โอกาสทางธุรกิจของ AI กับนักลงทุน VI / นายมานะ

[นายมานะ]

โอกาสทางธุรกิจของ AI กับนักลงทุน VI (1)

เทคโนโลยีที่กำลังเป็นกระแสในปัจจุบันมีมากมาย....

นอกจาก AI แล้ว เราจะได้ยินศัพท์อย่าง FinTech, Internet of Things, Blockchain, Big data, Bio-engineering, 3d Printing ไปจนถึง Quantum computing

โดยส่วนตัวแล้วผมเชื่อว่าเทคโนโลยีที่สำคัญที่สุดในช่วง 10-20 ปีนับจากนี้ มีแค่ AI และ Bio-engineering เท่านั้น

แต่เนื่องจาก ผมไม่เชี่ยวชาญในธุรกิจ Bio-engineering มากพอ และเชื่อว่ายังเร็วเกินไปที่จะหาผู้ชนะในธุรกิจนี้ บทความนี้จึงจะขอโฟกัสที่เรื่อง AI ครับ

ทีแรกผมตั้งใจจะว่าจะเขียนสรุปไอเดียระหว่าง AI และ VI ให้จบภายในบทความเดียว แต่เมื่อพิจารณาให้ถี่ถ้วนแล้ว ผมคิดว่าเนื้อหา และความสำคัญของเรื่อง AI และ VI นี้มีมาก และมีความซับซ้อน การที่ผมพยายามกระชับเนื้อหาให้จบภายในเรื่องเดียว จะทำให้ได้ภาพที่ไม่ครบถ้วน

ผมเลยขออนุญาตแบ่งเนื้อหาออกเป็น 4 ตอน โดยมีลำดับตามนี้ครับ
1. AI จะคุกคามธุรกิจในปัจจุบันอย่างไร
2. ทำไม AI จึงเป็นเทคโนโลยีที่สำคัญที่สุดในชวงเวลานี้
3. ลักษณะของผู้ที่จะชนะในธุรกิจ AI
4. ใครจะเป็นผู้ชนะในธุรกิจ AI

ก่อนที่จะไปสู่เนื้อหาตอนแรก ผมอยากขอย้ำหนักๆ ว่าบทความนี้เป็นบทความที่เขียนขึ้นด้วยวิจารณญาณส่วนบุคคล ซึ่งอาจจะมีข้อผิดพลาดได้มากมาย ผู้อ่านต้องใช้วิจารณญาณอย่างยิ่งในการอ่าน และหากผิดพลาดประการใด ผมต้องขออภัยล่วงหน้ามา ณ ทีนี้ด้วยครับ

...

AI จะคุกคามธุรกิจในปัจจุบันอย่างไร?

เมื่อพูดถึง AI แล้วเรามักนึกถึงอะไรที่แฟนตาซี เหมือนอย่างในหนังเรื่อง The Matrix หรือ Terminator ที่หุ่นยนต์ถูกกำหนดให้เป็นผู้ร้าย ที่ต้องการจะกำจัดมนุษย์

แต่ AI ที่ฉลาดเหมือนมนุษย์อย่าง General AI นั้น ผมเชื่อว่ายากที่จะมาถึงภายใน 10-20 ปีข้างหน้า

ในขณะที่โอกาสทางธุรกิจของ AI ในระยะ 10-20 ปีข้างหน้า น่าจะเป็น Narrow AI (Specific AI) ซึ่งก็คือ AI ที่ทดแทน “อาชีพ” ในบางตำแหน่งงานมากกว่า

ย้อนกลับไปประมาณปี 1990-2000 เป็นช่วงที่เทคโนโลยีหนึ่งก้าวขึ้นมาเปลี่ยนทิศทางของการทำธุรกิจในโลกยุคนั้นอย่างสิ้นเชิง

เราเรียกเทคโนโลยีนั้นว่า Personal Computer หรือ PC

ทุกวันนี้เราใช้ PC หรือไม่ก็ Smartphone จนเคยชิน และอาจจะนึกภาพไม่ออกว่าเทคโนโลยีเหล่านี้เปลี่ยนแปลงวิธีในการทำธุรกิจไปอย่างไร

แต่ลองคิดง่ายๆ แค่ว่าถ้าสมมติจู่ๆ บริษัทเกิดบังคับให้เราเลิกใช้ โปรแกรมอย่าง Microsoft excel (รวมไปถึง Google sheets หรือ Numbers ใน Mac) ขึ้นมา จะเกิดความโกลาหลในการทำงานขนาดไหน?

บริษัทอาจต้องจ้างพนักงานออฟฟิศเพิ่มขึ้นอย่างน้อย 10 คน เพื่อที่จะเก็บรวบรวมข้อมูล หรือกดเครื่องคิดเลข รวมไปถึงสรุปข้อมูลเหล่านั้นให้อยู่ในรูปแบบที่แสดงผลได้ง่าย เพื่อทดแทนพนักงาน 1 คนกับคอมพิวเตอร์พร้อมโปรแกรม Excel 1 เครื่อง

การเกิดขึ้นของ PC และ Software ต่างๆ ทำให้จำนวนของพนักงานออฟฟิศลดลง 10 เท่า (หรือมากกว่า)

เราจะเห็นว่า PC ไม่ได้มาแทนที่อาชีพธุรการโดยตรง แต่ PC เป็น “เครื่องขยายความสามารถ” ที่ทำให้ พนักงานออฟฟิศ 1 คน ทำงานได้มากกว่าพนักงานออฟฟิศดั้งเดิม 10 คน

สิ่งที่ PC ทดแทนจึงไม่ใช่ คน แต่เป็น “การจัดการที่ไร้ประสิทธิภาพ” ของวิธีการทำงานด้วยปากกา หรือเครื่องคิดเลข

ในทุกวันนี้บริษัทต่างๆ รวมไปจนถึงรัฐบาลต้องใช้เงินทุน และทรัพยากรมากมายไปกับ “การจัดการที่ไร้ประสิทธิภาพ”

เราต้องสูญเสียเวลาและน้ำมันไปแค่ไหนกับช่องเก็บเงินบนทางด่วน?

เราต้องสูญเสียเวลาและน้ำมันไปแค่ไหนกับการปล่อยไฟแดงที่ไม่มีประสิทธิภาพ?

และเราต้องสูญเสียทั้งเวลา พลังงาน และแรงงานไปมากแค่ไหนกับการที่ต้องมี มนุษย์ 1 คน นั่งอยู่หลังพวงมาลัยบนรถยนต์ทุกคันทั่วโลก?

นี่คือความไร้ประสิทธิภาพที่เทคโนโลยีสามารถเข้ามาแก้ปัญหาได้

ระบบ Easy-Pass แก้ปัญหาช่องเก็บเงินบนทางด่วนได้ (แม้ว่าประเทศไทยจะยังไม่สนับสนุนเทคโนโลยีนี้เท่าที่ควร)

ในขณะที่ AI ที่มีความสามารถในการประมวลผลระดับสูง จะเข้ามาแทนที่ความไร้ประสิทธิภาพของการปล่อยไฟแดงแย่ๆ

และในท้ายที่สุด AI ที่ถูกติดตั้งบนรถยนต์ ก็จะเขามาแทนที่คนขับรถทุกๆ คนบนโลก

...

โดยส่วนตัวแล้วผมเชื่อว่าภายใน 20 ปีนี้ ธุรกิจ AI จะมีขนาดตลาดโดยรวม (Total Addressable Market) ไม่น้อยไปกว่า ธุรกิจ PC, Smartphone, Software และ Internet รวมกัน

บางคนอาจจะบอกว่าผมมองโลกในแง่ดี (หรือร้าย) เกินไปรึเปล่า? สิ่งเหล่านี้อาจไม่เกิดขึ้นภายใน 20 ปีนี้ก็ได้?

อย่างที่เกริ่นไปในช่วงต้น ผมเองก็คิดว่าเป็นไปได้ยากที่ AI จะฉลาดกว่ามนุษย์ภายในเวลา 20 ปีนับจากนี้

แต่เราไม่ต้องรอให้ AI ฉลาดเทียบเท่ามนุษย์ในทุกด้าน เพื่อที่จะทดแทน พนักงานเก็บเงินบนทางด่วน หรือพนักงานขับรถ

AI ที่สามารถแปลภาษาได้ดีเพียงพอก็สามารถที่จะทดแทนล่าม และครูสอนภาษามากมายได้

AI ที่สามารถฟัง และพูดบทสนทนาง่ายๆ ก็เพียงพอที่จะทดแทนพนักงาน Call-Center ที่มีอยู่มากมายทั่วโลกได้

ในช่วงแรก AI อาจเริ่มเข้ามาทดแทนการทำงานประเภท Routine ก่อน

งานที่ซับซ้อนกว่าอย่าง พนักงานบัญชี นักกฎหมาย หรือครู อาจจะปลอดภัยกว่า แต่ก็นิ่งนอนใจไม่ได้

Kai Fu Lee ผู้เขียนหนังสือ AI Superpowers และผู้เชี่ยวชาญใน AI ที่คร่ำหวอดมากว่า 30 ปี ทำนายว่าภายในระยะเวลา 15 ปีนับจากนี้ จะเป็นช่วงที่ AI เข้ามาทดแทน “อาชีพ” ประมาณ 50% ของตำแหน่งงานในสหรัฐอเมริกา

ในขณะที่ CEO ของ Google ซุนดาร์ พิชัย ก็ให้สัมภาษณ์ว่า AI จะเป็นเทคโนโลยีที่สำคัญยิ่งกว่าไฟฟ้าเสียอีก

ในวันนี้ AI เริ่มเข้ามาช่วยลดภาระของ พนักงานประเมินสินเชื่อ พนักงานสถิติประกันภัย หรือแม้กระทั่งมาช่วยแพทย์ในการวินิจฉัยโรคต่างๆ

แม้ว่า AI อาจจะไม่ได้เข้ามาแทนที่อาชีพที่ซับซ้อนเหล่านี้ในทันที แต่มันก็น่าจะทำในสิ่งที่ PC และ Software ครั้งหนึ่งเคยทำมาก่อน

นั่นคือทำให้ คนที่เก่งที่สุด 1 คน + AI มีศักยภาพมากกว่าคน 10 คนในปัจจุบัน

เช่น พนักงานออฟฟิศเก่งๆ 1 คน+AI จะเหนือกว่า พนักงานออฟฟิศ 10 คน

หมอที่เก่งที่สุด 1 คน + AI จะเหนือกว่า หมอ 10 คน

และครูที่เก่งที่สุด 1 คน + AI อาจจะทดแทนครูทั่วๆ ไป ได้ตั้งแต่ 10 ไปจนถึง 100 คน

นี่คือภาพคร่าวๆ ของ AI ที่กำลังจะมาคุกคามธุรกิจในปัจจุบันครับ

ขอย้ำอีกครั้งว่าบทความนี้เป็นความคิดเห็นส่วนบุคคล และผู้อ่านควรอ่านให้จบทั้ง 4 ตอน ก่อนที่จะนำข้อมูลไปใช้เพื่อตัดสินใจลงทุนครับ

[นายมานะ]

โอกาสทางธุรกิจของ AI กับนักลงทุน VI (2)
ทำไม AI จึงเป็นเทคโนโลยีที่สำคัญที่สุดในช่วงเวลานี้

ในตอนที่แล้ว ผมได้เล่าถึงภาพคร่าวๆ ว่า AI กำลังจะเข้ามาคุกคามธุรกิจในปัจจุบันอย่างไรบ้าง

โดยในตอนที่ 2 นี้จะขอเล่าว่า ทำไม AI จึงเพิ่งจะมาสำคัญในช่วงเวลานี้ และทำไม AI จึงสำคัญกว่าเทคโนโลยีอื่นๆ ครับ

เทคโนโลยีที่กำลังเป็นกระแสนิยมมากมาย ไม่ว่าจะเป็น FinTech, Internet of Things, Blockchain, Big data ฯลฯ

คำถามคือ ทำไมผมเชื่อว่า AI เป็นเทคโนโลยีที่สำคัญที่สุดในช่วงเวลา 10-20 ปีนับจากนี้?

สาเหตุของเรื่องนี้ ต้องขอเริ่มจากเล่าย้อนกลับไปศึกษาเรื่องราวของประวัติศาสตร์มนุษย์

ทำไมมนุษย์แตกต่างจากสัตว์?

