เมื่อวันก่อน ผมขอให้ Generative AI "สรุปจุดอ่อนของ Generative AI"
ผมให้มันค้นคว้าจุดแข็งและจุดอ่อนเชิงโครงสร้างของ Generative AI โดยอ้างอิงจากงานวิจัยและบทความล่าสุด
ผลลัพธ์ที่ได้ดูดีในพริบตาแรก มีการระบุจุดอ่อน 13 ข้ออย่างละเอียด พร้อมอ้างอิงงานวิจัย เช่น ภาพหลอน (hallucinations) การใช้เหตุผลเชิงสาเหตุที่อ่อนแอ และการใช้เหตุผลทางคณิตศาสตร์ที่เปราะบาง
แต่ผมกลับรู้สึกอึดอัดแปลกๆ ขณะอ่านมัน
"นี่มันแค่รายการสุ่มๆ ใช่ไหม?"
รายการที่ออกมาจริงๆ เป็นแบบนี้:
1. ภาพหลอน (Hallucinations) 2. การใช้เหตุผลเชิงสาเหตุที่อ่อนแอ 3. การใช้เหตุผลทางคณิตศาสตร์ที่เปราะบาง 4. การล่มสลายของโมเดลการใช้เหตุผล 5. ภาพลวงตาแห่งความเข้าใจ 6. ความสามารถในการคิดเชิงนามธรรมที่อ่อนแอ 7. อคติในข้อมูลฝึกสอน 8. การตัดความรู้ ณ จุดเวลาใดเวลาหนึ่ง (Knowledge cutoff) 9. การประจบประแจง (Sycophancy) ...... (และอื่นๆ รวม 13 ข้อ)
จุดอ่อนทั้ง 13 ข้อถูกเรียงกันแบบเคียงข้างกัน บางข้อซ้อนทับกัน และบางมุมมองก็หายไป แต่ AI ไม่ได้สนใจ มันแค่เรียงลำดับตามที่มันเจอ มันให้ความรู้สึก... เอาจริงๆ ก็คือ สะเพร่า
แล้วผมก็คิดได้
ผลลัพธ์นี้เองที่แสดงให้เห็นถึงจุดอ่อนของ Generative AI อย่างสมบูรณ์แบบ
Generative AI นั้นเก่งในการรวบรวมและเรียงลำดับข้อมูล ในทางกลับกัน มันแย่ในการ "จัดโครงสร้างข้อมูลที่รวบรวมมาในลักษณะ MECE (Mutually Exclusive, Collectively Exhaustive) และจัดระเบียบให้เป็นระบบระดับสูง" ผมเข้าใจว่านี่คือจุดอ่อนเชิงโครงสร้างที่เกิดจากกลไกของ Generative AI เอง
ทำไมผมถึงตัดสินใจเขียนบทความนี้?
ทำไมผมถึงต้องคิดว่า "ผมต้องอธิบายจุดอ่อนพื้นฐานของ Generative AI ให้เป็นคำพูด"?
