตัดสินใจปรับเปลี่ยนสถาปัตยกรรมพื้นฐานใหม่เลยค่ะ โดยหันมาใช้โครงสร้างที่เรียกว่า Mixture of Experts หรือ MoE
>> ระบบ MoE นี่มันทำงานแบบไหนครับ
>> โครงสร้างนี้ไม่ได้ให้ AI ทุกส่วนคิดทุกเรื่องพร้อมกันค่ะ แต่มันจะเลือกส่งข้อมูลไปให้ผู้เชี่ยวชาญเฉพาะทางที่อยู่ข้างในโมเดลเป็นคนจัดการ และความพิเศษที่ตามมาคือ มันขยายความสามารถในการรับข้อมูล หรือ context window ได้มหาศาลถึง 1 ล้าน Token เลยค่ะ
>> โอ้โห 1 ล้าน Token ถ้าตีเป็นข้อมูลภาพ หรือเสียงในชีวิตประจำวันของเรา มันคือสเกลระดับไหนครับเนี่ย
>> ให้จินตนาการแบบนี้นะคะ 1 ล้าน Token หมายความว่าโมเดลนี้สามารถกลืนภาพถ่ายความละเอียดสูงได้ถึง 900 ภาพพร้อมกันในคำสั่งเดียว
>> โห 900 ภาพเลยเหรอครับ
>> ใช่ค่ะ หรือถ้าเป็นเสียง ก็สามารถฟัง podcast หรือไฟล์บันทึกการประชุมต่อเนื่องได้ยาวนานถึง 8.4 ชั่วโมง
>> ยาวมาก
>> หรือแม้กระทั่งโยนวิดีโอความละเอียดสูง ความยาว 1 ชั่วโมงเต็มเข้าไปให้มันดูรวดเดียว มันก็ประมวลผลได้ทั้งหมดค่ะ โดยที่ไม่ต้องพึ่งพาโมเดลตัวอื่นมาช่วยแปลงภาพหรือเสียงให้เลย มันทำความเข้าใจทุกอย่างได้ด้วยตัวเองตั้งแต่ต้นจนจบ
>> ฟังดูเหลือเชื่อมากครับ และมีอีกตัวเลขหนึ่งในรายงานที่ทำให้ผมรู้สึกทึ่งมากๆ คือการขยายขีดจำกัดในฝั่งสร้างสรรค์ผลลัพธ์ หรือ output ครับ
>> อ่าฮะ ตัวเลขฝั่ง output ก็น่าสนใจค่ะ
>> สมัยก่อน ข้อจำกัดที่น่าหงุดหงิดที่สุด เวลาเราให้ AI ช่วยเขียนโค้ดทั้งโปรแกรม หรือเขียนเอกสารยาวๆ คือมันมักจะหยุดพิมพ์กลางคัน พอถึงประมาณ 21,000 Token มันก็เหมือนคน
>> เหมือนคนหมดแรงพิมพ์ต่อไม่ไหว
>> ใช่เลยครับ ต้องคอยพิมพ์สั่งให้มันทำต่อตลอด แต่ข้อจำกัดนี้ถูกทำลายลงแล้วในเวอร์ชั่นนี้ เพราะ Gemini 3.1 Pro ได้ขยายความจุฝั่ง output ขึ้นไปสูงถึง 65,536 Token ครับ
>> ซึ่งตัวเลข 65,536 Token ฝั่ง Output นี้นัยยะสำคัญมันใหญ่มากนะคะ
>> มันส่งผลยังไงกับนักพัฒนาบ้างครับ
>> สำหรับนักพัฒนาซอฟต์แวร์ นั่นแปลว่าตอนนี้โมเดลสามารถเขียนโค้ดสำหรับระบบซอฟต์แวร์ทั้งระบบ หรือร่างเอกสารการวางแผนสถาปัตยกรรมระดับองค์กรที่ซับซ้อนมากๆ ได้รวดเดียวจบแบบไม่มีสะดุดสุดค่ะ
>> ไม่มีการขัดตอนตรงกลางที่ทำให้ logic ของการเขียนโค้ดพังอีกต่อไป
>> ถูกต้องค่ะ มันเป็นการปลดล็อคคอขวดที่ใหญ่ที่สุดของการสร้างงานด้วย AI เลยทีเดียว
แต่พอความสามารถลึกและใหญ่ขนาดนี้ ผมเดาว่ามันคงกินพลังงานและต้นทุนมหาศาลแน่ๆ ถ้าเราแค่อยากให้มันช่วยร่างอีเมลสั้นๆ หรือตอบคำถามง่ายๆ เราไม่ต้องใช้พลังขับเคลื่อนที่ล้นเหลือขนาดนี้มั้ยครับ
