ซอฟต์แวร์กำลังเปลี่ยนแปลงอีกครั้งในยุค AI: มุมมองของ Andrej Karpathy

ในยุคที่ปัญญาประดิษฐ์ (AI) กำลังเปลี่ยนแปลงโลกของซอฟต์แวร์อย่างรวดเร็ว คำว่า “ซอฟต์แวร์” ที่เราเคยรู้จักกำลังถูกนิยามใหม่อีกครั้งอย่างลึกซึ้ง Andrej Karpathy อดีตผู้อำนวยการฝ่าย AI ของ Tesla ได้นำเสนอภาพรวมและการวิเคราะห์ที่น่าสนใจเกี่ยวกับวิวัฒนาการของซอฟต์แวร์ในยุคนี้ ซึ่งไม่ได้เป็นเพียงการพัฒนาเครื่องมือใหม่ ๆ เท่านั้น แต่เป็นการสร้างคอมพิวเตอร์ชนิดใหม่ที่เราโปรแกรมด้วยภาษาอังกฤษธรรมดา และ AI ทำงานแทนเราได้อย่างน่าทึ่ง บทความนี้จะสรุปและวิเคราะห์เนื้อหาจากมุมมองของ Karpathy พร้อมขยายความเชิงลึกและมุมมองเสริมเพื่อให้ผู้อ่านเข้าใจภาพรวมและทิศทางของซอฟต์แวร์ในยุค AI ได้ชัดเจนยิ่งขึ้น

วิวัฒนาการของซอฟต์แวร์: จาก Software 1.0 สู่ 3.0

Karpathy เริ่มต้นด้วยการชี้ให้เห็นว่าซอฟต์แวร์ไม่ได้เปลี่ยนแปลงในระดับพื้นฐานมานานถึง 70 ปี แต่ในช่วงไม่กี่ปีที่ผ่านมา เราได้เห็นการเปลี่ยนแปลงครั้งใหญ่ถึงสองครั้ง ซึ่งเขาเรียกการเปลี่ยนแปลงนี้ว่า “Software 2.0” และ “Software 3.0” เพื่อแยกแยะความแตกต่างของยุคซอฟต์แวร์ที่เราอยู่ในปัจจุบัน

Software 1.0 คือการเขียนโค้ดโดยตรงด้วยภาษาคอมพิวเตอร์ เช่น C++ หรือ Python ที่โปรแกรมเมอร์ต้องกำหนดขั้นตอนและตรรกะอย่างชัดเจนเพื่อให้คอมพิวเตอร์ทำงานตามที่ต้องการ

ในขณะที่ Software 2.0 คือยุคของการใช้ Neural Networks หรือโครงข่ายประสาทเทียม ซึ่งแทนที่จะเขียนโค้ดโดยตรง เราจะใช้ข้อมูลจำนวนมากในการเทรนโมเดล และน้ำหนัก (weights) ของโมเดลเหล่านี้คือ “ซอฟต์แวร์” ที่แท้จริงที่ถูกสร้างขึ้นผ่านกระบวนการเรียนรู้ของเครื่อง (Machine Learning) การเปลี่ยนแปลงนี้ทำให้ซอฟต์แวร์กลายเป็นสิ่งที่ถูกสร้างขึ้นโดยการปรับแต่งข้อมูลและตัวแบบแทนการเขียนโค้ดแบบเดิม

Karpathy ยังเปรียบเทียบ Hugging Face กับ GitHub ในยุค Software 2.0 เพราะเป็นแพลตฟอร์มที่รวบรวมและแบ่งปันโมเดล AI ต่าง ๆ ที่ถูกฝึกและพัฒนาโดยชุมชนทั่วโลก และมีการพัฒนาแบบ Fork หรือ LoRa ที่เปรียบเสมือนการสร้าง commit ใน GitHub สำหรับโมเดล AI

