เมื่อซอฟต์แวร์เริ่มเขียนซอฟต์แวร์เอง

หากคุณเป็นคนส่งมอบโค้ด (ship code) งานของคุณกำลังเปลี่ยนไป

จากเดิมที่คุณต้องเขียนโค้ดเองทุกบรรทัด คุณเปลี่ยนมาใช้ autocomplete และตอนนี้ คุณเพียงแค่เขียนข้อกำหนด (specs) แล้วเฝ้าดู agent เขียน ทดสอบ และส่งมอบโค้ดแทนคุณ

สิ่งนี้ไม่ได้เกิดขึ้นเพียงชั่วข้ามคืน แต่มันคือเรื่องราวตลอด 70 ปีของการนิยามความฉลาดขึ้นใหม่

และนี่คือเส้นทางที่นำเรามาถึงจุดนี้:

  1. ยุคสัญลักษณ์ (Symbolic Era) (1950s-1980s) ความฉลาดหมายถึงตรรกะ มนุษย์เขียนกฎทุกอย่างด้วยมือโดยใช้คำสั่ง IF-THEN ระบบเหล่านี้ทำงานได้อย่างยอดเยี่ยมในขอบเขตที่จำกัด แต่ล้มเหลวในโลกแห่งความเป็นจริง เพราะพวกมันไม่สามารถเรียนรู้จากข้อมูลได้

  2. ยุคสถิติ (Statistical Era) (1990s-2000s) เราเลิกบอกกฎเกณฑ์แก่เครื่องจักร แต่เปลี่ยนเป็นการแสดงตัวอย่างให้ดูแทน เครื่องจักรใช้คณิตศาสตร์เพื่อค้นหารูปแบบในข้อมูล สิ่งนี้ทำให้เรามีตัวกรองสแปม (spam filters) และระบบแนะนำ (recommendation engines) อย่างไรก็ตาม ความฉลาดยังคงต้องพึ่งพามนุษย์ในการเลือกคุณลักษณะของข้อมูล (data features) ที่ถูกต้อง

  3. ยุคการเรียนรู้เชิงลึก (Deep Learning Era) (2012-2017) กติกาเปลี่ยนไปเมื่อมี AlexNet เราพบว่าหากคุณซ้อนทับเลเยอร์ (layers) ให้มากพอและใช้ข้อมูลที่มากพอ โมเดลจะค้นหาคุณลักษณะของมันเองได้ ไม่ต้องทำ feature engineering ด้วยมืออีกต่อไป คอมพิวเตอร์เริ่มมองเห็นและได้ยินเหมือนมนุษย์

  4. ยุค Transformer (Transformer Era) (2017-2022) สถาปัตยกรรม Transformer ช่วยให้โมเดลสามารถประมวลผลข้อความจำนวนมหาศาลได้ในคราวเดียว นำไปสู่การกำเนิด GPT ความฉลาดกลายเป็นแบบองค์ประกอบ (compositional) โมเดลเดียวสามารถเขียนบทกวี, ดีบั๊ก Python และอธิบายคณิตศาสตร์ได้ ภาษาจึงกลายเป็นอินเทอร์เฟซสำหรับทุกภารกิจ

  5. ยุคเอเจนต์ (Agentic Era) (2023-ปัจจุบัน) เรากำลังมอบ "มือ" ให้กับโมเดล เอเจนต์ไม่ได้ทำเพียงแค่ตอบคำถาม แต่มันสามารถใช้เครื่องมือ, ท่องเว็บ, รันโค้ด และแก้ไขข้อผิดพลาดของตัวเองได้ มันเปลี่ยนจากการตอบสนองแบบตั้งรับ (passive answer) ไปสู่การทำงานแบบลูปที่กระตือรือร้น (active loop)

รูปแบบนั้นชัดเจน แต่ละยุคได้ย้ายภาระงานจากมนุษย์ไปสู่เครื่องจักร

  • Symbolic AI: มนุษย์เขียนกฎ
  • Statistical ML: มนุษย์เลือกคุณลักษณะ (features)
  • Deep Learning: โมเดลเรียนรู้การแทนค่า (representations)
  • LLMs: โมเดลเรียนรู้จากอินเทอร์เน็ต
  • Agents: โมเดลวางแผนและลงมือทำ

ทุกการก้าวกระโดดคือเรื่องราวทางเศรษฐศาสตร์ด้วย เราสร้างสิ่งที่คุ้มค่าต่อการรัน เมื่อพลังการประมวลผล (compute) ถูกลง เอเจนต์ก็ฉลาดขึ้น

เราไม่ได้แค่กำลังสร้างเครื่องมือ แต่เรากำลังสร้างเพื่อนร่วมงาน

Source: https://dev.to/adamthedeveloper/when-software-started-writing-software-a-developers-history-of-ai-4p9n

ชุมชนแห่งการเรียนรู้ (ไม่บังคับ): https://t.me/GyaanSetuAi