ความหมกมุ่นกับ AI อาจทำให้แวดวงวิจัยที่จำเป็นต่อการอยู่รอดของ AI ขาดแคลนทรัพยากร

ฉันเขียนเกี่ยวกับปัญญาประดิษฐ์เพียงเรื่องเดียวมาเป็นเวลา 10 ปี ในปี 2022 มีนักข่าวทั่วโลกเพียงไม่กี่คนที่ทุ่มเททำข่าว AI โดยเฉพาะ แต่ตอนนี้มีจำนวนหลายพันคนหรือมากกว่านั้น ขณะที่สำนักข่าวที่มีทรัพยากรมากกว่าก็มีพนักงานมากกว่าหนึ่งคนที่รับผิดชอบรายงานข่าวปัญญาประดิษฐ์โดยเฉพาะ

ในฐานะมนุษยชาติ ตอนนี้เราทุ่มเทความสนใจ ความพยายาม ความหวาดกลัว และความหวังให้กับปรากฏการณ์ทางวัฒนธรรมและเทคโนโลยีที่เกิดขึ้นเพียงครั้งเดียวในรอบศตวรรษ ซึ่งก่อนที่จะมีโมเดลภาษาขนาดใหญ่ที่ใช้งานได้จริงและการสร้างภาพและวิดีโอด้วยกระบวนการแพร่กระจายที่มีประสิทธิภาพนั้น ยังถูกมองเป็นเพียงเรื่อง «น่าสนใจ» โดยมีดีปเฟกเป็นประเด็นที่ถูกหยิบยกมาใช้ต่อสู้ทางการเมือง ขณะที่ดูเหมือนว่าเศรษฐกิจโลกยังไม่ได้รับผลกระทบ

พายุ AI ที่กลายเป็นเรื่องปกติ

เห็นได้ชัดว่าตอนนี้ทุกอย่างเปลี่ยนไปแล้ว ทุกสิ่งกำลังเผชิญภัยคุกคาม ทุกสิ่งกำลังถูกรบกวน และอาจกล่าวได้ว่า ปี 2026 เป็นปีที่การคาดการณ์เกี่ยวกับปีถัดไปยากจะตั้งอยู่บนพื้นฐานที่หนักแน่นที่สุด*

มีการเปิดตัวโมเดลใหม่ทั้งแบบปิดซอร์สและแบบเปิดน้ำหนักทุกสัปดาห์ บางครั้งก็หลายครั้งต่อสัปดาห์ โดยตอนนี้เปิดตัวถี่จนบางโมเดลไม่ได้รับการรีวิวจากชุมชนผู้คลั่งไคล้หรือผู้ทำงานอดิเรกด้วยซ้ำ ซึ่งเริ่มมีทัศนคติเบื่อหน่ายต่อเรื่องนี้,  และมีมาตรฐานในการดึงดูดความสนใจสูงขึ้นเรื่อย ๆ ท่ามกลางกระแสการเปิดตัวที่ไม่หยุดหย่อน

ในฐานะคนที่ติดตามแวดวงงานวิจัยและการเปิดตัวผลงานอย่างใกล้ชิดและเป็นอาชีพ ฉันต้องบอกว่า แม้ความก้าวหน้าในภาคส่วนต่าง ๆ ของการวิจัยและพัฒนา AI จะส่งผลอย่างมากในช่วงเวลาห่าง ๆ กัน แต่โดยทั่วไปแล้วความก้าวหน้าเหล่านี้มักเกิดขึ้นทีละเล็กทีละน้อย มากกว่าจะเป็นหมุดหมายสำคัญที่พลิกโฉมหรือวิวัฒนาการครั้งใหญ่ เช่น Transformers ทุกวันนี้ เรื่องที่สร้างความตกตะลึงส่วนใหญ่มักเกี่ยวกับผลกระทบของ AI ต่อเศรษฐกิจ มากกว่าความสามารถล่าสุดของ AI

นอกจากนี้ ดังที่ฉันเคยกล่าวไว้คุณภาพของแนวคิดที่เกิดขึ้นท่ามกลางงานวิจัย AI ที่เติบโตอย่างมหาศาลนับตั้งแต่ปี 2022 ไม่ได้เพิ่มขึ้นตามปริมาณเสมอไป งานจำนวนมากเป็นการนำแนวคิดเดิมมาดัดแปลงซ้ำ ผสมผสาน หรือประกอบขึ้นใหม่ในสไตล์ Frankenstein โดยนำงานที่มีอยู่แล้วและงานใหม่กว่ามาปะติดปะต่อเป็นสถาปัตยกรรมที่ออกแบบมาเพื่อให้ดูเหมือนว่ามีการปรับปรุงงานก่อนหน้าอย่างมีนัยสำคัญอย่างเห็นได้ชัด แต่เมื่อตรวจสอบแล้วกลับพบว่าติดขัดเพราะระเบียบวิธีที่เปราะบาง หรือมีต้นทุน VRAM สูงอย่างเหลือเชื่อ

