យើងមិនអាចជឿទុកចិត្តលើប្រព័ន្ធ AI ដែលបង្កើតឡើងនៅលើ Deep Learning តែឯងនោះទេ។

អត្ថបទនេះមិនមែនជាលទ្ធផលនៃការស្រាវជ្រាវវិទ្យាសាស្ត្រទេ ប៉ុន្តែជាមតិមួយក្នុងចំណោមមតិជាច្រើនទាក់ទងនឹងការអភិវឌ្ឍន៍បច្ចេកវិទ្យាភ្លាមៗរបស់យើង។ ហើយនៅពេលជាមួយគ្នានោះការអញ្ជើញឱ្យពិភាក្សា។

លោក Gary Marcus សាស្ត្រាចារ្យនៅសកលវិទ្យាល័យ New York ជឿជាក់ថា ការរៀនសូត្រស៊ីជម្រៅដើរតួនាទីយ៉ាងសំខាន់ក្នុងការអភិវឌ្ឍន៍ AI ។ ប៉ុន្តែ​គាត់​ក៏​ជឿ​ដែរ​ថា ការ​សាទរ​ខ្លាំង​ពេក​ចំពោះ​បច្ចេកទេស​នេះ​អាច​នាំ​ឱ្យ​មាន​ការ​ខូច​ឈ្មោះ។

នៅក្នុងសៀវភៅរបស់គាត់ ការចាប់ផ្ដើម AI ឡើងវិញ៖ ការកសាងបញ្ញាសិប្បនិម្មិត ដែលយើងអាចជឿជាក់បាន។ លោក Marcus ដែលជាអ្នកជំនាញខាងសរសៃប្រសាទដោយការបណ្តុះបណ្តាលដែលបានបង្កើតអាជីពលើការស្រាវជ្រាវ AI ដ៏ទំនើប និយាយអំពីទិដ្ឋភាពបច្ចេកទេស និងសីលធម៌។ តាមទស្សនៈបច្ចេកវិទ្យា ការរៀនស៊ីជម្រៅអាចធ្វើត្រាប់តាមកិច្ចការដែលខួរក្បាលរបស់យើងអនុវត្តបានដោយជោគជ័យ ដូចជាការទទួលស្គាល់រូបភាព ឬការនិយាយជាដើម។ ប៉ុន្តែសម្រាប់កិច្ចការផ្សេងទៀត ដូចជាការយល់ដឹងពីការសន្ទនា ឬកំណត់ទំនាក់ទំនងមូលហេតុ និងផលប៉ះពាល់ ការរៀនស៊ីជម្រៅគឺមិនសមរម្យទេ។ ដើម្បីបង្កើតម៉ាស៊ីនឆ្លាតវៃកម្រិតខ្ពស់ជាងមុន ដែលអាចដោះស្រាយបញ្ហាបានទូលំទូលាយ ដែលគេតែងតែហៅថា បញ្ញាទូទៅសិប្បនិម្មិត ចាំបាច់ត្រូវរួមបញ្ចូលជាមួយបច្ចេកទេសផ្សេងទៀត។

ប្រសិនបើប្រព័ន្ធ AI មិនយល់ច្បាស់ពីភារកិច្ចរបស់ខ្លួន ឬពិភពលោកជុំវិញនោះ វាអាចនាំឱ្យមានផលវិបាកដ៏គ្រោះថ្នាក់។ សូម្បីតែការផ្លាស់ប្តូរដែលមិននឹកស្មានដល់តិចតួចបំផុតនៅក្នុងបរិយាកាសនៃប្រព័ន្ធអាចនាំឱ្យមានអាកប្បកិរិយាខុសឆ្គង។ មានឧទាហរណ៍ជាច្រើនរួចហើយ៖ ការកំណត់នៃការបញ្ចេញមតិមិនសមរម្យ ដែលងាយនឹងបញ្ឆោត។ ប្រព័ន្ធស្វែងរកការងារដែលរើសអើងជាប់លាប់; រថយន្ត​គ្មាន​អ្នក​បើក​បរ​ដែល​បុក ហើយ​ពេល​ខ្លះ​សម្លាប់​អ្នក​បើក​បរ ឬ​អ្នក​ថ្មើរ​ជើង។ ការបង្កើតបញ្ញាទូទៅសិប្បនិម្មិតមិនមែនគ្រាន់តែជាបញ្ហាស្រាវជ្រាវគួរឱ្យចាប់អារម្មណ៍ប៉ុណ្ណោះទេ វាមានកម្មវិធីអនុវត្តជាក់ស្តែងទាំងស្រុងជាច្រើន។

