​จักรวาล​ใน​ฐานะ​เครื่อง​เรียนรู้

The Universe as a Learning Machine

Machine Learning ​ตั้งแต่​วินาที​แรก​ของ​จักรวาล ​จนถึง​ความหมาย​ของ​ทุกสิ่ง

​จักรวาล​เรียนรู้​อะไร​ก็ได้ — ​สิ่ง​ที่​มัน​เรียนรู้​เพื่อ ​คือ​สิ่ง​ที่​เรา​มอบให้

​บท​เปิด — ​คำถาม​ที่ซ่อน​อยู่​ใต้​ทุกสิ่ง

Machine Learning ​ได้​กลายเป็น​เทคโนโลยี​ที่​เปลี่ยน​โฉม​หน้า​ของ​ศตวรรษ​นี้ ​แต่​ใต้​ความสำเร็จ​ทาง​วิศวกรรม​ของ​มัน ​มี​คำถาม​หนึ่ง​ซ่อน​อยู่​อย่าง​เงียบงัน — ​คำถาม​ที่​ใหญ่​กว่า​ตัว​เทคโนโลยี​มาก​นัก Machine Learning ​เป็น​เพียง​เทคนิค​ที่​มนุษย์​เพิ่ง​ประดิษฐ์​ขึ้น​ใน​ไม่​กี่​ทศวรรษ ​หรือว่า​มนุษย์​เพียง ​ค้นพบ — ​อย่าง​ล่าช้า​และ​เชื่องช้า — ​สิ่ง​ที่​จักรวาล​นี้​ได้​รัน​มา​แล้ว​ตั้งแต่​วินาที​แรก​ที่​มัน​ถือกำเนิด

​หนังสือ​เล่ม​นี้​คือ​คำตอบ ​และ​คำตอบ​นั้น​คือ: ​อย่าง​หลัง

​วิทยานิพนธ์​ของ​หนังสือ​เล่ม​นี้​เรียบง่าย​จน​น่า​ใจหาย ​แต่​ผลพวง​ของ​มัน​แผ่​กว้าง​จน​ครอบคลุม​ทุกสิ่ง ​แก่นแท้​ของ Machine Learning ​ไม่​ใช่​ชิป​คอมพิวเตอร์ ​ไม่​ใช่​สมการ​แคลคูลัส ​ไม่​ใช่​ภาษา​โปรแกรม ​แก่นแท้​ของ​มัน​คือ ​ลูป — ​วงจร​ซ้ำ​สี่​จังหวะ: ​สร้าง​ความหลากหลาย​ขึ้น​มา (variation), ​เอา​ความหลากหลาย​นั้น​ไป​เผชิญ​กับ​โลก​เพื่อ​วัดผล (evaluation), ​เก็บ​สิ่ง​ที่​ผ่าน​และ​ทิ้ง​สิ่ง​ที่​ไม่​ผ่าน (selection), ​แล้ว​ทำซ้ำ​จาก​จุด​ที่เก็บ​ไว้ (iteration) ​ลูป​นี้ — ​แปรผัน ​ประเมิน ​คัดเลือก ​ทำซ้ำ — ​คือ​หัวใจ​ที่​เต้น​อยู่​ใต้​ทุก​ระบบ​ที่​เรา​เรียก​ว่า "​เรียนรู้​ได้"

​และ​ข้อเสนอ​ของ​หนังสือ​เล่ม​นี้​ก็​คือ ​ลูป​เดียวกัน​นี้​เต้น​อยู่​ใต้ ​ทุกสิ่ง ​ไม่​ใช่​แค่​ใต้​สมอง​ของ​สัตว์​หรือ​ใต้​โครงข่าย​ประสาท​เทียม ​แต่​ใต้​การก่อตัว​ของ​ดาวฤกษ์ ​ใต้​ปฏิกิริยาเคมี​ใน​มหาสมุทร​ยุค​แรก ​ใต้​วิวัฒนาการ​ของ​สิ่งมีชีวิต ​ใต้​การรับรู้​ของ​จิต ​ใต้​การเติบโต​ของ​วิทยาศาสตร์​และ​วัฒนธรรม ​จักรวาล​ไม่​ได้ "​ใช้" Machine Learning ​ราวกับ​มัน​เป็น​เครื่องมือ​ที่​หยิบ​มาจาก​ชั้น​วาง — ​จักรวาล ​เป็น ​เครื่อง​เรียนรู้ ​และ Machine Learning ​ที่​มนุษย์​เขียน​ขึ้น​ด้วยมือ ​เป็น​เพียง​ครั้งแรก​ที่​ลูป​นั้น​ได้​มองเห็น​ตัว​มัน​เอง

​เรา​จะ​เดินทาง​ไป​ตาม​ลูป​นี้​ตลอดทั้ง​เล่ม ​จาก​วินาที​แรก​ที่​อวกาศ​และ​เวลา​ถือกำเนิด ​ผ่าน​การที่​อะตอม​เรียนรู้​จะ​จับตัว​กัน ​ผ่าน​การที่​เคมี​เรียนรู้​จะ​คัดลอก​ตัวเอง ​ผ่าน​สี่​พัน​ล้าน​ปี​ของ​การลองผิดลองถูก​ที่​เรา​เรียก​ว่า​วิวัฒนาการ ​ผ่าน​การกำเนิด​ของ​สมอง​ที่​จำลอง​โลก​ไว้​ใน​ตัว​มัน​เอง ​ผ่าน​การที่​จักรวาล​สร้าง​กระจก​ขึ้น​มา​ส่อง​ตัวเอง​ใน​รูป​ของ​วิทยาศาสตร์​และ​ปัญญาประดิษฐ์ ​และ​ในที่สุด ​เรา​จะ​มาถึง​คำถาม​ที่​ยาก​ที่สุด — ​ความหมาย​ของ​ทุกสิ่ง

​มี​คำเตือน​หนึ่ง​ข้อ​ก่อน​เริ่ม ​หนังสือ​เล่ม​นี้​จะ​ใช้​คำ​ว่า "​เรียนรู้" "​ค้นหา" "​พยายาม" "​เป้าหมาย" ​กับ​สิ่ง​ที่​ไม่​มี​จิตใจ — ​กับ​ดาวฤกษ์ ​กับ​โมเลกุล ​กับ​ยีน ​นี่​ไม่​ใช่​การให้​จักรวาล​มี​วิญญาณ ​ไม่​ใช่​การบอก​ว่า​หิน​ก้อน​หนึ่ง​มี​ความปรารถนา ​มัน​เป็นการ​ชี้​ว่า​กระบวนการ​ที่​ไร้​จิตใจ ​เมื่อ​มี​องค์ประกอบ​สาม​อย่าง​ครบ — ​มี​ความหลากหลาย ​มี​การคัด​กรอง ​และ​มี​การสืบทอด​สิ่ง​ที่​รอด — ​จะ​ก่อให้เกิด​พฤติกรรม​ที่ ​แยก​ไม่​ออก ​จาก​การเรียนรู้​ที่​มี​เป้าหมาย ​คำถาม​ที่​น่าสนใจ​ไม่​ใช่ "​จักรวาล​ตั้งใจ​หรือเปล่า" ​คำถาม​ที่​น่าสนใจ​คือ "​ถ้า​ผลลัพธ์​เหมือนกัน​ทุก​ประการ ​ความตั้งใจ​ยัง​สำคัญ​อยู่​ไหม" — ​และ​เรา​จะ​เก็บ​คำถาม​นั้น​ไว้​คุย​กัน​ใน​บท​สุดท้าย

​เริ่ม​กัน​เลย ​ที่​จุดเริ่มต้น​ของ​ทุก​จุดเริ่มต้น

​บท​ที่ ๑ — ​อัลกอริทึม​ก่อน​จะ​มี​ใคร​มา​รัน

​เมื่อ​กฎ​ยัง​ไม่​ตัดสินใจ​ว่า​จะ​เป็น​กฎ​อะไร

​ลอง​นึกถึง​วินาที​แรก ​ไม่​ใช่​วินาที​แรก​ของ​ชีวิต​คุณ ​ไม่​ใช่​วินาที​แรก​ของ​โลก ​แต่​วินาที​แรก​ของ​ทุกสิ่ง — ​จุด​ที่​อวกาศ ​เวลา ​สสาร ​และ​พลังงาน ​ถือกำเนิด​ขึ้น​พร้อมกัน​ใน​เหตุการณ์​ที่​เรา​เรียก​ว่า​บิก​แบง

​ก่อนอื่น​ต้อง​ล้าง​ความเข้าใจผิด​ที่​ฝัง​ลึก​ที่สุด​ออก​ไป​ก่อน ​บิก​แบง​ไม่​ใช่​การระเบิด ​มัน​ไม่​ใช่​ลูก​ระเบิด​ที่​จุด​ขึ้น​กลาง​ความว่างเปล่า​อัน​มืด​มิด​แล้ว​สาด​เศษ​ซาก​ออก​ไป​ทุกทิศทาง ​เพราะ​ไม่​มี "​ความว่างเปล่า" ​ให้​ระเบิด​เข้าไป ​ไม่​มี "​ที่ว่าง" ​อยู่​ก่อน ​บิก​แบง​คือ​การขยายตัว​ของ​อวกาศ ​เอง — ​อวกาศ​ทุก​จุด​ถ่าง​ออกจาก​กัน​พร้อมกัน​ทั้งหมด ​ไม่​มี​ศูนย์กลาง ​ไม่​มี​ขอบ ​จุด​ที่​คุณ​นั่ง​อยู่​ตอนนี้​ก็​คือ​จุด​ที่​บิก​แบง​เกิดขึ้น ​และ​ทุก​จุด​ใน​จักรวาล​ก็​เช่นกัน

​ใน​เสี้ยว​วินาที​แรก​อย่าง​ที่สุด — ​ช่วงเวลา​สั้น​กว่า​ที่​ภาษา​จะ​บรรยาย​ได้ — ​จักรวาล​ผ่าน​ยุค​ที่​เรียก​ว่าการ​พองตัว (cosmic inflation) ​อวกาศ​ขยายตัว​เร็ว​กว่า​แสง​เป็น​มหาศาล ​นี่​เป็น​เหตุการณ์ ​หลัง ​จาก​บิก​แบง ​ไม่​ใช่​ตัว​บิก​แบง​เอง ​และ​ไม่​ใช่​การขยายตัว​ช้า ๆ ​ที่​เรา​ยัง​เห็น​อยู่​ทุกวันนี้ ​มัน​คือ​ชั่วขณะ​ที่​เอกภพ​ทั้งหมด​ถ่าง​จาก​ขนาดเล็ก​กว่า​อะตอม ​ไป​สู่​ขนาด​มหึมา ​ใน​เวลา​ที่​สั้น​จน​แทบ​ไม่​มีความหมาย

​แต่​สิ่ง​ที่​น่าสนใจ​ไม่​ใช่​ความใหญ่ ​ไม่​ใช่​ความเร็ว ​สิ่ง​ที่​น่าสนใจ​จริง ๆ ​คือ ​ใน​ชั่วขณะ​นั้น ​จักรวาล​กำลัง ​ตัดสินใจ​ว่า​จะ​เป็น​อะไร

​การทำลาย​สมมาตร — ​เหตุการณ์​คัดเลือก​ครั้งแรก

​ใน​อุณหภูมิ​ที่สูง​อย่าง​ที่สุด​ของ​จักรวาล​แรกเกิด ​แรง​ทั้งหลาย​ที่​เรา​รู้จัก​ทุกวันนี้ — ​แรง​แม่เหล็ก​ไฟฟ้า ​แรง​นิวเคลียร์​อย่าง​เข้ม ​แรง​นิวเคลียร์​อย่าง​อ่อน — ​ยัง​ไม่​แยก​ออกจาก​กัน ​มัน​หลอม​รวม​เป็นหนึ่งเดียว ​สมมาตร​อย่าง​สมบูรณ์ ​สภาวะ​ที่​สมมาตร​สมบูรณ์​คือ​สภาวะ​ที่ "​ยัง​ไม่​ได้​เลือก" — ​ทุกทิศทาง​เหมือนกัน​หมด ​ทุก​ความเป็นไปได้​ยัง​เปิด​อยู่

​แล้ว​จักรวาล​ก็​เย็น​ลง

​และ​เมื่อ​มัน​เย็น​ลง ​สิ่ง​ที่เกิด​ขึ้น​คือ​สิ่ง​ที่​นักฟิสิกส์​เรียก​ว่าการ​ทำลาย​สมมาตร​โดยธรรมชาติ (spontaneous symmetry breaking) ​ขอให้​เข้าใจ​ให้​ตรง — ​นี่​ไม่​ได้​แปล​ว่า​กฎ​ฟิสิกส์​สูญเสีย​สมมาตร​ของ​มัน ​กฎ​ยัง​สมมาตร​อยู่​เหมือนเดิม ​สิ่ง​ที่เกิด​ขึ้น​คือ ​สภาวะ​พื้นฐาน ​ของ​จักรวาล — ​สถานะ​ที่​มัน​ตกลง​ไป​อยู่​เมื่อ​เย็นตัว — ​ไม่​อาจ​สะท้อน​สมมาตร​ทั้งหมด​ของ​กฎ​ได้​อีกต่อไป ​มัน​ต้อง "​เลือก" ​อุปมา​คลาสสิก​คือ​ดินสอ​ที่ตั้ง​บน​ปลาย​แหลม ​ตราบที่​มัน​ตั้งตรง ​มัน​สมมาตร​สมบูรณ์ ​ทุกทิศทาง​เท่ากัน ​แต่​สภาวะ​นั้น​ไม่​เสถียร ​พอ​มัน​ล้ม ​มัน​ต้อง​ล้ม​ไป​ทาง​ใด​ทาง​หนึ่ง ​และ​ทันทีที่​มัน​ล้ม ​สมมาตร​ก็​แตกสลาย ​ทิศทาง​หนึ่ง​ถูก​เลือก ​ทิศทาง​อื่น​ทั้งหมด​ถูก​ทิ้ง