เมืองร้างในแวดวงข่าวเฉพาะด้าน

เมื่อนักข่าวหลายพันคนหันมารายงานข่าว AI เรื่องที่พวกเขาเคยทำข่าวย่อมได้รับความสนใจโดยตรงน้อยลงอย่างหลีกเลี่ยงไม่ได้ ในแง่หนึ่ง เรื่องนี้แทบไม่สำคัญ เพราะ AI กลายเป็นประเด็นและเทคโนโลยีที่แพร่หลายไปทั่วทั้งวัฒนธรรมและโครงสร้างพื้นฐาน ตัวอย่างเช่น ผู้สื่อข่าวด้านพลังงานในตอนนี้อาจรายงานประเด็นที่เกี่ยวข้องกับ AI มากกว่าเรื่องอื่น ๆ เช่นเดียวกับผู้สื่อข่าวด้านเศรษฐกิจ การจ้างงาน การเมือง และนโยบาย รวมถึงด้านอื่น ๆ

ดูเหมือนว่าตอนนี้เราสามารถมองหัวข้อทั้งหมดเหล่านี้ผ่านกรอบของ AI ได้ ซึ่งอาจเป็นคำอธิบายส่วนหนึ่งที่ทำให้การรายงานข่าว AI «โดยเฉพาะ» เพิ่มขึ้นอย่างมาก ในแวดวงที่หดตัวลงเรื่อย ๆ (แม้ว่าช่วงหลังจะฟื้นตัวขึ้นเล็กน้อย)

ด้วยเหตุนี้ จึงอดสงสัยไม่ได้ว่าตอนนี้หัวข้ออื่น ๆได้รับความสนใจไม่เพียงพอเพราะ «ความหมกมุ่นกับ AI» หรือไม่ ทั้งที่หัวข้อเหล่านั้นมีเรื่องราว แนวโน้ม และแขนงต่าง ๆ ซึ่งท้ายที่สุดอาจส่งผลต่อ «หัวข้อทองคำ» อย่าง AI เอง

แต่จะทำอย่างไรได้ล่ะ ทรัพยากรมีจำกัด และจนถึงตอนนี้ AI ก็เป็นเรื่องราวสำคัญแห่งศตวรรษ

การเคลื่อนย้ายครั้งใหญ่เข้าสู่แวดวง AI

บทความฉบับใหม่ที่ปลุกความรู้สึกของฉันเกี่ยวกับประเด็นนี้ขึ้นมา ระบุว่าสิ่งที่อาจกำลังเกิดขึ้นกับ AI เองก็คือ นอกเหนือจากความเสี่ยงที่การหดตัวและการป้อนข้อมูลกลับเข้าไปจะทำให้คุณภาพของโมเดลในอนาคตลดลงแล้ว ระบบนิเวศทางวิทยาศาสตร์ในวงกว้าง ซึ่งเป็นแหล่งกำเนิดแนวคิดและการแลกเปลี่ยนต่อยอดแนวคิดข้ามสาขาวิชา ก็กำลังมุ่งกระจุกตัวอยู่กับงานวิจัย AI อย่างหนัก จนช่วงเวลาแห่ง «การค้นพบโดยบังเอิญ» ซึ่งความเชื่อมโยงที่ไม่คาดคิดระหว่างแนวคิดที่ดูเหมือนไม่เกี่ยวข้องกันสามารถพลิกโฉมสาขาวิชาทั้งสาขาได้ อาจเกิดขึ้นน้อยลงเรื่อย ๆ

กล่าวโดยสรุป งานวิจัยชิ้นใหม่นี้มีชื่อว่า ความก้าวหน้าครั้งสำคัญของปัญญาประดิษฐ์เร่งให้ศักยภาพของตนเองหมดลง และเสนอว่า ความหมกมุ่นกับ AI กำลังทำลายสภาพแวดล้อมโดยรอบที่เอื้อต่อการเกิดความก้าวหน้าใหม่ ๆรวมถึงความก้าวหน้าที่ส่งผลต่อ AI โดยตรง และแนวโน้มความสนใจที่ «วนเวียนอยู่ภายในกลุ่มเดียวกัน» นี้ (หากถอดความผู้เขียนอย่างคร่าว ๆ) ดูไม่น่าจะลงเอยด้วยดี

