Sam Altman on Building the Future of AI: ทำไม “ซูเปอร์อินเทลลิเจนซ์” ถึงต้องเริ่มคุยตั้งแต่วันนี้ พร้อมกรอบคิดเรื่องความปลอดภัย ความยืดหยุ่น และการแบ่งปันผลประโยชน์

วันที่บทความต้นทางใน VideoToBlog: 2026-04-07 ไม่ใช่วันที่อัปโหลดวิดีโอที่ตรวจยืนยันแล้ว กรอบเวลา automated researcher ช่วงต้นปี 2028 และประโยชน์ในอนาคตเป็นคำคาดการณ์ของผู้พูด ณ เวลาต้นทาง ไม่ใช่คำรับประกัน ข้อเสนอภาษี แรงงานและความปลอดภัยเป็นประเด็นอภิปราย ไม่ใช่นโยบายที่ยืนยันว่ามีผลแล้ว เรื่องเล่าการใช้ ChatGPT กับผลเลือดไม่ใช่หลักฐานทางคลินิกหรือคำแนะนำรักษา · วิดีโอต้นทาง

การเติบโตของปัญญาประดิษฐ์ (AI) ในช่วงไม่กี่ปีที่ผ่านมาไม่ได้เป็นเส้นตรง แต่เป็นความเร่งที่ทำให้สังคมต้อง “ตามทัน” ทั้งในด้านวิทยาศาสตร์ เศรษฐกิจ งาน การกำกับดูแล และความมั่นคงปลอดภัย บทสนทนาระดับผู้นำของ OpenAI ในหัวข้อ “Building the Future of AI” สะท้อนสาระสำคัญหลายมิติ ตั้งแต่เหตุผลที่ต้องพูดถึงความเป็นไปได้ของระบบที่มีความสามารถสูงมาก (รวมถึงสิ่งที่เรียกว่า superintelligence) ไปจนถึงแนวคิดเรื่องความยืดหยุ่น (resilience) แบบหลายชั้น ความเสี่ยงที่อาจมาพร้อมการเร่งตัว และคำถามใหญ่เรื่อง “ใครจะได้ประโยชน์” จากเทคโนโลยีใหม่นี้

เนื้อหาด้านล่างสรุปเป็นบทความเชิงข้อมูลที่อ่านจบแล้วเข้าใจภาพรวมและกรอบคิดสำคัญได้ด้วยตนเอง พร้อมเชื่อมโยงตัวอย่างที่ยกขึ้นมา เช่น ความเร่งของความสามารถของโมเดล การเปรียบเทียบกับบทเรียนจากโควิด การปกป้องความปลอดภัยทางไซเบอร์และชีวภาพ และแนวทางเชิงสถาบันสำหรับการเปลี่ยนผ่านทางเศรษฐกิจ

ทำไมต้องพูดถึง superintelligence “ตอนนี้” ไม่รอให้แน่ชัด

เหตุผลหลักที่ถูกย้ำคือ อัตราการพัฒนา AI ยังคงเร่งขึ้น และแนวโน้มของความสามารถกำลังใกล้ระดับที่ “กระทบโลกอย่างมีนัยสำคัญ” ภายในไม่กี่ปีข้างหน้า ดังนั้นการถกเถียงสาธารณะจึงไม่ควรเริ่มเมื่อถึงวันนั้นแล้ว แต่ควรเริ่มก่อน เพื่อให้มีเวลาให้สังคมและระบบการเมืองถกเถียงและออกแบบการตอบสนองอย่างรอบคอบ

มุมมองนี้ไม่ได้ตั้งอยู่บนความมั่นใจ 100% ว่าจะเกิดตามคาด เพราะผู้พูดเองยอมรับว่ามีความไม่แน่นอน และอาจมี “กำแพง” ระหว่างทาง อย่างไรก็ตามเมื่ออัตราความก้าวหน้าเร่งขึ้น การเตรียมตัวล่วงหน้าจะช่วยเพิ่มโอกาสให้การตัดสินใจในระดับนโยบายเป็น “การตัดสินใจที่ดีกว่า” จากการมีเวลาถกเถียงและปรับปรุงแนวคิดก่อนลงมือจริง

