RL 1: รากฐานทางชีวภาพและกฎแห่งผลกระทบ (1898-1949)
ย้อนรอยประวัติศาสตร์วงการปัญญาประดิษฐ์จากเรื่องเล่าของแมวหิวและสุนัขของปัฟลอฟ สู่จุดเริ่มต้นของกฎแห่งผลกระทบและแนวคิดการเรียนรู้ของเครื่อง
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- การเรียนรู้เสริมกำลังมีรากฐานมาจากนักจิตวิทยาตั้งแต่ปี 1898 โดยไม่มีการเขียนโค้ด
- เอ็ดเวิร์ด ธอร์นไดค์ ค้นพบกฎแห่งผลกระทบจากการทดลองขังแมวในลังไม้
- อีวาน ปัฟลอฟ เผยแพร่แนวคิดการตอบสนองต่อสัญญาณเตือนล่วงหน้าก่อนได้รับรางวัล
- แนวคิดพื้นฐาน 6 ประการถูกค้นพบโดยการสังเกตพฤติกรรมสัตว์เป็นเวลาหลายทศวรรษ
ก่อนหน้ายุคของจีพียู ข่ายงานประสาท หรือแม้แต่ทรานซิสเตอร์ โลกเคยมีแมวหิวตัวหนึ่งถูกขังอยู่ในลังไม้พยายามเอื้อมอุ้งเท้าคว้าปลาที่วางอยู่ด้านนอก ตัวละครหลักของยุคสมัยนี้ไม่ใช่วิศวกร แต่เป็นกลุ่มนักจิตวิทยาที่ใช้สัตว์ทดลองเพื่อค้นหาคำตอบว่าทำไมสิ่งมีชีวิตจึงแสดงพฤติกรรมต่างๆ ออกมา
คนกลุ่มนี้ไม่เคยเขียนโค้ดแม้แต่บรรทัดเดียวและไม่ได้พยายามสร้างปัญญาประดิษฐ์ขึ้นมา ทว่าในช่วงเวลาห้าสิบปีระหว่างปี 1898 ถึงปี 1949 พวกเขาได้ร่วมกันถอดรหัสวงจรหลักที่ระบบการเรียนรู้เสริมกำลังยุคใหม่ยังคงใช้งานอยู่ บทความนี้คือเรื่องราวของช่วงเวลานั้น โดยยังไม่มีเรื่องคณิตศาสตร์เข้ามาเกี่ยวข้อง มีเพียงแค่ตัววงจรและบุคคลสี่คนที่ค้นพบชิ้นส่วนประกอบของมัน
โครงสร้างพื้นฐานของการเรียนรู้เสริมกำลังคือระบบที่เรียนรู้ผ่านการลงมือทำแล้วดูผลลัพธ์ที่เกิดขึ้น ไม่ใช่จากการถูกบอกคำตอบที่ถูกต้องโดยตรง แต่ผ่านการลองผิดลองถูกและปรับปรุงแก้ไข ตัวผู้เรียนจะถูกเรียกว่าตัวแทนหรือเอเจนต์ ส่วนสิ่งรอบตัวทั้งหมดคือสภาพแวดล้อม วงจรการทำงานจะเริ่มดำเนินไปตามขั้นตอนที่เกี่ยวโยงกัน
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
การทำความเข้าใจรากฐานทางประวัติศาสตร์ของการเรียนรู้เสริมกำลังช่วยให้เราตระหนักว่า อัลกอริทึม AI ที่ซับซ้อนในปัจจุบันไม่ได้เกิดขึ้นจากสูตรคณิตศาสตร์ลอยๆ แต่มีรากฐานมาจากการศึกษาพฤติกรรมสัตว์ที่ใช้เวลาหลายทศวรรษในการสังเกตและบันทึกข้อมูลอย่างเป็นระบบ ซึ่งสะท้อนถึงหลักการปรับตัวพื้นฐานของสิ่งมีชีวิตที่ยังคงใช้ได้ผลกับปัญญาประดิษฐ์ในปัจจุบัน
