สวัสดีครับ วันนี้ทางทีม QuTE จะขอพาไปคุยนักนักฟิสิกส์เจ้าของเพจ Sciamese Ket
ยังไงลองไปทำความรู้จักและพูดคุยกันเลยครับ
ขออนุญาติเริ่มต้นด้วยการแนะนำตัวหน่อยครับ เรียนจบปริญญาเอกจากมหาวิทยาลัยอะไรและทำงานวิจัยทางด้านไหนตอนเรียน
สวัสดีครับชื่อธิปครับเรียนจบโท-เอกจากมหาวิทยาลัยฮาร์วาร์ดสาขาฟิสิกส์ทฤษฎีเจาะลึกฟิสิกส์เชิงสถิติครับ(Statistical Physics) แนวทางวิจัยตอนเรียนคือการประยุกต์แนวคิดนักฟิสิกส์ประกอบกับการใช้คณิตศาสตร์และการจำลองด้วยคอมพิวเตอร์ปั้นแบบจำลองคณิตศาสตร์อธิบายระบบของสิ่งมีชีวิตครับปกติศึกษากันในชีววิทยาแต่เราพยายามอธิบายระบบสิ่งมีชีวิตจากมุมมองของนักฟิสิกส์ครับ
ปรากฏการณ์ที่ศึกษาเจาะลึกคือกระบวนการวิวัฒนาการคัดสรรค์ทางธรรมชาติของจุลินทรีย์(Microbial Evolution) กับกระบวนการเกิดรูปแบบการกระจายตัวของประชากรจุลินทรีย์ครับ(Microbial Pattern Formation)
เหตุผลที่ทำให้สนใจทำวิจัยทางด้านนี้
จริงๆแล้วตอนสมัครเข้าไป ป. เอกตั้งใจจะประยุกต์เทคนิคจาก Quantum Field Theory กับ General Relativity ที่ชื่นชอบเป็นการส่วนตัวไปศึกษา Quantum Many-body Physics เพราะแนวคิดคณิตศาสตร์และฟิสิกส์ระหว่าง 3 สาขานี้มีความเกี่ยวข้องกันอย่างไม่น่าเชื่อประกอบกับว่าใน Quantum Many-body Physics มีการค้นพบที่น่าสนใจเกิดขึ้นบ่อยๆจากห้องทดลองจึงเลือกไปสายนั้นครับ
จุดเปลี่ยนแนวทางการวิจัยเริ่มต้นขึ้นตอนปีสองได้เข้าร่วมงานสัมนา Physics of Living Systems ที่เอ็มไอทีและ Widely Applied Math ที่ฮาร์วาร์ดซึ่งมีอาจารย์และนักวิจัยสาย Statistical Physics และField Theory ในบริเวณบอสตันเข้าร่วมมากมายหลายคนเป็นไอดอลนักฟิสิกส์ทฤษฎีของเราด้วยนอกจากนี้ก็มีอาจารย์และนักวิจัยจากภาควิชาเคมีชีววิทยาหรือแม้แต่จาก Harvard Medical School เข้าร่วมด้วยทำให้เปิดหูเปิดตาและตื่นเต้นว่าระบบของสิ่งมีชีวิตก็มีกฏระเบียบอยู่เบื้องหลังมีสิ่งที่น่าศึกษาเชิงปริมาณอีกมากมายและกลุ่มคนที่ศึกษาระบบนี้ด้วยคณิตศาสตร์ก็เป็นไอดอลของเราด้วย
ตอนนั้นสนใจมากแต่ไม่ได้ตัดสินใจเปลี่ยนมาทำงานวิจัยสายนี้ทันทีเพราะวิธีการทำงานค่อนข้างแตกต่างจากวิธีการที่เราคุ้นเคยคือนักเรียนฟิสิกส์ทฤษฎีมักจะถูกฝึกให้เริ่มคิดจากแบบจำลองคณิตศาสตร์ที่ได้รับการยอมรับอยู่แล้วจากนั้นจึงแก้สมการเพื่อทำนายผล(forward problem) แต่ในสายใหม่นี้มักจะเริ่มจากสังเกตผลการทดลองแล้วจึงปั้นแบบจำลองคณิตศาสตร์ขึ้นมาจากศูนย์เพื่อมาอธิบายผล(inverse problem) แบบจำลองจะสวยไม่สวยไม่สนใจขอให้อธิบายและทำนายผลอย่างมีเหตุที่น่าเชื่อถือได้พอถ้าเรามั่นใจว่าแบบจำลองเราถูกแล้วจึงเริ่มแก้สมการอย่างจริงจังซึ่งบางครั้งอาจต้องใช้คณิตศาสตร์ขั้นสูงเช่นจาก Field Theory หรือ Statistical Physics ประกอบกับการจำลองด้วยคอมพิวเตอร์ควบคู่กันไปเป็นความท้าทายใหม่ที่เราไม่เคยมีประสบการณ์มาก่อนครับ
