เมื่อเราพิจารณาประวัติการประยุกต์ใช้คอมพิวเตอร์แล้ว ก็ย่อมชักชวนให้เราสำรวจขีดจำกัดในอนาคตของมัน — ไม่ใช่ด้านความจุการคำนวณ แต่เป็นด้านประเภทของงานที่คอมพิวเตอร์สามารถหรืออาจไม่สามารถทำได้ ก่อนจะลึกลงไป ผมต้องเตือนว่าคอมพิวเตอร์จัดการกับ สัญลักษณ์ ไม่ใช่ ข้อมูล; เราไม่สามารถอธิบาย หรือเขียนโปรแกรมเพื่อกำหนดความหมายของคำว่า “ข้อมูล” ได้อย่างแน่ชัด แต่ละคนอาจคิดว่ารู้ความหมายของคำนี้ แต่เมื่อตรึกตรองอย่างจริงจัง คุณจะเห็นว่ามันเป็นแนวคิดที่กำกวมที่สุด—คุณไม่สามารถให้คำนิยามที่แปลงเป็นโปรแกรมได้。
แม้ว่า Babbage และ Lady (Ada) Lovelace จะพิจารณาข้อจำกัดของคอมพิวเตอร์อยู่บ้าง แต่การสำรวจขีดจำกัดของคอมพิวเตอร์อย่างจริงจังเริ่มขึ้นในช่วงปลายทศวรรษ 1940 และต้นทศวรรษ 1950 โดยนักวิจัยอย่าง Newell และ Simon ที่ RAND ตัวอย่างเช่น พวกเขาศึกษาการแก้ปริศนา เช่น ปัญหาคนกินคนกับมิชชันนารี (cannibals and missionaries) — เครื่องจักรจะแก้ปัญหาเหล่านี้ได้หรือไม่ และถ้าได้ จะทำอย่างไร พวกเขาวิเคราะห์วิธีการที่คนใช้แก้ปัญหาเหล่านี้ และพยายามเขียนโปรแกรมที่ให้ผลลัพธ์ที่คล้ายกัน คุณไม่ควรคาดหวังผลลัพธ์เหมือนกันเป๊ะ เพราะโดยทั่วไปไม่มีสองคนที่จะรายงานขั้นตอนความคิดในลำดับเดียวกัน โปรแกรมจึงถูกออกแบบมาให้ให้รูปแบบการให้เหตุผลที่ดูคล้ายกับมนุษย์ มากกว่าที่จะแก้ปัญหาเพียงอย่างเดียว ดังนั้นพวกเขาจึงพยายามจำลองวิธีที่ผู้คนแก้ปริศนาและตรวจดูว่าแบบจำลองให้ผลลัพธ์ที่ คล้ายคลึง กับผลของมนุษย์แค่ไหน มากกว่าการแค่แก้ปัญหา
พวกเขายังเริ่มพัฒนา General Problem Solver (gps) โดยมีแนวคิดว่าหากกำหนดกฎทั่วไปประมาณห้าข้อสำหรับการแก้ปัญหาได้ ก็สามารถระบุรายละเอียดเฉพาะของพื้นที่ปัญหา แล้วโปรแกรมคอมพิวเตอร์จะสามารถแก้ปัญหาได้ แต่วิธีนี้ไม่ได้ผลดีนัก แม้จะให้ผลพลอยได้ที่มีค่า เช่น การประมวลผลรายการ (list processing) เพื่อสานต่อแนวทางการแก้ปัญหาแบบนี้ หลังจากการโจมตีเริ่มแรกในเรื่องการแก้ปัญหาโดยทั่วไป (ซึ่งสัญญาว่าจะบรรเทาปัญหาการเขียนโปรแกรมได้พอสมควร) แนวทางนี้ก็ถูกละทิ้งไปประมาณทศวรรษหนึ่ง และเมื่อฟื้นขึ้นมาก็มีข้อเสนอว่าต้องการกฎประมาณ 50 ข้อ เมื่อนั่นไม่สำเร็จ ทศวรรษต่อมาก็เสนอเป็น 500 ข้อ แล้วอีกทศวรรษต่อมาภายใต้ชื่อ rule-based logic ก็มีคนถึงกับเสนอที่ประมาณ 5,000 ข้อ และผมก็เคยได้ยินตัวเลขถึง 50,000 ข้อสำหรับบางสาขาด้วย
