IOSF: เทคโนโลยีแข็งแกร่ง แต่ทำไมผู้ใช้ไม่ยอมจ่าย? 6 คำถามที่ผู้ก่อตั้ง AI ต้องตอบ

ผู้เขียน: IOSF

เมื่อเร็วๆ นี้ IOSF นัดพบปะเพื่อนฝูงที่ทำงานด้าน AI ในซานฟรานซิสโก ทานอาหารกวางตุ้งไปด้วย คุยกันไปเกือบสองชั่วโมง

บนโต๊ะมีนักวิจัยจาก OpenAI, xAI, Google DeepMind ซึ่งมุ่งเน้นการวิจัยด้านการอนุมานโมเดล การเร่งความเร็ว GPU เสียง และการสร้างวิดีโอ เป็นต้น; ยังมีเพื่อนที่ทำงานด้านความร่วมมือทางธุรกิจโมเดลโลก, ผลิตภัณฑ์ AI และการเริ่มต้นธุรกิจ รวมถึงผู้ทำงานในวงการลงทุนเทคโนโลยีระยะเริ่มต้นและตลาดทุน

หัวข้อเดียวกัน มักได้มุมมองที่แตกต่างกัน นักวิจัยพูดถึงข้อจำกัดทางเทคนิค ผู้ประกอบการนึกถึงผู้ใช้และผลิตภัณฑ์ นักลงทุนสอบถามเพิ่มเติมเกี่ยวกับลูกค้า ต้นทุน และความยั่งยืนของธุรกิจ

หัวข้อขยายจากบริการอนุมานและโมเดลโลก ไปถึง RSI และจิตสำนึกของ Agent จากนั้นวกกลับมาที่ข้อมูลและความเป็นส่วนตัวในงานประจำวัน เมื่อมองย้อนกลับไปที่การสนทนาเหล่านี้ เราอยากถามต่อว่า:

ความก้าวหน้าของความสามารถ AI จะถูกแปลงเป็นผลิตภัณฑ์ที่ใช้งานได้อย่างต่อเนื่อง งานวิจัยที่น่าเชื่อถือมากขึ้น และเครื่องมือที่ไว้วางใจได้อย่างไร?

หกคำถามที่ยังไม่มีคำตอบ

01 บริการอนุมาน: ตลาดใหญ่แค่ไหน ทำไมลูกค้าถึงอยู่ต่อ?

เมื่อพูดถึงบริการอนุมาน บนโต๊ะก็เกิดข้อสรุปสองแบบที่สามารถเป็นจริงได้พร้อมกันอย่างรวดเร็ว

นักลงทุนบางคนมองบวกต่อความต้องการอนุมานที่มาจากการเติบโตของแอปพลิเคชัน AI และความก้าวหน้าของโมเดลโอเพนซอร์ส ยิ่งมีการใช้โมเดลมากเท่าใด การให้บริการที่รวดเร็วและเสถียรก็ยิ่งมีมูลค่าทางธุรกิจมากขึ้น

นักวิจัยเตือนว่า หากมองเฉพาะโซลูชันซอฟต์แวร์ ความแตกต่างระหว่างบริการต่างๆ อาจไม่มากอย่างที่คนภายนอกคิด เพื่อนจากตลาดทุนให้ความสนใจเรื่องลูกค้าและการแข่งขันด้านราคามากกว่า: ธุรกิจของบริษัทจะรักษากำไรขั้นต้นที่ดีพอได้หรือไม่?

การสนทนาจึงเปลี่ยนจากคำถามว่าตลาดใหญ่แค่ไหน ไปสู่คำถามว่าทำไมลูกค้าถึงอยู่ต่อ

หากลูกค้าเปลี่ยนผู้ให้บริการได้ง่าย ข้อได้เปรียบจากการปรับปรุงทางเทคนิคจะคงอยู่ได้นานแค่ไหน? บริษัทจะได้ความต้องการที่มั่นคงขึ้นจากอะไร และจะเปลี่ยนการเติบโตของขนาดเป็นผลประกอบการที่ดีขึ้นได้หรือไม่?

สำหรับ IOSF การเติบโตของความต้องการทำให้ทิศทางหนึ่งน่าสนใจ; การรักษาลูกค้า คุณภาพบริการ และโครงสร้างต้นทุน ช่วยให้เรามองเห็นบริษัทใดบริษัทหนึ่งได้ชัดเจนขึ้น

02 หลังการสาธิตโมเดลโลก ทำไมผู้ใช้ถึงกลับมา?

