ที่มาของ AI: ย้อนรอยต้นกำเนิดปัญญาประดิษฐ์

เคยสงสัยไหมว่าใครคือคนแรกที่อยากสร้าง "เครื่องจักรที่คิดได้เหมือนมนุษย์" และเมื่อไหร่ที่คำว่า AI หรือปัญญาประดิษฐ์เริ่มกลายเป็นคำที่โลกต้องจดจำ หลายคนอาจคิดว่า AI เพิ่งเกิดมาพร้อมกับ ChatGPT แต่ความจริงแล้ว ที่มาของ AI มีรากฐานมาตั้งแต่ยุคกรีกโบราณ และผ่านการลองผิดลองถูกมานานกว่าครึ่งศตวรรษ บทความนี้จะพานักศึกษาและผู้สนใจย้อนรอยจุดเริ่มต้นของปัญญาประดิษฐ์ พร้อมทำความเข้าใจว่าทำไม AI ถึงกลายเป็นเทคโนโลยีที่ปั่นป่วนโลกในปัจจุบัน

ก่อนจะมีคำว่า AI: จากตำนานสู่เครื่องจักรคำนวณ

ความฝันที่จะสร้างสิ่งมีชีวิตเทียมไม่ใช่เรื่องใหม่ ในเทพปกรณัมกรีกโบราณ มีเรื่องเล่าเกี่ยวกับ Talos หุ่นยนต์ทองแดงขนาดยักษ์ที่สร้างขึ้นเพื่อปกป้องเกาะครีต แต่ในแง่ของวิทยาศาสตร์และคณิตศาสตร์ จุดเริ่มต้นของแนวคิด AI เริ่มชัดเจนขึ้นในช่วงศตวรรษที่ 17 ถึง 19

ในปี 1679 กอทฟรีด วิลเฮ็ล์ม ไลบ์นิทซ์ (Gottfried Wilhelm Leibniz) นักคณิตศาสตร์ชาวเยอรมัน ได้เสนอแนวคิด "Calculus Ratiocinator" หรือเครื่องจักรคำนวณเชิงตรรกะ ซึ่งเชื่อว่าการคิดของมนุษย์สามารถถูกลดรูปลงเป็นการคำนวณทางคณิตศาสตร์ได้ ต่อมาในศตวรรษที่ 19 ชาร์ลส์ แบ็บเบจ (Charles Babbage) ได้ออกแบบเครื่อง Analytical Engine ซึ่งเป็นต้นแบบของคอมพิวเตอร์สมัยใหม่ และเอดา เลิฟเลซ (Ada Lovelace) ยังเป็นคนแรกที่มองเห็นว่าเครื่องจักรเหล่านี้ไม่ได้ทำได้แค่คำนวณตัวเลข แต่สามารถประมวลผลสัญลักษณ์ใดๆ ก็ได้ ซึ่งเป็นเมล็ดพันธุ์แรกของแนวคิดการโปรแกรมคอมพิวเตอร์ให้คิดเองได้

จุดเริ่มต้นอย่างเป็นทางการ: การประชุมที่ Dartmouth (1956)

หากต้องระบุว่า "ที่มาของ AI" ในฐานะสาขาวิชาการเริ่มต้นอย่างเป็นทางการเมื่อไหร่ คำตอบคือปี 1956 ที่วิทยาลัย Dartmouth ประเทศสหรัฐอเมริกา

จอห์น แม็คคาร์ธี (John McCarthy) นักวิทยาศาสตร์คอมพิวเตอร์ ได้ร่วมกับมาร์วิน มินสกี (Marvin Minsky), คลอด แชนนอน (Claude Shannon) และเนธาเนียล รอเชสเตอร์ (Nathaniel Rochester) จัดการประชุมสัมมนาฤดูร้อนขึ้นเป็นเวลา 2 เดือน ในการประชุมครั้งนี้ แม็คคาร์ธีเป็นคนแรกที่บัญญัติคำว่า "Artificial Intelligence" หรือปัญญาประดิษฐ์ขึ้นมา เพื่อแทนคำเรียกเดิมว่า "Automata Studies" การประชุมครั้งนี้ไม่ได้สร้างผลลัพธ์ที่เป็นชิ้นเป็นอันในทันที แต่ได้วางกรอบแนวคิดและสร้างเครือข่ายนักวิจัยที่จะผลักดันวงการ AI ไปในอีกหลายสิบปีข้างหน้า