>> นั่นเป็นคำถามที่ดีมากค่ะ และนี่คือเหตุผลที่ทีมพัฒนาต้องใส่ระบบที่เรียกเรียกว่า Traffic Routing Logic หรือระบบตรรกะการเลือกเส้นทางแบบ 3 ระดับ เข้ามาด้วย
>> เพื่อไม่ให้เกิดภาวะขี่ช้างจับตั๊กแตนใช่ไหมครับ
>> ใช่เลยค่ะ ระบบนี้ออกแบบมาเพื่อแก้ปัญหาที่ผู้ใช้มักจะถูกบีบให้เลือกระหว่าง AI ที่ตอบเร็วแต่คิดตื้นเกินไป หรือ AI ที่คิดลึกซึ้งแต่กลับสิ้นเปลืองทรัพยากรและเวลาไปกับคำถามง่ายๆ อย่างไม่จำเป็น
>> อ๋อ ผมเห็นในเอกสารแล้วครับ ระบบ 3 ระดับนี้อธิบายง่ายๆ มันเหมือนระบบเกียร์รถยนต์เลยใช่มั้ยครับ
>> เปรียบเทียบได้เห็นภาพมากค่ะ เกียร์รถยนต์เลย
>> ระดับแรกคือ Low ซึ่งเน้นความรวดเร็วเป็นหลัก เหมาะกับงานง่ายๆ ที่ต้องคิดลึก ระดับที่ 2 คือ Medium ซึ่งเป็นเหมือนเกียร์มาตรฐานใหม่สำหรับการทำงานประจำวัน ให้ความสมดุลระหว่างความลึกซึ้งและต้นทุน
>> แล้วระดับที่ 3 ล่ะคะ
>> ระดับที่ 3 ซึ่งเป็นไฮไลท์ของการอัปเดตครั้งนี้เลยก็คือโหมด High หรือที่มีชื่อเล่นว่า Deep Think mini ครับ ซึ่งเขาบอกว่าออกแบบมาเพื่องานที่ต้องการการค้นพบทางวิทยาศาสตร์หรืองานวิจัยระดับสูงโดยเฉพาะ โหมดนี้มันทำงานต่างจากโหมดอื่นยังไงครับ
>> ถ้าเราเชื่อมโยงเรื่องนี้กับภาพใหญ่ เราจะเห็นเลยว่าทำไมโหมด High ถึงได้สร้างแรงสั่นสะเทือนในวงการขนาดนี้ โหมด High นี้ไม่ได้ทำงานแบบรับคำถามปุ๊บแล้วพ่นคำตอบออกมาทีละคำแบบโมเดลภาษาทั่วไปที่เราคุ้นเคยกันนะคะ
>> แล้วมันทำงานยังไงครับ
>> แต่มันทำงานบนกลไกที่ชื่อว่า Alia Engine ค่ะ ซึ่งเป็นเหมือนเครื่องยนต์แห่งความจริง ภายในเครื่องยนต์นี้ประกอบไปด้วยกระบวนการ 3 ส่วนที่ทำงานร่วมกันอย่างเข้มงวดมาก
>> 3 ส่วนที่ว่าเนี่ย มันทำหน้าที่เถียงกันเองอยู่เบื้องหลัง หรือเปล่าครับ
>> จะมองแบบนั้นก็ได้ค่ะ ส่วนแรกเรียกว่า Generator ทำหน้าที่สร้างทางเลือก หรือสมมุติฐานในการแก้ปัญหาขึ้นมาหลายๆ ทางพร้อมกัน
>> อ๋อ คือคิดเผื่อไว้หลายๆ ทางก่อน
>> ใช่ค่ะ ส่วนที่ 2 คือ Verifier หรือผู้ตรวจสอบ จะรับบทเป็นคนคอยจับผิด ตรวจสอบตรรกะว่าทางเลือกที่สร้างขึ้นมานั้นมีจุดบกพร่องตรงไหน หรือมีข้อผิดพลาดทางคณิตศาสตร์ซ่อนอยู่บ้างไหม
>> แล้วส่วนที่ 3 ล่ะครับ
>> ส่วนที่ 3 คือ Reviser ค่ะ จะทำหน้าที่นำข้อติชมทั้งหมดจาก Verifier มาแก้ไขปรับปรุงแนวทางนั้นๆ ให้ถูกต้อง กลไกทั้ง 3 ส่วนนี้จะทำงานวน loop ซ้ำแล้วซ้ำเล่าอยู่เบื้องหลัง จนกว่าจะมั่นใจก่อนที่มันจะพิมพ์คำตอบสุดท้ายออกมาให้เราเห็นค่ะ
