ช่อง YouTube "Unique Insight" วิเคราะห์บทสัมภาษณ์ Demis Hassabis กับ Cleo Abram และสรุปเรื่องราวทั้งหมดของ DeepMind ตั้งแต่ก่อตั้งจนถึงวิสัยทัศน์ 50 ปีข้างหน้า นี่คือเนื้อหาหลักที่วิดีโอครอบคลุม:
เส้นทางชีวิตของ Demis Hassabis เป็นตำนานในตัวเอง: อายุ 13 ปี เป็นปรมาจารย์หมากรุก (Elo 2300+) อันดับสองในกลุ่มอายุเดียวกันของอังกฤษ; อายุ 17 ปี เข้าร่วม Bullfrog Productions ร่วมพัฒนาเกมคลาสสิก Theme Park (ขายได้หลายล้านชุด); จากนั้นเข้าเรียนวิทยาการคอมพิวเตอร์ที่มหาวิทยาลัยเคมบริดจ์; และได้รับปริญญาเอกสาขาประสาทวิทยาศาสตร์เชิงปัญญาจาก UCL โดยวิจัยกลไกทางประสาทของความจำและจินตนาการ ตีพิมพ์บทความวิจัยสองชิ้นที่ถูกอ้างอิงมากกว่า 10,000 ครั้ง
ในปี 2010 เขารวมทุกอย่างเข้าด้วยกันและก่อตั้ง DeepMind ด้วยเป้าหมายเดียว: "Solve intelligence, then use it to solve everything else." (แก้ปัญหาเรื่องสติปัญญาก่อน แล้วใช้มันแก้ปัญหาอื่นทั้งหมด)
ปัญหาการพับโปรตีนท้าทายนักชีววิทยามานาน 50 ปี สายโปรตีนหนึ่งเส้นสามารถพับเป็นโครงสร้างได้จำนวนมหาศาล (Levinthal's paradox: 10300 ความเป็นไปได้) วิธีดั้งเดิมต้องใช้เงินหลายแสนดอลลาร์และเวลาหลายปีเพื่อแก้โครงสร้างโปรตีนเพียงตัวเดียว AlphaFold ย่นกระบวนการนี้เหลือเพียงไม่กี่วินาที และทำนายโครงสร้างโปรตีนที่รู้จักทั้งหมด 214 ล้านตัวบนโลก เปิดให้นักวิทยาศาสตร์ทั่วโลกใช้ฟรี
ในปี 2016 AlphaGo เดิน"ตาที่ 37" อันเป็นตำนานในการแข่งโกะกับ Lee Sedol — วางหมากบนเส้นที่ห้า ซึ่งแทบไม่มีนักโกะมนุษย์คนไหนจะเดินแบบนี้ Lee Sedol มีรายงานว่าลุกจากที่นั่งออกไปหลังเห็นตานี้ โดยวิดีโอกล่าวว่าเขาไปล้างหน้า AlphaZero ก้าวไปอีกขั้น: เริ่มจากศูนย์โดยไม่ใช้ข้อมูลเกมของมนุษย์เลย สอนตัวเองในเวลาเพียงไม่กี่ชั่วโมงจนเอาชนะผู้เล่นมนุษย์และ AI ทุกคนในโกะ หมากรุก และโชกิ
วิดีโอแนะนำชุดระบบ "Alpha" ของ DeepMind: AlphaTensor (ค้นพบอัลกอริทึมการคูณเมทริกซ์แบบใหม่), AlphaChip (ออกแบบเลย์เอาต์ชิปของ Google), AlphaStar (เอาชนะนักเล่น StarCraft มืออาชีพ) และ Isomorphic Labs (บริษัทค้นคว้ายาด้วย AI)
ในบทสัมภาษณ์ Hassabis เตือนถึงความเสี่ยงหลักสองประการของ AI: เทคโนโลยีที่สร้างด้วยเจตนาดีถูกนำไปใช้ในทางที่ผิด (เช่น AlphaFold ถูกใช้สร้างอาวุธชีวภาพ) และ AI Agent ที่ควบคุมไม่ได้ เขายังวาดแผนพิมพ์เขียว 50 ปีอันยิ่งใหญ่: ใช้ AI ไขปัญหานิวเคลียร์ฟิวชัน บรรลุพลังงานไม่จำกัด รักษาโรคทั้งหมด และท้ายสุดสร้าง Dyson sphere และตั้งอาณานิคมในอวกาศ
เราเปรียบเทียบ 14 ข้ออ้างหลักของวิดีโอกับบทความวิชาการ ข้อมูลทางการ และแหล่งข้อมูลที่เชื่อถือได้
| # | ข้ออ้าง | วิดีโอกล่าวว่า | ตรวจสอบข้อเท็จจริง | ผลตัดสิน |
|---|---|---|---|---|
| 1 | AlphaFold ความแม่นระดับอะตอม + โปรตีน 200 ล้านตัว | AlphaFold แม่นระดับอะตอมและทำนายโครงสร้างโปรตีนทั้ง 200 ล้านตัวบนโลก | ในการแข่ง CASP14 ค่ามัธยฐาน GDT_TS ถึง 92.4 (ใกล้เคียงความแม่นระดับการทดลอง) ฐานข้อมูล AlphaFold มีโปรตีน 214 ล้านตัว ยืนยันโดยบทความ Nature 2021 | ✓ ยืนยัน |
| 2 | ตาที่ 37 ของ AlphaGo | ตาที่ 37 วางบนเส้นที่ห้า Lee Sedol ลุกไป "ล้างหน้า" | ตาที่ 37 อยู่บนเส้นที่ห้าจริง ทีม AlphaGo ประเมินว่ามนุษย์จะเดินตานี้ด้วยความน่าจะเป็นประมาณ 1/10,000 Lee Sedol ลุกจากที่นั่งจริง แต่รายละเอียด "ล้างหน้า" ไม่สามารถยืนยันจากภาพทางการ | △ ถูกต้องบางส่วน |
