The Inside Story of ChatGPT’s Astonishing Potential | Greg Brockman | TED

Translator: Jimmy Tangjaitrong Reviewer: Chatthip Chaichakan

We started OpenAI seven years ago

เราเริ่มโอเพนเอไอเมื่อเจ็ดปีที่แล้ว

because we felt like something really interesting was happening in AI

เพราะเรารู้สึกว่าบางอย่างที่น่าสนใจมาก ๆ กำลังเกิดขึ้นกับเอไอ

and we wanted to help steer it in a positive direction.

และเราอยากช่วย นำมันไปในทิศทางที่เป็นบวก

It's honestly just really amazing to see

มันน่าทึ่งจริง ๆ ที่ได้เห็น

how far this whole field has come since then.

ว่าเรื่องราวทั้งหมดนี้ มาไกลแค่ไหนแล้วตั้งแต่เริ่มต้น

And it's really gratifying to hear from people like Raymond

และเป็นเรื่องน่ายินดีจริง ๆ ที่ได้ยินจากคนอย่างเรย์มอนด์

who are using the technology we are building, and others,

ที่กำลังใช้เทคโนโลยีที่เรากำลังพัฒนา และคนอื่น ๆ ด้วย

for so many wonderful things.

เพื่อสิ่งมหัศจรรย์มากมาย

We hear from people who are excited,

เราได้ยินจากผู้คนที่ตื่นเต้น

we hear from people who are concerned,

เราได้ยินจากผู้คนที่กังวล

we hear from people who feel both those emotions at once.

เราได้ยินจากผู้คนที่รู้สึกทั้งสองอย่าง ในเวลาเดียวกัน

And honestly, that's how we feel.

ความจริงแล้วเราเองก็รู้สึกเช่นนั้น

Above all, it feels like we're entering an historic period right now

เหนือสิ่งอื่นใด มันเหมือนเรากำลัง เข้าสู่ช่วงเวลาแห่งประวัติศาสตร์

where we as a world are going to define a technology

ซึ่งเราในฐานะโลก กำลังจะกำหนดเทคโนโลยี

that will be so important for our society going forward.

ที่จะมีความสำคัญต่อสังคมของเราในอนาคต

And I believe that we can manage this for good.

และผมเชื่อว่า เราจะจัดการเรื่องนี้ให้ดีได้

So today, I want to show you the current state of that technology

วันนี้ผมอยากจะโชว์ให้คุณเห็น ถึงสถานะปัจจุบันของเทคโนโลยีนั้น

and some of the underlying design principles that we hold dear.

และหลักการออกแบบพื้นฐานบางประการ ที่เรายึดมั่น

So the first thing I'm going to show you

ดังนั้น สิ่งแรกที่ผมจะโชว์

is what it's like to build a tool for an AI

คือการสร้างเครื่องมือสำหรับเอไอ

rather than building it for a human.

แทนที่จะสร้างสำหรับมนุษย์

So we have a new DALL-E model, which generates images,

เอาล่ะ เรามี ดอล-อี รุ่นใหม่ ซึ่งสร้างภาพได้

and we are exposing it as an app for ChatGPT to use on your behalf.

และเรากำลังเปิดมันเป็นแอป สำหรับให้แชทจีพีทีใช้งานมันแทนคุณได้

And you can do things like ask, you know,

คุณสามารถทำบางอย่างได้ เช่น ถามให้

suggest a nice post-TED meal and draw a picture of it.

แนะนำมื้ออาหารดี ๆ หลังจบงานเท็ด และวาดภาพออกมา

(Laughter)

(เสียงหัวเราะ)

Now you get all of the, sort of, ideation and creative back-and-forth

คุณจะรับส่งไอเดีย และความคิดสร้างสรรค์กลับไปกลับมา

and taking care of the details for you that you get out of ChatGPT.

และจะดูแลรายละเอียดต่าง ๆ ให้คุณ เมื่อคุณใช้แชทจีพีที

And here we go, it's not just the idea for the meal,

มาละครับ มันไม่ใช่แค่ไอเดียสำหรับมื้ออาหาร

but a very, very detailed spread.

แต่มีรายละเอียดมากมาย

So let's see what we're going to get.

มาดูกันว่าเราจะได้อะไร

But ChatGPT doesn't just generate images in this case --

แต่แชทจีพีทีไม่เพียงแค่ สร้างรูปภาพในกรณีนี้ --

sorry, it doesn't generate text, it also generates an image.

ขออภัยครับ มันไม่ได้สร้างแค่ข้อความ แต่สร้างรูปภาพด้วย

And that is something that really expands the power

และนั่นเป็นสิ่งที่ขยายขอบเขต

of what it can do on your behalf in terms of carrying out your intent.

ของสิ่งที่สามารถทำได้ในนามของคุณ ในการปฏิบัติตามเจตนาของคุณ

And I'll point out, this is all a live demo.

ผมอยากบอกว่า นี่คือการสาธิตสดทั้งหมด

This is all generated by the AI as we speak.

ทั้งหมดนี้ถูกสร้างขึ้นโดยเอไอ ณ ขณะนี้

So I actually don't even know what we're going to see.

ผมก็ไม่รู้เหมือนกันว่าเราจะเห็นอะไร

This looks wonderful.

มันดูยอดเยี่ยมนะ

(Applause)

(เสียงปรบมือ)

I'm getting hungry just looking at it.

แค่มองภาพ ผมก็เริ่มหิวละ

Now we've extended ChatGPT with other tools too,

ตอนนี้เราได้ขยายแชทจีพีที ด้วยเครื่องมืออื่น ๆ ด้วย

for example, memory.

ยกตัวอย่างเช่น ความทรงจำ

You can say "save this for later."

คุณสามารถพูดว่า “บันทึกไว้สำหรับภายหลัง”

And the interesting thing about these tools

สิ่งที่น่าสนใจ เกี่ยวกับเครื่องมือเหล่านี้

is they're very inspectable.

คือพวกมันตรวจสอบได้

So you get this little pop up here that says "use the DALL-E app."

คุณจะเห็นป๊อปอัพเล็ก ๆ ตรงนี้ ว่า “ใช้แอปดอล-อี”

And by the way, this is coming to you, all ChatGPT users, over upcoming months.

แล้วมันกำลังจะมาถึงผู้ใช้แชทจีพีทีทุกคน ในอีกไม่กี่เดือนข้างหน้า

And you can look under the hood and see that what it actually did

คุณสามารถเข้าไปดูว่า จริงๆ แล้ว สิ่งที่มันทำ

was write a prompt just like a human could.

คือเขียนข้อความแจ้ง เหมือนกับที่มนุษย์ทำ

And so you sort of have this ability to inspect

ดังนั้น คุณจึงมีความสามารถในการตรวจสอบ

how the machine is using these tools,

ว่าเครื่องนี้ มันใช้เครื่องมือเหล่านี้อย่างไร

which allows us to provide feedback to them.

ซึ่งทำให้เราสามารถ ให้ข้อเสนอแนะแก่พวกมันได้

Now it's saved for later,

มาดูการบันทึกไว้สำหรับภายหลัง

and let me show you what it's like to use that information

ให้ผมโชว์ให้คุณเห็นว่า การใช้ข้อมูลนั้นเป็นอย่างไร

and to integrate with other applications too.

และรวมเข้ากับแอปพลิเคชันอื่นด้วย

You can say,

คุณอาจพูดว่า

“Now make a shopping list for the tasty thing

“จงทำรายการซื้อของ สำหรับของอร่อย ๆ

I was suggesting earlier.”

ที่ผมแนะนำไปก่อนหน้านี้”

And make it a little tricky for the AI.

และทำให้มันยุ่งยากสักหน่อย สำหรับเจ้าเอไอ

"And tweet it out for all the TED viewers out there."

“และทวีตมันออกไปสำหรับผู้ชมเท็ดทุกคน”

(Laughter)

(เสียงหัวเราะ)

So if you do make this wonderful, wonderful meal,

ดังนั้น ถ้าคุณได้ทำอาหารมื้อสุดวิเศษนี้

I definitely want to know how it tastes.

ผมอยากรู้เลยว่ารสชาติมันเป็นยังไง

But you can see that ChatGPT is selecting all these different tools

คุณจะเห็นว่าแชทจีพีที ได้เลือกใช้เครื่องมือต่าง ๆ เหล่านี้

without me having to tell it explicitly which ones to use in any situation.

โดยที่ผมไม่ได้บอกมันตรง ๆ ว่าต้องใช้อันไหนในแต่ละสถานการณ์

And this, I think, shows a new way of thinking about the user interface.

ผมคิดว่านี่แสดงให้เห็นถึงวิธีคิดใหม่ เกี่ยวกับอินเทอร์เฟซของผู้ใช้

Like, we are so used to thinking of, well, we have these apps,

อย่างเช่น เราเคยชินกับการคิดว่า เราต้องใช้แอปฯ ต่าง ๆ

we click between them, we copy/paste between them,

เราสลับไปมา เราคัดลอกและวาง

and usually it's a great experience within an app

แล้วก็มักจะเป็นประสบการณ์ที่ดี ในการใช้แอปฯ

as long as you kind of know the menus and know all the options.

ตราบเท่าที่คุณพอจะรู้ ทุกเมนูและทุกลูกเล่น

Yes, I would like you to.

ครับ ผมต้องการให้คุณทำ

Yes, please.

ได้โปรดครับ

Always good to be polite.

ความสุภาพเป็นสิ่งที่ดีเสมอ

(Laughter)

(เสียงหัวเราะ)

And by having this unified language interface on top of tools,

ด้วยการใช้ภาษาเดียว ครอบคลุมเครื่องมือต่าง ๆ

the AI is able to sort of take away all those details from you.

เอไอก็สามารถช่วยคุณ ในรายละเอียดต่าง ๆ

So you don't have to be the one

คุณก็จะได้ไม่ต้อง

who spells out every single sort of little piece

ยิงคำสั่งเองทั้งหมด

of what's supposed to happen.

สำหรับสิ่งที่ควรจะเกิดขึ้น

And as I said, this is a live demo,

อย่างที่ผมว่าไว้ นี่คือการสาธิตสด

so sometimes the unexpected will happen to us.

