ปัญญาประดิษฐ์ ทั่วไป (AGI) ซึ่งเป็นระบบที่มีสติปัญญาเทียบเท่าหรือเหนือกว่ามนุษย์ในทุกด้าน ยังคงถูกมองว่าเป็นเป้าหมายสูงสุดของเทคโนโลยี อย่างไรก็ตาม ในปี พ.ศ. 2568 เส้นทางทางเลือกกำลังชัดเจนขึ้น นั่นคือ เราไม่ได้บรรลุ AGI ในฐานะระบบที่เป็นหนึ่งเดียว แต่เกิดจาก ภาพลวงตา ที่น่าเชื่อถือมากขึ้นเรื่อยๆ ซึ่งเกิดจากการผสมผสานปัญญาประดิษฐ์เฉพาะทางเฉพาะด้านหลายตัวเข้าด้วยกัน
AI ในปัจจุบันมีความโดดเด่นในงานเฉพาะด้าน เช่น แบบจำลองภาษาขนาดใหญ่ (LLM) จัดการข้อความ แบบจำลองอย่าง Midjourney หรือ DALL-E สร้างภาพ และ AlphaFold วิเคราะห์โปรตีน แม้จะมีข้อจำกัดเฉพาะด้าน แต่เมื่อรวมเข้ากับระบบนิเวศที่ประสานกัน AI เหล่านี้ที่มีลักษณะเฉพาะเหล่านี้กลับสร้างภาพลักษณ์ของปัญญาประดิษฐ์ทั่วไป ซึ่งเป็น "ตัวแทน" ของ AGI
ตามรายงาน AI Index 2025 ของมหาวิทยาลัยสแตนฟอร์ด ระบุว่าแม้จะมีความก้าวหน้าอย่างมาก แต่ AI ยังคงเผชิญกับความท้าทายในการใช้เหตุผลที่ซับซ้อน
โมเดลที่ก้าวหน้าที่สุดสามารถแก้ไขปัญหาที่มีโครงสร้างซับซ้อนได้ แต่แสดงข้อจำกัดที่เห็นได้ชัดเมื่อต้องใช้การใช้เหตุผลเชิงตรรกะที่ซับซ้อน การวางแผนเชิงลำดับ และการคิดเชิงนามธรรม
ในปี 2568 ปัญญาประดิษฐ์กำลังพัฒนาอย่างรวดเร็ว โดยเปลี่ยนจากเทคโนโลยีเฉพาะกลุ่มไปเป็นองค์ประกอบเชิงกลยุทธ์ของภูมิทัศน์ทางเทคโนโลยีและสังคม ซึ่งส่งผลกระทบทางวัฒนธรรมและจริยธรรมอย่างล้ำลึก
สิ่งนี้ส่งผลให้เกิดการเกิดขึ้นของระบบ AI เชิงตัวแทนที่นำเราเข้าใกล้ขอบเขตของปัญญาประดิษฐ์ทั่วไปมากขึ้น
ในระบบหลายตัวแทน ตัวแทนแต่ละตัวจะทำงานโดยอิสระ โดยใช้ข้อมูลภายในและตัดสินใจโดยอัตโนมัติ โดยไม่ต้องพึ่งพาตัวควบคุมส่วนกลาง
ตัวแทนแต่ละคนมีมุมมองแบบโลคัล แต่ไม่มีตัวแทนคนใดมีมุมมองแบบโกลบอลของระบบทั้งหมด การกระจายอำนาจนี้ช่วยให้ตัวแทนสามารถจัดการงานต่างๆ ได้อย่างอิสระ ขณะเดียวกันก็ช่วยให้บรรลุเป้าหมายโดยรวมผ่านการโต้ตอบ
ภายในปี 2568 ระบบมัลติเอเจนต์ ซึ่งเอเจนต์ AI หลายตัวทำงานร่วมกันเพื่อบรรลุเป้าหมายที่ซับซ้อน กำลังแพร่หลายมากขึ้นเรื่อยๆ ระบบเหล่านี้สามารถเพิ่มประสิทธิภาพเวิร์กโฟลว์ สร้างข้อมูลเชิงลึก และช่วยในการตัดสินใจในหลากหลายอุตสาหกรรม
