NVIDIA พลังในการผลักดันปัญญาประดิษฐ์ ไปสู่ความสำเร็จ

“ความคืบหน้าของปัญญาประดิษฐ์ (AI) ได้ถูกนำไปใช้งานอย่างกว้างขวาง ‘อะไรที่เกิดขึ้นในตอนนี้’ และ ‘อะไรที่จะเกิดขึ้นต่อไป’ นั่นเป็นสิ่งที่น่าสนใจอย่างมาก” คำกล่าวของ ดร.ไซมอน ซี ผู้อำนวยการและหัวหน้าสถาปนิกโซลูชันของศูนย์ NVIDIA AI Tech และศาสตราจารย์ที่มหาวิทยาลัย Shanghai Jiaotong (SJTU) และมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี (KMUTT) ในช่วงปาฐกถาพิเศษที่งาน IoTAsia 2017

เขากล่าวว่า “ช่วงไม่กี่ทศวรรษที่ผ่านมาเราได้เห็นความก้าวหน้าในเทคโนโลยี จากยุคคอมพิวเตอร์ สู่ยุคอินเทอร์เน็ต และตอนนี้ในยุคของอินเทอร์เน็ตของสรรพสิ่ง (IoT) และแน่นอนเรามีปัญญาประดิษฐ์ (AI)” “ทุกคนได้คาดการณ์เกี่ยวกับอุปกรณ์จำนวนมากมายที่จะเชื่อมต่อถึงกัน…ทั้งหมดของอุปกรณ์เหล่านี้จะมีความฉลาดมากขึ้น และพวกเขาจะค้นพบวิธีการใหม่ ๆ ที่จะเชื่อมต่อ ความกังวลของฉันคือ วิธีที่พวกเขาจะใช้ในการเชื่อมต่อ วิธีการที่พวกเขาจะไปมีปฏิสัมพันธ์กับคนอื่น และอะไรคือสิ่งที่ทำให้เป้าหมายของพวกเขาประสบความสำเร็จ.”

ตามที่ดร. ซี กล่าว, เราได้เห็นเทคโนโลยีเหล่านั้นจากภาพยนตร์วิทยาศาสตร์ เช่น Iron Man และด้วยอัตราเร่งในการพัฒนา AI ที่อาจจะทำให้กลายเป็นความจริงได้ในเร็ว ๆ นี้ ในภาพยนตร์เรื่อง Iron Man เราได้เห็น Tony Stark พูดโต้ตอบกับ AI ของเขาที่ชื่อ JARVIS – ซึ่งของแบบเดียวกันนั้นเราก็เริ่มใช้งานกันได้แล้วในวันนี้ เช่น Siri, Cortana หรือ Alexa

“เราจะมีเครื่องที่สามารถให้คำแนะนำส่วนตัว ช่วยสร้างความคิดสำหรับผม และในเวลาเดียวกันให้คำแนะนำกับผม” ดร. ซี กล่าว “เราสามารถขยายแนวความคิดนี้ไปใช้กับงานด้านนักกฎหมาย พยาบาล แพทย์ นักบัญชีและอื่น ๆ โดยมี AI เป็นผู้ช่วยช่วยในการทำงานของคุณ”

โครงข่ายประสาทเทียม (neural network) ถูกคิดค้นขึ้นมาครั้งแรกในปี 1943 แต่ก็ไม่สามารถส่งผลมาถึงในทุกวันนี้ได้เนื่องจาก “เทคโนโลยีในเวลานั้นยังไม่พร้อม และไม่มีข้อมูล (สำหรับการฝึกอบรม) ทำให้ไม่สามารถส่งบอบความเป็น AI ออกมาได้” ดร. ซี กล่าว “แต่ในช่วงสองสามปีที่ผ่านมานี้เราได้เห็นอัตราเร่งที่ยอดเยี่ยมในการปรับปรุง”

