We started OpenAI seven years ago because we felt like something really interesting was happening in AI and we wanted to help steer it in a positive direction. It's honestly just really amazing to see how far this whole field has come since then. And it's really gratifying to hear from people like Raymond who are using the technology we are building, and others, for so many wonderful things. We hear from people who are excited, we hear from people who are concerned, we hear from people who feel both those emotions at once. And honestly, that's how we feel. Above all, it feels like we're entering an historic period right now where we as a world are going to define a technology that will be so important for our society going forward. And I believe that we can manage this for good.
เราเริ่มโอเพนเอไอเมื่อเจ็ดปีที่แล้ว เพราะเรารู้สึกว่าบางอย่างที่น่าสนใจมาก ๆ กำลังเกิดขึ้นกับเอไอ และเราอยากช่วย นำมันไปในทิศทางที่เป็นบวก มันน่าทึ่งจริง ๆ ที่ได้เห็น ว่าเรื่องราวทั้งหมดนี้ มาไกลแค่ไหนแล้วตั้งแต่เริ่มต้น และเป็นเรื่องน่ายินดีจริง ๆ ที่ได้ยินจากคนอย่างเรย์มอนด์ ที่กำลังใช้เทคโนโลยีที่เรากำลังพัฒนา และคนอื่น ๆ ด้วย เพื่อสิ่งมหัศจรรย์มากมาย เราได้ยินจากผู้คนที่ตื่นเต้น เราได้ยินจากผู้คนที่กังวล เราได้ยินจากผู้คนที่รู้สึกทั้งสองอย่าง ในเวลาเดียวกัน ความจริงแล้วเราเองก็รู้สึกเช่นนั้น เหนือสิ่งอื่นใด มันเหมือนเรากำลัง เข้าสู่ช่วงเวลาแห่งประวัติศาสตร์ ซึ่งเราในฐานะโลก กำลังจะกำหนดเทคโนโลยี ที่จะมีความสำคัญต่อสังคมของเราในอนาคต และผมเชื่อว่า เราจะจัดการเรื่องนี้ให้ดีได้
So today, I want to show you the current state of that technology and some of the underlying design principles that we hold dear.
วันนี้ผมอยากจะโชว์ให้คุณเห็น ถึงสถานะปัจจุบันของเทคโนโลยีนั้น และหลักการออกแบบพื้นฐานบางประการ ที่เรายึดมั่น
So the first thing I'm going to show you is what it's like to build a tool for an AI rather than building it for a human. So we have a new DALL-E model, which generates images, and we are exposing it as an app for ChatGPT to use on your behalf. And you can do things like ask, you know, suggest a nice post-TED meal and draw a picture of it.
ดังนั้น สิ่งแรกที่ผมจะโชว์ คือการสร้างเครื่องมือสำหรับเอไอ แทนที่จะสร้างสำหรับมนุษย์ เอาล่ะ เรามี ดอล-อี รุ่นใหม่ ซึ่งสร้างภาพได้ และเรากำลังเปิดมันเป็นแอป สำหรับให้แชทจีพีทีใช้งานมันแทนคุณได้ คุณสามารถทำบางอย่างได้ เช่น ถามให้ แนะนำมื้ออาหารดี ๆ หลังจบงานเท็ด และวาดภาพออกมา
(Laughter)
(เสียงหัวเราะ)
Now you get all of the, sort of, ideation and creative back-and-forth and taking care of the details for you that you get out of ChatGPT. And here we go, it's not just the idea for the meal, but a very, very detailed spread. So let's see what we're going to get. But ChatGPT doesn't just generate images in this case -- sorry, it doesn't generate text, it also generates an image. And that is something that really expands the power of what it can do on your behalf in terms of carrying out your intent. And I'll point out, this is all a live demo. This is all generated by the AI as we speak. So I actually don't even know what we're going to see. This looks wonderful.
คุณจะรับส่งไอเดีย และความคิดสร้างสรรค์กลับไปกลับมา และจะดูแลรายละเอียดต่าง ๆ ให้คุณ เมื่อคุณใช้แชทจีพีที มาละครับ มันไม่ใช่แค่ไอเดียสำหรับมื้ออาหาร แต่มีรายละเอียดมากมาย มาดูกันว่าเราจะได้อะไร แต่แชทจีพีทีไม่เพียงแค่ สร้างรูปภาพในกรณีนี้ -- ขออภัยครับ มันไม่ได้สร้างแค่ข้อความ แต่สร้างรูปภาพด้วย และนั่นเป็นสิ่งที่ขยายขอบเขต ของสิ่งที่สามารถทำได้ในนามของคุณ ในการปฏิบัติตามเจตนาของคุณ ผมอยากบอกว่า นี่คือการสาธิตสดทั้งหมด ทั้งหมดนี้ถูกสร้างขึ้นโดยเอไอ ณ ขณะนี้ ผมก็ไม่รู้เหมือนกันว่าเราจะเห็นอะไร มันดูยอดเยี่ยมนะ
(Applause)
(เสียงปรบมือ)
I'm getting hungry just looking at it.
แค่มองภาพ ผมก็เริ่มหิวละ
Now we've extended ChatGPT with other tools too, for example, memory. You can say "save this for later." And the interesting thing about these tools is they're very inspectable. So you get this little pop up here that says "use the DALL-E app." And by the way, this is coming to you, all ChatGPT users, over upcoming months. And you can look under the hood and see that what it actually did was write a prompt just like a human could. And so you sort of have this ability to inspect how the machine is using these tools, which allows us to provide feedback to them.
ตอนนี้เราได้ขยายแชทจีพีที ด้วยเครื่องมืออื่น ๆ ด้วย ยกตัวอย่างเช่น ความทรงจำ คุณสามารถพูดว่า “บันทึกไว้สำหรับภายหลัง” สิ่งที่น่าสนใจ เกี่ยวกับเครื่องมือเหล่านี้ คือพวกมันตรวจสอบได้ คุณจะเห็นป๊อปอัพเล็ก ๆ ตรงนี้ ว่า “ใช้แอปดอล-อี” แล้วมันกำลังจะมาถึงผู้ใช้แชทจีพีทีทุกคน ในอีกไม่กี่เดือนข้างหน้า คุณสามารถเข้าไปดูว่า จริงๆ แล้ว สิ่งที่มันทำ คือเขียนข้อความแจ้ง เหมือนกับที่มนุษย์ทำ ดังนั้น คุณจึงมีความสามารถในการตรวจสอบ ว่าเครื่องนี้ มันใช้เครื่องมือเหล่านี้อย่างไร ซึ่งทำให้เราสามารถ ให้ข้อเสนอแนะแก่พวกมันได้
Now it's saved for later, and let me show you what it's like to use that information and to integrate with other applications too. You can say, “Now make a shopping list for the tasty thing I was suggesting earlier.” And make it a little tricky for the AI. "And tweet it out for all the TED viewers out there."
มาดูการบันทึกไว้สำหรับภายหลัง ให้ผมโชว์ให้คุณเห็นว่า การใช้ข้อมูลนั้นเป็นอย่างไร และรวมเข้ากับแอปพลิเคชันอื่นด้วย คุณอาจพูดว่า “จงทำรายการซื้อของ สำหรับของอร่อย ๆ ที่ผมแนะนำไปก่อนหน้านี้” และทำให้มันยุ่งยากสักหน่อย สำหรับเจ้าเอไอ “และทวีตมันออกไปสำหรับผู้ชมเท็ดทุกคน”
(Laughter)
(เสียงหัวเราะ)
So if you do make this wonderful, wonderful meal, I definitely want to know how it tastes.
ดังนั้น ถ้าคุณได้ทำอาหารมื้อสุดวิเศษนี้ ผมอยากรู้เลยว่ารสชาติมันเป็นยังไง
But you can see that ChatGPT is selecting all these different tools without me having to tell it explicitly which ones to use in any situation. And this, I think, shows a new way of thinking about the user interface. Like, we are so used to thinking of, well, we have these apps, we click between them, we copy/paste between them, and usually it's a great experience within an app as long as you kind of know the menus and know all the options. Yes, I would like you to. Yes, please. Always good to be polite.
คุณจะเห็นว่าแชทจีพีที ได้เลือกใช้เครื่องมือต่าง ๆ เหล่านี้ โดยที่ผมไม่ได้บอกมันตรง ๆ ว่าต้องใช้อันไหนในแต่ละสถานการณ์ ผมคิดว่านี่แสดงให้เห็นถึงวิธีคิดใหม่ เกี่ยวกับอินเทอร์เฟซของผู้ใช้ อย่างเช่น เราเคยชินกับการคิดว่า เราต้องใช้แอปฯ ต่าง ๆ เราสลับไปมา เราคัดลอกและวาง แล้วก็มักจะเป็นประสบการณ์ที่ดี ในการใช้แอปฯ ตราบเท่าที่คุณพอจะรู้ ทุกเมนูและทุกลูกเล่น ครับ ผมต้องการให้คุณทำ ได้โปรดครับ ความสุภาพเป็นสิ่งที่ดีเสมอ
(Laughter)
(เสียงหัวเราะ)
And by having this unified language interface on top of tools, the AI is able to sort of take away all those details from you. So you don't have to be the one who spells out every single sort of little piece of what's supposed to happen.
