DeepSeek’s R1: คำเตือนเชิงปฏิบัติ

ในฐานะผู้ศึกษาระดับอุดมศึกษาและผู้เชี่ยวชาญด้าน IT อุตสาหกรรมในอดีต ผมพบว่าความฮือฮาเกี่ยวกับโมเดล R1 ของ DeepSeek ของจีนเป็นคำเตือนเชิงปฏิบัติเกี่ยวกับสามสิ่ง

สิ่งแรกคือ AI ที่สร้างข้อมูล (generative AI) ไม่ได้เป็นเพียงการประมวลผลข้อมูลขนาดใหญ่เพื่อสร้างคำตอบที่เกี่ยวข้องต่อคำสั่งแล้ว แต่ยังเกี่ยวกับการให้เหตุผล (cognitive reasoning) อีกด้วย (ซึ่งเป็นตัว “R” ใน R1)

สัญญาของโมเดลภาษาขนาดใหญ่ (large language models) ที่มีการให้เหตุผลคือความสามารถในการเข้าถึงข้อมูลและประมวลผลข้อมูลขนาดใหญ่ ซึ่งเคยเป็นของคนอัจฉริยะที่มีเครื่องคอมพิวเตอร์ขนาดใหญ่ แต่ปัจจุบันอยู่ในมือของคนส่วนใหญ่แล้ว เนื่องจากมีการพัฒนาเทคนิคที่ช่วยเพิ่มประสิทธิภาพ ทำให้มีโมเดลที่เล็กพอที่จะทำงานบนแล็ปท็อปและสามารถรองรับเอเย่นต์หลายตัวที่สามารถทำงานอัตโนมัติได้

สิ่งที่สอง คือ การปฏิวัติ AI ที่สร้างข้อมูลเป็นเรื่องของนวัตกรรมและความคิดสร้างสรรค์ ไม่ใช่การแข่งขันเพื่อฮาร์ดแวร์ที่ทรงพลังที่สุด ขนาดของชุดข้อมูลการฝึกอบรม หรือจำนวนพารามิเตอร์ของโมเดล การนำเทคโนโลยีเหล่านี้ไปใช้สำเร็จจะไม่ได้ถูกกำหนดโดยบริษัท Big Tech ที่มีเครื่องคอมพิวเตอร์ขนาดใหญ่และโมเดลที่มีราคาหลายพันล้านดอลลาร์ แต่จะถูกกำหนดโดยประเทศและองค์กรที่ลงทุนในทรัพยากรบุคคลเพื่อเตรียมพร้อมสำหรับคลื่นนี้

สิ่งที่สาม และเป็นเรื่องที่เกี่ยวข้องกับจุดก่อนหน้านี้ คือ สหรัฐอเมริกาดูเหมือนจะไม่ได้เตรียมพร้อมสำหรับการเปลี่ยนแปลงที่จะเกิดขึ้นในเศรษฐกิจและสังคมของเรา ผมจะให้ตัวอย่างสองประการ คือ การศึกษาระดับอุดมศึกษาและองค์กรธุรกิจ

การศึกษาระดับอุดมศึกษา

ในมหาวิทยาลัยส่วนใหญ่ การตัดสินใจครั้งสำคัญของนักศึกษาคือการเลือกเรียนสาขาวิชา Bachelor of Arts (BA) ซึ่งเป็นการศึกษาที่มีความกว้างและครอบคลุมหลายสาขา หรือ Bachelor of Science (BS) ซึ่งมุ่งเน้นการพัฒนาทักษะและประสบการณ์จริงใน từngสาขา

ในยุคของ AI สิ่งนี้เป็นความแตกต่างที่ล้าสมัย เนื่องจากทั้งสองสาขาได้กลายเป็นสิ่งจำเป็นในสถานที่ทำงาน