เรามาไกลมากจากปี 1943 ดร. ซี ตั้งขอสังเกต ประเด็นนี้รวมถึง Alexnet ซึ่งเป็น AI ที่สร้างขึ้นมาเพื่อรับรู้ภาพต่าง ๆ (Image Recognition) ซึ่งเป็นคลื่นลูกใหม่ที่มาแรงตั้งแต่ปี 2012 ในงาน ‘Olympic’ Computer Vision, ImageNet Large Scale Visual Recognition Challenge (เป็นการแข่งขั้นการสร้างอัลกอริทึมที่ทำให้คอมพิวเตอร์รู้จักและเข้าใจภาพที่คอมพิวเตอร์เห็น) ซึ่งได้แสดงให้เห็นถึงความถูกต้องในการรับรู้ภาพได้มากขึ้นกว่าที่เคยเป็นมาก่อน

“เทคโนโลยี (การวิเคราะห์ภาพ) ได้ถูกนำมาใช้งานกันมาก ถ้าคุณไปที่ Pinterest คุณสามารถถ่ายรูปแล้วค้าหาที่ที่คุณสามารถซื้อวัตถุนั้นได้ (เทคโนโลยีที่คล้ายกัน) กำลังถูกใช้ในรถยนต์ที่ขับด้วยตนเอง รถต้องการรู้ว่าสิ่งที่อยู่บนถนนนั้น เป็นรถด้วยกัน เป็นมนุษย์ เป็นแมว หรืออะไรที่อยู่บนถนน เพื่อมองหาที่ว่างให้รถสามารถเคลื่อนที่ไปได้อย่างชาญฉลาดบนท้องถนนโดยไม่ต้องกดปุ่มอะไร “เขากล่าว

เทคโนโลยีการรู้จำเสียง (Voice Recognition) และเทคโนโลยีการแปลภาษาก็ได้รับการปรับปรุงด้วยเทคนิคจาก AI เช่นกัน

แพลตฟอร์มการรับรู้คำพูด DeepSpeech 2 ของ Baidu ซึ่งใช้ NVIDIA GPUs ได้รู้จำเสียงทั้งภาษาอังกฤษและภาษาจีนอย่างถูกต้อง ความสามารถในการแปลภาษาพร้อมกันนี้แสดงให้เห็นในที่ประชุม ดร. ซี กล่าว “ขั้นตอนต่อไปคือการประมวลผลภาษาธรรมชาติ – คือไม่เพียงแต่แปลเท่านั้นแต่เราต้องการใช้เข้าใจในความหมายและบริทบนั้นด้วย” เขากล่าวเพิ่ม

AI สามารถตรวจจับความผิดปกติได้เป็นอย่างดี เช่นการวินิจฉัยโรคมะเร็ง

โรงพยาบาลกำลังพัฒนาแอพพลิเคชันใหม่ ๆ ด้วยระบบ Deep Learning เพื่อช่วยให้แพทย์สามารถหาวิธีรักษาทางการแพทย์ได้เร็วขึ้น PathAI มุ่งมั่นในการวินิจฉัยโรคมะเร็งโดยใช้เทคโนโลยี AI และแน่นอนว่าทาง NVIDIA มีส่วนร่วมด้วยเช่นกัน โดยทำงานร่วมกับสถาบันมะเร็งแห่งชาติสหรัฐอเมริกา กระทรวงพลังงานและห้องปฏิบัติการของสหรัฐฯหลายแห่งในโครงการ Cancer Ripped Environment Learning (CANDLE)

ดร. ซี กล่าวว่า “AI สามารถเร่งการค้นพบวิธีบำบัดโรคมะเร็ง ทำนายการตอบสนองต่อยาของผู้ป่วยโรคมะเร็ง และสามารถวิเคราะห์ประสิทธิภาพในการรักษาโดยอัตโนมัติ”

การตรวจจับความผิดปกติยังเป็นประโยชน์กับเครื่องจักรอีกเช่นกัน โดยการทำนายหรือป้องกันความล้มเหลวที่รุนแรง GE ได้ใช้ระบบ Machin Learning เพื่อตรวจจับความผิดปกติของการเผาไหม้ภายในกังหันแก๊สและใช้ข้อมูลในการทำนายความน่าจะเป็นของความล้มเหลว “ด้วยความก้าวหน้าของโครงข่ายประสาทเทียมเราสามารถฝึกอบรมเครือข่ายเหล่านั้นได้อย่างแท้จริงและสามารถตรวจจับความผิดปกติเหล่านั้นได้อย่างง่ายดาย” ดร. ซี อธิบายเพิ่มเติม

