DeepMind x Gato AI เมื่อโลกเรากำลังใกล้เข้าสู่ยุคปัญญาประดิษฐ์ในระดับเหนือมนุษย์

นักวิจัยด้านปัญญาประดิษฐ์กำลังสร้างแนวคิดว่าเราจะเห็นปัญญาประดิษฐ์ทั่วไป (Artificial general intelligence – AGI) ซึ่งเป็น AI ที่สามารถบรรลุทุกสิ่งที่มนุษย์สามารถทำได้และอาจหลายอย่างที่เราทำไม่ได้ในช่วงชีวิตของเรา

แต่ Dr. Nando de Freitas หัวหน้านักวิจัยของ Google DeepMind ได้ประกาศอย่างกล้าหาญว่า “เกมมันได้จบลงแล้ว ” ซึ่งเขาได้กล่าวว่า “เมื่อเราทำการขยายความสามารถของ AI เราก็เข้าใกล้ AGI ด้วยเช่นกัน”

“มันเกี่ยวกับการทำให้โมเดลเหล่านี้ใหญ่ขึ้น ปลอดภัยขึ้น มีประสิทธิภาพในการคำนวณ เร็วขึ้นในการสุ่มตัวอย่าง หน่วยความจำที่ชาญฉลาดขึ้น รูปแบบต่างๆ ที่มากขึ้น” de Freitas กล่าว

แม้ว่าเทคโนโลยีแมชชีนเลิร์นนิงจะก้าวหน้าอย่างน่าประทับใจในช่วงสองสามทศวรรษที่ผ่านมา แต่มีหลายคนเชื่อว่าไม่มีทางที่เราจะได้เห็นปัญญาประดิษฐ์ระดับมนุษย์ในช่วงชีวิตของเรา

แต่ปรากฏว่า de Freitas และ Ilya Sutskever หัวหน้านักวิทยาศาสตร์ของ OpenAI มองเห็นในสิ่งที่ตรงกันข้าม

DeepMind เพิ่งเปิดตัวงานวิจัยและเผยแพร่บล็อกโพสต์เกี่ยวกับระบบ AI รูปแบบใหม่ ระบบที่เรียกกันว่า ‘Gato’ สามารถทำงานต่างๆ ได้หลายร้อยแบบ ตั้งแต่การควบคุมแขนหุ่นยนต์ไปจนถึงการเขียนบทกวี

ซึ่งแน่นอนว่ามันง่ายที่จะสับสนระหว่าง Gato กับ AGI อย่างไรก็ตาม ความแตกต่างก็คือ สติปัญญาทั่วไปสามารถเรียนรู้ที่จะทำสิ่งใหม่โดยไม่ต้องฝึกอบรมล่วงหน้า ซึ่งถือว่าเป็นสุดยอด AI เหนือมนุษย์นั่นเอง

“ความสามารถของ Gato ในการทำงานหลายอย่างนั้นเหมือนกับวิดีโอเกมคอนโซลที่จัดเก็บเกมต่างๆ ได้ถึง 600 เกม มากกว่าที่จะเหมือนกับเกมที่คุณสามารถเล่นได้ 600 วิธีที่แตกต่างกัน มันไม่ใช่ AI ทั่วไป แต่เป็นโมเดลที่ได้รับการฝึกฝนมาล่วงหน้าจำนวนหนึ่งซึ่งมารวมกันอย่างเป็นระเบียบ” de Freitas กล่าว

AGI สำเร็จแล้วจริงหรือ?

ต้องบอกว่าเป็นเรื่องน่าสนใจกับโมเดลใหม่ ๆ ของ AI ไม่ว่าจะเป็น ทั้ง Gato, DALL-E และ GPT-3 ซึ่งเทคโนโลยีเหล่านี้ สิ่งที่ DeepMind, OpenAI และแล็บต่างๆ ที่คล้ายกันกำลังทำอยู่นั้นสำคัญมาก เป็นวิทยาศาสตร์ที่ล้ำสมัยที่กำลังจะเปลี่ยนโลกแบบที่ไม่เคยปรากฎมาก่อน

Marcus นักวิทยาศาสตร์ นักเขียน และผู้ก่อตั้งและ CEO ของ Robust.AI ที่มีชื่อเสียงระดับโลก ได้ใช้เวลาหลายปีที่ผ่านมาในการสนับสนุนแนวทางใหม่ของ AGI เขาเชื่อว่าทั้งสายงานจำเป็นต้องเปลี่ยนวิธีการหลักเพื่อสร้าง AGI และเขียนหนังสือขายดีชื่อ “Rebooting AI” ร่วมกับ Ernest Davis

เขากำลังถกเถียงและหารือเกี่ยวกับแนวคิดของเขากับทุกคนตั้งแต่ Yann LeCun ของ Facebook ไปจนถึง Yoshua Bengio จาก University of Montreal

เขาได้โต้แย้ง de Freitas ว่า “คุณไม่สามารถทำให้แบบจำลองใหญ่ขึ้นและหวังว่าจะประสบความสำเร็จ มีงานวิจัยที่ได้ทำการปรับ scale เป็นจำนวนมากในช่วงที่ผ่านมา และประสบความสำเร็จอย่างมาก แต่ก็ประสบปัญหาบางอย่างเช่นกัน”

โดยพื้นฐานแล้ว Marcus ดูเหมือนจะโต้เถียงว่าไม่ว่าระบบที่ยอดเยี่ยมและน่าทึ่งเพียงใดก็ตาม เช่น DALL-E ของ OpenAI (แบบจำลองที่สร้างรูปภาพตามสั่งจากคำอธิบาย) หรือ Gato ของ DeepMind ก็ยังเปราะบางอย่างไม่น่าเชื่อ

แต่เมื่อนักวิจัยของ DeepMind ประกาศว่า “เกมจบลงแล้ว” เขามองว่าจะทำให้เกิดวิสัยทัศน์ของอนาคตหรือในระยะสั้นที่ยังไม่สมเหตุสมผลเพียงพอ

เขามองว่า Gato นั้นยอดเยี่ยมอย่างเห็นได้ชัด และเขาก็ไม่ได้มองโลกในแง่ร้ายเกี่ยวกับ AGI เพราะ Gato ไม่ได้มีความฉลาดมากพอ และมีบางสิ่งที่ค่อนข้างตรงกันข้ามในความเป็นจริง

เขามองว่า AGI จะอยู่ไกลออกไปหลายสิบปี บางทีอาจเป็นเพราะ Gato, DALL-E และ GPT-3 พวกเขาแต่ละคนแสดงให้เห็นถึงความก้าวหน้าในความสามารถของเราในการสร้างความเปลี่ยนแปลงให้กับเทคโนโลยี AI

อนาคตของ AI ที่เหนือมนุษย์

ใครที่ได้ติดตามวงการ AI จะทราบว่าตอนนี้มันได้เริ่มพัฒนาไปอย่างมาก ซึ่งค่อนข้างน่าเสียดายที่ช่วงเวลานี้ที่กำลังจะเกิดการเปลี่ยนแปลงอย่างยิ่งใหญ่ในวงการ ถูกเทคโนโลยีอย่าง blockchain เข้ามาเบียดบังในหน้าสื่อไปมาก