เพราะฉะนั้น สิ่งที่ไม่คาดก็อาจเกิดขึ้นได้

But let's take a look at the Instacart shopping list while we're at it.

งั้นลองมาดูที่รายการช้อปปิ้งของอินสตาคาร์ท ขณะที่เรากำลังดำเนินการอยู่

And you can see we sent a list of ingredients to Instacart.

คุณจะเห็นว่าเราส่งรายการส่วนผสม ไปที่อินสตาคาร์ท

Here's everything you need.

นี่คือทุกอย่างที่เราต้องการ

And the thing that's really interesting

สิ่งที่น่าสนใจจริง ๆ ก็คือ

is that the traditional UI is still very valuable, right?

ยูไอแบบเดิมยังคงมีคุณค่ามาก

If you look at this,

ถ้าคุณดูตรงนี้

you still can click through it and sort of modify the actual quantities.

คุณยังสามารถเลือกและแก้ไขปริมาณจริงได้

And that's something that I think shows

และนั่นเป็นสิ่งที่แสดงให้เห็นว่า

that they're not going away, traditional UIs.

พวกยูไอแบบเดิมจะไม่หายไป

It's just we have a new, augmented way to build them.

มันก็แค่เรามีวิธีใหม่ เพิ่มเติมในการสร้างมัน

And now we have a tweet that's been drafted for our review,

และตอนนี้เรามีทวีตที่ถูกร่างขึ้น เพื่อให้เราตรวจสอบ

which is also a very important thing.

ซึ่งเป็นสิ่งที่สำคัญมากเช่นกัน

We can click “run,” and there we are, we’re the manager, we’re able to inspect,

เราสามารถกด “รัน” แล้วเราก็กลายเป็นผู้จัดการ เราตรวจสอบได้

we're able to change the work of the AI if we want to.

เราสามารถเปลี่ยนแปลงการทำงานของเอไอได้ หากต้องการ

And so after this talk, you will be able to access this yourself.

และหลังจากทอล์คนี้ คุณจะสามารถเข้าถึงได้ด้วยตัวคุณเอง

And there we go.

นั่นแหละครับ

Cool.

เจ๋ง

Thank you, everyone.

ขอบคุณครับทุกคน

(Applause)

(เสียงปรบมือ)

So we’ll cut back to the slides.

เราจะกลับกันมาที่สไลด์

Now, the important thing about how we build this,

ทีนี้ สิ่งสำคัญเกี่ยวกับวิธีที่เราสร้างมัน

it's not just about building these tools.

มันไม่ใช่แค่เรื่องของ การสร้างเครื่องมือเหล่านี้

It's about teaching the AI how to use them.

มันคือเรื่องการสอนเอไอ ให้ใช้งานพวกมัน

Like, what do we even want it to do

เราต้องการให้มันทำอะไร

when we ask these very high-level questions?

เมื่อเราถามคำถามระดับสูงพวกนี้

And to do this, we use an old idea.

และในการทำสิ่งนี้ เราจะใช้แนวคิดแบบเก่า

If you go back to Alan Turing's 1950 paper on the Turing test, he says,

หากคุณย้อนไปดูบทความการทดสอบทัวริง ในปี 1950 ของอลัน ทัวริง เขากล่าวว่า

you'll never program an answer to this.

คุณไม่มีทางตั้งโปรแกรมคำตอบได้

Instead, you can learn it.

แต่คุณสามารถเรียนรู้ได้

You could build a machine, like a human child,

คุณสามารถสร้างเครื่อง ให้เหมือนเด็กมนุษย์

and then teach it through feedback.

แล้วสอนมันผ่านคำติชม

Have a human teacher who provides rewards and punishments

มีครูที่เป็นมนุษย์ให้รางวัลและบทลงโทษ

as it tries things out and does things that are either good or bad.

ในขณะที่ทดลองและทำสิ่งที่ดีหรือไม่ดี

And this is exactly how we train ChatGPT.

และนี่คือวิธีที่เราสอนแชทจีพีที

It's a two-step process.

มันเป็นกระบวนการสองขั้นตอน

First, we produce what Turing would have called a child machine

ขั้นตอนแรก เราผลิตสิ่งที่ ทัวริงเรียกว่าเครื่องลูก

through an unsupervised learning process.

ผ่านกระบวนการเรียนรู้แบบไม่มีผู้ดูแล

We just show it the whole world, the whole internet

เราแค่โชว์โลก โชว์อินเทอร์เน็ตทั้งหมดให้มันดู

and say, “Predict what comes next in text you’ve never seen before.”

และพูดว่า “ทำนายสิ่งที่จะเกิดขึ้น จากข้อความที่คุณไม่เคยเห็นมาก่อน”

And this process imbues it with all sorts of wonderful skills.

และกระบวนการนี้ช่วยเสริม ทักษะที่ยอดเยี่ยมหลายประการ

For example, if you're shown a math problem,

ตัวอย่างเช่น หากคุณเห็นปัญหาทางคณิตศาสตร์

the only way to actually complete that math problem,

วิธีเดียวที่จะทำโจทย์เลขให้เสร็จ

to say what comes next,

เพื่อบอกว่าจะเกิดอะไรขึ้นต่อไป

that green nine up there,

เลขเก้าสีเขียวนั่น

is to actually solve the math problem.

คือการแก้โจทย์เลขจริง ๆ

But we actually have to do a second step, too,

แต่เราต้องทำขั้นที่ 2 ด้วย

which is to teach the AI what to do with those skills.

ซึ่งก็คือการสอนเอไอว่า จะทำอะไรกับทักษะเหล่านั้น

And for this, we provide feedback.

และสำหรับสิ่งนี้ คือเราให้คำติชม

We have the AI try out multiple things, give us multiple suggestions,

เราให้เอไอลองทำหลาย ๆ อย่าง ให้คำแนะนำหลายอย่างแก่เรา

and then a human rates them, says “This one’s better than that one.”

จากนั้นมนุษย์ก็ให้คะแนนพวกมัน “อันนี้ดีกว่าอันนั้น”

And this reinforces not just the specific thing that the AI said,

และนี่ไม่ได้เสริม เฉพาะสิ่งที่เอไอพูดเท่านั้น

but very importantly, the whole process that the AI used to produce that answer.

แต่มันคือกระบวนการทั้งหมดที่เอไอใช้ ในการสร้างคำตอบนั้น ๆ

และนี่ช่วยให้มันสามารถ พูดคุยเรื่องทั่วไปได้

And this allows it to generalize.

It allows it to teach, to sort of infer your intent

ช่วยให้สามารถสอน สามารถสรุปเจตนาของคุณ

and apply it in scenarios that it hasn't seen before,

และนำไปใช้ในสถานการณ์ ที่ไม่เคยเจอมาก่อน

that it hasn't received feedback.

ที่ไม่เคยรับคำติชมเสนอแนะมาก่อน

Now, sometimes the things we have to teach the AI

เอาละ บางครั้งสิ่งที่เราต้องสอนเอไอ

are not what you'd expect.

กลับไม่ใช่สิ่งที่คุณคาดคิด

For example, when we first showed GPT-4 to Khan Academy,

ตัวอย่างเช่น ตอนที่เรานำเสนอจีพีที-4 ให้กับคานอะคาเดมี่

they said, "Wow, this is so great,

เราว่า “ว้าว นี่มันยอดเยี่ยมมาก

We're going to be able to teach students wonderful things.

เราจะสามารถสอนสิ่งที่ยอดเยี่ยม ให้กับนักเรียนได้

Only one problem, it doesn't double-check students' math.

ปัญหาเดียวเลย มันไม่ยอมตรวจเลขให้นักเรียนอีกรอบ

If there's some bad math in there,

ถ้ามีการคำนวณที่ผิดพลาด

it will happily pretend that one plus one equals three and run with it."

มันก็พร้อมที่จะแกล้งทำเป็นว่า 1 + 1 = 3”

So we had to collect some feedback data.

เราจึงต้องรวบรวมข้อมูลความคิดเห็น

Sal Khan himself was very kind

ซาล คาน เองก็ใจดีมาก

and offered 20 hours of his own time to provide feedback to the machine

และให้เวลาส่วนตัวถึง 20 ชั่วโมง เพื่อให้คำติชมเสนอแนะต่อเครื่อง

alongside our team.

พร้อมกับทีมของเรา

And over the course of a couple of months we were able to teach the AI that,

และในช่วงสองสามเดือน เราก็สามารถสอนเอไอได้ว่า

"Hey, you really should push back on humans

“เฮ้ คุณควรจะโต้ตอบกับมนุษย์

in this specific kind of scenario."

ในสถานการณ์เฉพาะแบบนี้นะ”

And we've actually made lots and lots of improvements to the models this way.

และเราได้ปรับปรุงโมเดล ด้วยวิธีนี้อย่างมากมายจริง ๆ

And when you push that thumbs down in ChatGPT,

และเมื่อคุณกดปุ่มรูปนิ้วโป้งกดลง ให้กับแชทจีพีที

that actually is kind of like sending up a bat signal to our team to say,

มันก็เหมือนการส่งสัญญาณแบทแมนให้ทีมเรา เพื่อบอกว่า

“Here’s an area of weakness where you should gather feedback.”

“นี่คือจุดอ่อนที่คุณควร รวบรวมความคิดเห็นติชม”

And so when you do that,

เมื่อคุณทำเช่นนั้น

that's one way that we really listen to our users

นั่นเป็นวิธีหนึ่งที่เรา รับฟังผู้ใช้ของเราจริง ๆ

and make sure we're building something that's more useful for everyone.

และทำให้แน่ใจว่าเรากำลัง สร้างสิ่งที่มีประโยชน์มากขึ้นสำหรับทุกคน

Now, providing high-quality feedback is a hard thing.

การให้คำติชมเสนอแนะ ที่มีคุณภาพสูงนั้นเป็นสิ่งที่ยาก

ถ้าคุณคิดที่จะถาม ให้เด็กทำความสะอาดห้องของตน

If you think about asking a kid to clean their room,

if all you're doing is inspecting the floor,

ถ้าทั้งหมดที่คุณทำ คือการตรวจสอบพื้นห้อง

you don't know if you're just teaching them to stuff all the toys in the closet.

