ลองนึกภาพวงสนทนาวงนี้ดูครับ#

สมมติว่ามีเจ้าของกิจการสามคนนั่งกินกาแฟกันอยู่ แล้วบทสนทนามันก็ไหลไปเรื่องที่ฮิตสุดในยุคนี้ คือเรื่อง AI

คนแรกบอกว่า “ร้านเราเพิ่งเอา AI มาใช้ตอบลูกค้าในเพจ เวิร์กมากเลย” คนที่สองรีบเสริมว่า “ของเราใช้ Machine Learning ทำนายว่าเดือนไหนของจะขายดี” คนที่สามก็ไม่ยอมน้อยหน้า “เราเล่นใหญ่กว่า ใช้ Deep Learning กับ GenAI เลยนะ ล้ำสุด”

แล้วทั้งวงก็พยักหน้าหงึกๆ ทำหน้าเข้าใจ ทั้งที่จริงๆ ในใจแต่ละคนก็แอบงงว่า เอ๊ะ ไอ้สี่คำที่เพิ่งพูดไปเนี่ย มันต่างกันยังไงนะ? อันไหนใหญ่กว่ากัน? หรือมันคือเรื่องเดียวกันที่เรียกคนละชื่อ? 555+

ถ้าคุณเคยอยู่ในวงแบบนี้แล้วแอบงงเงียบๆ — ไม่ต้องเขินครับ คนส่วนใหญ่ก็งงเหมือนกันหมดนั่นแหละ เพราะสี่คำนี้มันถูกพูดปนกันมั่วไปหมดในข่าว ในโฆษณา ในใบเสนอราคาจาก vendor จนสุดท้ายเราเหมารวมเรียกทุกอย่างว่า “AI” ไปซะหมด

แต่ความจริงแล้วมันมีระเบียบของมันอยู่ครับ และพอเข้าใจระเบียบนี้แล้ว ทุกอย่างจะกระจ่างขึ้นเยอะมาก เพราะความลับก็คือ — สี่คำนี้ไม่ใช่ของคนละตัวที่ต้องมาแข่งกันว่าอันไหนดีกว่า แต่มันคือ “กล่องซ้อนกล่อง” ที่อันเล็กอยู่ในอันใหญ่ ไล่ลงไปเรื่อยๆ

วันนี้ผมจะพาไปเปิดกล่องดูทีละชั้นแบบช้าๆ ภาษาบ้านๆ รับรองว่าอ่านจบแล้ว ถ้าใครพูดสี่คำนี้ในวงกาแฟอีก คุณจะนั่งยิ้มเข้าใจ ไม่ต้องพยักหน้าหงึกๆ แบบงงๆ อีกต่อไป

ภาพใหญ่ก่อน — มันคือกล่องซ้อนกล่อง ไม่ใช่ของแยกชิ้น#

ก่อนจะลงรายละเอียดทีละตัว ผมอยากให้จำภาพนี้ไว้ก่อนเป็นอย่างแรก เพราะถ้าจับภาพนี้ได้ ที่เหลือจะง่ายไปหมดเลยครับ

ลองนึกถึง ตุ๊กตาแม่ลูกดก ที่เป็นตุ๊กตาไม้ของรัสเซีย เปิดตัวใหญ่ออกมาเจอตัวเล็กกว่าข้างใน เปิดตัวเล็กออกมาก็เจอตัวเล็กกว่าอีก ซ้อนกันไปเรื่อยๆ สี่คำที่เราคุยกันวันนี้มันก็เป็นแบบนั้นเป๊ะเลยครับ

• AI คือตุ๊กตาตัวใหญ่สุด ครอบทุกอย่างไว้ข้างใน
• Machine Learning (ขอเรียกย่อๆ ว่า ML นะครับ) คือตุ๊กตาตัวที่อยู่ข้างใน AI อีกที
• Deep Learning หรือ “การเรียนรู้เชิงลึก” คือตุ๊กตาตัวเล็กลงไปอีก อยู่ข้างใน ML
• GenAI (ย่อมาจาก Generative AI คือ AI แบบสร้างของขึ้นมาใหม่) คือของที่อยู่ลึกเข้าไปอีกชั้น เดี๋ยวเราจะค่อยๆ เปิดดูว่ามันอยู่ตรงไหนกันแน่