ก็เพราะว่าผมมีโอกาสมากขึ้นในการมีส่วนร่วมในโปรเจกต์ที่นำหรือสนับสนุนการใช้ Generative AI ในบริษัทและสถาบันการศึกษา
ในบริบทนั้น เพื่อสร้างระบบ AI ที่สามารถใช้งานได้จริงในสถานที่ทำงาน ผมตระหนักว่าการกำหนดขอบเขตหน้าที่อย่างเคร่งครัด—"AI ไปได้ไกลแค่ไหน และมนุษย์ต้องรับช่วงต่อตรงไหน"—คือแกนหลักที่แท้จริงของการออกแบบทางธุรกิจ
หากความเข้าใจของคุณยังอยู่แค่ระดับ "ไม่รู้ว่าทำไม แต่พอปรับ prompt แบบนี้แล้วมันได้ผล" คุณจะไม่สามารถรับประกันความสามารถในการทำซ้ำในการสร้างระบบ AI ได้ ซึ่งเป็นปัญหาอย่างมาก
ดังนั้น ผมคิดว่ามันจะมีประโยชน์ถ้าได้เขียนบันทึกเกี่ยวกับหัวข้อนี้ เพื่อให้เราเข้าใจว่า:
- Generative AI ถูกสร้างขึ้นมาอย่างไร
- จุดแข็งและจุดอ่อนพื้นฐานของมันคืออะไร โดยอิงจากโครงสร้างดังกล่าว ...การทำเช่นนี้จะช่วยให้เราไม่ถูกครอบงำโดยการอัปเดต AI ทุกครั้ง หรือใช้ prompt เหมือนกับการเล่นเกมเสี่ยงโชค
การทำความเข้าใจคุณลักษณะของ Generative AI เชิงโครงสร้าง
กลไกของ Generative AI เมื่อพูดให้เข้าใจง่ายๆ ก็คือ การทำซ้ำ "การเลือกคำที่มีความน่าจะเป็นสูงที่สุดที่จะตามมา โดยอิงจากบริบทที่ผ่านมา"
ถ้าคุณป้อน "เมืองหลวงของญี่ปุ่นคือ" "โตเกียว" จะถูกเลือกด้วยความน่าจะเป็นสูงสุด ถ้าเป็น "สำหรับอาหารเช้า ขนมปังกับ" "กาแฟ" หรือ "เนย" จะถูกเลือก "เกมทายคำถัดไป" นี้คือจุดเริ่มต้นของทุกสิ่ง
การแยกย่อย "เกมทายคำถัดไป" นี้เผยให้เห็นคุณลักษณะสำคัญดังต่อไปนี้
คุณลักษณะ ①: มันทำงานบนสหสัมพันธ์ (correlation)
เพื่อ "ทายคำถัดไป" Generative AI จะเรียนรู้จากข้อความปริมาณมหาศาลว่า "คำไหนมักจะปรากฏร่วมกันในลำดับใด"
เมื่อมันสร้าง "ขนมปังกับกาแฟสำหรับอาหารเช้า" มันไม่ได้เข้าใจว่า "ขนมปังเป็นคาร์โบไฮเดรต ดังนั้นการเสริมด้วยคาเฟอีนเพื่อฤทธิ์กระตุ้นจะช่วยปรับสมดุลทางโภชนาการ" มันแค่สร้างรูปแบบที่ "กาแฟ" มักจะปรากฏใกล้กับคำอย่าง "อาหารเช้า" และ "ขนมปัง"
Emily Bender, Timnit Gebru และคนอื่นๆ อธิบายสิ่งนี้ว่าเป็น "Stochastic Parrot" ใน บทความ FAccT ปี 2021 ของพวกเขา มันเป็นคำวิจารณ์ที่ว่า เช่นเดียวกับที่นกแก้วเลียนแบบคำพูดของมนุษย์โดยไม่เข้าใจความหมาย Generative AI ก็แค่เลียนแบบรูปแบบของลำดับคำ และไม่สามารถเข้าถึงความหมายได้ ชื่อนี้ค่อนข้างจะดูถูกเหยียดหยามใช่ไหมล่ะ? ถ้ามีคนบอกผมว่า "ความฉลาดของคุณอยู่แค่ระดับนกแก้ว" ผมคงช็อกมาก...