คุณไม่รู้หรอกว่าคุณกำลังสอนพวกเขา ให้เก็บของเล่นทั้งหมดไว้ในตู้หรือเปล่า

This is a nice DALL-E-generated image, by the way.

จะว่าไป นี่เป็นภาพที่ดีที่สร้างโดยดอล-อี

And the same sort of reasoning applies to AI.

การใช้เหตุผลแบบเดียวกันนี้ ก็ถูกนำมาใช้กับเอไอ

As we move to harder tasks,

เมื่อเราเริ่มทำงานที่ยากขึ้น

we will have to scale our ability to provide high-quality feedback.

เราจะต้องเพิ่มความสามารถของเรา ในการให้คำติชมเสนอแนะที่มีคุณภาพสูง

But for this, the AI itself is happy to help.

แต่สำหรับงานนี้เอง เอไอก็ยินดีที่จะช่วยเหลือ

It's happy to help us provide even better feedback

ยินดีที่จะช่วยเรา ให้ข้อเสนอแนะที่ดียิ่งขึ้นไปอีก

and to scale our ability to supervise the machine as time goes on.

และเพื่อขยายความสามารถของเรา ในการดูแลเครื่องเมื่อเวลาผ่านไป

And let me show you what I mean.

ให้ผมโชว์ให้คุณดู ว่าผมหมายความว่าอย่างไร

For example, you can ask GPT-4 a question like this,

ตัวอย่างเช่น คุณสามารถถาม จีพีที-4 ด้วยคำถามแบบนี้

of how much time passed between these two foundational blogs

เวลาผ่านไปนานแค่ไหน ระหว่างบล็อกพื้นฐานทั้งสองบล็อกนี้

on unsupervised learning

การเรียนรู้แบบไม่มีผู้ดูแล

and learning from human feedback.

และการเรียนรู้จากคำแนะนำติชมของมนุษย์

And the model says two months passed.

โมเดลตอบว่าสองเดือน

But is it true?

แต่มันจริงมั้ย

Like, these models are not 100-percent reliable,

โมเดลพวกนี้ ไม่ได้น่าเชื่อถือ 100 เปอร์เซ็นต์

although they’re getting better every time we provide some feedback.

ถึงแม้ว่ามันจะดีขึ้นในทุก ๆ ครั้ง ที่เราให้ข้อเสนอแนะติชม

But we can actually use the AI to fact-check.

แต่จริง ๆ เราสามารถใช้เอไอ เพื่อตรวจสอบข้อเท็จจริงได้

And it can actually check its own work.

และมันก็สามารถตรวจสอบ งานของตัวมันเองได้

You can say, fact-check this for me.

คุณสามารถบอกมัน ให้ตรวจสอบข้อเท็จจริงให้หน่อย

Now, in this case, I've actually given the AI a new tool.

ในกรณีนี้ ผมได้ให้เครื่องมือใหม่กับเอไอ

This one is a browsing tool

เป็นเครื่องมือในการสืบค้น

where the model can issue search queries and click into web pages.

โดยที่โมเดลสามารถออกคำค้นหา และคลิกเข้าสู่หน้าเว็บได้

And it actually writes out its whole chain of thought as it does it.

และมันก็เขียนห่วงโซ่ความคิดทั้งหมดออกมา ตามความเป็นจริง

It says, I’m just going to search for this and it actually does the search.

มันแจ้งว่ามันจะค้นหาสิ่งนี้ และมันก็ทำการค้นหาจริง ๆ

It then it finds the publication date and the search results.

จากนั้นมันก็พบวันที่เผยแพร่ และผลการค้นหา

It then is issuing another search query.

จากนั้นมันจะออกคำค้นหาต่อไป

It's going to click into the blog post.

มันจะคลิกเข้าไปในบล็อกโพสต์

And all of this you could do, but it’s a very tedious task.

ซึ่งคุณสามารถทำทั้งหมดนี้ได้เอง แต่จะเป็นงานที่น่าเบื่อมาก

It's not a thing that humans really want to do.

ไม่ใช่งานที่มนุษย์อยากจะทำเองจริง ๆ

It's much more fun to be in the driver's seat,

มันสนุกกว่าที่จะเป็นคนขับ

อยู่ในตำแหน่งผู้จัดการ ซึ่งคุณก็สามารถนะ ถ้าคุณต้องการที่จะ

to be in this manager's position where you can, if you want,

triple-check the work.

ตรวจงานซ้ำสามรอบ

คุณสามารถดูข้อมูลอ้างอิงได้

And out come citations

so you can actually go

คุณจึงสามารถ

and very easily verify any piece of this whole chain of reasoning.

ตรวจสอบส่วนต่าง ๆ ของห่วงโซ่เหตุผล ได้อย่างง่ายดาย

And it actually turns out two months was wrong.

และปรากฎว่ามันผิดไปสองเดือน

Two months and one week,

สองเดือนกับหนึ่งสัปดาห์

that was correct.

ถึงจะถูก

(Applause)

(เสียงปรบมือ)

And we'll cut back to the side.

และเราจะตัดกลับไปที่สไลด์

And so thing that's so interesting to me about this whole process

สิ่งที่น่าสนใจสำหรับผม เกี่ยวกับกระบวนการทั้งหมดนี้

is that it’s this many-step collaboration between a human and an AI.

ก็คือการทำงานร่วมกันหลายขั้นตอน ระหว่างมนุษย์กับเอไอ

Because a human, using this fact-checking tool

จากการที่มนุษย์ ใช้เครื่องมือตรวจสอบข้อเท็จจริงนี้

is doing it in order to produce data

เพื่อเป็นการผลิตข้อมูล

for another AI to become more useful to a human.

สำหรับเอไอตัวอื่น ๆ นั้น มีประโยชน์ต่อมนุษย์มากยิ่งขึ้น

And I think this really shows the shape of something

ผมคิดว่ามันดูเป็นรูปเป็นร่างของบางสิ่ง

that we should expect to be much more common in the future,

ที่เราควรตั้งตารอว่าจะมีอยู่ทั่วไปในอนาคต

where we have humans and machines kind of very carefully

เมื่อมนุษย์และเครื่องจักร

and delicately designed in how they fit into a problem

ได้ออกแบบวางแผนอย่างระมัดระวัง ว่าแต่ละฝ่ายเหมาะสมกับปัญหา

and how we want to solve that problem.

และต้องการที่จะแก้ปัญหานั้น ๆ อย่างไร

We make sure that the humans are providing the management, the oversight,

เราต้องแน่ใจว่ามนุษย์เป็นผู้จัดการ เป็นผู้กำกับดูแล และให้ข้อเสนอแนะ

the feedback,

และเครื่องจักรกำลังทำงาน ในลักษณะที่ตรวจสอบได้

and the machines are operating in a way that's inspectable

และเชื่อถือได้

and trustworthy.

เราสามารถสร้างเครื่องที่ น่าเชื่อถือมากยิ่งขึ้นเมื่อทำงานร่วมกัน

And together we're able to actually create even more trustworthy machines.

และผมคิดว่าเมื่อเวลาผ่านไป หากเราทำให้กระบวนการนี้ถูกต้อง

And I think that over time, if we get this process right,

เราจะสามารถแก้ปัญหาที่แก้ไม่ได้

we will be able to solve impossible problems.

และเพื่อให้คุณเข้าใจ เมื่อผมพูดถึงปัญหาที่แก้ไม่ได้

And to give you a sense of just how impossible I'm talking,

I think we're going to be able to rethink almost every aspect

ผมคิดว่าเราจะสามารถ คิดใหม่ได้ในเกือบทุกด้าน

of how we interact with computers.

ของวิธีการโต้ตอบกับคอมพิวเตอร์

For example, think about spreadsheets.

ตัวอย่างเช่น ลองนึกถึงสเปรดชีต

They've been around in some form since, we'll say, 40 years ago with VisiCalc.

พวกมันมีอยู่ในรูปแบบใดรูปแบบหนึ่ง ตั้งแต่ประมาณ 40 ปีก่อน ด้วยโปรแกรมวิสิแคล

I don't think they've really changed that much in that time.

ผมไม่เห็นการเปลี่ยนแปลงมากนัก นับจากช่วงเวลานั้น

And here is a specific spreadsheet of all the AI papers on the arXiv

และนี่คือสเปรดชีตเฉพาะ ของเอกสารทั้งหมดของเอไอในอาร์ไคฟ

for the past 30 years.

ในช่วง 30 ปีที่ผ่านมา

There's about 167,000 of them.

มีประมาณ 167,000 ชิ้น

And you can see there the data right here.

คุณสามารถดูข้อมูลได้ที่นี่

But let me show you the ChatGPT take on how to analyze a data set like this.

ให้ผมโชว์ให้คุณเห็นวิธีที่แชทจีพีที ใช้ในการวิเคราะห์ชุดข้อมูลลักษณะนี้

So we can give ChatGPT access to yet another tool,

เราให้แชทจีพีทีได้เข้าถึง อีกหนึ่งเครื่องมือ

this one a Python interpreter,

มันคือโปรแกรมล่ามไพทอน

so it’s able to run code, just like a data scientist would.

มันสามารถรันโค้ดได้เหมือนกับที่ นักวิทยาศาสตร์ข้อมูลทำกัน

And so you can just literally upload a file

คุณจึงสามารถอัปโหลดไฟล์

and ask questions about it.

และถามคำถามเกี่ยวกับไฟล์นั้น ๆ

And very helpfully, you know, it knows the name of the file and it's like,

และมีประโยชน์มากที่มันรู้ชื่อไฟล์ และมันจะแจ้งว่า

"Oh, this is CSV," comma-separated value file,

“โอ้ นี่คือไฟล์ซีเอสวี ไฟล์ค่าที่คั่นด้วยจุลภาค

"I'll parse it for you."