ด้วยการใช้ภาษาเดียว ครอบคลุมเครื่องมือต่าง ๆ เอไอก็สามารถช่วยคุณ ในรายละเอียดต่าง ๆ คุณก็จะได้ไม่ต้อง ยิงคำสั่งเองทั้งหมด สำหรับสิ่งที่ควรจะเกิดขึ้น
And as I said, this is a live demo, so sometimes the unexpected will happen to us. But let's take a look at the Instacart shopping list while we're at it. And you can see we sent a list of ingredients to Instacart. Here's everything you need. And the thing that's really interesting is that the traditional UI is still very valuable, right? If you look at this, you still can click through it and sort of modify the actual quantities. And that's something that I think shows that they're not going away, traditional UIs. It's just we have a new, augmented way to build them. And now we have a tweet that's been drafted for our review, which is also a very important thing. We can click “run,” and there we are, we’re the manager, we’re able to inspect, we're able to change the work of the AI if we want to. And so after this talk, you will be able to access this yourself. And there we go. Cool. Thank you, everyone.
อย่างที่ผมว่าไว้ นี่คือการสาธิตสด เพราะฉะนั้น สิ่งที่ไม่คาดก็อาจเกิดขึ้นได้ งั้นลองมาดูที่รายการช้อปปิ้งของอินสตาคาร์ท ขณะที่เรากำลังดำเนินการอยู่ คุณจะเห็นว่าเราส่งรายการส่วนผสม ไปที่อินสตาคาร์ท นี่คือทุกอย่างที่เราต้องการ สิ่งที่น่าสนใจจริง ๆ ก็คือ ยูไอแบบเดิมยังคงมีคุณค่ามาก ถ้าคุณดูตรงนี้ คุณยังสามารถเลือกและแก้ไขปริมาณจริงได้ และนั่นเป็นสิ่งที่แสดงให้เห็นว่า พวกยูไอแบบเดิมจะไม่หายไป มันก็แค่เรามีวิธีใหม่ เพิ่มเติมในการสร้างมัน และตอนนี้เรามีทวีตที่ถูกร่างขึ้น เพื่อให้เราตรวจสอบ ซึ่งเป็นสิ่งที่สำคัญมากเช่นกัน เราสามารถกด “รัน” แล้วเราก็กลายเป็นผู้จัดการ เราตรวจสอบได้ เราสามารถเปลี่ยนแปลงการทำงานของเอไอได้ หากต้องการ และหลังจากทอล์คนี้ คุณจะสามารถเข้าถึงได้ด้วยตัวคุณเอง นั่นแหละครับ เจ๋ง ขอบคุณครับทุกคน
(Applause)
(เสียงปรบมือ)
So we’ll cut back to the slides. Now, the important thing about how we build this, it's not just about building these tools. It's about teaching the AI how to use them. Like, what do we even want it to do when we ask these very high-level questions? And to do this, we use an old idea. If you go back to Alan Turing's 1950 paper on the Turing test, he says, you'll never program an answer to this. Instead, you can learn it. You could build a machine, like a human child, and then teach it through feedback. Have a human teacher who provides rewards and punishments as it tries things out and does things that are either good or bad.
เราจะกลับกันมาที่สไลด์ ทีนี้ สิ่งสำคัญเกี่ยวกับวิธีที่เราสร้างมัน มันไม่ใช่แค่เรื่องของ การสร้างเครื่องมือเหล่านี้ มันคือเรื่องการสอนเอไอ ให้ใช้งานพวกมัน เราต้องการให้มันทำอะไร เมื่อเราถามคำถามระดับสูงพวกนี้ และในการทำสิ่งนี้ เราจะใช้แนวคิดแบบเก่า หากคุณย้อนไปดูบทความการทดสอบทัวริง ในปี 1950 ของอลัน ทัวริง เขากล่าวว่า คุณไม่มีทางตั้งโปรแกรมคำตอบได้ แต่คุณสามารถเรียนรู้ได้ คุณสามารถสร้างเครื่อง ให้เหมือนเด็กมนุษย์ แล้วสอนมันผ่านคำติชม มีครูที่เป็นมนุษย์ให้รางวัลและบทลงโทษ ในขณะที่ทดลองและทำสิ่งที่ดีหรือไม่ดี
And this is exactly how we train ChatGPT. It's a two-step process. First, we produce what Turing would have called a child machine through an unsupervised learning process. We just show it the whole world, the whole internet and say, “Predict what comes next in text you’ve never seen before.” And this process imbues it with all sorts of wonderful skills. For example, if you're shown a math problem, the only way to actually complete that math problem, to say what comes next, that green nine up there, is to actually solve the math problem.
และนี่คือวิธีที่เราสอนแชทจีพีที มันเป็นกระบวนการสองขั้นตอน ขั้นตอนแรก เราผลิตสิ่งที่ ทัวริงเรียกว่าเครื่องลูก ผ่านกระบวนการเรียนรู้แบบไม่มีผู้ดูแล เราแค่โชว์โลก โชว์อินเทอร์เน็ตทั้งหมดให้มันดู และพูดว่า “ทำนายสิ่งที่จะเกิดขึ้น จากข้อความที่คุณไม่เคยเห็นมาก่อน” และกระบวนการนี้ช่วยเสริม ทักษะที่ยอดเยี่ยมหลายประการ ตัวอย่างเช่น หากคุณเห็นปัญหาทางคณิตศาสตร์ วิธีเดียวที่จะทำโจทย์เลขให้เสร็จ เพื่อบอกว่าจะเกิดอะไรขึ้นต่อไป เลขเก้าสีเขียวนั่น คือการแก้โจทย์เลขจริง ๆ
But we actually have to do a second step, too, which is to teach the AI what to do with those skills. And for this, we provide feedback. We have the AI try out multiple things, give us multiple suggestions, and then a human rates them, says “This one’s better than that one.” And this reinforces not just the specific thing that the AI said, but very importantly, the whole process that the AI used to produce that answer. And this allows it to generalize. It allows it to teach, to sort of infer your intent and apply it in scenarios that it hasn't seen before, that it hasn't received feedback.
แต่เราต้องทำขั้นที่ 2 ด้วย ซึ่งก็คือการสอนเอไอว่า จะทำอะไรกับทักษะเหล่านั้น และสำหรับสิ่งนี้ คือเราให้คำติชม เราให้เอไอลองทำหลาย ๆ อย่าง ให้คำแนะนำหลายอย่างแก่เรา จากนั้นมนุษย์ก็ให้คะแนนพวกมัน “อันนี้ดีกว่าอันนั้น” และนี่ไม่ได้เสริม เฉพาะสิ่งที่เอไอพูดเท่านั้น แต่มันคือกระบวนการทั้งหมดที่เอไอใช้ ในการสร้างคำตอบนั้น ๆ และนี่ช่วยให้มันสามารถ พูดคุยเรื่องทั่วไปได้ ช่วยให้สามารถสอน สามารถสรุปเจตนาของคุณ และนำไปใช้ในสถานการณ์ ที่ไม่เคยเจอมาก่อน ที่ไม่เคยรับคำติชมเสนอแนะมาก่อน
Now, sometimes the things we have to teach the AI are not what you'd expect. For example, when we first showed GPT-4 to Khan Academy, they said, "Wow, this is so great, We're going to be able to teach students wonderful things. Only one problem, it doesn't double-check students' math. If there's some bad math in there, it will happily pretend that one plus one equals three and run with it." So we had to collect some feedback data. Sal Khan himself was very kind and offered 20 hours of his own time to provide feedback to the machine alongside our team. And over the course of a couple of months we were able to teach the AI that, "Hey, you really should push back on humans in this specific kind of scenario." And we've actually made lots and lots of improvements to the models this way. And when you push that thumbs down in ChatGPT, that actually is kind of like sending up a bat signal to our team to say, “Here’s an area of weakness where you should gather feedback.” And so when you do that, that's one way that we really listen to our users and make sure we're building something that's more useful for everyone.
เอาละ บางครั้งสิ่งที่เราต้องสอนเอไอ กลับไม่ใช่สิ่งที่คุณคาดคิด ตัวอย่างเช่น ตอนที่เรานำเสนอจีพีที-4 ให้กับคานอะคาเดมี่ เราว่า “ว้าว นี่มันยอดเยี่ยมมาก เราจะสามารถสอนสิ่งที่ยอดเยี่ยม ให้กับนักเรียนได้ ปัญหาเดียวเลย มันไม่ยอมตรวจเลขให้นักเรียนอีกรอบ ถ้ามีการคำนวณที่ผิดพลาด มันก็พร้อมที่จะแกล้งทำเป็นว่า 1 + 1 = 3” เราจึงต้องรวบรวมข้อมูลความคิดเห็น ซาล คาน เองก็ใจดีมาก และให้เวลาส่วนตัวถึง 20 ชั่วโมง เพื่อให้คำติชมเสนอแนะต่อเครื่อง พร้อมกับทีมของเรา และในช่วงสองสามเดือน เราก็สามารถสอนเอไอได้ว่า “เฮ้ คุณควรจะโต้ตอบกับมนุษย์ ในสถานการณ์เฉพาะแบบนี้นะ” และเราได้ปรับปรุงโมเดล ด้วยวิธีนี้อย่างมากมายจริง ๆ และเมื่อคุณกดปุ่มรูปนิ้วโป้งกดลง ให้กับแชทจีพีที มันก็เหมือนการส่งสัญญาณแบทแมนให้ทีมเรา เพื่อบอกว่า “นี่คือจุดอ่อนที่คุณควร รวบรวมความคิดเห็นติชม” เมื่อคุณทำเช่นนั้น นั่นเป็นวิธีหนึ่งที่เรา รับฟังผู้ใช้ของเราจริง ๆ และทำให้แน่ใจว่าเรากำลัง สร้างสิ่งที่มีประโยชน์มากขึ้นสำหรับทุกคน
Now, providing high-quality feedback is a hard thing. If you think about asking a kid to clean their room, if all you're doing is inspecting the floor, you don't know if you're just teaching them to stuff all the toys in the closet. This is a nice DALL-E-generated image, by the way. And the same sort of reasoning applies to AI. As we move to harder tasks, we will have to scale our ability to provide high-quality feedback. But for this, the AI itself is happy to help. It's happy to help us provide even better feedback and to scale our ability to supervise the machine as time goes on. And let me show you what I mean.