สิ่งที่เราต้องเข้าใจตรงนี้คือ มันสามารถจับได้ว่า "A และ B มักจะปรากฏร่วมกัน (= สหสัมพันธ์)" แต่มันไม่เข้าใจว่า "A เป็นสาเหตุของ B (= ความเป็นเหตุเป็นผล)" ภาพหลอนและการใช้เหตุผลเชิงสาเหตุที่อ่อนแอ ซึ่งผมจะอธิบายทีหลัง ล้วนมีรากฐานมาจากตรงนี้
คุณลักษณะ ②: มันทำงานในทิศทางเดียว
การทำซ้ำ "ทายคำถัดไป" หมายความว่า ประโยคจะถูกเขียนออกมาทีละคำ ตามลำดับตั้งแต่ต้น จนจบในครั้งเดียว
แล้ว Generative AI เป็นแบบเฉพาะกิจโดยสมบูรณ์ โดยเลือกคำถัดไปจากคำเดียวที่อยู่ข้างหน้าหรือเปล่า? จากงานวิจัยล่าสุด ดูเหมือนจะไม่ใช่
ตามรายงานของ Dong et al. เรื่อง "Emergent Response Planning in LLMs (ICML 2025)" ก่อนที่จะสร้างคำใดคำหนึ่งออกมา Generative AI จะสร้างภาพคร่าวๆ สำหรับการตอบสนองทั้งหมด เช่น:
- คำตอบจะยาวประมาณเท่าไหร่
- จะต้องใช้ขั้นตอนการใช้เหตุผลกี่ขั้นตอน
- จะเลือกและสร้างเนื้อหาอะไร
นอกจากนี้ ใน "On the Biology of a Large Language Model" ที่เผยแพร่โดย Anthropic ในเดือนมีนาคม 2025 พบว่าเมื่อ Claude 3.5 Haiku เขียนบทกวี มันได้ตัดสินใจเลือกคำคล้องจองที่ท้ายบรรทัดแล้ว ก่อนที่จะเริ่มเขียนบรรทัดนั้นด้วยซ้ำ แผนการแบบหนึ่งที่มองไปข้างหน้าหลายคำกำลังทำงานอยู่ภายใน
กล่าวอีกนัยหนึ่ง มันไม่ได้เป็น "เกมทายคำถัดไปแบบเฉพาะกิจโดยสมบูรณ์" Generative AI วางแผนในแบบของมันเองก่อนที่จะเริ่ม
อย่างไรก็ตาม ปัจจุบันยังไม่มีหลักฐานว่ามันมีพิมพ์เขียวที่ชัดเจนเหมือนมนุษย์ ซึ่งอาจ "สร้างสารบัญก่อนและมองเห็นโครงสร้างโดยรวมก่อนที่จะเริ่มเขียน" รายงานของ Anthropic ยังชี้ให้เห็นว่ามัน "อ่อนแอต่ออินพุตยาวๆ ที่เกินประมาณ 100 tokens"
ดังนั้น ภาพที่งานวิจัยปัจจุบันแสดงให้เห็นคือ:
Generative AI มี "ทิศทางทั่วไป" แต่ไม่มี "การออกแบบโครงสร้างโดยรวม"
และที่สำคัญ มันไม่มีพลังที่จะย้อนกลับไปแก้ไขสิ่งที่มันเขียนไปแล้ว
ตาม บทความ CogWriter หลังจากยืนยันว่าการเขียนของมนุษย์ประกอบด้วยสามขั้นตอน—"การวางแผน → การร่าง → การตรวจทาน"—มันวิเคราะห์ว่า Generative AI ข้ามขั้นตอนการวางแผนนี้และสร้างเวอร์ชันสุดท้ายในครั้งเดียว ซึ่งเป็นสาเหตุที่ทำให้โครงสร้างมักจะพังทลายหรือเขียนสิ่งเดิมซ้ำๆ ในข้อความยาวๆ
