01 - THE INTELLIGENCE : ปัญญาคืออะไร? [THE AI QUESTION]
[AI กำลังทำให้เราต้องนิยามคำว่า “ปัญญา” และ “มนุษย์” ใหม่หรือไม่?]
1.1 Intelligence ในวิทยาศาสตร์
ในทางวิทยาศาสตร์ คำว่า Intelligence หรือ “ปัญญา” ไม่ได้หมายถึงความรู้จำนวนมาก ความสามารถในการคำนวณ หรือการตอบคำถามได้ถูกต้องเพียงอย่างใดอย่างหนึ่ง แต่เป็นแนวคิดที่ใช้เพื่ออธิบายความสามารถของระบบในการรับข้อมูล เรียนรู้จากประสบการณ์ ปรับตัวต่อสภาพแวดล้อม ทำความเข้าใจความสัมพันธ์ของข้อมูล ใช้เหตุผล และนำข้อมูลเหล่านั้นไปสู่การแก้ปัญหาหรือบรรลุเป้าหมาย
.
American Psychological Association ให้นิยาม intelligence ในลักษณะครอบคลุมความสามารถในการได้มาซึ่งข้อมูล การเรียนรู้จากประสบการณ์ การปรับตัวต่อสิ่งแวดล้อม การทำความเข้าใจ และการใช้ความคิดและเหตุผลอย่างถูกต้อง (พจนานุกรม APA)
.
นิยามลักษณะนี้มีความสำคัญต่อการศึกษาทางวิทยาศาสตร์ เพราะทำให้ intelligence ไม่ได้ถูกผูกติดกับความสามารถเฉพาะด้าน เช่น ภาษา คณิตศาสตร์ หรือความจำ แต่ถูกมองเป็นกลุ่มความสามารถทางปัญญาที่สามารถแสดงออกผ่านงานหลายประเภท และสามารถนำไปศึกษาเชิงปริมาณได้
.
การศึกษาความฉลาดของมนุษย์อย่างเป็นระบบในจิตวิทยาเริ่มให้ความสำคัญกับคำถามว่า เหตุใดคนที่ทำแบบทดสอบทางปัญญาประเภทหนึ่งได้ดีจึงมักมีแนวโน้มทำแบบทดสอบประเภทอื่นได้ดีด้วย Charles Spearman เสนอแนวคิดเรื่อง general factor หรือ g จากรูปแบบความสัมพันธ์ระหว่างผลการทดสอบทางปัญญาหลายประเภท โดยเสนอว่าความสามารถในการทำงานทางปัญญาที่แตกต่างกันมีองค์ประกอบร่วมบางอย่างอยู่เบื้องหลัง
.
แนวคิดนี้ไม่ได้หมายความว่ามนุษย์มีความสามารถทางปัญญาเพียงอย่างเดียว แต่หมายความว่าความสามารถหลายด้านมีความสัมพันธ์กันในระดับประชากร และสามารถตรวจพบองค์ประกอบทั่วไปทางสถิติจากข้อมูลการทดสอบได้ งานวิจัยและการวิเคราะห์ข้อมูลจำนวนมากในเวลาต่อมาพบรูปแบบที่เรียกว่า positive manifold คือคะแนนของแบบทดสอบความสามารถทางปัญญาหลายประเภทมีแนวโน้มสัมพันธ์กันในทางบวก และแนวคิด g จึงกลายเป็นหนึ่งในแนวคิดสำคัญของ psychometrics หรือศาสตร์การวัดทางจิตวิทยา (Nature)
.
อย่างไรก็ตาม สิ่งสำคัญคือ g ไม่ควรถูกเข้าใจว่าเป็น “พลังลึกลับในสมอง” หรือเป็นอวัยวะชนิดหนึ่ง แต่เป็นปัจจัยแฝงที่อนุมานจากรูปแบบความสัมพันธ์ของข้อมูลการทดสอบ นักวิจัยยังถกเถียงกันว่าปัจจัยนี้สะท้อนคุณสมบัติทั่วไปของระบบประมวลผลข้อมูลในสมอง หรือเป็นผลที่เกิดขึ้นจากการทำงานร่วมกันของความสามารถเฉพาะด้านจำนวนมาก (Nature)
.
ต่อมาแนวคิดเรื่อง intelligence ถูกพัฒนาให้มีโครงสร้างมากกว่าการแบ่งว่ามีหรือไม่มี g Raymond Cattell และ John Horn เสนอกรอบที่แยก fluid intelligence หรือ Gf ออกจาก crystallized intelligence หรือ Gc
โดย fluid intelligence หมายถึงความสามารถในการจัดการกับปัญหาใหม่ การหาเหตุผล การมองเห็นความสัมพันธ์ และการแก้ปัญหาที่ไม่สามารถพึ่งพาความรู้เดิมได้โดยตรง ส่วน crystallized intelligence เกี่ยวข้องกับความรู้และทักษะที่สะสมจากการศึกษาและประสบการณ์ เช่น คำศัพท์ ความรู้ทั่วไป และความสามารถในการนำความรู้ที่เรียนมาใช้กับงานต่าง ๆ (พจนานุกรม APA)
.
.
ความแตกต่างนี้มีความสำคัญเพราะทำให้เห็นว่า “ความฉลาด” ไม่ใช่สิ่งเดียวกับ “ความรู้” คนหนึ่งอาจมีคลังความรู้จำนวนมากแต่เผชิญปัญหาใหม่ได้ไม่ดี ในขณะที่อีกคนหนึ่งอาจมีความรู้เฉพาะด้านน้อยกว่าแต่สามารถค้นหารูปแบบของปัญหาใหม่และสร้างวิธีแก้ไขได้อย่างมีประสิทธิภาพ ดังนั้นเมื่อวิทยาศาสตร์พูดถึง intelligence จึงจำเป็นต้องแยกความสามารถในการประมวลผลและให้เหตุผลออกจากความรู้ที่ถูกสะสมไว้แล้ว แม้ว่าความสามารถทั้งสองจะมีความสัมพันธ์กันก็ตาม
.
.
งานของ John Carroll ในเวลาต่อมาได้สังเคราะห์ข้อมูลจากชุดการศึกษาความสามารถทางปัญญาจำนวนมากและนำไปสู่ Three-Stratum Model ซึ่งอธิบาย intelligence ในลักษณะลำดับชั้น โดยชั้นบนสุดเป็น general intelligence หรือ g ชั้นกลางประกอบด้วยความสามารถกว้าง ๆ
เช่น fluid reasoning, crystallized knowledge, memory and learning, visual processing, auditory processing และ processing speed ส่วนชั้นล่างประกอบด้วยความสามารถเฉพาะด้านที่ละเอียดลงไปอีก แนวคิดนี้มีอิทธิพลต่อการพัฒนากรอบ Cattell–Horn–Carroll หรือ CHC model ซึ่งถูกนำมาใช้เป็นหนึ่งในกรอบสำคัญในการอธิบายโครงสร้างความสามารถทางปัญญา (พจนานุกรม APA)
.
.
สิ่งที่กรอบดังกล่าวแสดงให้เห็นคือ intelligence ในทางวิทยาศาสตร์ไม่ได้ถูกมองเป็นคุณสมบัติที่แยกออกจากความสามารถอื่นทั้งหมด แต่เป็นโครงสร้างที่ประกอบด้วยความสามารถหลายระดับ ตั้งแต่ความสามารถทั่วไปไปจนถึงทักษะเฉพาะด้าน การที่คนคนหนึ่งมีผลการทดสอบทางปัญญาสูงจึงไม่ได้หมายความว่าเขาจะเก่งเท่ากันในทุกงาน และ ในทางกลับกัน ความสามารถเฉพาะด้านที่โดดเด่นก็ไม่ได้เพียงพอที่จะอธิบาย intelligence ทั้งหมด
.
ประเด็นนี้นำไปสู่ข้อแตกต่างสำคัญระหว่าง intelligence ในฐานะโครงสร้างทางสถิติ กับ intelligence ในฐานะกระบวนการทางชีวภาพ ผลการทดสอบสามารถบอกได้ว่าความสามารถหลายประเภทมีความสัมพันธ์กัน แต่ไม่ได้บอกโดยตรงว่ากลไกทางสมองใดเป็นสาเหตุของความสัมพันธ์นั้น การวิจัยด้านประสาทวิทยาศาสตร์จึงพยายามเชื่อมความแตกต่างด้านความสามารถทางปัญญาเข้ากับการทำงานของระบบประสาท
.
งานวิจัยจำนวนมากชี้ว่าความสามารถทางปัญญาไม่ได้เกิดจากบริเวณสมองเพียงจุดเดียว แต่เกี่ยวข้องกับการทำงานร่วมกันของเครือข่ายสมองหลายส่วน รวมถึงกระบวนการด้านการควบคุมทางปัญญา การประมวลผลข้อมูล และการจัดการกับปัญหาใหม่ ดังนั้นการกล่าวว่า “สมองส่วนหนึ่งคือศูนย์กลางของ intelligence” จึงเป็นการทำให้โครงสร้างของระบบประสาทง่ายเกินกว่าหลักฐานที่มีอยู่จริง
.
อีกประเด็นหนึ่งที่ต้องแยกออกจากกันคือ intelligence ไม่เท่ากับ IQ แม้ IQ จะเป็นเครื่องมือสำคัญในการวัดความสามารถทางปัญญาของมนุษย์ แต่คะแนน IQ เป็นผลจากแบบทดสอบที่ถูกออกแบบเพื่อประมาณความสามารถบางกลุ่มภายใต้เงื่อนไขและประชากรที่กำหนด ไม่ใช่เครื่องมือที่สามารถวัดทุกสิ่งที่เกี่ยวข้องกับ intelligence ได้ทั้งหมด
.
ในทางจิตวิทยาการวัดยังมีประเด็นเรื่องอายุ การศึกษา ภาษา วัฒนธรรม วิธีสร้างแบบทดสอบ และความคลาดเคลื่อนของการวัด ซึ่งต้องนำมาพิจารณาเมื่อแปลความหมายของคะแนน ดังนั้นการใช้คำว่า “ฉลาด” ในทางวิทยาศาสตร์จึงต้องระบุด้วยว่ากำลังพูดถึงความสามารถประเภทใด วัดด้วยวิธีใด และเปรียบเทียบกับประชากรใด เพราะคะแนนจากเครื่องมือหนึ่งไม่สามารถแทนความสามารถทางปัญญาทั้งหมดของบุคคลได้ (APA)
.