ลองดูเป็นภาพง่ายๆ แบบนี้ครับ

1
┌─────────────────────────────────────────────┐
2
│ AI (ปัญญาประดิษฐ์) — กล่องใหญ่สุด             │
3
│  ┌───────────────────────────────────────┐  │
4
│  │ Machine Learning — AI ที่เรียนรู้จากข้อมูล │  │
5
│  │  ┌─────────────────────────────────┐  │  │
6
│  │  │ Deep Learning — ML ที่ใช้สมองเทียม │  │  │
7
│  │  │  ┌───────────────────────────┐  │  │  │
8
│  │  │  │ GenAI — เอไอที่สร้างของใหม่ │  │  │  │
9
│  │  │  └───────────────────────────┘  │  │  │
10
│  │  └─────────────────────────────────┘  │  │
11
│  └───────────────────────────────────────┘  │
12
└─────────────────────────────────────────────┘

เห็นไหมครับว่ามันซ้อนกันลงไปเป็นชั้นๆ จากใหญ่ไปเล็ก พอเราเห็นภาพนี้ปุ๊บ คำถามที่ว่า “AI กับ ML อันไหนดีกว่ากัน?” มันก็จะกลายเป็นคำถามที่ฟังดูแปลกๆ ทันที — เพราะมันเหมือนถามว่า “ผลไม้กับส้ม อันไหนดีกว่ากัน?” ในเมื่อส้มมันก็เป็นผลไม้ชนิดหนึ่งอยู่แล้ว มันไม่ได้แข่งกัน มันเป็นส่วนหนึ่งของกันและกัน

เอาล่ะ พอเห็นภาพรวมแล้ว เรามาเปิดกล่องดูทีละชั้นกันเลยครับ เริ่มจากตัวใหญ่สุดก่อน

ชั้นที่ 1 — AI คืออะไร “กล่องใหญ่สุดที่ครอบทุกอย่าง”#

AI (ย่อมาจาก Artificial Intelligence หรือ “ปัญญาประดิษฐ์”) คือคำที่ใหญ่ที่สุด กว้างที่สุด และเก่าแก่ที่สุดในบรรดาสี่คำนี้

ผมอยากให้นึกถึงคำว่า AI เหมือนคำว่า “ยานพาหนะ” ครับ — คำว่ายานพาหนะมันกว้างมาก ครอบคลุมทั้งรถยนต์ รถมอเตอร์ไซค์ จักรยาน เรือ เครื่องบิน เกวียน ทุกอย่างที่พาเราจากจุดหนึ่งไปอีกจุดหนึ่งได้ มันเป็น “เป้าหมาย” หรือ “ความฝัน” มากกว่าจะเป็นเครื่องมือเฉพาะตัวใดตัวหนึ่ง

AI ก็เหมือนกันครับ มันคือ “ความฝัน” หรือ “เป้าหมาย” ที่อยากทำให้เครื่องจักร พวกคอมพิวเตอร์เนี่ย ทำเรื่องที่ปกติต้องใช้ “ความฉลาดของคน” ถึงจะทำได้ ไม่ว่าจะเป็นการคิด การเข้าใจภาษา การมองเห็นแล้วแยกแยะ การตัดสินใจ การวางแผน อะไรก็ตามที่เราคิดว่า “ต้องมีสมองคนถึงทำได้” แล้วเราพยายามทำให้เครื่องทำแทน ทั้งหมดนั้นแหละครับ รวมเรียกว่า AI

จุดที่หลายคนไม่รู้ก็คือ AI มันไม่ใช่ของใหม่เลยครับ คำนี้มีมานานหลายสิบปีแล้ว และวิธีทำให้เครื่อง “ฉลาด” ก็มีหลายแบบมากๆ ไม่ได้มีแค่แบบเดียว AI ยุคแรกๆ หลายตัวคือการที่คน นั่งเขียนกฎใส่เข้าไปเองทุกข้อ เช่น “ถ้าเจอแบบนี้ ให้ทำแบบนี้” ใส่กฎเป็นพันเป็นหมื่นข้อ พอเครื่องทำตามกฎได้ครบก็ดูฉลาดเหมือนกัน (วงการเรียกว่า AI แบบกฎ หรือ rule-based) เจ้าตัวหมากรุกในคอมพิวเตอร์ที่เล่นเก่งๆ เมื่อหลายสิบปีก่อน หรือระบบนำทางที่หาเส้นทางใกล้สุดให้คุณ ก็ล้วนมีกลิ่นของ AI อยู่