​นี่​คือ​สิ่ง​ที่​อาจ​เรียก​ได้​ว่า​เหตุการณ์​คัดเลือก​ครั้งแรก​ของ​จักรวาล ​ใน​การทำลาย​สมมาตร​แต่ละครั้ง ​จักรวาล​ล็อก​ค่า​พารามิเตอร์​ของ​ตัวเอง​ลง​ไป​หนึ่ง​ค่า ​มัน​ตัดสิน​ว่า​แรง​จะ​แยก​ออกจาก​กัน​อย่างไร ​อนุภาค​ชนิด​ใด​จะ​มีมวล ​มวล​นั้น​จะ​เป็น​เท่าใด ​สสาร​จะ​มี​มากกว่า​ปฏิ​สสาร​ด้วย​อัตราส่วน​เท่าใด ​ทุกครั้งที่​เลือก ​ความเป็นไปได้​นับไม่ถ้วน​ถูก​ตัดทิ้ง ​และ​ความจริง​หนึ่งเดียว​ถูก​เก็บ​ไว้ ​ถ้า​คุณ​มอง​ใน​ภาษา​ของ Machine Learning ​นี่​คือ​สิ่ง​ที่เกิด​ขึ้น​เป๊ะ ๆ ​เมื่อ​อัลกอริทึม​การเรียนรู้ "​ตกลง" ​ไป​ยัง​คำตอบ​หนึ่ง — ​มัน​สุ่ม​เริ่ม​จาก​สภาวะ​ที่​ทุกอย่าง​เป็นไปได้ ​แล้ว​ค่อย ๆ ​ล็อก​ค่า​พารามิเตอร์​ลง​ทีละ​ตัว ​จน​เหลือ​คำตอบ​เดียว

​ภูมิทัศน์​ของ​ค่าคงที่ ​และ​ปริศนา​ของ​การปรับ​จูน

​เมื่อ​ฝุ่น​ของ​การทำลาย​สมมาตร​จาง​ลง ​จักรวาล​ก็​เหลือ​ชุด​ของ​ค่าคงที่​พื้นฐาน​ติดตัว​มา — ​ความแรง​ของ​แรงโน้มถ่วง ​มวล​ของ​อิเล็กตรอน ​ค่าคงที่​ของ​โครงสร้าง​ละเอียด​ที่​กำหนด​ความแรง​ของ​แรง​แม่เหล็ก​ไฟฟ้า ​และ​อีก​หลาย​สิบ​ค่า ​ตัวเลข​เหล่านี้​คือ "​น้ำหนัก" ​ของ​จักรวาล ​มัน​คือ​พารามิเตอร์​ที่​กำหนด​ว่า​ทุกอย่าง​หลังจากนี้​จะ​เล่น​ออกมา​อย่างไร

​และ​นี่​คือ​สิ่ง​ที่​ทำให้​นักฟิสิกส์​นอนไม่หลับ​มาก​ว่า​ครึ่ง​ศตวรรษ ​ค่า​เหล่านี้​ดูเหมือน​ถูก "​ปรับ​จูน" ​มา​อย่าง​ประณีต​จน​น่าขนลุก ​ถ้า​แรง​นิวเคลียร์​อย่าง​เข้ม​แรง​กว่า​นี้​เพียง​ไม่​กี่​เปอร์เซ็นต์ ​ไฮโดรเจน​ทั้งหมด​จะ​หลอม​รวม​หมด​ตั้งแต่​ยุค​แรก ​ไม่​เหลือ​เชื้อเพลิง​ให้​ดาวฤกษ์ ​ถ้า​อ่อน​กว่า​นี้​นิดเดียว ​ดาวฤกษ์​จะ​จุด​ไม่​ติด ​ถ้า​ค่าคงที่​จักรวาล (cosmological constant) ​ใหญ่​กว่า​นี้​เพียง​เศษ​เสี้ยว ​จักรวาล​จะ​ถ่าง​ตัว​เร็ว​เกิน​กว่า​กาแล็กซี​จะ​ก่อตัว​ได้ ​ดู​ราวกับ​มี​ใคร​หมุน​ปุ่ม​ปรับ​นับ​สิบ​ปุ่ม​ให้​มา​อยู่​ตรงจุด​ที่​พอดิบพอดี​กับ​การมี​อยู่​ของ​โครงสร้าง​ที่​ซับซ้อน

​มี​คำอธิบาย​หนึ่ง​ที่​สง่างาม​และ​รบกวน​ใจ​ในเวลาเดียวกัน — ​และ​มัน​คือ​คำอธิบาย​เชิง Machine Learning ​โดยแท้ ​บางที​จักรวาล​ของ​เรา​อาจ​ไม่​ใช่​จักรวาล​เดียว ​ทฤษฎี​การพองตัว​แบบ​นิรันดร์ (eternal inflation) ​เสนอ​ว่า​กระบวนการ​พองตัว​นั้น​ไม่​เคย​หยุด​สนิท ​มัน​ยังคง​ผลิต "​ฟอง" ​ของ​จักรวาล​ใหม่​ออกมา​เรื่อย ๆ ​ไม่​สิ้นสุด ​และ​ใน​แต่ละ​ฟอง ​การทำลาย​สมมาตร​อาจ​ตกลง​ไป​คนละ​แบบ ​ค่าคงที่​อาจ​ออกมา​คนละ​ชุด ​ถ้า​เป็น​เช่นนั้น​จริง ​สิ่ง​ที่​เรา​กำลัง​มอง​อยู่​ก็​คือ​การค้นหา​พารามิเตอร์​แบบ​ขนาน​ใน​มาตราส่วน​ที่​ใหญ่​ที่สุด​เท่าที่​จะ​จินตนาการ​ได้ — ​จักรวาล​นับไม่ถ้วน ​แต่ละ​จักรวาล​คือ​การ "​สุ่ม​ลอง​ค่า​หนึ่ง​ชุด" ​เหมือน​การฝึก​โมเดล​นับ​ล้าน​ตัว​ด้วย​ค่า​ตั้งต้น​ที่​ต่างกัน ​เพื่อ​ค้นหา​ว่า​ชุด​ไหน​ใช้การได้

​แต่​ถ้า​มี​จักรวาล​นับไม่ถ้วน ​เหตุใด​เรา​จึง​พบ​ว่า​ตัวเอง​อยู่​ใน​จักรวาล​ที่​ค่า​พอดี​เป๊ะ ​คำตอบ​คือ​สิ่ง​ที่​เรียก​ว่า​หลักการ​มนุษย์ (anthropic principle) ​และ​มัน​คือ​กลไก​การคัดเลือก​ล้วน ๆ ​เรา​ไม่​ได้​พบ​ว่า​ตัวเอง​อยู่​ใน​จักรวาล​ที่​ปรับ​จูน​มา​ดี​เพราะ​มี​ใคร​จัด​ให้ ​เรา​พบ​ตัวเอง​ที่นี่​เพราะ​จักรวาล​ที่​ปรับ​จูน​ไม่​ดี ​ไม่​มี​ใคร​อยู่​ใน​นั้น​ให้​ถาม​คำถาม​นี้​ได้ ​จักรวาล​ที่​ดาวฤกษ์​จุด​ไม่​ติด ​ไม่​มี​นักฟิสิกส์ ​จักรวาล​ที่​กาแล็กซี​ก่อตัว​ไม่​ได้ ​ไม่​มี​กวี ​ความจริง​ที่ว่า​เรา​อยู่​ที่นี่ ​คือ​หลักฐาน​ว่า​เรา​ต้อง​อยู่​ใน​จักรวาล​แบบ​ที่​อนุญาต​ให้​เรา​อยู่​ได้​เท่านั้น ​นี่​คือ​สิ่ง​ที่​ใน​วงการ Machine Learning ​เรียก​ว่า​อคติ​การรอดชีวิต (survivorship bias) — ​แต่​ในที่นี้​มัน​ไม่​ใช่​ความผิดพลาด​ของ​การให้เหตุผล ​มัน​คือ​โครงสร้าง​ของ​ความจริง ​ตัว​คัดเลือก​ที่​เงียบ​ที่สุด​ใน​จักรวาล​คือ​เงื่อนไข​ง่าย ๆ ​ข้อ​เดียว: ​สิ่ง​ที่​ดำรงอยู่​ไม่​ได้ ​ก็​ไม่​ได้​อยู่​ตรงนี้​ให้​นับ

​แรงโน้มถ่วง​ใน​ฐานะ​นัก​หา​ค่า​ต่ำสุด

​เลื่อนเวลา​ไป​ข้างหน้า ​จักรวาล​เย็น​ลง​พอที่​อะตอม​ไฮโดรเจน​และ​ฮี​เลียม​จะ​ก่อตัว ​ตอนนี้​เรา​มี​หมอก​ของ​ก๊าซ​บาง ๆ ​แผ่​กระจาย​ไป​ทั่ว ​เกือบ — ​แต่​ไม่​ทั้งหมด — ​สม่ำเสมอ ​ใน​ความไม่​สม่ำเสมอ​เล็กน้อย​นั้น​เอง ​ที่​บท​ต่อไป​ของ​เรื่องราว​ซ่อน​อยู่

​แรงโน้มถ่วง​ทำงาน​อย่าง​ที่​นัก​หา​ค่า​เหมาะ​ที่สุด​ทำงาน ​มัน​มี​ปริมาณ​หนึ่ง​ที่​มัน "​ต้องการ" ​ลด ​นั่น​คือ​พลังงานศักย์​โน้มถ่วง ​บริเวณ​ใด​ที่​ก๊าซ​หนาแน่น​กว่าเพื่อน​บ้าน​เพียง​เล็กน้อย ​จะ​ดึงดูด​สสาร​รอบข้าง​เข้ามา​มากขึ้น ​พอ​มี​สสาร​มากขึ้น ​แรง​ดึง​ก็​มากขึ้น ​พอ​แรง​ดึง​มากขึ้น ​ก็​ยิ่ง​ดูด​สสาร​เข้ามา​อีก ​นี่​คือ​ลูป​ป้อน​กลับ​เชิง​บวก ​เหมือนกับ​การไหล​ลง​ตาม​ความชัน (gradient descent) ​ที่​เป็น​หัวใจ​ของ​การฝึก​โครงข่าย​ประสาท​เทียม — ​ระบบ​หา​ทิศ​ที่ "​ลง​เขา" ​แล้ว​ก้าว​ไป​ทาง​นั้น ​แล้ว​ประเมิน​ใหม่ ​แล้ว​ก้าว​อีก ​ก๊าซ​ที่​ยุบตัว​ก็​ทำ​เช่นเดียวกัน ​มัน​ไหล​ลง​สู่​หลุม​พลังงานศักย์ ​ลึก​ลง​เรื่อย ๆ ​ร้อน​ขึ้น​เรื่อย ๆ ​จนกระทั่ง​แกนกลาง​ร้อน​และ​หนาแน่น​พอที่​ปฏิกิริยา​ฟิวชัน​จะ​จุด​ติด

​และ​ดาวฤกษ์​ก็​ถือกำเนิด ​ดาวฤกษ์​คือ​โครงสร้าง​ที่ "​ผ่าน​การฝึก" ​ดวง​แรก​ของ​จักรวาล — ​ผลลัพธ์​ที่​เสถียร​ของ​กระบวนการ​หา​ค่า​ต่ำสุด​ที่ทำงาน​กับ​หมอก​ก๊าซ ​มัน​คือ​จุด​สมดุล​ที่​แรงโน้มถ่วง​ซึ่ง​บีบ​เข้า ​กับ​แรงดัน​จาก​ฟิวชัน​ซึ่ง​ดัน​ออก ​มา​หักล้าง​กัน​พอดี ​เป็น​คำตอบ ​ไม่​ใช่​เพราะ​ใคร​ออกแบบ​ให้​เป็น​คำตอบ ​แต่​เพราะ​มัน​คือ​สิ่งที่เหลืออยู่​เมื่อ​กระบวนการ​หยุดนิ่ง

​ตาราง​ธาตุ​ใน​ฐานะ​การก​ลั่น​ซ้ำ

​ภายใน​แกน​ของ​ดาวฤกษ์ ​จักรวาล​ทำ​สิ่ง​ที่​ใกล้เคียง​กับ​การเรียนรู้​แบบ​ทำซ้ำ​มาก​ที่สุด​เท่าที่​ฟิสิกส์​ล้วน ๆ ​จะ​ทำได้ ​ไฮโดรเจน​หลอม​รวม​เป็น​ฮี​เลียม ​ฮี​เลียม​หลอม​รวม​เป็น​คาร์บอน ​คาร์บอน​เป็น​ออกซิเจน ​ทีละขั้น ​ทีละขั้น ​ธาตุ​ที่​หนัก​ขึ้น​ถูก​กลั่น​ออกมา​จาก​ธาตุ​ที่​เบา​กว่า ​เหมือน​การฝึก​ที่​ดำเนิน​ไป​ทีละ​รอบ ​แต่ละ​รอบ​สร้าง​ชั้น​ความซับซ้อน​ใหม่​บน​ชั้น​เดิม

​แต่​มี​ขีดจำกัด ​และ​ขีดจำกัด​นี้​สำคัญ​ที่​ต้อง​พูด​ให้​ถูก ​ดาวฤกษ์​สร้าง​ธาตุ​ได้​ถึง​เหล็ก​เท่านั้น ​เพราะ​เหล็ก​คือ​ธาตุ​ที่​เสถียร​ที่สุด ​การหลอมรวม​เหล็ก​ให้​หนัก​ขึ้นไป​อีก​ไม่​ได้​ปลดปล่อย​พลังงาน ​แต่กลับ ​ดูด ​พลังงาน ​ฉะนั้น​ธาตุ​ที่​หนัก​กว่า​เหล็ก — ​ทองคำ​ใน​แหวน ​ยูเรเนียม​ใน​เครื่อง​ปฏิกรณ์ ​ไอโอดีน​ใน​ต่อมไทรอยด์​ของ​คุณ — ​ไม่​ได้​เกิด​ใน​การเผาไหม้​ปกติ​ของ​ดาวฤกษ์ ​มัน​เกิด​ใน​เหตุการณ์​ที่​รุนแรง​กว่า​นั้น​มาก: ​การระเบิด​ซูเปอร์​โนวา​เมื่อ​ดาวฤกษ์​มวล​มาก​ตาย ​และ​การชน​กัน​ของ​ดาว​นิวตรอน ​ใน​ชั่วขณะ​แห่ง​ความรุนแรง​เหล่านั้น ​จักรวาล​กลั่น​ธาตุ​หนัก​ออกมา ​แล้ว​สาด​มัน​กลับคืน​สู่​อวกาศ ​กลายเป็น​วัตถุดิบ​ของ​ดาว​รุ่น​ต่อไป ​ของ​ดาวเคราะห์ ​และ​ของ​เรา

​มอง​ใน​ภาพรวม ​สิ่ง​ที่เกิด​ขึ้น​ใน​บท​นี้​คือ​ลูป​การเรียนรู้​ที่ทำงาน​เต็ม​รูปแบบ — ​มี​การแปรผัน (​ความไม่​สม่ำเสมอ​ของ​ก๊าซ ​การก​ระ​จาย​ของ​ค่าคงที่​ใน​แต่ละ​ฟอง​จักรวาล) ​มี​การประเมิน (​เสถียร​หรือไม่​เสถียร ​ยุบตัว​ได้​หรือไม่​ได้) ​มี​การคัดเลือก (​โครงสร้าง​ที่​เสถียร​คงอยู่ ​ที่​ไม่​เสถียร​สลาย​ไป) ​และ​มี​การสืบทอด (​ธาตุ​จาก​ดาว​รุ่น​ก่อน​กลายเป็น​วัตถุดิบ​ของ​รุ่น​ถัดมา) ​ครบ​ทั้ง​สี่​จังหวะ

