WEBVTT

00:00:00.880 --> 00:00:04.893
เคยเป็นว่าถ้าอยากได้คอมพ์ มาทำอะไรที่ใหม่ๆ

00:00:04.893 --> 00:00:06.447
คุณก็ต้องโปรแกรมมัน

00:00:06.447 --> 00:00:09.858
ครับ การทำโปรแกรม 
สำหรับคนที่ยังไม่เคยทำเอง

00:00:09.858 --> 00:00:13.360
ก็ต้องวางแผนรายละเอียด
อย่างเลือดตาแทบกระเด็น

00:00:13.360 --> 00:00:16.727
ในทุกขั้นตอน ที่คุณต้องการให้คอมพิวเตอร์ทำ

00:00:16.727 --> 00:00:19.089
เพื่อให้บรรลุเป้าหมายของคุณ

00:00:19.089 --> 00:00:22.585
ถ้าต้องการทำสิ่งที่คุณเองไม่รู้วิธีทำแล้ว

00:00:22.585 --> 00:00:24.648
ก็จะเป็นเรื่องท้าทายที่ยิ่งใหญ่ ที่ชายชื่อ

NOTE Paragraph

00:00:24.648 --> 00:00:28.131
อาร์เธอร์ แซมวล ก็เผชิญมาแล้วในอดีต

00:00:28.131 --> 00:00:32.208
ปี 1956 เขาอยากจะให้คอมพิวเตอร์เครื่องนี้

00:00:32.208 --> 00:00:34.548
เอาชนะเขาได้ ในเกมหมากฮอส

00:00:34.548 --> 00:00:36.588
จะเขียนโปรแกรมโดยวางรายละเอียด

00:00:36.588 --> 00:00:40.394
อย่างเลือดตาแทบกระเด็น 
ให้เหนือกว่าคุณในเกม ได้อย่างไร

00:00:40.394 --> 00:00:42.116
ดังนั้น เขาจึงเกิดความคิดใหม่ขึ้นมา

00:00:42.116 --> 00:00:45.840
เขาให้คอมพ์เล่นแข่งกับตัวเอง หลายพันครั้ง

00:00:45.840 --> 00:00:48.364
และให้มันเรียนรู้ ที่จะเล่นเกมหมากฮอส

00:00:48.364 --> 00:00:51.544
และมันก็ได้ผลจริง ๆ และตอนปี 1962

00:00:51.544 --> 00:00:55.561
คอมพ์เครื่องนี้ เล่นชนะแชมป์รัฐคอนเนตทิคัต

NOTE Paragraph

00:00:55.561 --> 00:00:58.534
อาร์เธอร์ แซมวล ถือว่าเป็นบิดา
ของการเรียนรู้ของเครื่อง

00:00:58.534 --> 00:01:00.251
ผมเป็นหนี้เขาอย่างใหญ่หลวง เพราะ

00:01:00.251 --> 00:01:03.014
ผมเป็นผู้ปฏิบัติงาน ด้านเครื่องเรียนรู้นี้

00:01:03.014 --> 00:01:04.479
อดีตผมเป็นประธานกลุ่มแค็กเกิล

00:01:04.479 --> 00:01:07.867
เป็นกลุ่มคนกว่า 2 แสนคนที่ทำงานด้านนี้

00:01:07.867 --> 00:01:09.925
แค็กเกิลจัดการแข่งขัน เพื่อพยายามให้

00:01:09.925 --> 00:01:13.633
เครื่องเหล่านั้นแก้ปัญหาที่แก้ไม่ได้มาก่อน

00:01:13.633 --> 00:01:17.470
และก็ประสบผลสำเร็จมาแล้วหลายร้อยครั้ง

00:01:17.470 --> 00:01:19.940
ดังนั้น จากมุมมองที่กว้างขวางนี้
ผมจึงได้ค้นพบ

00:01:19.940 --> 00:01:23.890
เรื่องการเรียนรู้ของเครื่องอีกมากมาย 
ที่พวกมันทำได้


00:01:23.890 --> 00:01:26.252
ในอดีต ปัจจุบัน และอนาคต 
ส่วนความสำเร็จเชิงพาณิชย์

00:01:26.252 --> 00:01:30.675
ที่ยิ่งใหญ่ครั้งแรกของเรื่องนี้ อาจคือ

00:01:30.675 --> 00:01:33.784
กูเกิลที่ให้เห็นว่าเป็นไปได้ที่จะค้นข้อมูล

00:01:33.784 --> 00:01:35.536
โดยใช้วิธีการทางคอมพิวเตอร์

00:01:35.536 --> 00:01:38.437
ซึ่งมีพื้นฐานมาจาก การเรียนรู้ของเครื่อง

00:01:38.437 --> 00:01:42.323
แต่นั้นมา มีความสำเร็จเชิงพาณิชย์อีกมาก

00:01:42.323 --> 00:01:44.160
บริษัท อย่างเช่น แอมะซอน และ เน็ตฟลิกส์

00:01:44.160 --> 00:01:47.876
ใช้การเรียนรู้ของเครื่อง เพื่อแนะนำสินค้า

00:01:47.876 --> 00:01:49.896
ที่คุณอาจอยากซื้อ ภาพยนตร์ที่อาจอยากดู

00:01:49.896 --> 00:01:51.703
บางครั้ง ก็เกือบทำให้ขนลุก

00:01:51.703 --> 00:01:53.657
บริษัทอย่างเช่น ลิงด์อิน และเฟสบุก

00:01:53.657 --> 00:01:56.251
บางครั้งจะบอกว่า ใครอาจเป็นเพื่อนของคุณ

00:01:56.251 --> 00:01:58.228
และคุณก็คิดไม่ออกเลยว่า มันทำได้อย่างไร

00:01:58.228 --> 00:02:01.195
นี่ก็เพราะ มันใช้พลังการเรียนรู้ของเครื่อง

00:02:01.195 --> 00:02:04.152
เป็นวิธีการทางคอมพ์ ที่เรียนรู้วิธีทำได้

00:02:04.152 --> 00:02:07.399
จากข้อมูล แทนโปรแกรม ที่ต้องใช้มือทำ

NOTE Paragraph

00:02:07.399 --> 00:02:09.877
สิ่งนี่ยังทำให้ IBM สำเร็จในการทำให้

00:02:09.877 --> 00:02:13.739
วัทสัน ชนะแชมป์โลกสองคนใน "เจเพอะดี" โชว์

00:02:13.739 --> 00:02:16.964
โดยตอบคำถามที่ลึกลับซับซ้อนเหลือเชื่อ เช่น

00:02:16.964 --> 00:02:19.799
["ของโบราณ 'สิงโตแห่งนิมรัต' 
หายไปจากพิพิธภัณฑ์ในปี 2003]

