บทบาทของ AI ในวิทยาศาสตร์และวิศวกรรม—ตอนที่ 1
- Pisek Kultavewuti
- 1 ก.ค. 2566
- ยาว 2 นาที
ในฐานะวิศวกรโฟโตนิกส์จากการศึกษา ความเชี่ยวชาญ และความหลงใหล ผมมีความสุขที่ได้เล่นกับกฎของฟิสิกส์และได้สร้างฮาร์ดแวร์ เช่น แว่นตาอัจฉาริยะ (smartglasses) และเครื่องเลเซอร์ในปี 2560 ผมขยายความหลงใหลไปสู่ขอบเขตของ AI และการเรียนรู้ของเครื่อง (ML) และได้รับประโยชน์อย่างมากจากทั้งการเรียนรู้เกี่ยวกับ AI และการนำไปใช้กับงานด้านวิศวกรรม ในซีรีส์สองส่วนนี้ ผมขอแชร์ว่าคุณได้รับประโยชน์จาก AI อย่างไรโดยเฉพาะอย่างยิ่งหากคุณเป็นวิศวกรฮาร์ดแวร์ สำหรับบทความนี้ ตอนที่ 1 เราจะพูดถึงการเปรียบเทียบแนวคิดของ AI และวิทยาศาสตร์ และเน้นจุดแข็งของ AI ด้วยตัวอย่างความก้าวหน้าของวิทยาศาสตร์จาก AI
Quick Primer บน AI
เรามาเริ่มด้วยการอภิปรายเกี่ยวกับความเหมือนและความแตกต่างระหว่างวิทยาศาสตร์/วิศวกรรมศาสตร์ กับสาขาของ AI นี่เป็นสิ่งสำคัญในการทำความเข้าใจว่าเทคโนโลยีเหล่านี้สามารถเสริมซึ่งกันและกันในการพัฒนาเทคโนโลยีของมนุษย์ได้อย่างไร
คำจำกัดความง่ายๆ ของ AI อาจเป็นดังนี้: AI คือโปรแกรมที่สร้างขึ้นเพื่อทำงานเฉพาะอย่าง เช่น การตรวจจับวัตถุในรูปภาพ การสรุปข้อความ หรือการนำทางหุ่นยนต์ผ่านเขาวงกต โมเดล AI เป็นโครงสร้างของตรรกะหรือคณิตศาสตร์ ที่มีชุดของค่าหรือตัวเลข ที่จำเป็นสำหรับการคำนวณบางอย่าง ประเด็นสำคัญคือค่าที่จำเป็นเหล่านี้ถูกสร้างขึ้นระหว่าง 'การเรียนรู้' ของ AI ซึ่งหมายความว่า AI ของเราถูกสร้างขึ้นจากชุดข้อมูลที่เรามี AI มีเป้าหมายเพื่อ 'จำลอง' (model) ชุดข้อมูลที่มีให้ระหว่างการฝึกอบรม
ความคล้ายคลึงกันระหว่างวิทยาศาสตร์กับ AI
ในแง่ของการสร้างแบบจำลอง ผู้เชี่ยวชาญด้าน AI จะสร้างแบบจำลอง AI จากชุดข้อมูล ในขณะที่นักวิทยาศาสตร์ (และวิศวกร) มักจะสร้างหรือแก้ไขทฤษฎีและกฎในสาขาของตน พวกเขา "จำลอง" วิธีการทำงานของธรรมชาติและจักรวานลจากการสังเกต
ตัวอย่างเช่น เซอร์ ไอแซก นิวตัน เสนอกฎแรงโน้มถ่วง (F=GMm/r^2) โดยการสังเกตและไตร่ตรองว่าทำไมแอปเปิ้ลถึงร่วงหล่น ในทำนองเดียวกัน ชาร์ลส์ ดาร์วินได้จำลองความหลากหลายของสายพันธุ์สิ่งมีชีวิตต่างๆ ทำให้เกิดทฤษฎีการคัดเลือกโดยธรรมชาติ (Natural Selection)
โดยพื้นฐานแล้ว ทฤษฎีทางวิทยาศาสตร์มีความคล้ายคลึงกับแบบจำลอง AI (AI Model) และการสังเกตทางวิทยาศาสตร์ก็คล้ายกับชุดข้อมูลอินพุตของ AI
