ความรู้เบื้องต้นเกี่ยวกับปัญญาประดิษฐ์

1. ความหมายและมุมมองของปัญญาประดิษฐ์

1.1 ความหมายทั่วไปของปัญญาประดิษฐ์

ปัญญาประดิษฐ์ (Artificial Intelligence: AI) หมายถึง “ระบบคอมพิวเตอร์หรือเครื่องจักรที่ถูกออกแบบให้เลียนแบบสติปัญญาของมนุษย์ เพื่อทำงานที่ปกติแล้วต้องใช้ความฉลาดของมนุษย์ เช่น การคิด การเรียนรู้ การตัดสินใจ การเข้าใจภาษา หรือการมองเห็น” กล่าวอีกแบบหนึ่ง AI คือการจำลอง (simulation) ความสามารถด้านการเรียนรู้ การให้เหตุผล และการแก้ปัญหาของมนุษย์ให้เกิดขึ้นบนเครื่องจักรหรือซอฟต์แวร์

ระบบ AI ส่วนใหญ่ทำงานโดย “รับข้อมูล – วิเคราะห์ – หารูปแบบ – แล้วใช้รูปแบบนั้นตัดสินใจหรือคาดการณ์” เช่น วิเคราะห์ประวัติการซื้อเพื่อแนะนำสินค้า หรืออ่านประวัติการใช้บัตรเครดิตเพื่อจับธุรกรรมที่น่าสงสัย.
ข้อดีสำคัญคือ ระบบ AI สามารถประมวลผลข้อมูลจำนวนมหาศาลได้อย่างรวดเร็ว มองหารูปแบบที่มนุษย์มองไม่เห็น และช่วยให้การตัดสินใจมีความแม่นยำขึ้นในหลายงาน เช่น การวิเคราะห์ข้อมูลธุรกิจ การตรวจจับภาพทางการแพทย์ หรือระบบแนะนำเนื้อหาในแพลตฟอร์มออนไลน์

ในปัจจุบัน AI ที่ใช้งานจริงส่วนใหญ่จัดอยู่ในกลุ่ม “ปัญญาประดิษฐ์แบบแคบ (Narrow AI)” หรือ “Weak AI” คือ ระบบที่ถูกออกแบบมาเพื่อทำงานเฉพาะด้านให้เก่งมาก ๆ เช่น ระบบแปลภาษาอัตโนมัติ ผู้ช่วยเสียงในสมาร์ตโฟน ระบบแนะนำวิดีโอ หรือระบบตรวจจับการทุจริต

ส่วน “ปัญญาประดิษฐ์ทั่วไป (General AI หรือ AGI)” คือแนวคิดของ AI ที่สามารถทำงานทางสติปัญญาได้ทุกอย่างเหมือนมนุษย์ (คิด วิเคราะห์ ปรับตัวได้หลายด้าน) ซึ่งในปัจจุบันยังเป็นแนวคิดเชิงทฤษฎีและยังไม่มีระบบที่ทำได้จริง.

ควรเข้าใจว่า ถึงแม้ระบบ AI บางอย่างจะทำงานบางด้านได้ดีกว่ามนุษย์ (เช่น จดจำรูปภาพจำนวนมาก หรือคำนวณอย่างรวดเร็ว) แต่ AI ไม่ได้ “ฉลาดรอบด้าน” หรือ “คิดเองเหมือนมนุษย์ทุกเรื่อง” ระบบส่วนใหญ่จะเก่งเฉพาะงานที่ถูกฝึกมา และเมื่ออยู่คนนอกเหนือขอบเขตข้อมูลหรือสถานการณ์ที่ไม่เคยเจอมาก่อน ประสิทธิภาพอาจลดลงมาก

ตัวอย่างในชีวิตประจำวัน เช่น

• สมาร์ตโฟนที่ใช้ AI ในการจัดการภาพถ่าย แยกใบหน้า หรือโหมดถ่ายภาพกลางคืน

• ผู้ช่วยเสียง เช่น Google Assistant, Siri หรือ Alexa ที่ใช้เข้าใจคำพูดและตอบคำถาม

• ระบบแนะนำคอนเทนต์ใน YouTube, Facebook, TikTok ที่ใช้ AI วิเคราะห์พฤติกรรมผู้ใช้เพื่อเลือกเนื้อหาที่น่าจะสนใจ

สำหรับสายอาชีพช่างคอมพิวเตอร์ การเข้าใจ “ความหมายทั่วไปของ AI” จะช่วยให้มองออกว่า งานใดควรใช้ AI เป็นเครื่องมือช่วย (เช่น วิเคราะห์ log, ตรวจจับมัลแวร์, ระบบแจ้งเตือนเครือข่าย) และงานใดที่ยังต้องอาศัยการตัดสินใจและประสบการณ์ของมนุษย์ผสมผสานกันจึงจะได้ผลดีที่สุด

ระบบ AI สามารถวิเคราะห์ข้อมูลจำนวนมาก มองหารูปแบบ และใช้รูปแบบนั้นในการคาดการณ์หรือช่วยตัดสินใจได้ด้วยความรวดเร็วและแม่นยำกว่ามนุษย์ในหลายกรณี

---

1.2 มุมมอง 4 แบบของ AI (Thinking/Acting × Humanly/Rationally)

นักวิชาการอย่าง Russell และ Norvig เสนอวิธีจัดกลุ่มนิยามของ AI โดยดูจาก 2 แกนหลักคือ

• แกนที่ 1: สนใจ “กระบวนการคิด” (Thinking) หรือ “พฤติกรรมการกระทำ” (Acting)

• แกนที่ 2: วัดความสำเร็จจาก “ความเหมือนมนุษย์” (Humanly) หรือจาก “ความมีเหตุผลตามหลักตรรกะ/เป้าหมาย” (Rationally)

เมื่อนำสองแกนนี้มาตัดกัน จะได้ 4 มุมมองของ AI คือ

---

1.2.1 Thinking Humanly – คิดเหมือนมนุษย์

• แนวคิด: พยายามสร้างระบบคอมพิวเตอร์ที่ “คิดด้วยวิธีเดียวกับมนุษย์” หรืออย่างน้อย “ใกล้เคียงกระบวนการคิดของสมองมนุษย์”

• เป้าหมาย: ไม่ใช่แค่ให้ได้คำตอบถูก แต่สนใจว่าระบบได้คำตอบ “เหมือนที่มนุษย์ใช้เวลาคิดแล้วทำ” เช่น ลองจำลองว่ามนุษย์ใช้เวลาเท่าไร คิดเป็นขั้น ๆ อย่างไร แล้วออกแบบให้คอมพิวเตอร์ทำแบบเดียวกัน

• วิธีศึกษา: ใช้ความรู้จากจิตวิทยา ประสาทวิทยา ภาษาศาสตร์ มาผสมกับคอมพิวเตอร์ ทำให้เกิดสาขา “Cognitive Science” ที่สร้างแบบจำลองการคิดของคนแล้วเขียนเป็นโปรแกรม

ตัวอย่าง

• แบบจำลองโครงข่ายประสาทเทียม (Neural Network) ที่ได้รับแรงบันดาลใจมาจากโครงสร้างของเซลล์ประสาทในสมองมนุษย์ แม้จะไม่ได้เหมือนจริงทั้งหมด แต่พยายามเลียนแบบแนวคิดการเชื่อมโยงและการเรียนรู้ผ่านการปรับน้ำหนักการเชื่อมต่อ.medium