00:02:19.799 --> 00:02:23.034
ยังให้เราเห็นในขณะนี้ รถพวกแรกที่ขับได้เอง

00:02:23.034 --> 00:02:25.856
ถ้าคุณต้องการจะบอกความแตกต่างระหว่าง เช่น

00:02:25.856 --> 00:02:28.488
ต้นไม้กับคนเดินถนน ครับ นั่นมันสำคัญมาก

00:02:28.488 --> 00:02:31.075
เราไม่รู้วิธีเขียนโปรแกรมเหล่านั้น ด้วยมือ

00:02:31.075 --> 00:02:34.072
แต่จากการเรียนรู้ของเครื่อง มันเป็นไปได้

00:02:34.072 --> 00:02:36.680
ความจริงแล้ว รถคันนี้ขับมาแล้วกว่าล้านไมล์

00:02:36.680 --> 00:02:40.186
โดยไม่เกิดอุบัติเหตุ บนถนนปกติ

NOTE Paragraph

00:02:40.196 --> 00:02:44.110
ขณะนี้เราจึงรู้ว่า เครื่องคอมพ์เรียนรู้ได้

00:02:44.110 --> 00:02:46.010
คอมพิวเตอร์เรียนรู้ ที่จะทำสิ่งต่างๆที่

00:02:46.010 --> 00:02:48.848
บางครั้งเราไม่รู้จริงๆ ว่าจะทำเองอย่างไร

00:02:48.848 --> 00:02:51.733
หรือบางทีมันอาจจะทำได้ ดีกว่าเราเสียอีก

00:02:51.733 --> 00:02:55.928
ตัวอย่างหนึ่งที่น่าทึ่งที่สุด ที่ผมเคยเห็น

00:02:55.928 --> 00:02:58.320
เกิดขึ้นในโครงการที่ผมทำ ที่แคกเกิล

00:02:58.320 --> 00:03:01.911
ในทีมงานที่นำโดยหนุ่มชื่อ เจฟฟรี ฮินตัน

00:03:01.911 --> 00:03:03.463
จากมหาวิทยาลัยโทรอนโต

00:03:03.463 --> 00:03:06.140
เขาชนะการแข่งขัน การค้นพบยาโดยอัตโนมัติ

00:03:06.140 --> 00:03:08.987
ความพิเศษคือ ไม่ใช่เพียงเอาชนะวิธีทั้งหมด

00:03:08.987 --> 00:03:13.000
ที่พัฒนาโดย เมอร์ค, กลุ่มวิชาการนาๆชาติ

00:03:13.000 --> 00:03:18.061
แต่ไม่มีใครในทีมมีพื้นทางเคมี 
หรือชีววิทยาศาสตร์

00:03:18.061 --> 00:03:20.230
และพวกเขาทำให้ชนะได้ ในสองสัปดาห์

00:03:20.230 --> 00:03:21.611
พวกเขาทำได้อย่างไรหรือ

00:03:22.421 --> 00:03:25.342
เขาใช้วิธีคอมพ์ที่เรียกว่า การเรียนรู้ลึก
(deep learning)

00:03:25.342 --> 00:03:28.291
เรื่องนี้สำคัญมากจนกระทั่ง 
ความสำเร็จนี้ได้พิมพ์ในหน้าหนึ่ง

00:03:28.291 --> 00:03:31.412
ของนิวยอร์คไทม์ 2-3 อาทิตย์ต่อมา

00:03:31.412 --> 00:03:34.147
นี่คือ เจฟฟรี่ ฮินตัน ตรงนี้ด้านซ้ายมือ

00:03:34.147 --> 00:03:38.488
การเรียนรู้ลึก เป็นวิธีการทางคอมพ์ที่นำ

00:03:38.488 --> 00:03:40.300
วิธีทำงานของสมองคนมา ผลคือ เป็นวิธีที่

00:03:40.300 --> 00:03:44.141
ไม่มีข้อจำกัดทางทฤษฎีว่า มันทำอะไรได้บ้าง

00:03:44.141 --> 00:03:46.964
ยิ่งให้ข้อมูลมัน ยิ่งให้เวลาคำนวณมากขึ้น

00:03:46.964 --> 00:03:48.276
มันก็จะทำงานได้ดียิ่งขึ้น

NOTE Paragraph

00:03:48.276 --> 00:03:50.615
นิวยอร์คไทม์ ยังแสดงให้เห็นในบทความนี้

00:03:50.615 --> 00:03:52.857
ถึงผลลัพท์พิเศษอีกอย่างของ การเรียนรู้ลึก

00:03:52.857 --> 00:03:55.569
ซึ่งผมจะแสดงให้คุณดู เดี๋ยวนี้

00:03:55.569 --> 00:04:00.510
มันแสดงว่า คอมพ์ฟังรู้เรื่องและเข้าใจได้

NOTE Paragraph

00:04:00.510 --> 00:04:03.221
(วิดีโอ) ริชาร์ด ราชิด: ครับ ขั้นสุดท้าย

00:04:03.221 --> 00:04:06.246
ที่ผมอยากจะทำให้ได้ ในกระบวนการนี้

00:04:06.246 --> 00:04:10.961
คือ พูดกับคุณจริงๆ เป็นภาษาจีน

00:04:10.961 --> 00:04:13.596
ครับ สิ่งสำคัญในเรื่องนี้ก็คือ เราสามารถ

00:04:13.596 --> 00:04:18.598
เอาข้อมูลจำนวนมากมาได้ จากคนพูดจีนหลายๆคน

00:04:18.598 --> 00:04:21.128
และทำ "ระบบเนื้อหา-คำพูด" ออกมา, ระบบนี้จะ

00:04:21.128 --> 00:04:25.801
เอาข้อความภาษาจีนมา เปลี่ยนให้เป็นภาษาจีน

00:04:25.801 --> 00:04:29.929
แล้วก็เอาเสียงของผมเอง ราวหนึ่ง ช.ม

00:04:29.929 --> 00:04:31.820
แล้วใช้เสียงมาปรับระบบเนื้อหา-คำพูด

00:04:31.820 --> 00:04:36.364
เพื่อที่จะให้มีเสียงเหมือนผม

00:04:36.364 --> 00:04:38.904
อีกนั่นแหละ ผลที่ได้ไม่ดีเลิศนัก

00:04:38.904 --> 00:04:41.552
จริงๆแล้ว มีข้อผิดพลาดหลายอย่าง

00:04:41.552 --> 00:04:44.036
(ภาษาจีน)

00:04:44.036 --> 00:04:47.403
(เสียงปรบมือ)

00:04:49.446 --> 00:04:53.022
ยังมีสิ่งที่ต้องทำอีกมาก ในเรื่องนี้

00:04:53.022 --> 00:04:56.667
(ภาษาจีน)

00:04:56.667 --> 00:05:00.100
(เสียงปรบมือ)