ฉันจะแยกวิเคราะห์ให้คุณ”

The only information here is the name of the file,

ข้อมูลเดียวที่เราให้คือชื่อของไฟล์

the column names like you saw and then the actual data.

ชื่อคอลัมน์ตามที่คุณเห็น และข้อมูลจริง

And from that it's able to infer what these columns actually mean.

จากนั้นเจ้าเอไอก็สามารถคาดคะเนได้ว่า คอลัมน์เหล่านี้หมายถึงอะไร

Like, that semantic information wasn't in there.

แบบว่า ความหมายของข้อมูลนั้น ๆ ไม่ได้ปรากฎอยู่

It has to sort of, put together its world knowledge of knowing that,

มันต้องรวบรวมความรู้ทั้งหมดที่มี ในการที่จะรู้ว่า

“Oh yeah, arXiv is a site that people submit papers

“อ๋อ อาร์ไคฟเป็นไซต์ที่ผู้คนส่งบทความ

and therefore that's what these things are and that these are integer values

ดังนั้น นั่นคือสิ่งที่มันเป็น และค่าเหล่านี้เป็นค่าจำนวนเต็ม

and so therefore it's a number of authors in the paper,"

ดังนั้น มันคือจำนวนของ ผู้เขียนบทความชิ้นนี้

ทั้งหมดนี้เป็นงานที่มนุษย์ต้องทำ

like all of that, that’s work for a human to do,

และเจ้าเอไอก็ยินดีที่จะช่วยเหลือ

and the AI is happy to help with it.

ตอนนี้ผมไม่รู้ด้วยซ้ำ ว่าผมอยากจะถามอะไร

Now I don't even know what I want to ask.

So fortunately, you can ask the machine,

โชคดีที่คุณสามารถถามมัน

"Can you make some exploratory graphs?"

“ช่วยทำกราฟเชิงสำรวจให้หน่อยได้ไหม”

And once again, this is a super high-level instruction with lots of intent behind it.

นี่เป็นอีกครั้งที่เราให้คำสั่งระดับสูง ที่แฝงไปด้วยความมุ่งหมายหลายอย่าง

But I don't even know what I want.

แต่ผมไม่รู้ด้วยซ้ำว่าผมต้องการอะไร

And the AI kind of has to infer what I might be interested in.

และเอไอจะต้องอนุมาน ในสิ่งที่ผมอาจสนใจ

และมันก็เสนอไอเดียเจ๋ง ๆ

And so it comes up with some good ideas, I think.

ฮิสโตแกรมของจำนวนผู้เขียนบทความ

So a histogram of the number of authors per paper,

time series of papers per year, word cloud of the paper titles.

อนุกรมเวลาของเอกสารต่อปี กลุ่มคำที่ปรากฎบ่อย ๆ ในชื่อบทความ

All of that, I think, will be pretty interesting to see.

ผมคิดว่าทั้งหมดนี้ น่าสนใจมากที่จะได้เห็น

และสิ่งที่ยอดเยี่ยมก็คือ มันสามารถทำได้จริง ๆ

And the great thing is, it can actually do it.

Here we go, a nice bell curve.

เอาล่ะ กราฟระฆังคว่ำสวย ๆ

คุณจะเห็นว่าจำนวนสามคน พบได้บ่อยที่สุด

You see that three is kind of the most common.

It's going to then make this nice plot of the papers per year.

มันจะสร้างกราฟของจำนวนบทความต่อปี

Something crazy is happening in 2023, though.

บางอย่างดูแปลก ๆ ในปี 2023 นะ

Looks like we were on an exponential and it dropped off the cliff.

ดูเหมือนมันกำลังทะยานขึ้น แล้วอยู่ ๆ ก็ดิ่งลงเฉย

What could be going on there?

ฮืม เกิดอะไรขึ้น

By the way, all this is Python code, you can inspect.

อย่างไรก็ตาม ทั้งหมดนี้คือโค้ดไพทอน ที่คุณสามารถตรวจสอบได้

And then we'll see word cloud.

แล้วเราจะเห็นกลุ่มคำ

So you can see all these wonderful things that appear in these titles.

คุณสามารถเห็นสิ่งมหัศจรรย์ทั้งหมด ที่ปรากฏในชื่อเหล่านี้

But I'm pretty unhappy about this 2023 thing.

แต่ผมไม่ค่อยพอใจ กับไอ้เรื่องปี 2023 นี้นัก

It makes this year look really bad.

มันทำให้ปีนี้ดูแย่จริง ๆ

Of course, the problem is that the year is not over.

แน่นอนว่า ปัญหาคือมันยังไม่ถึงสิ้นปี

So I'm going to push back on the machine.

ผมเลยจะเถียงกับเจ้าเครื่องนี้สักหน่อย

[Waitttt that's not fair!!!

[เดี๋ยวก่อน นั่นมันไม่ยุติธรรม!!!

2023 isn't over.

ปี 2023 ยังไม่สิ้นสุดด้วยซ้ำ

กี่เปอร์เซ็นต์ของบทความในปี 2022 ที่ถูกโพสต์ภายในวันที่ 13 เมษายน]

What percentage of papers in 2022 were even posted by April 13?]

So April 13 was the cut-off date I believe.

ดังนั้น วันที่ 13 เมษายน จึงเป็นวันตัดจบ

Can you use that to make a fair projection?

ช่วยทำให้มันถูกต้องมากขึ้นได้ไหม

So we'll see, this is the kind of ambitious one.

เรามาลองดูกัน มันแอบทะเยอทะยานนิด ๆ

(Laughter)

(เสียงหัวเราะ)

So you know,

นั่นแหละครับ

again, I feel like there was more I wanted out of the machine here.

ย้ำอีกครั้ง ผมรู้สึกเหมือนยังมีอะไรอีกมาก ที่ผมอยากได้จากเจ้าเครื่องนี้

I really wanted it to notice this thing,

ผมอยากให้มันสังเกตเห็นสิ่งนี้จริง ๆ

maybe it's a little bit of an overreach for it

บางทีมันอาจจะ เกินเอื้อมไปหน่อยสำหรับมัน

to have sort of, inferred magically that this is what I wanted.

ที่จะอนุมานได้อย่างแม่นยำว่า นี่คือสิ่งที่ผมต้องการ

But I inject my intent,

แต่ผมก็ได้ใส่ความตั้งใจของผมลงไป

I provide this additional piece of, you know, guidance.

ผมได้ให้คำแนะนำเพิ่มเติมในส่วนนี้

And under the hood,

และในระบบหลังบ้าน

the AI is just writing code again, so if you want to inspect what it's doing,

เอไอกำลังเขียนโค้ดอีกครั้ง ดังนั้น ถ้าคุณอยากตรวจสอบว่ามันกำลังทำอะไรอยู่

it's very possible.

มันก็เป็นไปได้

And now, it does the correct projection.

แล้วตอนนี้มันทำการประมาณการได้แม่นยำขึ้น

(Applause)

(เสียงปรบมือ)

If you noticed, it even updates the title.

ถ้าคุณสังเกต มันอัปเดตชื่อเรื่องให้ด้วย

I didn't ask for that, but it know what I want.

ผมไม่ได้ขอ แต่มันรู้ว่าผมต้องการอะไร

Now we'll cut back to the slide again.

เราจะตัดกลับไปที่สไลด์อีกครั้ง

This slide shows a parable of how I think we ...

สไลด์นี้อุปมาอุปไมย ว่าผมคิดว่าพวกเรา...

A vision of how we may end up using this technology in the future.

วิสัยทัศน์ถึงวิธีที่เราจะ ใช้เทคโนโลยีนี้ในอนาคต

A person brought his very sick dog to the vet,

มีคนพาน้องหมาที่ป่วย ไปพบสัตว์แพทย์

and the veterinarian made a bad call to say, “Let’s just wait and see.”

แล้วสัตวแพทย์ก็วินิจฉัยผิด โดยให้ “รอดูอาการกันไปก่อน”

And the dog would not be here today had he listened.

น้องหมาคงไม่รอด ถ้าเขาเชื่อคำวินิจฉัย

In the meanwhile, he provided the blood test,

ในขณะเดียวกัน เขาก็ให้ผลตรวจเลือด

like, the full medical records, to GPT-4,

เวชระเบียนฉบับเต็ม ให้กับจีพีที-4

which said, "I am not a vet, you need to talk to a professional,

ซึ่งมันก็ตอบว่า “ผมไม่ใช่สัตว์แพทย์ คุณต้องคุยกับผู้เชี่ยวชาญ

here are some hypotheses."

แต่นี่คือสมมติฐานบางอย่าง”

He brought that information to a second vet

มันนำข้อมูลนั้น ๆ ไปให้สัตว์แพทย์คนที่สอง

who used it to save the dog's life.

ซึ่งได้ใช้ข้อมูลดังกล่าว ในการช่วยชีวิตน้องหมา

Now, these systems, they're not perfect.

เอาละ ระบบเหล่านี้ ไม่ได้ถูกต้องสมบูรณ์หรอก

You cannot overly rely on them.

คุณไม่ควรเชื่อมันมากจนเกินไป

But this story, I think, shows

แต่เรื่อง ๆ นี้ ทำให้เห็นว่า

that a human with a medical professional

คนที่มีความเชี่ยวชาญทางการแพทย์

and with ChatGPT as a brainstorming partner

และแชทจีพีที ในฐานะเพื่อนคู่คิด

was able to achieve an outcome that would not have happened otherwise.

สามารถทำให้เกิดผลที่ ไม่อาจเกิดขึ้นได้หากไม่ได้ทำงานร่วมกัน

I think this is something we should all reflect on,

ผมคิดว่านี่คือสิ่งที่เราทุกคนควรไตร่ตรอง

think about as we consider how to integrate these systems

คิดถึงวิธีการรวมระบบเหล่านี้ ให้เข้ากับโลกของเรา

into our world.

And one thing I believe really deeply,

สิ่งหนึ่งที่ผมเชื่ออย่างสุดจิตสุดใจ

is that getting AI right is going to require participation from everyone.

