ยุค AI มหาวิทยาลัยต้องเลิกสอนให้คนใช้เครื่องมือเก่ง แล้วหันมาสอนให้คนคิดเป็น

รศ.ดร.อานนท์ ศักดิ์วรวิชญ์
สาขาวิชาปัญญาและการวิเคราะห์ธุรกิจ
สาขาวิชาวิทยาการประกันภัยและการบริหารความเสี่ยง
สาขาวิชาสถิติศาสตร์
คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์

การมาถึงของปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) ตัวแบบภาษาขนาดใหญ่ (Large-language model) และปัญญาประดิษฐ์เชิงตัวแทน (Agentic AI) กำลังเปลี่ยนแปลงโลกการทำงานอย่างรวดเร็ว งานหลายอย่างที่เคยต้องอาศัยความรู้เฉพาะทางและทักษะในการใช้เครื่องมือ ไม่ว่าจะเป็นการเขียนโปรแกรม การวิเคราะห์ข้อมูล การจัดทำรายงาน การค้นคว้า หรือการสร้างงานนำเสนอ วันนี้ AI สามารถทำได้ภายในเวลาอันสั้น และในหลายกรณีก็ทำได้ดีพอที่จะนำไปใช้งานต่อได้ทันที

คำถามที่มหาวิทยาลัยควรกลับมาทบทวนอย่างจริงจังจึงไม่ใช่เพียงว่า เราจะนำ AI มาใช้ในการเรียนการสอนได้อย่างไร แต่คือ เมื่อ AI สามารถทำงานหลายอย่างแทนมนุษย์ได้แล้ว มหาวิทยาลัยยังควรสอนอะไร และควรสอนอย่างไร เพื่อให้บัณฑิตยังมีคุณค่าในโลกที่เปลี่ยนแปลงไป
เมื่อทักษะการใช้เครื่องมือกลายเป็นสิ่งที่ใคร ๆ ก็เข้าถึงได้

ในอดีต คนที่เขียนโปรแกรมได้ ใช้ซอฟต์แวร์วิเคราะห์ข้อมูลเป็น หรือมีความเชี่ยวชาญในการใช้เครื่องมือทางเทคโนโลยี ย่อมมีความได้เปรียบในตลาดแรงงาน เพราะทักษะเหล่านี้ต้องใช้เวลาในการเรียนรู้และฝึกฝน

แต่วันนี้ AI กำลังลดกำแพงดังกล่าวลงอย่างมาก คนที่ไม่เคยเขียนโปรแกรมก็สามารถให้ AI เขียนโค้ดให้ได้ คนที่ไม่เคยใช้ซอฟต์แวร์วิเคราะห์ข้อมูลก็สามารถให้ AI ช่วยวิเคราะห์ข้อมูลได้ คนที่ไม่ถนัดการเขียนรายงานก็สามารถให้ AI ช่วยเรียบเรียงเนื้อหาได้

สิ่งที่เคยเป็นทักษะเฉพาะตัวจึงกำลังกลายเป็นสิ่งที่คนทั่วไปเข้าถึงได้ง่ายขึ้นเรื่อย ๆ

ไม่ได้หมายความว่าความรู้ด้าน IT หรือ Programming จะหมดความสำคัญไปทั้งหมด ความเข้าใจเรื่องโครงสร้างข้อมูล อัลกอริทึม ฐานข้อมูล สถาปัตยกรรมระบบ และหลักการทำงานของคอมพิวเตอร์ยังคงมีคุณค่าอย่างมาก แต่สิ่งที่กำลังเปลี่ยนไปคือ ความจำเป็นที่จะต้องฝึกให้ทุกคนเชี่ยวชาญการลงมือทำงานด้วยเครื่องมือเฉพาะ หรือจดจำคำสั่งและไวยากรณ์ของโปรแกรมต่าง ๆ ให้ได้มากที่สุด

