สรุปหนังสือ The Worlds I See: Curiosity, Exploration, and Discovery at the Dawn of AI เขียนโดย Dr. Fei-Fei Li

ถ้าโลกวิทยาศาสตร์เปรียบเสมือนเวทีละครใหญ่ Fei-Fei Li คงเป็นตัวละครที่ไม่ได้ขึ้นมาด้วยแสงสปอร์ตไลท์ทันที แต่เริ่มต้นจากมุมเล็กๆ เธอคือเด็กสาวผู้อพยพจากจีน ที่ต้องช่วยครอบครัวทำร้านซักรีด และแอบฝันถึงดวงดาวในยามค่ำคืน
.
จากวันนั้นจนถึงวันนี้ เส้นทางของเธอเต็มไปด้วยทั้งความบังเอิญและความดื้อรั้นเล็กๆ ที่สะสมจนกลายเป็นแรงผลักมหาศาล เปลี่ยนจากเด็กที่ไม่ถนัดภาษาอังกฤษ ไปสู่การเป็นนักวิทยาศาสตร์ผู้จุดประกายการปฏิวัติ AI ด้วย ImageNet และวางรากฐานแนวคิด Human-Centered AI ที่ทั่วโลกกำลังพูดถึง
.
หนังสือ The Worlds I See: Curiosity, Exploration, and Discovery at the Dawn of AI ไม่ได้เล่าเพียงประวัติศาสตร์ AI แต่มันเล่าเรื่องราวความเป็นมนุษย์ ความฝัน การล้มเหลว น้ำตา และเสียงหัวเราะของผู้หญิงคนหนึ่งที่เชื่อว่า “เทคโนโลยีจะไม่มีความหมายเลย ถ้าเราลืมความเป็นมนุษย์ที่อยู่เบื้องหลังมัน”
.
และเมื่ออ่านไป คุณอาจรู้สึกเหมือนกำลังเฝ้ามองพระอาทิตย์ขึ้น ทั้งอุ่นหัวใจ ทั้งน่าตื่นเต้น… แต่ก็อย่าลืมพกแว่นกันแดดนะครับ เพราะแสงของ AI บางทีมันก็สว่างไสวเจิดจ้าเกินกว่าที่ดวงตามนุษย์จะรับไว้ได้ทั้งหมด
.
.
=========================
.
ถ้าชีวิตคือภาพยนตร์ที่เราไม่ได้เป็นคนเลือกบท Fei-Fei Li ก็คงเปิดเรื่องด้วยฉากที่ค่อนข้างคอนทราสต์: เด็กสาวจีนวัยรุ่นที่ยืนอยู่ท่ามกลางจักรวาลในพิพิธภัณฑ์อวกาศของสหรัฐฯ ตาลุกวาวกับจรวดและเครื่องบิน แล้วตัดฉับไปยังอีกฉากหนึ่ง—ห้องพักแคบ ๆ ในสหรัฐฯ ที่ครอบครัวต้องเผชิญความจนและความเจ็บป่วยของแม่ ทุกอย่างดูไม่สอดคล้องกันเลย แต่ทั้งสองเส้นทางนั้นกลับมาบรรจบตรงจุดที่เธอกลายเป็นนักวิทยาศาสตร์ผู้กำหนดอนาคตของ AI
.
.
1. จากเฉิงตูสู่ท้องฟ้ายามค่ำคืน
.
บ้านเกิดของเธอคือเมืองเฉิงตู มณฑลเสฉวน เมืองที่วันนี้เราคุ้นจากอาหารเผ็ดร้อนและหมีแพนด้า แต่ในยุค 1970s–1980s นั้นเป็นภาพอีกแบบหนึ่งคือ จีนยังไม่เปิดกว้างทางเศรษฐกิจมากนัก และชีวิตครอบครัวของ Fei-Fei เต็มไปด้วยเงาของความปั่นป่วนทางการเมืองที่ส่งผลต่อพ่อแม่เธอ
.
พ่อของเธอเป็นคนรักอิสระ ชอบธรรมชาติ และมักพา Fei-Fei ออกไปเดินป่า ชี้ให้เธอดูดวงดาวบนนภา เขาไม่ได้สอนด้วยตำรา แต่ใช้ความสงสัยเป็นไฟฉายส่องทางให้ลูก เหมือนจะบอกว่า โลกนี้กว้างกว่าห้องเรียนเยอะ ส่วนแม่เป็นอีกขั้วหนึ่ง มีความใฝ่รู้สูง ฉลาด แต่ถูกระบบและค่านิยมสังคมกดทับ ทำให้เธอไม่ได้ใช้ศักยภาพอย่างเต็มที่ ความทะเยอทะยานที่ถูกกักนั้นกลับส่งต่อมาเป็นแรงกดดันเชิงบวกให้ลูกสาว “อย่าปล่อยให้ความฝันถูกจำกัดเหมือนแม่”
.
ฉากหนึ่งที่ติดอยู่ในใจ Fei-Fei ตลอดคือการไปทัศนศึกษาพร้อมเพื่อน ๆ ในโรงเรียน เด็ก ๆ กางเต็นท์กลางป่า ฟังไกด์เล่าเรื่องตำนานของดวงดาว วีกา, อัลแตร์, และตำนาน Cowherd กับ Weaver Girl ที่ต้องพรากจากกันแต่ได้เจอกันปีละครั้งบนทางช้างเผือก เสียงเล่าผสมกับท้องฟ้ามืดสนิทไร้มลพิษ จุดประกายให้เด็กหญิงคนหนึ่งอยาก “รู้จักจักรวาล” มากกว่าที่ตำราเรียนจะบอกได้
.
.
2. ความไม่เท่าเทียมที่กลายเป็นเชื้อไฟ
.
ในโรงเรียน Fei-Fei เป็นเด็กเรียนดี แต่ก็ต้องเจอกับกำแพงที่ไม่ใช่วิชาไหนสอน นั่นคืออคติทางเพศ ครู (แม้กระทั่งครูผู้หญิง) พูดตรง ๆ ว่า “เด็กผู้ชายฉลาดกว่าในคณิตศาสตร์และวิทยาศาสตร์” แต่แทนที่จะทำให้ถอดใจ เธอกลับเปลี่ยนมันเป็นแรงผลักดัน ถ้าใครสั่งห้าม เธอยิ่งอยากทำให้ได้
.
