รางวัลโนเบลสาขาเคมีปี 2024 ครึ่งหนึ่งมอบให้แก่เดวิด เบเกอร์（David Baker），“เพื่อยกย่องผลงานด้านการออกแบบโปรตีนด้วยการคำนวณ”；ส่วนอีกครึ่งหนึ่งมอบร่วมกันให้แก่เดมิส ฮัสซาบิส（Demis Hassabis）และจอห์น เอ็ม. จัมเปอร์（John M. Jumper），“เพื่อยกย่องความสำเร็จของพวกเขาด้านการทำนายโครงสร้างโปรตีน”。
David Baker เป็นผู้อำนวยการสถาบันออกแบบโปรตีนแห่งมหาวิทยาลัยวอชิงตัน ได้รับการยกย่องว่าเป็นผู้บุกเบิกด้านการออกแบบโปรตีน ตั้งแต่ปี 2003 เขาประสบความสำเร็จในการออกแบบโปรตีนใหม่หลากหลายชนิด เช่น Top7 ซึ่งนำไปใช้อย่างแพร่หลายในด้านยา วัคซีน วัสดุนาโน เซนเซอร์ขนาดจิ๋ว และอื่น ๆ และเขาได้เสนออัลกอริทึมทำนายโครงสร้างโปรตีน RoseTTA ตั้งแต่ปี 1999 ก่อน AlphaFold ของ Deepmind。
ผู้ได้รับรางวัลอีกสองท่านยิ่งเป็นที่คุ้นเคย Demis Hassabis เป็นผู้ร่วมก่อตั้งและ CEO ของ Google DeepMind ส่วน John M. Jumper ปัจจุบันดำรงตำแหน่งผู้อำนวยการของ Google DeepMindทั้งสองนำทีมพัฒนาโมเดล AI AlphaFold 2 และแก้โจทย์ยากที่ค้างคาแวดวงวิทยาศาสตร์มานาน 50 ปี：การทำนายโครงสร้างอันซับซ้อนของโปรตีนจากลำดับกรดอะมิโน。
โปรตีนเป็นเครื่องมือทางเคมีพื้นฐานของชีวิต ควบคุมและขับเคลื่อนปฏิกิริยาชีวเคมีทั้งหมด โดยมีบทบาทสำคัญในฐานะฮอร์โมน สารส่งสัญญาณ แอนติบอดี และองค์ประกอบในการสร้างเนื้อเยื่อ ในโปรตีน กรดอะมิโนเชื่อมต่อกันเป็นสายยาวและพับตัวเป็นโครงสร้างสามมิติ นับตั้งแต่ทศวรรษ 70 ของศตวรรษที่แล้ว นักวิจัยพยายามทำนายโครงสร้างโปรตีนจากลำดับกรดอะมิโน แต่ความคืบหน้าเป็นไปอย่างเชื่องช้า จนกระทั่ง DeepMind สร้างความก้าวหน้าครั้งใหญ่ที่น่าทึ่งเมื่อสี่ปีก่อน
ในปี 2020 Demis Hassabis และ John Jumper พัฒนา AlphaFold 2 ต่อยอดจาก AlphaFold รุ่นแรก มันสามารถทำนายโครงสร้างโปรตีนเกือบทั้งหมดจำนวน 2 ร้อยล้านชนิดที่นักวิจัยระบุได้ จนถึงปัจจุบันได้รับการอ้างอิงมากกว่า 2 หมื่นครั้ง และมีผู้ใช้กว่า 200 ล้านคนจาก 190 ประเทศ ช่วยผลักดันความก้าวหน้าครั้งใหญ่ในด้านต่าง ๆ รวมถึงวัคซีนมาลาเรีย การรักษามะเร็ง การออกแบบเอนไซม์ และการวิจัยการดื้อยาปฏิชีวนะ ที่จริงแล้ว ก่อนรางวัลโนเบล ทั้งสองได้รับรางวัล Breakthrough Prize สาขาวิทยาศาสตร์ชีวภาพ ซึ่งได้รับสมญาว่า “ออสการ์แห่งวงการวิทยาศาสตร์” และรางวัล Lasker ซึ่งถือเป็น “เครื่องชี้แนวโน้มรางวัลโนเบล” เมื่อปีที่แล้ว เพื่อยกย่องผลงานอันโดดเด่นในการวิจัยการแพทย์พื้นฐาน