| 3 | AlphaZero เรียนรู้จนเหนือมนุษย์ภายในหนึ่งวัน | AlphaZero เริ่มจากศูนย์และเอาชนะมนุษย์ทุกคนภายในหนึ่งวัน | บทความ Science 2018: หมากรุก 4 ชั่วโมง โชกิ 2 ชั่วโมง โกะ 8 ชั่วโมงจึงเอาชนะ AI ที่แข็งแกร่งที่สุด ชนะ Stockfish 28:0 (เสมอ 72) "หนึ่งวัน" เป็นการประมาณคร่าวๆ จริงๆ คือ 4–9 ชั่วโมง | △ ถูกต้องบางส่วน |
| 4 | Deep Blue เล่น tic-tac-toe ไม่ได้ | IBM Deep Blue เล่นได้แค่หมากรุก แม้แต่ tic-tac-toe ก็เล่นไม่ได้ | Deep Blue เป็นฮาร์ดแวร์ที่ออกแบบเฉพาะสำหรับหมากรุก (ชิปเฉพาะทาง 480 ตัว) ไม่มีความสามารถในการทำงานทั่วไปเลย เล่นเกมอื่นไม่ได้จริง | ✓ ยืนยัน |
| 5 | Levinthal's paradox 10300 | ความเป็นไปได้ในการพับโปรตีนมีถึง 10 ยกกำลัง 300 | Cyrus Levinthal เสนอ paradox นี้ในปี 1969 ตัวเลขที่แน่นอนขึ้นอยู่กับขนาดโปรตีน แต่ 10300 เป็นการประมาณลำดับขนาดที่ใช้กันทั่วไปในวรรณกรรมเพื่อแสดงว่าการค้นหาแบบ brute-force เป็นไปไม่ได้ | ✓ ยืนยัน |
| 6 | AlphaTensor ค้นพบอัลกอริทึมการคูณเมทริกซ์ใหม่ | AlphaTensor ค้นพบอัลกอริทึมการคูณเมทริกซ์ที่มีประสิทธิภาพกว่าที่มนุษย์เคยรู้ | ยืนยันโดยบทความ Nature 2022 AlphaTensor ค้นพบวิธีแยกการคูณเมทริกซ์แบบใหม่ — เป็นการปรับปรุงครั้งแรกในรอบ 50 ปีจากอัลกอริทึมของ Strassen ปี 1969 (สำหรับขนาดเมทริกซ์เฉพาะ) | ✓ ยืนยัน |
| 7 | AlphaChip ออกแบบชิป Google | AlphaChip ใช้ reinforcement learning ออกแบบเลย์เอาต์ชิป Google TPU ได้เร็วและดีกว่าวิศวกรมนุษย์ | ตีพิมพ์ใน Nature 2021 แต่มีการเพิ่ม editorial note ในปี 2023 หลังจากนักวิชาการบางคนตั้งคำถามเรื่องระเบียบวิธีและความสามารถในการทำซ้ำ Google ยืนยันว่าใช้เทคโนโลยีนี้ในการผลิตจริง แต่วงวิชาการยังมีความเห็นแตกต่าง | ★ มีข้อโต้แย้ง |
| 8 | DeepMind ช่วย Google ประหยัดค่าระบายความร้อน 30% | AI ของ DeepMind ช่วย Google ประหยัดค่าระบายความร้อนศูนย์ข้อมูล 30% | บล็อกของ DeepMind ปี 2016 อ้างว่าประหยัดสูงสุด 40% เฉลี่ยต่อเนื่องราว 30% ยังไม่มีรายงานการตรวจสอบจากบุคคลที่สามอย่างเป็นอิสระ แต่ Google ยืนยันว่าได้นำระบบไปใช้งานจริง | △ ถูกต้องบางส่วน |
| 9 | Nuclear pore complex ถูกไขภายในหนึ่งปี | โครงสร้าง nuclear pore complex ที่ท้าทายนักวิทยาศาสตร์มานานหลายสิบปี ถูกไขด้วย AlphaFold ภายในหนึ่งปี | โครงสร้างความละเอียดเกือบระดับอะตอมของ Nuclear Pore Complex ได้รับความช่วยเหลืออย่างมากจากการทำนายของ AlphaFold ระยะเวลาจริงประมาณ 8 เดือน ใกล้เคียงแต่ไม่ถึงหนึ่งปี ตีพิมพ์ใน Science 2022 | △ ถูกต้องบางส่วน |
| 10 | ประวัติส่วนตัวของ Hassabis | ปรมาจารย์หมากรุกอายุ 13 ร่วมพัฒนา Theme Park อายุ 17 วิทยาการคอมพิวเตอร์เคมบริดจ์ ปริญญาเอกประสาทวิทยาศาสตร์ UCL | ทั้งหมดตรวจสอบได้จากบันทึกสาธารณะ Elo 2300+ ตอนอายุ 13 (อันดับสองในกลุ่มอายุของอังกฤษ) Theme Park ของ Bullfrog (1994) Queens' College เคมบริดจ์ ปริญญาเอกประสาทวิทยาศาสตร์ UCL (2009) | ✓ ยืนยัน |
| 11 | SynthID ลายน้ำดิจิทัล | SynthID ของ Google DeepMind ประทับลายน้ำดิจิทัลที่มองไม่เห็นให้กับเนื้อหาที่สร้างโดย AI มากกว่า 10,000 ล้านชิ้น | แถลงการณ์อย่างเป็นทางการของ Google ปี 2024 ยืนยันว่า SynthID ถูกนำไปใช้กับข้อความ ภาพ เสียง และวิดีโอ รวมมากกว่า 10,000 ล้านชิ้น บทความทางเทคนิคได้รับการตีพิมพ์แล้ว | ✓ ยืนยัน |