โลกเรากำลังจะเข้าสู่จุดเปลี่ยนครั้งสำคัญ การสร้าง AGI ที่เรียนรู้บางสิ่งจากมนุษย์ และพวกมันจะสามารถให้เหตุผลและเข้าใจโลกทางกายภาพได้ดียิ่งขึ้น และพัฒนาไปสู่การได้มาซึ่งภาษาและแนวคิดที่ซับซ้อนที่มนุษย์ยากจะหยั่งถึง และนั่นจะกลายเป็น AI ที่สามารถบรรลุทุกสิ่งที่มนุษย์สามารถทำได้และอาจหลายอย่างที่เราทำไม่ได้ในช่วงชีวิตของเรานั่นเองครับผม

References :
https://thenextweb.com/news/deepmind-researcher-claims-new-gato-ai-could-lead-to-agi-says-game-is-over
https://futurism.com/the-byte/google-deepmind-agi
https://www.independent.co.uk/tech/ai-deepmind-artificial-general-intelligence-b2080740.html

AI ทำนายรัฐประหาร เมื่อนักวิทยาศาสตร์พัฒนาอัลกอริทึมเพื่อทำนายความพยายามรัฐประหารครั้งต่อไป

นักวิทยาศาสตร์ด้านข้อมูลที่ได้ทำการติดตามความรุนแรงทางการเมืองทั่วโลกกำลังพยายามปรับปรุงความพยายามของพวกเขาในการทำนายการจลาจลของอเมริกา แต่เทคโนโลยีเดียวกันนี้ก็สามารถนำมาใช้เพื่อทำนายจุดจบที่เลวร้ายอย่างการรัฐประหารได้เช่นกัน

มันเริ่มมาจากการคาดการณ์ความรุนแรงทางการเมืองในอเมริกา นับตั้งแต่ผู้สนับสนุนประธานาธิบดีโดนัลด์ ทรัมป์ ที่ออกจากตำแหน่งในขณะนั้น บุกโจมตีศาลาว่าการสหรัฐฯเมื่อวันที่ 6 มกราคม 2021 ในสิ่งที่หลายคนมองว่าเป็นความพยายามที่จะล้มล้างผลลัพธ์ของ การเลือกตั้งประธานาธิบดีปี 2020

เทคโนโลยี Machine Learning ที่อยู่เบื้องหลังการสร้างแบบจำลองการคาดการณ์ประเภทนี้มีอยู่แล้วมาระยะหนึ่งแล้ว แต่มักจะเน้นไปที่ประเทศต่างๆ เช่น ยูเครนหรือตุรกี ซึ่งความพยายามในการทำรัฐประหารและความไม่สงบทางการเมืองโดยทั่วไปที่อาจเป็นเรื่องธรรมดาของพวกเขา

โดยการผสมผสานข้อมูลทางประวัติศาสตร์กับข้อมูลทุกอย่างตั้งแต่สภาพอากาศที่ไม่เอื้ออำนวยไปจนถึงการเปลี่ยนแปลงทางเศรษฐกิจและแม้กระทั่งการหยุดชะงักของรูปแบบการขนส่งต่าง ๆ ภายในประเทศ

การสร้างแบบจำลองประเภทนี้อาศัยแนวคิดที่ว่าสัญญาณเตือนจะปรากฏขึ้น และหากอัลกอริธึมปัญญาประดิษฐ์สามารถเรียนรู้จากข้อมูลเก่าโดยใช้เทคโนโลยี Machine Learning อาจทำนายสิ่งเลวร้ายที่อาจเกิดขึ้นกับประเทศใด ๆ ได้

จนถึงตอนนี้ องค์กรไม่แสวงผลกำไร 2 แห่งอย่าง CoupCast แห่งมหาวิทยาลัย Central Florida และองค์กรไม่แสวงหาผลกำไร Armed Conflict Location & Event Data (ACLED) ได้ใช้เทคโนโลยีดังกล่าวนี้ โดยได้ออกคำเตือนครั้งล่าสุดในเดือนตุลาคม 2020 ว่า มีความเสี่ยงเพิ่มขึ้นจากการโจมตีอาคารของรัฐบาลกลาง

ดูเหมือนว่ารัฐบาลสหรัฐฯ จะสังเกตเห็นประโยชน์ของ AI ประเภทนี้ โดยกระทรวงกลาโหม, CIA และกระทรวงการต่างประเทศได้ใช้ AI เพื่อทำนายการเปลี่ยนแปลงทางการเมืองในต่างประเทศแล้ว 

อย่างไรก็ตาม กระทรวงความมั่นคงแห่งมาตุภูมิและเอฟบีไอ กลับไม่ได้ใช้ข้อมูลดังกล่าว ในขณะที่พวกเขาเป็นหน่วยงานที่สำคัญที่สุดสองแห่งที่ได้รับมอบหมายให้ดูแลการก่อการร้ายในประเทศ

โดยธรรมชาติ การสอดแนมทางการเมืองใดๆ ก็ตามที่รัฐบาลจับตามองจะทำให้เกิดข้อกังวลด้านจริยธรรม Jonathan Bellish ซึ่งทำหน้าที่เป็นผู้อำนวยการบริหารของกลุ่ม One Earth Future ซึ่งเป็นผู้นำคนเก่าของ CoupCast ได้กล่าวว่า เขากังวลว่าเครื่องมือประเภทนี้จะถูกนำมาใช้เพื่อปราบปรามการประท้วงอย่างสันติ 

โจนาธาน พาวเวลล์ ผู้ช่วยศาสตราจารย์ที่ทำงานในโครงการนี้ที่ UCF ในปัจจุบัน กล่าวว่าความเป็นไปได้ดังกล่าว “เป็นเรื่องที่น่ากังวลอย่างแท้จริงและน่ากลัวอย่างมากหากประชาชนต้องการที่จะประท้วงอย่างสันติวิธีจริง ๆ ”

และแน่นอน มีข้อเท็จจริงที่ว่า พฤติกรรมของมนุษย์ในขณะนี้ ไม่สามารถคาดเดาได้อย่างน่าเชื่อถือโดยคอมพิวเตอร์อีกต่อไป

โดยเฉพาะอย่างยิ่งเมื่อพิจารณาถึงข้อเท็จจริงที่ว่าการจลาจลเช่นการบุกโจมตีศาลากลางสหรัฐนั้นมักจะอยู่นอกขอบเขตของพฤติกรรมของชาวอเมริกันที่คาดเดาได้ ซึ่งมันไม่เคยเกิดขึ้ันมาก่อน

ในขณะที่การใช้แอปพลิเคชันสำหรับ AI เป็นเรื่องที่น่าสนใจที่สามารถคาดเดาได้ว่าจะมีการพยายามทำรัฐประหารครั้งต่อไปที่ไหนและเมื่อใด ไม่ว่าจะเป็นในประเทศที่มีอัตราความรุนแรงทางการเมืองสูงกว่าหรือในประเทศที่มีเสถียรภาพมากกว่า เช่น ในอเมริกาเหนือและยุโรป

