การปฏิวัติอุตสาหกรรมครั้งที่สี่เริ่มขึ้นในภาคยานยนต์ก่อนเป็นอันดับแรก การขับรถอัตโนมัติทำให้ AI เข้าสู่โลกความจริง

บริษัทแบตเตอรี่ของยุโรปอย่าง Northvolt ใช้เงินไปถึง 1.5 หมื่นล้านดอลลาร์สุดท้ายก็ล้มละลาย ความจริงแล้วธุรกิจที่ดีไม่ควรสิ้นเปลืองเงินขนาดนี้ หากผู้คนมีความต้องการรถยนต์ไฟฟ้าจริง เชื่อว่า Northvolt คงไม่ต้องใช้เงินถึง 1.5 หมื่นล้านดอลลาร์และยังสามารถประสบความสำเร็จได้

แต่ปัจจุบัน หลายประเทศกำลังชะลอการพัฒนารถยนต์ไฟฟ้า เช่น Volkswagen ของเยอรมนี ที่เคยประกาศเป้าหมายว่าจะให้ยอดขายรถยนต์ไฟฟ้าคิดเป็น 60% ภายในปี 2030 แต่ในปีนี้กลับระบุว่าจะลงทุนเพิ่มอีก 6 หมื่นล้านยูโรในเทคโนโลยีเครื่องยนต์สันดาปภายใน

แม้แต่จีนซึ่งมียอดขายรถยนต์ไฟฟ้าสูงกว่า 60% ก็ยังระบุว่าการพัฒนารถยนต์ไฟฟ้าต้องควบคู่ไปกับการให้ความสำคัญกับเครื่องยนต์สันดาปภายในเช่นกัน ซึ่งหมายความว่าระดับของการใช้พลังงานไฟฟ้าในรถยนต์มีแนวโน้มที่จะหยุดอยู่ในขั้นตอนปัจจุบันของ HEV และ PHEV

อย่างไรก็ตาม ในช่วงหลายปีของการเปลี่ยนผ่านสู่รถยนต์ไฟฟ้า ฟังก์ชันเสริมอย่างระบบขับขี่อัตโนมัติหรือ ADAS (Advanced Driver Assistance System) ได้รับการยอมรับอย่างกว้างขวาง ซึ่งดูเหมือนจะชี้ทิศทางการพัฒนาครั้งต่อไปของอุตสาหกรรมรถยนต์ที่มีประวัติศาสตร์ยาวนานนับศตวรรษ

ปัจจุบัน ระบบขับขี่อัตโนมัติยังไม่สมบูรณ์แบบ

ในตอนนี้ ADAS (ระบบช่วยเหลือการขับขี่ขั้นสูง) เป็นที่แพร่หลายแล้ว Toyota ถึงกับทำให้ระบบพื้นฐานอย่างระบบป้องกันการชนล่วงหน้า (PCS) และระบบเตือนการออกนอกเลน (LTA) กลายเป็นมาตรฐานในรถทุกรุ่นของบริษัท แต่ ADAS ยังคงใช้งานได้ในสถานการณ์ที่จำกัดมาก และยังไม่สามารถนับได้ว่าเป็นระบบขับขี่อัตโนมัติอย่างแท้จริง

การขับขี่อัตโนมัติอย่างแท้จริงเริ่มต้นจาก Tesla ที่เปิดตัว FSD V12 (Full Self-Driving Version 12)

FSD V12 เข้าใกล้การขับขี่เหมือนมนุษย์จริงมากขึ้น เหมือนกับวันที่คุณขับรถไปทำงาน เริ่มต้นออกจากบ้าน รถสามารถลดสปีดหรือหยุดได้เองเมื่อเจอสัญญาณไฟแดงหรือคนเดินข้ามถนน หากเจอถนนที่กำลังซ่อมแซม รถยังสามารถหลีกเลี่ยงเส้นทางได้เอง... มีฉากอัศจรรย์มากมายที่เชื่อว่าคุณคงได้เห็นในอินเทอร์เน็ตมามากพอแล้ว