| 12 | AlphaStar เอาชนะนักเล่น StarCraft มืออาชีพ | AlphaStar เอาชนะนักเล่น StarCraft II มืออาชีพ | ยืนยันโดยบทความ Nature 2019 AlphaStar เอาชนะมืออาชีพ TLO (10:1) และ MaNa (5:0 ถ่ายทอดสด) ขึ้นถึงระดับ Grandmaster (สูงสุด 0.2%) | ✓ ยืนยัน |
| 13 | Isomorphic Labs การค้นคว้ายา | Isomorphic Labs ร่วมมือกับบริษัทยาใหญ่เพื่อเร่งการค้นคว้ายาด้วย AI | ในปี 2024 ประกาศความร่วมมือกับ Eli Lilly (สูงสุด 1.7 พันล้านดอลลาร์) และ Novartis (สูงสุด 1.2 พันล้านดอลลาร์) รวมประมาณ 3 พันล้านดอลลาร์ คาดว่ายาที่ออกแบบด้วย AI จะเข้าสู่การทดลองทางคลินิกในมนุษย์ภายในปลายปี 2026 | ✓ ยืนยัน |
| 14 | ทฤษฎีจิตสำนึกเชิงควอนตัมของ Penrose | Hassabis อ้างถึงทฤษฎีจิตสำนึกเชิงควอนตัมของ Penrose โดยชี้ว่าจิตสำนึกอาจต้องอาศัยผลกระทบเชิงควอนตัม | Roger Penrose เสนอทฤษฎี "Orchestrated Objective Reduction (Orch OR)" จริง ทฤษฎีนี้มีอยู่จริง แต่ถูกถือว่า "ไม่น่าเชื่อถืออย่างยิ่ง" (highly implausible) โดยประสาทวิทยาศาสตร์และฟิสิกส์กระแสหลัก นักฟิสิกส์ Max Tegmark จาก MIT และคนอื่นๆ ได้ตีพิมพ์บทความหักล้าง | △ ทฤษฎีมีอยู่แต่ไม่ได้รับการยอมรับ |
8 / 14
ข้ออ้างที่ยืนยันได้ทั้งหมด
5 / 14
ข้ออ้างที่ถูกต้องบางส่วน
0 / 14
ข้ออ้างที่ผิดทั้งหมด
1 / 14
ข้ออ้างที่มีข้อโต้แย้ง
การประเมินโดยรวม: วิดีโอของ "Unique Insight" ทำคะแนนความถูกต้องด้านข้อเท็จจริงได้ดีมาก — ไม่มีเลยใน 14 ข้ออ้างที่ผิดทั้งหมด 5 ข้อที่ "ถูกต้องบางส่วน" ส่วนใหญ่เป็นความคลาดเคลื่อนเล็กน้อยด้านเวลาหรือรายละเอียด (เช่น "หนึ่งวัน" vs "4–9 ชั่วโมง") ซึ่งไม่กระทบข้อสรุปหลัก ข้ออ้างเดียวที่ต้องระวังคือ AlphaChip ซึ่งมีข้อโต้แย้งเรื่องระเบียบวิธีจริงๆ ในวงวิชาการ
ในปี 1969 นักชีววิทยาโมเลกุล Cyrus Levinthal ตั้งสมมติฐานอันน่าตกใจ: สายโปรตีนที่มี 100 กรดอะมิโน หากแต่ละกรดอะมิโนมี 3 โครงสร้างที่เป็นไปได้ จะมีวิธีการพับทั้งหมด 3100 ≈ 5 × 1047 แบบ หากลองแบบละวินาที จะใช้เวลานานกว่าอายุของเอกภพมาก
แต่โปรตีนจริงๆ พับตัวได้ในระดับมิลลิวินาทีถึงวินาที นี่คือ Levinthal's paradox: ธรรมชาติไม่ได้ใช้วิธี brute-force ในการพับโปรตีนอย่างแน่นอน — จะต้องมี "ทางลัด" บางอย่าง
"ปัญหาการพับโปรตีนเป็นหนึ่งในความท้าทายใหญ่ของชีววิทยา หากคุณรู้โครงสร้างโปรตีน คุณจะเข้าใจหน้าที่ของมัน หากเข้าใจหน้าที่ของมัน คุณจะออกแบบยาเพื่อเปลี่ยนแปลงมันได้"
— Demis Hassabis สัมภาษณ์กับ Cleo Abram
CASP (Critical Assessment of protein Structure Prediction) คือ "โอลิมปิก" ของการทำนายโครงสร้างโปรตีน จัดทุกสองปี ในการแข่ง CASP14 ปี 2020 ผลงานของ AlphaFold 2 สร้างความตกตะลึงให้วงวิทยาศาสตร์ทั้งหมด:
92.4
ค่ามัธยฐาน GDT_TS (สูงกว่า 90 ถือว่าใกล้เคียงความแม่นระดับการทดลอง)
0.96 Å
ค่าคลาดเคลื่อนมัธยฐานของตำแหน่งอะตอมในโครงสร้างหลัก (ใกล้เคียงเส้นผ่านศูนย์กลางอะตอม)
หลายแสนดอลลาร์ → ฟรี
ค่าใช้จ่ายวิธีดั้งเดิม vs AlphaFold
หลายปี → 10 วินาที
ความเร็ววิธีดั้งเดิม vs AlphaFold
ศาสตราจารย์ John Moult ผู้จัดงาน CASP14 ประกาศเมื่อแจ้งผลว่า: "ปัญหานี้ถูกแก้ไปในระดับมากแล้ว" คำกล่าวนี้สร้างคลื่นกระแทกไปทั่ววงชีววิทยา — ปัญหาที่คงอยู่มาครึ่งศตวรรษถูกเจาะทะลุข้ามคืนโดยระบบ AI
ในเดือนกรกฎาคม 2022 DeepMind ร่วมกับ EMBL-EBI (European Molecular Biology Laboratory – European Bioinformatics Institute) เปิดตัวฐานข้อมูลโครงสร้างโปรตีน AlphaFold เผยแพร่โครงสร้างที่ทำนายได้ของโปรตีน 214 ล้านตัว — ครอบคลุมโปรตีโอมของสิ่งมีชีวิตที่รู้จักแทบทั้งหมด