ซึ่งน่าสนใจนะครับ ประเทศไทยเราก็เป็นหนึ่งในประเทศทีมีจำนวนครั้งในการรัฐประหารลำดับต้น ๆ และรูปแบบแพทเทิร์นที่นำไปสู่การรัฐประหาร ก็มีความน่าสนใจว่า AI จะสามารถเรียนรู้จากประวัติศาสตร์การเมืองของเราได้หรือไม่ หากสามารถทำนายได้จริง ๆ ก็ถือเป็นเรื่องน่าสนใจมาก ๆ เลยทีเดียวครับผม

References : https://www.washingtonpost.com/technology/2022/01/06/jan6-algorithms-prediction-violence
https://th.wikipedia.org/wiki/%E0%B8%A3%E0%B8%B1%E0%B8%90%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%AB%E0%B8%B2%E0%B8%A3%E0%B9%83%E0%B8%99%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B9%80%E0%B8%97%E0%B8%A8%E0%B9%84%E0%B8%97%E0%B8%A2_%E0%B8%9E.%E0%B8%A8._2557

แอปสุ่มชีวิต Max Hawkins กับการใช้อัลกอริธึมแบบสุ่มในการขับเคลื่อนทุกสิ่งทุกอย่างของชีวิต

ในทุกวันนี้อัลกอริทึมควบคุมประสบการณ์ต่างๆ ในชีวิตของเรามากกว่าที่เคย สิ่งที่เราดูบน Netflix สิ่งที่เราฟังบน Spotify สิ่งที่แนะนำให้เราบน Instagram ตัวเลือกทั้งหมดเหล่านี้อยู่ภายใต้ซอฟต์แวร์ที่ออกแบบมาเพื่อเรียนรู้พฤติกรรมของเราและป้อนสิ่งที่เราต้องการมากขึ้น 

แต่ถ้าอัลกอริทึมเหล่านั้นไม่สนใจสิ่งที่เราต้องการล่ะ ชีวิตจะเป็นอย่างไรถ้าเราไม่รู้จริงๆว่าจะเกิดอะไรขึ้นต่อไป? นั่นคือคำถามที่ Max Hawkins ตั้งใจจะตอบเมื่อไม่กี่ปีก่อน และนี่คือเรื่องราวของเขา

ชีวิตที่สมบูรณ์แบบ

เมื่อไม่กี่สัปดาห์ก่อน Max ใช้ชีวิตที่สมบูรณ์แบบ หลังจากสำเร็จการศึกษาจากมหาวิทยาลัย Carnegie Mellon เขาได้งานที่สมบูรณ์แบบในฐานะวิศวกรซอฟต์แวร์ที่ Google เขาอาศัยอยู่ในเมืองที่สมบูรณ์แบบอย่างซานฟรานซิสโก ซึ่งขึ้นชื่อในด้านสภาพอากาศที่ยอดเยี่ยมและผู้คนที่ดูสมบูรณ์แบบ

ทุกเช้า Max ตื่นขึ้นอย่างกระปรี้กระเปร่าในเวลา 07.00 น. แวะร้านกาแฟที่ชื่นชอบเพื่อไปรับกาแฟแก้วโปรด และปั่นจักรยานไปทำงานโดยใช้เส้นทางที่ปรับให้เหมาะสมที่สุดซึ่งใช้เวลา 15 นาที 37 วินาทีอย่างแม่นยำ ทุกอย่างในชีวิตของ Max เป็นไปตามที่เขาต้องการ

เขาไม่เข้าใจว่าทำไมถึงเป็นเช่นนี้ จนเขาได้อ่านบทความวิจัยเกี่ยวกับอัลกอริธึม Machine Learning หากคุณป้อนอัลกอริทึมของสถานที่ทั้งหมดที่คุณเคยไปในสัปดาห์ที่ผ่านมา อัลกอริทึมจะคาดการณ์ได้อย่างแม่นยำว่าคุณจะไปที่ไหนในวันรุ่งขึ้น

เมื่อ Max พิจารณาว่าจะเกิดอะไรขึ้นถ้าเขาป้อนรายละเอียดของตัวเอง เขาก็ตระหนักว่าการคาดเดาว่าวันหนึ่งเขาจะอยู่ที่ไหนนั้นง่ายเพียงใด อัลกอริธึมเหล่านี้อาจไม่จำเป็นด้วยซ้ำ ใครก็ตามที่สังเกตกิจวัตรของเขาเป็นเวลาหนึ่งสัปดาห์จะสามารถทำนายพฤติกรรมการใช้ชีวิตของเขาได้อยู่แล้ว

สร้างเครื่องจักรเพื่อเอาชนะเครื่องจักร

Max ได้ทำในสิ่งที่นักวิทยาศาสตร์คอมพิวเตอร์ส่วนใหญ่จะทำเมื่อเผชิญกับปัญหาที่ยากลำบาก เขาสร้างวิธีแก้ปัญหา เขาตัดสินใจว่าวิธีที่ดีที่สุดที่จะหลุดพ้นจากวัฏจักรที่เขาติดอยู่คือการทำให้ชีวิตของเขาคาดเดาไม่ได้แม้กระทั่งตัวเขาเองก็ไม่รู้ว่าจะเกิดอะไรขึ้นต่อไป

ขั้นตอนแรกในแผนของ Max คือแอปที่สุ่มชีวิตประจำวันของเขา ถ้าเขาบอกว่าอยากออกไปกินข้าว มันจะสุ่มเลือกรายชื่ออาหารใน Google แล้วสั่ง Uber แทนเขา แล้วส่งไปที่อพาร์ตเมนต์ของเขา

สิ่งสำคัญที่สุดคือ มันจะทำทั้งหมดนี้โดยไม่เกี่ยวกับความชอบของเขาที่จะเข้าไปยุ่งเกี่ยวกับการสุ่มเหล่านี้ เมื่อเพื่อนให้เขาเลือกที่ที่จะไปในเย็นวันนั้น Max ก็ใช้โอกาสนี้ทดสอบดู เขาเปิดแอปขึ้นมา และ Uber ก็มาถึงอพาร์ตเมนต์ของเขา และปล่อยให้พวกมันพาเขาออกไปกลางดึก

ไม่กี่นาทีหลังจากนั้น Max และเพื่อนของเขาพบว่าตัวเองกำลังขับรถผ่านส่วนหนึ่งของซานฟรานซิสโกซึ่งพวกเขาไม่เคยไปมาก่อน และเมื่อพวกเขามองดูสภาพแวดล้อมที่ไม่คุ้นเคย ก็เริ่มเกิดความสงสัยขึ้น บุคคลประเภทใดที่จะปล่อยให้ Uber พาพวกเขาไปยังจุดสุ่มในเมืองใหญ่? จะเกิดอะไรขึ้นถ้าสถานที่ที่พวกเขาจะไปไม่มีเนื้อวัวออร์แกนิกที่เลี้ยงด้วยหญ้าในท้องถิ่น

แต่ก่อนที่พวกเขาจะมีโอกาสตอบคำถามเหล่านี้ คนขับก็ประกาศว่าพวกเขามาถึงแล้ว เมื่อคนขับบอกเราว่าเราไปถึงที่หมายแล้ว เราคิดว่ามันต้องเป็นเรื่องตลกแน่ๆ เราปรากฏตัวขึ้นที่ด้านหน้าอาคารอิฐเรียบง่ายที่มีรั้วเหล็กดัดอยู่ด้านหน้า และป้ายที่เขียนว่า ศูนย์ฉุกเฉินจิตเวชของโรงพยาบาลซานฟรานซิสโก คอมพิวเตอร์ส่งผมไปที่โรงพยาบาลจิตเวชในท้องที่แบบงง ๆ