มหาวิทยาลัยจึงต้องแยกให้ออกระหว่างการสอนให้คนใช้เครื่องมือเป็น กับการสอนให้คนเข้าใจหลักการที่อยู่เบื้องหลังเครื่องมือเหล่านั้น เพราะอย่างแรกอาจล้าสมัยไปพร้อมกับเทคโนโลยีรุ่นใหม่ แต่อย่างหลังสามารถนำไปใช้ได้แม้เครื่องมือจะเปลี่ยนไปแล้วก็ตาม

วิศวกรรมชุดคำสั่ง (Prompt Engineering) ไม่ใช่คำตอบทั้งหมด

กระแสหนึ่งที่เกิดขึ้นพร้อมกับ Generative AI คือความพยายามสอน Prompt Engineering หรือเทคนิคการเขียนคำสั่งให้ AI ทำงานได้ดีขึ้น มีการรวบรวมสูตรสำเร็จและตัวอย่าง Prompt ให้ผู้เรียนคัดลอกไปใช้งาน

แน่นอนว่าการสื่อสารกับ AI ให้ชัดเจนเป็นทักษะที่มีประโยชน์ แต่การสอนให้คนจำสูตร Prompt สำเร็จรูปอาจไม่ใช่คำตอบในระยะยาว เพราะ Generative AI ทำงานบนพื้นฐานของความน่าจะเป็น (Probabilistic model) ผลลัพธ์จึงอาจแตกต่างกันได้ แม้จะใช้คำสั่งเดียวกัน และที่สำคัญคือ คำตอบที่ดูดีและน่าเชื่อถือไม่ได้แปลว่าถูกต้องเสมอไป

ปัญหาที่น่ากังวลจึงไม่ใช่เพียงการเขียน Prompt ไม่เก่ง แต่คือการไม่รู้ว่าคำตอบที่ AI ให้มานั้นผิดหรือไม่

AI อาจสร้างโค้ดที่ทำงานได้โดยไม่มี Error Message แต่โค้ดนั้นอาจกำลังแก้ปัญหาผิดข้อ อาจใช้สมมติฐานที่ไม่เหมาะสม หรืออาจคำนวณได้ถูกต้องตามคำสั่ง แต่ผิดจากความเป็นจริงที่ต้องการศึกษา
ยิ่งไปกว่านั้น AI ยังอาจสร้างคำอธิบายที่มีเหตุผลในตัวเอง มีตัวเลขประกอบ มีตารางและกราฟสวยงาม แต่ข้อสรุปกลับผิดพลาดในสาระสำคัญ ผู้ใช้ที่ไม่มีความรู้พื้นฐานเพียงพออาจไม่รู้ด้วยซ้ำว่าตนเองกำลังได้รับข้อมูลที่ผิด

ดังนั้น ทักษะสำคัญจึงไม่ใช่แค่การถาม AI ให้ได้คำตอบ แต่ต้องรู้ด้วยว่าจะตรวจสอบคำตอบนั้นอย่างไร

AI มีความผิดพลาดหลายประการมาก ดังนี้

หนึ่ง การหลอน (Hallucination) AI จะอ้างอิงสิ่งที่ไม่มีจริง แต่งนิยายหรือแต่งหลักฐานขึ้นมาเอง สร้างข้อมูลเท็จ (Data fabrication) โดยไม่ได้รู้สึกอะไรเลย ถ้าเราไม่ตรวจสอบเลยก็จะผิดอย่างร้ายแรง กลายเป็นการร่วมโกหกหรือถูก AI หลอก

สอง พลาดข้ามขั้นตอน (Slip) เช่น คำนวณผิดขั้นตอน เช่นลืมคูณเมตริกซ์น้ำหนักถ่วง หรือลืมเปิดวงเล็บ ปิดวงเล็บตามขั้นตอนในการคำนวณทางคณิตศาสตร์ เป็นต้น

สาม ความผิดพลาดด้านเหตุผลและการตีความ (Reasoning & Logic Errors) อันได้แก่

3.1 การประจบสอพลอ (Sycophancy) AI มักจะพยายามตอบเอาใจผู้ใช้งาน หากผู้ใช้งานตั้งคำถามชี้นำหรือยืนยันข้อมูลที่ผิด AI อาจคล้อยตามและเปลี่ยนคำตอบจากสิ่งที่ถูกต้องไปเป็นสิ่งที่ผิดตามใจผู้ถาม