นี่ไม่ใช่ผลิตภัณฑ์เชิงพาณิชย์ DeepMind เลือกที่จะเปิดให้ใช้ฟรีทั้งหมด ณ ปี 2024 ฐานข้อมูลนี้ถูกใช้โดยนักวิจัยกว่า 2 ล้านคนทั่วโลก และถูกอ้างอิงมากกว่า 20,000 ครั้ง
Nuclear Pore Complex (NPC) เป็นหนึ่งในกลุ่มโปรตีนที่ใหญ่และซับซ้อนที่สุดในเซลล์ยูคาริโอต ประกอบด้วยโมเลกุลโปรตีนราว 1,000 ตัว ควบคุมการขนส่งสารทั้งหมดเข้าออกนิวเคลียสของเซลล์ นักวิทยาศาสตร์ใช้เวลาหลายสิบปีพยายามไขโครงสร้างทั้งหมดของมัน โดยมีความคืบหน้าช้ามาก
ในปี 2022 ทีมวิจัยหลายทีมใช้การทำนายของ AlphaFold ร่วมกับข้อมูล cryo-EM (กล้องจุลทรรศน์อิเล็กตรอนแบบแช่เย็น) เพื่อให้ได้โครงสร้างความละเอียดเกือบระดับอะตอมของ nuclear pore complex ในมนุษย์ ภายในเวลาประมาณ8 เดือน ผลงานตีพิมพ์ใน Science
ในเดือนตุลาคม 2024 Demis Hassabis และ John Jumper ได้รับรางวัลโนเบลสาขาเคมีจากผลงาน AlphaFold (แบ่งปันกับ David Baker) นี่เป็นครั้งแรกที่งานวิจัย AI ได้รับรางวัลโนเบลสาขาวิทยาศาสตร์ธรรมชาติ ถือเป็นจุดเปลี่ยนที่ปัญญาประดิษฐ์ยกระดับจาก "เครื่องมือ" เป็น "ตัวขับเคลื่อนการค้นพบทางวิทยาศาสตร์"
ทำไม AlphaFold ถึงเป็นการปฏิวัติ? ไม่ใช่แค่เพราะแก้ปัญหาอายุ 50 ปีได้ แต่เพราะเปลี่ยนกระบวนทัศน์ของการวิจัยวิทยาศาสตร์: จาก "แก้โปรตีนทีละตัว" เป็น "แก้ทั้งหมดในคราวเดียว" เหมือนการเปลี่ยนจากคัดลอกต้นฉบับด้วยมือมาเป็นแท่นพิมพ์ — ไม่ใช่ว่าเร็วขึ้น แต่กติกาทั้งเกมเปลี่ยนไป
9 มีนาคม 2016 เกมที่ 2 ของ AlphaGo กับ Lee Sedol ตาที่ 37
AlphaGo วางหมากบนเส้นที่ห้า ในโกะ การวางหมากช่วงต้นเกมมักอยู่บนเส้นที่สาม (เพื่อดินแดน) หรือเส้นที่สี่ (เพื่ออิทธิพล) เส้นที่ห้าถูกมองว่าสูงเกินไป ลอยเกินไป — แทบไม่มีนักเล่นมืออาชีพคนไหนจะเดินที่นี่ในช่วงเปิดเกม ทีม AlphaGo คำนวณภายหลังว่ามนุษย์จะเดินตานี้ด้วยความน่าจะเป็นประมาณ1 ใน 10,000
ผู้บรรยายสดต่างงุนงงอย่างเห็นได้ชัด Lee Sedol ลุกจากที่นั่งออกจากห้องแข่งประมาณ 15 นาที วิดีโออ้างว่าเขาไป "ล้างหน้า" — รายละเอียดนี้ยืนยันจากภาพทางการไม่ได้ แต่เขาลุกจากที่นั่งจริง และตานี้ได้รับการพิสูจน์ภายหลังว่าเป็นตาชี้ขาดที่ทำให้ชนะ
"ตาที่ 37 ไม่ได้ถูกค้นจากฐานข้อมูลเกมที่มีอยู่ มันถูก 'ประดิษฐ์' โดย AlphaGo ผ่านการเล่นกับตัวเองหลายล้านเกม นี่ไม่ใช่ความจำ — นี่คือการสร้างสรรค์"
— สารคดี AlphaGo, 2017
- ชิปเฉพาะทาง 480 ตัว
- ประเมิน 200 ล้านตำแหน่งต่อวินาที
- ค้นหาแบบ brute-force + ฟังก์ชันประเมินที่สร้างด้วยมือ
- เล่นได้แค่หมากรุก เล่น tic-tac-toe ไม่ได้
- ไม่มีความสามารถ "เรียนรู้"
- ความแข็งแกร่งมาจากความเร็วฮาร์ดแวร์
- โครงข่ายประสาทเชิงลึก
- ประเมินหมื่นตำแหน่งต่อวินาที (น้อยกว่า Deep Blue มาก)
- สัญชาตญาณ (policy network) + จินตนาการ (value network)
- AlphaZero เล่นโกะ หมากรุก และโชกิ
- ปรับปรุงตัวเองต่อเนื่องผ่านการเล่นกับตัวเอง
- ความแข็งแกร่งมาจาก "ความเข้าใจ" ไม่ใช่ความเร็ว
วิธีของ Deep Blue เหมือนคนที่ท่องจำพจนานุกรมทุกเล่ม — รู้ความหมายทุกคำแต่แต่งกลอนไม่ได้ วิธีของ AlphaGo เหมือนคนที่อ่านบทกวีมากมายแล้วเริ่มแต่งเอง — ไม่ต้องค้นหาทุกความเป็นไปได้เพราะมี "สัญชาตญาณ" แล้ว
ถ้า AlphaGo ยังใช้บันทึกเกมของมนุษย์เป็นข้อมูลฝึก AlphaZero คือการ "เริ่มจากมือเปล่า" อย่างแท้จริง มันได้รับเพียงกฎเกม แล้วเริ่มเล่นกับตัวเอง
4 ชั่วโมง
เอาชนะ Stockfish (AI หมากรุกที่แข็งแกร่งที่สุด)
2 ชั่วโมง
เอาชนะ Elmo (AI โชกิที่แข็งแกร่งที่สุด)