ในอีกด้านหนึ่ง เธอมีวรรณกรรมเป็นหน้าต่างบานใหญ่ให้มองโลกกว้างออกไป หนังสือแปลตะวันตกอย่างเชกสเปียร์หรือวรรณกรรมรัสเซียไม่ได้เป็นเพียงเรื่องเล่า แต่คือสัญญาณว่าชีวิตสามารถมี “ความเป็นไปได้” มากกว่าที่ถูกกำหนด เธอเริ่มเชื่อว่าความรู้คือวิธีเดียวที่จะฝ่าเพดานที่สังคมขีดไว้
.
.
3. การอพยพของครอบครัว
.
เมื่อ Fei-Fei เข้าสู่วัยรุ่น ครอบครัวต้องเผชิญการเปลี่ยนครั้งใหญ่ พ่อของเธอเลือกไปอเมริกาเพื่อสร้างอนาคต แต่การจากไปนั้นทิ้งรอยแผลความรู้สึกถูกทอดทิ้ง ส่วนแม่ก็ต้องรับภาระทั้งบ้าน ความกดดันถาโถมจนบ้านที่เคยอบอุ่นกลายเป็นที่อึดอัด เด็กสาวจึงหันหาวิทยาศาสตร์ โดยเฉพาะฟิสิกส์ ซึ่งให้ทั้งความงดงามและความมั่นคงทางจิตใจ
.
ท้ายที่สุด ครอบครัวได้กรีนการ์ดและย้ายไปอเมริกา การอพยพครั้งนี้ไม่ได้โรยด้วยกลีบกุหลาบ แต่เต็มไปด้วยความไม่แน่นอน ความยากจน และภาษาที่เธอแทบไม่เข้าใจ แต่ภายใต้ความสับสนก็มีความหวังซ่อนอยู่
.
ความหวังว่าการศึกษาจะเป็นบันไดพาเธอขึ้นไปอีกระดับ
.
.
4. ช่องว่างทางวัฒนธรรมที่กำลังแคบลง
.
เมื่อครอบครัวย้ายจากจีนมาสหรัฐฯ ความรู้สึกแรกที่ Fei-Fei เจอคือ “ความแปลกแยก” โลกสองใบต่างกันเกินไป ประเทศจีนที่ยังอยู่ในเงาของการปฏิวัติวัฒนธรรม และอเมริกาที่กำลังทะยานเข้าสู่การปฏิวัติดิจิทัล
.
จีนมีบาดแผลจากความวุ่นวายทางการเมือง ครอบครัวเธอเองก็ได้รับผลกระทบ ส่วนอเมริกากลับเต็มไปด้วยความเชื่อมั่นในพลังของวิทยาศาสตร์และเทคโนโลยี นักคิดอย่าง Alan Turing และกลุ่มวิจัยที่ Dartmouth เคยประกาศตั้งแต่ปี 1956 ว่า “วันหนึ่งเครื่องจักรจะคิดได้เหมือนมนุษย์” นั่นคือจุดเริ่มต้นของสาขาที่เรียกว่า Artificial Intelligence
.
แต่ในสายตาของ Fei-Fei เด็กอพยพที่ยังพูดภาษาอังกฤษไม่คล่อง สิ่งเหล่านี้ดูห่างไกลสุด ๆ ระหว่างที่อเมริกาเริ่มปลุกปั้น AI เธอกับครอบครัวยังต้องกังวลว่าจะมีเงินพอจ่ายค่าเช่าบ้านหรือไม่
.
ความขัดแย้งนี้เองคือ “gulf” หรือช่องว่างที่เธอพูดถึง ช่องว่างระหว่างอดีตกับอนาคต ระหว่างโลกที่เธอมาจากกับโลกที่เธอกำลังเข้าไป แต่สิ่งที่น่าสนใจคือ gulf นั้น “narrowing” หรือกำลังแคบลง เพราะการศึกษาและความพยายามเริ่มทำให้เธอข้ามสะพานได้ทีละก้าว
.
.
5. Mentorship และแรงบันดาลใจใหม่
.
ในอเมริกา Fei-Fei ต้องปรับตัวกับทั้งภาษา วัฒนธรรม และความจน แต่แล้วก็มีแสงสว่างเล็ก ๆ จากคนรอบตัว หนึ่งในนั้นคือคุณครูคณิตศาสตร์ Mr. Sabella ผู้ที่เห็นศักยภาพของเด็กสาวเอเชียที่มักนั่งเงียบหลังห้อง เขาไม่ได้สอนแค่สูตรหรือทฤษฎี แต่ให้ความมั่นใจว่าเธอ “ทำได้”
.
สำหรับผู้อพยพที่ยังไม่รู้สึกเป็นเจ้าของที่นี่ คำพูดแบบนี้คือเชื้อเพลิงให้เดินต่อ Mentorship จึงกลายเป็นบทเรียนสำคัญ: เราไม่อาจเดินลำพังได้เสมอไป แต่ต้องการใครบางคนที่บอกว่าเส้นทางที่เราฝันไม่ใช่เรื่องเพ้อฝัน
.
Fei-Fei พบว่าวิทยาศาสตร์ โดยเฉพาะฟิสิกส์ ยังเป็นที่พึ่งของเธอ มันเป็นภาษาสากลที่ไม่ต้องแปล ไม่ว่าจะอยู่จีนหรืออเมริกา กฎแรงโน้มถ่วงก็คือกฎเดียวกัน
.
.
6. Discovering the Mind การเปิดประตูสู่สมอง
.
เมื่อได้เข้าเรียนที่ Princeton มันเหมือนการได้ก้าวเข้าสู่แดนสวรรค์ของนักเรียนวิทยาศาสตร์ แคมปัสสวย หนังสือในห้องสมุดล้นหลาม แต่สิ่งที่ทำให้เธอตื่นเต้นที่สุดกลับไม่ใช่ห้องเรียนฟิสิกส์ แต่เป็น “ห้องทดลองสมอง”
.
หนึ่งในการทดลองที่เปลี่ยนชีวิตเธอคือการนั่งดูนักวิจัยทำงานกับแมวที่ถูกดมยาสลบ จากนั้นบันทึกสัญญาณสมองขณะที่มันรับภาพจากสิ่งเร้า แล้วแปลงสัญญาณนั้นออกมาเป็น “เสียง” เสียงที่เปลี่ยนแปลงตามการตอบสนองของสมอง
.
ลองจินตนาการว่าคุณนั่งอยู่ในห้องมืด ๆ ได้ยินเสียงประหลาดที่เหมือนการเต้นของจักรวาล นั่นไม่ใช่แค่เสียงลึกลับ แต่คือเสียงของสมองที่กำลัง “มองเห็น” โลก มันคือประสบการณ์ที่บอกกับ Fei-Fei ว่า “การเข้าใจสมองไม่ใช่เพียงวิทยาศาสตร์ แต่คือเวทมนตร์”
.
.