ทำไมเอกสารเชิงนโยบายถึงต้องให้ทีมวิจัยที่ “เห็นความเร็วจริง” มีส่วนร่วม

อีกประเด็นที่ถูกกล่าวถึงคือความพยายามดึงนักวิจัยเข้ามาเกี่ยวข้องกับเอกสารนโยบายเร็วมาก เนื่องจากโจทย์นี้เป็นเรื่องไปข้างหน้าไกล (forward-looking) ต้องการคนที่ทำงานกับเทคโนโลยีโดยตรง รู้ทั้ง “ระบบความปลอดภัย” (safety stack) และเข้าใจความเร็วที่กำลังเกิดขึ้นจริง

ในกระบวนการทำเอกสาร มีการสังเกตด้วยว่าในช่วงไม่กี่เดือน นักวิจัยบางส่วนเกิดการเปลี่ยนจากการเขียนโค้ดเองเป็นหลัก ไปสู่การที่ AI เขียนโค้ดให้จำนวนมากขึ้น ซึ่งสะท้อนว่า “เทคโนโลยีไม่ได้ไกลตัว” แต่กำลังเข้ามาเปลี่ยนวิธีทำงานอย่างเป็นรูปธรรม

เรื่องเล่าเปรียบเทียบการ “รับรู้ความเปลี่ยนแปลง” กับโควิด

หนึ่งในเรื่องเล่าที่สำคัญคือประสบการณ์ช่วงโควิดต้นปี 2020 ทีมวิจัยของ OpenAI เริ่มติดตามและเตรียมการตั้งแต่ช่วงที่คนส่วนใหญ่ยังไม่ให้ความสำคัญมากนัก ผู้เล่าเล่าว่าความเข้าใจที่ “โลกกำลังจะเปลี่ยน” เกิดจากการเฝ้าดูตัวเลขและสัญญาณอย่างต่อเนื่อง

ภาพที่ชัดเจนคือความรู้สึกว่า “การเปลี่ยนแปลงเกิดขึ้นแล้ว” แต่สังคมยังไม่ทันย่อยสิ่งนั้น เช่นเดียวกับยุคของ AI: โมเดลอาจไปถึงระดับหนึ่งแล้ว ขณะที่สังคมยังไม่ปรับตัวตามความเร็วเท่านั้นเอง

ด้านบวกที่อาจเกิดขึ้น: วิทยาศาสตร์ วงการธุรกิจ และโอกาสในการทำให้การเข้าถึงเป็นธรรมขึ้น

แม้จะมีการพูดถึงความเสี่ยงอย่างจริงจัง แต่บทสนทนายังยืนยันว่า “ด้านบวกของเทคโนโลยีนี้ช่างชวนตื่นเต้นมาก” และมีผลต่อสิ่งที่เคยดูเป็นเป้าหมายระยะยาว เช่น

• เร่งการพัฒนาวิทยาศาสตร์ หาก AI สามารถช่วยทำงานเชิงวิจัยได้เร็วขึ้น อาจทำให้ความคืบหน้าที่ยากจะเกิดภายในหลายทศวรรษเกิดขึ้นในหนึ่งปี
• ประโยชน์ต่อการแพทย์และการรักษาเฉพาะบุคคล รวมถึงการทำให้การค้นพบและการออกแบบการดูแลสุขภาพมีความเป็นส่วนตัวมากขึ้น
• วัสดุและพลังงานสะอาด เพื่อช่วยหาทางออกใหม่ในการทำพลังงานราคาถูกและปลอดภัย
• การสร้างธุรกิจและซอฟต์แวร์แบบเข้าถึงได้ แนวคิดว่า “ถ้าคนมีไอเดีย AI สามารถช่วยทำให้เกิดได้” เช่น เขียนซอฟต์แวร์ตามที่ต้องการ สร้างวิดีโอเกมเฉพาะแบบที่สนุกที่สุดสำหรับแต่ละคน

เหตุผลที่ต้อง “ออกเอกสารพร้อมความเร่ง” จึงไม่ใช่เพื่อหวาดกลัว แต่เพื่อให้มีเวลาสร้างกรอบรับมือด้านลบควบคู่ไปกับการเปิดพื้นที่ให้ด้านบวก