នៅក្នុងសៀវភៅរបស់ពួកគេ Marcus និងសហអ្នកនិពន្ធរបស់គាត់គឺ Ernest Davis បានជជែកគ្នាអំពីផ្លូវផ្សេង។ ពួកគេជឿថាយើងនៅឆ្ងាយពីការបង្កើត AI ទូទៅ ប៉ុន្តែពួកគេមានទំនុកចិត្តថាមិនយូរមិនឆាប់វានឹងអាចបង្កើតវាបាន។

ហេតុអ្វីបានជាយើងត្រូវការ AI ទូទៅ? កំណែពិសេសត្រូវបានបង្កើតរួចហើយ និងនាំមកនូវអត្ថប្រយោជន៍ជាច្រើន។

ជាការត្រឹមត្រូវ ហើយនឹងមានអត្ថប្រយោជន៍ជាច្រើនទៀត។ ប៉ុន្តែមានបញ្ហាជាច្រើនដែល AI ឯកទេសមិនអាចដោះស្រាយបាន។ ជាឧទាហរណ៍ ការយល់ដឹងអំពីសុន្ទរកថាធម្មតា ឬជំនួយទូទៅនៅក្នុងពិភពនិម្មិត ឬមនុស្សយន្តដែលជួយសម្អាត និងចម្អិនអាហារ។ ភារកិច្ចបែបនេះគឺហួសពីសមត្ថភាពរបស់ AI ឯកទេស។ សំណួរជាក់ស្តែងគួរឱ្យចាប់អារម្មណ៍មួយទៀត៖ តើវាអាចទៅរួចទេក្នុងការបង្កើតរថយន្តបើកបរដោយខ្លួនឯងប្រកបដោយសុវត្ថិភាពដោយប្រើ AI ឯកទេស? បទពិសោធន៍បង្ហាញថា AI បែបនេះនៅតែមានបញ្ហាជាច្រើនជាមួយនឹងអាកប្បកិរិយាក្នុងស្ថានភាពមិនប្រក្រតី សូម្បីតែនៅពេលបើកបរក៏ដោយ ដែលធ្វើឲ្យស្ថានភាពស្មុគស្មាញខ្លាំង។

ខ្ញុំគិតថាយើងទាំងអស់គ្នាចង់បាន AI ដែលអាចជួយយើងបង្កើតរបកគំហើញថ្មីដ៏ធំនៅក្នុងឱសថ។ វាមិនច្បាស់ទេថាតើបច្ចេកវិទ្យាបច្ចុប្បន្នគឺសមរម្យសម្រាប់រឿងនេះទេ ព្រោះជីវវិទ្យាគឺជាវិស័យស្មុគស្មាញ។ អ្នកត្រូវត្រៀមខ្លួនអានសៀវភៅឲ្យបានច្រើន។ អ្នកវិទ្យាសាស្ត្រយល់ពីទំនាក់ទំនងមូលហេតុ និងឥទ្ធិពលក្នុងអន្តរកម្មនៃបណ្តាញ និងម៉ូលេគុល អាចបង្កើតទ្រឹស្តីអំពីភព និងអ្វីៗផ្សេងទៀត។ ទោះជាយ៉ាងណាក៏ដោយ ជាមួយនឹង AI ឯកទេស យើងមិនអាចបង្កើតម៉ាស៊ីនដែលមានសមត្ថភាពនៃការរកឃើញបែបនេះបានទេ។ ហើយជាមួយនឹង AI ទូទៅ យើងអាចធ្វើបដិវត្តវិទ្យាសាស្ត្រ បច្ចេកវិទ្យា និងថ្នាំ។ តាមគំនិតរបស់ខ្ញុំ វាមានសារៈសំខាន់ខ្លាំងណាស់ក្នុងការបន្តធ្វើការឆ្ពោះទៅរកការបង្កើត AI ទូទៅ។

វាស្តាប់ទៅដូចជា "ទូទៅ" អ្នកមានន័យថា AI ខ្លាំង?

