เหนือกว่าแบบจำลองภาษา: ทำไม Jensen Huang จึงเชื่อมงานวิจัย AI แบบเปิดกับชีววิทยา สภาพอากาศ และอนาคตของการประมวลผล
บทนำ: สูญเสียอะไรเมื่อมอง AI เป็นเพียงแชตบอต?
ระบบสนทนาทำให้ปัญญาประดิษฐ์ [AI] เป็นสิ่งที่รู้จักได้ง่าย ผู้คนพิมพ์คำถามและอ่านคำตอบได้ แต่ภาษาเป็นเพียงวิธีหนึ่งในการแทนโลก
ชีววิทยา เคมี สภาพอากาศ และระบบทางกายภาพ มีข้อมูลที่ไม่อาจย่อให้เหลือการสนทนาทั่วไป ข้อเสนอสนับสนุนงานวิจัย AI แบบเปิดของ Jensen Huang เชื่อมโอกาสทางวิทยาศาสตร์ที่กว้างกว่านี้กับปัญหาการประมวลผลเชิงปฏิบัติ นั่นคือผู้ออกแบบฮาร์ดแวร์ [Hardware Designers] ต้องเข้าใจว่าแบบจำลองในอนาคต [Models] จะขอให้ระบบของตนทำอะไร
ข้อเสนอนี้มีหลายส่วน งานแบบเปิดสนับสนุนการวิจัย ขยายการมีส่วนร่วม และช่วยให้อุตสาหกรรมการประมวลผลเรียนรู้ว่าสถาปัตยกรรม [Architecture] ของตัวเองต้องเปลี่ยนตรงไหนได้
1. การสร้างแบบจำลองสอนบริษัทประมวลผลว่าควรสร้างอะไร
บริษัทที่ออกแบบโครงสร้างพื้นฐาน [Infrastructure] ของ AI ไม่อาจพึ่งเพียงความต้องการของแบบจำลองในอดีต ต้องมีประสบการณ์ตรงกับงานที่อาจกำหนดรูปแบบระบบในอนาคต
การวิจัยสถาปัตยกรรมแบบจำลอง [Model Architecture] สร้างประสบการณ์นั้น แนวทางต่างกันอาจมีความต้องการต่อหน่วยความจำ [Memory] การเคลื่อนย้ายข้อมูล [Data Movement] หน่วยประมวลผล [Processors] และการเชื่อมต่อระหว่างกันต่างกัน
Huang เชื่อมงานวิจัยแบบจำลองของ NVIDIA กับกลยุทธ์การออกแบบร่วม [Co-design] ที่กว้างกว่า การทำงานกับแบบจำลองให้อีกวิธีหนึ่งในการเข้าใจระบบที่แบบจำลองเหล่านั้นต้องใช้
สิ่งนี้ทำให้งานวิจัยมีคุณค่า แม้บริษัทไม่ได้พยายามเป็นผู้ให้บริการแอปพลิเคชันปลายทาง [Application Provider] ในทุกสาขา สิ่งที่เรียนรู้ช่วยกำหนดแพลตฟอร์มการประมวลผล [Computing Platform] ที่ผู้อื่นใช้ได้
2. ความเปิดกว้างให้ผู้คนมากขึ้นมีพื้นที่ทดลอง
หากแบบจำลองที่มีประโยชน์ทุกตัวมีให้เฉพาะในรูปบริการกรรมสิทธิ์ที่เสร็จสมบูรณ์ [Proprietary Service] นักวิจัยและองค์กรเล็กจะมีอิสระน้อยลงในการตรวจสอบ ปรับเปลี่ยน และสร้างต่อยอด
แบบจำลองเปิด [Open Models] สร้างเส้นทางอีกแบบได้ นักวิจัยทดสอบแนวทาง ศึกษาพฤติกรรม และสำรวจการใช้งานที่ผู้พัฒนาดั้งเดิมไม่ได้ให้ความสำคัญก่อน
โอกาสนี้สำคัญข้ามอุตสาหกรรมและประเทศ ห้องปฏิบัติการมหาวิทยาลัย ทีมวิศวกรรม และกลุ่มวิทยาศาสตร์เฉพาะทาง อาจต้องการรูปแบบการเข้าถึงต่างกัน แต่แต่ละฝ่ายได้ประโยชน์จากพื้นที่ทำงานของตนเอง
ความเปิดกว้างไม่ใช่คำมั่นว่าทุกการทดลองจะสำเร็จ แต่ขยายโอกาสเรียนรู้และมีส่วนร่วมโดยไม่กำหนดให้ทุกคนต้องเริ่มจากศูนย์
3. คำว่า "เปิด" ต้องมีความหมายแม่นยำ
ค่าน้ำหนักแบบจำลอง [Model Weights] โค้ดฝึก [Training Code] ข้อมูลที่ใช้ฝึก และวิธีเตรียมข้อมูลนั้น เป็นคนละสิ่งกัน
การเปิดให้สิ่งหนึ่งเข้าถึงได้ไม่ได้ทำให้สิ่งอื่นเข้าถึงได้โดยอัตโนมัติ การเผยแพร่แบบเปิดค่าน้ำหนัก [Open-weight Release] อาจมีประโยชน์โดยไม่ให้ทุกอย่างที่ต้องใช้เพื่อทำกระบวนการฝึกเดิมซ้ำ
สำหรับผู้เลือกแบบจำลอง คำถามเชิงปฏิบัติคือสิ่งที่เผยแพร่จริงอนุญาตอะไร ทีมตรวจสอบ ดัดแปลง นำไปใช้งาน [Deploy] ตามวัตถุประสงค์ และเข้าใจข้อจำกัดได้หรือไม่?