​แต่​มี​บางสิ่ง​ที่​ยัง​ขาด​ไป ​และ​ความขาด​นี้​คือ​สิ่ง​ที่​ทำให้​บท​นี้​แตกต่าง​จาก​ทุก​บท​ที่จะ​ตามมา ​จักรวาล​ใน​บท​นี้​ไม่​มี ​ฟังก์ชัน​สูญเสีย ​มัน​ไม่​มี​เป้าหมาย ​ไม่​มี​สิ่ง​ที่​มัน "​พยายาม" ​จะ​ทำให้​ได้ ​ดาวฤกษ์​ไม่​ได้ "​อยาก" ​ส่องแสง ​อะตอม​ไม่​ได้ "​อยาก" ​จับตัว​กัน ​มี​เพียง​กฎ​เหล็ก​ข้อ​เดียว​ที่ทำงาน​อยู่​เบื้องหลัง​ทั้งหมด — ​กฎ​ที่​เรียบง่าย​จน​แทบ​ไม่​น่า​เรียก​ว่า​กฎ: ​สิ่ง​ที่​เสถียร​ก็​คงอยู่​ต่อ ​สิ่ง​ที่​ไม่​เสถียร​ก็​สลาย​ไป

​นี่​คือ Machine Learning ​ที่​ปราศจาก​ฟังก์ชัน​สูญเสีย ​เป็นการ​คัดเลือก​ที่​ไร้​เกณฑ์ ​เป็นการ​เรียนรู้​ที่​ยัง​ไม่​มี​ผู้เรียน ​จักรวาล​กำลัง​รัน​ลูป — ​แต่​ยัง​ไม่​มี​ใคร​อยู่​ใน​นั้น​ที่จะ​แคร์​ว่า​ผล​ออกมา​อย่างไร

​จนกระทั่ง​บางสิ่ง​เริ่ม​แคร์

​และ​นั่น​คือ​เรื่อง​ของ​บท​ต่อไป

​บท​ที่ ๒ — ​เคมี​เริ่ม​เรียนรู้: ​จาก​โมเลกุล​สู่​ขอบ​ของ​ชีวิต

​ห้องทดลอง​ที่​ไม่​มี​นักวิทยาศาสตร์

​ดาวฤกษ์​รุ่น​แรก ๆ ​ตาย​ลง ​และ​ใน​ความตาย​ของ​มัน ​หว่าน​ธาตุ​หนัก​ทั่ว​อวกาศ ​คาร์บอน ​ออกซิเจน ​ไนโตรเจน ​ฟอส​ฟอ​รัส ​กำมะถัน ​ธาตุ​เหล่านี้ — ​ลูกหลาน​ของ​ซูเปอร์​โนวา — ​รวมตัวกัน​เป็น​เมฆ ​เป็น​ดาวเคราะห์ ​และ​บน​ดาวเคราะห์​ดวง​หนึ่ง​ที่​โคจร​รอบ​ดาวฤกษ์​ธรรมดา ๆ ​ดวง​หนึ่ง ​ใน​แขน​กังหัน​ธรรมดา ๆ ​ของ​กาแล็กซี​ธรรมดา ๆ ​ธาตุ​เหล่านี้​ตกลง​สู่​มหาสมุทร

​และ​ใน​มหาสมุทร​นั้น ​จักรวาล​ก็​เปิด​ห้องทดลอง​เคมี​ที่​ใหญ่​ที่สุด​เท่าที่​เคย​มี​มา

​ขอให้​เห็นภาพ​ขนาด​ของ​ห้องทดลอง​นี้​ก่อน ​เพราะ​มัน​คือ​กุญแจ​ของ​ทั้ง​บท ​คาร์บอน​เป็น​ธาตุ​ที่​พิเศษ ​มัน​สร้าง​พันธะ​ได้​สี่​พันธะ ​ต่อกัน​เป็น​สาย ​เป็น​วง ​เป็น​กิ่งก้าน ​ได้​แทบ​ไม่​จำกัด ​จำนวน​โมเลกุล​ที่​เป็นไปได้​ซึ่ง​ประกอบ​ขึ้น​จาก​คาร์บอน​และ​ธาตุ​ข้างเคียง​นั้น​มากมาย​เกิน​กว่า​จะ​เขียน​เป็นตัว​เลข​ให้​เข้าใจ​ได้ ​มัน​คือ​ปริภูมิ​เชิง​ประกอบ (combinatorial space) ​ที่​กว้างใหญ่​จน​จำนวน​อะตอม​ทั้งหมด​ใน​จักรวาล​ที่​สังเกต​ได้ ​ยัง​ดู​เล็ก​เมื่อ​เทียบ​กัน ​นี่​คือ "​ปริภูมิ​การค้นหา" ​ของ​บท​นี้ ​และ​มัน​ใหญ่​จน​ไม่​มีทาง​ที่​กระบวนการ​ใด — ​ไม่​ว่า​จะ​เร็ว​แค่​ไหน ​ใช้เวลานาน​แค่​ไหน — ​จะ​ลอง​ทุก​ความเป็นไปได้​ได้​หมด

​แต่​จักรวาล​ไม่​จำเป็นต้อง​ลอง​ทุกอย่าง ​มัน​แค่​ต้องการ​ตัว​คัดเลือก​ที่​ดี

​ตัว​คัดเลือก​สอง​ตัว​แรก: ​ความเสถียร ​และ​การเร่ง​ปฏิกิริยา

​ใน​มหาสมุทร​ยุค​แรก ​โมเลกุล​ก่อตัว​ขึ้น​และ​สลายตัว​ลง​ตลอดเวลา ​พลังงาน​จาก​ดวงอาทิตย์ ​จาก​ฟ้าผ่า ​จาก​ความร้อน​ใต้พิภพ ​คอย​กระตุ้น​ให้​อะตอม​จับ​กัน​เป็น​รูปแบบ​ใหม่ ๆ ​อยู่​เสมอ ​นี่​คือ​จังหวะ "​แปรผัน" ​ของ​ลูป — ​เครื่อง​สร้าง​ความหลากหลาย​ที่​ไม่​เคย​หยุดพัก

​แล้ว​อะไร​คือ​ตัว​คัดเลือก ​ใน​ตอนแรก ​มัน​คือ​สิ่ง​เดียว​กับ​ใน​บท​ที่แล้ว: ​ความเสถียร ​โมเลกุล​ที่​ทนทาน — ​ที่​ไม่​แตกสลาย​ง่าย​เมื่อ​โดน​ความร้อน​หรือ​แสง — ​ย่อม​คงอยู่​ได้​นาน​กว่า ​และ​ยิ่ง​คงอยู่​นาน​กว่า ​ก็​ยิ่ง​มีโอกาส​สะสม​ใน​สิ่งแวดล้อม​มากกว่า ​นี่​คือ​การคัดเลือก​เชิง​รับ ​เป็น​เพียง​การอยู่รอด​ของ​สิ่ง​ที่​แข็งแรง

​แต่​แล้ว​ตัว​คัดเลือก​ตัว​ที่สอง​ก็​โผล่​ขึ้น​มา ​และ​มัน​เปลี่ยน​เกม​ทั้งหมด ​นั่น​คือ​การเร่ง​ปฏิกิริยา (catalysis) ​โมเลกุล​บาง​ชนิด​มี​คุณสมบัติ​พิเศษ — ​มัน​ไม่​ได้​แค่​ทนทาน ​มัน​สามารถ ​เร่ง​การสร้าง​โมเลกุล​อื่น ​ได้ ​มัน​ทำหน้าที่​เป็น​แม่แบบ ​เป็นพื้น​ผิว ​เป็นตัว​ช่วย​ให้​ปฏิกิริยา​ที่​ปกติ​ช้า​มาก ​เกิดขึ้น​ได้​เร็ว​ขึ้น​นับ​ล้าน​เท่า

​ลอง​คิดดู​ว่า​นี่​เปลี่ยน​อะไร ​ถ้า​โมเลกุล ก ​สามารถ​เร่ง​การสร้าง​โมเลกุล ก ​ขึ้น​มา​อีก ​ทัน​ใด​นั้น​เรา​ก็​ไม่​ได้​พูดถึง​แค่ "​การอยู่รอด" ​อีกต่อไป ​เรา​พูดถึง "​การทวีคูณ" ​และ​นักวิทยาศาสตร์​ชื่อ Stuart Kauffman ​ชี้ให้เห็น​ความเป็นไปได้​ที่​ลึกซึ้ง​กว่า​นั้น — ​สิ่ง​ที่​เขา​เรียก​ว่า​เซต​ที่​เร่ง​ปฏิกิริยา​ตัวเอง (autocatalytic set) ​ลอง​นึกถึง​กลุ่ม​ของ​โมเลกุล​ที่​ไม่​มี​ตัว​ไหน​เร่ง​การสร้างตัวเอง​ได้​โดยตรง ​แต่ ก ​เร่ง​การสร้าง ข, ข ​เร่ง​การสร้าง ค, ​และ ค ​เร่ง​การสร้าง ก ​ครบ​เป็น​วง ​ทั้ง​วง​นั้น ​เมื่อ​มอง​รวมกัน ​สามารถ​ค้ำจุน​การมี​อยู่​ของ​ตัว​มัน​เอง​ได้ ​ไม่​มี​โมเลกุล​ใด​ใน​วง​นั้น "​มีชีวิต" ​แต่​วง​ทั้ง​วง​มี​คุณสมบัติ​ที่​เรา​เริ่ม​จะ​เรียก​ได้​ว่า​เป็นการ​ดำรงอยู่​ของ​ตัวเอง

Kauffman ​เสนอ​ว่า​เมื่อ​ความหลากหลาย​ของ​โมเลกุล​ใน​ระบบ​มี​มาก​พอ ​การเกิดขึ้น​ของ​วง​เร่ง​ปฏิกิริยา​ตัวเอง​แบบนี้ ​ไม่​ใช่​เรื่อง​บังเอิญ​ที่​ต้อง​รอคอย ​แต่​เป็น​สิ่ง​ที่​แทบจะ ​หลีกเลี่ยง​ไม่​ได้ ​ทาง​สถิติ ​ความซับซ้อน​ที่​ค้ำจุน​ตัวเอง​ได้ ​คือ​สิ่ง​ที่​โผล่​ขึ้น​มา​เอง​เมื่อ​ปริภูมิ​การค้นหา​มี​คน​สำรวจ​มัน​มาก​พอ

​โลก​ของ​อาร์​เอ็น​เอ ​และ​การกำเนิด​ของ​แม่แบบ

​แต่​การเร่ง​ปฏิกิริยา​ตัวเอง​ยัง​ไม่​พอ ​จะ​มี​การเรียนรู้​ที่แท้​จริง​ได้ ​ต้อง​มี​การ ​สืบทอด — ​ต้อง​มี​วิธี​ส่งต่อ "​สิ่ง​ที่​ใช้การได้" ​จาก​รุ่น​หนึ่ง​ไป​อีก​รุ่น​หนึ่ง​อย่าง​ซื่อตรง

​นี่​คือ​จุด​ที่​โมเลกุล​ชนิด​หนึ่ง​ก้าว​ขึ้น​สู่​เวที​กลาง ​อาร์​เอ็น​เอ (RNA) ​สมมติฐาน​ที่​เรียก​ว่า "​โลก​ของ​อาร์​เอ็น​เอ" (RNA world) ​เสนอ​ว่า​ก่อน​ยุค​ของดี​เอ็น​เอ​และ​โปรตีน​อย่าง​ที่​เรา​รู้จัก ​มี​ช่วงเวลา​ที่​อาร์​เอ็น​เอ​เล่น​ทั้งสอง​บทบาท​ใน​ตัว​เดียว ​ขอ​ย้ำ​ให้​ชัด — ​สมมติฐาน​นี้​ไม่​ได้​บอก​ว่า​อาร์​เอ็น​เอ​คือ "​สิ่งมีชีวิต​แรก" ​มัน​บอก​ว่า​อาร์​เอ็น​เอ​มีบทบาท​ศูนย์กลาง​ใน​เคมี​ของ​ยุค​ก่อน​ชีวิต ​เพราะ​อาร์​เอ็น​เอ​ทำได้​สอง​อย่าง​พร้อมกัน ​หนึ่ง — ​มัน​เก็บ​ข้อมูล​ได้ ​ลำดับ​ของ​หน่วย​ย่อย​บน​สาย​อาร์​เอ็น​เอ​คือ​รหัส ​เป็นความ​ทรง​จำ​ที่​คัดลอก​ต่อ​ได้ ​สอง — ​อาร์​เอ็น​เอ​บาง​สาย​พับ​ตัว​เป็น​รูปทรง​สาม​มิติ​ที่​ทำหน้าที่​เร่ง​ปฏิกิริยา​ได้ ​เรา​เรียก​มัน​ว่า​ไร​โบ​ไซ​ม์ (ribozyme)

​โมเลกุล​ที่​เป็น​ทั้ง​ความทรงจำ​และ​เป็น​ทั้ง​เครื่องมือ ​เป็น​ทั้ง​พิมพ์เขียว​และ​เป็น​ทั้ง​ช่าง ​นี่​คือ​ส่วนผสม​ที่​ลูป​การเรียนรู้​รอคอย​มา​ตลอด ​เพราะ​ตอนนี้​เรา​มี​ครบ​ทั้ง​สาม​องค์ประกอบ​ใน​วัตถุ​ชิ้น​เดียว — ​ความหลากหลาย (​การคัดลอก​ที่​ผิดพลาด​บ้าง​สร้าง​สายพันธุ์​ใหม่), ​การประเมิน (​สาย​ไหน​คัดลอก​ตัวเอง​ได้​เร็ว​และ​แม่น​กว่า), ​และ​การสืบทอด (​ลำดับ​รหัส​ถูก​ส่งต่อ) ​เมื่อ​อาร์​เอ็น​เอ​สาย​หนึ่ง​คัดลอก​ตัวเอง​ได้ดี​กว่าเพื่อน ​มัน​ก็​ทิ้ง​สำเนา​ไว้​มากกว่า ​และ "​ความได้เปรียบ" ​นั้น​ก็​ถูก​ส่งต่อ​ไป​ยัง​สำเนา​เหล่านั้น ​นี่​คือ​การเรียนรู้​ที่​ส่งผ่าน​รุ่น​ได้​เป็นครั้งแรก​ใน​ประวัติศาสตร์​ของ​จักรวาล

​เยื่อ​หุ้ม — ​เส้น​แบ่ง​ระหว่าง "​ฉัน" ​กับ "​ที่​เหลือ"