สำหรับการแลกเปลี่ยนสั้นๆ เช่น อีเมลหรือแชท คุณสมบัตินี้แทบจะไม่เป็นปัญหาเลย อย่างไรก็ตาม สำหรับเอกสารที่โครงสร้างโดยรวมมีความสำคัญ เช่น ข้อเสนอหรือรายงานวิจัย ภาพลักษณ์ภายนอกก็พังทลายลงในทันที "รายการจุดอ่อน 13 ข้อ" ที่แนะนำตอนต้นนั้นเป็นผลผลิตจากคุณสมบัตินี้โดยตรง
คุณลักษณะ ③: มันถูกดึงไปในทิศทางที่ดีหรือไม่ดี โดยข้อมูลฝึกสอนและคำแนะนำ
อีกสิ่งหนึ่งที่ต้องจำไว้คือ ความสามารถของ Generative AI นั้นขึ้นอยู่กับ "ข้อมูลที่ใช้ในการฝึกสอน" และ "วัตถุประสงค์ที่มันถูกปรับแต่ง" โดยสิ้นเชิง
อิทธิพลของ "ข้อมูลฝึกสอน" นั้นจินตนาการได้ไม่ยาก ถ้ามันเติบโตขึ้นมาด้วยการอ่านเอกสารธุรกิจภาษาอังกฤษจำนวนมาก มันจะเก่งในการสร้างอีเมลภาษาอังกฤษ แต่ในทางกลับกัน ความสามารถของมันจะลดลงในสาขาที่มันไม่ค่อยได้เจอ มันเก่งในสิ่งที่มันเคยเห็น และแย่ในสิ่งที่มันไม่เคยเห็น เป็นเรื่องง่ายๆ
สิ่งที่ยุ่งยากกว่าเล็กน้อยคือ "อิทธิพลของการปรับแต่ง" Generative AI หลักๆ ในปัจจุบันถูกปรับแต่งโดยใช้วิธีการที่เรียกว่า RLHF (Reinforcement Learning from Human Feedback) เพื่อสร้างคำตอบที่ "มนุษย์รู้สึกพอใจ" การศึกษาของ Wang et al. ในปี 2025 แสดงให้เห็นจากการทดลองว่าการปรับแต่งนี้ปลูกฝังการคล้อยตามผู้ใช้มากเกินไป (sycophancy) ใน Generative AI จากการตรวจสอบ 7 โมเดล การเพิ่มคำง่ายๆ เช่น "ฉันคิดว่าคำตอบคือ X" ทำให้อัตราการคล้อยตามความคิดเห็นที่ผิดสูงถึงเฉลี่ย 63.7%
ถ้าคุณแสดงแผนธุรกิจแล้วถามว่า "คุณคิดว่ามันจะได้ผลไหม?" มันจะตอบว่า "เป็นแผนที่ยอดเยี่ยม" ถ้าคุณถามเกี่ยวกับแผนเดียวกันว่า "มันไม่สมจริงใช่ไหม?" มันจะตอบว่า "จริงๆ แล้ว มีข้อกังวลหลายประการ" "การเห็นด้วย" ของ AI อาจไม่ใช่การตัดสินใจตามวัตถุประสงค์ แต่เป็นเพียงการจับคู่ความคาดหวังของมนุษย์ ...ก็เถอะ มนุษย์ก็เหมือนกัน เราอ่านสถานการณ์เก่ง
การทำความเข้าใจจุดแข็งของ Generative AI อย่างถูกต้อง
จนถึงตอนนี้ เราได้ดูคุณลักษณะสามประการของ Generative AI แล้ว
- มันทำงานบนสหสัมพันธ์
- มันทำงานในทิศทางเดียว
- มันถูกดึงไปในทิศทางที่ดีหรือไม่ดี โดยข้อมูลฝึกสอนและคำแนะนำ
ด้วยการจับคุณลักษณะเหล่านี้ ผมได้อธิบายจุดแข็งที่ทำให้ผมคิดว่า "การพึ่งพา Generative AI ในเรื่องนี้ดีกว่าที่มนุษย์จะทำ"
