ປັນຍາປະດິດບໍ່ສາມາດທົດແທນການສຶກສາໄດ້—ເວັ້ນເສຍແຕ່ວ່າພວກເຮົາອະນຸຍາດໃຫ້ມັນເຮັດ

(SeaPRwire) –   ໃນຂະນະທີ່ພິທີມອບໃບປະກາດສະນີຍະບັດສະເຫຼີມສະຫຼອງຄວາມຫວັງຂອງຜູ້ຈົບການສຶກສາລຸ້ນໃໝ່, ຄໍາຖາມໜຶ່ງກໍເກີດຂຶ້ນວ່າ: AI ຈະເຮັດໃຫ້ການສຶກສາຂອງພວກເຂົາບໍ່ມີຄວາມໝາຍບໍ?

CEO ຫຼາຍຄົນຄິດແນວນັ້ນ. ພວກເຂົາອະທິບາຍເຖິງອະນາຄົດທີ່ AI ຈະມາແທນວິສະວະກອນ, ທ່ານໝໍ ແລະ ຄູອາຈານ. CEO ຂອງ Meta ບໍ່ດົນມານີ້ໄດ້ຄາດຄະເນວ່າ AI ຈະມາແທນວິສະວະກອນລະດັບກາງທີ່ຂຽນລະຫັດຄອມພິວເຕີຂອງບໍລິສັດ. CEO ຂອງ NVIDIA ເຖິງຂັ້ນປະກາດວ່າການຂຽນໂປຣແກຣມເອງກໍບໍ່ຈຳເປັນ.

ເຖິງແມ່ນວ່າ Bill Gates ຍອມຮັບວ່າຄວາມໄວຂອງການພັດທະນາ AI ແມ່ນ “ເລິກເຊິ່ງ ແລະ ແມ່ນແຕ່ໜ້າຢ້ານເລັກນ້ອຍ,” ລາວກໍສະເຫຼີມສະຫຼອງວ່າມັນສາມາດເຮັດໃຫ້ຄວາມຮູ້ຂອງຊັ້ນສູງສາມາດເຂົ້າເຖິງໄດ້ທົ່ວໄປແນວໃດ. ລາວກໍຄາດຄະເນໂລກທີ່ AI ຈະມາແທນນັກຂຽນໂປຣແກຣມ, ທ່ານໝໍ ແລະ ຄູອາຈານ, ໃຫ້ຄໍາແນະນໍາທາງການແພດ ແລະ ການສອນທີ່ມີຄຸນນະພາບສູງຟຣີ.

ເຖິງວ່າຈະມີການໂຄສະນາເກີນຈິງ, AI ບໍ່ສາມາດ “ຄິດ” ດ້ວຍຕົວມັນເອງ ຫຼື ປະຕິບັດໂດຍບໍ່ມີມະນຸດ—ສໍາລັບຕອນນີ້. ແທ້ຈິງແລ້ວ, ບໍ່ວ່າ AI ຈະຊ່ວຍເສີມສ້າງການຮຽນຮູ້ ຫຼື ທໍາລາຍຄວາມເຂົ້າໃຈແມ່ນຂຶ້ນກັບການຕັດສິນໃຈທີ່ສໍາຄັນ: ພວກເຮົາຈະອະນຸຍາດໃຫ້ AI ຄາດຄະເນຮູບແບບເທົ່ານັ້ນບໍ? ຫຼືພວກເຮົາຈະກໍານົດໃຫ້ມັນອະທິບາຍ, ໃຫ້ເຫດຜົນ ແລະ ຢູ່ໃນກົດໝາຍຂອງໂລກຂອງພວກເຮົາ?

AI ຕ້ອງການການຕັດສິນຂອງມະນຸດ, ບໍ່ພຽງແຕ່ຄວບຄຸມຜົນຜະລິດຂອງມັນເທົ່ານັ້ນ, ແຕ່ຍັງຕ້ອງການຝັງຫຼັກການທາງວິທະຍາສາດທີ່ໃຫ້ທິດທາງ, ພື້ນຖານ ແລະ ຄວາມສາມາດໃນການຕີຄວາມໝາຍ.

