ปัญญาประดิษฐ์เชิงกำเนิด (Generative Artificial Intelligence: Generative AI) มีบทบาทเพิ่มขึ้นอย่างต่อเนื่องในการสนับสนุนงานวิชาการ งานวิจัย งานบริหาร และการสื่อสารองค์กร เครื่องมือที่ได้รับความสนใจอย่างแพร่หลาย ได้แก่ ChatGPT ซึ่งสามารถประมวลผลและสร้างข้อความภาษาธรรมชาติได้หลากหลายรูปแบบ เช่น การสรุปข้อมูล การเรียบเรียงเอกสาร การแปลภาษา การจัดหมวดหมู่ข้อมูล และการเสนอแนวคิดเบื้องต้น
อย่างไรก็ตาม การใช้ AI ให้เกิดประโยชน์สูงสุดจำเป็นต้องมีความเข้าใจทั้งหลักการทำงาน วิธีออกแบบคำสั่ง ข้อจำกัด และแนวทางตรวจสอบผลลัพธ์ เนื่องจาก AI เป็นเครื่องมือสนับสนุนการทำงาน มิใช่แหล่งข้อมูลที่ถูกต้องสมบูรณ์ในทุกกรณี

ChatGPT และแบบจำลองภาษาขนาดใหญ่
ChatGPT พัฒนาขึ้นบนพื้นฐานของแบบจำลองภาษาขนาดใหญ่ หรือ Large Language Model: LLM ซึ่งได้รับการฝึกด้วยข้อมูลข้อความจำนวนมาก เพื่อเรียนรู้รูปแบบทางภาษา ความสัมพันธ์ระหว่างคำ โครงสร้างประโยค และบริบทของเนื้อหา
เมื่อได้รับคำสั่งหรือคำถาม แบบจำลองจะวิเคราะห์ข้อความที่ป้อนเข้าและคำนวณความน่าจะเป็นของหน่วยข้อความที่ควรปรากฏต่อไป จากนั้นจึงสร้างคำตอบอย่างต่อเนื่องทีละหน่วย กระบวนการนี้ทำให้ AI สามารถสร้างข้อความที่เป็นธรรมชาติและสอดคล้องกับบริบทได้ แต่ไม่ได้หมายความว่าแบบจำลอง “เข้าใจ” หรือ
“รู้ข้อเท็จจริง” ในลักษณะเดียวกับมนุษย์
ก่อนที่ข้อความจะถูกประมวลผล ระบบจะแบ่งข้อความออกเป็นหน่วยย่อยที่เรียกว่า “โทเคน” (Token) ซึ่งอาจเป็นคำ ส่วนของคำ ตัวเลข หรือเครื่องหมายต่าง ๆ กระบวนการนี้เรียกว่า Tokenization ส่วน Stemming และ Lemmatization เป็นเทคนิคการประมวลผลภาษาธรรมชาติที่ใช้ลดรูปคำให้เหลือรากศัพท์หรือรูปพื้นฐาน แม้จะเป็นแนวคิดสำคัญในงานประมวลผลภาษา แต่ไม่ได้เป็นขั้นตอนที่จำเป็นต้องใช้ในแบบจำลองภาษาสมัยใหม่ทุกระบบ
 
กระบวนการพัฒนาแบบจำลองภาษา
การพัฒนาแบบจำลองภาษาขนาดใหญ่ประกอบด้วยกระบวนการสำคัญหลายขั้นตอน เริ่มจากการฝึกเบื้องต้น หรือ Pre-training เพื่อให้แบบจำลองเรียนรู้โครงสร้างภาษา รูปแบบการเขียน และความสัมพันธ์
ของข้อมูลจากชุดข้อความขนาดใหญ่
จากนั้นจึงเข้าสู่กระบวนการปรับแต่งแบบจำลอง หรือ Post-training เพื่อให้สามารถปฏิบัติตามคำสั่ง ตอบคำถาม และสร้างคำตอบที่เหมาะสมกับผู้ใช้มากขึ้น กระบวนการนี้อาจใช้ตัวอย่างคำสั่งและคำตอบที่ผ่านการจัดเตรียมโดยมนุษย์ รวมถึงการเรียนรู้จากความคิดเห็นหรือการประเมินของมนุษย์ เช่น Reinforcement Learning from Human Feedback: RLHF
RLHF เป็นกระบวนการที่นำการประเมินของมนุษย์มาใช้ปรับปรุงพฤติกรรมของแบบจำลอง เพื่อให้คำตอบมีประโยชน์ เหมาะสม และปลอดภัยมากขึ้น อย่างไรก็ตาม กระบวนการดังกล่าวไม่สามารถรับประกันได้ว่าคำตอบทุกครั้งจะถูกต้อง จึงยังจำเป็นต้องมีการตรวจสอบโดยผู้ใช้