เห็นไหมครับว่า AI มันกว้างมากๆ มันคือ “ร่มใหญ่” ที่กางครอบวิธีการทำให้เครื่องฉลาด ทุกแบบ เอาไว้ ไม่ว่าวิธีนั้นจะเป็นการเขียนกฎใส่เอง หรือการให้เครื่องเรียนรู้เอง ขอแค่ผลลัพธ์มันออกมา “ดูฉลาด” ก็นับเป็น AI หมด

💡 มุมเจ้าของกิจการ: เวลา vendor บอกว่า “ระบบนี้เป็น AI” — มันแทบจะไม่ได้บอกอะไรคุณเลยครับ เพราะคำว่า AI มันกว้างเท่ากับคำว่า “ยานพาหนะ” ถ้ามีคนมาขายของแล้วบอกแค่ว่า “นี่คือยานพาหนะนะ ราคาห้าแสน” คุณก็ต้องถามต่อใช่ไหมครับว่า อ้าว แล้วมันคือรถเก๋งหรือจักรยาน? คำว่า AI ก็เหมือนกันเป๊ะ — มันคือคำกว้างๆ ที่ต้องถามต่อว่า “แล้วมันเป็น AI แบบไหน ทำงานยังไง” ถึงจะรู้ว่าของจริงคุ้มราคาหรือเปล่า

ชั้นที่ 2 — Machine Learning “AI ที่เรียนรู้เอาเอง ไม่ต้องป้อนกฎ”#

ทีนี้เราเปิดตุ๊กตาตัวใหญ่ออกมา ข้างในเจอตัวเล็กลงมาหน่อย นั่นคือ Machine Learning หรือ ML ครับ — แปลตรงตัวคือ “การเรียนรู้ของเครื่อง”

ML เป็น AI แบบหนึ่ง (ย้ำว่ามันอยู่ “ข้างใน” AI นะครับ ไม่ได้แยกกัน) แต่เป็น AI แบบที่พิเศษหน่อย และเป็นแบบที่กำลังครองโลกอยู่ตอนนี้ ความพิเศษของมันอยู่ตรงคำว่า “เรียนรู้เอาเอง”

จำที่ผมเล่าเมื่อกี้ได้ไหมครับว่า AI สมัยก่อนคือคน “นั่งเขียนกฎใส่เข้าไปเองทุกข้อ”? ML มันคือการพลิกวิธีคิดนั้นกลับหัวเลย — แทนที่คนจะมานั่งเขียนกฎ เราเปลี่ยนเป็น เอาตัวอย่างเยอะๆ ป้อนให้เครื่องดู แล้วให้เครื่องมันค่อยๆ จับกฎ (pattern) ขึ้นมาเอง

ฟังดูนามธรรมเนอะ ขอยกอุปมาบ้านๆ ที่คิดเองให้เห็นภาพชัดๆ ครับ

ลองนึกภาพว่าคุณอยากสอนเด็กคนหนึ่งให้แยกแมวกับหมาออกจากกัน มีสองวิธีให้เลือก

วิธีที่หนึ่ง (แบบเขียนกฎเอง — AI สมัยก่อน): คุณนั่งจดกฎให้เด็กท่องเป็นข้อๆ “ถ้าหูแหลมตั้ง + หนวดยาว + ร้องเหมียว = แมว” “ถ้าหูปรกลง + ลิ้นห้อย + เห่าโฮ่ง = หมา” … แต่พอเจอหมาหูตั้ง หรือแมวหูปรก หรือสุนัขพันธุ์ที่หน้าตาแปลกๆ เด็กก็งงทันที เพราะมันไม่ตรงกับกฎที่ท่องมา คุณก็ต้องวิ่งกลับมาเพิ่มกฎอีกเรื่อยๆ ไม่จบไม่สิ้น เหนื่อยมาก