ปัจจุบันมีสาขาเต็มรูปแบบที่เรียกว่า ระบบผู้เชี่ยวชาญ (expert systems). แนวคิดคือคุณคุยกับผู้เชี่ยวชาญในสาขานั้น ดึงกฎความรู้ของพวกเขาออกมา ใส่กฎเหล่านั้นลงในโปรแกรม แล้วคุณก็จะได้ผู้เชี่ยวชาญ! ปัญหาอย่างหนึ่งของแนวคิดนี้คือ ในหลายสาขา โดยเฉพาะการแพทย์ ผู้เชี่ยวชาญระดับโลกบางคนจริงๆ แล้วไม่ได้เก่งกว่าผู้เริ่มต้นมากอย่างที่คิด มีการวัดผลในงานศึกษาหลายชิ้น อีกปัญหาหนึ่งคือผู้เชี่ยวชาญมักใช้กระบวนการใต้สำนึก (subconscious) และพวกเขามักจะรายงานได้เพียงประสบการณ์ที่รับรู้ได้โดยสำนึกเมื่อทำการวินิจฉัย มีการประเมินว่าต้องใช้เวลาประมาณสิบปีของการทำงานอย่างเข้มข้นในสาขาหนึ่งจึงจะกลายเป็นผู้เชี่ยวชาญ และในช่วงเวลานั้นมีรูปแบบต่างๆ ถูกฝังลงในจิตใจเป็นจำนวนมาก ซึ่งผู้เชี่ยวชาญจะใช้เป็นฐานในการตัดสินใจเบื้องต้นจากใต้สำนึกเกี่ยวกับวิธีเข้าหาปัญหา รวมทั้งขั้นตอนต่อไปที่จะใช้
ในบางสาขา ตรรกะเชิงกฎ (rule-based logic) ได้ประสบความสำเร็จอย่างโดดเด่น แต่ในบางสาขาที่ดูคล้ายกันกลับล้มเหลวชัดเจน ซึ่งชี้ให้เห็นว่าความสำเร็จขึ้นกับองค์ประกอบของโชคเป็นอย่างมาก พวกเขายังไม่มีความเข้าใจพื้นฐานที่แน่นอนว่าเมื่อใดวิธีการเชิงกฎจะได้ผลหรือไม่ได้ผล และจะได้ผลมากน้อยเพียงใด
ในบทที่ 1 ผมได้หยิบยกหัวข้อนี้แล้วว่า อาจเป็นไปได้ที่ทุกสิ่งที่เรารู้ ไม่สามารถ ถูกแปลงเป็นคำพูด (หรือคำสั่ง)—คำว่า “ไม่สามารถ” ในความหมายของเป็นไปไม่ได้ ไม่ใช่ในความหมายว่าเราโง่หรือไม่รู้บ่อยๆ คุณสมบัติบางอย่างของระบบผู้เชี่ยวชาญที่พบยิ่งสนับสนุนความเห็นนี้
หลังจากหลายปี สาขาที่ศึกษาขีดจำกัดของสมรรถนะเชิงปัญญาของเครื่องจักรได้ชื่อขึ้นมาว่า artificial intelligence (ai) ซึ่ง ไม่มี ความหมายเดียวกันแน่นอน ประการแรก มันเป็นรูปแบบหนึ่งของคำถามต่อไปนี้:
เครื่องจักรสามารถคิดได้หรือไม่?
แม้ว่านี่จะเป็นคำนิยามที่แคบกว่า artificial intelligence แต่มีจุดโฟกัสที่ชัดกว่าและเป็นตัวแทนที่ดีในความคิดของคนทั่วไป คำถามนี้มีความสำคัญสำหรับคุณเพราะถ้าคุณเชื่อว่าคอมพิวเตอร์ไม่สามารถคิดได้ ในฐานะผู้นำที่คาดหวัง คุณจะช้าในการใช้คอมพิวเตอร์เพื่อขับเคลื่อนสาขาของคุณ แต่หากคุณเชื่อแน่นอนว่าคอมพิวเตอร์สามารถคิดได้ ก็มีแนวโน้มอย่างยิ่งว่าคุณจะล้มเหลวอย่างยิ่งใหญ่! ดังนั้นคุณจึงไม่ควรยอมให้ตัวเองเชื่อหรือไม่เชื่อโดยปราศจากการไตร่ตรอง—คุณต้องหาจุดยืนของตัวเองต่อปัญหาที่ยุ่งยากนี้ “เครื่องจักรสามารถคิดได้ในระดับใด?”
ก่อนอื่น ต้องบอกว่า คำถามถูกตั้งผิดกรอบเล็กน้อย—คำถามที่น่าจะเหมาะสมกว่าคือ “เราสามารถเขียนโปรแกรมที่ทำให้เครื่องประเภท von Neumann แสดงพฤติกรรมที่เราเรียกว่า ‘การคิด’ ได้หรือไม่?” เหตุผลที่ต้องกั๊กไว้เพราะมีข้อโต้แย้งว่าโครงข่ายประสาทสมัยใหม่ (neural nets) เมื่อไม่ได้ถูกจำลองบนคอมพิวเตอร์ดิจิทัล อาจสามารถทำสิ่งที่คอมพิวเตอร์ดิจิทัลไม่สามารถทำได้ แต่นั่นก็อาจจะไม่เป็นจริง เราจะกลับมาศึกษาปัญหานี้ในขั้นต่อไปเมื่อมีข้อเท็จจริงทางเทคนิคมากขึ้น
