ครั้งหนึ่งเมื่อเราอยากรู้ว่าร้านอาหารไหนดี โรงแรมไหนน่าพัก หนังสือเล่มไหนควรอ่าน สินค้าชิ้นไหนควรซื้อ หมอคนไหนเชี่ยวชาญเรื่องอะไร หรือผู้เชี่ยวชาญคนใดน่าเชื่อถือ เราเปิด Google แล้วพิมพ์คำถามลงไป สิ่งที่ได้กลับมาคือรายชื่อเว็บไซต์จำนวนหนึ่ง มีทั้งเว็บทางการ ข่าว บทความ รีวิว โฆษณา กระทู้ และเนื้อหาประชาสัมพันธ์ปะปนกันไป Google ไม่เคยเป็นโลกที่ปราศจากอคติ ผลการค้นหามี ranking algorithm มี SEO มีโฆษณา มีความได้เปรียบของเว็บไซต์ใหญ่ และมีปรากฏการณ์ง่าย ๆ ว่า สิ่งใดถูกกล่าวถึงมากก็มีโอกาสถูกค้นพบมาก อย่างไรก็ตาม ผู้ใช้ในยุคนั้นยังพอรับรู้ว่าตนกำลัง “ค้นหาข้อมูล” เราเห็นเว็บไซต์หลายแห่งอยู่ตรงหน้า เห็นว่าแหล่งหนึ่งกล่าวอย่างหนึ่ง อีกแหล่งกล่าวอีกอย่างหนึ่ง และอย่างน้อยก็ยังมีโอกาสถามตัวเองว่าใครเป็นผู้กล่าว ข้อมูลมาจากไหน และควรเชื่อหรือไม่
Generative AI เปลี่ยนความสัมพันธ์ระหว่างมนุษย์กับข้อมูลไปอย่างเงียบ ๆ แต่รุนแรงกว่านั้นมาก แทนที่จะยื่นแหล่งข้อมูลสิบแหล่งให้เราเลือกอ่าน มันรวบรวม ประมวล และเรียบเรียงสิ่งเหล่านั้นแทนเรา แล้วตอบกลับมาด้วยเสียงเดียว เป็นประโยคที่สมบูรณ์ ลื่นไหล มีเหตุมีผล และหลายครั้งมั่นใจเสียจนฟังดูเหมือนผู้เชี่ยวชาญที่รู้เรื่องนั้นจริง ๆ จากเดิมที่เครื่องมือบอกเราว่า “นี่คือสิ่งที่หาเจอ” มันเริ่มพูดว่า “คำตอบคือสิ่งนี้” ความแตกต่างเพียงเท่านี้อาจเป็นหนึ่งในการเปลี่ยนแปลงสำคัญที่สุดของวิธีที่มนุษย์รับรู้ความจริงในยุคปัจจุบัน
ปัญหาหนึ่งคือ คนจำนวนมากใช้คำว่า AI เหมือนมันเป็นสิ่งเดียวกันทั้งหมด ทั้งที่สิ่งที่เราเรียกรวม ๆ ว่า artificial intelligence มีระบบอยู่หลายประเภทมาก ตั้งแต่ระบบจำแนกภาพ ระบบแนะนำสินค้า ระบบพยากรณ์ ระบบค้นหา ระบบสร้างภาพ ระบบเสียง ระบบที่ออกแบบมาสำหรับการเขียนโปรแกรม ไปจนถึง large language model หรือ LLM ซึ่งเป็นเทคโนโลยีที่อยู่เบื้องหลัง chatbot จำนวนมากที่เราใช้กันทุกวันนี้ เราไม่จำเป็นต้องเรียนคณิตศาสตร์ของ transformer เพื่อใช้ ChatGPT หรือ Gemini แต่มีข้อเท็จจริงพื้นฐานข้อหนึ่งที่ควรรู้ คือ LLM ไม่ได้มีสมองที่บรรจุสารานุกรมแห่งความจริงอยู่ข้างใน แก่นพื้นฐานของมันคือการเรียนรู้รูปแบบของภาษาและความสัมพันธ์ระหว่างข้อมูลจำนวนมหาศาล แล้วคาดการณ์ว่า token ต่อไปที่เหมาะสมควรเป็นอะไร