พอได้เปิดโลกทัศน์และเข้าร่วมสัมนาบ่อยขึ้นก็ยิ่งประทับใจกับวิธีการคิดของนักข้ามศาสตร์ซึ่งระดมความคิดหาเหตุผลอธิบายปรากฏการณ์ในระบบสิ่งมีชีวิตโดยไม่จำกัดว่าจะต้องคิดตามกรอบของสาขาที่ตัวเองเชี่ยวชาญเท่านั้นเป็นการระดมสมองอย่างไร้พรมโดยมีจุดยืนร่วมกันคืออธิบายธรรมชาติอย่างมีเหตุมีผลด้วยภาษาคณิตศาสตร์ครับ ตอนนั้นไม่มีความรู้ชีวะเลย(ตอนนี้ก็ยังไม่ค่อยรู้) เขียนโปรแกรมคอมพิวเตอร์ก็ไม่ค่อยเป็นแต่อยากเปิดโลกทัศน์เรียนรู้ศาสตร์ใหม่ๆเพื่อทำงานข้ามศาสตร์ประกอบกับทราบว่าที่ไทยมีนักชีววิทยาเก่งๆเยอะน่าจะมีข้อมูลจากห้องทดลองเพื่อช่วยทดสอบทฤษฎีได้เยอะจึงตัดสินใจ step outside comfort zone เปลี่ยนหัวข้อวิทยานิพนธ์ครับ
สาเหตุที่เลือกศึกษาหัวข้อที่กล่าวไปข้างต้นเพราะว่าปรากฏการณ์เหล่านี้เป็นปรากฏการณ์ของระบบซับซ้อน (complex systems) ที่มี “non-linearity” และ “randomness” สูงจึงเหมาะสมที่จะวิเคราะห์ด้วยภาษาและเทคนิคจาก Statistical Physics ซึ่งมีความคล้ายกับ Field Theory ที่ชอบมานานครับ
ผลงานชิ้นล่าสุดเกี่ยวกับเรื่องอะไรแล้วเราเรียนรู้อะไรใหม่เพิ่มขึ้นจากผลงานชิ้นนี้
ผลงานที่กำลังส่งตีพิมพ์ชิ้นล่าสุดเกี่ยวกับอัลกอริทึมเครือข่ายใยประสาทจำลองในสาขาปัญญาประดิษฐ์ครับเราพยายามจะแก้ปัญหาเปิดเกี่ยวกับ “activation functions” ใน Deep Learning ว่าฟังก์ชันอะไรทำให้อัลกอริทึมนี้ทำงานได้ดีซึ่งปกติสาขานี้จะใช้คอมพิวเตอร์ประสิทธิภาพสูงค้นหา activation functions ต่างๆนาๆที่ช่วยให้อัลกอริทึมทำงานได้ดีเมื่อต้นปีนี้ทีมจากกูเกิ้ลพบฟังก์ชันที่เขาตั้งชื่อว่า “Swish” ซึ่งเป็นฟังก์ชันที่ทำให้อัลกอริทึมทำงานได้ดีที่สุดกูเกิ้ลค้นพบด้วยการใช้คอมพิวเตอร์ประสิทธิภาพสูง 800 เครื่องค้นหาเราพบฟังก์ชันเดียวกันโดยการใช้ความรู้จาก Statistical Physics เริ่มต้นมาจากกระดาษกับปากกาเราตั้งชื่อมันว่า “Expected Signal Propagation (ESP)” เพราะสามารถตีความเชิงฟิสิกส์ได้ตามชื่อครับ