ต่อมา Software 3.0 คือยุคของ Large Language Models (LLMs) ที่ทำให้ Neural Networks กลายเป็น “โปรแกรม” ที่เราสามารถเขียนได้ด้วยภาษาอังกฤษธรรมดา หรือที่เรียกว่า “prompt” ซึ่งเป็นการเขียนโปรแกรมในรูปแบบใหม่ โดยที่เราไม่ต้องเขียนโค้ดภาษาโปรแกรมอีกต่อไป แต่ใช้ภาษาอังกฤษซึ่งเป็นภาษาธรรมชาติแทน

นี่คือการเปลี่ยนแปลงครั้งใหญ่ที่สุดที่ Karpathy เห็นว่า เรากำลังโปรแกรมคอมพิวเตอร์ด้วยภาษาอังกฤษ และ LLMs กลายเป็น “คอมพิวเตอร์ชนิดใหม่” ที่สามารถเข้าใจและตอบสนองต่อคำสั่งในภาษาธรรมชาติได้อย่างมีประสิทธิภาพ

การเปลี่ยนแปลงในระบบ Autopilot ของ Tesla

Karpathy ยกตัวอย่างประสบการณ์การทำงานที่ Tesla เพื่อแสดงให้เห็นว่าซอฟต์แวร์ในระบบ Autopilot เริ่มต้นจากการใช้โค้ด C++ จำนวนมาก (Software 1.0) ร่วมกับ Neural Networks ที่ทำหน้าที่รู้จำภาพ (Software 2.0) และเมื่อเวลาผ่านไป Neural Networks มีบทบาทมากขึ้นเรื่อย ๆ จนสามารถทดแทนโค้ด C++ เดิมได้ในหลายส่วน เช่น การรวมข้อมูลจากกล้องหลายตัวและหลายช่วงเวลา

ผลที่เกิดขึ้นคือ Software 2.0 “กิน” ซอฟต์แวร์เก่าที่เขียนด้วยโค้ดแบบเดิมอย่างต่อเนื่อง นี่คือสิ่งที่แสดงให้เห็นว่ายุคของซอฟต์แวร์กำลังเปลี่ยนผ่านอย่างชัดเจน และในอนาคต เราจะเห็นการผสมผสานของ Software 1.0, 2.0 และ 3.0 ที่ผู้พัฒนาจะต้องมีความเชี่ยวชาญในทุกยุคเพื่อเลือกใช้ให้เหมาะสมกับงาน

LLMs: คอมพิวเตอร์ยุคใหม่ที่เหมือนระบบปฏิบัติการ

หนึ่งในประเด็นที่ Karpathy เน้นย้ำคือ LLMs ไม่ใช่แค่โมเดลปัญญาประดิษฐ์ธรรมดา แต่เป็นเหมือนระบบปฏิบัติการ (Operating System) ใหม่ที่มีความซับซ้อนและมีบทบาทมากกว่าแค่เป็น “เครื่องมือ” เหมือนในยุคก่อน ๆ

เขายกตัวอย่างการเปรียบเทียบ LLMs กับระบบสาธารณูปโภค เช่น ไฟฟ้า ที่ต้องลงทุนมหาศาลในการสร้างโครงข่าย (CapEx) และมีค่าใช้จ่ายในการให้บริการ (OpEx) ผ่าน API ที่มีการคิดค่าบริการตามการใช้งานจริง ซึ่งทำให้การเข้าถึง LLMs กลายเป็นทรัพยากรที่มีลักษณะเหมือน “ยูทิลิตี้” ที่ทุกคนสามารถใช้งานได้

นอกจากนี้ LLMs ยังมีลักษณะคล้ายกับโรงงานผลิตชิป (fabs) เนื่องจากต้นทุนและเทคโนโลยีที่ใช้มีความซับซ้อนสูงและต้องใช้การวิจัยและพัฒนาขั้นสูง ซึ่งส่วนนี้มักจะถูกควบคุมโดยบริษัทใหญ่ที่มีทรัพยากร เช่น OpenAI, Google และ Meta