AI เป็นเหมือนเครื่องมือใหม่สำหรับการป้องกันความเสี่ยง

ในมุมที่ถูกย้ำคือ เทคโนโลยีนี้ไม่เพียงสร้างความเสี่ยง แต่ยังอาจกลายเป็นเครื่องมือใหม่ในการช่วยลดทอนความเสี่ยง เช่น ใช้ AI เพื่อช่วยตรวจจับ ป้องกัน และตอบสนองต่อภัยคุกคาม โดยเฉพาะเมื่อภัยมีความซับซ้อนมากขึ้น

ความรับผิดชอบของสถาบัน: ทำอย่างไรให้ประโยชน์ไปถึงคนส่วนใหญ่

คำถามสำคัญคือ “ความรับผิดชอบ” ของผู้เกี่ยวข้องกับการพัฒนา AI และสถาบันต่าง ๆ ต่อสังคมควรเป็นอย่างไร แนวคิดหนึ่งที่ถูกตั้งไว้คือ การเข้าถึงปัจจัยพื้นฐานอย่างอาหาร ที่อยู่อาศัย ไฟฟ้า สุขภาพ เป็นความใฝ่ฝันของสังคมมานาน แต่บ่อยครั้งคำตอบจากอดีตคือทำไม่ได้เพราะต้นทุนสูงเกินไป

มุมมองในบทสนทนาคือ หาก AI และความสามารถที่สูงขึ้นทำให้ต้นทุนต่ำลงอย่างมาก สังคมอาจมีโอกาส “ก้าวไปอีกขั้น” ในทิศทางของการจัดสรรสิ่งจำเป็นให้กับคนจำนวนมากได้มากขึ้น

ดังนั้นผู้ดูแลเทคโนโลยีจึงมี “ความรับผิดชอบพิเศษ” ที่จะช่วยให้ประโยชน์ถูกทำให้เกิดจริงผ่านการสร้างนโยบายและระบบที่ทำให้คนทำงาน ชนชั้นกลาง คนในประเทศที่มีรายได้น้อย ได้รับประโยชน์ ไม่ใช่เพียงกลุ่มผู้มั่งคั่งเท่านั้น

Resilience แบบหลายชั้น: ไม่ใช่แค่ “ทดสอบความปลอดภัย” แต่ต้องเตรียมรับมือทั้งก่อนและหลัง

คำว่า resilience ถูกอธิบายว่าไม่ใช่แนวคิดเดียวจบ แต่เป็น “หลายชั้น”

• ชั้นความปลอดภัยก่อนเผยแพร่ เช่น การทดสอบความเสี่ยง (safety evals) การอ่านพฤติกรรมโมเดล และการใส่มาตรการลดทอน
• ชั้นความยืดหยุ่นเมื่อสภาพแวดล้อมเปลี่ยน เช่น หากมีบางผู้เล่นที่ทำการทดสอบน้อยกว่า หรือเกิดเหตุการณ์ที่หลุดรอดแม้มีการทดสอบแล้ว

ในเอกสารยังมีแนวคิดเรื่อง การรายงานเหตุการณ์ คล้ายกับอุตสาหกรรมการบินที่มีการบันทึกเหตุการณ์หรือ near miss ลงฐานข้อมูล เพื่อให้บริษัทอื่นเรียนรู้และปรับใช้มาตรการได้เร็วขึ้น

ความยืดหยุ่นยังรวมถึงการป้องกันภัยจากความสามารถด้านไซเบอร์และชีวภาพ

เมื่อ AI สามารถ “เขียนโค้ดได้ดีขึ้น” ความสามารถเชิงปฏิบัติการของมันอาจถูกนำไปใช้ในทางที่เป็นอันตรายได้ เช่น ช่วยผู้ไม่หวังดีทำการโจมตีไซเบอร์ได้มีประสิทธิภาพมากขึ้น

บทสนทนาจึงชี้ว่าความยืดหยุ่นควรรวมการทำให้ระบบซอฟต์แวร์ “มั่นคงปลอดภัยขึ้น” และใช้ AI เพื่อช่วยป้องกัน นอกจากนี้ยังยกประเด็นด้านชีวภาพในรูปแบบที่เป็น “รุ่นต่อไป” ของความเสี่ยง กล่าวคือ แม้จะพยายามจำกัดไม่ให้โมเดลช่วยสร้างเชื้อโรค แต่สังคมยังต้องสร้าง “เกราะป้องกัน” และระบบตรวจจับตอบสนอง เพื่อให้รับมือได้เมื่อเกิดเหตุ