การให้คำติชมเสนอแนะ ที่มีคุณภาพสูงนั้นเป็นสิ่งที่ยาก ถ้าคุณคิดที่จะถาม ให้เด็กทำความสะอาดห้องของตน ถ้าทั้งหมดที่คุณทำ คือการตรวจสอบพื้นห้อง คุณไม่รู้หรอกว่าคุณกำลังสอนพวกเขา ให้เก็บของเล่นทั้งหมดไว้ในตู้หรือเปล่า จะว่าไป นี่เป็นภาพที่ดีที่สร้างโดยดอล-อี การใช้เหตุผลแบบเดียวกันนี้ ก็ถูกนำมาใช้กับเอไอ เมื่อเราเริ่มทำงานที่ยากขึ้น เราจะต้องเพิ่มความสามารถของเรา ในการให้คำติชมเสนอแนะที่มีคุณภาพสูง แต่สำหรับงานนี้เอง เอไอก็ยินดีที่จะช่วยเหลือ ยินดีที่จะช่วยเรา ให้ข้อเสนอแนะที่ดียิ่งขึ้นไปอีก และเพื่อขยายความสามารถของเรา ในการดูแลเครื่องเมื่อเวลาผ่านไป ให้ผมโชว์ให้คุณดู ว่าผมหมายความว่าอย่างไร
For example, you can ask GPT-4 a question like this, of how much time passed between these two foundational blogs on unsupervised learning and learning from human feedback. And the model says two months passed. But is it true? Like, these models are not 100-percent reliable, although they’re getting better every time we provide some feedback. But we can actually use the AI to fact-check. And it can actually check its own work. You can say, fact-check this for me.
ตัวอย่างเช่น คุณสามารถถาม จีพีที-4 ด้วยคำถามแบบนี้ เวลาผ่านไปนานแค่ไหน ระหว่างบล็อกพื้นฐานทั้งสองบล็อกนี้ การเรียนรู้แบบไม่มีผู้ดูแล และการเรียนรู้จากคำแนะนำติชมของมนุษย์ โมเดลตอบว่าสองเดือน แต่มันจริงมั้ย โมเดลพวกนี้ ไม่ได้น่าเชื่อถือ 100 เปอร์เซ็นต์ ถึงแม้ว่ามันจะดีขึ้นในทุก ๆ ครั้ง ที่เราให้ข้อเสนอแนะติชม แต่จริง ๆ เราสามารถใช้เอไอ เพื่อตรวจสอบข้อเท็จจริงได้ และมันก็สามารถตรวจสอบ งานของตัวมันเองได้ คุณสามารถบอกมัน ให้ตรวจสอบข้อเท็จจริงให้หน่อย
Now, in this case, I've actually given the AI a new tool. This one is a browsing tool where the model can issue search queries and click into web pages. And it actually writes out its whole chain of thought as it does it. It says, I’m just going to search for this and it actually does the search. It then it finds the publication date and the search results. It then is issuing another search query. It's going to click into the blog post. And all of this you could do, but it’s a very tedious task. It's not a thing that humans really want to do. It's much more fun to be in the driver's seat, to be in this manager's position where you can, if you want, triple-check the work. And out come citations so you can actually go and very easily verify any piece of this whole chain of reasoning. And it actually turns out two months was wrong. Two months and one week, that was correct.
ในกรณีนี้ ผมได้ให้เครื่องมือใหม่กับเอไอ เป็นเครื่องมือในการสืบค้น โดยที่โมเดลสามารถออกคำค้นหา และคลิกเข้าสู่หน้าเว็บได้ และมันก็เขียนห่วงโซ่ความคิดทั้งหมดออกมา ตามความเป็นจริง มันแจ้งว่ามันจะค้นหาสิ่งนี้ และมันก็ทำการค้นหาจริง ๆ จากนั้นมันก็พบวันที่เผยแพร่ และผลการค้นหา จากนั้นมันจะออกคำค้นหาต่อไป มันจะคลิกเข้าไปในบล็อกโพสต์ ซึ่งคุณสามารถทำทั้งหมดนี้ได้เอง แต่จะเป็นงานที่น่าเบื่อมาก ไม่ใช่งานที่มนุษย์อยากจะทำเองจริง ๆ มันสนุกกว่าที่จะเป็นคนขับ อยู่ในตำแหน่งผู้จัดการ ซึ่งคุณก็สามารถนะ ถ้าคุณต้องการที่จะ ตรวจงานซ้ำสามรอบ คุณสามารถดูข้อมูลอ้างอิงได้ คุณจึงสามารถ ตรวจสอบส่วนต่าง ๆ ของห่วงโซ่เหตุผล ได้อย่างง่ายดาย และปรากฎว่ามันผิดไปสองเดือน สองเดือนกับหนึ่งสัปดาห์ ถึงจะถูก
(Applause)
(เสียงปรบมือ)
And we'll cut back to the side. And so thing that's so interesting to me about this whole process is that it’s this many-step collaboration between a human and an AI. Because a human, using this fact-checking tool is doing it in order to produce data for another AI to become more useful to a human. And I think this really shows the shape of something that we should expect to be much more common in the future, where we have humans and machines kind of very carefully and delicately designed in how they fit into a problem and how we want to solve that problem. We make sure that the humans are providing the management, the oversight, the feedback, and the machines are operating in a way that's inspectable and trustworthy. And together we're able to actually create even more trustworthy machines. And I think that over time, if we get this process right, we will be able to solve impossible problems.
และเราจะตัดกลับไปที่สไลด์ สิ่งที่น่าสนใจสำหรับผม เกี่ยวกับกระบวนการทั้งหมดนี้ ก็คือการทำงานร่วมกันหลายขั้นตอน ระหว่างมนุษย์กับเอไอ จากการที่มนุษย์ ใช้เครื่องมือตรวจสอบข้อเท็จจริงนี้ เพื่อเป็นการผลิตข้อมูล สำหรับเอไอตัวอื่น ๆ นั้น มีประโยชน์ต่อมนุษย์มากยิ่งขึ้น ผมคิดว่ามันดูเป็นรูปเป็นร่างของบางสิ่ง ที่เราควรตั้งตารอว่าจะมีอยู่ทั่วไปในอนาคต เมื่อมนุษย์และเครื่องจักร ได้ออกแบบวางแผนอย่างระมัดระวัง ว่าแต่ละฝ่ายเหมาะสมกับปัญหา และต้องการที่จะแก้ปัญหานั้น ๆ อย่างไร เราต้องแน่ใจว่ามนุษย์เป็นผู้จัดการ เป็นผู้กำกับดูแล และให้ข้อเสนอแนะ และเครื่องจักรกำลังทำงาน ในลักษณะที่ตรวจสอบได้ และเชื่อถือได้ เราสามารถสร้างเครื่องที่ น่าเชื่อถือมากยิ่งขึ้นเมื่อทำงานร่วมกัน และผมคิดว่าเมื่อเวลาผ่านไป หากเราทำให้กระบวนการนี้ถูกต้อง เราจะสามารถแก้ปัญหาที่แก้ไม่ได้ และเพื่อให้คุณเข้าใจ เมื่อผมพูดถึงปัญหาที่แก้ไม่ได้
And to give you a sense of just how impossible I'm talking, I think we're going to be able to rethink almost every aspect of how we interact with computers. For example, think about spreadsheets. They've been around in some form since, we'll say, 40 years ago with VisiCalc. I don't think they've really changed that much in that time. And here is a specific spreadsheet of all the AI papers on the arXiv for the past 30 years. There's about 167,000 of them. And you can see there the data right here. But let me show you the ChatGPT take on how to analyze a data set like this.
ผมคิดว่าเราจะสามารถ คิดใหม่ได้ในเกือบทุกด้าน ของวิธีการโต้ตอบกับคอมพิวเตอร์ ตัวอย่างเช่น ลองนึกถึงสเปรดชีต พวกมันมีอยู่ในรูปแบบใดรูปแบบหนึ่ง ตั้งแต่ประมาณ 40 ปีก่อน ด้วยโปรแกรมวิสิแคล ผมไม่เห็นการเปลี่ยนแปลงมากนัก นับจากช่วงเวลานั้น และนี่คือสเปรดชีตเฉพาะ ของเอกสารทั้งหมดของเอไอในอาร์ไคฟ ในช่วง 30 ปีที่ผ่านมา มีประมาณ 167,000 ชิ้น คุณสามารถดูข้อมูลได้ที่นี่ ให้ผมโชว์ให้คุณเห็นวิธีที่แชทจีพีที ใช้ในการวิเคราะห์ชุดข้อมูลลักษณะนี้
So we can give ChatGPT access to yet another tool, this one a Python interpreter, so it’s able to run code, just like a data scientist would. And so you can just literally upload a file and ask questions about it. And very helpfully, you know, it knows the name of the file and it's like, "Oh, this is CSV," comma-separated value file, "I'll parse it for you." The only information here is the name of the file, the column names like you saw and then the actual data. And from that it's able to infer what these columns actually mean. Like, that semantic information wasn't in there. It has to sort of, put together its world knowledge of knowing that, “Oh yeah, arXiv is a site that people submit papers and therefore that's what these things are and that these are integer values and so therefore it's a number of authors in the paper," like all of that, that’s work for a human to do, and the AI is happy to help with it.