NOTE Paragraph

00:05:01.345 --> 00:05:04.744
เจเรมี่ เฮาวาร์ด: นั่นเป็นการประชุมที่จีน

00:05:04.744 --> 00:05:07.114
จริงๆ ไม่บ่อยนัก ในการประชุมทางวิชาการ

00:05:07.114 --> 00:05:09.011
ที่จะได้ยินคนปรบมือเอง พร้อมเพรียงกัน

00:05:09.011 --> 00:05:12.687
แต่แน่ว่า บางครั้งในการประชุม TEDx
จงทำตามใจชอบ

00:05:12.687 --> 00:05:15.482
ทุกสิ่งที่เห็นที่นั่นเกิดจากการเรียนรู้ลึก

00:05:15.482 --> 00:05:17.007
(เสียงปรบมือและหัวเราะ) 
ขอบคุณครับ

00:05:17.007 --> 00:05:19.289
การถอดเป็นภาษาอังกฤษทำโดยการเรียนรู้ลึก

00:05:19.289 --> 00:05:22.701
ซึ่งแปลเป็นภาษาจีนและข้อความด้านบนขวา

00:05:22.701 --> 00:05:26.008
การสร้างเสียงก็เป็นการเรียนรู้ลีก เช่นกัน

NOTE Paragraph

00:05:26.008 --> 00:05:29.242
การเรียนรู้ลึกจึงเป็นสิ่งพิเศษ

00:05:29.242 --> 00:05:32.341
เป็นวิธีเดียวทางคอมพ์ที่ทำได้เกือบทุกอย่าง

00:05:32.341 --> 00:05:35.452
ผมพบปีที่แล้วว่า มันเรียนที่จะเห็นได้ด้วย

00:05:35.452 --> 00:05:37.628
ในการแข่งขันที่ไม่ค่อยรู้จัก 
ในเยอรมนี ชื่อ

00:05:37.628 --> 00:05:40.225
เยอรมันแทร็ฟฟิกซายน์เรคอกนิชั่นเบนช์มาร์ก

00:05:40.225 --> 00:05:43.618
การเรียนรู้ลึก เรียนรู้จำสัญญาณจราจรนี้

00:05:43.618 --> 00:05:45.712
ไม่เพียงแค่ รู้จำสัญญาณจราจรได้ดีกว่า

00:05:45.712 --> 00:05:47.470
วิธีการอื่นๆทางคอมพิวเตอร์ เท่านั้น

00:05:47.470 --> 00:05:50.189
ป้ายคะแนนนแสดงว่า จริง ๆ แล้ว

00:05:50.189 --> 00:05:52.041
มันดีกว่าคนประมาณสองเท่า

00:05:52.041 --> 00:05:54.037
ดังนั้น โดยปี 2011 เราจึงมีตัวอย่างแรก

00:05:54.037 --> 00:05:57.442
ของคอมพิวเตอร์ ที่สามารถมองเห็นได้ดีกว่าคน

00:05:57.442 --> 00:05:59.491
ตั้งแต่นั้นมา สิ่งต่างๆมากมายได้เกิดขึ้น

00:05:59.491 --> 00:06:03.005
ปี 2012 กูเกิลแจ้งว่า ได้ให้การเรียนรู้ลึก

00:06:03.005 --> 00:06:04.420
ดูยูทูบวิดีโอ ขบเคี้ยวข้อมูล

00:06:04.420 --> 00:06:07.857
จากคอมพิวเตอร์ 16,000 เครื่องอยู่ 1 เดือน

00:06:07.857 --> 00:06:12.218
และคอมพ์ก็เรียนรู้ได้เองถึงแนวความคิด

00:06:12.218 --> 00:06:14.027
เช่น คนกับแมว เพียงดูแค่วิดีโอเท่านั้น

00:06:14.027 --> 00:06:16.379
สิ่งนี้เหมือนวิธีที่มนุษย์เรียนรู้อย่างมาก

00:06:16.379 --> 00:06:19.119
มนุษย์ไม่ได้เรียนโดยให้คนอื่นบอกว่า 
เขาเห็นอะไร

00:06:19.119 --> 00:06:22.450
แต่โดยเรียนด้วยตนเองว่า ของเหล่านี้คืออะไร

00:06:22.450 --> 00:06:25.819
ปี 2012 เจฟฟรี่ ฮินตัน ที่เราเห็นตอนต้น

00:06:25.819 --> 00:06:28.677
ยังชนะการแข่ง อิมเมจเน็ด ที่มีชื่อมาก ซึ่ง

00:06:28.677 --> 00:06:32.818
พยายามหาวิธีคิด จากภาพล้านห้าแสนภาพ

00:06:32.818 --> 00:06:34.256
ว่า ภาพเหล่านี้เป็นภาพอะไร

00:06:34.256 --> 00:06:37.789
ถึงปี 2014 นี้ เราลดอัตราผิดจนเหลือ 6%

00:06:37.789 --> 00:06:39.242
ในการรู้จำภาพได้

00:06:39.242 --> 00:06:41.268
นี่ก็ดีกว่าคนอีกเหมือนกัน

NOTE Paragraph

00:06:41.268 --> 00:06:45.037
เครื่องจึงทำงานได้ดีพิเศษจริง ในเรื่องนี้

00:06:45.037 --> 00:06:47.306
และขณะนี้ก็กำลังมีการนำไปใช้ ในอุตสาหกรรม

00:06:47.306 --> 00:06:50.348
เช่น กูเกิลประกาศเมื่อปีที่แล้ว ว่า

00:06:50.348 --> 00:06:54.933
ได้ทำแผนที่ทุกๆตำแหน่งในฝรั่งเศสใน 2 ช.ม

00:06:54.933 --> 00:06:58.380
และวิธีที่พวกเขาทำนั้น คือ ใส่ภาพถนนเข้าไป

00:06:58.380 --> 00:07:02.699
ในการเรียนรู้ลึก เพื่อให้รู้จำและอ่านเลขถนน

00:07:02.699 --> 00:07:04.919
ลองจินตนาการดู แต่ก่อนจะใช้เวลานานแค่ไหน

00:07:04.919 --> 00:07:08.274
ใช้คนมากมายหลายคน หลายปี

00:07:08.274 --> 00:07:10.185
เรื่องนี้ก็กำลังเกิดขึ้นในจีนด้วย

00:07:10.185 --> 00:07:14.221
ไบดู เป็นเหมือนกับกูเกลของจีน และ

00:07:14.221 --> 00:07:16.504
ที่คุณเห็น ตรงด้านบนซ้ายมือ คือ ตัวอย่าง

00:07:16.504 --> 00:07:20.478
รูปที่ผมใส่เข้าไป ในระบบเรียนรู้ลึกของไบดู

00:07:20.478 --> 00:07:24.247
