AI ไม่สามารถแทนที่การศึกษาได้—เว้นแต่เราจะปล่อยให้มันเป็นเช่นนั้น

(SeaPRwire) –   เมื่อพิธีประสาทปริญญาเฉลิมฉลองความหวังของบัณฑิตรุ่นใหม่ คำถามหนึ่งที่เกิดขึ้นคือ: AI จะทำให้การศึกษาของพวกเขาสูญเปล่าหรือไม่?

ผู้บริหารระดับสูงหลายคนคิดเช่นนั้น พวกเขาอธิบายถึงอนาคตที่ AI จะเข้ามาแทนที่วิศวกร แพทย์ และครู CEO ของ Meta เพิ่งทำนายว่า AI จะเข้ามาแทนที่วิศวกรระดับกลางที่เขียนโค้ดคอมพิวเตอร์ของบริษัท NVIDIA ได้ประกาศว่าการเขียนโค้ดนั้นล้าสมัยไปแล้ว

แม้ว่า Bill Gates จะยอมรับว่าความเร็วในการพัฒนา AI นั้น “ลึกซึ้งและน่ากลัวเล็กน้อย” เขาก็เฉลิมฉลองว่ามันจะทำให้ความรู้ชั้นยอดเข้าถึงได้ทั่วถึงได้อย่างไร เขาก็เช่นกัน มองเห็นโลกที่ AI เข้ามาแทนที่นักเขียนโค้ด แพทย์ และครู โดยให้คำแนะนำทางการแพทย์และการสอนที่มีคุณภาพสูงฟรี

แม้จะมีการโฆษณาเกินจริง แต่ AI ไม่สามารถ “คิด” เองได้หรือดำเนินการได้หากไม่มีมนุษย์ ในตอนนี้ อันที่จริง ไม่ว่า AI จะช่วยส่งเสริมการเรียนรู้หรือบ่อนทำลายความเข้าใจ ขึ้นอยู่กับการตัดสินใจที่สำคัญ: เราจะอนุญาตให้ AI เพียงแค่ทำนายรูปแบบหรือไม่? หรือเราจะกำหนดให้ AI อธิบาย ให้เหตุผล และยึดมั่นในกฎเกณฑ์ของโลกของเรา?

AI ต้องการการตัดสินของมนุษย์ ไม่ใช่แค่การควบคุมดูแลผลลัพธ์ แต่ยังรวมถึงการฝังหลักเกณฑ์ทางวิทยาศาสตร์ที่ให้ทิศทาง พื้นฐาน และความสามารถในการตีความ 

เมื่อเร็ว ๆ นี้ ได้เปรียบเทียบแชทบอท AI กับนักเรียนที่ค่อนข้างดีในการสอบปากเปล่า “เมื่อพวกเขารู้คำตอบ พวกเขาจะบอกคุณ และเมื่อพวกเขาไม่รู้คำตอบ พวกเขาจะเก่งในการพูดจาเหลวไหล” เขากล่าวในงานที่ University of Pennsylvania ดังนั้น เว้นแต่ผู้ใช้จะรู้มากเกี่ยวกับเรื่องใดเรื่องหนึ่ง ตามที่ Sokal กล่าวไว้ คน ๆ หนึ่งอาจไม่จับได้ว่าแชทบอท “พูดจาเหลวไหล” นั่นสำหรับฉัน จับภาพ “ความรู้” ที่เรียกว่าของ AI ได้อย่างสมบูรณ์แบบ มันเลียนแบบความเข้าใจโดยการทำนายลำดับคำ แต่ขาดพื้นฐานทางแนวคิด

นั่นคือเหตุผลที่ระบบ AI “สร้างสรรค์” และ มี เกี่ยวกับว่าแบบจำลองภาษาขนาดใหญ่เข้าใจความแตกต่างทางวัฒนธรรมอย่างแท้จริงหรือไม่ เมื่อครู ว่าติวเตอร์ AI อาจขัดขวางการคิดเชิงวิพากษ์ของนักเรียน หรือแพทย์ การวินิจฉัยโรคที่ผิดพลาดเชิงอัลกอริทึม พวกเขาจะระบุข้อบกพร่องเดียวกัน: การเรียนรู้ของเครื่องนั้นยอดเยี่ยมในการจดจำรูปแบบ แต่ขาดความรู้เชิงลึกที่เกิดจากประสบการณ์ของมนุษย์ที่สะสมมาอย่างเป็นระบบและวิธีการทางวิทยาศาสตร์