តាម "ទូទៅ" ខ្ញុំមានន័យថា AI នឹងអាចគិត និងដោះស្រាយបញ្ហាថ្មីៗបានភ្លាមៗ។ មិនដូចទេ និយាយទៅ កន្លែងដែលបញ្ហាមិនផ្លាស់ប្តូរសម្រាប់រយៈពេល 2000 ឆ្នាំចុងក្រោយនេះ។

AI ទូទៅគួរតែអាចធ្វើការសម្រេចចិត្តទាំងផ្នែកនយោបាយ និងផ្នែកវេជ្ជសាស្ត្រ។ នេះគឺស្រដៀងគ្នាទៅនឹងសមត្ថភាពរបស់មនុស្ស; មនុស្សដែលមានចិត្តល្អអាចធ្វើបានច្រើន។ អ្នកយកសិស្សដែលគ្មានបទពិសោធន៍ ហើយក្នុងរយៈពេលពីរបីថ្ងៃ ដើម្បីឱ្យពួកគេធ្វើការលើអ្វីៗស្ទើរតែទាំងអស់ ចាប់ពីបញ្ហាផ្លូវច្បាប់ រហូតដល់បញ្ហាវេជ្ជសាស្ត្រ។ នេះគឺដោយសារតែពួកគេមានការយល់ដឹងទូទៅអំពីពិភពលោក និងអាចអានបាន ដូច្នេះហើយអាចរួមចំណែកដល់សកម្មភាពដ៏ធំទូលាយមួយ។

ទំនាក់​ទំនង​រវាង​ភាព​ឆ្លាត​វៃ​និង​ភាព​ឆ្លាត​វៃ​ខ្លាំង​នោះ​គឺ​ថា​បញ្ញា​មិន​ខ្លាំង​ប្រហែល​ជា​មិន​អាច​ដោះ​ស្រាយ​បញ្ហា​ទូទៅ​បាន​ទេ។ ដើម្បីបង្កើតអ្វីមួយដែលរឹងមាំគ្រប់គ្រាន់ដើម្បីដោះស្រាយជាមួយនឹងពិភពលោកដែលផ្លាស់ប្តូរជានិច្ច អ្នកប្រហែលជាត្រូវស្វែងរកភាពឆ្លាតវៃទូទៅ។

ប៉ុន្តែឥឡូវនេះយើងនៅឆ្ងាយពីនេះណាស់។ AlphaGo អាចលេងបានយ៉ាងល្អឥតខ្ចោះនៅលើក្តារ 19x19 ប៉ុន្តែវាត្រូវតែត្រូវបានហ្វឹកហាត់ឡើងវិញដើម្បីលេងនៅលើក្តាររាងចតុកោណ។ ឬយកប្រព័ន្ធសិក្សាជ្រៅមធ្យម៖ វាអាចសម្គាល់ដំរីបាន ប្រសិនបើវាមានពន្លឺល្អ ហើយវាយនភាពស្បែករបស់វាអាចមើលឃើញ។ ហើយ​ប្រសិនបើ​ឃើញ​តែ​រូប​ដំរី​ប៉ុណ្ណោះ ប្រព័ន្ធ​ប្រហែល​ជា​មិន​អាច​សម្គាល់​វា​បាន​ទេ។

នៅក្នុងសៀវភៅរបស់អ្នក អ្នកលើកឡើងថា ការរៀនស៊ីជម្រៅមិនអាចសម្រេចបាននូវសមត្ថភាពរបស់ AI ទូទៅទេ ព្រោះវាមិនមានសមត្ថភាពក្នុងការយល់ដឹងស៊ីជម្រៅ។

