Generative AI ภาษาขนาดใหญ่ (LLM) อย่าง ChatGPT มีพัฒนาการอย่างรวดเร็ว เมื่อเทียบกับช่วงเปิดตัว ChatGPT 3.5 ครั้งแรกในเดือน พ.ย.2565
Generative AI ภาษาขนาดใหญ่ (LLM) อย่าง ChatGPT มีพัฒนาการอย่างรวดเร็ว เมื่อเทียบกับช่วงเปิดตัว ChatGPT 3.5 ครั้งแรกในเดือน พ.ย.2565 ตอนนั้น ChatGPT ถือเป็นระบบปิด ทำหน้าที่เสมือนคลังความรู้ขนาดใหญ่ที่ตอบคำถามหรือสร้างข้อความตามรูปแบบคลังข้อมูลมหาศาลที่เคยเรียนรู้ โดยไม่มีความสามารถค้นคว้าข้อมูลนอกเหนือจากข้อมูลที่ฝังอยู่ในโมเดลของตนเอง
ข้อมูลนี้มักไม่ทันสมัยและไม่สามารถเข้าถึงข้อมูลแบบเรียลไทม์ได้ ดังนั้น เมื่อมีการค้นหาคำตอบจาก ChatGPT ในตอนนั้นก็จะเป็นการสรุปหรือสร้างเนื้อหาจากความรู้ที่มีอยู่โดยขาดการอ้างอิงแหล่งที่มาและไม่สามารถเข้าถึงข้อมูลล่าสุดได้ ทำให้มีความเสี่ยงในการให้ข้อมูลผิด (Hallucination) และไม่ทราบบริบทปัจจุบันอย่างเพียงพอ
ในตอนนั้นหลายคนยังใช้ ChatGPT ไม่ถูกกับงาน โดยเอามาค้นหาข้อมูลแทน Google แท้จริงโมเดล LLM เหล่านั้น จะถูกสร้างมาเพื่องานสร้างเนื้อหา (ถึงเรียกว่า Generative AI) และจะมีจินตนาการสร้างสรรค์เนื้อหาค่อนข้างมาก จึงไม่แปลกที่จะได้คำตอบที่ผิด เพราะโมเดลเหล่านั้นถูกสร้างมาจากคลังข้อมูลที่ไม่ได้ถูกระบุว่าถูกหรือผิด ดังนั้น ChatGPT จึงไม่ได้เอามาแทน Google search แต่เหมาะกับงานเขียน งานสรุปเอกสาร งานวิเคราะห์ งานระดมความคิด งานเขียนโปรแกรม งานแปล หรือสอบถามความเห็นต่างๆ ซึ่งอาจมีความผิดพลาดได้
ต่อจากนั้นโมเดล LLM ส่วนใหญ่จะเพิ่มประสิทธิภาพการเข้าถึงข้อมูลแบบเรียลไทม์ได้ ค้นหาข้อมูลจากเว็บไซต์ต่างๆ ได้ และทำการสรุปให้ ดังเช่น ChatGPT หรือ DeepSeek ก็จะมีปุ่ม Search ในการค้นหาข้อมูล ทำให้ทำหน้าที่ได้ดีเสมือน Google Search โดยหนึ่งในเครื่องมือ LLM ที่คนมักนิยมเอามาใช้ในการค้นหาและสรุปข้อมูลก็คือ Perplexity.aiซึ่งทำงานได้ดีมาก
เพราะนอกจากเขียนสรุปการค้นหาข้อมูลมาให้ยังระบุถึงแหล่งอ้างอิงต่างๆ เสมือนเขียนบทความวิชาการแต่ล่าสุดโมเดล LLM ต่างๆ ออกฟังก์ชันที่เรียกว่าการวิจัยเชิงลึก (Deep Research) เริ่มจากค่ายของ Google คือ Gemini Advanced Deep Research เมื่อปลายปีที่แล้ว โดยมีความสามารถที่แตกต่างจากการค้นหาเดิมในสไตล์ของ LLM Search ที่อาจจะแสดงผลลัพธ์จากแหล่งข้อมูลล่าสุดเพียงไม่กี่แห่งโดยไม่มีการวิเคราะห์เชิงเปรียบเทียบ
LLM Deep Research ใช้สถาปัตยกรรมการวิจัยแบบวนซ้ำ (Iterative Research Loop) โดยการวางแผนการค้นหาข้อมูลทีละขั้น (ใช้ Chain-of-Thought reasoning) เพื่อแตกโจทย์ใหญ่เป็นปัญหาย่อยๆ ค้นข้อมูลหลายรอบจากอินเทอร์เน็ต รวบรวมผลลัพธ์หลายแหล่ง แล้ววิเคราะห์สังเคราะห์ออกมาเป็นคำตอบที่มีโครงสร้างและมีหลักฐานอ้างอิงอย่างละเอียดคล้ายรายงานวิจัย