ขอบเขตการทำงานของ AI ไม่เพียงแต่ทำหน้าที่ในการรับข้อมูลเท่านั้น แต่ AI ยังสามารถนำข้อมูลเหล่านั้นมาสร้างสรรเพิ่มเติมได้อีก เมื่อโครงข่ายประสาทเทียมได้รับการฝึกให้เรียนรู้รูปแบบของศิลปะ และสามารถสร้างงานศิลปะในรูปแบบเฉพาะตัวโดยใช้ภาพถ่ายทั่วไปผสมผสานกับสไตล์ AI ก็สามารถสร้างให้เกิดเป็นภาพใหม่ขึ้นมาได้ (https://deepart.io/) ดร. ซี ให้ข้อสังเกตเพิ่มเติม “โปรการออกแบบทั่วไปจะไม่สามารถสร้างรูปแบบที่ซับซ้อนได้”

StackGAN เว็บไซต์สำหรับการค้นหาภาพ พร้อมคำอธิบาย ดร. ซู ได้แสดงเว็บไซต์ ที่ในการค้นหน้าข้อมูลแบบเฉพาะเจาะจงโดยใช้ AI เช่นการค้นหานก เป็นต้น

Generative adversarial networks หรือ ‘GAN’ ใน StackGAN ใช้ AI เพื่อค้นหาภาพที่เหมาะสมพร้อมกับคำอธิบายที่เป็นลายลักษณ์อักษร

ขั้นตอนต่อไปในวิวัฒนาการของการออกแบบจะมาในรูปแบบของโซลูชัน เช่น โครงการ AutodeskDreamcatcher ด้วยข้อกำหนดเบื้องต้น AI จะสร้างทางเลือกที่แตกต่างกันเพื่อตอบสนองความต้องการซึ่งจะช่วยให้นักออกแบบและผู้ผลิตสามารถเลือกผลิตภัณฑ์ที่มีความเกี่ยวข้องกับพวกเขาได้มากที่สุด

“คุณสามารถจำลองการทำงานของโมเลกุลเปปไทด์” ดร.ซี แนะนำ “มันใช้เวลานานสำหรับมนุษย์ แต่มันเป็นเรื่องง่ายสำหรับเครื่องจักรในการทดลองสร้างโมเลกุลที่มีความแตกต่างกันเพื่อแทรกลงไปในเปปไทด์”

ในที่สุด เทคโนโลยี AI จะได้รับการสนับสนุนโดยอุปกรณ์ที่เชื่อมต่อใน IoT ด้วยจำนวนที่มากยิ่งขึ้น “J.A.R.V.I.S. จะกลายเป็นเรื่องง่าย และเรียนรู้ด้วยตนเอง ดร. ซี กล่าว “มันสามารถถามโทนี่ ‘คุณกำลังพยายามจะทำอะไร'”

ได้รับการพิสูจน์แล้วว่า AI สามารถเรียนรู้ได้ด้วยตัวเองและประสบความสำเร็จมากกว่ามนุษย์อีกด้วย ในปี 2013 Deepmind ของ Google ได้แสดงให้เห็นว่าสามารถเรียนรู้วิธีเล่นเกม Atari ที่ชื่อว่า Breakout ในขณะที่ Google กล่าวว่า “เราพบว่า มันมีประสิทธิภาพสูงกว่าวิธีการก่อนหน้านี้ทั้งหมดในหกเกม และดีกว่ามุษย์ผู้เชี่ยวชาญในสามคนของพวกเขา”

“อัลกอริทึมเล่นเกม Atari Breakout มันไม่เคยเล่นเกมนี้มาก่อน มันแค่รู้กฎและวัตถุประสงค์ ” ดร. ซู ย้ำ และได้แสดงวิดีโอที่ AI ทำผิดพลาดในนาทีแรก แต่มันสามารถสร้างความก้าวหน้าในระดับผู้เชี่ยวชาญ และในที่สุดมันก็เหนือกว่าความสามารถของมุนษย์ได้ในเวลาเพียงไม่กี่ชั่วโมง