เมื่อกรอบการศึกษาความฉลาดถูกนำออกจากมนุษย์และนำไปใช้กับเครื่องจักร ปัญหาทางวิทยาศาสตร์จึงซับซ้อนขึ้นทันที เพราะเครื่องจักรไม่ได้มีโครงสร้างทางชีวภาพเหมือนมนุษย์ แต่สามารถแสดงความสามารถบางอย่างที่ดูสอดคล้องกับองค์ประกอบของ intelligence ได้
.
นักวิจัย Shane Legg และ Marcus Hutter จึงเสนอแนวทางในการนิยาม machine intelligence โดยพยายามหาคุณสมบัติร่วมจากนิยาม intelligence ที่มีอยู่จำนวนมาก แล้วสร้างกรอบทางคณิตศาสตร์ที่สามารถใช้ประเมินระบบที่ไม่จำเป็นต้องเป็นมนุษย์หรือแม้แต่สิ่งมีชีวิต แนวทางของพวกเขามอง intelligence ในความสัมพันธ์กับความสามารถของระบบในการบรรลุเป้าหมายภายใต้สภาพแวดล้อมที่หลากหลาย ซึ่งเป็นความพยายามที่จะทำให้คำว่า intelligence สามารถใช้กับระบบทั่วไปได้โดยไม่ผูกติดกับสมองมนุษย์ (arXiv)
.
จุดนี้มีความสำคัญต่อการศึกษาปัญญาประดิษฐ์ เพราะหาก intelligence หมายถึงเพียงความสามารถที่เกิดจากสมองมนุษย์ คำนี้ก็จะไม่สามารถนำไปใช้เปรียบเทียบกับระบบที่มีโครงสร้างแตกต่างกันโดยสิ้นเชิงได้ แต่หากเรานิยาม intelligence จากความสามารถในการรับข้อมูล เรียนรู้ ปรับตัว ให้เหตุผล แก้ปัญหา และบรรลุเป้าหมาย เราก็สามารถศึกษาความฉลาดในฐานะคุณสมบัติของระบบได้โดยไม่ต้องกำหนดล่วงหน้าว่าระบบนั้นต้องมีเซลล์ประสาทหรือสมองแบบชีวภาพ
.
อย่างไรก็ตาม การขยายคำว่า intelligence ไปยังเครื่องจักรไม่ได้หมายความว่าเราควรสรุปทันทีว่าเครื่องจักรมี intelligence แบบเดียวกับมนุษย์ สิ่งที่วิทยาศาสตร์สามารถตรวจสอบได้ใน ขั้นแรกคือ พฤติกรรมและความสามารถที่แสดงออกมา เช่น ความสามารถในการเรียนรู้จากข้อมูล การแก้ปัญหา การปรับกลยุทธ์ หรือการบรรลุเป้าหมาย ส่วนคำถามว่าระบบนั้น “เข้าใจ” สิ่งที่กำลังทำหรือไม่ หรือมีประสบการณ์ภายในต่อข้อมูลเหล่านั้นหรือไม่ เป็นคำถามอีกระดับหนึ่งซึ่งไม่สามารถตอบได้จากคะแนนความสามารถเพียงอย่างเดียว
.
ความแตกต่างนี้เป็นเหตุผลว่าทำไม intelligence จึงต้องถูกแยกออกจาก consciousness และ subjective experience ในการศึกษาทางวิทยาศาสตร์ เพราะระบบหนึ่งสามารถมีความสามารถในการประมวลผลข้อมูลสูงโดยที่เรายังไม่มีหลักฐานเพียงพอว่าจะมีประสบการณ์ภายใน และ ในทางกลับกัน ความสามารถทางปัญญาบางอย่างของสิ่งมีชีวิตอาจเกิดขึ้นโดยไม่จำเป็นต้องมีความสามารถระดับเดียวกับมนุษย์
.
ดังนั้น ในบริบทของ THE AI QUESTION คำว่า Intelligence ควรถูกใช้ในความหมายที่แคบและตรวจสอบได้มากกว่าคำว่า “ความเป็นอัจฉริยะ” ในภาษาทั่วไป กล่าวคือเป็นชุดความสามารถของระบบในการรับและใช้ข้อมูล เรียนรู้จากประสบการณ์หรือข้อมูล ปรับตัวต่อเงื่อนไขใหม่ สร้างแบบจำลองหรือความสัมพันธ์ของข้อมูล ใช้เหตุผล แก้ปัญหา และดำเนินการเพื่อบรรลุเป้าหมาย
.
โดยแต่ละองค์ประกอบสามารถมีระดับความสามารถแตกต่างกันได้ การกำหนดเช่นนี้ทำให้สามารถนำมนุษย์ สัตว์ และระบบ AI มาอยู่ในกรอบการศึกษาร่วมกันได้โดยไม่จำเป็นต้องสมมติว่าทั้งหมดมีโครงสร้างภายในเหมือนกัน และที่สำคัญที่สุดคือทำให้คำถามของบทถัดไปมีความชัดเจนขึ้นว่า หาก intelligence สามารถถูกอธิบายผ่านความสามารถหลายองค์ประกอบ แล้วองค์ประกอบใดกันแน่ที่ทำให้ intelligence ของมนุษย์มีลักษณะเฉพาะ และองค์ประกอบใดที่สามารถเกิดขึ้นได้ในระบบที่ไม่มีสมองแบบชีวภาพ
.
.
.
1.2 การเรียนรู้ การแก้ปัญหา และการปรับตัว
หาก Intelligence ในทางวิทยาศาสตร์ถูกมองว่าเป็นชุดความสามารถของระบบ การเรียนรู้ การแก้ปัญหา และการปรับตัวถือเป็นกระบวนการสำคัญที่ทำให้ความสามารถดังกล่าวสามารถสังเกตและวัดได้ในพฤติกรรมจริง ระบบที่มีความรู้จำนวนมากแต่ไม่สามารถนำความรู้ไปใช้เมื่อเงื่อนไขเปลี่ยนแปลงอาจมีข้อมูลมาก แต่ไม่ได้หมายความว่าระบบนั้นมีความสามารถทางปัญญาสูง
.
ในทางกลับกัน ระบบที่สามารถได้รับข้อมูลใหม่ เปลี่ยนพฤติกรรมจากข้อมูลนั้น ค้นหาวิธีแก้ปัญหาที่ไม่เคยพบมาก่อน และรักษาความสามารถในการทำงานเมื่อสภาพแวดล้อมเปลี่ยนไป จะมีคุณสมบัติที่สอดคล้องกับแนวคิดเรื่อง intelligence มากกว่า
ดังนั้นการศึกษาปัญญาจึงไม่ได้พิจารณาเพียงว่าระบบ “รู้” อะไร แต่พิจารณาด้วยว่าระบบสามารถทำอะไรกับสิ่งที่รู้ และสามารถเปลี่ยนสิ่งที่ทำเมื่อได้รับข้อมูลใหม่ได้มากเพียงใด
.
▪️องค์ประกอบที่แรก การแก้ปัญหา หรือ problem solving
คำว่า การเรียนรู้ หรือ learning ในวิทยาศาสตร์ไม่ได้หมายถึงการจดจำข้อมูลเพียงอย่างเดียว แต่หมายถึงการเปลี่ยนแปลงความรู้ ความสามารถ หรือพฤติกรรมอันเป็นผลจากประสบการณ์หรือข้อมูลที่ได้รับ กระบวนการนี้เกิดขึ้นในสิ่งมีชีวิตตั้งแต่ระดับง่ายไปจนถึงระดับซับซ้อน สัตว์สามารถเรียนรู้ความสัมพันธ์ระหว่างสิ่งเร้ากับผลลัพธ์ เรียนรู้ตำแหน่งของอาหาร จดจำเส้นทาง และปรับพฤติกรรมตามประสบการณ์ มนุษย์สามารถเรียนรู้ภาษา แนวคิด กฎทางคณิตศาสตร์ และแบบจำลองของโลกที่มีความซับซ้อนสูง
.
ขณะที่ระบบ machine learning ถูกออกแบบให้ปรับพารามิเตอร์ภายในจากข้อมูลหรือประสบการณ์การฝึกเพื่อให้ผลลัพธ์ของระบบเปลี่ยนไปในทิศทางที่ต้องการ ความแตกต่างระหว่างระบบเหล่านี้อยู่ที่กลไกและสถาปัตยกรรมของการเรียนรู้ แต่ในระดับนามธรรมมีหลักการร่วมคือ ข้อมูลในอดีตสามารถเปลี่ยนวิธีที่ระบบตอบสนองต่อข้อมูลในอนาคตได้
.
ใน machine learning หลักการดังกล่าวถูกทำให้เป็นกระบวนการทางคณิตศาสตร์อย่างชัดเจน ระบบไม่ได้จำเป็นต้องได้รับคำสั่งสำหรับทุกกรณี แต่สามารถเรียนรู้รูปแบบจากข้อมูลที่ใช้ในการฝึก ตัวอย่างเช่น supervised learning ให้ระบบเรียนรู้ความสัมพันธ์ระหว่างข้อมูลนำเข้าและคำตอบที่กำหนดไว้
ขณะที่ unsupervised learning พยายามค้นหาโครงสร้างหรือรูปแบบภายในข้อมูลโดยไม่มีคำตอบกำกับโดยตรง และ reinforcement learning ใช้ความสัมพันธ์ระหว่างการกระทำ ผลลัพธ์ และสัญญาณรางวัลหรือบทลงโทษเพื่อปรับพฤติกรรมของระบบ
.
.