การผจญภัยในการใช้ชีวิตแบบสุ่ม

Max ก็ยังคงสนุกอยู่กับการผจญภัยครั้งใหม่ของเขาในการสุ่ม เขาขยายแอปเพื่อสุ่มสิ่งต่างๆ เช่น ตัดผมที่ไหนและซื้อของที่ไหน และฟังเพลงอะไรบน Spotify

แอปเพื่อสุ่มสิ่งต่างๆ ของชีวิต
แอปเพื่อสุ่มสิ่งต่างๆ ของชีวิต

เมื่อเขาเปลี่ยนไปทำงาน Freelance เขาปล่อยให้อัลกอริธึมสุ่มเลือกเมืองต่างๆ ทั่วโลกเพื่อให้เขาไปอาศัยอยู่ เขาเข้าสังคมด้วยการเข้าร่วมกิจกรรมบน Facebook แบบสุ่ม  เขายังได้ภาพสุ่มจากอินเทอร์เน็ตที่สักบนหน้าอกของเขา เป็นเวลากว่าสองปีแล้วที่ Max ได้ละทิ้งทุกแง่มุมของชีวิตประจำวันของเขาและหลงไหลในเครื่องจักรสุ่มตัวใหม่นี้

เขาได้ค้นพบสถานที่ต่างๆ และได้พบกับผู้คนที่เขาจะไม่มีวันได้พบด้วยการอยู่ใน Comfort Zone ของเขา การทำเช่นนี้ทำให้เขาได้รับประสบการณ์นับไม่ถ้วนที่เขาเคยพลาดไป ไม่ใช่เพราะเขาไม่เห็นคุณค่าของสิ่งที่พวกเขาเสนอ แต่เพราะมันไม่เคยเกิดขึ้นกับเขาเลยหรือแม้แต่จะให้เขาได้ลองเลยด้วยซ้ำ

ตัวเลือกที่มองไม่เห็น

เนื่องจากอัลกอริธึมการค้นหาและโซเชียลมีเดียควบคุมสิ่งที่เราเปิดเผยมากขึ้นเรื่อยๆ เราจึงพบว่าตัวเองอยู่ในสถานการณ์ที่คล้ายคลึงกัน 

Amazon รู้ดีว่าเราชอบหนังสือเล่มไหน YouTube รู้ว่าเราชอบวิดีโออะไร Facebook รู้ดีว่าใครคือเพื่อนของเรา เราโหวตเลือกตั้งอย่างไร และเกือบทุกอย่างที่เราใช้ชีวิตพวกมันรู้แทบจะทุกสิ่ง 

และในขณะที่ระบบเหล่านี้แพร่หลายมากขึ้น อีกนานไหมกว่าที่เราจะหยุดสังเกตเห็นว่ามีอะไรขาดหายไป? ตามที่ Eric Schmidt อดีต CEO ของ Google กล่าวว่าเป้าหมายสูงสุดของระบบเหล่านี้คือการทำงานให้เราจนเราแทบจะไม่ต้องคิดอีกเลย

“ผมคิดว่าคนส่วนใหญ่ไม่ต้องการให้ Google ตอบคำถามของพวกเขา พวกเขาต้องการให้ Google บอกพวกเขาว่าพวกเขาควรจะทำอะไรต่อไป”

ฆ่ากวาง

เขาเขียนโปรแกรมที่ทำการสแกนหนังสือ บล็อกโพสต์ และบทความวิกิพีเดียหลายพันเล่มเพื่อหาวลีคำกริยา เช่น “เธอไปสวนสาธารณะและ…” เพื่อตั้งค่าในโปรแกรมของเขา ด้วยเวลาเพียงเล็กน้อยและการประมวลผลทางไวยากรณ์ ก็สามารถก่อให้เกิดกลุ่มความคิดใหม่ ๆ ในจิตนาการที่แทบจะไร้ขีดจำกัด

แต่ก็ต้องบอกว่าส่วนใหญ่ไม่ได้มีประโยชน์มากนัก รายการเหล่านี้เต็มไปด้วยคำแนะนำที่คลุมเครือหรือเป็นนามธรรมเกินไป เช่น “ไปสวนสาธารณะแล้วคิดว่าตัวเองเป็นต้นไม้” หรือ “บรรลุเป้าหมายที่กำหนด” แต่อยู่มาวันหนึ่ง Max พิมพ์ไปยังโปรแกรมของเขา และเกิดสิ่งนี้ขึ้นมา : “ฆ่ากวาง”

การล่ากวางไม่ได้เป็นส่วนหนึ่งของชีวิตที่สมบูรณ์แบบของ Max ดังนั้นสัญชาตญาณแรกของเขาคือการทิ้งกระดาษแผ่นนั้นทิ้งและใช้ชีวิตต่อไป แต่แล้วเขาก็ถามตัวเองด้วยคำถามเดียวกันกับที่เขาเคยถามตั้งแต่การทดลองทั้งหมดเริ่มต้นขึ้น: “ทำไมนั่นไม่ใช่สิ่งที่ผมสามารถทำได้”

เมื่อเขาคิดถึงเรื่องนี้ เขาก็ตระหนักว่าไม่มีเหตุผลอะไรเลยที่เขาจะไม่ลองทำมัน ถึงแม้ว่าเขาจะรู้ว่าการทำเช่นนั้นต้องมีการฆ่าสัตว์นับไม่ถ้วน เขาอาจจะกินกวางด้วยซ้ำ เขาไม่มีปัญหากับปืนเป็นพิเศษ ไม่ใช่ความรู้สึกของเขาที่ว่าเขาไม่สามารถฆ่ากวางได้เพียงแค่ต้องการจำกัดตัวเองในวิถีชีวิตแบบเดิม ๆ ใช่หรือไม่

ดังนั้นเขาจึงตัดสินใจที่จะลอง แม้เขาจะกังวลใจ Max ก็ออกทริปล่าสัตว์กับเพื่อน แผนคือไปให้ถึงจุดที่เขามีกวางอยู่ในสายตา จากนั้นเขาก็ตัดสินใจว่าจะเหนี่ยวไกหรือไม่ (โชคดีสำหรับกวาง Max และเพื่อนของเขาไม่พบสิ่งใดเลยในการตามล่าพวกมัน)

เมื่อเราชินกับการทำตามคำสั่งแบบเดิม ๆ แล้ว ก็น่าตกใจว่าเราจะปล่อยให้ตัวเองถูกผลักไปนอกขอบเขต comfort zone ของเราได้ไกลแค่ไหน ซึ่งคำสั่งเหล่านั้นถูกควบคุมโดยอัลกอริธึมที่ซับซ้อนจนไม่มีใครรู้ว่าจะแนะนำอะไรต่อไป

ถามความต้องการของคุณ

พวกเราส่วนใหญ่ไม่เคยคิดที่จะตั้งคำถามถึงความชอบของเรา และด้วยเหตุนี้ การกระทำของเราจึงถูกชี้นำโดยพวกมัน (อัลกอริธึม) เกือบทั้งหมด 

ผู้ใช้ iPhone มากกว่า 90%วางแผนที่จะใช้ iPhone ของตนต่อไปเมื่อมีรุ่นใหม่ เช่นเดียวกับ 86% ของผู้ใช้โทรศัพท์ซัมซุง ผู้มีสิทธิเลือกตั้งสหรัฐกว่า 99% โหวตแบบเดียวกันทั้งในปี 2020 และปี 2016

ทำไมถึงเป็นเช่นนี้? คนเหล่านี้ตัดสินใจจริงหรือไม่ว่าตัวเลือกก่อนหน้านี้ยังคงเป็นตัวเลือกที่ดีที่สุดสำหรับพวกเขา? 

