ยุคนี้เราน่าจะเริ่มเบื่อประโยค AI ที่แทบจะอยู่ในอุปกรณ์เครื่องใช้ไฟฟ้าเสียทุกอย่างกันแล้ว ไม่ใช่แค่โทรศัพท์มือถือหรือคอมพิวเตอร์แต่ลามไปถึง ตู้เย็น เครื่องซักผ้า แน่นอนว่าวงการวิทยาศาสตร์ถูกคลื่น Buzz Word AI กระจายอยู่เต็มไปหมด ไม่ว่าจะเป็นในงานวิจัยหรือในเครื่องมือวัด อุปกรณ์การทดลอง ก็มีคำว่า AI แปะอยู่ในชื่อด้วย โดยเฉพาะวงการอวกาศนี่ยิ่งแล้วใหญ่เลยที่จะมีคำว่า AI แปะอยู่ในงานวิจัยต่าง ๆ มากมาย คำถามคือ แล้ว AI มันเข้ามาช่วยให้การศึกษาทางอวกาศและดาราศาสตร์มันดีขึ้นจริง ๆ หรือมันเป็นแค่ Buzz Word เท่านั้น
อย่างแรกที่เราต้องเข้าใจก็คือ อวกาศนั้นใช้ AI ตั้งแต่ก่อนยุค AI Fever แล้ว แล้วก็ใช้มานานมาก ๆ เรียกได้ว่ามีจุดเริ่มต้นร่วมกันก็ว่าได้ เพราะถ้าใครที่ติดตามเรื่องราวจากเรา ก่อนหน้านี้เราได้พูดถึง Apollo Guidance Computer ในวันที่โลกยังไม่รู้จักคอมพิวเตอร์ ซึ่งเล่าจุดเริ่มต้นร่วมระหว่างวงการอวกาศกับคอมพิวเตอร์ ทำให้ไม่น่าแปลกใจที่สองวงการนี้จะแชร์องค์ความรู้กันอย่างแยกกันไม่ออก
อย่างที่บอกไปว่าวงการอวกาศก็เป็นหนึ่งในวงการที่ใช้ AI เป็นวงการแรก ๆ ของโลก ซึ่ง AI ที่วงการอวกาศใช้นั้นไม่ใช่ Machine Learning หรือ Deep Learning แต่เป็น Algorithm ที่ถูกวางไว้อย่างชาญฉลาด เช่น ระบบขับเคลื่อนของหุ่นยนต์ Mars Exploration Rover อย่าง Spirit และ Opportunity) หุ่นยนต์ฝาแฝดที่ออกเดินสำรวจดาวอังคารตั้งแต่ปี 2004 ก็ใช้ AI ในการคำนวณเส้นทางการขับเคลื่อน หลบหลีกสิ่งกีดขวางและอุปสรรคที่จะทำให้มันติดหล่ม หรือแม้แต่จรวด Saturn V ในสมัย Apollo การที่จรวดดับไปหนึ่งเครื่องยนต์แล้วมันทำการคำนวณระยะเวลาในการจุดเครื่องยนต์ต่อพร้อมกับคำนวณปริมาณเชื้อเพลิงและเปลี่ยนเส้นทางเชื้อเพลิงไปยังเครื่องยนต์ที่ยังติดอยู่ก็นับว่าเป็นการทำงานของ AI เหมือนกัน
เพราะสุดท้ายแล้วคำว่า Artificial Intelligence ในนิยามของมันคือระบบบางอย่างที่สามารถตอบสนองต่อสิ่งแวดล้อมได้อย่างชาญฉลาด ซึ่งมันอาจจะเป็นแค่ Algorithm ที่มนุษย์เขียนขึ้นมาไว้ก่อนแล้วคอมพิวเตอร์ค่อยตอบสนองเมื่อถึงเวลาจริง หรือคอมพิวเตอร์เรียนรู้และตอบสนองเองทั้งหมด (ที่เราเรียกว่า Machine Learning) ทั้งหมดก็ล้วนแล้วเรียกว่า AI ได้ทั้งสิ้น ดังนั้น AI ที่ถูกใช้งานในเทคโนโลยีอวกาศหรืองานด้านดาราศาสตร์จึงมีอยู่เยอะมาก