คือการทำให้เอไอทำงานได้อย่างถูกต้อง ทุกคนต้องช่วยกัน

And that's for deciding how we want it to slot in,

มันคือการตัดสินใจว่า เราอยากจะวางมันอย่างไร

that's for setting the rules of the road,

มันคือการตั้งกฎ

for what an AI will and won't do.

ว่าเจ้าเอไอนั้น สามารถทำหรือไม่ทำอะไร

And if there's one thing to take away from this talk,

แล้วถ้ามีสิ่งหนึ่ง ที่ควรได้รับไปจากการฟังทอล์กนี้

it's that this technology just looks different.

คือการที่เทคโนโลยีนี้ดูแตกต่าง

Just different from anything people had anticipated.

แตกต่างจากที่ผู้คนคาดการณ์ไว้

And so we all have to become literate.

ดังนั้น เราทุกคนจึงต้องเป็นผู้รู้เท่าทัน

And that's, honestly, one of the reasons we released ChatGPT.

และนั่นคือหนึ่งในเหตุผล ที่เราเปิดตัวแชทจีพีที

Together, I believe that we can achieve the OpenAI mission

ผมเชื่อว่าเราจะสามารถ บรรลุภารกิจของโอเพนเอไอ

of ensuring that artificial general intelligence

ในการสร้างความมั่นใจว่า ปัญญาประดิษฐ์ทั่วไป

benefits all of humanity.

จะสร้างประโยชน์ต่อมวลมนุษยชาติ

Thank you.

ขอบคุณครับ

(Applause)

(เสียงปรบมือ)

(Applause ends)

(เสียงปรบมือจบลง)

Chris Anderson: Greg.

คริส แอนเดอร์สัน: เกร็ก

Wow.

ว้าว

I mean ...

คือว่า ...

I suspect that within every mind out here

ผมคิดว่าในใจของทุกคนที่นี่

there's a feeling of reeling.

มีความรู้สึกปั่นป่วน

ผมคิดว่าคนจำนวนมากที่กำลังดูอยู่

Like, I suspect that a very large number of people viewing this,

you look at that and you think, “Oh my goodness,

มองมาแล้วคิดว่า “พระเจ้าช่วย

pretty much every single thing about the way I work, I need to rethink."

ทุกอย่างที่เกี่ยวกับวิธีการทำงานของผม ผมต้องคิดใหม่ซะแล้ว

Like, there's just new possibilities there.

แบบว่า มันมีความเป็นไปได้ใหม่ ๆ

Am I right?

ใช่ไหมครับ

Who thinks that they're having to rethink the way that we do things?

มีใครคิดบ้างว่าเราจะต้องคิดใหม่ ถึงวิธีการที่เราทำสิ่งต่าง ๆ

Yeah, I mean, it's amazing,

ผมคิดว่า มันน่าทึ่งมาก ๆ

but it's also really scary.

และมันก็น่าหวาดหวั่นด้วยเช่นกัน

So let's talk, Greg, let's talk.

เรามาคุยกันเถอะ เกร็ก

เกร็ก บร็อคแมน: ได้เลยครับ

I mean, I guess my first question actually is just

ผมว่าคำถามแรกของผมคือ

how the hell have you done this?

คุณทำเรื่องบ้าบอนี้ขึ้นมาได้ยังไง

(Laughter)

(เสียงหัวเราะ)

OpenAI has a few hundred employees.

โอเพนเอไอ มีพนักงานอยู่สองสามร้อยคน

Google has thousands of employees working on artificial intelligence.

กูเกิลมีพนักงานหลายพันคน

ที่ทำงานด้านปัญญาประดิษฐ์

Why is it you who's come up with this technology

ทำไมถึงเป็นคุณที่ สามารถสร้างเทคโนโลยีนี้

that shocked the world?

ที่ทำให้โลกตะลึง

Greg Brockman: I mean, the truth is,

เกร็ก: ความจริงก็คือ

เรากำลังต่อยอดจากองค์ความรู้เดิม

we're all building on shoulders of giants, right, there's no question.

ดูจากความก้าวหน้าด้านการคำนวณ

ความก้าวหน้าของอัลกอริทึม ความก้าวหน้าของข้อมูล

If you look at the compute progress,

the algorithmic progress, the data progress,

ทั้งหมดนี้ครอบคลุมทั่วทั้งอุตสาหกรรม

all of those are really industry-wide.

ในส่วนของโอเพนเอไอ

เราได้เลือกอย่างรอบคอบ มาตั้งแต่ช่วงแรก ๆ

But I think within OpenAI,

we made a lot of very deliberate choices from the early days.

อย่างแรกคือการเผชิญหน้ากับความจริง ตามความเป็นจริง

And the first one was just to confront reality as it lays.

แล้วเราก็คิดอย่างหนัก เกี่ยวกับเรื่อง

And that we just thought really hard about like:

What is it going to take to make progress here?

ต้องทำอะไรบ้าง เพื่อให้เกิดความก้าวหน้า

We tried a lot of things that didn't work, so you only see the things that did.

เราลองมาหลายสิ่งที่ไม่ได้ผล คุณจึงเห็นแต่สิ่งที่ได้ผล

และผมคิดว่าสิ่งที่สำคัญที่สุด คือการสร้างทีมที่มีผู้คน

And I think that the most important thing has been to get teams of people

ที่มีความแตกต่างอย่างมาก มาทำงานร่วมกันอย่างกลมกลืน

who are very different from each other to work together harmoniously.

CA: Can we have the water, by the way, just brought here?

คริส: ขอน้ำหน่อยได้ไหมครับ เอามาวางไว้ตรงนี้

ผมว่าเราต้องกระหายแน่ ๆ มันเป็นหัวข้อที่ทำให้คอแห้ง

I think we're going to need it, it's a dry-mouth topic.

But isn't there something also just about the fact

แต่มันก็มีความจริงที่ว่า

that you saw something in these language models

คุณเห็นอะไรบางอย่าง ในโมเดลภาษาเหล่านี้

that meant that if you continue to invest in them and grow them,

ซึ่งส่งสัญญาณว่าหากคุณยังคงลุยไปกับมัน และทำให้มันเติบโต

that something at some point might emerge?

บางสิ่งอาจปรากฏขึ้น ในเวลาใดเวลาหนึ่ง

GB: Yes.

เกร็ก: ใช่ครับ

และผมคิดว่า ว่ากันตามตรง

And I think that, I mean, honestly,

I think the story there is pretty illustrative, right?

ผมว่าเรื่องนั้น ภาพมันค่อนข้างชัดอยู่แล้ว ใช่ไหมครับ

ผมว่าการเรียนรู้เชิงลึกในระดับสูง

I think that high level, deep learning,

like we always knew that was what we wanted to be,

เป็นสิ่งที่เรารู้มาตลอด ว่าเราอยากเป็น

was a deep learning lab, and exactly how to do it?

เป็นแล็บการเรียนรู้เชิงลึก และต้องทำอย่างไรกันแน่นั้น

I think that in the early days, we didn't know.

ผมว่าในยุคแรก ๆ เราไม่รู้หรอก

เราลองหลายอย่าง

We tried a lot of things,

และมีคนหนึ่งกำลังฝึกโมเดล

and one person was working on training a model

to predict the next character in Amazon reviews,

เพื่อให้ทำนายอักขระตัวต่อไป ในรีวิวของแอมะซอน

and he got a result where -- this is a syntactic process,

และเขาได้ผลลัพธ์ที่ -- มันเป็นกระบวนการเกี่ยวกับการสร้างประโยค

you expect, you know, the model will predict where the commas go,

คุณคาดว่าโมเดลจะทำนายว่า เครื่องหมายจุลภาคจะอยู่ตรงไหน

where the nouns and verbs are.

คำนามและกริยาอยู่ตรงไหน

But he actually got a state-of-the-art sentiment analysis classifier out of it.

แต่เขากลับได้รับตัวแยกประเภท ของการวิเคราะห์ความรู้สึกที่ล้ำสมัยมาก ๆ

This model could tell you if a review was positive or negative.

โมเดลนี้สามารถบอกคุณได้ว่า รีวิวนั้น ๆ เป็นบวกหรือเป็นลบ

I mean, today we are just like, come on, anyone can do that.

คือทุกวันนี้เราก็แบบว่า เอาเถอะ ใคร ๆ ก็ทำได้วะ

But this was the first time that you saw this emergence,

แต่นี่เป็นครั้งแรก ที่คุณได้เห็นปรากฎการณ์นี้

this sort of semantics that emerged from this underlying syntactic process.

ความหมายของคำที่เกิดจาก กระบวนการพื้นฐานเกี่ยวกับการสร้างประโยค

And there we knew, you've got to scale this thing,

เรารู้ทันทีว่า เราต้องขยายเรื่องนี้

you've got to see where it goes.

ต้องดูว่ามันจะไปในทิศทางไหน

คริส: ผมคิดว่านี่จะช่วยอธิบาย

CA: So I think this helps explain

ปริศนาที่ทำให้ ทุกคนที่จับตามองอยู่รู้สึกงงงวย

the riddle that baffles everyone looking at this,

because these things are described as prediction machines.

เพราะสิ่งเหล่านี้ถูกอธิบายว่า เป็นเครื่องทำนาย

And yet, what we're seeing out of them feels ...

แต่สิ่งที่เห็นทำให้เรารู้สึกว่า ...

it just feels impossible that that could come from a prediction machine.

มันแค่รู้สึกว่าเป็นไปไม่ได้ที่ มันจะเป็นแค่เครื่องทำนาย

Just the stuff you showed us just now.

แค่สิ่งต่าง ๆ ที่คุณแสดงให้เราเห็นเมื่อกี้

And the key idea of emergence is that when you get more of a thing,

และแนวคิดหลักของการเกิดขึ้นก็คือ เมื่อคุณได้รับสิ่งหนึ่งสิ่งใดมากขึ้น

suddenly different things emerge.

จู่ ๆ สิ่งที่แตกต่างก็จะเกิดขึ้น

It happens all the time, ant colonies, single ants run around,

มันเกิดขึ้นตลอดเวลา อย่างในฝูงมด มดหนึ่งตัวทำบางอย่างอยู่

when you bring enough of them together,

เมื่อเพิ่มจำนวนของมดขึ้นมากพอ

คุณก็จะเห็นฝูงมด ที่แสดงพฤติกรรมที่แตกต่างโดยสิ้นเชิง

you get these ant colonies that show completely emergent, different behavior.

