ชุมชนด้านปัญญาประดิษฐ์กำลังถกเถียงอย่างเข้มข้นเกี่ยวกับธรรมชาติของความเข้าใจในโมเดลภาษาขนาดใหญ่ ( LLMs ) ซึ่งจุดประเด็นโดยงานวิจัยล่าสุดจาก MIT เกี่ยวกับความสามารถในการนำทางของ AI แม้ว่าโมเดลเหล่านี้จะแสดงประสิทธิภาพที่น่าประทับใจในงานเฉพาะด้าน แต่การอภิปรายได้เผยให้เห็นคำถามที่ลึกซึ้งเกี่ยวกับสิ่งที่ถือเป็นความฉลาดและความเข้าใจที่แท้จริงในระบบ AI
การถกเถียงระหว่างการจับคู่รูปแบบกับความเข้าใจที่แท้จริง
ชุมชนส่วนใหญ่เน้นย้ำถึงความแตกต่างระหว่างการจับคู่รูปแบบและความเข้าใจที่แท้จริง การอภิปรายชี้ให้เห็นว่า LLMs สามารถทำงานซับซ้อนได้ เช่น การให้คำแนะนำการนำทางแบบทีละขั้นตอน หรือการเล่นเกมเชิงกลยุทธ์ โดยไม่จำเป็นต้องพัฒนาแบบจำลองภายในที่สอดคล้องกันว่าระบบเหล่านี้ทำงานอย่างไร ข้อจำกัดนี้จะเห็นได้ชัดเมื่อโมเดลเผชิญกับการเปลี่ยนแปลงเล็กน้อยในสภาพแวดล้อมการทำงาน เช่น การปิดถนนในงานนำทาง
LLMs ในรูปแบบปัจจุบันดูเหมือนความคิดเชิงสัญชาตญาณ เหมือนกับที่เราใช้ในการสนทนากับเพื่อนระหว่างดื่มเบียร์ ดูเหมือนว่านี่เป็นเพียงส่วนหนึ่งของสมอง AI ในอนาคต ยังต้องมีระบบอื่นๆ สำหรับการรักษาแบบจำลองโลก และการวางแผนเบื้องหลังอีกด้วย
ผลการวิจัยที่สำคัญ:
- ความแม่นยำในการนำทางลดลงจาก 100% เหลือ 67% เมื่อมีการปิดถนนเพียง 1%
- โมเดลสร้างแผนที่ภายในที่ไม่ถูกต้อง โดยแสดงการเชื่อมต่อของถนนที่ไม่มีอยู่จริง
- การใช้ข้อมูลการฝึกฝนแบบสุ่มให้ผลลัพธ์ที่ดีกว่าการฝึกฝนแบบมีกลยุทธ์ในการสร้างแบบจำลองโลก
- โมเดลสามารถทำงานได้ดีโดยไม่จำเป็นต้องเข้าใจกฎพื้นฐาน
ข้อถกเถียงเรื่องคำศัพท์ AI
ชุมชนแสดงความไม่พอใจต่อการใช้คำว่า AI กับเทคโนโลยี LLM ในปัจจุบัน หลายคนโต้แย้งว่าแม้โมเดลเหล่านี้จะน่าประทับใจในงานเฉพาะด้าน แต่ยังไม่ถึงขั้นที่เรียกว่าเป็นปัญญาประดิษฐ์ตามความหมายดั้งเดิม การถกเถียงทางความหมายนี้สะท้อนถึงความกังวลที่กว้างขึ้นเกี่ยวกับการรับรู้ของสาธารณชนและความคาดหวังต่อเทคโนโลยี AI โดยบางคนชี้ให้เห็นว่าประวัติศาสตร์ 70 ปีของวงการนี้ครอบคลุมมากกว่าแค่โมเดลภาษา
ความฉลาดทางชีวภาพ vs การเรียนรู้ของเครื่อง
มีการเปรียบเทียบที่น่าสนใจในการอภิปรายระหว่างการรับรู้ของมนุษย์กับการเรียนรู้ของเครื่อง สมาชิกในชุมชนชี้ให้เห็นว่าแม้แต่สัตว์และเด็กเล็กก็มีแนวคิดพื้นฐาน เช่น ความคงอยู่ของวัตถุ ซึ่ง LLMs ในปัจจุบันยังขาด สิ่งนี้ชี้ให้เห็นช่องว่างสำคัญระหว่างความฉลาดทางชีวภาพและความสามารถของ AI ในปัจจุบัน โดยเฉพาะในด้านที่ต้องการความเข้าใจโลกทางกายภาพ เช่น เคมี และปัญหาทางกลศาสตร์
ประสิทธิภาพด้านทรัพยากรและการเรียนรู้
ชุมชนยังอภิปรายถึงความต้องการทรัพยากรของ LLMs เมื่อเทียบกับความฉลาดทางชีวภาพ ในขณะที่มนุษย์เรียนรู้ภาษาและความเข้าใจโลกผ่านการรับรู้ที่จำกัดและการใช้พลังงาน (ประมาณ 20 วัตต์ของพลังงานสมอง) LLMs ต้องใช้ทรัพยากรการคำนวณและพลังงานมหาศาลเพื่อให้ได้ความสามารถเหล่านั้น การเปรียบเทียบนี้ทำให้เกิดคำถามเกี่ยวกับประสิทธิภาพและความยั่งยืนของวิธีการ AI ในปัจจุบัน
การอภิปรายที่ดำเนินอยู่เผยให้เห็นว่าแม้ LLMs จะเป็นความสำเร็จทางเทคโนโลยีที่สำคัญ แต่ยังขาดแง่มุมสำคัญของความเข้าใจที่แท้จริงซึ่งมนุษย์และแม้แต่ระบบทางชีวภาพอย่างง่ายมี ข้อมูลเชิงลึกนี้ชี้ให้เห็นว่าการพัฒนา AI ในอนาคตอาจจำเป็นต้องรวมวิธีการที่แตกต่างกันเพื่อให้บรรลุความเข้าใจโลกที่แท้จริง
แหล่งอ้างอิง: แม้จะมีผลลัพธ์ที่น่าประทับใจ แต่ AI เชิงสร้างสรรค์ยังขาดความเข้าใจโลกที่สอดคล้องกัน