มนุษย์แตกต่างจากสัตว์ด้วยเหตุผล 2 ประการใหญ่
1. เรามีความสามารถในการประดิษฐ์คิดค้น “เทคโนโลยี”
2. เราเป็นสัตว์เพียงชนิดเดียวที่ “สามารถฝึกตัวเองได้”

ย้อนกลับไปสัก 1 แสนปีก่อน มนุษย์ไม่ใช่สิ่งมีชีวิตที่อยู่เหนือสุดของห่วงโซ่อาหาร

ในขณะสัตว์ป่าใช้เขี้ยวหรือเล็บในการหาอาหาร มนุษย์เราอาจแตกต่างไปบ้างเพราะเราใช้อาวุธที่ทำจากหินหรือไม้

แต่ก็เป็นความแตกต่างที่ไม่มากพอที่จะทำให้มนุษย์สามารถเอาชนะสัตว์ใหญ่ที่แข็งแกร่งได้

ความแตกต่างนี้เริ่มมากขึ้น เมื่อมนุษย์รู้วิธี “การใช้ไฟ”

นอกจากช่วยให้ล่าสัตว์ได้ง่ายขึ้นแล้ว ไฟยังทำให้เราย่อยอาหารได้ง่ายขึ้น ส่งผลให้เรามีเวลา และพลังงานเหลือมากขึ้น

นักวิทยาศาสตร์เชื่อว่าการปรุงอาหารให้สุก เป็นเหตุผลที่ทำให้เรามีลำไส้ที่เล็กลง(เมื่อเทียบกับลิง หรือสัตว์เลี้ยงลูกด้วยนมประเภทอื่น) และมีพลังงานเหลือเพียงพอสำหรับรองรับขนาดของสมองที่ใหญ่ขึ้น

สมองที่ใหญ่ขึ้นเป็นพัฒนาการที่สำคัญที่ทำให้มนุษย์แตกต่างจากสัตว์ ทุกวันนี้แม้สุนัขที่เราเลี้ยงจะกินอาหารสุก แต่มันก็ไม่ได้มีขนาดของสมองที่ใหญ่พอจะเข้าใจภาษา หรือกระทั่งวิธีการจุดไม้ขีด

สมองที่ใหญ่ขึ้นน่าจะเป็นหนึ่งในที่มาของการที่มนุษย์เริ่มมีสติรู้ตัว ทำให้ “สามารถฝึกตัวเอง” ได้

เราฝึกตัวเองให้สามารถประดิษฐ์คิดค้น “เทคโนโลยี” ใหม่ๆ ตามมา

เริ่มจากภาษาพูด ที่ทำให้เราทำงานเป็นกลุ่มได้มีประสิทธิภาพกว่าฝูงลิง

ไปจนถึงการสร้างเรื่องราว (Fiction) ที่ทำให้สังคมมนุษย์มีเป้าหมายร่วม เช่น ศาสนาหรือเงินตรา ซึ่งช่วยให้มนุษย์ขยายจากการทำงานเป็นฝูง หรือเผ่าเล็กๆ เป็นการทำงานร่วมกันในระดับหมู่บ้าน เมือง ไปจนถึงจักรวรรดิ

ในอดีตมนุษย์ถ่ายทอดความรู้จากรุ่นสู่รุ่น ด้วยการเล่าเรื่องผ่านภาษาพูด แต่เมื่อสังคมขยายขนาดขึ้น เราก็ต้องใช้เครื่องมือที่ซับซ้อนขึ้น

เราประดิษฐ์ “ภาษาเขียน” เพื่อใช้บันทึกเรื่องราว และต่อยอดความรู้

เมื่อมนุษย์ก้าวไปถึงจุดที่ประดิษฐ์ “แท่นพิมพ์” เราก็ทำให้องค์ความรู้ที่เคยมีอยู่จำกัดแค่ในเผ่า หรือหมู่บ้าน กระจายออกไปได้ทั่วทุกมุมโลก

องค์ความรู้ที่เกิดขึ้นพัฒนาไปจากรุ่นสู่รุ่น จนมาถึงช่วงประมาณปี 1770 มนุษย์ก็ได้ประดิษฐ์สิ่งสำคัญขึ้นมา 2 อย่าง

อย่างแรก เราเรียกว่า เครื่องจักรไอน้ำ (โดยเจมส์ วัตต์ ประมาณปี 1763-1775) ซึ่งเป็นต้นกำเนิดของ การปฏิวัติอุตสาหกรรม

และอย่างที่สองคือ แนวคิดทุนนิยม (โดยอดัม สมิธ ปี 1776) ซึ่งทำให้การไหลของทรัพยากร และข้อมูลมีประสิทธิภาพขึ้น

เครื่องจักรไอน้ำ และแนวคิดทุนนิยม เป็นต้นกำเนิดของการปฏิวัติเทคโนโลยี

ตั้งแต่ปี 1770 มนุษย์ก็มีคุณภาพชีวิตที่พัฒนาไปแบบที่ไม่เคยมีมาก่อน

เรามีอายุขัยเฉลี่ยเพิ่มจากประมาณ 40 ปี มาเป็น 80 ปี

เรามีอัตราการตายในเด็กแรกเกิด ลดลงจากมากกว่า 30% เหลือไม่ถึง 1%

ในปัจจุบัน มีโอกาสที่คนจะป่วยตายเพราะการกินมากเกินไป มากกว่าโอกาสที่จะตายจากการอดอาหารเสียอีก

นอกจากนี้เรื่องเชิงปริมาณอย่างตัวเลขแล้ว คุณภาพชีวิตของมนุษย์ก็พัฒนาไปมาก

เดิมทีมนุษย์เดินทางด้วยการเดินเท้า หรือใช้สัตว์เป็นพาหนะ แรงงานส่วนใหญ่ในระบบเศรษฐกิจมาจากสิ่งมีชีวิตแทบจะทั้งหมด

การคิดค้นเครื่องจักรไอน้ำ เป็นครั้งแรกในประวัติศาสตร์ที่ทำให้มนุษย์นึกออกว่า เราสามารถทดแทนแรงงานของสิ่งมีชีวิต ด้วยพลังงานที่มีอยู่ในธรรมชาติได้

เราใช้รถยนต์ และน้ำมัน แทนม้า

เราใช้เครื่องจักร และไฟฟ้า มาแทนแรงงานทาส

เราประดิษฐ์เครื่องใช้ไฟฟ้า เครื่องบิน และยารักษาโรค ซึ่งเป็นสิ่งที่แม้แต่กษัตริย์ที่ร่ำรวยที่สุดในโลก เมื่อ 500 ปีก่อนก็คงได้แต่ฝัน

ทั้งหมดนี้เกิดขึ้นเพราะมนุษย์เป็นเผ่าพันธุ์เดียวที่สามารถประดิษฐ์เทคโนโลยีใหม่ๆ เหล่านี้ได้

แต่แม้ว่าเครื่องจักรจะมาทดแทนแรงงานมากมาย มันก็ไม่ได้ทำให้อาชีพของพวกเราหายไป

สาเหตุเพราะเครื่องจักรอาจทดแทนแรงกายของคนได้ แต่มันไม่สามารถทดแทนสมองของเราได้เลย

แต่ในวันนี้เป็นครั้งแรกที่มนุษย์กำลังจะประดิษฐ์สิ่งที่จะมาทดแทนสมองของเราได้

เราเรียกมันว่า AI

...

AI คืออะไร?

AI ย่อมาจาก Artificial Intelligent แปลตรงตัวก็คือ สติปัญญาที่ถูกสร้างขึ้น

สติปัญญาทำให้มนุษย์ต่างจากสัตว์ มนุษย์มีทักษะทั้งด้านภาษา การคำนวณ และเรียนรู้ที่จะพัฒนาตัวเอง

แล้วทำไม AI ถึงเพิ่งจะได้มารับความนิยมในช่วง 2-3 ปีมานี้

จุดเปลี่ยนหนึ่งที่ผมว่าสำคัญมากๆ คือเหตุการณ์ที่ AlphaGo ซึ่งเป็น AI ของบริษัท DeepMind (บริษัทลูกของ Alphabet หรือ Google นั่นเอง)

ย้อนกลับไปในปี 1997 บริษัท IBM ประดิษฐ์คอมพิวเตอร์ชื่อว่า Deep Blue ซึ่งสามารถเอาชนะแชมป์หมากรุกของโลกได้

แต่เทคโนโลยีของ IBM ก็เทียบไม่ได้เลยกับปรากฏการณ์ของ AlphaGo

ถ้าอธิบายให้เข้าใจง่ายๆ เราสามารถแบ่ง AI เป็น 2 ประเภทใหญ่ๆ ประเภทแรกเราเรียกว่า AI แบบ Rule-based คือโปรแกรมเมอร์จะเขียนกฎ (Algorithm) ขึ้นมาเพื่อให้ AI ทำตามคำสั่ง

กฎแบบนี้มักจะง่ายๆ เช่น ถ้าเราชอบดูหนังเรื่อง A เรามีแนวโน้มจะชอบดูหนังเรื่อง B ด้วย

AI ที่ทำหน้าที่ recommend หนังสือให้เราใน Amazon หรือแนะนำภาพยนตร์ให้เราใน Netflix เป็น AI แบบนี้นั่นเอง

ประเภทที่ 2 เรียกว่า Neural network หรือ Deep learning

AI ประเภทนี้ โปรแกรมเมอร์จะไม่ได้มีหน้าที่เขียนกฎให้มันโดยตรง แต่จะออกคำสั่งให้มันเขียนกฎ (Algorithm) ขึ้นมาด้วยตัวมันเอง

โปรแกรมเมอร์มีหน้าที่แค่ใส่ข้อมูลลงไป แล้ว AI ก็จะออกแบบกฎของตัวเอง จนนำมาซึ่งการตัดสินใจ

IBM Deep Blue รวมไปถึง IBM Watson เองก็เป็น AI แบบแรก ในขณะที่ AlphaGo เป็นแบบหลัง

วิศวกรของ DeepMind ไม่ได้สอน AlphaGo ว่าควรจะเดินแบบไหนถึงจะมีโอกาสชนะมากที่สุด

วิศวกรเพียงแต่อธิบายกติกาของโกะ และปล่อยให้มันฝึกเล่นกับตัวมันเอง

เกมที่หมากรุกเป็นเกมที่มีตาเดินจำกัด เราจึงสามารถหาตาเดินที่ดีที่สุดในแต่ละตาได้

IBM Deep Blue จึงไม่ได้สะท้อน “ปัญญา” หรือ “ทักษะในการตัดสินใจ” ด้วยตัวเองของเครื่องจักร แต่เป็นคล้ายๆ เครื่องคิดเลข (หรือเครื่องประมวลผลข้อมูล) ที่สุดยอดที่สุดในโลก ณ ขณะนั้นเท่านั้นเอง

ในขณะที่เกมโกะแตกต่างออกไป โกะเป็นเกมที่มีความเป็นไปได้ของตาเดิน มากกว่าจำนวนดวงดาวในจักรวาล กล่าวคือมีความเป็นไปได้ของตาเดินที่แทบจะไม่จำกัด

พลังการประมวลผลของ Super computer ที่เร็วที่สุดในวันนี้ ก็ยังไม่พอที่จะหาตาเดินที่ดีที่สุดในเกมโกะได้

...

แม้ว่าเกมโกะจะมีมานานกว่า 2,000 ปี ซึ่งนับเป็นเกมกระดานที่เก่าแก่ที่สุด และเป็นเกมกระดานที่ซับซ้อนที่สุด

ทักษะการเล่นโกะของมนุษย์ก็พัฒนาขึ้นเรื่อยๆ มาตลอดในช่วงระยะเวลา 2,000 ปี

ในขณะที่ AlphaGo ปรากฏตัวผ่านสื่อครั้งแรกในปี 2015 และใช้เวลาเพียงเพียง 2 ปี เพื่อเอาชนะนักเล่นโกะที่เก่งที่สุดในโลก

AlphaGo อาจจะทำได้แค่เล่นโกะ และทำไม่ได้แม้กระทั่งจุดไฟแช็ค (ถ้ามนุษย์ไม่ได้สร้างแขนกลให้มัน)

แต่ AlphaGo ก็ไม่จำเป็นที่จะต้องฉลาดในทุกเรื่อง เพื่อที่จะเอาชนะทักษะหนึ่งที่มนุษย์สั่งสมองค์ความรู้มามากกว่า 2,000 ปี

Project AlphaGo น่าจะเริ่มพัฒนาขึ้นไม่ถึง 5 ปีที่ผ่านมา

ถ้าให้เปรียบกับคน ก็น่าจะเหมือนเป็นแค่เด็ก 5 ขวบ

เด็กคนนี้ก็น่าจะเป็นเด็กพิเศษ ที่อัจฉริยะในเรื่องหนึ่ง แต่ทำอะไรอย่างอื่นนอกจากนั้นไม่ได้เลย

แต่ภายใต้การเลี้ยงดูของพ่อที่ชื่อ Deepmind และแม่ที่ชื่อ Google

ในวันที่ AlphaGo เติบใหญ่จนอายุ 25 ปี หรือ 50 ปี เขาก็อาจกลายเป็นสุดยอดนักคิด หรือนักประดิษฐ์ที่เก่งกว่าสิ่งมีชีวิตทุกชีวิตบนโลก

และเมื่อถึงวันนั้น ก็อาจเป็นวันที่มนุษย์เราไม่มีบทบาทในฐานะนักประดิษฐ์อีกต่อไป

AI อาจกลายเป็นสิ่งประดิษฐ์ชิ้นสุดท้ายของมนุษยชาติ

และนั่นทำให้ AI เป็นหนึ่งในเทคโนโลยีที่สำคัญที่สุดในช่วงเวลานี้

[นายมานะ]

โอกาสทางธุรกิจของ AI กับนักลงทุน VI (3)
ลักษณะของผู้ชนะในธุรกิจ AI

ใน 2 ตอนที่แล้วผมได้เล่าว่า AI จะมาคุกคามธุรกิจปัจจุบันอย่างไร และทำไมมันจึงทำเช่นนั้น

ในตอนนี้ผมจะเล่าว่าลักษณะของผู้ชนะน่าจะเป็นอย่างไร และในตอนสุดท้ายจะเล่าว่าในมุมมองของผมใครมีโอกาสจะเป็นผู้ชนะในส่วนไหนบ้างครับ

แต่ก่อนจะไปสู่คำตอบว่าคุณสมบัติสำคัญของผู้ชนะในธุรกิจ AI เราคงต้องไปศึกษาก่อนว่า ปัจจัยอะไรที่สำคัญสำหรับการพัฒนา AI

เรื่องนี้อาจเห็นชัดกว่า ถ้าเราศึกษาย้อนไปว่า AI มีต้นกำเนิดมายังไง

อันที่จริง AI ไม่ใช่แนวคิดใหม่ แต่เป็นไอเดียที่ถูกคิดค้นขึ้นตั้งแต่ปี 1956

แต่ทำไม AI จึงไม่ได้รับความนิยมเลย จนกระทั่งเมื่อ 5 ปีที่ผ่านมา?