สิ่งที่ได้เรียนรู้จากงานชิ้นนี้คือหลายปัญหาในปัญญาประดิษฐ์เป็นปัญหาเส้นผมบังภูเขา ถ้าเราหยิบยกเครื่องมือที่เหมาะสมมาแก้ปัญหาอาจทำให้พบคำตอบได้ไม่ยากครับในกรณีของ Deep Learning ซึ่งเป็นอัลกอริทึมที่ทำให้ปัญญาประดิษฐ์ฟื้นคืนชีพมาอยู่เบื้องหลังความสำเร็จของนวัตกรรม self-driving car, speech recognitions และอื่นๆอีกมากมายอัลกอริทึมนี้มีความประพฤติในหลายกรณีคล้ายกับปรากฏการณ์ใน Statistical Physics เช่นในระบบ spin glass หรือระบบ disordered systems การนำความรู้เหล่านี้มาวิเคราะห์ deep learning จึงเป็นการผสมเกสรที่มีประโยชน์ครับ
งานวิจัยที่คุณทำอยู่ถือได้ว่าเป็นต้นน้ำ(พื้นฐาน) กลางน้ำ(ส่งต่อ) หรือปลายน้ำ(นำไปใช้)
งานเรื่องทฤษฎีวิวัฒนาการกับการเกิดรูปแบบในประชากรจุลินทรีย์นี่เป็นงานพื้นฐานสุดๆเป็นการสร้างองค์ความรู้เชิงลึกที่อาจจะยังไม่สามารถเปลี่ยนเป็นผลิตภัณฑ์ออกขายได้ทันทีแต่อาจจะสามารถต่อยอด(อีกหลายยอด) แนะกระบวนการออกแบบยาปฏิชีวนะให้แม่นยำและมีเหตุมีผลเชิงปริมาณมากขึ้นเป็นต้นครับ
ส่วนเรื่องอัลกอริทึม Deep Learning นี่น่าจะเป็นทั้งพื้นฐานและส่งต่อจริงๆแล้วคำถามที่ทำให้เริ่มศึกษาอัลกอริทึมนี้คือเป็นความสงสัยส่วนตัวว่าทำไม Deep Learning ถึงทำงานได้ดีมีพฤติกรรมการทำงานเป็นอย่างไรซึ่งคำถามเหล่านี้เป็นคำถามงานวิจัยพื้นฐานแต่พอได้ผลออกมาว่าถ้าใช้ ESP จะทำให้อัลกอริทึมทำงานได้ดีความรู้นี้ส่งต่อได้ง่ายมากเลยครับวิศวกรที่ใช้ Deep Learning ในการออกแบบนวัตกรรมเพื่อนำไปแก้ปัญหาอะไรก็แล้วแต่แค่เปลี่ยนโปรแกรมคอมพิวเตอร์เพียงบรรทัดเดียวก็ทำให้อัลกอริทึมทำงานได้ดีขึ้นอย่างเห็นได้ชัดนวัตกรรมที่ใช้ Deep Learning ก็จะมีประสิทธิภาพมากขึ้นเพราะอัลกอริทึมทำงานได้ดีขึ้นครับ
จริงๆแล้วมีโปรเจคอื่นๆอีกที่ทำอยู่แต่ขอไม่ลงรายละเอียดสามโปรเจคคืองานพื้นฐานสุดๆ (Game Theory , Non-equilibrium Statistical Physics in Social Dynamics Model, Quantum Machine Learning) อีกโปรเจคนั้นควบระหว่างต้นน้ำกับกลางน้ำครับคือออกแบบอัลกอริทึมการเรียนรู้ด้วยคอมพิวเตอร์ที่ได้รับแรงบันดาลใจมาจากการทำงานของสมองจริงๆเพื่อนำไปควบคุมการทำงานของ neuromorphic computing hardware ซึ่งเป็นเครื่องจักรที่มีวิธีการคำนวณคล้ายกับวิธีการของสมองกว่าคอมพิวเตอร์ทั่วไปซึ่งแรงบันดาลใจของปัญหาวิจัยนี้เกิดมาจากความสงสัยทางวิชาการนับได้ว่าเป็นงานพื้นฐานแต่ขณะเดียวกันก็นำไปสั่งงานให้เครื่องจักรทำงานได้ดีขึ้นซึ่งความรู้จากงานวิจัยนี้อยู่ในช่วงการจดสิทธิบัตรนานาชาติใครจะนำอัลกอริทึมนี้ไปใช้ก็คงต้องมาขอซื้อลิขสิทธิ์เรียกว่าเป็นงานวิจัยที่เริ่มจากพื้นฐานแต่นำไปสู่งานส่งต่อก็ว่าได้ครับ
แล้วคิดว่างานวิจัยส่วนไหน(แบบไหน)สำคัญมากน้อยอย่างไร