และรายละเอียดที่โดดเด่นมากๆ จนผมต้องหยิบมาขีดเส้นใต้ไว้เลยก็คือ เครื่องยนต์ Alia นี้มันไม่ได้คิดวนลูปอยู่แค่ในโลกจินตนาการ หรือในฐานข้อมูลเดิมของตัวเองนะครับ
>> อ่า อันนี้สำคัญมากค่ะ
>> แต่มันมีการเชื่อมต่อกับระบบ Google Search เพื่อวิ่งออกไปค้นหางานวิจัย สถิติ หรือข้อมูลเชิงประจักษ์ในโลกความเป็นจริง มาเพื่อตรวจสอบสมมุติฐานของตัวเองด้วย นี่คือวิธีที่มันใช้เพื่อป้องกันอาการภาพหลอน หรือ Hallucination ที่ AI ตัวเก่าๆ ชอบแต่งเรื่องขึ้นมาเอง เวลาที่มันไม่รู้คำตอบ
>> ตรงนี้ล่ะค่ะที่สำคัญมาก เพราะการมีข้อมูลจากโลกจริงมาอ้างอิง มันทำให้กระบวนการตรวจสอบของ Verifier มีน้ำหนักและน่าเชื่อถือมากขึ้น ไม่ใช่แค่ตรรกะทางคณิตศาสตร์เพียวๆ แต่รวมถึงข้อเท็จจริงในปัจจุบันด้วยค่ะ
และที่ผมว่ามันเป็นความก้าวหน้าทางวุฒิภาวะของ AI เลยก็คือ มันถูกโปรแกรมมาให้รู้จักยอมรับความพ่ายแพ้ครับ
>> ใช่ค่ะ เรื่องนี้เซอร์ไพรส์วงการเหมือนกัน
>> ในรายงานระบุชัดเจนเลยนะครับว่า ถ้าระบบลูปตรวจสอบตัวเองแล้วพบว่ามันไม่สามารถหาคำตอบที่ถูกต้องตามหลักตรรกะหรือคณิตศาสตร์ได้จริงๆ มันจะเลือกที่จะหยุด แล้วบอกกับผู้ใช้ตรงๆ ว่า "ฉันไม่รู้" หรือรายงานว่าหาคำตอบไม่ได้
>> แทนที่จะพยายามแต่งเรื่องหลอกผู้ใช้งานให้ดูเนียนเหมือนโมเดลในอดีตนะคะ
>> ใช่ครับ การยอมรับว่าไม่รู้นี่มันดูเป็นผู้ใหญ่ขึ้นมากเลย
>> การกล้ายอมรับว่าไม่รู้เนี่ยล่ะค่ะ คือจุดเริ่มต้นของกระบวนการคิดแบบนักวิทยาศาสตร์ที่แท้จริง ซึ่งผลลัพธ์เชิงประจักษ์ของการเปลี่ยนผ่านสถาปัตยกรรมครั้งนี้ มันสะท้อนออกมาอย่างชัดเจนผ่านคะแนนการประเมินมาตรฐานระดับโลก โดยเฉพาะอย่างยิ่งในสายคณิตศาสตร์และวิทยาศาสตร์ค่ะ
>> ใช่เลยครับ เรามาดูสถิติที่น่าตื่นเต้นจากรายงานของ Artificial Analysis กันดีกว่า ในการทดสอบ ARC AGI2 ซึ่งเป็นการทดสอบตรรกะรูปแบบใหม่มากๆ และไม่เคยมีในฐานข้อมูลการฝึกสอนมาก่อน
>> เพื่อวัดว่า AI แก้ปัญหาที่ไม่เคยเจอได้ไหม ใช่ไหมคะ ห่างกันเยอะมากนะคะนั่น
>> และในชุดทดสอบที่ชื่อว่า GPQA Diamond ซึ่งขึ้นชื่อว่ายากมาก เพราะใช้วัดความรู้ทางวิทยาศาสตร์ระดับปริญญาเอก มันกวาดคะแนนไปถึง 94.3% ครับ จนส่งผลให้มันทะยานขึ้นสู่อันดับ 1 ในดัชนีภาพรวม หรือ Intelligent Index โดยมีคะแนนนำหน้าโมเดลตัวท็อปอย่าง Claude Opus 4.6 อยู่ถึง 4 จุดด้วยกัน
แต่ตัวเลขเปอร์เซ็นต์พวกนี้ บางทีฟังแล้วอาจจะยังไม่เห็นภาพชัดเจนนัก ในโลกของการใช้งานจริงนะคะ ลองนึกถึงการแข่งขันคณิตศาสตร์โอลิมปิกระหว่างประเทศ หรือ IMO ของปี 2025 ที่ผ่านมาดูสิคะ