เอเจนต์จำเป็นต้องมีนโยบาย ซึ่งเป็นกลยุทธ์สำหรับการเลือกการทำกิจกรรม ไม่ใช่บทบาทที่ตายตัวแต่เป็นกฎคร่าวๆ ที่บอกว่าในสถานการณ์รูปแบบนี้ควรทำกิจกรรมลักษณะใด นอกจากนี้ยังต้องมีสำนึกในเรื่องมูลค่าเพื่อประเมินว่าสถานการณ์ขณะนั้นดีเพียงใด โดยไม่ได้อิงจากรางวัลที่อยู่ตรงหน้าในทันที แต่วัดจากสิ่งที่จะนำไปสู่ในอนาคต
ในคริสต์ศักราช 1898 นักศึกษาปริญญาโทนามว่า เอ็ดเวิร์ด ธอร์นไดค์ รู้สึกหงุดหงิดกับวรรณกรรมเกี่ยวกับสัตว์ในยุคของเขาที่เต็มไปด้วยเรื่องเล่าชวนประทับใจเกี่ยวกับสุนัขที่เข้าใจกลอนประตูหรือแมวที่เปิดลูกบิดประตูได้ ธอร์นไดค์สงสัยว่าผู้คนกำลังยกย่องสัตว์เลี้ยงของตนมากเกินไป สัตว์ไม่ได้ใช้เหตุผลแต่กำลังทำสิ่งอื่นที่ไม่มีใครวัดผลอย่างจริงจัง
รูปแบบการทดลองนั้นเรียบง่ายอย่างไม่น่าเชื่อ โดยใส่แมวหิวลงไปในลังไม้ขนาดเล็ก ประตูจะเปิดออกก็ต่อเมื่อแมวตัวนั้นดึงห่วงเชือก เหยียบกันชน หรือกดคันโยก โดยมีปลาวางอยู่ด้านนอกในระยะที่มองเห็นได้ จากนั้นธอร์นไดค์ก็เริ่มจับเวลาด้วยนาฬิกาจับเวลา การทดลองรอบแรกเต็มไปด้วยความโกลาหล เมื่อแมวข่วนลูกกรง ยื่นอุ้งเท้าออกตามช่องว่าง กัดสิ่งของ ส่งเสียงร้อง และตะกุยทุกอย่างที่ขยับได้ จนกระทั่งผ่านไปไม่กี่นาทีของการดิ้นรน มันบังเอิญไปโดนคันโยก ประตูจึงเปิดออกพร้อมกับรางวัลเป็นปลา
"หากการกระทำตามมาด้วยสถานการณ์ที่น่าพอใจ ความผูกพันระหว่างสถานการณ์และการกระทำนั้นจะแน่นแฟ้นยิ่งขึ้น หากตามมาด้วยความอึดอัด ความผูกพันจะอ่อนแอลง"
เอ็ดเวิร์ด ธอร์นไดค์
ในการทดลองรอบที่ยี่สิบ แมวเดินเข้าไปกดคันโยกทันทีแล้วเดินออกไปอย่างสบายใจ สิ่งที่ธอร์นไดค์สังเกตเห็นและเป็นประเด็นสำคัญคือ ไม่เคยมีช่วงเวลาที่เกิดปัญญาญาณขึ้นอย่างกะทันหัน หากแมวใช้เหตุผลเกี่ยวกับคันโยก ระยะเวลาในการหลบหนีควรจะลดลงฮวบทันที แต่กราฟระยะเวลาเทียบกับจำนวนรอบการทดลองกลับแสดงเส้นโค้งที่ค่อยๆ ลดลงอย่างช้าๆ พฤติกรรมไร้ประโยชน์ค่อยๆ เลือนหายไปในขณะที่พฤติกรรมที่มีประโยชน์ทำได้เร็วขึ้น
ที่มา: Dev.to
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น