• งานวิจัยที่ทดสอบว่าระบบ AI แก้โจทย์หรือจดจำสิ่งต่าง ๆ ด้วย “แพตเทิร์นเวลา” ใกล้เคียงกับการตอบสนองของมนุษย์ ในการทดลองด้านจิตวิทยา

สำหรับการสอน นิสิต/นักศึกษาจะเข้าใจง่ายถ้าครูเน้นว่า Thinking Humanly คือ “พยายามดูว่ามนุษย์คิดอย่างไร แล้วเขียนโปรแกรมให้คิดแบบนั้น”

---

1.2.2 Thinking Rationally – คิดอย่างมีเหตุผล

• แนวคิด: สนใจให้ระบบ “คิดอย่างถูกต้องตามหลักตรรกะ” หรือ “laws of thought” เช่น ใช้ตรรกศาสตร์ (logic) ในการให้เหตุผลและสรุปผล

• เป้าหมาย: ถ้าความรู้และกฎที่ให้ไว้ถูกต้อง ระบบควรสรุปคำตอบได้ถูกต้องตามหลักตรรกะเสมอ เช่น การพิสูจน์ทฤษฎี การแก้โจทย์ตรรกะ

ข้อดี

• การใช้ตรรกะทำให้เรามองเห็นขั้นตอนคิดอย่างชัดเจน ตรวจสอบได้ว่าเหตุผลไหนถูกหรือผิด

ข้อจำกัด

• ความรู้ในโลกจริงจำนวนมากไม่ชัดเจนหรือมีความไม่แน่นอน ทำให้ยากที่จะเขียน “กฎตรรกะ” ครอบคลุมทุกกรณี

• การให้เหตุผลด้วยตรรกะอย่างสมบูรณ์อาจใช้เวลาคำนวณมากเกินไปสำหรับปัญหาขนาดใหญ่

ตัวอย่าง

• ระบบพิสูจน์ทฤษฎีทางคณิตศาสตร์ที่ใช้ตรรกะเชิงสัญลักษณ์

• ระบบผู้เชี่ยวชาญ (Expert System) ที่มีกฎ IF–THEN จำนวนมาก ใช้ให้เหตุผลเชิงตรรกะเพื่อวินิจฉัยโรคหรือวิเคราะห์ปัญหาเครื่องจักร (ในยุค AI รุ่นเก่า)

สำหรับนักศึกษา ปวส. อธิบายง่าย ๆ ว่า Thinking Rationally คือ “คิดแบบตรรกะเต็มรูปแบบ ถ้าข้อมูลครบ ระบบจะคิดไม่พลาด”

---

1.2.3 Acting Humanly – กระทำเหมือนมนุษย์

• แนวคิด: วัดความฉลาดจาก “พฤติกรรมภายนอก” ว่าดูเหมือนมนุษย์หรือเปล่า โดยไม่สนใจมากนักว่าข้างในคิดอย่างไร

• ตัวอย่างแนวคิดสำคัญคือ “Turing Test” ที่ Alan Turing เสนอ ถ้าคนสนทนาผ่านตัวอักษรกับคอมพิวเตอร์และคนจริง แล้วแยกไม่ออกว่าใครคือคอมพิวเตอร์ แสดงว่าคอมพิวเตอร์ “กระทำเหมือนมนุษย์” และถือว่ามีสติปัญญาในระดับหนึ่ง

สิ่งที่ระบบต้องทำให้ได้เพื่อ Acting Humanly ตามแนว Turing Test

• เข้าใจและใช้ภาษาธรรมชาติ (Natural Language Processing)

• มีฐานความรู้ (Knowledge Representation)

• ให้เหตุผลและตอบโต้ได้ (Automated Reasoning)

• เรียนรู้จากประสบการณ์ (Machine Learning)

ในเวอร์ชัน “Total Turing Test” ยังต้องรวมความสามารถด้านการมองเห็น (Computer Vision) และการควบคุมร่างกาย (Robotics) ด้วย เพื่อให้พฤติกรรมโดยรวมเหมือนคนที่สุด

ตัวอย่าง

• แชตบอตสนทนา (Chatbot) ที่ตอบโต้ผ่านข้อความจนผู้ใช้บางคนแยกไม่ออกว่าคุยกับคนหรือระบบ

• หุ่นยนต์ที่ตอบสนองแบบมนุษย์ ยิ้ม พูดคุย ใช้ภาษากาย และแสดงอารมณ์เลียนแบบมนุษย์

สำหรับการสอน สามารถยกตัวอย่าง ChatGPT หรือระบบแชตอื่น ๆ ให้นักศึกษาลองคุย แล้วถามว่า “ถ้าไม่บอกว่าคุยกับ AI จะคิดว่าเป็นคนไหม?” เพื่อเชื่อมกับแนวคิด Acting Humanly

---

1.2.4 Acting Rationally – กระทำอย่างมีเหตุผล (Rational Agent)

• แนวคิด: มอง AI เป็น “ตัวแทน (agent)” ที่รับข้อมูลจากสภาพแวดล้อม แล้วเลือก “การกระทำที่คาดว่าจะช่วยให้บรรลุเป้าหมายได้ดีที่สุด” ภายใต้ข้อมูลและทรัพยากรที่มี

• เน้น “ผลลัพธ์ของการกระทำ” มากกว่าจะสนใจว่าข้างในคิดอย่างไร ขอแค่ว่าพฤติกรรมที่ออกมา “สมเหตุสมผล” ตามเป้าหมายก็พอ

นิยามคร่าว ๆ ของพฤติกรรมแบบมีเหตุผล

• พฤติกรรมที่ “ทำสิ่งที่ถูก” หรืออย่างน้อย “คาดว่าจะดีที่สุด” เพื่อบรรลุเป้าหมายตามข้อมูลที่มี

• ไม่จำเป็นต้องคิดนานเสมอไป เช่น การตอบสนองรีเฟล็กซ์ก็อาจเป็นพฤติกรรมมีเหตุผลได้ ถ้าเหมาะสมกับสถานการณ์ (เช่น เบรกฉุกเฉินของรถ)

ตัวอย่าง

• รถยนต์ขับเคลื่อนอัตโนมัติที่ใช้เซนเซอร์รับข้อมูลรอบคัน แล้วตัดสินใจเร่ง เบรก หรือเลี้ยว เพื่อไปถึงจุดหมายอย่างปลอดภัยและมีประสิทธิภาพที่สุด

• ระบบเล่นหมากรุก/เกม ที่ไม่จำเป็นต้อง “คิดแบบมนุษย์” แต่เลือกเดินหมากที่เพิ่มโอกาสชนะมากที่สุดตามการคำนวณ

• ระบบวางแผนเส้นทาง (navigation) ที่เลือกเส้นทางสั้นหรือเร็วที่สุดตามสภาพจราจรในขณะนั้น

สำหรับสายอาชีพช่างคอมพิวเตอร์ มุมมอง Acting Rationally เหมาะมากเพราะเรามักออกแบบ “ตัวแทนอัตโนมัติ” เช่น ระบบตรวจจับการบุกรุกเครือข่าย หรือสคริปต์อัตโนมัติที่ตอบสนองเหตุการณ์ผิดปกติให้ “เหมาะสมและปลอดภัยที่สุด”

---

1.2.5 เปรียบเทียบโดยสรุป (ใช้ทำสไลด์/ใบความรู้)

• Thinking Humanly

  • เป้า: เลียนแบบ “วิธีคิดของมนุษย์”