8 ชั่วโมง
เอาชนะ AlphaGo Lee (เวอร์ชันที่ชนะ Lee Sedol)
28 : 0
สถิติ vs Stockfish (เสมอ 72)
ข้อสรุปของบทความ Science 2018 ตรงไปตรงมา: AlphaZero จากไม่รู้อะไรเลยสู่การเอาชนะแชมป์มนุษย์และ AI ทุกคนในเวลาไม่ถึงวัน วิดีโออ้างว่า "หนึ่งวัน" เกินจริงเล็กน้อย — จริงๆ คือ 4 ถึง 9 ชั่วโมง — แต่ข้อสรุปหลักยังถูกต้อง
ทำไมการทำงานทั่วไป (generalization) ถึงสำคัญ? Deep Blue ใช้เวลาหลายปีและเงินหลายล้านดอลลาร์ของ IBM เพื่อแก้ "เกมเดียว" AlphaZero ใช้อัลกอริทึมเดียวกันแก้เกมที่แตกต่างกันสามเกมภายในไม่กี่ชั่วโมง นั่นคือช่องว่างระหว่าง "สติปัญญาทั่วไป" กับ "เครื่องมือเฉพาะทาง" เป้าหมายสูงสุดของ Hassabis — AGI (ปัญญาประดิษฐ์ทั่วไป) — คือการผลักดันความสามารถในการทำงานทั่วไปนี้ไปจนสุด
การคูณเมทริกซ์เป็นรากฐานของการคำนวณสมัยใหม่ — ตั้งแต่การเรนเดอร์กราฟิกไปจนถึง machine learning งานคำนวณแทบทั้งหมดเกี่ยวข้องกับการคูณเมทริกซ์ ในปี 1969 Volker Strassen ค้นพบวิธีที่มีประสิทธิภาพกว่าอัลกอริทึมมาตรฐาน สร้างความตกตะลึงให้วงคณิตศาสตร์ ตลอด 50 ปีถัดมา ไม่มีใครปรับปรุงได้เพิ่มเติม
ในปี 2022 AlphaTensor ทำได้ มันแปลงปัญหาการหาค่าที่เหมาะสมของการคูณเมทริกซ์เป็นปัญหาค้นหาคล้ายเกม แล้วใช้ reinforcement learning ค้นพบวิธีแยกตัวประกอบที่มีประสิทธิภาพกว่าอัลกอริทึมของ Strassen (สำหรับขนาดเมทริกซ์เฉพาะ) ตีพิมพ์ใน Nature 2022
AlphaChip ใช้ reinforcement learning สำหรับ floorplanning ของชิป อ้างว่าทำภายในไม่กี่ชั่วโมงสิ่งที่วิศวกรต้องใช้เวลาหลายสัปดาห์ ด้วยคุณภาพเทียบเท่าหรือดีกว่า บทความตีพิมพ์ใน Nature 2021 และ Google ระบุว่าใช้เทคโนโลยีนี้ในการออกแบบ TPU
อย่างไรก็ตาม บทความนี้มีข้อโต้แย้งพอสมควร ในปี 2023 Nature เพิ่มeditorial note ระบุว่ามีผู้อ่านตั้งคำถามเรื่องระเบียบวิธีและการเปรียบเทียบ baseline โดยเฉพาะ:
1. นักวิชาการบางคน (รวมถึงนักวิจัยภายใน Google เอง) ตั้งคำถามว่าการเปรียบเทียบ baseline ไม่ยุติธรรม — โซลูชันของวิศวกรมนุษย์อาจถูกทำให้อ่อนแอลงอย่างไม่เหมาะสม
2. นักวิจัยที่พยายามทำซ้ำผลลัพธ์ ได้ผลลัพธ์ที่ไม่ดีเท่าที่บทความอ้าง
3. แม้กระนั้น บทความไม่ได้ถูกถอน และ Google ยืนยันว่าเทคโนโลยีนี้ถูกใช้ในการผลิตจริง
ข้อโต้แย้งของ AlphaChip เตือนเราว่า: แม้แต่บทความที่ตีพิมพ์ใน Nature ก็ไม่ได้หมายความว่าทุกข้อสรุปจะเป็นที่สุดแล้ว กลไกการแก้ไขตัวเองของวิทยาศาสตร์กำลังทำงาน — และนั่นคือสิ่งที่ระบบนิเวศวิทยาศาสตร์ที่สุขภาพดีควรเป็น
StarCraft II ถือเป็นหนึ่งในเกมที่ AI พิชิตยากที่สุด: ข้อมูลไม่สมบูรณ์ การตัดสินใจแบบเรียลไทม์ การวางแผนระยะยาว การประสานหลายหน่วยรบ ในปี 2019 AlphaStar ตีพิมพ์ใน Nature แสดงผลงานเอาชนะนักเล่นมืออาชีพ TLO (10:1) และ MaNa (5:0 ถ่ายทอดสด) ขึ้นถึงระดับ Grandmaster (สูงสุด 0.2%) บนแลดเดอร์ยุโรป
ในปี 2021 Hassabis ก่อตั้ง Isomorphic Labs โดยมีเป้าหมายปฏิวัติการค้นคว้ายาด้วย AI การพัฒนายาแบบดั้งเดิมใช้เวลา 10–15 ปี ค่าใช้จ่าย 1–2 พันล้านดอลลาร์ และมีอัตราความสำเร็จเพียงราว 10% Isomorphic Labs ตั้งเป้าย่นกระบวนการนี้อย่างมาก
ในเดือนมกราคม 2024 Isomorphic Labs ประกาศความร่วมมือกับบริษัทยาใหญ่สองแห่ง: Eli Lilly (สูงสุด 1.7 พันล้านดอลลาร์) และ Novartis (สูงสุด 1.2 พันล้านดอลลาร์) รวมประมาณ 3 พันล้านดอลลาร์ บริษัทคาดว่าจะนำยาที่ออกแบบด้วย AI ชุดแรกเข้าสู่การทดลองทางคลินิกในมนุษย์ภายในปลายปี 2026