เราให้แชทจีพีทีได้เข้าถึง อีกหนึ่งเครื่องมือ มันคือโปรแกรมล่ามไพทอน มันสามารถรันโค้ดได้เหมือนกับที่ นักวิทยาศาสตร์ข้อมูลทำกัน คุณจึงสามารถอัปโหลดไฟล์ และถามคำถามเกี่ยวกับไฟล์นั้น ๆ และมีประโยชน์มากที่มันรู้ชื่อไฟล์ และมันจะแจ้งว่า “โอ้ นี่คือไฟล์ซีเอสวี ไฟล์ค่าที่คั่นด้วยจุลภาค ฉันจะแยกวิเคราะห์ให้คุณ” ข้อมูลเดียวที่เราให้คือชื่อของไฟล์ ชื่อคอลัมน์ตามที่คุณเห็น และข้อมูลจริง จากนั้นเจ้าเอไอก็สามารถคาดคะเนได้ว่า คอลัมน์เหล่านี้หมายถึงอะไร แบบว่า ความหมายของข้อมูลนั้น ๆ ไม่ได้ปรากฎอยู่ มันต้องรวบรวมความรู้ทั้งหมดที่มี ในการที่จะรู้ว่า “อ๋อ อาร์ไคฟเป็นไซต์ที่ผู้คนส่งบทความ ดังนั้น นั่นคือสิ่งที่มันเป็น และค่าเหล่านี้เป็นค่าจำนวนเต็ม ดังนั้น มันคือจำนวนของ ผู้เขียนบทความชิ้นนี้ ทั้งหมดนี้เป็นงานที่มนุษย์ต้องทำ และเจ้าเอไอก็ยินดีที่จะช่วยเหลือ
Now I don't even know what I want to ask. So fortunately, you can ask the machine, "Can you make some exploratory graphs?" And once again, this is a super high-level instruction with lots of intent behind it. But I don't even know what I want. And the AI kind of has to infer what I might be interested in. And so it comes up with some good ideas, I think. So a histogram of the number of authors per paper, time series of papers per year, word cloud of the paper titles. All of that, I think, will be pretty interesting to see. And the great thing is, it can actually do it. Here we go, a nice bell curve. You see that three is kind of the most common. It's going to then make this nice plot of the papers per year. Something crazy is happening in 2023, though. Looks like we were on an exponential and it dropped off the cliff. What could be going on there? By the way, all this is Python code, you can inspect. And then we'll see word cloud. So you can see all these wonderful things that appear in these titles.
ตอนนี้ผมไม่รู้ด้วยซ้ำ ว่าผมอยากจะถามอะไร โชคดีที่คุณสามารถถามมัน “ช่วยทำกราฟเชิงสำรวจให้หน่อยได้ไหม” นี่เป็นอีกครั้งที่เราให้คำสั่งระดับสูง ที่แฝงไปด้วยความมุ่งหมายหลายอย่าง แต่ผมไม่รู้ด้วยซ้ำว่าผมต้องการอะไร และเอไอจะต้องอนุมาน ในสิ่งที่ผมอาจสนใจ และมันก็เสนอไอเดียเจ๋ง ๆ ฮิสโตแกรมของจำนวนผู้เขียนบทความ อนุกรมเวลาของเอกสารต่อปี กลุ่มคำที่ปรากฎบ่อย ๆ ในชื่อบทความ ผมคิดว่าทั้งหมดนี้ น่าสนใจมากที่จะได้เห็น และสิ่งที่ยอดเยี่ยมก็คือ มันสามารถทำได้จริง ๆ เอาล่ะ กราฟระฆังคว่ำสวย ๆ คุณจะเห็นว่าจำนวนสามคน พบได้บ่อยที่สุด มันจะสร้างกราฟของจำนวนบทความต่อปี บางอย่างดูแปลก ๆ ในปี 2023 นะ ดูเหมือนมันกำลังทะยานขึ้น แล้วอยู่ ๆ ก็ดิ่งลงเฉย ฮืม เกิดอะไรขึ้น อย่างไรก็ตาม ทั้งหมดนี้คือโค้ดไพทอน ที่คุณสามารถตรวจสอบได้ แล้วเราจะเห็นกลุ่มคำ คุณสามารถเห็นสิ่งมหัศจรรย์ทั้งหมด ที่ปรากฏในชื่อเหล่านี้
But I'm pretty unhappy about this 2023 thing. It makes this year look really bad. Of course, the problem is that the year is not over. So I'm going to push back on the machine. [Waitttt that's not fair!!! 2023 isn't over. What percentage of papers in 2022 were even posted by April 13?] So April 13 was the cut-off date I believe. Can you use that to make a fair projection? So we'll see, this is the kind of ambitious one.
แต่ผมไม่ค่อยพอใจ กับไอ้เรื่องปี 2023 นี้นัก มันทำให้ปีนี้ดูแย่จริง ๆ แน่นอนว่า ปัญหาคือมันยังไม่ถึงสิ้นปี ผมเลยจะเถียงกับเจ้าเครื่องนี้สักหน่อย [เดี๋ยวก่อน นั่นมันไม่ยุติธรรม!!! ปี 2023 ยังไม่สิ้นสุดด้วยซ้ำ กี่เปอร์เซ็นต์ของบทความในปี 2022 ที่ถูกโพสต์ภายในวันที่ 13 เมษายน] ดังนั้น วันที่ 13 เมษายน จึงเป็นวันตัดจบ ช่วยทำให้มันถูกต้องมากขึ้นได้ไหม เรามาลองดูกัน มันแอบทะเยอทะยานนิด ๆ
(Laughter)
(เสียงหัวเราะ)
So you know, again, I feel like there was more I wanted out of the machine here. I really wanted it to notice this thing, maybe it's a little bit of an overreach for it to have sort of, inferred magically that this is what I wanted. But I inject my intent, I provide this additional piece of, you know, guidance. And under the hood, the AI is just writing code again, so if you want to inspect what it's doing, it's very possible. And now, it does the correct projection.
นั่นแหละครับ ย้ำอีกครั้ง ผมรู้สึกเหมือนยังมีอะไรอีกมาก ที่ผมอยากได้จากเจ้าเครื่องนี้ ผมอยากให้มันสังเกตเห็นสิ่งนี้จริง ๆ บางทีมันอาจจะ เกินเอื้อมไปหน่อยสำหรับมัน ที่จะอนุมานได้อย่างแม่นยำว่า นี่คือสิ่งที่ผมต้องการ แต่ผมก็ได้ใส่ความตั้งใจของผมลงไป ผมได้ให้คำแนะนำเพิ่มเติมในส่วนนี้ และในระบบหลังบ้าน เอไอกำลังเขียนโค้ดอีกครั้ง ดังนั้น ถ้าคุณอยากตรวจสอบว่ามันกำลังทำอะไรอยู่ มันก็เป็นไปได้ แล้วตอนนี้มันทำการประมาณการได้แม่นยำขึ้น
(Applause)
(เสียงปรบมือ)
If you noticed, it even updates the title. I didn't ask for that, but it know what I want.
ถ้าคุณสังเกต มันอัปเดตชื่อเรื่องให้ด้วย ผมไม่ได้ขอ แต่มันรู้ว่าผมต้องการอะไร
Now we'll cut back to the slide again. This slide shows a parable of how I think we ... A vision of how we may end up using this technology in the future. A person brought his very sick dog to the vet, and the veterinarian made a bad call to say, “Let’s just wait and see.” And the dog would not be here today had he listened. In the meanwhile, he provided the blood test, like, the full medical records, to GPT-4, which said, "I am not a vet, you need to talk to a professional, here are some hypotheses." He brought that information to a second vet who used it to save the dog's life. Now, these systems, they're not perfect. You cannot overly rely on them. But this story, I think, shows that a human with a medical professional and with ChatGPT as a brainstorming partner was able to achieve an outcome that would not have happened otherwise. I think this is something we should all reflect on, think about as we consider how to integrate these systems into our world.
เราจะตัดกลับไปที่สไลด์อีกครั้ง สไลด์นี้อุปมาอุปไมย ว่าผมคิดว่าพวกเรา... วิสัยทัศน์ถึงวิธีที่เราจะ ใช้เทคโนโลยีนี้ในอนาคต มีคนพาน้องหมาที่ป่วย ไปพบสัตว์แพทย์ แล้วสัตวแพทย์ก็วินิจฉัยผิด โดยให้ “รอดูอาการกันไปก่อน” น้องหมาคงไม่รอด ถ้าเขาเชื่อคำวินิจฉัย ในขณะเดียวกัน เขาก็ให้ผลตรวจเลือด เวชระเบียนฉบับเต็ม ให้กับจีพีที-4 ซึ่งมันก็ตอบว่า “ผมไม่ใช่สัตว์แพทย์ คุณต้องคุยกับผู้เชี่ยวชาญ แต่นี่คือสมมติฐานบางอย่าง” มันนำข้อมูลนั้น ๆ ไปให้สัตว์แพทย์คนที่สอง ซึ่งได้ใช้ข้อมูลดังกล่าว ในการช่วยชีวิตน้องหมา เอาละ ระบบเหล่านี้ ไม่ได้ถูกต้องสมบูรณ์หรอก คุณไม่ควรเชื่อมันมากจนเกินไป แต่เรื่อง ๆ นี้ ทำให้เห็นว่า คนที่มีความเชี่ยวชาญทางการแพทย์ และแชทจีพีที ในฐานะเพื่อนคู่คิด สามารถทำให้เกิดผลที่ ไม่อาจเกิดขึ้นได้หากไม่ได้ทำงานร่วมกัน ผมคิดว่านี่คือสิ่งที่เราทุกคนควรไตร่ตรอง คิดถึงวิธีการรวมระบบเหล่านี้ ให้เข้ากับโลกของเรา สิ่งหนึ่งที่ผมเชื่ออย่างสุดจิตสุดใจ
And one thing I believe really deeply, is that getting AI right is going to require participation from everyone. And that's for deciding how we want it to slot in, that's for setting the rules of the road, for what an AI will and won't do. And if there's one thing to take away from this talk, it's that this technology just looks different. Just different from anything people had anticipated. And so we all have to become literate. And that's, honestly, one of the reasons we released ChatGPT.