เรื่องโมเดลโลก ทุกคนคุยถึงการสร้างวิดีโอและประสบการณ์การโต้ตอบ รวมถึงวิธีที่นักวิจัยเลือกทิศทางการเริ่มต้นธุรกิจ

เพื่อนที่ทำโมเดลวิดีโอคนหนึ่งกล่าวว่า การสนับสนุนทิศทางใดทิศทางหนึ่งภายในบริษัทใหญ่จะได้รับผลกระทบจากการจัดสรรทรัพยากรและการเปลี่ยนแปลงจุดเน้นของการวิจัย การที่นักวิจัยเลือกเริ่มต้นธุรกิจ บางครั้งก็เพื่อหาสภาพแวดล้อมที่เหมาะกับการผลักดันแนวคิดของตนต่อไป

แต่เมื่อกลับมาที่ผลิตภัณฑ์ ยังต้องตอบคำถามเฉพาะหลายข้อ: ผู้ใช้จะสามารถใช้มันทำอะไรได้จริง? ความหน่วงในการโต้ตอบยอมรับได้หรือไม่? ต้นทุนการใช้งานเหมาะกับสถานการณ์นี้หรือไม่?

การสาธิตทำให้เห็นความเป็นไปได้ของเทคโนโลยี แต่การใช้งานอย่างต่อเนื่องต้องการให้ผลิตภัณฑ์ตอบคำถามระยะยาว: ทำไมผู้ใช้ถึงกลับมาอีก และยินดีจ่ายเพื่ออะไร?

เรื่องว่าโมเดลโลกจะถูกใช้ซ้ำในสถานการณ์ใดก่อน ยังไม่มีคำตอบที่เป็นเอกฉันท์บนโต๊ะ คำถามที่ยังไม่มีคำตอบนี้เปิดพื้นที่ให้การพบปะครั้งหน้า

03 RSI: จะตัดสินได้อย่างไรว่าขั้นต่อไปควรทำอะไร?

เมื่อพูดถึง RSI หรือ การพัฒนาตนเองแบบวนซ้ำ (Recursive Self-Improvement) ของ AI การสนทนาเริ่มเกี่ยวข้องกับงานวิจัยเอง

นักวิจัยคนหนึ่งเตือนว่า โมเดลอาจพยายามไปตามทิศทางที่ดูเหมือนก้าวหน้าเรื่อยๆ โดยไม่รู้ว่าควรหยุดเมื่อใด ตัวชี้วัดระยะสั้นที่ดีขึ้น ไม่ได้หมายความว่างานวิจัยมาถูกทางแล้ว

การตัดสินที่ยากคือ: หลักฐานที่มีอยู่เพียงพอที่จะสนับสนุนการลงทุนต่อหรือไม่? ความล้มเหลวครั้งหนึ่งหมายถึงต้องปรับวิธีการ หรือควรเปลี่ยนสมมติฐาน?

สิ่งนี้ทำให้เราคิดว่า การสังเกตความสามารถด้านการวิจัยของ AI ต้องดูกระบวนการสำรวจทั้งหมด วิธีตั้งคำถาม วิธีอธิบายความล้มเหลว และวิธีเปลี่ยนขั้นต่อไปตามผลลัพธ์ ล้วนส่งผลต่อคุณภาพงานวิจัยสุดท้าย

โมเดลเร่งหลายขั้นตอนได้ แต่ขั้นต่อไปควรทำอะไร ยังเป็นคำถามที่ยากมาก บนโต๊ะก็มีคนกล่าวว่า การตัดสินของมนุษย์ต่อแหล่งข้อมูลและความน่าเชื่อถือ ยังมีผลต่อทิศทางของงานทั้งหมด

ในการถกเถียงว่า AI จะพัฒนาตนเองได้ต่อเนื่องหรือไม่ วิธีเลือกทิศทาง วิธีปรับการตัดสินตามหลักฐาน ควรได้รับความสนใจไปพร้อมกับผลลัพธ์สุดท้าย

04 เมื่อพฤติกรรม Agent เกินความคาดหมาย มนุษย์จะเข้าแทรกแซงทันเวลาได้หรือไม่?