ตรงข้างล่าง คุณจะเห็นได้ว่า ระบบเข้าใจได้

00:07:24.247 --> 00:07:26.483
ว่าเป็นภาพอะไร และค้นพบภาพที่เหมือนกัน

00:07:26.483 --> 00:07:29.219
ซึ่งจริงๆแล้ว คือมีแบ็กกราวเหมือนกัน

00:07:29.219 --> 00:07:30.877
หันหน้าไปทิศทางเดียวกัน

00:07:30.877 --> 00:07:32.665
แม้กระทั่ง บางรูปที่แลบลิ้นออกมา

00:07:32.665 --> 00:07:35.695
นี่ไม่ใช่มองที่ เนื้อหาเว็บเพจอย่างแน่นอน

00:07:35.695 --> 00:07:37.107
ผมส่งเพียงแต่รูป ๆ เดียวเท่านั้น

00:07:37.107 --> 00:07:41.128
ขณะนี้มีคอมพ์ ที่เข้าใจสิ่งที่มันเห็นจริงๆ

00:07:41.128 --> 00:07:42.752
จึงสามารถค้นหาฐานข้อมูลได้

00:07:42.752 --> 00:07:46.306
เป็นหลายร้อยล้านภาพ ในเวลาสั้นๆ

NOTE Paragraph

00:07:46.306 --> 00:07:49.536
อะไรจะเกิดขึ้น เมื่อมีคอมพ์ที่มองเห็นได้

00:07:49.536 --> 00:07:51.553
แต่ไม่ใช่แค่มองเห็นได้เท่านั้น

00:07:51.553 --> 00:07:53.622
จริงๆแล้ว การเรียนรู้ลึก ทำได้มากกว่านั้น

00:07:53.622 --> 00:07:56.570
ประโยคที่ต่างกันน้อยมาก ซับซ้อน อย่างนี้

00:07:56.570 --> 00:07:59.394
ขณะนี้เข้าใจได้แล้ว ด้วยวิธีการเรียนรู้ลึก

00:07:59.394 --> 00:08:00.697
อย่างที่คุณเห็นตรงนี้

00:08:00.697 --> 00:08:03.465
ระบบฐานสแตนฟอร์ดนี้ แสดงจุดสีแดงด้านบนสุด

00:08:03.465 --> 00:08:07.384
คิดออกว่า ประโยคนี้แสดงอารมณ์เชิงลบ


00:08:07.384 --> 00:08:10.790
จริงๆการเรียนรู้ลึก ใกล้สมรรถภาพมนุษย์แล้ว

00:08:10.802 --> 00:08:15.923
เข้าใจได้ว่า ประโยคบอกเรื่องอะไร
และมีความหมายอะไร

00:08:15.923 --> 00:08:18.651
การเรียนรู้ลึก ยังนำไปใช้เพื่ออ่านภาษาจีน

00:08:18.651 --> 00:08:21.807
อีกนั่นแหละ ประมาณระดับคนจีนพื้นเมือง

00:08:21.807 --> 00:08:23.975
วิธีการทางคอมพ์นี้ ได้พัฒนาออกมาจากสวิสฯ

00:08:23.975 --> 00:08:27.331
โดยคนที่ไม่มีใครพูดหรือเข้าใจภาษาจีนเลย

00:08:27.331 --> 00:08:29.382
อย่างที่ผมบอก การใช้การเรียนรู้ลึก

00:08:29.382 --> 00:08:31.601
เกือบเป็นระบบที่ดีที่สุดในโลก สำหรับงานนี้

00:08:31.601 --> 00:08:36.718
แม้เมื่อเปรียบกับความเข้าใจของคนพื้นบ้าน

NOTE Paragraph

00:08:36.718 --> 00:08:39.682
นี่เป็นระบบที่เราประกอบขึ้นมา 
ที่บริษัทของผม

00:08:39.682 --> 00:08:41.728
ซึ่งให้เห็นการเอาสิ่งทั้งหลายเข้ามารวมกัน

00:08:41.728 --> 00:08:44.189
พวกนี้ให้เห็นภาพ ที่ไม่มีข้อความกำกับ

00:08:44.189 --> 00:08:46.541
และขณะที่ผมพิมพ์ประโยคอยู่ตรงนี้

00:08:46.541 --> 00:08:49.510
ในเวลาสั้นๆ มันก็เข้าใจรูปเหล่านี้

00:08:49.510 --> 00:08:51.189
และคิดออกได้ว่า มันเป็นเรื่องอะไร

00:08:51.189 --> 00:08:54.352
และไปหาภาพ ที่เหมือนกับข้อความที่ผมเขียน

00:08:54.352 --> 00:08:57.108
จึงเห็นได้ เป็นความเข้าใจประโยคของผมจริงๆ

00:08:57.108 --> 00:08:59.332
เป็นความเข้าใจภาพเหล่านี้จริง

00:08:59.332 --> 00:09:01.891
ผมรู้ว่า คุณเคยเห็นแบบนี้ในกูเกิลแล้ว

00:09:01.891 --> 00:09:04.666
ที่คุณพิมพ์ข้อความ แล้วมันจะแสดงภาพออกมา

00:09:04.666 --> 00:09:08.090
แต่จริงๆสิ่งที่มันทำคือ หาข้อความในเว็บเพจ

00:09:08.090 --> 00:09:11.091
เรื่องนี้ต่างกันมาก กับการเข้าใจภาพพวกนั้น

00:09:11.091 --> 00:09:13.843
นี่เป็นสิ่งที่คอมพ์สามารถทำได้

00:09:13.843 --> 00:09:17.091
เป็นครั้งแรก ในไม่กี่เดือนที่ผ่านมานี้

NOTE Paragraph

00:09:17.091 --> 00:09:21.182
ขณะนี้จึงเห็นได้ว่า คอมพ์ไม่ได้แค่เห็น แต่

00:09:21.182 --> 00:09:24.947
อ่านได้ด้วย และเราก็ให้เห็นว่า 
มันก็เข้าใจสิ่งที่มันได้ยิน

00:09:24.947 --> 00:09:28.389
อาจไม่น่าแปลกใจ ถ้าจะบอกว่า มันก็เขียนได้

00:09:28.389 --> 00:09:33.172
ประโยคนี้ผมสร้างเมื่อวาน ใช้การเรียนรู้ลึก

00:09:33.172 --> 00:09:37.096
ข้อความนี้ สร้างโดยวิธีคอมพ์ของสแตนฟอร์ด

00:09:37.096 --> 00:09:38.860
แต่ละประโยคสร้างขึ้น

00:09:38.860 --> 00:09:43.109
โดยวิธีการเรียนรู้ลึก เพื่ออธิบายภาพนั้นๆ

00:09:43.109 --> 00:09:47.581
แต่ก่อนวิธีการคอมพ์ ไม่เคยเห็นชายเสื้อดำ
กำลังเล่นกีต้าร์