  • ตัวอย่าง: แบบจำลองการคิดเชิงจิตวิทยา, neural network ที่ได้แรงบันดาลใจจากสมอง

• Thinking Rationally

  • เป้า: คิดอย่างถูกต้องตาม “กฎตรรกะ”

  • ตัวอย่าง: ระบบพิสูจน์ทฤษฎี, ระบบผู้เชี่ยวชาญแบบกฎ IF–THEN

• Acting Humanly

  • เป้า: แสดงพฤติกรรมเหมือนมนุษย์

  • ตัวอย่าง: แชตบอตผ่าน Turing Test, หุ่นยนต์ที่โต้ตอบเหมือนคน

• Acting Rationally

  • เป้า: ลงมือทำให้ “บรรลุเป้าหมายอย่างมีเหตุผลที่สุด”

  • ตัวอย่าง: รถยนต์ขับเคลื่อนอัตโนมัติ, เอเจนต์วางแผนเส้นทาง, โปรแกรมเล่นเกมที่เลือกเดินหมากดีที่สุด

---

2. ประวัติและพัฒนาการของปัญญาประดิษฐ์

2.1 Dartmouth Conference 1956 – จุดกำเนิดชื่อ “Artificial Intelligence”

Dartmouth Conference หรือชื่อเต็มว่า “Dartmouth Summer Research Project on Artificial Intelligence” เป็นเวิร์กช็อปวิจัยที่จัดขึ้นในฤดูร้อนปี 1956 ที่ Dartmouth College รัฐนิวแฮมป์เชียร์ สหรัฐอเมริกา และมักถูกยกให้เป็น “เหตุการณ์กำเนิดสาขาปัญญาประดิษฐ์อย่างเป็นทางการ”
การประชุมครั้งนี้สำคัญเพราะเป็นครั้งแรกที่มีการใช้คำว่า “Artificial Intelligence” ในเอกสารข้อเสนอของโครงการ และเป็นที่รวมตัวของนักวิทยาศาสตร์แถวหน้าที่ต้องการสำรวจความเป็นไปได้ของ “เครื่องจักรที่ฉลาดได้เหมือนมนุษย์”

---

ผู้นำเสนอแนวคิดและผู้ร่วมจัด

• ผู้เสนอและผู้จัดหลัก คือ John McCarthy (อาจารย์คณิตศาสตร์ที่ Dartmouth ในเวลานั้น) ร่วมกับ Marvin Minsky, Nathaniel Rochester (จาก IBM) และ Claude Shannon (บิดาแห่งทฤษฎีสารสนเทศ)

• ในข้อเสนอที่ส่งให้มูลนิธิ Rockefeller เมื่อวันที่ 31 สิงหาคม 1955 พวกเขาเสนอให้มี “การศึกษา 2 เดือน 10 คน” ในฤดูร้อนปี 1956 เพื่อวิจัยเรื่อง “Artificial Intelligence” โดยตรง

• ข้อเสนอนี้ระบุอย่างชัดเจนว่า “ทุก ๆ แง่มุมของการเรียนรู้หรือคุณลักษณะอื่นของสติปัญญา อาจถูกอธิบายได้อย่างแม่นยำเพียงพอจนสามารถทำให้เครื่องจำลองมันได้” ซึ่งเป็นจุดยืนที่กล้าหาญมากในยุคที่คอมพิวเตอร์เพิ่งเริ่มต้น

---

จุดประสงค์และแนวคิดหลักของโครงการ

ในข้อเสนอ Dartmouth ผู้จัดระบุเป้าหมายหลักว่า จะพยายามค้นหาวิธีการทำให้เครื่องสามารถทำสิ่งต่อไปนี้ได้:

• ใช้ภาษา (use language)

• สร้างนามธรรมและแนวคิด (form abstractions and concepts)

• แก้ปัญหาที่ปัจจุบันมีแต่มนุษย์เท่านั้นที่ทำได้ (solve kinds of problems now reserved for humans)

• พัฒนาตนเองได้ (improve themselves)

พวกเขาเชื่อว่าหากรวมนักวิทยาศาสตร์ที่เหมาะสมมาทำงานร่วมกันตลอดช่วงฤดูร้อน “น่าจะเกิดความก้าวหน้าที่มีนัยสำคัญในหนึ่งหรือหลายด้านของปัญญาประดิษฐ์”
หัวข้อย่อยที่เสนอให้ศึกษา ได้แก่ คอมพิวเตอร์อัตโนมัติ (automatic computers), วิธีให้คอมพิวเตอร์ใช้ภาษา, โครงข่ายประสาท (neuron nets), ทฤษฎีปริมาณการคำนวณ, การพัฒนาตนเอง (self‑improvement), การนามธรรม (abstractions) และบทบาทของความสุ่มกับความคิดสร้างสรรค์

---

ลักษณะการประชุมและผู้เข้าร่วม

• การประชุมจัดขึ้นราว 6–8 สัปดาห์ในฤดูร้อนปี 1956 ที่ Dartmouth College มีผู้เข้าร่วมเป็นนักคณิตศาสตร์ นักคอมพิวเตอร์ และนักวิจัยจากหลายสถาบันในสหรัฐฯ

• มีการวางแผนให้ผู้เข้าร่วมแต่ละคนเขียนสรุปความคิดของตนเกี่ยวกับหัวข้อย่อยที่รับผิดชอบ แล้วนำมาแลกเปลี่ยนและอภิปรายร่วมกัน เป็นลักษณะ “ระดมสมองเชิงวิจัยระยะยาว” มากกว่าจะเป็นสัมมนาที่มีวิทยากรบรรยายอย่างเดียว

• แม้การประชุมจะไม่ได้สร้าง “เครื่องที่ฉลาดเหมือนมนุษย์” ได้ทันที แต่วิสัยทัศน์และเครือข่ายนักวิจัยที่เกิดขึ้นจากการประชุมครั้งนี้ได้วางรากฐานให้กับงานวิจัย AI ในหลายทศวรรษถัดมา

---

การถือกำเนิดของคำว่า “Artificial Intelligence”

หนึ่งในเหตุผลที่ Dartmouth Conference ถูกมองว่าสำคัญมากคือ การที่ John McCarthy เลือกใช้คำว่า “Artificial Intelligence” ในข้อเสนอปี 1955 เพื่ออธิบายสาขาใหม่ที่เขาต้องการสร้าง

• เอกสารระบุชัดว่าพวกเขา “เสนอให้มีการศึกษา 2 เดือนในหัวข้อ artificial intelligence” จึงถือเป็นการ “บัญญัติชื่อสาขา” อย่างเป็นทางการ

• แหล่งข้อมูลจาก Dartmouth เองยืนยันว่าที่นี่คือสถานที่ที่คำว่า Artificial Intelligence ถูก “คิด ตั้งชื่อ และถกเถียงความหมายกันเป็นครั้งแรก” ทำให้สถาบันอ้างได้ว่า “AI ถือกำเนิดที่ Dartmouth”

McCarthy เลือกใช้คำนี้เพราะต้องการชื่อที่เป็นกลาง ไม่ผูกกับแนวคิด cybernetics หรือ automata theory ที่มีเจ้าของแนวคิดชัดเจนในยุคนั้น และต้องการเปิดทางให้มุมมองใหม่ ๆ เกี่ยวกับ “เครื่องที่คิดได้”