วิธีที่สอง (แบบ ML — ให้เรียนรู้เอง): คุณไม่บอกกฎอะไรเลย แค่เอารูปแมวมาให้ดูเป็นพันเป็นหมื่นรูป พร้อมบอกว่า “นี่คือแมวนะ” แล้วเอารูปหมามาให้ดูอีกเป็นพันเป็นหมื่นรูป บอกว่า “นี่คือหมานะ” — แค่นั้น ไม่ต้องอธิบายว่าหูเป็นยังไง หนวดเป็นยังไง ปล่อยให้เด็กดูเยอะๆ จนสมองเขา จับเองได้ ว่า เออ ไอ้ความเป็นแมวมันมีอะไรบางอย่างที่ต่างจากหมา (โดยที่เขาเองก็อาจอธิบายเป็นคำพูดไม่ได้ด้วยซ้ำว่ามันต่างตรงไหน แต่เขาดูออก) พอเจอรูปใหม่ที่ไม่เคยเห็น เขาก็เดาได้ว่าอันนี้น่าจะแมวหรือหมา

ML คือวิธีที่สองนี้แหละครับ เราไม่ได้สอนกฎ เรา ป้อนตัวอย่างให้เยอะๆ แล้วให้เครื่องสรุปกฎขึ้นมาเอง ภาษาวงการเรียกการเอาตัวอย่างป้อนเข้าไปนี้ว่า “การเทรน” (train — ฝึก/สอน) และเรียกตัวอย่างที่ป้อนเข้าไปว่า “ข้อมูล” (data) ยิ่งป้อนข้อมูลเยอะและหลากหลาย เครื่องก็ยิ่งเดาแม่นขึ้น เหมือนเด็กที่ยิ่งดูรูปสัตว์เยอะก็ยิ่งแยกเก่งขึ้นนั่นแหละ

นี่คือเหตุผลที่ทุกวันนี้คุณได้ยินคำว่า “ข้อมูลคือน้ำมันยุคใหม่” บ่อยๆ ครับ เพราะ ML มันโตได้ด้วยข้อมูล ไม่มีข้อมูลก็เหมือนเด็กที่ไม่เคยเห็นรูปสัตว์เลย จะให้แยกแมวหมายังไงไหวล่ะเนอะ

แล้ว ML มันทำอะไรได้บ้างในชีวิตจริง? เยอะมากครับ และหลายอย่างคุณใช้อยู่ทุกวันโดยไม่รู้ตัว — ระบบที่ทายว่า “ลูกค้าคนนี้น่าจะชอบสินค้าอันไหนต่อ” แล้วเด้งมาแนะนำ, ระบบกรองอีเมลขยะ (spam) ที่เรียนรู้จากอีเมลขยะเป็นล้านๆ ฉบับว่าหน้าตาแบบไหนคือขยะ, ระบบทำนายยอดขายที่ดูข้อมูลย้อนหลังแล้วเดาว่าเดือนหน้าจะขายได้ประมาณเท่าไหร่, หรือระบบตรวจจับธุรกรรมน่าสงสัยของธนาคารที่เรียนรู้ว่าการใช้เงินแบบไหนดูผิดปกติ

ทั้งหมดนี้คือ ML ครับ — AI ที่เก่งขึ้นเองได้จากการดูตัวอย่างเยอะๆ โดยไม่ต้องมีคนมานั่งเขียนกฎให้ทุกข้อ

ชั้นที่ 3 — Deep Learning “ML รุ่นพิเศษที่เลียนแบบสมองคน”#

เปิดตุ๊กตาตัว ML ออกมาอีกที ข้างในเจอตัวที่เล็กลงไปอีก คือ Deep Learning หรือ “การเรียนรู้เชิงลึก” ครับ

ขอย้ำภาพซ้อนกล่องอีกรอบเพื่อกันงง — Deep Learning มันคือ ML แบบหนึ่ง (อยู่ข้างใน ML) และ ML ก็เป็น AI แบบหนึ่ง (อยู่ข้างใน AI) อีกที พูดง่ายๆ คือ Deep Learning ทุกตัวเป็น ML เป็น AI หมด แต่ ML ไม่ใช่ Deep Learning ทุกตัวนะครับ (เหมือนส้มทุกลูกเป็นผลไม้ แต่ผลไม้ไม่ได้เป็นส้มทุกลูก)

แล้ว Deep Learning มันต่างจาก ML ธรรมดายังไง? คำว่า “Deep” หรือ “ลึก” นี่แหละครับคือกุญแจ