แอลัน ทัวริง: บิดาแห่งปัญญาประดิษฐ์

ไม่สามารถพูดถึงที่มาของ AI ได้โดยไม่กล่าวถึง แอลัน ทัวริง (Alan Turing) ก่อนหน้าการประชุม Dartmouth ในปี 1950 ทัวริงได้ตีพิมพ์บทความชื่อ "Computing Machinery and Intelligence" ซึ่งเสนอคำถามว่า "เครื่องจักรสามารถคิดได้หรือไม่?"

ทัวริงได้คิดค้นการทดสอบที่ภายหลังรู้จักกันในชื่อ "Turing Test" โดยเป็นการทดสอบว่ามนุษย์สามารถแยกแยะได้หรือไม่ว่าสิ่งที่กำลังพูดคุยด้วนั้นเป็นมนุษย์หรือเครื่องจักร แม้การทดสอบนี้จะมีข้อจำกัดในปัจจุบัน แต่แนวคิดของทัวริงได้วางรากฐานทางปรัชญาและเทคนิคให้กับการพัฒนา AI อย่างมหาศาล

ยุคทองคำแรกและความหวังลมๆ แล้งๆ (AI Winter)

หลังจากการประชุม Dartmouth วงการ AI เข้าสู่ "ยุคทองคำ" (AI Spring) ในช่วงปลายทศวรรษ 1950 ถึงทศวรรษ 1970 นักวิจัยมีความมองโลกในแง่ดีอย่างมาก โดยเชื่อว่าภายใน 20 ปี จะสามารถสร้างเครื่องจักรที่มีสติปัญญาเทียบเท่ามนุษย์ได้

ในช่วงนี้มีโปรแกรมที่น่าสนใจเกิดขึ้นมากมาย เช่น:

ELIZA (1966): โปรแกรมแชทบอทตัวแรกของโลกที่จำลองบทสนทนาของนักจิตบำบัด แม้จะใช้การจับคู่คำและรูปแบบประโยคง่ายๆ แต่ก็ทำให้ผู้ใช้หลายคนรู้สึกว่ากำลังคุยกับมนุษย์จริงๆ
Perceptron (1958): แฟรงค์ โรเซนบลัตต์ (Frank Rosenblatt) ได้สร้างฮาร์ดแวร์ที่จำลองการทำงานของเซลล์ประสาท (Neuron) ซึ่งเป็นต้นแบบของ Neural Network ในปัจจุบัน

อย่างไรก็ตาม ความมองโลกในแง่ดีนี้ได้นำไปสู่ความผิดหวัง เมื่อปรากฏว่าเทคโนโลยีในยุคนั้นยังไม่สามารถรองรับความซับซ้อนของโลกและภาษาได้ ข้อจำกัดด้านพลังประมวลผล (Computing Power) และหน่วยความจำทำให้ AI ไม่สามารถแก้ปัญหาที่ซับซ้อนได้ ส่งผลให้เกิดช่วงเวลาที่เรียกว่า "AI Winter" (ฤดูหนาวของ AI) ในช่วงทศวรรษ 1970 ถึง 1980 ซึ่งทุนสนับสนุนวิจัยถูกตัดลงอย่างมาก และนักวิจัยจำนวนมากต้องหันไปศึกษาสาขาอื่น

การกลับมาอีกครั้ง: บทบาทของ Big Data และ Deep Learning

AI กลับมามีชีวิตชีวาอีกครั้งในช่วงปลายทศวรรษ 1990 และต้นทศวรรษ 2000 ปัจจัยหลักที่ทำให้ AI ฟื้นคืนมามาจาก 3 สิ่งหลัก:

พลังประมวลผลที่เพิ่มขึ้น: การพัฒนาของ GPU (Graphics Processing Unit) ทำให้สามารถคำนวณอัลกอริทึมที่ซับซ้อนได้เร็วขึ้น
Big Data: การเกิดของอินเทอร์เน็ตทำให้มีข้อมูลจำนวนมหาศาลสำหรับใช้ในการฝึกฝน AI
อัลกอริทึมใหม่: การพัฒนาเทคนิค Backpropagation และ Deep Learning ที่ช่วยให้ Neural Network สามารถเรียนรู้รูปแบบที่ซับซ้อนได้