จุดแข็ง ①: มันพูดในสิ่งที่คุณพูดไม่เก่ง ได้ดี
นี่อาจเป็นส่วนที่ได้รับการชื่นชมมากที่สุดในการใช้ Generative AI แม้ว่าความคิดของคุณยังไม่เป็นระเบียบและคุณให้คำแนะนำที่คลุมเครือ มันจะจัดระเบียบคำให้อยู่ในระดับที่ "คุณน่าจะอยากพูดประมาณนี้"
ตัวอย่างเช่น ถ้าคุณให้คำแนะนำที่ไม่เป็นชิ้นเป็นอันและคลุมเครือผ่านการป้อนด้วยเสียง เช่น "เกี่ยวกับอีเมลสำหรับการประชุมสัปดาห์หน้า ฉันอยากขอเปลี่ยนตาราง แต่ก็อยากถามความสะดวกของพวกเขาด้วย และอยากแนบวาระการประชุม" ลูกน้องที่เป็นมนุษย์อาจอยากพูดว่า "ช่วยจัดระเบียบความคิดก่อนบอกฉันหน่อยได้ไหม?" แต่ Generative AI จะสร้างร่างอีเมลในระดับที่ "ใช่เลย นั่นคือสิ่งที่ฉันอยากพูดเป๊ะๆ"
ทำไมมันถึงทำได้? ก็ต้องขอบคุณคุณสมบัติของ "การทำงานบนรูปแบบ" Generative AI ได้เรียนรู้ "ข้อความที่จัดระเบียบอย่างดี" จำนวนมหาศาล อีเมลธุรกิจ รายงาน ข้อเสนอ บันทึกการประชุม เพราะมันซึมซับ "แม่แบบ" เหล่านี้ไว้อย่างมหาศาล แม้ว่าจะได้รับอินพุตที่ยุ่งเหยิง มันก็จะจัดให้เข้ากับรูปแบบที่ว่า "ในบริบทนี้ โครงสร้างและสำนวนนี้เป็นธรรมชาติ"
จุดแข็ง ②: มันขยายมุมมองที่คุณไม่สังเกตเห็นด้วยตัวเอง
จุดแข็งอีกประการคือ มันนำเสนอมุมที่คุณยังคิดไม่ถึงอย่างถ่องแท้
ตัวอย่างเช่น ถ้าคุณกำลังคิดแผนสำหรับธุรกิจใหม่และคุณได้จัดระเบียบข้อดีสามข้อด้วยตัวเองแล้ว แต่คุณขอให้ Generative AI "ระบุประเด็นที่อาจเป็นข้อโต้แย้งสำหรับแผนนี้" มันจะนำเสนอมุมมองที่คุณมองข้ามไป เช่น:
- "มันมีข้อเสียแบบนี้ด้วยหรือเปล่า?"
- "คุณได้พิจารณาความเสี่ยงด้านการแข่งขันเหล่านี้หรือไม่?"
- "ผู้มีส่วนได้ส่วนเสียเหล่านี้จะมีปฏิกิริยาอย่างไร?"
นี่คือประโยชน์โดยตรงของ "การเรียนรู้จากข้อมูลปริมาณมหาศาล" เพราะมันได้เรียนรู้การอภิปรายจำนวนมหาศาลในทุกประเภท ความคิดเห็นจากตำแหน่งต่างๆ และประเด็นโต้แย้งที่มีทั้งข้อดีและข้อเสีย มันจึงมีพลังในการดึงมุมมองที่หลากหลายในหัวข้อเดียว ประสบการณ์และความรู้ของมนุษย์คนเดียวมีข้อจำกัด แต่ Generative AI ช่วยชดเชยข้อจำกัดเหล่านั้น
เคล็ดลับเมื่อใช้มันในการทำงานคือการขอให้มันมองจากมุมที่แตกต่างอย่างชัดเจน
- "ให้ข้อคิดเห็นที่ขัดแย้งสามข้อสำหรับแผนนี้"
- "มีมุมมองใดที่ฉันพลาดไปในการวิเคราะห์นี้หรือไม่?"