ML ธรรมดาที่ผมเล่าไปเมื่อกี้ มันเรียนรู้ได้ก็จริง แต่ส่วนใหญ่ยังต้องมีคนคอยช่วยบอกใบ้อยู่บ้าง เช่น ก่อนจะให้มันแยกแมวหมา คนอาจต้องช่วยบอกก่อนว่า “เฮ้ ลองดูที่รูปหูนะ ดูที่ความยาวหนวดนะ ดูที่รูปร่างจมูกนะ” คือคนช่วยชี้จุดสำคัญให้ก่อน แล้วเครื่องค่อยไปเรียนต่อ

แต่ Deep Learning มันไปอีกขั้นครับ — มันออกแบบมาเลียนแบบวิธีที่สมองคนทำงาน โดยสร้างสิ่งที่เรียกว่า “โครงข่ายประสาทเทียม” (neural network — ขอเรียกว่า “สมองเทียม” ให้เข้าใจง่ายๆ นะครับ) ซึ่งเป็นชั้นของการประมวลผลที่ซ้อนกันหลายๆ ชั้นลึกลงไป (นี่แหละที่มาของคำว่า “ลึก” / deep — เพราะมันมีหลายชั้นซ้อนกันลึกมาก)

ความเจ๋งของมันคือ มันแทบ ไม่ต้องให้คนมาช่วยชี้จุดสำคัญเลย คุณโยนรูปดิบๆ เข้าไปทั้งรูป มันจะค่อยๆ ไล่ดูเอง ชั้นแรกอาจจับแค่เส้นขอบมืดสว่าง ชั้นถัดมาเอาเส้นพวกนั้นมาประกอบเป็นรูปทรง เช่น หู ตา จมูก ชั้นลึกขึ้นไปอีกก็เอารูปทรงมาประกอบเป็น “หน้าสัตว์” แล้วชั้นบนสุดก็สรุปว่า “อ๋อ นี่แมว” — ทั้งหมดนี้มันคิดขึ้นเองว่าจะดูตรงไหนสำคัญ คนไม่ต้องบอก

ขอยกอุปมาบ้านๆ ที่คิดเองอีกอันนะครับ

ลองนึกภาพโรงงานที่มีสายพานยาวมากๆ ต่อกันหลายช่วง ของดิบๆ (รูปภาพ) ใส่เข้าไปต้นสายพาน ช่วงแรกพนักงานแค่คัดแยกชิ้นส่วนหยาบๆ ส่งต่อไปช่วงสอง ช่วงสองประกอบให้ละเอียดขึ้น ส่งต่อช่วงสาม ช่วงสามประกอบละเอียดขึ้นอีก … ไล่ไปเรื่อยๆ จนปลายสายพานได้ของสำเร็จออกมา Deep Learning ก็ทำงานเป็นชั้นๆ แบบสายพานยาวๆ นี้แหละครับ ของผ่านเข้าไปดิบๆ แล้วค่อยๆ ถูกประมวลผลให้ “เข้าใจมากขึ้น” ทีละชั้น จนชั้นสุดท้ายได้คำตอบ ยิ่งสายพานยาว (ยิ่งหลายชั้น) ก็ยิ่งเข้าใจของที่ซับซ้อนได้ละเอียดขึ้น

เพราะมันเก่งเรื่องการจับของซับซ้อนแบบนี้เอง Deep Learning เลยเป็นเบื้องหลังของเทคโนโลยีที่เราว้าวกันทุกวันนี้เกือบทั้งหมด — ระบบที่มองรูปแล้วบอกได้ว่ามีอะไรอยู่ในรูป (เช่น กล้องมือถือที่จับโฟกัสหน้าคนได้เอง), ระบบแปลภาษาที่แปลได้ลื่นไหลเหมือนคนแปล, ระบบสั่งงานด้วยเสียงที่ฟังเราพูดรู้เรื่อง, ไปจนถึงรถยนต์ที่ขับเองได้ซึ่งต้องมองถนนแล้วเข้าใจว่าอะไรเป็นอะไร

สังเกตไหมครับว่าพวกนี้คืองานที่ “ซับซ้อนและคลุมเครือ” ทั้งนั้น — งานแบบนี้แหละที่ Deep Learning เก่งเป็นพิเศษ จนกลายเป็นพระเอกของวงการ AI ในช่วงสิบกว่าปีมานี้