นั่นคือที่ที่ นำเสนอแนวทางไปข้างหน้า มุ่งเน้นไปที่การฝังความรู้ของมนุษย์โดยตรงในวิธีการเรียนรู้ของเครื่อง PINNs (Physics-Informed Neural Networks) และ MINNs (Mechanistically Informed Neural Networks) เป็นตัวอย่าง ชื่ออาจฟังดูเป็นเทคนิค แต่แนวคิดนั้นง่าย: AI จะดีขึ้นเมื่อปฏิบัติตามกฎ ไม่ว่าจะเป็นกฎของฟิสิกส์ ระบบชีวภาพ หรือพลวัตทางสังคม นั่นหมายความว่าเรายังคงต้องการมนุษย์ ไม่ใช่แค่การใช้ความรู้ แต่ยังต้องสร้างมันขึ้นมาด้วย AI ทำงานได้ดีที่สุดเมื่อเรียนรู้จากเรา

ฉันเห็นสิ่งนี้ในงานของฉันกับ MINNs แทนที่จะปล่อยให้อัลกอริทึมคาดเดาว่าอะไรจะได้ผลตามข้อมูลในอดีต เราจะตั้งโปรแกรมให้ปฏิบัติตามหลักการทางวิทยาศาสตร์ที่กำหนดไว้ ยกตัวอย่าง . สำหรับธุรกิจประเภทนี้ เวลาออกดอกเป็นสิ่งสำคัญ การเก็บเกี่ยวก่อนหรือหลังเวลาอันควรจะลดความแรงของน้ำมันหอมระเหย ซึ่งส่งผลเสียต่อคุณภาพและผลกำไร AI อาจเสียเวลาไปกับการค้นหารูปแบบที่ไม่เกี่ยวข้อง อย่างไรก็ตาม MINN เริ่มต้นด้วยชีววิทยาของพืช ใช้สมการที่เชื่อมโยงความร้อน แสง น้ำค้างแข็ง และน้ำกับการออกดอกเพื่อทำการคาดการณ์ที่ทันท่วงทีและมีความหมายทางการเงิน แต่มันจะทำงานได้ก็ต่อเมื่อรู้ว่าโลกทางกายภาพ เคมี และชีวภาพทำงานอย่างไร ความรู้นั้นมาจากวิทยาศาสตร์ซึ่งมนุษย์พัฒนาขึ้น 

ลองนึกภาพการนำแนวทางนี้ไปใช้กับการตรวจหามะเร็ง: เนื้องอกในเต้านมปล่อยความร้อนจากการไหลเวียนของเลือดและการเผาผลาญที่เพิ่มขึ้น และ AI เชิงคาดการณ์สามารถวิเคราะห์ภาพความร้อนหลายพันภาพเพื่อระบุเนื้องอกโดยอาศัยรูปแบบข้อมูลเพียงอย่างเดียว อย่างไรก็ตาม MINN เช่นเดียวกับที่เพิ่ง , ใช้ข้อมูลอุณหภูมิพื้นผิวร่างกายและฝังกฎการถ่ายเทความร้อนทางชีวภาพโดยตรงในแบบจำลอง นั่นหมายความว่าแทนที่จะเดา มันเข้าใจว่าความร้อนเคลื่อนที่ผ่านร่างกายอย่างไร ทำให้สามารถระบุได้ว่ามีอะไรผิดปกติ อะไรเป็นสาเหตุ ทำไม และอยู่ที่ไหนอย่างแม่นยำ โดยใช้ฟิสิกส์ของการไหลของความร้อนผ่านเนื้อเยื่อ ในกรณีหนึ่ง MINN คาดการณ์ตำแหน่งและขนาดของเนื้องอกภายในไม่กี่มิลลิเมตร โดยยึดตามวิธีที่มะเร็งขัดขวางลายเซ็นความร้อนของร่างกายอย่างสมบูรณ์