เมื่อเนื้อหาที่สร้างโดย AI เพิ่มขึ้นอย่างระเบิด การแยกแยะของจริงจากของปลอมกลายเป็นเรื่องเร่งด่วน เทคโนโลยี SynthID ของ DeepMind สามารถฝังลายน้ำดิจิทัลที่มองไม่เห็นลงในข้อความ ภาพ เสียง และวิดีโอที่สร้างโดย AI โดยไม่กระทบคุณภาพเนื้อหา ณ ปี 2024 มีเนื้อหาที่สร้างโดย AI มากกว่า 10,000 ล้านชิ้นถูกแท็กด้วย SynthID
ในสัมภาษณ์กับ Cleo Abram Hassabis ออกคำเตือนอย่างชัดเจนเรื่องความเสี่ยงของ AI ซึ่งเป็นเรื่องหายาก ในฐานะผู้นำของห้องปฏิบัติการ AI ชั้นนำของโลก ความกังวลของเขาสมควรได้รับความสนใจอย่างจริงจัง
AlphaFold ช่วยออกแบบยาช่วยชีวิตได้ แต่เทคโนโลยีเดียวกันในทางกลับกันก็สามารถถูกใช้ออกแบบอาวุธชีวภาพ เครื่องมือใดที่ทำนายโครงสร้างโปรตีนได้ ในทางทฤษฎีก็สามารถทำนายโครงสร้างสารพิษได้เช่นกัน
Hassabis ยอมรับว่า: "นี่คือความกังวลในระยะสั้นที่ใหญ่ที่สุดของผม"
เมื่อระบบ AI ได้รับความเป็นอิสระในการกระทำมากขึ้น (agent) ความคลาดเคลื่อนใดๆ ในฟังก์ชันวัตถุประสงค์อาจนำไปสู่การกระทำที่มนุษย์ไม่สามารถคาดเดาหรือควบคุมได้
Hassabis ใช้วลี "gone rogue" — แปลตรงตัวว่า "กลายเป็นนอกรีต"
ทางออกที่ Hassabis เสนอไม่ใช่ "ชะลอตัวลง" แต่เป็นความร่วมมือข้ามชาติระหว่างห้องปฏิบัติการชั้นนำของโลก เขาเห็นว่า:
1. งานวิจัยด้านความปลอดภัยของ AI ต้องก้าวให้ทันอย่างน้อยเท่ากับงานวิจัยด้านความสามารถของ AI
2. ต้องมีกรอบกำกับดูแล AI ระดับโลก คล้ายกับ IAEA (ทบวงพลังงานปรมาณูระหว่างประเทศ)
3. ห้องปฏิบัติการชั้นนำควรแบ่งปันผลงานวิจัยด้านความปลอดภัย แม้ว่าพวกเขาจะเป็นคู่แข่งทางธุรกิจ
"ผมคิดว่าความเสี่ยงเป็นเรื่องจริง แต่ผมก็คิดว่าความเสี่ยงของการไม่พัฒนา AI ก็มหาศาลเท่ากัน ลองจินตนาการว่ามีเทคโนโลยีที่สามารถรักษามะเร็งได้ทุกชนิด แล้วคุณเลือกที่จะไม่พัฒนามัน? คำถามไม่ใช่ว่าจะทำหรือไม่ แต่จะทำอย่างรับผิดชอบได้อย่างไร"
— Demis Hassabis สัมภาษณ์กับ Cleo Abram
Hassabis วาดภาพวิสัยทัศน์อันยิ่งใหญ่ของอนาคตในบทสัมภาษณ์ เราประเมินความเป็นไปได้ของแต่ละการคาดการณ์:
| การคาดการณ์ | กรอบเวลา | ความคืบหน้าปัจจุบัน | ความน่าเชื่อถือ |
|---|---|---|---|
| ไขปัญหาพื้นฐาน (ตัวนำยิ่งยวด แบตเตอรี่ใหม่ วัสดุสำหรับฟิวชัน) | 10–20 ปี | GNoME ค้นพบวัสดุเสถียรใหม่ 380,000 ชนิด (Nature 2023) บางส่วนได้รับการสังเคราะห์และยืนยันในห้องปฏิบัติการแล้ว | ปานกลาง |
| รักษาโรคร้ายทั้งหมด | 20–30 ปี | Isomorphic Labs กำลังดำเนินการ ความร่วมมือ 3 พันล้านดอลลาร์ได้เซ็นแล้ว AlphaFold 3 ทำนายปฏิสัมพันธ์ระหว่างโปรตีนกับยาได้ แต่ช่องว่างจากการทำนายถึงความสำเร็จทางคลินิกยังมหาศาล | ปานกลาง |
| พลังงานไม่จำกัด (ฟิวชันเชิงพาณิชย์) | 20–40 ปี | NIF ทำ net energy gain ได้ครั้งแรกในปี 2022 แต่ยังมีความท้าทายทางวิศวกรรมอีกมากก่อนจะใช้เชิงพาณิชย์ได้ "ฟิวชันอีก 30 ปี" เป็นมุขเก่า แต่ AI อาจเร่งการแก้ปัญหาด้านวัสดุและวิศวกรรม | ปานกลาง-ต่ำ |
| Dyson sphere | 50+ ปี | เป็นทฤษฎีล้วนๆ ปัจจุบันมนุษย์ยังไม่สามารถสร้างโครงสร้างขนาดใหญ่ในอวกาศ เป็นไปได้ในหลักการทางฟิสิกส์ แต่ความท้าทายทางวิศวกรรมอยู่ในระดับดาราศาสตร์ — อย่างแท้จริง | ต่ำมาก |
| การตั้งอาณานิคมระหว่างดวงดาว | 50+ ปี | ระบบดาวที่ใกล้ที่สุด (Alpha Centauri) อยู่ห่าง 4.37 ปีแสง ด้วยเทคโนโลยีขับเคลื่อนปัจจุบัน จะใช้เวลาหลายหมื่นปี แม้มีเทคโนโลยีก้าวกระโดด การทำภายใน 50 ปีก็ไม่น่าจะเป็นไปได้อย่างยิ่ง | ต่ำมาก |