แม้ว่าปัญหา ai อาจถูกมองเป็นว่า “จากทั้งหมดที่มนุษย์ทำ งานใดที่เครื่องจักรก็สามารถทำได้บ้าง” ผมชอบถามในรูปแบบอื่นว่า “จากภาระต่างๆ ของชีวิต งานใดที่เครื่องจักรจะช่วยบรรเทาหรือทำให้เราทำได้ง่ายขึ้นอย่างมีนัยสำคัญ?” โปรดสังเกตว่าเมื่อคุณมักจะคิดถึงด้านวัตถุของชีวิตโดยอัตโนมัติ ตัวอย่างเช่น เครื่องกระตุ้นหัวใจ (pacemakers) เป็นเครื่องที่เชื่อมต่อกับระบบประสาทของมนุษย์โดยตรงและช่วยให้หลายคนมีชีวิตรอด ผู้ที่บอกว่าไม่ต้องการให้ชีวิตขึ้นกับเครื่องมักจะลืมข้อนี้อย่างง่ายดาย ในระยะยาว ดูเหมือนว่าเครื่องจักรจะสามารถมีบทบาทมากที่สุดในการยกระดับคุณภาพชีวิตทางปัญญา
ทำไมหัวข้อปัญญาประดิษฐ์ (artificial intelligence) จึงสำคัญ? ให้ผมยกตัวอย่างเฉพาะเกี่ยวกับความต้องการ AI โดยไม่เจาะจงคำนิยามมากเกินไป (และหากเราไม่กำหนดคำว่า การคิด หรือ เครื่องคืออะไร อย่างชัดเจน ก็จะไม่มีหลักฐานพิสูจน์ได้จริงๆ) ผมคิดว่าเป็นไปได้สูงว่าในอนาคตเราจะมียานพาหนะสำรวจพื้นผิวดาวอังคาร ระยะห่างระหว่างโลกกับดาวอังคารในบางช่วงอาจทำให้เวลาส่งสัญญาณไปกลับยาวถึง 20 นาทีหรือมากกว่า ในกระบวนการสำรวจ ยานต้องมีการควบคุมในระดับท้องถิ่น เมื่อยานเลี้ยวผ่านระหว่างสองก้อนหินแล้วพบว่าพื้นใต้ล้อหน้ากำลังหลุด คุณต้องการการตอบสนองที่รวดเร็วและ “สมเหตุสมผล” จากยาน การทำแค่ถอยหลังอย่างง่ายจะไม่เพียงพอที่จะช่วยให้รอด และไม่มีเวลาพอที่จะขอคำแนะนำจากโลก ดังนั้นจึงควรมีระดับหนึ่งของ “สติปัญญา” ถูกโปรแกรมลงในเครื่อง
นี่ไม่ใช่สถานการณ์ที่เกิดขึ้นเพียงครั้งเดียว แต่เป็นสิ่งที่พบมากขึ้นเรื่อยๆ เมื่อเราใช้เครื่องจักรที่ขับเคลื่อนด้วยคอมพิวเตอร์ให้ทำสิ่งต่างๆ มากขึ้นและด้วยความเร็วที่สูงขึ้น คุณไม่สามารถมีคนเป็นผู้สำรองได้—บ่อยครั้งเพราะปัจจัยเรื่องความเบื่อหน่ายที่มนุษย์มักประสบ พวกเขามักพูดว่าการขับเครื่องบินเป็นชั่วโมงแห่งความเบื่อและวินาทีแห่งความตื่นตระหนก—ไม่ใช่สิ่งที่มนุษย์ถูกออกแบบมาให้จัดการได้อย่างสมบูรณ์ แม้กระนั้นมนุษย์ก็สามารถทำได้ในระดับหนึ่ง ความเร็วในการตอบสนองมักเป็นสิ่งสำคัญ ยกตัวอย่างอีกครั้ง เครื่องบินที่เร็วที่สุดของปัจจุบันโดยพื้นฐานแล้วไม่เสถียรและมีคอมพิวเตอร์มาช่วยสร้างความเสถียรให้เป็นมิลลิวินาทีต่อมิลลิวินาที ซึ่งมนุษย์นักบินคนหนึ่งคนก็ไม่สามารถจัดการได้; มนุษย์สามารถให้กลยุทธ์ในระดับกว้างได้เท่านั้น ส่วนรายละเอียดเล็กๆ ให้เครื่องจัดการ
ผมเคยกล่าวถึงความจำเป็นที่จะต้องเข้าใจอย่างน้อยบางส่วนว่าเราใช้ความหมายว่า “เครื่อง” และว่า “การคิด” หมายถึงอะไร เรากำลังพูดถึงเรื่องนี้ที่ Bell Telephone Laboratories ในปลายทศวรรษ 1940 และมีคนกล่าวว่าเครื่องไม่อาจมีส่วนประกอบแบบออร์แกนิกได้ ซึ่งผมก็ตอบกลับไปว่าคำนิยามนั้นจะยกเว้นส่วนประกอบจากไม้ไปทั้งหมด! คำนิยามแรกถูกถอนกลับ แต่ผมก็พูดหยอกว่าในเวลาอันหนึ่งเราอาจเรียนรู้วิธีเอาส่วนใหญ่ของระบบประสาทของกบออกและทำให้มันยังมีชีวิตอยู่ หากเราพบวิธีใช้มันเป็นกลไกเก็บข้อมูล แบบที่เรียกว่า content-addressable storage คุณจะรู้สึกอย่างไรเมื่อนึกถึงมันเป็น “เครื่อง”?