ข้อแลกเปลี่ยนที่ควรรู้: ของดีแบบนี้ก็มีราคาของมันนะครับ Deep Learning มันกินทรัพยากรหนักมาก ต้องใช้ข้อมูลมหาศาลในการเทรน ต้องใช้เครื่องที่แรงมากๆ และกินไฟเยอะ นี่คือเหตุผลหนึ่งที่ทำไม AI สมัยใหม่ถึงแพง และทำไมบริษัทใหญ่ๆ ที่มีเครื่องแรงๆ กับข้อมูลเยอะๆ ถึงได้เปรียบในเกมนี้

ชั้นที่ 4 — แล้ว GenAI อยู่ตรงไหน?#

มาถึงตัวที่ทุกคนพูดถึงมากที่สุดในยุคนี้ และเป็นพระเอกของคำถามตั้งต้นของเรา — GenAI หรือ Generative AI (AI แบบ “สร้างขึ้นมาใหม่”)

คำถามคือ มันอยู่ตรงไหนในกล่องซ้อนกล่องของเรา?

คำตอบคือ GenAI มันคือ Deep Learning แบบหนึ่ง ที่ถูกเอามาใช้ทำเรื่องเฉพาะอย่างหนึ่งครับ — มันยังอยู่ข้างใน Deep Learning (ซึ่งอยู่ใน ML ซึ่งอยู่ใน AI) อยู่ดี ไม่ได้หลุดออกมาเป็นของใหม่ที่ไหน

แล้วเรื่องเฉพาะที่ว่านั้นคืออะไร? อยู่ที่คำว่า “Generative” หรือ “สร้างใหม่” นี่แหละครับ ลองสังเกตดีๆ นะครับ ว่าตัวอย่างของ ML กับ Deep Learning ที่ผมเล่ามาทั้งหมดข้างบน มันเป็นงานแนว “ดูแล้วตัดสิน/ทำนาย” เกือบทั้งนั้น

• ดูรูปนี้ แล้วบอกว่าเป็นแมวหรือหมา (เลือกคำตอบ)
• ดูอีเมลนี้ แล้วบอกว่าขยะหรือไม่ขยะ (เลือกคำตอบ)
• ดูข้อมูลย้อนหลัง แล้วทำนายยอดขายเดือนหน้า (เดาตัวเลข)

สังเกตไหมครับว่างานพวกนี้คือการ “ชี้/เลือก/ทำนาย” จากของที่มีอยู่แล้ว มันไม่ได้สร้างของชิ้นใหม่ขึ้นมา

แต่ GenAI ทำสิ่งที่ต่างออกไป — มันสร้างของใหม่ที่ไม่เคยมีมาก่อนขึ้นมาเลย คุณสั่งว่า “เขียนคำโฆษณาขายกาแฟให้หน่อย” มันก็เขียนข้อความใหม่ออกมาให้ คุณสั่งว่า “วาดรูปแมวใส่หมวกกันน็อค” มันก็วาดรูปใหม่ออกมาให้ คุณสั่งว่า “แต่งเพลงสั้นๆ ให้ร้านกาแฟ” มันก็แต่งให้ — ของพวกนี้ไม่เคยมีอยู่ก่อน มันถูก “สร้างขึ้นใหม่” ตอนที่คุณสั่งนั่นเอง นี่แหละครับคือหัวใจของคำว่า Generative

เจ้า ChatGPT ที่เราพิมพ์คุยกันทุกวัน หรือพวกเครื่องมือวาดรูปจากข้อความ ที่ฮิตๆ กันตอนนี้ ทั้งหมดนั้นคือ GenAI ครับ

ขอยกอุปมาบ้านๆ ที่คิดเองให้เห็นความต่างชัดๆ ระหว่าง “ดูแล้วตัดสิน” กับ “สร้างใหม่” หน่อยครับ

ลองนึกภาพพ่อครัวสองคน คนแรกเก่งเรื่อง “ชิมแล้วบอก” — คุณเอาอาหารจานไหนมาให้ชิม เขาบอกได้เป๊ะว่านี่ต้มยำ นี่แกงเขียวหวาน เค็มไปนิด เผ็ดกำลังดี (นี่คือ ML/Deep Learning แบบดูแล้วตัดสิน — เขาแยกแยะของที่มีอยู่ได้เก่ง แต่เขาไม่ได้ทำอาหารจานใหม่) ส่วนพ่อครัวคนที่สองเก่งเรื่อง “รังสรรค์” — คุณบอกแค่ว่า “อยากกินอะไรเปรี้ยวๆ เผ็ดๆ สดชื่นๆ” เขาก็คิดเมนูใหม่ขึ้นมาทำให้คุณเลย (นี่คือ GenAI — สร้างของใหม่ขึ้นมาตามโจทย์)

