ประวัติศาสตร์ AI: จากจุดเริ่มต้นสู่ยุคทอง

การเดินทางของ Artificial Intelligence ไม่ได้ราบรื่นเสมอไป มีทั้งช่วงรุ่งเรืองและช่วงตกต่ำ แต่สุดท้ายก็มาถึงยุคที่ AI กลายเป็นส่วนหนึ่งของชีวิตประจำวัน

ก่อนยุค AI (Pre-1950s)

แนวคิดเริ่มต้น

1943: McCulloch & Pitts
- สร้างโมเดลคณิตศาสตร์ของ neuron
- พื้นฐานของ Neural Networks

1949: Donald Hebb
- "Cells that fire together, wire together"
- Hebbian Learning - การเรียนรู้ของสมอง

Alan Turing

1950: "Computing Machinery and Intelligence"
- เสนอคำถาม "Can machines think?"
- Turing Test: ทดสอบว่า AI คิดได้หรือไม่
- ถ้ามนุษย์แยกไม่ออกว่าคุยกับ AI = AI คิดได้

ยุคเริ่มต้น (1950s-1960s)

การกำเนิด AI

1956: Dartmouth Conference
- John McCarthy บัญญัติคำว่า "Artificial Intelligence"
- เป้าหมาย: สร้างเครื่องจักรที่คิดได้
- ผู้เข้าร่วม: McCarthy, Minsky, Simon, Newell
- ถือเป็นวันเกิดของ AI

ความสำเร็จแรกๆ

1958: Frank Rosenblatt
- สร้าง Perceptron (Neural Network แรก)
- สามารถเรียนรู้จากข้อมูลได้

1959: Arthur Samuel
- สร้างโปรแกรมเล่นหมากฮอส
- เรียนรู้และพัฒนาตัวเองได้
- บัญญัติคำว่า "Machine Learning"

1966: ELIZA
- Chatbot ตัวแรก โดย Joseph Weizenbaum
- จำลองนักจิตวิทยา
- ใช้ pattern matching อย่างง่าย

ความคาดหวังสูง

ทำนายในยุคนั้น (ผิดทั้งหมด):
- "20 ปี เครื่องจักรจะทำทุกอย่างที่คนทำได้" (1965)
- "เครื่องจะชนะหมากรุกชิงแชมป์โลกใน 10 ปี" (1957)

AI Winter ครั้งที่ 1 (1974-1980)

สาเหตุการล่มสลาย

ปัญหาที่เจอ:
1. Computational Power ไม่พอ
2. ข้อมูลน้อยเกินไป
3. ปัญหาซับซ้อนกว่าที่คิด
4. Perceptron มีข้อจำกัด (XOR problem)

ผลกระทบ:
- รัฐบาลตัดงบวิจัย
- ความสนใจลดลง
- คำว่า "AI" กลายเป็นคำสกปรก

Minsky & Papert Book (1969)

หนังสือ "Perceptrons":
- พิสูจน์ข้อจำกัดของ Perceptron
- ไม่สามารถแก้ปัญหา non-linear
- ฆ่าการวิจัย Neural Network ไปหลายปี

ยุค Expert Systems (1980s)

การฟื้นตัวครั้งแรก

Expert Systems:
- โปรแกรมที่เก็บความรู้ผู้เชี่ยวชาญ
- ใช้ IF-THEN rules
- ตอบคำถามเฉพาะทาง

ตัวอย่าง:
- MYCIN (1970s): วินิจฉัยโรคติดเชื้อ
- R1/XCON (1980): ออกแบบระบบคอมพิวเตอร์
- ประหยัดให้ DEC $40M/ปี

Backpropagation (1986)

Geoffrey Hinton และคณะ:
- ค้นพบวิธี train Neural Networks หลายชั้น
- แก้ปัญหา XOR ได้แล้ว
- Deep Learning เริ่มเป็นไปได้

AI Winter ครั้งที่ 2 (1987-1993)

สาเหตุ

ปัญหา Expert Systems:
- แพง ยากต่อการ maintain
- Brittle: พังง่ายเมื่อเจอเคสใหม่
- ไม่ scale

Lisp Machine Crash:
- บริษัท AI hardware ล้มละลาย
- ตลาดหดตัว

ยุคฟื้นตัว (1990s-2000s)

Statistical AI

แนวทางใหม่:
- ใช้ข้อมูลและสถิติแทน rules
- Machine Learning เริ่มได้รับความนิยม
- Probabilistic approaches

จุดเปลี่ยนสำคัญ

1997: Deep Blue vs Kasparov
- IBM Deep Blue ชนะแชมป์หมากรุกโลก
- ใช้ brute force + evaluation
- AI แรกที่ชนะแชมป์โลก

1998: MNIST Dataset
- ชุดข้อมูลตัวเลขเขียนมือ
- Benchmark มาตรฐานสำหรับ ML
- ยังใช้อยู่จนถึงปัจจุบัน

2000s: Internet & Data
- ข้อมูลเพิ่มขึ้นมหาศาล
- Google, Facebook เก็บข้อมูล
- พร้อมสำหรับยุคถัดไป

