ภาพรวมรายวิชา: ความไม่แน่นอนในยุคของ GenAI

บทที่ 5 เป็นจุดเปลี่ยนสำคัญของ COMP5511 เรากำลังก้าวออกจากตรรกะแบบกำหนดได้ของวิทยาการคอมพิวเตอร์คลาสสิก และความแน่นอนแบบมีผู้สอนของโมเดลจำแนกประเภทในยุคแรก เข้าสู่ หัวใจเชิงความน่าจะเป็นของ Generative AI. ในบทนี้ เราจะสำรวจว่าเหตุใดโมเดล AI สมัยใหม่จึงไม่ได้ส่งออก "ข้อเท็จจริง" แต่ส่งออก การแจกแจงความน่าจะเป็นแทน พร้อมทั้งไขกลไกที่ทำให้ LLM เขียนบทกวีได้ และโมเดล Diffusion วาดภาพจากสัญญาณรบกวนได้

1. การเปลี่ยนกระบวนทัศน์: จากตรรกะสู่ความน่าจะเป็น

• ก้าวข้าม IF-THEN: เปลี่ยนจากกฎเกณฑ์ที่ตายตัวสู่ความน่าจะเป็นทางสถิติที่ยืดหยุ่น
• จุดสิ้นสุดของความแน่นอน: เข้าใจว่าเหตุใดผลลัพธ์ของ GenAI จึง ไม่สามารถกำหนดได้แน่นอน โดยการออกแบบ
• ความน่าจะเป็นในฐานะเครื่องมือ: "ยุคของ GenAI" มอง ความไม่แน่นอนเป็นคุณสมบัติสำคัญ ที่เอื้อต่อความคิดสร้างสรรค์ มิใช่ข้อบกพร่องที่ต้องแก้ไข

2. กลไกการสร้างสรรค์เชิงความน่าจะเป็น

Generative AI อาศัยการสุ่มตัวอย่างจากปริภูมิความน่าจะเป็นมิติสูง ไม่ว่าจะสร้างข้อความหรือภาพ โมเดลจะนำทางผ่านความไม่แน่นอนเพื่อสร้างสิ่งใหม่:

• Large Language Models (LLMs): ทำนายโทเคนถัดไปไม่ใช่เป็นตัวเลือกเดียว แต่เป็น การแจกแจงของความเป็นไปได้.
• โมเดล Diffusion: ศิลปะการย้อนรอยระเบียบจาก สัญญาณรบกวนแบบเกาส์เซียน.
• กระบวนการสุ่มตัวอย่าง: วิธีนำความสุ่มมาใช้เพื่อป้องกันผลลัพธ์ที่ซ้ำซากและดู "เป็นหุ่นยนต์"

3. เอเจนต์ในโลกที่คาดเดาไม่ได้

เอเจนต์อัตโนมัติต้องนำทางใน "โลกเปิด" ที่ซึ่งทุกการกระทำมีความเสี่ยงและผลตอบแทนที่ไม่รู้แน่นอนในระดับหนึ่ง