อย่างไรก็ตาม การที่ LLMs เป็น “ซอฟต์แวร์” ทำให้มันมีความยืดหยุ่นและเปลี่ยนแปลงได้ง่ายกว่าฮาร์ดแวร์ และในมุมมองของ Karpathy ระบบนี้กำลังอยู่ในยุค 1960s ของคอมพิวเตอร์ ที่ยังต้องใช้การประมวลผลแบบรวมศูนย์ผ่านคลาวด์ และผู้ใช้เป็นเหมือน thin clients ที่ส่งคำสั่งผ่านเครือข่าย

การเปรียบเทียบนี้ช่วยให้เราเข้าใจว่า LLMs เป็นระบบที่ต้องการการพัฒนาอีกมากก่อนที่จะกลายเป็น “คอมพิวเตอร์ส่วนบุคคล” เหมือนที่เราคุ้นเคยในยุคปัจจุบัน แต่ก็เปิดโอกาสให้เราคิดค้นรูปแบบใหม่ ๆ ของการใช้งานและการพัฒนาแอปพลิเคชัน

การสื่อสารกับ LLMs: จากเทอร์มินัลสู่ GUI ใหม่

Karpathy ยังกล่าวถึงประสบการณ์การใช้ ChatGPT หรือ LLMs ผ่านข้อความที่เหมือนการสื่อสารกับระบบปฏิบัติการผ่านเทอร์มินัล (Command Line Interface) ซึ่งเป็นวิธีที่ตรงไปตรงมาแต่ยังไม่สะดวกสำหรับผู้ใช้ทั่วไป

เขาเสนอว่าอนาคตจะต้องมีการพัฒนา GUI (Graphical User Interface) ที่เหมาะสมกับการใช้งาน LLMs เพื่อให้ผู้ใช้สามารถโต้ตอบกับ AI ได้ง่ายและรวดเร็วขึ้น เช่น การแสดงผลแบบภาพหรือการแก้ไขโค้ดที่เห็นความเปลี่ยนแปลงอย่างชัดเจนแทนการพิมพ์คำสั่งเป็นข้อความ

จิตวิทยาของ LLMs: “วิญญาณคน” ในโลกดิจิทัล

หนึ่งในมุมมองที่น่าสนใจของ Karpathy คือการมอง LLMs เป็นเหมือน "วิญญาณคน" หรือการจำลองพฤติกรรมมนุษย์แบบสุ่ม (stochastic simulation) ที่ถูกสร้างขึ้นโดยโครงข่ายประสาทเทียมแบบ transformer ซึ่งเรียนรู้จากข้อมูลข้อความจำนวนมหาศาลบนอินเทอร์เน็ต

ด้วยเหตุนี้ LLMs จึงมีลักษณะทางจิตวิทยาที่คล้ายมนุษย์ในหลายแง่มุม เช่น มีความรู้กว้างขวางและความจำที่ยอดเยี่ยมเกินกว่ามนุษย์ทั่วไปจะมีได้ (เปรียบเทียบกับตัวละครในภาพยนตร์ Rain Man ที่มีความจำดีเยี่ยม)

แต่ในขณะเดียวกัน LLMs ก็มีข้อจำกัดและข้อบกพร่องที่ชัดเจน เช่น มีแนวโน้มที่จะ “หลอกลวง” หรือสร้างข้อมูลผิดพลาด (hallucinate) ทำให้บางครั้งตอบผิดหรือมีความเข้าใจผิดในเรื่องง่าย ๆ นอกจากนี้ยังขาดความสามารถในการสะสมความรู้หรือพัฒนาตัวเองในระยะยาวเหมือนมนุษย์ (anterograde amnesia) เพราะทุกครั้งที่เริ่มต้นใหม่มันเหมือนลืมทุกอย่างที่เรียนรู้มาก่อน