กระบวนการเหล่านี้แสดงให้เห็นว่าการเรียนรู้ไม่จำเป็นต้องหมายถึงการเก็บข้อมูลเพิ่มขึ้นเรื่อย ๆ เท่านั้น แต่เกี่ยวข้องกับการเปลี่ยนแปลงวิธีที่ระบบประมวลผลข้อมูลและเลือกการตอบสนองต่อสถานการณ์ต่าง ๆ ด้วย
อย่างไรก็ตาม การเรียนรู้ไม่ได้หมายความว่าระบบจะเข้าใจสิ่งที่เรียนรู้เสมอไป ประเด็นนี้มีความสำคัญอย่างมากเมื่อเปรียบเทียบมนุษย์กับ AI เพราะระบบสามารถปรับรูปแบบการตอบสนองจากข้อมูลได้โดยไม่จำเป็นต้องมีความเข้าใจในความหมายแบบเดียวกับมนุษย์
.
.
ตัวอย่างเช่นโมเดลภาษาขนาดใหญ่สามารถเรียนรู้ความสัมพันธ์ทางสถิติที่ซับซ้อนจากข้อมูลภาษาและนำความสัมพันธ์เหล่านั้นมาใช้สร้างข้อความใหม่ได้ ความสามารถดังกล่าวเป็นรูปแบบหนึ่งของการเรียนรู้เชิงคำนวณ แต่การที่ระบบสามารถสร้างข้อความที่มีความหมายสำหรับมนุษย์ไม่ได้เป็นหลักฐานโดยตัวมันเองว่าระบบมีประสบการณ์ต่อความหมายเหล่านั้น งานวิจัยจึงจำเป็นต้องแยก การเปลี่ยนแปลงของพฤติกรรมจากข้อมูล ออกจากคำถามที่ใหญ่กว่าว่าระบบมีความเข้าใจหรือประสบการณ์ภายในหรือไม่
.
▪️องค์ประกอบที่สองคือ การแก้ปัญหา หรือ problem solving
ซึ่งเป็นความสามารถในการหาวิธีดำเนินการจากสถานะเริ่มต้นไปสู่เป้าหมายภายใต้ข้อจำกัดบางอย่าง ปัญหาในความหมายทางวิทยาศาสตร์ไม่ได้จำเป็นต้องเป็นโจทย์คณิตศาสตร์ แต่รวมถึงสถานการณ์ที่ระบบต้องเลือกการกระทำจากหลายทางเลือกและไม่สามารถกำหนดคำตอบได้โดยตรงล่วงหน้า
.
การแก้ปัญหาจึงเกี่ยวข้องกับการแทนปัญหา การค้นหาทางเลือก การประเมินผลลัพธ์ การเลือกวิธีดำเนินการ และการปรับเปลี่ยนวิธีเมื่อแนวทางเดิมไม่สำเร็จ ในมนุษย์กระบวนการดังกล่าวเกี่ยวข้องกับความจำ การให้เหตุผล การควบคุมทางปัญญา และความสามารถในการสร้างแบบจำลองของสถานการณ์ ส่วนใน AI วิธีการแก้ปัญหาอาจอยู่ในรูปของ search algorithm, optimization, planning หรือการเรียนรู้รูปแบบจากข้อมูล ขึ้นอยู่กับสถาปัตยกรรมและประเภทของปัญหา
.
ความแตกต่างระหว่างการจำคำตอบกับการแก้ปัญหาจึงมีความสำคัญ หากระบบเพียงจดจำว่าปัญหาแบบหนึ่งควรให้คำตอบใด ความสามารถดังกล่าวจะทำงานได้ดีตราบเท่าที่สถานการณ์ยังอยู่ใกล้กับข้อมูลเดิม แต่เมื่อปัญหาเปลี่ยนรูปแบบ ระบบจำเป็นต้องสามารถนำข้อมูลหรือกฎที่มีอยู่ไปสร้างวิธีแก้ใหม่ได้ ความสามารถในการจัดการกับปัญหาที่ไม่เคยพบโดยตรงจึงเป็นองค์ประกอบสำคัญของ intelligence และเป็นเหตุผลว่าทำไมงานวิจัยด้านปัญญาประดิษฐ์จึงให้ความสนใจกับ generalization หรือความสามารถในการนำสิ่งที่เรียนรู้ไปใช้กับข้อมูลและสถานการณ์ใหม่
.
ปัญหานี้เป็นหนึ่งในข้อจำกัดสำคัญของระบบ AI เพราะผลการทดสอบที่สูงใน benchmark หนึ่งไม่ได้รับประกันว่าระบบจะสามารถทำงานได้ดีในสถานการณ์ที่แตกต่างออกไปอย่างมีนัยสำคัญ
.
การแก้ปัญหายังเกี่ยวข้องกับแนวคิดเรื่อง การถ่ายโอนความรู้ หรือ transfer ซึ่งหมายถึงความสามารถในการนำสิ่งที่เรียนรู้จากบริบทหนึ่งไปใช้ในอีกบริบทหนึ่ง มนุษย์สามารถเรียนรู้หลักการจากประสบการณ์หนึ่งแล้วนำไปประยุกต์กับปัญหาที่มีโครงสร้างแตกต่างกันได้ในระดับหนึ่ง เช่น หลักการเรื่องแรงหรือสมดุลที่เรียนรู้จากสถานการณ์หนึ่งสามารถนำไปใช้ทำความเข้าใจสถานการณ์ใหม่ได้
.
ความสามารถลักษณะนี้ทำให้ intelligence มีความยืดหยุ่นมากกว่าการตอบสนองต่อรูปแบบข้อมูลที่เคยเห็นโดยตรง สำหรับ AI การถ่ายโอนความรู้เป็นหนึ่งในประเด็นสำคัญของการพัฒนาระบบที่สามารถทำงานได้ทั่วไป เพราะระบบที่มีความสามารถสูงเฉพาะในสภาพแวดล้อมที่ถูกกำหนดไว้จะมีความแตกต่างจากระบบที่สามารถนำหลักการจากงานหนึ่งไปใช้กับงานใหม่ได้อย่างมีประสิทธิภาพ
.
▪️องค์ประกอบที่สาม คือ การปรับตัว หรือ adaptation
ซึ่งต้องแยกออกจากการเรียนรู้ แม้ว่าสองกระบวนการนี้จะเกี่ยวข้องกันอย่างใกล้ชิด การเรียนรู้หมายถึงการเปลี่ยนแปลงของความรู้หรือพฤติกรรมจากประสบการณ์
ขณะที่การปรับตัวเน้นผลที่เกิดขึ้นเมื่อระบบต้องดำรงความสามารถในการทำงานภายใต้สภาพแวดล้อมที่เปลี่ยนแปลง การปรับตัวจึงอาจเกิดจากการเรียนรู้โดยตรง แต่ในระบบชีวภาพยังเกี่ยวข้องกับกลไกอื่น เช่น การเปลี่ยนแปลงทางสรีรวิทยา พฤติกรรม และในระดับประชากรยังรวมถึงวิวัฒนาการ การปรับตัวในความหมายกว้างจึงไม่ได้หมายความเพียงว่า “ระบบเรียนรู้เก่ง” แต่หมายถึงระบบสามารถเปลี่ยนวิธีดำเนินการให้เหมาะสมกับเงื่อนไขที่เปลี่ยนไปได้
.
.
ในชีววิทยาแนวคิดเรื่อง adaptation มีความหมายเฉพาะและต้องระวังไม่ให้ปะปนกับการเรียนรู้ของบุคคล สิ่งมีชีวิตหนึ่งตัวสามารถเรียนรู้วิธีหลีกเลี่ยงอันตรายได้ภายในช่วงชีวิตของมัน แต่การเปลี่ยนแปลงทางพันธุกรรมที่ทำให้ประชากรมีลักษณะเหมาะสมกับสภาพแวดล้อมมากขึ้นเป็นกระบวนการอีกระดับหนึ่งที่เกิดผ่านวิวัฒนาการและการคัดเลือกโดยธรรมชาติ
.
การแยกสองระดับนี้ช่วยให้เห็นว่า “การปรับตัว” เป็นแนวคิดที่สามารถเกิดขึ้นได้ทั้งในระดับพฤติกรรมของปัจเจกบุคคลและในระดับประชากรตลอดหลายชั่วอายุคน และไม่ควรใช้คำว่า adaptation อย่างหลวม ๆ จนทำให้ทุกการเปลี่ยนแปลงถูกตีความว่าเป็นวิวัฒนาการ
.
เมื่อพิจารณาการเรียนรู้ การแก้ปัญหา และการปรับตัวร่วมกัน จะเห็นว่า intelligence มีลักษณะเป็นกระบวนการต่อเนื่องมากกว่าคุณสมบัติที่แยกออกมาเป็นชิ้นเดียว ระบบได้รับข้อมูลจากสภาพแวดล้อม ข้อมูลเหล่านั้นสามารถเปลี่ยนสถานะภายในของระบบ ระบบใช้สถานะดังกล่าวเพื่อประเมินปัญหาและเลือกการกระทำ ผลลัพธ์ของการกระทำจะสร้างข้อมูลใหม่ และข้อมูลใหม่นั้นสามารถนำไปเปลี่ยนพฤติกรรมในอนาคต
.
กระบวนการลักษณะนี้สามารถอธิบายได้ทั้งในระบบชีวภาพและระบบประดิษฐ์ แม้กลไกภายในจะไม่เหมือนกันก็ตาม ในระดับนามธรรมจึงอาจมอง intelligence เป็นความสามารถของระบบในการสร้างวงจรระหว่าง ข้อมูล การเรียนรู้ การตัดสินใจ การกระทำ และผลลัพธ์ ซึ่งทำให้ระบบสามารถดำเนินการได้อย่างเหมาะสมขึ้นเมื่อเผชิญกับสถานการณ์ที่เปลี่ยนแปลง
.
กรอบนี้ช่วยอธิบายด้วยว่าทำไมการประเมิน AI ด้วยคะแนนเพียงตัวเดียวจึงมีข้อจำกัด รายงาน AI Index 2026 ของ Stanford แสดงให้เห็นว่าความสามารถของโมเดลแนวหน้ามีลักษณะที่เรียกว่า “jagged intelligence” กล่าวคือระบบสามารถทำงานบางประเภทได้ในระดับสูงมาก ขณะที่ยังมีข้อจำกัดในงานอื่นที่ดูง่ายสำหรับมนุษย์ เช่น รายงานเดียวกันระบุความแตกต่างอย่างมากระหว่างความสามารถด้านโจทย์คณิตศาสตร์ระดับสูงกับงานอย่างการอ่านนาฬิกาแบบเข็ม ซึ่งระบบ AI ยังทำได้ต่ำกว่ามนุษย์ใน benchmark ที่ใช้เปรียบเทียบ (hai.stanford.edu)
.