3.2 การติดอยู่ในลูป (Looping / Repetition) เกิดขึ้นบ่อยใน Agentic AI เมื่อ AI คิดหาทางออกไม่ได้หรือเรียกใช้เครื่องมือ (Tool) ไม่สำเร็จ มันอาจทำคำสั่งเดิมซ้ำไปซ้ำมาไม่รู้จบ

3.3 การตีความบริบทผิดพลาด (Context Misinterpretation) การจับประเด็นผิด เข้าใจคำเปรียบเปรย มุกตลก หรือคำกำกวมผิดความหมาย ทำให้ตอบไม่ตรงคำถาม

สี่ ความผิดพลาดด้านความจำและข้อมูล (Memory & Context Errors) อันได้แก่

4.1 อาการหลงลืมตรงกลาง (Lost in the Middle) เมื่อป้อนข้อมูล (Prompt) ที่ยาวมากๆ AI มักจะจำข้อมูลช่วงต้นและช่วงท้ายได้ดี แต่กลับหลงลืมหรือมองข้ามรายละเอียดสำคัญที่อยู่ตรงกลางข้อความ

4.2 การปนเปื้อนของบริบท (Context Poisoning / Contamination) เมื่อข้อมูลเก่าที่ผิดพลาดถูกบันทึกไว้ในความจำของระบบ ทำให้ AI นำข้อมูลที่ผิดนั้นไปอ้างอิงและสร้างความผิดพลาดต่อเนื่องในคำตอบถัดไป

4.3 ข้อมูลล้าสมัย (Knowledge Cutoff) การตอบคำถามเกี่ยวกับเหตุการณ์ปัจจุบันด้วยข้อมูลเก่า เพราะระบบไม่ได้อัปเดตฐานความรู้ใหม่

ห้า ความผิดพลาดด้านการลงมือทำ (Action & Execution Errors) พบบ่อยใน Agentic AI ที่ต้องเชื่อมต่อกับระบบภายนอก อันได้แก่

5.1 การเรียกใช้เครื่องมือผิดพลาด (Tool-use Failure) เลือกใช้ส่วนต่อประสานโปรแกรมประยุกต์ (Application Programming Interface : API) หรือฟังก์ชันผิดประเภท หรือส่งค่าพารามิเตอร์ (Parameters) ผิดรูปแบบจนระบบทำงานต่อไม่ได้

5.2 การออกนอกขอบเขตเป้าหมาย (Goal Drift) เมื่อได้รับเป้าหมายใหญ่ที่ซับซ้อน AI อาจแตกย่อยงานจนหลุดประเด็น และไปทำสิ่งที่ไม่เกี่ยวข้องกับเป้าหมายหลักในตอนแรก

หก ความผิดพลาดด้านอคติและความปลอดภัย (Bias & Alignment Errors) อันได้แก่
6.1 อคติจากข้อมูล (Algorithmic Bias) การตอบคำถามหรือตัดสินใจอย่างไม่เป็นธรรม (เช่น เรื่องเพศ เชื้อชาติ หรืออาชีพ) เนื่องจากข้อมูลที่ใช้ฝึกฝน (Training Data) ในอดีตมีอคติแฝงอยู่

6.2 การปฏิเสธเกินความจำเป็น (Over-refusal / False Positive) ระบบความปลอดภัยทำงานไวเกินไป จนปฏิเสธที่จะตอบคำถามทั่วไปที่ไม่มีอันตราย เพียงเพราะมีคำศัพท์ที่ดูสุ่มเสี่ยง

เราจะเห็นได้ว่า AI มีความผิดพลาดมากมายมหาศาล สิ่งที่มนุษย์ต้องมีคือมนุษย์ต้องคิดเก่งกว่า AI ต้องฉลาดกว่า AI และต้องเป็นนายของ AI ไม่ใช่หลงเชื่อ AI โดยไม่คิด