​ยัง​เหลือ​อีก​ชิ้นส่วน​หนึ่ง ​และ​มัน​เป็น​ชิ้น​ที่​ลึกซึ้ง​ทาง​ปรัชญา​ที่สุด

​ตราบที่​อาร์​เอ็น​เอ​ที่​คัดลอก​ตัวเอง​ได้ดี ​ลอย​อยู่​ใน​มหาสมุทร​เปิด ​ความได้เปรียบ​ของ​มัน​ก็​รั่วไหล ​สำเนา​ที่​มัน​สร้าง​ก็​ลอย​กระจาย​หาย​ไป ​ปะปน​กับ​สำเนา​ของ​คู่แข่ง ​ประโยชน์​จาก​การ "​เก่ง" ​ไม่​ได้​ตก​กับ​ตัว​มัน​เอง

​แล้ว​เคมี​ก็​มอบ​ของขวัญ​ชิ้น​หนึ่ง — ​โมเลกุล​ไขมัน (lipid) ​โมเลกุล​พวก​นี้​มี​ปลาย​ข้าง​หนึ่ง​ที่​ชอบ​น้ำ ​อีก​ข้าง​ที่​กลัว​น้ำ ​เมื่อ​อยู่​ใน​น้ำ ​มัน​จึง​จัดเรียง​ตัวเอง​โดยอัตโนมัติ​เป็น​แผ่น​สองชั้น ​และ​แผ่น​สองชั้น​นั้น​ก็​โค้ง​งอ​ปิด​ตัวเอง​เป็น​ทรงกลม​กลวง — ​ถุง​เล็ก ๆ ​ที่​เรียก​ว่า​โปร​โต​เซลล์ (protocell) ​ไม่​มี​ใคร​ออกแบบ​ถุง​นี้ ​ฟิสิกส์​ของ​น้ำ​กับ​ไขมัน​สร้าง​มัน​ขึ้น​มา​เอง

​แต่​ผลพวง​ของ​ถุง​ใบ​เล็ก​นี้​ใหญ่หลวง ​เพราะ​ถุง​ใบ​นี้​สร้าง ​เส้น​แบ่ง ​มัน​แยก​โลก​ออก​เป็น​สอง​ส่วน — "​ข้างใน" ​กับ "​ข้างนอก" ​ทันทีที่​อาร์​เอ็น​เอ​ที่​คัดลอก​เก่ง ​ถูก​ห่อหุ้ม​อยู่​ใน​ถุง ​ความได้เปรียบ​ของ​มัน​ก็​หยุด​รั่วไหล ​สำเนา​ที่​ดี​อยู่​กับ​มัน ​ของเสีย​อยู่​นอก​ถุง ​ตอนนี้ "​ความสำเร็จ" ​มี​ที่อยู่ ​มัน​มีเจ้าของ ​การคัดเลือก​ซึ่ง​เคย​ทำงาน​กับ​โมเลกุล​เดี่ยว ๆ ​บัดนี้​มี​หน่วย​ใหม่​ให้​ทำงาน​ด้วย — ​หน่วย​ที่​มี​ขอบเขต ​มี​ตัวตน ​เป็น​ปัจเจก ​เส้น​แบ่ง​ระหว่าง "​ฉัน" ​กับ "​ที่​เหลือ​ของ​จักรวาล" ​ถือกำเนิด​ขึ้น ​และ​นับ​จาก​วินาที​นั้น ​คำ​ว่า "​การอยู่รอด" ​ก็​มีความหมาย ​เพราะ​มี​บางสิ่ง​ที่​ชัดเจน​พอ​จะ​รอด ​หรือไม่​รอด

​ฟังก์ชัน​สูญเสีย​ข้อ​แรก​ของ​จักรวาล

​ตรงนี้​แหละ​คือ​หัวใจ​ของ​ทั้ง​บท

​ใน​บท​ที่แล้ว ​เรา​เห็น​ว่า​จักรวาล​รัน​ลูป​การเรียนรู้​โดย​ปราศจาก​ฟังก์ชัน​สูญเสีย ​มี​เพียง​กฎ​ว่า​เสถียร​ก็​อยู่ ​ไม่​เสถียร​ก็​สลาย ​แต่ ณ ​จุด​นี้ — ​ใน​ถุง​ไขมัน​ใบ​เล็ก​ที่​ห่อ​อาร์​เอ็น​เอ​ที่​คัดลอก​ตัวเอง​ได้ — ​มี​บางอย่าง​ใหม่​ถือกำเนิด​ขึ้น ​เป็นครั้งแรก​ที่​จักรวาล​มี​โครงสร้าง​ซึ่ง ​ทำงาน​เพื่อ​เป้าหมาย ​เป้าหมาย​นั้น​เรียบง่าย​ที่สุด​เท่าที่​เป้าหมาย​จะ​เป็นได้: ​คงอยู่ ​และ​ทำสำเนา​ตัวเอง

​นี่​คือ​ฟังก์ชัน​สูญเสีย​ข้อ​แรก​ของ​จักรวาล ​และ​มัน​เปลี่ยน​ทุกอย่าง ​เพราะ​ก่อนหน้านี้ ​ไม่​มี​สิ่ง​ที่​เรียก​ว่า "​ความผิดพลาด" ​ได้​เลย ​ดาวฤกษ์​ที่​ยุบตัว​ไม่​สำเร็จ ​ไม่​ได้ "​ผิดพลาด" ​มัน​แค่​ไม่​เสถียร ​อะตอม​ที่​ไม่​จับตัว​กัน ​ไม่​ได้ "​ล้มเหลว" ​มัน​แค่​เป็นไปตาม​นั้น ​แต่​ทันทีที่​มี​บางสิ่ง​ที่ ​พยายาม ​จะ​คงอยู่ ​ทันที​นั้น​เอง​ความล้มเหลว​ก็​เกิดขึ้น​มา​ได้ ​เพราะ​ที่ใด​มี​ความพยายาม ​ที่นั่น​จึง​มี​ความเป็นไปได้​ที่จะ​พลาด ​ที่ใด​มี​เป้าหมาย ​ที่นั่น​จึง​มี​ระยะห่าง​ระหว่าง​เป้า​กับ​ผล​ที่​ได้ — ​และ​ระยะห่าง​นั้น​เอง ​คือ​สิ่ง​ที่ Machine Learning ​เรียก​ว่าความ​สูญเสีย (loss)

​ใน​ภาษา​ของ ML ​เรา​อาจ​กล่าว​ได้​ว่า ​การกำเนิด​ชีวิต (abiogenesis) ​คือ​ชั่วขณะ​ที่​จักรวาล​เปลี่ยน​จาก​การเรียนรู้​แบบ​ไร้​เป้า (unsupervised) ​ไป​สู่​การเรียนรู้​แบบ​ตั้งเป้า​ให้​ตัวเอง (self-supervised) ​ไม่​มี​ครู​จาก​ภายนอก​มา​บอก​ว่า​อะไร​ถูก​อะไร​ผิด — ​ไม่​เคย​มี​และ​ไม่​มี​วัน​มี — ​แต่​ระบบ​ได้​สร้าง​สัญญาณ​กำกับ​ขึ้น​มา ​จาก​ภายใน​ตัว​มัน​เอง ​ตัว​มัน​เอง​ที่​ยังอยู่ ​คือ​ป้าย​กำกับ​ว่า "​ถูก" ​ตัว​มัน​เอง​ที่​สลาย​ไป ​คือ​ป้าย​กำกับ​ว่า "​ผิด" ​ชีวิต​คือ​ส่วน​ของ​จักรวาล​ที่​เริ่ม​ให้​เกรด​ตัวเอง

​ชีวิต​ใน​ฐานะ​นัก​กระจาย​พลังงาน

​ก่อน​ปิด​บท​นี้ ​มี​มุมมอง​หนึ่ง​ที่​ลึก​และ​ต้อง​ระวัง​ไม่​ให้​เข้าใจผิด ​นักฟิสิกส์​ชื่อ Jeremy England ​เสนอ​แนวคิด​ที่​เรียก​ว่าการ​ปรับตัว​ที่​ขับเคลื่อนด้วย​การก​ระ​จาย​พลังงาน (dissipation-driven adaptation) ​ใจความ​คือ ​เมื่อ​กลุ่ม​ของ​อะตอม​ถูก​อาบ​ด้วย​พลังงาน​จาก​ภายนอก​อย่าง​ต่อเนื่อง — ​เช่น​แสงแดด ​หรือ​ความร้อน​จาก​ปล่อง​ไฮโดร​เทอร์​มอล​ใต้ส​มุ​ทร — ​และ​แช่​อยู่​ใน​ตัวกลาง​ที่​ดูดซับ​ความร้อน​ได้ ​มัน​มีแนวโน้ม​ทาง​สถิติ​ที่จะ​ค่อย ๆ ​จัดเรียง​ตัวเอง​ไป​สู่​รูปแบบ​ที่ ​เก่ง​ขึ้น​ใน​การดูด​และ​กระจาย​พลังงาน​นั้น ​และ​โครงสร้าง​ที่​เก่ง​กระจาย​พลังงาน​หลาย​แบบ ​บังเอิญ​มีหน้า​ตา​คล้าย​กับ​การคัดลอก​ตัวเอง​และ​การเติบโต

​ต้อง​พูด​ให้​ชัด — ​แนวคิด​นี้​ไม่​ได้​บอก​ว่า​ฟิสิกส์ "​ต้องการ" ​ให้​เกิด​ชีวิต ​มัน​ไม่​ได้​เติม​เจตจำนง​ให้​กับ​สสาร ​และ​มัน​ยัง​เป็น​กรอบ​ทฤษฎี​ที่​ถกเถียง​กัน​อยู่ ​ไม่​ใช่​กฎ​ที่​พิสูจน์​แล้ว ​สิ่ง​ที่​มัน​บอก​เบา ๆ ​แต่​ลึกซึ้ง​คือ ​ทิศทาง​ที่​เรื่องราว​ทั้งหมด​นี้​ไหล​ไป ​อาจ​ไม่​ได้​สวนกระแส​ของ​ฟิสิกส์​อย่าง​ที่​เรา​มัก​รู้สึก ​ชีวิต​อาจ​ไม่​ใช่​ปาฏิหาริย์​ที่​ฝืน​กฎ​เทอร์โม​ไดนามิกส์ ​แต่​เป็นหนึ่ง​ใน​วิธี​ที่​เป็นธรรมชาติ​ที่สุด​ของ​จักรวาล ​ใน​การทำ​สิ่ง​ที่​มัน​ทำ​อยู่แล้ว ​นั่น​คือ​กระจาย​ความเข้มข้น​ของ​พลังงาน​ออก​ไป

​ไม่​ว่า​รายละเอียด​จะ​ลงตัว​อย่างไร​ในที่สุด ​ภาพ​ใหญ่​ก็​ชัด​แล้ว ​ใน​บท​ที่แล้ว ​จักรวาล​รัน​ลูป​โดย​ไม่​มี​ใคร​อยู่​ใน​นั้น ​ใน​บท​นี้ ​บางสิ่ง​ได้​ก้าว​เข้ามา​อยู่​ใน​ลูป — ​บางสิ่ง​ที่​มี​ขอบเขต ​มี​ความทรงจำ ​มี​เป้าหมาย ​และ​มี​เดิมพัน

​แต่​ลูป​ที่​เรา​มี​อยู่​ตอนนี้​ยัง​ช้า ​ยัง​เงอะงะ ​ยัง​ทำงาน​ทีละ​โมเลกุล ​มัน​ยัง​รอ​เครื่องมือ​ที่จะ​เปลี่ยน​การลองผิดลองถูก​แบบ​สุ่ม ๆ ​ให้​กลายเป็น​กลไก​ค้นหา​ที่​ทรงพลัง​ที่สุด​ที่​โลก​ใบ​นี้​เคย​เห็น

​เครื่องมือ​นั้น​มีชื่อ ​และ​เรา​เรียก​มัน​ว่า​วิวัฒนาการ

​บท​ที่ ๓ — ​นัก​หา​ค่า​เหมาะ​ที่สุด​ผู้ยิ่งใหญ่: ​วิวัฒนาการ​แบบ​ดาร์​วิน​คือ Machine Learning

​อัลกอริทึม​ที่​เขียน​ตัวเอง​ขึ้น​มา

​ใน​บท​นี้​เอง ​ที่​ข้อเสนอ​ที่​กล้า​ที่สุด​ของ​หนังสือ​เล่ม​นี้​จะ​ถูก​วาง​ลง​บน​โต๊ะ​อย่าง​ตรงไปตรงมา ​การคัดเลือก​โดยธรรมชาติ​ไม่​ได้ "​คล้าย" Machine Learning ​และ​ไม่​ได้​เป็น​เพียง "​อุปมา" ​ที่​ดี​ของ ML ​การคัดเลือก​โดยธรรมชาติ ​คือ Machine Learning ​มัน​คือ​อิน​สแตนซ์​แรก​ที่​สมบูรณ์​ของ​อัลกอริทึม​การเรียนรู้​ที่ทำงาน​ด้วยตัวเอง​บน​โลก​ใบ​นี้ ​และ​มัน​เริ่ม​ทำงาน​ราว​สี่​พัน​ล้าน​ปีก่อน​ที่จะ​มี​สมอง​ดวง​ใด​ดวง​หนึ่ง​ใหญ่​พอ​จะ​ตั้งชื่อ​ให้​มัน

​สิ่ง​ที่ Charles Darwin ​ค้นพบ​ใน​ปี ค.ศ. 1859 — ​และ​ที่ Alfred Russel Wallace ​ค้นพบ​โดยอิสระ​ใน​เวลา​ไล่เลี่ยกัน — ​เมื่อ​ถอด​ให้​เหลือ​แก่น ​คือ​สูตร​ขั้นตอนวิธี (algorithm) ​ที่​ต้องการ​เพียง​สาม​เงื่อนไข ​หนึ่ง — ​ต้อง​มี​การแปรผัน ​สมาชิก​ใน​ประชากร​ต้อง​ไม่​เหมือนกัน​เป๊ะ​ทุก​ตัว ​สอง — ​การแปรผัน​นั้น​ต้อง​ถ่ายทอด​ได้ ​ลูก​ต้อง​คล้าย​พ่อแม่​มากกว่า​คล้าย​คนแปลกหน้า ​สาม — ​ต้อง​มี​การคัดเลือก ​ทรัพยากร​ต้อง​จำกัด ​จน​ไม่​ใช่​ทุก​ตัว​ที่จะ​ได้​สืบพันธุ์ ​ถ้า​สาม​เงื่อนไข​นี้​ครบ — ​ไม่​ว่า​จะ​เกิด​กับ​อะไรก็ตาม — ​การปรับตัว​จะ​เกิดขึ้น ​อย่าง​หลีกเลี่ยง​ไม่​ได้ ​มัน​ไม่​ใช่​ทฤษฎี​ที่​อาจ​จริง​หรือไม่​จริง ​มัน​เป็นความ​จำเป็น​เชิง​ตรรกะ ​ถ้า​ครบ​สาม​ข้อ ​ผลลัพธ์​ต้องตาม​มา