คำว่า “คาดการณ์คำต่อไป” อาจทำให้เทคโนโลยีนี้ดูง่ายเกินจริง เพราะจากกลไกพื้นฐานดังกล่าวได้เกิดความสามารถที่น่าทึ่ง ทั้งการเขียน การสรุป การแปลภาษา การวิเคราะห์ การเขียนโปรแกรม และการแก้ปัญหาหลายชนิด แต่สิ่งหนึ่งที่ไม่ได้ติดมากับกลไกนี้โดยอัตโนมัติ คือเครื่องรับรองความจริง AI รุ่นใหม่จำนวนมากสามารถค้นอินเทอร์เน็ต เรียกฐานข้อมูล เปิดเอกสาร หรือใช้เครื่องมือภายนอกได้แล้ว แต่นั่นเป็นอีกชั้นหนึ่งที่ต่อเข้ากับตัวโมเดลภาษา การที่ระบบสามารถ search ได้จึงไม่ได้หมายความว่าทุกข้อความที่มันสร้างหลังจากนั้นได้รับการตรวจสอบว่าเป็นข้อเท็จจริงแล้วทั้งหมด
ตรงนี้เองที่เกิดความเข้าใจผิดสองขั้ว ขั้วหนึ่งเชื่อว่า AI รู้ทุกอย่าง ถ้ามันตอบได้เป็นเรื่องเป็นราวก็น่าจะจริง โดยเฉพาะเมื่อคำตอบมาพร้อมศัพท์เทคนิค เหตุผลสามสี่ข้อ และสำนวนที่มั่นใจ อีกขั้วหนึ่งเคยจับ AI ผิดได้สองสามครั้งแล้วประกาศว่ามันมั่ว ใช้ประโยชน์อะไรไม่ได้ สองฝ่ายดูเหมือนอยู่ตรงข้ามกัน แต่ที่จริงมีปัญหาเดียวกัน คือไม่เข้าใจว่า reliability ของ AI ขึ้นอยู่กับลักษณะของงาน ไม่ใช่คุณสมบัติแบบเปิดหรือปิดว่า “AI เชื่อได้” หรือ “AI เชื่อไม่ได้”
มันอาจเก่งมากในการสรุปเอกสารยี่สิบฉบับที่เราให้มันครบถ้วน แต่อาจตอบผิดเรื่องข้อเท็จจริงเล็ก ๆ ที่ไม่มีข้อมูลให้ตรวจสอบ มันอาจช่วย programmer หา bug ที่ซ่อนอยู่ใน code ได้อย่างยอดเยี่ยม แต่สร้างชื่อบทความวิจัยที่ไม่มีอยู่จริงขึ้นมาได้เช่นกัน มันอาจช่วยแพทย์จัด differential diagnosis ได้เป็นระบบ แต่ไม่ได้หมายความว่ามันควรเป็นผู้ตัดสินคนสุดท้ายว่าใครเป็นโรคอะไร ยิ่งผู้ใช้ไม่มีความรู้ในเรื่องที่กำลังถาม ปัญหานี้ยิ่งน่าสนใจ เพราะเมื่อเราถาม AI ในเรื่องที่เราถนัด เรามีเครื่องตรวจจับความผิดอยู่ในหัวของเราเอง แต่เมื่อถามเรื่องที่เราแทบไม่รู้เลย เรากลับไม่มีทางรู้ว่าประโยคใดเป็นข้อเท็จจริง ประโยคใดเป็นการอนุมาน และประโยคใดเป็นสิ่งที่โมเดลสร้างขึ้นอย่างน่าเชื่อถือแต่ผิด
นี่คือ paradox สำคัญของ AI ในเรื่องที่เรารู้น้อยที่สุด ซึ่งดูเหมือนเราจะต้องการความช่วยเหลือจากมันมากที่สุด กลับเป็นเรื่องที่เราอาจตรวจคำตอบของมันได้น้อยที่สุดเช่นกัน
จาก Google สู่คำตอบเพียงเสียงเดียว
