So this is my niece. Her name is Yahli. She is nine months old. Her mum is a doctor, and her dad is a lawyer. By the time Yahli goes to college, the jobs her parents do are going to look dramatically different.
นี่คือหลานสาวของผมครับ เธอมีชื่อว่า ยาห์ลิ เธออายุเก้าเดือน แม่ของเธอเป็นหมอและพ่อเป็นทนาย เมื่อยาห์ลิโตจนเข้าวิทยาลัย งานที่พ่อแม่เธอทำกำลังจะดูต่างไปมาก
In 2013, researchers at Oxford University did a study on the future of work. They concluded that almost one in every two jobs have a high risk of being automated by machines. Machine learning is the technology that's responsible for most of this disruption. It's the most powerful branch of artificial intelligence. It allows machines to learn from data and mimic some of the things that humans can do. My company, Kaggle, operates on the cutting edge of machine learning. We bring together hundreds of thousands of experts to solve important problems for industry and academia. This gives us a unique perspective on what machines can do, what they can't do and what jobs they might automate or threaten.
ในปี ค.ศ. 2013 นักวิจัยที่มหาวิทยาลัยออกฟอร์ด ทำการศึกษาเกี่ยวกับการงานในอนาคต พวกเขาสรุปว่าอย่างมากที่สุด หนึ่งในสองงานจะตกอยู่ในความเสี่ยง ที่จะถูกดำเนินการแบบอัตโนมัติโดยจักรกล การเรียนรู้ของจักรกลเป็นเทคโนโลยี ที่มีส่วนต่อการเปลี่ยนแปลงส่วนใหญ่เหล่านี้ มันเป็นสาขาหนึ่งที่ทรงพลังที่สุด ของปัญญาประดิษฐ์ มันทำให้จักรกลเรียนรู้จากข้อมูล และเลียนแบบบางอย่างที่มนุษย์ทำได้ บริษัทของผม แคกเกิล ดำเนินการเกี่ยวกับ การเรียนรู้ของจักรกลล้ำสมัย เรานำผู้เชี่ยวชาญหลายแสนคนมารวมกัน เพื่อแก้ปัญหาสำคัญ ในวงการอุตสาหกรรมและวิชาการ มันให้มีมุมมองที่มีความโดดเด่นกับเรา ว่าจักรกลสามารถทำอะไรได้ เราทำอะไรไม่ได้ และงานใดที่มันอาจดำเนินการ หรือทำให้รวนได้
Machine learning started making its way into industry in the early '90s. It started with relatively simple tasks. It started with things like assessing credit risk from loan applications, sorting the mail by reading handwritten characters from zip codes. Over the past few years, we have made dramatic breakthroughs. Machine learning is now capable of far, far more complex tasks. In 2012, Kaggle challenged its community to build an algorithm that could grade high-school essays. The winning algorithms were able to match the grades given by human teachers. Last year, we issued an even more difficult challenge. Can you take images of the eye and diagnose an eye disease called diabetic retinopathy? Again, the winning algorithms were able to match the diagnoses given by human ophthalmologists.
การเรียนรู้ของจักรกลเริ่มเติบโต ในวงการอุตสาหกรรมในช่วงต้นยุค 90 มันเริ่มด้วยงานที่ค่อนข้างจะง่าย มันเริ่มต้นด้วยงานอย่างเช่น การประเมิน ความเสี่ยงเครดิตจากแบบคำขอเงินกู้ การแยกจดหมายโดยตัวอักษรอ่านลายมือ จากรหัสไปรษณีย์ ตลอดหลายปีที่ผ่านมา เราได้ทำการค้นพบและพัฒนาไปมาก การเรียนรู้ของจักรกลตอนนี้สามารถ ทำงานที่ซับซ้อนได้มากมายกว่านั้น ในปี ค.ศ. 2012 แคกเกิล ท้าให้กลุ่มสังคมของมัน สร้างอัลกอริธึมที่จะให้คะแนน บทความของเด็กมัธยม ผู้ชนะในการเขียนอัลกอริธึม สามารถที่จะให้คะแนน ได้เหมือนกับที่ครูที่เป็นคนจริง ๆ ทำ ปีหนึ่งต่อมา เราท้าทายในสิ่งที่ยากขึ้นไปอีก คุณสามารถดูภาพดวงตาแล้ววินิจฉัยโรคตา ที่เรียกว่า โรคจอตาเหตุเบาหวาน ได้หรือไม่ อีกครั้งที่ผู้ชนะในการเขียนอัลกอริธึม สามารถวินิจฉัยโรค ได้เหมือนกับที่จักษุแพทย์ทำ
Now, given the right data, machines are going to outperform humans at tasks like this. A teacher might read 10,000 essays over a 40-year career. An ophthalmologist might see 50,000 eyes. A machine can read millions of essays or see millions of eyes within minutes. We have no chance of competing against machines on frequent, high-volume tasks.