ข้อมูลนี้มีความสำคัญเพราะแสดงให้เห็นว่า intelligence ของระบบไม่ควรถูกสรุปจากความสำเร็จเพียงด้านเดียว ระบบอาจมีความสามารถสูงมากในพื้นที่หนึ่งแต่ยังขาดความยืดหยุ่นในอีกพื้นที่หนึ่ง และความแตกต่างดังกล่าวทำให้การวัด intelligence จำเป็นต้องพิจารณาหลายมิติ ทั้งการเรียนรู้จากข้อมูลใหม่ ความสามารถในการ generalize การแก้ปัญหาที่ไม่เคยพบ และการปรับตัวเมื่อเงื่อนไขเปลี่ยนแปลงสำหรับมนุษย์เอง
.
ความสามารถทั้งสามประการไม่ได้ทำงานแยกจากกัน การเรียนรู้ทำให้เกิดความรู้และแบบจำลองของโลก การแก้ปัญหานำแบบจำลองเหล่านั้นไปใช้เพื่อจัดการกับสถานการณ์เฉพาะ และการปรับตัวทำให้พฤติกรรมสามารถเปลี่ยนไปตามสภาพแวดล้อม
.
กระบวนการเหล่านี้ได้รับอิทธิพลจากความจำ การรับรู้ แรงจูงใจ การควบคุมทางปัญญา และข้อจำกัดของระบบประสาท ดังนั้นความฉลาดของมนุษย์จึงไม่ได้เป็นเพียงความสามารถในการตอบคำถามถูกต้อง แต่เป็นความสามารถในการดำเนินชีวิตอยู่ในโลกที่ข้อมูลไม่สมบูรณ์ เปลี่ยนแปลงตลอดเวลา และไม่สามารถกำหนดคำตอบที่ถูกต้องไว้ล่วงหน้าสำหรับทุกสถานการณ์ได้
.
ประเด็นสำคัญสำหรับการเปรียบเทียบกับ AI จึงไม่ได้อยู่ที่การถามว่าเครื่องจักร “เรียนรู้ได้หรือไม่” เพราะคำตอบในระดับพื้นฐานเป็นที่ชัดเจนแล้วว่าระบบ machine learning สามารถเปลี่ยนพารามิเตอร์และรูปแบบการตอบสนองจากข้อมูลได้
แต่คำถามที่มีความหมายทางวิทยาศาสตร์มากกว่าคือ ระบบเรียนรู้ได้จากข้อมูลประเภทใด เรียนรู้ได้เร็วเพียงใด ต้องใช้ข้อมูลมากเพียงใด สามารถนำสิ่งที่เรียนรู้ไปใช้ในสถานการณ์ใหม่ได้หรือไม่ สามารถแก้ปัญหาที่อยู่นอก distribution ของข้อมูลเดิมได้เพียงใด และสามารถปรับตัวเมื่อกฎของสภาพแวดล้อมเปลี่ยนไปได้หรือไม่
.
.
คำถามเหล่านี้ทำให้การเปรียบเทียบระหว่างมนุษย์กับเครื่องจักรมีความแม่นยำมากขึ้น เพราะไม่ได้ตัดสิน intelligence จากภาพลักษณ์ของระบบหรือความคล้ายคลึงกับมนุษย์ แต่ตรวจสอบจากคุณสมบัติของกระบวนการที่ระบบสามารถดำเนินการได้จริง
.
ดังนั้น การเรียนรู้ การแก้ปัญหา และการปรับตัวจึงเป็นสามองค์ประกอบที่ช่วยเปลี่ยนคำว่า Intelligence จากแนวคิดนามธรรมให้กลายเป็นสิ่งที่สามารถศึกษาและทดสอบได้ การเรียนรู้แสดงให้เห็นว่าระบบสามารถเปลี่ยนแปลงจากข้อมูลได้หรือไม่ การแก้ปัญหาแสดงให้เห็นว่าระบบสามารถนำข้อมูลและแบบจำลองไปสร้างการกระทำเพื่อบรรลุเป้าหมายได้หรือไม่ และการปรับตัวแสดงให้เห็นว่าความสามารถนั้นยังคงทำงานได้หรือเปลี่ยนแปลงอย่างเหมาะสมเมื่อสภาพแวดล้อมไม่เหมือนเดิมหรือไม่
.
เมื่อทั้งสามกระบวนการถูกพิจารณาร่วมกัน เราจะเห็นว่า intelligence ไม่ได้หมายถึงการมีข้อมูลมากที่สุดหรือการตอบคำถามได้เร็วที่สุด แต่เกี่ยวข้องกับความสามารถของระบบในการเปลี่ยนข้อมูลให้เป็นความสามารถ เปลี่ยนประสบการณ์ให้เป็นการปรับปรุง และเปลี่ยนความสามารถนั้นให้กลายเป็นการกระทำที่เหมาะสมต่อปัญหาที่เกิดขึ้นจริง
.
จุดนี้นำไปสู่คำถามถัดไปโดยตรงว่า ความสามารถดังกล่าวจำเป็นต้องอาศัยสมองและระบบประสาทแบบชีวภาพหรือไม่ เพราะหากการเรียนรู้ การแก้ปัญหา และการปรับตัวสามารถอธิบายได้ในฐานะกระบวนการของระบบโดยไม่จำเป็นต้องกำหนดล่วงหน้าว่าระบบนั้นต้องเป็นสิ่งมีชีวิต ขอบเขตของคำว่า intelligence ก็ย่อมกว้างกว่าที่มนุษย์เคยใช้มาแต่เดิม
.
.
1.3 Intelligence ≠ Knowledge
ความรู้และปัญญามักถูกใช้แทนกันในภาษาทั่วไป แต่ในทางวิทยาศาสตร์ทั้งสองแนวคิดไม่ใช่สิ่งเดียวกัน ความรู้หรือ knowledge หมายถึงข้อมูล ข้อเท็จจริง แนวคิด กฎ ความสัมพันธ์ และแบบจำลองที่ระบบมีหรือสามารถเรียกใช้ได้
.
ขณะที่ intelligence หมายถึงความสามารถในการใช้ข้อมูลและความรู้เหล่านั้นเพื่อเรียนรู้ ให้เหตุผล แก้ปัญหา ปรับตัว และบรรลุเป้าหมายภายใต้เงื่อนไขต่าง ๆ ความแตกต่างนี้มีความสำคัญเพราะระบบสามารถมีความรู้จำนวนมากโดยไม่ได้หมายความว่าจะสามารถนำความรู้นั้นไปใช้ได้อย่างยืดหยุ่น
และ ในทางกลับกัน ระบบที่มีข้อมูลจำกัดอาจสามารถแก้ปัญหาใหม่ได้ดีหากมีความสามารถในการค้นหารูปแบบและนำประสบการณ์ไปประยุกต์ใช้กับสถานการณ์ที่ไม่เคยพบมาก่อน ดังนั้นปริมาณของความรู้จึงเป็นเพียงทรัพยากรที่ intelligence สามารถนำไปใช้ ไม่ใช่ตัวแทนของ intelligence ทั้งหมด
.
.
ในจิตวิทยาการรู้คิด ความแตกต่างระหว่างความรู้กับความสามารถในการประมวลผลข้อมูลปรากฏอย่างชัดเจนในแนวคิดเรื่อง crystallized intelligence และ fluid intelligence ที่กล่าวถึงในหัวข้อก่อนหน้า Crystallized intelligence เกี่ยวข้องกับความรู้และทักษะที่สะสมจากการศึกษาและประสบการณ์ เช่น คำศัพท์ ความรู้ทั่วไป และข้อเท็จจริงต่าง ๆ
.
ส่วน fluid intelligence เกี่ยวข้องกับความสามารถในการจัดการกับปัญหาใหม่ การค้นหาความสัมพันธ์ การให้เหตุผล และการแก้ปัญหาโดยไม่สามารถพึ่งพาความรู้เดิมได้ทั้งหมด ความแตกต่างนี้ไม่ได้หมายความว่าความรู้กับ intelligence แยกออกจากกันโดยสิ้นเชิง เพราะความรู้ที่สะสมไว้สามารถช่วยให้มนุษย์แก้ปัญหาได้อย่างมีประสิทธิภาพ และประสบการณ์จำนวนมากสามารถเพิ่มความสามารถในการประเมินสถานการณ์ แต่การมีความรู้มากขึ้นไม่ได้รับประกันว่าบุคคลจะสามารถนำความรู้นั้นไปใช้กับทุกปัญหาได้อย่างถูกต้อง
.
ตัวอย่างที่ชัดเจนคือบุคคลสามารถจำสูตรทางคณิตศาสตร์ได้จำนวนมาก แต่การจำสูตรไม่ได้รับประกันว่าจะรู้ว่าควรเลือกสูตรใดเมื่อเผชิญกับโจทย์ที่ไม่คุ้นเคย การแก้ปัญหาจำเป็นต้องระบุโครงสร้างของปัญหา เลือกข้อมูลที่เกี่ยวข้อง ประเมินข้อจำกัด และนำหลักการที่มีอยู่ไปใช้ในบริบทใหม่
.
กระบวนการเหล่านี้เป็นความสามารถเชิงปัญญาที่แตกต่างจากการเก็บรักษาข้อมูล หากโจทย์เปลี่ยนรูปแบบไปเล็กน้อย บุคคลที่อาศัยการจำเพียงอย่างเดียวอาจไม่สามารถหาคำตอบได้ ขณะที่บุคคลที่เข้าใจหลักการเบื้องหลังสามารถสร้างวิธีแก้ใหม่จากความรู้เดิมได้ ความแตกต่างระหว่างสองกรณีนี้จึงเป็นตัวอย่างของความแตกต่างระหว่าง having knowledge กับ being able to use knowledge intelligently
.