ความจริงคือนักศึกษาปีที่หนึ่งส่วนใหญ่ไม่มีความรู้หรือความเข้าใจเกี่ยวกับงานที่พวกเขาจะทำในอนาคต หรือแม้แต่จุดแข็งและจุดอ่อนของตนเอง และยังต้องเลือกสาขาวิชาเรียน ซึ่งจะเป็นตัวเลือกที่ง่ายสำหรับเพียงบางส่วนเท่านั้นที่รู้หรือคิดว่ารู้ว่าต้องการทำอะไร: วิศวกรรมศาสตร์, วิทยาศาสตร์, การแพทย์, กฎหมาย ฯลฯ

เราต้องการแนวทางการศึกษาที่แตกต่าง มีความกว้างและครอบคลุมหลายสาขา ซึ่งยอมรับว่างานแรกของนักศึกษาที่จบการศึกษาอาจไม่เกี่ยวข้องกับสาขาวิชาที่พวกเขาเรียน และประสบการณ์ในการศึกษาจะเป็นเพียงขั้นตอนแรกในการเรียนรู้ตลอดชีวิต – การเพิ่มทักษะ, การรับรอง, การสร้างสรรค์ใหม่, การเปลี่ยนอาชีพ – สำหรับบทบาทที่เราไม่สามารถจินตนาการได้ในปัจจุบัน

นอกจากนี้ ในฐานะผู้ศึกษา เราต้องพัฒนากลยุทธ์ใหม่ในการจัดการกับการลอกเลียนแบบของ AI และหลีกเลี่ยงอันตรายจากการที่ chatbot กลายเป็นทางลัดทางปัญญา หรือ “การโหลดข้อมูลภายนอก” – ความต้องการที่จะพึ่งพาเครื่องมือภายนอกมากกว่าการพัฒนาความสามารถภายใน

ในยุคที่ความรู้ถูกแยกออกจากความเข้าใจ มีความเสี่ยงมากเกินไปที่จะใช้ AI เพื่อหาคำตอบหรือวิธีแก้ปัญหาโดยไม่ต้องพยายามเข้าใจหรือแก้ปัญหาเอง

องค์กรธุรกิจ

องค์กรธุรกิจส่วนใหญ่ยังไม่เข้าใจถึงผลกระทบของเทคโนโลยีใหม่เหล่านี้

บทบาทและโครงสร้าง IT ปัจจุบันสะท้อนถึงความต้องการของการปฏิวัติดิจิทัลครั้งก่อน โครงสร้างเหล่านี้เกิดขึ้นจากความเชี่ยวชาญเฉพาะด้านที่จำเป็นสำหรับ มนุษย์ ในการใช้และโต้ตอบกับ คอมพิวเตอร์ – การเขียนโปรแกรม, วิศวกรรมข้อมูล, สถาปัตยกรรมคอมพิวเตอร์, การบริหารเครือข่าย, ความปลอดภัยข้อมูล ฯลฯ

ในทางตรงกันข้าม AI ที่สร้างข้อมูล (generative AI) และสาขาวิชาประมวลผลภาษาธรรมชาติ (Natural Language Processing) ที่มาก่อนหน้านั้น เป็นเรื่องของการออกแบบและฝึกอบรม คอมพิวเตอร์ เพื่อโต้ตอบกับ มนุษย์

ดังนั้น พนักงานระดับล่างจึงคิดค้นวิธีการใช้เทคโนโลยีเหล่านี้ที่ฉลาด (และบางครั้งก็อันตราย) องค์กรต่างๆกำลังพยายามหาวิธีการและขั้นตอนที่สามารถใช้ประโยชน์จากผลผลิตได้มากที่สุดในขณะเดียวกันก็ลดความเสี่ยงให้เหลือน้อยที่สุด

ปัญหาหลักคือในองค์กรธุรกิจส่วนใหญ่ ความเชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลมักจะถูกจัดกลุ่มอยู่ในแผนก IT ซึ่งยังคงทำงานเหมือนกับสมาคมลับโดยมีภาษาและแนวปฏิบัติที่แยกออกจากหน่วยธุรกิจหลัก ผมเชื่อว่าการปฏิวัติผลผลิตที่กำลังจะเกิดขึ้นต้องการบทบาทและโครงสร้างองค์กรใหม่ๆ ซึ่งความเชี่ยวชาญด้านข้อมูลจะไม่ถูกแยกออกเป็นหน่วยงานเฉพาะ แต่จะเชื่อมโยงกับเกือบทุกด้านของการดำเนินงาน

