เมื่อ AI แก้ปัญหาที่ยากที่สุดในชีววิทยา: บทเรียนจาก CEO ของ Google DeepMind
บทสัมภาษณ์นี้สะท้อนวิสัยทัศน์ของ Demis Hassabis ต่อ AI ในฐานะเครื่องมือเพื่อวิทยาศาสตร์และสุขภาพมนุษย์ โดยเฉพาะกรณี AlphaFold ที่เปลี่ยนโจทย์โปรตีนจากงานวิจัยที่ช้าและแพง ให้กลายเป็นโครงสร้างพื้นฐานที่นักวิทยาศาสตร์ทั่วโลกเข้าถึงได้
AI, DeepMind, AlphaFold, Healthcare, Science
ในบทสัมภาษณ์กับ Cleo Abram, Demis Hassabis ซีอีโอของ Google DeepMind อธิบายภาพอนาคตของ AI ที่สำคัญที่สุดไม่ใช่สิ่งที่ผู้ใช้มองเห็นอย่างแชตบอตหรือเครื่องมือสร้างภาพ แต่คือระบบเบื้องหลังที่เร่งความก้าวหน้าทางวิทยาศาสตร์ การแพทย์ และการค้นพบใหม่ ๆ กรณีของ AlphaFold คือแกนกลางของบทสนทนานี้ เพราะแสดงให้เห็นว่า AI ไม่ได้แค่เพิ่มประสิทธิภาพงานเดิม แต่สามารถปลดล็อกคอขวดทางวิจัยที่ค้างมานานหลายสิบปี และเปลี่ยนวิธีที่ทั้งวงการทำงานได้จริง
https://www.youtube.com/watch?v=C0gErQtnNFE
AI ที่สร้างผลกระทบสูง อาจเป็นระบบที่ผู้ใช้ไม่เคยมองเห็น
หนึ่งในประเด็นสำคัญของบทสัมภาษณ์คือ AI ที่กระทบชีวิตคนมากที่สุด อาจไม่ใช่ผลิตภัณฑ์ที่ใช้งานตรงหน้า แต่เป็นเครื่องมือที่ทำงานอยู่ในโครงสร้างของวิทยาศาสตร์และอุตสาหกรรม Hassabis ระบุชัดว่าแรงผลักดันของเขาต่อ AI ตลอดกว่า 30 ปี ไม่ได้เริ่มจากการสร้าง consumer product แต่เริ่มจากเป้าหมายในการเร่งวิทยาศาสตร์และการแพทย์
> “A lot of the reasons that I got into AI 30 plus years ago now is to advance science and medicine.” — Demis Hassabis
มุมมองนี้มีนัยสำคัญสำหรับองค์กรธุรกิจเช่นกัน เพราะสะท้อนว่า use case ที่ทรงพลังที่สุดของ AI มักเกิดในงานที่มีข้อมูลซับซ้อน มีขั้นตอนวิจัยหรือวิเคราะห์จำนวนมาก และมีต้นทุนสูงหากทำด้วยแรงงานคนเพียงอย่างเดียว กล่าวอีกแบบคือ มูลค่าทางธุรกิจของ AI ไม่จำเป็นต้องอยู่ที่การสร้างอินเทอร์เฟซใหม่เสมอไป แต่อาจอยู่ที่การลดเวลาตัดสินใจ ลดต้นทุนการค้นคว้า และเพิ่มความเร็วในการสร้างองค์ความรู้ใหม่
AlphaFold แก้ “คอขวด 50 ปี” ด้วยการเปลี่ยนปัญหายากให้กลายเป็นงานคำนวณ
Hassabis เล่าว่าเขาสนใจปัญหา protein folding ตั้งแต่สมัยเรียน เพราะนี่คือโจทย์ใหญ่ของชีววิทยา: การทำนายโครงสร้างสามมิติของโปรตีนจากลำดับกรดอะมิโนหนึ่งมิติ ซึ่งเป็นปัจจัยสำคัญต่อการทำงานของสิ่งมีชีวิตและการพัฒนายา
> “The protein folding problem is really about can you predict this 3D structure just from the one-dimensional amino acid sequence.” — Demis Hassabis
เหตุผลที่ปัญหานี้สำคัญมาก คือก่อนหน้านี้การหาโครงสร้างโปรตีนหนึ่งตัวต้องใช้เวลาเป็นปีและมีค่าใช้จ่ายระดับหลายแสนดอลลาร์ โดยอาศัยกระบวนการทดลองที่ช้าและซับซ้อนตามที่กล่าวในวิดีโอ การที่ AlphaFold ทำให้การคาดการณ์โครงสร้างมีทั้งความแม่นยำและความเร็ว จึงไม่ได้เป็นเพียง “งานวิจัยที่สำเร็จ” แต่คือการลดต้นทุนพื้นฐานของการค้นพบทางชีววิทยาอย่างมีนัยสำคัญ
สำหรับผู้บริหารหรือทีมเทค บทเรียนตรงนี้คือ AI ให้ผลตอบแทนสูงมากเมื่อถูกนำไปใช้กับปัญหาที่มีลักษณะดังนี้
ในกรณี AlphaFold ผลกระทบปลายน้ำคือ drug discovery และการทำความเข้าใจโรค ซึ่ง Hassabis มองว่าเป็นหนึ่งในพื้นที่ที่สำคัญที่สุดของ AI
> “The most important thing to apply AI to is improving human health.” — Demis Hassabis