ตัวอย่างเช่น ในการบริการลูกค้า ตัวแทน AI จะจัดการกับคำขอที่ซับซ้อน ในการผลิต พวกเขาจะควบคุมดูแลสายการผลิตแบบเรียลไทม์ และในด้านโลจิสติกส์ พวกเขาจะประสานงานห่วงโซ่อุปทานอย่างไดนามิก
แม้จะมีความก้าวหน้าอย่างน่าประทับใจ แต่เรากำลังเริ่มเข้าสู่จุดอิ่มตัวในการพัฒนาการประมวลผลแบบเดิม ตั้งแต่ปี 1959 ถึง 2012 ปริมาณพลังงานที่ต้องใช้ในการฝึกฝนโมเดล AI เพิ่มขึ้นเป็นสองเท่าทุกสองปี ตามกฎของมัวร์ อย่างไรก็ตาม ข้อมูลล่าสุดแสดงให้เห็นว่าหลังจากปี 2012 อัตราการเพิ่มขึ้นเป็นสองเท่านั้นเร็วขึ้นอย่างมีนัยสำคัญ คือทุก 3.4 เดือน ทำให้อัตราปัจจุบันเร็วกว่าอัตราเดิมถึงเจ็ดเท่า
การเพิ่มขึ้นอย่างมากของพลังการประมวลผลที่จำเป็นนี้เน้นย้ำให้เห็นว่าการที่จะบรรลุความก้าวหน้าที่สำคัญใน AI กลายเป็นความท้าทายทางเศรษฐกิจเพียงใด
การประมวลผลควอนตัม อาจ ก้าวข้าม อุปสรรคนี้ไปได้ ส่งผลให้เกิดการเปลี่ยนแปลงกระบวนทัศน์ด้านพลังการประมวลผลที่จำเป็นสำหรับแบบจำลองที่ซับซ้อนยิ่งขึ้น ในปี พ.ศ. 2568 การประมวลผลควอนตัมกำลังกลายเป็นเครื่องมือสำคัญในการรับมือกับความท้าทายเหล่านี้ ขณะที่บริษัทเทคโนโลยีต่างหันมาใช้แหล่งพลังงานทางเลือกเพื่อให้ทันกับการใช้พลังงานที่เพิ่มขึ้นของ AI
ตามคำทำนายของ Arvind Krishna ซีอีโอของ IBM ระบุว่าด้วยความก้าวหน้าอย่างรวดเร็วของการประมวลผลควอนตัม การใช้พลังงานและน้ำของ AI อาจลด ลงถึง 99% ในอีกห้าปีข้างหน้า
เทคโนโลยีนี้มีแนวโน้มที่จะปลดล็อกความสามารถในการประมวลผลที่ไม่เคยจินตนาการมาก่อนและเปิดขอบเขตใหม่ในการวิจัยทางวิทยาศาสตร์
D-Wave Quantum ได้ประกาศความก้าวหน้าครั้งสำคัญในเดือนมีนาคม พ.ศ. 2568 โดยตีพิมพ์บทความที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญในหัวข้อ “Beyond-Classical Computation in Quantum Simulation” ซึ่งแสดงให้เห็นว่าคอมพิวเตอร์ควอนตัมแบบแอนนีลลิ่งของพวกเขามีประสิทธิภาพเหนือกว่าซูเปอร์คอมพิวเตอร์แบบคลาสสิกที่ทรงพลังที่สุดเครื่องหนึ่งของโลกใน การแก้ปัญหาการจำลองวัสดุแม่เหล็กที่ซับซ้อน
