ปัญญาประดิษฐ์ที่อิงตามหลักประสาทวิทยาศาสตร์ได้รับแรงบันดาลใจจากโครงสร้างและการทำงานของสมองมนุษย์ เพื่อสร้างระบบ AI ที่เลียนแบบการเรียนรู้และการรับรู้ทางชีววิทยา ในขณะที่ปัญญาประดิษฐ์เชิงสังเคราะห์มุ่งเน้นไปที่วิธีการคำนวณที่ได้รับการออกแบบอย่างสมบูรณ์ ซึ่งไม่ถูกจำกัดด้วยหลักการทางชีววิทยา โดยให้ความสำคัญกับประสิทธิภาพ ความสามารถในการขยายขนาด และประสิทธิภาพในการทำงาน มากกว่าความสมเหตุสมผลทางชีววิทยา
ระบบ AI ที่ได้รับแรงบันดาลใจจากโครงสร้างสมองและกระบวนการทางประสาท โดยมีเป้าหมายเพื่อจำลองแง่มุมต่างๆ ของการรับรู้และการเรียนรู้ของมนุษย์
ระบบ AI ที่ได้รับการออกแบบอย่างสมบูรณ์แบบโดยปราศจากข้อจำกัดทางชีวภาพ ปรับให้เหมาะสมที่สุดเพื่อประสิทธิภาพการคำนวณและความสามารถในการขยายขนาด
| ฟีเจอร์ | ปัญญาที่ได้รับข้อมูลจากประสาทวิทยาศาสตร์ | ปัญญาประดิษฐ์ |
|---|---|---|
| แรงบันดาลใจในการออกแบบ | สมองมนุษย์และประสาทวิทยาศาสตร์ | หลักการทางคณิตศาสตร์และวิศวกรรม |
| เป้าหมายหลัก | ความสมเหตุสมผลทางชีววิทยา | ประสิทธิภาพและความสามารถในการปรับขนาดของงาน |
| สไตล์สถาปัตยกรรม | โครงสร้างคล้ายสมองและแบบจำลองการส่งสัญญาณ | โครงข่ายประสาทเทียมเชิงลึกและระบบที่ใช้หม้อแปลง |
| กลไกการเรียนรู้ | การเรียนรู้ที่ได้รับแรงบันดาลใจจากความยืดหยุ่นของไซแนปส์ | การลดระดับความชันและอัลกอริธึมการปรับให้เหมาะสม |
| ประสิทธิภาพการคำนวณ | อาจประหยัดพลังงานได้ แต่ยังอยู่ในขั้นตอนทดลอง | ปรับแต่งมาอย่างดีเยี่ยมสำหรับฮาร์ดแวร์สมัยใหม่ |
| ความสามารถในการตีความ | ระดับปานกลางเนื่องจากการเปรียบเทียบทางชีววิทยา | โดยทั่วไปจะต่ำเนื่องจากความซับซ้อนของแบบจำลอง |
| ความสามารถในการปรับขนาด | ยังคงอยู่ในระหว่างการพัฒนาในระดับใหญ่ | สามารถปรับขนาดได้อย่างยืดหยุ่นอย่างมากด้วยโครงสร้างพื้นฐานที่มีอยู่ |
| การนำไปใช้งานจริง | ส่วนใหญ่เป็นระบบที่อยู่ในขั้นตอนการวิจัยและระบบเฉพาะทาง | ใช้งานอย่างแพร่หลายในระบบ AI ที่ใช้งานจริง |
ปัญญาประดิษฐ์ที่อาศัยพื้นฐานทางประสาทวิทยาศาสตร์พยายามจำลองวิธีการประมวลผลข้อมูลของสมอง โดยเรียนรู้จากหลักการทางชีววิทยา เช่น รูปแบบการยิงของเซลล์ประสาทและไซแนปส์ที่ปรับตัวได้ ในทางตรงกันข้าม ปัญญาประดิษฐ์สังเคราะห์ไม่ได้พยายามเลียนแบบชีววิทยา แต่เน้นไปที่การสร้างระบบที่ทำงานได้อย่างมีประสิทธิภาพโดยใช้แบบจำลองทางคณิตศาสตร์เชิงนามธรรม
ระบบที่ได้รับแรงบันดาลใจจากสมองมักจะสำรวจกฎการเรียนรู้เฉพาะที่คล้ายกับวิธีที่เซลล์ประสาทเสริมสร้างหรือลดความเชื่อมโยงกันเมื่อเวลาผ่านไป ในขณะที่ระบบสังเคราะห์มักอาศัยวิธีการปรับให้เหมาะสมในระดับโลก เช่น การย้อนกลับการแพร่กระจาย (backpropagation) ซึ่งมีประสิทธิภาพสูงแต่มีความสมจริงทางชีววิทยาน้อยกว่า