ບໍ່ດົນມານີ້ ໄດ້ປຽບທຽບ AI chatbots ກັບນັກຮຽນທີ່ດີປານກາງທີ່ກໍາລັງສອບເສັງປາກເປົ່າ. “ເມື່ອພວກເຂົາຮູ້ຄໍາຕອບ, ພວກເຂົາຈະບອກເຈົ້າ, ແລະເມື່ອພວກເຂົາບໍ່ຮູ້ຄໍາຕອບ, ພວກເຂົາເກັ່ງແທ້ໆໃນການເວົ້າເລື່ອງໄຮ້ສາລະ,” ລາວກ່າວໃນເຫດການໜຶ່ງທີ່ມະຫາວິທະຍາໄລ Pennsylvania. ດັ່ງນັ້ນ, ເວັ້ນເສຍແຕ່ວ່າຜູ້ໃຊ້ຮູ້ຫຼາຍກ່ຽວກັບຫົວຂໍ້ໃດໜຶ່ງ, ອີງຕາມ Sokal, ຄົນເຮົາອາດຈະບໍ່ຈັບໄດ້ chatbot ທີ່ “ເວົ້າເລື່ອງໄຮ້ສາລະ”. ສໍາລັບຂ້ອຍ, ນັ້ນຈັບເອົາ “ຄວາມຮູ້” ທີ່ເອີ້ນວ່າ AI ໄດ້ຢ່າງສົມບູນ. ມັນເຮັດຕາມຄວາມເຂົ້າໃຈໂດຍການຄາດຄະເນລໍາດັບຂອງຄໍາສັບແຕ່ຂາດພື້ນຖານແນວຄວາມຄິດ.

ນັ້ນແມ່ນເຫດຜົນທີ່ວ່າລະບົບ AI “ສ້າງສັນ” ແລະ ໄດ້ໂຕ້ວາທີກ່ຽວກັບວ່າຮູບແບບພາສາຂະຫນາດໃຫຍ່ເຂົ້າໃຈຄວາມແຕກຕ່າງທາງດ້ານວັດທະນະທໍາຢ່າງແທ້ຈິງຫຼືບໍ່. ເມື່ອຄູອາຈານ ໄດ້ກັງວົນວ່າ AI tutors ອາດຈະຂັດຂວາງການຄິດຢ່າງມີວິຈານຂອງນັກຮຽນ, ຫຼືທ່ານໝໍ ກັງວົນກ່ຽວກັບການວິນິດໄສທີ່ຜິດພາດຕາມສູດການຄິດໄລ່, ພວກເຂົາກໍກໍານົດຂໍ້ບົກພ່ອງດຽວກັນ: machine learning ເກັ່ງໃນການຮັບຮູ້ຮູບແບບ, ແຕ່ຂາດຄວາມຮູ້ເລິກເຊິ່ງທີ່ເກີດຈາກປະສົບການຂອງມະນຸດທີ່ສະສົມຢ່າງເປັນລະບົບແລະວິທີການທາງວິທະຍາສາດ.

ນັ້ນແມ່ນບ່ອນທີ່ ສະເໜີເສັ້ນທາງໄປໜ້າ. ມັນສຸມໃສ່ການຝັງຄວາມຮູ້ຂອງມະນຸດໂດຍກົງເຂົ້າໄປໃນວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. PINNs (Physics-Informed Neural Networks) ແລະ MINNs (Mechanistically Informed Neural Networks) ແມ່ນຕົວຢ່າງ. ຊື່ອາດຈະຟັງຄືວ່າເປັນເຕັກນິກ, ແຕ່ແນວຄວາມຄິດແມ່ນງ່າຍດາຍ: AI ຈະດີຂຶ້ນເມື່ອມັນປະຕິບັດຕາມກົດລະບຽບ, ບໍ່ວ່າຈະເປັນກົດໝາຍຟີຊິກ, ລະບົບຊີວະສາດ ຫຼື ພະລັງງານສັງຄົມ. ນັ້ນໝາຍຄວາມວ່າພວກເຮົາຍັງຕ້ອງການມະນຸດບໍ່ພຽງແຕ່ໃຊ້ຄວາມຮູ້ເທົ່ານັ້ນ, ແຕ່ສ້າງມັນຂຶ້ນມາ. AI ເຮັດວຽກໄດ້ດີທີ່ສຸດເມື່ອມັນຮຽນຮູ້ຈາກພວກເຮົາ.