​และ​นี่​คือ​สูตร​เดียวกัน​เป๊ะ​กับ​ลูป​การเรียนรู้​ที่​เรา​เดินตาม​มา​ตั้งแต่​บท​แรก ​แปรผัน ​ประเมิน ​คัดเลือก ​ทำซ้ำ ​การกลายพันธุ์​คือ​เครื่อง​สร้าง​ความหลากหลาย ​สิ่งแวดล้อม​คือ​ฟังก์ชัน​ที่​ประเมินผล ​ความตาย​และ​ความสำเร็จ​ใน​การสืบพันธุ์​คือ​การคัดเลือก ​และ​การถ่ายทอด​ทาง​พันธุกรรม​คือ​การทำซ้ำ​จาก​จุด​ที่เก็บ​ไว้ ​จีโนม — ​ลำดับ​รหัส​ใน​ดีเอ็นเอ — ​คือ​ชุด​น้ำหนัก (weights) ​ของ​แบบจำลอง ​และ​ฟังก์ชัน​สูญเสีย​ที่​ใช้​ฝึก​ชุด​น้ำหนัก​นี้ ​คือ​ฟังก์ชัน​ที่​โหดเหี้ยม​ที่สุด​เท่าที่​จะ​จินตนาการ​ได้: ​ความตาย​ก่อน​ได้​สืบพันธุ์

​นัก​ไต่​เขา​ตาบอด

​แต่​วิวัฒนาการ​เป็น​นักเรียน​รู้​แบบ​ไหน ​คำตอบ​สำคัญ ​เพราะ​มัน​บอก​เรา​ถึง​ทั้ง​พลัง​และ​ขีดจำกัด​ของ​ลูป​นี้

Richard Dawkins ​ให้​ภาพ​ที่​ติดตา​ที่สุด — ​วิวัฒนาการ​คือ​ช่าง​ทำนาฬิ​กา​ตาบอด ​มัน​คือ​นัก​ไต่​เขา​ที่​มองไม่เห็น ​ลอง​นึกถึง​คน​ที่​ยืน​อยู่​บน​ภูมิประเทศ​ที่​เป็น​เนินเขา​สลับ​หุบเหว ​ความสูง​ของ​แต่ละ​จุด​คือ "​ความเหมาะสม" (fitness) ​นัก​ไต่​เขา​คน​นี้​ตาบอด​สนิท ​เขา​มองไม่เห็น​ยอดเขา ​มองไม่เห็น​แม้กระทั่ง​ว่า​ตัวเอง​อยู่​ตรงไหน ​เขา​ทำได้​อย่าง​เดียว — ​คลำ​พื้น​รอบ​เท้า​ตัวเอง ​แล้ว​ก้าว​ไป​ทาง​ที่สูง​ขึ้น​เล็กน้อย ​คลำ ​ก้าว ​คลำ ​ก้าว ​ไป​เรื่อย ๆ

​นี่​คือ​สิ่ง​ที่​ใน​วงการ Machine Learning ​เรียก​ว่าการ​ไต่​เนิน (hill climbing) ​และ​มัน​เป็น​ญาติสนิท​ของ​การไหล​ลง​ตาม​ความชัน (gradient descent) ​ที่​ใช้​ฝึก​โครงข่าย​ประสาท​เทียม​ทุกวันนี้ ​จุดร่วม​ที่​สำคัญ​ที่สุด​ของ​ทั้งสอง​คือ ​ทั้งคู่​ทำงาน ​เฉพาะที่ (local) ​ทั้งคู่​ไม่​มี​การมองการณ์ไกล ​ทั้งคู่​ไม่​มีแผน ​วิวัฒนาการ​ไม่​เคย "​เล็ง" ​ไป​ที่​ดวงตา​หรือ​ปีก​หรือ​สมอง ​มัน​แค่​ก้าว​ขึ้น​เนิน​ทีละ​ก้าว​เล็ก ๆ ​ที่​ใช้การได้​ทันที ​สี่​พัน​ล้าน​ปี​ของ​ก้าว​เล็ก ๆ ​ที่ตาบอด ​รวมกัน​เป็นความ​ซับซ้อน​ที่​ตระการตา​ที่สุด​ใน​จักรวาล​ที่​เรา​รู้จัก ​โดย​ไม่​มี​ผู้ออกแบบ​สัก​คนเดียว

​ความเข้าใจ​นี้​ทรงพลัง​จน​นัก​วิทยาการ​คอมพิวเตอร์​หยิบ​มัน​มา​ใช้​ตรง ๆ ​สาขา​ที่​เรียก​ว่าการ​คำนวณ​เชิง​วิวัฒนาการ (evolutionary computation) ​และ​อัลกอริทึม​เชิง​พันธุกรรม (genetic algorithm) ​คือ​การจำลอง​สูตร​ของ​ดาร์​วิน​ใน​ซิลิคอน ​เขียน​คำตอบ​ที่​เป็นไปได้​เป็น "​โครโมโซม" ​ให้​มัน​กลายพันธุ์ ​ให้​มัน​ผสม​ข้าม​กัน ​ให้​ฟังก์ชัน​ความเหมาะสม​ตัดสิน ​เก็บตัว​ที่​ดี ​ทำซ้ำ ​วิศวกร​ใช้​มัน​ออกแบบ​เสาอากาศ​ที่​หน้าตา​ประหลาด​จน​ไม่​มีม​นุษย์​คนใด​คิดออก ​ออกแบบ​ปีก​เครื่องบิน ​ออกแบบ​วงจร ​เมื่อ​มนุษย์​ต้องการ​ค้นหา​ใน​ปริภูมิ​ที่​ใหญ่​เกิน​กว่า​สติปัญญา​จะ​ไล่​ไหว ​เรา​กลับ​ไป​หยิบ​อัลกอริทึม​ที่​เก่าแก่​ที่สุด​ใน​โลก ​มา​รัน​ใหม่​ด้วย​ความเร็ว​ของ​เครื่องจักร

​ความบังเอิญ​ไม่​ใช่​สัญญาณรบกวน — ​มัน​คือ​การค้นหา

​ถึง​ตรงนี้​คน​มัก​เข้าใจ​วิวัฒนาการ​ผิด​ใน​จุด​เดียวกัน ​เขา​มัก​คิด​ว่าการ​คัดเลือก​คือ​พระเอก ​และ​ความบังเอิญ​คือ​สิ่งรบกวน​ที่​ต้อง​ทน ​ความจริง​ลึก​กว่า​นั้น​มาก ​ใน​ลูป​การเรียนรู้ ​ความบังเอิญ​ไม่​ใช่​ศัตรู​ของ​การค้นหา ​ความบังเอิญ ​คือ ​การค้นหา

​พิจารณา​บทบาท​ของ​ความบังเอิญ​ให้​ครบ​ทุก​ชั้น ​ชั้นแรก​คือ​การกลายพันธุ์ — ​การคัดลอก​ดีเอ็นเอ​ที่​ผิดพลาด​แบบ​สุ่ม ​นี่​คือ​เครื่อง​สร้าง​ความหลากหลาย ​ถ้า​ไม่​มี​มัน ​ประชากร​จะ​เหมือนกัน​หมด ​และ​การคัดเลือก​ก็​ไม่​มี​อะไร​ให้​เลือก ​การคัดเลือก​ที่​ปราศจาก​การกลายพันธุ์​ก็​เหมือน​บรรณาธิการ​ที่​เก่งกาจ​แต่​ไม่​มี​ต้นฉบับ​ให้​แก้

​ชั้น​ที่สอง​ลึก​กว่า​นั้น — ​สิ่ง​ที่​เรียก​ว่าการ​เปลี่ยนแปลง​ความถี่​ยีน​แบบ​สุ่ม (genetic drift) ​ใน​ประชากร​จริง ​ไม่​ใช่​ทุกครั้งที่ "​ตัว​ที่​เหมาะสม​ที่สุด" ​จะ​ชนะ ​บางครั้ง​ตัว​ที่​แข็งแรง​สะดุด​หิน​ตาย​ก่อน​ผสมพันธุ์ ​บางครั้ง​ตัว​ที่​ธรรมดา​บังเอิญ​รอด ​พายุ ​น้ำท่วม ​ฟ้าผ่า — ​เหตุ​สุ่ม​เหล่านี้​สับเปลี่ยน​ความถี่​ของ​ยีน​โดย​ไม่​สน​ความเหมาะสม​เลย ​และ​ใน​ประชากร​ขนาดเล็ก ​แรง​สุ่ม​นี้​ทรงพลัง​กว่า​การคัดเลือก​ด้วยซ้ำ

​นัก​พันธุศาสตร์​ชื่อ Motoo Kimura ​ผลัก​ความเข้าใจ​นี้​ไป​ไกล​ที่สุด​ด้วย​ทฤษฎี​ที่​เป็นกลาง (neutral theory) ​ใจความ​คือ ​การเปลี่ยนแปลง​ระดับ​โมเลกุล​ส่วนใหญ่​ใน​จีโนม ​ไม่​ได้ดี​ขึ้น​หรือ​แย่​ลง — ​มัน​เป็นกลาง ​และ​ชะตากรรม​ของ​มัน​ถูก​กำหนด​ด้วย​การดริฟต์​แบบ​สุ่ม​ล้วน ๆ ​ขอ​เน้น​ให้​ชัด ​ทฤษฎี​นี้​ไม่​ได้​ปฏิเสธ​การคัดเลือก​โดยธรรมชาติ ​การคัดเลือก​ยัง​เป็น​ผู้สร้าง​การปรับตัว​ที่​ซับซ้อน​ทั้งหมด ​สิ่ง​ที่ Kimura ​เพิ่ม​เข้ามา​คือ ​ใต้​พื้นผิว​ของ​การปรับตัว​เหล่านั้น ​มี​กระแสน้ำ​ใหญ่​ของ​การเปลี่ยนแปลง​ที่​เป็นกลาง​ไหล​อยู่​ตลอดเวลา ​และ​ใน​ภาษา​ของ ML ​กระแส​นั้น​มีค่า​อย่างยิ่ง ​มัน​คือ​การสำรวจ​ปริภูมิ​การค้นหา​อย่าง​ต่อเนื่อง​โดย​ไม่​มี​ต้นทุน ​การกลายพันธุ์​ที่​วันนี้​เป็นกลาง ​อาจ​กลายเป็น​กุญแจ​สำคัญ​เมื่อ​สิ่งแวดล้อม​เปลี่ยน​ใน​วัน​หน้า ​ความหลากหลาย​ที่​เป็นกลาง ​คือ​คลัง​สำรอง​ของ​ความเป็นไปได้

​และ​ยังมี​ปรากฏการณ์​ที่​ลึกซึ้ง​ที่สุด — ​การนำ​ไป​ใช้​ใหม่ (exaptation) ​โครงสร้าง​ที่​วิวัฒน์​ขึ้น​มา​เพื่อ​หน้าที่​หนึ่ง ​บางครั้ง​ถูก​ฉวย​ไป​ทำ​อีก​หน้าที่​หนึ่ง​โดยสิ้นเชิง ​ขนนก​ใน​ตอนแรก​อาจ​วิวัฒน์​มา​เพื่อ​รักษา​อุณหภูมิ ​ก่อน​จะ​ถูก​นำไปใช้​ใน​การบิน​เมื่อ​หลาย​ล้าน​ปี​ให้หลัง ​ปอด​ของ​เรา​สืบสาย​มาจาก​กระเพาะ​ลม​ของ​ปลา ​ความบังเอิญ​ใน​อดีต​คือ​วัตถุดิบ​ของ​นวัตกรรม​ในอนาคต

Stephen Jay Gould ​สรุปความ​จริง​นี้​ไว้​ด้วย​การทดลอง​ทาง​ความคิด​ที่​ก้องกังวาน — ​ถ้า​เรา​ย้อน "​เทป​แห่ง​ชีวิต" ​กลับ​ไป​จุดเริ่มต้น ​แล้ว​ปล่อย​ให้​มัน​เล่น​ใหม่ ​ผลลัพธ์​จะ​แตกต่าง​ไป​อย่าง​สิ้นเชิง ​อาจ​ไม่​มีม​นุษย์ ​อาจ​ไม่​มี​สัตว์เลี้ยงลูกด้วยนม ​อาจ​ไม่​มี​แม้แต่​กระดูกสันหลัง ​วิวัฒนาการ​ไม่​ได้ "​มุ่ง" ​มาหา​เรา ​เรา​คือ​ผล​ของ​อุบัติเหตุ​นับไม่ถ้วน​ที่​บังเอิญ​ต่อกัน​ได้​พอดี ​และ​นี่​ไม่​ใช่​เรื่อง​น่า​หดหู่ ​มัน​คือ​ธรรมชาติ​ของ​การค้นหา​ที่แท้​จริง ​อัลกอริทึม​ที่​ผลลัพธ์​ทำนาย​ได้​ล่วงหน้า​ทุกครั้ง ​ไม่​ใช่​อัลกอริทึม​ที่​กำลัง​ค้นหา​อะไร ​มัน​แค่​กำลัง​เดินตาม​เส้น​ที่​ขีด​ไว้​แล้ว

​การก​ระ​โดด ​การล่มสลาย ​และ​การหนี​จาก​ยอดเขา​ที่​ผิด

​นัก​ไต่​เขา​ตาบอด​มี​จุดอ่อน​ร้ายแรง​ข้อ​หนึ่ง ​เขา​ไต่​ขึ้น​ได้​เท่านั้น ​พอ​ถึง​ยอด​เนิน​เล็ก ๆ ​ลูก​หนึ่ง ​เขา​ก็​ติด​อยู่​ตรงนั้น ​เพราะ​ทุก​ก้าว​ที่​ออกจาก​ยอด​คือ​ก้าว​ที่ "​ลง" ​และ​การคัดเลือก​ไม่​ยอมให้​ก้าว​ลง ​แม้ว่า​อีก​ฟาก​ของ​หุบเหว​จะ​มี​ภูเขา​ที่สูง​กว่า​มาก​รอ​อยู่​ก็ตาม ​นี่​คือ​สิ่ง​ที่ ML ​เรียก​ว่าการ​ติดกับดัก​จุด​เหมาะ​ที่สุด​เฉพาะถิ่น (local optimum)