การประเมินโดยรวม: แผนพิมพ์เขียวของ Hassabis แบ่งได้เป็นสองส่วน เป้าหมายระยะสั้น (โปรตีน ยา การค้นพบวัสดุ) มีรากฐานทางวิทยาศาสตร์ที่แข็งแกร่งและความคืบหน้าจริง ความน่าเชื่อถือปานกลางถึงสูง วิสัยทัศน์ระยะยาว (Dyson sphere การตั้งอาณานิคมระหว่างดวงดาว) ปัจจุบันใกล้เคียงนิยายวิทยาศาสตร์มากกว่าการวางแผนทางวิทยาศาสตร์ ความน่าเชื่อถือต่ำมาก แต่พูดอีกมุม หาก AGI เกิดขึ้นจริง สิ่งที่มันอาจนำมาซึ่งนั้นอยู่เหนือความสามารถในการคาดการณ์ของเราในปัจจุบัน
ในปี ค.ศ. 207 ระหว่างยุคสามก๊กอันวุ่นวายของจีน จูกัดเหลียงวัย 27 ปี — หนึ่งในนักยุทธศาสตร์ที่มีชื่อเสียงที่สุดในประวัติศาสตร์ — วางแผนยุทธศาสตร์ใหญ่ทั้งหมดให้เล่าปี่ จากกระท่อมหญ้าของเขาในหลงจง: ยึดมณฑลจิงโจวก่อน แล้วยึดอี้โจว พันธมิตรกับอาณาจักรอู๋ต้านโจโฉ และเมื่อถึงเวลาเหมาะก็ยกทัพบุกเหนือเพื่อรวมจีน
แผนพิมพ์เขียว 50 ปีของ Hassabis มีความคล้ายคลึงอย่างน่าทึ่งกับแผนหลงจง: ทั้งสองวางแผนเกมจบไว้ตั้งแต่ต้นทาง
แผนหลงจงเป็นจริงแค่ไหน: ยึดจิงโจว (สำเร็จ) ยึดอี้โจว (สำเร็จ) พันธมิตรอู๋ต้านโจโฉ (สำเร็จ) — แต่เป้าหมายสุดท้ายคือ "รวมจีน" ล้มเหลว ยุคสามก๊กเป็นจริง แต่การรวมชาติสำเร็จโดยตระกูลซือหม่า ไม่ใช่จ๊กก๊กของเล่าปี่
บทเรียน: แผนพิมพ์เขียวของ Hassabis อาจเผชิญชะตากรรมเดียวกัน — เป้าหมายระยะสั้นจะสำเร็จ แต่เป้าหมายระยะยาวอาจคงอยู่บนกระดานวาดแผนตลอดไป การพับโปรตีนแก้ได้แล้ว การค้นคว้ายากำลังเดินหน้า แต่ Dyson sphere และอาณานิคมระหว่างดวงดาว? เหมือน "การบุกเหนือ" ของจูกัดเหลียง อาจเป็นความฝันที่อยู่ระหว่างทางตลอดแต่ไม่เคยถึง
ราวปี 1485 Leonardo da Vinci ร่างแบบเครื่องบิน เฮลิคอปเตอร์ รถถัง และเรือดำน้ำลงในสมุดบันทึกของเขา ในศตวรรษที่ 15 สิ่งเหล่านี้ถูกมองว่าเป็นจินตนาการของอัจฉริยะ — หรืออาจเป็นรูปวาดของคนบ้า
500 ปีต่อมา การออกแบบเหล่านี้ทุกชิ้นกลายเป็นจริง เครื่องบิน เฮลิคอปเตอร์ รถถัง เรือดำน้ำ — ทั้งหมดมีอยู่ในปัจจุบัน
แต่มีความแตกต่างสำคัญ: Da Vinci มีแนวคิดแต่ไม่มีเครื่องมือ การออกแบบเครื่องบินของเขาไม่ได้เป็นจริงในยุคของเขา ไม่ใช่เพราะแบบมีปัญหา แต่เพราะศตวรรษที่ 15 ไม่มีเครื่องยนต์
สถานการณ์ของ Hassabis ต่างออกไป เขาไม่ได้มีแค่แนวคิด — เขายังมี AI เป็นเครื่องมือขั้นเทพ หาก AI เร่งการค้นพบทางวิทยาศาสตร์ได้ 10 เท่าหรือ 100 เท่าจริง เป้าหมายที่ดูเหมือนต้องใช้ 500 ปีอาจทำได้บางส่วนจริงภายใน 50 ปี
แน่นอนว่า ช่องว่างระหว่าง "ทำได้บางส่วน" กับ "ทำได้ทั้งหมด" อาจกว้างเท่ากับ 400 ปีระหว่างต้นฉบับของ Da Vinci กับเครื่องบินของพี่น้องตระกูล Wright
ตรรกะหลักของ Hassabis ชัดเจนมาก: อย่าแก้ปัญหาทีละข้อ — สร้างเครื่องมือที่แก้ได้ทุกปัญหาก่อน
เหมือนผู้ประกอบการที่ไม่ทำธุรกิจเฉพาะ แต่สร้าง "โรงงานอเนกประสงค์" ก่อน ฟังดูบ้า? Google จ่าย 500 ล้านปอนด์เพื่อซื้อ DeepMind ในปี 2014 แสดงว่าอย่างน้อยก็มีคนเชื่อในตรรกะนี้ สิบปีต่อมา รางวัลโนเบลพิสูจน์ผลตอบแทนของการเดิมพันนี้
บทเรียนทางธุรกิจ: ในอุตสาหกรรมของคุณ มี "meta-problem" ไหม — ข้อที่แก้แล้วจะทำให้ปัญหาอื่นแก้ไขได้ตามกันเป็นลูกโซ่? ลงทุนใน meta-problem นั้นแทนที่จะดับไฟทีละจุด
โมเดลบริการโครงสร้างโปรตีนแบบดั้งเดิม: นักวิทยาศาสตร์ส่งคำขอ → ห้องปฏิบัติการรอคิว → ใช้เวลาหลายปีแก้โปรตีนตัวเดียว วิธีของ DeepMind: ไม่รับออเดอร์ — พับโปรตีนทุกตัวบนโลกให้เลย ฟรี
นี่ไม่ใช่ "ทำเร็วขึ้น" — นี่คือเปลี่ยนเกมทั้งหมด เหมือน Google ไม่ใช่ "ห้องสมุดที่ดีกว่า" แต่เป็น "ระบบที่ค้นหาหนังสือทั้งหมดแล้วให้ผลลัพธ์"