ຂ້ອຍເຫັນສິ່ງນີ້ໃນວຽກງານຂອງຂ້ອຍເອງກັບ MINNs. ແທນທີ່ຈະປ່ອຍໃຫ້ algorithm ຄາດເດົາວ່າອັນໃດໃຊ້ໄດ້ໂດຍອີງໃສ່ຂໍ້ມູນໃນອະດີດ, ພວກເຮົາຂຽນໂປຣແກຣມໃຫ້ມັນປະຕິບັດຕາມຫຼັກການວິທະຍາສາດທີ່ສ້າງຕັ້ງຂຶ້ນ. ຕົວຢ່າງ, ເອົາ ກຸ່ມ ປູກ ພືດ ສະ ຫມຸນ ໄພ ທ້ອງ ຖິ່ນ. ສໍາລັບທຸລະກິດປະເພດນີ້, ເວລາອອກດອກແມ່ນສໍາຄັນທີ່ສຸດ. ການເກັບກ່ຽວກ່ອນ ຫຼື ຫຼັງກໍຫຼຸດຜ່ອນຄວາມແຮງຂອງນໍ້າມັນທີ່ຈໍາເປັນ, ເຮັດໃຫ້ຄຸນນະພາບແລະກໍາໄລເສຍຫາຍ. AI ອາດຈະເສຍເວລາໄປກັບການຄົ້ນຫາຮູບແບບທີ່ບໍ່ກ່ຽວຂ້ອງ. ຢ່າງໃດກໍຕາມ, MINN ເລີ່ມຕົ້ນດ້ວຍຊີວະສາດຂອງພືດ. ມັນໃຊ້ສົມຜົນທີ່ເຊື່ອມໂຍງຄວາມຮ້ອນ, ແສງສະຫວ່າງ, ນໍ້າຄ້າງແຂງ ແລະ ນໍ້າເຂົ້າກັບການອອກດອກເພື່ອເຮັດການຄາດຄະເນທີ່ທັນເວລາ ແລະ ມີຄວາມໝາຍທາງການເງິນ. ແຕ່ມັນພຽງແຕ່ເຮັດວຽກໄດ້ເມື່ອມັນຮູ້ວ່າໂລກທາງກາຍະພາບ, ເຄມີ ແລະ ຊີວະພາບເຮັດວຽກແນວໃດ. ຄວາມຮູ້ນັ້ນມາຈາກວິທະຍາສາດ, ເຊິ່ງມະນຸດພັດທະນາ.

ຈິນຕະນາການການນໍາໃຊ້ວິທີການນີ້ກັບການກວດຫາໂຣກມະເຮັງ: ເນື້ອງອກໃນເຕົ້ານົມປ່ອຍຄວາມຮ້ອນອອກມາຈາກການໄຫຼວຽນຂອງເລືອດແລະການເຜົາຜານອາຫານທີ່ເພີ່ມຂຶ້ນ, ແລະ predictive AI ສາມາດວິເຄາະຮູບພາບຄວາມຮ້ອນຫຼາຍພັນຮູບເພື່ອລະບຸເນື້ອງອກໂດຍອີງໃສ່ຮູບແບບຂໍ້ມູນເທົ່ານັ້ນ. ຢ່າງໃດກໍຕາມ, MINN, ເຊັ່ນດຽວກັນກັບທີ່ ສ້າງ ຂຶ້ນ ບໍ່ ດົນ ມານີ້, ໃຊ້ຂໍ້ມູນອຸນຫະພູມຂອງຜິວໜັງ ແລະ ຝັງກົດໝາຍການຖ່າຍເທຄວາມຮ້ອນທາງຊີວະພາບໂດຍກົງເຂົ້າໄປໃນຕົວແບບ. ນັ້ນໝາຍຄວາມວ່າ, ແທນທີ່ຈະຄາດເດົາ, ມັນເຂົ້າໃຈວ່າຄວາມຮ້ອນເຄື່ອນທີ່ຜ່ານຮ່າງກາຍແນວໃດ, ເຊິ່ງຊ່ວຍໃຫ້ມັນສາມາດກໍານົດສິ່ງທີ່ຜິດພາດ, ສິ່ງທີ່ເຮັດໃຫ້ມັນເກີດຂຶ້ນ, ເປັນຫຍັງ, ແລະບ່ອນໃດແທ້ໆໂດຍການນໍາໃຊ້ຟີຊິກຂອງການໄຫຼຂອງຄວາມຮ້ອນຜ່ານເນື້ອເຍື່ອ. ໃນກໍລະນີໜຶ່ງ, MINN ຄາດຄະເນສະຖານທີ່ ແລະ ຂະໜາດຂອງເນື້ອງອກພາຍໃນສອງສາມມິນລີແມັດ, ໂດຍອີງໃສ່ວິທີທີ່ມະເຮັງລົບກວນສັນຍານຄວາມຮ້ອນຂອງຮ່າງກາຍ.