ความสัมพันธ์ vs สาเหตุ
อย่างไรก็ตาม มีความแตกต่างที่สำคัญที่ควรค่าแก่การตระหนัก โดยทั่วไป เมื่อโมเดล AI ถูกสร้างขึ้นจากชุดข้อมูลที่กำหนด โมเดล AI จะเรียนรู้ที่จะ "เชื่อมโยง" อินพุตกับเอาต์พุต AI ไม่ใช้เหตุและผล
ตัวอย่างเช่น โมเดล AI ที่ได้รับการฝึกฝนให้ตรวจจับมนุษย์หรือสัตว์ในรูปภาพ สามารถเชื่อมโยงการกระจายของพิกเซลสีกับการมีอยู่ของมนุษย์หรือสัตว์ อย่างตัวอย่างด้านล่าง โมเดล AI นี้ผิดที่บอกว่ามียีราฟอยู่ในรูป เพราะมนุษย์หลอกด้วยการแต่งตัวด้วยวิธีแปลกประหลาด อีกตัวอย่างหนึ่งคือธนาคารใช้โมเดล AI เพื่อพิจารณาว่าผู้ขอสินเชื่อมีแนวโน้มผิดนัดชำระหนี้หรือไม่ ธนาคารสร้างแบบจำลองดังกล่าวจากข้อมูลของลูกค้า ซึ่งรวมถึงเพศ อายุ จำนวนบุตร การศึกษา อาชีพ เงินเดือน และสินเชื่อก่อนหน้า อย่างมาก AI แค่สามารถเชื่อมโยงความเสี่ยงกับข้อมูลนี้เท่านั้น แต่ไม่มีการรับประกันว่าการมีเงินเดือนสูงจะลดโอกาสผิดนัดชำระหนี้
ในทางตรงกันข้าม เมื่อนักวิทยาศาสตร์สร้างทฤษฎี พวกเขาพยายามที่จะค้นหา 'สาเหตุ' ระหว่างอินพุตและเอาต์พุต: เมื่ออินพุตเป็นจริงครบถ้วน ผลก็จะเกิดขึ้นแบบหลีกเลี่ยงไม่ได้ เปรียบเหมือนโดมิโนเอฟเฟกต์ เช่น การนำแม่เหล็กเหนือและใต้มาใกล้กัน พวกมันดึงดูดซึ่งกันและกัน, การจุดไฟในอากาศที่มีไฮโดรเจนและออกซิเจนจะส่งผลให้เกิดไฟไหม้, และ เมื่อแสงเดินทางใกล้หลุมดำมากพอ วิถีโคจรของมันจะโค้งงอ
แม้ว่าไม่ใช่ทุกทฤษฎีที่ถูกต้องสมบูรณ์ เพราะสุดท้ายแล้ว ก็คือการจำลองความจริง, นักวิทยาศาสตร์มุ่งมั่นที่จะค้นหาสาเหตุมากกว่าที่จะยุติด้วยความสัมพันธ์ผิวเผิน
พลังของการรู้ถึงเหตุและผล = การคำนวณจำลองสถานการณ์ (Simulation)
เมื่อเรารู้ถึงเหตุและผลของปรากฏการณ์จ่างๆ มันช่วยให้เราสามารถจำลองสถานการณ์ได้ค่อนข้างแม่นยำ โดยเฉพาะในสถานการณ์ที่เกิดขึ้นยาก มีราคาแพง หรืออันตราย เช่น ทฤษฎีทางไฟฟ้าช่วยให้เราสามารถจำลองการทำงานของอุปกรณ์ไฟฟ้า แทนที่ใช้ทรัพยากรเพื่อลองผิดลองถูกหลายๆ ครั้งโดยสร้างและดูว่าเกิดอะไรขึ้น แน่นอนว่าเราไม่ต้องการสร้างจรวดและปล่อยมันออกสู่อวกาศโดยปราศจากการออกแบบและการจำลองอย่างพิถีพิถัน มันจะมีราคาแพงมากและเป็นอันตรายหากจรวดระเบิดและหล่นใส่เมืองต่างๆ การจำลองระดับโมเลกุลช่วยในการค้นพบยาและความสามารถในการผลิตอย่างมาก เนื่องจากการผลิตจริงต้องใช้เวลาและทรัพยากรจำนวนมาก ดังนั้น กฎธรรมชาติที่นักวิทยาศาสตร์และวิศวกรฝึกฝนจนเชี่ยวชาญ ช่วยให้พวกเขาสามารถจำลองและเพิ่มประสิทธิภาพการออกแบบและการค้นพบของพวกเขา