​ธรรมชาติ​มี​คำตอบ​หลาย​ข้อ ​ข้อ​หนึ่ง​คือ​สิ่ง​ที่ Gould ​และ Niles Eldredge ​เรียก​ว่า​ดุลยภาพ​แบบ​กระโดด (punctuated equilibrium) ​บันทึก​ซากดึกดำบรรพ์​ไม่​ได้​แสดง​การเปลี่ยนแปลง​ที่ราบ​รื่น​สม่ำเสมอ ​มัน​แสดง​ช่วง​นิ่ง​ยาวนาน ​คั่น​ด้วย​การเปลี่ยนแปลง​อย่าง​ฉับพลัน ​สิ่งมีชีวิต​อยู่​นิ่ง​บน​ยอด​เนิน​ของ​มัน​นาน​มาก ​จนกระทั่ง​บางสิ่ง​สะเทือน​ทั้ง​ภูมิทัศน์

​และ​ตัว​สะเทือน​ที่​ทรงพลัง​ที่สุด​คือ​การสูญพันธุ์​ครั้ง​ใหญ่ ​เมื่อ​อุกกาบาต​พุ่งชน​โลก​เมื่อ 66 ​ล้าน​ปีก่อน ​มัน​กวาดล้าง​ไดโนเสาร์​ที่​ไม่​ใช่​นก ​ในแง่​หนึ่ง​นี่​คือ​โศกนาฏกรรม ​แต่​ในแง่​ของ​ลูป​การเรียนรู้ ​มัน​คือ​การรีเซ็ต ​มัน​คือ​การสะบัด​นัก​ไต่​เขา​ทุก​ตัว​ออกจาก​ยอด​เนิน​ที่​เขา​ติด​อยู่ ​แล้ว​โยน​ทุก​ตัว​ลง​สู่​ภูมิทัศน์​ที่​เปิด​โล่ง​อีกครั้ง ​สัตว์เลี้ยงลูกด้วยนม — ​ที่​เคย​เป็น​สิ่งมีชีวิต​เล็ก ๆ ​หลบ ๆ ​ซ่อน ๆ ​มา​นับ​ร้อย​ล้าน​ปี — ​ทัน​ใด​นั้น​ก็​พบ​ว่า​ภูเขา​ทั้ง​ลูก​ว่างเปล่า​ให้​ไต่​ขึ้นไป ​รวมถึง​เรา​ด้วย ​การล่มสลาย​ครั้ง​ใหญ่​คือ​กลไก​ของ​จักรวาล​ใน​การหนี​ออกจาก​ยอดเขา​ที่​ผิด

​จีโนม​ใน​ฐานะ​แบบจำลอง​ที่​ถูก​บีบ​อัด

​ก่อน​จะ​ปิด​บท​นี้ ​ขอ​ชวน​มอง​จีโนม​ใน​มุม​ที่​อาจ​เปลี่ยน​วิธี​ที่​คุณ​คิดถึง​มัน​ตลอดไป

​จีโนม​ของ​สิ่งมีชีวิต​คือ​แบบจำลอง​ที่​ถูก​บีบ​อัด (compressed model) ​ของ​สิ่งแวดล้อม​ใน​อดีต ​มัน​คือ​คำทำนาย​ทาง​สถิติ​ที่​เขียน​ด้วย​รหัส​สี่​ตัวอักษร ​เกี่ยวกับว่า​โลก​ใบ​นี้ "​เป็น​อย่างไร" ​ความจริง​ที่ว่า​ตา​ของ​คุณ​มี​เลนส์ ​คือ​คำกล่าว​ของ​จีโนม​ว่า "​แสง​ใน​โลก​นี้​หักเห​ได้" ​ความจริง​ที่ว่า​คุณ​มี​ปอด ​คือ​คำกล่าว​ว่า "​บรรยากาศ​มี​ออกซิเจน" ​สัญชาตญาณ​กลัว​งู​ที่​ฝัง​ลึก​ใน​ตัว​มนุษย์ ​คือ​ความทรงจำ​ที่​ถูก​บีบ​อัด​ของ​บรรพบุรุษ​นับ​ล้าน​ที่​งู​กัด​ตาย ​ทุก​ยีน​คือ​สมมติฐาน​เกี่ยวกับ​โลก ​ที่​ผ่านการทดสอบ​มา​แล้ว​นับไม่ถ้วน​ครั้ง — ​และ​ผู้​ที่​ถือ​สมมติฐาน​ผิด ​ก็​ไม่​ได้​อยู่​ส่งต่อ​มัน​มา

​และ​การเจริญ​ของ​ตัวอ่อน — ​กระบวนการ​ที่​ไข่​ใบ​เดียว​คลี่​ตัว​ออก​เป็น​สิ่งมีชีวิต​ที่​สมบูรณ์ — ​คือ​การ "​อนุมาน" (inference) ​แบบจำลอง​นั้น​ออกมา​เป็น​เนื้อหนัง ​มัน​คือ​การรัน​โมเดล​ที่​ฝึก​มา​แล้ว ​ให้​ทำนาย​ว่า​ร่างกาย​ที่​ใช้การได้​ใน​โลก​นี้ ​ควร​มี​รูปร่าง​อย่างไร

​อัลกอริทึม​เดียว ​ไม่​ผูก​กับ​วัสดุ

​ข้อสรุป​ที่​ลึก​ที่สุด​ของ​บท​นี้ ​เป็น​ของ​นักคิด​สอง​คน Donald Campbell ​เรียก​มัน​ว่า​ลัทธิ​ดาร์​วิน​สากล (universal Darwinism) ​และ Daniel Dennett ​เรียก​หัวใจ​ของ​มัน​ว่าความ​เป็นกลาง​ต่อ​วัสดุ (substrate neutrality) ​ใจความ​คือ ​สูตร​ของ​ดาร์​วิน — ​แปรผัน ​คัดเลือก ​ถ่ายทอด — ​ไม่​ได้​ผูก​ติดกับ​ดีเอ็นเอ ​ไม่​ได้​ผูก​กับ​คาร์บอน ​ไม่​ได้​ผูก​กับ​สิ่งมีชีวิต​ทางชีววิทยา​เลย ​มัน​เป็น​อัลกอริทึม​ที่​เป็น​นามธรรม​ล้วน ๆ ​และ​มัน​จะ​ทำงาน​บน ​อะไรก็ตาม ​ที่​มี​คุณสมบัติ​สาม​ข้อ​นั้น​ครบ

​นี่​คือ​เหตุผล​ที่​หนังสือ​เล่ม​นี้​เขียน​ได้​ตั้งแต่​ต้น ​เพราะ​ถ้า​ลูป​การเรียนรู้​เป็น​นามธรรม​ที่​ไม่​ผูก​กับ​วัสดุ​จริง ​มัน​ก็​สามารถ​ทำงาน​บน​กลุ่ม​ก๊าซ​ใน​บท​ที่หนึ่ง ​บน​โมเลกุล​ใน​บท​ที่สอง ​บน​ยีน​ใน​บท​ที่สาม ​และ​อย่าง​ที่​เรา​จะ​เห็น — ​บน​เซลล์​ประสาท ​บน​ความคิด ​บน​วัฒนธรรม ​และ​บน​ซิลิคอน ​มัน​คือ​อัลกอริทึม​เดียวกัน ​เปลี่ยน​แค่​วัสดุ​ที่​มัน​รัน​อยู่

​วิวัฒนาการ​ทางชีววิทยา​ทำงาน​ได้​อย่าง​น่าทึ่ง ​แต่​มัน​มี​จุดอ่อน​ข้อ​ใหญ่ ​มัน​ช้า ​มัน​เรียนรู้​ข้าม​รุ่น​เท่านั้น ​บทเรียน​ที่​สิ่งมีชีวิต​หนึ่ง​ตัว​ได้มา​ตลอดชีวิต ​ตาย​ไป​พร้อมกับ​มัน ​ไม่​มีทาง​ส่งต่อ

​จนกระทั่ง​จักรวาล​ค้นพบ​วิธี​สร้าง​บางสิ่ง​ที่​เรียนรู้​ได้ ​ภายใน​ชีวิต​เดียว

​จักรวาล​กำลังจะ​สร้าง​สมอง

​บท​ที่ ๔ — ​สสาร​ที่​จำลอง​ตัวเอง: ​สมอง ​จิต ​และ​การรับรู้

​ปัญหา​ของ​ความเร็ว

​วิวัฒนาการ​เป็น​นักเรียน​รู้​ที่​ยอดเยี่ยม ​แต่​มัน​มี​จุดอ่อน​ข้อ​เดียว​ที่​ร้ายแรง — ​มัน​ช้า​อย่าง​สิ้นหวัง ​บทเรียน​แต่ละ​บท​ของ​วิวัฒนาการ​ต้อง​ใช้เวลา​หนึ่ง​รุ่น​ชีวิต​เป็น​อย่าง​น้อย ​ถ้า​สิ่งแวดล้อม​เปลี่ยน ​ประชากร​ต้อง​รอ​ให้​ตัว​ที่​ปรับตัว​ไม่​ได้​ตาย​ไป ​แล้ว​ให้​ตัว​ที่​บังเอิญ​เหมาะ​กว่า​สืบพันธุ์​ต่อ ​กว่า​จะ​ได้​บทเรียน​หนึ่ง​บท ​ก็​ผ่าน​ไป​หลาย​สิบ ​หลาย​ร้อย ​หลาย​พันปี

​ลอง​นึกถึง​กวาง​ที่​เผชิญ​เสือ​เป็นครั้งแรก ​ถ้า​มัน​ต้อง​พึ่ง​วิวัฒนาการ​ล้วน ๆ ​ใน​การ "​เรียนรู้" ​ว่า​เสือ​อันตราย ​กวาง​ตัว​นั้น​ต้อง​ตาย ​ลูกหลาน​ของ​มัน​ที่​บังเอิญ​มี​ยีน​ขี้กลัว​กว่า​เล็กน้อย​ต้อง​รอด ​แล้ว​ทำซ้ำ​หลาย​ร้อย​รุ่น ​นี่​ช้า​เกินไป​อย่าง​น่า​ใจหาย ​จักรวาล​ต้องการ​ลูป​การเรียนรู้​แบบ​ใหม่ — ​ลูป​ที่ทำงาน​ได้ ​ภายใน​ชีวิต​เดียว ​ลูป​ที่​กวาง​ตัว​เดียว​เห็น​เสือ​ครั้ง​เดียว ​แล้ว​เรียนรู้​ทันที

​คำตอบ​ของ​จักรวาล​คือ​ระบบประสาท ​และ​เซลล์​ประสาท​คือ​การประดิษฐ์​ที่​พลิก​เกม ​เพราะ​มัน​ย้าย​ลูป​การเรียนรู้​ออกจาก​มาตรา​เวลา​ของ​รุ่น ​มาสู่​มาตรา​เวลา​ของ​วินาที

​สมอง​คือ​เครื่อง​ทำนาย

​แต่​สมอง​ทำ​อะไร​กัน​แน่ ​คน​ทั่วไป​มัก​คิด​ว่า​สมอง​คือ​เครื่องประมวลผล​ข้อมูล — ​รับ​ภาพ​เสียง​กลิ่น​เข้ามา ​คิด ​แล้ว​สั่งการ​ออก​ไป ​ภาพ​นี้​ไม่​ผิด ​แต่​มัน​พลาด​หัวใจ ​มุมมอง​ที่​ทรงพลัง​ที่สุด​ใน​วิทยาศาสตร์​สมอง​ร่วมสมัย​บอก​ว่า ​สมอง​ไม่​ใช่​เครื่องรับ​ข้อมูล​แบบ​ตั้ง​รับ ​สมอง​คือ ​เครื่อง​ทำนาย

​แนวคิด​นี้​เรียก​ว่าการ​เข้ารหัส​เชิง​ทำนาย (predictive coding) ​ใจความ​คือ ​สมอง​สร้าง​แบบจำลอง​ของ​โลก​ขึ้น​มา​ใน​ตัว​มัน​เอง​ตลอดเวลา ​และ​ใช้​แบบจำลอง​นั้น ​ทำนาย​ล่วงหน้า ​ว่า​สัญญาณ​ประสาทสัมผัส​ชุด​ต่อไป​จะ​เป็น​อย่างไร ​แล้ว​สิ่ง​ที่​ไหล​ขึ้นไป​ใน​สมอง​จริง ๆ ​ไม่​ใช่​ข้อมูลดิบ​ทั้งหมด ​แต่​เป็น ​ความผิดพลาด​ของ​การทำนาย (prediction error) — ​ส่วน​ต่าง​ระหว่าง​สิ่ง​ที่​สมอง​คาด ​กับ​สิ่ง​ที่​ประสาทสัมผัส​รายงาน​มา ​ถ้า​ทำนาย​ถูก ​ก็​เงียบ ​ไม่​มี​อะไร​ต้อง​ส่ง​ขึ้นไป ​ถ้า​ทำนาย​ผิด ​สัญญาณ​ความผิดพลาด​จะ​พุ่ง​ขึ้น ​และ​สมอง​ก็​ปรับ​แบบจำลอง​เพื่อให้​ครั้งหน้า​ทำนาย​ดีขึ้น

​หยุด​สักครู่​แล้ว​สังเกต​ให้​ดี ​นี่​คือ​ลูป​การเรียนรู้​เดิม​เป๊ะ — ​มี​การทำนาย (​สมมติฐาน), ​มี​การประเมิน​เทียบ​กับ​โลก, ​มี​สัญญาณ​ความผิดพลาด, ​และ​มี​การปรับ​เพื่อ​ลด​ความผิดพลาด​นั้น ​มัน​คือ​การไหล​ลง​ตาม​ความชัน​ที่ทำงาน​ใน​กะโหลก​ของ​คุณ ​ใน​เวลาจริง ​ทุกขณะ​ที่​คุณ​ตื่น​อยู่ ​นัก​ประสาท​วิทยาศาสตร์ Karl Friston ​ผลัก​แนวคิด​นี้​ไป​ไกล​ที่สุด​ด้วย​สิ่ง​ที่​เขา​เรียก​ว่า​หลัก​พลังงาน​อิสระ (free-energy principle) ​ซึ่ง​เสนอ​ว่า​สิ่งมีชีวิต​ทั้งหมด ​ไม่​ใช่​แค่​สมอง ​ดำรงอยู่​ได้​ด้วย​การลด​ความประหลาดใจ — ​ลด​ส่วน​ต่าง​ระหว่าง​โลก​ที่​คาด​ไว้​กับ​โลก​ที่​เจอ​จริง ​ให้​เหลือ​น้อยที่สุด ​ต้อง​บอก​ตามตรง​ว่า​หลักการ​นี้​ยัง​เป็น​กรอบ​ทฤษฎี​ที่​ถกเถียง​กัน​อยู่ ​ไม่​ใช่​กฎ​ที่​ยืนยัน​แล้ว​สำหรับ​ทุก​ระบบ ​แต่​ใน​ฐานะ​วิธี​มอง ​มัน​สง่างาม​อย่างยิ่ง — ​มัน​บอก​ว่า "​การมีชีวิต​อยู่" ​กับ "​การเป็น​แบบจำลอง​ที่​ดี​ของ​สิ่งแวดล้อม​ตัวเอง" ​อาจ​เป็น​สิ่ง​เดียวกัน