แล้วการขับขี่อัตโนมัติในอดีตล่ะ? มันทำไม่ได้หรือ? ที่จริงมันก็ทำได้ แต่เหมือนเด็กที่เพิ่งหัดขับรถครั้งแรก พ่อจะต้องบอกว่า "ถ้าเจอไฟแดงต้องหยุดนะ" เด็กก็ตอบ "ได้ครับ" แล้วขับรถไป เมื่อเจอไฟแดงก็จะหยุดรถจนกว่าไฟเขียวจะมา

ครั้งต่อไป พ่อต้องบอกอีกว่า "ถ้าเจอคนข้ามถนนก็ต้องหยุดนะ" เด็กก็ตอบ "ได้ครับ" แล้วทำตามเหมือนเดิม

แต่วันหนึ่ง เด็กขับรถแล้วเจอฝาท่อบนถนนที่เปิดอยู่ ไม่รู้จะทำอย่างไร เลยหยุดรถอยู่ตรงนั้นจนกระทั่งค่ำ เมื่อคนงานปิดฝาท่อเสร็จ เด็กถึงจะขับรถกลับบ้าน

พ่อโกรธและถามว่า "ทำไมไม่หลบฝาท่อ?" เด็กเถียงกลับว่า "พ่อไม่ได้บอกว่าฝาท่อสามารถหลบได้" นี่แหละคือระดับของการขับขี่อัตโนมัติในอดีต มันก็แค่เท่านี้เอง

FSD V12 แตกต่างอย่างสิ้นเชิง พ่อไม่จำเป็นต้องบอกกฎการขับขี่ให้เด็กทีละข้อ (ซึ่งจริง ๆ ก็ไม่มีทางสมมติสถานการณ์ทั้งหมดได้) แต่เลือกที่จะให้เด็กดูวิดีโอจำนวนมากเกี่ยวกับการขับรถ แล้วปล่อยให้เด็กเรียนรู้กฎการขับขี่ด้วยตัวเอง

ด้วยวิธีนี้ เวลาที่เด็กขับรถเห็นสิ่งกีดขวาง เด็กจะสามารถหยุดรถได้โดยอัตโนมัติ โดยที่ไม่ต้องทบทวนคำแนะนำจากพ่อในหัวอีกต่อไป เพราะกระบวนการเรียนรู้นั้นกลายเป็นสัญชาตญาณไปแล้ว

จากมุมมองทางเทคนิค นี่คือแนวคิด End-to-End หรือก็คือกระบวนการ "ตาจนถึงเท้าที่เหยียบเบรก" ข้อมูลเริ่มต้นจากตา รับภาพเข้ามา และส่งผลลัพธ์ออกไปยังการกระทำ เช่น การเหยียบเบรกหรือหมุนพวงมาลัย

แล้วทำไมไม่ใช้ End-to-End ตั้งแต่แรก? เหตุผลคือการขาดข้อมูล หากเปรียบเทียบให้เข้าใจง่าย ๆ ก็เหมือนกับพ่อไม่มีวิดีโอการขับรถมากพอให้เด็กดู

เงื่อนไขสำคัญของปัญญาประดิษฐ์คืออะไร? ขนาด ขนาด และขนาด

พ่อจะหาวิดีโอการขับรถจำนวนมากให้ลูกดูได้อย่างไร? ซึ่งก็คือสิ่งที่ Tesla ทำก่อนจะเปิดตัว FSD V12 ด้วยการรวบรวมวิดีโอการขับรถจากรถยนต์รุ่น Model หลายล้านคันที่ใช้งานจริงบนท้องถนน

ที่ต้องการวิดีโอการขับรถจำนวนมากนั้น นี่เป็นเรื่องเกี่ยวกับแรงบันดาลใจทางเทคนิคของ End-to-End ซึ่งมีต้นกำเนิดจาก OpenAI บริษัทที่ Elon Musk เคยลงทุนในช่วงแรก ๆ โดยผลิตภัณฑ์ที่มีชื่อเสียงที่สุดของ OpenAI ก็คือ ChatGPT