ความซับซ้อนของซอฟต์แวร์จำลองสถานการณ์
ซอฟต์แวร์จำลองสถานการณ์ (Simulation Software) ส่วนใหญ่มาพร้อมกับความท้าทายมากมาย แม้ทฤษฎีทางวิทยาศาสตร์มักจะสามารถปรับให้เข้ากับสถานการณ์หลากหลาย, ตัวอย่างเช่น กฎของแรงและการเคลื่อนที่สามารถอธิบายสิ่งที่เกิดขึ้นบนโต๊ะพูล: ลูกบอลชนกันหรือชนกับขอบ, อย่างไรก็ตาม ในซอฟต์แวร์จำลองสถานการณ์ ผู้ใช้จำเป็นต้องอธิบายสถานการณ์โดยละเอียด เช่น ข้อมูลเกี่ยวกับลูกบอล (ขนาด มวล แรงเสียดทานพื้นผิว), ข้อมูลเกี่ยวกับขอบโต๊ะ (แรงเสียดทานพื้นผิว ความยืดหยุ่น) และข้อมูลเกี่ยวกับผ้าปูเตียงหรือสักหลาด (แรงเสียดทาน ความเรียบ)
จำนวนข้อมูลที่จำเป็นในการจำลองสถานการณ์จะเพิ่มขึ้นตามความซับซ้อนของสถานการณ์และระดับของรายละเอียดที่ผู้ใช้ต้องการในการคำนวณ โดยใช้การจำลองสถานการณ์
ซอฟต์แวร์มักจะให้ความรู้สึกเครียด เหมือนเป็นผู้โดยสารทั่วไปที่เข้าไปในห้องนักบินเพื่อขับเครื่องบิน
เหล่าวิศวกรมักพบกับความท้าทายต่อไปนี้เมื่อใช้ซอฟต์แวร์จำลอง:
การตั้งค่าฉากค่อนข้างเป็นแบบแมนนวล ทำให้วิศวกรต้องเลือกและระบุพารามิเตอร์ที่ถูกต้อง ขั้นตอนนี้เพิ่มความเสี่ยงของข้อผิดพลาดของมนุษย์
หากการจำลองฉากเกี่ยวข้องกับกฎธรรมชาติหลายข้อ (เช่น การจำลองทางฟิสิกส์ทั้งหมด) วิศวกรอาจต้องเผชิญกับพารามิเตอร์จำนวนมากและปัจจัยร่วมระหว่างกฎเหล่านี้ เนื่องจากมีการศึกษากฎหลายข้อแยกจากกัน เช่น แรงโน้มถ่วง (gravity) และอุณหพลศาสตร์ (thermodynamics) การจำลองแบบนี้หนึ่งครั้ง อาจต้องใช้ผู้เชี่ยวชาญจากหลากหลายสาขา
ซอฟต์แวร์จำลองสถานการณ์มักจะต้องใช้กล่องเครื่องมือ (toolbox) หรือปลั๊กอิน (plugins) ที่แตกต่างกันในการคำนวณกรณีต่างๆ กัน กล่องเครื่องมือเหล่านี้มีพารามิเตอร์ที่สำคัญหลายตัว ซึ่งมักถูกใช้เป็นสัญลักษณ์ วิศวกรอาจสับสนได้หากกล่องเครื่องมือหลายกล่องใช้สัญลักษณ์ที่คล้ายกัน ยิ่งไปกว่านั้น วิศวกรรุ่นมือใหม่อาจจะใช้กล่องเครื่องมือที่ไม่ถูกต้องเลยก็ได้
จำนวนผลการคำนวณอาจมีขนาดใหญ่มากหากผู้ใช้ต้องการคำนวณโดยละเอียด วิศวกรเผชิญกับความท้าทายในการวิเคราะห์ข้อมูลดังกล่าวในเวลาที่เหมาะสม
ผลกระทบและความก้าวหน้าของ AI ในวิทยาศาสตร์และวิศวกรรม
