โลก AI กำลังเปลี่ยนจาก “ยุคการขยายขนาด (scaling)” ไปสู่ “ยุคการวิจัย (research)”

บทสัมภาษณ์ Ilya Sutskever กับ Dwarkesh Patel เน้นว่าโลก AI กำลังเปลี่ยนจาก “ยุคการขยายขนาด (scaling)” ไปสู่ “ยุคการวิจัย (research)” โดยชี้ให้เห็นข้อจำกัดของการพึ่งพา pre-training และ scaling อย่างเดียว พร้อมเสนอว่าความท้าทายใหญ่คือการทำให้โมเดลทั่วไป (generalization) ได้ดีเหมือนมนุษย์.

จากยุค Scaling สู่ยุค Research
Ilya อธิบายว่าในช่วงปี 2012–2020 เป็นยุคของการวิจัย แต่หลังจากนั้นโลก AI เข้าสู่ยุค scaling ที่ทุกบริษัทพยายามเพิ่มขนาดโมเดลและข้อมูลเพื่อให้ได้ผลลัพธ์ที่ดีกว่า อย่างไรก็ตาม เขาเชื่อว่าการขยายขนาดเพียงอย่างเดียวไม่สามารถสร้างการเปลี่ยนแปลงเชิงคุณภาพได้อีกต่อไป และตอนนี้เรากำลังกลับเข้าสู่ ยุคการวิจัยที่แท้จริง โดยมีคอมพิวเตอร์ขนาดใหญ่เป็นเครื่องมือ.

ปัญหาการเรียนรู้และการทั่วไป
เขาเน้นว่า โมเดล AI ยัง generalize ได้แย่กว่ามนุษย์อย่างชัดเจน แม้จะทำคะแนนสูงใน benchmark หรือ evals แต่กลับล้มเหลวในงานจริง เช่น การแก้บั๊กที่วนกลับไปมาระหว่างข้อผิดพลาดเดิมและใหม่ ซึ่งสะท้อนว่าการเรียนรู้ของโมเดลยังไม่ยืดหยุ่นเหมือนมนุษย์ที่สามารถเรียนรู้จากประสบการณ์น้อยๆ ได้อย่างมีประสิทธิภาพ.

Analogies และ Value Functions
Ilya ใช้ตัวอย่างนักเรียนแข่งขันเขียนโปรแกรม: คนที่ฝึกหนัก 10,000 ชั่วโมงอาจเก่งเฉพาะการแข่งขัน แต่ไม่ generalize ไปสู่งานจริงได้ดี ขณะที่คนที่ฝึกเพียง 100 ชั่วโมงแต่มี “it factor” กลับทำงานได้ดีกว่าในระยะยาว เขาเชื่อว่ามนุษย์มี value function ที่แข็งแรงและถูกขับเคลื่อนด้วยอารมณ์ ซึ่งช่วยให้เราตัดสินใจได้อย่างมีประสิทธิภาพ ในขณะที่ AI ยังขาดสิ่งนี้.

ผลกระทบต่อเศรษฐกิจและสังคม
แม้โมเดลจะทำงานได้ดีในเชิงเทคนิค แต่ผลกระทบทางเศรษฐกิจยังไม่ตามทัน เขาเชื่อว่า AI จะค่อยๆ กระจายเข้าสู่เศรษฐกิจและสร้างแรงกดดันมหาศาลต่อการเปลี่ยนแปลง แต่สิ่งสำคัญคือการวิจัยเพื่อหาวิธีทำให้โมเดลเรียนรู้และทั่วไปได้อย่างมีประสิทธิภาพ เพื่อให้การพัฒนา AGI เป็นไปอย่างปลอดภัยและมีประโยชน์ต่อมนุษย์.

สรุปสาระสำคัญ
ยุคใหม่ของ AI
จากการขยายขนาด (scaling) สู่การวิจัย (research)

ข้อจำกัดของโมเดลปัจจุบัน
ทำคะแนนสูงใน benchmark แต่ generalize ได้แย่ในงานจริง

บทเรียนจากมนุษย์
มนุษย์เรียนรู้จากข้อมูลน้อยๆ ได้ดีกว่า เพราะมี value function และอารมณ์

