ดู คิด อธิบาย: การเพิ่มขึ้นของโมเดลภาษาและภาพใน AI

ประมาณหนึ่งทศวรรษที่แล้ว ความฉลาดทางเทคนิคถูกแบ่งออกเป็นสองส่วน คือ การตระหนักภาพและความเข้าใจภาษา โมเดลภาพสามารถจับวัตถุได้ แต่ไม่สามารถอธิบายได้ และโมเดลภาษาสามารถสร้างข้อความได้ แต่ไม่สามารถ “มองเห็น” ได้ ในปัจจุบัน การแบ่งแยกนั้นกำลังหายไปอย่างรวดเร็ว โมเดลภาษาและภาพ (VLMs) รวมทักษะด้านภาพและภาษาเข้าด้วยกัน ทำให้สามารถตีความภาพและอธิบายได้ด้วยวิธีที่รู้สึกเหมือนมนุษย์ สิ่งที่ทำให้พวกมันโดดเด่นจริงๆ คือกระบวนการให้เหตุผลทีละขั้นตอน ซึ่งเรียกว่า Chain-of-Thought ซึ่งช่วยให้โมเดลเหล่านี้กลายเป็นเครื่องมือที่มีประสิทธิภาพและใช้ได้จริงในหลายอุตสาหกรรม เช่น สาธารณสุขและศึกษา ในบทความนี้ เราจะสำรวจว่า VLMs ทำงานอย่างไร ทำไมการให้เหตุผลจึงมีความสำคัญ และวิธีการที่พวกมันเปลี่ยนแปลงอุตสาหกรรมต่างๆ ตั้งแต่การแพทย์ไปจนถึงรถยนต์ไร้คนขับ

การทำความเข้าใจโมเดลภาษาและภาพ

โมเดลภาษาและภาพ หรือ VLMs เป็นประเภทของความฉลาดทางเทคนิคที่สามารถเข้าใจทั้งภาพและข้อความได้ในเวลาเดียวกัน ไม่เหมือนกับระบบ AI ที่เก่ากว่าซึ่งสามารถจัดการข้อความหรือภาพได้เพียงอย่างเดียว VLMs นำทักษะทั้งสองมารวมกัน ทำให้พวกมันสามารถมองภาพและอธิบายสิ่งที่เกิดขึ้นได้ หรือแม้กระทั่งสร้างภาพจากคำอธิบายที่เขียน

ตัวอย่างเช่น หากคุณขอให้ VLM อธิบายภาพของสุนัขที่วิ่งอยู่ในสวน VLM ไม่ได้แค่บอกว่า “มีสุนัข” แต่จะบอกว่า “สุนัขกำลังวิ่งไปหาต้นโอ๊กที่ใหญ่” มันเห็นภาพและเชื่อมโยงกับคำที่มีความหมาย ซึ่งทำให้เกิดความเป็นไปได้มากมาย ตั้งแต่ช่วยค้นหาภาพออนไลน์ไปจนถึงการช่วยเหลือในงานที่ซับซ้อนกว่านั้น เช่น การถ่ายภาพทางการแพทย์

ที่แก่นกลาง VLMs ทำงานโดยการรวมสองส่วนหลักเข้าด้วยกัน คือ ระบบภาพที่วิเคราะห์ภาพและระบบภาษาที่ประมวลผลข้อความ ส่วนภาพจับรายละเอียด เช่น รูปร่างและสี ในขณะที่ส่วนภาษาเปลี่ยนรายละเอียดเหล่านั้นเป็นประโยค VLMs ได้รับการฝึกฝนจากชุดข้อมูลขนาดใหญ่ที่มีหลายพันล้านคู่ภาพและข้อความ ทำให้พวกมันพัฒนาความเข้าใจและความแม่นยำสูง

Chain-of-Thought Reasoning ใน VLMs

การให้เหตุผลแบบ Chain-of-Thought หรือ CoT เป็นวิธีการทำให้ AI คิดทีละขั้นตอน เช่นเดียวกับที่เราตั้งปัญหาและแก้ไขปัญหาโดยการแบ่งออกเป็นขั้นตอน ใน VLMs สิ่งนี้หมายความว่า AI ไม่เพียงแต่ให้คำตอบเมื่อคุณถามเกี่ยวกับภาพ แต่ยังอธิบายวิธีการที่มันไปถึงคำตอบนั้นด้วย โดยอธิบายทีละขั้นตอน