>> ผลเป็นยังไงครับ
>> โมเดลที่ใช้สถาปัตยกรรมระดับนี้ สามารถคว้าผลงานระดับเหรียญทองมาครองได้ ด้วยคะแนน 35 จาก 42 คะแนนเต็มค่ะ
>> 35 จาก 42 นี่คือระดับอัจฉริยะแล้วนะครับ
>> ใช่ค่ะ และที่น่าประทับใจกว่าตัวคะแนน คือวิธีการที่มันใช้ค่ะ มันสามารถตีโจทย์ที่ซับซ้อนและเขียนบทพิสูจน์ทางคณิตศาสตร์ทั้งหมดออกมาเป็นภาษาธรรมชาติแบบที่มนุษย์อ่านเข้าใจได้ ภายในระยะเวลา 4.5 ชั่วโมงของการแข่งขันจริง
>> ทำได้เหมือนผู้เข้าแข่งขันที่เป็นมนุษย์เลย
>> ไม่เพียงแค่นั้นนะคะ ในเวทีการแข่งขันเขียนโปรแกรมระดับโลก ที่ต้องแก้โจทย์อัลกอริทึมยากอย่าง ICPC มันก็สามารถคว้าเหรียญทองมาได้เช่นกัน นี่ไม่ใช่แค่การทำข้อสอบได้ดี แต่มันคือการแข่งขันกับหัวกะทิของมนุษยชาติ ภายใต้แรงกดดันของเวลา และโจทย์ที่พลิกแพลงตลอดเวลาค่ะ
โห ไปแข่งคณิตศาสตร์โอลิมปิกแล้วได้เหรียญทองนี่ไม่ธรรมดาแล้วนะครับ แล้วมันยังไม่หยุดแค่นั้นด้วย มันยังไปไกลถึงขั้นแก้โจทย์ปัญหาที่ค้างคามานานในวงการวิชาการได้สำเร็จด้วย
>> อาฮะ อย่างเช่นโจทย์อะไรบ้างคะ
>> อย่างในเอกสารมีระบุถึงโจทย์ปัญหาทางคอมพิวเตอร์สุดหินที่ชื่อว่า Max Cut กับโจทย์ทฤษฎีกลไกการประมูลที่เรียกว่า Revelation Principle 2 ปัญหานี้มันคืออะไร แล้ว AI เข้าไปแก้ได้ยังไงครับ
>> ให้มองภาพแบบนี้นะคะ สำหรับโจทย์ Max Cut มันคือปัญหาทางคณิตศาสตร์เครือข่าย ลองนึกภาพการจัดกลุ่มคนจำนวนมากในงานเลี้ยงขนาดใหญ่ ที่มีเงื่อนไขว่าบางคนเกลียดกัน ไม่อยากนั่งด้วยกัน
>> ครับ คืองานเลี้ยงที่จัดที่นั่งยากๆ หน่อย
>> ใช่ค่ะ เราต้องหาวิธีแบ่งคนออกเป็น 2 กลุ่ม ให้คนที่เกลียดกันถูกแยกไปอยู่คนละกลุ่มให้ได้มากที่สุด ในสเกลเล็กๆ มนุษย์อาจจะพอนับได้ แต่พอเครือข่ายมันใหญ่ระดับโครงสร้างข้อมูล ปัญหานี้จะคำนวณยากมากค่ะ
>> แล้วอีกปัญหานึงล่ะครับ
>> ส่วนอีกปัญหาคือทฤษฎีกลไกการประมูล หรือ Revelation Principle ในอดีต นักวิจัยสามารถสร้างทฤษฎีนี้ได้แค่ในกรอบของการคำนวณแบบจำนวนตรรกยะ หรือจำนวนที่เขียนเป็นเศษส่วนลงตัวได้เท่านั้น เพราะคณิตศาสตร์มันซับซ้อนเกินไป
>> อ๋อ คือติดข้อจำกัดเรื่องตัวเลข
>> แต่ Gemini 3.1 Pro ในโหมด Deep Think สามารถขยายกรอบการพิสูจน์ให้ครอบคลุมไปถึงจำนวนจริง หรือตัวเลขที่มีทศนิยมไม่รู้จบได้สำเร็จ ซึ่งนี่เป็นเรื่องที่สั่นสะเทือนวงการเศรษฐศาสตร์และคณิตศาสตร์มากๆ ค่ะ
แสดงว่ามันไม่ได้แค่ไปดึงข้อมูลที่มีคนทำไว้แล้วมาสรุปให้เราฟังใช่มั้ยครับ