នៅក្នុងវិទ្យាសាស្ត្រការយល់ដឹង ពួកគេនិយាយអំពីការបង្កើតគំរូនៃការយល់ដឹងផ្សេងៗ។ ខ្ញុំ​កំពុង​អង្គុយ​នៅ​ក្នុង​បន្ទប់​សណ្ឋាគារ ហើយ​ខ្ញុំ​យល់​ថា​មាន​ទូ មាន​គ្រែ មាន​ទូរទស្សន៍​មួយ​ដែល​ព្យួរ​យ៉ាង​ចម្លែក។ ខ្ញុំស្គាល់វត្ថុទាំងអស់នេះ ខ្ញុំមិនគ្រាន់តែកំណត់អត្តសញ្ញាណពួកវាទេ។ ខ្ញុំក៏យល់ពីរបៀបដែលពួកគេទាក់ទងគ្នាទៅវិញទៅមក។ ខ្ញុំមានគំនិតអំពីដំណើរការនៃពិភពលោកជុំវិញខ្ញុំ។ ពួកគេមិនល្អឥតខ្ចោះទេ។ ពួកគេប្រហែលជាខុស ប៉ុន្តែពួកគេល្អណាស់។ ហើយផ្អែកលើពួកគេ ខ្ញុំធ្វើការសន្និដ្ឋានជាច្រើនដែលក្លាយជាគោលការណ៍ណែនាំសម្រាប់សកម្មភាពប្រចាំថ្ងៃរបស់ខ្ញុំ។

ភាពខ្លាំងផ្សេងទៀតគឺដូចជាប្រព័ន្ធហ្គេម Atari ដែលបង្កើតឡើងដោយ DeepMind ដែលក្នុងនោះវាចងចាំនូវអ្វីដែលវាត្រូវធ្វើនៅពេលដែលវាឃើញភីកសែលនៅកន្លែងជាក់លាក់នៅលើអេក្រង់។ ប្រសិនបើអ្នកទទួលបានទិន្នន័យគ្រប់គ្រាន់ អ្នកប្រហែលជាគិតថាអ្នកមានការយល់ដឹង ប៉ុន្តែការពិតវាមានលក្ខណៈស្រពិចស្រពិល។ ភស្តុតាងនេះគឺថាប្រសិនបើអ្នកផ្លាស់ទីវត្ថុដោយបីភីកសែល AI ដើរតួកាន់តែអាក្រក់។ ការផ្លាស់ប្តូរធ្វើឱ្យគាត់ច្របូកច្របល់។ នេះគឺផ្ទុយពីការយល់ដឹងស៊ីជម្រៅ។

ដើម្បីដោះស្រាយបញ្ហានេះ អ្នកស្នើឱ្យត្រលប់ទៅ AI បុរាណវិញ។ តើ​យើង​គួរ​សាកល្បង​ប្រើប្រាស់​អត្ថប្រយោជន៍​អ្វីខ្លះ​?

មានគុណសម្បត្តិជាច្រើន។

ទីមួយ AI បុរាណពិតជាក្របខ័ណ្ឌមួយសម្រាប់បង្កើតគំរូការយល់ដឹងរបស់ពិភពលោក ដោយផ្អែកលើការសន្និដ្ឋានដែលអាចត្រូវបានគេទាញ។

ទីពីរ AI បុរាណគឺត្រូវគ្នាយ៉ាងល្អឥតខ្ចោះជាមួយនឹងច្បាប់។ មាននិន្នាការចម្លែកមួយក្នុងការរៀនស៊ីជម្រៅនៅពេលនេះ ដែលអ្នកជំនាញកំពុងព្យាយាមជៀសវាងច្បាប់។ ពួកគេចង់ធ្វើអ្វីគ្រប់យ៉ាងនៅលើបណ្តាញសរសៃប្រសាទ និងមិនធ្វើអ្វីដែលមើលទៅដូចជាកម្មវិធីបុរាណ។ ប៉ុន្តែមានបញ្ហាដែលត្រូវបានដោះស្រាយដោយស្ងប់ស្ងាត់តាមរបៀបនេះ ហើយគ្មាននរណាម្នាក់យកចិត្តទុកដាក់ចំពោះវាទេ។ ឧទាហរណ៍ ការកសាងផ្លូវនៅក្នុង Google ផែនទី។

តាមពិតយើងត្រូវការវិធីសាស្រ្តទាំងពីរ។ ការរៀនម៉ាស៊ីនគឺល្អក្នុងការរៀនពីទិន្នន័យ ប៉ុន្តែអន់ណាស់ក្នុងការតំណាងឱ្យ abstraction ដែលជាកម្មវិធីកុំព្យូទ័រ។ Classic AI ដំណើរការបានយ៉ាងល្អជាមួយ abstractions ប៉ុន្តែវាត្រូវតែត្រូវបានសរសេរកម្មវិធីដោយដៃទាំងស្រុង ហើយមានចំណេះដឹងច្រើនពេកនៅក្នុងពិភពលោកដើម្បីសរសេរវាទាំងអស់។ ច្បាស់ណាស់យើងត្រូវបញ្ចូលគ្នានូវវិធីសាស្រ្តទាំងពីរ។