กรณีศึกษา: จาก Deep Blue ถึง AlphaGo

เพื่อให้เห็นภาพการเติบโตของ AI ชัดเจนขึ้น ขอยกตัวอย่างสองเหตุการณ์ที่สร้างแรงสั่นสะเทือนให้กับโลก:

Deep Blue (1997): ซูเปอร์คอมพิวเตอร์ของ IBM ที่เอาชนะการาสปาลอฟ (Garry Kasparov) แชมป์โลกหมากรุก แม้จะเป็นชัยชนะของคอมพิวเตอร์ แต่ Deep Blue ใช้วิธีการ Brute-force หรือการคำนวณความน่าจะเป็นของกระดานทุกแบบอย่างรวดเร็ว ไม่ใช่การ "คิด" ในแบบที่มนุษย์ทำ

AlphaGo (2016): หาก Deep Blue คือชัยชนะด้านพลังคำนวณ AlphaGo ของบริษัท DeepMind คือชัยชนะของการเรียนรู้ AlphaGo เอาชนะอี เสิ่นเจี๋ย (Lee Sedol) แชมป์โลกหมากล้อม ซึ่งเป็นเกมที่มีความเป็นไปได้ของกระดานมากกว่าอะตอมในจักรวาล AlphaGo ใช้เทคนิค Deep Learning และ Reinforcement Learning เรียนรู้จากการเล่นกับตัวเองหลายล้านครั้ง จนสามารถพัฒนา "สัญชาตญาณ" ในการเล่นเกมได้ เหตุการณ์นี้คือจุดเปลี่ยนสำคัญที่ทำให้โลกตระหนักว่า AI ไม่ได้เก่งแค่เรื่องตัวเลข แต่สามารถเก่งเรื่องความคิดสร้างสรรค์และกลยุทธ์ได้

อนาคตของ AI และสิ่งที่นักศึกษาควรเตรียมตัว

จากที่มาของ AI ที่เริ่มต้นจากแนวคิดสู่เครื่องจักรคำนวณ จนถึงการเกิดของ Large Language Models (LLMs) เช่น ChatGPT ในปัจจุบัน แสดงให้เห็นว่า AI ได้กลายเป็นส่วนหนึ่งของชีวิตประจำวันและอุตสาหกรรมไปแล้ว

สำหรับนักศึกษาและคนรุ่นใหม่ การเข้าใจประวัติศาสตร์ของ AI ไม่ใช่แค่การรู้ความเป็นมา แต่เป็นการเข้าใจว่าเทคโนโลยีมีวงจรชีวิต มีตกต่ำและขึ้นสูง การเรียนรู้พื้นฐานของ Machine Learning, Data Science หรือแม้แต่จริยธรรมของ AI (AI Ethics) จะเป็นทักษะที่จำเป็นอย่างยิ่งในอนาคต

AI ไม่ใช่เวทมนตร์ แต่เป็นผลพวงของคณิตศาสตร์ สถิติ และความพยายามของนักวิทยาศาสตร์หลายชั่วอายุคน หากคุณสนใจที่จะเป็นส่วนหนึ่งในการขับเคลื่อนเทคโนโลยีนี้ต่อไป ลองเริ่มต้นศึกษาพื้นฐาน Python หรือทำความเข้าใจว่า Neural Network ทำงานอย่างไร โลกของปัญญาประดิษฐ์ยังมีปริศนาให้คลี่คลายอีกมาก และอาจมี "ฤดูใบไม้ผลิ" ครั้งใหม่ที่รอให้คุณเป็นคนสร้างมันขึ้นมา

พร้อมที่จะเจาะลึกโลกของ AI มากกว่านี้หรือยัง ติดตามบทความถัดไปของเราที่จะพาไปเรียนรู้การเขียนโปรแกรม AI พื้นฐานด้วย Python และอย่าลืมแชร์บทความนี้ให้เพื่อนๆ ที่สนใจเทคโนโลยีด้วยกัน!