บทความระบุไว้^†ว่า:

«กระบวนทัศน์ที่ครอบงำวงการไม่ได้กำจัดเพียงแนวคิดคู่แข่งเท่านั้น แต่ยังกำจัดความหลากหลายที่กระบวนทัศน์ของตนเองจะต้องอาศัยในการผสมผสานเพื่อก่อกำเนิดสิ่งที่เข้ามาแทนที่»

«การหันเหความสนใจให้แคบลงนับตั้งแต่ปี 2017 การที่ผู้เขียนซึ่งเปลี่ยนสาขามากกว่าครึ่งหันเข้าสู่แวดวง AI พลังขับเคลื่อนของแนวคิดใหม่ที่ลดลง และการลดลงอย่างรวดเร็วขึ้นเรื่อย ๆ ของประชากรแนวคิดที่ยังดำเนินอยู่ในแต่ละวัฏจักรต่อเนื่องกัน ล้วนบ่งชี้ถึงระบบที่ศักยภาพในการสร้างสรรค์กำลังถูกบั่นทอนจากความสำเร็จของกระบวนทัศน์หลักที่ระบบนั้นสร้างขึ้น»

งานก่อนหน้านี้ตั้งข้อสังเกตว่า AI อาจกำลังทำให้การวิจัยกลายเป็นสาขาที่มีแนวคิดแบบเดียวกันทั้งหมด แต่นักวิจัยผู้เขียนงานชิ้นใหม่นี้ยังเชื่อด้วยว่า การครอบงำที่เพิ่มขึ้นของ AI อาจกำลังทำให้ AI ขาดแคลนแนวคิดใหม่ๆ ที่จำเป็นต่อการพัฒนาต่อไป โดยเปรียบเทียบการวิจัยด้าน AI กับวิทยาศาสตร์ชีวภาพ ซึ่งเคยเกิดวงจรแห่งนวัตกรรมและความถดถอยในลักษณะคล้ายกัน หลังมีความก้าวหน้าอย่าง กล้องจุลทรรศน์อิเล็กตรอนแบบแช่แข็ง (cryo-EM) และ AlphaFold

เพื่อหาหลักฐานเชิงประจักษ์มาสนับสนุนทฤษฎี ผู้เขียนได้วิเคราะห์บทความด้านวิทยาการคอมพิวเตอร์ 7.18 ล้านชิ้นจาก OpenAlex ซึ่งตีพิมพ์ระหว่างปี 1990 ถึง 2025 โดยติดตามการเปลี่ยนแปลงของหัวข้อวิจัยและการอ้างอิง การย้ายสาขาของนักวิจัย 3.7 ล้านคน และบทวิจารณ์โดยผู้ทรงคุณวุฒิ 73,089 รายการ เพื่อดูว่าการครอบงำที่เพิ่มขึ้นของ AI ส่งผลต่อความหลากหลายทางวิทยาศาสตร์อย่างไร

หนึ่งในข้อค้นพบที่น่าสนใจที่สุดจากข้อมูลเกี่ยวข้องกับการย้ายสาขาของนักวิจัยในช่วงที่ผ่านมา โดยหันมาทำงานด้าน AI และละทิ้งสาขาที่เคยศึกษา:

‘ผู้ย้ายสาขาคือนักวิจัยที่อยู่ในช่วงกลางของอาชีพและมีผลงานเป็นที่ยอมรับในระดับหนึ่ง พวกเขาละทิ้งงานที่สร้างชื่อเสียงให้ตนเอง เพื่อมุ่งไปตามแรงดึงดูดของสาขานี้ แม้ต้องแลกกับต้นทุนจากการเปลี่ยนทิศทางก็ตาม’

งานศึกษาพบว่า การเปลี่ยนสาขาระหว่างแขนงต่างๆ ของวิทยาการคอมพิวเตอร์ที่บันทึกไว้ 918,862 ครั้งนั้น มากกว่าครึ่งเป็นการย้ายเข้าสู่ AI ขณะที่สาขาอื่นๆ โดยเฉพาะด้านระบบและการวิจัยเชิงทฤษฎี สูญเสียนักวิจัยไปอย่างต่อเนื่อง