ສິ່ງທີ່ຄວນເອົາໃຈໃສ່ແມ່ນງ່າຍດາຍ: ມະນຸດຍັງມີຄວາມຈໍາເປັນ. ໃນຂະນະທີ່ AI ມີຄວາມຊັບຊ້ອນຫຼາຍຂຶ້ນ, ບົດບາດຂອງພວກເຮົາບໍ່ໄດ້ຫາຍໄປ. ມັນກໍາລັງປ່ຽນໄປ. ມະນຸດຈໍາເປັນຕ້ອງ “ເອີ້ນວ່າ bullsh*t” ເມື່ອ algorithm ສ້າງສິ່ງທີ່ແປກປະຫຼາດ, ລໍາອຽງ ຫຼື ຜິດພາດ. ນັ້ນບໍ່ແມ່ນພຽງແຕ່ຄວາມອ່ອນແອຂອງ AI. ມັນເປັນຄວາມເຂັ້ມແຂງທີ່ຍິ່ງໃຫຍ່ທີ່ສຸດຂອງມະນຸດ. ມັນຫມາຍຄວາມວ່າຄວາມຮູ້ຂອງພວກເຮົາກໍ່ຈໍາເປັນຕ້ອງເຕີບໂຕເພື່ອໃຫ້ພວກເຮົາສາມາດຊີ້ນໍາເຕັກໂນໂລຢີ, ຮັກສາມັນໄວ້, ຮັບປະກັນວ່າມັນເຮັດສິ່ງທີ່ພວກເຮົາຄິດວ່າມັນເຮັດ, ແລະຊ່ວຍເຫຼືອປະຊາຊົນໃນຂະບວນການ.

ໄພຂົ່ມຂູ່ທີ່ແທ້ຈິງບໍ່ແມ່ນວ່າ AI ກໍາລັງສະຫຼາດຂຶ້ນ. ມັນແມ່ນວ່າພວກເຮົາອາດຈະຢຸດໃຊ້ສະຕິປັນຍາຂອງພວກເຮົາ. ຖ້າພວກເຮົາປະຕິບັດຕໍ່ AI ຄືກັບຄໍາທໍານາຍ, ພວກເຮົາສ່ຽງທີ່ຈະລືມວິທີການຕັ້ງຄໍາຖາມ, ໃຫ້ເຫດຜົນ, ແລະຮັບຮູ້ເວລາທີ່ບາງສິ່ງບາງຢ່າງບໍ່ມີຄວາມຫມາຍ. ໂຊກດີ, ອະນາຄົດບໍ່ຈໍາເປັນຕ້ອງຫຼິ້ນແບບນີ້.