Or a city where a few houses together, it's just houses together.

หรือในเมืองที่มีบ้านอยู่ไม่กี่หลัง

แต่เมื่อมีจำนวนของบ้านเพิ่มขึ้นเรื่อย ๆ

But as you grow the number of houses,

things emerge, like suburbs and cultural centers and traffic jams.

บางสิ่งก็อุบัติขึ้น เช่น ชานเมือง และศูนย์วัฒนธรรม และการจราจรที่ติดขัด

Give me one moment for you when you saw just something pop

เล่าให้ผมฟังหน่อย มีไหมที่คุณเห็นบางสิ่งอุบัติขึ้น

that just blew your mind

แล้วคุณตื่นเต้นตกใจสุด ๆ

that you just did not see coming.

สิ่งที่คุณคาดไม่ถึง

GB: Yeah, well,

เกร็ก: แน่นอนครับ

so you can try this in ChatGPT, if you add 40-digit numbers --

ให้คุณลองกับแชทจีพีที ถ้าคุณบวกตัวเลข 40 หลัก

CA: 40-digit?

คริส: 40 หลักหรือครับ

GB: 40-digit numbers, the model will do it,

เกร็ก: 40 หลัก โมเดลจะทำได้

which means it's really learned an internal circuit for how to do it.

ซึ่งหมายความว่ามันได้เรียนรู้ ว่าวงจรภายในทำงานอย่างไร

And the really interesting thing is actually,

แล้วสิ่งที่น่าสนใจจริง ๆ คือ

if you have it add like a 40-digit number plus a 35-digit number,

ถ้าคุณบวกเลข 40 หลัก เข้ากับเลข 35 หลัก

it'll often get it wrong.

มันมักจะคำนวณผิด

And so you can see that it's really learning the process,

คุณจะเห็นว่า มันกำลังเรียนรู้กระบวนการจริง ๆ

but it hasn't fully generalized, right?

แต่มันก็ยังไม่ได้เรียนรู้ครบทั้งหมด

It's like you can't memorize the 40-digit addition table,

คุณไม่สามารถจดจำตาราง การบวกเลขจำนวน 40 หลักได้หรอก

that's more atoms than there are in the universe.

เพราะจำนวนมันมากกว่า อะตอมที่มีอยู่ในจักรวาล

So it had to have learned something general,

ดังนั้น มันจึงต้องเรียนรู้เรื่องทั่ว ๆ ไป

but that it hasn't really fully yet learned that,

แต่ว่ามันยังไม่ได้เรียนรู้อย่างถ่องแท้ว่า

Oh, I can sort of generalize this to adding arbitrary numbers

โอ้ มันสามารถแก้โจทย์นี้ โดยการบวกเลข ที่มีค่าเท่าไหร่ก็ได้ จะมีกี่หลักก็ได้

of arbitrary lengths.

คริส: สิ่งที่เกิดขึ้นก็คือ

CA: So what's happened here

is that you've allowed it to scale up

คุณปล่อยให้มันออกไปทำงาน

and look at an incredible number of pieces of text.

และเรียนรู้จากต้นฉบับจำนวนมหาศาล

And it is learning things

แล้วมันก็ได้เรียนรู้

that you didn't know that it was going to be capable of learning.

ในสิ่งที่คุณคาดไม่ถึงด้วยซ้ำว่า มันจะสามารถเรียนรู้ได้

GB Well, yeah, and it’s more nuanced, too.

เกร็ก: ใช่ครับ และมันก็เหมาะสมอย่างยิ่ง

So one science that we’re starting to really get good at

ศาสตร์หนึ่งที่เราเริ่มจะทำได้ดี

is predicting some of these emergent capabilities.

ก็คือการทำนายความสามารถ ที่จะเกิดขึ้นใหม่นี้

And to do that actually,

และในการทำเรื่องนั้น

one of the things I think is very undersung in this field

สิ่งหนึ่งที่ผมคิดว่าด้อยมาก ๆ ในสายงานนี้

is sort of engineering quality.

ก็คือคุณภาพทางวิศวกรรม

Like, we had to rebuild our entire stack.

เราต้องสร้างเทคโนโลยีใหม่ทั้งหมด

When you think about building a rocket,

เมื่อคุณคิดจะสร้างจรวด

every tolerance has to be incredibly tiny.

ตัวแปรและโอกาสที่จะพลาด จะต้องมีน้อยที่สุด

Same is true in machine learning.

การให้คอมพิวเตอร์ เรียนรู้ด้วยตัวเองก็เช่นกัน

You have to get every single piece of the stack engineered properly,

คุณต้องทำให้เทคโนโลยีทุกชิ้น ได้รับการออกแบบอย่างเหมาะสม

and then you can start doing these predictions.

คุณถึงจะสามารถคาดการณ์ได้

There are all these incredibly smooth scaling curves.

พวกเส้นโค้งสเกล ที่ราบรื่นอย่างไม่น่าเชื่อเหล่านี้

มันบอกอะไรบางอย่าง ที่เป็นพื้นฐานเชิงลึกเกี่ยวกับปัญญา

They tell you something deeply fundamental about intelligence.

หากคุณดูบล็อกโพสต์ของจีพีที-4

If you look at our GPT-4 blog post,

คุณจะเห็นเส้นโค้งเหล่านี้อยู่ในนั้น

you can see all of these curves in there.

And now we're starting to be able to predict.

ตอนนี้เราก็เริ่มที่จะคาดการณ์ได้แล้ว

เราสามารถคาดการณ์ถึงประสิทธิภาพ ของปัญหาการเข้ารหัสได้ เป็นต้น

So we were able to predict, for example, the performance on coding problems.

We basically look at some models

เราลองดูโมเดลบางรุ่น

that are 10,000 times or 1,000 times smaller.

ที่เล็กกว่า 10,000 เท่า หรือ 1,000 เท่า

And so there's something about this that is actually smooth scaling,

มีบางอย่างที่ปรับสเกลได้อย่างราบรื่น

even though it's still early days.

แม้ว่าเราจะยังอยู่ในยุคต้น ๆ ก็ตาม

CA: So here is, one of the big fears then,

คริส: เอาละ หนึ่งในความน่ากลัว

that arises from this.

ที่เกิดขึ้นจากสิ่งนี้

If it’s fundamental to what’s happening here,

หากนี่เป็นพื้นฐานของสิ่งที่เกิดขึ้น

that as you scale up,

เมื่อคุณขยายขึ้นเรื่อย ๆ

things emerge that

สิ่งต่าง ๆ จะอุบัติขึ้น

you can maybe predict in some level of confidence,

ซึ่งคุณอาจคาดการณ์ได้ ด้วยความมั่นใจในระดับหนึ่ง

but it's capable of surprising you.

แต่มันก็สามารถทำให้คุณประหลาดใจได้

Why isn't there just a huge risk of something truly terrible emerging?

ทำไมจึงไม่มีความเสี่ยงสูง ที่บางสิ่งที่น่ากลัวจะอุบัติขึ้น

GB: Well, I think all of these are questions of degree

เกร็ก: ครับ ผมว่า ทั้งหมดนี้เป็นคำถามเกี่ยวกับระดับ

and scale and timing.

และขนาด และเวลา

อย่างหนึ่งที่คนอาจจะคลาดไป

And I think one thing people miss, too,

is sort of the integration with the world is also this incredibly emergent,

มันคือการรวมตัวเข้ากับโลก มันอุบัติขึ้นอย่างไม่น่าเชื่อ

sort of, very powerful thing too.

เป็นสิ่งที่ทรงพลังมากเช่นกัน

และนั่นเป็นหนึ่งในเหตุผล ที่เราคิดว่าสำคัญมาก ๆ

And so that's one of the reasons that we think it's so important

ในการนำมาปรับใช้ทีละน้อย

to deploy incrementally.

ดังนั้น สิ่งที่เราเห็นอยู่ในตอนนี้ ในทอล์คนี้

And so I think that what we kind of see right now, if you look at this talk,

สิ่งที่ผมมุ่งเน้นอย่างมาก คือการให้ข้อเสนอแนะติชมที่มีคุณภาพสูง

a lot of what I focus on is providing really high-quality feedback.

ในวันนี้ งานต่าง ๆ ที่เราทำ คุณสามารถตรวจสอบได้

Today, the tasks that we do, you can inspect them, right?

มันง่ายมากที่จะดูโจทย์เลข แล้วแบบว่า ไม่ ไม่ ไม่

It's very easy to look at that math problem and be like, no, no, no,

เจ้าเครื่องเอ๋ย เลขเจ็ดคือคำตอบที่ถูกต้อง

machine, seven was the correct answer.

แต่ถึงอย่างนั้น อย่างการสรุปหนังสือ ก็เป็นสิ่งที่กำกับดูแลได้ยาก

But even summarizing a book, like, that's a hard thing to supervise.

คุณจะรู้ได้ยังไงว่า หนังสือนั่นถูกสรุปมาดีแล้ว

Like, how do you know if this book summary is any good?

คุณต้องอ่านทั้งเล่ม

You have to read the whole book.

ไม่มีใครอยากจะทำหรอกครับ

No one wants to do that.

(Laughter)

(เสียงหัวเราะ)

And so I think that the important thing will be that we take this step by step.

ผมคิดว่าสิ่งที่สำคัญ คือเราต้องค่อย ๆ เป็น ค่อย ๆ ไป

And that we say, OK, as we move on to book summaries,

จนกว่าเราจะโอเค เมื่อเราเริ่มงานสรุปหนังสือต่าง ๆ

we have to supervise this task properly.

เราต้องกำกับดูแลงานให้เหมาะสม

We have to build up a track record with these machines

เราต้องสร้างการบันทึกติดตามเครื่องพวกนี้

that they're able to actually carry out our intent.