เห็นความต่างไหมครับ? ทั้งคู่เป็นพ่อครัว (เป็น Deep Learning เหมือนกัน) แต่คนหนึ่งเก่งชิม อีกคนเก่งสร้างสรรค์ GenAI คือพ่อครัวคนที่สอง — และที่มันดังระเบิดในช่วงนี้ก็เพราะ “การสร้างของใหม่” นี่แหละที่ทำให้คนทั่วไปรู้สึกว้าวที่สุด เพราะมันใกล้เคียงกับ “ความคิดสร้างสรรค์ของคน” ที่เราเคยคิดว่าเครื่องทำไม่ได้

แต่อย่าลืมนะครับว่า — ของที่ GenAI สร้างออกมา มันมาจากการ “เดาว่าอะไรน่าจะใช่ต่อไป” จากรูปแบบที่มันเคยเห็นในข้อมูลตอนเทรน ไม่ได้มาจาก “ความเข้าใจจริงๆ” แบบคน ฉะนั้นมันก็เลย มั่วได้ เหมือนกัน บางทีมันสร้างข้อความที่ฟังดูน่าเชื่อมากแต่ข้อมูลผิดเต็มๆ (เรื่องนี้ลึกพอควร ผมขอเก็บไปเล่าละเอียดในตอนหลังๆ ของซีรีส์นะครับ ว่าทำไมมันถึงมั่วได้ทั้งที่ดูฉลาด)

ตารางสรุป — สี่ชั้น เทียบให้เห็นพร้อมกัน#

อ่านมาเยอะแล้ว ขอรวบทุกอย่างเป็นตารางเดียวให้เห็นภาพพร้อมกันเลยครับ (ย้ำว่าทุกแถวมันซ้อนอยู่ในแถวบนนะครับ ไม่ได้แยกกัน)

💡 มุมเจ้าของกิจการ: จำเส้นความสัมพันธ์นี้ไว้ครับ — GenAI ก็คือ AI, แต่ AI ไม่ได้เป็น GenAI ทุกตัว ฉะนั้นเวลาเห็นโฆษณาว่า “AI ช่วยธุรกิจคุณ” อย่าเพิ่งคิดว่ามันต้องเป็น ChatGPT หรือของล้ำๆ เสมอไป — มันอาจเป็นแค่ ML ทำนายยอดขายธรรมดาที่ไม่ได้สร้างอะไรใหม่เลยก็ได้ (ซึ่งก็มีประโยชน์มากนะครับ แค่คนละแบบกัน) การรู้ว่า “ของที่เขาเสนอมาอยู่ชั้นไหน” จะช่วยให้คุณถามคำถามตรงจุด และเทียบราคากับงานได้ว่ามันสมเหตุสมผลไหม

ทำไมเจ้าของกิจการอย่างเราต้องรู้เรื่องกล่องซ้อนกล่องนี้#

อ่านมาถึงตรงนี้ บางคนอาจคิดว่า “เออ ก็เข้าใจแล้วแหละว่ามันซ้อนกัน แต่รู้ไปทำไม ในเมื่อฉันแค่อยากเอาของมาใช้ในร้าน” — ผมขอตอบสามข้อสั้นๆ ครับว่าทำไมเรื่องนี้ถึงคุ้มที่จะรู้

หนึ่ง — คุยกับ vendor และคนทำ IT รู้เรื่องขึ้นเยอะ

พอคุณรู้ว่าสี่คำนี้ซ้อนกันยังไง เวลามีคนมาเสนอของ คุณจะถามต่อเป็น เช่น “ที่บอกว่าเป็น AI เนี่ย มันเรียนรู้เองได้ไหม หรือต้องคอยป้อนกฎ?” (แยก AI ทั่วไป ออกจาก ML) หรือ “มันแค่ทำนาย/จัดกลุ่มให้ หรือสร้างเนื้อหาใหม่ได้ด้วย?” (แยก ML ทั่วไป ออกจาก GenAI) คำถามพวกนี้ทำให้คุณดูรู้ทันและได้ข้อมูลที่ใช่