Resilience แบบ “เกิดขึ้นร่วมกันในสังคม” ไม่ใช่พึ่งการทดสอบของบริษัทเดียว

มุมมองที่น่าสนใจคือการเปลี่ยนจากแนวคิดความปลอดภัยแบบเดิมที่คิดว่าอาจมี AI จำนวนน้อยมากและการทำให้ AI ที่สำคัญ “ทำถูกต้อง” ก็เพียงพอแล้ว แต่สถานการณ์ใหม่อาจเป็นโลกที่มี AI จำนวนมากในระบบ

ด้วยเหตุนี้จึงไม่พอที่จะหวังว่า “บริษัทไม่กี่แห่งจะทำให้ AI ไม่เกิดสิ่งไม่ปลอดภัย” เพราะตัวอย่างเช่น

• ไซเบอร์: AI ที่เก่งด้านโค้ดอาจช่วยค้นช่องโหว่ได้เร็วกว่ามนุษย์ ทำให้ระบบจำนวนมากพบว่าตัวเองเปราะบางกว่าที่คิด
• โมเดลโอเพนซอร์ส: แม้ผู้พัฒนาระดับแนวหน้าไม่เปิดใช้ในทางอันตราย แต่เมื่อมีโมเดลโอเพนซอร์สที่เก่งด้านโค้ด อาจถูกนำไปใช้เพื่อหาการโจมตีได้

ทางออกที่ถูกเสนอคือการมี “การตอบสนองแบบสังคม” เช่น ทำให้ผู้เชี่ยวชาญด้านการป้องกันเข้าถึงโมเดลได้อย่างเหมาะสมและมีช่องทางให้เกิดการแบ่งปันความรู้ รวมถึงการสร้างระบบป้องกันที่เข้มแข็ง เพราะบางส่วนของระบบอาจมี “ซากระบบ” ที่ไม่มีใครรู้โค้ดอย่างแท้จริงเป็นเวลานานและแก้ไขยาก

แนวคิดนี้ไม่ได้ยกเลิกความจำเป็นของการจัดแนวให้ระบบ AI ปลอดภัย แต่ชี้ว่าความยืดหยุ่นจะต้องเกิดจาก “ระบบนิเวศ” ของการป้องกันที่ทำงานร่วมกัน

สร้างสถาบันและขีดความสามารถรัฐ: ใช้ AI เพื่อแก้ช่องโหว่ที่มีอยู่แล้ว

อีกชั้นของความคิดคือปัญหาหลายอย่างที่กำลังกังวลจาก AI ไม่ได้เกิดจาก AI เพียงอย่างเดียว แต่มีอยู่แล้วในสังคม ต่อมาความเร่งของ AI จะทำให้ปัญหา “เร่งความเสี่ยง” และทำให้การลงมือแก้ต้องเร็วขึ้น

บทสนทนายกตัวอย่างสองมิติจากบทเรียนโควิด คือการพึ่งพาห่วงโซ่อุปทานที่ลึกกว่าที่คนคิด และความเสี่ยงต่อประชาธิปไตยจากการมีอิทธิพลที่บิดเบือนต่อสังคม ซึ่งอาจถูกทำให้โจมตีง่ายขึ้นในระยะสั้นด้วยเครื่องมือใหม่

ในด้านบวก ผู้พูดมองว่านี่อาจเป็นโอกาสในการสร้าง สถาบันใหม่และขีดความสามารถของรัฐ เพื่อระบุช่องโหว่ได้ละเอียดขึ้น ใช้ AI เพื่อปิดช่องโหว่ได้เร็วขึ้น และขยายความพยายามในการต่อสู้ปัญหาบางประเภทให้มีขนาดที่ทำให้การโจมตีมีต้นทุนสูงขึ้นจนไม่คุ้ม

ในกรณี cyber และ bio ผู้พูดแสดงความมองโลกในแง่ดีต่อการสร้าง “ระบบนิเวศของผู้ป้องกัน” ที่รวมกันแล้วทำให้การโจมตีมีแรงจูงใจลดลง นอกจากนี้ยังย้ำประเด็นที่มองข้ามง่ายคือ ความเสี่ยงในห่วงโซ่อาหาร (bio-risks ในระบบอาหาร) ซึ่งอาจต้องใช้ AI เพื่อทำให้ระบบรับมือได้ในระดับที่ต้นทุนปัจจุบันยังแพงเกินไป