>> ขออนุญาตเน้นย้ำตรงนี้เลยค่ะว่าสิ่งที่มันทำไม่ใช่การไปเสิร์ชหาข้อมูลจาก Google ว่ามีใครเคยแก้โจทย์นี้ไว้บ้างแล้วก็อปปี้มาตอบ แต่มันคือการนำองค์ความรู้ทางคณิตศาสตร์แขนงต่างๆ ที่มีอยู่ มาประกอบร่างและเชื่อมโยงกัน เพื่อสร้างองค์ความรู้ใหม่ทางวิทยาศาสตร์ที่ไม่เคยมีมนุษย์คนไหนทำได้มาก่อนค่ะ คือมันคิดค้นขึ้นมาเองเลย
>> ใช่ค่ะ มันรู้จักใช้ทฤษฎีบทจากโดเมนหนึ่งไปประยุกต์แก้ปัญหาในอีกโดเมนหนึ่งได้อย่างแยบยล นี่คือพฤติกรรมและการทำงานของนักวิจัยระดับแนวหน้าเลยค่ะ
ฟังดูเหมือนมันกลายเป็นนักวิทยาศาสตร์ไปแล้วจริงๆ นะครับเนี่ย แต่ถ้าพูดถึงจุดอ่อนของ AI ในอดีต มีเรื่องหนึ่งที่คนบ่นกันเยอะมากคือเรื่องของ Black Box หรือกล่องดำ เวลาที่มันจัดการกับข้อมูลภาพครับ
>> อ่า เรื่องกล่องดำนี่เป็นปัญหากวนใจคนใช้งานมาตลอดเลยค่ะ
>> เวลาเราส่งรูปให้มันวิเคราะห์ เราไม่รู้เลยว่ามันมองเห็นภาพนั้นจริงๆ มันเข้าใจระยะห่างของวัตถุจริงๆ หรือมันแค่มั่วตัวเลขขึ้นมาจากความน่าจะเป็นกันแน่
นั่นคือจุดที่เทคโนโลยีที่เรียกว่า Agentic Vision เข้ามามีบทบาทสำคัญในการทุบทำลายกล่องดำนี้ค่ะ
>> ทุบยังไงครับ
>> สมัยก่อน เวลาเราส่งภาพให้ AI มันจะมองภาพรวมๆ แล้วใช้วิธีทางสถิติเพื่อคาดเดาความน่าจะเป็นจากพิกเซล ซึ่งทำให้มันมักจะนับของในภาพผิดพลาด หรือกะระยะผิด แต่ตอนนี้ Vision เปลี่ยนกระบวนทัศน์ให้โมเดลทำงานแบบ Think, Act, Observe หรือคิด ลงมือทำ แล้วสังเกตค่ะ
>> คิดลงมือทำสังเกต มันทำแบบนั้นในคอมพิวเตอร์ได้ยังไงครับ
>> เมื่อมันเห็นภาพ มันจะไม่ได้นั่งเดาเฉยๆ แต่มันจะเขียนสคริปต์ภาษา Python ออกมาเดี๋ยวนั้นเลย เพื่อสั่งให้ระบบทำการ crop ตัดรูป ซูมเข้าไปดูรายละเอียด หมุนภาพ หรือแม้กระทั่งสร้างกราฟตารางทับลงไปบนภาพต้นฉบับจริงๆ
>> เพื่อพิสูจน์ให้เราเห็นเลยหรอครับ
>> เพื่อพิสูจน์ให้มนุษย์เห็นแบบจะๆ เลยค่ะว่า มันกำลังนับจำนวนวัตถุแต่ละชิ้นด้วยวิธีไหน หรือวิเคราะห์ข้อมูลเชิงพื้นที่อย่างไร มันเปลี่ยนจากกระบวนการคิดในใจที่มองไม่เห็น ให้กลายเป็นโค้ดและภาพกราฟิกที่ตรวจสอบได้แบบพิกเซลต่อพิกเซลเลยค่ะ
และนี่คือจุดที่มันน่าสนใจสุดๆ ครับ พอเราเอาความสามารถในการคิดลึกซึ้งและการมองเห็นที่ตรวจสอบได้แบบนี้ มาประยุกต์ใช้ในชีวิตประจำวัน ผลลัพธ์ที่ได้มันว้าวมาก
>> มีตัวอย่างอะไรที่น่าสนใจบ้างคะ
>> ในรายงานมีตัวอย่างที่ผู้ใช้นำบทประพันธ์สุดคลาสสิค ที่มีความซับซ้อนทางอารมณ์สูงมากๆ อย่างเรื่อง Wuthering Heights โยนเข้าไปให้ AI จัดการ