7. จากฟิสิกส์สู่ประสาทวิทยา
.
Fei-Fei เดิมทีคิดว่าตัวเองจะเดินบนเส้นทางฟิสิกส์ แต่การได้เห็นว่าสมองตีความข้อมูลได้อย่างไร ทำให้เธอเริ่มตั้งคำถามใหม่: “แล้วสติปัญญาคืออะไร?”
.
นี่เป็นจุดเปลี่ยนสำคัญที่เธอขยับจากโลกฟิสิกส์บริสุทธิ์สู่โลกที่เชื่อมฟิสิกส์กับประสาทวิทยา เพราะสมองก็คือเครื่องจักรฟิสิกส์ชิ้นหนึ่ง แต่เป็นเครื่องจักรที่ซับซ้อนที่สุดในจักรวาล
.
ประสบการณ์ในแล็บ Berkeley ยิ่งตอกย้ำว่า นี่ไม่ใช่แค่ curiosity ชั่วคราว แต่คือ passion ระยะยาว เธอเริ่มเห็นเส้นทางชีวิตใหม่ว่า อนาคตของเธอคือการ “ถอดรหัสความฉลาด” ไม่ว่าจะของมนุษย์หรือของเครื่องจักร
.
.
8. ความกดดันส่วนตัวและการค้นหาตัวตน
.
แน่นอนว่าความหลงใหลทางวิชาการไม่ได้ทำให้ปัญหาชีวิตส่วนตัวหายไป เธอยังต้องส่งเงินกลับบ้าน แม่ยังป่วย และความคาดหวังจากครอบครัวยังคงกดทับ ความรู้สึกผิดว่า “ฉันควรเรียนวิชาที่ได้เงินมากกว่านี้ไหม?” ก็แวะเวียนเข้ามาเสมอ
.
แต่ทุกครั้งที่ยืนอยู่ในห้องแล็บ ได้เห็นคลื่นสมองแปลงเป็นเสียง เธอจะรู้สึกว่าทุกอย่างมีค่า มันเป็นสัญญาณว่า เธอเลือกไม่ผิด แม้เส้นทางนี้จะไม่ได้สัญญาว่ามีงานเงินเดือนสูง แต่สัญญาว่าจะตอบคำถามใหญ่ที่สุดของมนุษยชาติ
.
Passion ไม่ได้โผล่มาเองเหมือนโชค แต่มันเกิดขึ้นเมื่อเราลองทำสิ่งใหม่ ๆ และพบว่ามัน “สั่นสะเทือนข้างใน” Fei-Fei ไม่ได้รู้ตั้งแต่แรกว่าเธออยากเป็นนักประสาทวิทยาหรือผู้บุกเบิก AI เธอเพียงเดินตามความสงสัยไปทีละก้าว จนมันพาเธอไปเจอห้องมืด ๆ ที่มีเสียงสมองแมวเป็นเพลงประกอบ
.
และตรงนั้นเอง เธอรู้ว่า Passion ของเธอคือการเข้าใจความคิดและการมองเห็นของมนุษย์
.
.
9. ช่องว่างที่แคบลงจริงๆ
.
เมื่อตอนแรก เธอรู้สึกว่ามีช่องว่างขนาดใหญ่ระหว่างตัวเองกับโลกวิทยาศาสตร์อเมริกา แต่เมื่อเดินเข้ามาในห้องทดลอง เธอพบว่าช่องว่างนั้นค่อย ๆ แคบลง ความเป็น “คนนอก” ค่อย ๆ เปลี่ยนเป็น “คนวงใน” เสียงหัวเราะในห้องแล็บ บทสนทนากับเพื่อนนักวิจัย และความตื่นเต้นของการค้นพบ ล้วนทำให้เธอรู้ว่า “ที่นี่แหละบ้านของฉัน”
.
.
10. แสงแรกแห่งการเห็น วิวัฒนาการและแรงบันดาลใจ
.
Fei-Fei เริ่มต้นบท First Light ด้วยการพาเราไปไกล ไกลเกินกว่าประวัติศาสตร์มนุษย์เสียอีก เธอจินตนาการถึงสิ่งมีชีวิตดึกดำบรรพ์ที่อาศัยอยู่ในทะเลโบราณ ไม่มีตา ไม่มีการรับรู้แสง โลกของพวกมันคือความมืดที่ต้องอยู่ด้วย “สัญชาตญาณดิบ” และโชคเท่านั้น
.
จากนั้นวิวัฒนาการก็ค่อย ๆ หยิบไฟฉายเล็ก ๆ ขึ้นมาให้สิ่งมีชีวิตเหล่านี้: ความสามารถในการตรวจจับแสง นั่นคือ first light ของโลกชีววิทยา จุดเล็ก ๆ ที่เปลี่ยนทั้ง trajectory ของสิ่งมีชีวิตทั้งหมดบนโลก เพราะทันทีที่มีการรับรู้แสง การดำรงชีวิตก็เปลี่ยนไป สิ่งมีชีวิตเริ่มเคลื่อนที่อย่างมีเป้าหมาย รู้ว่าควรหลบเงา หรือตามหาแสงเพื่อการอยู่รอด
.
และเมื่อการรับแสงพัฒนาไปเรื่อย ๆ จนกลายเป็น “การมองเห็น” วิวัฒนาการก็เข้าสู่โหมด turbo: สิ่งมีชีวิตเริ่มแข่งขันรุนแรงขึ้น เกิด Cambrian Explosion ที่สิ่งมีชีวิตวิวัฒน์ทั้งดวงตา เปลือกแข็ง เขี้ยว ก้ามเล็บ—ทั้งหมดนี้มีจุดเริ่มต้นจากความสามารถในการ “เห็น”
.
Fei-Fei บอกตรง ๆ ว่า หากไม่มีแสง วิวัฒนาการของสมองก็คงไม่ก้าวไปถึงขั้นที่เราเรียกว่า “Intelligence” เลย การมองเห็นไม่ใช่แค่ sense หนึ่งในห้า แต่เป็น sense ที่ผลักดันให้เกิดสมอง
.
.
11. วิสัยทัศน์ (Vision) และ ความฉลาด (Intelligence)
.
สิ่งที่ Fei-Fei สรุปจากการมองย้อนวิวัฒนาการคือ: การมองเห็นและความฉลาดแทบจะแยกจากกันไม่ได้ มนุษย์เรียนรู้โลกผ่านสายตาเป็นหลัก ข้อมูลกว่า 80% ที่สมองรับรู้ในแต่ละวันมาจากภาพ ไม่ใช่เสียง ไม่ใช่กลิ่น
.