ผลกระทบต่อเศรษฐกิจและงาน: จากการแทนที่ไปสู่การเพิ่ม “agency” ของคน

คำถามต่อไปคือเมื่อผู้คนเปลี่ยนวิธีสร้างคุณค่าในเศรษฐกิจ AI สิ่งที่เกิดขึ้นกับแต่ละคนจะเป็นอย่างไร แนวคิดหลักที่ถูกเน้นคือคนอาจมีโอกาส “ใช้การตัดสินใจของตนเอง” มากขึ้น (exercise agency) เพราะหากเริ่มธุรกิจได้โดยมีทีมของ AI ช่วยทำหน้าที่ต่าง ๆ แทนส่วนที่คนไม่มีความเชี่ยวชาญ ก็จะลดอุปสรรคในการเริ่มต้นลง

การเปลี่ยนจากประสบการณ์นี้ถูกโยงกับการเปลี่ยนของเศรษฐกิจโดยรวม กล่าวคือเมื่อเครื่องมือช่วยให้คนทำได้มากขึ้นกว่าที่เคยทำได้ โครงสร้างของคุณค่าในเศรษฐกิจก็เปลี่ยนไปตาม

สตาร์ทอัพจะเปลี่ยนอย่างไร

ผู้พูดระบุว่าเขา “หมกมุ่น” กับการสำรวจว่าพื้นที่ของสตาร์ทอัพจะหน้าตาเป็นอย่างไร เมื่ออุปสรรคต้นทุนและความยากในการเริ่มต้นลดลงอย่างต่อเนื่อง เช่น ในอดีตเมื่อ AWS ทำให้การทำงานบนคลาวด์เริ่มง่ายขึ้น สตาร์ทอัพขนาดเล็กทำสิ่งที่เคยทำยากด้วยทีมเล็กลงได้ ต่อไปคือการเปลี่ยนที่ใหญ่กว่า เพราะด้วยทรัพยากรคำนวณและความสามารถที่เพิ่มขึ้น อาจทำให้คนไม่กี่คนและระบบ compute จำนวนมากสร้างธุรกิจได้เร็วขึ้น

แต่ประเด็นสำคัญที่ถูกแยกคือคำว่า “การทำให้ AI เข้าถึงได้” มี 2 ความหมาย

1. การเข้าถึงร่วมกัน: ให้คนใช้ AI เพื่อปรับปรุงชีวิตของตนเอง สร้างสิ่งให้คนอื่น และทำงานอื่น ๆ
2. การมีเสียงต่อทิศทาง: ทำให้สังคมได้ถกเถียงว่า AI จะไปทางไหน และทำอย่างไรให้ความคิดเห็นถูกนำกลับเข้าไปในระบบ

การมีเสียงจึงไม่ใช่แค่เปิดพื้นที่ให้พูด แต่ต้องมี “กลไกที่รับฟังและสะท้อนกลับ” เข้าไปในระบบจริง และการถกเถียงเป็นเงื่อนไขเบื้องต้นที่ทำให้ผู้คนสามารถมีส่วนร่วม

หลักการ democratization ผ่านโครงสร้างพื้นฐาน: ความคิดเรื่อง “ทำให้ต้นทุนลดลง”

อีกแนวคิดที่ถูกเสนอคือ การทำให้ AI กระจายไปถึงวงกว้างต้องไม่ติดแค่การแจกบริการแบบจำกัด แต่ต้องทำให้โครงสร้างพื้นฐาน (เช่น compute) เข้าถึงได้มากขึ้นและมีต้นทุนลดลง

ถ้า compute มีความจำกัดมาก “ความต้องการที่ไม่มีเพดาน” (demand is uncapped) อาจนำไปสู่การกระจุกตัวของอำนาจและการผูกขาด compute เพราะผู้มีทรัพยากรจะ “ประมูลราคา” จนสูงมากขึ้นเรื่อย ๆ นี่จึงไม่ใช่ democratization จริง