>> อือ ฮึ นิยายเรื่องนี้อารมณ์ตัวละครซับซ้อนมาก
>> แทนที่มันจะพิมพ์สรุปเนื้อเรื่องมาให้แบบทื่อๆ ว่าใครทำอะไรที่ไหน มันกลับสามารถวิเคราะห์อารมณ์ โทนของเรื่อง ความขัดแย้งของตัวละคร แล้วนำไปสร้างเป็นเว็บไซต์ portfolio แบบ interactive ได้เลยครับ
>> โห สร้างเว็บจากอารมณ์ของนิยายเลยเหรอคะ
>> ใช่ค่ะ มันดึงเอาความหม่นหมองและบรรยากาศที่อึดอัดของนิยายออกมา แปลงเป็นรหัสโค้ด สี และแอนิเมชันเว็บไซต์ได้อย่างสมบูรณ์แบบ มันเข้าใจนามธรรมและแปลงเป็นรูปธรรมได้
>> เป็นการประยุกต์ใช้ที่ล้ำลึกมากค่ะ หรือถ้าไปดูอีกตัวอย่างที่เป็นสายวิศวกรรมข้อมูลเลย คือการให้มันสร้างหน้าปัด Dashboard ติดตามวงโคจรของสถานีอวกาศนานาชาติ หรือ ISS
>> อันนี้น่าจะข้อมูลเยอะมากแน่ๆ
>> สิ่งที่มันทำคือ มันสามารถดึงข้อมูล Telemetry สดๆ ที่เป็นตัวเลขทางฟิสิกส์ซับซ้อน มาประมวลผล แล้วสร้างเป็นภาพกราฟิก Real Time ที่อัปเดตเองได้อัตโนมัติเลยค่ะ
>> สุดยอดเลยครับ
>> หรือแม้แต่การสร้างแอนิเมชันของฝูงนกที่บินรวมกลุ่มกัน หรือที่เรียกว่า Starling Murmuration ในรูปแบบ 3D มันก็ใช้แค่การเขียนโค้ดบริสุทธิ์ล้วนๆ คำนวณวิถีการบินของนกแต่ละตัว โดยไม่ต้องพึ่งพาซอฟต์แวร์จำลองกราฟิกเลยค่ะ
แล้วนอกจากงานสายสร้างสรรค์ หรือกราฟิกแล้ว งานระบบหลังบ้าน หรือ back end ที่มีความเสี่ยงสูงล่ะครับ มันทำได้ดีแค่ไหน ผมเห็นมีพูดถึงในบล็อก Googleavity ด้วย
>> ในฝั่งของการจัดการระบบหลังบ้านก็น่าประทับใจไม่แพ้กันค่ะ ในบล็อกของ Googleavity มีการยกตัวอย่างการใช้งาน Agent ตัวนี้เพื่อจัดการย้ายฐานข้อมูลขนาดใหญ่
>> โห โห การย้ายฐานข้อมูลนี่สำหรับนักพัฒนาซอฟต์แวร์ มันคืองานที่มีความเสี่ยงสูงมากเลยนะครับ เพราะถ้าข้อมูลหายคือพังทั้งระบบ
>> ใช่ค่ะ สิ่งที่ Gemini 3.1 Pro ทำคือ มันไม่ได้แค่หลับหูหลับตาเขียนโค้ดย้ายข้อมูลตามคำสั่ง แต่มันรู้จักวางแผน ประเมินความเสี่ยงล่วงหน้า และตัดสินใจออกแบบสร้างระบบ sync แบบ Local First ขึ้นมาขั้นกลาง
>> เพื่อเป็นกลไกป้องกันข้อมูลสูญหายใช่มั้ยครับ
>> ถูกต้องค่ะ และสามารถแก้ไขข้อขัดแย้งของข้อมูลระหว่าง Server ได้ด้วยตัวเอง นี่คือระดับของการเป็นเอเจนต์ที่สามารถรับผิดชอบงานสเกลองค์กรได้อย่างแท้จริง โดยที่มนุษย์แทบไม่ต้องเข้าไปจับมือทำเลยค่ะ
ฟังดูเหมือนว่ามันจะเก่งกาจและรอบคอบไปซะทุกเรื่องเลยนะครับ แต่แน่นอนว่าของดีระดับนี้ ก็ต้องมาพร้อมกับเรื่องของต้นทุน และการคิดเงิน
>> อ่า เรื่องนี้สำคัญกับผู้ใช้งานระดับองค์กรมากค่ะ
