ปัญญาประดิษฐ์ (AI) มีความเชี่ยวชาญในการค้นหารูปแบบอย่างน่าทึ่ง มันสามารถตรวจจับเนื้องอกในภาพสแกนทางการแพทย์ แปลภาษา และสร้างข้อความที่คล้ายมนุษย์ได้ แต่ภายใต้พื้นผิว ระบบ AI ส่วนใหญ่ในปัจจุบันทำงานบนหลักการพื้นฐานที่ตื้นเขิน นั่นคือ ความสัมพันธ์ทางสถิติ พวกมันรับรู้ว่าข้อมูลนำเข้าบางอย่างมีความสัมพันธ์กับข้อมูลส่งออกบางอย่าง แต่พวกมันไม่เข้าใจอย่างแท้จริงว่าทำไม พรมแดนต่อไป—และอาจเป็นสิ่งที่ยากที่สุด—คือการสอนเครื่องจักรให้เข้าใจถึงสาเหตุและผลกระทบ การเปลี่ยนจากการจับคู่รูปแบบไปสู่ความเข้าใจเชิงสาเหตุนี้ สัญญาว่าจะทำให้ AI ไม่เพียงแต่ฉลาดขึ้นเท่านั้น แต่ยังปลอดภัย ยุติธรรม และน่าเชื่อถือมากขึ้นด้วย
ข้อจำกัดของการจับคู่รูปแบบ
โมเดลการเรียนรู้เชิงลึกสมัยใหม่มีความสามารถในการตรวจจับความสัมพันธ์ในชุดข้อมูลขนาดใหญ่ได้อย่างยอดเยี่ยม ตัวอย่างคลาสสิกที่แสดงให้เห็นถึงปัญหาคือ ปัญญาประดิษฐ์ (AI) อาจสังเกตเห็นว่ายอดขายไอศกรีมและอุบัติเหตุจมน้ำเพิ่มขึ้นและลดลงพร้อมกัน หากปราศจากเหตุผลเชิงสาเหตุ AI อาจสรุปอย่างง่ายๆ ว่าไอศกรีมเป็นสาเหตุของการจมน้ำ หรือในทางกลับกัน มนุษย์สามารถรับรู้ได้ทันทีว่าอากาศร้อนเป็นสาเหตุของทั้งสองอย่าง ความล้มเหลวในการแยกแยะความสัมพันธ์ออกจากสาเหตุอาจทำให้ AI เรียนรู้ทางลัดที่ผิดพลาด เช่น การวินิจฉัยโรคปอดบวมโดยอิงจากเครื่องมือในโรงพยาบาลที่ถ่ายภาพเอ็กซ์เรย์แทนที่จะอิงจากภาพถ่ายจริง เมื่อเงื่อนไขการใช้งานเปลี่ยนแปลง ความสัมพันธ์ที่เปราะบางเหล่านี้จะแตกหัก บางครั้งอาจส่งผลร้ายแรงในด้านที่มีความเสี่ยงสูง เช่น การดูแลสุขภาพหรือการขับขี่อัตโนมัติ
สิ่งที่ความเข้าใจเชิงสาเหตุจะนำมาซึ่งอะไรบ้าง
ความเข้าใจเชิงสาเหตุช่วยให้ระบบสามารถตอบคำถามได้ถึงสามระดับ นอกเหนือจากการเชื่อมโยงเพียงอย่างเดียว ระดับแรกคือการแทรกแซง: “ถ้าฉันเปลี่ยน X จะเกิดอะไรขึ้นกับ Y?” ระดับที่สองคือสถานการณ์สมมติ: “จะเกิดอะไรขึ้นถ้าฉันทำ Z แทน?” ระดับที่สามคือการระบุสาเหตุ: “ปัจจัยใดที่ทำให้เกิดผลลัพธ์นี้?” ความสามารถเหล่านี้สะท้อนให้เห็นถึงวิธีการคิดและการวางแผนของมนุษย์ รถยนต์ไร้คนขับที่ใช้เหตุผลเชิงสาเหตุจะไม่เพียงแต่เบรกเมื่อเห็นลูกบอลกลิ้งลงบนถนนเท่านั้น แต่จะคาดการณ์ว่าเด็กอาจตามมาและชะลอความเร็วลงล่วงหน้า ปัญญาประดิษฐ์ทางการแพทย์สามารถแยกแยะระหว่างการรักษาที่ได้ผลจริงกับการรักษาที่เพียงแค่สัมพันธ์กับการฟื้นตัวเพราะผู้ป่วยที่มีสุขภาพดีกว่าได้รับการรักษาแบบนั้น
ปัญญาประดิษฐ์กำลังเรียนรู้ที่จะใช้เหตุผลเชิงสาเหตุได้อย่างไร