คือการทำให้เอไอทำงานได้อย่างถูกต้อง ทุกคนต้องช่วยกัน มันคือการตัดสินใจว่า เราอยากจะวางมันอย่างไร มันคือการตั้งกฎ ว่าเจ้าเอไอนั้น สามารถทำหรือไม่ทำอะไร แล้วถ้ามีสิ่งหนึ่ง ที่ควรได้รับไปจากการฟังทอล์กนี้ คือการที่เทคโนโลยีนี้ดูแตกต่าง แตกต่างจากที่ผู้คนคาดการณ์ไว้ ดังนั้น เราทุกคนจึงต้องเป็นผู้รู้เท่าทัน และนั่นคือหนึ่งในเหตุผล ที่เราเปิดตัวแชทจีพีที
Together, I believe that we can achieve the OpenAI mission of ensuring that artificial general intelligence benefits all of humanity.
ผมเชื่อว่าเราจะสามารถ บรรลุภารกิจของโอเพนเอไอ ในการสร้างความมั่นใจว่า ปัญญาประดิษฐ์ทั่วไป จะสร้างประโยชน์ต่อมวลมนุษยชาติ
Thank you.
ขอบคุณครับ
(Applause)
(เสียงปรบมือ)
(Applause ends)
(เสียงปรบมือจบลง)
Chris Anderson: Greg. Wow. I mean ... I suspect that within every mind out here there's a feeling of reeling. Like, I suspect that a very large number of people viewing this, you look at that and you think, “Oh my goodness, pretty much every single thing about the way I work, I need to rethink." Like, there's just new possibilities there. Am I right? Who thinks that they're having to rethink the way that we do things? Yeah, I mean, it's amazing, but it's also really scary. So let's talk, Greg, let's talk.
คริส แอนเดอร์สัน: เกร็ก ว้าว คือว่า ... ผมคิดว่าในใจของทุกคนที่นี่ มีความรู้สึกปั่นป่วน ผมคิดว่าคนจำนวนมากที่กำลังดูอยู่ มองมาแล้วคิดว่า “พระเจ้าช่วย ทุกอย่างที่เกี่ยวกับวิธีการทำงานของผม ผมต้องคิดใหม่ซะแล้ว แบบว่า มันมีความเป็นไปได้ใหม่ ๆ ใช่ไหมครับ มีใครคิดบ้างว่าเราจะต้องคิดใหม่ ถึงวิธีการที่เราทำสิ่งต่าง ๆ ผมคิดว่า มันน่าทึ่งมาก ๆ และมันก็น่าหวาดหวั่นด้วยเช่นกัน เรามาคุยกันเถอะ เกร็ก
I mean, I guess my first question actually is just
เกร็ก บร็อคแมน: ได้เลยครับ
how the hell have you done this?
ผมว่าคำถามแรกของผมคือ คุณทำเรื่องบ้าบอนี้ขึ้นมาได้ยังไง
(Laughter)
(เสียงหัวเราะ)
OpenAI has a few hundred employees. Google has thousands of employees working on artificial intelligence. Why is it you who's come up with this technology that shocked the world?
โอเพนเอไอ มีพนักงานอยู่สองสามร้อยคน กูเกิลมีพนักงานหลายพันคน ที่ทำงานด้านปัญญาประดิษฐ์ ทำไมถึงเป็นคุณที่ สามารถสร้างเทคโนโลยีนี้ ที่ทำให้โลกตะลึง
Greg Brockman: I mean, the truth is, we're all building on shoulders of giants, right, there's no question. If you look at the compute progress, the algorithmic progress, the data progress, all of those are really industry-wide. But I think within OpenAI, we made a lot of very deliberate choices from the early days. And the first one was just to confront reality as it lays. And that we just thought really hard about like: What is it going to take to make progress here? We tried a lot of things that didn't work, so you only see the things that did. And I think that the most important thing has been to get teams of people who are very different from each other to work together harmoniously.
เกร็ก: ความจริงก็คือ เรากำลังต่อยอดจากองค์ความรู้เดิม ดูจากความก้าวหน้าด้านการคำนวณ ความก้าวหน้าของอัลกอริทึม ความก้าวหน้าของข้อมูล ทั้งหมดนี้ครอบคลุมทั่วทั้งอุตสาหกรรม ในส่วนของโอเพนเอไอ เราได้เลือกอย่างรอบคอบ มาตั้งแต่ช่วงแรก ๆ อย่างแรกคือการเผชิญหน้ากับความจริง ตามความเป็นจริง แล้วเราก็คิดอย่างหนัก เกี่ยวกับเรื่อง ต้องทำอะไรบ้าง เพื่อให้เกิดความก้าวหน้า เราลองมาหลายสิ่งที่ไม่ได้ผล คุณจึงเห็นแต่สิ่งที่ได้ผล และผมคิดว่าสิ่งที่สำคัญที่สุด คือการสร้างทีมที่มีผู้คน ที่มีความแตกต่างอย่างมาก มาทำงานร่วมกันอย่างกลมกลืน คริส: ขอน้ำหน่อยได้ไหมครับ เอามาวางไว้ตรงนี้
CA: Can we have the water, by the way, just brought here? I think we're going to need it, it's a dry-mouth topic. But isn't there something also just about the fact that you saw something in these language models that meant that if you continue to invest in them and grow them, that something at some point might emerge?
ผมว่าเราต้องกระหายแน่ ๆ มันเป็นหัวข้อที่ทำให้คอแห้ง แต่มันก็มีความจริงที่ว่า คุณเห็นอะไรบางอย่าง ในโมเดลภาษาเหล่านี้ ซึ่งส่งสัญญาณว่าหากคุณยังคงลุยไปกับมัน และทำให้มันเติบโต บางสิ่งอาจปรากฏขึ้น ในเวลาใดเวลาหนึ่ง
GB: Yes. And I think that, I mean, honestly, I think the story there is pretty illustrative, right? I think that high level, deep learning, like we always knew that was what we wanted to be, was a deep learning lab, and exactly how to do it? I think that in the early days, we didn't know. We tried a lot of things, and one person was working on training a model to predict the next character in Amazon reviews, and he got a result where -- this is a syntactic process, you expect, you know, the model will predict where the commas go, where the nouns and verbs are. But he actually got a state-of-the-art sentiment analysis classifier out of it. This model could tell you if a review was positive or negative. I mean, today we are just like, come on, anyone can do that. But this was the first time that you saw this emergence, this sort of semantics that emerged from this underlying syntactic process. And there we knew, you've got to scale this thing, you've got to see where it goes.
เกร็ก: ใช่ครับ และผมคิดว่า ว่ากันตามตรง ผมว่าเรื่องนั้น ภาพมันค่อนข้างชัดอยู่แล้ว ใช่ไหมครับ ผมว่าการเรียนรู้เชิงลึกในระดับสูง เป็นสิ่งที่เรารู้มาตลอด ว่าเราอยากเป็น เป็นแล็บการเรียนรู้เชิงลึก และต้องทำอย่างไรกันแน่นั้น ผมว่าในยุคแรก ๆ เราไม่รู้หรอก เราลองหลายอย่าง และมีคนหนึ่งกำลังฝึกโมเดล เพื่อให้ทำนายอักขระตัวต่อไป ในรีวิวของแอมะซอน และเขาได้ผลลัพธ์ที่ -- มันเป็นกระบวนการเกี่ยวกับการสร้างประโยค คุณคาดว่าโมเดลจะทำนายว่า เครื่องหมายจุลภาคจะอยู่ตรงไหน คำนามและกริยาอยู่ตรงไหน แต่เขากลับได้รับตัวแยกประเภท ของการวิเคราะห์ความรู้สึกที่ล้ำสมัยมาก ๆ โมเดลนี้สามารถบอกคุณได้ว่า รีวิวนั้น ๆ เป็นบวกหรือเป็นลบ คือทุกวันนี้เราก็แบบว่า เอาเถอะ ใคร ๆ ก็ทำได้วะ แต่นี่เป็นครั้งแรก ที่คุณได้เห็นปรากฎการณ์นี้ ความหมายของคำที่เกิดจาก กระบวนการพื้นฐานเกี่ยวกับการสร้างประโยค เรารู้ทันทีว่า เราต้องขยายเรื่องนี้ ต้องดูว่ามันจะไปในทิศทางไหน
CA: So I think this helps explain the riddle that baffles everyone looking at this, because these things are described as prediction machines. And yet, what we're seeing out of them feels ... it just feels impossible that that could come from a prediction machine. Just the stuff you showed us just now. And the key idea of emergence is that when you get more of a thing, suddenly different things emerge. It happens all the time, ant colonies, single ants run around, when you bring enough of them together, you get these ant colonies that show completely emergent, different behavior. Or a city where a few houses together, it's just houses together. But as you grow the number of houses, things emerge, like suburbs and cultural centers and traffic jams. Give me one moment for you when you saw just something pop that just blew your mind that you just did not see coming.