Transformer และกลไก Self-attention
เทคโนโลยีสำคัญที่อยู่เบื้องหลังแบบจำลองภาษาขนาดใหญ่คือสถาปัตยกรรม Transformer ซึ่งสามารถวิเคราะห์ความสัมพันธ์ระหว่างคำหรือโทเคนต่าง ๆ ในข้อความได้อย่างมีประสิทธิภาพ
กลไกสำคัญของ Transformer คือ Self-attention ซึ่งช่วยให้แบบจำลองพิจารณาว่าส่วนใดของข้อความมีความสัมพันธ์หรือมีความสำคัญต่อการสร้างคำตอบ ตัวอย่างเช่น เมื่อข้อความกล่าวถึงบุคคล วัตถุ หรือเหตุการณ์หลายรายการ ระบบจะใช้บริบทโดยรอบในการเชื่อมโยงข้อมูลและตีความว่าคำแต่ละคำหมายถึงสิ่งใด
กระบวนการทำงานโดยทั่วไปเริ่มจากการรับคำสั่งหรือ Prompt การแบ่งข้อความเป็นโทเคน การแปลง
โทเคนเป็นค่าตัวเลข การวิเคราะห์ความสัมพันธ์ภายในบริบท และการคาดการณ์โทเคนถัดไปจนเกิดเป็นคำตอบที่สมบูรณ์ คุณภาพของคำตอบจึงขึ้นอยู่กับทั้งความสามารถของแบบจำลองและคุณภาพของคำสั่งที่ผู้ใช้กำหนด

การออกแบบคำสั่งอย่างมีประสิทธิภาพ
Prompt Engineering คือกระบวนการออกแบบคำสั่งเพื่อให้ AI เข้าใจวัตถุประสงค์ ขอบเขต และรูปแบบของงานได้ชัดเจน คำสั่งที่ดีควรประกอบด้วยองค์ประกอบสำคัญ ได้แก่
1. บทบาท (Role) กำหนดมุมมองหรือความเชี่ยวชาญที่ต้องการ เช่น นักวิจัย นักวิเคราะห์ข้อมูล หรือผู้เรียบเรียงเอกสารวิชาการ
2. วัตถุประสงค์ (Task) ระบุงานที่ต้องการให้ดำเนินการอย่างชัดเจน เช่น สรุป เปรียบเทียบ วิเคราะห์ หรือเรียบเรียงใหม่
3. บริบท (Context) ให้ข้อมูลพื้นฐานที่จำเป็นต่อการทำความเข้าใจงาน เช่น กลุ่มเป้าหมาย วัตถุประสงค์ของเอกสาร และสถานการณ์ที่เกี่ยวข้อง
4. รูปแบบคำตอบ (Format) กำหนดลักษณะผลลัพธ์ เช่น บทความ ตาราง หัวข้อย่อย หรือบทสรุปสำหรับผู้บริหาร
5. ข้อกำหนด (Constraints) ระบุเงื่อนไข เช่น ความยาว ระดับภาษา ประเด็นที่ต้องครอบคลุม หรือข้อมูลที่ห้ามเพิ่มเติม
6. ข้อมูลอ้างอิง (Source material) แนบข้อมูลต้นฉบับหรือระบุแหล่งข้อมูลที่ต้องใช้ เพื่อจำกัดขอบเขตและลดความคลาดเคลื่อน

ตัวอย่างคำสั่งที่มีประสิทธิภาพ คือ “ให้ทำหน้าที่เป็นนักวิชาการด้านการปรับปรุงพันธุ์ข้าว เรียบเรียงข้อมูลที่แนบเป็นบทความสำหรับเกษตรกร ความยาวไม่เกินหนึ่งหน้ากระดาษ ใช้ภาษาที่เข้าใจง่าย แต่คงชื่อพันธุ์ ตัวเลข และผลการทดลองตามต้นฉบับ ห้ามสร้างข้อมูลเพิ่มเติม และสรุปประเด็นสำคัญในย่อหน้าสุดท้าย”
คำสั่งดังกล่าวช่วยให้ AI เข้าใจทั้งบทบาท งาน บริบท รูปแบบ และข้อจำกัด จึงมีแนวโน้มให้ผลลัพธ์ตรงตามความต้องการมากกว่าคำสั่งสั้น ๆ ที่ไม่มีรายละเอียด

การประยุกต์ใช้ AI ในงานวิชาการและงานวิจัย
AI สามารถสนับสนุนงานวิชาการได้หลายลักษณะ เช่น การกำหนดคำค้น การจัดหมวดหมู่ข้อมูล การสรุปเอกสาร การเปรียบเทียบแนวคิด การตรวจสอบความต่อเนื่องของเนื้อหา และการปรับภาษาให้เหมาะสมกับกลุ่มเป้าหมาย
เครื่องมือแต่ละประเภทมีวัตถุประสงค์แตกต่างกัน เช่น ChatGPT และ Claude เหมาะสำหรับการสนทนา วิเคราะห์ และสร้างข้อความ ขณะที่ Consensus, SciSpace และ Connected Papers ช่วยสนับสนุนการค้นหาและสำรวจเอกสารวิชาการ ส่วน Perplexity ใช้ค้นหาและสรุปข้อมูลจากแหล่งข้อมูลออนไลน์ Gamma ช่วยจัดทำงานนำเสนอ และ Draw.io ใช้สร้างแผนภาพหรือผังงาน
อย่างไรก็ตาม ผู้ใช้ควรเลือกเครื่องมือให้สอดคล้องกับลักษณะงาน และตรวจสอบข้อมูลจากเอกสารต้นฉบับทุกครั้ง โดยเฉพาะชื่อผู้แต่ง ปีที่เผยแพร่ ผลการทดลอง ค่าสถิติ เลข DOI และรายละเอียดบรรณานุกรม เนื่องจาก AI อาจสร้างข้อมูลอ้างอิงที่ไม่มีอยู่จริงหรือเชื่อมโยงข้อมูลคลาดเคลื่อนได้