ดังนั้น การเข้าใจการมองเห็นจึงไม่ใช่แค่สาขาหนึ่งของประสาทวิทยา แต่คือกุญแจของการเข้าใจ “ความฉลาด” ทั้งหมด และถ้าวันหนึ่งเราจะสร้าง AI ที่ฉลาดเหมือนมนุษย์จริง ๆ มันก็ต้อง “มองเห็น” โลกได้ก่อน
.
.
12. การตามหา North Star
.
หลังจากเรียนรู้และทดลองกับสมองแมว Fei-Fei ย้ายมาทำวิจัยที่ Caltech สถาบันที่เต็มไปด้วยนักวิทยาศาสตร์ระดับตำนาน ที่นี่เธอได้เข้าสู่เส้นทางใหม่ของ psychophysics การศึกษาว่ามนุษย์ตอบสนองต่อสิ่งเร้าอย่างไร
.
เธอเข้าร่วมแล็บ Koch Lab และได้ทำการทดลองที่ซับซ้อน: การวัดปฏิกิริยาของสมองต่อภาพที่ chaotic เพื่อหาว่า “มนุษย์ใช้เวลาเท่าไรในการจำแนกสิ่งที่เห็น?”
.
การอ่านงานวิจัยของนักวิทยาศาสตร์อย่าง Anne Treisman และ Simon Thorpe ทำให้เธอแทบช็อก—มนุษย์สามารถจดจำและตีความภาพซับซ้อนในเวลาเพียง 150 มิลลิวินาที เร็วกว่าที่คอมพิวเตอร์ใด ๆ ในยุคนั้นทำได้ นี่คือพลังของสมองที่ AI ยังตามไม่ทัน
.
Fei-Fei เริ่มมี North Star ของตัวเอง เธออยากเข้าใจ “การจำแนก (categorization) ของการมองเห็น” เพราะนั่นคือแก่นแท้ของความฉลาด
.
.
13. ชีวิตส่วนตัวที่สั่นคลอน
.
แต่ในช่วงเดียวกัน แม่ของเธอก็ป่วยหนัก ทำให้เธอต้องตัดสินใจครั้งใหญ่: จะไปทำงานที่ McKinsey เพื่อความมั่นคงทางการเงิน หรือจะเสี่ยงเดินหน้าต่อในเส้นทางวิทยาศาสตร์?
.
เธอเลือกอย่างที่เรารู้—เดินต่อบนเส้นทางวิทยาศาสตร์ เพราะ passion ไม่ได้เป็นเพียงความชอบ แต่มันคือคำตอบเดียวที่ทำให้ชีวิตเธอ “มีความหมาย”
.
.
14. การสร้าง Dataset แรก
.
ความคิดที่ว่า “การมองเห็นคือการจำแนก” ทำให้เธอและทีมสร้าง dataset ที่ชื่อว่า Caltech 101 ซึ่งประกอบด้วยภาพวัตถุ 101 ประเภท ตั้งแต่รถยนต์ ไปจนถึงหมีแพนด้า Dataset นี้กลายเป็นจุดเริ่มต้นของการปฏิวัติวงการ computer vision เพราะมันเป็นหนึ่งในครั้งแรกที่นักวิทยาศาสตร์เริ่มตระหนักว่า “ถ้าอยากให้เครื่องจักรเห็นโลกเหมือนมนุษย์ เราต้องสอนมันด้วยภาพจำนวนมหาศาล”
.
Caltech 101 จึงเป็นมากกว่า dataset มันเป็นการปักธงว่า “ทิศทางวิทยาศาสตร์ใหม่คือ Data-Driven” และนี่คือแนวคิดที่จะต่อยอดไปสู่ ImageNet ในอีกไม่กี่ปีข้างหน้า
.
.
15. การเดินทางที่เต็มไปด้วยหมุดหมายเล็กๆ
.
สิ่งที่น่าสนใจคือ Fei-Fei ไม่ได้มอง dataset แรก ๆ เหล่านี้ว่าเป็น “สุดยอดผลงาน” แต่เธอมองมันเหมือนก้าวเล็ก ๆ ที่นำไปสู่ North Star ของเธอ: ความเข้าใจเรื่องการจำแนกและการมองเห็น
.
เธอเล่าว่า ขณะทำงานวิจัย เธอรู้สึกเหมือนนักเดินทางที่มองดาวเหนือแล้วเดินทีละก้าว ไม่ได้รู้ว่าปลายทางคืออะไร แต่รู้ว่าต้องเดินไปทางไหน และแต่ละก้าวเล็ก ๆ ก็สะสมเป็นการปฏิวัติใหญ่ในอนาคต
.
เมื่อย้อนมองวิวัฒนาการของสิ่งมีชีวิต Fei-Fei เห็นว่า “แสงแรก” ไม่ได้เปลี่ยนแค่การอยู่รอด แต่มันเปลี่ยน trajectory ของสิ่งมีชีวิตทั้งหมด ในทำนองเดียวกัน dataset อย่าง Caltech 101 ก็เป็นแสงแรกของการปฏิวัติ AI เล็กน้อยในตอนนั้น แต่สำคัญอย่างยิ่งในระยะยาว
.
.
16. หนทางสู่การกำเนิด ImageNet
.
หลังจากประสบความสำเร็จกับ Caltech 101 Fei-Fei รู้ว่านั่นเป็นเพียง “ก้าวเล็ก ๆ” dataset 101 ประเภทกับภาพไม่กี่พันรูปยังไม่เพียงพอที่จะสร้างเครื่องจักรที่มองเห็นโลกได้จริง ๆ โลกจริงไม่ได้มีวัตถุแค่ร้อยประเภท แต่มันเต็มไปด้วย “ล้าน ๆ อย่าง” ตั้งแต่กาน้ำชา โทรศัพท์มือถือ ไปจนถึงช้างหรือเรือดำน้ำ
.
เธอเริ่มตั้งคำถามใหญ่: “ถ้าเราจะสร้าง AI ที่เห็นโลกเหมือนมนุษย์ เราต้องสร้าง dataset ที่สะท้อนโลกจริงให้มากที่สุด—แล้วทำไมไม่ทำล่ะ?”
.
นี่คือจุดเริ่มต้นของ ImageNet โครงการที่ตอนแรกฟังดูแทบเป็นไปไม่ได้
.
.
17. ไอเดียจาก WordNet และการต่อจิ๊กซอว์
.
แรงบันดาลใจของ Fei-Fei มาจาก WordNet คลังข้อมูลเชิงภาษาศาสตร์ที่รวบรวมความสัมพันธ์ของคำศัพท์นับแสนคำ จัดหมวดหมู่เป็น synsets (synonym sets) อย่างเป็นระบบ
.