ก่อนยุค generative AI ความยุ่งยากของการค้นข้อมูลมีข้อดีบางอย่างซ่อนอยู่ ค้นร้านอาหารหนึ่งร้าน เราอาจเจอเว็บไซต์ร้าน รีวิวจาก Google Maps บทความของนักชิม และกระทู้ที่ด่าร้านเดียวกันเละเทะ คนอ่านต้องทำงานเองว่าจะให้น้ำหนักกับใคร วันนี้ถาม AI ว่า “ร้านอาหารญี่ปุ่นที่ดีที่สุดแถวนี้คือร้านอะไร” เราอาจได้คำตอบสามร้านพร้อมเหตุผลสวยงามว่าร้านหนึ่งเด่นเรื่องปลา ร้านหนึ่งเด่นเรื่อง omakase และร้านหนึ่งคุ้มราคา แต่คำถามที่มักหายไปคือ ทำไมจึงเป็นสามร้านนี้ ร้านอีกห้าสิบร้านถูกคัดออกเมื่อไร ระบบเห็นข้อมูลจากแหล่งใด รีวิวหนึ่งหมื่นรีวิวมีน้ำหนักเท่ากับบทความประชาสัมพันธ์ของร้านหรือไม่ และร้านที่แทบไม่มี presence บนโลกออนไลน์มีโอกาสถูกพิจารณาตั้งแต่แรกหรือเปล่า
Generative AI จึงมีปัญหาที่อาจเรียกว่า compression problem มันต้องบีบโลกที่เต็มไปด้วยข้อมูลซึ่งขัดแย้ง ไม่แน่นอน และมีรายละเอียดปลีกย่อย ให้กลายเป็นคำตอบที่มนุษย์อ่านได้ในไม่กี่ย่อหน้า สิ่งที่สูญหายระหว่างการบีบอัดอาจไม่ใช่เพียงข้อมูล แต่รวมถึงความไม่แน่นอน ความเห็นส่วนน้อย ข้อยกเว้น และที่สำคัญที่สุดคือความรู้สึกว่า “เรื่องนี้ยังไม่มีคำตอบเดียว” ผลลัพธ์จึงอาจเรียบกว่าความจริง และมั่นใจกว่าหลักฐาน
Matthew effect: คนที่ถูกมองเห็นอยู่แล้ว จะยิ่งถูกมองเห็น
ในปี 1968 นักสังคมวิทยาชื่อ Robert K. Merton เขียนบทความชื่อ The Matthew Effect in Science เพื่ออธิบายปรากฏการณ์ในวงการวิทยาศาสตร์ว่า นักวิทยาศาสตร์ที่มีชื่อเสียงอยู่แล้วมักได้รับ recognition มากกว่าเมื่อเทียบกับนักวิทยาศาสตร์ที่ยังไม่เป็นที่รู้จัก แม้ผลงานจะมีคุณภาพใกล้เคียงกัน เมื่อมีชื่อเสียงมากขึ้น ผลงานก็ถูกมองเห็นมากขึ้น ถูกอ้างอิงมากขึ้น ได้รับโอกาสมากขึ้น และชื่อเสียงก็เพิ่มขึ้นอีก นี่คือแนวคิดเรื่อง cumulative advantage หรือความได้เปรียบที่สะสมตัวเอง
ในโลกของ algorithm และ AI ปรากฏการณ์นี้อาจทำงานได้รวดเร็วและกว้างขวางกว่าเดิมหลายเท่า ลองนึกถึงร้านอาหารสองร้านที่คุณภาพใกล้เคียงกัน ร้านแรกเปิดมานาน มีบทความจำนวนมาก มีนักรีวิวไปกิน มี Instagram มีเว็บไซต์ และปรากฏในเว็บไซต์ท่องเที่ยวหลายแห่ง ร้านที่สองทำอาหารดีไม่แพ้กันแต่เจ้าของแทบไม่ทำออนไลน์ AI ย่อมมีข้อมูลของร้านแรกให้พบมากกว่า