การให้เหตุผลสู่ Strong AI

จนถึงวันนี้เรายังไม่มี AI ที่ผ่านการทดสอบของทูริ่งได้เลย

ย้อนกลับไป 70 ปี ก่อน อลัน ทูริ่ง ได้คิดการทดสอบหนึ่งขึ้นมาเพื่อใช้บอกว่าเครื่องจักรนั้นคิดได้ด้วยการให้คนธรรมดามานั่งพิมพ์แชทคุยกับอีกสิ่งหนึ่งโดยไม่รู้ว่าสิ่งที่คุยด้วยเป็นเครื่องจักรหรือมนุษย์ด้วยกัน โดยถ้าคนธรรมดาแชทคุยแล้วแยกไม่ออกว่าเป็นเครื่องหรือเป็นคน แสดงว่าเครื่องนั้นสอบผ่าน

เกมนี้อลัน ทูริ่งตั้งชื่อว่า The imitation game หรือที่คนทั่วไปเรียกกันว่า Turing test

การทดสอบนี้ดูผิวเผินไม่เห็นมีอะไร แต่การทดสอบนี้มีความลุ่มลึกอยู่

การที่เครื่องจักรจะสามารถคุยกับมนุษย์จนมนุษย์แยกไม่สามารถจำแนกได้นั้น หมายความว่าเครื่องจักรมีความสามารถทางภาษาธรรมชาติ (natural language) ที่มีทั้งรูปประโยค ความคิดเชิงนามธรรม การใช้บริบท และที่สำคัญคือการใช้เหตุผล

อลัน ทูริ่งคาดการณ์ว่าในอีก 50 ปี (ตอนนั้นปี 1950 เพราะฉะนั้นคือปี 2000) คน 70% จะสามารถแยกแยะว่าสิ่งที่กำลังคุยด้วยนั้นเป็นเครื่องหรือเป็นคนออก หลังจากคุยกัน 5 นาที กลับมาดูวันนี้ ปรากฎว่าปัจจุบันหลังจากปีที่ทูริ่งทำนายถึง 20 ปี เรายังไม่ใกล้ที่จะไปถึงจุดๆนั้น

นักวิทยาศาสตร์ส่วนใหญ่มองในแง่ดีว่าคงอีกไม่นาน ที่เครื่องจักรจะสามารถลอกเลียน natural language ของมนุษย์ได้

อลัน ทูริ่งได้เสนอทางออกอย่างง่ายว่าให้สร้างเครื่องจักรที่คิดแบบเดียวกับทารกที่ดูเหมือนผ้าขาวดูสิ แล้วค่อยๆสอนมัน อีก 20 ปีก็น่าจะฉลาดเท่ากับมนุษย์ผู้ใหญ่ได้ แต่ความจริงมันสมองของทารกไม่ใช่ผ้าขาว แต่มีโครงสร้างและรูปแบบที่ซับซ้อนอย่างมากอยู่ก่อนแล้ว มันสมองที่มีเซลล์มากมายมหาศาลและการเชื่อมโยงเอนกอนันต์ แต่สมองอย่างไรก็ตามต้องเริ่มพัฒนามาจากเซลล์เพียงแค่เซลล์เดียว และพิมพ์เขียวภายในเซลล์เซลล์นั้น

หลายคนก็พยายามสร้างโมเดลวิวัฒนาการเพื่อหวังว่าจะสร้างสมองขึ้นมาโดยเลียนแบบทฤษฎีวิวัฒนาการ

หนทางออกหนึ่งจากหนังสือเรื่อง The book of why เขียนโดย Judea Pearl และ Dana Mackenzie คือการไต่บันไดแห่งการใช้เหตุผล

ลำดับขั้นการให้เหตุผล

ขั้นพื้นฐาน ที่สัตว์และเครื่องจักร สามารถทำได้ คือ การมองเห็นความสัมพันธ์ที่เกิดขึ้นของปัจจัยต่างๆ เป็นกรอบความคิดที่เข้ามาบดบังมนุษย์ ที่อยู่บนพื้นฐานของสถิติ ที่ใช้การหาความสัมพันธ์ และการถดถอยหรือฟิตกราฟให้ตรงกับข้อมูล ไม่ว่าจะพื้นฐานอย่างการถดถอยเชิงเส้น หรือจะซับซ้อนอย่าง deep neural network ก็แล้วแต่

สถิติแบบนี้ถูกปลูกฝังกันมานาน ทุกอย่างคือความสัมพันธ์ การบอกว่า x เป็นสาเหตุของ y นั้นมีความหมายเพียงแค่ correlation เท่ากับ 1 เท่านั้น

ขั้นที่สอง คือ การทดลอง เราสามารถตั้งคำถามและหาคำตอบว่าอะไรเป็นเหตุของอะไร โดยการทดลองโดยควบคุมตัวแปรต่างๆเพื่อให้เห็นผลที่เปลี่ยนไปจากตัวแปรที่เราปรับ

ความสามารถด้านหนึ่งของมนุษย์คือจินตนาการ

จินตนาการ สร้างภาพว่าจะเกิดอะไรขึ้น...ถ้า...? เราจะทำสิ่งนี้ได้อย่างไร การวางแผนว่าจะทำอะไรดีและที่สำคัญคือสามารถตั้งคำถามว่า "ทำไม"

ทำไม...คือคำอธิบายปรากฎการณ์ ที่ไม่ใช่สถิติ หรือ machine learning หรือ deep neural net ที่ในปัจจุบันทำได้เพียงหาความสัมพันธ์ และสร้างโมเดลที่ซับซ้อนขึ้น

แม้เครื่องจักรสามารถเล่นหมากล้อมหรือสตาร์คราฟต์ชนะ เครื่องจักรก็ไม่อาจอธิบายได้ว่าเดินหมากนั้นเพราะอะไรแบบที่คนพากษ์เกมพยายามอธิบายโดยใช้ทฤษฎีต่างๆที่สั่งสมมาจากการเล่นหมากล้อม

ทฤษฎีเกิดจากการทดลองซ้ำแล้วซ้ำเล่าจนมั่นใจ ถ้ามั่นใจเป็นอย่างยิ่ง ทฤษฎีจะถูกเลื่อนขั้นเป็นกฎธรรมชาติ ทั้งหมดนี้คือขั้นสูงสุดของการใช้เหตุผล

Counterfactual คือคำตอบ

เราสามารถตั้งสมมติฐานว่า จะเกิดอะไรขึ้นถ้าโลกหยุดหมุน จะเกิดอะไรขึ้นถ้าเราเลือกเรียนศิลปศาสตร์แทนวิทยาศาสตร์ จะเกิดอะไรขึ้นถ้าโควิดระบาดหนักในทวีปแอฟริกา

ปัจจุบันและอนาคต

Deep neural net เอามาใช้งานได้อย่างมีประสิทธิภาพสูงมากแซงหน้า algorithm ต่างๆไปเสียหมด สามารถนำมาใช้แก้ปัญหาที่เราดูว่ายาก แต่ไม่ยากในมุมของคอมพิวเตอร์ได้

การใช้เหตุผลเป็นส่วนสำคัญของวิวัฒนาการของมนุษย์ การสร้าง Strong AI ที่คิดได้เทียบเท่ามนุษย์ อาจต้องนำการใช้เหตุผลมาด้วย

จะเกิดอะไรขึ้นถ้า Deep neural net รวมกับ Causal inference ... หนทางนี้จะนำไปสู่ strong AI หรือไม่?