ชื่อ ChatGPT-3 แสดงให้เห็นถึงพัฒนาการจาก GPT-2 และ GPT-1

ความแตกต่างสำคัญระหว่างแต่ละรุ่นอยู่ที่ขนาดข้อมูลการฝึกและจำนวนพารามิเตอร์ (Params) ซึ่งในระบบขับขี่อัตโนมัติ วิดีโอการขับขี่ก็เปรียบเสมือนข้อมูลการฝึกเหล่านี้

เริ่มจาก GPT-1 ถูกฝึกด้วยข้อมูลขนาด 4.8GB ซึ่งประกอบด้วยข้อมูลข้อความจากเอกสารภาษาหลายพันล้านไฟล์ และมีพารามิเตอร์จำนวน 117 ล้านตัว (เปรียบได้กับเซลล์ประสาทในสมองมนุษย์) อย่างไรก็ตาม ผลลัพธ์ที่ได้ยังไม่ดีพอจะสร้างความฮือฮา ไม่เช่นนั้นเราคงรู้จักบริษัท OpenAI มาตั้งแต่ GPT-1

ต่อมาคือ GPT-2 OpenAI ขยายข้อมูลการฝึกเป็น 40GB พร้อมเพิ่มพารามิเตอร์เป็น 1.5 พันล้านตัว GPT-2 เริ่มแสดงศักยภาพที่น่าประทับใจ สามารถสร้างข้อความที่อ่านแล้วแยกไม่ออกว่าเขียนโดยมนุษย์หรือเครื่อง

และมาถึง GPT-3 ใช้ข้อมูลฝึกขนาดมหาศาลถึง 45TB ซึ่งเทียบเท่ากับการอ่านข้อมูลสองในสามของเนื้อหาในอินเทอร์เน็ต และมีพารามิเตอร์มากถึง 175,000 ล้านตัว ความสามารถของ GPT-3 นอกจากการสนทนาที่ใกล้เคียงมนุษย์อย่างมากแล้ว ยังสามารถทำสิ่งที่ซับซ้อนอย่างการเขียนโค้ดได้อีกด้วย

กลับมาที่การขับขี่อัตโนมัติของรถยนต์ Musk เคยกล่าวถึงผลกระทบของข้อมูลการฝึกต่อระบบว่า

“วิดีโอ 1 ล้านคลิป ฝึกได้พอใช้ 2 ล้านคลิป ดีกว่าหน่อย 3 ล้านคลิป คุณจะเริ่มรู้สึกว่า ‘ว้าว’ และเมื่อถึง 10 ล้านคลิป มันจะน่าทึ่งจนแทบไม่น่าเชื่อ

ดังนั้น ข้อมูลการฝึกจึงเป็นปัจจัยสำคัญของปัญญาประดิษฐ์ และปริมาณข้อมูลนี้จำเป็นต้องมาจากตลาดและฐานผู้บริโภคที่ใหญ่พอจะสร้างข้อมูลได้มากเพียงพอ อย่างที่กล่าวไปก่อนหน้านี้ ก่อนการเปิดตัว FSD V12 รถ Tesla หลายล้านคันได้ทำหน้าที่บันทึกข้อมูลการขับขี่ของผู้ใช้ผ่าน โหมดเงา (Shadow Mode) ซึ่งเป็นระบบที่เก็บข้อมูลการขับขี่จริงจากผู้ใช้งาน และส่งข้อมูลกลับไปยังศูนย์ข้อมูลเพื่อใช้ในการฝึกฝนระบบขับขี่อัตโนมัติให้ฉลาดและแม่นยำยิ่งขึ้น

ปัจจุบัน Tesla ได้เก็บข้อมูลระยะทางการขับขี่ผ่านรถยนต์ในรุ่น Model รวมกันมากกว่า 4.8 พันล้านกิโลเมตร ซึ่งเทียบเท่ากับการขับรถรอบโลกกว่า 120,000 รอบ