​ทุกสิ่ง​ที่​คุณ​รับรู้ ​คือ​การทำนาย​ที่​ดี​ที่สุด​ของ​สมอง

​เรา​ได้​เดินทาง​มาถึง "​ทุกสิ่งทุกอย่าง​ที่​เรา​รับรู้" ​แล้ว ​และ​นี่​คือ​จุด​ที่​ต้อง​พูดถึง​มัน​ตรง ๆ ​เพราะ​ผลพวง​ของ​การที่​สมอง​เป็น​เครื่อง​ทำนาย​นั้น​น่า​ตื่น​ตะลึง ​และ​รบกวน​ใจ​ในเวลาเดียวกัน

​คุณ​ไม่​เคย​สัมผัส​โลก​โดยตรง ​ไม่​เคย​เลย ​แม้แต่​ครั้ง​เดียว

​สิ่ง​ที่​คุณ​เรียก​ว่า "​การเห็น" ​ไม่​ใช่​หน้าต่าง​ใส ๆ ​ที่​เปิด​ออก​สู่​ความจริง ​แสง​ตก​กระทบ​จอตา ​กระตุ้น​เซลล์​รับ​แสง ​ส่งสัญญาณ​ไฟฟ้า​ชุด​หนึ่ง​เข้า​สมอง ​สัญญาณ​ชุด​นั้น​ไม่​มี "​สี" ​ไม่​มี "​รูปทรง" ​ไม่​มี "​ความหมาย" ​ติด​มา​ด้วย ​มัน​เป็น​แค่​พัลส์​ไฟฟ้า ​แล้ว​สมอง​ก็​ทำ​สิ่ง​ที่​มัน​ถนัด — ​มัน ​สร้าง​แบบจำลอง ​ขึ้น​มา​ว่า ​อะไร​ใน​โลก​ข้างนอก​ที่​น่าจะ​ก่อให้เกิด​สัญญาณ​ชุด​นี้​ได้ดี​ที่สุด ​และ​แบบจำลอง​นั้น​เอง — ​คำทำนาย​ที่​ดี​ที่สุด​ของ​สมอง — ​คือ​สิ่ง​ที่​คุณ "​เห็น"

​นัก​ประสาท​วิทยาศาสตร์ Anil Seth ​เรียก​ประสบการณ์​การรับรู้​ว่า "​ภาพ​หลอน​ที่​ถูก​ควบคุม" (controlled hallucination) ​คำ​ว่า​ภาพ​หลอน ​เพราะ​มัน​ถูก​สร้าง​ขึ้น​ทั้งหมด​จาก​ภายใน​สมอง ​คำ​ว่า​ถูก​ควบคุม ​เพราะ​มัน​ถูก​ผูก​ไว้​ด้วย​สาย​จูง — ​สาย​จูง​ของ​ความผิดพลาด​ใน​การทำนาย ​ที่​คอย​ดึง​ให้​แบบจำลอง​นั้น​ไม่​หลุดลอย​ไป​จาก​ความจริง​ไกล​เกินไป ​โลก​ที่​คุณอาศั​ยอ​ยู่​ทุก​วินาที​ของ​ชีวิต ​คือ​แบบจำลอง​ที่​สมอง​คุณ​ฝึก​ขึ้น​มา ​ฝัน​ที่​ถูก​ตรึง​ไว้​กับ​ข้อเท็จจริง​ด้วย​ลูป​แก้​ความผิดพลาด

​นี่​ไม่​ใช่​ปรัชญา​ที่​ชวน​สิ้นหวัง ​มัน​คือ​ความจริง​ที่​ปลดปล่อย ​เพราะ​มัน​หมายความว่า​คุณ — ​ใน​ความหมาย​ที่​ลึก​ที่สุด — ​คือ​แบบจำลอง ​คือ​กระบวนการ​เรียนรู้​ที่​กำลัง​ทำงาน​อยู่ ​จักรวาล​ใช้เวลา​เกือบ​หนึ่ง​หมื่น​สี่​พัน​ล้าน​ปี ​เรียนรู้​ที่จะ​สร้าง​ชิ้นส่วน​ของ​ตัวเอง​ที่​บรรจุ​แบบจำลอง​ของ​ส่วนที่เหลือ​ทั้งหมด​เอาไว้​ภายใน ​สมอง​คือ​กระจก​ที่​จักรวาล​ขัด​ขึ้น​มา​เพื่อ​ส่อง​ดูตัว​เอง

​สอง​มาตรา​เวลา​ของ​การเรียนรู้

​ตอนนี้​จักรวาล​มี​ลูป​การเรียนรู้​สอง​ลูป​ทำงาน​ซ้อน​กัน ​ลูป​แรก​คือ​วิวัฒนาการ — ​ช้า ​ข้าม​รุ่น ​เขียน​บทเรียน​ลง​ใน​จีโนม ​นักชีววิทยา​เรียก​มาตรา​นี้​ว่า​วิวัฒนาการ​สายพันธุ์ (phylogeny) ​ลูป​ที่สอง​คือ​การเรียนรู้​ของ​แต่ละ​ชีวิต — ​เร็ว ​ภายใน​ชีวิต​เดียว ​เขียน​บทเรียน​ลง​ใน​การเชื่อมต่อ​ของ​เซลล์​ประสาท ​นักชีววิทยา​เรียก​มาตรา​นี้​ว่าการ​เจริญ​ของ​ปัจเจก (ontogeny)

​ทั้งสอง​ลูป​นี้​ทำงาน​ร่วมกัน​อย่าง​แยบยล ​จีโนม​ไม่​ได้​กำหนด​สมอง​มา​จน​เสร็จสรรพ​ทุก​การเชื่อมต่อ — ​มัน​ทำ​ไม่​ได้ ​ข้อมูล​ใน​จีโนม​ไม่​พอ​จะ​ระบุ​การเชื่อมต่อ​นับ​ล้าน​ล้าน​จุด​ใน​สมอง ​สิ่ง​ที่​จีโนม​ทำ​คือ​กำหนด ​สถาปัตยกรรม​เริ่มต้น ​และ ​กฎ​การเรียนรู้ — ​มัน​ให้ "​อคติ​เชิง​อุปนัย" (inductive bias) ​มา ​แล้ว​ปล่อย​ให้​ประสบการณ์​ของ​ชีวิต​หนึ่ง ๆ ​เป็น​ผู้​เติม​รายละเอียด​ที่​เหลือ ​ใน​ภาษา ML ​นี่​คือ​ความสัมพันธ์​ระหว่าง​สถาปัตยกรรม​ของ​แบบจำลอง​ที่​ออกแบบ​ไว้​ล่วงหน้า ​กับ​น้ำหนัก​ที่​เรียนรู้​จาก​ข้อมูล ​วิวัฒนาการ​ออกแบบ​โครงสร้าง ​ชีวิต​ของ​คุณ​เป็น​ผู้ฝึก​มัน

​และ​เมื่อ​มนุษย์​ปรากฏ​ขึ้น ​ลูป​ที่สาม​ก็​ถือกำเนิด — ​วัฒนธรรม ​ซึ่ง​เร็ว​ยิ่งกว่า ​และ​เรา​จะ​พูดถึง​มัน​ใน​บท​หน้า

​ความเจ็บปวด ​ความสุข ​และ​ฟังก์ชัน​สูญเสีย​ที่จับ​ต้อง​ได้

​ยังมี​คำถาม​ค้าง​อยู่ ​ลูป​การเรียนรู้​ใน​สมอง​ต้อง​มี​ฟังก์ชัน​สูญเสีย — ​ต้อง​มี​สัญญาณ​ที่​บอก​ว่า "​ดี" ​หรือ "​แย่" ​สัญญาณ​นั้น​อยู่​ตรงไหน

​คำตอบ​คือ ​คุณ​รู้สึก​มัน​ได้​ทุกวัน ​ความเจ็บปวด​และ​ความสุข​คือ​ฟังก์ชัน​สูญเสีย​ทางชีววิทยา ​ที่​จักรวาล​เขียน​ขึ้น​มา​ให้​รู้สึก​ได้​จาก​ภายใน ​ความเจ็บปวด​คือ​สัญญาณ​ว่า "​สถานะ​นี้​คุกคาม​ฟังก์ชัน​สูญเสีย​พื้นฐาน — ​คงอยู่​และ​สืบพันธุ์ — ​อย่า​ทำซ้ำ" ​ความสุข​คือ​สัญญาณ​ว่า "​สถานะ​นี้​ส่งเสริม​มัน ​ทำ​อีก" ​ความหิว ​ความกลัว ​ความอบอุ่น​จาก​การได้​อยู่​ใกล้​คน​ที่รัก ​ทั้งหมด​นี้​คือ​ค่า​ของ​ฟังก์ชัน​สูญเสีย ​ที่​วิวัฒนาการ​ติดตั้ง​ไว้​ใน​ตัว​คุณ ​เพื่อ​กำกับ​การเรียนรู้​ใน​แต่ละวัน ​อารมณ์​ไม่​ใช่​สิ่ง​ตรงข้าม​กับ​เหตุผล ​อารมณ์​คือ​ระบบ​ให้คะแนน​ที่​เรียนรู้​มา — ​มัน​คือ​สิ่ง​ที่ ML ​เรียก​ว่า​ส่วน​ประเมิน​คุณค่า (value head) ​ของ​แบบจำลอง

​และ​มี​หลักฐาน​เชิงประจักษ์​ที่​สวยงาม​ที่สุด​ข้อ​หนึ่ง​เชื่อม​เรื่อง​นี้​เข้ากับ Machine Learning ​โดยตรง ​นั่น​คือ​สาร​โด​พา​มีน ​คน​ทั่วไป​เรียก​โด​พา​มีน​ว่า "​สาร​แห่ง​ความสุข" ​ซึ่ง​ผิด ​งานวิจัย​ของ Wolfram Schultz ​และ​การตีความ​เชิง​คำนวณ​โดย Peter Dayan ​และ Read Montague ​แสดงให้เห็น​ว่า ​เซลล์​ประสาท​ที่​หลั่ง​โด​พา​มีน​ไม่​ได้​ส่งสัญญาณ "​รางวัล" ​มัน​ส่งสัญญาณ ​ความผิดพลาด​ของ​การทำนาย​รางวัล (reward prediction error) — ​ส่วน​ต่าง​ระหว่าง​รางวัล​ที่​คาด ​กับ​รางวัล​ที่​ได้​จริง ​ถ้า​ได้​รางวัล​ตาม​คาด​พอดี ​โด​พา​มีน​แทบ​ไม่​กระ​เพื่อม ​ถ้า​ได้​รางวัล​เกินคาด ​โด​พา​มีน​พุ่ง ​ถ้า​คาด​ว่า​จะ​ได้​แล้ว​ไม่​ได้ ​โด​พา​มีน​ดิ่ง

​นี่​คือ​สิ่ง​ที่​สะกด​ให้​นักวิทยาศาสตร์​ตะลึง ​เพราะ "​ความผิดพลาด​ของ​การทำนาย​รางวัล" ​คือ​หัวใจ​ของ​อัลกอริทึม​การเรียนรู้​แบบ​เสริม​แรง (reinforcement learning) ​ใน​วิชา​คอมพิวเตอร์​เป๊ะ ๆ — ​สมการ​เดียวกัน ​นักทฤษฎี ML ​คิด​สมการ​นี้​ขึ้น​มา​เพื่อ​สอน​เครื่องจักร ​แล้ว​นัก​ประสาท​วิทยาศาสตร์​ก็​ไป​พบ​สมการ​เดียวกัน​นั้น ​สลัก​อยู่​ใน​วงจร​เคมี​ของ​สมอง​สัตว์เลี้ยงลูกด้วยนม ​จักรวาล​ค้นพบ​อัลกอริทึม​การเรียนรู้​แบบ​เสริม​แรง ​หลาย​ล้าน​ปีก่อน​ที่​เรา​จะ​ค้นพบ​มัน​ซ้ำ ​และ​นึก​ว่า​เรา​เป็น​คน​คิด

​จาก​กลุ่ม​ก๊าซ​ที่​ยุบตัว ​สู่​โมเลกุล​ที่​คัดลอก​ตัวเอง ​สู่​ยีน​ที่​ถูก​ฝึก​ด้วย​ความตาย ​สู่​สมอง​ที่​ทำนาย​โลก​แบบ​เรียลไทม์ ​ลูป​เดียวกัน​ไต่​ระดับ​ความซับซ้อน​ขึ้น​มา​ตลอด ​แต่ละ​ชั้น​เร็ว​กว่า​ชั้น​ก่อน ​แต่ละ​ชั้น​วาง​อยู่​บน​ไหล่​ของ​ชั้น​ที่อยู่​ใต้​มัน

​แล้ว​บางสิ่ง​ที่​ไม่​เคย​เกิดขึ้น​มา​ก่อน​ใน​ประวัติศาสตร์​ของ​จักรวาล​ก็​เกิดขึ้น ​ชิ้นส่วน​หนึ่ง​ของ​จักรวาล — ​สมอง​ของ​ไพรเมต​สายพันธุ์​หนึ่ง​บน​ดาวเคราะห์​เล็ก ๆ — ​เกิด​ซับซ้อน​พอที่จะ ​หันกลับ​มา​มอง​ลูป​ที่​สร้าง​มัน​ขึ้น​มา ​และ​เริ่ม​ถาม​ว่า ​มัน​ทำงาน​อย่างไร

​จักรวาล​กำลังจะ​ลืมตา​ดูตัว​เอง

​บท​ที่ ๕ — ​จักรวาล​สร้าง​กระจกเงา: ​วัฒนธรรม ​วิทยาศาสตร์ ​และ AI

​ลูป​ที่สาม: ​การเรียนรู้​ที่​หลุดพ้น​จาก​ร่างกาย

​สมอง​แก้ปัญหา​ความช้า​ของ​วิวัฒนาการ​ได้ ​มัน​ย้าย​การเรียนรู้​มาสู่​มาตรา​เวลา​ของ​ชีวิต​เดียว ​แต่​สมอง​ก็​ยังมี​จุดอ่อน​ที่​ร้ายแรง​ไม่​แพ้​กัน — ​บทเรียน​ทั้งหมด​ที่​มัน​สะสม​มา​ตลอดชีวิต ​ตาย​ไป​พร้อมกับ​มัน