การวิจัยแสดงให้เห็นว่าบ่อยครั้งที่เราเพียงแค่ยึดติดกับตัวเลือกแรกที่เราพบเจอ จิตใต้สำนึกของเราจะทำให้เราเลือกตัวเลือกแบบเดิม และทำให้เราเชื่อว่าเราเลือกมันโดยเจตนา 

ไม่ว่าจะเป็นแนวคิดทางการเมืองเสรีนิยมหรืออนุรักษ์นิยม iPhone หรือ Android สิ่งที่เราชอบทำบนเตียง เราบอกตัวเองว่าเราได้เลือกความชอบเหล่านี้แล้ว ถึงแม้ว่าเราจะไม่เข้าใจจริงๆ ว่ามันมาจากไหน และในกระบวนการนี้ เราพลาดทุกสิ่งที่อยู่นอกขอบเขตเหล่านั้น นี่คือวิธีที่ Max นำเสนอใน TEDx Talk ของเขา:

ความชอบของผมทำให้ผมตาบอดจากความซับซ้อนของโลก การสร้างอัลกอริธึมแบบสุ่มในทุก ๆ อย่างของชีวิต ทำให้ผมมีความกล้าที่จะอยู่นอก comfort zone ของผม เพื่อค้นหาส่วนต่าง ๆ ของประสบการณ์ของมนุษย์ที่ผมมองข้ามไปเพราะคิดว่ามันต่างกันเกินไปหรือผมคิดไปเองว่า “มันไม่ใช่สำหรับผม”

การสร้างอัลกอริธึมแบบสุ่มในทุก ๆ อย่างของชีวิต ทำให้ผมมีความกล้าที่จะอยู่นอก comfort zone เขากล่าวใน TedX Talk (CR:Ted.com)

แต่ก็ต้องบอกว่าการทำตามคำแนะนำเหล่านี้ล้วนสมเหตุสมผล พวกมัน (อัลกอริธึม) ทำให้เราสบายใจและรู้สึกปลอดภัย แต่การทำตามพวกมันก็นำไปสู่การกีดกันทุกสิ่งทุกอย่างของประสบการณ์ใหม่ ๆ  เรื่องเซอร์ไพรส์ การผจญภัย สิ่งเหล่านี้คือสิ่งที่ทำให้ชีวิตมีความหมาย และเราหาได้เฉพาะการใช้ชีวิตแบบนอกเหนือชีวิตแบบธรรมดา ๆ เพียงเท่านั้น

ในขณะที่คอมพิวเตอร์อัลกอริธึม ทำให้ชีวิตเราแคบลงและยึดติดกับสิ่งเดิม ๆ  ตั้งแต่ดนตรีไปจนถึงการเมือง งานอดิเรก และวัฒนธรรม เราใช้เวลาส่วนใหญ่ไปกับการมองเห็นเพียงเสี้ยวหนึ่งของภาพรวมทั้งหมดที่ศักยภาพของเราจะไปถึง ไม่ได้หมายความว่าการมีความชอบส่วนตัวไม่ใช่เรื่องดี แต่การเตือนตัวเองว่าควรท้าทายพวกมันเป็นครั้งคราวก็ควรค่าแก่การใช้ชีวิตนั่นเองครับผม

References : https://www.ted.com/speakers/max_hawkins
https://onezero.medium.com/what-happens-when-a-computer-runs-your-life-4ba7ec152728
https://debugger.medium.com/this-computer-scientist-built-an-app-that-randomized-his-life-16c17cd44c2f
https://www.happyscribe.com/public/ted-talks-daily/i-let-algorithms-randomize-my-life-for-two-years-max-hawkins

จุดจบของ Watson Health กับความทะเยอทะยานที่ไม่สมดังหวังของ IBM

International Business Machines Corp (IBM) ได้ตกลงที่จะขายส่วนหนึ่งของธุรกิจ IBM Watson Health ให้กับบริษัทร่วมทุน Francisco Partners ซึ่งเป็นการลดความทะเยอทะยานที่ครั้งหนึ่งเคยยิ่งใหญ่ของบริษัทเทคโนโลยีในด้านการดูแลสุขภาพ  

มูลค่าของสินทรัพย์ที่จำหน่าย ซึ่งรวมถึงชุดข้อมูลและผลิตภัณฑ์ที่หลากหลาย รวมถึงซอฟต์แวร์ที่มีมูลค่ามากกว่า 1 พันล้านดอลลาร์ ตามรายงานของ Bloomberg

แต่ AI ควรจะเป็นอนาคตไม่ใช่หรือ? IBM ควรจะเก่งเรื่องนี้ไม่ใช่หรือ?

ต้องบอกว่าทุกอย่างของ Watson นั้นเริ่มต้นได้ดี ผลงานชุดแรกๆ ของ Watson คือค้นหาการวินิจฉัยที่น่าจะเป็นไปได้มากที่สุดจากความรู้สารานุกรมเกี่ยวกับโรคหายาก แต่ความท้าทายหลายอย่างได้กลายเป็นจุดจบของมัน ไม่ว่าจะเป็น ศพคอหัก รูกระสุน 15 รู และกลิ่นไซยาไนด์ที่แรง มันได้ทำให้เกิดคำถาม: ความล้มเหลวครั้งใหญ่ครั้งใดที่ทำให้ Watson ถึงจุดจบ

IBM Watson ได้กลายมาเป็นที่รู้จักมากที่สุดคือในปี 2011 เมื่อใช้เทคโนโลยี natural language processing และ capacious knowledge models เพื่อเอาชนะ Jeopardy ซึ่งเป็นเกมโชว์ทางทีวีของอเมริกา

IBM ใช้โอกาสดังกล่าวในการเปิดตัว Watson Health  ด้วยการวิเคราะห์แบบอัตโนมัติ บริษัทได้กล่าวว่า แพทย์สามารถวินิจฉัยได้แม่นยำยิ่งขึ้น รวดเร็วขึ้น และเสียค่าใช้จ่ายน้อยลง การรักษาจะตรงเป้าหมายมากขึ้นสำหรับผู้ป่วยจำนวนมากขึ้น การปฏิวัติด้านการดูแลสุขภาพกำลังจะเป็นจริง

IBM ได้รังสรรค์สำนักงานใหญ่แห่งใหม่ในแมนฮัตตัน ซึ่ง Watson สามารถแสดงความสามารถอันน่าทึ่งได้ พันธมิตร สถาบันและองค์กรธุรกิจชั้นนำลงทะเบียนเพื่อการพัฒนาร่วมกัน และความมหัศจรรย์ของการเปลี่ยนโฆษณาให้กลายเป็นความจริงได้เริ่มต้นขึ้น