ประเด็นเดียวกันสามารถอธิบายผ่านความแตกต่างระหว่าง ข้อมูล ข้อเท็จจริง ความรู้ และความสามารถในการใช้ความรู้ ข้อมูลอาจเป็นสัญญาณหรือค่าที่ถูกบันทึกไว้ เช่น ตัวเลข เสียง ภาพ หรือลำดับสัญลักษณ์ ข้อมูลจำนวนหนึ่งเมื่อถูกจัดโครงสร้างและตีความสามารถกลายเป็นสารสนเทศ และเมื่อถูกเชื่อมโยงกับประสบการณ์ ความสัมพันธ์ และแบบจำลองของโลก ก็สามารถกลายเป็นความรู้ได้
.
แต่ intelligence ไม่ได้เกิดขึ้นโดยอัตโนมัติจากการเพิ่มข้อมูลเข้าไป ระบบยังต้องสามารถเลือกข้อมูลที่เกี่ยวข้อง ประเมินความสัมพันธ์ระหว่างข้อมูล ตรวจสอบความถูกต้อง และนำความรู้นั้นไปใช้เพื่อจัดการกับสถานการณ์ที่เกิดขึ้นจริง
.
ความแตกต่างนี้เป็นเหตุผลว่าทำไมฐานข้อมูลขนาดใหญ่จึงไม่สามารถถูกเรียกว่า “ระบบอัจฉริยะ” ได้เพียงเพราะมีข้อมูลจำนวนมาก ฐานข้อมูลสามารถจัดเก็บความรู้โดยไม่จำเป็นต้องมีความสามารถในการตีความหรือแก้ปัญหา ขณะที่ระบบที่มี intelligence สามารถใช้ความรู้เป็นส่วนหนึ่งของกระบวนการตัดสินใจหรือการแก้ปัญหาได้
.
เมื่อพิจารณามนุษย์ ความสัมพันธ์ระหว่าง knowledge กับ intelligence ยังซับซ้อนขึ้นอีก เพราะความรู้ที่มีอยู่สามารถเปลี่ยนวิธีที่บุคคลแก้ปัญหาได้ ผู้เชี่ยวชาญในสาขาหนึ่งอาจมองเห็นรูปแบบในข้อมูลที่ผู้ไม่มีประสบการณ์มองไม่เห็น ไม่จำเป็นต้องเป็นเพราะผู้เชี่ยวชาญมีความสามารถในการประมวลผลทุกด้านสูงกว่า แต่เพราะประสบการณ์ทำให้เกิดโครงสร้างความรู้ที่ช่วยให้สามารถจำแนกข้อมูลที่สำคัญออกจากข้อมูลที่ไม่สำคัญได้อย่างรวดเร็ว
.
งานวิจัยด้านความเชี่ยวชาญจึงแสดงให้เห็นว่าความรู้เฉพาะด้านและความสามารถทางปัญญาไม่ได้เป็นสิ่งที่แยกขาดจากกัน แต่ทำงานร่วมกัน ความรู้สามารถทำให้การแก้ปัญหามีประสิทธิภาพมากขึ้น ขณะเดียวกันความสามารถในการเรียนรู้และแก้ปัญหาก็ช่วยให้บุคคลสามารถสร้างความรู้ใหม่ได้ต่อไป ความสัมพันธ์จึงเป็นวงจรระหว่าง ความรู้ → การนำไปใช้ → ประสบการณ์ใหม่ → การเรียนรู้ → ความรู้ที่เพิ่มขึ้นหรือปรับปรุงใหม่
.
ความแตกต่างนี้ยิ่งมีความสำคัญเมื่อพิจารณา AI เพราะระบบ AI สมัยใหม่สามารถประมวลผลข้อมูลจำนวนมหาศาลในระดับที่มนุษย์ไม่สามารถทำได้ด้วยตนเอง โมเดลภาษาขนาดใหญ่ได้รับการฝึกจากข้อมูลจำนวนมหาศาลและสามารถสร้างข้อความที่ประกอบด้วยข้อเท็จจริง แนวคิด และความสัมพันธ์ทางภาษาได้อย่างรวดเร็ว แต่ปริมาณข้อมูลที่ระบบสามารถประมวลผลไม่ได้เป็นตัววัดโดยตรงว่าระบบมี intelligence ในระดับใด ระบบอาจให้คำตอบที่ถูกต้องเพราะสามารถใช้รูปแบบที่เรียนรู้จากข้อมูลจำนวนมาก
.
ขณะเดียวกันก็สามารถสร้างคำตอบที่ผิดแต่มีรูปแบบภาษาที่น่าเชื่อถือได้ ปัญหาที่เรียกว่า hallucination จึงมีความสำคัญต่อการทำความเข้าใจความแตกต่างระหว่าง “การมีข้อมูลหรือรูปแบบที่เกี่ยวข้อง” กับ “การตรวจสอบว่าข้อมูลนั้นถูกต้องในสถานการณ์ปัจจุบัน” การสร้างข้อความที่สอดคล้องทางภาษาและการสร้างคำตอบที่ถูกต้องทางข้อเท็จจริงจึงเป็นคุณสมบัติที่ต้องแยกออกจากกัน
.
เรื่องนี้สะท้อนข้อจำกัดพื้นฐานของการใช้ความรู้ที่ถูกบันทึกไว้เพื่อวัด intelligence หากระบบได้รับข้อมูลจำนวนมากและสามารถค้นหารูปแบบจากข้อมูลได้ ระบบอาจทำงานได้ดีในสถานการณ์ที่ใกล้เคียงกับสิ่งที่เคยเรียนรู้ แต่ intelligence ในความหมายที่กว้างกว่าต้องเกี่ยวข้องกับความสามารถในการจัดการกับสิ่งที่ไม่ตรงกับข้อมูลเดิมด้วย นั่นคือความสามารถในการ generalize หรือถ่ายโอนสิ่งที่เรียนรู้ไปยังกรณีใหม่ การแก้ปัญหาที่มีโครงสร้างแตกต่างออกไป
.
และการปรับตัวเมื่อเงื่อนไขเปลี่ยนแปลง หากระบบสามารถตอบคำถามที่มีอยู่ในข้อมูลได้จำนวนมาก แต่ไม่สามารถจัดการกับการเปลี่ยนแปลงเล็กน้อยในปัญหาใหม่ได้ เราอาจกล่าวได้ว่าระบบมีความสามารถในการเรียกใช้หรือสร้างผลลัพธ์จากความรู้สูง แต่ยังไม่สามารถใช้สิ่งนั้นเป็นหลักฐานเพียงพอสำหรับ intelligence ในความหมายทั่วไป
.
ประเด็นนี้ทำให้ต้องแยกคำว่า memory ออกจาก intelligence ด้วยเช่นกัน ความจำทำให้ระบบสามารถรักษาข้อมูลจากอดีตและนำกลับมาใช้ได้ แต่การจำข้อมูลได้ไม่ได้หมายความว่าระบบจะสามารถประเมินข้อมูลนั้นหรือใช้ข้อมูลนั้นอย่างเหมาะสมในทุกบริบท มนุษย์สามารถจำเหตุการณ์หนึ่งได้โดยให้ความหมายผิด สามารถจำข้อเท็จจริงที่ไม่ถูกต้อง หรือสามารถมีข้อมูลจำนวนมากโดยไม่สามารถใช้ข้อมูลเหล่านั้นแก้ปัญหาได้
.
ในทางกลับกัน ความสามารถทางปัญญาบางประเภทสามารถเกิดขึ้นได้แม้ระบบจะมีข้อจำกัดด้านความจำ ระบบอาจแก้ปัญหาหนึ่งได้จากการวิเคราะห์ข้อมูลที่อยู่ตรงหน้าโดยไม่จำเป็นต้องมีคลังข้อมูลขนาดใหญ่ ความสัมพันธ์ระหว่าง memory และ intelligence จึงเป็นความสัมพันธ์แบบสนับสนุนกัน แต่ไม่ใช่ความสัมพันธ์ที่สามารถใช้แทนกันได้
.
การแยก intelligence ออกจาก knowledge ยังช่วยอธิบายว่าทำไม การตอบคำถามได้ จึงไม่ใช่หลักฐานที่เพียงพอสำหรับการตัดสินความฉลาดของระบบ การตอบคำถามสามารถเกิดขึ้นได้จากหลายกระบวนการ ตั้งแต่การเรียกคืนข้อมูล การจับคู่รูปแบบ การคำนวณ การอนุมาน ไปจนถึงการสร้างคำตอบจากความสัมพันธ์ที่เรียนรู้มา
.
ดังนั้นเมื่อ AI ตอบคำถามได้ถูกต้อง สิ่งที่สามารถยืนยันได้ในเบื้องต้นคือระบบสามารถสร้างผลลัพธ์ที่ถูกต้องสำหรับคำถามนั้นภายใต้เงื่อนไขที่กำหนด แต่ยังต้องมีการทดสอบเพิ่มเติมหากต้องการทราบว่าระบบสามารถนำหลักการเดียวกันไปใช้กับปัญหาใหม่หรือไม่ สามารถตรวจจับข้อมูลที่ขัดแย้งกันหรือไม่ สามารถแก้ไขข้อผิดพลาดจากประสบการณ์ได้หรือไม่ และสามารถรักษาความสามารถเมื่อบริบทเปลี่ยนไปหรือไม่ การทดสอบเหล่านี้มีความใกล้เคียงกับการตรวจสอบ intelligence มากกว่าการนับจำนวนคำตอบที่ถูกต้องเพียงอย่างเดียว
.
งานของนักวิจัยด้าน AI จึงให้ความสำคัญกับปัญหาเรื่อง generalization และความสามารถในการทำงานนอกข้อมูลหรือสถานการณ์ที่ระบบเคยพบ โดยเฉพาะเมื่อระบบถูกนำไปใช้ในโลกจริง ซึ่งสภาพแวดล้อมไม่ได้ถูกกำหนดให้เหมือนกับชุดข้อมูลที่ใช้ในการฝึกเสมอไป รายงาน AI Index 2026 ของ Stanford แสดงให้เห็นลักษณะของความสามารถที่ไม่สม่ำเสมอของระบบ AI รุ่นแนวหน้าอย่างชัดเจน
.