สอง — ราคาแต่ละชั้นไม่เท่ากัน

จำที่เล่าไปได้ไหมครับว่ายิ่งลงไปชั้นลึก (Deep Learning, GenAI) ยิ่งกินทรัพยากรหนักและแพงขึ้น ฉะนั้นถ้างานคุณแค่ “ทำนายยอดขาย” หรือ “จัดกลุ่มลูกค้า” ซึ่งใช้ ML ธรรมดาก็จบ — คุณไม่จำเป็นต้องไปจ่ายค่า GenAI ตัวแพงๆ ให้เปลือง การรู้ว่างานคุณต้องการของชั้นไหน ช่วยให้จ่ายเงินตรงจุด ไม่ซื้อเกินงาน

สาม — มองทิศทางอนาคตได้ชัดขึ้น

พอเห็นภาพรวมทั้งกล่อง คุณจะตามข่าวเทคโนโลยีรู้เรื่องขึ้นมากครับ เวลามีของใหม่ๆ โผล่มา คุณจะวางมันลงในกล่องได้ทันทีว่า “อ๋อ อันนี้มันคือ GenAI สายนึง” หรือ “อันนี้แค่ ML ติดป้ายใหม่” — ไม่ตื่นตูมตามกระแสง่ายๆ และตัดสินใจลงทุนได้เย็นกว่าคนอื่น

สรุปสั้นๆ ส่งท้าย#

ถ้าให้ย่อทั้งตอนนี้เหลือไม่กี่บรรทัดเอาไว้จำง่ายๆ คือแบบนี้ครับ

• มันคือกล่องซ้อนกล่อง ไม่ใช่ของแยกชิ้นที่ต้องเลือก — เหมือนตุ๊กตาแม่ลูกดก เปิดตัวใหญ่เจอตัวเล็กข้างใน
• AI = กล่องใหญ่สุด ความฝันที่อยากให้เครื่องฉลาดเหมือนคน (กว้างเท่าคำว่า “ยานพาหนะ”)
• Machine Learning (ML) = AI ที่เรียนรู้กฎเองจากตัวอย่างเยอะๆ ไม่ต้องนั่งป้อนกฎ (เด็กที่ดูรูปสัตว์เยอะจนแยกเอง)
• Deep Learning = ML รุ่นพิเศษที่ใช้สมองเทียมหลายชั้น เก่งงานซับซ้อน (สายพานโรงงานยาวๆ)
• GenAI = Deep Learning ที่เก่งเรื่อง “สร้างของใหม่” ตามโจทย์ (พ่อครัวที่คิดเมนูใหม่ให้) — เจ้า ChatGPT ก็อยู่ชั้นนี้
• ความสัมพันธ์ที่ต้องจำ: GenAI เป็น Deep Learning เป็น ML เป็น AI ทั้งหมด — แต่ไล่กลับทางไม่ได้ (AI ไม่ได้เป็น GenAI ทุกตัว)
• รู้ไว้เพื่อ: คุยกับ vendor รู้เรื่อง, จ่ายเงินตรงชั้นไม่ซื้อเกินงาน, ตามข่าวเทคโนโลยีได้แบบไม่ตื่นตูม

ผมไม่ใช่ผู้เชี่ยวชาญด้าน AI อะไรนักหรอกนะครับ เป็นแค่คนที่โดนคำศัพท์พวกนี้รุมล้อมจนต้องนั่งทำความเข้าใจเอง แล้วก็อยากเล่าให้เพื่อนๆ ฟังแบบภาษาคนๆ ตรงไหนผมอธิบายคลาดเคลื่อนไป ทักท้วงกันเข้ามาได้เลยนะครับ ยินดีมากๆ

ตอนหน้าของซีรีส์ AI 101 เราจะเปิดฝาเจ้า ML ดูให้ลึกขึ้นอีกนิด — ว่าไอ้คำว่า “เครื่องเรียนรู้เอง” เนี่ย จริงๆ มันเรียนยังไง มันต่างจากการที่คนเรียนรู้ตรงไหน แล้วทำไมบางทีมันถึงเรียนผิดทางจนใช้งานไม่ได้ ไว้เจอกันตอนหน้าครับ