เมื่อคนถามว่าควรกินร้านไหน ร้านแรกจึงมีโอกาสถูกแนะนำมากกว่า ถูกแนะนำมากขึ้น คนก็ไปมากขึ้น คนไปมากขึ้น รีวิวก็เพิ่มขึ้น รีวิวเพิ่มขึ้น ข้อมูลออนไลน์ก็เพิ่ม และ AI รุ่นต่อไปหรือระบบค้นหาก็ยิ่งเห็นมันมากขึ้น สิ่งที่เริ่มต้นจากความแตกต่างด้าน visibility เพียงเล็กน้อยจึงสามารถกลายเป็นความแตกต่างด้านลูกค้าขนาดใหญ่ ทั้งที่จุดเริ่มต้นไม่ได้พิสูจน์เลยว่าอาหารร้านแรกดีกว่า
กลไกเดียวกันเกิดได้แทบทุกวงการ สินค้าแบรนด์ใหญ่มีรีวิวและบทความ comparison มากกว่า เมื่อคนถาม AI ว่าเครื่องดูดฝุ่นรุ่นไหนดีที่สุด ระบบมีข้อมูลแบรนด์ดังให้ใช้มากกว่า สินค้านั้นจึงถูกกล่าวถึงมากขึ้น ขายมากขึ้น และมีข้อมูลใหม่เพิ่มขึ้นอีก นักวิชาการที่มีชื่อเสียงมี citation สูง งานของเขาจึงถูกค้นพบง่าย ถูกนำไปอ้างอิงง่าย และกลายเป็นส่วนหนึ่งของ corpus ที่คนและเครื่องจักรเห็นบ่อยขึ้น ในขณะที่งานดีจากนักวิจัยที่ไม่มีชื่อเสียงอาจแทบไม่มีโอกาสเข้าสู่สายตา นี่คือพื้นที่ดั้งเดิมที่ Merton ใช้อธิบาย Matthew effect ตั้งแต่แรก
ทนาย ที่ปรึกษา นักบัญชี หรือผู้เชี่ยวชาญในวิชาชีพต่าง ๆ ที่เขียนบทความ ออกสื่อ และมีเว็บไซต์ได้รับการทำ SEO อย่างดี ย่อมมี digital footprint มากกว่าเพื่อนร่วมวิชาชีพที่อาจมีประสบการณ์มากแต่ทำงานเงียบ ๆ เมื่อ AI ถูกถามว่าใครเชี่ยวชาญเรื่องใด ความสามารถในการ “ถูกค้นพบ” จึงอาจถูกเข้าใจผิดว่าเป็นความสามารถในวิชาชีพ วงการท่องเที่ยวก็เช่นเดียวกัน เมืองที่ติดอันดับ “must visit” อยู่แล้วถูกเขียนถึงมาก เมื่อ AI ถูกถามว่าควรไปเที่ยวที่ไหน มันก็พบข้อมูลของเมืองเหล่านั้นมากกว่า นักท่องเที่ยวจึงไปมากขึ้น สื่อก็เขียนเพิ่มขึ้น และเมืองนั้นก็ยิ่งมีเหตุผลทางสถิติที่จะปรากฏในคำแนะนำครั้งต่อไป
ในโลกการเมืองและสังคม ปัญหานี้ยิ่งละเอียดอ่อน narrative ที่ถูกผลิตซ้ำจำนวนมากไม่ได้จำเป็นต้องเป็น narrative ที่ถูกต้องที่สุด แต่ระบบภาษาซึ่งเรียนรู้จากสิ่งที่ถูกเขียนย่อมเห็นเสียงดังมากกว่าเสียงเบา ถ้าไม่ระวัง ความถี่ของข้อความอาจค่อย ๆ ถูกแปลงเป็นภาพลวงตาของความจริง แม้กระทั่งวงการแพทย์ก็หนีไม่พ้น แพทย์ที่มีบทความ มี profile ภาษาอังกฤษ มีงานวิจัย ออกสื่อ หรือปรากฏบนเว็บไซต์โรงพยาบาลจำนวนมาก ย่อมมีข้อมูลให้ระบบค้นพบง่ายกว่าแพทย์ที่ใช้เวลาส่วนใหญ่อยู่กับคนไข้และแทบไม่มีตัวตนบนโลกออนไลน์ สิ่งนี้ไม่ได้หมายความว่าแพทย์คนแรกไม่เก่ง หรือคนหลังเก่งกว่า เพียงแต่บอกว่า visibility และ competence เป็นคนละสิ่งกัน และไม่ควรถูกใช้แทนกันโดยไม่รู้ตัว