>> ถ้าเรามองในมุมของความคุ้มค่า มีข้อมูลสรุปเรื่องต้นทุนออกมาว่า Gemini 3.1 Pro สามารถรันชุดทดสอบมาตรฐานทั้งหมด ด้วยต้นทุนเพียง 892 ดอลลาร์ ซึ่งถือว่าถูกกว่าการรันโมเดลคู่แข่งอย่าง Opus 4.6 ถึงกว่าครึ่งเลยทีเดียว แถมยังมีอัตราการเกิดภาพหลอนลดลงถึง 38% ด้วย
>> ฟังดูคุ้มค่ามากเลยนะคะ
>> ฝั่งที่มันกำลังแก้ปัญหายากๆ ในกลไก Alia ที่เราคุยกันไป
>> Token ส่วนที่มันคิดวนลูปเพื่อตรวจสอบตัวเองนี่แหละค่ะ
>> ใช่ครับ Token ส่วนที่มันคิดวนลูปนี้ ถูกคิดเงินในราคา 12 ดอลลาร์ต่อ 1 ล้าน Token ซึ่งเป็นราคาที่เท่ากับ Token ฟังผลลัพธ์เลย นั่นหมายความว่า ถ้าผู้ใช้เผลอเปิดโหมด High Thinking หรือ Deep Thinking ทิ้งไว้สำหรับคำถามง่ายๆ ทั่วไป
>> โมเดลมันอาจจะผลิต Thinking Tokens ออกมาเป็นจำนวนมหาศาล เพื่อเถียงกับตัวเอง
>> และอาจทำให้ต้นทุนการใช้งานบานปลายได้แบบไม่รู้ตัวเลยครับ
เรื่องนี้ทำให้เกิดคำถามที่สำคัญเลยว่า โมเดลนี้มันสมบูรณ์แบบไร้ที่ติจริงๆ หรือเปล่า คำตอบคือไม่ค่ะ
>> เอ้า มีข้อบกพร่องอะไรอีกครับ
>> จากรายงานการวิเคราะห์ เราพบว่ายังมีข้อบกพร่องที่ผู้ใช้งานระดับองค์กรสะท้อนออกมาให้เห็นอย่างชัดเจน ตัวอย่างเช่น เมื่อเทียบกับโมเดลอย่าง Claude Opus 4.1 Pro เอกสารการวางแผนสถาปัตยกรรมระบบที่ Gemini 3.1 Pro สร้างขึ้นมาตั้งแต่ต้น มักจะมีความยาวที่สั้นเกินไปค่ะ
>> สั้นเกินไปยังไงครับ
>> ในการทดสอบให้มันปรับปรุงโค้ดที่ซับซ้อนมากๆ Gemini มักจะพิมพ์เอกสารวางแผนออกมาแค่ประมาณ 2,500 Token ซึ่งเป็นแค่การสรุปหัวข้อสั้นๆ ที่อาจจะตกหล่นกรณีเฉพาะ หรือ edge cases บางอย่าง
>> อ๋อ ในขณะที่ฝั่ง Claude สามารถวิเคราะห์และเขียนอธิบายได้ละเอียดลึกซึ้งถึง 25,000 Token เลย ใช่มั้ยครับ
>> ใช่ค่ะ ห่างกัน 10 เท่าเลย นอกจากนี้ สำหรับกลุ่มผู้ใช้งานระดับโปร หรือองค์กร ก็ยังเจอปัญหาความไม่โปร่งใสของการแจ้งโควต้าการใช้งาน ทำให้มืออาชีพไม่สามารถวางแผนการทำงานรายวันได้อย่างแม่นยำ
แล้วเรื่องการใช้งานร่วมกับเครื่องมืออื่นๆ ล่ะครับ
>> ยังมีรายงานถึงความหน่วง หรือความไม่ลื่นไหล เมื่อต้องนำ Agent ตัวนี้ไปทำงานร่วมกับซอฟต์แวร์เขียนโค้ด หรือ IDE แบบเก่า ที่ไม่ได้ถูกออกแบบมาเพื่อรองรับ AI ที่ต้องใช้เวลาคิดทบทวนตัวเองนานๆ แบบระบบนี้ค่ะ
แล้วทั้งหมดนี้ มันหมายความว่ายังไง ข้อมูลสถิติต้นทุน สถาปัตยกรรมที่เปลี่ยนไป และตัวอย่างการใช้งานทั้งหมดนี้ กำลังชี้ให้เห็นถึงความเปลี่ยนแปลงอะไร
>> เป็นคำถามที่ดีมากค่ะ