ปัจจุบันปัญญาประดิษฐ์เชิงสังเคราะห์ (Synthetic Intelligence) ครองตลาดการใช้งานจริง เนื่องจากสามารถปรับขนาดได้อย่างมีประสิทธิภาพและทำงานได้ดีบนฮาร์ดแวร์สมัยใหม่ ระบบที่ได้รับแรงบันดาลใจจากประสาทวิทยาศาสตร์แสดงให้เห็นถึงศักยภาพในด้านประสิทธิภาพการใช้พลังงานและความสามารถในการปรับตัว แต่ยังคงอยู่ในขั้นตอนการทดลองเป็นส่วนใหญ่และยากต่อการขยายขนาด
แนวทางที่ได้รับแรงบันดาลใจจากประสาทวิทยาศาสตร์มีความเชื่อมโยงอย่างใกล้ชิดกับฮาร์ดแวร์นิวโรโมฟิก ซึ่งมีเป้าหมายเพื่อเลียนแบบรูปแบบการคำนวณพลังงานต่ำของสมอง ปัญญาประดิษฐ์สังเคราะห์อาศัย GPU และ TPU ซึ่งไม่ได้ได้รับแรงบันดาลใจจากชีววิทยา แต่ให้ประสิทธิภาพการคำนวณมหาศาล
ปัญญาประดิษฐ์ที่อาศัยพื้นฐานทางประสาทวิทยาศาสตร์ มักได้รับแรงผลักดันจากองค์ความรู้ทางวิทยาศาสตร์ด้านการรับรู้และการวิจัยสมอง โดยมีเป้าหมายเพื่อเชื่อมช่องว่างระหว่างชีววิทยาและการคำนวณ ในขณะที่ปัญญาประดิษฐ์สังเคราะห์พัฒนาขึ้นเป็นหลักผ่านนวัตกรรมทางวิศวกรรม การเข้าถึงข้อมูล และการปรับปรุงอัลกอริทึม
ปัญญาประดิษฐ์ที่อิงตามหลักประสาทวิทยาศาสตร์ก็คือปัญญาประดิษฐ์เชิงลึกเวอร์ชันที่ก้าวหน้ากว่านั่นเอง
แม้ว่าทั้งสองแบบจะใช้แนวคิดเครือข่ายประสาทเทียมเหมือนกัน แต่ AI ที่ได้รับแรงบันดาลใจจากประสาทวิทยาศาสตร์นั้นถูกออกแบบมาโดยอิงจากหลักการทางชีววิทยาอย่างชัดเจน เช่น เซลล์ประสาทที่ส่งสัญญาณและกฎการเรียนรู้ที่คล้ายกับสมอง ในทางตรงกันข้าม การเรียนรู้เชิงลึกเป็นวิธีการทางวิศวกรรมที่มุ่งเน้นประสิทธิภาพมากกว่าความถูกต้องทางชีววิทยาเป็นหลัก
ปัญญาประดิษฐ์ไม่สนใจวิธีการคิดของมนุษย์เลย
ปัญญาประดิษฐ์ไม่ได้พยายามเลียนแบบโครงสร้างของสมอง แต่ก็ยังสามารถได้รับแรงบันดาลใจจากรูปแบบพฤติกรรมทางปัญญาได้ แบบจำลองหลายแบบมุ่งเป้าไปที่การจำลองผลลัพธ์ของการใช้เหตุผลของมนุษย์โดยไม่ต้องจำลองกระบวนการทางชีววิทยา
ระบบที่ได้รับแรงบันดาลใจจากสมองจะเข้ามาแทนที่ปัญญาประดิษฐ์ (AI) ในปัจจุบันทั้งหมดในไม่ช้า
แนวทางที่ได้รับแรงบันดาลใจจากประสาทวิทยาศาสตร์นั้นมีแนวโน้มที่ดี แต่ยังคงเผชิญกับความท้าทายสำคัญในด้านความสามารถในการขยายขนาด ความเสถียรในการฝึกฝน และการรองรับฮาร์ดแวร์ จึงไม่น่าจะเข้ามาแทนที่ระบบสังเคราะห์ได้ในระยะเวลาอันใกล้นี้
ปัญญาประดิษฐ์ไม่สามารถมีประสิทธิภาพมากขึ้นได้
การวิจัยอย่างต่อเนื่องในด้านการบีบอัดโมเดล ความเบาบาง และสถาปัตยกรรมที่มีประสิทธิภาพ ช่วยปรับปรุงระบบสังเคราะห์ให้ดียิ่งขึ้น การเพิ่มประสิทธิภาพเป็นเป้าหมายหลักในการพัฒนา AI สมัยใหม่
สติปัญญาที่คล้ายมนุษย์ต้องอาศัยการคำนวณที่คล้ายสมอง
พฤติกรรมที่คล้ายมนุษย์สามารถจำลองได้โดยใช้วิธีการคำนวณที่ไม่เกี่ยวข้องกับชีววิทยา ระบบ AI ในปัจจุบันหลายระบบประสบความสำเร็จอย่างน่าประทับใจโดยไม่จำเป็นต้องคล้ายคลึงกับชีววิทยาระบบประสาทอย่างใกล้ชิด
