สามประเด็นสำคัญใน AI ที่ควรติดตาม ตามมุมมองของนักเศรษฐศาสตร์รางวัลโนเบล
ดารอน อาเซโมกลู (Daron Acemoglu) นักเศรษฐศาสตร์จากสถาบันเทคโนโลยีแมสซาชูเซตส์ (MIT) ผู้ได้รับรางวัลโนเบลสาขาเศรษฐศาสตร์ประจำปี 2024 ร่วมกับไซมอน จอห์นสัน และเจมส์ โรบินสัน จากผลงานวิจัยเกี่ยวกับสถาบันทางสังคมและความมั่งคั่งของชาติ ได้กลายเป็นหนึ่งในนักวิชาการชั้นนำที่ให้ความสนใจกับปัญญาประดิษฐ์ (AI) โดยเฉพาะประเด็นผลกระทบทางเศรษฐกิจและสังคม ล่าสุด ในงานเสวนาที่ Schwarzman College of Computing ของ MIT อาเซโมกลูได้ชี้ให้เห็นถึงสามประเด็นสำคัญในวงการ AI ที่นักธุรกิจ นักลงทุน และนักนโยบายควรจับตาอย่างใกล้ชิด เพื่อเข้าใจทิศทางอนาคตของเทคโนโลยีนี้
อาเซโมกลูซึ่งมีชื่อเสียงจากมุมมองที่ระมัดระวังต่อการเหวี่ยงแห hype ของ AI ไม่เชื่อในภาพอนาคตที่ AI จะเปลี่ยนโลกอย่างรวดเร็วหรือนำไปสู่ “superintelligence” หรือปัญญาอัจฉริยะเหนือมนุษย์ในเร็ววัน เขาย้ำว่าประสิทธิผลทางเศรษฐกิจจาก AI ยังคงจำกัดอยู่ที่งานเฉพาะทาง (narrow AI) และไม่น่าจะก่อให้เกิดการเติบโตทางเศรษฐกิจแบบก้าวกระโดดในระยะสั้น สามประเด็นที่เขาชูให้ติดตามสะท้อนถึงมุมมองเชิงวิเคราะห์ที่สมดุลระหว่างโอกาสและความเสี่ยง
ประเด็นแรก: การผลักดันสู่ปัญญาประดิษฐ์ทั่วไป (AGI) และ superintelligence
บริษัทเทคโนโลยีชั้นนำอย่าง OpenAI, Google DeepMind และ Anthropic กำลังแข่งขันกันอย่างดุเดือดเพื่อพัฒนา AGI หรือปัญญาประดิษฐ์ทั่วไปที่สามารถทำงานได้หลากหลายเทียบเท่าหรือเหนือมนุษย์ ซึ่งบางฝ่ายคาดการณ์ว่าจะเกิดขึ้นภายในไม่กี่ปีข้างหน้า อาเซโมกลูมองว่านี่เป็นการแข่งขันที่ “misguided” หรือหลงทิศทาง เพราะ AGI ยังคงเป็นแนวคิดที่คลุมเครือและยากต่อการวัดผล เขาเปรียบเทียบว่าการมุ่งสู่ superintelligence คล้ายกับการไล่ล่าลม โดยเฉพาะเมื่อ narrow AI ยังให้ผลตอบแทนทางเศรษฐกิจที่ต่ำกว่าที่คาดหวัง
จากข้อมูลประวัติศาสตร์ อาเซโมกลูชี้ว่าการลงทุนมหาศาลใน AI ในช่วงทศวรรษที่ผ่านมา (เกือบ 2 ล้านล้านดอลลาร์สหรัฐ) สร้างการเติบโตของ GDP สหรัฐฯ เพียง 0.1-0.2% เท่านั้น ซึ่งต่ำกว่าที่นัก optimist คาดการณ์ไว้มาก เขาเตือนว่านักลงทุนควรจับตาว่าการแข่งขัน AGI นี้จะนำไปสู่ “intelligence explosion” หรือการระเบิดของปัญญาที่เร่งตัวเองได้หรือไม่ หรือจะกลายเป็นเพียงฟองสบู่ที่แตกในที่สุด หากบริษัทเหล่านี้ไม่สามารถพิสูจน์ผลตอบแทนที่จับต้องได้ ธุรกิจที่พึ่งพาการ hype นี้เสี่ยงต่อความสูญเสียครั้งใหญ่
ประเด็นที่สอง: ผลกระทบต่อตลาดแรงงาน โดยเฉพาะงานคอขาว