แต่ทีนี้การจะสร้าง AI ที่เป็น Algorithm Based หรือการเขียน Logic ต่อกันไปเรื่อย ๆ ว่าถ้าเจออะไรให้ทำอะไรอย่างเดียวมันเป็นสิ่งมูลค่างานสูงมาก เพราะการ Spend Work Hour ของมนุษย์เพื่อให้เขามานั่งคิด Algorithm (เพื่อดักเคสให้ครบ) ที่สามารถ Robust กับ General Purpose ของงานนั้น ๆ เช่น สร้าง Algorithm รุ่นใหม่ที่ล้ำกว่าเดิมสำหรับควบคุมหุ่นยนต์ Rover เดินบนดาวอังคารตัวใหม่ งานนี้อาจจะต้องใช้ Work Hour ประมาณ 500,000 ชั่วโมง ซึ่งหากต้องการให้งานเสร็จภายใน 2 ปี อาจจะต้องใช้วิศวกรประมาณ 20 คนเพื่อให้งานเสร็จตามกำหนดเวลา ซึ่งแต่ละคนอาจจะเรียกค่าแรงเฉลี่ยปีละ 4 ล้านดอลลาร์สหรัฐ แปลว่างานนี้อาจจะจบที่มูลค่า 160 ล้านดอลลาร์สหรัฐ ซึ่งมูลค่าตรงนี้มันเยอะมาก อาจจะมีมูลค่าพอๆ กับยานอวกาศเลยทีเดียว
พอมูลค่าของการสร้าง Software มันสูงมาก โครงการขนาดใหญ่อย่าง Perseverance Rover จึงเกิดขึ้นได้น้อย (นอกจากไปจ้างฟรีแลนซ์กาก ๆ มาทำ แต่ไม่รับประกันความปลอดภัย และการมาแก้งานก็ล้วนแต่เพิ่มต้นทุน) แล้วเราก็จะเห็นว่านอกจากสหรัฐฯ กับจีนยังไม่มีใครกล้าส่งหุ่นยนต์ Rover ไปเดินเล่นบนดาวอังคารเลยสาเหตุหนึ่งก็มาจากเงินทุนและต้นทุนทรัพยากรมนุษย์ที่ใช้มันสูงมาก ดังนั้นการจะลดต้นทุนในส่วนนี้มีวิธีการเดียวคือการนำ Machine Learning และ Deep Learning จะมาเติมเต็มในจุด
Machine Learning จะเข้ามาช่วยยังไง
Machine Learning คือกระบวนการที่คอมพิวเตอร์สามารถเรียนรู้รูปแบบ (Pattern Recoginition) บางอย่างได้ด้วยตัวเอง โดยเราป้อนข้อมูล (หรือง่าย ๆ คือสอน) ให้กับ Algorithm ตัว Algorithm จะสามารถเรียนรู้จดจำ Pattern และ Implement กับสถานการณ์จริงเองได้
แค่การนำ Machine Learning มาใช้งานกับงานตรวจจับภาพอย่างเดียวก็แทบจะลด Man Hour ของนักวิทยาศาสตร์ลงไปได้มากอย่างที่ไม่เคยมีมาก่อน เช่น การใช้โมเดลทางคณิตศาสตร์อย่าง SVM, DBSCAN, Random Forest หรือ k-NN ในการเป็น Prefilter ก่อนเอาข้อมูลมาวิเคราะห์เข้า Pipeline เพื่อลดเวลาในการแยกจุดที่น่าสนใจออกจาก Noise ของระบบ เช่น CERN ใช้ Unsupervised Learning เป็นเครื่องมือกรองข้อมูลดิบที่ได้จาก Detector ตัวต่าง ๆ เพื่อให้ได้ข้อมูลที่น่าสนใจที่สุดเท่านั้น