ในการสนทนานั้น ฝ่ายที่พูดถึงการคิดมีวิศวกรผู้ซึ่งได้รับการฝึกแบบเยซูอิตให้คำนิยามว่า “การคิดคือสิ่งที่มนุษย์ทำได้และเครื่องจักรทำไม่ได้” ดีเลย—ดูเหมือนจะเป็นการแก้ปัญหาอย่างเด็ดขาด แต่คุณชอบคำนิยามนี้หรือไม่ มันยุติธรรมหรือ? ดังที่เราได้ชี้ให้เขาเห็น หากเราเริ่มจากความแตกต่างที่เห็นได้ชัดในปัจจุบัน ด้วยเครื่องจักรที่ดีขึ้นและการเขียนโปรแกรมที่ดีกว่า เราอาจลดความแตกต่างนั้นลงได้ และในระยะยาวไม่แน่ว่าจะเหลือความแตกต่างใดๆ เลย
ชัดเจนว่าเราต้องนิยามคำว่า “การคิด” ให้ได้ คนส่วนใหญ่ต้องการคำนิยามที่ทำให้ตัวเองอยู่ในขอบเขตของคำว่า ‘‘คิด’’ แต่ก้อนหิน ต้นไม้ และสิ่งอื่นๆ ก็จะถูกยกเว้น อย่างไรก็ตาม แต่ละคนแตกต่างกันในระดับที่ยอมรับสัตว์ระดับสูงเข้ามาไหม หลายคนมักทำผิดพลาดโดยนิยามว่า “การคิดคือสิ่งที่ Newton และ Einstein ทำ” แต่โดยคำนิยามนั้นคนส่วนใหญ่ก็ไม่อาจเรียกว่าคิดได้—และเราก็มักไม่ชอบข้อสรุปนี้! Turing ในการรับมือกับคำถามนี้ แทนที่จะตอบโดยตรง เขาหลีกเลี่ยงปัญหาโดยเสนอว่าวิธีพิสูจน์คือ หากปลายสายเทเลไทป์หนึ่งเป็นมนุษย์ และอีกปลายเป็นเครื่องจักรที่ได้โปรแกรมอย่างเหมาะสม หากมนุษย์เฉลี่ยไม่สามารถแยกความแตกต่างได้ นั่นก็เป็นหลักฐานว่าเครื่อง (หรือโปรแกรม) กำลัง “คิด”
การทดสอบแบบ Turing เป็นแนวทางที่ได้รับความนิยม แต่ก็สวนทางกับวิธีการทางวิทยาศาสตร์มาตรฐานที่เริ่มจากปัญหาที่ง่ายกว่าแล้วค่อยไต่ไปยังปัญหาที่ยากกว่า ดังนั้นผมจึงตั้งคำถามกับตัวเองว่า “โปรแกรมที่เล็กที่สุดหรือเกือบเล็กที่สุดที่ผมจะเชื่อว่าสามารถคิดได้จะมีขนาดเท่าใด?” อย่างชัดเจน หากโปรแกรมถูกแบ่งออกเป็นสองส่วน ส่วนใดส่วนหนึ่งก็ไม่อาจคิดได้ ผมพยายามคิดเรื่องนี้ทุกคืนก่อนหลับ และหลังจากปีหนึ่งของการครุ่นคิดโดยไม่พบคำตอบ ผมสรุปว่านี่ไม่ใช่คำถามที่ถูกต้อง! บางที “การคิด” อาจไม่ใช่เรื่องที่เป็นใช่/ไม่ใช่ แต่เป็นเรื่องของระดับหรือปริมาณ
ขอเล่าคล้อยหลังเกี่ยวกับประวัติศาสตร์ของเคมี มนุษย์เคยเชื่อว่าสารอินทรีย์สามารถสร้างได้โดยสิ่งมีชีวิตเท่านั้น ว่ามีด้านที่เป็น vitalistic ของสิ่งมีชีวิต แต่ไม่เกิดขึ้นกับสิ่งไม่มีชีวิต เช่น หิน แต่ราวปี 1823 นักเคมีชื่อ Wohler สังเคราะห์ยูเรียซึ่งเป็นผลิตภัณฑ์จากร่างกายมนุษย์ นี่เป็นการเริ่มต้นของการทำสารอินทรีย์ในหลอดทดลอง แม้กระนั้นยังเห็นได้ว่าแม้แต่ราวปี 1850 นักเคมีส่วนใหญ่ยังคงยึดถือทฤษฎี vitalistic ว่าเฉพาะสิ่งมีชีวิตเท่านั้นที่ทำสารอินทรีย์ได้ แต่คุณคงเห็นว่าจากทัศนคตินั้น เราก้าวไปสู่ขั้วตรงข้าม และตอนนี้นักเคมีส่วนใหญ่เชื่อว่าสารใดๆ ที่ร่างกายสร้างได้ ในหลักการก็สามารถสร้างได้ในห้องทดลอง—แม้จะไม่มีหลักฐานพิสูจน์ก็ตาม สถานการณ์คือพวกเขามีความสามารถในการสังเคราะห์สารอินทรีย์เพิ่มขึ้นเรื่อยๆ และเห็นว่าไม่มีเหตุผลว่าพวกเขาจะไม่สามารถสร้างสารใดๆ ที่เกิดขึ้นในธรรมชาติได้ รวมทั้งสารหลายชนิดที่ไม่ปรากฏในธรรมชาติด้วย นักเคมีจึงเปลี่ยนจากทฤษฎี vitalistic ไปสู่ทฤษฎี non-vitalistic