ราชบัณฑิตยสภาวิทยาศาสตร์แห่งสวีเดนระบุในแถลงการณ์ว่า，“หากไม่มีโปรตีน ชีวิตก็ไม่อาจดำรงอยู่ได้ ปัจจุบันเราสามารถทำนายโครงสร้างโปรตีนและออกแบบโปรตีนของเราเองได้ ซึ่งนำมาซึ่งประโยชน์มหาศาลต่อมนุษยชาติ。”
หลังทราบข่าวว่าได้รับรางวัล บัญชีทางการของ Google DeepMind ก็โพสต์ “แจ้งข่าวดี” ทันที。
Demis Hassabis ยังออกแถลงการณ์ว่า：
“การได้รับรางวัลโนเบลเป็นเกียรติยศแห่งชีวิตของผม ขอบคุณราชบัณฑิตยสภาวิทยาศาสตร์แห่งสวีเดน ขอบคุณ John Jumper และทีม AlphaFold ขอบคุณทีม DeepMind และ Google ในวงกว้าง ตลอดจนเพื่อนร่วมงานทุกคนที่มีส่วนทำให้ช่วงเวลานี้เกิดขึ้น ผมอุทิศชีวิตการทำงานให้กับความก้าวหน้าของ AI เพราะมันมีศักยภาพที่ไม่มีสิ่งใดเทียบได้ในการปรับปรุงชีวิตผู้คนหลายพันล้านคน นักวิจัยมากกว่า 200 หมื่นคนได้นำ AlphaFold ไปใช้ผลักดันงานสำคัญ ตั้งแต่การออกแบบเอนไซม์ไปจนถึงการค้นพบยา ผมหวังว่าในอนาคตเราจะมอง AlphaFold ว่าเป็นหลักฐานเชิงประจักษ์ชิ้นแรกของศักยภาพมหาศาลที่ AI มีในการเร่งการค้นพบทางวิทยาศาสตร์。”
John Jumper กล่าวต่อทันทีว่า：“นี่คือหลักฐานสำคัญที่แสดงว่า AI สามารถเร่งการวิจัยทางวิทยาศาสตร์ และท้ายที่สุดช่วยให้เข้าใจโรคและพัฒนาวิธีรักษาได้ ผลงานนี้เป็นความดีความชอบของทีมงานอันยอดเยี่ยมของ Google DeepMind และรางวัลนี้ก็ยกย่องการมีส่วนร่วมอันโดดเด่นของพวกเขาด้วย”
ถึงตอนนี้ เมื่อรวมเจฟฟรีย์ อี. ฮินตัน（Geoffrey E. Hinton）“บิดาแห่ง AI” ผู้ได้รับรางวัลสาขาฟิสิกส์ไปก่อนหน้านี้และจุดกระแสการพูดคุยอย่างกว้างขวาง จุดร่วมเบื้องหลังผู้ได้รับรางวัลที่เป็นที่สนใจมากที่สุดในปีนี้ก็ชัดเจนมาก——ฮินตันเป็นบุคคลสำคัญของ Google Brain ซึ่งรองรับความทะเยอทะยานด้าน AI ของ Google ในช่วงแรก ส่วน Demis Hassabis คือหัวใจสำคัญของ Google Deepmind ซึ่งรับภารกิจวิจัย AI ของ Google ในช่วงหลายปีที่ผ่านมา
ไม่แปลกเลยที่แม้แต่ “ปาร์ตี้โนเบล” ก็จัดกันในแคมปัส Google โดยตรง
เบื้องหลังการมอบรางวัลโนเบลให้แก่นักวิทยาศาสตร์ AI อย่างต่อเนื่อง Google ก็ “กวาดชัยชนะจนล้นมือ” เช่นกัน
การรุกของ Google
หากพิจารณาตามลำดับเวลา Google คือบริษัทใหญ่ที่เข้าสู่สนามปัญญาประดิษฐ์ก่อนใครอย่างแน่นอน。