กล่าวคือโมเดลเดียวกันอาจมีผลการทำงานสูงมากใน benchmark บางประเภท แต่ยังมีข้อจำกัดในงานอื่นที่ดูง่ายสำหรับมนุษย์ เช่น งานการอ่านนาฬิกาแบบเข็ม ความแตกต่างนี้แสดงว่าการมีความรู้หรือรูปแบบที่มากไม่ได้ทำให้ระบบมีความสามารถทั่วไปในทุกสถานการณ์โดยอัตโนมัติ และการวัด intelligence จึงจำเป็นต้องดูความสามารถหลายด้านร่วมกัน (hai.stanford.edu)
.
ในทางกลับกัน การที่มนุษย์มีความรู้จำกัดไม่ได้หมายความว่ามนุษย์ไม่มี intelligence เพราะ intelligence สามารถแสดงออกผ่านความสามารถในการสร้างความรู้ใหม่ได้ด้วย มนุษย์ไม่ได้เพียงรับข้อมูลจากโลกแล้วเก็บไว้ แต่สามารถตั้งคำถาม สร้างสมมติฐาน ทดลอง ตรวจสอบผลลัพธ์ และปรับแบบจำลองของตนเองเมื่อหลักฐานใหม่ไม่สอดคล้องกับความเชื่อเดิม
.
กระบวนการทางวิทยาศาสตร์เป็นตัวอย่างที่ชัดเจนของการใช้ intelligence เพื่อสร้างและแก้ไข knowledge เพราะความรู้ทางวิทยาศาสตร์ไม่ได้ถูกกำหนดให้คงที่ แต่สามารถถูกปรับปรุงเมื่อมีหลักฐานใหม่ กระบวนการนี้แสดงให้เห็นว่าความสัมพันธ์ระหว่าง intelligence กับ knowledge ไม่ใช่เพียงการที่ intelligence ใช้ความรู้ แต่ intelligence ยังสามารถเป็นกลไกที่ทำให้ความรู้เปลี่ยนแปลงได้ด้วย
.
ดังนั้น หากต้องกำหนดความแตกต่างในระดับที่ใช้กับงานนี้ Knowledge คือสิ่งที่ระบบมีหรือสามารถเข้าถึงได้ ส่วน Intelligence คือความสามารถของระบบในการใช้ เรียนรู้ ตรวจสอบ เชื่อมโยง และประยุกต์สิ่งนั้นเพื่อจัดการกับปัญหาและสถานการณ์ต่าง ๆ
.
คำจำกัดความนี้ไม่ได้หมายความว่าความรู้ไม่สำคัญ ตรงกันข้าม ความรู้เป็นหนึ่งในทรัพยากรสำคัญของ intelligence และในหลายกรณีความรู้จำนวนมากทำให้การแก้ปัญหามีประสิทธิภาพขึ้น แต่ความรู้ไม่สามารถใช้เป็นตัวแทนของ intelligence ทั้งหมดได้ เพราะ intelligence ต้องเกี่ยวข้องกับสิ่งที่ระบบสามารถทำกับความรู้ โดยเฉพาะเมื่อระบบเผชิญกับข้อมูลที่ไม่สมบูรณ์ ปัญหาที่ไม่เคยพบ หรือสภาพแวดล้อมที่เปลี่ยนแปลง
.
ความแตกต่างนี้เป็นพื้นฐานสำคัญต่อการทำความเข้าใจ AI เพราะระบบในอนาคตอาจมีความรู้ที่มนุษย์ไม่สามารถรวบรวมได้ทั้งหมด แต่การมีความรู้มากกว่ามนุษย์ไม่ได้ตอบคำถามว่าระบบนั้นมีความสามารถทางปัญญาเหมือนมนุษย์หรือไม่ สิ่งที่ต้องตรวจสอบคือระบบสามารถนำความรู้นั้นไปสร้างความเข้าใจเชิงโครงสร้าง แก้ปัญหาใหม่ เรียนรู้จากความผิดพลาด ตรวจสอบความถูกต้องของข้อมูล และปรับวิธีดำเนินการเมื่อสภาพแวดล้อมเปลี่ยนแปลงได้เพียงใด
.
เมื่อพิจารณาในกรอบนี้ intelligence จึงไม่ใช่การแข่งขันกันว่าใคร “รู้มากกว่า” แต่เป็นคำถามเกี่ยวกับความสามารถของระบบในการเปลี่ยนข้อมูลและประสบการณ์ให้กลายเป็นการทำงานที่เหมาะสมต่อสถานการณ์ และความแตกต่างระหว่างสองสิ่งนี้จะมีความสำคัญมากขึ้นเมื่อเราพิจารณาระบบที่สามารถเข้าถึงข้อมูลจำนวนมหาศาล แต่ยังมีข้อจำกัดในการตรวจสอบความจริง ความเข้าใจบริบท และการนำความรู้ไปใช้กับสถานการณ์ที่อยู่นอกสิ่งที่เคยเรียนรู้
.
.
1.4 Intelligence ≠ Consciousness
Intelligence และ Consciousness เป็นแนวคิดที่เกี่ยวข้องกัน แต่ไม่ใช่สิ่งเดียวกัน ในทางวิทยาศาสตร์ Intelligence ใช้อธิบายความสามารถของระบบในการรับและประมวลผลข้อมูล เรียนรู้ แก้ปัญหา ให้เหตุผล ปรับตัว และดำเนินการเพื่อบรรลุเป้าหมาย ขณะที่ Consciousness เกี่ยวข้องกับการมีประสบการณ์จากมุมมองของระบบเอง
.
เช่น การรับรู้ความเจ็บปวด การเห็นสี หรือการรับรู้สภาวะของตนเอง ความแตกต่างพื้นฐานจึงอยู่ที่ Intelligence สามารถประเมินจากความสามารถและพฤติกรรมที่สังเกตได้ ส่วน Consciousness เกี่ยวข้องกับคำถามว่ามี “ประสบการณ์” เกิดขึ้นภายในระบบหรือไม่ ซึ่งไม่สามารถสังเกตได้โดยตรงจากพฤติกรรมเพียงอย่างเดียว
.
หลักฐานจากวิทยาศาสตร์การรู้คิดแสดงให้เห็นว่าการประมวลผลข้อมูลไม่ได้จำเป็นต้องเกิดขึ้นพร้อมกับการรับรู้อย่างมีสติทั้งหมด มนุษย์สามารถประมวลผลสิ่งเร้าบางประเภท เรียนรู้รูปแบบ และดำเนินกระบวนการทางปัญญาบางอย่างโดยไม่สามารถรายงานกระบวนการเหล่านั้นได้โดยตรง
.
ขณะเดียวกันสภาวะของ Consciousness สามารถเปลี่ยนแปลงได้ เช่น ระหว่างการนอนหลับหรือการดมยาสลบ โดยระบบประสาทยังคงทำงานและดำเนินกระบวนการทางชีวภาพบางประเภทอยู่ ข้อมูลเหล่านี้ไม่ได้แสดงว่า Intelligence กับ Consciousness แยกออกจากกันโดยสมบูรณ์ในมนุษย์ แต่แสดงว่าการประมวลผลข้อมูลและประสบการณ์ที่มีสติเป็นปรากฏการณ์ที่ต้องศึกษาแยกกัน
.
ความแตกต่างนี้มีความสำคัญมากเมื่อพิจารณา AI เพราะระบบสามารถแสดงความสามารถทางปัญญาหลายประเภทได้โดยไม่จำเป็นต้องมีหลักฐานว่าเกิดประสบการณ์ภายใน ตัวอย่างเช่น AI สามารถวิเคราะห์ข้อมูล สร้างภาษา แก้ปัญหา หรือวางแผนการทำงานได้
ความสามารถเหล่านี้สามารถทดสอบจากข้อมูลนำเข้าและผลลัพธ์ที่ระบบสร้างขึ้น แต่การที่ระบบสร้างข้อความว่า “ฉันเข้าใจ” หรือ “ฉันรู้สึก” ไม่สามารถใช้เป็นหลักฐานโดยตัวมันเองว่าระบบมีประสบการณ์แบบที่มนุษย์เรียกว่าเข้าใจหรือรู้สึก เพราะข้อความเป็นพฤติกรรมที่สังเกตได้ ขณะที่ประสบการณ์ภายในเป็นอีกระดับหนึ่งของคำถาม
.
.
จุดนี้ทำให้ต้องแยกระหว่าง ความสามารถทางปัญญา กับ ประสบการณ์ทางปัญญา ระบบอาจสามารถแก้สมการโดยไม่จำเป็นต้องมีประสบการณ์ต่อสมการนั้น สามารถจำแนกภาพโดยไม่จำเป็นต้อง “เห็น” ภาพในความหมายเดียวกับมนุษย์ และสามารถสร้างบทสนทนาที่มีโครงสร้างทางอารมณ์โดยไม่สามารถสรุปจากข้อความเพียงอย่างเดียวว่าระบบมีความรู้สึกจริง ความแตกต่างนี้เป็นเหตุผลว่าทำไมพฤติกรรมที่คล้ายมนุษย์จึงไม่ควรถูกนำไปเท่ากับสภาวะภายในของมนุษย์โดยอัตโนมัติ
.
ในทางกลับกัน การมี Consciousness ก็ไม่ได้หมายความว่าระบบจะต้องมี Intelligence ในระดับสูงทุกด้าน สิ่งมีชีวิตสามารถมีการรับรู้และประสบการณ์ในรูปแบบที่แตกต่างกัน ขณะที่ความสามารถด้านความจำ การเรียนรู้ การวางแผน หรือการแก้ปัญหามีระดับแตกต่างกันไป ดังนั้น Intelligence และ Consciousness จึงควรถูกมองเป็นคุณสมบัติคนละมิติที่อาจมีความสัมพันธ์กันในบางระบบ แต่ไม่สามารถใช้ตัวหนึ่งเป็นหลักฐานแทนอีกตัวหนึ่งได้
.
สำหรับ AI ประเด็นสำคัญจึงไม่ใช่การรีบตัดสินว่า “มี” หรือ “ไม่มี” Consciousness แต่คือการรักษาความแตกต่างระหว่างสิ่งที่หลักฐานสามารถบอกได้กับสิ่งที่ยังเป็นสมมติฐาน ปัจจุบันเราสามารถวัดความสามารถของ AI ในการเรียนรู้ การแก้ปัญหา การใช้ภาษา และงานประเภทต่าง ๆ ได้อย่างเป็นระบบ แต่การระบุว่าระบบมีประสบการณ์เชิงอัตวิสัยหรือไม่เป็นคำถามอีกระดับหนึ่ง ซึ่งต้องอาศัยทฤษฎีและหลักฐานเฉพาะด้าน และยังไม่มีเกณฑ์ที่ได้รับการยอมรับอย่างเป็นเอกฉันท์สำหรับการตัดสินเรื่องนี้ในระบบประดิษฐ์
.