สาเหตุเพราะในอดีตนั้น เทคโนโลยี และ ecosystem ต่างๆ ในโลกยังไม่พร้อมสำหรับการพัฒนา AI

จนกระทั่งมาถึงพัฒนาการของ 4 ปัจจัยต่อไปนี้ คือ
1. องค์ความรู้ของวิศวกร และเทคนิค Deep learning
2. ปริมาณข้อมูลมหาศาล หรือ Big data
3. พลังในการประมวลผลของ Hardware
4. รูปแบบการทำธุรกิจแบบ Cloud computing หรือ Datacenter

จะขอเล่าไปทีละเรื่องนะครับ

1. องค์ความรู้ของวิศวกรและเทคนิค Deep learning

เทคนิค Deep learning ถูกคิดค้นขึ้นหลังปี 2000 โดยเป็นเทคนิคที่จำลองวิธีการคิดของสมองมนุษย์

แต่ก่อนที่จะไปเล่าถึงเทคนิค Deep learning ผมจะขอเล่าถึงเทคนิคการพัฒนา AI แบบดั้งเดิมก่อน

วิธีนั้นเรียกว่า Rule-based ซึ่งเป็นวิธีที่ใช้มายาวนานตั้งแต่ IBM Deepblue จนมาถึง IBM Watson

IBM Watson ปรากฏในสื่อครั้งแรก คือในปี 2011 ผ่านรายการแข่งขันเกมประเภท Quiz show ที่ชื่อ Jeopardy!

เกม Jeopardy! เป็นเกมใบ้คำปริศนา ที่ค่อนข้างซับซ้อน คล้ายๆ กับนำเกมเศรษฐีซึ่งเป็นเกมตอบคำถาม กับ Davinci เกมถอดรหัส ซึ่งเป็นเกมใบ้คำ มารวมกัน

IBM Watson ประสบความสำเร็จอย่างมาก ชนะแชมป์ของเกมนี้อย่างท้วมท้น และได้รับการจับตาจากสื่ออย่างมาก

ในภายหลัง IBM Watson ถูกนำไปประยุกต์ใช้กับธุรกิจการแพทย์ แต่กลับพบว่าไม่ประสบความสำเร็จอย่างที่คิด

ปัญหาของ IBM Watson คืออะไร?

IBM Watson เป็น AI ประเภท Rule-based ปัญหาของ AI ประเภทนี้ คือมันทำงานได้ Specific มาก ถ้าจะทำให้ IBM Watson ไปเล่นหมากรุก หรือเล่นโกะ ทีมวิศวกรผู้พัฒนาก็ต้องเขียน Algorithm ใหม่เกือบทั้งหมด

แตกต่างจากวิธีการเรียนรู้ของมนุษย์ตรงที่ เราเป็นสิ่งมีชีวิตที่สามารถฝึกตัวเองได้

เราสามารถ connect ความรู้ใหม่ เข้ากับพื้นความรู้เดิมได้ง่ายและเร็วมาก

เช่น ถ้าเราเล่นหมากรุกเก่ง ก็มีแนวโน้มที่เราจะฝึกเล่นโกะเป็นได้เร็ว

ยิ่งเรามีข้อมูลในสมองเรามากเท่าไหร่ มันก็ยิ่งง่ายที่จะทำให้เราเรียนรู้เรื่องราวใหม่ๆ มากเท่านั้น

สาเหตุเพราะสมองมีการทำงานแบบที่เรียกว่า Neural Network กล่าวคือเรามีเครือข่ายของเซลล์ประสาทขนาดใหญ่ ที่ connect องค์ความรู้หลากหลายประเภทเข้าด้วยกัน เป็นเหมือน Algorithm Network ขนาดใหญ่

แต่ IBM Watson มีข้อจำกัดมาก มันอาจจะมี Algorithm Network ของตัวเอง แต่ก็เป็นชุดที่วิศวกร IBM สร้างขึ้น และถึงแม้ Algorithm Network ชุดนั้นจะซับซ้อนพอที่จะเล่นเกมปริศนาใบ้คำที่ซับซ้อนมากๆ ได้ แต่ก็ยังเป็นชุด Algorithm อย่างง่ายๆ ที่เทียบไม่ได้เลยกับ Neural Network ในสมองของมนุษย์

และที่สำคัญคือ IBM Watson เองก็ไม่มีความสามารถที่จะพัฒนา Algorithm Network ของตัวมันเองได้

กลับมาที่เทคนิคแบบ Deep learning ซึ่งเป็นเทคนิคที่ประยุกต์วิธีการทำงานของสมองมนุษย์ มาใช้ในการสร้าง AI

AI แบบ Deep learning สามารถที่จะสร้างฐานความรู้ และต่อยอดไปได้มากกว่า พูดง่ายๆ คือ AI แบบ Deep learning สามารถที่จะสร้าง Algorithm Network ของตัวเองได้

ถึงแม้ว่าในทุกวันนี้เราจะยังไม่สามารถสร้าง AI ที่เรียนรู้ได้หลากหลายเหมือนสมองเราก็ตาม แต่วิธีแบบ Deep learning ก็ทลายข้อจำกัดของวิธี Rule-based และสามารถต่อยอดนำไปใช้ในการประดิษฐ์ Specific AI หรือ Narrow AI ให้ทำงานต่างๆ ได้หลากหลายมากขึ้น

2. ปริมาณข้อมูลมหาศาล หรือ Big data

ในอดีตเรามีข้อมูลที่ถูกเก็บในรูปของ Digital น้อยมาก

บรรพบุรุษของเราบันทึกรูปด้วยการวาด ก่อนจะพัฒนามาเป็นม้วลฟิล์ม และเก็บข้อความไว้บนก้อนหิน ก่อนจะพัฒนามาเป็นกระดาษ

มนุษย์ไม่นิยมการแปลงข้อมูล Physical เหล่านี้ เพื่อบันทึกอยู่ในรูปแบบ Digital เลย จนกระทั่งการมาถึงของยุค PC

PC, Smartphone และอินเตอร์เน็ต ทำให้ข้อมูลจำนวนมากที่อยู่ในรูปแบบของข้อความ ภาพ เสียง และวีดีโอ ถูกอัพโหลดขึ้นบนอินเตอร์เน็ต

ทุกวันนี้เรา feed ข้อมูลต่างๆ ของตัวเราเองให้ Google, Facebook, Apple, Amazon และ Netflix ในทุกๆ วัน ตั้งแต่การอัพโหลดคลิป ไปจนถึงการตัดสินใจคลิกเมาส์แต่ละครั้ง

และเนื่องจาก AI จำเป็นที่จะต้องใช้ข้อมูลในรูปแบบ Digital เพื่อเรียนรู้ และสร้าง Algorithm Network ของตัวมันเอง

Big data จึงกลายเป็นฐานที่สำคัญมากๆ ในการพัฒนา AI

หลายๆ คนมักสบสันระหว่าง Big data กับ data ทั่วๆ ไป

Big data คือปริมาณของข้อมูลมหาศาล เหมือนที่ Google, Facebook, Amazon หรือ Alibaba เก็บอยู่ในฐานข้อมูล

แตกต่างจาก data จำนวนไม่มาก (Small data) ที่บริษัท startup มี หรือที่บริษัทขนาดกลางในไทยเพิ่งเริ่มเก็บ

Small data อาจจะใช้ประโยชน์ในทางธุรกิจได้ แต่มันก็น้อยเกินกว่าที่จะนำมาใช้ในการพัฒนา AI

3. พลังในการประมวลผลของ Hardware

ส่วนประกอบหนึ่งของเทคโนโลยีที่เราใช้ใน PC หรือ Smartphone คือแผงวงจร (integrated circuits) และ transistor

ปริมาณของ transistor ยิ่งมาก ความเร็วในการประมวลผลก็ยิ่งมาก

กฎของมัวร์ (Moore's Law) บอกไว้ว่า ปริมาณของ transistor ในแผงวงจรจะเพิ่มขึ้นทุกๆ 1 เท่า ภายในเวลา 18-24 เดือน

ผลที่เกิดขึ้นคือทำให้แผงวงจร หรือชิพที่ใช้ใน PC และ Smartphone เร็วขึ้น 1 เท่าตัว ภายในเวลา 18-24 เดือน

หรือถ้าพูดให้เข้าใจง่ายขึ้นคือ ทุกๆ 20 ปี ชิพจะเร็วขึ้นประมาณ 1,000 เท่า (2 ยกกำลัง 10)

นับจากช่วงปี 1956 ซึ่งเป็นปีที่แนวคิด AI ถือกำเนิดขึ้น เรามีชิพที่เร็วขึ้นประมาณ 1 พันล้านเท่า (1,000 ยกกำลัง 3)

เทคโนโลยีชิพประมวลผลมีหลายประเภท ไม่ว่าจะเป็น CPU, GPU, FPGA, ASICs และ AI chip

แต่เดิมชิพประมวลที่เป็นตัวหลักของ PC และเทคโนโลยี AI ประเภท Rule-based คือ CPU

จนกระทั่งประมาณปี 2008 วิศวกร AI ได้เริ่มนำ GPU มาใช้กับเทคโนโลยี Deep learning และปรากฏว่าทำให้ความเร็วในการประมวลผลเพิ่มขึ้นอย่างมหาศาล

ในปัจจุบันการนำ GPU มาใช้กับเทคโนโลยี Deep learning มีประสิทธิภาพสูงกว่าการใช้ CPU อย่างน้อย 20 เท่า และมีแนวโน้มที่ระยะห่างนี้จะมากขึ้นเรื่อยๆ

4. รูปแบบการทำธุรกิจแบบ Cloud computing หรือ Data center

ความเร็วของอินเตอร์เน็ต และอุปกรณ์อื่นๆ ที่เกี่ยวเนื่อง เป็นต้นกำเนิดของรูปแบบการทำธุรกิจแบบ Cloud computing หรือ Data center

ในอดีตนั้น ถ้าบริษัทไหนต้องการจะสร้าง Website หรือ Application มือถือ บริษัทนั้นไม่เพียงต้องมี นักเขียนโปรแกรมขั้นเทพอยู่ แต่จำเป็นต้องมีผู้เชี่ยวชาญในเรื่อง Hardware ไว้สำหรับเก็บ และประมวลผลข้อมูลบน Website หรือ Application ของตัวเองอีกด้วย

ก่อนที่ Facebook จะกลายเป็นบริษัท Social media ที่ใหญ่ที่สุดในโลก บริษัทที่เคยเป็นผู้นำก่อนหน้า Facebook (และเป็นต้นแบบไอเดียของ Facebook) คือ บริษัท Friendster

Friendster ก่อตั้งก่อน Facebook นานถึง 2 ปี และภายหลังก่อตั้งได้แค่ 3 เดือน ก็มีผู้ใช้สูงถึง 3 ล้านคนแล้ว

ทุกๆ คนต่างคิดว่า Friendster ชนะ ในการแข่งขันนี้ไปแล้ว แต่หลังก่อตั้งได้ประมาณ 2 ปี จำนวนผู้ใช้ Friendster กลับเติบโตช้าลง

ปัญหาของ Friendster ไม่ใช่การแข่งขันของบริษัทหน้าใหม่อย่าง Facebook หรือ Twitter แต่กลับเป็นปัญหาภายในของบริษัท นั่นก็คือเรื่องคุณภาพของ Server

หลังก่อตั้งได้ประมาณ 2 ปี Friendster เจอปัญหาที่คนในสมัยนี้อาจนึกไม่ถึง ปัญหานั้นคือปริมาณผู้ใช้เติบโตเร็วเกินไป จน Server ของบริษัทไม่สามารถรองรับปริมาณการใช้งานที่มากขึ้นของจำนวนผู้ใช้ที่เติบโตอย่างรวดเร็วได้ Website เริ่มโหลดช้าจนทำให้ผู้ใช้เบื่อหน่าย และหันไปใช้ Social network ของคู่แข่ง

น่าเสียดายที่ในตอนนั้นยังไม่มีบริษัทผู้ให้บริการ Cloud computing หรือ Data center อย่าง AWS ของ Amazon หรือ Azure ของ Microsoft แบบเดียวกับในปัจจุบัน

...