Karpathy แนะนำภาพยนตร์สองเรื่องคือ Memento และ Fifty First Dates ที่ตัวละครหลักมีปัญหาคล้ายกับ LLMs คือความจำระยะสั้นถูกลบทุกวัน ทำให้เข้าใจได้ว่า LLMs ยังขาดความต่อเนื่องในการเรียนรู้และการสะสมประสบการณ์แบบมนุษย์

นอกจากนี้ LLMs ยังมีช่องโหว่ด้านความปลอดภัย เช่น เสี่ยงต่อการถูกโจมตีด้วย prompt injection หรือการรั่วไหลของข้อมูลที่ป้อนเข้าไป จึงต้องมีการออกแบบระบบและแอปพลิเคชันที่คอยตรวจสอบและควบคุมการทำงานของ AI อย่างเข้มงวด

โอกาสในการสร้างแอปพลิเคชันที่มี “ความเป็นอิสระบางส่วน” (Partial Autonomy)

Karpathy เชื่อว่าหนึ่งในโอกาสที่น่าตื่นเต้นของ LLMs คือการพัฒนาแอปพลิเคชันที่มีความเป็นอิสระบางส่วน ซึ่งทำงานร่วมกับมนุษย์อย่างใกล้ชิด โดย AI จะช่วยทำงานบางส่วนในขณะที่มนุษย์ยังคงควบคุมและตรวจสอบผลลัพธ์

ยกตัวอย่างเช่น การเขียนโปรแกรม เราอาจใช้ ChatGPT โดยตรงเพื่อขอคำแนะนำหรือเขียนโค้ด แต่การใช้แอปเฉพาะทางอย่าง Cursor จะช่วยให้การใช้งาน AI ราบรื่นขึ้น เพราะมีการจัดการบริบทและการประสานงานของโมเดลหลายตัว รวมทั้งมี GUI ที่ช่วยให้เห็นความเปลี่ยนแปลงของโค้ดอย่างชัดเจนและตรวจสอบได้ง่าย

Karpathy อธิบายว่าแอปพลิเคชันเหล่านี้มีสิ่งที่เรียกว่า “autonomy slider” หรือการปรับระดับความเป็นอิสระของ AI ที่ผู้ใช้สามารถเลือกได้ว่าจะให้ AI ทำงานมากน้อยแค่ไหน ตั้งแต่ช่วยเติมโค้ดเล็กน้อยจนถึงการแก้ไขไฟล์ทั้งหมดโดยอัตโนมัติ

อีกตัวอย่างที่คล้ายกันคือแอป Perplexity ที่ช่วยในการค้นคว้าข้อมูล มีการอ้างอิงแหล่งข้อมูล และผู้ใช้สามารถเลือกได้ว่าจะใช้ AI ในระดับการค้นหาขั้นพื้นฐานหรือการวิจัยเชิงลึก

การทำงานร่วมกันระหว่างมนุษย์และ AI

Karpathy เน้นว่าการทำงานร่วมกันระหว่างมนุษย์และ AI ในแอปเหล่านี้คือการที่ AI ทำหน้าที่ “สร้าง” (generation) และมนุษย์ทำหน้าที่ “ตรวจสอบ” (verification) เพื่อให้ได้ผลลัพธ์ที่ถูกต้องและปลอดภัย

การเร่งความเร็วของวงจรการทำงานนี้เป็นสิ่งสำคัญอย่างยิ่ง โดย GUI มีบทบาทสำคัญในการช่วยให้มนุษย์รับรู้และตรวจสอบข้อมูลได้รวดเร็วและง่ายขึ้น เพราะการอ่านข้อความยาว ๆ นั้นไม่ใช่เรื่องสนุกและใช้เวลามาก ขณะที่การดูภาพหรือไฮไลต์สีช่วยให้เข้าใจได้ทันที