เธอคิดว่า: “ถ้า WordNet ทำได้กับภาษา ทำไมเราจะทำกับภาพไม่ได้?”
.
แทนที่จะจัดแค่คำ เราสามารถจัด “ภาพ” ของวัตถุแต่ละประเภทนับพัน ๆ ใบเข้าไปอยู่ในกล่องเดียวกัน
.
ความคิดนี้บ้าบิ่น เพราะในยุคนั้นวงการ AI ยังเชื่อว่าการแก้ปัญหามาจาก “อัลกอริทึมที่ฉลาดขึ้น” ไม่ใช่จากการสะสมข้อมูลมหาศาล Fei-Fei กลับคิดต่างว่า “ข้อมูล” นี่แหละคือเชื้อเพลิงที่ขาดหาย
.
.
18. อุปสรรคแรก: ภาพจากที่ไหน?
.
ปัญหาใหญ่ที่สุดคือ เธอจะเอาภาพมาจากไหน? การสร้าง dataset ระดับล้านภาพไม่อาจทำได้ด้วยทีมวิจัยเล็ก ๆ ในห้องแล็บ วิธีแบบเก่าคือให้นักศึกษา graduate มานั่งคัดทีละรูป แต่นั่นเป็นไปไม่ได้เลย
.
จังหวะนั้นเอง เทคโนโลยีใหม่ที่ชื่อ Amazon Mechanical Turk (MTurk) เพิ่งถือกำเนิดขึ้น มันคือแพลตฟอร์ม crowdsourcing ที่เปิดโอกาสให้คนทั่วโลกเข้ามาทำงานเล็ก ๆ (เช่น ตอบแบบสอบถาม หรือกดปุ่มตรวจสอบ) แลกกับค่าตอบแทนเล็กน้อย
.
Fei-Fei และทีมจึงใช้ MTurk ให้คนช่วยกัน “แท็กภาพ” จากอินเทอร์เน็ต = คือดูรูปแล้วบอกว่ามันเป็นอะไร ขั้นตอนฟังดูง่าย แต่เมื่อทำในสเกลล้าน ๆ ภาพ มันคือการปฏิวัติ
.
.
19. ความกังวลและความล้มเหลวครั้งแรก
.
แม้ไอเดียจะชัด แต่การนำเสนอไม่ใช่เรื่องง่าย ตอนที่เธอพยายามนำเสนอ ImageNet ครั้งแรกต่อที่ประชุมวิชาการ เธอถูกวิจารณ์หนัก นักวิจัยบางคนมองว่า “นี่ไม่ใช่งานวิทยาศาสตร์ เป็นแค่การเก็บข้อมูล” บางคนถึงกับบอกตรง ๆ ว่า “สิ่งนี้ไม่มีคุณค่าทางวิชาการ”
.
Fei-Fei แทบถอดใจ เพราะสำหรับวงการคอมพิวเตอร์วิชาการแล้ว “การสร้าง dataset” ดูเป็นงานแรงงาน ไม่ใช่งานที่ใช้สมอง นักวิจัยที่อยากสร้างชื่อมักเลือกสร้างโมเดลใหม่ ๆ มากกว่า
.
แต่สิ่งที่ทำให้เธอเดินต่อคือความเชื่อว่า dataset ที่ใหญ่พอจะ “เปลี่ยนเกม”
.
.
20. ความสำเร็จที่ต้องใช้ความดื้อรั้น
.
สุดท้าย ImageNet ก็ถือกำเนิดขึ้น มีภาพมากกว่า 14 ล้านภาพ ครอบคลุม 20,000 synsets จาก WordNet—ใหญ่กว่าที่ใครคาดฝัน มันคือแหล่งข้อมูลที่ใกล้เคียงกับ “โลกจริง” ที่สุดในเวลานั้น
.
การประกาศเปิดตัว ImageNet ในปี 2009 แม้ไม่ได้รับเสียงชื่นชมถล่มทลาย แต่ก็เริ่มมีคนเห็นคุณค่ามัน และที่สำคัญ มันปูทางไปสู่สิ่งที่จะกลายเป็น turning point ของวงการ AI การแข่งขัน ImageNet Challenge
.
.
21. ImageNet Challenge
.
ในปี 2010 Fei-Fei และทีมประกาศ ImageNet Large Scale Visual Recognition Challenge (ILSVRC) การแข่งขันที่ให้ทีมวิจัยจากทั่วโลกใช้ dataset ImageNet แข่งกันสร้างโมเดลเพื่อจำแนกภาพ
.
โจทย์คือ: ให้คอมพิวเตอร์จำแนกรูปจากหมวดหมู่ 1,000 categories ที่ยากสุด ๆ (เช่น แยก “เสือจากัวร์” ออกจาก “เสือดาว”) และ dataset ขนาดล้านกว่ารูป
.
การแข่งขันนี้กลายเป็นสนามทดสอบที่ยุติธรรมที่สุดสำหรับ AI ไม่ใช่แค่โมเดลที่ฉลาด แต่ใครมีพลัง data + computing ที่แท้จริงก็จะโดดเด่น
.
.
22. ความก้าวหน้าทีละปี และรายชื่อในตำนาน
.
ปี 2010–2011 ทีมวิจัยหลายทีมลองแข่งขัน แต่ความแม่นยำยังต่ำอยู่ราว 70% (top-5 accuracy) ความผิดพลาดสูงจนดูเหมือนคอมพิวเตอร์ยังห่างจากมนุษย์หลายปี
.
แต่ปี 2012 ทุกอย่างเปลี่ยนไป เมื่อทีมจาก University of Toronto นำโดย “Geoff Hinton” และลูกศิษย์ของเขา “Alex Krizhevsky” และ “Ilya Sutskever” ใช้โมเดล deep learning แบบใหม่ชื่อ AlexNet เข้าร่วมแข่งขัน
.
ผลลัพธ์คือ AlexNet ชนะขาดลอย ลด error rate จาก 26% เหลือ 15% ในปีเดียว A Quantum Leap ที่ไม่มีใครคาดคิด
.
.
23. AlexNet แสงที่สองของวิวัฒนาการ AI
.
ชัยชนะของ AlexNet ไม่ใช่แค่ชนะการแข่งขัน แต่มันเป็นการพิสูจน์ว่า deep learning + big data (ImageNet) + GPU computing คือสูตรลับของ AI ยุคใหม่
.
Fei-Fei ย้อนเล่าว่า ตอนเห็นกราฟผลการแข่งขัน เธอถึงกับขนลุก เพราะมันไม่ใช่การปรับปรุงเล็ก ๆ แต่มันคือ “paradigm shift”
.