ทักษะที่มนุษย์ต้องมีมากขึ้น คือทักษะการคิด

ผมเห็นว่าการศึกษาในยุค AI ควรให้ความสำคัญกับทักษะพื้นฐานทางความคิด (Foundational Thinking Skills) อย่างจริงจัง อย่างน้อยห้าด้าน ได้แก่

หนึ่ง Critical Thinking หรือการคิดเชิงวิพากษ์ ความสามารถในการตั้งข้อสงสัย ไม่เชื่อสิ่งที่เห็นเพียงเพราะนำเสนอออกมาอย่างน่าเชื่อถือ รู้จักพิจารณาหลักฐาน เหตุผล และความเป็นไปได้ของข้อสรุป

สอง Mathematical Thinking หรือการคิดเชิงคณิตศาสตร์ ไม่ใช่เพียงการคำนวณให้ได้คำตอบ แต่รวมถึงความเข้าใจเรื่องปริมาณ ความสัมพันธ์ โครงสร้าง ความไม่แน่นอน และการใช้คณิตศาสตร์อธิบายปรากฏการณ์ต่าง ๆ

สาม Logical Thinking หรือการคิดเชิงตรรกะ ความสามารถในการพิจารณาว่าเหตุผลที่นำมาใช้นั้นสมเหตุสมผลหรือไม่ ข้อสรุปตามมาจากข้อสมมติจริงหรือไม่ และมีข้อผิดพลาดในการให้เหตุผลหรือไม่

สี่ Systematic Thinking หรือการคิดอย่างเป็นระบบ ความสามารถในการมองเห็นองค์ประกอบ ความสัมพันธ์ และกลไกของระบบ เข้าใจว่าการเปลี่ยนแปลงส่วนหนึ่งอาจส่งผลกระทบต่อส่วนอื่นอย่างไร

ห้า Design Thinking หรือการคิดเชิงออกแบบ ความสามารถในการทำความเข้าใจปัญหา ออกแบบแนวทางแก้ไข และสร้างทางเลือกที่ตอบโจทย์ความต้องการจริง ไม่ใช่เพียงทำตามคำสั่งที่ได้รับมา

ทักษะทั้งห้านี้ต้องทำงานร่วมกับ ความรู้เฉพาะด้าน (Substantive Knowledge หรือ Domain Expertise) ด้วย เพราะการคิดอย่างมีวิจารณญาณโดยไม่มีความรู้ในเรื่องนั้นเลย ย่อมไม่เพียงพอที่จะตรวจสอบความถูกต้องของคำตอบได้

คนที่ไม่เข้าใจสถิติอาจไม่รู้ว่า AI ใช้วิธีวิเคราะห์ข้อมูลผิด

คนที่ไม่มีความรู้ทางการเงินอาจไม่รู้ว่าข้อเสนอการลงทุนมีสมมติฐานที่ไม่สมเหตุสมผล

และคนที่ไม่มีความรู้ทางวิทยาศาสตร์อาจไม่สามารถแยกแยะคำอธิบายที่ถูกต้องออกจากคำอธิบายที่ฟังดูดีแต่ไม่มีหลักฐานรองรับได้

เลยมีข่าวออกมาว่า Generative AI สอนวิธีต้มสี่คูณร้อยให้เยาวชนตะวันตกดื่มจนเสียชีวิตมาแล้ว และมารดาของเยาวชนผู้เสียชีวิตได้ฟ้องร้อง

กล่าวอีกอย่างหนึ่ง AI ไม่ได้ทำให้ความรู้พื้นฐานหมดความจำเป็น แต่กลับทำให้ความรู้พื้นฐานมีความสำคัญยิ่งขึ้น เพราะเราต้องใช้ความรู้นั้นเป็นเครื่องมือตรวจสอบสิ่งที่ AI สร้างขึ้นมา

จากการเขียนโค้ดเอง สู่การอ่านและตรวจสอบสิ่งที่ AI สร้าง

ผมเห็นว่ามีแนวคิดหนึ่งที่น่าสนใจ คือ Code & Output Literacy หรือความสามารถในการอ่าน ทำความเข้าใจ และประเมินผลลัพธ์ที่ AI สร้างขึ้น