เพื่ออธิบายภาพเปรียบเทียบ ใช้แนวคิดจากไฟฟ้าในประวัติศาสตร์ ที่การทำให้พลังงานราคาถูกและอุดมสมบูรณ์ช่วยยกคุณภาพชีวิตให้คนทั้งโลก การเปลี่ยนที่ต้องการกับ AI คือการทำให้ compute มี “ราคาที่ถูกและเข้าถึงได้” ผ่านการสร้างโครงสร้างพื้นฐานเพิ่มและนวัตกรรมที่ทำให้ต้นทุนปฏิบัติการลดลง

ทำให้คนไม่ถูกทิ้งไว้ข้างหลัง: การจัดระบบภาษีและการกระจายผลประโยชน์

ความเหลื่อมล้ำของผลประโยชน์เป็นประเด็นสำคัญ หาก AI สร้างความมั่งคั่ง แต่ระบบภาษีและนโยบายยังไม่ปรับให้สอดคล้อง เศรษฐกิจอาจเอื้อให้ความมั่งคั่งไหลไปกลุ่มแคบมากขึ้น

บทสนทนาจึงพูดถึงการ modernize tax base และการกระจายผลประโยชน์อย่างกว้างขวาง รวมถึงแนวคิดเรื่องมาตรการเปลี่ยนผ่าน (transition) เช่น การช่วยเหลือผู้ว่างงาน การออกแบบระบบภาษีหรือกติกาใหม่ในโลกที่งานทางปัญญาส่วนใหญ่ถูกทำโดย AI และการตั้งคำถามว่าความสมดุลระหว่างแรงงานและทุนจะต้อง “วิวัฒน์” อย่างไร

ความกังวลของแรงงาน: เริ่มจากการสร้างความมั่นใจและความปลอดภัยทางสังคม ก่อนคุยเรื่องการใช้งานในที่ทำงาน

ประเด็นที่ถูกย้ำคือแรงงานจำนวนมากไม่ได้รู้สึกตื่นเต้นทันทีที่จะวางแผนใช้ AI ในที่ทำงาน แต่กังวลว่า AI จะมาแทนที่หรือทำให้สูญเสียงาน ผู้เสนอแนวคิดจึงชี้ว่าผู้ดูแลเทคโนโลยีควรเริ่มจากการเสนอแนวทางนโยบายที่ทำให้เศรษฐกิจ “เป็นธรรม” และคนได้รับการสนับสนุนเมื่อเกิดผลกระทบ

หลังจากนั้นจึงค่อยเข้าสู่การหารือแบบมีส่วนร่วม เช่น

• ให้องค์กรแรงงานและสหภาพมีบทบาท ในการตัดสินใจว่าใช้ AI อย่างไรและในขอบเขตใด
• ให้คนงานมีส่วนร่วมในการกำหนด “การใช้งานที่ยอมรับได้” โดยเฉพาะกรณีการเฝ้าระวังจาก AI ในที่ทำงาน
• ส่งเสริม AI literacy เพื่อให้คนมีเครื่องมือใช้ AI เพื่อยกระดับชีวิต เริ่มธุรกิจ และทำกิจกรรมที่สร้างคุณค่าด้วยตนเอง

แนวคิดเรื่อง “การมีส่วนร่วม” จึงไม่ใช่แค่เรื่องความรู้เท่านั้น แต่เป็นเรื่องอำนาจในการตัดสินใจเกี่ยวกับการใช้เทคโนโลยี

แนวคิดสถาบันเสริม: จากองค์กรเอกชนและรัฐ ไปสู่กลไกระดับกลาง

เนื่องจากภาครัฐมักเคลื่อนไหวช้ากว่า และการให้เอกชนตัดสินใจทั้งหมดอาจมีการกำกับดูแลต่ำ บทสนทนาจึงเสนอแนวทาง “ระดับกลาง” ในเชิงสถาบัน เพื่อเป็นพื้นที่ต้นแบบและให้บริการแบบมี accountability ระดับหนึ่ง ตัวอย่างเช่นการสร้างระบบความปลอดภัยทางสังคมในรูปแบบที่ไม่ใช่แค่บริษัทหรือแค่หน่วยงานรัฐ