อย่างไรก็ตาม นี่ไม่ได้หมายความว่า Tesla จะรักษาความเป็นผู้นำในเทคโนโลยีขับขี่อัตโนมัติไว้ได้ตลอดไป เพราะอีกด้านหนึ่ง ผู้ผลิตรถยนต์จากจีนก็กำลังก้าวตามอย่างใกล้ชิด และนำแนวคิด End-to-End มาใช้เช่นเดียวกัน

โดยเฉพาะ Xpeng (เสี่ยวเผิง) ซึ่งได้ใช้ข้อมูลวิดีโอการขับขี่ที่สะสมระยะทางมากกว่า 1 พันล้านกิโลเมตรในการฝึกฝนระบบขับขี่อัตโนมัติของตัวเอง

ยังมี Momenta ผู้ให้บริการเทคโนโลยีการขับขี่อัตโนมัติ สะสมระยะทางการฝึกระบบขับขี่อัตโนมัติมากถึง 100 ล้านกิโลเมตร Dji ก็มีระยะทางการฝึกสำหรับระบบขับขี่อัตโนมัติเกิน 100 ล้านกิโลเมตรเช่นกัน นอกจากนี้ยังมีผู้พัฒนาเทคโนโลยีขับขี่อัตโนมัติรายอื่น ๆ เช่น HUAWEI,BaiDu,Apollo,Pony.ai,WeRide ทุกบริษัทต่างมุ่งมั่นสะสมข้อมูลเพื่อฝึกฝนระบบขับขี่อัตโนมัติของตัวเองให้มีประสิทธิภาพสูงสุด

หากพูดถึงระยะทางการฝึกของผู้ผลิตรายเดียว อาจยังเทียบกับ Tesla ไม่ได้ แต่เมื่อรวมระยะทางการฝึกจากผู้ให้บริการเทคโนโลยีขับขี่อัตโนมัติทั้งหมดในจีน ระยะทางรวมจะเข้าใกล้ Tesla อย่างมาก

จีนเป็นตลาดรถยนต์ที่ใหญ่ที่สุดในโลก ด้วยยอดขายรถใหม่มากกว่า 20 ล้านคันต่อปี รถยนต์ที่ติดตั้งระบบ ADAS ก็มีจำนวนมหาศาล ทำให้การสะสมข้อมูลการขับขี่ที่ส่งกลับไปยังผู้ให้บริการเทคโนโลยีอย่างต่อเนื่องในทุก ๆ วัน ด้วยศักยภาพจากขนาดของตลาดและข้อมูลที่มีมากมาย จึงมั่นใจได้ว่า เทคโนโลยีขับขี่อัตโนมัติของจีนจะไม่ล้าหลังสหรัฐฯ ไปอีกนาน

อนาคตของการขับขี่อัตโนมัติหรือปัญญาประดิษฐ์จะอยู่ในมือของสองประเทศนี้เท่านั้น ทั้งจีนและสหรัฐฯ เพราะทั้งคู่ต่างมีเทคโนโลยีล้ำสมัยและข้อมูลมหาศาลในมือ คุณอาจพูดถึง Mobileye ของอิสราเอล Wayve ของอังกฤษ หรือ Navya ของฝรั่งเศส แม้ว่าพวกเขาเป็นประเทศพัฒนาแล้ว แต่ด้วยจำนวนประชากรที่น้อย ทำให้ปริมาณข้อมูลที่ผู้ใช้สร้างขึ้นมาไม่สามารถเทียบกับจีนได้

ทำไมปัญญาประดิษฐ์ถึงเริ่มต้นจากอุตสาหกรรมรถยนต์?