ศาสนาเข้ามามีบทบาทในการอภิปรายเรื่องการคิดของเครื่อง ดังนั้นเราจึงมีทั้งทฤษฎีแบบ vitalistic และ nonvitalistic เกี่ยวกับ “เครื่องกับมนุษย์” สำหรับศาสนาคริสต์ คัมภีร์ของพวกเขากล่าวว่า “พระเจ้าทรงสร้างมนุษย์ตามภาพของพระองค์” หากเราสามารถสร้างเครื่องให้มีภาพลักษณ์เหมือนเรา ก็เหมือนเรากำลังเทียบชั้นกับพระเจ้า ซึ่งทำให้เกิดความรู้สึกไม่สบายใจ! ศาสนาส่วนใหญ่ในรูปแบบต่างๆ มักยกมนุษย์ให้มากกว่าแค่การเป็นกลุ่มโมเลกุล โดยมักแยกความแตกต่างมนุษย์จากสัตว์โดยสิ่งอย่างเช่นวิญญาณหรือคุณสมบัติอื่นๆ เกี่ยวกับวิญญาณ ในยุคปลายกลางบางคนที่อยากรู้ว่าเมื่อไหร่วิญญาณออกจากร่าง ก็เอาคนกำลังจะตายขึ้นชั่งแล้วเฝ้าดูการเปลี่ยนแปลงของน้ำหนัก แต่สิ่งที่พวกเขาเห็นคือการสูญเสียหนักอย่างช้าๆ เมื่อร่างเน่า—ดูเหมือนวิญญาณซึ่งพวกเขาเชื่อว่ามีไม่ได้มีน้ำหนักเป็นรูปธรรม
แม้คุณจะเชื่อในวิวัฒนาการ ก็ยังอาจมีช่วงเวลาหนึ่งที่พระเจ้า หรือเทพเจ้า เข้ามาแทรกแซงและมอบคุณสมบัติพิเศษให้กับมนุษย์ ซึ่งทำให้มนุษย์แตกต่างจากสิ่งมีชีวิตอื่น ความเชื่อว่า มนุษย์มีความแตกต่างเชิงแก่นแท้จากโลกใบนี้ ทำให้หลายคนเชื่อว่าเครื่องจักรไม่สามารถเทียบเท่ามนุษย์ได้ในรายละเอียดเช่นการคิด เว้นแต่เราเองจะกลายเป็นเหมือนเทพเจ้า ผู้คนที่ยึดถือความคิดนี้มักถูกบังคับ ให้ตั้งนิยามการคิดว่าเป็นสิ่งที่เครื่องจักรทำไม่ได้ โดยมากนิยามนี้มักไม่ถูกกล่าวอย่างตรงไปตรงมาเหมือนวิศวกรเยซูอิตที่กล่าวไว้ แต่มีการพรางไว้ด้วยถ้อยคำที่ดูเหมาะสม แต่เจตนาแท้จริงก็คงไม่ต่างกัน
ฟิสิกส์มองคุณว่าเป็นกลุ่มโมเลกุลในสนามพลังงานแผ่รังสี และตามหลักฟิสิกส์โดยเคร่งครัดแล้ว ไม่มี สิ่งอื่นใด Democritus (เกิดราว 460 ปีก่อนคริสตกาล) เคยกล่าวในสมัยกรีกโบราณว่า “ทุกสิ่งคืออะตอมและความเวิ้งว้าง” นี่คือทัศนคติของกลุ่ม hard ai; มนุษย์และเครื่องจักรไม่ต่างกันในแก่นแท้ ดังนั้นด้วยการเขียนโปรแกรมอย่างเหมาะสม เครื่องจักรก็สามารถทำอะไรได้เท่ามนุษย์ ความล้มเหลวของพวกเขาในการสร้างการคิดอย่างมีรายละเอียดชัดเจน จึงถูกมองว่าเป็นเพียงความล้มเหลวของโปรแกรมเมอร์ที่ยังไม่เข้าใจสิ่งที่ทำ ไม่ใช่ข้อจำกัดโดยตัวมันเอง
ในขั้วตรงข้าม บางคนเมื่อพิจารณาความรู้สึกของตัวเอง เชื่อว่าตัวเองมี ความตระหนักในตนเอง และ _สำนึกในตนเอง_—แม้เราจะไม่สามารถให้การทดสอบที่น่าพอใจมายืนยันว่าคุณสมบัติพวกนี้มีอยู่จริงได้ ผมสามารถให้เครื่องพิมพ์ข้อความว่า “ฉันมีวิญญาณ” หรือ “ฉันมีสำนึกในตนเอง” หรือ “ฉันมีความตระหนักในตนเอง” และคุณคงไม่ประทับใจกับข้อความจากเครื่องเช่นนั้น แต่เมื่อมาจากมนุษย์ คุณมีแนวโน้มจะให้ความเชื่อถือมากกว่า เพราะโดยการสำรวจภายในตัวเอง คุณรู้สึกว่ามีคุณสมบัติเหล่านี้ และจากประสบการณ์ยาวนานคุณก็เรียนรู้ว่ามนุษย์คนอื่นๆ ก็ค่อนข้างเหมือนคุณ—แม้จะยังมีปัญหาการแบ่งแยกเชื้อชาติที่ยืนยันว่ามีความแตกต่างก็ตาม
เรายังคงอยู่ในสถานการณ์ที่ตันในตอนนี้ในการอภิปรายเกี่ยวกับ AI—แต่การกล่าวอ้างอย่างมากมายของทั้งสองฝ่ายก็ไม่ได้พิสูจน์อะไรให้คนส่วนใหญ่เห็นได้ชัด ดังนั้นขอหันไปดูสถิติความสำเร็จและความล้มเหลวของ AI
