ความเชื่อ

ช่วงนี้เห็นข่าวแผ่นดินไหว ภูเขาไฟระเบิดเกิดในหลายแห่งทั่วโลก เพื่อนผมส่งคลิปลาวาที่พวยพุ่งออกจากพื้นดินที่ฮาวายมาให้ดู ความเปลี่ยนแปลงที่ยิ่งใหญ่ของธรรมชาติ หากจะบอกว่าเป็นเรื่องที่แปลก ก็คงไม่ได้ เพราะหากท่านผู้อ่านได้ลองเข้าไปดูเว็บไซต์ที่คอยเฝ้าติดตามปรากฏการณ์เหล่านี้ (http://www.earthquake.tmd.go.th) จะเห็นว่า มีการเกิดขึ้นอยู่ตลอดเวลา แต่ไม่ได้เป็นข่าวใหญ่ไปเสียทุกครั้ง เนื่องจากขนาดไม่ได้ใหญ่มาก โดยทั่วไปอาจจะมีขนาดแค่ 1–2 แมกนิจูดเท่านั้น ซึ่งเกิดขึ้นนับพันครั้งต่อวันทั่วโลก แต่ระดับที่ผู้คนจะเริ่มรับรู้ได้ถึงแรงสั่นสะเทือนคือประมาณตั้งแต่ 3.5 ขึ้นไป เกิดขึ้นหลายหมื่นครั้งต่อปี ระดับขนาดที่เรากำลังพูดถึงกันอยู่นี้อ้างอิงตาม มาตราริกเตอร์(Richter Magnitude Scale) อันที่จริงคำว่า ริกเตอร์ เป็นมาตรฐานอ้างอิง แต่คนไทยส่วนมากมักเคยชินกับการใช้เป็นหน่วยนับ เช่นเรียก “แผ่นดินไหวขนาด 3.5” ว่า “3.5 ริกเตอร์” ซึ่งที่ถูกต้อง ควรบอกว่า แผ่นดินไหวขนาด 3.5 หรือ 3.5 แมกนิจูด อย่างไรในระยะหลังมานี้ ผมเริ่มสังเกตเห็นว่าหลายสื่อ เริ่มแก้ไขการเรียกให้ถูกต้องกันบ้างแล้ว นอกจากนี้ ก็เป็นที่รู้กันดีว่า แผ่นดินไหว คือปรากฏการณ์ทางธรรมชาติ ที่มนุษย์ยังไม่สามารถทำนายล่วงหน้าได้ เมื่อเทียบกับปรากฏการณ์ทางธรรมชาติอื่น

ปรากฏการณ์ผีเสื้อขยับปีก หรือ Butterfly Effect ในทฤษฎีความอลวนหรือความโกลาหล(Chaos Theory) ว่าปรากฏการณ์ใดๆ ที่เกิดขึ้น แม้ผิวเผินอาจดูไร้ระเบียบ ไม่แน่นอน แต่เมื่อเรามองในมุมที่สูงพอ ใหญ่พอ ในองศาที่เหมาะสม ในช่วงเวลาที่เหมาะสม เราจะมองเห็นความสัมพันธ์บางอย่างที่ซ่อนอยู่ สำหรับแผ่นดินไหวก็อาจเป็นเช่นเดียวกันว่า ด้วยองค์ความรู้และวิทยาการของมนุษยชาติที่สั่งสมมาหลายร้อยหลายพันปีนั้น ยังไม่มากพอที่จะทำให้เราเข้าใจ และมากพอที่จะทำนายล่วงรู้ความจริงของธรรมชาติในเรื่องนี้ได้ ในเมื่อมนุษย์ยังไม่สามารถเข้าใจอะไรไปได้มากกว่านี้ เราจึงเลือกเชื่อว่า นี่คือสิ่งที่ทำนายไม่ได้ เพราะ “ความเชื่อ” เป็นสิ่งที่ง่ายที่สุดในการให้ “คำตอบชั่วคราว” เมื่อเราเหนื่อยล้าจากการค้นหาความจริง ในขณะที่เราก็เฝ้าสังเกตและศึกษาความเป็นไปของธรรมชาติ โดยหวังว่าสักวันเราจะมีความเข้าใจมากกว่านี้