ChatGPT อาจทรงพลัง แต่มันยังจำกัดอยู่ในมิติ 2 มิติบนหน้าจอคอมพิวเตอร์ การที่จะนำเทคโนโลยีใหม่นี้ออกจากจอภาพ และเปลี่ยนจากการควบคุมเชิงซอฟต์แวร์ไปสู่การควบคุมฮาร์ดแวร์ จำเป็นต้องมีอุตสาหกรรมและตลาดที่มีขนาดใหญ่พอรองรับ อุตสาหกรรมรถยนต์จึงเป็นคำตอบที่ดีที่สุด

รถยนต์เป็นสินค้าบริโภคที่มีราคาสูงที่สุดในกลุ่มสินค้าสำหรับผู้บริโภคทั่วไปด้วยมูลค่าที่สูง และจะมีช่องว่างมากมายสำหรับมูลค่าเพิ่มตรงกลางเพื่อจ่ายต้นทุนของปัญญาประดิษฐ์ ไม่มีสินค้าบริโภคใดที่มีราคาสูงกว่ารถยนต์ (ไม่นับรวมบ้านหรือสินค้าหรูหรา เพราะไม่ได้อยู่ในขอบเขตการอภิปรายนี้)

ตลาดรถยนต์มีขนาดใหญ่พอที่จะรองรับการเติบโตของปัญญาประดิษฐ์ในปี 2023 ยอดขายรถยนต์ทั่วโลกสูงถึง 89.01 ล้านคัน ซึ่งถือว่าเพียงพอสำหรับการสร้างพื้นฐานที่แข็งแกร่งให้กับการพัฒนาเทคโนโลยีปัญญาประดิษฐ์

การขับขี่อัตโนมัติจะเป็นจุดเริ่มต้นของการปฏิวัติอุตสาหกรรมครั้งที่ 4

หลังการระบาดใหญ่ของ COVID-19 เศรษฐกิจโลกตกอยู่ในภาวะซบเซา ผู้คนต่างรอคอยการเปลี่ยนแปลงทางประวัติศาสตร์ครั้งใหม่ เหมือนกับการปฏิวัติอุตสาหกรรมครั้งที่ 1, 2 และ 3

รถยนต์ไฟฟ้าพลิกโฉมอุตสาหกรรมได้น้อยเกินไป รถยนต์ไฟฟ้าส่งผลกระทบต่ออุตสาหกรรมที่เกี่ยวข้องในขอบเขตที่แคบ เช่น โรงงานผลิตแบตเตอรี่และมอเตอร์ไฟฟ้า ซึ่งเห็นได้ชัดว่าไม่สามารถนำไปสู่การเปลี่ยนแปลงทางประวัติศาสตร์ได้ แต่เทคโนโลยีการขับขี่อัตโนมัติสามารถผลักดันอุตสาหกรรมและความก้าวหน้าทางสังคมได้มากกว่า นี่คือสิ่งที่บ่งบอกถึงอนาคตอย่างแท้จริง

ปัญญาประดิษฐ์จะก้าวออกจากกรอบของ ChatGPT สู่โลกแห่งความจริงได้ จำเป็นต้องอาศัยการสนับสนุนจากอุตสาหกรรมที่เกี่ยวข้อง เช่น กล้อง/เซ็นเซอร์ อัลกอริธึม AI การประมวลผลข้อมูลขนาดใหญ่ ชิปประมวลผล และการควบคุมกลไก ซึ่งทั้งหมดนี้มีความเชื่อมโยงอย่างมากกับเทคโนโลยีรถยนต์และการขับขี่อัตโนมัติ รถยนต์กำลังเร่งการพัฒนาในอุตสาหกรรมเหล่านี้ เช่น NVIDIA ซึ่งมูลค่าตลาดเพิ่มขึ้นอย่างต่อเนื่องจากความต้องการเทคโนโลยีด้านนี้ และปัญญาประดิษฐ์ก็จะพัฒนาจากระบบขับขี่อัตโนมัติในรถยนต์ไปสู่หุ่นยนต์อัจฉริยะ เช่น Optimus ของ Tesla

หากในสังคมมีหุ่นยนต์ที่คล้ายกับ Optimus เพิ่มมากขึ้น เราจะได้เห็นการเพิ่มขึ้นอย่างมหาศาลของผลผลิตและประสิทธิภาพ ซึ่งจะนำไปสู่การปฏิวัติอุตสาหกรรมครั้งที่สี่