ImageNet กลายเป็นเวทีที่เปิดประตูให้ deep learning ครองโลก ไม่ใช่เพราะทีมของ Fei-Fei สร้างโมเดลเอง แต่เพราะเธอสร้างสนามและลูกบอล dataset ที่ใหญ่พอให้ deep learning เปล่งประกาย
.
.
24. ผลกระทบที่เกินกว่าวงวิชาการ
.
หลังจากชัยชนะของ AlexNet โลก AI ไม่เหมือนเดิม บริษัทเทคยักษ์ใหญ่ Google, Facebook, Microsoft แห่กันเข้าสู่สนาม deep learning การประยุกต์ใช้ก็พุ่งทะยาน ตั้งแต่การจดจำใบหน้า การแปลภาษาอัตโนมัติ ไปจนถึงรถยนต์ไร้คนขับ
.
และทุกคนก็ยอมรับตรงกันว่า ImageNet คือจุดเปลี่ยน มันคือ “CERN moment” ของ AI เหมือนการค้นพบ Higgs Boson ในฟิสิกส์ ที่ทำให้ทั้งวงการต้องเปลี่ยนทิศทาง
.
.
25. ความรู้สึกของผู้หญิงเบื้องหลัง
.
ท่ามกลางเสียงยกย่อง Fei-Fei ก็ยังรู้สึกว่าตัวเอง “อยู่เบื้องหลัง” เพราะเธอไม่ได้เป็นคนสร้าง AlexNet เอง เธอเป็นคนสร้างสนามแข่งขัน เธอเล่าว่า บางครั้งนักข่าวหรือนักวิชาการยังคงลดคุณค่าของงาน dataset ว่าเป็น “งานเบื้องหลัง”
.
แต่ความจริงคือ ถ้าไม่มี ImageNet โมเดลอย่าง AlexNet คงไม่มีเวทีให้แสดงศักยภาพ นี่คือบทเรียนว่า “ไม่ใช่ทุกคนต้องเป็นผู้เล่นในสนาม บางครั้งการสร้างสนามเองก็คือการปฏิวัติ”
.
.
26. Stanford AI Lab
.
หลังจาก ImageNet กลายเป็นแรงระเบิดที่ส่ง AI เข้าสู่ยุค deep learning โลกวิชาการและอุตสาหกรรมต่างจับตามอง Fei-Fei Li และทีมงาน ในจังหวะเดียวกัน เธอได้รับโอกาสกลับมาที่ Stanford เพื่อดูแล Stanford Artificial Intelligence Laboratory (SAIL)
.
การกลับมาครั้งนี้มีความหมายมากกว่าแค่ตำแหน่งใหม่ เพราะ SAIL คือห้องทดลองที่มีประวัติยาวนานตั้งแต่ยุคบุกเบิก AI เป็นบ้านที่เคยสร้างหุ่นยนต์ Shakey, คิดค้น natural language processing รุ่นแรก ๆ และเป็นหนึ่งในรากฐานของวิทยาการคอมพิวเตอร์สมัยใหม่
.
แต่ในตอนที่ Fei-Fei เข้ามารับช่วงต่อ SAIL ไม่ได้รุ่งเรืองเหมือนในอดีต มันเหมือนบ้านที่ถูกปล่อยทิ้งไว้ครึ่งหนึ่ง นักศึกษาเก่ง ๆ หลายคนเริ่มไหลออกไปทำงานกับบริษัทเทคโนโลยีแทน เธอจึงต้องหาทาง “ชุบชีวิต” บ้านหลังนี้ให้กลับมาเป็นศูนย์กลางของนวัตกรรมอีกครั้ง
.
.
27. การสร้างวัฒนธรรมใหม่
สิ่งที่ Fei-Fei นำมาสู่ SAIL ไม่ใช่แค่โครงการวิจัยใหม่ แต่คือวัฒนธรรมแบบใหม่
.
Collaboration มากกว่าการแข่งขัน = เธอเชื่อว่าความก้าวหน้าของ AI ไม่ควรเกิดจากการแก่งแย่งชิงเครดิต แต่ควรเป็นการร่วมแรงระหว่างนักวิจัย นักศึกษา และแม้แต่ภาคอุตสาหกรรม
.
เปิดกว้างต่อความหลากหลาย = เธอตั้งใจอย่างยิ่งที่จะทำให้แล็บนี้ไม่ใช่พื้นที่ของ “เด็กผู้ชายเก่ง ๆ เพียงไม่กี่คน” แต่เป็นที่ที่ผู้หญิง คนผิวสี และคนจากชุมชนด้อยโอกาสสามารถเข้ามาเติบโตได้
.
เชื่อมโยงกับโลกจริง = งานวิจัยต้องไม่ติดอยู่แค่ในห้องทดลอง แต่ต้องออกไปช่วยแก้ปัญหาของสังคม ตั้งแต่การแพทย์ ไปจนถึงการศึกษา
.
บรรยากาศในแล็บเริ่มเปลี่ยนไปจริง ๆ นักศึกษาหลายคนบอกว่า การอยู่ใน SAIL สมัย Fei-Fei ทำให้พวกเขารู้สึกเหมือนกำลัง “ร่วมสร้างอนาคต” มากกว่าการทำวิจัยเดี่ยว ๆ
.
.
28. AI กับการแพทย์ และแรงบันดาลใจจากแม่
.
แม้ Fei-Fei จะประสบความสำเร็จทางวิชาการมาก แต่ในชีวิตส่วนตัวเธอยังเผชิญกับความท้าทายใหญ่ที่สุด—สุขภาพของแม่ที่ป่วยเรื้อรัง
.
เธอเล่าว่า เวลาไปโรงพยาบาล เธอมักเห็นหมอและพยาบาลต้องทำงานหนัก ใช้เวลาจำนวนมากไปกับการดูภาพ CT, MRI, หรือเอกซเรย์ทีละแผ่น เธอคิดขึ้นมาทันทีว่า
.
“ถ้า AI สามารถช่วยหมออ่านภาพเหล่านี้ได้ มันจะลดภาระของพวกเขา และช่วยชีวิตผู้ป่วยมากมาย”
.
นี่คือจุดเริ่มต้นของการเชื่อม AI เข้ากับการแพทย์
.
.
29. การร่วมมือระหว่างวิทยาศาสตร์และการแพทย์
.
Fei-Fei เริ่มสร้างความร่วมมือกับแพทย์ นักรังสีวิทยา และโรงพยาบาลหลายแห่ง โครงการแรก ๆ ของเธอคือการพัฒนา computer vision ที่สามารถตรวจจับเนื้องอกหรือโรคจากภาพถ่ายทางการแพทย์
.