คริส: ผมคิดว่านี่จะช่วยอธิบาย ปริศนาที่ทำให้ ทุกคนที่จับตามองอยู่รู้สึกงงงวย เพราะสิ่งเหล่านี้ถูกอธิบายว่า เป็นเครื่องทำนาย แต่สิ่งที่เห็นทำให้เรารู้สึกว่า ... มันแค่รู้สึกว่าเป็นไปไม่ได้ที่ มันจะเป็นแค่เครื่องทำนาย แค่สิ่งต่าง ๆ ที่คุณแสดงให้เราเห็นเมื่อกี้ และแนวคิดหลักของการเกิดขึ้นก็คือ เมื่อคุณได้รับสิ่งหนึ่งสิ่งใดมากขึ้น จู่ ๆ สิ่งที่แตกต่างก็จะเกิดขึ้น มันเกิดขึ้นตลอดเวลา อย่างในฝูงมด มดหนึ่งตัวทำบางอย่างอยู่ เมื่อเพิ่มจำนวนของมดขึ้นมากพอ คุณก็จะเห็นฝูงมด ที่แสดงพฤติกรรมที่แตกต่างโดยสิ้นเชิง หรือในเมืองที่มีบ้านอยู่ไม่กี่หลัง แต่เมื่อมีจำนวนของบ้านเพิ่มขึ้นเรื่อย ๆ บางสิ่งก็อุบัติขึ้น เช่น ชานเมือง และศูนย์วัฒนธรรม และการจราจรที่ติดขัด เล่าให้ผมฟังหน่อย มีไหมที่คุณเห็นบางสิ่งอุบัติขึ้น แล้วคุณตื่นเต้นตกใจสุด ๆ สิ่งที่คุณคาดไม่ถึง
GB: Yeah, well, so you can try this in ChatGPT, if you add 40-digit numbers --
เกร็ก: แน่นอนครับ ให้คุณลองกับแชทจีพีที ถ้าคุณบวกตัวเลข 40 หลัก
CA: 40-digit?
คริส: 40 หลักหรือครับ
GB: 40-digit numbers, the model will do it, which means it's really learned an internal circuit for how to do it. And the really interesting thing is actually, if you have it add like a 40-digit number plus a 35-digit number, it'll often get it wrong. And so you can see that it's really learning the process, but it hasn't fully generalized, right? It's like you can't memorize the 40-digit addition table, that's more atoms than there are in the universe. So it had to have learned something general, but that it hasn't really fully yet learned that, Oh, I can sort of generalize this to adding arbitrary numbers of arbitrary lengths.
เกร็ก: 40 หลัก โมเดลจะทำได้ ซึ่งหมายความว่ามันได้เรียนรู้ ว่าวงจรภายในทำงานอย่างไร แล้วสิ่งที่น่าสนใจจริง ๆ คือ ถ้าคุณบวกเลข 40 หลัก เข้ากับเลข 35 หลัก มันมักจะคำนวณผิด คุณจะเห็นว่า มันกำลังเรียนรู้กระบวนการจริง ๆ แต่มันก็ยังไม่ได้เรียนรู้ครบทั้งหมด คุณไม่สามารถจดจำตาราง การบวกเลขจำนวน 40 หลักได้หรอก เพราะจำนวนมันมากกว่า อะตอมที่มีอยู่ในจักรวาล ดังนั้น มันจึงต้องเรียนรู้เรื่องทั่ว ๆ ไป แต่ว่ามันยังไม่ได้เรียนรู้อย่างถ่องแท้ว่า โอ้ มันสามารถแก้โจทย์นี้ โดยการบวกเลข ที่มีค่าเท่าไหร่ก็ได้ จะมีกี่หลักก็ได้ คริส: สิ่งที่เกิดขึ้นก็คือ
CA: So what's happened here is that you've allowed it to scale up and look at an incredible number of pieces of text. And it is learning things that you didn't know that it was going to be capable of learning.
คุณปล่อยให้มันออกไปทำงาน และเรียนรู้จากต้นฉบับจำนวนมหาศาล แล้วมันก็ได้เรียนรู้ ในสิ่งที่คุณคาดไม่ถึงด้วยซ้ำว่า มันจะสามารถเรียนรู้ได้
GB Well, yeah, and it’s more nuanced, too. So one science that we’re starting to really get good at is predicting some of these emergent capabilities. And to do that actually, one of the things I think is very undersung in this field is sort of engineering quality. Like, we had to rebuild our entire stack. When you think about building a rocket, every tolerance has to be incredibly tiny. Same is true in machine learning. You have to get every single piece of the stack engineered properly, and then you can start doing these predictions. There are all these incredibly smooth scaling curves. They tell you something deeply fundamental about intelligence. If you look at our GPT-4 blog post, you can see all of these curves in there. And now we're starting to be able to predict. So we were able to predict, for example, the performance on coding problems. We basically look at some models that are 10,000 times or 1,000 times smaller. And so there's something about this that is actually smooth scaling, even though it's still early days.
เกร็ก: ใช่ครับ และมันก็เหมาะสมอย่างยิ่ง ศาสตร์หนึ่งที่เราเริ่มจะทำได้ดี ก็คือการทำนายความสามารถ ที่จะเกิดขึ้นใหม่นี้ และในการทำเรื่องนั้น สิ่งหนึ่งที่ผมคิดว่าด้อยมาก ๆ ในสายงานนี้ ก็คือคุณภาพทางวิศวกรรม เราต้องสร้างเทคโนโลยีใหม่ทั้งหมด เมื่อคุณคิดจะสร้างจรวด ตัวแปรและโอกาสที่จะพลาด จะต้องมีน้อยที่สุด การให้คอมพิวเตอร์ เรียนรู้ด้วยตัวเองก็เช่นกัน คุณต้องทำให้เทคโนโลยีทุกชิ้น ได้รับการออกแบบอย่างเหมาะสม คุณถึงจะสามารถคาดการณ์ได้ พวกเส้นโค้งสเกล ที่ราบรื่นอย่างไม่น่าเชื่อเหล่านี้ มันบอกอะไรบางอย่าง ที่เป็นพื้นฐานเชิงลึกเกี่ยวกับปัญญา หากคุณดูบล็อกโพสต์ของจีพีที-4 คุณจะเห็นเส้นโค้งเหล่านี้อยู่ในนั้น ตอนนี้เราก็เริ่มที่จะคาดการณ์ได้แล้ว เราสามารถคาดการณ์ถึงประสิทธิภาพ ของปัญหาการเข้ารหัสได้ เป็นต้น เราลองดูโมเดลบางรุ่น ที่เล็กกว่า 10,000 เท่า หรือ 1,000 เท่า มีบางอย่างที่ปรับสเกลได้อย่างราบรื่น แม้ว่าเราจะยังอยู่ในยุคต้น ๆ ก็ตาม
CA: So here is, one of the big fears then, that arises from this. If it’s fundamental to what’s happening here, that as you scale up, things emerge that you can maybe predict in some level of confidence, but it's capable of surprising you. Why isn't there just a huge risk of something truly terrible emerging?
คริส: เอาละ หนึ่งในความน่ากลัว ที่เกิดขึ้นจากสิ่งนี้ หากนี่เป็นพื้นฐานของสิ่งที่เกิดขึ้น เมื่อคุณขยายขึ้นเรื่อย ๆ สิ่งต่าง ๆ จะอุบัติขึ้น ซึ่งคุณอาจคาดการณ์ได้ ด้วยความมั่นใจในระดับหนึ่ง แต่มันก็สามารถทำให้คุณประหลาดใจได้ ทำไมจึงไม่มีความเสี่ยงสูง ที่บางสิ่งที่น่ากลัวจะอุบัติขึ้น
GB: Well, I think all of these are questions of degree and scale and timing. And I think one thing people miss, too, is sort of the integration with the world is also this incredibly emergent, sort of, very powerful thing too. And so that's one of the reasons that we think it's so important to deploy incrementally. And so I think that what we kind of see right now, if you look at this talk, a lot of what I focus on is providing really high-quality feedback. Today, the tasks that we do, you can inspect them, right? It's very easy to look at that math problem and be like, no, no, no, machine, seven was the correct answer. But even summarizing a book, like, that's a hard thing to supervise. Like, how do you know if this book summary is any good? You have to read the whole book. No one wants to do that.
เกร็ก: ครับ ผมว่า ทั้งหมดนี้เป็นคำถามเกี่ยวกับระดับ และขนาด และเวลา อย่างหนึ่งที่คนอาจจะคลาดไป มันคือการรวมตัวเข้ากับโลก มันอุบัติขึ้นอย่างไม่น่าเชื่อ เป็นสิ่งที่ทรงพลังมากเช่นกัน และนั่นเป็นหนึ่งในเหตุผล ที่เราคิดว่าสำคัญมาก ๆ ในการนำมาปรับใช้ทีละน้อย ดังนั้น สิ่งที่เราเห็นอยู่ในตอนนี้ ในทอล์คนี้ สิ่งที่ผมมุ่งเน้นอย่างมาก คือการให้ข้อเสนอแนะติชมที่มีคุณภาพสูง ในวันนี้ งานต่าง ๆ ที่เราทำ คุณสามารถตรวจสอบได้ มันง่ายมากที่จะดูโจทย์เลข แล้วแบบว่า ไม่ ไม่ ไม่ เจ้าเครื่องเอ๋ย เลขเจ็ดคือคำตอบที่ถูกต้อง แต่ถึงอย่างนั้น อย่างการสรุปหนังสือ ก็เป็นสิ่งที่กำกับดูแลได้ยาก คุณจะรู้ได้ยังไงว่า หนังสือนั่นถูกสรุปมาดีแล้ว คุณต้องอ่านทั้งเล่ม ไม่มีใครอยากจะทำหรอกครับ
(Laughter) And so I think that the important thing will be that we take this step by step. And that we say, OK, as we move on to book summaries, we have to supervise this task properly. We have to build up a track record with these machines that they're able to actually carry out our intent. And I think we're going to have to produce even better, more efficient, more reliable ways of scaling this, sort of like making the machine be aligned with you.
