ซอฟต์แวร์ที่รู้ว่าตัวเองเชื่ออะไร

งานที่แท้จริงของนักวิเคราะห์ไม่ใช่การค้นหาข้อมูลให้ได้มากที่สุด แต่คือการสร้างและรักษาความเข้าใจให้ทันต่อสิ่งที่เปลี่ยนแปลง — รู้ว่าเราเชื่ออะไร เพราะเหตุใดจึงเชื่อ มั่นใจในสิ่งนั้นมากน้อยเพียงใด และข้อมูลหรือหลักฐานแบบใดที่จะทำให้เราต้องทบทวนความเข้าใจเดิม

นักวิเคราะห์ที่ดีไม่ได้มีเพียงคำตอบ แต่ยังมีคำถามที่ต้องติดตามอยู่เสมอ — ข้อสันนิษฐานที่ยังไม่มีหลักฐานเพียงพอ ความเคลื่อนไหวที่ควรจับตา หรือประเด็นที่เคยตัดออกไปด้วยเหตุผลบางอย่าง ซึ่งอาจต้องนำกลับมาพิจารณาใหม่เมื่อสถานการณ์เปลี่ยนไป ที่ผ่านมา ซอฟต์แวร์ยังไม่สามารถ จดจำ ติดตาม และปรับเปลี่ยนสถานะของความเข้าใจที่ซับซ้อนเช่นนี้ ได้ดีพอ และเราเชื่อว่านี่คือหนึ่งในช่องว่างสำคัญระหว่าง สิ่งที่ AI ทำได้ในวันนี้ กับสิ่งที่ AI จำเป็นต้องทำให้ได้ในก้าวต่อไป

การวิเคราะห์ที่ดีต้องรู้ว่าอะไรควรถูกตัดออก ระบบที่นำเสนอทุกสิ่งที่ค้นพบให้คุณเห็น เท่ากับยังไม่ได้ช่วยกลั่นกรองข้อมูลให้คุณอย่างแท้จริง สำหรับ Signals คุณค่าจึงไม่ได้วัดจากจำนวนข้อมูลที่นำเสนอ แต่วัดจาก สิ่งที่ระบบเลือกไม่นำเสนอ — และความมั่นใจที่คุณมีต่อสิ่งที่เหลืออยู่บนหน้าจอ

ยังไม่มีเทคโนโลยีสำเร็จรูปที่สามารถนำมาใช้สร้างระบบแบบนี้ได้โดยตรง การทำให้ซอฟต์แวร์สามารถรักษาและปรับเปลี่ยนความเข้าใจของตัวเอง โดยรู้ว่ามีหลักฐานอะไรสนับสนุน มั่นใจเพียงใด และจดจำได้ว่าในอดีตเคยเข้าใจอะไรผิด ยังคงเป็นหนึ่งในโจทย์เปิดที่สำคัญ เราจึงต้องทำงานวิจัยและพัฒนาองค์ความรู้ใหม่เพื่อแก้โจทย์นี้ เพราะ Signals ต้องการความสามารถที่ยังไม่มีใครสร้างไว้ให้พร้อมใช้ งานวิจัยของเราจึงเกิดขึ้นเพื่อทำให้ผลิตภัณฑ์ทำสิ่งที่จำเป็นต้องทำได้จริง — ไม่ใช่สร้างผลิตภัณฑ์ขึ้นมาเพื่อรองรับงานวิจัย

Signals ไม่ได้สร้างโมเดล AI ขึ้นมาแข่งขันกับโมเดลชั้นนำ แต่เลือกใช้ความสามารถในการให้เหตุผลจากโมเดลที่ดีที่สุด ทั้งแบบ Open Source และ Closed Source ซึ่งมีประสิทธิภาพสูงขึ้นและต้นทุนลดลงอย่างต่อเนื่องทุกปี ทำให้ Signals สามารถใช้ประโยชน์จากความก้าวหน้าเหล่านั้นและพัฒนาไปพร้อมกัน แต่ ความฉลาดที่แท้จริงของ Signals อยู่ที่การนำความสามารถเหล่านั้นมาใช้กับสิ่งที่ไม่มีโมเดลใดถูกฝึกมาให้รู้โดยเฉพาะ — นั่นคือความเข้าใจในโลกธุรกิจของบริษัทหนึ่ง ๆ Signals จดจำว่าเรื่องใดผ่านการตรวจสอบแล้ว เรื่องใดถูกตัดออก เพราะเหตุใด และเรื่องใดที่ยังต้องติดตามต่อ ความเข้าใจนี้ยังรวมถึง ข้อมูลภายในที่ลูกค้าเลือกแบ่งปันกับ Signals ไม่ว่าจะเป็นลูกค้ารายสำคัญ ซัพพลายเออร์ที่มีความสำคัญต่อธุรกิจ หรือแผนงานในอนาคต — ข้อมูลเฉพาะเหล่านี้ไม่มีอยู่ในแหล่งข้อมูลสาธารณะ และไม่ใช่สิ่งที่โมเดล AI ทั่วไปจะเรียนรู้มาจากข้อมูลที่ใช้ในการฝึก