ในองค์ความรู้ด้านวิทยาศาสตร์และเทคโนโลยี ก็มีหลายเรื่องที่ตั้งอยู่บนฐานความเชื่อ และการอนุมาน(Inference) เพราะองค์ความรู้ที่เราได้มา ล้วนมาจากการเฝ้าสังเกตและศึกษาทดลอง จนได้เป็นข้อสรุป และทฤษฎี คำว่าทฤษฎี(Theory) นั้นต่างจากคำว่า กฏ(Law) ตรงที่สักวันอาจถูกลบล้างได้ เมื่อมีหลักฐานหรือองค์ความรู้ใหม่ที่สามารถอธิบายสิ่งเดิมได้ดีกว่า ดังนั้นเมื่อมีการสร้างสรรค์สิ่งใหม่ใดๆ ขึ้นมา เราไม่ได้ปักใจเชื่อหรือยืนยันในความถูกต้องว่าระบบที่ถูกสร้างขึ้นใหม่นี้ จะเป็นอย่างที่ควรจะเป็นทั้ง 100% แต่เรามักจะกำกับการอธิบายด้วยค่าบางอย่างเช่น ค่าความเที่ยงตรง (Accuracy) และ ค่าความแม่นยำ (Precision) เพื่อบอกว่า ด้วยระบบนี้เราสามารถเชื่อถือในผลที่จะเกิดขึ้นได้มากน้อยเพียงใด

การพัฒนาองค์ความรู้ของมนุษย์เมื่อผ่านการเฝ้าสังเกต ศึกษา ทดลอง สรุปผล ก็อาจพัฒนาไปถึงขั้นการทำนายพยากรณ์ ว่าเมื่อมีเหตุและปัจจัยต่างๆ ในลักษณะหนึ่ง ย่อมจะให้ผลลัพธ์ในลักษณะหนึ่งได้ ยกตัวอย่างเช่น เมื่อวานตอนเย็นฝนตก วันนี้มีเมฆมาก อากาศตอนบ่ายร้อนอบอ้าว คล้ายกับเมื่อวาน อีกทั้งช่วงนี้ถือเป็นฤดูฝน อีกทั้งหน่วยงานที่เกี่ยวข้องก็แจ้งเตือนพายุฝนที่จะเกิดขึ้นในช่วงนี้ ด้วยปัจจัยเหล่านี้ ก็อาจจะเพียงพอให้เราอนุมานและทำนายเองได้ว่า เย็นวันนี้ ฝนก็จะตกเหมือนเมื่อวาน แต่ด้วยความมั่นใจเท่าไร นั่นก็อีกประเด็นหนึ่งครับ ยิ่งเราเพิ่มปริมาณปัจจัยที่ต้องพิจารณามากขึ้นเพียงใด ก็ยิ่งจะได้ผลที่แม่นยำมากขึ้น ในอดีตเราใช้เวลาแสนยาวนานในการสั่งสมข้อมูลการสังเกตให้เพียงพอต่อการทำนายสิ่งที่จะเกิดขึ้นในอนาคต ปัจจุบันความก้าวหน้าทางวิทยาการทำให้เราสามารถเก็บข้อมูลขนาดใหญ่(Big Data) ได้ในเวลาไม่มากนัก เราจึงเห็นผลของการทำนายในเรื่องต่างๆ มากมาย แต่อย่างไรก็ตาม ยิ่งเราต้องการผลที่แม่นยำมากขึ้น เราต้องใช้ข้อมูลมากขึ้น ใช้กระบวนการคิดที่ซับซ้อนมากขึ้น ลองนึกย้อนกลับไปที่ตัวอย่างทำนายฝน หากเรามีปัจจัยที่ต้องพิจารณาเพิ่มขึ้นอีกนับร้อยเงื่อนไข กระบวนการคิดคงไม่ง่ายเหมือนเดิมแล้ว เมื่อมีข้อมูลให้ศึกษามากเกินไป มีปัจจัยที่เกี่ยวข้องมากเกินไป คงเกินกำลังที่มนุษย์อย่างเราจะคำนวณความสัมพันธ์เหล่านั้นเพื่อให้ได้ผลทำนายออกมาในเวลาอันรวดเร็วอย่างถูกต้องและแม่นยำ เราจึงคิดหาวิธีและสร้างเครื่องคำนวณให้เราแทน เราเรียกสิ่งนั้นว่า Machine Learning นั่นเองครับ คือการคำนวณด้วยเครื่องคอมพิวเตอร์ ด้วยกระบวนการคิดหรืออัลกอริทึมที่จะให้คอมพิวเตอร์เรียนรู้ข้อมูลเหล่านั้นแทนเรา และปัจจุบันเราสามารถป้อนให้เพียงลักษณะข้อมูลของเหตุปัจจัยต่างๆ (Input) และผลที่เกิดขึ้น(Output) ที่เหลือจากนั้นเป็นหน้าที่ของคอมพิวเตอร์จะไปหาความสัมพันธ์ของสิ่งต่างๆ เอง เพื่อนำไปสู่ผลที่เราต้องการได้ เมื่อเครื่องสามารถหาความสัมพันธ์ใดๆ อันนำไปสู่ผลลัพธ์ที่ต้องการได้ เราจะให้รางวัล(Reinforcement Learning) จากนั้นเครื่องจะพยายามปรับปรุงเส้นทางความสัมพันธ์เหล่านั้นให้ดีและแม่นยำมากขึ้น เพื่อให้ได้รางวัลที่มากขึ้นไปเรื่อยๆ