ล่าสุดในช่วง 2-3 สัปดาห์นี้โมเดล LLM ค่ายใหญ่ๆ ต่างออกฟังก์ชันการวิจัยเชิงลึกมาให้ใช้กัน อาทิ Perplexity Deep Research, ChatGPT Deep Research, Grok DeepSearch หรือ Gemini Deep Research และหลายตัวสามารถเข้าไปใช้ได้ฟรี
LLM Deep Research เหล่านี้ต่างก็ใช้ โมเดลรุ่นใหม่ที่มีการวิเคราะห์แบบมีเหตุผล (Reasoning AI) ในการทำงาน อย่าง ChatGPT Deep Research ใช้โมเดล o3 ที่ได้รับการฝึกฝนเฉพาะสำหรับการใช้งานเบราว์เซอร์และเครื่องมือ Python พร้อมความสามารถในการประมวลผลเอกสาร PDF และภาพ ส่วนPerplexity Deep Research ใช้โมเดล DeepSeek R1
Google Search และเครื่องมือค้นคว้าแบบดั้งเดิมใช้การค้นหาข้อมูลโดยการใช้ดัชนีของคำสำคัญและจัดอันดับผลลัพธ์เว็บเพจตามความนิยม ความใหม่ และปัจจัยอื่นๆ จากนั้นผู้ใช้ต้องคลิกอ่านลิงก์ต่างๆ เพื่อสกัดข้อมูลเอง ในทางกลับกัน LLM Deep Research เปรียบเสมือนรุ่นพัฒนาของ “การค้นหา” ที่รวมเอาขั้นตอนตั้งแต่ การค้นหา อ่าน วิเคราะห์ และเขียนสรุป ไว้ในกระบวนการอัตโนมัติครั้งเดียว ผู้ใช้เพียงใส่คำถามด้วยภาษาปกติ LLM Deep Research จะไปดึงข้อมูลที่เกี่ยวข้องจากหลายแหล่ง แล้วกลับมาพร้อมคำตอบที่กลั่นกรองและสรุปมาให้ ซึ่งก็คือ AI Agent ที่ทำหน้าที่เปรียบเสมือนเป็นตัวแทนนักวิจัยหรือนักวิเคราะห์ให้เรา
LLM Deep Research สร้างความท้าทายต่อระบบค้นหาดั้งเดิมอย่าง Google Search โดยเสนอความสามารถในการสังเคราะห์ข้อมูลจากหลายแหล่ง แทนการแสดงรายการลิงก์ ตัวอย่างการทำงานของ Gemini Deep Research แสดงให้เห็นว่าระบบสามารถวิเคราะห์เว็บไซต์มากกว่า 50 แห่งพร้อมกัน และสร้างรายงานความยาว 3,000 คำจากคำค้นหาความสามารถนี้ลดความจำเป็นในการคลิกผ่านผลลัพธ์การค้นหาด้วยตนเอง และเพิ่มประสิทธิภาพการได้มาซึ่งข้อมูลเชิงลึก
กล่าวได้ว่า เครื่องมือ LLM Deep Research กำลังปฏิวัติวงการหลากหลายอาชีพที่เกี่ยวข้องกับการค้นคว้าและวิเคราะห์ข้อมูล โดยเฉพาะอย่างยิ่งในสาขาวิจัย นักวิจัยได้รับประโยชน์จากความสามารถในการทำการทบทวนวรรณกรรมอย่างรวดเร็ว ขณะที่ผู้สื่อข่าวสามารถใช้ในการตรวจสอบข้อเท็จจริงและรวบรวมข้อมูลพื้นหลังได้อย่างมีประสิทธิภาพ นักกฎหมายได้ประโยชน์จากการค้นคว้าคดีและบรรทัดฐานทางกฎหมายที่รวดเร็ว ส่วนนักการตลาดและนักวิเคราะห์สามารถใช้เพื่อวิเคราะห์คู่แข่ง ฟังเสียงผู้บริโภค และระดมความคิดสร้างสรรค์ในการทำงาน
ผมได้ใช้ LLM Deep Research มาพักใหญ่ตั้งแต่ช่วงที่ Google ได้ออก Gemini Deep Research ออกมา ยิ่งพอค่ายอื่นๆ ออกมาก็ยิ่งรู้สึกว่าโมเดลเหล่านี้เป็นเครื่องมือในการค้นหาข้อมูลและสร้างบทวิเคราะห์ได้ดียิ่งกว่าการค้นหาโดยใช้Google Search แบบเดิม ผมใช้ LLM Deep Research ตั้งแต่การค้นหาข้อมูลเพื่อศึกษาแนวโน้มเทคโนโลยีเอไอล่าสุด การสร้างบทวิเคราะห์แนวโน้มตลาดหุ้นประเทศต่างๆ จากผลกระทบของนโยบายประธานาธิบดีทรัมป์ การวิเคราะห์แนวโน้ม เนื้อหาบางส่วนใน