แม้เรื่องเล่าหลายฉบับจะบรรยายการประมูลลับในฤดูหนาวปี 2012 ที่โรงแรมคาสิโนริมทะเลสาบทาโฮในสหรัฐฯ ว่าเป็นการแข่งขันอย่างยุติธรรมระหว่างยักษ์ใหญ่เทคโนโลยีสามราย ได้แก่ Google、Microsoft、Baidu กับ DeepMind เพื่อช่วงชิง DNNResearch บริษัทเล็กที่ Hinton เพิ่งก่อตั้ง ซึ่งไม่มีผลิตภัณฑ์ที่เป็นรูปธรรมใด ๆ นอกจากบทความวิจัยไม่กี่ฉบับ แต่เมื่อมองย้อนกลับไป ผลลัพธ์ของการประมูลครั้งนี้ก็ถูกกำหนดไว้ตั้งแต่แรกแล้ว เพราะหนึ่งในจุดเริ่มต้นของมันก็คือแรงผลักดันจาก Google เมื่อ 6 เดือนก่อนหน้านั้น
เดือน 6 ปี 2012 Google Brain ประกาศเริ่มโครงการ “แมวของกูเกิล（The Cat Neurons）” เพื่อใช้อัลกอริทึมจดจำแมวในวิดีโอ YouTube โครงการนำโดยแอนดรูว์ อึ้ง มี Jeff Dean ร่วมงาน และได้รับการสนับสนุนอย่างเต็มที่จาก Larry Page ผู้ก่อตั้งบริษัท。
โครงการนี้สร้างโครงข่ายประสาทเทียมขนาดใหญ่ที่มีการเชื่อมต่อ 10 ร้อยล้านจุด โดยใช้วิดีโอจาก YouTube ที่ไม่มีป้ายกำกับจำนวน 1000 หมื่นคลิป ฝึกบน CPU 16,000 ตัว ด้วยการเรียนรู้แบบไม่มีผู้สอน ระบบนี้เรียนรู้การจดจำใบหน้าแมวได้ด้วยตนเองสำเร็จ โดยมีความแม่นยำถึง 74.8% และยังจดจำสิ่งอื่น ๆ เช่น ใบหน้าคนได้ด้วย。
อย่างไรก็ตาม ในช่วงท้ายโครงการ แอนดรูว์ อึ้งเลือกวางมือขณะกำลังประสบความสำเร็จ ก่อนจากไปเขาได้แนะนำ Hinton อาจารย์ของตนให้ Google รับช่วงงานต่อ Hinton บอกว่าตนจะไม่ออกจากมหาวิทยาลัย และยินดีเพียงไป Google เพื่อ “อยู่สักหนึ่งฤดูร้อน” ด้วยเหตุนี้ เขาจึงกลายเป็นนักศึกษาฝึกงานที่อายุมากที่สุดในประวัติศาสตร์ของ Google。
ในฐานะผู้เชี่ยวชาญชั้นนำด้านการเรียนรู้เชิงลึก Hinton มองเห็นข้อบกพร่องของโครงการอย่างรวดเร็ว และชี้ว่าโครงการแมวของ Google “ใช้โครงข่ายประสาทเทียมผิดแบบ และใช้ขีดความสามารถในการคำนวณผิดทาง。” ดังนั้นเมื่อ “ช่วงฝึกงาน” สั้น ๆ สิ้นสุดลง Hinton จึงรวบรวมนักศึกษาของเขา Ilya Sutskever และ Alex Krizhevsky มาจัดตั้งทีมทันที และพัฒนาสถาปัตยกรรมโครงข่ายประสาทเทียมใหม่ชื่อ AlexNet จากนั้นนำผลงานที่ฝึกด้วย GPU ของ NVIDIA เพียง 4 ตัว เข้าร่วมการแข่งขันรู้จำภาพ ImageNet ปี 2012 และคว้าชัยชนะที่พลิกวงการด้วยความแม่นยำ 84%。