Matthew effect ไม่ได้บอกว่าคนดังไม่สมควรดัง คนที่เก่งอาจมีชื่อเสียงเพราะเก่งจริง สิ่งที่มันเตือนคือ เมื่อข้อได้เปรียบเกิดขึ้นแล้ว ระบบสามารถขยายข้อได้เปรียบนั้นให้ใหญ่กว่าความแตกต่างตั้งต้นได้มาก
เมื่อความนิยมกลายเป็นหลักฐานของตัวเอง
จุดที่น่ากังวลยิ่งกว่าคือ feedback loop ลองสมมติ AI เริ่มแนะนำสินค้า A มากกว่าสินค้า B ด้วยเหตุผลเพียงเพราะมีข้อมูลของ A มากกว่าเล็กน้อย A จึงขายดีขึ้น เมื่อขายดีขึ้น คนรีวิวมากขึ้น เว็บไซต์เขียน comparison มากขึ้น ร้านค้าเอาไปโปรโมตมากขึ้น ผู้ผลิตมีงบทำ content มากขึ้น คราวต่อไปที่ AI ถูกถาม มันจึงพบหลักฐานเกี่ยวกับ A มากกว่าเดิม และแนะนำ A มากกว่าเดิมอีก วันหนึ่งเรามองยอดขายที่สูงกว่าแล้วพูดว่า “เห็นไหม คนเลือกเยอะขนาดนี้ แสดงว่ามันต้องดีกว่า” ทั้งที่ส่วนหนึ่งของยอดขายนั้นเกิดจากการถูกแนะนำตั้งแต่แรก
เหตุจึงกลายเป็นผล และผลย้อนกลับมาใช้เป็นหลักฐานของเหตุ
เมื่อ generative AI มีผู้ใช้จำนวนมหาศาล ระบบเพียงไม่กี่ระบบสามารถกลายเป็นตัวรวมความสนใจของมนุษย์ หรือ attention concentrator ได้อย่างที่ search engine รุ่นก่อนทำได้ยากกว่า เพราะ AI ไม่เพียงเรียงลำดับข้อมูล แต่สามารถเลือกชื่อไม่กี่ชื่อแล้วพูดออกมาเหมือนเป็นข้อสรุป คนที่ถูกเห็นอยู่แล้วจึงยิ่งถูกเห็นมากขึ้น ส่วนคนหรือสิ่งที่อยู่นอกสายตาของระบบก็ยิ่งมีโอกาสหายไป
เมื่อ AI เริ่มเรียนรู้จากโลกที่ AI สร้างขึ้นเอง
ปัญหาอีกชั้นกำลังเกิดขึ้นในเวลานี้ เดิม LLM เรียนรู้จากเนื้อหาที่มนุษย์สร้างบนอินเทอร์เน็ต วันนี้ LLM เริ่มสร้างเนื้อหาจำนวนมหาศาลกลับเข้าไปในอินเทอร์เน็ต ไม่ว่าจะเป็นบทความ เว็บไซต์ รีวิว คำอธิบายสินค้า งานเขียน หรือโพสต์ใน social media ดังนั้นเรากำลังเข้าสู่โลกที่มนุษย์เขียนข้อมูล → AI เรียนรู้ → AI สร้างข้อความ → ข้อความถูกเผยแพร่บนอินเทอร์เน็ต → ระบบค้นหาพบ → AI ตัวอื่นนำไปใช้ → สร้างข้อความใหม่ขึ้นอีก
ถ้าข้อความต้นทางมีอคติหรือข้อผิดพลาด มันอาจไม่ได้หายไป แต่ถูกทำซ้ำ เปลี่ยนสำนวน และกลับเข้ามาเป็นหลักฐานให้ตัวเองในอนาคต มันคล้ายการถ่ายสำเนาจากสำเนา แล้วใช้สำเนาแผ่นที่สิบเป็นหลักฐานว่าต้นฉบับต้องเขียนเช่นนั้น