สิ่งที่น่าสนใจคือ เธอไม่ได้มองแค่ความถูกต้องของโมเดล แต่สนใจว่า หมอจะใช้มันจริงอย่างไร ตัวอย่างเช่น:
.
ถ้า AI แม่นยำแต่ใช้งานยาก หมอก็จะไม่ใช้
.
ถ้า AI ทำงานเป็น “ผู้ช่วย” ไม่ใช่ “ผู้แทน” หมอจะยอมรับมากกว่า
.
ที่สำคัญที่สุดคือ ต้องรักษา “ศักดิ์ศรีของผู้ป่วย” ไม่ให้เทคโนโลยีกลายเป็นกำแพงที่ทำให้คนไข้รู้สึกเป็น “ข้อมูล” แทนที่จะเป็น “มนุษย์”
.
แนวคิดนี้คือจุดกำเนิดของสิ่งที่เธอเรียกว่า Human-Centered AI
.
AI ที่ไม่เพียงถูกสร้างมาเพื่อความแม่นยำ แต่ถูกออกแบบให้สอดคล้องกับชีวิตจริงของมนุษย์
.
.
30. ความท้าทายทางจริยธรรม
.
เมื่อพูดถึง AI ในการแพทย์ คำถามเรื่อง ethics ก็โผล่มาเสมอ เช่น:
.
ถ้า AI ผิดพลาด ใครต้องรับผิดชอบ?
.
จะทำอย่างไรกับความเป็นส่วนตัวของข้อมูลผู้ป่วย?
.
จะป้องกันการใช้ AI แบบไม่เท่าเทียมระหว่างโรงพยาบาลใหญ่กับคลินิกเล็กได้อย่างไร?
.
Fei-Fei ไม่ได้ปัดคำถามเหล่านี้ออกไปเหมือนนักวิจัยบางคน แต่เธอเชื่อว่าการสร้างเทคโนโลยีต้องมาพร้อมความรับผิดชอบ การเดินเข้าไปพูดคุยกับหมอ คนไข้ และครอบครัวคนไข้ทำให้เธอเห็นภาพชัดว่า AI จะต้อง “รับใช้มนุษย์” ไม่ใช่แค่โชว์ความเก่งทางวิศวกรรม
.
.
31. Stanford Medicine และ AI Lab
.
หนึ่งในโครงการที่โดดเด่นคือความร่วมมือระหว่าง SAIL กับ Stanford Medicine เพื่อใช้ deep learning วิเคราะห์ภาพเอกซเรย์ทรวงอกเพื่อตรวจหาปอดบวม AI ที่พวกเขาพัฒนาสามารถตรวจจับได้แม่นยำพอ ๆ กับหมอรังสีวิทยามืออาชีพ
.
แต่ Fei-Fei ย้ำเสมอว่า AI ไม่ควรแทนที่หมอ เป้าหมายไม่ใช่สร้าง “หุ่นยนต์หมอ” แต่คือการสร้าง “ผู้ช่วยที่ทรงพลัง” ให้หมอมีเวลาไปทำในสิ่งที่เครื่องจักรทำไม่ได้—การพูดคุย ปลอบใจ และให้ความหวังแก่ผู้ป่วย
.
.
32. “ลูกสาวของหมอ”
.
บท The Doctor’s Daughter เล่าถึงความสัมพันธ์ที่ลึกซึ้งของ Fei-Fei กับแม่
.
แม้แม่ของเธอจะไม่ใช่หมอ แต่เธอเคยพา Fei-Fei ไปรักษาตัวในโรงพยาบาลบ่อยครั้ง และทำให้ลูกสาวซึมซับโลกของการแพทย์มาโดยไม่รู้ตัว
.
เธอเรียกตัวเองว่า “ลูกสาวของหมอ” ในเชิงเปรียบเปรย ไม่ใช่เพราะแม่เป็นหมอ แต่เพราะแม่คือ “คนไข้” ที่ทำให้เธอเห็นค่าของความเมตตาและศักดิ์ศรีในการรักษา และนั่นทำให้เธอตั้งคำถามเสมอว่า
.
“AI จะทำให้โลกการแพทย์เป็นมนุษย์มากขึ้น หรือทำให้มันเย็นชาและห่างเหินกว่าเดิม?”
.
.
33. การปลูกฝังนักศึกษา
.
อีกหนึ่งบทบาทสำคัญของ Fei-Fei ที่ Stanford คือการเป็นอาจารย์ นักศึกษาที่ทำงานกับเธอไม่ได้เรียนแค่เทคนิค deep learning หรือวิธีสร้างโมเดล แต่เรียนถึง ความรับผิดชอบของนักวิทยาศาสตร์
.
เธอมักบอกนักศึกษาว่า:
.
“อย่าถามว่า AI ทำได้หรือไม่ แต่ถามว่าควรทำหรือไม่”
.
“เป้าหมายของคุณไม่ใช่แค่ตีพิมพ์งาน แต่คือการทำให้งานของคุณมีประโยชน์ต่อสังคม”
.
นี่คือการสร้างวัฒนธรรมที่มองไกลกว่า paper และ citation มองไปถึงผลกระทบจริงในชีวิตผู้คน
.
.
34. คลื่นยักษ์ AI ในอุตสาหกรรม
.
หลังจาก ImageNet Challenge และชัยชนะของ AlexNet โลกก็เข้าสู่สิ่งที่นักวิทยาศาสตร์เรียกว่า AI Awakening—ยุคที่ deep learning ไม่ได้เป็นเพียงหัวข้อวิจัยในห้องทดลอง แต่ถูกนำไปใช้จริงในทุกมิติของชีวิต
.
Google ใช้ deep learning สร้างระบบแปลภาษาอัตโนมัติ (Google Translate)
.
Facebook ใช้ computer vision ตรวจจับใบหน้าในรูปภาพ
.
Apple และ Amazon ผลักดันผู้ช่วยอัจฉริยะอย่าง Siri และ Alexa
.
บริษัทสตาร์ทอัพและห้องทดลองทั่วโลกแห่กันเข้าสู่วงการ AI อย่างไม่เคยมีมาก่อน
.
Fei-Fei เห็นสิ่งนี้ด้วยความรู้สึกสองด้าน: ด้านหนึ่งคือความตื่นเต้น—งานวิจัยที่เธอผลักดันมาหลายปีในที่สุดก็เบ่งบานและเปลี่ยนโลกจริง อีกด้านหนึ่งคือความกังวล เพราะเทคโนโลยีที่ทรงพลังเช่นนี้หากไม่ถูกกำกับ ก็อาจสร้างผลเสียมหาศาล
.