ในเดือน 10 ของปีเดียวกัน ทีมของ Hinton ได้เปิดตัว AlexNet อัลกอริทึมแชมป์อย่างเป็นทางการในการประชุมด้านคอมพิวเตอร์วิทัศน์ที่เมืองฟลอเรนซ์ ทีมจากวงวิชาการพลิกเอาชนะ Google ซึ่งมีทรัพยากรด้านฮาร์ดแวร์และการวิจัยพัฒนาต่างกันอย่างมหาศาล สร้างความฮือฮาไปทั่วทั้งวงวิชาการและภาคอุตสาหกรรม บทความ AlexNet ยังกลายเป็นหนึ่งในบทความที่มีอิทธิพลมากที่สุดในประวัติศาสตร์วิทยาการคอมพิวเตอร์ โดยได้รับการอ้างอิงมากกว่า 12 หมื่นครั้ง
จากนั้น บริษัท DNNResearch ของทั้งสามก็จดทะเบียนก่อตั้งขึ้น การประมูลในเวลาต่อมาจึงดำเนินไปอย่างเป็นธรรมชาติมากยิ่งขึ้น เมื่อมูลค่าถูกดันขึ้นไปถึง 4400 หมื่นดอลลาร์สหรัฐ Hinton ก็สั่งหยุดการประมูล และเข้าร่วม Google อย่างเป็นทางการพร้อมนักศึกษาสองคน โดยดำรงตำแหน่งรองประธาน Google Brain และนักวิจัยด้านวิศวกรรม。
ขณะนั้น Hinton เขียนในแถลงการณ์ฉบับหนึ่งว่า：“ผมจะยังคงสอนแบบพาร์ตไทม์ที่มหาวิทยาลัยโตรอนโตต่อไป แต่ที่ Google ผมจะได้เห็นว่าเราจัดการกับการประมวลผลขนาดมหึมาอย่างไร”
ตลอดสิบปีที่ทำงานกับ Google จนถึงเดือน 5 ปี 2023 Hinton ยังคงมีส่วนร่วมในการวิจัยโครงข่ายประสาทเทียมขนาดใหญ่ โดยมีส่วนสนับสนุนพื้นฐานสำคัญให้แก่เทคโนโลยีเบื้องหลังระบบ AI สมัยใหม่อย่าง Bard และ ChatGPT เขายังร่วมพัฒนา TensorFlow ซึ่งเป็นไลบรารีซอฟต์แวร์การเรียนรู้ของเครื่องแบบโอเพนซอร์ส ช่วยยกระดับความสามารถของการประยุกต์ใช้ AI เช่น การรู้จำภาพและการทำความเข้าใจภาษา และนำเทคโนโลยีการเรียนรู้เชิงลึกไปใช้อย่างแพร่หลายในผลิตภัณฑ์และบริการต่าง ๆ ของ Google。
Google ไม่เคยชะลอการรวบรวมบุคลากรและเทคโนโลยี เพียงสองปีหลังซื้อ DNNResearch บริษัทก็ได้ DeepMind ที่ Hassabis ก่อตั้ง ซึ่งเป็นหนึ่งในคู่แข่งที่ร่วมประมูลในปีนั้น มาไว้ในครอบครองเช่นกัน。
มีรายงานว่า ในเวลานั้น Google ถึงกับเช่าเครื่องบินส่วนตัวพา Hinton ไปลอนดอนเพื่อ ”ตรวจสินค้า“ และดัดแปลงที่นั่งเป็นพิเศษเพื่อแก้ปัญหาที่อาการปวดหลังทำให้เขานั่งเครื่องบินไม่ได้ ส่วน Facebook ที่ถูก Google เบียดออกไปในตอนนั้น หลังจากพลาด DeepMind ก็หันไปทุ่มเงินดึงตัว Yann LeCun หนึ่งใน “สามยักษ์ใหญ่แห่งการเรียนรู้เชิงลึก” แทน
เรื่องราวของ Deepmind
มาดูทางฝั่ง DeepMind กันบ้าง อันที่จริงก่อนถูก Google ซื้อกิจการ DeepMind ก็ประสบปัญหาทางการเงินแล้ว บริษัทเผาเงินมาโดยตลอด แต่ยังหารูปแบบธุรกิจที่ยั่งยืนไม่ได้ จนถึงขั้นเกือบล้มละลาย。