การหาสิ่งที่ผิดปกติบนความปกติ (Anomaly Detection) เป็นสิ่งที่นักวิทยาศาสตร์ทำกันอยู่ตลอด แต่ปัญหาคือความไม่ปกติบางครั้งมันซุกซ่อนอยู่จนเหมือนใกล้เคียงค่าความเป็นปกติ ทำให้ Anomaly Detection บางครั้งมันยากมากจนแทบไม่มีใครอยากจะทำ เช่น การค้นพบ Radio Pulsar ครั้งแรกในประวัติศาสตร์ ของท่านผู้หญิง Jocelyn Bell Burnell ในปี 1967 ถ้าหากดูในกระดาษกราฟของท่านจะพบว่ามันเป็นการพบความผิดปกติที่เล็กมาก ๆ จนหากไม่ตั้งใจเพ่งดี ๆ มันแทบจะเหมือนกับ Background Noise เลยก็ว่าได้
การตามหาเหตุการณ์ผิดปกติในทางวิทยาศาสตร์เป็นงานที่ยากและน่าเบื่อ โดยเฉพาะกับงานพวก Classification ที่จัดวัตถุทางดาราศาสตร์ต่าง ๆ ไปตามเกณฑ์ต่าง ๆ งานพวกนี้เปลือง Man Hour มาก และสร้างความเครียดให้กับผู้ที่ทำงานเหล่านี้มาก (เพราะสมองมนุษย์ไม่ชอบทำอะไรซ้ำ ๆ และตัดสินใจอย่างต่อเนื่อง) ดังนั้นหาก AI เข้ามาแทนที่งานเหล่านี้ได้ มันจะช่วยเพิ่มความเร็วในการค้นพบสิ่งใหม่ ๆ ทางอวกาศและดาราศาสตร์ได้มากขึ้นอย่างที่ไม่เคยเกิดขึ้นมาก่อน ข่าวแนวนี้มีมาให้เราเห็นกันตั้งแต่ช่วงปี 2017 เช่น NASA ใช้ปัญญาประดิษฐ์ค้นพบดาวเคราะห์นอกระบบสุริยะ Kepler-90i
Deep Learning จะยิ่งเร่งกระบวนการทั้งหมดให้เร็วกว่าเดิมอีก
Deep Learning นั้นเป็น Subset หนึ่งของ Machine Learning แต่มันซับซ้อนกว่า เพราะระบบที่เราเรียกกันว่า Artificial Neural Network ทำหน้าที่ในการเชื่อมโยงค่าการคำนวณแต่ละค่า ซึ่งสิ่งนี้เราเรียกว่า Hidden Layer ที่มนุษย์เข้าใจ Pathway ของ Algorithm ได้ยากกว่า Machine Learning ธรรมดา และมันสามารถทำการเรียนรู้แบบ Representation Learning สิ่งนี้เป็นหัวใจหลักของ Deep Learning เพราะมันสามารถเข้าใจข้อมูลในแบบที่มนุษย์ไม่ต้องสอน หรือแม้แต่มนุษย์ก็ไม่เข้าใจ เช่น องศาของหูแมวกับหมาไม่เหมือนกัน ซึ่ง Deep Learning สามารถเรียนรู้และแยกแยะหูของแมวออกจากหมาได้ โดยที่มนุษย์ก็ไม่เข้าใจว่ามันเอียงต่างกันกี่องศา นี่แหละคือคุณลักษณะเด่นของ Deep Learning