จุดเปลี่ยนที่แท้จริงไม่ใช่แค่ “แก้ได้” แต่คือ “ขยายได้ทั้งระบบ”
ช่วงที่น่าสนใจที่สุดของบทสัมภาษณ์คือเรื่องราวจากการประชุมปี 2021 เมื่อทีมกำลังคุยกันว่าจะสร้างระบบให้นักวิทยาศาสตร์ส่งคำขอเข้ามาทีละโปรตีน แล้วรับผลทำนายกลับไป ซึ่งเป็นแนวทางแบบเดิมของทั้งวงการ แต่ Hassabis คำนวณระหว่างประชุมและตระหนักว่า หากระบบเร็วพอ ก็ไม่จำเป็นต้องรอคำขออีกต่อไป
> “Why don’t we just do that?... we could just actually fold everything ourselves, everything anyone could ever request and ever want and then put it on a database somewhere for free.” — Demis Hassabis
นี่คือ insight เชิงกลยุทธ์ที่องค์กรนำไปใช้ได้ทันที: เมื่อ AI ทำให้ต้นทุนต่อการประมวลผลลดลงมากพอ โมเดลการให้บริการอาจต้องเปลี่ยนจาก on-demand ไปสู่การสร้างฐานข้อมูลหรือ knowledge asset ล่วงหน้าแทน
ในเชิงธุรกิจ แนวคิดนี้เทียบได้กับการเปลี่ยนจาก
ผลลัพธ์คือไม่เพียงลดภาระปฏิบัติการ แต่ยังทำให้ทั้ง ecosystem เคลื่อนที่เร็วขึ้นพร้อมกัน กรณี AlphaFold จึงไม่ใช่แค่การสร้างโมเดลที่ดี แต่คือการออกแบบการกระจายคุณค่าให้เหมาะกับศักยภาพใหม่ของเทคโนโลยี
คุณค่าของ AI เพิ่มขึ้นมาก เมื่อทำให้ความรู้เข้าถึงได้ “ฟรีและทั่วโลก”
หลังจากตัดสินใจรันทุกโปรตีนที่เป็นที่รู้จักและปล่อยเป็นฐานข้อมูล นักวิทยาศาสตร์ทั่วโลกก็สามารถเข้าถึงข้อมูลโครงสร้างโปรตีนได้ทันที Hassabis ระบุว่า ปัจจุบันมีการทำนายโครงสร้างของโปรตีนเกือบทั้งหมดที่เป็นที่รู้จักทางวิทยาศาสตร์ และยังอัปเดตต่อเนื่องทุกปีเมื่อมีการค้นพบลำดับพันธุกรรมใหม่
> “We have now predicted the structure of almost all proteins known to science.” — Demis Hassabis
มูลค่าของสิ่งนี้ยิ่งชัดเมื่อมองไปยังกลุ่มที่เดิมมีทรัพยากรจำกัด เช่น นักวิจัยพืช นักวิทยาศาสตร์ที่ทำงานกับสิ่งมีชีวิตเฉพาะทาง หรือทีมที่ศึกษาโรคเขตร้อนและโรคที่ถูกละเลยในประเทศกำลังพัฒนา ตามที่กล่าวในวิดีโอ กลุ่มเหล่านี้มักไม่มีงบประมาณมากพอจะทำโครงสร้างโปรตีนด้วยวิธีดั้งเดิม แต่เมื่อข้อมูลถูกเปิดให้ใช้ พวกเขาสามารถข้ามขั้นตอนที่ช้าและแพง แล้วไปสู่การทดลองหรือค้นหายาได้เร็วขึ้น
ตัวอย่างที่ Hassabis ยกขึ้นมาคือ
นี่เป็นบทเรียนสำคัญสำหรับองค์กรที่กำลังลงทุนด้าน AI: ผลตอบแทนของระบบ AI ไม่ได้วัดแค่ productivity ภายในทีม แต่รวมถึงการทำให้ผู้มีส่วนเกี่ยวข้องเข้าถึงข้อมูลสำคัญได้ง่ายขึ้น และลดความเหลื่อมล้ำในการเข้าถึง capability ขั้นสูง
นิยามของความได้เปรียบ อาจอยู่ที่การเร่ง “วงจรการค้นพบ” ไม่ใช่แค่การเร่งงานประจำ
ในภาพรวม บทสัมภาษณ์นี้ชี้ให้เห็นว่า AI ที่ทรงพลังที่สุดคือ AI ที่ช่วยให้มนุษย์เข้าใกล้ความเข้าใจโลกมากขึ้น Hassabis พูดถึง AI ในฐานะเครื่องมือเพื่อ “understand the nature of reality” และกรณี AlphaFold คือภาพจริงของแนวคิดนั้น: AI ไม่ได้แทนที่นักวิทยาศาสตร์ แต่ทำให้นักวิทยาศาสตร์ไปถึงคำถามที่มีมูลค่าสูงกว่าได้เร็วขึ้น
สำหรับภาคธุรกิจ นี่แปลว่าองค์กรไม่ควรมอง AI แค่เป็นเครื่องมือประหยัดแรงงานในงานประจำ แต่ควรถามต่อว่า มีคอขวดด้านข้อมูลหรือการวิเคราะห์อะไรบ้างที่หากเร่งได้ จะทำให้ทั้งระบบตัดสินใจดีขึ้น วิจัยได้เร็วขึ้น หรือสร้างสินทรัพย์ความรู้ที่คู่แข่งตามได้ยากขึ้น