กระบวนการเรียนรู้ของเครื่องในลักษณะนี้ แม้จะได้ผลลัพธ์ที่น่าพอใจ หรือบางครั้งก็ได้ผลลัพธ์ที่ดีจนน่าตกใจ แต่หลายต่อหลายครั้ง เราแทบไม่เข้าใจเลยว่าเบื้องหลังเส้นทางเหล่านั้นมีความเป็นมาอย่างไร การที่เราป้อน Input มากมายให้กับปัญญาประดิษฐ์ และเราได้ Output ที่ต้องการออกมา แต่หนทางสู่คำตอบระหว่างนั้นเป็นเหมือนกล่องดำ(Black Box) ที่ซับซ้อนเกินกว่าที่เราจะเข้าใจ จึงวนกลับไปเกิดเป็นคำถามดังช่วงต้นว่า เมื่อเราไม่มีความสามารถพอที่จะเข้าใจ เราจะเลือกที่จะเชื่อในสิ่งนั้นไปเลยได้หรือไม่ ก็พบว่า ในหลายงาน เราไม่อาจเชื่อได้อย่างสนิทใจ ยอมรับหรือวางใจในคำตอบนั้นได้เลย หากเป็นเรื่องที่สำคัญต่อชีวิตของมนุษย์ด้วยแล้ว แม้คำตอบที่ได้ จะถูกต้องแม่นยำมากเพียงใดก็ตาม ตัวอย่างเช่น เราให้ข้อมูลสังเกตการณ์ด้านต่างๆ ของคนคนหนึ่งเป็นจำนวนมาก เพื่อให้เครื่องได้เรียนรู้และทำนายออกมาว่า เรามีโอกาสที่จะเป็นโรคร้ายอะไรในอนาคตหรือไม่ หรือวินิจฉัยการรักษาโรคต่างๆ ดูเหมือนเป็นเรื่องยากที่จะทำใจยอมรับ ตราบใดที่เรายังไม่สามารถหาทางอธิบายกล่องดำเหล่านั้นได้ เพราะเราต่างรู้ดีว่า เมื่อเราไม่เข้าใจและไม่สามารถอธิบายในสิ่งที่เกิดขึ้นได้ ในขณะที่ความผิดพลาดมีโอกาสเกิดขึ้นเสมอ เราไม่พร้อมที่จะสูญเสียสิ่งใดโดยปราศจากความเข้าใจในเหตุและผล อย่างไรก็ตาม ไม่ว่าเราจะพร้อมหรือไม่ ความเจริญก้าวหน้าทางปัญญาประดิษฐ์ก็กำลังบีบให้เราต้องตัดสินใจหาทางออกกับเรื่องนี้ ว่าเราต้องมุ่งมั่นค้นหาคำอธิบายต่อเรื่องใดบ้างหรือทำใจยอมรับที่จะเชื่อมั่นในผลลัพธ์นั้น