คนในวงการ AI มักเคยทำคำกล่าวอวดอ้างที่เกินจริงซึ่งไม่ได้รับการพิสูจน์—แม้ในหลายกรณีก็ไม่ได้เข้าใกล้ความจริง Newell และ Simon ในปี 1958 คาดการณ์ว่าในสิบปีต่อไป แชมป์โลกหมากรุกคนต่อไปจะเป็นโปรแกรมคอมพิวเตอร์ น่าเสียดายที่คำกล่าวอ้างในลักษณะเดียวกันโดยผู้นำด้าน AI ส่วนใหญ่ในที่สาธารณะมักยังไม่เป็นจริง อย่างไรก็ดี ผลลัพธ์ที่น่าตะลึงก็เกิดขึ้นบ่อยครั้ง
ผมต้องขอเบี่ยงกลับอีกครั้งเพื่อชี้ว่าทำไมการเล่นเกมจึงมีบทบาทโดดเด่นในการวิจัย AI กฎของเกมชัดเจนและไม่มีข้อโต้แย้ง และความสำเร็จหรือล้มเหลวก็ชัดเจน—โดยสรุป ปัญหาถูกกำหนดอย่างชัดเจนในความหมายใดๆ ที่สมเหตุสมผล ไม่ใช่ว่าเราต้องการให้เครื่องเล่นเกมโดยเฉพาะ แต่เกมเป็นสนามทดสอบที่ดีมากสำหรับแนวคิดในการเริ่มต้น AI
หมากรุกตั้งแต่แรกถูกมองว่าเป็นการทดสอบที่ดีมาก เพราะในเวลานั้นเชื่อกันอย่างกว้างขวางว่าหมากรุกต้องการการคิดอย่างแน่นอน Shannon เสนอแนวทางในการเขียนโปรแกรมเล่นหมากรุก (เราเรียกว่า chess‑playing machines แต่จริงๆ แล้วเป็นเรื่องของการเขียนโปรแกรม) Los Alamos ใช้เครื่อง primitive maniac ลองกระดาน 6×6 โดยเอาบิชอปสองตัวออกจากแต่ละด้าน และได้ผลในระดับปานกลาง เราจะกลับไปดูประวัติของโปรแกรมเล่นหมากรุกในภายหลัง
ลองมาดูว่าจะเขียนโปรแกรมสำหรับเกม tic‑tac‑toe แบบสามมิติที่ง่ายกว่ามากได้อย่างไร เราจะไม่พิจารณา tic‑tac‑toe สองมิติแบบง่ายๆ เพราะมียุทธศาสตร์ที่รู้กันว่าจะบรรลุการเสมอได้ และไม่มีความเป็นไปได้ที่จะชนะเมื่อเจอกับผู้เล่นที่รอบคอบ เกมที่มียุทธศาสตร์ที่รู้จักและเล่นได้อย่างเรียบง่ายจึงไม่แสดงถึงการคิด—นั่นคือความเชื่อของเราในขณะนี้
เมื่อคุณพิจารณาลูกบาศก์ 4 × 4 × 4 จะมีช่องทั้งหมด 64 ช่อง และมีเส้นตรงผ่านช่องเหล่านั้น 76 เส้น เส้นใดเส้นหนึ่งเป็น ชัยชนะ หากคุณเติมตำแหน่งทั้งสี่ของเส้นนั้นด้วยชิ้นของคุณ ถัดไปคุณจะสังเกตเห็นตำแหน่งทั้งแปดของมุม และตำแหน่งศูนย์กลางแปดตำแหน่ง ที่มีเส้นผ่านมากกว่าตำแหน่งอื่นๆ จริงๆ แล้วมีการกลับด้านของลูกบาศก์ที่ทำให้จุดศูนย์กลางไปเป็นมุมและมุมไปเป็นจุดศูนย์กลางโดยยังคงรักษาเส้นตรงทั้งหมดไว้—ดังนั้นมีความคู่กัน (duality) ที่สามารถนำมาใช้ประโยชน์ได้หากต้องการ
สำหรับโปรแกรมที่จะเล่น 4 × 4 × 4 tic‑tac‑toe จำเป็นต้องเลือกการเดินที่ถูกต้องตามกฎก่อน ในการเดินเปิดคุณมักจะวางชิ้นของคุณบนตำแหน่งที่ “ร้อน” เหล่านี้ และใช้ยุทธศาสตร์แบบสุ่มเพราะถ้าไม่เป็นเช่นนั้น หากคุณเล่นเกมมาตรฐาน ผู้เล่นฝ่ายตรงข้ามสามารถสำรวจไปช้าๆ จนค้นพบจุดอ่อนที่สามารถถูกใช้ประโยชน์อย่างเป็นระบบ การใช้ความสุ่มเมื่อมีการเดินที่ไม่ต่างกันมากเป็นส่วนสำคัญของโปรแกรมเล่นเกมทั้งหมด
ต่อไปเราสร้างกฎบางอย่างที่จะนำมาใช้ตามลำดับ
- หากคุณมีชิ้นอยู่สามตัวบนเส้นและเส้นนั้นยัง “เปิดอยู่” ให้เล่นที่นั่นแล้วชนะ
- หากคุณยังไม่มีการชนะทันที และฝ่ายตรงข้ามมีชิ้นสามตัวบนเส้น คุณต้องบล็อก
- หากคุณมีการแยก (fork) (Figure 6.1) ให้ใช้มัน เพราะในตาถัดไปคุณจะมีการชนะ ฝ่ายตรงข้ามไม่สามารถชนะในหนึ่งตาได้
- หากฝ่ายตรงข้ามมีการแยก คุณต้องบล็อกมัน
สรุป:
Figure 6.1—A fork