ພວກເຮົາສາມາດສ້າງລະບົບທີ່ໂປ່ງໃສ, ສາມາດຕີຄວາມໝາຍໄດ້, ແລະ ຢູ່ໃນພື້ນຖານຄວາມຮູ້ຂອງມະນຸດທີ່ສະສົມມາຈາກວິທະຍາສາດ, ຈັນຍາບັນ ແລະ ວັດທະນະທໍາ. ຜູ້ກໍານົດນະໂຍບາຍສາມາດສະຫນອງທຶນຄົ້ນຄ້ວາເຂົ້າໃນ AI ທີ່ສາມາດຕີຄວາມໝາຍໄດ້. ມະຫາວິທະຍາໄລສາມາດຝຶກອົບຮົມນັກຮຽນທີ່ປະສົມປະສານຄວາມຮູ້ໃນສາຂາສະເພາະກັບທັກສະທາງດ້ານເຕັກນິກ. ນັກພັດທະນາສາມາດຮັບຮອງເອົາກອບເຊັ່ນ MINNs ແລະ PINNs ທີ່ຕ້ອງການຕົວແບບເພື່ອໃຫ້ສອດຄ່ອງກັບຄວາມເປັນຈິງ. ແລະພວກເຮົາທຸກຄົນ—ຜູ້ໃຊ້, ຜູ້ລົງຄະແນນສຽງ, ພົນລະເມືອງ—ສາມາດຮຽກຮ້ອງໃຫ້ AI ຮັບໃຊ້ວິທະຍາສາດ ແລະ ຄວາມຈິງທີ່ເປັນຈຸດປະສົງ, ບໍ່ພຽງແຕ່ຄວາມສໍາພັນເທົ່ານັ້ນ.

ຫຼັງຈາກຫຼາຍກວ່າທົດສະວັດຂອງການສອນສະຖິຕິລະດັບມະຫາວິທະຍາໄລ ແລະ ການສ້າງແບບຈໍາລອງທາງວິທະຍາສາດ, ຂ້າພະເຈົ້າໃນປັດຈຸບັນສຸມໃສ່ການຊ່ວຍເຫຼືອນັກຮຽນໃຫ້ເຂົ້າໃຈວິທີການເຮັດວຽກຂອງ algorithm “ພາຍໃຕ້ການບັງຄັບບັນຊາ” ໂດຍການຮຽນຮູ້ລະບົບເຫຼົ່ານັ້ນເອງ, ແທນທີ່ຈະໃຊ້ມັນໂດຍການຈື່ຈໍາ. ເປົ້າໝາຍແມ່ນເພື່ອຍົກສູງຄວາມຮູ້ໃນທົ່ວພາສາທີ່ເຊື່ອມຕໍ່ກັນຂອງຄະນິດສາດ, ວິທະຍາສາດ ແລະ ການຂຽນລະຫັດ.

ວິທີການນີ້ແມ່ນມີຄວາມຈໍາເປັນໃນມື້ນີ້. ພວກເຮົາບໍ່ຕ້ອງການຜູ້ໃຊ້ຫຼາຍກວ່າເກົ່າທີ່ຄລິກ “ສ້າງ” ໃນຕົວແບບ black-box. ພວກເຮົາຕ້ອງການຄົນທີ່ສາມາດເຂົ້າໃຈເຫດຜົນຂອງ AI, ລະຫັດ ແລະ ຄະນິດສາດຂອງມັນ, ແລະຈັບ “bullsh*t” ຂອງມັນໄດ້.

AI ຈະບໍ່ເຮັດໃຫ້ການສຶກສາບໍ່ກ່ຽວຂ້ອງ ຫຼື ມາແທນມະນຸດ. ແຕ່ພວກເຮົາອາດຈະມາແທນຕົວເອງຖ້າພວກເຮົາລືມວິທີຄິດຢ່າງເປັນອິດສະຫຼະ, ແລະເປັນຫຍັງວິທະຍາສາດ ແລະ ຄວາມເຂົ້າໃຈເລິກເຊິ່ງຈຶ່ງສໍາຄັນ.

ທາງເລືອກບໍ່ແມ່ນການປະຕິເສດ ຫຼື ຍອມຮັບ AI. ມັນແມ່ນວ່າພວກເຮົາຈະຍັງຄົງໄດ້ຮັບການສຶກສາ ແລະ ສະຫຼາດພໍທີ່ຈະນໍາພາມັນ.

“`