នេះភ្ជាប់ទៅក្នុងជំពូកដែលអ្នកនិយាយអំពីអ្វីដែលយើងអាចរៀនពីចិត្តរបស់មនុស្ស។ ហើយជាដំបូងនៃការទាំងអស់អំពីគំនិតដោយផ្អែកលើគំនិតដែលបានរៀបរាប់ខាងលើថាមនសិការរបស់យើងមានប្រព័ន្ធផ្សេងគ្នាជាច្រើនដែលធ្វើការនៅក្នុងវិធីផ្សេងគ្នា។

ខ្ញុំគិតថាវិធីមួយផ្សេងទៀតដើម្បីពន្យល់នេះគឺថាប្រព័ន្ធយល់ដឹងនីមួយៗយើងពិតជាដោះស្រាយបញ្ហាផ្សេងគ្នា។ ផ្នែកស្រដៀងគ្នានៃ AI ត្រូវតែត្រូវបានរចនាឡើងដើម្បីដោះស្រាយបញ្ហាផ្សេងៗដែលមានលក្ខណៈខុសៗគ្នា។

ឥឡូវនេះយើងកំពុងព្យាយាមប្រើបច្ចេកវិទ្យាទាំងអស់ក្នុងតែមួយ ដើម្បីដោះស្រាយបញ្ហាដែលខុសគ្នាខ្លាំងពីគ្នាទៅវិញទៅមក។ ការ​យល់​ពី​ប្រយោគ​មិន​ដូច​គ្នា​នឹង​ការ​ទទួល​ស្គាល់​វត្ថុ​នោះ​ទេ។ ប៉ុន្តែមនុស្សកំពុងព្យាយាមប្រើការរៀនសូត្រស៊ីជម្រៅនៅក្នុងករណីទាំងពីរនេះ។ តាមទស្សនៈនៃការយល់ដឹង ទាំងនេះគឺជាការងារខុសគ្នាប្រកបដោយគុណភាព។ ខ្ញុំពិតជាភ្ញាក់ផ្អើលនឹងការកោតសរសើរតិចតួចចំពោះ AI បុរាណនៅក្នុងសហគមន៍សិក្សាជ្រៅជ្រះ។ ហេតុអ្វីត្រូវរង់ចាំគ្រាប់កាំភ្លើងបង្ហាញ? វាមិនអាចសម្រេចបានទេ ហើយការស្វែងរកដែលគ្មានផ្លែផ្កាមិនអនុញ្ញាតឱ្យយើងយល់ពីភាពស្មុគស្មាញពេញលេញនៃកិច្ចការនៃការបង្កើត AI នោះទេ។

អ្នកក៏និយាយផងដែរថា ប្រព័ន្ធ AI គឺចាំបាច់ដើម្បីយល់ពីទំនាក់ទំនងបុព្វហេតុ និងផលប៉ះពាល់។ តើ​អ្នក​គិត​ថា​ការ​រៀន​ជ្រៅ​ជ្រះ AI បុរាណ ឬ​អ្វី​ដែល​ថ្មី​ទាំង​ស្រុង​នឹង​ជួយ​យើង​ក្នុង​រឿង​នេះ?

នេះ​ជា​ផ្នែក​មួយ​ទៀត​ដែល​ការ​សិក្សា​ស៊ីជម្រៅ​មិន​សម​ល្អ​ទេ។ វាមិនពន្យល់ពីមូលហេតុនៃព្រឹត្តិការណ៍ជាក់លាក់នោះទេ ប៉ុន្តែគណនាប្រូបាប៊ីលីតេនៃព្រឹត្តិការណ៍មួយក្រោមលក្ខខណ្ឌដែលបានផ្តល់ឱ្យ។