อย่างไรก็ตาม ต้องระวังไม่ให้ AI ทำงานอัตโนมัติมากเกินไปจนมนุษย์ไม่สามารถควบคุมได้ เช่น การแก้ไขโค้ดจำนวนมากในครั้งเดียวที่อาจนำไปสู่ข้อผิดพลาดหรือช่องโหว่ด้านความปลอดภัย

ดังนั้นการทำงานกับ AI ต้องรักษาความสมดุลและคอย “ล่าม” หรือควบคุม AI ให้อยู่ในขอบเขตที่เหมาะสม พร้อมกับพัฒนากระบวนการและเทคนิคการเขียน prompt ที่ชัดเจนและแม่นยำเพื่อเพิ่มโอกาสสำเร็จของงาน

ประสบการณ์จาก Tesla และการเปรียบเทียบกับ Iron Man Suit

Karpathy เล่าประสบการณ์การทำงานกับระบบ Autopilot ของ Tesla ที่เป็นผลิตภัณฑ์ “partial autonomy” ที่มี GUI แสดงข้อมูลให้ผู้ขับขี่รับรู้ และมีการปรับระดับความเป็นอิสระของระบบให้เพิ่มขึ้นเรื่อย ๆ

เขายกตัวอย่างครั้งแรกที่ได้ทดลองขับรถไร้คนขับของ Waymo ในปี 2013 ซึ่งประสบการณ์นั้นสมบูรณ์แบบ ไม่มีการแทรกแซงใด ๆ แต่ถึงแม้เวลาจะผ่านไป 12 ปี เรายังไม่สามารถแก้ปัญหาการขับขี่อัตโนมัติได้เต็มรูปแบบ และยังต้องมีมนุษย์อยู่ในวงจรควบคุม

จากประสบการณ์นี้ Karpathy เตือนว่าการบอกว่า “ปี 2025 คือปีของ AI agents” อาจจะเร็วเกินไป เพราะซอฟต์แวร์ที่ซับซ้อนอย่างการขับรถอัตโนมัติต้องใช้เวลาและความระมัดระวังสูงในการพัฒนา

เขายกตัวอย่าง Iron Man Suit ที่เป็นทั้งเครื่องช่วยเสริมศักยภาพมนุษย์และตัวแทนปฏิบัติการอัตโนมัติ ที่สามารถปรับระดับความเป็นอิสระได้ตามสถานการณ์ ซึ่งเป็นแนวคิดที่เหมาะสมกับการพัฒนาแอป AI ในปัจจุบัน คือการสร้าง “suit” ที่ช่วยเสริมมนุษย์ มากกว่าจะสร้าง “หุ่นยนต์” ที่ทำงานแทนมนุษย์โดยสมบูรณ์

Vibe Coding: การโปรแกรมในยุคใหม่ที่ทุกคนเข้าถึงได้

หนึ่งในประเด็นที่ Karpathy ตื่นเต้นคือการที่ Software 3.0 ใช้ภาษาอังกฤษธรรมดาเป็น “ภาษาการเขียนโปรแกรม” ทำให้ทุกคนสามารถเป็นโปรแกรมเมอร์ได้โดยไม่จำเป็นต้องเรียนรู้ภาษาคอมพิวเตอร์แบบเดิม

เขายกตัวอย่าง “vibe coding” หรือการเขียนโค้ดด้วยการใช้ LLMs ที่ช่วยให้ผู้ที่ไม่มีความรู้เชิงลึกด้านการเขียนโปรแกรมสามารถสร้างแอปพลิเคชันง่าย ๆ ได้ เช่น การสร้างแอป iOS อย่างง่ายภายในวันเดียว หรืองาน MenuGen ที่ช่วยแปลงเมนูอาหารเป็นรูปภาพเพื่อช่วยให้ผู้ใช้เข้าใจง่ายขึ้น