(เสียงหัวเราะ) ผมคิดว่าสิ่งที่สำคัญ คือเราต้องค่อย ๆ เป็น ค่อย ๆ ไป จนกว่าเราจะโอเค เมื่อเราเริ่มงานสรุปหนังสือต่าง ๆ เราต้องกำกับดูแลงานให้เหมาะสม เราต้องสร้างการบันทึกติดตามเครื่องพวกนี้ ให้มันสามารถทำงาน ตามเจตจำนงของเราได้จริง ๆ ผมคิดว่าเราจะต้องสร้างวิธีการที่ดียิ่งขึ้น มีประสิทธิภาพมากขึ้น น่าเชื่อถือได้มากขึ้น ในการขยายตัว ประมาณว่าทำให้เครื่องนี้ สอดคล้องไปกับคุณ
CA: So we're going to hear later in this session, there are critics who say that, you know, there's no real understanding inside, the system is going to always -- we're never going to know that it's not generating errors, that it doesn't have common sense and so forth. Is it your belief, Greg, that it is true at any one moment, but that the expansion of the scale and the human feedback that you talked about is basically going to take it on that journey of actually getting to things like truth and wisdom and so forth, with a high degree of confidence. Can you be sure of that?
คริส: เราจะได้ฟังในช่วงต่อไปของเซสชั่นนี้ มีนักวิจารณ์ที่พูดว่า ยังไม่มีความเข้าใจอย่างถ่องแท้ ต่อระบบข้างใน ระบบจะมีปัญหาเสมอ -- เราจะไม่มีวันรู้ ว่ามันไม่ได้กำลังสร้างข้อผิดพลาด ว่ามันไม่มีสามัญสำนึก และอื่น ๆ มันคือความเชื่อของคุณใช่ไหม เกร็ก ว่าจริง ๆ แล้ว ณ จุด ๆ หนึ่ง การขยายขนาด และการให้ความคิดเห็นจากมนุษย์ ที่คุณพูดถึงนั้น จะพามันไปสู่การเดินทาง ไปสู่สิ่งต่าง ๆ เช่น ความจริง และภูมิปัญญา และอื่น ๆ ด้วยความมั่นใจอย่างสูง คุณแน่ใจแน่นะ
GB: Yeah, well, I think that the OpenAI, I mean, the short answer is yes, I believe that is where we're headed. And I think that the OpenAI approach here has always been just like, let reality hit you in the face, right? It's like this field is the field of broken promises, of all these experts saying X is going to happen, Y is how it works. People have been saying neural nets aren't going to work for 70 years. They haven't been right yet. They might be right maybe 70 years plus one or something like that is what you need. But I think that our approach has always been, you've got to push to the limits of this technology to really see it in action, because that tells you then, oh, here's how we can move on to a new paradigm. And we just haven't exhausted the fruit here.
เกร็ก: แน่ใจครับ ผมว่าโอเพนเอไอ ขอตอบสั้น ๆ ว่าแน่ใจครับ ผมเชื่อว่าเรากำลังมุ่งหน้าไปในทิศทางนั้น ผมคิดว่าวิธีการของโอเพนเอไอ มักจะเป็นแบบ ปล่อยให้ความเป็นจริงตีแสกหน้าคุณเลย ประหนึ่งว่าสายงานนี้ เป็นสายงานแห่งคำสัญญาที่ไม่เป็นจริง เกจิทั้งหลายออกมาพูดว่า สิ่งนี้จะเกิดขึ้น สิ่งนั้นถูกต้อง มีคนพูดว่านิวรัลเน็ตเวิร์ก จะไม่เวิร์คไปอีก 70 ปี พวกเขายังไม่ถูก เขาอาจจะถูก อาจจะ 70 ปี บวกหนึ่ง หรืออะไรทำนองนั้น คือสิ่งที่คุณต้องการ แต่วิธีการของเราเป็นแบบนี้เสมอมา คุณต้องผลักดันขีดจำกัดของเทคโนโลยีนี้ จึงจะเห็นมันทำงานจริง ๆ เพราะนั่นทำให้คุณรู้ว่า โอ้ นี่คือวิธีที่เราจะก้าวไปสู่กระบวนทัศน์ใหม่ สงครามยังไม่จบ อย่าเพิ่งนับศพทหาร คริส: ถือเป็นจุดยืนที่ก่อให้เกิด การถกเถียงกันในสังคมได้
CA: I mean, it's quite a controversial stance you've taken, that the right way to do this is to put it out there in public and then harness all this, you know, instead of just your team giving feedback, the world is now giving feedback. But ... If, you know, bad things are going to emerge, it is out there. So, you know, the original story that I heard on OpenAI when you were founded as a nonprofit, well you were there as the great sort of check on the big companies doing their unknown, possibly evil thing with AI. And you were going to build models that sort of, you know, somehow held them accountable and was capable of slowing the field down, if need be. Or at least that's kind of what I heard. And yet, what's happened, arguably, is the opposite. That your release of GPT, especially ChatGPT, sent such shockwaves through the tech world that now Google and Meta and so forth are all scrambling to catch up. And some of their criticisms have been, you are forcing us to put this out here without proper guardrails or we die. You know, how do you, like, make the case that what you have done is responsible here and not reckless.
ที่ว่าวิธีการที่ถูกต้อง คือการเผยแพร่ออกไปสู่สาธารณะ แล้วใช้ประโยชน์จากสิ่งที่จะเกิดขึ้น แทนที่จะเป็นแค่ทีมของคุณ ที่ให้ข้อเสนอแนะ ทั้งโลกกำลังให้ข้อเสนอแนะ แต่ ... ถ้าเรื่องราวร้าย ๆ จะอุบัติขึ้น เราก็จะเห็นมัน ผมได้ยินเรื่องราว การกำเนิดของโอเพนเอไอ ตอนที่คุณเริ่มจาก องค์กรไม่แสวงหาผลกำไร คุณเริ่มในฐานะ ผู้ที่คอยตรวจสอบบริษัทใหญ่ ๆ ที่เป็นไปได้ว่ากำลังทำ สิ่งชั่วร้ายอะไรก็ไม่รู้กับเอไอ แล้วคุณก็มีแผนจะสร้างโมเดลที่จะช่วยทำให้ พวกเขาต้องรับผิดชอบ ไม่ทางใดก็ทางหนึ่ง และสามารถชะลองานลงได้หากจำเป็น หรืออย่างน้อย นั่นก็คือสิ่งที่ผมได้ยินมา แต่สิ่งที่เกิดขึ้นกลับตรงกันข้าม การเปิดตัวจีพีทีของคุณ โดยเฉพาะแชทจีพีที ได้ส่งแรงสั่นสะเทือน ไปทั่วทั้งวงการเทคฯ ถึงขนาดที่กูเกิล เมตา และเจ้าอื่น ๆ กำลังดิ้นเพื่อตามให้ทัน และบางส่วนของคำวิจารณ์ของพวกเขาคือ คุณบังคับให้เขานำสิ่งนี้ออกสู่สาธารณะ โดยยังไม่มีการป้องกันที่ดี ไม่งั้นบริษัทเขาก็ตาย คุณจะอธิบายอย่างไร
GB: Yeah, we think about these questions all the time.
ว่าสิ่งที่คุณทำนั้นมีความรับผิดชอบ และไม่ได้ประมาท
Like, seriously all the time. And I don't think we're always going to get it right. But one thing I think has been incredibly important, from the very beginning, when we were thinking about how to build artificial general intelligence, actually have it benefit all of humanity, like, how are you supposed to do that, right? And that default plan of being, well, you build in secret, you get this super powerful thing, and then you figure out the safety of it and then you push “go,” and you hope you got it right. I don't know how to execute that plan. Maybe someone else does. But for me, that was always terrifying, it didn't feel right. And so I think that this alternative approach is the only other path that I see, which is that you do let reality hit you in the face. And I think you do give people time to give input. You do have, before these machines are perfect, before they are super powerful, that you actually have the ability to see them in action. And we've seen it from GPT-3, right? GPT-3, we really were afraid that the number one thing people were going to do with it was generate misinformation, try to tip elections. Instead, the number one thing was generating Viagra spam.
เกร็ก: พวกเราคิดถึงคำถามเหล่านี้ตลอดเวลา ตลอดเวลาจริง ๆ และผมไม่คิดว่าเราจะคิดถูกเสมอนะ แต่สิ่งหนึ่งที่ผมคิดว่าสำคัญยิ่ง ตั้งแต่ต้นที่เราเริ่มคิด เกี่ยวกับวิธีที่จะสร้าง ปัญญาประดิษฐ์ทั่วไป ที่มีประโยชน์ต่อมวลมนุษยชาติอย่างแท้จริง แบบว่า คุณจะต้องทำยังไง ใช่ไหมครับ แผนการตั้งต้น คุณสร้างมันขึ้นมาอย่างลับ ๆ คุณสร้างสิ่งที่ทรงพลังสุด ๆ ขึ้นมา จากนั้นคุณคิดวิธีทำให้มันปลอดภัย แล้วคุณก็กด “เดินเครื่อง” และคุณหวังว่าคุณทำมาถูกแล้ว ผมไม่รู้วิธีดำเนินการตามแผนนั้น อาจจะมีใครซักคนที่รู้ แต่สำหรับผมเอง แผนนั้นมันน่ากลัวมาก ๆ ดังนั้น ผมคิดว่าแนวทางทางเลือกนี้ เป็นอีกทางเลือกที่ผมเห็น ซึ่งก็คือการที่คุณปล่อยให้ ความจริงตีแสกหน้าคุณเลย และผู้คนก็จะมีเวลาในการป้อนข้อมูล ก่อนที่เครื่องนี้จะเสร็จสมบูรณ์ ก่อนที่มันจะมีพลังล้นฟ้า คุณยังมีเวลาดูมันเติบโตได้ เราเห็นจากจีพีที-3 แล้วใช่ไหมครับ เรากลัวเรื่องจีพีที-3 ว่าสิ่งแรกที่คนจะนำมันไปใช้ คือการสร้างข้อมูลเท็จ พยายามจะปั่นป่วนผลการเลือกตั้ง กลับกลายเป็นว่า สิ่งแรกที่มันทำ คือสร้างสแปมไวอากร้า
(Laughter)
(เสียงหัวเราะ)
CA: So Viagra spam is bad, but there are things that are much worse. Here's a thought experiment for you. Suppose you're sitting in a room, there's a box on the table. You believe that in that box is something that, there's a very strong chance it's something absolutely glorious that's going to give beautiful gifts to your family and to everyone. But there's actually also a one percent thing in the small print there that says: “Pandora.” And there's a chance that this actually could unleash unimaginable evils on the world. Do you open that box?