สมมติว่าคุณแสดงภาพเค้กเกิดวันให้ VLM และถามว่า “คนนี้อายุเท่าไร?” หากไม่มี CoT มันอาจจะเดาเลขใดเลขหนึ่ง แต่ด้วย CoT มันจะคิดทีละขั้นตอน: “โอเค ฉันเห็นเค้กและมีเทียนอยู่ด้านบน เทียนมักจะแสดงอายุของคนให้ฉันนับเทียนกัน… มี 10 ดอก ดังนั้นคนนี้คงอายุ 10 ปี” คุณสามารถติดตามการให้เหตุผลที่มันพัฒนา ซึ่งทำให้คำตอบนั้นมีความน่าเชื่อถือมากขึ้น

ทำไม Chain-of-Thought จึงมีความสำคัญใน VLMs

การรวม CoT เข้ากับ VLMs นำมาซึ่งหลายข้อได้เปรียบ

ประการแรก มันทำให้ AI น่าเชื่อถือมากขึ้น เมื่อมันอธิบายขั้นตอนการให้เหตุผล คุณจะได้รับความเข้าใจที่ชัดเจนว่ามันไปถึงคำตอบได้อย่างไร ซึ่งสำคัญมากในพื้นที่เช่น สาธารณสุข ตัวอย่างเช่น เมื่อดูภาพถ่ายรังสี มันอาจบอกว่า “ฉันเห็นเงาในด้านซ้ายของสมอง บริเวณนั้นควบคุมการพูด และผู้ป่วยมีปัญหาในการพูด ดังนั้นจึงอาจเป็นเนื้องอก” แพทย์สามารถติดตามตรรกะนั้นและรู้สึกมั่นใจเกี่ยวกับการมีส่วนร่วมของ AI

ประการที่สอง มันช่วยให้ AI จัดการปัญหาเชิงซ้อนได้ โดยการแบ่งปัญหาออกเป็นขั้นตอน มันสามารถจัดการคำถามที่ต้องการการมองเห็นอย่างรวดเร็วได้ ตัวอย่างเช่น การนับเทียนเป็นเรื่องง่าย แต่การกำหนดความปลอดภัยบนถนนหนึ่งซึ่งต้องมีการตรวจสอบสัญญาณคนเดิน, การระบุยานพาหนะที่เคลื่อนที่ และการตัดสินว่ามันปลอดภัยหรือไม่นั้นเป็นเรื่องที่ซับซ้อน CoT ทำให้ AI สามารถจัดการความซับซ้อนนี้ได้โดยการแบ่งออกเป็นขั้นตอน

สุดท้าย มันทำให้ AI มีความสามารถในการปรับตัวมากขึ้น เมื่อมันให้เหตุผลทีละขั้นตอน มันสามารถนำสิ่งที่มันรู้ไปใช้กับสถานการณ์ใหม่ได้ หากมันไม่เคยเห็นเค้กแบบใดแบบหนึ่งก่อน มันสามารถคิดวิธีการเชื่อมโยงระหว่างเทียนและอายุได้ เพราะมันคิดทีละขั้นตอน ไม่ใช่แค่นึกถึงรูปแบบที่จำได้

Chain-of-Thought และ VLMs ที่กำลังเปลี่ยนแปลงอุตสาหกรรม

การรวม CoT และ VLMs กำลังสร้างผลกระทบอย่างมีนัยสำคัญในหลายอุตสาหกรรม:

• สาธารณสุข: ในด้านการแพทย์ VLMs เช่น Google’s Med-PaLM 2 (GOOGL ) ใช้ CoT เพื่อแบ่งปัญหาทางการแพทย์ที่ซับซ้อนออกเป็นขั้นตอนการวินิจฉัยที่เล็กกว่า ตัวอย่างเช่น เมื่อให้ภาพถ่ายรังสีหน้าอกและอาการ เช่น ไอและปวดหัว AI อาจคิดว่า: “อาการเหล่านี้อาจเป็นไข้หวัดใหญ่ อาการแพ้ หรือบางสิ่งที่รุนแรงกว่า ไม่มีกลุ่มเนื้อเยื่อในต่อมน้ำเหลืองที่บวม ดังนั้นมันจึงไม่น่าจะเป็นการติดเชื้ออย่างรุนแรง ลูกปอดดูเหมือนจะไม่มีปัญหา ดังนั้นมันจึงไม่น่าจะเป็นปอดบวม การติดเชื้อทางเดินหายใจทั่วไปดูเหมือนจะเหมาะสมที่สุด” มันเดินผ่านตัวเลือกและลงเอยด้วยคำตอบ โดยให้คำอธิบายที่ชัดเจนแก่แพทย์
• รถยนต์ไร้คนขับ: สำหรับรถยนต์ไร้คนขับ VLMs ที่ได้รับการปรับปรุงด้วย CoT ปรับปรุงความปลอดภัยและกระบวนการตัดสินใจ ตัวอย่างเช่น รถยนต์ไร้คนขับสามารถวิเคราะห์ฉากจราจรทีละขั้นตอน: ตรวจสอบสัญญาณคนเดิน, ระบุยานพาหนะที่เคลื่อนที่ และตัดสินว่ามันปลอดภัยที่จะดำเนินการต่อหรือไม่ ระบบเช่น Wayve’s LINGO-1 สร้างคำอธิบายภาษาธรรมชาติเพื่ออธิบายการกระทำ เช่น การชะลอความเร็วสำหรับคนขี่จักรยาน ซึ่งช่วยให้วิศวกรและผู้โดยสารเข้าใจกระบวนการให้เหตุผลของยานพาหนะได้
• การวิเคราะห์ทางภูมิศาสตร์: โมเดล Gemini ของ Google นำการให้เหตุผลแบบ CoT มาใช้กับข้อมูลเชิงพื้นที่ เช่น แผนที่และภาพถ่ายดาวเทียม ตัวอย่างเช่น มันสามารถประเมินความเสียหายจากพายุโดยการรวมภาพถ่ายดาวเทียม, การพยากรณ์อากาศ และข้อมูลประชากร แล้วสร้างภาพและคำตอบที่ชัดเจนสำหรับคำถามที่ซับซ้อน ซึ่งเร่งการตอบสนองต่อวิกฤตโดยการให้ข้อมูลที่มีประโยชน์แก่ผู้ตัดสินใจโดยไม่ต้องมีความเชี่ยวชาญทางเทคนิค
• หุ่นยนต์: ในด้านหุ่นยนต์ การรวม CoT และ VLMs ทำให้หุ่นยนต์สามารถวางแผนและดำเนินงานที่ซับซ้อนได้ดีขึ้น ตัวอย่างเช่น เมื่อถูกสั่งให้รับวัตถุ VLM ที่ได้รับการปรับปรุงด้วย CoT ช่วยให้หุ่นยนต์ระบุถ้วย, ระบุจุดยึดที่ดีที่สุด, วางแผนเส้นทางที่ไม่มีการชน และดำเนินการเคลื่อนไหว ในขณะเดียวกันก็ “อธิบาย” ทุกขั้นตอนของกระบวนการได้ โครงการเช่น RT-2 แสดงให้เห็นว่า CoT ช่วยให้หุ่นยนต์ปรับตัวเข้ากับงานใหม่ๆ และตอบสนองต่อคำสั่งที่ซับซ้อนได้ด้วยการให้เหตุผลที่ชัดเจน
• การศึกษา: ในด้านการศึกษา AI ที่เป็นครู เช่น Khanmigo ใช้ CoT เพื่อสอนได้ดีขึ้น สำหรับปัญหาคณิตศาสตร์ มันอาจแนะนำนักเรียน: “ขั้นแรก ลองเขียนสมการกัน จากนั้นแยกตัวแปรโดยการลบ 5 จากทั้งสองด้าน สุดท้ายหารด้วย 2” แทนที่จะให้คำตอบ มันจะอธิบายกระบวนการ ทำให้นักเรียนเข้าใจแนวคิดทีละขั้นตอน

บทสรุป

โมเดลภาษาและภาพ (VLMs) ทำให้ AI สามารถตีความและอธิบายข้อมูลเชิงภาพโดยใช้การให้เหตุผลทีละขั้นตอนผ่านกระบวนการ Chain-of-Thought (CoT) วิธีการนี้เพิ่มความน่าเชื่อถือ, ความสามารถในการปรับตัว และการแก้ปัญหาในหลายอุตสาหกรรม เช่น สาธารณสุข, รถยนต์ไร้คนขับ, การวิเคราะห์ทางภูมิศาสตร์, หุ่นยนต์ และการศึกษา โดยการเปลี่ยนแปลงวิธีการที่ AI จัดการกับงานที่ซับซ้อนและสนับสนุนการตัดสินใจ VLMs กำลังตั้งมาตรฐานใหม่สำหรับเทคโนโลยีฉลาดที่เชื่อถือได้และใช้ได้จริง