ดังนั้น Representation Learning คือหัวใจหลักที่ทำให้ Deep Learning มีความ Robust เหนือกว่า Machine Learning ทั่วไปแบบ SVM, Random Forest, Logistic Regression, k-NN แต่ด้วยการที่ทำความเข้าใจ Hidden Layer ของมันยากมากจนเราสามารถเรียกมันว่า Black Box ที่เราให้ Input ไปและมันคาย Output ที่ถูกต้องเสมอกลับมา แต่เรากลับไม่เข้าใจกระบวนการทำงานข้างในของมันเลยแม้แต่น้อย สิ่งนี้ส่งผลต่อความน่าเชื่อถือของข้อมูลที่ได้รับออกมามาก โดยเฉพาะอย่างยิ่งกับงานวิทยาศาสตร์ที่จะพึ่งพามันแบบคอมพิวเตอร์คิดเลขเหมือนเดิมเลยไม่ได้ในเชิงตรงไปตรงมาทีเดียว
ดังนั้นในช่วงหนึ่งจึงมีนักวิทยาศาสตร์หรือคนที่ทำงานในวงการวิทยาศาสตร์จำนวนหนึ่งตั้งข้อสังเกตเกี่ยวกับ Deep Learning ว่า Output ที่ได้จากมันถูกต้องจริงไหมและแสดงความกังวลต่อการทำงานของมัน แต่ภายหลังมีงานวิจัยตีพิมพ์ที่ออกมากล่าวว่าตัว Deep Learning เองก็ทำงานบนพื้นฐานคณิตศาสตร์ที่ตรงไปตรงมา “ไม่ใช่ Black Box แบบที่กล่าวกัน” มันเปรียบเสมือนกับ Machine Learning ตัวพื้นฐานทั่วไปเพียงแค่มันมี Parameter ที่มีจำนวนที่เยอะ แบบใหญ่มาก ๆ และมันไม่มีทางเป็น Infinite Monkey Theorem แน่นอน (ถ้ามีลิงพิมพ์สุ่มไปเรื่อย ๆ บนแป้นพิมพ์ โดยไม่หยุด และมีเวลามากพอวันหนึ่งมันจะสามารถพิมพ์บทละคร Hamlet ของ Shakespeare ออกมาได้ครบเป๊ะทุกตัวอักษร) ซึ่งเมื่อได้รับคำตอบที่สามารถมั่นใจได้ถึงระบบต่าง ๆ ของ Deep Learning มันก็ได้รับการยอมรับการใช้งานในแวดวงวิทยาศาสตร์มากยิ่งขึ้น ถูกนำมาใช้เป็นเครื่องมือสำหรับนักวิทยาศาสตร์มากขึ้น
งานจากกลุ่ม Chris Olah What can we learn if we invest heavily in reverse engineering a single neural network และทีมวิจัยด้าน Neural Tangent Kernel แสดงให้เห็นว่า เราสามารถอธิบายการทำงานของโมเดลเชิงโครงสร้างและคณิตศาสตร์ได้มากขึ้นเรื่อย ๆ โดยเฉพาะเมื่อเรามองในระดับ Neuron-level หรือพฤติกรรมเชิง Kernel Approximation
Deep Learning มีส่วนทั้งที่พัฒนากำลังพัฒนาอยู่และนำไปใช้งานจริงแล้ว เช่น ในปี 2020 NASA ได้ออกมาบอกว่าพวกเขาได้ใช้ Deep Learning ดูภาพถ่ายพื้นผิวของดาวอังคารที่ถ่ายจากกล้อง HiRISE และตรวจพบหลุมอุกกาบาตหลุมใหม่ที่เกิดขึ้นในช่วงปี 2010-2012 ซึ่งมนุษย์มองข้ามไป ที่เราเคยเขียนไว้ในบทความ JPL พัฒนา AI ที่สามารถตรวจจับหลุมอุกกาบาตบนดาวอังคารจากข้อมูลของยาน MRO ได้