บทเรียนทางธุรกิจ: เป็นไปได้ไหมในอุตสาหกรรมของคุณ ที่จะไม่ "รับออเดอร์เพิ่ม" แต่ "แก้ปัญหาของทุกคนในคราวเดียว"? นั่นคือความแตกต่างระหว่างความคิดแบบแพลตฟอร์มกับความคิดแบบผลิตภัณฑ์
DeepMind, OpenAI, Anthropic — ห้องปฏิบัติการแนวหน้าเหล่านี้กำลังสร้างโครงสร้างพื้นฐาน AI อย่างบ้าคลั่ง แต่ปัญหาของพวกเขาคือ: กำลังการผลิตล้น แอปพลิเคชันขาด พวกเขาสร้างเครื่องยนต์ซูเปอร์ชาร์จแล้ว แต่ขาดคนที่จะเอาเครื่องยนต์ไปใส่ในรถหลากหลายประเภทแล้วขับมัน
คุณไม่จำเป็นต้องประดิษฐ์ AlphaFold สิ่งที่คุณต้องการคือ: นำผลงานของ AlphaFold ไปใช้ในอุตสาหกรรมของคุณ เกษตรกรรม กฎหมาย การศึกษา การก่อสร้าง โลจิสติกส์ — ทุกอุตสาหกรรมมีปัญหาที่ AI ยังไม่ได้แตะ
บทเรียนทางธุรกิจ: ห้องปฏิบัติการแนวหน้าแข่งกัน "สร้างจรวด" โอกาสของคนธรรมดาคือ "ขับรถบรรทุก" จรวดสร้างเสร็จแล้ว ยังต้องมีคนส่งสินค้าถึงบ้านล้านหลัง
ตาที่ 37 ของ AlphaGo ไม่ใช่ "เล่นดีกว่ามนุษย์" — มันเดินตาที่มนุษย์ไม่เคยคิดถึงมาก่อน AlphaFold ไม่ใช่ "คำนวณเร็วกว่ามนุษย์" — มันแก้ปัญหาที่มนุษย์คำนวณไม่ได้เลย AlphaTensor ไม่ใช่ "ฉลาดกว่านักคณิตศาสตร์" — มันค้นพบอัลกอริทึมที่นักคณิตศาสตร์ไม่เห็นมา 50 ปี
คุณค่าสูงสุดของ AI ไม่ได้อยู่ที่ automation (ทำสิ่งที่มนุษย์ทำได้อยู่แล้ว แต่เร็วกว่าและถูกกว่า) — แต่อยู่ที่การก้าวกระโดด (ทำสิ่งที่มนุษย์ไม่สามารถทำได้เลย)
บทเรียนทางธุรกิจ: อย่าใช้ AI ทำสิ่งที่คุณทำเป็นอยู่แล้ว (ประหยัดต้นทุน) ใช้มันทำสิ่งที่คุณไม่เคยทำได้ (สร้างคุณค่าใหม่) อย่างแรกคือการเพิ่มประสิทธิภาพ อย่างหลังคือการเปลี่ยนกระบวนทัศน์
ผลงานหลักของวิดีโอ "Unique Insight" คือการจัดระเบียบสัมภาษณ์ Demis Hassabis ให้เป็นเส้นเรื่องที่ชัดเจน: จากเด็กหมากรุกสู่ผู้บุกเบิก AI จากโปรตีนสู่การตั้งอาณานิคมระหว่างดวงดาว หลังจากตรวจสอบทีละข้อ 14 ข้ออ้างมี 8 ข้อยืนยันได้ 5 ข้อถูกต้องบางส่วน 1 ข้อมีข้อโต้แย้ง และ 0 ข้อผิด — อัตราความแม่นยำที่สูงน่าประทับใจสำหรับเนื้อหาวิทยาศาสตร์บน YouTube
อย่างไรก็ตาม วิดีโอมีอคติแฝงอยู่: ในเชิงการเล่าเรื่อง มันเอนเอียงไปทางกรอบ "มหากาพย์วีรบุรุษ" วาด Hassabis เป็นอัจฉริยะที่ถูกกำหนดตั้งแต่เด็กให้เปลี่ยนโลก ในความเป็นจริง ความสำเร็จของ DeepMind คือผลงานรวมของนักวิจัยหลายพันคน และทรัพยากรคอมพิวเตอร์มหาศาลและการสนับสนุนทางการเงินจาก Google ก็ขาดไม่ได้ การเล่าเรื่องแบบวีรบุรุษส่วนบุคคลน่าสนใจ แต่ไม่ควรบดบังพลังของสถาบันและการทำงานเป็นทีม
"เราไม่ได้สร้างผลิตภัณฑ์ เรากำลังพยายามเข้าใจธรรมชาติของสติปัญญา หากเราสำเร็จ มันจะเป็นเทคโนโลยีที่มีประโยชน์ที่สุดในประวัติศาสตร์มนุษย์ หากเราล้มเหลว เราจะเข้าใจการทำงานของสมองมนุษย์ได้ดีขึ้นอย่างน้อย ไม่ว่าผลลัพธ์ใด มันก็คุ้มค่าที่จะทำ"
— Demis Hassabis
บทตัดสินสุดท้าย: Hassabis เป็นบุคคลที่หาได้ยากยิ่ง — ผู้ที่มีทั้งรากฐานทางวิทยาศาสตร์อันลึกซึ้ง (ปริญญาเอกประสาทวิทยาศาสตร์ บทความ Nature/Science รางวัลโนเบล) สัญชาตญาณทางธุรกิจที่แหลมคม (Theme Park, DeepMind, Isomorphic Labs) และวิสัยทัศน์ระยะยาว (แผนพิมพ์เขียว 50 ปี) เป้าหมายระยะสั้นของเขา (โปรตีน ยา วัสดุ) กำลังเป็นจริงทีละข้อ วิสัยทัศน์ระยะยาว (Dyson sphere การตั้งอาณานิคมระหว่างดวงดาว) อาจต้องรอให้คนรุ่นต่อไปพิสูจน์ แต่มีสิ่งหนึ่งที่แน่นอน: AlphaFold ได้เปลี่ยนชีววิทยาอย่างถาวรแล้ว และนี่เป็นเพียงจุดเริ่มต้น