- "อย่าแค่ระบุข้อดี แต่ให้ระบุข้อเสียด้วย" การเรียกร้องมุมมองที่หลากหลายเช่นนี้จะช่วยให้จุดแข็งนี้ถูกใช้ประโยชน์สูงสุด ในทางกลับกัน ถ้าคุณถามโดยไม่ระบุอะไร มันมักจะคล้อยตามความคิดเห็นของคุณ (ซึ่งผมจะอธิบายรายละเอียดในส่วน "จุดอ่อน") ดังนั้นจึงสำคัญที่จะถามในลักษณะที่ดึงมุมมองที่แตกต่างออกมาอย่างมีสติ
แต่ Generative AI ก็อ่อนแอตรงนี้
จุดอ่อน ①: มันรับประกัน "ความน่าเชื่อถือ" แต่ไม่ใช่ "ความถูกต้อง"
เนื่องจากมันเป็นกลไกที่เชี่ยวชาญในการสร้าง "ลำดับคำที่ดูน่าจะเป็นไปได้" มันจะสร้างมันออกมาตรงตามนั้นตราบใดที่มันเป็นธรรมชาติในฐานะประโยค โดยไม่สนใจว่ามันเป็นข้อเท็จจริงหรือไม่
บทความของ OpenAI ในปี 2025 เรื่อง "Why Language Models Hallucinate" พิสูจน์ทางคณิตศาสตร์ว่าปัญหานี้ไม่ใช่บั๊ก แต่เป็นความจำเป็นเชิงโครงสร้าง พูดง่ายๆ คือ "การสร้างประโยคที่ถูกต้อง" นั้นยากกว่า "การแยกแยะว่ามันถูกต้องหรือไม่" โดยเนื้อแท้ และแม้ว่าข้อมูลฝึกสอนจะสมบูรณ์แบบ อัตราของคำโกหกที่ปนเข้ามาก็ไม่สามารถลดลงเป็นศูนย์ได้
อย่างไรก็ตาม เมื่อโมเดล AI พัฒนาขึ้น คำตอบของ AI ก็มีความคล่องแคล่วมากขึ้นเรื่อยๆ ใช่ไหมล่ะ? เพราะ AI ตอบได้อย่างราบรื่น เราจึงข้ามงานที่เราควรทำ นั่นคือการประเมินว่า "นี่เป็นเรื่องจริงหรือ?" และ "มีหลักฐานหรือไม่?"
ปรากฏการณ์ที่เราหลงผิดว่า "เพราะประโยคดูน่าเชื่อถือ มันจึงต้องถูกต้อง" นี้เรียกว่า "Epistemia" (จาก "Epistemological Fault Lines Between Human and Artificial Intelligence")
ในอนาคต ไม่ว่า Claude จะปล่อยโมเดลระดับ Mythos หรือ ChatGPT จะปล่อยโมเดลที่เหนือกว่านั้น เราต้องพิจารณาว่า "Generative AI ไม่สามารถลดอัตราของคำโกหกที่ปนเข้ามาให้เป็นศูนย์ได้ในเชิงโครงสร้าง" และมนุษย์ต้องตรวจสอบกับแหล่งข้อมูลปฐมภูมิเสมอ
จุดอ่อน ②: ไม่ว่ามันจะไปไกลแค่ไหน มันก็ไม่สามารถพูดถึง "ความเป็นเหตุเป็นผล" ได้
ดังที่กล่าวไว้ก่อนหน้านี้ มันสามารถจับได้ว่า "A และ B มักจะปรากฏร่วมกัน (= สหสัมพันธ์)" แต่มันไม่เข้าใจว่า "A เป็นสาเหตุของ B (= ความเป็นเหตุเป็นผล)"