តើយើងកំពុងនិយាយអំពីអ្វី? អ្នកមើលសេណារីយ៉ូមួយចំនួន ហើយអ្នកយល់ថាហេតុអ្វីបានជាវាកើតឡើង និងអ្វីដែលអាចកើតឡើង ប្រសិនបើកាលៈទេសៈខ្លះផ្លាស់ប្តូរ។ ខ្ញុំ​អាច​មើល​កន្លែង​ឈរ​ដែល​ទូរទស្សន៍​អង្គុយ ហើយ​ស្រមៃ​ថា​ប្រសិនបើ​ខ្ញុំ​កាត់​ជើង​ម្ខាង​ចេញ នោះ​កន្លែង​ឈរ​នឹង​ដាច់ ហើយ​ទូរទស្សន៍​នឹង​ដួល។ នេះ​ជា​ទំនាក់ទំនង​ហេតុ​និង​ផល។

Classic AI ផ្តល់ឱ្យយើងនូវឧបករណ៍មួយចំនួនសម្រាប់រឿងនេះ។ ជាឧទាហរណ៍ គាត់អាចស្រមៃមើលថាតើការគាំទ្រជាអ្វី ហើយការដួលរលំគឺជាអ្វី។ ប៉ុន្តែខ្ញុំនឹងមិនសរសើរលើស។ បញ្ហាគឺថា AI បុរាណភាគច្រើនពឹងផ្អែកលើព័ត៌មានពេញលេញអំពីអ្វីដែលកំពុងកើតឡើង ហើយខ្ញុំបានសន្និដ្ឋានដោយគ្រាន់តែមើលការឈរ។ ខ្ញុំ​អាច​ធ្វើ​ជា​ទូទៅ ស្រមៃ​មើល​ផ្នែក​នៃ​កន្លែង​ឈរ​ដែល​មើល​មិន​ឃើញ​សម្រាប់​ខ្ញុំ។ យើងមិនទាន់មានឧបករណ៍សម្រាប់អនុវត្តអចលនទ្រព្យនេះនៅឡើយទេ។

អ្នក​ក៏​និយាយ​ដែរ​ថា មនុស្ស​មាន​ចំណេះ​ដឹង​ពី​កំណើត។ តើ​វា​អាច​ត្រូវ​បាន​អនុវត្ត​ដោយ​របៀប​ណា​ក្នុង AI?

នៅពេលកើតមក ខួរក្បាលរបស់យើងគឺជាប្រព័ន្ធដ៏ឧឡារិកមួយរួចទៅហើយ។ វាមិនត្រូវបានជួសជុលទេ ធម្មជាតិបានបង្កើតសេចក្តីព្រាងដំបូង។ ហើយបន្ទាប់មកការរៀនជួយយើងពិនិត្យឡើងវិញនូវសេចក្តីព្រាងនោះពេញមួយជីវិតរបស់យើង។

សេចក្តីព្រាងដ៏លំបាកនៃខួរក្បាលមានសមត្ថភាពជាក់លាក់រួចហើយ។ ពពែភ្នំដែលទើបនឹងកើតអាចចុះពីលើភ្នំដោយមិនដឹងខ្លួនក្នុងរយៈពេលពីរបីម៉ោង។ វាច្បាស់ណាស់ថាគាត់មានការយល់ដឹងអំពីលំហបីវិមាត្រ រូបកាយរបស់គាត់ និងទំនាក់ទំនងរវាងពួកវារួចហើយ។ ប្រព័ន្ធស្មុគស្មាញណាស់។

នេះជាហេតុផលមួយផ្នែកដែលខ្ញុំជឿថាយើងត្រូវការកូនកាត់។ វាពិបាកក្នុងការស្រមៃមើលពីរបៀបដែលមនុស្សម្នាក់អាចបង្កើតមនុស្សយន្តដែលមានមុខងារល្អនៅក្នុងពិភពលោកដោយគ្មានចំណេះដឹងស្រដៀងគ្នាអំពីកន្លែងដែលត្រូវចាប់ផ្តើម ជាជាងចាប់ផ្តើមដោយផ្ទាំងថ្មទទេ និងរៀនពីបទពិសោធន៍ដ៏វែងឆ្ងាយ។