“ในเกมเลขที่ 3 AlphaGo ได้ให้ความเห็นว่าผู้เชี่ยวชาญทุกคนในจุดนี้คิดว่าเป็นการเคลื่อนไหวที่โง่เขลามาก หลังจากที่อัลฟ่าโกเคยชนะเกมผู้เชี่ยวชาญมาแล้วได้วิเคราะห์และพบว่านี่เป็นการเคลื่อนไหวที่ลึกซึ้งซึ่งไม่มีผู้เชี่ยวชาญ (เคยเห็นมาก่อน) “เขากล่าว “AlphaGo กลายเป็นจินตนาการ”

ปฏิสัมพันธ์ในโลกแห่งความเป็นจริงจะช่วยให้การฝึกอบรม AI เป็นไปในแนวทางที่ยาวนาน ดร. ซี สรุปด้วยอาหารสำหรับความคิดสำหรับผู้ชมโดยการเรียกใช้คลิปของนาเดียซึ่งเป็น AI จาก บริษัท Soul Machine ของนิวซีแลนด์ ที่ได้รับการฝึกอบรมจากบทสนทนาในโลกแห่งความจริงจากชาวออสเตรเลีย

โพสต์บล็อก ในกุมภาพันธ์ 2017 โดย Louise Glanville รองประธานเจ้าหน้าที่บริหาร National Disability Insurance Agency (NDIA), Australia อธิบายโครงการ Nadia: “แผนสำหรับนาเดียจะได้รับการปล่อยตัวในสภาพแวดล้อมการทดลองบนพอร์ทัล myplace ในอีกไม่กี่เดือนข้างหน้า นาเดียจะเริ่มต้นเป็น ‘ฝึกงาน’ จะใช้เวลา 12 เดือนและมีปฏิสัมพันธ์กับผู้มีส่วนร่วมใน NDIS เพื่อให้นาเดียสามารถใช้งานได้อย่างเต็มที่ หน่วยงานจะจัดให้มีการประชุมข้อมูลเพื่อแจ้งให้ผู้คนทราบถึงวิธีที่พวกเขาสามารถมีส่วนร่วมและใช้ Nadia ในช่วงสองสามเดือนถัดไป เราหวังว่าคุณจะเริ่มใช้ Nadia ทันทีที่สามารถใช้งานได้และช่วยสร้างฐานความรู้ของเธอทำให้ผู้มีส่วนร่วมทุกคนสามารถตอบคำถามได้อย่างรวดเร็วและชัดเจน ”

จิกซอว์ชิ้นสำคัญของปริศนาคือระบบนิเวศที่จำเป็นเพื่อให้ AI เป็นจริงที่แพร่หลาย ดร.ซี อธิบายว่า NVIDIA สามารถให้พลังในการประมวลผลได้ เทคนิคที่ใช้ในการฝึกอบรม AI สามารถใช้การทดลองและข้อมูลจำนวนมากได้มากกว่าการใช้คอมพิวเตอร์ตามปกติ ด้วยหน่วยประมวลผลกราฟิก (GPU) จาก NVIDIA สามารถลดเวลาการเรียนรู้ของ AI ได้

ในกรณีของ AlphaGo ใช้เวลาหลายสัปดาห์ในการฝึกอบรมเครือข่ายโดยใช้ขั้นตอนการฝึกอบรมนับร้อยล้านขั้นใน 50 GPUs “จำเป็นต้องมีการคำนวณจำนวนมาก เราต้องการศูนย์ข้อมูล AI ใหม่ ” ดร.ซี กล่าว “เรารู้ว่า AI มีข้อจำกัดอยู่บ้าง เราสามารถพัฒนาเครือข่ายประสาทเทียมได้อย่างง่ายดายในขณะนี้ เรากำลังสร้างระบบที่ใช้งานเครือข่ายเหล่านั้นได้อย่างรวดเร็ว ”

วิดีโอสาธิตการทำงานของ Nadia