หลังจากนั้นดูเหมือนว่าจะไม่มีข้อกฎแน่นอนในการทำการเดินถัดไป ดังนั้นคุณจึงเริ่มมองหาการเดินที่บีบบังคับ ("forcing moves") ซึ่งจะพาคุณไปสู่ตำแหน่งที่มีชุดชนะอยู่บ้าง ดังนั้นสองชิ้นบนเส้นที่ "เปิด" หมายความว่าคุณสามารถวางชิ้นที่สามและฝ่ายตรงข้ามจะถูกบังคับให้บล็อกเส้นนั้น (แต่นั่นคุณต้องระวังว่าการบล็อกอาจสร้างโอกาสให้ฝ่ายตรงข้ามมีสามชิ้นบนเส้นและบังคับให้คุณต้องตั้งรับ) ในกระบวนการทำหลายๆ การเดินที่บีบบังคับ คุณอาจสามารถสร้างการแยก (fork) และจากนั้นคุณก็ชนะ! แต่กฎพวกนี้ค่อนข้างกำกวม การเดินที่บีบบังคับซึ่งเกิดบนตำแหน่งที่ "ร้อน" และการที่ฝ่ายตรงข้ามต้องป้องกันที่ตำแหน่งที่ "เย็น" ดูเหมือนจะได้เปรียบ แต่ไม่ได้รับประกันการชนะ ในการเริ่มชุดของการเดินที่บีบบังคับ หากคุณเสียความได้เปรียบเริ่มต้น (initiative) แล้วเกือบแน่นอนฝ่ายตรงข้ามจะเริ่มชุดการเดินบีบบังคับกับคุณและชนะ ดังนั้นจะเริ่มบุกตอนไหนจึงเป็นเรื่องอ่อนไหวเกินไป; เร็วไปคุณก็เสียความได้เปรียบ ช้าไปฝ่ายตรงข้ามก็เริ่มและชนะ เท่าที่ผมทราบ ไม่สามารถให้กฎที่ชัดเจนได้ว่าเมื่อใดควรทำเช่นนั้น
นี่คือโครงสร้างมาตรฐานของโปรแกรมสำหรับเล่นเกมบนคอมพิวเตอร์ โปรแกรมมักต้องตรวจสอบว่าการเดินถูกต้องตามกฎก่อนเป็นขั้นตอนแรก แต่เป็นรายละเอียดเล็กน้อย จากนั้นมักมีชุดกฎที่ค่อนข้างเป็นทางการให้ปฏิบัติตาม ตามด้วยกฎที่คลุมเครือมากกว่า ดังนั้นโปรแกรมเล่นเกมจึงมี heuristic จำนวนมาก (heuristic—เพื่อประดิษฐ์หรือค้นพบ) การเดินที่เป็นไปได้และมีเหตุผลซึ่งมีแนวโน้มจะนำไปสู่การชนะ แต่ไม่ได้รับประกัน
ในช่วงแรกของวงการ AI Art Samuel ขณะนั้นที่ IBM ได้เขียนโปรแกรมเล่นเช็กเกอร์ ซึ่งถูกมองว่าเป็นงานที่ง่ายกว่าหมากรุก โปรแกรมของเขาประกอบด้วยฟังก์ชันการให้คะแนนที่มีพารามิเตอร์จำนวนมาก เช่น ควบคุมศูนย์กลาง ชิ้นที่ผ่าน การเป็นราชา (king) การเคลื่อนที่ ความเคลื่อนไหวที่เป็นข้อจำกัด (pinned pieces) เป็นต้น Samuel ทำสำเนาโปรแกรมแล้วปรับพารามิเตอร์หนึ่งหรือมากกว่าเล็กน้อย จากนั้นให้สูตรหนึ่งเล่นสิบเกมกับอีกรูปแบบ และสูตรที่ชนะมากที่สุดก็ถือว่าโปรแกรมดีกว่า (จริงๆ ก็แค่เป็นไปได้มากกว่า) เครื่องจักรจึงปรับเปลี่ยนพารามิเตอร์เดิมซ้ำๆ จนมาถึงค่าท้องถิ่นที่ดีที่สุด แล้วเปลี่ยนไปที่พารามิเตอร์อื่นๆ ทำซ้ำไปเรื่อยๆ จนได้โปรแกรมเล่นเช็กเกอร์ที่ดีขึ้นอย่างมีนัยสำคัญ—อย่างแน่นอนดีกว่าตัว Samuel เอง โปรแกรมสามารถชนะแชมป์รัฐคอนเนตทิคัตได้ด้วย
จะถือว่าเป็นธรรมไหมที่จะกล่าวว่า “โปรแกรมเรียนรู้จากประสบการณ์”? ข้อโต้แย้งของคุณอาจจะบอกว่ามีโปรแกรมสั่งให้เครื่องเรียนรู้ แต่เมื่อคุณเรียนคณิตศาสตร์เรขาคณิตเชิงยูคลิด ครูเองก็ใส่โปรแกรมการเรียนรู้บางอย่างลงในตัวคุณ ไม่ดีนักก็จริง แต่โดยหลักการแล้ว นี่คือสิ่งที่คอร์สเรียนเกี่ยวกับเรขาคณิตทำ: คุณเข้าเรียนและไม่สามารถแก้ปัญหาได้ ครูใส่โปรแกรมลงในตัวคุณ และเมื่อจบคอร์สคุณก็สามารถแก้ปัญหาได้ ลองคิดดูให้ดี หากคุณปฏิเสธว่าเครื่องไม่เรียนรู้จากประสบการณ์เพียงเพราะมีโปรแกรมที่บอกให้เครื่องปรับปรุงผลงาน แล้วสถานะการณ์ของคุณเองไม่ต่างกันหรือ—คุณถูก “โปรแกรม” ในชีวิตจากเหตุการณ์บังเอิญที่เกิดขึ้นกับคุณตั้งแต่แรกเกิดหรือไม่?