บทความนี้ก็ใช้ LLM Deep Research ให้ช่วยวิเคราะห์ผลกระทบต่างๆ ที่จะเกิดขึ้นต่อการทำงานของมนุษย์ผมพบว่า LLM Deep Research ทำงานได้ดีมาก งานค้นคว้าที่ปกติต้องใช้เวลาหลายชั่วโมงหรือหลายวันโดยมนุษย์ สามารถลดลงเหลือเพียงไม่กี่นาที อย่าง ChatGPT Deep Research สามารถทำงานค้นคว้าที่ปกติต้องใช้เวลาหลายชั่วโมงของมนุษย์ ให้เสร็จสมบูรณ์ได้ภายในเวลาประมาณ 5-20 นาทีเท่านั้น
ยิ่งบางตัวเช่น Grok Deep Search หรือ Perplexity Deep Researchก็สามารถตอบได้รวดเร็วภายในไม่กี่นาที แต่อาจทำการวิเคราะห์และสรุปไม่ได้ดีเท่ากับ ChatGPT Deep Researchนอกจากนี้ การที่ LLM Deep Research อ้างอิงข้อมูลจากแหล่งภายนอกพร้อมให้ผู้ใช้ตรวจสอบได้ ช่วยเพิ่มความน่าเชื่อถือและโปร่งใส โดยจะมีการใส่แหล่งอ้างอิงกำกับข้อความแต่ละส่วน ทำให้ผู้อ่านตรวจสอบต้นตอข้อมูลได้ทันที อีกทั้งมีการใช้ข้อมูลจริงจากแหล่งต่างๆ ทำให้ LLM ลดการเดาข้อมูลเองลงไปมาก (ลดปัญหา Hallucination)
อย่างไรก็ตาม ข้อจำกัดยังคงมีอยู่ เช่น LLM อาจสรุปผิดหรือเลือกข้อมูลมาโดยตีความคลาดเคลื่อนได้ บริษัท OpenAI เองยอมรับว่า Deep Research ยังอาจแต่งข้อมูลที่ไม่มีจริงได้อยู่ ดังนั้นแม้ Deep Research LLM จะเพิ่มความแม่นยำขึ้น แต่ผู้ใช้ก็ยังต้องมีบทบาทในการตรวจทาน และยืนยันความถูกต้อง ของข้อมูลจากรายงานเหล่านี้อยู่เสมอ
ต่อจากนี้ไป LLM Deep Research จะกลายเป็นเครื่องมือที่แพร่หลายในทุกวงการความรู้ เราจะได้เห็นโลกที่ทำให้การหาข้อมูลเชิงลึกไม่ใช่เรื่องที่ต้องใช้เวลามากอีกต่อไป แต่เป็นเรื่องของการถามสิ่งที่อยากรู้และได้รับคำตอบพร้อมบทวิเคราะห์ภายในเวลาสั้นๆ ทั้งนี้ บทบาทของมนุษย์จะปรับไปเป็นผู้นำทางความคิด ผู้ตรวจสอบ และผู้ตัดสินใจ โดยมีเอไอเป็นผู้ช่วยที่ทรงพลังอยู่เบื้องหลัง
องค์กรและบุคลากรที่ปรับตัวเรียนรู้ใช้ประโยชน์จากเครื่องมือเหล่านี้ย่อมได้รับข้อได้เปรียบทางการแข่งขัน ทั้งด้านความรวดเร็วและคุณภาพของผลงาน ในขณะที่ผู้ที่เมินเฉยอาจตามไม่ทันมาตรฐานใหม่ของอุตสาหกรรม ท้ายที่สุดแม้เอไอจะเก่งขึ้นเพียงใด การใช้วิจารณญาณของมนุษย์ก็ยังคงจำเป็นต่อการตีความและนำข้อมูลไปใช้ให้เกิดคุณค่าจริง ในอนาคตอันใกล้นี้ มนุษย์และเอไอ จะยิ่งต้องทำงานร่วมกันอย่างใกล้ชิด โดยอาศัยจุดแข็งของกันและกัน เพื่อสร้างสรรค์ผลงานที่เหนือกว่าที่แต่ละฝ่ายทำได้ลำพังนั่นคือภาพอนาคตของการค้นคว้าวิจัยและการทำงานยุคใหม่ที่กำลังมาถึงอย่างรวดเร็ว
———————————————————————————————————————–
ที่มา : กรุงเทพธุรกิจ / วันที่เผยแพร่ 7 มีนาคม 2568
Link : https://www.bangkokbiznews.com/tech/gadget/1169855