AI กำลังแทรกซึมสู่ตลาดแรงงาน โดยเฉพาะงานคอขาว (white-collar work) ที่ต้องใช้ทักษะ认知 เช่น การวิเคราะห์ข้อมูล การเขียนโค้ด และการให้คำปรึกษา อาเซโมกลูคาดการณ์ว่า AI จะไม่แทนที่มนุษย์ทั้งหมด แต่จะทำงานแบบ “complementary” หรือเสริมศักยภาพ โดยมนุษย์ยังคงจำเป็นสำหรับการตัดสินใจเชิงบริบทและความคิดสร้างสรรค์ ตัวอย่างเช่น โมเดลภาษาขนาดใหญ่ (LLM) อย่าง GPT สามารถช่วยร่างเอกสาร แต่ไม่สามารถแทนที่นักกฎหมายหรือนักวิเคราะห์ได้เต็มรูปแบบ
อย่างไรก็ตาม เขาแนะนำให้ติดตามว่าจำนวนงานที่ AI สามารถ automate ได้จริงจะมากน้อยเพียงใด จากการศึกษาของเขา พบว่า AI เพิ่มผลผลิตในงาน routine ได้เพียง 10-20% เท่านั้น และมักก่อให้เกิด “rebound effect” คือ การใช้งานเพิ่มขึ้นจนผลผลิตสุทธิไม่เปลี่ยนแปลงมากนัก สำหรับธุรกิจ นี่หมายถึงโอกาสในการปรับโครงสร้างองค์กรเพื่อใช้ AI เสริมทีมงาน แทนการลดคน แต่ต้องระวังความเหลื่อมล้ำที่อาจเกิดขึ้น หากงานระดับกลางถูกแทนที่ ส่งผลให้พนักงานต้อง upskill อย่างเร่งด่วน
ประเด็นที่สาม: การ automate งานวิศวกรรมซอฟต์แวร์
หนึ่งในชัยชนะล่าสุดของ AI คือ Devin นักพัฒนาซอฟต์แวร์ AI จาก Cognition Labs ซึ่งสามารถแก้ปัญหา coding จริงได้ในระดับที่น่าประทับใจ อาเซโมกลูยกตัวอย่างนี้เป็นกรณีศึกษาที่น่าสนใจ โดย Devin สามารถทำงาน end-to-end ตั้งแต่รับ requirement จน deploy โค้ดได้ ซึ่งเป็นก้าวสำคัญสำหรับอุตสาหกรรมซอฟต์แวร์มูลค่าหลายล้านล้านดอลลาร์
แต่เขาระบุว่าประสิทธิภาพของ Devin ยังจำกัด เช่น ใช้เวลานานกว่าโปรแกรมเมอร์มนุษย์ และล้มเหลวในงานซับซ้อน อาเซโมกลูคาดการณ์ว่าการ automate นี้จะช่วยลดต้นทุนพัฒนาซอฟต์แวร์ลง 20-30% ในระยะสั้น แต่ไม่น่าจะ disrupt อาชีพนี้ทั้งหมด เนื่องจากซอฟต์แวร์สมัยใหม่ต้องการ integration กับระบบ legacy และ domain knowledge ที่ AI ยังขาด นักธุรกิจในภาคเทคโนโลยีควรจับตาการพัฒนานี้ เพื่อประเมินผลกระทบต่อ supply chain การพัฒนาซอฟต์แวร์และโมเดลธุรกิจ SaaS
โดยสรุป สามประเด็นของอาเซโมกลูชี้ให้เห็นว่า AI กำลังอยู่ในช่วง transition จาก hype สู่ utility จริง นักลงทุนควรหลีกเลี่ยงการไล่ตาม AGI แบบไร้เหตุผล หันมาโฟกัสที่ narrow AI ที่สร้างมูลค่าเศรษฐกิจได้จริง ขณะที่องค์กรธุรกิจต้องเตรียมพร้อมรับมือการเปลี่ยนแปลงตลาดแรงงานและ automation มุมมองของเขาสร้างสมดุลให้กับวงการที่เต็มไปด้วยความตื่นเต้นเกินจริง โดยย้ำว่าประวัติศาสตร์แสดงให้เห็นว่าเทคโนโลยีใหม่มักใช้เวลานานกว่าที่คาดในการสร้างผลกระทบเชิงโครงสร้าง
(จำนวนคำประมาณ 750 คำ)
This Article is sponsored by Gnoppix AI (https://www.gnoppix.org)