ผมมองว่าประเทศเรามีปัญหาระดับประเทศที่ต้องแก้อีกมากถ้าจะเน้นลงทุนวิจัยวิทยาศาสตร์พื้นฐานให้เยอะเทียบเท่าประเทศพัฒนาแล้วเช่นอเมริกาหรือสิงคโปร์อาจจะยังไม่เหมาะสมนักแต่ในขณะเดียวกันถ้าจะมุ่งเป้าไปที่สร้างงานปลายน้ำอย่างเดียวมุ่งจะเก็บเกี่ยว low hanging fruits เพื่อแปลงเป็นเงินอย่างเดียวโดยไม่รดน้ำเมล็ดพันธุ์ซึ่งคืองานพื้นฐานเลยเมื่อเก็บเกี่ยว low hanging fruits จนหมดอาจมีเมล็ดพันธุ์จากต่างชาติที่เป็นเทคโนโลยีคลื่นลูกใหม่งอกเงยขึ้นในขณะที่ประเทศเราไม่มีแม้แต่เมล็ดพันธุ์ เราก็ต้องไปเสียเงินนำเข้าเทคโนโลยีใหม่อยู่ดีครับกลยุทธ์เน้นตักตวงเอาปลายน้ำโดยขาดการบำรุงที่ต้นน้ำไม่น่าจะมั่นคงและยั่งยืนนะครับแม้จะมีผลผลิตสูงมากในระยะสั้นแต่ระยะยาวก็คงต้องซื้อเทคโนโลยีใหม่อยู่ดีเพราะไม่ได้ลงทุนปลูกเมล็ดพันธุ์ไว้ทำให้ผลิตเทคโนโลยีใหม่เองไม่ได้
ผมคิดว่าต้องมีทั้งงานต้นน้ำและปลายน้ำควบคู่กันไปสัดส่วนเท่าไหร่ถึงจะมี ecosystem การวิจัยวิทยาศาสตร์และเทคโนโลยีที่ sustainable และ optimal เหมาะกับโครงสร้างเศรษฐกิจประเทศคงต้องถามนักเศรษฐศาสตร์แต่ที่มั่นใจมากคือต้นน้ำ:ปลายน้ำไม่ใช่ 1:0 หรือ 0:1 แน่ๆ
ปล. ปัญหานี้ฟังดูคล้ายๆปัญหา exploration-exploitation dilemma ในวิทยาการคอมพิวเตอร์ครับจะสำรวจ-ซึ่งเหมือนการหว่านเมล็ดพันธุ์ลงทุนให้งานพื้นฐาน-หรือจะเก็บเกี่ยว low hanging fruit ในอัตราส่วนเท่าไหร่อย่างไรถึงจะ“ดี” เป็นปัญหายากที่ AI ก็ยังแก้ไม่ได้ในกรณีทั่วไป
ทิศทางของงานวิจัยในอนาคตที่สนใจทำ
หัวข้อและปัญหาจะขึ้นอยู่กับความพร้อมของเครื่องมือและความสนใจของกลุ่มนักวิจัยในไทยครับถ้าเริ่มงานในไทยแล้วน่าจะทราบถึงหัวข้อที่เจาะจงและชัดเจนขึ้นแต่ในมุมกว้างๆสนใจประยุกต์ใช้ปัญญาประดิษฐ์ช่วยทำงานวิทยาศาสตร์และนำความรู้วิทยาศาสตร์เช่นฟิสิกส์หรือประสาทวิทยาช่วยออกแบบปัญญาประดิษฐ์ให้ทำงานได้ดีขึ้นครับเป็นงานผสมเกสรข้ามศาสตร์อาจเรียกได้ว่าเป็นงานสาขา Complexity Science โดยมีคณิตศาสตร์การจำลองด้วยคอมพิวเตอร์และแนวคิดจาก Statistical Physics เป็นเครื่องมือหลักครับส่วนความรู้และแนวคิดเฉพาะทางคงต้องเรียนรู้เอาหน้างานจากปัญหาที่เราสนใจครับความรู้เฉพาะทางที่น่าสนใจขณะนี้คือการคำนวณเชิงควอนตัมครับเพราะคาดว่าเป็นเมล็ดพันธุ์พื้นฐานที่มีโอกาสงอกเงยได้ในเวลาไม่ช้าครับ
##
จบแล้วครับ ทางทีม QuTE ต้องขอขอบคุณ ดร.ธิป เป็นอย่างมากทีเสียสละเวลามาพูดคุยในครั้งนี้ สำหรับผู้อ่านที่มีความสนใจงานวิจัยทางด้าน AI หรือ Deep Learning สามารถติดต่อพูดคุยกับ ดร.ธิป ได้ครับ(ผ่านช่องทางเพจ Sciamese Ket) ก็ได้ครับ
แล้วเจอกันคราวหน้าครับ