จากบทความวิจัยฉบับใหม่ แสดงการเปลี่ยนแปลงสัดส่วนของบทความด้านวิทยาการคอมพิวเตอร์ที่มุ่งเน้น AI ระบบ และทฤษฎี ระหว่างปี 1990 ถึง 2025 แต่ละช่องแทนหนึ่งปี โดยสีน้ำเงินแสดงสัดส่วนที่สูงขึ้น ส่วนสีแดงแสดงสัดส่วนที่ลดลง สัดส่วนของ AI เพิ่มขึ้นอย่างรวดเร็วหลังปี 2017 ขณะที่สาขาอื่นลดลง ที่มา

นักวิจัยที่มีแนวโน้มย้ายสาขามากที่สุดคือคณาจารย์ที่มีประสบการณ์และสร้างเส้นทางอาชีพที่มั่นคงแล้ว ขณะเดียวกัน สัดส่วนของ AI ในบทความด้านวิทยาการคอมพิวเตอร์ทั้งหมดเพิ่มจาก 40% ในปี 2017 เป็นมากกว่า 55% ในปี 2025

จากบล็อก Arxiv แสดงการเพิ่มขึ้นของผลงานที่ส่งเข้ารับการพิจารณาในสาขาวิทยาการคอมพิวเตอร์ตลอดช่วง 2 ปี ระหว่างปี 2024-26 ที่มา

สัญญาณสามประการ

บทความวิจัยระบุถึง “สัญญาณสามประการที่บรรจบกัน” ซึ่งผู้เขียนเสนอว่าเป็นลักษณะสำคัญของวงการวิทยาการคอมพิวเตอร์นับตั้งแต่ปี 2017

ประการแรกคือ การหดแคบลงอย่างรวดเร็วของความสนใจในประเด็นการวิจัยหลังปี 2017 ซึ่งเป็นช่วงที่มีการนำสถาปัตยกรรม Transformer มาใช้ ผู้เขียนดึงคำสำคัญที่โดดเด่นที่สุด 10 คำจากบทความด้านวิทยาการคอมพิวเตอร์ 7.18 ล้านชิ้น เพื่อติดตามว่างานวิจัยมุ่งกระจุกตัวอยู่ในประเด็นเดิมๆ มากเพียงใด:

กราฟแสดงให้เห็นว่างานวิจัยด้านวิทยาการคอมพิวเตอร์กระจุกตัวมากขึ้นเรื่อยๆ นับตั้งแต่ปี 2017 ด้านซ้าย: นักวิจัยมุ่งเน้นหัวข้อในวงแคบลง ด้านขวา: สัดส่วนการอ้างอิงที่เพิ่มขึ้นตกอยู่กับบทความเพียงบางส่วนที่มีจำนวนน้อยลง แนวโน้มทั้งสองเร่งตัวขึ้นในช่วงที่ Transformer ปรากฏขึ้น

ตลอดหลายทศวรรษที่ผ่านมา การกระจุกตัวนี้ค่อนข้างคงที่ แม้ในช่วงที่อินเทอร์เน็ต สมาร์ตโฟน และการเรียนรู้เชิงลึกเติบโตขึ้น แต่ระหว่างปี 2017 ถึง 2025 ค่าสัมประสิทธิ์จีนี^††ของความสนใจในงานวิจัย (ดูภาพด้านบน) เพิ่มจาก 0.26 เป็น 0.33 หรือเพิ่มขึ้น 27% การอ้างอิงก็กระจุกตัวมากขึ้นเช่นกัน โดยค่าสัมประสิทธิ์จีนีเพิ่มจาก 0.60 จนถึงจุดสูงสุดที่ 0.69

นักวิจัยจาก Tsinghua University, the University of Chicago และ the Santa Fe Institute ระบุว่า:

‘Transformer สร้างความเปลี่ยนแปลงให้วงการในระดับที่สถาปัตยกรรมรุ่นก่อนหน้าไม่เคยทำได้ รูปแบบที่พบไม่ใช่สิ่งที่เกิดจากความคลาดเคลื่อนของข้อมูล แต่ยังคงปรากฏให้เห็นแม้มีความแปรผันใน [keyword count]’

และกล่าวต่อว่า:

‘สัดส่วนของ AI ในสิ่งพิมพ์ด้านวิทยาการคอมพิวเตอร์เพิ่มจาก 40% เป็นมากกว่า 55% ระหว่างปี 2017 ถึง 2025 ขณะที่งานวิจัยด้านระบบถดถอยลงจากยุครุ่งเรืองยาวนาน และงานวิจัยเชิงทฤษฎีก็หดตัวลงยิ่งกว่า’