การประยุกต์ใช้กับงานปรับปรุงพันธุ์ข้าว
สำหรับงานด้านการปรับปรุงพันธุ์ข้าว AI สามารถช่วยจัดระบบข้อมูลพันธุ์ข้าว สรุปผลการทดลอง เปรียบเทียบลักษณะทางการเกษตร เรียบเรียงรายงานวิจัย และเตรียมข้อมูลประกอบการเสนอรับรองพันธุ์ใหม่ได้
นอกจากนี้ ยังสามารถช่วยปรับเนื้อหาทางวิชาการให้เหมาะสมกับกลุ่มเป้าหมายที่แตกต่างกัน เช่น นักวิชาการ เกษตรกร ผู้ผลิตเมล็ดพันธุ์ โรงสี ผู้ประกอบการ และหน่วยงานภาครัฐ รวมถึงสนับสนุนการจัดทำแผ่นพับ โปสเตอร์ บทความ เว็บไซต์ และสื่อออนไลน์
ในด้านการบริหาร AI สามารถช่วยจัดหมวดหมู่ข้อมูลการผลิต วิเคราะห์ยอดจำหน่าย ติดตามสินค้าคงคลัง สรุปข้อมูลตลาด และจัดทำรายงานหรือ Dashboard อย่างไรก็ตาม การตัดสินใจเกี่ยวกับการคัดเลือกพันธุ์
การรับรองพันธุ์ คุณภาพเมล็ดพันธุ์ การกำหนดราคา และการบริหารงบประมาณ ยังคงต้องอาศัยข้อมูลที่ตรวจสอบแล้วและดุลยพินิจของผู้เชี่ยวชาญ

ข้อจำกัดและการใช้ AI อย่างมีความรับผิดชอบ
ข้อจำกัดสำคัญของ AI คือการสร้างคำตอบที่มีภาษาสมเหตุสมผลแต่เนื้อหาอาจไม่ถูกต้อง ปรากฏการณ์นี้เรียกว่า Hallucination นอกจากนี้ ผลลัพธ์อาจได้รับอิทธิพลจากความเอนเอียงของข้อมูลที่ใช้ในการฝึก
ขาดบริบทเฉพาะของหน่วยงาน หรือไม่เป็นปัจจุบัน
การนำ AI มาใช้จึงควรยึดหลักสำคัญ ได้แก่ การตรวจสอบข้อเท็จจริงจากแหล่งข้อมูลที่น่าเชื่อถือ
การไม่เปิดเผยข้อมูลส่วนบุคคล ข้อมูลลับ หรือข้อมูลที่มีข้อจำกัดในการเผยแพร่ การเคารพลิขสิทธิ์และทรัพย์สินทางปัญญา การเปิดเผยการใช้ AI เมื่อข้อกำหนดของงานหรือวารสารกำหนดไว้ และการกำหนดให้มนุษย์เป็นผู้รับผิดชอบต่อผลลัพธ์ขั้นสุดท้าย
สำหรับงานวิจัย AI ไม่ควรถูกระบุเป็นผู้แต่ง เนื่องจากไม่สามารถรับผิดชอบต่อความถูกต้อง ความโปร่งใส และจริยธรรมของผลงานได้ ผู้วิจัยต้องตรวจสอบและรับผิดชอบต่อเนื้อหา วิธีการวิเคราะห์ การอ้างอิง และข้อสรุปทั้งหมดด้วยตนเอง

สรุป
ChatGPT และเครื่องมือ Generative AI สามารถเพิ่มประสิทธิภาพในการสืบค้น สรุป วิเคราะห์
เรียบเรียง และนำเสนอข้อมูลได้อย่างมาก แต่คุณภาพของผลลัพธ์ขึ้นอยู่กับความชัดเจนของคำสั่ง คุณภาพของข้อมูลต้นทาง และกระบวนการตรวจสอบโดยมนุษย์ การใช้ AI อย่างเหมาะสมจึงต้องผสานความรู้ด้านเทคโนโลยีเข้ากับความเชี่ยวชาญทางวิชาการ จริยธรรม และความรับผิดชอบต่อข้อมูล เมื่อใช้อย่างมีวิจารณญาณ AI จะเป็นเครื่องมือสำคัญในการลดภาระงานประจำ เพิ่มเวลาให้แก่การคิดวิเคราะห์ และสนับสนุนการพัฒนางานวิจัยและการบริหารองค์กรให้มีประสิทธิภาพยิ่งขึ้น