บทเรียนคือมองให้พ้นป้ายชื่อ ระดับความเปิดที่มีประโยชน์ขึ้นอยู่กับสิ่งที่ให้มาและเงื่อนไขที่แนบไว้
4. AI ทางวิทยาศาสตร์ต้องการการแทนข้อมูลที่เหนือกว่าภาษาทั่วไป
แบบจำลองอากาศ [Weather Model] ทำงานกับพฤติกรรมของระบบทางกายภาพ งานวิจัยชีววิทยาว่าด้วยโครงสร้างและปฏิสัมพันธ์ วิทยาการหุ่นยนต์ [Robotics] เชื่อมการรับรู้ [Perception] กับการกระทำในสภาพแวดล้อมที่เปลี่ยนไป
ภาษาช่วยให้ผู้คนอธิบายปัญหาเหล่านั้นได้ แต่ข้อมูลและความสัมพันธ์พื้นฐานอาจต้องการการแทนรูปแบบอื่น [Representations] ความก้าวหน้าจึงขึ้นอยู่กับมากกว่าการเพิ่มทักษะสนทนาของแบบจำลองภาษาขนาดใหญ่ [Large Language Model]
วิสัยทัศน์ที่กว้างกว่าของ Huang ให้พื้นที่แก่แบบจำลองเฉพาะทางในระบบที่ใหญ่ขึ้น เอเจนต์ [Agent] อาจใช้แบบจำลองวิทยาศาสตร์เป็นเครื่องมือหนึ่ง แทนที่จะพยายามตอบทุกคำถามจากภาษาเพียงอย่างเดียว
นี่เป็นการเปลี่ยนจุดเน้นที่มีประโยชน์ เป้าหมายกลายเป็นการเข้าถึงความสามารถที่ถูกต้องสำหรับงาน แทนที่จะคาดหวังให้แบบจำลองเดียวมีทุกความสามารถ
5. แพลตฟอร์มสนับสนุนอุตสาหกรรมที่ไม่ได้ตั้งใจเข้าไปแทนที่ได้
บริษัทประมวลผลไม่จำเป็นต้องสร้างรถยนต์ปลายทาง ค้นพบยาปลายทาง หรือบริหารสถาบันวิทยาศาสตร์ทุกแห่ง เพื่อมีส่วนช่วยในสาขาเหล่านั้น
บริษัทให้แบบจำลอง [Models] เครื่องมือ และโครงสร้างพื้นฐาน [Infrastructure] ที่ช่วยผู้เชี่ยวชาญทำงานของตนเองได้ ผู้เชี่ยวชาญนำความรู้เฉพาะด้าน [Domain Knowledge] การทดลอง และข้อจำกัดเชิงปฏิบัติที่แพลตฟอร์มทั่วไปให้เองลำพังไม่ได้เข้ามา
การแบ่งงานเช่นนี้ยังอธิบายว่าทำไมงานวิจัยเปิดกับผลิตภัณฑ์เชิงพาณิชย์อยู่ร่วมกันได้ แอปพลิเคชันกรรมสิทธิ์ [Proprietary Application] อาจตอบจุดประสงค์หนึ่ง ขณะที่ฐานงานวิจัยร่วมสนับสนุนชุมชนกว้างกว่า
ขอบเขตควรชัดเจนต่อไป การเข้าถึงแบบจำลองเป็นจุดเริ่มต้น ไม่ใช่หลักฐานว่าพร้อมสำหรับการตัดสินใจทางวิทยาศาสตร์หรือการปฏิบัติงาน
บทสรุป: แพลตฟอร์มถัดไปต้องเปิดพื้นที่ให้สติปัญญาหลายรูปแบบ
ข้อเสนอของ Huang สำหรับงานวิจัย AI แบบเปิดกว้างกว่าการปล่อยแชตบอตอีกตัว เชื่อมการออกแบบการประมวลผลกับการสำรวจทางวิทยาศาสตร์และความสามารถของผู้อื่นในการสร้างสิ่งต่าง ๆ
โอกาสอยู่ในการผสานเครื่องมือทั่วไปกับความรู้เฉพาะทาง พร้อมระบุให้แม่นยำว่าอะไรเปิด และอะไรยังเป็นหน้าที่ของผู้ใช้ที่ต้องประเมิน
AI มีประโยชน์ขึ้นเมื่อแพลตฟอร์มสนับสนุนงานหลายชนิดได้ ภาษาเป็นส่วนต่อประสาน [Interface] สำคัญสู่อนาคตนั้น แต่ไม่ใช่อนาคตทั้งหมด
Powered By K7