ซึ่งกระบวนการตรวจหาหลุมอุกกบาตหรือการเปลี่ยนแปลงบนพื้นผิวดาวอังคารตามปกติด้วยสายตามนุษย์นั้นต้องใช้เวลาราว 40 นาทีต่อพื้นที่ แต่เมื่อใช้ AI มันลดเวลาเหลือเพียง Set ละ 5 วินาที และมันไม่ได้เจอแค่หลุมเดียว แต่มันเจอเป็นพันหลุม นั้นหมายความว่า AI สามารถตรวจจับความเปลี่ยนแปลงของภาพถ่ายพื้นผิวดาวอังคารได้ดีกว่าสายตามนุษย์เป็นอย่างมาก ช่วยให้นักวิทยาศาสตร์ไม่จำเป็นต้องเสียเวลาของพวกเขาในแต่ละวันไปกับการจ้องมองจอภาพเพื่อตามหาหลุมอุกกบาตหลุมใหม่จากภาพถ่าย และสามารถเอาเวลาไปใช้กับงานอย่างอื่นที่ดียิ่งขึ้น
หรือถ้าจะเอาตัวอย่างที่ล้ำกว่านี้ ก็อย่างเช่น NASA กล่าวว่ากล้องโทรทรรศน์อวกาศ Nancy Grace Roman จะมีความสามารถในการแยกแยะแสงของดาวฤกษ์ที่ละเอียดอ่อนที่สุดที่เคยมีมาเพื่อวิเคราะห์หาอายุของดาวฤกษ์แต่ละดวงผ่านการวัดจำนวนจุดดำบนพื้นผิวด้วย AI (Deep Learning) เพื่อสำรวจสัมโนประชากรของดาวฤกษ์ในทางช้างเผือก ซึ่งระบบนี้ได้รับการยืนยันว่าสามารถใช้งานจริงผ่านการ Proof of Concept โดยกล้อง TESS แนะนำให้อ่าน Nancy Grace Roman Space Telescope
หรือเอาแบบล้ำสุด ๆ ก็อย่างโครงการศึกษาของ ESA ที่ทำการเก็บข้อมูลการบินของโดรนแข่งขันความเร็วสูงเพื่อพัฒนาระบบ AI นำร่องภายในยานอวกาศ เพื่อให้ยานอวกาศในยุคถัดไปสามารถบินผาดโผนด้วยท่าทางที่แปลกพิสดารกว่าที่ปัจจุบันจะทำกันได้ แนวคิดนี้เกิดขึ้นจากการสำรวจดาวเคราะห์น้อยหรือดาวหางแล้วพบจุดที่มันความน่าสนใจสูงมากแต่บริเวณเหล่านั้นมักจะอยู่ตามซอกหลืบที่ยานไม่สามารถเข้าไปสำรวจได้ง่าย เพราะยานอาจจะชนและเกิดความเสียหายได้ หากเราเปลี่ยนวิธีการให้ยานสามารถทำท่าผาดโผนใหม่ ๆ มันอาจจะสามารถเดินทางเข้าไปในจุดที่อันตรายได้มากขึ้นโดยไม่เสี่ยงต่อการชนกับพื้นผิวของดาวเคราะห์
แล้วทำไมต้องเป็นโดรนแข่งขันด้วย นั้นก็เป็นเพราะว่าโดรนแข่งขันนั้นเป็นการเคลื่อนที่ที่รวดเร็วมากและอาศัยความว่องไวในการตอบสนอง ซึ่งด้วยการนำข้อมูลของโดรนแข่งขันมาเป็น Dataset นี้เองทำให้มันเป็นวิธีคิดที่สุดจะแปลกแนวแต่มันสามารถนำมาใช้งานได้จริง นี่แหละคือจุดที่ AI จะเข้ามาช่วยลดต้นทุนผลิตชิ้นงานของโครงการอวกาศได้จริง