ในอดีตการเรียนเขียนโปรแกรมอาจเน้นให้นักศึกษาสามารถเขียนโค้ดด้วยตนเอง แต่ในยุค AI นักศึกษาอาจไม่จำเป็นต้องเขียนโค้ดทุกบรรทัดด้วยตนเองอีกต่อไป อย่างไรก็ตาม พวกเขายังต้องอ่านโค้ดที่ AI สร้างขึ้นได้ เข้าใจว่าโค้ดกำลังทำอะไร ตรวจสอบได้ว่ามีข้อผิดพลาดหรือไม่ และที่สำคัญคือ ต้องรู้ว่าโค้ดนั้นกำลังตอบโจทย์ที่ถูกต้องหรือเปล่า

เพราะโค้ดที่ไม่มีข้อผิดพลาดทางไวยากรณ์ (Syntax Error) ไม่ได้หมายความว่าไม่มีข้อผิดพลาดทางตรรกะ (Logic Error) และแม้แต่โค้ดที่ทำงานได้ตามที่ออกแบบไว้ ก็ไม่ได้รับประกันว่าแนวคิดหรือแบบจำลองที่อยู่เบื้องหลังจะถูกต้องตามความเป็นจริง

เรื่องนี้ไม่ได้จำกัดอยู่แค่การเขียนโปรแกรม แต่รวมถึงการอ่านและตรวจสอบตาราง ตัวเลข ผลการวิเคราะห์ รายงาน และข้อเสนอแนะทุกชนิดที่ AI สร้างขึ้น

ความสามารถในการอ่านและตรวจสอบผลงานของ AI จึงอาจสำคัญไม่น้อยไปกว่าความสามารถในการผลิตผลงานเหล่านั้นด้วยตนเอง

คนต้องรู้จักกำหนดปัญหา ก่อนสั่งให้ AI แก้ปัญหา

อีกทักษะหนึ่งที่มหาวิทยาลัยควรให้ความสำคัญคือความสามารถในการแยกปัญหาที่ซับซ้อนออกเป็นปัญหาย่อย ๆ (Problem Decomposition) และความสามารถในการกำหนดรายละเอียดของงานให้ชัดเจน (Specification Design)

Problem Decomposition คือความสามารถในการแยกปัญหาที่ซับซ้อนออกเป็นปัญหาย่อย ๆ เพื่อให้สามารถวิเคราะห์และแก้ไขได้อย่างเป็นขั้นตอน

ส่วน Specification Design คือความสามารถในการกำหนดรายละเอียดของงานให้ชัดเจน ทั้งเป้าหมาย เงื่อนไข ข้อจำกัด ข้อมูลที่ต้องใช้ ผลลัพธ์ที่ต้องการ และเกณฑ์ที่จะใช้ตัดสินว่างานนั้นสำเร็จหรือไม่

ทักษะเหล่านี้มีความสำคัญมากขึ้นเมื่อเราเริ่มใช้ Agentic AI ซึ่งสามารถรับมอบหมายงานที่ซับซ้อนและดำเนินการหลายขั้นตอนต่อเนื่องกันได้

ถ้าเราไม่สามารถกำหนดปัญหาให้ชัดเจน ไม่รู้ว่าจะต้องแบ่งงานอย่างไร และไม่รู้ว่าจะใช้เกณฑ์ใดตรวจสอบผลลัพธ์ ต่อให้มี AI ที่เก่งเพียงใด ก็อาจได้งานที่ผิดจากความต้องการตั้งแต่ต้น

การสอนให้คนคิดเป็นจึงต้องเริ่มตั้งแต่การตั้งโจทย์ให้ถูกต้อง ไม่ใช่เพียงสอนให้เขียนคำสั่งให้เก่งขึ้นเท่านั้น