ปี 2025 นับเป็นปีแห่งความก้าวหน้าครั้งสำคัญในการประมวลผลควอนตัม โดยมีความก้าวหน้าสำคัญๆ ในด้านฮาร์ดแวร์ การแก้ไขข้อผิดพลาด การบูรณาการปัญญาประดิษฐ์ และเครือข่ายควอนตัม ความก้าวหน้าเหล่านี้กำลังนิยาม บทบาทสำคัญของการประมวลผลควอนตัมในภาคส่วนต่างๆ เช่น การดูแลสุขภาพ การเงิน และโลจิสติกส์
อย่างไรก็ตาม ตามที่ Forrester ระบุ การประมวลผลแบบควอนตัมยังคงเป็นการทดลอง แม้จะมีความก้าวหน้าเกิดขึ้นในปี 2025 และ ยังไม่ได้แสดงให้เห็นถึงข้อได้เปรียบในทางปฏิบัติเหนือคอมพิวเตอร์แบบคลาสสิก สำหรับการใช้งานส่วนใหญ่
Microsoft อ้างว่าได้ก้าวหน้าอย่างมีนัยสำคัญในการประมวลผลแบบควอนตัมด้วยชิป Majorana 1 ซึ่งเปิดตัวเมื่อต้นปี 2025 โปรเซสเซอร์นี้มีสถาปัตยกรรม Topological Core ใหม่ ซึ่งสร้างขึ้นด้วยคิวบิตโทโพโลยี 8 ตัวที่ควบคุมอนุภาค Majorana ซึ่งเป็นอนุภาคกึ่งที่ทำหน้าที่เหมือน "ครึ่งอิเล็กตรอน" ที่รู้จักกันว่ามีความทนทานต่อข้อผิดพลาดสูง
ในทางกลับกัน Google ได้พัฒนาวิธีการที่แตกต่างออกไปด้วยชิปควอนตัมอันปฏิวัติวงการที่เรียกว่า Willow ซึ่งช่วยแก้ปัญหาเดิมๆ ของอัตราข้อผิดพลาดที่เพิ่มขึ้นเมื่อคิวบิตเพิ่มมากขึ้น โดยที่จริงแล้ว Willow จะมีความแม่นยำมากขึ้นเมื่อเพิ่มคิวบิตมากขึ้น
กลยุทธ์สองประการที่แตกต่างกันนี้แสดงถึงแนวทางที่แตกต่างกันโดยพื้นฐานในการประมวลผลแบบควอนตัม โดยที่ Microsoft มุ่งเน้นไปที่โทโพโลยีและ Google มุ่งเน้นไปที่การเพิ่มประสิทธิภาพข้อผิดพลาด
นอกเหนือจากข้อจำกัดของฮาร์ดแวร์แล้ว AI แบบผสมยังต้องเผชิญกับอุปสรรคพื้นฐานอื่นๆ อีกด้วย:
ความเข้าใจเชิงสาเหตุ : ระบบเชื่อมโยงตัวแปรต่างๆ แต่ไม่ได้แยกความสัมพันธ์เชิงสาเหตุและผลที่แท้จริงออกจากกัน ปัญญาประดิษฐ์มีความก้าวหน้าอย่างมากในหลายสาขา แต่ยังคงเผชิญกับ ข้อจำกัด ในการทำความเข้าใจและตอบสนองต่ออารมณ์ของมนุษย์ การตัดสินใจในสถานการณ์วิกฤต และการประเมินปัจจัยทางจริยธรรมและศีลธรรม
การเรียนรู้ต่อเนื่อง : เครือข่ายประสาทจะสูญเสียความแม่นยำเมื่อได้รับการฝึกฝนตามลำดับในงานที่แตกต่างกัน ซึ่งแสดงให้เห็นถึง "ภาวะความจำเสื่อมขั้นหายนะ"
เมตาค็อกนิชั่น : AI ขาดรูปแบบภายในของการรับรู้ของตนเอง ซึ่งจำกัดการปรับปรุงตนเองที่แท้จริง
