เมื่อ AI เริ่ม “เข้าใจภาพ” ด้วยโครงสร้าง ไม่ใช่กำลัง brute force

Cr.Convolutional Neural Network (CNN): A Complete Guide

หลังปี 1986
Backpropagation ทำให้ Neural Networks
กลับมามีชีวิตอีกครั้ง

แต่มีปัญหาใหญ่อย่างหนึ่งที่ยังแก้ไม่ได้:

Neural Networks ไม่เก่งกับ “รูปภาพ”

และนี่ไม่ใช่ปัญหาเล็ก ๆ
เพราะรูปภาพคือข้อมูลจริงของโลก

---

ปัญหา: ทำไม Neural Networks แบบเดิมถึงพังกับรูปภาพ

เมื่อใช้ fully-connected neural networks กับ images
สิ่งที่เกิดขึ้นคือ:

• จำนวน parameters มหาศาล
• การฝึก ช้า และ ไม่เสถียร
• ต้องการข้อมูลและพลังประมวลผลมากเกินไป
• และที่แย่ที่สุด: ไม่เรียนรู้สิ่งที่ควรเรียนรู้

ภาพขนาดเล็กแค่ 32×32 pixels
ก็มี input มากกว่า 1,000 ตัวแล้ว
ถ้าเชื่อมต่อทุก pixel กับทุก neuron
network จะจมอยู่กับความซับซ้อนทันที

---

Insight ของ Yann LeCun: ปัญหาไม่ใช่การเรียนรู้ แต่คือโครงสร้าง

ที่ Bell Labs
Yann LeCun
ตั้งคำถามที่ต่างออกไปว่า:

แทนที่จะให้ network “generic”
ทำไมเราไม่ออกแบบ architecture
ที่รู้บางอย่างเกี่ยวกับ “ภาพ” ตั้งแต่ต้น?

นี่คือจุดคิดที่สำคัญมาก

LeCun ยอมรับความจริงพื้นฐานว่า:

Images มีโครงสร้างเชิงพื้นที่ (spatial structure)
pixel ที่อยู่ใกล้กัน
มักจะมีความหมายร่วมกัน

Neural Network ไม่ควรถูกบังคับให้
“ค้นพบความจริงข้อนี้เองตั้งแต่ศูนย์”

---

CNN คืออะไร?

Convolutional Neural Networks (CNNs)
ไม่ใช่แค่ neural network ที่ใหญ่ขึ้น

แต่มันคือ neural network
ที่ถูกออกแบบมา ให้สอดคล้องกับธรรมชาติของภาพ

แนวคิดหลักมี 3 อย่าง

1) Convolutional Layers: มองภาพทีละส่วน

แทนที่จะดูภาพทั้งภาพพร้อมกัน
CNN ใช้ filters ขนาดเล็ก
เลื่อนไปบนภาพ

• มองหา local features
  เช่น ขอบ เส้น มุม
• ไม่พยายามเข้าใจทุกอย่างพร้อมกัน

เหมือนมนุษย์
ที่ไม่มองภาพทั้งภาพด้วย pixel
แต่มอง “รูปแบบ”

2) Weight Sharing: เรียนรู้ครั้งเดียว ใช้ได้ทั้งภาพ

Filter หนึ่งตัว
สามารถใช้ตรวจจับ feature เดียวกัน
ได้ทุกตำแหน่งในภาพ

นี่เรียกว่า weight sharing

ผลลัพธ์คือ:

• ลดจำนวน parameters อย่างมหาศาล
• ไม่ต้องเรียนรู้ “ขอบแบบเดียวกัน” ซ้ำไปซ้ำมา
• ทำให้ network generalize ได้ดีขึ้น

3) Hierarchical Features: จากเส้น → รูปร่าง → วัตถุ

CNN เรียนรู้แบบเป็นลำดับชั้น:

• Layer แรก: ขอบ เส้น
• Layer ถัดไป: รูปร่างง่าย ๆ
• Layer ลึกขึ้น: วัตถุที่ซับซ้อน

นี่คือการเรียนรู้เชิงลำดับ
ที่สะท้อนวิธีการทำงานของระบบการมองเห็นในชีววิทยา

---

LeNet-5: CNN ที่พิสูจน์ว่า “ใช้ได้จริง”