รูปแบบของธุรกิจแบบ Cloud computing ในปัจจุบัน เอื้อประโยชน์ให้กับธุรกิจ AI ตัวอย่าง เช่น บริษัท Startup ที่ไม่มีเงินทุนในอินเดีย หรือเวียดนาม อาจจะเลือกเช่า AWS แทนที่จะสร้าง Data center ของตัวเองขึ้นมาเพื่อพัฒนา AI ตัวใหม่ และทำให้บริษัท Startup ที่ไม่ได้ชำนาญเรื่อง Hardware สามารถแข่งขันในตลาดได้

ในขณะที่บริษัทยักษ์ใหญ่ในไทยไทยที่ไม่ได้เชี่ยวชาญเรื่อง AI อย่าง CPALL หรือ CPN อาจเลือกที่จะเช่า AI Cloud ที่พัฒนาเสร็จเรียบร้อยแล้วจาก Google แทนที่จะสร้าง AI ขึ้นมาเองจาก 0

การเกิดขึ้นของ Cloud computing จึงทำให้การเข้าถึงพลังการประมวลผลระดับสูง รวมไปถึงการเข้าถึง AI Application กลายเป็นเรื่องที่ง่ายขึ้นมาก

โดยส่วนตัวแล้ว ผมเชื่อว่าสุดท้าย รูปแบบของธุรกิจ AI จะส่งผลให้เหลือผู้ชนะในธุรกิจเป็น 4 กลุ่มใหญ่ๆ คือ
1. กลุ่มผู้สร้าง AI Application
2. กลุ่มผู้ให้บริการ AI ผ่านระบบ Cloud platform
3. กลุ่มผู้ผลิตชิพและ Software สำหรับพัฒนา AI
4. ผู้ผลิตสินค้า หรือบริการอื่นๆ ที่ได้ประโยชน์จากเทคโนโลยี

ในบทหน้า ผมอยากจะแชร์ภาพการแข่งขันที่กำลังเกิดขึ้นคร่าวๆ เพื่อให้เห็นว่ามี player คนไหนบ้าง ที่มีโอกาสชนะแต่ละกลุ่มต่อไปนี้ครับ

[นายมานะ]

โอกาสทางธุรกิจของ AI กับนักลงทุน VI (4)
ใครมีโอกาสจะเป็นผู้ชนะในธุรกิจ AI บ้าง

ใน 3 บทก่อนหน้านี้ ได้เล่าถึงภาพคร่าวๆ ว่า AI สำคัญอย่างไร มีที่มาอย่างไร และลักษณะของผู้ชนะจะเป็นอย่างไร

ในบทนี้จะอธิบายในรายละเอียด และกล่าวถึงผู้ที่มีโอกาสชนะ (ในความคิดเห็นส่วนตัวของผม) ครับ

ในบทก่อนหน้า ผมได้แบ่งกลุ่มผู้ชนะในธุรกิจ AI ออกเป็น 4 กลุ่มใหญ่ คือ
1. กลุ่มผู้สร้าง AI Application
2. กลุ่มผู้ให้บริการ AI ผ่านระบบ Cloud platform
3. กลุ่มผู้พัฒนาชิพและ Software platform สำหรับ AI
4. ผู้ผลิตสินค้า หรือบริการอื่นๆ ที่ได้ประโยชน์จากเทคโนโลยี

โดยผมจะขอเริ่มจากการเล่าถึงกลุ่มที่ซับซ้อนน้อยที่สุดก่อนคือกลุ่ม 4 แล้วค่อยไล่ลำดับกลับไปที่ กลุ่ม 1 และ 2 ครับ

ผู้ผลิตสินค้า และบริการอื่นๆ ที่ได้ประโยชน์จากเทคโนโลยี คือกลุ่มที่ไม่ได้ผลิต AI เองโดยตรง และในทางกลับกันก็ต้องไม่ใช่ผู้ที่ถูก AI disrupt เอา

พูดง่ายๆ เป็นธุรกิจที่ได้ประโยชน์จาก Tech และไม่ถูก Tech คุกคามโดยตรง เช่น ธุรกิจเครื่องสำอาง ผู้ผลิตภาพยนตร์ หรือธุรกิจร้านอาหาร

ส่วนที่เราต้องระมัดระวังสำหรับกลุ่มที่ 4 ก็คือ AI อาจจะไม่ได้มา disrupt เราโดยตรง แต่จะทำให้ผู้นำในธุรกิจเข้มแข็งขึ้นมาก และทำให้บริษัทผู้ตามยิ่งลำบากขึ้นไปอีก

เช่น ธุรกิจ AI จะทำให้บริษัทที่เป็นผู้ชนะอย่าง CPALL หรือ CPN มีต้นทุนที่ถูกลง ในขณะที่บริษัทค้าปลีกรายกลาง หรือห้างท้องถิ่น ที่ไม่มีเงินทุนพอจะเข้าถึง AI จะมีต้นทุนที่สูงกว่า และแข่งขันกับ CPALL หรือ CPN ได้ยากขึ้น

อีกตัวอย่างหนึ่งคือธุรกิจ ร้านอาหาร AI จะทำให้ร้านอาหารที่อร่อยมากๆ สามารถผลิตอาหารได้มากและเร็วขึ้น รวมถึงส่งไปถึงลูกค้าได้ในเวลาที่สั้นลง ส่งผลให้ร้านที่อร่อยมากๆ กลืน Market share ของร้านที่ไม่อร่อย และร้านที่อร่อยปานกลางไปเรื่อยๆ

อาจกล่าวได้ว่า AI จะยิ่งส่งผลให้เกิดภาวะ Winner takes all มากขึ้นในทุกๆ ธุรกิจ

ต่อมาคือกลุ่มที่ 1 ผู้ผลิต AI Application และกลุ่มที่ 2 ผู้ให้เช่า AI cloud platform ที่ผมจะขออธิบายไปพร้อมๆ กันครับ

...

ผู้ผลิต AI Application คือ บริษัทที่สร้าง AI ให้ผู้บริโภคใช้โดยตรง เช่น Google สร้าง AI assistance ขึ้นมาสำหรับทำหน้าที่แทนเลขาส่วนตัว หรือบริษัท Uber สร้าง AI ที่สามารถขับรถได้ (Autonomous Vehicle) หรืออาจจะเป็นบริษัท AI การแพทย์ผลิต AI ที่สามารถวินิจฉัยโรคมะเร็งได้

กลุ่มที่สองคือ AI cloud platform กลุ่มนี้จะไม่ได้สร้าง AI ขึ้นมาเพื่อขายให้ consumer โดยตรง แต่เพื่อไว้ให้สำหรับบริษัทอื่นๆ มาเช่าใช้

เช่น Uber อาจจะเลือกผลิต AI ที่สามารถขับรถแล้วเก็บไว้ให้บริการคนเดียว แต่ Google อาจจะเลือกให้บริษัทรถยนต์อย่าง BMW หรือ Toyota มาเช่า AI ที่ขับรถได้ของตัวเอง ผ่าน Cloud server ของตัวเอง หรือบริษัทอย่าง AIS อาจจะขอเช่า AI assistance ของ Google เพื่อมาทดแทนพนักงาน Call center

บริษัทอย่าง Amazon, Google, Microsoft, Alibaba, Tencent และ Baidu จัดเป็นบริษัทที่พยายามจะเป็นผู้ชนะทั้งในกลุ่มที่ 1 และ 2 คือพยายามทั้งสร้าง AI สำหรับกลุ่ม consumer โดยตรง และสร้าง Cloud Platform สำหรับให้บริษัทในกลุ่มที่ 1 หรือ 4 เช่าใช้อีกต่อหนึ่ง

บริษัทผู้ชนะในกลุ่มที่ 1 ที่ต้องการจะสร้าง AI application เอง อาจเป็นได้ทั้งบริษัทยักษ์ใหญ่อย่าง Apple หรือ Facebook ที่สร้าง AI ด้วยฐานจาก Data center ของตัวเอง หรืออาจจะเป็นบริษัท Startup ที่มีไอเดียเปลี่ยนโลก เลือกที่จะเช่า Data center ของบริษัทในกลุ่ม 2 เพื่อมาพัฒนา AI application แทนที่จะลงทุนสร้างระบบ Data center ของขึ้นมาใหม่

AI application ที่จะมาแก้ปัญหาทางธุรกิจ (โดยการลดการจัดการที่ไร้ประสิทธิภาพลง ตามที่ได้กล่าวไว้ในบทแรก) คงมีหลายรูปแบบ บริษัทที่จะเป็นผู้ชนะในกลุ่มที่ 1 จึงอาจมีหลายบริษัท ขึ้นอยู่กับบริษัทไหนเชี่ยวชาญในธุรกิจอะไร จึงเป็นเรื่องค่อนข้างยากที่จะสามารถประเมินได้ว่า AI ของใครจะชนะในอุตสาหกรรมไหน เช่น

ผู้ชนะใน AI สำหรับขับรถอาจเป็นไปได้ตั้งแต่ Uber, Tesla, Toyota, Waymo ไปจนถึง BYD

ในขณะที่ผู้ชนะใน AI Assistance (AI เลขาส่วนตัว) ก็เป็นไปได้ตั้งแต่ Google, Apple, Amazon, Facebook ไปจนถึงบ. Startup เกิดใหม่

ในขณะที่ยังจะมี AI ที่มาช่วยแบ่งเบาภาระของแพทย์ AI ที่มาช่วยตัดสินคดีความ AI ที่เข้ามาช่วยทำบัญชี ไปจนถึง AI ที่เข้ามาช่วยทั้งภาคการเกษตรและโรงงานในอุตสาหกรรมอีก การประเมินว่าบริษัทไหนจะชนะในแต่ละอุตสาหกรรมจึงทำได้ยาก และมีรายละเอียดเกินกว่าบทความนี้จะกล่าวไหว

ในขณะบริษัทที่จะเป็นผู้ชนะในกลุ่มที่ 2 จะมีจำนวนน้อยบริษัทกว่า เนื่องจากลักษณะของธุรกิจ AI cloud จะมีความเป็น platform และมีแนวโน้มที่ผู้ชนะจะอยู่ในสถานะ Winner takes all

โดยสาเหตุที่ทำให้กลุ่มที่ 2 มีแต่บริษัทรายใหญ่ และมีแนวโน้มจะเป็น Winner takes all เนื่องมาจาก บริษัทต้องมีปัจจัยสำคัญถึง 5 ปัจจัย ดังนี้
1. วิศวกรด้าน AI และ Neuroscience ระดับโลก
2. Hardware คุณภาพสูงสุด
3. Big data
4. First mover
5. Regulation ของรัฐบาลและ ecosystem อื่นๆ support

การที่บริษัทหนึ่งๆ จะมีวิศวกร AI และ Neuroscience (ซึ่งเป็นฟิลด์ที่กำลังร้อนแรงที่สุด) และมี Hardware ที่คุณภาพสูงที่สุดในตลาดได้ ปฏิเสธไม่ได้เลยว่าต้องเป็นบริษัทใหญ่ที่มีเงินทุนพร้อม และบริษัทต้องอยู่ใน ecosystem ที่เหมาะสม (เช่น ถ้าตั้งอยู่ในเขต Silicon Valley หรืออยู่ใน Shenzhen บริษัทก็น่าจะหาวิศวกร AI เทพๆ ได้ง่ายกว่าตั้งบริษัทที่กรุงเทพฯ หรือเปียงยาง)

แต่ถึงเงินทุนมหาศาลจะใช้จ้างวิศวกรที่เก่งที่สุดในโลก และซื้อ Hardware ที่ดีที่สุดในโลกได้ แต่เงินก็ไม่สามารถใช้ซื้อ Big data ตรงๆ ได้ (ยกเว้นการ takeover ทั้งบริษัท) บริษัทที่มีโอกาสจะชนะในกลุ่มที่ 2 ได้ จึงจำเป็นต้องมีทั้งเงินทุน และมี Big data

อีกสิ่งหนึ่งที่เงินไม่สามารถซื้อได้คือความเป็น First mover

การเริ่มต้นก่อน อาจจะไม่ได้เป็นปัจจัยสำคัญในบางธุรกิจ เช่น Facebook เริ่มทีหลัง Friendster แต่ก็ใช้ประโยชน์ในฐานะผู้มาทีหลัง เพื่อเอาชนะข้อบกพร่องของผู้มาก่อนได้

แต่กับธุรกิจ AI แล้ว ผู้มาก่อนสำคัญมาก นอกจากผู้มาก่อนจะครอบครอง Big data ไปก่อนแล้ว การพัฒนา AI ยังมีเรื่องของ Learning curve เข้ามาประกอบด้วย

ตัวอย่างหนึ่งที่น่าสนใจคือการเปรียบ AI กับเด็ก

สมมติว่า AI ชื่อ Google Robo (ขอเรียกว่าน้อง GR) ถูกพัฒนาขึ้นมาได้ 5 ปีแล้ว ในขณะที่อีกฝากโลก มี AI ชื่อ Baidu Faster Robo (น้อง BFR) เพิ่งเริ่มพัฒนาในปีนี้

ถ้าเปรียบน้องทั้งสองคนเป็นเด็ก ก็เป็นไปไม่ได้เลยที่น้อง BFR ที่เพิ่งคลอดจะฉลาดเท่ากับน้อง GR ที่อายุ 5 ขวบ