2.2 AI Winter – ช่วงเวลาที่ความคาดหวังเกินจริงและงบประมาณวิจัยลดลง

คำว่า AI Winter ใช้เรียกช่วงเวลาที่ “ความสนใจและงบประมาณด้านปัญญาประดิษฐ์ลดลงอย่างมาก” หลังจากที่เคยมีการคาดหวังสูงและลงทุนอย่างคึกคัก ทำให้หลายโครงการถูกยกเลิก นักวิจัยเปลี่ยนสายงาน และบริษัทที่ทำ AI ปิดตัวลงจำนวนมาก
ในช่วง AI Winter การวิจัย AI ไม่ได้หยุดทั้งหมด แต่ “ช้าลงและเงียบลงมาก” เมื่อเทียบกับช่วงบูม ทั้งเพราะผลงานไม่เป็นไปตามที่โฆษณาไว้ และเทคโนโลยียังไม่พร้อม เช่น ข้อมูลน้อย คอมพิวเตอร์ช้า ค่าใช้จ่ายสูง

---

2.2.1 สาเหตุหลักของ AI Winter

1. ความคาดหวังเกินจริง (Overhype)

• นักวิจัยและสื่อบางส่วนเคยให้ภาพว่า AI จะเข้าใจภาษาได้เหมือนมนุษย์ แปลภาษาทั้งประโยคได้อัตโนมัติ หรือทำงานเป็นผู้เชี่ยวชาญแทนคนได้ในเวลาไม่กี่สิบปี แต่ในความเป็นจริง งานหลายอย่างยังทำได้ดีเฉพาะในปัญหาที่ง่ายและแคบมาก

• เมื่อผลงานจริงตามไม่ทันคำโฆษณา ผู้ให้ทุนและสังคมเริ่มรู้สึกว่า “AI ยังไปไม่ถึงที่สัญญาไว้” จึงลดงบประมาณและเลิกสนใจ

1. ข้อจำกัดของเทคโนโลยีในยุคนั้น

• คอมพิวเตอร์ยุคแรกมีความเร็วและหน่วยความจำจำกัดมาก ทำให้โมเดลที่ซับซ้อนทำงานได้ช้าและเก็บความรู้ได้ไม่มาก

• วิธีการ AI แบบเดิม (เช่น เขียนกฎตรรกะเยอะ ๆ หรือ Expert Systems) เจอปัญหา “เขียนกฎไม่ทันโลกจริง” และแก้ปัญหาที่มีความซับซ้อนสูงไม่ได้ ทำให้ระบบเปราะบาง ใช้งานจริงได้ยาก

1. รายงานและเหตุการณ์สำคัญที่ทำให้ถูกตัดงบ

• รายงานวิจารณ์ AI เช่น รายงาน ALPAC (ด้านการแปลภาษาอัตโนมัติในสหรัฐฯ) และ Lighthill Report ในสหราชอาณาจักร ปี 1973 ระบุว่า AI ยังไม่สามารถแก้ปัญหาสำคัญอย่างเข้าใจภาษาธรรมชาติหรือใช้เหตุผลในโลกจริงได้ดี ทำให้รัฐบาลใช้เป็นเหตุผลในการลดเงินสนับสนุนงานวิจัย AI

---

2.2.2 AI Winter ครั้งที่ 1 (ราวทศวรรษ 1970)

• หลังยุคเริ่มต้นที่เต็มไปด้วยความหวังในทศวรรษ 1950–1960 งานหลายชิ้น เช่น การแปลภาษาอัตโนมัติ และหุ่นยนต์อัจฉริยะ ทำได้ดีเฉพาะตัวอย่างเล็ก ๆ แต่ไม่สามารถขยายไปใช้กับภาษาหรือสถานการณ์จริงที่หลากหลายได้

• รายงาน ALPAC ในปี 1966 วิจารณ์ว่าเครื่องแปลภาษายังไม่เหนือกว่ามนุษย์ ทำให้รัฐบาลสหรัฐฯ ลดงบวิจัยด้านนี้อย่างหนัก เป็นหนึ่งในจุดเริ่มของความผิดหวังต่อ AI

• ในสหราชอาณาจักร รายงาน Lighthill ปี 1973 ระบุว่า ไม่มีส่วนใดของ AI ที่ประสบความสำเร็จตามที่เคยสัญญาไว้ และวิจารณ์อย่างหนักว่าระบบ AI ที่ทดลองอยู่ไม่สามารถจัดการกับ “การระเบิดเชิงผสมผสาน (combinatorial explosion)” ในปัญหาจริงได้.

  รัฐบาลอังกฤษจึงตัดสินใจ “ยุติการสนับสนุน AI ในหลายมหาวิทยาลัย” ส่งผลให้การวิจัย AI ชะลอตัวลงอย่างมากในยุโรป และบรรยากาศด้าน AI ทั่วโลกซบเซาตามไปด้วย

ในเชิงการสอน สามารถอธิบายให้นักศึกษามองภาพว่า “ช่วงแรก ๆ ทุกคนคิดว่า AI จะทำได้ทุกอย่างเร็วมาก แต่เมื่อทำจริงแล้วไม่สำเร็จตามที่พูดไว้ รัฐบาลและผู้ให้ทุนก็เริ่มไม่เชื่อ เลยหยุดหรือลดงบประมาณ ทำให้ AI เหมือนเข้าสู่ฤดูหนาว”

---

2.2.3 AI Winter ครั้งที่ 2 (ปลายทศวรรษ 1980 – ต้น 1990)

https://www.youtube.com/watch?v=G-h411yJmJY&pp=ygUJQUkgV2ludGVy

ช่วงทศวรรษ 1980 AI กลับมาบูมอีกครั้งด้วยกระแส ระบบผู้เชี่ยวชาญ (Expert Systems) และฮาร์ดแวร์เฉพาะทาง เช่น เครื่อง Lisp Machines ที่ออกแบบมาสำหรับรันโปรแกรม AI โดยเฉพาะ

• หลายบริษัทลงทุนสร้างระบบผู้เชี่ยวชาญเพื่อใช้แทนหรือช่วยผู้เชี่ยวชาญในอุตสาหกรรม เช่น วินิจฉัยปัญหาเครื่องจักร วางแผนการผลิต หรือคัดสินเชื่อ.

• อย่างไรก็ตาม ระบบเหล่านี้เจอปัญหาใหญ่หลายด้าน

  • ต้องใช้เวลาและค่าใช้จ่ายสูงมากในการเก็บและเขียน “กฎ” จากผู้เชี่ยวชาญลงในระบบ (knowledge acquisition bottleneck)

  • ระบบ “เปราะบาง” และปรับตัวกับสถานการณ์ใหม่ ๆ ได้ไม่ดี ถ้าสภาพแวดล้อมเปลี่ยน กฎต้องถูกแก้ไขจำนวนมาก ทำให้ค่าบำรุงรักษาแพงจนหลายบริษัทมองว่า “ไม่คุ้มทุน”

  • ฮาร์ดแวร์เฉพาะทางอย่าง Lisp Machines มีราคาสูง แต่เมื่อคอมพิวเตอร์ทั่วไป (เช่น x86 PCs และ workstation ทั่วไป) แรงขึ้นและถูกลง ธุรกิจจึงหันไปใช้โซลูชันทั่วไปแทน

เมื่อรวมกับการที่โครงการใหญ่ ๆ เช่น โครงการ Fifth Generation Computer Systems ของญี่ปุ่น และ Strategic Computing Initiative ของสหรัฐฯ ไม่สามารถบรรลุเป้าหมายด้าน AI ตามที่ตั้งไว้ ทำให้รัฐบาลและบริษัทเอกชนจำนวนมากหั่นงบวิจัย AI ลงอย่างรุนแรงในช่วงปลายทศวรรษ 1980–ต้น 1990 ซึ่งถูกเรียกว่า AI Winter ครั้งที่ 2.