การเข้าซื้อกิจการมูลค่า 6 ร้อยล้านดอลลาร์สหรัฐของ Google ช่วยกอบกู้ DeepMind โดยนอกจากจะรักษาทีมเทคโนโลยีหลักไว้แล้ว ยังจัดหาทรัพยากรประมวลผลอันทรงพลังให้ด้วย รวมถึงการสนับสนุนจากแพลตฟอร์มคลาวด์และศูนย์ข้อมูล ทำให้ DeepMind ใช้พลังประมวลผลที่สูงขึ้นฝึกโครงข่ายประสาทเทียมเชิงลึกได้ โดยเฉพาะในการพัฒนา AlphaGo ซึ่งเพิ่มความเร็วในการคำนวณและความแม่นยำของโมเดลอย่างมาก นอกจากนี้ Google ยังจัดหา TPU（หน่วยประมวลผลเทนเซอร์）ที่ออกแบบมาโดยเฉพาะ เพื่อเพิ่มประสิทธิภาพการฝึกและการอนุมานของโมเดลการเรียนรู้เชิงลึกให้ดียิ่งขึ้น อีกทั้ง TensorFlow ซึ่งเป็นเครื่องมือพื้นฐานด้าน AI ยังถูกนำมาใช้อย่างแพร่หลายในงานวิจัยของ DeepMind เพื่อช่วยเสริมประสิทธิภาพของ AlphaGo
AlphaGo เป็นโปรแกรมปัญญาประดิษฐ์สำหรับเล่นหมากล้อมที่พัฒนาโดยทีม DeepMind โปรแกรมวิเคราะห์บันทึกการเล่นหลายล้านเกม และเรียนรู้แบบเสริมกำลังผ่านการเล่นกับตัวเอง จนเชี่ยวชาญกลยุทธ์หมากล้อมที่ซับซ้อนและสามารถเอาชนะผู้เล่นหมากล้อมระดับแนวหน้าของมนุษย์ได้ ในปี 2016 AlphaGo เอาชนะอีเซดล แชมป์โลกหมากล้อม ด้วยคะแนน 4 ต่อ 1 ชัยชนะครั้งนั้นทำให้โด่งดังในทันทีและสร้างความตกตะลึงไปทั่วโลก。
อย่างไรก็ตาม ในสายตาของ Hassabis การใช้เกมกระดานพิสูจน์ศักยภาพของ AI ในการแก้ปัญหาซับซ้อนเป็นเพียงจุดเริ่มต้น สิ่งที่สำคัญกว่าคือการใช้มันชี้นำระบบการเรียนรู้ทั่วไปให้รับมือกับความท้าทายในโลกจริง เพื่อปรับปรุงชีวิตมนุษย์ ปฏิรูปอุตสาหกรรม และผลักดันความก้าวหน้าทางวิทยาศาสตร์อย่างแท้จริง。
ดังนั้น ภายในเวลาไม่กี่เดือน DeepMind ก็เร่งรับนักชีววิทยาเข้าทำงานและจัดตั้งทีมสหสาขาวิชาเพื่อมุ่งแก้ปัญหาการพับตัวของโปรตีน จนนำไปสู่การถือกำเนิดของโครงการ AlphaFold ในปี 2018 หลังจากพัฒนาปรับปรุงมาหลายรุ่น AlphaFold ได้เปลี่ยนแปลงงานวิจัยทางชีววิทยาอย่างสิ้นเชิงด้วยความสามารถอันก้าวล้ำในการทำนายโครงสร้างโปรตีน แสดงให้เห็นถึงศักยภาพอันมหาศาลของการประยุกต์ใช้ AI ในวงการวิทยาศาสตร์。
เมื่อเดือน 5 ของปีนี้ Google Deepmind ประกาศอย่างเป็นทางการอีกครั้งว่าได้ร่วมกับ Isomorphic Labs เปิดตัว AlphaFold 3 โมเดลทำนายโปรตีนรุ่นใหม่ โดยบทความวิจัยที่เกี่ยวข้องได้ตีพิมพ์ในวารสาร Nature ในคราวเดียว