ปัญญาประดิษฐ์ที่อิงตามหลักประสาทวิทยาศาสตร์นำเสนอแนวทางที่มีพื้นฐานทางชีววิทยา ซึ่งอาจนำไปสู่การรับรู้ที่มีประสิทธิภาพด้านพลังงานและคล้ายคลึงกับมนุษย์มากขึ้น แต่ยังคงอยู่ในขั้นตอนการทดลองเป็นส่วนใหญ่ ปัญญาประดิษฐ์สังเคราะห์นั้นใช้งานได้จริงมากกว่าในปัจจุบัน โดยเป็นส่วนสำคัญในแอปพลิเคชัน AI ในโลกแห่งความเป็นจริงส่วนใหญ่ เนื่องจากความสามารถในการปรับขนาดและประสิทธิภาพ ในระยะยาว แนวทางแบบผสมผสานอาจรวมจุดแข็งของทั้งสองแนวคิดเข้าด้วยกัน
AI slop หมายถึงเนื้อหา AI ที่ผลิตออกมาจำนวนมากโดยใช้ความพยายามน้อยและขาดการกำกับดูแล ในขณะที่งาน AI ที่มีมนุษย์ควบคุมนั้นเป็นการผสมผสานปัญญาประดิษฐ์เข้ากับการตัดต่อ การกำกับ และการตัดสินใจเชิงสร้างสรรค์อย่างรอบคอบ ความแตกต่างมักอยู่ที่คุณภาพ ความคิดริเริ่ม ประโยชน์ใช้สอย และว่ามีบุคคลจริงเข้ามามีส่วนร่วมในการกำหนดผลลัพธ์สุดท้ายหรือไม่
ระบบ AI แบบกระจายศูนย์จะกระจายสติปัญญา ข้อมูล และการคำนวณไปยังโหนดอิสระต่างๆ โดยมักให้ความสำคัญกับความเปิดกว้างและการควบคุมของผู้ใช้ ในขณะที่ระบบ AI ขององค์กรนั้นได้รับการจัดการจากส่วนกลางโดยบริษัทต่างๆ โดยมุ่งเน้นที่ประสิทธิภาพ ผลกำไร และการบูรณาการผลิตภัณฑ์ ทั้งสองแนวทางนี้มีส่วนกำหนดวิธีการสร้าง การกำกับดูแล และการเข้าถึง AI แต่มีความแตกต่างกันอย่างมากในด้านความโปร่งใส การเป็นเจ้าของ และการควบคุม
Transformer และ Mamba เป็นสถาปัตยกรรมเรียนรู้เชิงลึกที่มีอิทธิพลสองแบบสำหรับการสร้างแบบจำลองลำดับ Transformer อาศัยกลไกความสนใจ (attention mechanisms) เพื่อจับความสัมพันธ์ระหว่างโทเค็น ในขณะที่ Mamba ใช้แบบจำลองพื้นที่สถานะ (state space models) เพื่อการประมวลผลลำดับยาวที่มีประสิทธิภาพมากขึ้น ทั้งสองมีเป้าหมายในการจัดการข้อมูลภาษาและลำดับ แต่มีความแตกต่างกันอย่างมากในด้านประสิทธิภาพ ความสามารถในการขยายขนาด และการใช้หน่วยความจำ
Vision Transformers และ State Space Vision Models เป็นสองแนวทางที่แตกต่างกันโดยพื้นฐานในการทำความเข้าใจภาพ Vision Transformers อาศัยการให้ความสนใจแบบทั่วโลกเพื่อเชื่อมโยงส่วนต่างๆ ของภาพเข้าด้วยกัน ในขณะที่ State Space Vision Models ประมวลผลข้อมูลตามลำดับด้วยหน่วยความจำที่มีโครงสร้าง ซึ่งเป็นทางเลือกที่มีประสิทธิภาพมากกว่าสำหรับการให้เหตุผลเชิงพื้นที่ในระยะไกลและการป้อนข้อมูลที่มีความละเอียดสูง
กระบวนการเรียนรู้ของมนุษย์และอัลกอริธึมการเรียนรู้ของเครื่องจักรต่างก็เกี่ยวข้องกับการพัฒนาประสิทธิภาพผ่านประสบการณ์ แต่ทั้งสองอย่างทำงานในลักษณะที่แตกต่างกันโดยพื้นฐาน มนุษย์อาศัยการรับรู้ อารมณ์ และบริบท ในขณะที่ระบบการเรียนรู้ของเครื่องจักรอาศัยรูปแบบข้อมูล การปรับให้เหมาะสมทางคณิตศาสตร์ และกฎการคำนวณเพื่อทำการคาดการณ์หรือตัดสินใจในงานต่างๆ