ในปี 2019 IEEE Spectrum ซึ่งเป็นวารสารขององค์กรวิชาชีพด้านวิศวกรรมอิเล็กทรอนิกส์ของอเมริกา รายงานว่ามีการประกาศความร่วมมือประมาณ 50 รายนับตั้งแต่เปิดตัวระหว่าง IBM Watson และองค์กรด้านการดูแลสุขภาพทั่วโลก

โดยระบุรายชื่อองค์กรที่มีชื่อเสียงสูงสุด 20 แห่ง โดยมีหน่วยงานชื่อดังมากมาย เช่น Mayo Clinic องค์กรระดับชาติของอเมริกาในด้านโรคมะเร็ง โรคหัวใจและการวิจัยด้านเนื้องอกวิทยา ตลอดจนโรงพยาบาลและบริษัทต่างๆ มากมาย 

แต่เมื่อมีการเผยแพร่การทดลองทางคลินิก Watson กลับล้มเหลวทุกครั้ง มันไม่สำคัญหรอกว่ามันจะอยู่ในสาขาไหน มันทำคะแนนได้น้อยกว่าแพทย์ที่เป็นมนุษย์อยู่สม่ำเสมอ บางครั้งความแม่นยำต่ำกว่า 50 เปอร์เซ็นต์เลยด้วยซ้ำ และแสดงให้เห็นถึงจุดบอดที่น่าตกใจในการรักษา ผู้เชี่ยวชาญทางการแพทย์กังวลว่า AI จะไม่ได้ช่วยเหลือพวกเขาได้อย่างแท้จริง

แน่นอนว่า AI สามารถเรียนรู้กฎของ Jeopardy ได้ในไม่กี่นาที แต่การจะเป็นหมอต้องใช้เวลาเป็น 10 ปี Watson Health ไม่สามารถทำงานได้ในหลายสาขาพร้อมกัน ที่ต้องการความฉลาดทั่วไปที่ AI ยังไม่มีในปัจจุบัน จำเป็นต้องพัฒนาจากพื้นฐานกับผู้เชี่ยวชาญในแต่ละด้าน เพื่อให้พวกเขาสามารถกำหนดกฎเกณฑ์ วิธีการทำงาน ที่มีประสิทธิภาพวงการแพทย์ได้ 

IBM พยายามหลีกเลี่ยงโดยการซื้อบริษัทอื่นที่มีผลิตภัณฑ์ทางการแพทย์ AI ที่ประสบความสำเร็จ เพื่อดูดเอาความสามารถของพวกเขา ซึ่งบริษัทเล็ก ๆ เหล่านี้สามารถประสบความสำเร็จได้ด้วยตัวเองเมื่อเป็นการแข่งขันขนาดเล็ก และมีความคล่องตัวสูง แต่ไม่สามารถเติบโตได้เมื่อผนวกเข้ากับระบบการตลาดที่นำโดย Watson 

Watson Health ของ IBM ล้มเหลว เช่นเดียวกับเทคโนโลยี Machine Learning หลายๆ อย่าง มันต่างจากเกม Jeopardy ที่เกมดังกล่าวเป็นการสร้างคำถามจากชุดข้อมูล แต่การดูแลสุขภาพ การวินิจฉัย และการรักษาที่มีทักษะสูงสุดเป็นไปโดยอัตโนมัติโดยแพทย์ผู้เชี่ยวชาญ ซึ่งปัญหาไม่ได้อยู่ที่การรับข้อมูลมากที่สุดและการมีอัลกอริทึมที่ดีที่สุดแต่อย่างใด 

ต่างจากเกม Jeopardy ที่เกมดังกล่าวเป็นการสร้างคำถามจากชุดข้อมูล (CR:Huffpost)
ต่างจากเกม Jeopardy ที่เกมดังกล่าวเป็นการสร้างคำถามจากชุดข้อมูล (CR:Huffpost)

แพทย์ที่ดีจะพบกับผู้ป่วยคอยซักถามอาการ Watson ขาดความสามารถในส่วนนี้ ไม่เห็นภาพรวมของกระบวนการของการรักษา ซึ่งการทำงานของแพทย์ ไม่ใช่เพียงแค่การรับอินพุทข้อมูลเท่านั้น แต่มีกระบวนการอีกมากมายที่ใช้ในการรักษาผู้ป่วย

IBM เปิดตัว Watson Health ในปี 2015 โดยมีจุดประสงค์เพื่อใช้แพลตฟอร์มปัญญาประดิษฐ์หลักเพื่อช่วยให้ผู้ให้บริการด้านสุขภาพวิเคราะห์ข้อมูลจำนวนมากและปฏิวัติการรักษามะเร็ง แต่ในท้ายที่สุดความทะเยอทะยานของบริษัทก็ไม่สมหวัง ลูกค้าบางรายบ่นว่าผลิตภัณฑ์ของบริษัทไม่ตรงกับโฆษณา

ในปี 2012 แพทย์ที่ศูนย์มะเร็ง Memorial Sloan Kettering ที่ได้ร่วมมือกับ IBM ฝึกอบรม Watson เพื่อวินิจฉัยและรักษาผู้ป่วย แต่ตามเอกสารของ IBM ซูเปอร์คอมพิวเตอร์มักให้คำแนะนำที่ไม่ดี เช่น แนะนำให้ผู้ป่วยมะเร็งที่มีเลือดออกรุนแรงได้รับยาที่อาจทำให้อาการเลือดออกแย่ลง 

บทสรุปที่เกิดขึ้นกับ Watson Health ไม่ได้หมายความว่าเครื่องมือที่ใช้ AI ไม่สามารถใช้งานได้ในทางการแพทย์  Watson Health ใช้เวลาหลายปีกว่าจะถึงจุดจบ แต่ก็ได้ช่วยเหลือวงการแพทย์ในหลาย ๆ เรื่องเช่นเดียวกัน

แต่หลังจากใช้งบประมาณไป 4 พันล้านดอลลาร์ในการซื้อกิจการรวมถึงการวิจัยและพัฒนา Watson เองยังไม่สามารถสร้างก้าวหน้าแบบที่ IBM คิดไว้ในตอนแรกและธุรกิจนี้ก็ไม่สามารถทำกำไรได้ ปีที่แล้ว Wall Street Journal รายงานว่าธุรกิจดังกล่าวของ IBM สร้างรายได้ประมาณ 1 พันล้านดอลลาร์เพียงเท่านั้น

การตัดสินใจเลิกธุรกิจนี้ถูกมองว่าเป็นหนทางที่จะช่วยให้ Arvind Krishna ประธานเจ้าหน้าที่บริหารซึ่งได้รับแต่งตั้งใหม่ในขณะนั้นมุ่งเน้นไปที่การดำเนินการคลาวด์คอมพิวติ้งที่เติบโตเร็วขึ้น สิ่งเป็นสิ่งที่ IBM มีความถนัดมากกว่านั่นเองครับผม 