เรื่องนี้ไม่ใช่เพียงการคาดเดา งานวิจัยของ Shumailov และคณะ ซึ่งตีพิมพ์ในวารสาร Nature เมื่อปี 2024 ศึกษาสิ่งที่เรียกว่า model collapse หรือการเสื่อมถอยของโมเดลเมื่อถูกฝึกซ้ำบนข้อมูลที่โมเดลรุ่นก่อนสร้างขึ้น คณะผู้วิจัยพบว่า หากนำข้อมูลที่โมเดลสร้างขึ้นมาใช้ฝึกโมเดลรุ่นถัดไปแบบซ้ำต่อเนื่องโดยไม่มีการจัดการที่เหมาะสม ความผิดเพี้ยนจะสะสมขึ้น และข้อมูลที่มีความถี่ต่ำหรืออยู่บริเวณส่วนหางของการกระจายข้อมูลต้นฉบับมีแนวโน้มจะสูญหายไปก่อน
งานดังกล่าวอธิบายว่ากระบวนการนี้สามารถดำเนินไปจนโมเดลค่อย ๆ เบี่ยงออกจากการกระจายข้อมูลต้นฉบับ และเหตุการณ์หรือรูปแบบที่พบไม่บ่อยอาจหายไปจาก representation ของโมเดลมากขึ้นเรื่อย ๆ ผลลัพธ์คือโลกที่โมเดลสร้างขึ้นอาจแคบลง เรียบขึ้น และสะท้อนความหลากหลายของข้อมูลจริงได้น้อยลง คณะผู้วิจัยจึงชี้ให้เห็นความสำคัญของการรักษาการเข้าถึงข้อมูลต้นฉบับที่มนุษย์สร้างขึ้น และไม่ปล่อยให้ข้อมูลจากโมเดลเข้ามาแทนที่ข้อมูลจริงอย่างไม่คัดกรอง หากต้องการลดความเสี่ยงของกระบวนการดังกล่าว
ข้อค้นพบนี้น่าสนใจเพราะมันไปบรรจบกับสองเรื่องที่กล่าวไว้ก่อนหน้าอย่างพอดี สิ่งที่เสี่ยงจะหายไปก่อนใน model collapse คือข้อมูลส่วนหาง ซึ่งมักประกอบด้วยเหตุการณ์ที่พบไม่บ่อย รูปแบบที่มีความถี่ต่ำ หรือข้อมูลที่แตกต่างจากกระแสหลัก ขณะที่ compression problem ก็มีโอกาสทำให้ nuance ข้อยกเว้น และความเห็นส่วนน้อยถูกลดทอนลง และ Matthew effect ก็สามารถผลักสิ่งที่ถูกมองเห็นน้อยออกไปจากวงจรของความสนใจตั้งแต่ต้น กลไกทั้งสามไม่ใช่สิ่งเดียวกัน แต่สามารถเสริมแรงไปในทิศทางเดียวกัน คือทำให้โลกที่เราเห็นผ่านเครื่องมือเหล่านี้แคบกว่าโลกจริง
ความท้าทายของโลกข้อมูลในอนาคตจึงอาจไม่ได้มีเพียงคำถามว่า “ข้อมูลนี้จริงหรือไม่” แต่รวมถึงคำถามที่ยากกว่านั้นว่า “ข้อมูลนี้เริ่มต้นมาจากมนุษย์จริง ๆ หรือ AI ตัวหนึ่งเคยสร้างมันไว้ แล้ว AI อีกตัวกำลังเอามันกลับมาเล่าให้เราฟัง”
ปัญหาไม่ได้อยู่ที่คนไทย