CNN ไม่ได้หยุดอยู่แค่ทฤษฎี

LeCun สร้าง LeNet-5
เพื่อแก้ปัญหาที่เป็นรูปธรรมมาก:

การอ่านตัวเลขที่เขียนด้วยมือ
บนจดหมายไปรษณีย์

ระบบนี้ถูกนำไปใช้จริง
ในการอ่าน ZIP code ของไปรษณีย์สหรัฐ

ผลลัพธ์คือ:

• Accuracy มากกว่า 99%
• ทำงานได้ในสภาพแวดล้อมจริง
• เร็วและเสถียรพอสำหรับ production

นี่คือจุดสำคัญ:

CNN ไม่ใช่แค่ “ทำได้ในแล็บ”
แต่มันทำงานได้ในโลกจริง

---

ทำไม CNN สำคัญต่อประวัติศาสตร์ AI

CNN แสดงให้เห็นบทเรียนที่สำคัญมากว่า:

• การเรียนรู้ที่ดี
  ไม่ได้มาจาก algorithm อย่างเดียว
• Architecture คืออคติที่จำเป็น (useful bias)
• การใส่ “ความรู้เกี่ยวกับโดเมน”
  ลงในโครงสร้างของโมเดล
  ช่วยให้การเรียนรู้เป็นไปได้จริง

CNN คือการประนีประนอมที่ชาญฉลาด:

ไม่ต้องให้มนุษย์เขียนกฎทั้งหมด
แต่ก็ไม่ปล่อยให้โมเดล
เริ่มจากศูนย์โดยไม่รู้บริบท

---

ในปี 1989
CNN ประสบความสำเร็จจริง

แต่โลกยังไม่พร้อม

• ข้อมูลยังไม่มากพอ
• คอมพิวเตอร์ยังไม่แรงพอ
• GPU ยังไม่ถูกใช้กับ AI

CNN ต้องรออีกเกือบ 20 ปี
ก่อนที่โลกจะเห็นพลังของมันเต็มรูปแบบ
ในยุค Deep Learning หลังปี 2012

แต่เมล็ดพันธุ์
ถูกหว่านไว้แล้ว

และชื่อของ
Yann LeCun
จะกลับมาอีกครั้ง
ในฐานะหนึ่งใน “บิดาแห่ง Deep Learning”

---

บทสรุป: การฟื้นคืนชีพที่เงียบ แต่ลึก

Backpropagation และ Convolutional Neural Networks
ไม่ได้ทำให้ AI “ฉลาด” ขึ้นในชั่วข้ามคืน
และมันไม่ได้แก้ปัญหาทั้งหมดของปัญญาประดิษฐ์

แต่สิ่งที่มันทำได้
สำคัญกว่านั้นมาก

มันทำให้การเรียนรู้ของเครื่อง
เป็นไปได้จริงในทางปฏิบัติ

ก่อนหน้านี้
AI ต้องพึ่งพาความรู้ที่มนุษย์อธิบายได้
ต้องเขียนกฎ
ต้องถ่ายทอดความเชี่ยวชาญทีละชิ้น

ถ้า Expert Systems
คือการส่งผ่านความรู้จาก
มนุษย์ → เครื่อง

Backpropagation
คือการเปลี่ยนบทบาททั้งหมด

มันไม่ถามว่า
“มนุษย์รู้กฎอะไร”

แต่มันปล่อยให้เครื่อง
เรียนรู้จากความผิดพลาดของตัวเอง

ลองผิด
วัดผล
ย้อนกลับ
ปรับตัว
แล้วลองใหม่

ไม่ต้องเข้าใจโลกเหมือนมนุษย์
แค่เรียนรู้ให้ดีพอจากข้อมูลก็พอ

และจากจุดเปลี่ยนเล็ก ๆ ตรงนี้เอง
เส้นทางใหม่ของ AI ก็เปิดออก

• Machine Learning
• Deep Learning
• และ AI ในโลกปัจจุบัน

การฟื้นคืนชีพครั้งนี้
ไม่ได้มาพร้อมเสียงดัง
หรือคำสัญญาใหญ่โต

แต่มันเปลี่ยน “วิธีที่ AI เรียนรู้” ไปตลอดกาล

---

อ่านต่อที่ ( บทความต่อไปกำลังเขียนอยู่ครับ…)