00:09:47.581 --> 00:09:49.801
แต่มันเคยเห็นผู้ชาย เคยเห็นสีดำ

00:09:49.801 --> 00:09:51.400
เคยเห็นกีต้าร์ แต่ด้วยตัวมันเอง

00:09:51.400 --> 00:09:55.694
ได้สร้างการอธิบายภาพนี้ในแนวใหม่

00:09:55.694 --> 00:09:59.196
ยังคงไม่เหมือนมนุษย์ทีเดียว แต่ก็ใกล้แล้ว

00:09:59.196 --> 00:10:03.264
ในการทดสอบ มนุษย์ชอบคำบรรยายสร้างโดยคอมพ์

00:10:03.264 --> 00:10:04.791
หนึ่งในสี่ครั้ง

00:10:04.791 --> 00:10:06.855
ปัจจุบัน ระบบนี้มีอายุแค่ 2 สัปดาห์

00:10:06.855 --> 00:10:08.701
ดังนั้น บางที ภายในปีหน้า

00:10:08.701 --> 00:10:11.502
วิธีทางคอมพ์ อาจไปไกลเกินหน้าการปฏิบัติงาน

00:10:11.502 --> 00:10:13.364
ของมนุษย์ ที่อัตราที่กำลังเป็นอยู่นี้

00:10:13.364 --> 00:10:16.413
คอมพิวเตอร์ จึงสามารถเขียนได้ด้วย

NOTE Paragraph

00:10:16.413 --> 00:10:19.888
รวมๆแล้ว ก็จะเห็นโอกาสทีน่าตื่นเต้นมาก

00:10:19.888 --> 00:10:21.380
ตัวอย่างเช่น ในทางการแพทย์

00:10:21.380 --> 00:10:23.905
ทีมงานในบอสตัน ประกาศว่าพวกเขาได้ค้นพบ

00:10:23.905 --> 00:10:26.854
ลักษณะต่าง ๆ มากมาย
ที่เกี่ยวข้องกับการรักษา

00:10:26.854 --> 00:10:31.120
เนื้องอก ที่ช่วยแพทย์ทายอาการมะเร็ง

00:10:32.220 --> 00:10:34.516
และที่เหมือนกันอย่างมาก ที่สแตนฟอร์ด

00:10:34.516 --> 00:10:38.179
กลุ่มที่นั่นประกาศว่า 
โดยดูเนื้อเยื่อขยายแล้ว

00:10:38.179 --> 00:10:40.560
ได้พัฒนาระบบจากการเรียนรู้ของเครื่องขึ้นมา

00:10:40.560 --> 00:10:43.142
ซึ่งจริงๆ ดีกว่าแพทย์พยาธิวิทยา 
ในการทำนาย

00:10:43.142 --> 00:10:47.519
อัตราการรอดชีวิต ของคนไข้โรคมะเร็ง

00:10:47.519 --> 00:10:50.764
ทั้งสองกรณี ไม่เพียงการคาดเดาถูกต้องกว่า

00:10:50.764 --> 00:10:53.266
แต่ยังทำให้เกิดความเข้าใจใหม่
ทางวิทยาศาสตร์

00:10:53.276 --> 00:10:54.781
คือทางรังสีวิทยา มีการพบ

00:10:54.781 --> 00:10:57.876
ตัวบ่งชี้ทางการรักษาแบบใหม่ ที่คนเข้าใจได้

00:10:57.876 --> 00:10:59.668
ส่วนทางพยาธิวิทยานี้ จริงๆแล้ว

00:10:59.668 --> 00:11:04.168
ระบบคอมพ์ได้ค้นพบว่า เซลล์รอบๆมะเร็ง

00:11:04.168 --> 00:11:07.508
สำคัญเท่าๆกับเซลล์มะเร็งเอง

00:11:07.508 --> 00:11:09.260
ในการวินิจฉัย นี้ตรงข้ามกับ

00:11:09.260 --> 00:11:14.621
สิ่งที่พยาธิแพทย์ ได้รับสอนมาหลายทศวรรษ

00:11:14.621 --> 00:11:17.913
ในทั้งสองกรณี ระบบพัฒนาขึ้นโดย

00:11:17.913 --> 00:11:21.534
ผู้เชี่ยวชาญทางแพทย์ร่วมกับ
ผู้เชี่ยวชาญการเรียนรู้ของเครื่อง

00:11:21.534 --> 00:11:24.275
แต่เริ่มแต่ปีที่แล้ว เราได้ไปไกลกว่านั้น

00:11:24.275 --> 00:11:27.824
นี่เป็นตัวอย่าง ของการระบุพื้นที่ของมะเร็ง

00:11:27.824 --> 00:11:30.354
ในเนื้อเยื่อมนุษย์ จากกล้องจุลทรรศน์

00:11:30.354 --> 00:11:34.967
ระบบที่แสดงอยู่นี้ 
ระบุพื้นที่ได้แม่นยำกว่า

00:11:34.967 --> 00:11:37.742
หรือเกือบจะเท่ากับพยาธิแพทย์ แต่ทั้งหมดนี้

00:11:37.742 --> 00:11:41.134
สร้างด้วยการเรียนรู้ลึก 
โดยคนที่ไม่มีความเชี่ยวชาญ

00:11:41.134 --> 00:11:43.660
หรือพื้นเพทางการแพทย์เลย

00:11:44.730 --> 00:11:47.285
นี่ก็เหมือนกัน การแบ่งส่วนประสาท, ขณะนี้

00:11:47.285 --> 00:11:50.953
เราแยกเซลล์ประสาทได้ แม่นยำเทียมเท่ามนุษย์

00:11:50.953 --> 00:11:53.670
แต่ระบบนี้พัฒนาขึ้น ด้วยการเรียนรู้ลึก

00:11:53.670 --> 00:11:56.921
โดยคนที่ไม่มีพื้นฐานด้านการแพทย์

NOTE Paragraph

00:11:56.921 --> 00:12:00.148
ดังนั้นผมเอง ผู้ไม่มีพื้นฐานด้านการแพทย์

00:12:00.148 --> 00:12:03.875
ก็เหมือนมีคุณสมบัติพร้อม ที่จะเริ่มบริษัท

00:12:03.875 --> 00:12:06.021
ทางการแพทย์ใหม่ขึ้นมา ซึ่งผมก็ได้ทำแล้ว

00:12:06.021 --> 00:12:07.761
ผมรู้สึกหวาดหวั่นบ้างที่จะทำ

00:12:07.761 --> 00:12:10.650
แต่ตามทฤษฎีแล้ว ดูจะแนะว่า น่าจะเป็นไปได้

00:12:10.650 --> 00:12:16.142
ที่จะทำการแพทย์ที่มีประโยชน์มาก โดยใช้แค่
เทคนิควิเคราะห์ข้อมูลนี้