ดังนั้น ข้อค้นพบจึงชี้ว่า แม้วงการวิทยาการคอมพิวเตอร์จะขยายตัว แต่นักวิจัยกลับมุ่งศึกษาแนวคิดเดียวกันมากขึ้น และอ้างอิงผลงานในวงแคบลง

“สัญญาณ” ประการที่สองคือจำนวนนักวิจัยที่ละทิ้งความเชี่ยวชาญเฉพาะด้านเพื่อมาทำงานในสาขา AI เพิ่มขึ้น โดยติดตามนักวิจัย 3.7 ล้านคน ผู้เขียนระบุการย้ายสาขาระหว่างแขนงต่างๆ ของวิทยาการคอมพิวเตอร์ได้เกือบ 919,000 ครั้ง ในจำนวนนี้ 53.81% เป็นการย้ายเข้าสู่ AI ซึ่งเป็นสาขาวิจัยที่มีนักวิจัยเพิ่มขึ้นทุกปี ขณะที่สาขาระบบและทฤษฎีสูญเสียนักวิจัยอย่างต่อเนื่อง:

การย้ายถิ่นของนักวิจัยเข้าสู่สาขา AI กราฟด้านซ้ายแสดงให้เห็นว่า AI ดึงดูดนักวิจัยจากสาขาอื่น ๆ ในวิทยาการคอมพิวเตอร์ได้ในสัดส่วนที่เพิ่มขึ้น ขณะที่สาขาระบบและทฤษฎีมีสัดส่วนลดลง กราฟสองภาพทางขวาแสดงให้เห็นว่าใครมีแนวโน้มย้ายสาขามากที่สุด ได้แก่ นักวิจัยที่มีประสบการณ์ตีพิมพ์ผลงานมาราว 32 ปี และมีผลงานตีพิมพ์ดีกว่านักวิจัยร่วมวงการประมาณ 82% การเปลี่ยนสาขาจะนับเมื่อผู้วิจัยเริ่มตีพิมพ์ผลงานส่วนใหญ่ของตนในสาขาอื่น

ผู้ที่เปลี่ยนสาขามักเป็นนักวิชาการที่มีประสบการณ์และอยู่ในช่วงกลางของเส้นทางอาชีพ มากกว่าจะเป็นผู้เริ่มต้นหรือผู้คร่ำหวอดแล้ว โอกาสย้ายเข้าสู่สาขา AI สูงสุดเมื่อนักวิจัยมีอายุงานทางวิชาการ 31.8 ปี และมีอันดับผลงานตีพิมพ์อยู่ที่เปอร์เซ็นไทล์ที่ 82

แนวโน้มประการที่สามจากทั้งหมดสามประการที่บทความกล่าวถึง คือ แรงกดดันที่เพิ่มขึ้นต่อการประเมินโดยผู้ทรงคุณวุฒิ ซึ่งเป็นกระบวนการที่นักวิจัยคนอื่นประเมินคุณภาพและความน่าเชื่อถือของบทความวิทยาศาสตร์ก่อนตีพิมพ์

จากการตรวจสอบบทวิจารณ์ 73,089 รายการของบทความ 26,731 ฉบับ ซึ่งส่งไปยังการประชุมและเวทีอื่น ๆ 45 แห่ง ระหว่างปี 2017 ถึง 2025 ผู้เขียนพบว่าความมั่นใจของผู้ประเมินในการตัดสินบทความลดลงจาก 3.9 เหลือ 2.9 จากคะแนนเต็ม 5:

กราฟแสดงการเปลี่ยนแปลงของการประเมินโดยผู้ทรงคุณวุฒิทางวิทยาศาสตร์ระหว่างปี 2017 ถึง 2025 กราฟด้านซ้ายแสดงให้เห็นว่าผู้ประเมินมั่นใจในความสามารถของตนเองในการประเมินบทความที่ส่งมาน้อยลง โดยคะแนนลดจาก 3.9 เหลือ 2.9 จากคะแนนเต็ม 5 ส่วนกราฟด้านขวาติดตามความคิดเห็นเชิงโจมตีในบทวิจารณ์ ซึ่งลดลงชั่วครู่ในปี 2021 เมื่อการประชุม NeurIPS เปลี่ยนมาใช้แพลตฟอร์ม OpenReview ที่โปร่งใสมากขึ้น ก่อนจะเพิ่มขึ้นอีกครั้ง ทั้งสองเส้นแสดงค่าเฉลี่ยเคลื่อนที่ในช่วงสามปี