References : https://www.theregister.com/2022/01/31/machine_learning_the_hard_way
https://www.bloomberg.com/news/articles/2022-01-21/ibm-is-said-to-near-sale-of-watson-health-to-francisco-partners
https://missthinkup.com/watsons-fatal-misdiagnosis-the-register/
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6433269/
https://www.theverge.com/2018/7/26/17619382/ibms-watson-cancer-ai-healthcare-science

Face Filters เมื่อฟิลเตอร์ความงามกำลังเปลี่ยนวิธีที่สาว ๆ มองเห็นตัวเอง

ทุกวันนี้ มีหนุ่มสาวจำนวนมากขึ้นเรื่อย ๆ โดยเฉพาะเด็กวัยรุ่น ที่ติด ฟิลเตอร์ความงาม ที่ทำให้รูปลักษณ์ของพวกเขาสวยงามมากยิ่งขึ้น ทั้งการย่อขนาด เสริมแต่งส่วนต่าง ๆ ของร่างกาย รวมถึงแม้กระทั่งการเปลี่ยนสีผิวในเฉดสีที่ตัวเองต้องการ

ต้องบอกว่าฟิลเตอร์เหล่านี้ กลายเป็นเรื่องธรรมดาไปแล้วบนเครือข่ายโซเชียลมีเดีย และแน่นอนว่า เหล่าเด็กวัยรุ่นกำลังกลายเป็นกลุ่มเสี่ยง พวกเขาได้กลายเป็นหนูทดลองที่จะแสดงให้เห็นว่าเทคโนโลยีเปลี่ยนแปลงวิธีที่เราสร้างตัวตนของเราได้อย่างไร ซึ่งเรื่องราวเหล่านี้ มันกำลังกลายเป็นเรื่องปรกติจนแทบจะไม่มีการกำกับดูแลจากหน่วยงานใด ๆ มากนัก

วัฒนธรรมการเซลฟี่ที่บ้าคลั่ง

ต้องบอกว่าฟิลเตอร์ความงามต่าง ๆ เป็นเครื่องมือแก้ไขภาพลักษณ์แบบอัตโนมัติ โดยพื้นฐานแล้วม้นถูกขับเคลื่อนด้วยเทคโนโลยีปัญญาประดิษฐ์ และ Computer Vision เพื่อตรวจจับลักษณะใบหน้าที่มีการเปลี่ยนแปลง

เบื้องหลังการใช้ Computer Vision เพื่อตีความสิ่งที่กล้องมันมองเห็น และปรับแต่งตามกฏที่ผู้สร้างฟิลเตอร์เหล่านี้เป็นคนกำหนดขึ้นมา

โดยคอมพิวเตอร์ตรวจจับใบหน้าและทำการซ้อนเทมเพลตใบหน้าที่มองไม่เห็น ซึ่งประกอบด้วยจุดหลายสิบจุด ทำให้เกิดเป็นตาราง และใช้พลังของกราฟฟิก ในการแต่งแต้มสิ่งต่าง ๆ ไล่ตั้งแต่การเปลี่ยนสีตา ไปจนถึงการสร้างสิ่งแปลก ๆ ขึ้นบนหัวของเรา

แต่มันไม่ใช่สิ่งที่เพิ่งเกิดขึ้นมาบนโลกของเรา เพราะฟิลเตอร์วีดีโอแบบเรียลไทม์เหล่านี้ มันเป็นการพัฒนามาจากปรากฏการณ์เซลฟี่ ที่มีมาหลายสิบปีแล้ว

มันมาจากรากฐานของวัฒนธรรม “คาวาอิ” ของญี่ปุ่น ที่หมกมุ่นอยู่กับความน่ารัก และเมื่อมีการพัฒนา purikura (บูธถ่ายภาพที่อนุญาตให้ลูกค้าตกแต่งภาพเหมือนของตนเองได้)

ซึ่งภาพถ่ายที่ได้รับการปรุงแต่งเหล่านี้ มันได้กลายเป็นวัตถุดิบหลักในวีดีโออาร์เคดของญี่ปุ่นในช่วงกลางทศวรรษ 1990

หลังจากนั้นในเดือนพฤษภาคมปี 1999 ผู้ผลิตอุปกรณ์อิเล็กทรอนิกส์สัญชาติญี่ปุ่นอย่าง Kyocera ก็ได้ทำการเปิดตัวโทรศัพท์มือถือเครื่องแรกที่มีกล้องหน้า และภาพเซลฟี่ก็ได้เริ่มแพร่หลายสู่กระแสหลัก

หลังจากนั้นการถือกำเนิดของเครือข่ายโซเชียลมีเดียอย่าง MySpace และ Facebook ก็ทำให้เซลฟี่ได้กลายเป็นวัฒนธรรมสากลในช่วงปี 2000 ซึ่งรวมถึงการเปิดตัว Snapchat ในปี 2011

Snapchat ได้สร้างการเปลี่ยนแปลงครั้งสำคัญ ที่เสนอความรวดเร็วผ่านรูปภาพและเซลฟี่ในอุดมคติสำหรับการสื่อสารด้วยสายตา ความรู้สึก และ อารมณ์

ในปี 2013 Oxford Dictionaries ได้เลือกคำว่า “เซลฟี่” เป็นคำศัพท์แห่งปี และภายในปี 2015 Snapchat ได้เข้าซื้อกิจการบริษัท Lookery ของยูเครน และเปิดตัวฟีเจอร์ “Lenses” ทำให้เกิดความคลั่งไคล้ในกลุ่มวัยรุ่นเป็นอย่างมาก ก่อนที่จะบูมสุดขีดกับแอปวีดีโอยอดนิยมอย่าง TikTok

หนูทดลองของเทคโนโลยีการสร้างตัวตนแบบใหม่

การเติบโตของ Snapchat ได้กลายเป็นตัวเลขที่น่าทึ่ง มีผู้ใช้งานทุกวัน 200 ล้านคนเล่นหรือดู Lenses ทุกวันเพื่อเปลี่ยนรูปลักษณ์ของพวกเขา ซึ่ง 90% ของคนหนุ่มสาวใน อเมริกา ฝรั่งเศส และสหราชอาณาจักรใช้ผลิตภัณฑ์ AR ของบริษัท

หรือใน Facebook ฟิลเตอร์ส่วนใหญ่ในผลิตภัณฑ์ต่าง ๆ ของ Facebook นั้นสร้างขึ้นโดยบุคคลที่สาม มีผู้สร้างกว่า 400,000 รายปล่อยเอฟเฟกต์รวมกว่า 1.2 ล้านเอฟเฟกต์ ภายในเดือนกันยายน 2020

แม้ฟิลเตอร์ใบหน้าบนโซเชียลนั้น ดูเหมือนอาจจะไม่น่าประทับใจในเชิงเทคโนโลยี เมื่อเทียบกับการใช้ AR ในด้านอื่น ๆ

Jeremy Bailenson ผู้อำนวยการ Virtual Human Interaction Lab ของมหาวิทยาลัยสแตนฟอร์มกล่าวว่า ฟิลเตอร์ลูกสุนัขแบบเรียลไทม์นั้นค่อนข้างเป็นความสามารถทางด้านเทคโนโลยีที่มีความน่าสนใจ

