บทเรียนที่ 5 ถือเป็นจุดเปลี่ยนสำคัญของ COMP5511 เรากำลังก้าวออกจากตรรกะเชิงกำหนดของการประมวลผลแบบคลาสสิก และความแน่นอนแบบมีผู้สอนของโมเดลการจำแนกประเภทในยุคแรก เข้าสู่ หัวใจเชิงความน่าจะเป็นของ Generative AI ในช่วงนี้ เราจะสำรวจว่าเหตุใดโมเดล AI สมัยใหม่จึงไม่ส่งออก "ข้อเท็จจริง" แต่ส่งออก การแจกแจงความน่าจะเป็นแทน ซึ่งเผยให้เห็นกลไกที่ทำให้ LLM เขียนบทกวีได้ และโมเดล diffusion สร้างภาพจากสัญญาณรบกวนได้

1. การเปลี่ยนกระบวนทัศน์: จากตรรกะสู่ความน่าจะเป็น

• เหนือกว่า IF-THEN: การเปลี่ยนจากกฎที่ตายตัวไปสู่ความเป็นไปได้เชิงสถิติที่ยืดหยุ่น
• จุดสิ้นสุดของความแน่นอน: ทำความเข้าใจว่าเหตุใดผลลัพธ์ของ GenAI จึง ไม่กำหนดตายตัว โดยการออกแบบ
• ความน่าจะเป็นในฐานะเครื่องมือ: ยุค "Age of GenAI" ปฏิบัติต่อ ความไม่แน่นอนในฐานะคุณสมบัติ เพื่อความคิดสร้างสรรค์ ไม่ใช่ข้อบกพร่องที่ต้องแก้ไข

2. เครื่องยนต์เชิงความน่าจะเป็นแห่งการสร้างสรรค์

Generative AI อาศัยการสุ่มตัวอย่างจากปริภูมิความน่าจะเป็นที่มีมิติสูง ไม่ว่าจะเป็นการสร้างข้อความหรือรูปภาพ โมเดลต้องนำทางท่ามกลางความไม่แน่นอนเพื่อผลิตสิ่งแปลกใหม่:

• โมเดลภาษาขนาดใหญ่ (LLMs): การทำนายโทเคนถัดไปไม่ใช่การเลือกเพียงอย่างเดียว แต่เป็นการแจกแจงของ การแจกแจงความเป็นไปได้.
• โมเดล Diffusion: ศิลปะแห่งการถอดรหัสความเป็นระเบียบจาก สัญญาณรบกวนแบบเกาส์เซียน.
• กระบวนการสุ่มตัวอย่าง: การควบคุมความสุ่มเพื่อป้องกันผลลัพธ์ที่ซ้ำซากและ "เหมือนหุ่นยนต์"

3. เอเจนต์ในโลกที่คาดเดาไม่ได้

เอเจนต์อัตโนมัติต้องนำทางผ่าน "โลกเปิด" ซึ่งทุกการกระทำมีความเสี่ยงและผลตอบแทนที่ไม่รู้ล่วงหน้าปะปนอยู่