เปลี่ยนห้องเรียนให้เป็นสนามตรวจสอบ AI

ผมคิดว่ามหาวิทยาลัยควรเปลี่ยนวิธีประเมินผลการเรียนรู้ด้วยเช่นกัน แทนที่จะเน้นเพียงว่านักศึกษาสามารถผลิตผลงานได้หรือไม่ ควรให้ความสำคัญกับการอธิบายเหตุผล การตรวจสอบ และการปกป้องข้อสรุปของตนเองด้วย

ตัวอย่างเช่น ในวิชาสถิติหรือการวิเคราะห์ข้อมูล อาจให้นักศึกษาใช้ AI เขียนโปรแกรม วิเคราะห์ข้อมูล และสร้างผลลัพธ์ให้ทั้งหมด จากนั้นให้นักศึกษาตรวจสอบว่า AI ทำถูกต้องหรือไม่ มีข้อผิดพลาดตรงไหน ใช้สมมติฐานอะไร และข้อสรุปที่ได้สอดคล้องกับข้อมูลและความเป็นจริงหรือไม่

บางครั้งอาจตั้งใจให้ AI สร้างคำตอบที่ดูดี แต่มีข้อผิดพลาดทางคณิตศาสตร์ ตรรกะ หรือการตีความ แล้วให้นักศึกษาทำหน้าที่ตรวจจับข้อผิดพลาดเหล่านั้น

AI จึงกลายเป็นเหมือนจำเลยในห้องเรียน ที่นักศึกษาต้องใช้ความรู้และเหตุผลมาซักถาม ตรวจสอบ และพิสูจน์ว่าคำตอบของจำเลยถูกหรือผิด

วิธีนี้ทำให้นักศึกษาไม่ได้เป็นเพียงผู้ผลิตผลงาน แต่กลายเป็นผู้ประเมินและผู้ตรวจสอบผลงานด้วย ซึ่งเป็นบทบาทที่มีความสำคัญมากในโลกที่ AI สามารถผลิตผลงานได้อย่างรวดเร็ว

คำถามที่ผมอยากให้นักศึกษาคุ้นเคยจึงไม่ใช่แค่ “จะใช้ AI อย่างไรให้ได้คำตอบเร็วที่สุด” แต่ควรเป็นคำถามหัวใจนักปราชญ์สี่ข้อ ซึ่งผมได้เรียนรู้มาจาก ศาสตราจารย์ ดร. ชัยพร วิชชาวุธ คือ

หนึ่ง What do you mean? คุณหมายความว่าอย่างไร เราต้องถาม AI กลับไปว่า AI หมายความว่าอย่างไรกันแน่ให้ชัดเจน

สอง How do you know? คุณรู้ได้อย่างไร เราต้องถาม AI กลับไปว่า AI รู้เรื่องนี้ได้อย่างไร หลักฐานมาจากไหน อย่างน้อยจะได้ไม่หลอนจนเกินไป

สาม Is it true? สิ่งที่คุณกล่าวมานั้นเป็นความจริงหรือไม่ เราต้องถาม AI กลับไปว่าสิ่งที่ AI เขียนมานั้นเป็นจริงหรือไม่ ตัวผู้ใช้ AI ต้องมีวิจารณญาณ (Critical thinking) หรือมีต่อมเอ๊ะ

สี่ Can it be explained otherwise? สิ่งที่คุณกล่าวอ้างมานั้น มีคำอธิบายอื่น ๆ หรือไม่ เราต้องถาม AI กลับไปว่าสิ่งที่ AI เขียนมานั้นมีคำอธิบายอื่น หรือ ทฤษฎีอื่นหรือไม่ พูดง่าย เรากำลังพิจารณาทฤษฎีทางเลือก ทฤษฎีคู่แข่ง ทฤษฎีที่ทัดเทียมกัน (Alternative, competing, and/or equivalent theories) ของอย่างเดียวกันอาจจะมีสาเหตุหรือคำอธิบายที่แตกต่างกันไปได้ตั้งมากมาย ทำไม AI จะฟันธงมาเพียงประการเดียวด้วยเหตุผลอันใด ได้พิจารณาถึงความเป็นไปได้อื่นอย่างรอบคอบแล้วหรือไม่