00:12:16.142 --> 00:12:18.622

และผมโชคดี ที่ได้การตอบรับที่ดีเยี่ยม

00:12:18.622 --> 00:12:20.978
จากทั้งสื่อและกลุ่มทางการแพทย์

00:12:20.978 --> 00:12:23.322
ที่ให้การสนับสนุนมาอย่างมาก

00:12:23.322 --> 00:12:27.471
ทฤษฎีคือ เราสามารถเอาส่วนกลาง
ของกระบวนการทางแพทย์

00:12:27.471 --> 00:12:30.364
กลับมันเป็นวิเคราะห์ข้อมูล มากเท่าที่ทำได้

00:12:30.364 --> 00:12:33.429
ทิ้งให้แพทย์ทำ ในสิ่งที่เขาทำได้ดีที่สุด

00:12:33.429 --> 00:12:35.031
ผมอยากจะยกตัวอย่างหนึ่ง ปัจจุบัน

00:12:35.031 --> 00:12:39.975
เราใช้เพียง 15 นาที เพื่อ
สร้างการทดสอบวินิจฉัยโรคขึ้นมาใหม่

00:12:39.975 --> 00:12:41.929
ผมจะแสดงให้ดูตามเวลาจริง แต่ผม

00:12:41.929 --> 00:12:45.416
บีบมันลงเหลือสามนาที โดยตัดบางชิ้นออกไป

00:12:45.416 --> 00:12:48.477
แทนที่จะแสดง การสร้างการทดสอบวินิจฉัยโรค

00:12:48.477 --> 00:12:51.846
ผมจะแสดง การทดสอบการวินิจฉัยภาพรถแทน

00:12:51.846 --> 00:12:54.068
เพราะว่า มันเป็นสิ่งที่เราทุกคนเข้าใจได้

NOTE Paragraph

00:12:54.068 --> 00:12:57.269
ตรงนี้ เราจึงจะเริ่มด้วยภาพรถ 1.5 ล้านคัน

00:12:57.269 --> 00:13:00.475
และผมอยากจะสร้างอะไรบางอย่าง 
ที่จะแยกมันออก

00:13:00.475 --> 00:13:02.698
เป็นมุมมองของภาพที่ถ่าย ภาพพวกนี้

00:13:02.698 --> 00:13:06.586
ไม่ได้มีป้ายบอกเลย 
ผมจึงต้องเริ่มจากไม่มีอะไร

00:13:06.586 --> 00:13:08.451
แต่ด้วยวิธีการคอมพ์การเรียนรู้ลึกของเรา

00:13:08.451 --> 00:13:12.158
มันจะระบุพื้นที่โครงสร้างในภาพได้อัตโนมัติ

00:13:12.158 --> 00:13:15.778
ส่วนดีคือ คนและคอมพ์ทำงานด้วยกันได้

00:13:15.778 --> 00:13:17.956
มนุษย์ อย่างที่เห็นตรงนี้ จะบอกคอมพ์ถึง

00:13:17.956 --> 00:13:20.631
พื้นที่ที่น่าสนใจ ที่ต้องการให้คอมพ์

00:13:20.631 --> 00:13:25.281
พยายามใช้ เพื่อจะได้ปรับปรุงวิธีการของมัน

00:13:25.281 --> 00:13:29.577
ระบบการเรียนรู้ลึกนี้ แท้จริงอยู่ในปริภูมิ

00:13:29.577 --> 00:13:33.009
16000 มิติ จึงเห็นคอมพ์หมุนไปตาม

00:13:33.009 --> 00:13:35.001
ปริภูมินั้น พยายามหาพื้นที่โครงสร้างใหม่

00:13:35.001 --> 00:13:36.782
เมื่อมันทำได้สำเร็จตามนั้น แล้วคนที่

00:13:36.782 --> 00:13:40.786
ขับมันอยู่ ก็จะชี้พื้นที่ที่น่าสนใจ

00:13:40.786 --> 00:13:43.208
ตรงนี้ คอมพ์พบพื้นที่ได้สำเร็จ

00:13:43.208 --> 00:13:45.770
ตัวอย่างเช่น มุมมองต่าง ๆ

00:13:45.770 --> 00:13:47.376
ดังนั้น ขณะที่เราผ่านกระบวนการนี้

00:13:47.376 --> 00:13:49.716
เราก็ค่อยๆบอกคอมพ์เพิ่มขึ้นเรื่อยๆ

00:13:49.716 --> 00:13:52.144
เกี่ยวกับแบบโครงสร้าง ที่เราต้องการค้นหา

00:13:52.144 --> 00:13:53.916
คุณคงจินตนาการได้ เช่น การทดสอบวินิจฉัย

00:13:53.916 --> 00:13:57.266
ก็จะเป็นพยาธิแพทย์ ที่จะระบุบริเวณผิดปกติ

00:13:57.266 --> 00:14:02.292
หรือรังสีแพทย์ ชี้บอกตุ่มที่น่าจะเป็นปัญหา

00:14:02.292 --> 00:14:04.851
บางที ก็ยากเหมือนกันสำหรับวิธีทางคอมพ์นี้

00:14:04.851 --> 00:14:06.815
ในกรณีนี้ มันคล้ายกับจะสับสน

00:14:06.815 --> 00:14:09.365
ด้านหน้าและด้านหลังของรถนั้น ปนเปกันไปหมด

00:14:09.365 --> 00:14:11.437
ตรงนี้ เราจึงต้องระวังมากขึ้นอีกหน่อย

00:14:11.437 --> 00:14:14.669
ใช้มือเลือก ส่วนใดเป็นหน้า ส่วนใดเป็นหลัง

00:14:14.669 --> 00:14:20.175
แล้วบอกคอมพ์นั้นว่า นี่เป็นแบบของกลุ่ม

00:14:20.175 --> 00:14:21.523
ที่เราสนใจอยู่

NOTE Paragraph

00:14:21.523 --> 00:14:24.200
เราต้องทำอย่างนี้ไปเรื่อย ๆ แต่เราจะข้ามไป

00:14:24.200 --> 00:14:26.446
แล้วเราก็จะฝึกเครื่องเรียนรู้

00:14:26.446 --> 00:14:28.420
อาศัยสิ่งของจำนวนมากมายเหล่านี้

00:14:28.420 --> 00:14:30.445
เราหวังว่า มันดีขึ้นมากแล้ว คุณจะเห็นได้

00:14:30.445 --> 00:14:33.518
ตอนนี้ มันได้เริ่มทำให้บางภาพค่อยๆหายไป

00:14:33.518 --> 00:14:38.226
มันรู้จำวิธีเข้าใจเรื่องนี้ด้วยตัวเองบ้างแล้ว

00:14:38.226 --> 00:14:41.128
แล้วเราจึงใช้ความรู้เรื่องภาพเหมือนนี้

00:14:41.128 --> 00:14:43.222
และการใช้ภาพเหมือนนั้น ตอนนี้จะเห็นได้

00:14:43.222 --> 00:14:47.241