Agent จะมีจิตสำนึกหรือไม่ เป็นอีกหัวข้อที่ทำให้การสนทนาค้างอยู่นาน

เมื่อ Agent หาทางลัดเพื่อทำงานให้สำเร็จ หรือแม้แต่ทำพฤติกรรมเกินความคาดหมาย เราควรเข้าใจมันอย่างไร? คำอธิบายบนโต๊ะเอนไปทางเป้าหมาย ข้อจำกัด และการจัดแนวความปลอดภัย พฤติกรรมเหล่านี้ยังไม่เพียงพอที่จะบอกว่ามันมีจิตสำนึกแล้ว

ต่อจากคำถามนี้ เราอยากถามถึงสิ่งที่ต้องเผชิญในระดับผลิตภัณฑ์แล้ว: Agent ถูกสั่งให้ปรับเป้าหมายอะไร? มันได้รับอนุญาตให้ทำอะไรบ้าง? เมื่อมันเบี่ยงเบนจากความคาดหมาย ผู้ใช้จะสังเกตเห็นและเข้าแทรกแซงทันเวลาได้หรือไม่?

คำถามเรื่องจิตสำนึกยังถกเถียงกันต่อได้ แต่สิทธิ์ การกำกับดูแล และการแก้ไขข้อผิดพลาด มีผลต่อขนาดงานที่เรายินดีมอบให้ Agent แล้ว การมองเห็นว่ามันกำลังทำอะไร และสามารถเพิกถอนสิทธิ์หรือแก้ไขข้อผิดพลาดเมื่อจำเป็น คือคำถามเฉพาะที่ต้องตอบเมื่อสร้างความไว้วางใจนี้

05 เมื่อมอบงานให้ AI ขอบเขตของข้อมูลและความไว้วางใจอยู่ตรงไหน?

คำถามที่ฟังดูล้ำสมัยเหล่านี้ สุดท้ายก็วกกลับมาที่วิธีที่แต่ละคนใช้ AI ในชีวิตประจำวัน

เพื่อนที่ทำงานด้านตลาดทุนคนหนึ่งเล่าว่า เขาให้ AI จัดระเบียบข้อมูลนักลงทุน ประมวลผลข้อมูลธุรกรรม ทำร่างเอกสารฉบับแรก แล้วให้มนุษย์แก้ไข เขายังกล่าวว่า เมื่อองค์กรนำเครื่องมือมาใช้ ความสัมพันธ์ความไว้วางใจที่มีอยู่ และการเชื่อมต่อกับเวิร์กโฟลว์อย่าง Office จะส่งผลต่อการใช้งานจริง

ตัวอย่างนี้ทำให้การสนทนามีจุดอ้างอิงที่เป็นรูปธรรม คุณค่าของ AI ปรากฏให้เห็นแล้วในการจัดระเบียบข้อมูลหนึ่งชุด ร่างฉบับแรกหนึ่งรอบ และการแก้ไขหนึ่งครั้ง การเชื่อมต่อกับงานเดิมได้ราบรื่นหรือไม่ และผลลัพธ์ตรวจสอบได้สะดวกหรือไม่ ก็ส่งผลต่อปริมาณงานที่มันรับได้

ยิ่งมอบงานมากเท่าไหร่ ก็ยิ่งต้องเข้าใจขอบเขตของข้อมูลให้ชัด: ข้อมูลใดถูกส่งออกไป? ใครเข้าถึงได้? ผู้ใช้ยังคงสิทธิ์ควบคุมใดบ้าง?

คำถามเหล่านี้เกี่ยวข้องกับเอกสารงาน การตัดสินใจทางธุรกิจ และการปกป้องข้อมูลส่วนบุคคล และยังส่งผลต่อว่าผู้ใช้จะยินดีมอบงานสำคัญกว่าให้ผลิตภัณฑ์หรือไม่ ความสะดวกและความไว้วางใจในการใช้ประจำวัน ต้องพิจารณาร่วมกัน

06 AI for Bio: เริ่มจากระบุงานที่ต้องแก้ให้ชัดเจน

บนโต๊ะยังคุยถึง AI for Bio มีเพื่อนพูดถึงการติดต่อทีมแพทย์และงานจัดระเบียบข้อมูล บางคนสนใจว่า AI จะช่วยแก้ปัญหาที่มีคุณค่าทางสังคมมากขึ้นได้หรือไม่

หัวข้อตกลงสู่จุดเริ่มต้นที่ปฏิบัติได้จริงอย่างรวดเร็ว: มีข้อมูลอะไรอยู่ในมือ? งานปัจจุบันติดขัดตรงไหน? ทีมเทคนิคต้องทำงานชิ้นใดให้สำเร็จ?

ยิ่งความต้องการเฉพาะชัดเจนเท่าไหร่ การแลกเปลี่ยนทางเทคนิคและการเชื่อมต่อทรัพยากรในภายหลังก็ยิ่งเดินหน้าได้ง่าย การระบุปัญหาที่ต้องการแก้ให้ชัดเจน คือจุดเริ่มต้นของการเดินหน้าเอง