และยังมีปัญหาเรื่องข้อมูลอีก เมื่อองค์กรส่วนใหญ่นำ AI มาใช้โดยการปรับโมเดล LLM เพื่อใช้งานเฉพาะด้านโดยใช้ข้อมูลที่เป็นกรรมสิทธิ์ ในขณะที่ผู้ใช้ข้อมูลในหน่วยธุรกิจต้องการข้อมูลที่ถูกต้อง, ใส่ใจดูแลและจัดการได้ดี แต่ผู้เป็นเจ้าของข้อมูลใน IT ไม่มีงบประมาณ, สิ่งจูงใจทางการเงินหรืออำนาจในการรับรองระดับคุณภาพและความโปร่งใสนี้

ดังนั้น ชุดข้อมูลภายในจึงไม่ได้รับการจัดการและค้นหาที่ดีในระดับองค์กร โดยทั่วไปข้อมูลประเภทต่างๆ จะถูกเก็บไว้ในที่ต่างๆ เมื่อตอบคำขอของธุรกิจ ผู้ให้บริการ IT จะให้มุมมองที่แตกต่างกันของข้อมูล, สร้างสำเนา (และสำเนาของสำเนา) ของข้อมูล และสร้างการเปิดเผยและความเป็นนามธรรมของข้อมูลเพื่อเหตุผลต่างๆ… ณ จุดนี้ ไม่มีใครรู้ว่าสำเนาใดที่เก่า, ไม่สมบูรณ์, ซ้ำกัน, ไม่ถูกต้อง หรือไม่มีบริบท

สรุป

AI ที่สร้างข้อมูลมีศักยภาพในการเปลี่ยนแปลงทุกประเภทของงานที่ต้องใช้ความรู้ ในแก่นแท้ เทคโนโลยีนี้เป็นเรื่องของการทำให้ความเชี่ยวชาญเป็นประชาธิปไตย (ทั้งดีและไม่ดี) – การกำจัดคนกลาง เช่น นักเขียนโค้ด, ผู้สร้างวิดีโอ, ผู้สร้างภาพประกอบ, นักเขียน, ผู้แก้ไข และแทบจะทุกประเภทของคนงานที่มีความรู้หรือ “ผู้เชี่ยวชาญ” ไม่เคยเกิดขึ้นมาก่อนที่มนุษย์จะเผชิญกับเทคโนโลยีที่สามารถแข่งขันกับความสามารถในการประมวลผลและให้เหตุผลของตนเอง – ไม่ใช่เพียงความแข็งแรงทางกาย, ความทนทาน, ความแม่นยำหรือความสามารถในการประมวลผลข้อมูลขนาดใหญ่เท่านั้น

การปฏิวัติผลผลิตที่น่าตื่นเต้นนี้ต้องการทักษะ, ความสามารถและโครงสร้างองค์กรใหม่ๆ ซึ่งความเชี่ยวชาญด้านข้อมูลเป็นส่วนหนึ่งของเกือบทุกกระบวนการทางธุรกิจ

ความขัดแย้งก็คือเมื่อเครื่องจักรมีพลังในการวิเคราะห์ที่มากขึ้น สถานะและคุณค่าของพนักงานในลำดับชั้นขององค์กรอาจกลายเป็นหน้าที่ที่น้อยลงของความเชี่ยวชาญเฉพาะด้าน, ประสบการณ์และคุณวุฒิ และกลายเป็นหน้าที่ที่มากขึ้นของทักษะที่สร้างสรรค์, 跨สาขาและระหว่างบุคคล

เวลาที่จะพัฒนาทักษะและลงทุนในความสามารถเหล่านี้คือตอนนี้