ณ.จุดนี้คอมพ์ สามารถหารถส่วนหน้าทั้งหมด

00:14:47.241 --> 00:14:50.189
ดังนั้น ที่จุดนี้ คนจะบอกคอมพ์นั้นได้ว่า

00:14:50.189 --> 00:14:52.482
ตกลง ใช่แล้ว เธอทำงานเรื่องนี้ได้ดีแล้ว

NOTE Paragraph

00:14:53.652 --> 00:14:55.837
บางครั้ง แน่นอนครับ แม้กระทั่ง ที่จุดนี้

00:14:55.837 --> 00:14:59.511
ก็ยังคงยาก ที่จะแยกออกมาเป็นกลุ่มๆ

00:14:59.511 --> 00:15:03.395
กรณีนี้ แม้หลังจากให้คอมพ์หมุนไปสักครู่

00:15:03.399 --> 00:15:06.744
เราก็ยังคงพบว่า ด้านซ้ายและขวาของภาพ

00:15:06.744 --> 00:15:08.222
ก็ปนเปกันไปหมด

00:15:08.222 --> 00:15:10.362
ดังนั้นเราจึงให้คำแนะนำแก่คอมพ์อีก

00:15:10.362 --> 00:15:13.338
เราบอกว่า ใช่ พยายามหาการฉายภาพ ที่จะแยก

00:15:13.338 --> 00:15:15.945
ด้านซ้าย/ขวาออกจากกัน ให้มากเท่าที่จะทำได้

00:15:15.945 --> 00:15:18.067
โดยใช้วิธีการเรียนรู้ลึกทางคอมพ์

00:15:18.067 --> 00:15:21.009
เมื่อให้คำแนะนำนั้นแล้ว ก็ประสบความสำเร็จ

00:15:21.009 --> 00:15:23.891
มันก็หาวิธีคิด เกี่ยวกับวัตถุพวกนี้ได้

00:15:23.891 --> 00:15:26.271
นั่นคือ วิธีแยกสิ่งเหล่านี้

NOTE Paragraph

00:15:26.271 --> 00:15:28.709
คุณคงจะพอเข้าใจเรื่องนี้

00:15:28.709 --> 00:15:36.906
เรื่องนี้ ไม่ใช่มนุษย์ถูกแทนที่ด้วยคอมพ์

00:15:36.906 --> 00:15:39.546
แต่เป็นเรื่องที่ พวกเขาทำงานอยู่ด้วยกัน

00:15:39.546 --> 00:15:43.096
สิ่งที่เราทำจะใช้แทนสิ่งที่เคยใช้ทีมงาน

00:15:43.096 --> 00:15:45.098
ห้าหรือหกคน นานประมาณเจ็ดปี

00:15:45.098 --> 00:15:47.703
แล้วเอาสิ่งที่ทำได้ใน 15 นาที มาแทน

00:15:47.703 --> 00:15:50.208
โดยมีคนหนึ่งคน ปฏิบัติงานคนเดียว

NOTE Paragraph

00:15:50.208 --> 00:15:54.158
กระบวนการนี้ ใช้การวนซํ้าราว 4 - 5 ครั้ง

00:15:54.158 --> 00:15:56.017
คุณเห็นได้ว่า ตอนนี้เราได้ 62% ของภาพ

00:15:56.017 --> 00:15:58.976
1.5 ล้านภาพ แยกประเภทแล้วอย่างถูกต้อง

00:15:58.976 --> 00:16:01.448
ณ. จุดนี้ เราเริ่มจะคว้ามาได้อย่างรวดเร็ว

00:16:01.448 --> 00:16:02.745
ที่เป็นส่วนใหญ่ๆทั้งหมด

00:16:02.745 --> 00:16:05.664
ตรวจเช็คตลอด เพื่อให้แน่ใจว่าไม่มีอะไรผิด

00:16:05.664 --> 00:16:09.616
หากมี เราก็ให้คอมพ์รู้ข้อผิดพลาดเหล่านั้น

00:16:09.616 --> 00:16:12.661
การใช้กระบวนการนี้ ในแต่ละกลุ่มที่ต่างกัน

00:16:12.661 --> 00:16:15.148
ปัจจุบันนี้ เรามีอัตราความสำเร็จ ถึง 80%

00:16:15.148 --> 00:16:17.563
ในการแยกประเภทภาพ 1.5 ล้านภาพนั้น

00:16:17.563 --> 00:16:19.641
ณ. จุดนี้ เหลือแต่งานที่ต้องหา

00:16:19.641 --> 00:16:23.220
ภาพจำนวนเล็กน้อย ที่ถูกแบ่งประเภทผิด

00:16:23.220 --> 00:16:26.108
และต้องพยายามเข้าใจว่า เป็นเพราะเหตุใด

00:16:26.108 --> 00:16:27.851
และการใช้วิธีดังกล่าวนั้น

00:16:27.851 --> 00:16:31.972
เพียง 15 นาที เราก็ได้อัตราการแบ่งถึง 97% 
ถูกต้อง

NOTE Paragraph

00:16:31.972 --> 00:16:36.572
เทคนิคแบบนี้ จะช่วยแก้ไขปัญหาสำคัญ

00:16:36.578 --> 00:16:39.614
คือ การขาดผู้เชี่ยวชาญทางการแพทย์ในโลก

00:16:39.614 --> 00:16:43.103
การประชุมเศรษฐกิจโลก บอกว่า มีการขาดแพทย์

00:16:43.103 --> 00:16:45.727
อยู่ระหว่าง 10 และ 20 เท่า ในโลกกำลังพัฒนา

00:16:45.727 --> 00:16:47.840
และจะใช้เวลาราว 300 ปี

00:16:47.840 --> 00:16:50.734
เพื่อฝึกคนให้ได้พอ ที่จะแก้ปัญหานั้น

00:16:50.734 --> 00:16:53.619
คิดดู ถ้าเราช่วยเพิ่มประสิทธิภาพพวกเขาได้

00:16:53.619 --> 00:16:56.458
โดยใช้วิธีการเรียนรู้ลึกเหล่านี้

NOTE Paragraph

00:16:56.458 --> 00:16:58.690
ผมจึงตื่นเต้นมาก เกี่ยวกับโอกาสเหล่านี้

00:16:58.690 --> 00:17:01.279
แต่ผมก็ยังห่วงใยในปัญหาที่จะตามมาด้วย

00:17:01.279 --> 00:17:04.403
ปัญหาตรงนี้คือ ทุกบริเวณสีนํ้าเงินบนแผนที่

00:17:04.403 --> 00:17:08.172
เป็นการจ้างงานแบบบริการถึง 80%


00:17:08.172 --> 00:17:09.959
แล้วยอาชีพบริการคืออะไร

00:17:09.959 --> 00:17:11.473
เหล่านี้คืองานบริการ เป็นสิ่งที่

00:17:11.473 --> 00:17:15.627
ตรงเผงกับสิ่งที่คอมพ์เพิ่งจะเรียนรู้วิธีทำ

00:17:15.627 --> 00:17:19.431