---

2.2.4 บทเรียนจาก AI Winter

จากประวัติของ AI Winter นักวิจัยและอุตสาหกรรมในปัจจุบันจึงให้ความสำคัญกับบทเรียนต่อไปนี้

• หลีกเลี่ยงการโฆษณาเกินจริง: หากสัญญามากเกินกว่าที่ทำได้จริง จะเสียความเชื่อมั่นและกระทบต่อการลงทุนในระยะยาว.

• มุ่งเน้นปัญหาจริงในอุตสาหกรรม: งานวิจัยที่ผูกกับปัญหาจริงและมีประโยชน์ชัดเจน มักมีโอกาสรอดจากการตัดงบมากกว่างานที่ดูสวยงามแต่ใช้งานจริงไม่ได้.

• ปรับวิธีคิดและเทคนิค: การออกจาก AI Winter ครั้งที่ 2 มาพร้อมกับแนวคิดใหม่ เช่น การให้เหตุผลเชิงความน่าจะเป็น (probabilistic reasoning) และเครือข่ายแบบ Bayesian ซึ่งรับมือกับความไม่แน่นอนของโลกจริงได้ดีกว่าวิธีตรรกะแบบแข็ง ๆ เพียงอย่างเดียว.

2.3 Deep Learning Era – ยุคโครงข่ายประสาทเทียมเชิงลึก

ภาพรวมของยุค Deep Learning
หลังจากผ่านช่วง AI Winter เมื่อเข้าสู่ยุคอินเทอร์เน็ตและสมาร์ตโฟน โลกเริ่มมี “ข้อมูลจำนวนมหาศาล (Big Data)” ทั้งรูปภาพ เสียง ข้อความ และวิดีโอ ประกอบกับพลังประมวลผลของฮาร์ดแวร์ (โดยเฉพาะ GPU) เพิ่มขึ้นอย่างรวดเร็ว
สถานการณ์นี้เปิดโอกาสให้แนวคิด “โครงข่ายประสาทเทียมเชิงลึก (Deep Neural Networks)” ซึ่งเคยถูกมองว่ายากต่อการฝึกในอดีต กลับมาได้รับความสนใจอีกครั้ง เพราะตอนนี้สามารถฝึกโมเดลที่มีหลายสิบชั้นด้วยข้อมูลขนาดใหญ่ได้จริง

ในยุค Deep Learning นักวิจัยใช้โครงข่ายประสาทเทียมหลายชั้น (deep networks) เพื่อเรียนรู้ “คุณลักษณะ (features)” จากข้อมูลดิบโดยอัตโนมัติ แทนที่จะให้มนุษย์ออกแบบ features ด้วยมือ เช่น ให้โครงข่ายเรียนรู้ลักษณะเส้นขอบ รูปทรง และวัตถุจากพิกเซลภาพโดยตรง
แนวคิดนี้ทำให้ประสิทธิภาพในงานอย่างการจำแนกรูปภาพ การรู้จำเสียง การประมวลผลภาษาธรรมชาติ และภายหลังรวมถึงโมเดลภาษา/โมเดลกำเนิดเนื้อหาขนาดใหญ่ กระโดดขึ้นอย่างเห็นได้ชัดเมื่อเทียบกับวิธีดั้งเดิม

---

เหตุการณ์ AlexNet และ ImageNet 2012

จุดเปลี่ยนที่มักถูกยกเป็น “สัญลักษณ์เริ่มต้นยุค Deep Learning อย่างจริงจัง” คือการแข่งขัน ImageNet Large Scale Visual Recognition Challenge (ILSVRC) ปี 2012.

• ImageNet เป็นฐานข้อมูลรูปภาพขนาดใหญ่ที่มีรูปภาพหลายล้านภาพแบ่งเป็นหมวดหมู่หลายร้อยประเภท ใช้เป็นสนามทดสอบมาตรฐานสำหรับอัลกอริทึมจำแนกรูปภาพ

• ในปี 2012 ทีมจากมหาวิทยาลัยโทรอนโตที่ประกอบด้วย Alex Krizhevsky, Ilya Sutskever และ Geoffrey Hinton นำโมเดล “AlexNet” ซึ่งเป็นโครงข่ายประสาทเทียมเชิงลึกแบบ convolutional neural network (CNN) ลงแข่งขัน

ผลการแข่งขัน AlexNet สามารถลด “อัตราความผิดพลาดแบบ Top-5” ลงเหลือประมาณ 15% ในขณะที่วิธีอันดับถัดไปยังมีความผิดพลาดราว 26% ถือเป็นช่องว่างที่มากๆ ปกติในงานแข่งขันเชิงเทคนิค ทำให้วงการตกตะลึงว่าด้วยโครงสร้างโมเดลที่เหมาะสมและการฝึกบน GPU Deep Learning สามารถเหนือกว่าวิธีเดิมอย่างมาก
AlexNet ใช้เทคนิคสำคัญหลายอย่าง เช่น การใช้เลเยอร์ convolutional หลายชั้น การใช้ฟังก์ชันกระตุ้นแบบ ReLU การทำ data augmentation เพื่อเพิ่มความหลากหลายของข้อมูล และการใช้ dropout ลดการ overfitting ซึ่งกลายเป็นมาตรฐานที่งานด้านคอมพิวเตอร์วิทัศน์จำนวนมากนำไปประยุกต์ต่อ

---

ผลกระทบของยุค Deep Learning ต่อ AI โดยรวม

หลังจากชัยชนะของ AlexNet บริษัทเทคโนโลยีรายใหญ่ เช่น Google, Facebook และ Microsoft ต่างหันมาลงทุนและสร้างทีมวิจัย Deep Learning อย่างจริงจัง เพื่อนำโครงข่ายประสาทเทียมเชิงลึกไปใช้ในบริการต่าง ๆ เช่น การค้นหาภาพ การรู้จำเสียง การแปลภาษา และการประมวลผลภาษาธรรมชาติ
เทคนิค Deep Learning ขยายจากงานด้านรูปภาพไปสู่งานด้านเสียง (speech recognition) และภาษาธรรมชาติ (NLP) เช่น การใช้ recurrent neural networks (RNN) และต่อมาคือสถาปัตยกรรมแบบ Transformer ในการประมวลผลข้อความจำนวนมาก ทำให้ประสิทธิภาพการรู้จำคำพูดและการแปลภาษาอัตโนมัติดีขึ้นอย่างมาก

ยุค Deep Learning ยังปูทางสู่ “โมเดลขนาดใหญ่ (large‑scale models)” และ “Generative AI” ในเวลาต่อมา ที่สามารถสร้างข้อความ ภาพ เสียง วิดีโอ และโค้ดขึ้นมาใหม่ได้จากการเรียนรู้รูปแบบจากข้อมูลจำนวนมหาศาล เช่น โมเดลภาษาใหญ่ (LLM) และโมเดลสร้างภาพจากข้อความ
สำหรับนักศึกษา ปวส. การเข้าใจยุค Deep Learning ช่วยให้มองเห็นว่าทำไม AI ยุคนี้จึงใช้งานได้จริงในหลายด้าน เช่น ระบบรู้จำใบหน้า ระบบแนะนำคอนเทนต์ ระบบช่วยเขียนโค้ด และแชตบอตอัจฉริยะ ซึ่งล้วนมีรากฐานจากเทคนิคโครงข่ายประสาทเทียมเชิงลึกที่เริ่มโดดเด่นตั้งแต่เหตุการณ์ ImageNet 2012 เป็นต้นมา