ให้มันสามารถทำงาน ตามเจตจำนงของเราได้จริง ๆ

And I think we're going to have to produce even better, more efficient,

ผมคิดว่าเราจะต้องสร้างวิธีการที่ดียิ่งขึ้น มีประสิทธิภาพมากขึ้น

more reliable ways of scaling this,

น่าเชื่อถือได้มากขึ้น ในการขยายตัว

sort of like making the machine be aligned with you.

ประมาณว่าทำให้เครื่องนี้ สอดคล้องไปกับคุณ

CA: So we're going to hear later in this session,

คริส: เราจะได้ฟังในช่วงต่อไปของเซสชั่นนี้

there are critics who say that,

มีนักวิจารณ์ที่พูดว่า

you know, there's no real understanding inside,

ยังไม่มีความเข้าใจอย่างถ่องแท้ ต่อระบบข้างใน

the system is going to always --

ระบบจะมีปัญหาเสมอ --

we're never going to know that it's not generating errors,

เราจะไม่มีวันรู้ ว่ามันไม่ได้กำลังสร้างข้อผิดพลาด

that it doesn't have common sense and so forth.

ว่ามันไม่มีสามัญสำนึก และอื่น ๆ

Is it your belief, Greg, that it is true at any one moment,

มันคือความเชื่อของคุณใช่ไหม เกร็ก ว่าจริง ๆ แล้ว ณ จุด ๆ หนึ่ง

but that the expansion of the scale and the human feedback

การขยายขนาด และการให้ความคิดเห็นจากมนุษย์

that you talked about is basically going to take it on that journey

ที่คุณพูดถึงนั้น จะพามันไปสู่การเดินทาง

of actually getting to things like truth and wisdom and so forth,

ไปสู่สิ่งต่าง ๆ เช่น ความจริง และภูมิปัญญา และอื่น ๆ

with a high degree of confidence.

ด้วยความมั่นใจอย่างสูง

Can you be sure of that?

คุณแน่ใจแน่นะ

GB: Yeah, well, I think that the OpenAI, I mean, the short answer is yes,

เกร็ก: แน่ใจครับ ผมว่าโอเพนเอไอ ขอตอบสั้น ๆ ว่าแน่ใจครับ

I believe that is where we're headed.

ผมเชื่อว่าเรากำลังมุ่งหน้าไปในทิศทางนั้น

And I think that the OpenAI approach here has always been just like,

ผมคิดว่าวิธีการของโอเพนเอไอ มักจะเป็นแบบ

let reality hit you in the face, right?

ปล่อยให้ความเป็นจริงตีแสกหน้าคุณเลย

It's like this field is the field of broken promises,

ประหนึ่งว่าสายงานนี้ เป็นสายงานแห่งคำสัญญาที่ไม่เป็นจริง

of all these experts saying X is going to happen, Y is how it works.

เกจิทั้งหลายออกมาพูดว่า สิ่งนี้จะเกิดขึ้น สิ่งนั้นถูกต้อง

People have been saying neural nets aren't going to work for 70 years.

มีคนพูดว่านิวรัลเน็ตเวิร์ก จะไม่เวิร์คไปอีก 70 ปี

พวกเขายังไม่ถูก

They haven't been right yet.

เขาอาจจะถูก อาจจะ 70 ปี บวกหนึ่ง

They might be right maybe 70 years plus one

หรืออะไรทำนองนั้น คือสิ่งที่คุณต้องการ

or something like that is what you need.

แต่วิธีการของเราเป็นแบบนี้เสมอมา

But I think that our approach has always been,

คุณต้องผลักดันขีดจำกัดของเทคโนโลยีนี้

you've got to push to the limits of this technology

จึงจะเห็นมันทำงานจริง ๆ

เพราะนั่นทำให้คุณรู้ว่า โอ้ นี่คือวิธีที่เราจะก้าวไปสู่กระบวนทัศน์ใหม่

to really see it in action,

because that tells you then, oh, here's how we can move on to a new paradigm.

สงครามยังไม่จบ อย่าเพิ่งนับศพทหาร

And we just haven't exhausted the fruit here.

คริส: ถือเป็นจุดยืนที่ก่อให้เกิด การถกเถียงกันในสังคมได้

CA: I mean, it's quite a controversial stance you've taken,

ที่ว่าวิธีการที่ถูกต้อง คือการเผยแพร่ออกไปสู่สาธารณะ

that the right way to do this is to put it out there in public

and then harness all this, you know,

แล้วใช้ประโยชน์จากสิ่งที่จะเกิดขึ้น

instead of just your team giving feedback,

แทนที่จะเป็นแค่ทีมของคุณ ที่ให้ข้อเสนอแนะ

the world is now giving feedback.

ทั้งโลกกำลังให้ข้อเสนอแนะ

But ...

แต่ ...

If, you know, bad things are going to emerge,

ถ้าเรื่องราวร้าย ๆ จะอุบัติขึ้น

it is out there.

เราก็จะเห็นมัน

So, you know, the original story that I heard on OpenAI

ผมได้ยินเรื่องราว การกำเนิดของโอเพนเอไอ

when you were founded as a nonprofit,

ตอนที่คุณเริ่มจาก องค์กรไม่แสวงหาผลกำไร

well you were there as the great sort of check on the big companies

คุณเริ่มในฐานะ ผู้ที่คอยตรวจสอบบริษัทใหญ่ ๆ

doing their unknown, possibly evil thing with AI.

ที่เป็นไปได้ว่ากำลังทำ สิ่งชั่วร้ายอะไรก็ไม่รู้กับเอไอ

And you were going to build models that sort of, you know,

แล้วคุณก็มีแผนจะสร้างโมเดลที่จะช่วยทำให้

พวกเขาต้องรับผิดชอบ ไม่ทางใดก็ทางหนึ่ง

somehow held them accountable

and was capable of slowing the field down, if need be.

และสามารถชะลองานลงได้หากจำเป็น

Or at least that's kind of what I heard.

หรืออย่างน้อย นั่นก็คือสิ่งที่ผมได้ยินมา

And yet, what's happened, arguably, is the opposite.

แต่สิ่งที่เกิดขึ้นกลับตรงกันข้าม

That your release of GPT, especially ChatGPT,

การเปิดตัวจีพีทีของคุณ โดยเฉพาะแชทจีพีที

sent such shockwaves through the tech world

ได้ส่งแรงสั่นสะเทือน ไปทั่วทั้งวงการเทคฯ

that now Google and Meta and so forth are all scrambling to catch up.

ถึงขนาดที่กูเกิล เมตา และเจ้าอื่น ๆ กำลังดิ้นเพื่อตามให้ทัน

And some of their criticisms have been,

และบางส่วนของคำวิจารณ์ของพวกเขาคือ

you are forcing us to put this out here without proper guardrails or we die.

คุณบังคับให้เขานำสิ่งนี้ออกสู่สาธารณะ โดยยังไม่มีการป้องกันที่ดี

ไม่งั้นบริษัทเขาก็ตาย

You know, how do you, like,

คุณจะอธิบายอย่างไร

make the case that what you have done is responsible here and not reckless.

ว่าสิ่งที่คุณทำนั้นมีความรับผิดชอบ และไม่ได้ประมาท

GB: Yeah, we think about these questions all the time.

เกร็ก: พวกเราคิดถึงคำถามเหล่านี้ตลอดเวลา

Like, seriously all the time.

ตลอดเวลาจริง ๆ

And I don't think we're always going to get it right.

และผมไม่คิดว่าเราจะคิดถูกเสมอนะ

But one thing I think has been incredibly important,

แต่สิ่งหนึ่งที่ผมคิดว่าสำคัญยิ่ง

ตั้งแต่ต้นที่เราเริ่มคิด

from the very beginning, when we were thinking

เกี่ยวกับวิธีที่จะสร้าง ปัญญาประดิษฐ์ทั่วไป

about how to build artificial general intelligence,

ที่มีประโยชน์ต่อมวลมนุษยชาติอย่างแท้จริง

actually have it benefit all of humanity,

แบบว่า คุณจะต้องทำยังไง ใช่ไหมครับ

like, how are you supposed to do that, right?

แผนการตั้งต้น คุณสร้างมันขึ้นมาอย่างลับ ๆ

And that default plan of being, well, you build in secret,

คุณสร้างสิ่งที่ทรงพลังสุด ๆ ขึ้นมา

you get this super powerful thing,

จากนั้นคุณคิดวิธีทำให้มันปลอดภัย แล้วคุณก็กด “เดินเครื่อง”

and then you figure out the safety of it and then you push “go,”

และคุณหวังว่าคุณทำมาถูกแล้ว

and you hope you got it right.

ผมไม่รู้วิธีดำเนินการตามแผนนั้น

I don't know how to execute that plan.

อาจจะมีใครซักคนที่รู้

Maybe someone else does.

แต่สำหรับผมเอง แผนนั้นมันน่ากลัวมาก ๆ

But for me, that was always terrifying, it didn't feel right.

ดังนั้น ผมคิดว่าแนวทางทางเลือกนี้

And so I think that this alternative approach

เป็นอีกทางเลือกที่ผมเห็น

is the only other path that I see,

which is that you do let reality hit you in the face.

ซึ่งก็คือการที่คุณปล่อยให้ ความจริงตีแสกหน้าคุณเลย

And I think you do give people time to give input.

และผู้คนก็จะมีเวลาในการป้อนข้อมูล

You do have, before these machines are perfect,

ก่อนที่เครื่องนี้จะเสร็จสมบูรณ์

before they are super powerful, that you actually have the ability

ก่อนที่มันจะมีพลังล้นฟ้า

คุณยังมีเวลาดูมันเติบโตได้

to see them in action.

And we've seen it from GPT-3, right?

เราเห็นจากจีพีที-3 แล้วใช่ไหมครับ

GPT-3, we really were afraid

เรากลัวเรื่องจีพีที-3

that the number one thing people were going to do with it

ว่าสิ่งแรกที่คนจะนำมันไปใช้

คือการสร้างข้อมูลเท็จ พยายามจะปั่นป่วนผลการเลือกตั้ง

was generate misinformation, try to tip elections.

Instead, the number one thing was generating Viagra spam.