ขอบเขตเวลาในการปรับตัว: ทำไมต้องเริ่มก่อนหน้าต่างหายใจของสังคม

คำถามสำคัญคือสังคมควรมี “หน้าต่างเวลา” (window) สำหรับการปรับตัวเท่าใด บทสนทนาชี้ว่าแน่ชัดเป็นตัวเลขยาก เพราะมีความไม่แน่นอน แต่มีการยกตัวอย่างกรอบเวลาที่เกี่ยวกับการมี “automated researcher” ในช่วงต้นปี 2028

เหตุผลที่ทำให้ต้องเร่งคุยคือเมื่อมีระบบนักวิจัยอัตโนมัติที่ทำงานวิจัย AI ได้อย่างก้าวหน้า จะเกิดผลกระทบสองชั้นพร้อมกัน

• ความสามารถของงานวิจัย AI เองเพิ่มขึ้น
• อาจเร่งความก้าวหน้าของ AI ต่อไปอีก ทำให้การเปลี่ยนแปลงเกิดเร็วขึ้นกว่าที่สถาบันและระบบสังคมจะตามได้

เมื่อสภาพแวดล้อมเปลี่ยนเร็ว สิ่งที่จำเป็นจึงไม่ใช่แค่เทคโนโลยี แต่คือการออกแบบนโยบายและกลไกตอบสนองที่ “มีความยืดหยุ่นต่อการเปลี่ยนแปลง”

คุณค่าที่อาจยังคงอยู่เมื่อ AI ฉลาดขึ้น: ความเป็นมนุษย์และความเชื่อมโยงระหว่างคน

ส่วนหนึ่งของบทสนทนาถามถึง “คุณสมบัติของมนุษย์” ที่สำคัญที่สุดในอนาคต ตัวอย่างที่ถูกย้ำคือคุณสมบัติที่ไม่เปลี่ยนตามเทคโนโลยี เช่น ความมีอุปนิสัยที่ดี (character) ความตั้งใจ ความพยายาม ความเมตตา และความเข้าใจสิ่งที่ผู้อื่นต้องการ

ยังมีเรื่องเล่าที่สะท้อนความต้องการของมนุษย์ต่อปฏิสัมพันธ์เล็ก ๆ น้อย ๆ เช่น การไปคาเฟ่ที่มีหุ่นยนต์ทำกาแฟแล้วรู้สึกไม่ประทับใจเท่าที่คิด สุดท้ายพบว่าคนจำนวนมากยังต้องการการทักทายหรือความรู้สึกว่าได้รับการปฏิบัติอย่างเป็นมนุษย์ แม้งานจะทำได้โดยอัตโนมัติ

ข้อสรุปที่ถูกเชื่อมต่อคือ เมื่อ AI ทำงานจำนวนมากที่ไม่ต้องใช้การเชื่อมต่อระหว่างคนได้ อาจยิ่งทำให้ความสำคัญของ “มนุษย์ต่อมนุษย์” ชัดขึ้น เช่นในงานดูแล การพยาบาล การสอน และงานใน care economy ที่ต้องการความสัมพันธ์และความเข้าใจ

การเข้าถึงบริการสำคัญ เช่น สุขภาพ การศึกษา และการดูแลผู้สูงอายุ: จากข้อจำกัดไปสู่การขยายที่เข้าถึงได้

คำถามเกี่ยวกับการเข้าถึงบริการแพงในหลายประเทศ เช่น healthcare childcare และ eldercare ถูกตอบด้วยความหวังว่า AI จะช่วยทำให้คนเข้าถึงบริการคุณภาพสูงได้ในระดับที่กว้างขึ้น

แก่นของคำตอบคือ AI อาจช่วยลดภาระงานเชิงระบบราชการของผู้ให้บริการ ทำให้แพทย์และบุคลากรทางการแพทย์สามารถทำงานรักษาได้มากขึ้น ขณะเดียวกันผู้ป่วยจะได้รับประสบการณ์ที่ดีขึ้น เพราะ AI ช่วยนำทาง ตอบคำถาม และทำให้การตัดสินใจมีข้อมูลมากขึ้น

ตัวอย่างการใช้ AI ในบริบทสุขภาพ: จากข้อมูลทางการแพทย์สู่คำแนะนำที่เข้าใจง่าย

มีตัวอย่างส่วนบุคคลที่เล่าว่าเมื่อได้ผลตรวจเลือดแล้วนำข้อมูลไปให้เครื่องมืออย่าง ChatGPT ช่วยวิเคราะห์ รายละเอียดของสิ่งที่ผิดปกติและคำแนะนำเกี่ยวกับการตรวจซ้ำหรือการดูแลสามารถเข้าถึงได้ทันที ทำให้รู้สึกว่า “เข้าใจ” สิ่งที่เกิดขึ้นได้เร็วขึ้น