ในแต่ละปีที่ผ่านไป น้อง GR จะเติบโตขึ้น ฉลาดขึ้น ในวันที่น้อง BFR อายุ 5 ขวบ น้อง GR ก็อายุได้ 10 ขวบแล้ว และก็มีแนวโน้มที่น้อง GR จะฉลาดกว่าน้อง BFR อย่างมาก

แต่เด็กอัจฉริยะอายุ 10 ขวบ อาจจะฉลาดกว่าเด็กอายุ 15 ขวบก็ได้ ขึ้นอยู่กับปัจจัยต่างๆ ไม่ว่าจะเป็นสภาพแวดล้อม การศึกษา และยีนส์ของพ่อแม่

(ด้วยเหตุผลนี้เองแม้ว่าจะเริ่มช้ากว่า แต่บริษัทในจีนก็กลัวว่าจะ “ตกรถ AI” เหมือนกับที่เคย “ตกรถเครื่องจักรไอน้ำ” มาก่อน และเมื่อ AI อาจเป็นสิ่งประดิษฐ์สุดท้ายของมนุษย์ รถ AI ขบวนนี้ก็อาจเป็นรถด่วนขบวนสุดท้ายที่จีนจะพลาดไม่ได้อีก)

แต่เราก็ต้องไม่ลืมว่าพ่อแม่ของเจ้าหนู GR เป็นใคร ถ้า DeepMind และ Google ต่างก็ส่งต่อยีนส์ที่ดี และให้การศึกษาที่เหมาะสม มันก็เป็นไปได้ยากที่เด็กน้อย BFR ตอน 10 ขวบ จะตามหนุ่มน้อย GR ตอนอายุ 15 ปีได้ทัน

ตัวอย่างนี้อาจจะไม่ใช่ตัวอย่างที่สมบูรณ์แบบ เพราะ AI อาจจะพัฒนาเร็วหรือช้ากว่ามนุษย์ก็ได้ แต่ก็น่าจะเป็นตัวอย่างที่ทำให้เห็นภาพว่า First Mover ในธุรกิจ AI ได้เปรียบอย่างไร

บริษัทที่ไม่มี Big data และเริ่มทีหลัง จึงมีโอกาสน้อยมาก ที่จะพัฒนาขึ้นมานำหน้า บริษัทผู้มาก่อนที่พัฒนา AI ในทิศทางที่ถูกต้อง

…

ก่อนจะไปถึงข้อสรุปว่าใครน่าจะชนะในกลุ่มที่ 2 ผมอยากจะขอลงรายละเอียดในปัจจัยข้อ 5. เรื่อง Regulation ซึ่งเป็นเรื่องที่ซับซ้อน และมีขอบเขตที่กว้างมาก

เนื่องจากโดยส่วนตัวแล้วผมเชื่อว่า มีแค่ประเทศสหรัฐฯ และจีน เพียง 2 ประเทศที่มีโอกาสจะชนะในฐานะผู้พัฒนา AI จึงอยากจะขอลงรายละเอียดเฉพาะแค่ 2 ประเทศนี้ครับ

บริษัทในประเทศจีนอาจได้เปรียบบริษัทในประเทศอเมริกา เพราะรัฐบาลดูเข้มงวดกับเรื่อง Data security น้อยกว่า ทำให้มีอิสระในการนำข้อมูลของลูกค้าไปใช้ในการพัฒนา AI มากกว่า

และด้วยลักษณะ Ecosystem ของประเทศจีนที่บริษัทอย่าง Alibaba มีการเก็บข้อมูลตั้งแต่การขี่จักรยานของเรา ไปจนถึงอาหารที่เรากิน มีความหลากหลายของ Data มากกว่า

แต่ในเชิงกลับกัน บริษัทในประเทศอเมริกาดูจะมีฐานข้อมูลของกลุ่มลูกค้าที่กว้างกว่า (เพราะบริษัทอเมริกามักจะมีลูกค้าอยู่ทั่วโลก ในขณะที่บริษัทจีนมักจะมีลูกค้าในจีนเป็นหลัก) ในขณะที่ข้อมูลพฤติกรรมของคนจีนก็มีความเฉพาะ และอาจจะแตกต่างจากประเทศอื่นๆ ที่มี Ecosystem ไม่เหมือนกับจีน

และรัฐบาลจีนเองก็ดูจะมี power และมี intention ที่จะควบคุมไม่ให้บริษัทในกลุ่ม BAT มีอำนาจมากเกินไป ในขณะที่รัฐบาลสหรัฐอาจจะอยากควบคุมบริษัทกลุ่ม FAANG อยู่บ้าง แต่ก็ดูจะมี power ในการควบคุมได้ไม่มากเท่าไหร่

รายละเอียดของ Regulation และการเมืองระหว่างประเทศเป็นเรื่องซับซ้อน ผมเชื่อว่าทั้งสหรัฐและจีน มีโอกาสจะเป็นประเทศผู้นำใน AI ทั้งคู่ แต่เมื่อประเมินถึงระดับของการเข้าถึงข้อมูลแล้ว ส่วนตัวผมคิดว่าบริษัทในอเมริกาติดตามได้ง่ายกว่ามาก และบริษัทอเมริกาก็ได้เปรียบบริษัทจีนในฐานะที่เป็น First mover ด้วย

กล่าวโดยสรุป ผมเชื่อว่าบริษัทในกลุ่มที่ 1 ที่จะชนะ เป็นไปได้ทั้งบริษัทในกลุ่ม FAANG, BAT รวมไปถึงบริษัท startup เกิดใหม่ที่มีไอเดียระดับเทพ แต่เนื่องจากตัวผมเองคงมีโอกาสน้อยมากที่จะได้ลงทุนในบริษัท startup เทพๆ ระดับนั้น และผมก็ไม่สามารถจะเข้าถึงข้อมูลการแข่งขันของบริษัทในประเทศจีนที่เปลี่ยนแปลงไปอย่างรวดเร็วได้

ผมจึงคิดว่าทางเลือกที่ง่ายกว่าคือลงทุนในบริษัทกลุ่มที่ 2 ที่อยู่ในประเทศสหรัฐ ซึ่งประกอบไปด้วย Amazon, Google และ Microsoft

ใน 3 บริษัทนี้ ส่วนตัวผมเชื่อว่า Culture ของ Microsoft มีลักษณะที่แก่เกินไป และปริมาณ data ก็น่าจะน้อยกว่าคู่แข่งอย่าง Amazon หรือ Google

ในปัจจุบัน Amazon เป็น Market Leader ในธุรกิจ Data center ทิ้งห่าง Google อยู่ขาดลอย

แต่โดยส่วนตัวแล้วผมเชื่อว่า Market share เป็น Lag indicator ในขณะที่การทำนายผู้ชนะในอนาคตเราควรจะดูที่ Leading indicator มากกว่า

Data center มีหลายประเภท คือ
Infrastructure as a service (IasS) = ใช้สำหรับเก็บข้อมูลเหมือน Online harddisk
Software as a service (SasS) = ใช้สำหรับรันโปรแกรมผ่าน Cloud เช่น รัน Excel ผ่าน online
Platform as a service (PaaS) = ใช้สำหรับรัน Website หรือ Application โดยบริษัท Startup (ให้ลอกนึกถึงเคส Friendster)
และ AI as a service (AIasS) = ใช้สำหรับรัน AI

ธุรกิจ Data center ในปัจจุบัน คือ Iaas, SasS และ PaaS ซึ่งในกลุ่มนี้ Amazon ครองความเป็นใหญ่อยู่ แต่ในอนาคตที่ AIasS จะกลืน Cloud Software ประเภทอื่นๆ แล้ว มีความเป็นไปได้ว่าผู้ชนะอาจไม่ใช่ผู้ที่มี Market share มากที่สุด

หากเราพิจาณาถึงปัจจัย 5 ข้อที่เป็น Leading indicator ของ Market share เราจะพบว่า Google (ที่ควบรวม DeepMind ไปแล้ว) โดดเด่นกว่า Amazon ทั้งในด้านของทีมวิศวกร ความเป็น First Mover และปริมาณของ Data

เมื่อพิจารณาถึงการพัฒนา General AI ใน Time frame ที่ไกลออกไปกว่า 20 ปีแล้ว ผมจึงเชื่อว่า Google เป็นบริษัทที่มีโอกาสสูงที่สุดที่จะเป็นผู้ชนะตัวจริงในเกมนี้ครับ

...

บริษัทในกลุ่มที่ 3 ซึ่งเป็นกลุ่มสุดท้ายคือผู้ผลิตชิพและ Software ต่อยอดสำหรับ AI

ก่อนจะเล่าประเด็นนี้ ผมต้องขออธิบายย้อนไปถึงเรื่องของขั้นตอนการพัฒนา AI

ขั้นตอนการพัฒนา AI ด้วยวิธี Deep learning สามารถแบ่งได้เป็น 2 ขั้นตอนใหญ่ๆ
1. Training Phase หรือ Learning Phase
2. Inferencing Phase หรือ Execution Phase

ในขั้นแรกของการพัฒนา AI ผู้พัฒนาจะทำการสร้าง Neural Network หรือ Algorithm system ของ AI ขึ้นมาก่อน

ขั้นตอนนี้จะเป็นขั้นตอนที่ใช้ Data เป็นจำนวนมาก และต้องใช้พลังการประมวลผลขั้นสูง

ถ้าเปรียบกับคนก็เหมือนช่วงที่เรายังเป็นเด็กอายุ 0-12 ปี ซึ่งเป็นช่วงที่เรากำลังเรียนรู้ เราจดจำภาพ เสียง และการสัมผัสจำนวนมาก เพื่อพัฒนาระบบของสมอง แต่เรายังนำข้อมูลเหล่านั้นมาใช้ประโยชน์อะไรได้ยาก

เราเรียกขั้นตอนนี้ว่า Training Phase คือเป็นเฟสที่ AI จะเรียนรู้ หรือพัฒนาระบบสมองเทียม ซึ่งต้องใช้ข้อมูล และพลังประมวลผลมาก แต่ยังนำมาใช้งานไม่ได้

ประเภทของชิพที่เหมาะสมสำหรับ Training Phase คือ GPU เนื่องจากมีพลังประมวลผลที่สูงที่สุด และมีลักษณะเฉพาะที่เหมาะกับเทคนิคแบบ Deep learning

ในขั้นที่ 2 คือ หลังจากการพัฒนา AI เสร็จแล้ว ผู้พัฒนาจะเริ่มนำ AI เข้าไปใช้แก้ปัญหา เป็น AI application จริงๆ

ในขั้นตอนนี้ AI ไม่จำเป็นต้องใช้ข้อมูลจำนวนมากแล้ว เพราะมี Algorithm system ที่พัฒนาเสร็จแล้ว

ถ้าเปรียบกับคนก็เหมือน มนุษย์ที่อายุตั้งแต่ 12 ปีขึ้นไป ซึ่งเป็นช่วงระบบสมองเริ่มอยู่ตัวแล้ว และเป็นช่วงที่สามารถนำข้อมูลที่เรียนรู้ในตอนเด็กมาใช้ประโยชน์จริงได้มากขึ้น

ประเภทของชิพที่เหมาะสำหรับ Inferencing Phase คือชิพที่มีพลังงานประมวลผลสูง แต่ใช้พลังงานน้อย ซึ่ง ณ วันนี้ยังไม่ชัดเจนว่า GPU, FPGA, ASICs หรือ AI chip จะเหมาะสมที่สุด
(AI chip ชื่อว่า AI chip ก็จริง แต่ในปัจจุบันยังไม่ได้เป็นชิพที่ถูกพัฒนาขึ้นเพื่อใช้ใน AI Datacenter เป็นหลัก แต่เป็นชิพที่อยู่ในมือถือของ Apple หรือ Huawei ซึ่งมักจะผลิตโดยใช้สถาปัตยกรรมชิพจากบริษัท ARM architecture)

...