ตอนนี้ เมื่อให้ข้อมูลที่เหมาะสม จักรกลกำลังจะทำงานได้ดีกว่ามนุษย์ สำหรับงานในลักษณะนี้ ครูอาจอ่านบทความ 10,000 เรื่อง มาตลอดการทำงาน 40 ปี จักษุแพทย์อาจดูตามาแล้ว 50,000 ดวง จักรกลสามารถอ่านบทความหลายล้านเรื่อง หรือมองดูดวงตาหลายล้านดวง ได้ภายในไม่กี่นาที เราไม่มีโอกาสที่จะเอาชนะจักรกลได้เลย ในงานที่มีการทำซ้ำ ๆ และมีปริมาณมาก
But there are things we can do that machines can't do. Where machines have made very little progress is in tackling novel situations. They can't handle things they haven't seen many times before. The fundamental limitations of machine learning is that it needs to learn from large volumes of past data. Now, humans don't. We have the ability to connect seemingly disparate threads to solve problems we've never seen before.
แต่มีสิ่งที่เราสามารถทำได้ ที่จักรกลทำไม่ได้ จุดที่จักรกลพัฒนาไปได้น้อยมาก คือการหาทางแก้ปัญหาในสถานการณ์ใหม่ ๆ พวกมันไม่อาจรับมือ สิ่งที่พวกมันไม่เคยเห็นซ้ำ ๆ มาก่อน ข้อจำกัดพื้นฐานของการเรียนรู้ของจักรกล ก็คือมันจำเป็นต้องเรียน จากข้อมูลในอดีตปริมาณมาก ๆ ทีนี้ มนุษย์ไม่จำเป็นต้องทำอย่างนั้น เรามีความสามารถที่จะเชื่อมต่อ เศษเสี้ยวที่อาจดูเหมือนไม่เกี่ยวข้องกัน เพื่อแก้ปัญหาที่เรายังไม่เคยเห็นมาก่อน
Percy Spencer was a physicist working on radar during World War II, when he noticed the magnetron was melting his chocolate bar. He was able to connect his understanding of electromagnetic radiation with his knowledge of cooking in order to invent -- any guesses? -- the microwave oven.
เพอร์ซี สเปนเซอร์ เป็นนักฟิสิกส์ ที่ทำงาน เกี่ยวกับเรดาร์ในช่วงสงครามโลกครั้งที่สอง เมื่อเขาสังเกตว่าแมกนีตรอน ทำให้แท่งช็อกโกแลตของเขาละลาย เขาสามารถที่จะเชื่อมต่อความเข้าใจของเขา ในเรื่องการแผ่รังสีแม่เหล็กไฟฟ้า กับความรู้ในเรื่องการทำอาหารได้ เพื่อที่จะประดิษฐ์ -- เป็นอะไรทราบไหมครับ -- เตาไมโครเวฟ
Now, this is a particularly remarkable example of creativity. But this sort of cross-pollination happens for each of us in small ways thousands of times per day. Machines cannot compete with us when it comes to tackling novel situations, and this puts a fundamental limit on the human tasks that machines will automate.