.
35. บทบาทใหม่
.
Fei-Fei เริ่มก้าวออกจากบทบาท “นักวิจัยในห้องแล็บ” ไปสู่การเป็น “ผู้นำเชิงสถาบันและนโยบาย” เธอได้รับเชิญให้เข้าร่วมงานระดับรัฐบาล บริษัทเอกชน และเวทีระหว่างประเทศเพื่อพูดเรื่องอนาคตของ AI
.
หนึ่งในบทบาทสำคัญคือการเป็น Chief Scientist ด้าน AI ที่ Google Cloud ที่นั่นเธอผลักดันแนวคิดว่า Cloud ไม่ควรเป็นแค่โครงสร้างพื้นฐานด้านคอมพิวติ้ง แต่ควรเป็นแพลตฟอร์มที่ democratize AI ให้ทุกคนเข้าถึงได้ ไม่ใช่มีเพียงบริษัทใหญ่ที่ได้ประโยชน์
.
แม้เธอจะใช้เวลาไม่นานที่ Google แต่ประสบการณ์นั้นย้ำกับเธอว่า “นักวิทยาศาสตร์ไม่ควรยืนอยู่นอกอุตสาหกรรม” เพราะการเปลี่ยนแปลงจริงเกิดในตลาดและสังคม เธอจึงต้องเข้าไปเป็น “เสียง” ที่เตือนว่า AI ควรรับใช้มนุษย์ ไม่ใช่ตลาดเพียงอย่างเดียว
.
.
36. Stanford HAI
.
ในปี 2019 Fei-Fei ร่วมก่อตั้ง Stanford Institute for Human-Centered AI (HAI) เป้าหมายของ HAI คือการวาง “กรอบใหม่” ให้กับการวิจัยและพัฒนา AI—ไม่ใช่ AI ที่แค่แม่นยำที่สุดหรือเร็วที่สุด แต่คือ AI ที่ออกแบบโดยคิดถึงมนุษย์เป็นศูนย์กลาง
.
HAI ทำงานในสามด้านหลัก:
.
I. วิจัย (Research) – สนับสนุนงานที่บูรณาการวิทยาศาสตร์คอมพิวเตอร์กับสังคมศาสตร์ มนุษยศาสตร์ และจริยศาสตร์
.
II. การศึกษา (Education) – เตรียมบุคลากรที่เข้าใจทั้งเทคนิคและผลกระทบทางสังคมของ AI
.
III. นโยบาย (Policy) – ทำงานกับรัฐบาลและองค์กรระหว่างประเทศเพื่อวางแนวทางการกำกับดูแล AI
.
นี่คือความพยายามที่จะทำให้ AI ไม่เป็นเพียงเทคโนโลยี แต่เป็น “สถาบันทางสังคม” ที่โปร่งใสและรับผิดชอบ
.
.
37. การเมือง การค้า และความเหลื่อมล้ำ
.
Fei-Fei ไม่ปิดบังว่า เธอเป็นห่วงอย่างมากกับทิศทางที่ AI กำลังถูกใช้ในโลกจริง โดยเฉพาะในสามเรื่อง:
.
การเมืองและความมั่นคง – รัฐบาลต่าง ๆ แข่งกันพัฒนา AI เพื่อการทหารและการเฝ้าระวัง นี่อาจทำให้ AI กลายเป็นเครื่องมือของสงครามและการควบคุมประชาชน
.
การค้าและอำนาจของบริษัทยักษ์ใหญ่ – บริษัทเพียงไม่กี่แห่งครองข้อมูลและ computing power ของโลก สิ่งนี้เสี่ยงที่จะทำให้ AI กลายเป็นเทคโนโลยีที่สร้างความเหลื่อมล้ำมากกว่าลดมัน
.
ความไม่เท่าเทียมทางสังคม – หาก AI ถูกพัฒนาโดยกลุ่มคนที่มีลักษณะคล้ายกัน (เช่น วิศวกรชายผิวขาวใน Silicon Valley) ผลลัพธ์คือ AI ที่ bias และไม่สะท้อนความหลากหลายของมนุษย์
.
.
38. Human-Centered AI คือคำตอบที่เธอเลือก
.
เพื่อแก้ปัญหาเหล่านี้ Fei-Fei ย้ำแนวคิด Human-Centered AI (HCAI) อยู่เสมอ หลักการของมันคือ:
.
Human in the loop: AI ต้องทำงานร่วมกับมนุษย์ ไม่แทนที่มนุษย์
.
Dignity and values: ทุกการออกแบบ AI ต้องคำนึงถึงศักดิ์ศรี ความเป็นส่วนตัว และความยุติธรรม
.
Interdisciplinary approach: ไม่ใช่เรื่องของคอมพิวเตอร์ไซเอนซ์อย่างเดียว แต่ต้องผสานความรู้ด้านกฎหมาย สังคม จริยธรรม และวัฒนธรรม
.
สำหรับ Fei-Fei แนวคิด HCAI เปรียบเสมือน North Star ดวงใหม่ ที่นักวิทยาศาสตร์ควรเงยหน้ามอง เหมือนกับที่ครั้งหนึ่งเธอเคยเงยหน้ามองดาวเหนือเพื่อเข้าใจสมองมนุษย์…และในวันนี้ ดาวดวงนั้นก็กลายเป็นแสงนำทางให้ทั้งโลกเรียนรู้ว่า เทคโนโลยีที่แท้จริงต้องไม่ทอดทิ้งความเป็นมนุษย์ไว้ข้างหลัง
.
.
==========================
.
เมื่อปิดหนังสือเล่มนี้ลง คุณอาจรู้สึกเหมือนได้เดินทางไปกับ Fei-Fei Li ตั้งแต่ร้านซักรีดเล็ก ๆ จนถึงห้องทดลองที่สร้างรุ่งอรุณใหม่ให้โลก AI การเดินทางที่ไม่ได้โรยด้วยกลีบกุหลาบ แต่เต็มไปด้วยหยดเหงื่อ น้ำตา และความดื้อเงียบ ๆ ที่ค่อย ๆ งอกงามเป็นความหวัง
.
และบางทีครับ…เรื่องราวของเธออาจเป็นแรงบันดาลใจให้ใครสักคนที่กำลังนั่งอ่านบทความนี้อยู่ ไม่ว่าคุณจะนั่งอยู่ในห้องสมุดหรู ๆ หรือกำลังนั่งจ้องเครื่องซักผ้าอยู่ก็ตาม ให้กล้าที่จะเอื้อมมือไปคว้า “ดวงดาว” ของตัวเองดูสักครั้ง
.
.
.
.
#SuccessStrategies