กลับมาที่บริษัทผู้พัฒนาชิพ ซึ่งประกอบไปด้วย 3 กลุ่มหลัก
กลุ่ม 1 คือผู้นำในตลาดดั้งเดิมคือ Intel, AMD, Nvidia, Xilinx และ ARM
กลุ่ม 2 คือบริษัทยักษ์ใหญ่ที่พัฒนาเพื่อใช้ใน Device หรือ Data center ของตัวเองเป็นหลัก เช่น Apple, Google, Microsoft, Huawei
กลุ่ม 3 คือบริษัท Startup ต่างๆ

ในตลาดชิพสำหรับ Training Phase นั้น ปัจจุบัน Nvidia เป็นผู้นำในตลาด

ด้วยสาเหตุว่าในปัจจุบัน GPU เป็นชิพที่เหมาะสมที่สุดกับเทคนิคแบบ Deep learning และ Nvidia ก็เลือกที่จะพัฒนา Software platform สำหรับผู้พัฒนา AI ทำให้ Nvidia อยู่ในสถานะผู้นำที่โดดเด่น

ในขณะที่ชิพที่ใช้สำหรับ Inferencing AI ยังไม่ชัดเจนว่าชิพประเภทไหน และบริษัทใดจะเป็นผู้ชนะ ซึ่งเป็นส่วนที่ทั้งบริษัทยักษ์ใหญ่ และบริษัท Startup พยายามจะเข้ามาพัฒนากันอยู่

ในอนาคตระยะยาว มีความเป็นไปได้ว่าความพยายามของกลุ่มที่ 2 หรือ 3 จะสำเร็จ และมีชิพประเภทใหม่ๆ เกิดขึ้น ซึ่งเหมาะสมสำหรับใช้ใน Traning Phase มากกว่า GPU

แต่ด้วยลักษณะเฉพาะของธุรกิจชิพที่มีความซับซ้อน และลักษณะการแข่งขันของกลุ่มผู้พัฒนา AI ที่ต่างก็อยากจะเร่งการพัฒนาให้เร็วที่สุด การใช้ GPU ซึ่งเป็นเทคโนโลยีที่เป็น standard ของอุตสาหกรรมในปัจจุบัน จึงเป็นทางเลือกหลักของบริษัทส่วนผู้พัฒนา AI ส่วนใหญ่

อีกหนึ่งประเด็นที่น่าสนใจคือ ธุรกิจชิพเป็นธุรกิจที่มี Learning Curve สูงมาก จะสังเกตเห็นได้ว่าบริษัททั้ง 5 แห่งในกลุ่มผู้นำดั้งเดิมต่างก็ก่อตั้งมานานกว่า 25 ปี (Intel ครองตลาดชิพที่ใช้ใน PC มายาวนานกว่า 40 ปี) และจนถึงตอนนี้ก็ยังไม่มีผู้พัฒนาชิพ startup รายได้ที่จะก้าวขึ้นมาช่วงชิงตำแหน่งผู้นำจากกลุ่มผู้พัฒนาชิพดั้งเดิมได้ ในขณะที่กลุ่มผู้พัฒนาชิพดั้งเดิมก็เคยผ่านการแข่งขันที่เข้มข้น จนมาถึงจุดที่เหลือผู้ชนะเพียงไม่กี่รายในชิพแต่ละประเภท

...

บทส่งท้าย

ผมเขียนบทความ Series นี้โดยมีความตั้งใจว่าอยากจะเล่าเนื้อความโดยสรุปของ AI และ VI ให้มากที่สุด แต่ก็อยากให้ผู้อ่านพึงระวังในหลายๆ ประเด็นดังนี้ครับ

1. บทความนี้ประกอบไปด้วย Fact และ Opinion ส่วนบุคคล ผู้อ่านควรแยกแยะ 2 สิ่งนี้ออกจากกัน

2. ผมไม่ใช่ผู้ที่คร่ำหวอดในวงการ IT ข้อมูลที่ผมนำเสนอจึงอาจผิดพลาดได้

3. บทความ Series นี้พยายามอธิบายถึงความสำคัญ และผู้เล่นในธุรกิจ AI รวมไปถึงพยายามอธิบายว่าใครจะเป็นผู้ชนะในส่วนของ AI แต่(นอกจากผมอาจจะคาดการณ์ผิดแล้ว)ยังมีเรื่องของธุรกิจอื่นๆ (บริษัทส่วนใหญ่ยังไม่ได้มีรายได้หลักมาจากธุรกิจ AI) เรื่องของสภาวะตลาด และเรื่อง Valuation ที่ผู้อ่านควรพิจารณาประกอบด้วย อยากขอร้องว่า อย่าซื้อหุ้นรายตัวใดๆ ที่ผมพูดถึงในบทความนี้โดยไม่ศึกษาเพิ่มเติม

4. ผมมีหุ้นบางตัวที่ผมได้กล่าวถึงในบทความนี้ แต่ผมไม่ได้มีเจตนาจะเขียนบทความนี้เพื่อเชียร์หุ้นแต่อย่างใด อันที่จริงผมมีเจตนาที่จะถือหุ้นใน Time frame ที่ยาว และขนาดของหุ้นที่ผมถือก็ใหญ่มาก จนไม่ว่าผมจะเชียร์หุ้นตัวไหน อย่างไร เม็ดเงินของนักลงทุนรายย่อยไทยก็คงไม่ส่งผลใดๆ ต่อราคาหุ้นอยู่ดี

สุดท้ายนี้ ผมอยากจะขอขอบคุณทุกแหล่งข้อมูลและแหล่งอ้างอิง(ที่มากมายเกินกว่าจะกล่าวถึงทั้งหมด) โดยเฉพาะอาจารย์ Picatos ซึ่งเป็นผู้จุดประกายให้ผมหันมาศึกษาเรื่อง AI อย่างจริงจัง ถ้าบทความนี้เป็นประโยชน์สำหรับผู้อ่าน ก็ขอยกความดีความชอบให้กับอาจารย์ Picatos และบรรดาแหล่งข้อมูลที่ผมได้ศึกษามา แต่ถ้าบทความนี้มีข้อผิดพลาดประการใด ผมในฐานะผู้เขียนต้องขอกราบขออภัย และขออโหสิกรรมจากผู้อ่านทุกท่าน มา ณ ทีนี้ด้วยครับ

[นายมานะ]

ขอแถมอีก 1 บทนะครับ

วิธีมองอนาคตแบบ First indicator และ Integrated thinking

เมื่อถามว่าอนาคตจะเป็นอย่างไร? เรามักมองอนาคตด้วยวิธีใดวิธีหนึ่งจาก 2 วิธีนี้
1. ทำนายอนาคตแบบง่ายๆ ด้วยสัญชาตญาณ
2. ทำนายอนาคตโดยการศึกษาข้อมูลเทียบเคียงในอดีต

เช่น หากเราไปถามผู้เข้าร่วมประมูลดิจิตอลทีวีเมื่อ 5 ปีก่อนว่า ช่องทางออนไลน์จะเป็นภัยทางธุรกิจในอีก 5-10 ปีข้างหน้าหรือไม่? ผู้เข้าร่วมประมูลส่วนใหญ่คงจะอธิบายให้เราเห็นภาพว่า ทำไม Youtube จึงยังไม่สามารถที่จะทดแทนธุรกิจทีวีแบบดั้งเดิมได้ (ผู้เข้าร่วมประมูลส่วนใหญ่ยังอาจจะเล่าเสริมด้วยว่าหลังประมูลดิจิตอลทีวีแล้ว ช่องของตัวเองจะแย่ง Market share จากช่อง 3 หรือ ช่อง 7 ที่ครองความยิ่งใหญ่ในตอนนั้นได้อย่างไร)

นี่คือตัวอย่างของการทำนายอนาคตด้วยวิธีคิดแบบง่ายๆ ตามสัญชาตญาณ หรือตามสิ่งที่เราอยากให้มันเกิดขึ้น

วิธีที่ดีกว่าวิธีแรกคือการศึกษาข้อมูลเทียบเคียงในอดีต

คนที่ทำการบ้านหน่อย คงจะไม่ยอมจ่ายเงินค่าประมูล 2,000 ล้านให้กับธุรกิจที่กำลังจะถูก disrupt คนกลุ่มนี้จึงคงไม่ตัดสินใจโดยอาศัยแค่สัญชาตญาณ แต่น่าจะไปศึกษาเทรนด์ของธุรกิจทีวีในประเทศที่พัฒนาแล้ว อย่างยุโรปหรืออเมริกาก่อน

แต่หลังจากศึกษาแล้วคนกลุ่มนี้ก็ยังตัดสินใจประมูลทีวีดิจิตอลอยู่ดี และจะตอบคำถามด้วยข้อสรุปที่คล้ายกับคนกลุ่มแรกว่า ธุรกิจทีวีจะยังคงเติบโตไปอีกหลายปี นั่นเพราะในช่วง 5 ปีที่ผ่านมา ตัวเลขของยุโรปและอเมริกาก็ยังคงเติบโตอยู่

แต่อย่างที่เราทุกคนทราบกันว่าในปัจจุบันว่าสื่อออนไลน์เริ่มจะเข้ามาคุกคามทีวีมากขึ้นเรื่อยๆ และหากมีการประมูลดิจิตอลทีวีอีกครั้ง ค่าประมูลก็น่าจะลดลงมามาก หรืออาจจะไม่ถึงครึ่งหนึ่งของครั้งแรกก็ได้ การทำนายอนาคตด้วยวิธีคิดทั้งแบบ 1 และ 2 จึงน่าจะมีข้อจำกัดอยู่

ในบทความนี้ ผมจะลองขออีก 2 วิธีการเข้ามาประกอบ วิธีคิดแบบแรก ผมตั้งชื่อว่า First leading indicator (ในทางวิชาการจริงๆ มักจะใช้คำว่า First Principle) ซึ่งในบทความนี้จะขอใช้คำที่กระชับกว่า นั่นคือคำว่า First Indicator ครับ
...

วิธีคิดแบบ First indicator คือการหา เหตุตั้งต้นแรกสุดของเรื่องราวต่างๆ เช่น
1. ทำไมเราชอบกินเบคอน มากกว่าเนื้อหมูดิบ?
2. ทำไมเราขี้เกียจออกกำลังกายทั้งที่มันดีต่อสุขภาพ?

เราชอบกินเบคอนมากกว่าหมูดิบๆ ถ้าคิดแบบผิวเผินเราก็อาจบอกว่า เบค่อนอร่อยกว่าหมูดิบ

แต่ถ้าคิดถึงเหตุตั้งต้นแรกสุด เราอาจต้องไปศึกษากระบวนการทำงานของร่างกายและสมอง

เราจะพบว่าสาเหตุเราชอบเบคอนมากกว่า เพราะหมูที่ปรุงสุกแล้วร่างกายย่อยได้ง่ายกว่า และมีเชื้อโรคน้อยกว่า

สมองเรามีหน้าที่หลัก 2 อย่างคือ รักษาชีวิตให้รอด และ ส่งต่อยีนส์ของเราไปให้ได้มากที่สุด การประหยัดพลังงาน support ไอเดียแรก นั่นเป็นเหตุผลให้สมองสั่งให้เราชอบเบคอน และเกลียดการกินหมูดิบ

ในขณะที่การออกกำลังกายก็เป็นหนึ่งในกระบวนการที่ทำให้ร่างกายใช้พลังงาน สมองของเราที่เคยชินกับการเอาชีวิตรอดในระยะสั้นๆ จึงมีแนวโน้มที่ชอบการเก็บรักษาพลังงานมากกว่าการใช้พลังงาน

แต่พอเป็นเรื่องของ Sex แล้ว สมองเราอาจจะคิดไม่เหมือนกัน ถึงแม้ว่า Sex จะเป็นการใช้พลังงานแบบเดียวกับการออกกำลังกาย แต่มันก็เปิดโอกาสให้เราได้ส่งต่อยีนส์ให้อยู่รอดไปได้ในระยะยาว

(แม้ว่าในปัจจุบันจะมีคนเสียชีวิตจากโรคอ้วนไม่น้อยไปกว่าการขาดสารอาหารแล้วก็ตาม แต่สมองของเราก็จะยังดูจะไม่อัพเดทจากเมื่อ 70,000 ปีก่อนเท่าไหร่)

วิธีคิดแบบ First indicator ทำให้เราเห็นเหตุผลที่แท้จริงของเรื่องราวต่างๆ แต่มันใช้ในการศึกษาอนาคตได้อย่างไร?
...

ย้อนกลับไปที่ตัวอย่างแรกนั่นคือเรื่องของดิจิตอลทีวี

หากเราใช้วิธีคิดแบบง่ายๆ หรือการศึกษาเหตุการณ์ในอดีต เราก็น่าจะมองออกได้ยากว่า ทำไมเราจึงไม่ควรจ่ายเงินหลัก 2,000 ล้านเพื่อประมูลสิ่งที่น่าจะถูก disrupt ในอนาคต

แต่วิธีคิดแบบ First indicator อาจจะทำให้เราได้คำตอบที่ต่างออกไป

รายได้ของอุตสาหกรรมทีวีในแถบตะวันตกปี 2551-2556 (ปี 2556 คือปีที่ประมูลดิจิตอลทีวี) อาจจะยังมีแนวโน้มเติบโตอยู่จริง แต่มันก็เทียบไม่ได้เลยกับการเติบโตของ Youtube

การศึกษาเรื่องนี้น่าจะทำให้เราเห็นว่า % Market share ของออนไลน์กำลังกลืนส่วนของทีวีมากขึ้นเรื่อยๆ

และถ้าเรามองลึกลงไปด้วยวิธีคิดแบบ First indicator เราไม่ควรจะใช้ “Market share ของรายได้” มาเป็นข้อสรุป เพราะรายได้เป็น Lag indicator เราควรจะศึกษา “Market share ของ Eyeball” ซึ่งเป็น Leading indicator ของรายได้มากกว่า
...