ผู้เขียนเสนอว่าความเชื่อมั่นที่ลดลงนี้อาจเป็นผลจากการขยายตัวอย่างรวดเร็วของ AI ซึ่งทำให้การจับคู่บทความกับผู้ประเมินที่มีคุณสมบัติเหมาะสมทำได้ยากขึ้น:

‘กลุ่มผู้ประเมินมีผู้มาใหม่หลั่งไหลเข้ามาจำนวนมากเพราะแรงดึงดูดของ AI ผู้ประเมินได้รับบทความที่สอดแทรกวิธีการด้าน AI มากขึ้นเรื่อย ๆ ซึ่งอยู่นอกขอบเขตความเชี่ยวชาญหลักของตน การจับคู่บทความที่ส่งเข้ามากับผู้ประเมินซึ่งเป็นผู้เชี่ยวชาญอย่างแท้จริงกลายเป็นเรื่องยากในเชิงโครงสร้าง

‘ภายใต้ระบบเช่นนี้ การได้รับการตอบรับมีลักษณะคล้ายการโยนเหรียญตัดสินมากขึ้นเรื่อย ๆ’

หลังยุคตื่นทองระลอกแล้วระลอกเล่า

บทความยังเสนอด้วยว่า ความก้าวหน้าครั้งใหญ่ที่สุดของ AI อาจเร่งให้วงการหมดแรงลงในที่สุด เพราะความก้าวหน้าแต่ละครั้งตามมาด้วยแนวคิดใหม่ ๆ ที่เพิ่มขึ้นอย่างรวดเร็ว แต่กระแสนวัตกรรมระยะแรกนี้จะค่อย ๆ ซาลงและกลายเป็นการทำซ้ำอย่างเชื่องช้า ขณะที่งานวิจัยกระจุกตัวอยู่รอบความก้าวหน้าเหล่านั้นมากขึ้นเรื่อย ๆ^†:

‘วงจรที่เกิดขึ้นต่อเนื่องใน AI สมัยใหม่อิ่มตัวเร็วขึ้นและหมดแรงลงอย่างรุนแรงกว่าเดิม วงจรกำลังหดสั้นลง

‘ตลอดระยะเวลา 36 ปีของการพัฒนาวิทยาการคอมพิวเตอร์ ซึ่งครอบคลุมความก้าวหน้าทางเทคโนโลยีครั้งสำคัญสามประการ ได้แก่ AlexNet, Transformer และ LLMs เราพบวงจรแบบเดียวกันนี้ซ้ำแล้วซ้ำเล่า[pattern]

‘ที่น่าสังเกตคือ รูปแบบนี้ไม่ได้จำกัดอยู่แค่วิทยาการคอมพิวเตอร์ ในชีววิทยา เราพบวงจรการหมดแรงแบบเดียวกันหลังความก้าวหน้าครั้งสำคัญทั้งด้านที่ไม่ใช่การคำนวณ (เช่น cryo-EM) และด้านการคำนวณ (เช่น AlphaFold)’ 

ภาวะ ‘หมดศักยภาพ’ นี้เกิดขึ้นกับออโตเอนโคเดอร์ โครงข่ายปฏิปักษ์เชิงกำเนิด (GANs) และแนวทางที่ใช้ออโตเอนโคเดอร์ เช่น ดีปเฟก อย่างแน่นอน ทั้งหมดนี้ถูกนักวิจัยรีดเค้นใช้งานอย่างไม่ปรานีต่อเนื่องหลายปีหลังจากศักยภาพหมดลงอย่างเห็นได้ชัด จนในที่สุดกรอบการทำงานและแนวทางใหม่ ๆ ก็เข้ามาช่วยลดแรงกดดันที่มีต่อสิ่งเหล่านี้

ไม่ว่าอย่างไรก็ตาม เพื่อศึกษาวงจรเหล่านี้ ผู้เขียนค้นหาคำนามและวลีที่มีลักษณะเฉพาะในบทคัดย่อทางวิทยาศาสตร์ โดยติดตามการปรากฏ การหายไป และการกลับมาปรากฏเป็นครั้งคราวของคำและวลีเหล่านั้น เพื่อใช้เป็นตัวบ่งชี้การเปลี่ยนแปลงของแนวคิดในการวิจัย