อย่างไรก็ตาม Karpathy ชี้ให้เห็นว่าขั้นตอนการทำให้แอปพลิเคชันใช้งานจริง (production) ยังเต็มไปด้วยความยุ่งยาก เช่น การตั้งค่าการพิสูจน์ตัวตน (authentication), ระบบจ่ายเงิน และการจัดการโดเมน ซึ่งส่วนนี้ยังคงต้องอาศัยความชำนาญและการคลิกเมาส์ในอินเทอร์เฟซของเบราว์เซอร์อย่างหนัก

นี่แสดงให้เห็นว่าการพัฒนาแอปด้วย AI แม้จะง่ายขึ้นในส่วนของการเขียนโค้ด แต่การนำไปใช้งานจริงยังต้องการการปรับปรุงระบบและโครงสร้างพื้นฐานให้เหมาะสมกับยุค AI

การสร้างระบบสำหรับ “Agent” หรือ AI ที่ทำงานแทนมนุษย์

Karpathy เสนอแนวคิดใหม่ว่าในยุคนี้ มีผู้บริโภคและผู้จัดการข้อมูลดิจิทัลชนิดใหม่เกิดขึ้น นั่นคือ “Agent” ซึ่งเป็น AI ที่มีลักษณะเหมือนมนุษย์และต้องการโต้ตอบกับโครงสร้างพื้นฐานของซอฟต์แวร์ในอินเทอร์เน็ต

เขาเปรียบเทียบว่าเหมือนการที่เว็บไซต์มีไฟล์ robots.txt ที่บอกเว็บครอว์เลอร์ว่าควรทำงานอย่างไร ในอนาคตอาจมีไฟล์ “all-ends-up.txt” หรือไฟล์ที่ระบุข้อมูลสำหรับ LLMs โดยเฉพาะ เพื่อให้ AI เหล่านี้เข้าใจเนื้อหาและโครงสร้างของเว็บไซต์ได้ง่ายขึ้นโดยไม่ต้องตีความ HTML ที่ซับซ้อน

ยกตัวอย่างเช่น บริการอย่าง Vercel และ Stripe เริ่มจัดทำเอกสารในรูปแบบ Markdown ที่เหมาะสำหรับ LLMs ซึ่งเป็นภาษาที่ AI เข้าใจง่ายและสามารถนำไปใช้ประโยชน์ได้รวดเร็ว

นอกจากนี้ Karpathy ยังแนะนำเครื่องมือและบริการที่ช่วยแปลงข้อมูลและโค้ดใน GitHub ให้พร้อมสำหรับการใช้งานกับ LLMs เช่น การเปลี่ยน URL จาก GitHub เป็น git-ingest เพื่อรวมไฟล์ทั้งหมดในรีโปเป็นข้อความยาว ๆ ที่ง่ายต่อการป้อนเข้าโมเดล หรือ DeepWiki ที่วิเคราะห์โค้ดและสร้างเอกสารสำหรับการใช้งาน AI

แม้ว่าในอนาคต LLMs จะสามารถคลิกและโต้ตอบกับอินเทอร์เฟซเว็บไซต์ได้โดยตรง แต่ Karpathy เห็นว่าการปรับปรุงเอกสารและโครงสร้างข้อมูลให้เหมาะสมกับ AI ก็ยังเป็นสิ่งจำเป็นและช่วยลดต้นทุนการใช้งานได้มาก

บทสรุปจาก Insiderly

ยุคของ Software 3.0 กำลังมาถึงพร้อมกับการเปลี่ยนแปลงครั้งใหญ่ที่ทำให้ซอฟต์แวร์ไม่ใช่แค่โค้ดที่มนุษย์เขียนอีกต่อไป แต่เป็นโมเดล AI ที่ถูกฝึกด้วยข้อมูลมหาศาล และโปรแกรมด้วยภาษาอังกฤษธรรมดา นี่คือการสร้างคอมพิวเตอร์ชนิดใหม่ที่ Karpathy เปรียบเทียบว่าเป็นระบบปฏิบัติการยุค 1960s ที่เรากำลังพัฒนาขึ้นใหม่อีกครั้ง