เรื่องนี้ไม่ใช่ลักษณะเฉพาะของประเทศไทย ข้อมูลจาก Pew Research Center ที่สำรวจประชาชนใน 25 ประเทศพบว่า แม้ AI จะกลายเป็นเรื่องที่คนทั่วโลกพูดถึงมากแล้ว แต่คนที่บอกว่าตัวเองรู้เรื่อง AI “มาก” ยังเป็นสัดส่วนจำกัด ขณะที่คนอีกจำนวนมากรู้เพียงเล็กน้อยหรือแทบไม่รู้เลย ระดับการยอมรับและความไว้วางใจ AI ก็แตกต่างกันอย่างมากระหว่างประเทศ งานของ OECD พบว่าคนรุ่นใหม่และประชาชนในบาง emerging economies มีทัศนคติเชิงบวกและไว้วางใจ generative AI มากกว่า ในขณะที่หลายประเทศในยุโรปและญี่ปุ่นมีความระมัดระวังมากกว่า
ไม่ได้มีเส้นแบ่งง่าย ๆ ว่าประเทศร่ำรวยฉลาดกว่า ประเทศยากจนหลงเชื่อกว่า หรือคนชาติใดมีเหตุผลกว่าชาติใด มันเป็นปัญหาของมนุษย์ที่ได้รับเทคโนโลยีทรงพลังเร็วกว่าความรู้ในการใช้เทคโนโลยีนั้น ประเทศไทยมีช่องว่างด้าน AI literacy และ governance จริง รายงาน AI Readiness Assessment ของ UNESCO ระบุถึงความจำเป็นในการพัฒนาศักยภาพ การประสานงานระหว่างสถาบัน และกลไกกำกับดูแลหลายด้าน แต่ปัญหาในลักษณะเดียวกันเกิดทั่วโลก สิ่งที่กำลังวิ่งตามเทคโนโลยีไม่ทันจึงไม่ใช่ IQ ของประเทศใดประเทศหนึ่ง แต่คือ AI literacy ของมนุษยชาติ
คนที่ใช้ AI เป็นอาจได้เปรียบมากขึ้นเรื่อย ๆ
และนี่อาจเป็น Matthew effect อีกแบบหนึ่ง ในอีกไม่กี่ปี ความเหลื่อมล้ำด้าน AI อาจไม่ได้อยู่เพียงระหว่างคนที่มี AI กับคนที่ไม่มี เพราะเครื่องมือเหล่านี้กำลังเข้าถึงคนจำนวนมากขึ้นเรื่อย ๆ ความเหลื่อมล้ำที่สำคัญกว่าอาจอยู่ระหว่างคนที่รู้ว่า AI คืออะไร กับคนที่คิดว่า AI เป็นสิ่งเดียวกันทั้งหมด
คนที่รู้ว่าเมื่อไรควรให้มันค้น เมื่อไรควรให้มันคิด เมื่อไรควรให้มันสรุป เมื่อไรควรขอดู source และเมื่อไรต้องออกจาก AI ไปตรวจข้อมูลต้นฉบับเอง จะได้ประโยชน์จากเครื่องมือมากขึ้นเรื่อย ๆ เขาจะทำงานเร็วขึ้น เรียนรู้เร็วขึ้น วิเคราะห์ข้อมูลได้มากขึ้น และมีเวลาสำหรับงานระดับสูงมากขึ้น ความได้เปรียบนั้นสะสม ในขณะที่คนอีกกลุ่มหนึ่งมี AI ตัวเดียวกันอยู่ในโทรศัพท์ แต่ใช้มันเหมือนหมอดูแห่งความจริง ถามทุกอย่างแล้วเชื่อทุกอย่าง อีกกลุ่มหนึ่งเห็นมันผิดครั้งเดียวแล้วไม่ใช้อีกเลย ทั้งสองกลุ่มอาจเสียประโยชน์จากเทคโนโลยีเดียวกัน เพียงคนละทิศ
AI literacy จึงอาจกลายเป็น cumulative advantage ชนิดใหม่ คนที่เข้าใจ AI จะยิ่งใช้มันเก่งขึ้น ยิ่งใช้เก่งก็ยิ่งได้ประโยชน์มากขึ้น และยิ่งมีโอกาสเรียนรู้วิธีใช้ที่ซับซ้อนขึ้นอีก ส่วนคนที่ไม่เข้าใจอาจไม่ได้เพียงใช้ประโยชน์จากมันน้อยกว่า แต่บางครั้ง AI ยังสามารถขยายความเข้าใจผิดเดิมของเขาให้มีเหตุผลรองรับมากขึ้นเสียด้วย