ผลกระทบต่อเศรษฐกิจ
AI จะกระจายเข้าสู่เศรษฐกิจ แต่ต้องแก้ปัญหาการทั่วไปก่อน

ความเสี่ยงจากการพึ่ง scaling อย่างเดียว
ไม่สามารถสร้างการเปลี่ยนแปลงเชิงคุณภาพได้ และอาจทำให้เข้าใจผิดว่าบรรลุ AGI แล้ว

https://www.dwarkesh.com/p/ilya-sutskever-2
🌐 โลก AI กำลังเปลี่ยนจาก “ยุคการขยายขนาด (scaling)” ไปสู่ “ยุคการวิจัย (research)” บทสัมภาษณ์ Ilya Sutskever กับ Dwarkesh Patel เน้นว่าโลก AI กำลังเปลี่ยนจาก “ยุคการขยายขนาด (scaling)” ไปสู่ “ยุคการวิจัย (research)” โดยชี้ให้เห็นข้อจำกัดของการพึ่งพา pre-training และ scaling อย่างเดียว พร้อมเสนอว่าความท้าทายใหญ่คือการทำให้โมเดลทั่วไป (generalization) ได้ดีเหมือนมนุษย์. 🔄 จากยุค Scaling สู่ยุค Research Ilya อธิบายว่าในช่วงปี 2012–2020 เป็นยุคของการวิจัย แต่หลังจากนั้นโลก AI เข้าสู่ยุค scaling ที่ทุกบริษัทพยายามเพิ่มขนาดโมเดลและข้อมูลเพื่อให้ได้ผลลัพธ์ที่ดีกว่า อย่างไรก็ตาม เขาเชื่อว่าการขยายขนาดเพียงอย่างเดียวไม่สามารถสร้างการเปลี่ยนแปลงเชิงคุณภาพได้อีกต่อไป และตอนนี้เรากำลังกลับเข้าสู่ ยุคการวิจัยที่แท้จริง โดยมีคอมพิวเตอร์ขนาดใหญ่เป็นเครื่องมือ. 🧠 ปัญหาการเรียนรู้และการทั่วไป เขาเน้นว่า โมเดล AI ยัง generalize ได้แย่กว่ามนุษย์อย่างชัดเจน แม้จะทำคะแนนสูงใน benchmark หรือ evals แต่กลับล้มเหลวในงานจริง เช่น การแก้บั๊กที่วนกลับไปมาระหว่างข้อผิดพลาดเดิมและใหม่ ซึ่งสะท้อนว่าการเรียนรู้ของโมเดลยังไม่ยืดหยุ่นเหมือนมนุษย์ที่สามารถเรียนรู้จากประสบการณ์น้อยๆ ได้อย่างมีประสิทธิภาพ. 💡 Analogies และ Value Functions Ilya ใช้ตัวอย่างนักเรียนแข่งขันเขียนโปรแกรม: คนที่ฝึกหนัก 10,000 ชั่วโมงอาจเก่งเฉพาะการแข่งขัน แต่ไม่ generalize ไปสู่งานจริงได้ดี ขณะที่คนที่ฝึกเพียง 100 ชั่วโมงแต่มี “it factor” กลับทำงานได้ดีกว่าในระยะยาว เขาเชื่อว่ามนุษย์มี value function ที่แข็งแรงและถูกขับเคลื่อนด้วยอารมณ์ ซึ่งช่วยให้เราตัดสินใจได้อย่างมีประสิทธิภาพ ในขณะที่ AI ยังขาดสิ่งนี้. 🌍 ผลกระทบต่อเศรษฐกิจและสังคม แม้โมเดลจะทำงานได้ดีในเชิงเทคนิค แต่ผลกระทบทางเศรษฐกิจยังไม่ตามทัน เขาเชื่อว่า AI จะค่อยๆ กระจายเข้าสู่เศรษฐกิจและสร้างแรงกดดันมหาศาลต่อการเปลี่ยนแปลง แต่สิ่งสำคัญคือการวิจัยเพื่อหาวิธีทำให้โมเดลเรียนรู้และทั่วไปได้อย่างมีประสิทธิภาพ เพื่อให้การพัฒนา AGI เป็นไปอย่างปลอดภัยและมีประโยชน์ต่อมนุษย์. 📌 สรุปสาระสำคัญ ✅ ยุคใหม่ของ AI ➡️ จากการขยายขนาด (scaling) สู่การวิจัย (research) ✅ ข้อจำกัดของโมเดลปัจจุบัน ➡️ ทำคะแนนสูงใน benchmark แต่ generalize ได้แย่ในงานจริง ✅ บทเรียนจากมนุษย์ ➡️ มนุษย์เรียนรู้จากข้อมูลน้อยๆ ได้ดีกว่า เพราะมี value function และอารมณ์ ✅ ผลกระทบต่อเศรษฐกิจ ➡️ AI จะกระจายเข้าสู่เศรษฐกิจ แต่ต้องแก้ปัญหาการทั่วไปก่อน ‼️ ความเสี่ยงจากการพึ่ง scaling อย่างเดียว ⛔ ไม่สามารถสร้างการเปลี่ยนแปลงเชิงคุณภาพได้ และอาจทำให้เข้าใจผิดว่าบรรลุ AGI แล้ว https://www.dwarkesh.com/p/ilya-sutskever-2
0 Comments 0 Shares 21 Views 0 Reviews