การเปลี่ยนแปลงนี้เปิดโอกาสให้ทุกคนกลายเป็นโปรแกรมเมอร์ผ่านการใช้ภาษาอังกฤษและ AI ช่วยเขียนโค้ด และยังนำไปสู่การพัฒนาแอปพลิเคชันที่มีความเป็นอิสระบางส่วน (partial autonomy) ที่ AI และมนุษย์ทำงานร่วมกันอย่างมีประสิทธิภาพ

อย่างไรก็ตาม ความท้าทายยังคงมีอยู่มาก ทั้งในเรื่องของความแม่นยำ ความปลอดภัย และการปรับโครงสร้างพื้นฐานซอฟต์แวร์ให้เหมาะสมกับยุค AI รวมถึงการสร้าง GUI และเครื่องมือใหม่ ๆ ที่ช่วยให้มนุษย์และ AI สื่อสารกันได้ง่ายและรวดเร็ว

Karpathy ยังเตือนให้เราระมัดระวังการพัฒนา AI agents ที่มีความเป็นอิสระสูงเกินไป เพราะซอฟต์แวร์ที่ซับซ้อนอย่างระบบขับรถอัตโนมัติยังไม่สามารถแก้ไขได้ในระยะเวลาอันสั้น และการทำงานร่วมกันระหว่างมนุษย์และ AI ที่สมดุลคือหนทางที่ดีที่สุดในขณะนี้

สุดท้าย การเปลี่ยนแปลงครั้งนี้ไม่ใช่แค่เรื่องเทคโนโลยี แต่เป็นการเปลี่ยนแปลงวิธีคิด วิธีทำงาน และวิธีสร้างสรรค์ซอฟต์แวร์ ที่จะนำพาเราไปสู่ยุคใหม่ของคอมพิวเตอร์ และเป็นโอกาสที่น่าตื่นเต้นสำหรับนักพัฒนาและผู้ใช้งานทั่วโลก

คำศัพท์เฉพาะทางที่น่าสนใจ

• Software 1.0: การเขียนโค้ดโดยตรงด้วยภาษาคอมพิวเตอร์แบบดั้งเดิม เช่น C++, Python
• Software 2.0: ซอฟต์แวร์ที่สร้างจากน้ำหนัก (weights) ของ Neural Networks ผ่านการเรียนรู้จากข้อมูล
• Software 3.0: ซอฟต์แวร์ที่โปรแกรมด้วย Large Language Models (LLMs) ผ่านการเขียน prompt ด้วยภาษาธรรมชาติ
• LLM (Large Language Model): โมเดลปัญญาประดิษฐ์ที่เรียนรู้จากข้อมูลข้อความจำนวนมากและสามารถสร้างข้อความตามคำสั่งได้
• Prompt: คำสั่งหรือข้อความที่ใช้เป็นอินพุตเพื่อโปรแกรมหรือสั่งงาน LLM
• Autonomy Slider: ตัวปรับระดับความเป็นอิสระของ AI ในแอปพลิเคชัน ตั้งแต่ช่วยเล็กน้อยจนถึงทำงานแทนทั้งหมด
• Transformer: โครงข่ายประสาทเทียมชนิดหนึ่งที่ใช้ใน LLMs มีประสิทธิภาพสูงในการประมวลผลข้อมูลลำดับ
• Prompt Injection: เทคนิคการโจมตีที่ใช้การแทรกคำสั่งใน prompt เพื่อหลอก LLM ให้ทำงานผิดพลาดหรือเปิดเผยข้อมูล
• Vibe Coding: การเขียนโค้ดด้วยการใช้ LLMs ช่วยสร้างโค้ดจากภาษาธรรมชาติ
• GitHub/Hugging Face: แพลตฟอร์มสำหรับเก็บและแชร์โค้ดและโมเดล AI ตามลำดับ