แล้วเราควรเชื่อ AI แค่ไหน
คำตอบอาจไม่ใช่ “เชื่อ” หรือ “ไม่เชื่อ” แต่คำถามที่ดีกว่าคือ เรื่องนี้ควรเชื่อมันแค่ไหน
ถ้าใช้ AI ช่วยจัดรูปแบบเอกสาร เปลี่ยนสำนวน สรุปข้อความที่เราเป็นคนให้ หรือ brainstorming ความเสี่ยงจากข้อเท็จจริงผิดอาจไม่สูงมาก ถ้าใช้ค้นประวัติศาสตร์เฉพาะเรื่อง ตัวเลขทางเศรษฐกิจ ข่าวล่าสุด หรืองานวิจัย ควรดูแหล่งข้อมูล ถ้าเป็นเรื่องสุขภาพ กฎหมาย การลงทุน ชื่อเสียงของบุคคล หรือการตัดสินใจซึ่งผลของความผิดพลาดสูง การตรวจสอบแหล่งข้อมูลควรเข้มขึ้นตามไปด้วย
และถ้าถามว่าใคร “ดีที่สุด” ไม่ว่าจะเป็นหมอ ทนาย มหาวิทยาลัย ร้านอาหาร หุ้น สินค้า หรือที่ปรึกษา ควรถามต่อเสมอว่า ดีที่สุดตามเกณฑ์อะไร ข้อมูลที่ใช้เปรียบเทียบคืออะไร ระบบกำลังวัดคุณภาพจริง ๆ หรือเพียงวัดสิ่งที่หาเจอง่าย มีตัวเลือกใดถูกละเลยเพราะไม่มีข้อมูลออนไลน์มากพอหรือไม่ และถ้าเรื่องนั้นอยู่นอกความรู้ของเรามาก ๆ การขอให้ AI แสดงหลักฐานและกลับไปดู primary source ยิ่งสำคัญกว่าปกติ ไม่ใช่น้อยลง
เป้าหมายจึงไม่ใช่ทำให้ AI ไม่หลอนเลย เพราะเรายังไม่สามารถรับประกันเรื่องนั้นได้ และไม่ใช่การใช้ชีวิตด้วยความหวาดระแวงว่าทุกสิ่งที่ AI พูดเป็นเรื่องโกหก เป้าหมายคือออกแบบวิธีใช้ให้ผลของความผิดพลาดเล็กที่สุด
เทคโนโลยีทุกยุคต้องการ literacy ของมันเอง การมีหนังสือทำให้มนุษย์ต้องเรียนรู้การอ่าน อินเทอร์เน็ตทำให้เราต้องเรียนรู้การประเมินเว็บไซต์ Google ทำให้เราต้องเข้าใจว่าผลการค้นหาอันดับหนึ่งไม่ได้หมายความว่าเป็นความจริงอันดับหนึ่ง และ generative AI กำลังบังคับให้เราเรียนรู้อีกขั้นว่า คำตอบที่ดีที่สุดในเชิงภาษา ไม่จำเป็นต้องเป็นคำตอบที่ดีที่สุดในเชิงความจริง
AI ไม่ได้อันตรายเพราะมันโง่ และไม่ได้ปลอดภัยเพราะมันฉลาด สิ่งที่น่ากลัวกว่าคือเครื่องมือที่เก่งมากจนทำให้มนุษย์ลืมถามว่า มันเก่งเรื่องอะไร และไม่เก่งเรื่องอะไร
ในอนาคต คนที่ได้ประโยชน์สูงสุดจาก AI อาจไม่ใช่คนที่เชื่อมันมากที่สุด หรือคนที่สงสัยมันมากที่สุด แต่อาจเป็นคนที่รู้ว่า เมื่อไรควรเชื่อ เมื่อไรควรสงสัย และเมื่อไรต้องตรวจด้วยตัวเอง