คริส: สแปมไวอากร้านี่มันแย่นะ แต่ยังมีอีกหลายอย่างที่แย่ได้มากกว่า เรามาทำการทดลองทางความคิดกัน สมมุติว่าคุณนั่งอยู่ในห้อง มีกล่องอยู่บนโต๊ะ คุณเชื่อว่าในกล่องนั้น มีบางอย่างที่ มีโอกาสสูงที่มันจะ รุ่งโรจน์โชติช่วงชัชวาล มันจะให้ของขวัญล้ำค่าแก่ครอบครัวของคุณ และให้แก่ทุกคน แต่มีโอกาสหนึ่งเปอร์เซ็นต์ ที่จะเจอตัวอักษรพิมพ์บนกระดาษแผ่นเล็ก ๆ ว่า “แพนโดรา” [กล่องแห่งหายนะตามตำนานกรีก] และมีโอกาสที่ สิ่งนี้จะสามารถปลดปล่อยความชั่วร้าย ที่ไม่อาจจินตนาการได้มาสู่โลก เปิดมั้ยครับ
GB: Well, so, absolutely not. I think you don't do it that way. And honestly, like, I'll tell you a story that I haven't actually told before, which is that shortly after we started OpenAI, I remember I was in Puerto Rico for an AI conference. I'm sitting in the hotel room just looking out over this wonderful water, all these people having a good time. And you think about it for a moment, if you could choose for basically that Pandora’s box to be five years away or 500 years away, which would you pick, right? On the one hand you're like, well, maybe for you personally, it's better to have it be five years away. But if it gets to be 500 years away and people get more time to get it right, which do you pick? And you know, I just really felt it in the moment. I was like, of course you do the 500 years. My brother was in the military at the time and like, he puts his life on the line in a much more real way than any of us typing things in computers and developing this technology at the time. And so, yeah, I'm really sold on the you've got to approach this right. But I don't think that's quite playing the field as it truly lies. Like, if you look at the whole history of computing, I really mean it when I say that this is an industry-wide or even just almost like a human-development- of-technology-wide shift. And the more that you sort of, don't put together the pieces that are there, right, we're still making faster computers, we're still improving the algorithms, all of these things, they are happening. And if you don't put them together, you get an overhang, which means that if someone does, or the moment that someone does manage to connect to the circuit, then you suddenly have this very powerful thing, no one's had any time to adjust, who knows what kind of safety precautions you get. And so I think that one thing I take away is like, even you think about development of other sort of technologies, think about nuclear weapons, people talk about being like a zero to one, sort of, change in what humans could do. But I actually think that if you look at capability, it's been quite smooth over time. And so the history, I think, of every technology we've developed has been, you've got to do it incrementally and you've got to figure out how to manage it for each moment that you're increasing it.
เกร็ก: อืม ไม่เปิดอย่างแน่นอน ผมไม่คิดว่านั่นเป็นวิธีที่ดี เอาอย่างงี้ ผมจะเล่าเรื่องนึง ที่ผมไม่เคยเล่าที่ไหนมาก่อน หลังจากที่เราเริ่มโอเพนเอไอได้ไม่นาน ผมได้ไปร่วมงานสัมมนาด้านเอไอ ที่ประเทศเปอร์โตริโก้ ผมนั่งอยู่ที่ห้องพักในโรงแรม มองออกไปเห็นผืนน้ำอันสวยงาม ผู้คนมีความสุข คุณลองคิดถึงมันสักครู่ ถ้าคุณสามารถเลือก ให้เปิดกล่อง ที่เป็นไปได้มากว่าเป็นกล่องแพนโดรา ในอีก 5 ปี หรืออีก 500 ปี คุณจะเลือกแบบไหน ในมุมหนึ่ง คุณอาจจะคิด ส่วนตัวของคุณเอง มันดีกว่าในอีก 5 ปี แต่ถ้ามันถูกเปิดในอีก 500 ปี แล้วเรามีเวลาในการเตรียมให้มันถูก คุณจะเลือกแบบไหน ผมรู้สึกได้เลยในตอนนั้น แน่นอนอยู่แล้วว่า เราต้องเลือก 500 ปี ผู้คนมากมาย อย่างพี่ชายของผม อยู่ในกองทัพในช่วงเวลานั้น เขาเสี่ยงชีวิตอยู่จริง ๆ มากกว่าพวกเราที่กำลังทำงานกับคอมพิวเตอร์ และพัฒนาเทคโนโลยีนี้อยู่ในขณะนั้น ใช่ครับ ผมเชื่อมาก ๆ ว่า เราจะต้องลุยไปกับมันอย่างถูกต้อง แต่ผมว่านั่นยังไม่มองโลกตามความจริง เช่น ถ้าคุณลองดู ประวัติศาสตร์ทั้งหมดของคอมพิวเตอร์ ผมเชื่ออย่างที่ผมพูดจริง ๆ ว่า นี่คือการเปลี่ยนแปลงทั่วทั้งอุตสาหกรรม หรือเกือบจะเรียกได้ว่า การเปลี่ยนแปลงด้าน การพัฒนาเทคโนโลยีของมนุษย์ แล้วยิ่งคุณไม่เอามาปะติดปะต่อกัน ส่วนต่าง ๆ ที่เห็นอยู่ เรายังคงสร้างคอมพิวเตอร์ที่เร็วขึ้น เรายังคงปรับปรุงอัลกอริทึม สิ่งเหล่านี้กำลังเกิดขึ้น ถ้าคุณไม่เอามาปะติดปะต่อกัน แล้วมันเริ่มใหญ่เกินตัว ซึ่งก็หมายถึงถ้าใครบางคนทำได้ หรือมีคนจัดการเชื่อมต่อวงจรได้สำเร็จ ทันทีทันใด ใครบางคน จะมีสิ่งที่มีพลังอำนาจสูง แล้วไม่มีใครมีเวลาพอในการปรับตัว ใครจะรู้ว่าคุณได้รับมาตรการ ความปลอดภัยแบบใด ดังนั้น สิ่งหนึ่งที่ผมคิดได้คือ แม้กระทั่งตอนที่คุณคิด เกี่ยวกับการพัฒนาเทคโนโลยีประเภทอื่น ๆ ลองคิดถึงอาวุธนิวเคลียร์ ผู้คนพูดถึงการสร้างสิ่งใหม่ขึ้นมา เปลี่ยนแปลงสิ่งที่มนุษย์สามารถทำได้ แต่ผมคิดว่าถ้าคุณดูที่ขีดความสามารถ มันค่อนข้างราบรื่นเมื่อเวลาผ่านไป ผมคิดว่าประวัติศาสตร์ของ ทุกเทคโนโลยีที่เราพัฒนาขึ้น คุณต้องทำมันทีละน้อย และคุณต้องหาวิธีจัดการมัน ในแต่ละช่วงเวลาที่คุณพัฒนามัน
CA: So what I'm hearing is that you ... the model you want us to have is that we have birthed this extraordinary child that may have superpowers that take humanity to a whole new place. It is our collective responsibility to provide the guardrails for this child to collectively teach it to be wise and not to tear us all down. Is that basically the model?
คริส: สิ่งที่ผมได้ยินมา ... แผนการที่คุณอยากให้พวกเราทำ คือการที่พวกเราได้ให้กำเนิด เด็กสุดพิเศษคนนี้ ที่อาจมีอิทธิฤทธิ์ ที่จะพามนุษยชาติไปสู่สิ่งใหม่ ๆ เป็นความรับผิดชอบร่วมกันของเรา ในการเตรียมรั้วรอบขอบชิดที่เหมาะสม สำหรับเด็กคนนี้ เพื่อร่วมกันสอนมันให้ฉลาด และไม่กลับมาทำร้ายเรา มันคือแผนนี้ใช่มั้ย
GB: I think it's true. And I think it's also important to say this may shift, right? We've got to take each step as we encounter it. And I think it's incredibly important today that we all do get literate in this technology, figure out how to provide the feedback, decide what we want from it. And my hope is that that will continue to be the best path, but it's so good we're honestly having this debate because we wouldn't otherwise if it weren't out there.
เกร็ก: มันเป็นความจริง และผมคิดว่ามันสำคัญเช่นกัน ที่จะบอกว่าสิ่งนี้อาจเปลี่ยนไป เราต้องดำเนินการในแต่ละขั้นตอน ตามสิ่งที่เราพบเจอ และผมคิดว่ามันสำคัญมากในปัจจุบัน ที่เราทุกคนจะต้องรู้เท่าทันเทคโนโลยีนี้ หาวิธีการแสดงความคิดเห็นติชม ตัดสินใจว่าต้องการอะไรจากมัน และผมหวังว่า นี่จะเป็นเส้นทางที่ดีที่สุดต่อไป เป็นเรื่องที่ดีมากจริง ๆ นะ ที่เราได้ถกเถียงกัน เพราะเราคงไม่ได้ถกกัน หากมันไม่ได้ถูกปล่อยสู่สาธารณชน
CA: Greg Brockman, thank you so much for coming to TED and blowing our minds.
คริส: เกร็ก บร็อคแมน ขอบคุณมากครับ ที่มางานเท็ด และทำให้เราตื่นตาตื่นใจ
(Applause)
(เสียงปรบมือ)