ดังนั้น Intelligence ≠ Consciousness หมายถึงความสามารถในการคิดเชิงหน้าที่กับการมีประสบการณ์ภายในไม่ควรถูกนำมารวมเป็นสิ่งเดียวกัน การแยกสองแนวคิดนี้ทำให้เราสามารถยอมรับได้ว่า AI อาจมีความสามารถทางปัญญาบางประเภทในระดับสูง โดยไม่จำเป็นต้องสรุปว่ามันมีจิตสำนึก
และในขณะเดียวกันก็ไม่ควรสรุปล่วงหน้าว่าระบบประดิษฐ์ไม่มีทางมีประสบการณ์ได้ คำถามเรื่อง Intelligence สามารถเข้าสู่การวัดความสามารถและพฤติกรรมได้โดยตรง ส่วนคำถามเรื่อง Consciousness ต้องใช้กรอบการศึกษาอีกระดับหนึ่ง ซึ่งจะเป็นประเด็นเฉพาะของส่วนต่อไปในภายหลัง
.
.
.
1.5 ปัญญาของมนุษย์และสิ่งมีชีวิตอื่น
เป็นเวลานานที่มนุษย์มักใช้ความสามารถทางปัญญาของตนเองเป็นมาตรฐานในการตัดสินว่าสิ่งมีชีวิตอื่น “ฉลาด” เพียงใด เพราะภาษาที่ซับซ้อน การใช้เครื่องมือ การวางแผนระยะยาว การถ่ายทอดความรู้ และการสร้างวัฒนธรรมเป็นความสามารถที่มนุษย์แสดงออกได้อย่างโดดเด่น
.
แต่เมื่อการศึกษาด้านพฤติกรรมสัตว์และวิทยาศาสตร์การรู้คิดพัฒนาขึ้น นักวิจัยพบว่าความสามารถที่เกี่ยวข้องกับ intelligence ไม่ได้ปรากฏเฉพาะในมนุษย์ สิ่งมีชีวิตหลายชนิดสามารถเรียนรู้จากประสบการณ์ จดจำข้อมูล แก้ปัญหา ใช้เครื่องมือ สื่อสาร ประเมินสถานการณ์ และปรับพฤติกรรมให้เหมาะกับสภาพแวดล้อมได้ เพียงแต่รูปแบบและขอบเขตของความสามารถเหล่านั้นแตกต่างกันไปตามระบบประสาท ร่างกาย และสภาพแวดล้อมของแต่ละชนิด
.
ลิงใหญ่และสัตว์สังคมหลายชนิดสามารถเรียนรู้ความสัมพันธ์ระหว่างบุคคล จดจำสมาชิกในกลุ่ม และใช้ข้อมูลจากสังคมเพื่อปรับพฤติกรรมของตนเอง นกบางชนิด เช่น อีกาและนกในกลุ่ม corvid สามารถแก้ปัญหาและใช้เครื่องมือในสถานการณ์ที่ต้องอาศัยการวางแผนหลายขั้นตอน สัตว์ทะเลบางชนิดสามารถเรียนรู้รูปแบบการสื่อสารและแก้ปัญหาในสภาพแวดล้อมที่ซับซ้อน
.
ขณะที่แม้แต่สิ่งมีชีวิตที่ไม่มีสมองแบบสัตว์มีกระดูกสันหลัง เช่น หมึก ก็แสดงความสามารถด้านการเรียนรู้และการแก้ปัญหาที่สะท้อนวิวัฒนาการของระบบประมวลผลข้อมูลคนละเส้นทางกับมนุษย์ หลักฐานเหล่านี้ไม่ได้หมายความว่าสัตว์เหล่านี้มี intelligence แบบเดียวกับมนุษย์ แต่แสดงให้เห็นว่า intelligence สามารถปรากฏในรูปแบบที่หลากหลายได้
.
ประเด็นสำคัญจึงไม่ใช่การถามว่าสัตว์ชนิดใด “ฉลาดเท่ามนุษย์” เพราะคำถามดังกล่าวกำหนดมนุษย์เป็นมาตรฐานตั้งแต่ต้น แต่ควรถามว่าสิ่งมีชีวิตแต่ละชนิดสามารถรับข้อมูลจากสภาพแวดล้อม เรียนรู้จากประสบการณ์ สร้างแบบจำลองของสถานการณ์ และปรับพฤติกรรมเพื่อบรรลุเป้าหมายได้อย่างไร
ความสามารถบางอย่างอาจเหมาะสมกับสภาพแวดล้อมของสิ่งมีชีวิตนั้นมากกว่าความสามารถที่มนุษย์ใช้เป็นตัววัด เช่น การนำทาง การตรวจจับสารเคมี การรับรู้แรงสั่นสะเทือน หรือการจดจำตำแหน่งและความสัมพันธ์ทางสังคม ดังนั้น intelligence จึงไม่จำเป็นต้องมีรูปแบบเดียว และการไม่มีภาษาแบบมนุษย์ก็ไม่ได้หมายความว่าไม่มีการประมวลผลข้อมูลหรือการแก้ปัญหา
.
.
วิวัฒนาการยังทำให้เห็นว่า intelligence ไม่ได้เกิดขึ้นเพื่อเป้าหมายเดียวกันในสิ่งมีชีวิตทุกชนิด ระบบประสาทพัฒนาภายใต้แรงกดดันทางสิ่งแวดล้อมที่แตกต่างกัน
สิ่งมีชีวิตบางชนิดจำเป็นต้องเคลื่อนที่และค้นหาอาหารอย่างมีประสิทธิภาพ บางชนิดต้องหลบผู้ล่า บางชนิดต้องจัดการกับโครงสร้างสังคมที่ซับซ้อน และบางชนิดต้องใช้เครื่องมือหรือเรียนรู้พฤติกรรมใหม่อย่างรวดเร็ว ความสามารถทางปัญญาจึงเป็นส่วนหนึ่งของระบบที่เชื่อมระหว่างการรับรู้ การเรียนรู้ ร่างกาย และสิ่งแวดล้อม ไม่ใช่คุณสมบัติที่ดำรงอยู่อย่างแยกขาดจากระบบทั้งหมด
.
.
มนุษย์มีความสามารถบางด้านที่โดดเด่นเป็นพิเศษ โดยเฉพาะการใช้ภาษาที่มีโครงสร้างซับซ้อน การสะสมความรู้ข้ามรุ่น การสร้างสัญลักษณ์ การสร้างสถาบัน และการร่วมมือกับคนจำนวนมากที่ไม่ใช่สมาชิกในครอบครัวหรือกลุ่มเล็กโดยตรง
ความสามารถเหล่านี้ทำให้มนุษย์สามารถสะสมความรู้ทางวัฒนธรรมและเทคโนโลยีในระดับที่สูงขึ้นเรื่อย ๆ จนเกิดเป็นอารยธรรม อย่างไรก็ตาม สิ่งที่ทำให้มนุษย์โดดเด่นจึงอาจไม่ได้อยู่ที่ intelligence เพียงองค์ประกอบเดียว แต่อาจอยู่ที่การรวมกันของภาษา การเรียนรู้ทางสังคม ความจำภายนอก การร่วมมือ และความสามารถในการส่งต่อข้อมูลระหว่างคนหลายรุ่น
.
.
ตรงนี้ทำให้เกิดข้อสังเกตที่สำคัญต่อการศึกษาปัญญา เพราะหาก intelligence สามารถเกิดขึ้นในระบบประสาทที่แตกต่างกันหลายรูปแบบ ก็ไม่มีเหตุผลเพียงพอที่จะกำหนดล่วงหน้าว่า intelligence ต้องมีรูปร่างเหมือนมนุษย์
การศึกษาสัตว์จึงไม่ได้มีความสำคัญเพียงเพื่อค้นหาว่าสัตว์ฉลาดแค่ไหน แต่ยังช่วยขยายแนวคิดของเราว่า “ปัญญา” สามารถมีรูปแบบใดได้บ้าง เมื่อพิจารณาร่วมกับ AI คำถามจึงขยายออกไปอีกระดับ จากเดิมที่ถามว่า “สิ่งมีชีวิตอื่นคิดได้หรือไม่” กลายเป็น “ระบบที่ไม่ได้มีสมองแบบมนุษย์สามารถแสดงคุณสมบัติที่เราเรียกว่า intelligence ได้มากเพียงใด”
.
.
ดังนั้น มนุษย์ไม่ได้เป็นสิ่งมีชีวิตชนิดเดียวที่มีความสามารถทางปัญญา แต่เป็นสิ่งมีชีวิตชนิดหนึ่งที่พัฒนาการผสมผสานของความสามารถหลายด้านจนเกิดรูปแบบ intelligence ที่มีลักษณะเฉพาะของตนเอง
.
การยอมรับข้อเท็จจริงนี้ไม่ได้ลดความพิเศษของมนุษย์ แต่ทำให้คำถามเกี่ยวกับความพิเศษนั้นแม่นยำขึ้นว่า สิ่งที่ทำให้มนุษย์แตกต่างอยู่ที่ intelligence โดยตัวมันเอง หรืออยู่ที่วิธีที่ intelligence เชื่อมเข้ากับภาษา วัฒนธรรม ความร่วมมือ เทคโนโลยี และการสะสมความรู้ข้ามรุ่น หาก intelligence ไม่ได้เป็นคุณสมบัติที่มีเฉพาะมนุษย์ การค้นหาว่าอะไรคือสิ่งที่ทำให้ “ปัญญาของมนุษย์” แตกต่างจากปัญญาของสิ่งมีชีวิตอื่น และต่อไปจากปัญญาของเครื่องจักร จึงกลายเป็นคำถามสำคัญของการศึกษาปัญญาในยุค AI
.
.
1.6 ปัญญาจำเป็นต้องมีชีววิทยาหรือไม่?