กลับกลายเป็นว่า สิ่งแรกที่มันทำ คือสร้างสแปมไวอากร้า

(Laughter)

(เสียงหัวเราะ)

CA: So Viagra spam is bad, but there are things that are much worse.

คริส: สแปมไวอากร้านี่มันแย่นะ แต่ยังมีอีกหลายอย่างที่แย่ได้มากกว่า

Here's a thought experiment for you.

เรามาทำการทดลองทางความคิดกัน

Suppose you're sitting in a room,

สมมุติว่าคุณนั่งอยู่ในห้อง

there's a box on the table.

มีกล่องอยู่บนโต๊ะ

You believe that in that box is something that,

คุณเชื่อว่าในกล่องนั้น มีบางอย่างที่

there's a very strong chance it's something absolutely glorious

มีโอกาสสูงที่มันจะ รุ่งโรจน์โชติช่วงชัชวาล

that's going to give beautiful gifts to your family and to everyone.

มันจะให้ของขวัญล้ำค่าแก่ครอบครัวของคุณ และให้แก่ทุกคน

But there's actually also a one percent thing in the small print there

แต่มีโอกาสหนึ่งเปอร์เซ็นต์ ที่จะเจอตัวอักษรพิมพ์บนกระดาษแผ่นเล็ก ๆ

ว่า “แพนโดรา” [กล่องแห่งหายนะตามตำนานกรีก]

that says: “Pandora.”

And there's a chance

และมีโอกาสที่

that this actually could unleash unimaginable evils on the world.

สิ่งนี้จะสามารถปลดปล่อยความชั่วร้าย ที่ไม่อาจจินตนาการได้มาสู่โลก

Do you open that box?

เปิดมั้ยครับ

GB: Well, so, absolutely not.

เกร็ก: อืม ไม่เปิดอย่างแน่นอน

I think you don't do it that way.

ผมไม่คิดว่านั่นเป็นวิธีที่ดี

เอาอย่างงี้ ผมจะเล่าเรื่องนึง ที่ผมไม่เคยเล่าที่ไหนมาก่อน

And honestly, like, I'll tell you a story that I haven't actually told before,

which is that shortly after we started OpenAI,

หลังจากที่เราเริ่มโอเพนเอไอได้ไม่นาน

I remember I was in Puerto Rico for an AI conference.

ผมได้ไปร่วมงานสัมมนาด้านเอไอ ที่ประเทศเปอร์โตริโก้

I'm sitting in the hotel room just looking out over this wonderful water,

ผมนั่งอยู่ที่ห้องพักในโรงแรม มองออกไปเห็นผืนน้ำอันสวยงาม

all these people having a good time.

ผู้คนมีความสุข

คุณลองคิดถึงมันสักครู่

And you think about it for a moment,

ถ้าคุณสามารถเลือก ให้เปิดกล่อง ที่เป็นไปได้มากว่าเป็นกล่องแพนโดรา

if you could choose for basically that Pandora’s box

to be five years away

ในอีก 5 ปี

or 500 years away,

หรืออีก 500 ปี

which would you pick, right?

คุณจะเลือกแบบไหน

On the one hand you're like, well, maybe for you personally,

ในมุมหนึ่ง คุณอาจจะคิด ส่วนตัวของคุณเอง

it's better to have it be five years away.

มันดีกว่าในอีก 5 ปี

But if it gets to be 500 years away and people get more time to get it right,

แต่ถ้ามันถูกเปิดในอีก 500 ปี แล้วเรามีเวลาในการเตรียมให้มันถูก

which do you pick?

คุณจะเลือกแบบไหน

And you know, I just really felt it in the moment.

ผมรู้สึกได้เลยในตอนนั้น

I was like, of course you do the 500 years.

แน่นอนอยู่แล้วว่า เราต้องเลือก 500 ปี

ผู้คนมากมาย อย่างพี่ชายของผม อยู่ในกองทัพในช่วงเวลานั้น

My brother was in the military at the time

and like, he puts his life on the line in a much more real way

เขาเสี่ยงชีวิตอยู่จริง ๆ

than any of us typing things in computers

มากกว่าพวกเราที่กำลังทำงานกับคอมพิวเตอร์

and developing this technology at the time.

และพัฒนาเทคโนโลยีนี้อยู่ในขณะนั้น

And so, yeah, I'm really sold on the you've got to approach this right.

ใช่ครับ ผมเชื่อมาก ๆ ว่า เราจะต้องลุยไปกับมันอย่างถูกต้อง

But I don't think that's quite playing the field as it truly lies.

แต่ผมว่านั่นยังไม่มองโลกตามความจริง

Like, if you look at the whole history of computing,

เช่น ถ้าคุณลองดู ประวัติศาสตร์ทั้งหมดของคอมพิวเตอร์

I really mean it when I say that this is an industry-wide

ผมเชื่ออย่างที่ผมพูดจริง ๆ ว่า นี่คือการเปลี่ยนแปลงทั่วทั้งอุตสาหกรรม

or even just almost like

หรือเกือบจะเรียกได้ว่า

a human-development- of-technology-wide shift.

การเปลี่ยนแปลงด้าน การพัฒนาเทคโนโลยีของมนุษย์

And the more that you sort of, don't put together the pieces

แล้วยิ่งคุณไม่เอามาปะติดปะต่อกัน

that are there, right,

ส่วนต่าง ๆ ที่เห็นอยู่

we're still making faster computers,

เรายังคงสร้างคอมพิวเตอร์ที่เร็วขึ้น

we're still improving the algorithms, all of these things, they are happening.

เรายังคงปรับปรุงอัลกอริทึม สิ่งเหล่านี้กำลังเกิดขึ้น

And if you don't put them together, you get an overhang,

ถ้าคุณไม่เอามาปะติดปะต่อกัน แล้วมันเริ่มใหญ่เกินตัว

which means that if someone does,

ซึ่งก็หมายถึงถ้าใครบางคนทำได้

or the moment that someone does manage to connect to the circuit,

หรือมีคนจัดการเชื่อมต่อวงจรได้สำเร็จ

then you suddenly have this very powerful thing,

ทันทีทันใด ใครบางคน จะมีสิ่งที่มีพลังอำนาจสูง

no one's had any time to adjust,

แล้วไม่มีใครมีเวลาพอในการปรับตัว

ใครจะรู้ว่าคุณได้รับมาตรการ ความปลอดภัยแบบใด

who knows what kind of safety precautions you get.

And so I think that one thing I take away

ดังนั้น สิ่งหนึ่งที่ผมคิดได้คือ

is like, even you think about development of other sort of technologies,

แม้กระทั่งตอนที่คุณคิด เกี่ยวกับการพัฒนาเทคโนโลยีประเภทอื่น ๆ

think about nuclear weapons,

ลองคิดถึงอาวุธนิวเคลียร์

people talk about being like a zero to one,

ผู้คนพูดถึงการสร้างสิ่งใหม่ขึ้นมา

sort of, change in what humans could do.

เปลี่ยนแปลงสิ่งที่มนุษย์สามารถทำได้

But I actually think that if you look at capability,

แต่ผมคิดว่าถ้าคุณดูที่ขีดความสามารถ

it's been quite smooth over time.

มันค่อนข้างราบรื่นเมื่อเวลาผ่านไป

And so the history, I think, of every technology we've developed

ผมคิดว่าประวัติศาสตร์ของ ทุกเทคโนโลยีที่เราพัฒนาขึ้น

has been, you've got to do it incrementally

คุณต้องทำมันทีละน้อย

และคุณต้องหาวิธีจัดการมัน

and you've got to figure out how to manage it

for each moment that you're increasing it.

ในแต่ละช่วงเวลาที่คุณพัฒนามัน

CA: So what I'm hearing is that you ...

คริส: สิ่งที่ผมได้ยินมา ...

the model you want us to have

แผนการที่คุณอยากให้พวกเราทำ

is that we have birthed this extraordinary child

คือการที่พวกเราได้ให้กำเนิด เด็กสุดพิเศษคนนี้

that may have superpowers

ที่อาจมีอิทธิฤทธิ์

ที่จะพามนุษยชาติไปสู่สิ่งใหม่ ๆ

that take humanity to a whole new place.

It is our collective responsibility to provide the guardrails

เป็นความรับผิดชอบร่วมกันของเรา ในการเตรียมรั้วรอบขอบชิดที่เหมาะสม

for this child

สำหรับเด็กคนนี้

to collectively teach it to be wise and not to tear us all down.

เพื่อร่วมกันสอนมันให้ฉลาด และไม่กลับมาทำร้ายเรา

Is that basically the model?

มันคือแผนนี้ใช่มั้ย

GB: I think it's true.

เกร็ก: มันเป็นความจริง

And I think it's also important to say this may shift, right?

และผมคิดว่ามันสำคัญเช่นกัน ที่จะบอกว่าสิ่งนี้อาจเปลี่ยนไป

We've got to take each step as we encounter it.

เราต้องดำเนินการในแต่ละขั้นตอน ตามสิ่งที่เราพบเจอ

And I think it's incredibly important today

และผมคิดว่ามันสำคัญมากในปัจจุบัน

that we all do get literate in this technology,

ที่เราทุกคนจะต้องรู้เท่าทันเทคโนโลยีนี้

figure out how to provide the feedback,

หาวิธีการแสดงความคิดเห็นติชม

decide what we want from it.

ตัดสินใจว่าต้องการอะไรจากมัน

And my hope is that that will continue to be the best path,

และผมหวังว่า นี่จะเป็นเส้นทางที่ดีที่สุดต่อไป

but it's so good we're honestly having this debate

เป็นเรื่องที่ดีมากจริง ๆ นะ ที่เราได้ถกเถียงกัน

because we wouldn't otherwise if it weren't out there.

เพราะเราคงไม่ได้ถกกัน หากมันไม่ได้ถูกปล่อยสู่สาธารณชน

CA: Greg Brockman, thank you so much for coming to TED and blowing our minds.

คริส: เกร็ก บร็อคแมน ขอบคุณมากครับ ที่มางานเท็ด และทำให้เราตื่นตาตื่นใจ

(Applause)

(เสียงปรบมือ)