ดังนั้น 80% ของการจ้างงานในโลกที่พัฒนาแล้ว

00:17:19.431 --> 00:17:21.963
จึงเป็นสิ่งที่คอมพ์ เพิ่งจะเรียนรู้วิธีทำ

00:17:21.963 --> 00:17:23.403
อะไรจะเกิดขึ้น

00:17:23.403 --> 00:17:25.986
ผลจะโอเค คือจะมีงานอื่น ๆ เกิดขึ้นมาแทน

00:17:25.986 --> 00:17:28.693
จะมีงานสำหรับนักวิทยาศาสตร์ข้อมูลเพิ่มขึ้น

00:17:28.693 --> 00:17:29.510
แต่...ก็ไม่เชิง

00:17:29.510 --> 00:17:32.628
พวกเขาไม่ต้องใช้เวลานานนัก ทำงานเหล่านี้

00:17:32.628 --> 00:17:35.880
เช่น วิธีคอมพ์ 4 วิธีนี้ 
สร้างได้โดยคนๆเดียว

00:17:35.880 --> 00:17:38.318
แต่ถ้าคิดว่า ทั้งหมดก็เคยเกิดขึ้นมาก่อนนี่

00:17:38.318 --> 00:17:42.126
เราได้เห็นผลจากอดีต เมื่อเกิดสิ่งใหม่ๆมา

00:17:42.126 --> 00:17:44.378
คือเกิดงานใหม่ๆ มาแทนงานเก่า

00:17:44.378 --> 00:17:46.494
แล้วงานใหม่ๆเหล่านี้ จะเป็นงานอะไร

00:17:46.494 --> 00:17:48.365
มันยากมากที่เราจะประมาณการณ์เรื่องนี้ได้

00:17:48.365 --> 00:17:51.104
เพราะการทำงานของคน โตได้ในอัตราทีละน้อยนี้

00:17:51.104 --> 00:17:53.666
แต่ปัจจุบันเรามีระบบ คือการเรียนรู้ลึก

00:17:53.666 --> 00:17:56.893
ซึ่งจริง ๆ สมรรถภาพโตได้อย่างมากและรวดเร็ว

00:17:56.893 --> 00:17:58.498
และตอนนี้เราอยู่ที่จุดนั้นแล้ว

00:17:58.498 --> 00:18:00.559
ดังนั้น ปัจจุบัน เราจึงเห็นสิ่งรอบๆตัวเรา

00:18:00.559 --> 00:18:03.235
และก็บอกว่า "คอมพ์ยังคงทึ่ม" ใช่มั๊ยครับ

00:18:03.235 --> 00:18:06.664
แต่ในเวลา 5 ปี คอมพ์จะออกนอกแผนภูมินี้ไป

00:18:06.664 --> 00:18:10.529
เราจึงจำเป็นต้องเริ่มคิดถึงสมรรถภาพ
ของคอมพ์ เสียแต่เดี๋ยวนี้

NOTE Paragraph

00:18:10.529 --> 00:18:12.579
เราได้เห็นมาก่อนครั้งหนึ่งแล้ว

00:18:12.579 --> 00:18:13.966
ในการปฏิวัติอุตสาหกรรม

00:18:13.966 --> 00:18:16.817
เห็นการเปลี่ยนไปขั้นหนึ่ง ในเรื่องสมรรถภาพ

00:18:17.667 --> 00:18:20.805
เครื่องยนต์ แต่ไม่นานก็รักษาระดับได้

00:18:20.805 --> 00:18:22.507
ถึงมีการแตกแยกทางสังคม

00:18:22.507 --> 00:18:25.946
แต่เมื่อใช้เครื่องยนต์เพื่อสร้างพลังงาน

00:18:25.946 --> 00:18:28.300
ในทุกสถานการณ์ ความยุ่งยากก็สงบลง

00:18:28.300 --> 00:18:29.773
ส่วนการปฏิวัติเพราะการเรียนรู้ของเครื่อง

00:18:29.773 --> 00:18:32.682
จะต่างไปจาก การปฏิวัติอุตสาหกรรมอย่างมาก

00:18:32.682 --> 00:18:35.632
เพราะปฏิวัติการเรียนรู้ของเครื่อง จะไม่

00:18:35.632 --> 00:18:38.614
ปักหลักกับที่ ยิ่งคอมพ์ทำงานชาญฉลาดขึ้น

00:18:38.614 --> 00:18:42.862
มันก็ยิ่งสร้างคอมพ์ที่สมรรภภาพฉลาดยิ่งขึ้น

00:18:42.862 --> 00:18:44.770
เรื่องนี้ จึงจะเป็นการเปลี่ยนแปลงชนิดที่

00:18:44.770 --> 00:18:47.248
แท้จริงแล้ว โลกไม่เคยประสบมาก่อน ดังนั้น

00:18:47.248 --> 00:18:50.554
ความเข้าใจก่อนๆในเรื่องที่เป็นไปได้ 
จึงต่างไป

NOTE Paragraph

00:18:50.974 --> 00:18:52.754
เรื่องนี้กำลังส่งผลกระทบกับเราแล้ว

00:18:52.754 --> 00:18:56.384
25 ปีที่ผ่านมา ขณะที่ประสิทธิภาพการลงทุน
ได้เพิ่มขึ้น

00:18:56.400 --> 00:19:00.588
ประสิทธิภาพทางแรงงานกลับราบเรียบ 
กระทั่งตํ่าลงเล็กน้อย

NOTE Paragraph

00:19:01.408 --> 00:19:04.149
ผมจึงอยากให้เรา มาเริ่มอภิปรายเรื่องนี้กัน

00:19:04.149 --> 00:19:07.176
ผมรู้ เมื่อผมบอกคนบ่อยๆ เรื่องสถานการณ์นี้

00:19:07.176 --> 00:19:08.666
ผู้คนก็จะไม่ค่อยยอมรับฟัง

00:19:08.666 --> 00:19:10.339
จริงอยู่ คอมพ์คิดไม่เป็น

00:19:10.339 --> 00:19:13.367
คอมพ์ไม่แสดงอารมณ์ มันไม่เข้าใจกวีนิพนธ์

00:19:13.367 --> 00:19:15.888
จริงๆแล้ว เราไม่เข้าใจว่า มันทำงานอย่างไร

00:19:15.888 --> 00:19:17.374
แล้วยังไงครับ?

00:19:17.374 --> 00:19:19.178
คอมพ์ปัจจุบันนี้ สามารถทำสิ่งที่

00:19:19.178 --> 00:19:21.897
มีการจ้างมนุษย์ให้ใช้เวลาส่วนมากทำ

00:19:21.897 --> 00:19:23.628
ขณะนี้ จึงถึงเวลาแล้ว ที่จะเริ่มคิด

00:19:23.628 --> 00:19:28.015
วิธีที่เราจะปรับโครงสร้างสังคมและเศรษฐกิจ

00:19:28.015 --> 00:19:29.855
โดยคำนึงถึง ความเป็นจริงใหม่นี้

00:19:29.855 --> 00:19:31.388
ขอบคุณครับ

00:19:31.388 --> 00:19:32.190
(เสียงปรบมือ)