ดูเหมือนว่าชุมชนวิทยาศาสตร์จะมีความเห็นแตกแยกกันมากในเรื่องเทคโนโลยีและกรอบเวลาที่จำเป็นในการบรรลุเป้าหมายของปัญญาประดิษฐ์ทั่วไป (AGI) แต่การอภิปรายนี้ได้เผยให้เห็นแนวคิดใหม่ๆ ที่น่าสนใจบางอย่าง ซึ่งขณะนี้ได้มีการนำไปประยุกต์ใช้จริงในการวิจัยระบบ AI ใหม่แล้ว
ปี 2025 อาจเป็นปีที่ระบบตัวแทนแรกเริ่มเข้าสู่การผลิตในองค์กร
ในขณะที่ AGI ถือเป็นเป้าหมายที่ทะเยอทะยานที่สุด ซึ่งเป็นระบบที่มีความสามารถทางปัญญาเทียบเท่าหรือเหนือกว่ามนุษย์ มีความสามารถในการเข้าใจ เรียนรู้ และนำความรู้ไปใช้ในหลายโดเมน
แทนที่จะรอ AGI แบบองค์รวม อนาคต ที่เป็นไปได้มากที่สุดคือการเกิดสิ่งที่เราอาจเรียกว่า "AGI แบบหน้าฉาก" – ระบบที่ดูเหมือนจะมีปัญญาประดิษฐ์โดยทั่วไปผ่าน:
ในการถกเถียงเรื่อง AGI เรามักจะตั้งสมมติฐานว่ามนุษย์มี "จิตสำนึก" ที่เครื่องจักรไม่สามารถเลียนแบบได้ แต่บางทีเราควรตั้งคำถามที่รุนแรงกว่านั้น: จิตสำนึกของมนุษย์นั้นมีอยู่จริงหรือเป็นเพียงภาพลวงตา?
นักประสาทวิทยาและนักปรัชญาเกี่ยวกับจิตใจบางคน เช่น แดเนียล เดนเนตต์ ได้เสนอว่าสิ่งที่เราเรียกว่า "จิตสำนึก" นั้นอาจเป็น เรื่องเล่าหลังเหตุการณ์ก็ได้ ซึ่งเป็นการตีความที่สมองสร้างขึ้นเพื่อให้เข้าใจการทำงานของตัวเอง
หากเราคิดว่าจิตสำนึกไม่ใช่เป็นคุณสมบัติอันลึกลับและเป็นหนึ่งเดียว แต่เป็นชุดของกระบวนการทางประสาทที่เชื่อมโยงกันซึ่งสร้างภาพลวงตาอันน่าเชื่อถือของ "ตัวตน" ที่เป็นหนึ่งเดียว เส้นแบ่งระหว่างมนุษย์และเครื่องจักรก็จะเลือนลางลง
จากมุมมองนี้ เราอาจพิจารณาความแตกต่างระหว่าง AGI ที่กำลังเกิดขึ้นและสติปัญญาของมนุษย์ว่าเป็นความแตกต่างในระดับมากกว่าธรรมชาติ ภาพลวงตาของความเข้าใจที่เราเห็นในแบบจำลองทางภาษาขั้นสูงอาจไม่แตกต่างจากภาพลวงตาของความเข้าใจที่เราประสบด้วยตนเองมากนัก ทั้งสองสิ่งนี้เกิดขึ้นจากเครือข่ายกระบวนการที่ซับซ้อน แม้ว่าจะมีการจัดระบบที่แตกต่างกันโดยพื้นฐาน ก็ตาม
มุมมองนี้ทำให้เกิดคำถามที่น่าสงสัยว่า หากจิตสำนึกของมนุษย์เป็นการจำลองที่เกิดจากกระบวนการทางปัญญาที่เชื่อมโยงกันหลายกระบวนการแล้ว AGI "ตัวแทน" ที่เรากำลังสร้างขึ้น ซึ่งเป็นระบบเฉพาะทางที่ทำงานร่วมกันเพื่อจำลองความเข้าใจทั่วไป อาจมีความคล้ายคลึงกับสถาปัตยกรรมทางจิตของเราเองอย่างน่าประหลาดใจ