ความ Robust คือสิ่งสำคัญที่สุด
ความ Robust หรือความทนทานต่อสิ่งที่ไม่เคยเจอมาก่อน คือสิ่งสำคัญที่สุดของการสร้างเครื่องมือ AI ว่าจะเอาไปใช้หน้างานจริงได้มากแค่ไหน เช่น AI ตรวจจับรถยนต์บนถนน ทำงานได้ดีตาม Dataset ที่ให้ไป แต่พอเอาไปใช้งานจริงในหน้างานที่มุมกล้องเปลี่ยนไป มันกลับทำงานไม่ได้เลย ตรงนี้คือความทนทานที่กล่าวมา เพราะ AI ที่เราสร้างมาควรจะทำงานได้ตามจุดประสงค์แม้สถานการณ์จริงจะไม่เหมือน Dataset หรือที่เราเคยสอนมันเอาไว้
ปัญหาใหญ่ ๆ ของเครื่องมือ AI ที่หลาย ๆ คนจะเจอกันคือมันอาจจะทำงานจริงกับข้อมูลบางกลุ่มได้ดี (หน้าตาคล้าย ๆ กับ Dataset) แต่พอกับอีกกลุ่มกลับไม่สามารถทำงานได้เลย ปัญหานี้เป็นปัญหาที่ชวนปวดหัวในงานของ AI มากที่เครื่องมือของเราไม่ Generalise กับโลกแห่งความเป็นจริงพอ
เอาจริงผู้เขียนค่อนข้างเบื่อเวลาที่มีคนเขียนข่าวเกี่ยวกับงาน AI ออกมามากจนเฝือ เพราะหลาย ๆ ครั้ง AI ที่ถูกสร้างขึ้นมามัน Robust ได้ไม่มากพอกับการใช้งานจริง นี่จึงกลายเป็นโจทย์สำคัญของงาน AI ที่จะถูกนำมาใช้กับงานวิทยาศาสตร์ว่ามัน Robust มากขนาดไหน และสิ่งที่เป็นปัจจัยโดยตรงกับ Robust ของ AI มันก็คือ Dataset กับ Training Method
Dataset ที่นำมาใช้ต้องมีปริมาณข้อมูลที่มากที่สุดเท่าที่เป็นไปได้, ต้องกรองมาเฉพาะข้อมูลที่มีคุณภาพสูง, มีการ Label ไว้แล้ว และ Training Method ต้องเป็นตัวที่มีคุณภาพสูงที่สุดในเวลานี้อย่าง Self Supervised Learning, Knowledge Distillation (Teacher-Student Model) หรือ Reinforcement Learning เพื่อให้ได้โมเดลที่ยอดเยี่ยมตามอุดมคติ ซึ่งการที่จะทำทั้งหมดได้ตามอุดมคติ ผู้ที่จะทำได้มักจะเป็น “ผู้ที่มีทรัพยากรสูง” ทั้งในแง่ของข้อมูล คอมพิวเตอร์สมรรถนะสูง เงิน เวลา ไม่ก็เป็นคนบ้าที่ทู่ซี้จะทำให้ได้ ดังนั้นเราจึงเห็น Model ในงานวิทยาศาสตร์ที่ Robust เอามาใช้งานได้จริงและได้รับการยอมรับในวงกว้าง (แบบทุกคนในวงการรู้จักไอ้เครื่องมือนี้) มีจำนวนที่น้อยมาก อย่าง Alphafold ที่ช่วยทำนายการพับของโมเลกุลโปรตีน (ซึ่งต่อให้คุณไม่ได้ทำงานในสายโปรตีน คุณก็ต้องเคยได้ยินชื่อ Alphafold)