---

3. บุคคลสำคัญด้านปัญญาประดิษฐ์

3.1 Alan Turing (อัลลัน ทัวริง)

Alan Turing เป็นนักคณิตศาสตร์และนักวิทยาการคอมพิวเตอร์ชาวอังกฤษ ผู้ได้รับการยกย่องว่าเป็น “บิดาแห่งวิทยาการคอมพิวเตอร์สมัยใหม่” และเป็นหนึ่งในผู้บุกเบิกแนวคิดด้านปัญญาประดิษฐ์
งานของเขาวางรากฐานทั้งทางทฤษฎีคอมพิวเตอร์ (แนวคิดเครื่องทัวริง) งานถอดรหัสในสงครามโลกครั้งที่สอง และแนวคิดแรก ๆ เกี่ยวกับ “เครื่องจักรที่ฉลาดได้” ผ่านบทความสำคัญ “Computing Machinery and Intelligence”

---

ผลงานสำคัญที่เกี่ยวกับ AI

1. แนวคิดเครื่องทัวริง (Turing Machine)

• Turing เสนอแบบจำลองนามธรรมของ “เครื่องคำนวณอัตโนมัติ” ที่ภายหลังเรียกว่าเครื่องทัวริง ซึ่งสามารถอ่าน เขียน และประมวลผลสัญลักษณ์บนเทปตามกฎที่กำหนด

• แบบจำลองนี้ใช้เป็นพื้นฐานทางทฤษฎีของ “อัลกอริทึม” และช่วยให้เรากำหนดได้ชัดเจนว่า “อะไรที่คอมพิวเตอร์ทำได้” และ “อะไรที่ทำไม่ได้” ซึ่งเป็นฐานคิดสำคัญของสาขาปัญญาประดิษฐ์ในเวลาต่อมา

1. บทความ “Computing Machinery and Intelligence” (1950)

• ในปี 1950 Turing ตีพิมพ์บทความชื่อ “Computing Machinery and Intelligence” ซึ่งถือเป็นหนึ่งในบทความแรก ๆ ที่พูดถึง “สติปัญญาของเครื่องจักร” อย่างเป็นระบบ

• เขาเริ่มบทความด้วยคำถาม “Can machines think?” แต่เสนอให้เปลี่ยนคำถามนี้เป็นเกมเลียนแบบ (Imitation Game) ที่วัดจากพฤติกรรมการโต้ตอบของเครื่องแทนการเถียงเรื่องนิยามคำว่า “คิด”

1. แนวคิดการทดสอบทัวริง (Turing Test)

• Turing เสนอเกมเลียนแบบที่ภายหลังรู้จักกันในชื่อ “Turing Test” คือให้ผู้สังเกตสนทนาผ่านตัวอักษรกับ “คน” และ “เครื่อง” หากผู้สังเกตรู้สึกแยกไม่ออกว่าฝั่งไหนคือเครื่อง แสดงว่าพฤติกรรมของเครื่อง “ฉลาดเหมือนมนุษย์” ในระดับหนึ่ง

• แนวคิดนี้กลายเป็นหนึ่งในเกณฑ์วัด AI ที่ถูกพูดถึงมากที่สุดในประวัติศาสตร์ และมีอิทธิพลต่อมุมมอง “Acting Humanly – กระทำเหมือนมนุษย์” ในการจำแนกมุมมองของ AI

---

ความสำคัญต่อประวัติศาสตร์ AI

• งานของ Turing ทำให้เกิด “กรอบคิด” ว่าเราสามารถพูดถึง “เครื่องที่ฉลาดได้” อย่างมีหลักวิทยาศาสตร์ โดยใช้ทั้งแบบจำลองทางคณิตศาสตร์ (เครื่องทัวริง) และเกณฑ์วัดเชิงพฤติกรรม (Turing Test)

• แม้ยุคของเขายังไม่มีคำว่า “Artificial Intelligence” อย่างเป็นทางการ (คำนี้จะถูกใช้ใน Dartmouth Conference ปี 1956 ภายหลัง) แต่นักประวัติศาสตร์ด้าน AI ส่วนใหญ่ยกให้บทความปี 1950 ของ Turing เป็นหนึ่งในจุดเริ่มของการคิดเรื่อง AI อย่างจริงจัง

3.2 John McCarthy (จอห์น แมคคาร์ธี)

John McCarthy เป็นนักวิทยาการคอมพิวเตอร์ชาวอเมริกัน ผู้ได้รับการยกย่องว่าเป็นหนึ่งใน “บิดาแห่งปัญญาประดิษฐ์” และเป็นผู้บัญญัติคำว่า “Artificial Intelligence” อย่างเป็นทางการ
เขามีบทบาทสำคัญทั้งในการตั้งชื่อสาขา AI การจัดการประชุม Dartmouth Conference ปี 1956 และการพัฒนาภาษาโปรแกรม LISP ซึ่งกลายเป็นภาษาหลักของงานวิจัย AI ยุคแรก ๆ

---

บทบาทในการกำเนิดคำว่า “Artificial Intelligence”

• ปี 1955 McCarthy เขียนและยื่นข้อเสนอ “Dartmouth Summer Research Project on Artificial Intelligence” ให้มูลนิธิ Rockefeller โดยใช้คำว่า Artificial Intelligence เป็นครั้งแรกในบริบทของโครงการวิจัย

• ข้อเสนอนี้มุ่งให้มีการศึกษาว่า “ทุกแง่มุมของการเรียนรู้หรือคุณลักษณะอื่นของสติปัญญา สามารถอธิบายได้ชัดเจนพอที่จะทำให้เครื่องจำลองมันได้หรือไม่” ซึ่งสะท้อนความเชื่อว่าปัญญาของมนุษย์สามารถนำมาศึกษาและสร้างบนเครื่องได้

• การประชุม Dartmouth ปี 1956 ที่เขาร่วมจัด จึงถือเป็นจุดเริ่มต้นของสาขา AI อย่างเป็นทางการ และทำให้ชื่อ “Artificial Intelligence” ถูกใช้แพร่หลายในวงวิชาการ

---

ผลงานด้านภาษาโปรแกรมและการวิจัย AI

• McCarthy เป็นผู้สร้างภาษา LISP (LISt Processor) ในปลายทศวรรษ 1950 ซึ่งออกแบบมาสำหรับการจัดการสัญลักษณ์และโครงสร้างข้อมูลแบบลิสต์ ทำให้เหมาะอย่างยิ่งกับการพัฒนาโปรแกรม AI

• LISP กลายเป็นภาษามาตรฐานสำหรับงานวิจัย AI หลายทศวรรษ และมีอิทธิพลต่อการออกแบบภาษาสมัยใหม่อีกจำนวนมาก

• เขายังมีผลงานในแนวคิด time-sharing (ระบบแบ่งเวลาใช้งานคอมพิวเตอร์) และการวิจัยด้านการให้เหตุผลอัตโนมัติ (automated reasoning) และการแทนความรู้ (knowledge representation) ที่มีผลต่อโครงสร้างระบบ AI ยุคแรก ๆ