เมื่อเทียบกับเวอร์ชันก่อนหน้า AlphaFold 3 ไม่เพียงมีความก้าวหน้าในการทำนายการพับตัวของโปรตีน แต่ยังทำนายโครงสร้างและปฏิสัมพันธ์ของโมเลกุลชีวภาพ เช่น โปรตีน、DNA、RNA และลิแกนด์ ได้อย่างแม่นยำสูงเป็นครั้งแรก ความก้าวหน้านี้ช่วยให้นักวิทยาศาสตร์เข้าใจกลไกของโรคและกระบวนการของชีวิตได้ลึกซึ้งยิ่งขึ้น พร้อมทั้งลดเวลาและต้นทุนการวิจัยและพัฒนาอย่างมาก ไม่ว่าจะเป็นการพัฒนาวัสดุหมุนเวียน หรือการเร่งออกแบบยาและการวิจัยจีโนมิกส์ AlphaFold 3 ก็เปิดพื้นที่การประยุกต์ใช้ที่กว้างขวางยิ่งขึ้นในสาขาชีวโมเลกุล。
นอกจากนี้ ทีมงานยังอาศัย AlphaFold 3 เปิดตัวแพลตฟอร์มฟรีชื่อ AlphaFold Server สำหรับให้นักวิทยาศาสตร์ทั่วโลกใช้ในการวิจัยที่ไม่ใช่เชิงพาณิชย์ ช่วยให้การสำรวจทางวิทยาศาสตร์เข้าถึงได้กว้างขวางยิ่งขึ้น
Google ดึงดูดบุคลากรวิจัยชั้นนำจากทั่วโลกผ่าน DeepMind อย่างต่อเนื่อง และให้การสนับสนุนเงินทุนระยะยาว ทำให้พวกเขามุ่งเน้นงานวิจัยที่สร้างความก้าวหน้าครั้งสำคัญได้ โดยไม่ต้องพึ่งผลตอบแทนทางธุรกิจระยะสั้น Google ยังให้อิสระเชิงกลยุทธ์แก่ DeepMind ในระดับสูง ทำให้เลือกทิศทางการวิจัยได้อย่างอิสระ ความเป็นอิสระและการสนับสนุนระยะยาวเช่นนี้เองที่วางรากฐานอันมั่นคงให้ DeepMind ทำงานวิจัยที่มองไปข้างหน้า。
นอกจากความก้าวหน้าในด้านเกมและชีววิทยาแล้ว DeepMind ยังพัฒนา WaveNet ซึ่งเป็นโมเดลสังเคราะห์เสียงพูดที่สมจริงสำหรับ Google Assistant ช่วยยกระดับประสบการณ์การโต้ตอบด้วยเสียง โมเดลการมองเห็น-ภาษา-การกระทำ RT-2 ช่วยเพิ่มความสามารถของหุ่นยนต์ในการปฏิบัติงานในสภาพแวดล้อมที่หลากหลาย งานวิจัยของบริษัทยังครอบคลุมปัญหาซับซ้อน เช่น การพยากรณ์อากาศและเครื่องปฏิกรณ์นิวเคลียร์ฟิวชัน อีกทั้งยังผลักดันการพัฒนาอัลกอริทึมคอมพิวเตอร์ให้ก้าวหน้าขึ้นผ่านโครงการอย่าง AlphaCode และ AlphaDev。
“ทุนเดิม” ของ Google ยังคงแข็งแกร่ง
ในการแข่งขันด้านปัญญาประดิษฐ์ทุกวันนี้ การเติบโตอย่างรวดเร็วของบริษัทดาวเด่นอย่าง OpenAI และ Anthropic รวมถึงการที่ ChatGPT และ Claude “ทิ้งห่างอย่างขาดลอย” เมื่อเทียบกับ Gemini เคยทำให้ผู้คนตั้งข้อสงสัยต่อกลยุทธ์ AI ของ Google โดยเฉพาะในกระบวนการสร้างรายได้เชิงพาณิชย์จากผลิตภัณฑ์ AI เชิงกำเนิดและเครื่องมือสำหรับนักพัฒนา การพัฒนาอย่างรวดเร็วของบริษัทอย่าง OpenAI แตกต่างอย่างชัดเจนกับจังหวะที่ค่อนข้างช้าของ Google。
