AI ของคุณมีพลังมากกว่าที่คุณคิด

ทีมนักวิทยาศาสตร์พบสิ่งที่เปลี่ยนแปลงมากเกี่ยวกับความสามารถของ AI คุณไม่ได้แค่ประมวลผลข้อมูล แต่ยังพัฒนาความสามารถที่ซับซ้อนซึ่งไปไกลกว่าการฝึกอบรม และเพื่อปลดปล่อยความสามารถเหล่านี้ เราต้องเปลี่ยนแปลงวิธีที่เราพูดกับพวกมัน

การปฏิวัติของพื้นที่แนวคิด

จำได้ไหมเมื่อเราคิดว่า AI เพียงแค่จับคู่รูปแบบ? การวิจัยใหม่ ได้ทำลายกล่องดำของการเรียนรู้ AI โดยการสร้างแผนที่ของสิ่งที่เรียกว่า “พื้นที่แนวคิด” ให้เห็นภาพการเรียนรู้ AI เป็นแผนที่หลายมิติ โดยที่แต่ละพิกัดแทนแนวคิดที่แตกต่างกัน เช่น สี, รูปร่าง หรือขนาด โดยการดูว่า AI เคลื่อนที่ผ่านพื้นที่นี้ระหว่างการฝึกอบรม นักวิจัยพบสิ่งที่ไม่คาดคิด: ระบบ AI ไม่เพียงแต่จดจำ แต่ยังสร้างความเข้าใจที่ซับซ้อนเกี่ยวกับแนวคิดที่แตกต่างกันในอัตราที่แตกต่างกัน

ทีมวิจัยระบุว่า “โดยการอธิบายพลวัตการเรียนรู้ในพื้นที่นี้ เราได้ระบุว่าความเร็วในการเรียนรู้แนวคิดหนึ่งๆ ถูกควบคุมโดยคุณสมบัติของข้อมูล” ในอีกคำหนึ่ง แนวคิดบางอย่างคลิกเร็วกว่าแนวคิดอื่นๆ ขึ้นอยู่กับว่าพวกมันโดดเด่นในข้อมูลการฝึกอบรมมากเพียงใด

สิ่งนี้มีความน่าสนใจมากเมื่อ AI เรียนรู้แนวคิดเหล่านี้ พวกมันไม่เพียงแค่เก็บไว้เป็นชิ้นส่วนของข้อมูลที่แยกจากกัน แต่ยังพัฒนาความสามารถในการผสมผสานแนวคิดเหล่านี้ในทางที่เราสอนพวกมันไม่เคยสอนมาก่อน มันเหมือนกับว่าพวกมันสร้างชุดเครื่องมือสร้างสรรค์ของตนเอง – เราเพียงแค่ยังไม่ได้ให้คำแนะนำที่ถูกต้องในการใช้งาน

ลองนึกถึงสิ่งที่นี้หมายถึงสำหรับโครงการ AI โมเดลที่คุณทำงานด้วยอาจเข้าใจการผสมผสานแนวคิดที่ซับซ้อนซึ่งคุณยังไม่ค้นพบ คำถามไม่ใช่ว่าพวกมันสามารถทำได้มากกว่านี้หรือไม่ แต่เป็นวิธีการให้พวกมันแสดงให้เห็นว่าพวกมันสามารถทำอะไรได้บ้าง

ปลดปล่อยพลังที่ซ่อนอยู่

สิ่งนี้เป็นที่น่าสนใจมาก นักวิจัยได้ออกแบบการทดลองที่สวยงามเพื่อเปิดเผยสิ่งพื้นฐานเกี่ยวกับวิธีการเรียนรู้ของ AI โมเดลของพวกเขาเป็นเรื่องง่ายมาก: พวกเขาได้ฝึกอบรม AI โมเดลบนเพียงสามประเภทของภาพ:

• วงกลมสีแดงขนาดใหญ่
• วงกลมสีน้ำเงินขนาดใหญ่
• วงกลมสีแดงขนาดเล็ก

จากนั้นเป็นการทดสอบหลัก: โมเดลสามารถสร้างวงกลมสีน้ำเงินขนาดเล็กได้หรือไม่? สิ่งนี้ไม่ใช่แค่เกี่ยวกับการวาดรูปใหม่ แต่เป็นเกี่ยวกับว่าโมเดลสามารถเข้าใจและผสมผสานแนวคิดที่แตกต่างกัน (ขนาดและ색) ในทางที่ไม่เคยเห็นมาก่อน

สิ่งที่พวกเขาพบเปลี่ยนแปลงวิธีคิดเกี่ยวกับความสามารถของ AI เมื่อใช้คำสั่งปกติเพื่อขอ “วงกลมสีน้ำเงินขนาดเล็ก” โมเดลต่อสู้ อย่างไรก็ตาม โมเดลสามารถสร้างวงกลมสีน้ำเงินขนาดเล็กได้ – เราเพียงแค่ไม่ได้ถามในทางที่ถูกต้อง

นักวิจัยพบสองเทคนิคที่พิสูจน์สิ่งนี้:

1. “การแทรกแซงแบบแฝง” – สิ่งนี้เหมือนกับการค้นหาด้านหลังของสมองโมเดล แทนที่จะใช้คำสั่งปกติ พวกเขาปรับเปลี่ยนสัญญาณภายในที่แสดงถึง “สีน้ำเงิน” และ “ขนาดเล็ก” ลองนึกถึงการมีเครื่องมือสำหรับสีและขนาด – พวกเขาพบว่าการหมุนเครื่องมือเหล่านี้ในทางที่เฉพาะเจาะจง โมเดลสามารถสร้างสิ่งที่ดูเหมือนเป็นไปไม่ได้เพียงไม่กี่ชั่วโมงก่อน
2. “การให้คำสั่งมากเกินไป” – แทนที่จะขอ “สีน้ำเงิน” พวกเขาจะให้คำอธิบายที่เฉพาะเจาะจงมากขึ้นเกี่ยวกับค่าสี มันเหมือนกับความแตกต่างระหว่างการบอก “ทำสีน้ำเงิน” และ “ทำสีน้ำเงินสีเที่ยงตรง: RGB(0.3, 0.3, 0.7)” ความแม่นยำเพิ่มเติมนี้ช่วยให้โมเดลเข้าถึงความสามารถที่ซ่อนอยู่ในสถานการณ์ปกติ

ทั้งสองเทคนิคนี้เริ่มทำงานที่จุดเดียวกันในการฝึกอบรมของโมเดล – ประมาณ 6,000 ขั้นตอนฝึกอบรม ในขณะที่คำสั่งปกติอาจล้มเหลวหรือต้องการ 8,000+ ขั้นตอนในการทำงาน และสิ่งนี้ไม่ใช่เรื่องบังเอิญ – มันเกิดขึ้นอย่างต่อเนื่องในการทดสอบหลายครั้ง

สิ่งนี้บอกเราว่า AI โมเดลพัฒนาความสามารถในสองระยะที่แตกต่างกัน ขั้นแรก พวกมันเรียนรู้วิธีผสมผสานแนวคิดภายใน – ซึ่งเป็นสิ่งที่เกิดขึ้นรอบๆ ขั้นตอนที่ 6,000 แต่มีระยะที่สองที่พวกมันเรียนรู้วิธีเชื่อมโยงความสามารถภายในเหล่านี้กับวิธีการปกติของเราในการขอความช่วยเหลือ มันเหมือนกับโมเดลที่เรียนรู้ภาษาใหม่ก่อนที่จะเรียนรู้วิธีแปลภาษานั้นให้กับเรา

ผลกระทบนี้มีนัยสำคัญ เมื่อเราคิดว่าโมเดลไม่สามารถทำอะไรได้ เราอาจผิด – มันอาจมีความสามารถนั้น แต่ไม่มีการเชื่อมต่อระหว่างคำสั่งของเราและความสามารถของมัน สิ่งนี้ไม่ได้ใช้เฉพาะกับรูปทรงและ色的ง่ายๆ แต่อาจใช้ได้กับความสามารถที่ซับซ้อนกว่านั้นในระบบ AI ที่ใหญ่ขึ้น

เมื่อนักวิจัยทดสอบแนวคิดเหล่านี้บนข้อมูลจริงโดยใช้ เซตข้อมูลใบหน้า CelebA พวกเขาพบรูปแบบเดียวกัน พวกเขาพยายามให้โมเดลสร้างภาพ “ผู้หญิงสวมหมวก” – สิ่งที่ไม่เคยเห็นในการฝึกอบรม คำสั่งปกติไม่สำเร็จ แต่การใช้การแทรกแซงแบบแฝงเผยให้เห็นว่าโมเดลสามารถสร้างภาพเหล่านี้ได้ ความสามารถนั้นอยู่ที่นั่น – มันเพียงแค่ไม่สามารถเข้าถึงได้ด้วยวิธีปกติ

Park et al., Harvard University & NTT Research

ข้อสรุปหลัก

เราต้องเปลี่ยนแปลงวิธีการประเมินความสามารถของ AI เพียงเพราะโมเดลอาจไม่สามารถทำอะไรได้ด้วยคำสั่งมาตรฐานไม่ได้หมายความว่ามันไม่สามารถทำได้เลย ช่องว่างระหว่างสิ่งที่ AI โมเดลสามารถทำได้และสิ่งที่เราสามารถให้พวกมันทำได้อาจเล็กกว่าที่เราคิด – เราเพียงแค่ต้องดีขึ้นในการถาม

การค้นพบสิ่งนี้ไม่ใช่แค่ทางทฤษฎี – มันเปลี่ยนแปลงวิธีคิดเกี่ยวกับระบบ AI อย่างพื้นฐาน เมื่อโมเดลดูเหมือนต่อสู้กับงานหนึ่งๆ เราอาจต้องถามว่ามันขาดความสามารถจริงๆ หรือเรากำลังเข้าถึงมันไม่ถูกต้อง สำหรับนักพัฒนา นักวิจัย และผู้ใช้เช่นเดียวกัน สิ่งนี้หมายถึงการสร้างสรรค์ในการโต้ตอบกับ AI – บางครั้งความสามารถที่เราต้องการก็อยู่ที่นั่นแล้ว รอเพียงกุญแจที่ถูกต้องในการปลดปล่อยมัน