เราเริ่มค้นพบว่าไม่เพียงแต่สติปัญญาจะนิยามได้ไม่ชัดเจนจนยากจะพิสูจน์ทางวิทยาศาสตร์ แต่คำอื่นๆ ที่เกี่ยวข้องเช่น คอมพิวเตอร์ เรียนรู้ ข้อมูล ไอเดีย การตัดสินใจ (ซึ่งแทบจะไม่ใช่แค่การแยกทางของโปรแกรม แม้แต่จุดตัดก็มักถูกเรียกว่าจุดตัดการตัดสินใจเพื่อให้โปรแกรมเมอร์รู้สึกสำคัญ) พฤติกรรมผู้เชี่ยวชาญ—ทั้งหมดนี้เป็นเรื่องกำกวมเมื่อต้องทดสอบผ่านโปรแกรมในคอมพิวเตอร์ วิทยาศาสตร์โดยทั่วไปยึดหลักผลการทดลองมากกว่าคำพูดลอยๆ และจนถึงขณะนี้วิทยาศาสตร์ดูเหมือนจะมีประสิทธิภาพมากกว่าปรัชญาในการปรับปรุงวิถีชีวิตของเรา อย่างไรก็ตาม อนาคตอาจต่างออกไป
ในบทนี้เราได้ "ปูพื้น" เพื่อการอภิปรายเพิ่มเติมเกี่ยวกับ AI แล้ว เราได้กล่าวด้วยว่ามันไม่ใช่หัวข้อที่คุณจะมองข้ามได้ ถึงแม้จะยังไม่มีผลลัพธ์ที่ชัดเจนเป็นข้อเท็จจริง และอาจจะไม่มีเลยเพราะคำเหล่านี้ถูกกำหนดไม่ชัดเจนและเปิดให้ตีความได้ต่างกัน แต่คุณต้องเผชิญกับมันเป็นการส่วนตัว โดยเฉพาะเมื่อมีโปรแกรมที่เขียนขึ้นซึ่งตอบสนองต่อข้อกำหนดบางอย่างสำหรับการทดสอบการเรียนรู้ ความคิดสร้างสรรค์ หรือสติปัญญา มันมักจะถูกมองว่าในการทดสอบนั้นมีวิธีทางกล (mechanical) ในการแก้โจทย์ แม้จะมีตัวเลขสุ่มเข้ามาเกี่ยวข้อง และถ้าทำการทดสอบเดิมซ้ำครั้งที่สอง เครื่องจะให้คำตอบที่แตกต่างเล็กน้อยจากครั้งก่อน เหมือนกับที่มนุษย์ไม่ค่อยเล่นหมากรุกแบบเดียวกันสองครั้งติดต่อกัน การทดสอบที่เป็นเหตุเป็นผลจริงๆ สำหรับการเรียนรู้ของเครื่องคืออะไร? หรือคุณจะอ้างเหมือนวิศวกรเยซูอิตที่กล่าวมาแล้วว่าตามคำนิยามแล้วการเรียนรู้ ความคิดสร้างสรรค์ และสติปัญญาเป็นสิ่งที่เครื่องไม่สามารถทำได้? หรือคุณจะพยายามซ่อนคำกล่าวชัดเจนนี้ในวิธีการลวงตา ซึ่งก็ไม่ได้เปลี่ยนแปลงสถานการณ์จริง?
ในบางความหมายคุณจะไม่เข้าใจปัญหา AI ทั้งหมดจนกว่าจะลงมือปฏิบัติและลองค้นหาความหมายและสิ่งที่เครื่องสามารถทำได้ ก่อนที่จะมีการเปิดเผยรายละเอียดของโปรแกรมเล่นเช็กเกอร์ที่เรียนรู้ คุณอาจเคยคิดว่าเครื่องไม่สามารถเรียนรู้จากประสบการณ์ได้—ตอนนี้คุณอาจคิดว่าสิ่งที่ทำไปนั้นไม่ใช่การเรียนรู้ แต่เป็นการโกงชาญฉลาด แม้โปรแกรมจะปรับพฤติกรรมขึ้นกับประสบการณ์ของมันอย่างชัดเจน คุณต้องต่อสู้กับความเชื่อของตัวเองหากต้องการเข้าใจความเป็นไปได้และขีดจำกัดของคอมพิวเตอร์ในด้านปัญญาอย่างแท้จริง เพื่อจะทำเช่นนี้อย่างถูกต้องคุณต้องทำให้ความเชื่อของคุณเป็นรูปธรรมแล้ววิจารณ์อย่างรุนแรง โต้แย้งฝ่ายหนึ่งกับอีกฝ่าย จนคุณมีความเข้าใจอย่างเป็นธรรมเกี่ยวกับจุดแข็งและจุดอ่อนของทั้งสองฝ่าย นักเรียนส่วนใหญ่เริ่มต้นด้วยการต่อต้าน AI บางคนสนับสนุน AI และหากคุณเป็นหนึ่งในกลุ่มเหล่านี้ คุณต้องพยายามลบอคติของตนในเรื่องสำคัญนี้ ในบทต่อไปเราจะเสนอข้อมูลที่น่าประหลาดใจเพิ่มเติมเกี่ยวกับสิ่งที่เครื่องได้ทำ แต่คุณต้องตัดสินใจด้วยตัวเอง ความเชื่อผิดพลาดจะทำให้คุณไม่สามารถมีส่วนร่วมอย่างมีนัยสำคัญในการทำให้หน่วยงานและสังคมของคุณถูกคอมพิวเตอร์เข้ามาจัดการอย่างกว้างขวาง และในหลายความหมาย การปฏิวัติคอมพิวเตอร์เพิ่งเริ่มต้นเท่านั้น!