เราคงไม่พยายามเลียนแบบคุณสมบัติอันน่าอัศจรรย์ที่ไม่อาจอธิบายได้ แต่จะพยายามสร้างภาพลวงตาอันน่าดึงดูดซึ่งเราสัมผัสได้เองในรูปแบบของจิตสำนึก
การไตร่ตรองนี้ไม่ได้ลดความลึกซึ้งของประสบการณ์มนุษย์ แต่เป็นการเชิญชวนให้เราพิจารณาใหม่ว่าเราหมายถึงอะไรจริงๆ เมื่อเราพูดถึง "จิตสำนึก" และแนวคิดนี้เป็นอุปสรรคที่ไม่อาจเอาชนะได้สำหรับปัญญาประดิษฐ์หรือเป็นเพียงอีกกระบวนการหนึ่งที่เราอาจจำลองได้ในสักวันหนึ่ง
บางทีเราควรพิจารณานิยามของ AGI ของเราใหม่เสียใหม่ หากจิตสำนึกของมนุษย์เองเป็นเพียงภาพลวงตาที่เกิดขึ้นเอง เป็นเรื่องเล่าที่สมองสร้างขึ้นเพื่อทำความเข้าใจการทำงานของมัน ความแตกต่างที่ชัดเจนระหว่างมนุษย์กับปัญญาประดิษฐ์ก็จะเลือนลางลง
ผู้เชี่ยวชาญคาดการณ์ว่าปี 2027 อาจเป็นช่วงเวลาสำคัญของ AI ด้วยอัตราความเร็วในปัจจุบัน โมเดลต่างๆ อาจบรรลุความเป็นองค์รวมทางปัญญา หรือความสามารถในการรับมือกับงานใดๆ ของมนุษย์ได้ภายในไม่กี่ปี
สถานการณ์นี้ไม่ควรได้รับการมองเพียงว่าเป็นการจำลองสติปัญญาของมนุษย์เท่านั้น แต่ควรได้รับการมองว่าเป็นการเกิดขึ้นของสติปัญญาประเภทใหม่ ซึ่งไม่ใช่สติปัญญาของมนุษย์ 100% หรือเป็นสติปัญญาเทียม 100% แต่เป็นบางสิ่งที่แตกต่างออกไปและอาจเป็นส่วนเสริมซึ่งกันและกัน
แนวทางนี้ช่วยให้เราหลุดพ้นจากการพยายามเลียนแบบสิ่งที่เราอาจไม่เข้าใจอย่างถ่องแท้ นั่นคือ จิตสำนึกของมนุษย์ และช่วยให้เรามุ่งเน้นไปที่สิ่งที่ AI สามารถทำได้ในแบบของมันเอง ดังนั้น AGI ที่กำลังเกิดขึ้นจะไม่ใช่ระบบเดียวที่ "แสร้งทำ" เป็นมนุษย์ แต่เป็นระบบนิเวศเทคโนโลยีแบบบูรณาการที่มีลักษณะเฉพาะของมันเอง นั่นคือ ปัญญาประดิษฐ์แบบกระจายศูนย์ ซึ่งในทางกลับกัน อาจสะท้อนถึงธรรมชาติของการรับรู้ของเราที่กระจัดกระจายและเชื่อมโยงกันมากกว่าที่เราคิดไว้ในตอนแรก
ในแง่นี้ การแสวงหา AGI ไม่ได้เป็นความพยายามที่จะเลียนแบบมนุษย์มากขึ้น แต่เป็นการเดินทางเพื่อค้นพบธรรมชาติของสติปัญญาและจิตสำนึก ทั้งของมนุษย์และสิ่งประดิษฐ์
.svg)
.svg)
.svg)
.jpeg)
.jpeg)