ยุค Deep Learning (2010s)

AlexNet (2012)

ImageNet Competition:
- CNN ชนะการแข่งขัน image recognition
- Error rate ลดลง 10% (มากกว่าที่เคยมี)
- Deep Learning explosion เริ่มต้น

ปัจจัยสำเร็จ:
1. GPU computing (NVIDIA CUDA)
2. Big Data (ImageNet 14M images)
3. Improved algorithms (ReLU, Dropout)

ความก้าวหน้าต่อเนื่อง

2014: GANs (Ian Goodfellow)
- สร้างภาพเหมือนจริง
- Generator vs Discriminator

2014: Seq2Seq Models
- Machine Translation ดีขึ้นมาก
- Google Translate ใช้ Neural Network

2015: ResNet
- เครือข่าย 152 ชั้น
- Skip connections แก้ vanishing gradient

AlphaGo (2016)

DeepMind vs Lee Sedol:
- AI ชนะแชมป์โลก Go
- Go ซับซ้อนกว่าหมากรุกมาก
- ใช้ Deep Learning + Reinforcement Learning
- ช็อกโลก!

AlphaGo Zero (2017):
- เรียนรู้ด้วยตัวเองโดยไม่ต้องมีข้อมูลมนุษย์
- เอาชนะ AlphaGo รุ่นก่อน 100-0

ยุค Transformer (2017-ปัจจุบัน)

Attention Is All You Need

2017: Google Research
- สถาปัตยกรรม Transformer
- ไม่ต้องใช้ RNN อีกต่อไป
- ประมวลผลขนานได้
- จุดเริ่มต้นของ LLMs

GPT Series

2018: GPT-1 (OpenAI)
- 117M parameters
- Pre-training + Fine-tuning

2019: GPT-2
- 1.5B parameters
- "ดีเกินกว่าจะเผยแพร่" (controversial)

2020: GPT-3
- 175B parameters
- Few-shot learning
- สร้างกระแส AI ครั้งใหญ่

2022: ChatGPT
- GPT-3.5 + RLHF
- เปิดให้ใช้ฟรี
- 100M users ใน 2 เดือน
- เร็วที่สุดในประวัติศาสตร์

2023: GPT-4
- Multimodal (text + image)
- ประสิทธิภาพสูงขึ้นมาก

คู่แข่ง

2023-2024:
- Claude (Anthropic)
- Gemini (Google)
- LLaMA (Meta - Open source)
- Mistral (ฝรั่งเศส)

Timeline สรุป

1950s: AI กำเนิด
  │
1960s: ยุคทอง ความหวังสูง
  │
1970s: AI Winter #1 ❄️
  │
1980s: Expert Systems
  │
1990s: AI Winter #2 ❄️
  │
2000s: Statistical ML
  │
2010s: Deep Learning Explosion 🚀
  │
2012: AlexNet - Computer Vision
  │
2016: AlphaGo - Reinforcement Learning
  │
2017: Transformer - NLP Revolution
  │
2022: ChatGPT - AI for Everyone
  │
2024: Multimodal AI, AI Agents

บุคคลสำคัญ

ชื่อ	ผลงาน
Alan Turing	Turing Test, คอมพิวเตอร์สมัยใหม่
John McCarthy	บัญญัติ "AI", Lisp
Marvin Minsky	MIT AI Lab, Perceptrons
Geoffrey Hinton	Backpropagation, Deep Learning
Yann LeCun	CNN, Facebook AI
Yoshua Bengio	Deep Learning, Attention
Demis Hassabis	DeepMind, AlphaGo
Sam Altman	OpenAI, ChatGPT

บทเรียนจากประวัติศาสตร์

AI Winter สอนอะไรเรา?

1. อย่าคาดหวังเกินจริง
2. ต้องมี infrastructure พร้อม
3. ข้อมูลสำคัญมาก
4. ความอดทน - breakthrough ใช้เวลา

ทำไมครั้งนี้ต่างจากเดิม?

ปัจจัยที่ต่าง:
1. Computing power: GPU มากกว่าเดิมล้านเท่า
2. Data: Internet สร้างข้อมูลมหาศาล
3. Investment: บริษัทใหญ่ลงทุนหนัก
4. Applications: ใช้งานได้จริงแล้ว
5. Ecosystem: Open source, communities

อนาคต

แนวโน้มที่เห็น:
- AGI (Artificial General Intelligence)?
- AI Agents ทำงานแทนคน
- Multimodal เข้าใจทุกอย่าง
- On-device AI
- AI Regulation

ความท้าทาย:
- Safety & Alignment
- Job displacement
- Energy consumption
- Privacy concerns

สรุป

ประวัติศาสตร์ AI:

• 1950s-60s: กำเนิดและความหวัง
• 1970s-80s: AI Winters และการฟื้นตัว
• 2010s: Deep Learning revolution
• 2020s: LLMs เปลี่ยนโลก

AI วันนี้ไม่ใช่ hype แต่เป็นเทคโนโลยีที่ใช้งานจริงแล้ว!

---

อ่านเพิ่มเติม:

• AI คืออะไร?
• Neural Networks คืออะไร?
• Transformer Architecture