วิธีคิดสำหรับการใช้มองอนาคตอีกเรื่องหนึ่งที่ผมเห็นว่าสำคัญไม่แพ้เรื่อง First indicator คือการคิดแบบ Integrated thinking โดยผมแยกย่อยวิธีการคิดแบบนี้เป็น 2 ลักษณะใหญ่ๆ
1. มองแบบ “ผลกระทบชิ่ง” จากเรื่องหนึ่งไปสู่อีกเรื่องหนึ่ง
2. มองอนาคตแบบจิ๊กซอว์ และต่อมันเป็น “ภาพใหม่”

โดยวิธีคิดแบบข้อแรก ผมจะใช้ตอบคำถามว่าเทคโนโลยีจะกระทบธุรกิจอสังหาริมทรัพย์อย่างไร และวิธีคิดแบบที่สอง จะใช้ตอบคำถามว่า เทคโนโลยีจะกระทบกับธุรกิจการแพทย์อย่างไรครับ

1. การมองแบบผลกระทบชิ่ง
เมื่อเราพูดถึงอนาคตเรื่องใดเรื่องหนึ่ง เรามักไม่ไปให้สุด

เช่น เมื่อเราพูดว่า Youtube จะแทนที่ทีวีหรือไม่ เราก็อาจได้ข้อสรุปที่ไม่สุดแค่ว่า ทีวีน่าจะถูก disrupt ในวันใดวันหนึ่งข้างหน้า

แต่หากเรามองผลกระทบชิ่งของเรื่องราวเหล่านี้ เราจะพบว่าออนไลน์ไม่ได้จะมา disrupt แค่ทีวีซึ่งเป็น distribution channel เท่านั้น แต่มันยังส่งผลให้ supply chain ของธุรกิจ content เปลี่ยนแปลงตามไปด้วย

ในอดีตถ้าเราอยากเป็นนักร้อง และร้องเพลงให้มีคนฟังเรามากกว่า 1 ล้านคน นับเป็นเรื่องที่ยิ่งใหญ่มาก เราเลยอาจได้เห็นการฉลอง “อัลบั้มล้านตลับ” ของนักร้อง Grammy หรือ RS ในสมัยก่อน

นักร้องเหล่านี้มีเส้นทางชีวิตที่ไม่ง่าย ถ้าเป็นคนต่างจังหวัดคุณจะต้องเริ่มจากย้ายมาอยู่ในกทม. และร้องเพลงตามไนต์คลับ

นอกจากร้องเพลงเพราะแล้ว คุณยังต้องอาศัยโชคด้วย ถ้าโชคดีอาจมีคนเห็นแวว แต่ถ้าโชคร้ายก็อาจถูกแมวมองหลอกให้แลกข้อสัญญากับเรื่องบนเตียงก็ได้

หลังจากเซ็นสัญญา คุณต้องร้อง 6-10 เพลง เพื่อรวมเป็น 1 อัลบั้ม นำไปผลิตเป็นเทป ส่งขายที่ร้าน ไปโปรโมทผ่านรายการวิทยุ กว่าที่เพลงของคุณจะมีคนฟังสักคนมันช่างยากเย็น

ในปัจจุบัน Youtube ทำให้ชีวิตของนักร้องง่ายขึ้นมาก และไม่เพียงแต่ Youtube มีโอกาสจะ disrupt ทีวีได้ แต่มันยังทำให้ธุรกิจที่เกี่ยวเนื่องอย่าง วิทยุ ร้านขายเพลง รวมถึงค่ายเพลง และผู้ผลิต content ลำบากตามๆ กันไปด้วย

ในขณะที่ผู้ผลิต Youtube ไม่ได้คิดจะมาหาเรื่อง Grammy หรือ RS สตีฟ จ็อบส์เองก็คงไม่ผลิต iPhone มาเพื่อแทนที่ธุรกิจสมุดโน้ตหรือนาฬิกาปลุก นี่คือตัวอย่างของผลกระทบชิ่ง
…

ธุรกิจใหม่อย่าง AV (Autonomous Vehicle) เป็นตัวอย่างที่ดีมากของผลกระทบชิ่งที่จะเกิดขึ้นตามมา

ผลกระทบชิ่งแรกที่จะเกิดขึ้นจาก AV ก็คือ ทำให้คนเป็นเจ้าของรถยนต์น้อยลง

ถ้ามองแค่นี้เราก็จะคิดว่าคนที่ถูกกระทบก็น่าจะเป็นผู้ผลิตรถยนต์ หรือผู้ผลิตชิ้นส่วน ไม่ใช่อสังหาริมทรัพย์รึเปล่า?

แต่ถ้าเรามองผลกระทบชิ่งจากการที่คนเป็นเจ้าของรถน้อยลง เราจะเห็นว่าผลที่ตามต่อมาคือ ความจำเป็นที่จะใช้ที่จอดรถก็จะน้อยลงตามไปด้วย

95% ของรถยนต์ส่วนบุคคล ถูกจอดไว้ในที่จอดรถ มากกว่าจะอยู่บนท้องถนน และที่ดินถึง 30% ของประเทศอเมริกาก็ถูกใช้เพื่อเป็นที่จอดรถยนต์

ทุกวันนี้ในกทม.มีรถจดทะเบียนมากกว่า 6 ล้านคัน และถูกประเมินว่ามากกว่าพื้นที่ถนนที่รองรับได้ถึง 4.4 เท่า

เมื่อรถยนต์ขับเคลื่อนด้วยตัวเอง เราก็ไม่จำเป็นต้องเป็นเจ้าของมัน และเราก็ไม่จำเป็นต้องหาที่จอดในเมืองให้มันด้วย

หลังการเกิดขึ้นของ AV ห้างสรรพสินค้า น่าจะมีพื้นที่จอดรถน้อยลง

พื้นที่ 30% ที่ใช้จอดรถแบบดั้งเดิม น่าจะถูกเปลี่ยนให้เป็นพื้นที่ใช้สอยอื่นๆ

โรงพยาบาลในตัวเมืองอาจเพิ่มจำนวนขึ้น หรือเราอาจจะได้พื้นที่สีเขียวเพิ่มมากขึ้นกว่าเดิม

ในขณะที่เมื่อ AV ทำให้การจราจรติดขัดน้อยลง การเดินทางจากเข้าเมืองในช่วงรถติดที่ใช้เวลามากกว่า 1-2 ชม. ก็อาจเหลือแค่ 15-30 นาที นอกจากนี้เรายังสามารถจะดูข่าวสาร หรือกินอาหารเช้าบนรถได้อีกด้วย

ความจำเป็นในการอาศัยอยู่ในตัวเมืองอาจลดลง และราคาที่ดินบริเวณชานเมืองก็อาจมีค่ามากขึ้น

นี่คือผลกระทบชิ่งที่เมื่อเราพัฒนา AI ไปรวมกับรถยนต์แล้ว จะส่งผลกระทบต่อธุรกิจอสังหาริมทรัพย์อย่างไร
…

2. การมองแบบต่อจิ๊กซอว์ เป็นภาพใหม่
หลายๆ คนอาจจะเชื่อว่าอาชีพที่มี human touch อย่างครู หรือแพทย์ ไม่สามารถถูกแทนได้ด้วยเทคโนโลยี

ส่วนตัวผมคิดว่าอาชีพเหล่านี้อาจจะถูกทดแทนได้ช้ากว่าอาชีพแบบ routine ก็จริงอยู่ แต่ไม่ควรจะใช้คำว่าไม่สามารถถูกทดแทนได้

ทุกวันนี้ในห้องเรียนส่วนใหญ่มีนักเรียนประมาณ 30-50 คน

แต่เทคโนโลยีก็เริ่มเปลี่ยนให้ครู 1 คนสอนนักเรียนในมหาวิทยาได้ทีละหลายร้อยคน

ในขณะครูสอนพิเศษอัดวีดีโอ 1 เทป อาจสอนนักเรียนได้เป็นหลักพัน หรือหลักหมื่นคน

เด็กนักเรียนยอมจ่ายเงินไปเรียนพิเศษ เพราะได้เรียนกับครูที่เก่งกว่า ครูที่สอนในห้องแบบ face to face

จะเกิดอะไรขึ้นถ้าเราได้เรียนกับคนที่เก่งที่สุดในโลกได้แบบฟรีๆ

Khan academy ก่อตั้งโดย Salmon Khan ซึ่งจบปริญญา 3 ใบจาก MIT และเคยทำงาน Hedge fund มาก่อน

สำหรับวิชาเลข Khan มีสอนตั้งแต่ วิชา “นับเลข” สำหรับเด็กทารก ไปจนถึงวิชาแคลคูลัส

ในอนาคต เมื่อเทคโนโลยี AR และ VR เข้ามามีบทบาทมากขึ้น และ Google translate แปลภาษาได้ดีขึ้น

ทำไมเรายังต้องเรียนกับคุณครูธรรมดาๆ ในโรงเรียนประถมหรือมัธยม เมื่อเลือกที่จะเรียนกับครูที่เก่งที่สุดในโลกได้ฟรีๆ?
...

สิ่งเหล่านี้น่าจะเกิดขึ้นกับวงการการแพทย์ด้วย

ในอนาคต เราอาจจะเลือกขอคำแนะนำจากแพทย์ที่อาศัยอยู่เยอรมันหรือญี่ปุ่น ผ่านโรงพยาบาลท้องถิ่น

แพทย์อาจวินิจฉัยให้เราทำการผ่าตัด โดยเราไม่ต้องบินไปพบและแพทย์ก็ไม่ต้องบินมาหาเรา

ถ้าอุปกรณ์ในโรงพยาบาลท้องถิ่นเพียงพอแพทย์ก็อาจสั่งให้ AI ทำการผ่าตัดเราโดยตรงได้เลย แต่ถ้าไม่พอก็แค่ย้ายเราไปโรงพยาบาลในตัวเมืองเท่านั้นเอง

หากเรามองแค่ AI มิติเดียว และมองในเรื่องของการแทนที่ เราอาจคิดแค่ว่า AI จะทำหน้าที่ครูหรือแพทย์ได้หรือไม่

แต่หากเรามององค์ประกอบต่างๆ ของเทคโนโลยี เราจะพบว่าเทคโนโลยีไม่จำเป็นต้องเข้ามาทดแทน เพื่อที่จะทำให้หมอหรือครูที่ไม่เก่งต้องตกงาน และ AI ก็ไม่ใช่เทคโนโลยีเดียวที่จะเข้ามาทดแทนแรงงานมนุษย์

เมื่อเราประกอบไอเดียนี้เข้ากับวิธีคิดแบบ First indicator เราจะพบว่า “การรักษา” ไม่ใช่ “Best practice” ของการแพทย์ด้วยซ้ำ

สำหรับการค้าปลีกแล้ว Best practice ไม่ใช่การขับรถไปหลายชม.เพื่อซื้อของ แต่เป็นให้ของวิ่งมาหาเราถึงที่ต่างหาก

ในขณะที่ Best practice ของการแพทย์ก็ไม่ใช่การรักษา แต่เป็น “การป้องกัน” มากกว่า

เทคโนโลยีใหม่ๆ อย่าง Crispr-Cas9 ใช้วิธีการผ่าตัดยีนส์ที่มีความเสี่ยงที่จะทำให้เราเป็นเอดส์หรือมะเร็งออกไป

ในวันนี้เทคโนโลยีนี้อาจยังไม่สมบูรณ์ แต่เมื่อไหร่ที่สมบูรณ์แล้ว การรักษาโรคอาจกลายเป็นเรื่องล้าสมัย

จะดีกว่ามั้ย ถ้าเราไม่ป่วยตั้งแต่แรก?

ในอนาคตข้างหน้า เราอาจฝังชิปสักอย่างไว้ในร่างกาย เพื่อ monitor สภาพร่างกายเราตลอดเวลา

การวินิจฉัยโรคด้วยการถาม-ตอบ อาจเป็นอีกเรื่องที่ล้าสมัย

โรงพยาบาลอาจเหลือหน้าที่หลักแค่เป็นที่ให้กำเนิดเด็ก เพราะเด็กที่กำเนิดใหม่อาจจะถูกผ่าตัดปรังปรุงพันธุกรรมในทันที และไม่จำเป็นต้องฉีดวัดซีนหรือเข้ารับการรักษาโรคอื่นๆ อีกเลย เว้นแต่การเกิดอุบัติเหตุ

แต่การเกิดอุบัติเหตุบนท้องถนนก็อาจหมดไปเพราะเทคโนโลยี AV และคดีทำร้ายร่างกายก็อาจหมดไปด้วยเทคโนโลยี Smart city แบบที่จีนกำลังทำอยู่

ถ้ามองเผินๆ เทคโนโลยี AI อาจจะไม่ได้กระทบอะไรกับอาชีพแพทย์เลย แต่ถ้ามองให้ลึกลงไปในระยะยาวแล้ว อาชีพแพทย์กำลังถูกคุกคามจากเทคโนโลยีในหลายมิติเลยทีเดียว

ถ้ามองเผินๆ อาจมีแค่อาชีพอย่างคนขับรถ หรือ Call center ที่สามารถถูกทดแทนได้ด้วยเทคโนโลยี

แต่เทคโนโลยีซับซ้อนกว่านั้นมาก

ในขณะที่ม้าถูกรถยนต์ทดแทน เสมียนที่ใช้วิธีลงบัญชีผ่านปากกา ก็คงไม่คิดว่าจะถูก Microsoft Excel ทดแทน

แต่หลังจากคอมพิวเตอร์ส่วนบุคคลเพิ่งจะบูมได้แค่ 20-30 ปี คน 1 คนกับคอมพิวเตอร์ 1 เครื่องก็เพียงพอจะทดแทนเสมียนที่ใช้กระดาษได้เป็นร้อยๆ คน

เวลา 20-30 ปี อาจดูเหมือนยาวนาน แต่หลายคนก็ลืมคิดถึงมิติในเรื่องของ “ความรุนแรงของผลกระทบ”
...