“มันเป็นเรื่องยากในทางเทคนิค” เขากล่าว แต่ด้วยเทคโนโลยี Neural Network ทำให้ตอนนี้ AI สามารถช่วยให้บรรลุถึงประเภทของการประมวลผลข้อมูลที่จำเป็นสำหรับการแก้ไขวีดีโอแบบเรียลไทม์ และทำให้นักวิจัยอย่างเขาค่อนข้างประหลาดใจกับความสามารถของมันในตอนนี้

สิ่งสำคัญก็คือ เหล่าผู้คนบนเครือข่ายโซเชียลมีเดียเหล่านี้ เปรียบเสมือนหนูทดลองให้กับเหล่าผู้สร้างเทคโนโลยีฟิลเตอร์ได้เห็นว่า เทคโนโลยีเปลี่ยนวิธีที่เราสร้างตัวตนของเราอย่างไร และเกี่ยวข้องกับผู้อื่นอย่างไร

ตอนนี้มันไม่เพียงแค่เป็นฟิลเตอร์ที่ใช้ในการกรองและปรับแต่งภาพจริงของกลุ่มวัยรุ่นเท่านั้น แต่มันยังกรองเรื่องราวในชีวิตของพวกเขาด้วยเช่นกัน

Claire Pescott นักวิจัยจาก University of South Wales ซึ่งศึกษาพฤติกรรมของเด็กก่อนวัยรุ่นในโซเชียลมีเดีย เธอสังเกตเห็นความแตกต่างทางเพศเมื่อพูดถึงฟิลเตอร์เหล่านี้

กลุ่มเด็กสาวมองว่าฟิลเตอร์ AR เป็นเครื่องมือในการเสริมความงามเป็นหลัก ไม่ว่าจะเป็นการสร้างผิวที่ไร้ที่ติ การเอารอยแผลเป็นและจุดต่าง ๆ บนใบหน้าที่ไม่ต้องการออกไป และเด็กเหล่านี้อายุ 10-11 ขวบเพียงเท่านั้น

มันเป็นคำถามที่น่าสนใจว่า เด็ก ๆ เหล่านี้มีความเข้าใจว่าฟิลเตอร์ส่งผลต่อความรู้สึกของตนเองอย่างไร พวกเขากำลังมีปัญหาในการแยกความแตกต่างระหว่างรูปภาพที่กรองแล้วกับรูปภาพแบบธรรมดา

ภาพหน้าจอจากแกลเลอรี Instagram Effects นี่คือบางส่วนของฟิลเตอร์ชั้นนำในหมวดหมู่
ภาพหน้าจอจากแกลเลอรี Instagram Effects นี่คือบางส่วนของฟิลเตอร์ชั้นนำในหมวดหมู่ “เซลฟี่”

การวิจัยของ Pescott ยังเปิดเผยว่าในขณะที่เด็ก ๆ มักได้รับการสอนเกี่ยวกับพฤติกรรมออนไลน์ แต่พวกเขาได้รับการศึกษาเพียงเล็กน้อยเกี่ยวกับเรื่องของฟิลเตอร์ 

เมื่อพิจารณาถึงพลังและความแพร่หลายของฟิลเตอร์แล้วนั้น มีการวิจัยเพียงเล็กน้อยเกี่ยวกับผลกระทบของฟิลเตอร์เหล่านี้ และยังมีเกราะป้องกันในการใช้งานเพียงเล็กน้อยอีกด้วย

กฏระเบียบและข้อจำกัดบางประการเกี่ยวกับการใช้ฟิลเตอร์ขึ้นอยู่กับบริษัทต่าง ๆ ตัวอย่างเช่น ฟิลเตอร์ของ Facebook หรือ Instagram จะต้องผ่านกระบวนการอนุมัติ โดยระบบจะผสมผสานระหว่างมนุษย์กับ AI เพื่อตรวจสอบผลกระทบในขณะที่มีการเผยแพร่ออกไป

พวกมันจะได้รับการตรวจสอบสำหรับปัญหาบางอย่าง เช่น การสร้างความเกลียดชัง หรือ ภาพเปลือย และผู้ใช้ยังสามารถรายงานฟิลเตอร์ที่มีปัญหาได้

ผลกระทบระยะยาวที่ยังไม่มีใครเข้าใจมันจริง ๆ

จากการศึกษาของ Wall Street Journal ที่ได้เข้ามาทำการศึกษาอย่างจริงจังว่าในช่วงสามปีที่ผ่านมา โดยโฟกัสที่ Instagram ซึ่งคำถามก็คือฟิลเตอร์ต่าง ๆ มันมีผลกระทบต่อเหล่าวัยรุ่นหรือฐานผู้ใช้งานอายุน้อย ๆ อย่างไรบ้าง

ซึ่งผลออกมาเรียกได้ว่าน่าตกใจมาก ๆ มีรายงานเกี่ยวกับความคิดการฆ่าตัวตายถึง 13% ของผู้ใช้งานชาวอังกฤษ และ 6% ของผู้ใช้ชาวอเมริกันก็ประสบพบเจอกับปัญหาเดียวกัน

“32% ของเด็กสาววัยรุ่นกล่าวว่า พวกเขารู้สึกแย่เกี่ยวกับร่างกายของพวกเขา Instagram ทำให้พวกเขารู้สึกแย่ลง”

มีรายงานเพิ่มเติมอีกว่า 14% ของเด็กชายในสหรัฐอเมริกา ที่กล่าวว่า Instagram ทำให้พวกเขารู้สึกแย่กับตัวเองมากยิ่งขึ้น

Karina Newton หัวหน้าฝ่ายนโยบายสาธารณะของ Instagram ได้กล่าวถึงรายงานดังกล่าวว่า บริษัทกำลังค้นคว้าวิธีที่จะดึงผู้ใช้ออกจากการหมกมุ่นอยู่กับโพสต์ Instagram บางประเภทที่เกี่ยวข้องกับฟิลเตอร์

Lori Trahan หนึ่งในสมาชิกสภาคองเกรสของสหรัฐอเมริกา ได้กล่าวถึงข้อกังวลด้านสุขภาพจิตของเด็กที่เกี่ยวข้องกับโซเชียลมีเดีย และเรียกร้องให้ Facebook ละทิ้งแผนการสร้าง Instagram สำหรับเด็ก และมุ่งโฟกัสไปที่การปกป้องผู้ใช้งานที่อายุน้อยแทน

“เอกสารภายในของ Facebook แสดงให้เห็นถึงความล้มเหลวของบริษัทในการปกป้องเด็กบน Instagram โดยเฉพาะเด็กผู้หญิง มันเป็นการละเลยโดยสิ้นเชิง และมันก็เกิดขึ้นหลายปีแล้ว” Trahan กล่าว

References : https://www.technologyreview.com/2021/04/02/1021635/beauty-filters-young-girls-augmented-reality-social-media
https://www.cnbc.com/2021/09/14/facebook-documents-show-how-toxic-instagram-is-for-teens-wsj.html
https://orge.medium.com/instagram-beware-of-the-toxic-culture-behind-it-7ecff96108b4
https://about.instagram.com/blog/announcements/using-research-to-improve-your-experience
https://www.wsj.com/articles/facebook-knows-instagram-is-toxic-for-teen-girls-company-documents-show-11631620739