---

ความสำคัญต่อประวัติศาสตร์ AI

• John McCarthy ไม่ได้เพียง “ช่วยตั้งชื่อ AI” แต่ยังช่วยกำหนด “ทิศทาง” ของสาขา ทั้งในแง่การมอง AI เป็นศาสตร์ทางวิทยาศาสตร์แขนงหนึ่ง และในแง่เครื่องมือ (ภาษา LISP) สำหรับวิจัย

• ผลงานของเขาทำให้ AI กลายเป็นชุมชนวิจัยที่ชัดเจน มีชื่อเรียกของตัวเอง มีการประชุม และมีเครื่องมือเฉพาะทาง จึงมักถูกยกเป็นบุคคลสำคัญอันดับต้น ๆ เมื่อพูดถึงประวัติและพัฒนาการของปัญญาประดิษฐ์

3.3 Marvin Minsky (มาร์วิน มินสกี)

Marvin Minsky เป็นนักคณิตศาสตร์ นักวิทยาการคอมพิวเตอร์ และนักวิทยาศาสตร์ด้านความรู้ความเข้าใจชาวอเมริกัน หนึ่งในผู้บุกเบิกสำคัญที่สุดของสาขาปัญญาประดิษฐ์ และได้รับรางวัล A.M. Turing Award ในปี 1969 จากผลงานบุกเบิกด้าน AI.
เขามีบทบาททั้งด้านการสร้างห้องปฏิบัติการ AI แห่งแรก ๆ การสร้างต้นแบบเครื่องจักรอัจฉริยะ และการเสนอทฤษฎีเกี่ยวกับโครงสร้างของ “จิต” ที่ส่งผลต่อมุมมอง AI มาจนถึงปัจจุบัน.

---

บทบาทในสถาบันและการวิจัย AI

• Minsky ร่วมกับ John McCarthy ก่อตั้ง MIT Artificial Intelligence Laboratory ในปี 1959 (ต่อมาคือ CSAIL – Computer Science and Artificial Intelligence Laboratory) และเป็นผู้อำนวยการอยู่หลายปี.

• เขาพัฒนาเครื่องทดลองหลายอย่างตั้งแต่ยุคแรก เช่น

  • เครื่องโครงข่ายประสาทเทียมแบบเรียนรู้ได้ชื่อ SNARC (Stochastic Neural Analog Reinforcement Calculator) ในปี 1951 ซึ่งถือเป็นหนึ่งในเครื่อง neural network learning machine เครื่องแรก ๆ.

  • อุปกรณ์หุ่นยนต์ เช่น แขนกล ตัวจับของ (gripper) และระบบมองเห็นด้วยคอมพิวเตอร์ ชุดแรก ๆ สำหรับทดลองให้เครื่อง “รับรู้และจัดการวัตถุ” คล้ายมนุษย์.

---

งานเขียนและแนวคิดสำคัญ

1. Perceptrons (1969)

• หนังสือ Perceptrons ที่เขียนร่วมกับ Seymour Papert วิเคราะห์ความสามารถและข้อจำกัดของโครงข่ายประสาทเทียมแบบง่าย (perceptron) โดยชี้ให้เห็นว่าบางปัญหา เช่น การจำแนกข้อมูลที่ไม่เป็นเส้นตรง (อย่าง XOR) ไม่สามารถทำได้ด้วยโครงสร้าง perceptron ชั้นเดียว.

• งานนี้ทำให้วงการวิจัยหันความสนใจจาก neural networks ไปสู่ AI แบบเชิงสัญลักษณ์อยู่ระยะหนึ่ง และมักถูกกล่าวถึงในประวัติศาสตร์ AI ว่าเป็นหนึ่งในจุดเชื่อมโยงกับ AI Winter ด้าน neural network.

1. Frames – โครงสร้างการแทนความรู้

• ในบทความ “A Framework for Representing Knowledge” ปี 1974 Minsky เสนอแนวคิด Frames เป็นโครงสร้างข้อมูลเพื่อแทนสถานการณ์หรือ “กรอบความรู้” เช่น การไปทานอาหารในร้านอาหารหนึ่งครั้งจะมีโครงพื้นฐาน (frame) ที่มี “ช่อง” ให้เติมรายละเอียดตามสถานการณ์.

• แนวคิดนี้มีอิทธิพลอย่างมากต่อการแทนความรู้ (knowledge representation) และถูกมองว่าเป็นต้นแบบแนวคิด object/slots ในการเขียนโปรแกรมเชิงวัตถุยุคต่อมา.

1. Society of Mind – สังคมของจิต

• ในหนังสือ The Society of Mind (1986/1987) Minsky เสนอทฤษฎีว่า “สติปัญญาไม่ได้เกิดจากกลไกเดียว แต่เกิดจากการทำงานร่วมกันของตัวแทนเล็ก ๆ จำนวนมาก (agents) ที่แต่ละตัวเองอาจไม่มีความฉลาดเลย”.

• เขามองว่า “จิต” เป็นเหมือน “สังคมของเอเจนต์” ที่หลากหลาย แต่ละเอเจนต์ทำหน้าที่เฉพาะด้าน เมื่อถูกจัดการและประสานกันดี จึงเกิดพฤติกรรมที่ซับซ้อนและฉลาดขึ้นมาได้.

• แนวคิดนี้มีอิทธิพลต่อวิธีคิดใน AI สมัยใหม่หลายด้าน เช่น multi‑agent systems, การออกแบบสถาปัตยกรรมซอฟต์แวร์ที่แบ่งเป็นโมดูลย่อย และมุมมองว่าความฉลาดเกิดจากการผสมผสานหลายกลไก ไม่ใช่ “อัลกอริทึมเดียวครอบจักรวาล”.

---

ความสำคัญต่อประวัติศาสตร์ AI

• Minsky มีบทบาททั้งในระดับ “โครงสร้างสถาบัน” (ก่อตั้ง MIT AI Lab) และ “แนวคิดเชิงทฤษฎี” (Frames, Society of Mind) รวมถึง “ฮาร์ดแวร์ทดลอง” (SNARC, หุ่นยนต์ต้นแบบ) ทำให้เขาเป็นหนึ่งในบุคคลที่กำหนดทิศทาง AI ในช่วงครึ่งหลังศตวรรษที่ 20.

• เขาได้รับรางวัล A.M. Turing Award ในปี 1969 เพื่อยกย่อง “บทบาทสำคัญในการสร้าง กำหนดรูป และผลักดันสาขาปัญญาประดิษฐ์”

3.4 Geoffrey Hinton (เจฟฟรีย์ ฮินตัน)

Geoffrey Hinton เป็นนักจิตวิทยาการรู้คิดและนักวิทยาการคอมพิวเตอร์ชาวอังกฤษ–แคนาดา ผู้ได้รับฉายาว่า “Godfather of Deep Learning” เพราะเป็นบุคคลสำคัญที่สุดคนหนึ่งที่ผลักดันโครงข่ายประสาทเทียมและ Deep Learning จนกลายเป็นเทคโนโลยีหลักของ AI ยุคใหม่.
เขาได้รับรางวัล Turing Award ปี 2018 ร่วมกับ Yoshua Bengio และ Yann LeCun จากผลงานด้าน Deep Learning และได้รับรางวัลโนเบลสาขาฟิสิกส์ปี 2024 ร่วมกับ John J. Hopfield จากผลงานพื้นฐานด้านโครงข่ายประสาทเทียม.