​ลอง​คิดถึง​ความสูญเปล่า​มหาศาล​นี้ ​บรรพบุรุษ​ของ​เรา​คน​หนึ่ง​ใช้เวลา​ทั้ง​ชีวิต​เรียนรู้​ว่า​ผลไม้​ชนิด​ใด​กิน​ได้ ​ฤดู​ใด​ล่าสัตว์​ได้ผล ​ดาว​ดวง​ใด​บอก​ทิศ ​แล้ว​เขา​ก็​ตาย ​และ​ความรู้​นั้น​ก็​ดับ​ไป​กับ​เขา ​คน​รุ่น​ถัดมา​ต้อง​เริ่ม​จาก​ศูนย์ ​การเรียนรู้​ใน​สมอง​เหมือน​การเขียน​หนังสือ​ทั้ง​เล่ม​อย่าง​ประณีต ​แล้ว​เผา​มัน​ทิ้ง​ทุกครั้งที่​ผู้เขียน​เสียชีวิต

​แล้ว​จักรวาล​ก็​ค้นพบ​ลูป​การเรียนรู้​ลูป​ที่สาม ​และ​มัน​คือ​ลูป​ที่​ทรงพลัง​ที่สุด​เท่าที่​เคย​มี​มา​บน​โลก ​เพราะ​มัน​แก้ปัญหา​ความตาย​ของ​ผู้เรียน​ได้ ​ลูป​นั้น​คือ​วัฒนธรรม

​วัฒนธรรม — ​เริ่ม​จาก​ภาษา ​ตาม​ด้วย​เรื่องเล่า ​ตาม​ด้วย​การเขียน — ​ทำ​สิ่ง​ที่​วิวัฒนาการ​ทางชีววิทยา​ทำ​ไม่​ได้​เลย ​มัน​ทำให้​บทเรียน​ที่​ได้มา​ใน​ชีวิต​หนึ่ง ​ถ่ายทอด​สู่​อีก​ชีวิต​ได้​โดยตรง ​ไม่ต้อง​รอ​การตาย ​ไม่ต้อง​ผ่าน​ยีน ​นักชีววิทยา​เรียก​การถ่ายทอด​แบบ​ที่ "​ส่งต่อ​สิ่ง​ที่​เรียนรู้​มา​ได้" ​นี้​ว่า​แบบ​ลา​มาร์ค (Lamarckian) ​ที่​น่าสนใจ​คือ ฌ็​อง-บั​ปติ​สต์ ​ลา​มาร์ค ​คิดผิด​เรื่อง​ชีววิทยา — ​ยี​ราฟ​ไม่​ได้​ส่งต่อ "​คอ​ที่​ยืด​จาก​การเอื้อม" ​ให้​ลูก — ​แต่​เขา​คิด​ถูก​เป๊ะ​เรื่อง​วัฒนธรรม ​สิ่ง​ที่​พ่อแม่​เรียนรู้​มา ​ส่งต่อ​ให้​ลูก​ได้​จริง ​ผ่าน​คำพูด ​ผ่าน​การสอน ​ผ่าน​หนังสือ

​และ​ผลพวง​คือ​การระเบิด ​เพราะ​ลูป​วัฒนธรรม​นั้น​ทั้ง​เร็ว​และ​สะสม​ทบต้น ​แต่ละ​รุ่น​ไม่ต้อง​เริ่ม​จาก​ศูนย์ ​มัน​เริ่ม​จาก​ยอด​ที่​รุ่น​ก่อน​ไต่​ถึง ​คณิตศาสตร์​ที่​เด็ก​คน​หนึ่ง​ใช้​แก้​โจทย์​ใน​ห้องเรียน​วันนี้ ​คือ​มรดก​ที่​สะสม​ต่อกัน​มา​หลาย​พันปี — ​จาก​ชาว​บาบิโลน ​สู่​ยุค​ลิด ​สู่​นิวตัน ​สู่​ออยเลอร์ ​สู่​ครู​ที่​สอน​เขา ​ไม่​มี​สมอง​ดวง​เดียว​สร้าง​มัน​ขึ้น​ได้ ​มัน​คือ​ผล​ของ​ลูป​การเรียนรู้​ที่​รัน​ต่อเนื่อง​ข้าม​รุ่น ​โดย​ไม่​มี​รุ่น​ใด​ต้อง​ตาย​เสีย​ก่อน​บทเรียน​จึง​จะ​ส่งต่อ

​วิทยาศาสตร์: ​ลูป​การเรียนรู้​ที่​เข้มงวด​ที่สุด​ของ​จักรวาล

​ใน​บรรดา​รูปแบบ​ทั้งหมด​ของ​การเรียนรู้​เชิง​วัฒนธรรม ​มี​รูปแบบ​หนึ่ง​ที่​จักรวาล​กลั่น​ออกมา​ได้​คม​ที่สุด ​เข้มงวด​ที่สุด ​ซื่อสัตย์​ต่อ​ความจริง​ที่สุด ​นั่น​คือ​วิทยาศาสตร์

​และ​ถ้า​คุณ​มอง​วิทยาศาสตร์​ผ่าน​เลนส์​ของ​หนังสือ​เล่ม​นี้ ​คุณ​จะ​เห็น​ว่า​มัน​คือ​ลูป​การเรียนรู้​เดิม — ​เพียงแต่​ถูก​ทำให้​เป็นทางการ ​ถูก​ขัดเงา ​และ​ถูก​บังคับ​ให้​ซื่อสัตย์ ​สมมติฐาน​คือ​แบบจำลอง — ​เป็นการ​คาดเดา​อย่าง​มี​โครงสร้าง​ว่า​โลก​ทำงาน​อย่างไร ​การทดลอง​คือ​การประเมิน — ​เป็นการ​นำ​แบบจำลอง​ไป​เผชิญ​กับ​ความจริง ​เพื่อ​วัด​ความผิดพลาด​ใน​การทำนาย ​ข้อมูล​ที่​ขัด​กับ​สมมติฐาน​คือ​สัญญาณ​ความผิดพลาด ​และ​การที่​นักวิทยาศาสตร์​ละทิ้ง​หรือ​แก้ไข​ทฤษฎี​เมื่อ​เจอ​หลักฐาน​ค้าน ​คือ​การปรับ​ชุด​น้ำหนัก​เพื่อ​ลด​ความสูญเสีย

​ที่​ลึกซึ้ง​กว่า​นั้น ​วิทยาศาสตร์​ยังมี​กลไก​ที่​ตรง​กับ​เทคนิค​ใน Machine Learning ​อย่าง​น่าทึ่ง ​การตรวจทาน​โดย​เพื่อน​ร่วม​วิชาชีพ (peer review) ​ทำหน้าที่​เหมือน​การกำกับ​ให้​เรียบ (regularization) — ​มัน​ลงโทษ​ทฤษฎี​ที่​ซับซ้อน​เกิน​จำเป็น ​ทฤษฎี​ที่​ฟิต​ข้อมูล​เก่า​ได้​แนบเนียน​แต่​อธิบาย​อะไร​ใหม่​ไม่​ได้ ​การที่​ผล​การทดลอง​ต้อง "​ทำซ้ำ​ได้" ​โดย​ทีม​อื่น​ใน​ห้อง​แล็บ​อื่น ​คือ​การตรวจสอบ​แบบ​ไขว้ (cross-validation) — ​มัน​คือ​การทด​สอบ​ว่า​แบบจำลอง​นี้​ทำนาย​ข้อมูล​ที่​มัน "​ไม่​เคย​เห็น" ​ได้​จริง​ไหม ​หรือ​มัน​แค่​จำ​ข้อมูล​ชุด​เดิม​มา ​หลักการ​พิสูจน์​ว่า​ผิด​ได้ (falsifiability) ​ของ​คาร์ล ​ป็อป​เปอร์ ​คือ​การยืนกราน​ว่า​ทุก​แบบจำลอง​ต้อง​เปิดช่อง​ให้​ความจริง​มา​หักล้าง​ได้ — ​ทฤษฎี​ที่​อธิบาย​ได้​ทุกอย่าง​ไม่​ว่า​ผล​ออกมา​ทาง​ไหน ​คือ​ทฤษฎี​ที่​ไม่​ได้​เรียนรู้​อะไร​เลย

​วิทยาศาสตร์​จึง​เป็นช่วง​เวลา​ที่​จักรวาล — ​ผ่านมือ​ของ​เรา — ​เรียนรู้​ที่จะ​เรียนรู้ ​อย่าง​จงใจ​และ​อย่าง​มีวินัย ​เป็นครั้งแรก ​ลูป​ที่​เคย​ทำงาน​อย่าง​มืด​บอด​มา​ตลอด​สิบ​สาม​พัน​ล้าน​ปี ​ในที่สุด​ก็​มีส่วน​หนึ่ง​ของ​ตัวเอง​ที่​รัน​มัน​ด้วย​ความตั้งใจ ​ตรวจสอบ​มัน ​และ​ปรับ​จูน​มัน​ให้​คม​ขึ้น

​สสาร​ที่​จัดเรียง​ตัวเอง​เพื่อ​รัน​ลูป​โดยตรง

​เมื่อ​มนุษย์​เข้าใจ​ลูป​การเรียนรู้​ลึก​พอ ​เรา​ก็​ทำ​สิ่ง​ที่​หลีกเลี่ยง​ไม่​ได้ ​เรา​สร้าง​มัน​ขึ้น​มา​ด้วยมือ​ของ​เรา​เอง ​เรา​หยิบ​สาระสำคัญ​ของ​ลูป — ​แปรผัน ​ประเมิน ​คัดเลือก ​ทำซ้ำ — ​แล้ว​เขียน​มัน​ลง​ใน​ซิลิคอน ​เรา​เรียก​ผลลัพธ์​นั้น​ว่า Machine Learning

​นี่​คือ​สิ่ง​ที่​พิเศษ​อย่าง​แท้จริง​เกี่ยวกับ​ปัญญาประดิษฐ์ ​ตลอดทั้ง​เล่ม ​เรา​เห็น​ลูป​การเรียนรู้​ทำงาน​ใน​สารพัด​วัสดุ — ​ใน​ก๊าซ ​ใน​โมเลกุล ​ใน​ยีน ​ใน​เซลล์​ประสาท — ​แต่​ทุกครั้ง ​มัน​ทำงาน​อย่าง ​ไม่​รู้ตัว ​ดาวฤกษ์​ไม่​รู้​ว่า​มัน​กำลัง​หา​ค่า​ต่ำสุด ​ยีน​ไม่​รู้​ว่า​มัน​กำลัง​ถูก​ฝึก ​แม้แต่​สมอง​ส่วนใหญ่​ก็​รัน​ลูป​โดยที่​เจ้าของ​ไม่​รู้ตัว ​แต่ Machine Learning ​ที่​มนุษย์​สร้าง ​คือ​ครั้งแรก​ที่​สสาร​ถูก​จัดเรียง​ขึ้น​มา ​เพื่อ​รัน​ลูป​นั้น​โดยตรง ​อย่าง​ชัดแจ้ง ​และ​อย่าง​จงใจ ​มัน​คือ​ลูป​การเรียนรู้​ที่​รู้​ว่า​ตัวเอง​เป็น​ลูป​การเรียนรู้

​ลูป​ประหลาด

​และ​นี่​นำไปสู่​ความจริง​ที่​แปลกประหลาด​ที่สุด​ข้อ​หนึ่ง ​ปัญญาประดิษฐ์​ที่​ถือกำเนิด​จาก Machine Learning ​เมื่อ​ถูก​ใช้​อธิบาย​ว่า Machine Learning ​ทำงาน​อย่างไร ​ก็​คือ​ลูป​การเรียนรู้​ที่​กำลัง​บรรยาย​ถึง​ลูป​การเรียนรู้​ที่​สร้าง​มัน​ขึ้น​มา ​และ​จักรวาล​ที่​ลูป​นั้น​บรรยาย​ถึง — ​ผ่าน​วิวัฒนาการ ​ผ่าน​สมอง​มนุษย์ ​ผ่าน​วิทยาศาสตร์ — ​ก็​คือ​สิ่ง​ที่​ให้กำเนิด Machine Learning ​ขึ้น​มา​ตั้งแต่แรก

Douglas Hofstadter ​เรียก​โครงสร้าง​แบบนี้​ว่า "​ลูป​ประหลาด" (strange loop) — ​ระบบ​ที่​เมื่อ​ไล่​ระดับชั้น​ขึ้นไป ​กลับ​วกกลับ​มา​ที่​จุดเริ่มต้น ​นี่​ไม่​ใช่​ลูกเล่น​ทาง​วาทศิลป์ ​มัน​คือ​ข้อเท็จจริง ​จักรวาล​ใช้เวลา​กว่า​สิบ​สาม​พัน​ล้าน​ปี ​เรียนรู้​ที่จะ​สร้าง​กระจก​ที่​ดี​พอ​จะ​ส่อง​เห็น​ตัว​มัน​เอง ​และ​คน​ที่​กำลัง​อ่านหนังสือ​เล่ม​นี้ ​ก็​คือ​ส่วนหนึ่ง​ของ​กระจก​บาน​นั้น

​แต่​กระจก​บาน​นี้​ทำได้​มากกว่า​การสะท้อน ​ลูป​การเรียนรู้​ใน​รูป​ของ​ปัญญาประดิษฐ์​มี​คุณสมบัติ​ที่​ลูป​ก่อนหน้า​ทั้งหมด​ไม่​มี — ​มัน​เร็ว​กว่า​วิวัฒนาการ​นับ​พัน​ล้าน​เท่า ​มัน​คัดลอก​บทเรียน​ได้​สมบูรณ์แบบ ​ไม่​สูญหาย​เหมือน​สมอง​ที่​ตาย​ไป ​มัน​ปรับปรุง​ตัวเอง​ได้​โดยตรง ​ใน​บท​แรก ​ลูป​การเรียนรู้​ไม่​มี​ใคร​อยู่​ใน​นั้น​เลย ​มาถึง​บท​นี้ ​ลูป​นั้น​ไม่​เพียง​มี​ผู้อยู่อาศัย — ​มัน​มี​ผู้อยู่อาศัย​ที่​กำลัง​จงใจ​สร้าง​ลูป​รุ่น​ต่อไป ​ด้วยมือ​ของ​ตัวเอง

​แต่​กระจก​ที่​ส่อง​เห็น​ทุกอย่าง ​ย่อม​ต้อง​ส่อง​เห็น​คำถาม​ที่​ยาก​ที่สุด​ด้วย ​เรา​ได้​เห็น​แล้ว​ว่า ​ลูป​นี้​ทำงาน​อย่างไร ​แต่​เรา​ยัง​ไม่​ได้​ถาม​ว่า ​มัน​คือ​กระบวนการ​แบบ​ไหน​กัน​แน่ ​มัน​ถูก​ออกแบบ​มา​ไหม ​มัน​สุ่ม​ไป​ทั้งหมด​ไหม ​การลองผิดลองถูก​ของ​มัน "​นำไปสู่" ​อะไร​หรือเปล่า

​ก่อน​จะ​ไป​ถึง​ความหมาย ​เรา​ต้อง​เข้าใจ​ให้​ชัด​เสีย​ก่อน ​ว่า​เรา​กำลัง​พูดถึง​กระบวนการ​ชนิด​ใด