ตลอดประวัติศาสตร์ของวิทยาศาสตร์ สิ่งที่มนุษย์รู้จักในฐานะระบบที่สามารถเรียนรู้ จดจำ ปรับตัว และแก้ปัญหาได้ล้วนเป็นสิ่งมีชีวิต ดังนั้นจึงเป็นเรื่องเข้าใจได้ที่มนุษย์จะเชื่อมโยง intelligence เข้ากับชีววิทยา สมอง ระบบประสาท และกระบวนการวิวัฒนาการ
.
แต่ข้อเท็จจริงที่ว่า intelligence ที่เรารู้จักในธรรมชาติเกิดขึ้นผ่านระบบชีวภาพ ไม่ได้พิสูจน์ว่า intelligence จำเป็นต้องเกิดจากชีววิทยาเสมอไป เพราะสิ่งหนึ่งที่ต้องแยกออกจากกันคือ “ระบบที่ก่อให้เกิด intelligence” กับ “คุณสมบัติของกระบวนการที่เราเรียกว่า intelligence” หาก intelligence หมายถึงความสามารถในการเรียนรู้ ประมวลผลข้อมูล แก้ปัญหา ปรับตัว และบรรลุเป้าหมาย คำจำกัดความดังกล่าวไม่ได้ระบุว่าระบบต้องประกอบด้วยเซลล์ประสาท ดีเอ็นเอ หรือเนื้อเยื่อชีวภาพ
.
คอมพิวเตอร์ทำให้คำถามนี้มีรูปธรรมมากขึ้น เพราะระบบคำนวณสามารถประมวลผลข้อมูลตามกฎที่กำหนดโดยไม่ต้องใช้กลไกเดียวกับสมอง แม้คอมพิวเตอร์ทั่วไปจะไม่ได้หมายความว่ามี intelligence แต่การสร้างระบบ machine learning แสดงให้เห็นว่ากระบวนการบางประเภทที่เกี่ยวข้องกับการเรียนรู้ การจำแนกรูปแบบ การคาดการณ์ และการตัดสินใจสามารถถูกสร้างขึ้นบนฮาร์ดแวร์ที่ไม่ใช่ระบบประสาทได้
ระบบเหล่านี้ไม่ได้จำเป็นต้องทำงานโดยเลียนแบบเซลล์ประสาททุกขั้นตอน แต่สามารถสร้างความสามารถบางอย่างที่ในสิ่งมีชีวิตเรามักอธิบายด้วยภาษาของการเรียนรู้และการแก้ปัญหาได้
.
.
นี่เป็นเหตุผลที่นักวิจัยด้าน AI ไม่จำเป็นต้องนิยาม machine intelligence ว่าเป็น “สมองเทียม” เสมอไป งานด้านนิยาม machine intelligence เสนอให้พิจารณาความสามารถของระบบในการบรรลุเป้าหมายภายใต้สภาพแวดล้อมที่หลากหลาย โดยไม่กำหนดว่าระบบต้องมีชีววิทยาแบบใดเป็นพื้นฐาน
.
แนวคิดเช่นนี้ทำให้ intelligence ถูกมองเป็นคุณสมบัติของระบบและกระบวนการ มากกว่าจะเป็นสารชนิดหนึ่งที่มีอยู่เฉพาะในสมองของสิ่งมีชีวิต อย่างไรก็ตาม การมีนิยามที่ไม่ผูกกับชีววิทยาไม่ได้หมายความว่าระบบ AI ทุกชนิดมี intelligence ในระดับเดียวกับมนุษย์ แต่หมายความว่าเราสามารถศึกษาความสามารถทางปัญญาของระบบที่ไม่ใช่ชีวภาพได้โดยไม่ต้องตั้งสมมติฐานว่ามันต้องมีสมองแบบมนุษย์ก่อน
.
สิ่งสำคัญอีกประการหนึ่งคือการแยก “วัสดุที่ใช้สร้างระบบ” ออกจาก “กระบวนการที่ระบบสามารถทำได้” สมองมนุษย์ใช้เซลล์ประสาทและกระบวนการทางชีวเคมี ขณะที่คอมพิวเตอร์ใช้วงจรอิเล็กทรอนิกส์และการคำนวณ ความแตกต่างของวัสดุไม่ได้ทำให้การเปรียบเทียบความสามารถเป็นไปไม่ได้
เช่นเดียวกับที่การคำนวณทางคณิตศาสตร์ไม่ได้ขึ้นอยู่กับว่าผู้คำนวณใช้กระดาษ สมอง หรือคอมพิวเตอร์ สิ่งที่ต้องตรวจสอบคือระบบสามารถรับข้อมูล เรียนรู้จากข้อมูล เปลี่ยนแปลงการตอบสนองเมื่อได้รับประสบการณ์ แก้ปัญหาใหม่ และปรับตัวต่อเงื่อนไขที่เปลี่ยนแปลงได้หรือไม่ และความสามารถเหล่านั้นมีข้อจำกัดอย่างไร
.
.
แต่การเปรียบเทียบนี้ก็มีขอบเขต เพราะ intelligence ไม่ได้เป็นเพียงการคำนวณอย่างรวดเร็ว สิ่งมีชีวิตมีร่างกาย ระบบประสาท แรงขับทางชีวภาพ และการดำรงชีวิตอยู่ในสภาพแวดล้อมจริง
กระบวนการเรียนรู้ของสัตว์จึงเชื่อมโยงกับการอยู่รอด การเคลื่อนไหว การรับรู้ และปฏิสัมพันธ์ทางสังคม ขณะที่ AI ส่วนใหญ่ถูกสร้างขึ้นภายใต้โครงสร้างของข้อมูล วัตถุประสงค์ และสภาพแวดล้อมที่มนุษย์กำหนด ความแตกต่างเหล่านี้หมายความว่า แม้ระบบชีวภาพและระบบประดิษฐ์อาจมีความสามารถบางอย่างที่เรียกว่า intelligence เหมือนกัน แต่ไม่ได้หมายความว่ากระบวนการภายในหรือธรรมชาติของ intelligence จะเหมือนกัน
.
.
คำถามจึงไม่ควรเปลี่ยนจาก “ปัญญาเป็นของมนุษย์หรือไม่” ไปเป็น “AI ฉลาดเหมือนมนุษย์หรือไม่” อย่างรวดเร็วเกินไป เพราะทั้งสองคำถามยังตั้งสมมติฐานว่าต้องมีรูปแบบ intelligence เพียงแบบเดียว
คำถามที่แม่นยำกว่าคือ เงื่อนไขขั้นต่ำอะไรที่ทำให้ระบบหนึ่งสามารถแสดง intelligence ได้ และเงื่อนไขเหล่านั้นจำเป็นต้องเป็นเงื่อนไขทางชีววิทยาหรือไม่ หากองค์ประกอบสำคัญคือการประมวลผลข้อมูล การเรียนรู้ การสร้างแบบจำลอง การแก้ปัญหา และการปรับตัว ก็มีเหตุผลที่จะศึกษาว่ากระบวนการเหล่านี้สามารถเกิดขึ้นบนระบบที่ไม่ใช่ชีวภาพได้ในระดับใด
.
.
แต่หากมีองค์ประกอบบางอย่างของ intelligence ที่ต้องอาศัยร่างกาย ระบบประสาท หรือประสบการณ์ของสิ่งมีชีวิตจริง ข้อจำกัดนั้นก็จะต้องถูกแสดงด้วยหลักฐาน ไม่ใช่กำหนดจากสมมติฐานเดิมว่าความฉลาดต้องเป็นสิ่งมีชีวิตเท่านั้น
.
ในปัจจุบันหลักฐานจาก AI แสดงให้เห็นแล้วว่าระบบที่ไม่ใช่ชีวภาพสามารถทำงานบางประเภทซึ่งมนุษย์จัดอยู่ในกลุ่มความสามารถทางปัญญาได้ เช่น การจำแนกข้อมูล การเรียนรู้รูปแบบ การสร้างภาษา การวางแผน และการแก้ปัญหาบางประเภท แต่ความสามารถเหล่านี้ยังมีลักษณะไม่สม่ำเสมอและขึ้นอยู่กับงานและสภาพแวดล้อมอย่างมาก
งานประเมิน AI สมัยใหม่จึงพบภาพของ “ปัญญาที่ไม่สม่ำเสมอ” คือระบบอาจทำงานบางอย่างได้ในระดับสูงมาก แต่กลับล้มเหลวในงานที่ดูง่ายสำหรับมนุษย์ ความจริงข้อนี้มีความสำคัญ เพราะมันแสดงทั้งศักยภาพและข้อจำกัดของ machine intelligence โดยไม่จำเป็นต้องสรุปว่าระบบดังกล่าวมี intelligence แบบมนุษย์
.
.
ดังนั้น วิทยาศาสตร์ในปัจจุบันยังไม่ได้พิสูจน์ว่า intelligence ต้องมีชีววิทยา และก็ไม่ได้พิสูจน์ว่าระบบที่ไม่ใช่ชีวภาพสามารถสร้าง intelligence ที่เทียบเท่ามนุษย์ได้ในทุกมิติ สิ่งที่หลักฐานสนับสนุนได้ชัดเจนกว่าคือความสามารถบางประเภทที่เราเรียกว่า intelligence สามารถเกิดขึ้นในระบบที่ไม่ได้มีโครงสร้างทางชีววิทยาแบบมนุษย์
.
คำถามจึงเปลี่ยนจากการค้นหาว่า “สิ่งใดมีสิทธิ์ถูกเรียกว่าฉลาด” ไปสู่การค้นหาว่า อะไรคือกลไกพื้นฐานของ intelligence และกลไกเหล่านั้นขึ้นอยู่กับชีววิทยามากน้อยเพียงใด เมื่อแยกคำถามนี้ออกจากเรื่อง consciousness เราจะสามารถศึกษาปัญญาของมนุษย์ สัตว์ และเครื่องจักรภายใต้กรอบเดียวกันได้มากขึ้น โดยไม่จำเป็นต้องสมมติล่วงหน้าว่าระบบใดระบบหนึ่งต้องเหมือนมนุษย์จึงจะถือว่ามีความสามารถทางปัญญา
.
.
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2026 Blockdit