รากฐานทางทฤษฎีมาจากผลงานของนักวิจัยอย่าง Judea Pearl ซึ่งได้วางรากฐานการอนุมานเชิงสาเหตุโดยใช้กราฟแบบไม่มีวงจรและแคลคูลัสแบบ do เมื่อไม่นานมานี้ ผู้ปฏิบัติงานด้านการเรียนรู้ของเครื่องได้เริ่มผสมผสานกรอบการทำงานเหล่านี้เข้ากับโครงข่ายประสาทเทียม เทคนิคต่างๆ เช่น การเรียนรู้การแสดงแทนเชิงสาเหตุ การลดความเสี่ยงที่ไม่เปลี่ยนแปลง และการเพิ่มข้อมูลเชิงสมมติ ช่วยให้แบบจำลองสามารถแยกแยะปัจจัยเชิงสาเหตุออกจากสัญญาณรบกวนได้ ในภาคอุตสาหกรรม ผู้เล่นรายใหญ่กำลังลงทุนอย่างหนัก: IBM ได้เปิดซอร์สโค้ดชุดเครื่องมือการอนุมานเชิงสาเหตุ และ DeepMind ได้นำการให้เหตุผลเชิงสาเหตุไปใช้กับตัวแทนการเรียนรู้แบบเสริมแรง ทำให้พวกเขาสามารถเรียนรู้นโยบายที่แข็งแกร่งยิ่งขึ้นจากตัวอย่างที่น้อยลง แม้แต่แบบจำลองภาษาขนาดใหญ่ก็กำลังได้รับการปรับแต่งเพื่อสร้างสถานการณ์ "ถ้าหาก" และให้เหตุผลเกี่ยวกับห่วงโซ่เชิงสาเหตุ แม้ว่าความเข้าใจของพวกเขายังคงตื้นเขินและส่วนใหญ่เป็นแบบใช้คำพูดก็ตาม
ความท้าทายข้างหน้า
การเปลี่ยนจากการจับคู่รูปแบบไปสู่การให้เหตุผลเชิงสาเหตุที่แท้จริงนั้นไม่ใช่เรื่องง่าย แบบจำลองเชิงสาเหตุที่แท้จริงต้องอาศัยข้อมูลจากการทดลองแบบสุ่มที่มีการควบคุม—ซึ่งมีค่าใช้จ่ายสูงและมักไม่ถูกต้องตามหลักจริยธรรม—หรือข้อสมมติฐานที่แข็งแกร่งเกี่ยวกับกระบวนการสร้างข้อมูล โลกแห่งความเป็นจริงนั้นเต็มไปด้วยสัญญาณรบกวนและมีตัวแปรแทรกซ้อนที่ซ่อนอยู่มากมาย อัลกอริทึมที่ปรับขนาดได้สำหรับการค้นพบโครงสร้างเชิงสาเหตุจากข้อมูลเชิงสังเกตล้วนๆ ยังคงเป็นสิ่งที่ยากจะหาได้ และการวัดความสามารถเชิงสาเหตุยังคงเป็นสาขาที่เพิ่งเริ่มต้น นอกจากนี้ยังมีความท้าทายในการบูรณาการการให้เหตุผลเชิงสาเหตุเข้ากับกระบวนการสร้างแบบจำลองพื้นฐาน ซึ่งปัจจุบันอาศัยความสัมพันธ์แบบพาสซีฟจำนวนมากเป็นหลัก
แม้จะมีอุปสรรคเหล่านี้ แต่การผลักดันไปสู่ปัญญาประดิษฐ์เชิงสาเหตุ (Causal AI) ก็กำลังได้รับแรงผลักดันมากขึ้น หน่วยงานกำกับดูแลเริ่มเรียกร้องความสามารถในการอธิบาย และธุรกิจต่างๆ ต้องการโมเดลที่ทำงานได้ภายใต้การเปลี่ยนแปลงการกระจายตัว ปัญญาประดิษฐ์ที่เข้าใจว่าทำไมจึงไม่เพียงแต่จะทำงานได้ดีขึ้นเท่านั้น แต่ยังจะได้รับความไว้วางใจจากเราด้วย เมื่อความตื่นเต้นเริ่มต้นเกี่ยวกับโมเดลแบบสร้าง (generative models) เริ่มเติบโตขึ้น การปฏิวัติอย่างเงียบๆ ในด้านการให้เหตุผลเชิงสาเหตุอาจกำหนดทิศทางของปัญญาประดิษฐ์ในทศวรรษหน้า การก้าวข้ามจากการจับคู่รูปแบบไปสู่ความเข้าใจเชิงสาเหตุไม่ใช่เพียงแค่ความสำเร็จทางเทคนิคเท่านั้น แต่เป็นเส้นทางไปสู่เครื่องจักรที่สามารถคิดได้อย่างแท้จริง