อย่างไรก็ตาม รางวัลโนเบลสองรางวัลที่เห็นอยู่นี้ดูเหมือนกำลังเตือนเราว่า รากฐานการวิจัยอันลึกซึ้งและเทคโนโลยีที่ Google สั่งสมมายังคงเป็นข้อได้เปรียบที่บริษัทอื่นเลียนแบบได้ยาก。
ก่อนปี 2006 สภาพของการเรียนรู้เชิงลึกอาจสรุปได้ด้วยคำกล่าวอันโด่งดังของบารอนเคลวินที่ว่า：“อาคารแห่งการเรียนรู้เชิงลึกได้สร้างเสร็จเป็นส่วนใหญ่แล้ว เพียงแต่ใต้ท้องฟ้าที่แสงแดดเจิดจ้า ยังมีเมฆดำเล็ก ๆ สามก้อนลอยอยู่”
เมฆดำก้อนเล็กทั้งสามนี้คือ อัลกอริทึม กำลังประมวลผล และข้อมูล
และ Google ก็มีข้อได้เปรียบอย่างชัดเจนในด้านสำคัญเหล่านี้พอดี ประการแรก Google ครอบครองทรัพยากรข้อมูลมหาศาลที่อยู่ในระดับแนวหน้าของโลก โดยอาศัยแพลตฟอร์มอย่าง YouTube、Google Scholar และ Google Search เพื่อจัดหาข้อมูลฝึกที่อุดมสมบูรณ์และหลากหลายให้แก่โมเดล AI ด้านการมองเห็น การรู้จำเสียง และการประมวลผลภาษาธรรมชาติ。
ประการที่สอง Google มีความได้เปรียบอย่างชัดเจนด้านทรัพยากรการประมวลผล ฮาร์ดแวร์ TPU ที่พัฒนาขึ้นเองช่วยเร่งความเร็วในการฝึกโมเดลการเรียนรู้เชิงลึกอย่างมาก Google Cloud ไม่เพียงมอบพลังประมวลผลอันแข็งแกร่งสำหรับงานวิจัยภายใน แต่ยังมอบเครื่องมือให้นักพัฒนาทั่วโลก เพื่อช่วยให้สร้างและนำแอปพลิเคชัน AI ที่ซับซ้อนไปใช้งานได้อย่างรวดเร็ว。
ในด้านการวิจัยและพัฒนาอัลกอริทึม Google ก็อยู่ในแนวหน้าของอุตสาหกรรมเช่นกัน สถาปัตยกรรม Transformer ซึ่งถือกำเนิดจากทีม Google Brain ได้วางรากฐานให้การประมวลผลภาษาธรรมชาติสมัยใหม่ และผลักดันการพัฒนาของโมเดล AI แนวหน้าแทบทั้งหมดในปัจจุบัน เทคโนโลยีเหล่านี้ไม่เพียงขับเคลื่อนความก้าวหน้าทางวิชาการ แต่ยังถูกนำไปใช้อย่างแพร่หลายในผลิตภัณฑ์หลักของ Google ด้วย。
ในปี 2024 วงการ AI ยังคงเผชิญความท้าทายด้านอัลกอริทึม พลังประมวลผล และข้อมูล แม้หลายบริษัทต่างก็สร้างความก้าวหน้าในบางด้านได้ แต่เมื่อเปรียบเทียบกันแล้ว ผู้ที่ดูเหมือนจะมีข้อได้เปรียบทั้งสามด้านพร้อมกัน และผสานสิ่งเหล่านั้นได้อย่างมีประสิทธิภาพอย่างต่อเนื่อง ก็ยังคงเป็น Google
ในการแข่งขันกับบริษัทอย่าง OpenAI และ Microsoft นั้น Google ยังคงมี “ทุนเดิม” ที่แข็งแกร่ง และยังไม่ได้พ่ายแพ้ในการแข่งขัน AI ศักยภาพของปัญญาประดิษฐ์ยังห่างไกลจากการถูกนำมาใช้อย่างเต็มที่ และในการวิ่งระยะไกลครั้งนี้ บางทีความลึกและความกว้างของนวัตกรรมทางเทคโนโลยีอาจเป็นสิ่งที่ตัดสินผู้ชนะในท้ายที่สุด