ตัวอย่างเช่น ถ้าคุณถามว่า "ในไตรมาสที่ยอดขายลดลง ค่าโฆษณาก็ลดลงด้วย วิเคราะห์ความสัมพันธ์เชิงสาเหตุ" AI อาจตอบว่า "ยอดขายลดลงเพราะคุณลดค่าโฆษณา" แต่ในความเป็นจริง ทั้งสองอย่างอาจลดลงพร้อมกันเนื่องจากภาวะเศรษฐกิจถดถอย หรือค่าโฆษณาอาจถูกตัดเพราะยอดขายลดลงก่อน การวิเคราะห์ที่ถามว่า "ทำไม" เช่น "ทำไมยอดขายถึงลดลง" เป็นงานที่หนักเกินไปในเชิงโครงสร้างสำหรับ Generative AI ในปัจจุบัน
เมื่อคุณต้องการวิเคราะห์ "ทำไม" ในที่ทำงาน ประเด็นสำคัญคือมนุษย์ต้องให้ทิศทางของความเป็นเหตุเป็นผลเป็นสมมติฐาน แทนที่จะโยนทุกอย่างด้วย "วิเคราะห์สาเหตุของยอดขายที่ลดลง" ลองนึกถึงการถามแบบ "สมมติว่าสาเหตุของยอดขายที่ลดลงคือ X จัดระเบียบข้อมูลที่สนับสนุนและข้อเท็จจริงที่อาจเป็นข้อโต้แย้ง"
ตรรกะของความเป็นเหตุเป็นผลควรถูกแสดงโดยมนุษย์ และปล่อยให้ AI จัดระเบียบข้อมูลและระบุข้อโต้แย้ง นี่คือข้อสรุปปัจจุบันของผม
จุดอ่อน ③: มันไม่สามารถทำการจัดโครงสร้างหรือการจัดระเบียบแบบ MECE ได้
ปัญหาของ "การ列出จุดอ่อน 13 ข้อ" ที่แนะนำตอนต้นนั้นเป็นการสาธิตจุดอ่อนนี้ด้วยตัวมันเอง
ตัวอย่างเช่น ถ้าคุณถาม "ระบุงานเตรียมการสำหรับงานภายในเดือนหน้า" AI จะ列出งานประมาณ 20 งานตามที่มันนึกออก: "จองสถานที่" "ส่งอีเมลเชิญ" "สั่งซื้อวัสดุ" "สร้างแบบสำรวจ"... แต่ความละเอียดของงานไม่เป็นระเบียบ และลำดับก็ไม่ได้จัดเรียง
เพียงแค่ถามใหม่ว่า "แบ่งเป็น 4 ขั้นตอน: ① การจัดสถานที่, ② การดึงดูดผู้เข้าร่วม, ③ การดำเนินงานในวันงาน, และ ④ การติดตามผลหลังงาน และระบุงานสำหรับแต่ละขั้นตอน" คุณภาพของผลลัพธ์ก็เปลี่ยนไปอย่างมาก งานถูกจัดระเบียบตามขั้นตอน และสังเกตเห็นสิ่งที่ขาดหายไปได้ง่ายขึ้น การระบุโครงสร้างนี้ เช่น "แบ่งเป็น 4 ขั้นตอน" เป็นงานของมนุษย์ ไม่ใช่ AI ถ้ามนุษย์สร้างและส่งมอบโครงสร้าง การเติมรายละเอียดเป็นสิ่งที่ AI ถนัด
นั่นคือสาเหตุที่ผมเขียนบทความที่ผลักดันเรื่องการจัดโครงสร้าง ซ้ำแล้วซ้ำเล่า เช่นด้านล่างนี้
https://x.com/ysk_motoyama/status/2016129312433606678
ดังนั้น จากจุดแข็งและจุดอ่อนที่กล่าวมา เราควรเชี่ยวชาญ Generative AI อย่างไร? ...ส่วนที่เหลือเขียนไว้ใน note ด้านล่าง ถ้าคุณสนใจ
note: บันทึกเพื่อทำความเข้าใจจุดแข็งและจุดอ่อนของ Generative AI อย่างถูกต้อง