---

ผลงานสำคัญด้านโครงข่ายประสาทเทียมและ Deep Learning

1. Backpropagation – การฝึกโครงข่ายหลายชั้น

• ในปี 1986 Hinton ร่วมกับ David Rumelhart และ Ronald Williams ตีพิมพ์งานที่ทำให้ อัลกอริทึม Backpropagation ได้รับความนิยมในวงกว้าง เป็นวิธีฝึกโครงข่ายประสาทเทียมหลายชั้น (multi‑layer neural networks) ให้เรียนรู้รูปแบบที่ซับซ้อนได้

• Backpropagation กลายเป็น “หัวใจของการฝึก neural network” และเป็นฐานของโมเดล Deep Learning แทบทุกแบบในปัจจุบัน

1. Boltzmann Machines, Deep Belief Nets และการแทนแทนเชิงกระจาย

• Hinton พัฒนา Boltzmann machines ซึ่งเป็นโมเดลโครงข่ายประสาทเชิงสถิติสำหรับการเรียนรู้แบบไม่กำกับ (unsupervised learning) ช่วยให้ระบบค้นหารูปแบบในข้อมูลโดยไม่ต้องมีป้ายกำกับ

• เขายังเสนอแนวคิด distributed representations (การแทนข้อมูลแบบกระจาย) และพัฒนาโครงข่ายอย่าง deep belief nets และ autoencoders ซึ่งเป็นส่วนสำคัญในการจุดกระแส “ฟื้นคืนชีพของ Deep Learning” ช่วงกลางทศวรรษ 2000

1. AlexNet และจุดเปลี่ยน ImageNet 2012

• ปี 2012 Hinton กับลูกศิษย์ Alex Krizhevsky และ Ilya Sutskever สร้างโมเดล AlexNet ซึ่งเป็นโครงข่ายประสาทเทียมเชิงลึกแบบ convolutional neural network (CNN) เข้าร่วมแข่งขัน ImageNet

• AlexNet ลดอัตราความผิดพลาดได้ดีกว่าวิธีเดิม “ประมาณครึ่งหนึ่ง” ทำให้วงการยอมรับอย่างชัดเจนว่า Deep Learning เหนือกว่าวิธีเดิมในการจำแนกรูปภาพ และจุดชนวนให้บริษัทเทคโนโลยีใหญ่หันมาลงทุนด้าน Deep Learning อย่างจริงจัง

---

บทบาทและรางวัลสำคัญ

• Hinton ทำงานที่มหาวิทยาลัยโตรอนโตและร่วมงานกับ Google (Google Brain) ตั้งแต่ปี 2013 เป็นต้นมา โดยออกแบบอัลกอริทึมเรียนรู้สำหรับข้อมูลขนาดใหญ่และงานด้านการมองเห็นของเครื่อง

• ปี 2018 เขาได้รับ ACM Turing Award ร่วมกับ Bengio และ LeCun สำหรับ “ผลงานสร้างสรรค์ด้านโครงข่ายประสาทเทียมที่ปูทางให้เกิดการปฏิวัติ Deep Learning”

• ปี 2024 เขาได้รับ รางวัลโนเบลสาขาฟิสิกส์ ร่วมกับ John J. Hopfield จาก “การค้นพบและการประดิษฐ์พื้นฐานที่ทำให้การเรียนรู้ด้วยโครงข่ายประสาทเทียมเป็นไปได้” ซึ่งสะท้อนว่าผลงานด้าน AI ของเขามีความสำคัญถึงระดับรางวัลสูงสุดทางวิทยาศาสตร์

---

4. ตัวอย่างเทคโนโลยี AI ในปัจจุบัน

4.1 ChatGPT และ Generative AI

• Generative AI คือกลุ่มเทคโนโลยี AI ที่สามารถ “สร้าง” เนื้อหาใหม่ เช่น ข้อความ ภาพ เสียง หรือวิดีโอ โดยเรียนรู้รูปแบบจากข้อมูลจำนวนมาก

• ChatGPT เป็นตัวอย่างของโมเดลภาษาขนาดใหญ่ (Large Language Model: LLM) ที่สามารถตอบคำถาม เขียนบทความ ช่วยเขียนโปรแกรม และสนทนากับผู้ใช้ได้อย่างเป็นธรรมชาติ

4.2 ภาพจาก AI (Text-to-Image)

• ระบบอย่าง DALL·E หรือแพลตฟอร์มสร้างภาพอื่น ๆ ใช้โมเดลเชิงกำเนิด (เช่น diffusion models) เพื่อสร้างภาพจากคำอธิบายข้อความ เช่น “หุ่นยนต์กำลังซ่อมคอมพิวเตอร์ในห้องเรียน”

• เทคโนโลยีนี้เริ่มถูกนำไปใช้ในงานออกแบบ โฆษณา สื่อการสอน และการสร้างภาพประกอบเนื้อหาออนไลน์อย่างแพร่หลาย

4.3 รถยนต์ขับเคลื่อนอัตโนมัติ (Autonomous Vehicles)

• รถยนต์ขับเคลื่อนอัตโนมัติใช้ AI ในการประมวลผลข้อมูลจากกล้อง เรดาร์ และเซนเซอร์แบบ LiDAR เพื่อรับรู้ถนน เลนรถ คนเดินถนน และสิ่งกีดขวาง

• ระบบต้องวิเคราะห์สภาพแวดล้อมแบบเรียลไทม์ ตัดสินใจเร่ง เบรก เลี้ยว และหลบหลีกอันตราย โดยมีเป้าหมายให้ขับได้ปลอดภัยใกล้เคียงหรือดีกว่ามนุษย์

4.4 ตัวอย่าง AI ที่เกี่ยวข้องกับงานช่างคอมพิวเตอร์

• ระบบตรวจจับมัลแวร์และภัยคุกคามเครือข่ายที่ใช้ Machine Learning เพื่อจำแนกลักษณะผิดปกติของทราฟฟิกหรือไฟล์ต้องสงสัย

• ระบบวิเคราะห์ log และแจ้งเตือนอัตโนมัติของเซิร์ฟเวอร์/อุปกรณ์เครือข่าย

• Chatbot หรือระบบตอบคำถามอัตโนมัติสำหรับงาน Helpdesk ที่ช่วยตอบปัญหาพื้นฐานของผู้ใช้ก่อนส่งต่อให้ช่างคอมดูแลต่อ

---

คำศัพท์สำคัญ

• Artificial Intelligence (AI) – ปัญญาประดิษฐ์

• Machine Learning – การเรียนรู้ของเครื่อง

• Deep Learning – การเรียนรู้เชิงลึก

• Neural Network – โครงข่ายประสาทเทียม

• Turing Test – การทดสอบทัวริง

• Generative AI – ปัญญาประดิษฐ์เชิงกำเนิด (สร้างเนื้อหาใหม่)

• Autonomous Vehicle – ยานพาหนะขับเคลื่อนอัตโนมัติ

---

คำถามทบทวนท้ายใบความรู้

1. อธิบายความแตกต่างระหว่าง “Thinking Humanly” กับ “Acting Rationally” พร้อมยกตัวอย่างอย่างน้อย 1 ตัวอย่าง

2. จงเรียงเหตุการณ์ต่อไปนี้ตามลำดับเวลา: AI Winter, Dartmouth Conference, งาน AlexNet และ ImageNet 2012

3. เลือกบุคคลสำคัญด้าน AI 1 คน (จาก Turing, McCarthy, Minsky, Hinton) แล้วอธิบายผลงานของเขาอย่างย่อ

4. ยกตัวอย่างเทคโนโลยี AI ที่เกี่ยวข้องกับงานช่างคอมพิวเตอร์อย่างน้อย 2 อย่าง พร้อมอธิบายประโยชน์