มีเหตุผลสำคัญที่แม้แต่ โมเดลภาษาที่ก้าวหน้าที่สุดก็ไม่สามารถทำสิ่งนี้ได้ด้วยตัวเอง การที่โมเดลเหล่านี้เข้าใจและใช้ภาษาได้ดีอย่างทุกวันนี้ เกิดจากการเรียนรู้ข้อมูลมหาศาลจนสามารถเข้าใจ กลไกทั่วไปของโลก ได้ในระดับหนึ่ง — ตลาดเคลื่อนไหวอย่างไร หน่วยงานกำกับดูแลทำงานอย่างไร หรือบริษัทต่าง ๆ มีพฤติกรรมอย่างไร ความเข้าใจเหล่านี้เปรียบเสมือน แบบจำลองของโลก (World Model) และเป็นพื้นฐานสำคัญที่ทำให้โมเดลสามารถวิเคราะห์และให้เหตุผลได้อย่างมีประสิทธิภาพ แต่สิ่งที่โมเดลรู้คือ โลกธุรกิจโดยทั่วไปทำงานอย่างไร ไม่ใช่ธุรกิจของคุณกำลังเป็นอย่างไรในวันนี้ ข้อมูลเฉพาะของธุรกิจคุณเกิดขึ้นและเปลี่ยนแปลงอยู่ตลอดเวลา บางส่วนปรากฏเป็นข้อมูลใหม่ทีละเล็กทีละน้อยในแต่ละวัน และหลายส่วนเป็นข้อมูลภายในที่ไม่มีอยู่ในแหล่งข้อมูลสาธารณะ ข้อมูลเหล่านี้เกิดขึ้นหลังจากโมเดลถูกฝึกเสร็จแล้ว และไม่ได้อยู่ในแหล่งข้อมูลที่โมเดลจะเรียนรู้ได้ด้วยตัวเอง จึงต้องมีระบบที่คอย รวบรวม ตรวจสอบ เชื่อมโยง และรักษาความเข้าใจเหล่านี้ให้เป็นปัจจุบันอยู่เสมอ และนั่นคือสิ่งที่ Signals ทำ

นี่คือเหตุผลที่ ความก้าวหน้าของโมเดล AI ไม่ได้เป็นภัยต่อ Signals แต่กลับทำให้ Signals แข็งแกร่งขึ้น ทุกครั้งที่มีโมเดลที่เก่งขึ้น โมเดลเหล่านั้นสามารถทำงานกับองค์ความรู้และบริบทที่ Signals สะสมไว้อย่างต่อเนื่อง และดึงคุณค่าจากข้อมูลเหล่านั้นได้มากขึ้น เปรียบเสมือนนักวิเคราะห์ที่เก่งขึ้น ซึ่งย่อมทำงานได้ดีกว่าเมื่อมีแฟ้มข้อมูลที่ถูกจัดเก็บและดูแลไว้อย่างเป็นระบบ แทนที่จะต้องเริ่มต้นจากศูนย์ทุกครั้ง เครื่องมือที่สร้างขึ้นเพื่อแข่งขันกับความสามารถของโมเดล AI อาจถูกโมเดลเหล่านั้นทดแทนได้ในที่สุด แต่ Signals ถูกสร้างขึ้นบนแนวคิดที่ต่างออกไป — เราสร้างและรักษาความเข้าใจ ส่วนความสามารถของโมเดล เราเลือกใช้จากโมเดลที่ดีที่สุด ดังนั้น ทุกครั้งที่โมเดล AI พัฒนาไปอีกขั้น สิ่งที่ Signals สะสมไว้ — ความเข้าใจในธุรกิจ บริบท หลักฐาน และสิ่งที่เรียนรู้ตลอดเวลา — ก็ยิ่งมีคุณค่ามากขึ้น ไม่ใช่น้อยลง

ข้อโต้แย้งที่สำคัญที่สุดต่อแนวทางนี้มาจากแนวคิด “The Bitter Lesson” ของ Rich Sutton ซึ่งชี้ให้เห็นว่าโครงสร้างหรือกฎที่มนุษย์ออกแบบขึ้นเอง มักถูกแทนที่ในระยะยาวด้วยวิธีการทั่วไปอย่าง การค้นหา (Search) และการเรียนรู้ (Learning) ที่สามารถพัฒนาไปตามพลังการประมวลผลที่เพิ่มขึ้น เราเห็นด้วยกับหลักคิดนี้ และนั่นเป็นเหตุผลสำคัญที่กำหนดว่าอะไรคือสิ่งที่ Signals เลือกที่จะไม่สร้าง โครงสร้างที่ถูกสร้างขึ้นเพื่อทดแทนความสามารถในการคิดและให้เหตุผลของโมเดล มีโอกาสถูกโมเดลรุ่นใหม่ที่เก่งกว่าก้าวข้ามไปอย่างรวดเร็ว แต่โครงสร้างที่ทำหน้าที่เป็น บันทึกของสิ่งที่ระบบรู้และเรียนรู้มา กลับยิ่งมีความสำคัญ เช่นเดียวกับ Git history ฐานข้อมูล หรือชุดทดสอบ (Test Suites) ที่ไม่ได้หมดความสำคัญเพียงเพราะโมเดลภาษามีความสามารถมากขึ้น Signals จึงออกแบบ กลไกการให้เหตุผล (Reasoning Policies) ให้เรียบง่ายและพร้อมเปลี่ยนได้ ขณะที่ให้ความสำคัญกับการสร้างและรักษาบันทึกความเข้าใจของระบบ — ข้อสรุปแต่ละเรื่องมาจากแหล่งใด มีหลักฐานอะไร ระดับความเชื่อมั่นเท่าใด และถูกทบทวนหรือเปลี่ยนแปลงมาอย่างไร บันทึกเหล่านี้ถูกออกแบบให้โมเดลใดก็ตาม ไม่ว่าจะเป็นโมเดลที่ดีที่สุดในวันนี้หรือโมเดลรุ่นใหม่ในอนาคต สามารถนำมาอ่าน ตรวจสอบ และต่อยอดได้ เราไม่ได้สร้างโครงสร้างเพื่อกำหนดว่า AI ต้องคิดอย่างไร แต่สร้างโครงสร้างให้กับสิ่งที่ AI รู้และเรียนรู้มา