แนวคิดคล้ายกันนี้ถูกโยงไปยังด้านการศึกษา เช่น personalized learning ที่ปรับให้เหมาะกับแต่ละคน โดยยังคงมีมนุษย์เป็นแกน แต่ใช้ AI ช่วยออกแบบการสอนและลดต้นทุนการทำให้เหมาะสมตามรายบุคคล

การนำ AI ไปใช้งาน: “Capability overhang” และช่องว่างระหว่างความสามารถที่มีอยู่กับการที่คนใช้จริง

บทสนทนาชี้ว่าความสามารถของ AI อาจไปไกลกว่าที่คนทั่วไปใช้หรือเข้าใจจริง สาเหตุหนึ่งคือการรับรู้ของคนจำนวนมากไม่ได้ตามทัน นอกจากนี้คนจำนวนมากตรวจสอบผลิตภัณฑ์เพียงเป็นระยะห่างเดือน ๆ มากกว่าการทดลองอย่างเต็มรูปแบบในโหมดที่มีการใช้เหตุผลระดับลึก (เช่น reasoning models)

ความเชื่อคือช่องว่างนี้จะลดลงเมื่อสังคมเห็นตัวอย่างการใช้งานที่ “สุดขั้ว” มากขึ้น เช่นเห็นการวินิจฉัยหรือการแก้ปัญหาที่คนไม่คาดคิด และเมื่อเห็นหลายสถาบันใช้ได้ผล พฤติกรรมการนำไปใช้จริงก็จะเร่งขึ้นเช่นกัน

เสียงเรียกร้อง: เริ่มถกเถียงอย่างเปิดกว้าง พร้อมเชิญชวนงานวิจัยและข้อเสนอใหม่

ท้ายบทสนทนามีการเน้นว่าการพูดคุยเรื่องความเป็นไปได้ของ AI ที่ก้าวหน้ามากเป็นเรื่อง “เร็วและสำรวจ” ไม่ใช่แผนสุดท้าย แต่เป็นจุดเริ่มต้นของการสนทนาสาธารณะกับผู้กำหนดนโยบายและสังคมวงกว้าง เพื่อกระตุ้นการวิจัยและการถกเถียง

นอกจากนี้ยังมีการเชิญส่งข้อเสนอผ่านช่องทางที่ระบุ และมีการเปิดโครงการทุนสนับสนุนสำหรับงานวิจัยและเครดิตการเข้าถึง API เพื่อช่วยให้แนวคิดเชิงนโยบายและเชิงเทคนิคสามารถต่อยอดได้จริง

บทสรุป: สังคมต้อง “เตรียมทั้งความสามารถและสถาบัน” พร้อมกัน

สิ่งที่บทสนทนาเสนอไม่ได้เป็นเพียงเรื่องเทคโนโลยี แต่เป็นข้อกำหนดเชิงสังคม 3 อย่าง

• เตรียมรับความสามารถที่พัฒนาเร็ว โดยเริ่มคุยตั้งแต่ก่อนถึงจุดเปลี่ยน
• ออกแบบความยืดหยุ่นแบบหลายชั้น ครอบคลุมทั้งการทดสอบ การรายงานเหตุการณ์ และการป้องกันภัยที่มาจากไซเบอร์และชีวภาพ
• วางระบบเพื่อแบ่งปันผลประโยชน์อย่างเป็นธรรม ผ่านสถาบัน นโยบาย ภาษี การคุ้มครองแรงงาน และการทำให้คนเข้าถึง compute และบริการสำคัญได้มากขึ้น

เมื่อเทคโนโลยีเปลี่ยนเร็ว สังคมที่เตรียมตัวล่วงหน้าและมีกรอบคิดที่เป็นระบบจะมีโอกาสมากกว่าในการ “เก็บเกี่ยวด้านบวก” ขณะเดียวกันก็ลดทอนความเสี่ยงที่หลีกเลี่ยงไม่ได้ให้รุนแรงน้อยลง