ครับ ที่เป็นตัวอย่างที่สุดยอดมาก สำหรับความคิดสร้างสรรค์ แต่การถ่ายเทข้อมูลในลักษณะนี้ เกิดขึ้นกับพวกเราในแบบเล็ก ๆ น้อย ๆ หลายพันครั้งต่อวัน จักรกลไม่สามารถเอาชนะเราได้ เมื่อมันเป็นเรื่องของการแก้ปัญหา ต่อสถานการณ์ใหม่ และนี่เป็นการกำหนดข้อจำกัดพื้นฐาน ให้กับงานของมนุษย์ ว่าจักรกลจะดำเนินการอย่างอัตโนมัติ
So what does this mean for the future of work? The future state of any single job lies in the answer to a single question: To what extent is that job reducible to frequent, high-volume tasks, and to what extent does it involve tackling novel situations? On frequent, high-volume tasks, machines are getting smarter and smarter. Today they grade essays. They diagnose certain diseases. Over coming years, they're going to conduct our audits, and they're going to read boilerplate from legal contracts. Accountants and lawyers are still needed. They're going to be needed for complex tax structuring, for pathbreaking litigation. But machines will shrink their ranks and make these jobs harder to come by.
ฉะนั้น มันมีความหมายอย่างไร ต่องานของเราในอนาคตน่ะหรือ สถานะของงานใด ๆ ก็ตามในอนาคต อยู่ในคำตอบต่อคำถามเพียงข้อเดียว ซึ่งก็คือ งานดังกล่าวถูกลดทอนให้เป็นงาน ที่ถูกทำซ้ำ ๆ และมีปริมาณมากได้แค่ไหน และมันเกี่ยวข้องกับการหาทางแก้ปัญหา ในสถานการณ์ใหม่แค่ไหน สำหรับงานที่มีการทำซ้ำ ๆ และมีปริมาณมาก จักรกลกำลังทำได้ดีขึ้นและดีขึ้นเรื่อย ๆ ปัจจุบัน พวกมันให้คะแนนบทความ พวกมันวินิจฉัยโรค ในอีกหลายปีที่จะมาถึงนี้ พวกมันจะทำการประเมินพวกเรา พวกมันจะอ่านเอกสารต้นฉบับ จากสัญญาทางกฎหมาย นักบัญชีและทนายยังเป็นที่ต้องการ พวกเขากำลังจะเป็นที่ต้องการ สำหรับการวางโครงสร้างภาษีที่ซับซ้อน สำหรับการฟ้องร้องที่ไม่เคยมีมาก่อน แต่จักรกลจะลดอันดับของพวกเขาลงมา และทำให้งานเหล่านี้ทำได้ยากขึ้น
Now, as mentioned, machines are not making progress on novel situations. The copy behind a marketing campaign needs to grab consumers' attention. It has to stand out from the crowd. Business strategy means finding gaps in the market, things that nobody else is doing. It will be humans that are creating the copy behind our marketing campaigns, and it will be humans that are developing our business strategy.
ทีนี้ อย่างที่ผมได้กล่าวไปแล้ว จักรกลไม่ได้พัมนาไปมาก ในเรื่องการแก้สถานการณ์ใหม่ ๆ ร่างต้นฉบับเบื้องหลังการรณรงค์ทางการตลาด ต้องจับความสนใจของผู้บริโภค มันต้องเริ่มจากกลุ่มคน แผนกลยุทธทางธุรกิจ หมายถึงการหาพื้นที่ในตลาด สิ่งที่ยังไม่มีใครกำลังทำอยู่ มันจะต้องเป็นมนุษย์ที่สร้างสรรค์ร่างต้นฉบับ เบื้องหลังการรณรงค์ทางการตลาด และมันจะต้องเป็นมนุษย์ที่พัฒนา แผนกลยุทธทางธุรกิจของเรา
So Yahli, whatever you decide to do, let every day bring you a new challenge. If it does, then you will stay ahead of the machines.
ฉะนั้น ยาห์ลิ ไม่ว่าเธอตัดสินใจจะทำอะไร ให้ทุกวันได้นำความท้าทายมาให้กับเธอนะ ถ้ามันเป็นเช่นนั้นแล้ว เธอก็จะสามารถ อยู่เหนือกว่าจักรกลได้
Thank you.
ขอบคุณครับ
(Applause)
(เสียบปรบมือ)