>> สำหรับพวกเราทุกคนที่ต้องทำงานและเรียนรู้ในยุคนี้ การมาถึงของเทคโนโลยี Gemini กำลังบอกเราอย่างชัดเจนเลยว่า ทักษะในการลงมือเขียนโค้ดที่เราบรรทัด หรือการสร้างชิ้นงานขั้นต้นด้วยตัวเอง อาจจะมีความสำคัญลดลงอย่างมากในอนาคตอันใกล้
>> เพราะเอเจนต์เหล่านี้สามารถทำสิ่งเหล่านั้นได้เร็วกว่า และบางครั้งก็รอบคอบกว่าด้วยซ้ำนะคะ
>> ใช่ครับ แต่ทักษะที่จะกลายเป็นสิ่งที่มีมูลค่าสูงสุดในทศวรรษหน้า คือทักษะในการเป็นผู้ควบคุม หรือ orchestrator ครับ
>> การเป็นผู้ควบคุมนี่คือยังไงคะ
>> คือการรู้จักตั้งโจทย์และบริบทที่ถูกต้อง การแบ่งงานให้เอเจนต์หลายตัวทำงานพร้อมกันอย่างมีประสิทธิภาพ และที่สำคัญที่สุดคือ ทักษะในการตรวจสอบความถูกต้อง และการวิพากษ์วิจารณ์ผลลัพธ์ของ AI อย่างมีตรรกะครับ
>> ถูกต้องที่สุดค่ะ การประเมินและวิพากษ์วิจารณ์ผลงานของ AI คือทักษะใหม่ที่สำคัญ และเราทุกคนจำเป็นต้องมี
>> จริงครับ เราเชื่อใจมัน 100% ไม่ได้
>> เราได้เห็นจากข้อมูลทั้งหมดในวันนี้แล้วว่า สถาปัตยกรรมระดับแนวหน้านี้ สามารถตรวจสอบตรรกะของตัวเองได้ สามารถเขียนโค้ด Python ขึ้นมาเพื่อทดสอบการมองเห็นของสายตาตัวเองได้ และที่สำคัญคือ มันมีวุฒิภาวะพอที่จะรู้ว่าตัวเองทำอะไรไม่ได้ และกล้ายอมรับค่ะ
>> เป็นการเปลี่ยนแปลงที่น่าทึ่งมากจริงๆ ครับ
คำถามที่น่าคิดต่อและอยากฝากไว้ก็คือ ในเมื่อตอนนี้มันสามารถสร้างและรันเครื่องมือของตัวเองได้ในห่วงปิดแบบนี้ จะเกิดอะไรขึ้นในวันข้างหน้า หากมันต้องเผชิญหน้ากับโจทย์ที่ซับซ้อนเกินกว่าขีดจำกัดของเครื่องมือในปัจจุบัน
>> อ่า แล้วมันทำยังไงต่อล่ะครับทีนี้
>> แล้วมันตัดสินใจที่จะประดิษฐ์เครื่องมือชิ้นใหม่ทางคณิตศาสตร์ หรือซอฟต์แวร์ที่มนุษยชาติยังไม่เคยคิดค้นขึ้นมา เพื่อนำไปแก้ปัญหาที่พวกเราเองก็ยังไม่ทันได้นิยามด้วยซ้ำ
>> โอ้โห เป็นคำถามทิ้งท้ายที่ชวนให้ขนลุกและน่าตื่นเต้นไปพร้อมๆ กันเลยครับ เป็นเรื่องที่พวกเราทุกคนคงต้องกลับไปขบคิดกันต่อ
>> จริงค่ะ โลกหลังจากนี้คงน่าสนุกและท้าทายมาก
การเจาะลึกข้อมูลของเราในวันนี้ คงต้องจบลงเพียงเท่านี้ครับ เราได้เห็นถึงการก้าวกระโดดครั้งใหญ่ จาก AI ที่เป็นเพียงเครื่องจำลองภาษาแบบ i.i.d สู่การเป็นเครื่องยนต์ทางปัญญาที่สามารถตรวจสอบและทบทวนตัวเองได้อย่างแท้จริง
>> หวังว่าข้อมูลเหล่านี้จะเป็นวัตถุดิบชั้นดีให้นำไปต่อยอดและเตรียมพร้อมรับมือกับความเปลี่ยนแปลงที่กำลังจะมาถึงนะคะ
>> ขอบคุณทุกคนที่เข้ามาร่วมเปิดมุมมองและวิเคราะห์ข้อมูลไปกับเรา และพบกันใหม่ในการวิเคราะห์เจาะลึกครั้งหน้า สวัสดีครับ
>> สวัสดีค่ะ