ចំពោះមនុស្ស ចំណេះដឹងពីកំណើតរបស់យើងបានមកពីហ្សែនរបស់យើង ដែលវិវត្តន៍ក្នុងរយៈពេលយូរ។ ប៉ុន្តែជាមួយនឹងប្រព័ន្ធ AI យើងនឹងត្រូវទៅផ្លូវផ្សេង។ ផ្នែកមួយនៃនេះអាចជាច្បាប់សម្រាប់ការសាងសង់ក្បួនដោះស្រាយរបស់យើង។ ផ្នែកមួយនៃនេះអាចជាច្បាប់សម្រាប់បង្កើតរចនាសម្ព័ន្ធទិន្នន័យដែលក្បួនដោះស្រាយទាំងនេះរៀបចំ។ ហើយផ្នែកមួយនៃនេះអាចជាចំណេះដឹងដែលយើងនឹងវិនិយោគដោយផ្ទាល់នៅក្នុងម៉ាស៊ីន។

វាគួរឱ្យចាប់អារម្មណ៍ដែលនៅក្នុងសៀវភៅដែលអ្នកបានលើកឡើងនូវគំនិតនៃការជឿទុកចិត្តនិងការបង្កើតប្រព័ន្ធជឿទុកចិត្ត។ ហេតុអ្វីបានជាអ្នកជ្រើសរើសលក្ខណៈវិនិច្ឆ័យពិសេសនេះ?

ខ្ញុំជឿថាថ្ងៃនេះទាំងអស់នេះគឺជាការប្រកួតបាល់។ វាហាក់បីដូចជាខ្ញុំថាយើងកំពុងឆ្លងកាត់គ្រាដ៏ចម្លែកមួយក្នុងប្រវត្តិសាស្ត្រ ដោយជឿជាក់លើកម្មវិធីជាច្រើនដែលមិនគួរឱ្យទុកចិត្ត។ ខ្ញុំ​គិត​ថា​ការ​ព្រួយ​បារម្ភ​ដែល​យើង​មាន​នៅ​ថ្ងៃ​នេះ​នឹង​មិន​ស្ថិត​ស្ថេរ​រហូត​ទេ។ ក្នុងរយៈពេលមួយរយឆ្នាំ AI នឹងបង្ហាញអំពីភាពត្រឹមត្រូវនៃការជឿទុកចិត្តរបស់យើង ហើយប្រហែលជាឆាប់ជាងនេះ។

ប៉ុន្តែសព្វថ្ងៃនេះ AI គឺមានគ្រោះថ្នាក់។ មិនមែនក្នុងន័យដែល Elon Musk ខ្លាចនោះទេ ប៉ុន្តែក្នុងន័យថា ប្រព័ន្ធសំភាសន៍ការងារមានការរើសអើងចំពោះស្ត្រី ដោយមិនគិតពីអ្វីដែលអ្នកសរសេរកម្មវិធីធ្វើនោះទេ ព្រោះឧបករណ៍របស់ពួកគេគឺសាមញ្ញពេក។

ខ្ញុំសូមជូនពរឱ្យយើងមាន AI កាន់តែប្រសើរឡើង។ ខ្ញុំមិនចង់ឃើញ "រដូវរងា AI" ដែលជាកន្លែងដែលមនុស្សដឹងថា AI មិនដំណើរការ ហើយគ្រាន់តែមានគ្រោះថ្នាក់ និងមិនចង់ជួសជុលវាទេ។

នៅក្នុងវិធីខ្លះ សៀវភៅរបស់អ្នកហាក់ដូចជាមានសុទិដ្ឋិនិយមណាស់។ អ្នកសន្មត់ថាអាចបង្កើត AI ដែលអាចទុកចិត្តបាន។ យើងគ្រាន់តែត្រូវមើលទៅក្នុងទិសដៅផ្សេង។

ត្រឹមត្រូវហើយ សៀវភៅមានទុទិដ្ឋិនិយមខ្លាំងក្នុងរយៈពេលខ្លី ហើយមានសុទិដ្ឋិនិយមខ្លាំងក្នុងរយៈពេលវែង។ យើងជឿជាក់ថាបញ្ហាទាំងអស់ដែលយើងបានពិពណ៌នាអាចដោះស្រាយបានដោយពិនិត្យមើលឱ្យកាន់តែទូលំទូលាយថាតើចម្លើយត្រឹមត្រូវគួរជាអ្វី។ ហើយ​យើង​គិត​ថា​ប្រសិន​បើ​មាន​រឿង​នេះ​កើត​ឡើង ពិភពលោក​នឹង​ក្លាយ​ជា​កន្លែង​ល្អ​ជាង។

ប្រភព: www.habr.com