ความท้าทายทางวิทยาศาสตร์และวิศวกรรมเกิดขึ้นทุกวัน พวกมันอาจอยู่ในระดับจักรวาล เช่น การค้นหาดาวเคราะห์ที่อาศัยอยู่ได้ หรือในระดับควอนตัม เช่น การติดตามอนุภาคของอะตอม บางทีก็ใกล้กับชีวิตของเรา เช่น การสร้างยาใหม่ที่มีประสิทธิภาพสำหรับความเจ็บป่วยบางอย่าง
จุดแข็งสำคัญของ AI
AI สามารถเป็นเครื่องมือที่มีประสิทธิภาพในการจัดการกับความท้าทายเหล่านี้ สามารถแบ่งจุดแข็งออกเป็นประเภทต่อไปนี้:
Big Data. AI สามารถเรียนรู้รูปแบบ สรุปข้อมูล หรือแยกรายละเอียดจากชุดข้อมูลขนาดใหญ่ได้
Automation. AI สามารถจัดการกับงานที่ซับซ้อนหลายชุดโดยต้องการการดูแลจากมนุษย์น้อยที่สุด
Exploration. AI ทำงานอย่างไม่รู้จักเหน็ดเหนื่อยและด้วยการตั้งค่าที่เหมาะสม มันสามารถสำรวจในสิ่งมนุษย์ไม่สามารถจัดการได้อย่างง่าย
Speed. AI ที่ได้รับการสร้างมาอย่างดี ควบคู่ไปกับฮาร์ดแวร์ที่ดี สามารถทำงานให้เสร็จได้เร็วกว่าที่มนุษย์จะทำได้
Scale. AI เริ่มมีประสิทธิภาพดีกว่าคนทำงาน เมื่องานนั้นเริ่มต้องใช้หรือมี input ที่มีจำนวนมากขึ้น ไม่ว่าจะเป็นลูกค้า ตัวอย่างเลือด หรือดวงดาวในกาแล็กซี
ตัวอย่างผลกระทบและความก้าวหน้าที่สำคัญของ AI ต่อวิทยาศาสตร์และวิศวกรรม
การใช้หุ่นยนต์รูปร่างมนุษย์ เช่นเดียวกับที่พัฒนาโดย Boston Dynamics ซึ่งสามารถช่วยเหลือในสถานที่ก่อสร้างหรือปฏิบัติงานที่เป็นอันตรายได้
ระบบ AI ออกแบบมาเพื่อวิเคราะห์ข้อมูลจำนวนมหาศาลจากนอกโลกในงาน astrophysics เนื่องจากทางช้างเผือกเพียงอย่างเดียวมีดาวฤกษ์ประมาณ 1 พันล้านดวง นี่ไม่ใช่ความสำเร็จเล็กๆ น้อยๆ!
บทบาทสำคัญของ AI ที่ CERN ซึ่งช่วยนักวิทยาศาสตร์ในการวิเคราะห์และติดตามอนุภาคย่อยของอะตอมที่เกิดจากการชนกันของอนุภาคพลังงานสูง จัดการกับปริมาณข้อมูลที่สูงถึงเทราไบต์ต่อวัน
ในด้านพันธุกรรมศาสตร์ AI ช่วยนักวิทยาศาสตร์โดยถอดรหัสรูปแบบภายในข้อมูลจีโนมจำนวนมาก ซึ่งเป็นงานที่มีความต้องการและปริมาณมากขึ้นเรื่อย ๆ เนื่องจากการจัดลำดับดีเอ็นเอและเครื่องมือที่เกี่ยวข้องยังคงก้าวหน้าต่อไป
สาขาการออกแบบทางเคมีและโมเลกุลยังได้รับประโยชน์จาก AI ในการแสดงภาพ ทำนายคุณสมบัติ และระบุโครงสร้างโมเลกุลที่เหมาะสมที่สุด
ขอขอบคุณที่อ่านมาถึงตรงนี้ ผมหวังว่าคุณจะเข้าใจความเหมือนและต่างของ AI และวิทยาศาสตร์เป็นอย่างดี และคุณในฐานะวิศวกรอาจเริ่มเห็นว่า AI จะช่วยยกระดับอาชีพของคุณไปอีกขั้นได้อย่างไร
ในบทความถัดไป ผมจะยกตัวอย่างเฉพาะเจาะจงว่าAI จะสร้างผลกระทบในงานวิศวกรรมได้อย่างไรโดยการนำเสนอด้วยกรณีศึกษาจริงๆ
コメント