ซึ่งมาที่จุดสุดท้ายคือ การที่ AI จะถูกนำมาใช้ในงานอวกาศหรือวิทยาศาสตร์ได้จริง แบบจริง ๆ ทุกคนใช้งานมันแล้วเห็นประโยชน์แล้วอยากใช้ ถ้าไม่ใช้คือ Out มาก (เหมือน Alphafold) ในตอนนี้ดูจะเห็นเป็นแต่พวก Large Language Model หรือ LLM ซะส่วนมาก เพราะทุกคนเห็นประโยชน์จากการใช้งานจริง ตั้งแต่การปรึกษาปัญหาชีวิต ผัวเมียเลิกกัน ไปจนถึงการทำบรรณาธิการบทความที่คุณกำลังอ่านอยู่นี้ ส่วนเครื่องมือเฉพาะทาง เช่น มองหาก้อนเมฆบนดาวอังคาร อาจจะมีเครื่องมือเหล่านั้นอยู่ในซอกหลืบของวงการนั้น ๆ ที่แม้แต่ตัวผู้เขียนก็ไม่สามารถเข้าไปถึงจุดนั้นได้ แต่ทั้งหมดทั้งมวลแล้ว AI ที่ดี ทำงานได้จริง Robust สูงก็จะตกไปอยู่มือของนักพัฒนาที่มีต้นทุนในการดำเนินงานสูง เช่น บริษัท AI หรือหน่วยงานที่มีทุนวิจัยสูงและทรัพยากรรองรับ เช่น NASA อยู่ดี
ถึงแม้ผู้เขียนจะเขียนมาเหมือนตำหนิ AI Fever ของสังคมและกล่าวด้วยถ้อยคำเหมือนดูหมิ่นดังว่า “AI ที่ดีนั้นมาจากคนตัวใหญ่ได้เท่านั้น” ก็ไม่ได้เป็นความหมายว่าเราเป็นคนตัวเล็กไปสู้คนตัวใหญ่ไม่ได้แล้วทอดใจไปนั่งทำอย่างอื่นกันเถอะ เพราะสุดท้ายมันยังมีอีกสายหนึ่งที่ผมเขียนเอาไว้คือ “คนบ้า” คนกลุ่มนี้แหละที่จะทำให้สิ่งที่ไม่น่าเป็นไปได้จริงให้มันเป็นไปได้ และเราก็เห็นสิ่งเหล่านี้มาแล้วหลายครั้งในวงการ AI เช่น DeepSeek เอาจริงมันไม่ใช่แค่กับวงการ AI หรอก มันเป็นกับทุกวงการบนโลกใบนี้ อยู่ที่ว่าคุณจะบ้าไปกับมันจนไปสุดทางได้แค่ไหน
สรุปสุดท้าย ถามว่า AI ในวงการอวกาศและอุตสาหกรรมอวกาศเป็นสิ่งที่ขายฝันตามกระแส AI Fever ไหม คำตอบคือก็มันเหมือนกับทุกวงการบนโลกใบนี้ คือ มันก็มีคนที่หลอกขายฝันและคนที่ทำงานจริง อุตสาหกรรมอวกาศและดาราศาสตร์มีการใช้ AI มานานมากแล้ว แต่ยังต้องการใช้งาน AI อีกมาก เพราะการนำ AI มาใช้งานจะก่อให้เกิดประโยชน์อีกมหาศาลในต้นทุนที่ลดต่ำลง ทำให้โครงการขนาดใหญ่ที่ดูเป็นไปไม่ได้ในอดีตเพราะติดข้อจำกัดด้านการเงิน อาจจะสามารถเป็นไปได้จริงในยุค AI Fever นี้ก็เป็นไปได้ เหมือนอย่างระบบนำร่องยานอวกาศที่บินด้วยท่าทางผาดโผนจากโดรนแข่งขัน ดังนั้นจึงกล้าที่จะพูดว่า วงการอวกาศและดาราศาสตร์ ยังมี Room หรือช่องว่างเหลือเฟือสำหรับการนำ AI มา implement อยู่ที่ว่าคุณจะเจ๋งแค่ไหน
เรียบเรียงโดย ทีมงาน Spaceth.co