ของแถมส่งท้าย
สมมติพรุ่งนี้ มีมนุษย์ต่างดาวส่งข้อความมาถึงโลกของเรา

“สวัสดีมนุษย์โลก เราขอเตือนให้ท่านทราบว่า ในอีก 20 หรือ 30 ปีข้างหน้า เราจะปลดแอกอาชีพทั้งหมดของพวกท่าน ไม่ว่าท่านจะเป็นพนักงานออฟฟิศ แพทย์ ครู หรือทนาย ทั้งหมดจะไม่มีความสำคัญอีกต่อไป”

หลังจากฟังข้อความนี้ เราและโลกอาจจะโกลาหลกับสิ่งที่เกิดขึ้น

เพราะนอกจากเราจะกลัวตกงานแล้ว เรายังไม่รู้ว่ามนุษย์ต่างดาวที่น่าจะฉลาดกว่าเราจะทำอะไรกับเราบ้าง?

ถึงอาจจะกินเวลา 20-30 ปี แต่การมาถึงของสิ่งที่ฉลาดกว่าเราย่อมทำให้เรากังวลใจ

มนุษย์ต่างดาวจะส่งมอบอารยธรรมที่ยิ่งใหญ่จนเปลี่ยนเราให้กลายเป็นเทพเจ้าของโลกใบนี้ เราเลยอาจจะไม่ต้องทำงานอีกต่อไป

หรืออาจจะมากำจัดเราจนสูญสิ้นเผ่าพันธ์ุเลยก็เป็นได้

แต่พอแทนที่คำว่า “มนุษย์ต่างดาว” ด้วย “AI” แล้ว พวกเราชาว Sapiens ก็ดูจะนิ่งนอนใจได้มากกว่าเดิมมาก

มีการทำงานวิจัยในกลุ่มผู้เชี่ยวชาญด้าน AI

มากกว่า 40% เชื่อว่า เราจะสามารถสร้าง AGI (Artificial general intelligence = AI ที่ฉลาดในระดับเดียวกับมนุษย์) เกิดขึ้น ภายในปี 2030

มากกว่า 70% เชื่อว่า AGI จะเกิดขึ้น ในปี 2050

และมีเพียง 2% เท่านั้นที่ไม่เชื่อว่า AGI จะเกิดขึ้น

หากผู้เชี่ยวชาญบอกว่ามีโอกาสถึง 70% ที่ข้อความของมนุษย์ต่างดาวจะเป็นจริง Sapiens อย่างเราคงจะตื่นตระหนกกว่านี้

AGI ไม่ได้ต่างอะไรกับข้อความมนุษย์ต่างดาวเท่าไหร่ มันน่าจะ มาแทนที่อาชีพของพวกเราส่วนใหญ่(ถ้าไม่ใช่ทั้งหมด) ไม่แน่ว่ามันอาจจะทำให้เรากลายเป็นเทพเจ้า หรือไม่ก็ทำให้เราสูญพันธ์ไป และสิ่งเหล่านี้ก็มีโอกาสที่จะเกิดขึ้นในอีก 20-30 ปีข้างหน้า

ไม่รู้ว่าโชคดีหรือร้ายที่ AI ไม่ได้ทำให้พวกเราเหล่า Sapiens หวาดกลัวได้เมื่อเทียบกับข้อความจากสิ่งที่เราไม่รู้จักต่างโลก...

อนึ่ง บทความทั้งหมดนี้เป็นความคิดเห็นส่วนบุคคล โปรดใช้วิจารณญาณในการอ่าน ถ้าผิดพลาดประการใดขออภัยด้วยครับ

[นายมานะ]

แหล่งอ้างอิงและข้อมูลน่าสนใจเพิ่มเติมครับ

1. หนังสือ
1.1 Sapiens โดยคุณ Yuval Noah Harari (มีแปลไทย)
1.2 Homo Deus โดยคุณ Yuval Noah Harari (ไม่มีแปลไทย)
1.3 Rise of the Robots โดยคุณ Martin Ford (มีแปลไทย)
1.4 The Second Machine Age โดยคุณ Erik Brynjolfsson และคุณ Andrew McAfee (ยังไม่มีแปลไทย)
1.5 AI superpower โดยคุณ Kai Fu Lee (ยังไม่มีแปลไทย)

2. Ted talk
2.1 What will future jobs look like? โดยคุณ Andrew McAfee (หนึ่งในผู้เขียน The second machine age)
https://www.youtube.com/watch?v=cXQrbxD9_Ng
2.2 Can we build AI without losing control over it? | Sam Harris
https://www.youtube.com/watch?v=8nt3edWLgIg
2.3 Abundance is our future | Peter Diamandis
https://www.youtube.com/watch?v=BltRufe ... e=youtu.be
2.4 How to build a business that last 100 years | Martin Reeves
https://www.ted.com/talks/martin_reeves ... s#t-526049
2.5 How Will Artificial Intelligence Affect Your Life | Jeff Dean
https://www.youtube.com/watch?v=BfDQNrVphLQ
2.6 The Rise of Artificial Intelligence through Deep Learning | Yoshua Bengio
https://www.youtube.com/watch?v=uawLjkSI7Mo&t=212s

3. Kurzgesagt – In a Nutshell (ํYoutube channel)
3.1 What Happened Before History? Human Origins
https://www.youtube.com/watch?v=jAhjPd4uNFY&t=450s
3.2 A New History for Humanity – The Human Era
https://www.youtube.com/watch?v=czgOWmtGVGs

(ข้างล่างนี้เป็นเรื่อง CRISPR Cas 9 ขอแถมไว้หน่อยนะครับ)
3.3 Genetic Engineering Will Change Everything Forever – CRISPR
https://www.youtube.com/watch?v=jAhjPd4uNFY
3.4 Why Age? Should We End Aging Forever?
https://www.youtube.com/watch?v=GoJsr4IwCm4
3.5 How to Cure Aging – During Your Lifetime?
https://www.youtube.com/watch?v=MjdpR-TY6QU

4. บทความ
4.1 The AI Revolution: The Road to Superintelligence
https://waitbutwhy.com/2015/01/artifici ... ion-1.html
4.2 Fasten Your Seatbelts: Google's Driverless Car Is Worth Trillions (มี 7 parts)
https://www.forbes.com/sites/chunkamui/ ... ce72c979dd
4.3 How Elon Musk Learns Faster And Better Than Everyone Else
https://medium.com/the-mission/how-elon ... .5v2zt9z29

(ข้างล่างนี้เป็นเรื่อง Bran Machine Interface ขอแถมไว้หน่อยนะครับ)
4.4 Neuralink and the Brain’s Magical Future
https://waitbutwhy.com/2017/04/neuralink.html
4.5 Brain-Machine Interface Isn't Sci-Fi Anymore
https://www.wired.com/story/brain-machi ... i-anymore/

ยังมีบทสัมภาษณ์ Celeb อีกหลายคน มีข่าว มีกราฟ และมีบทความอีกบางฉบับ (ที่บางอันผมก็จำไม่ได้แล้วว่าอ่านตอนไหน เมื่อไหร่ บางอันผมอ่านแบบเป็น hard paper) รวมๆ แล้ว ผมกลัวจะเยอะเกิน และไม่เหมาะสมที่จะเอามารวมไว้ที่นี่ (ผมพยายามคัดเฉพาะอันที่น่าสนใจและย่อยง่ายๆ แล้ว แต่ก็ยังรู้สึกเยอะอยู่ดี ^^") คิดว่าถ้าใครสนใจประเด็นต่างๆ ไม่ว่าจะเป็น AI, Self-driving car, BMI, Crispr-cas9 เนื้อหาที่รวบรวมไว้ในที่นี้น่าจะครบถ้วนระดับหนึ่งครับ

[ดำ]

เว็บไทยวีไอยังไม่สิ้นบทความดีๆ

ขอบคุณครับที่ตัดสินใจไม่ทิ้งกัน

[นายมานะ]

ขอบคุณครับพี่ดำ หวังว่าจะเป็นประโยชน์ครับพี่

[romee]

แม้ในเวลาที่เวบเกือบจะไม่มีคนอยู่
แต่มีอีก1กระทู้ที่ควรค่ากับการดู
กับบทความAI มันเป็นสไตล์ของน้องตู้
ยิ่งอ่านยิ่งได้รู้ ว่าคนเขียนนะโคตรCool

#ไทยวีไอกูมี #ไทยวีไอกูมี

ขอบคุณที่นำมาเรียบเรียง เป็นบทความดีๆครับ

[dr1]

ครั้งสุดท้ายที่ได้อ่านอะไรเจ๋งๆแบบนี้น่าจะเป็นอนาคตทำนายของอัลวิน ทอฟเลอร์มั้งฮะ

บทความสุดยอดระดับ”สมาคมกู(ก็)มี”แบบนี้
สมควรย้ายไปคลังกระทู้คุณค่าฮะ

[pen2009]

ขอบคุณค่ะ

[saichon]

ชอบมากครับ
ขอบคุณครับ

[drget]

thank krub

[พ่อน้องเพชร]

ถ้ากดบวกได้10ครั้ง จะกดให้เลย บทความสุดยอดจริงๆ แถมมีอ้างอิงชัดเจน เป็นวิชาการ คนเขียนมีความรู้มากๆ เปิดสมองผมได้อย่างมากเลย ต้องค่อยๆอ่านเพื่อทำความเข้าใจตามไปด้วย ให้สมองได้ซึมซับเข้าไป

[kongkiti]

เยี่ยมยอดมากเลยอาจารย์ตู้

[amornkowa]

ขอบคุณน้องตู้มากครับ ที่สรุปได้อย่างละเอียด พี่อ่านแค่บางเล่ม แต่ก็สามารถเรียนรู้จาก4บทความ ทำให้เข้าใจAI มากขึ้น
ชอบในส่วนของแถม ที่พูดแต่ละอุตสาหกรรมได้เห็นภาพเลย ถือเป็นบทพิสูจน์สำหรับคนตั้งใจอ่าน ถ้าไม่ตั้งใจพอก็ไม่สามารถ
อ่านได้จบ บทความที่ยาวมากๆนี้ครับ

[IWILLBEVI]

สุดยอดเลยครับ เขียนสรุปได้ดี มีที่มาที่ไป เรียบเรียงให้เข้าใจง่าย ผมอ่านหนังสือมาหลายเล่มแต่คิดว่าบทความอันนี้ sum up แนวคิดและผลกระทบของ AI ได้อย่างยอดเยี่ยม ผมขอแชร์บทความนี้ให้กลุ่มเพื่อนๆได้รับประโยชน์ได้ไหมครับ ขอบคุณอีกครั้งในความตั้งใจเขียนบทความดีๆอย่างนี้ออกมาให้อ่านกัน

[นายมานะ]

ขอบคุณทุกท่านเลยครับ ท่านใดมีประเด็นสอบถามหรือเสนอแนะใดๆ ผมยินดีรับฟังเป็นอย่างยิ่ง และถ้าท่านใดเห็นว่าบทความมีประโยชน์และช่วยแชร์ออกไปก็ขอขอบพระคุณไว้ ณ ที่นี้ด้วยครับ

[smallpunk]

บทความดีมากๆเลยครับ ชื่นชม และขอบคุณมากๆเลยครับนายมานะ
รออาจารย์ตี่มาร่วมคอมเมนท์ครับ

[boypeter]

ขอบคุณครับ สำหรับบทความดีดี

ทำให้เปิดโลกทรรศ AI กับอนาคตได้เป็นอย่างดี ถึงเเม้จะอ่านรู้เรื่อง ไม่รู้เรื่องบ้างในบางศัพท์เทคนิค
สรุปมาจากหลายๆบทความ หลายหนังสือ ในบทความเดียว
ทำให้เข้าใจเลยว่า AI มันเจ๋งยังไง จากเดิมที่คิดเเค่ว่า มันก็คือสิ่งที่มนุษย์สร้างขึ้นมา เเค่นั้น

คุ้มค่ามากกับการที่อ่าน เเละคิดว่าจะเป็นประโยชน์กับทุกคนที่ได้อ่านบทความนี้

[neuhiran]

บทความนี้ยอดเยี่ยมจริงๆครับ

[ลูกหิน]

ยอดเยี่ยมครับ ขอชื่นชมครับ

[ncodez]

บทความแบบนี้ต้องใช้พลังงานอย่างมากในการเขียนและเรียบเรียง เห็นได้ถึงความตั้งใจจริงๆของผู้เขียน ขอบคุณมากครับ

[nut776]

บทความดีมากคับ
อยากให้มีเยอะๆบ่อยๆ

เรื่อง av อันนี้ เหมือนมันขาด jigsaw อะไรสักชิ้น
โดยไอเดีย รู้สึกว่า ดีมาก
แต่ส่วนตัวรู้สึก ว่า ขัดกะจริตคนนิดๆ
คาร์ล มาร์ก เคยพูดว่า คนต้องการเสรีภาพ แต่ส่วนลึกกลับปฏิเสธความเสมอภาค
av น่าจะคล้ายๆ เหมือนต้องการอะไรสักอย่าง
มาบีบก่อนเพื่อให้เกิดได้จริง (เช่น กฎหมายห้ามครองครองรถ อันนี้มั่วเองนะ)

[eyebrow]

เยี่ยมมากครับ บทความแม้เขียนมาสองปีแล้วแต่เป็นอะไรที่ใหม่และเปิดโลกทัศน์ให้แก่ผมได้ดีมากๆครับ