AlexNet ในปี 2012 และ Transformers ในปี 2017 ต่างจุดกระแสแนวคิดใหม่ ๆ ที่ท้ายที่สุดก็ค่อย ๆ ซาลง AI ทิ้งห่างมากขึ้นหลังความก้าวหน้าแต่ละครั้ง ขณะที่สาขาอื่น ๆ ในวิทยาการคอมพิวเตอร์ตามไม่ทัน และท้ายที่สุดก็สร้างแนวคิดใหม่ ๆ ได้ในอัตราที่ต่ำกว่าก่อนปี 2012:

เปรียบเทียบสัดส่วนแนวคิดวิจัยใหม่ในสาขาปัญญาประดิษฐ์ (สีน้ำเงิน) วิทยาการคอมพิวเตอร์ที่ไม่เกี่ยวกับปัญญาประดิษฐ์ (สีแดง) และทั้งสองสาขารวมกัน (เส้นประสีม่วง) แนวคิดใหม่เพิ่มขึ้นอย่างรวดเร็วหลังการมาถึงของ AlexNet ในปี 2012 และ Transformer ในปี 2017 ก่อนจะลดลง ความได้เปรียบของปัญญาประดิษฐ์ยิ่งกว้างขึ้นหลังความก้าวหน้าครั้งที่สอง เส้นแสดงค่าเฉลี่ยเคลื่อนที่ย้อนหลังสามปี

รูปแบบนี้ยังพบในแนวคิดที่เลิกใช้งาน เมื่อความก้าวหน้าครั้งใหม่เข้ามาแทนที่แนวทางเก่า ซึ่งบางครั้งเกิดขึ้นหลังจากแนวทางเหล่านั้นถือกำเนิดมาหลายปี อย่างไรก็ตาม ความก้าวหน้าเหล่านี้เองก็ติดอยู่ในวัฏจักรเดียวกัน เพราะแต่ละครั้งดึงดูดความสนใจจากงานวิจัยอย่างล้นหลาม ก่อนที่ความสนใจจะค่อย ๆ ลดลง และทิ้งให้วงการต้องรอคอยการค้นพบครั้งใหม่เพื่อฟื้นแรงขับเคลื่อน (ดังที่เกิดขึ้นกับ Gaussian Splatting หลังผ่านไป 31 ปี):

เปรียบเทียบจำนวนการอ้างอิงบทความต้นฉบับของ AlexNet (สีแดง) และ Transformer (สีน้ำเงิน) ตั้งแต่ปี 2012 ถึง 2025 ทั้งสองบทความมีสัดส่วนการอ้างอิงเพิ่มขึ้น ก่อนจะลดลงอย่างรวดเร็ว แสดงให้เห็นว่าความสนใจต่อความก้าวหน้าครั้งสำคัญย่อมจางหายไปในที่สุด เส้นแสดงค่าเฉลี่ยเคลื่อนที่ย้อนหลังสามปี

ผู้เขียนให้เหตุผลว่า ความสำเร็จของปัญญาประดิษฐ์ทำให้นักวิจัยและแนวคิดกระจุกตัวอยู่กับแนวทางหลักเพียงไม่กี่แนวทาง ขณะที่สาขาใกล้เคียงซึ่งอาจช่วยให้เกิดแนวทางรุ่นต่อไปกลับยังคงถดถอยลง และแม้ผู้เขียนจะไม่ได้คาดการณ์อย่างชัดเจนว่าสิ่งนี้จะขัดขวางความก้าวหน้าครั้งสำคัญในอนาคต แต่ก็ชี้ให้เห็นถึงความเป็นไปได้ที่ปัญญาประดิษฐ์กำลังค่อย ๆ บั่นทอนความหลากหลาย ซึ่งอาจเป็นสิ่งจำเป็นต่อการก้าวกระโดดครั้งต่อไปของวงการ

ผู้วิจัยยังติดตามจำนวนแนวคิดที่ยังมีการใช้งานอยู่ด้วย โดยในแต่ละระลอกของการพัฒนาปัญญาประดิษฐ์ จำนวนดังกล่าวลดต่ำกว่าที่คาดการณ์ไว้มากขึ้นเรื่อย ๆ และหลังการมาถึงของ Transformer ก็มีจำนวนที่ขาดหายไปจากที่คาดการณ์มากกว่าหลัง AlexNet:

แผนภูมิแสดงจำนวนแนวคิดวิจัยที่ยังใช้งานอยู่ในช่วงความก้าวหน้าครั้งสำคัญต่าง ๆ ของปัญญาประดิษฐ์ เส้นทึบแสดงการเติบโตตามแบบจำลอง ส่วนช่วงเส้นประแสดงจำนวนจริงที่ลดต่ำกว่าระดับคาดการณ์ จำนวนที่ขาดหายไปหลัง Transformer มากกว่าหลัง AlexNet และยังเห็นการลดลงตั้งแต่ช่วงต้นของยุคแบบจำลองภาษาขนาดใหญ่ (LLM) ด้วย

โดยสรุป ผู้เขียนเห็นว่าการทุ่มเทความพยายามและบุคลากรให้กับความท้าทายด้านปัญญาประดิษฐ์ที่มีขอบเขตแคบลงเรื่อย ๆ กำลังคุกคามสาขาใกล้เคียงให้ด้อยความอุดมสมบูรณ์ลง ทั้งที่สาขาเหล่านี้เคยส่งต่อแนวคิดให้ภาคปัญญาประดิษฐ์และภาคส่วนอื่น ๆ ได้อย่างเป็นธรรมชาติ

เมื่อกล่าวถึงความเห็นของ John Hassler เกี่ยวกับการมอบรางวัลโนเบลสาขาเศรษฐศาสตร์ประจำปี 2025 ผู้เขียนสรุปว่า:

“คณะกรรมการโนเบลเตือนว่า ต้องธำรงกลไกการทำลายล้างเชิงสร้างสรรค์ไว้ หากต้องการหลีกเลี่ยงภาวะชะงักงัน ผลการศึกษาของเราชี้ให้เห็นกลไกหนึ่ง นั่นคือความหลากหลายทางความคิด และแสดงให้เห็นว่าสถาบันในปัจจุบันกำลังกัดกร่อนความหลากหลายดังกล่าว

“สถาบันที่จัดสรรความสนใจ ไม่ว่าจะเป็นระบบพิจารณาผลงาน ค่าธรรมเนียมและกฎการส่งผลงาน ระบบรางวัล การจ้างงาน การเลื่อนตำแหน่ง และแนวปฏิบัติเรื่องการเกษียณอายุ 12 ล้วนกำหนดว่ากระบวนทัศน์ใหม่จะมีพื้นที่ให้เกิดขึ้นได้หรือไม่

“การออกแบบสถาบันเหล่านี้ให้ดีหมายถึงการไม่ทำตามแรงกระตุ้นที่จะทุ่มทรัพยากรเพิ่มให้กระบวนทัศน์ที่กำลังเป็นฝ่ายชนะ เก็บต้นทุนจากการกระจุกตัวแทนที่จะเก็บจากการสำรวจแนวทางใหม่ และย้ายอำนาจในการประเมินจากผู้ที่สร้างผลงานจำนวนมากไปสู่ผู้ที่เสนอแนวคิดใหม่

“การทำลายล้างเชิงสร้างสรรค์จะช่วยค้ำจุนการเติบโตได้ก็ต่อเมื่อยังเหลือสิ่งใดไว้ให้ผสานขึ้นใหม่ ภาวะเอกฐานย่อมไม่มีสิ่งใดมาสืบทอด”

* น่าจะมีคำเรียกสิ่งนี้ว่า “ต้านการคาดการณ์” หรือเปล่า? จริง ๆ แล้ว นั่นไม่ใช่คำเดี่ยว แต่เป็นศัพท์ และยังฟังดูเหมือนหมายถึงปี 2026 มากกว่ามุมมองต่อปี 2027 จากปี 2026 อีกคำคือ “ทำให้เป็นอนาคตไม่ได้” แต่โปรแกรมตรวจการสะกดขีดเส้นแดงใต้คำนั้น งั้นก็เลือกใช้คำนี้แล้วกัน

^† ฉันแปลงการอ้างอิงในเนื้อหาของผู้เขียนให้เป็นไฮเปอร์ลิงก์

^†† ค่าสัมประสิทธิ์จีนีบ่งชี้การกระจายตัวของสิ่งใดสิ่งหนึ่งว่ามีความไม่เท่าเทียมกันมากเพียงใด โดยมีค่าตั้งแต่ 0 (เท่าเทียมกันอย่างสมบูรณ์) ถึง 1 (กระจุกตัวสูงสุด) ในที่นี้ คะแนนที่สูงขึ้นหมายความว่านักวิจัยมุ่งศึกษาในหัวข้อจำนวนน้อยลง

เผยแพร่ครั้งแรกเมื่อวันพุธที่ 21 ตุลาคม 2026