ข้อคิดที่ได้คือ มนุษย์ยังคงมีความจำเป็น ในขณะที่ AI มีความซับซ้อนมากขึ้น บทบาทของเราไม่ได้หายไป มันกำลังเปลี่ยนไป มนุษย์ต้อง “เรียกเรื่องไร้สาระ” เมื่ออัลกอริทึมสร้างสิ่งที่แปลกประหลาด ลำเอียง หรือผิด นั่นไม่ใช่แค่จุดอ่อนของ AI แต่มันคือจุดแข็งที่ยิ่งใหญ่ที่สุดของมนุษย์ นั่นหมายความว่าความรู้ของเราก็ต้องเติบโตด้วยเช่นกัน เพื่อให้เราสามารถนำทางเทคโนโลยี ควบคุมมัน ตรวจสอบให้แน่ใจว่ามันทำในสิ่งที่เราคิดว่ามันทำ และช่วยเหลือผู้คนในกระบวนการนี้

ภัยคุกคามที่แท้จริงไม่ใช่ว่า AI กำลังฉลาดขึ้น แต่เป็นเพราะเราอาจหยุดใช้สติปัญญาของเรา หากเราปฏิบัติต่อ AI เหมือนเป็นผู้ทำนาย เราเสี่ยงที่จะลืมวิธีการตั้งคำถาม ให้เหตุผล และรับรู้เมื่อมีบางสิ่งที่ไม่สมเหตุสมผล โชคดีที่อนาคตไม่จำเป็นต้องเป็นแบบนี้ 

เราสามารถสร้างระบบที่โปร่งใส ตีความได้ และยึดมั่นในความรู้ของมนุษย์ที่สะสมมาทางวิทยาศาสตร์ จริยธรรม และวัฒนธรรม ผู้กำหนดนโยบายสามารถให้ทุนสนับสนุนการวิจัยเกี่ยวกับ AI ที่ตีความได้ มหาวิทยาลัยสามารถฝึกอบรมนักเรียนที่ผสมผสานความรู้ในสาขาเข้ากับทักษะทางเทคนิค นักพัฒนาสามารถนำกรอบงานอย่าง MINNs และ PINNs มาใช้ซึ่งกำหนดให้แบบจำลองต้องเป็นจริงกับความเป็นจริง และพวกเราทุกคน ผู้ใช้ ผู้ลงคะแนนเสียง พลเมือง สามารถเรียกร้องให้ AI ให้บริการวิทยาศาสตร์และความจริงที่เป็นกลาง ไม่ใช่แค่ความสัมพันธ์

หลังจากสอนสถิติระดับมหาวิทยาลัยและการสร้างแบบจำลองทางวิทยาศาสตร์มานานกว่าทศวรรษ ตอนนี้ฉันมุ่งเน้นไปที่การช่วยให้นักเรียนเข้าใจว่าอัลกอริทึมทำงาน “ภายใต้หน้ากาก” อย่างไร โดยการเรียนรู้ระบบด้วยตนเอง  มากกว่าการใช้โดยการท่องจำ เป้าหมายคือการยกระดับความรู้ในภาษาที่เชื่อมโยงถึงกันของคณิตศาสตร์ วิทยาศาสตร์ และการเขียนโค้ด 

แนวทางนี้เป็นสิ่งจำเป็นในปัจจุบัน เราไม่ต้องการผู้ใช้ที่คลิก “สร้าง” ในแบบจำลองกล่องดำมากขึ้น เราต้องการคนที่สามารถเข้าใจตรรกะของ AI โค้ดและคณิตศาสตร์ และจับ “เรื่องไร้สาระ” ได้ 

AI จะไม่ทำให้การศึกษาไม่เกี่ยวข้องหรือไม่เข้ามาแทนที่มนุษย์ แต่มนุษย์อาจเข้ามาแทนที่เราเองได้หากเราลืมวิธีการคิดอย่างอิสระ และเหตุผลที่วิทยาศาสตร์และความเข้าใจอย่างลึกซึ้งมีความสำคัญ

ทางเลือกไม่ใช่ว่าจะปฏิเสธหรือยอมรับ AI แต่เป็นว่าเราจะได้รับการศึกษาและฉลาดพอที่จะนำทางมันหรือไม่

“`