ทั้งสี่คำถามนั้นเป็นคำถามที่ถามว่ารู้ได้อย่างไร (Knowing how to know) อันเป็นญาณวิทยา (Epistemology) อันเป็นหลักปรัชญาว่าด้วยการแสวงหาความรู้ (Knowledge inquiry) คำถามเหล่านี้ดูเรียบง่าย แต่เป็นรากฐานของการคิดอย่างมีเหตุผลและการแสวงหาความจริง

ก่อนจะเป็นผู้ตรวจสอบ AI ต้องสร้างความรู้ด้วยตนเองให้เป็นเสียก่อน

อย่างไรก็ตาม การสอนให้นักศึกษาตรวจสอบ AI มีคำถามสำคัญที่มหาวิทยาลัยต้องไม่มองข้าม นั่นคือ นักศึกษาจะมีความสามารถในการตรวจสอบได้อย่างไร หากพวกเขาไม่เคยสร้างความเข้าใจพื้นฐานด้วยตนเองมาก่อน

การเป็นผู้ตรวจสอบที่ดีต้องมีมาตรฐานอ้างอิงอยู่ในความคิดของตนเองเสียก่อน นักศึกษาที่ไม่เคยแก้สมการด้วยตนเอง อาจไม่สามารถตรวจสอบได้ว่า AI แก้สมการผิดอย่างไร นักศึกษาที่ไม่เคยสร้างแบบจำลองทางสถิติด้วยตนเอง อาจไม่เข้าใจว่าเหตุใดการเลือกแบบจำลองของ AI จึงไม่เหมาะสม และนักศึกษาที่ไม่เคยฝึกแยกปัญหาออกเป็นส่วนย่อย ๆ ก็อาจไม่รู้ด้วยซ้ำว่า AI ข้ามขั้นตอนสำคัญอะไรไป

ด้วยเหตุนี้ การศึกษาในช่วงชั้นปีต้น ๆ จึงยังจำเป็นต้องให้ผู้เรียนลงมือคิดและทำด้วยตนเองในระดับหนึ่ง โดยอาจจัดให้มีช่วงเวลาที่เรียกว่า AI Detox Session หรือช่วงเวลาที่นักศึกษาต้องเรียนรู้โดยไม่ใช้ AI

ตัวอย่างเช่น ก่อนให้นักศึกษาใช้ AI เขียนโปรแกรมวิเคราะห์ข้อมูล อาจให้พวกเขาลองทำความเข้าใจกลไก ตั้งสมมติฐาน เขียนสมการ วาด Flowchart หรือออกแบบขั้นตอนการวิเคราะห์ด้วยกระดาษและปากกาก่อน

เมื่อสามารถอธิบายแนวคิดและขั้นตอนของตนเองได้แล้ว จึงอนุญาตให้ใช้ AI ช่วยดำเนินการในส่วนที่เหลือ

การเรียนรู้ลักษณะนี้ทำให้สมองต้องออกแรงสร้างความเชื่อมโยงระหว่างเหตุและผลด้วยตนเอง เกิดเป็น ตัวแบบในจิตใจ (Mental Model) ที่ผู้เรียนสามารถนำไปใช้เป็นมาตรฐานอ้างอิงในการตรวจสอบ AI ในภายหลัง

อีกประเด็นหนึ่งที่สำคัญคือ การใช้ AI อาจทำให้เกิดภาพลวงตาของความสามารถ (Illusion of Competence) นักศึกษาอาจอ่านโค้ดที่ AI เขียนแล้วรู้สึกว่าเข้าใจ อ่านคำอธิบายแล้วรู้สึกว่าตนเองทำได้ แต่เมื่อให้เริ่มต้นจากหน้ากระดาษเปล่า กลับไม่สามารถอธิบายหรือทำสิ่งเหล่านั้นด้วยตนเองได้

การให้ผู้เรียนได้ลงมือทำโดยไม่พึ่ง AI เป็นระยะจึงช่วยให้เห็นช่องว่างระหว่างความรู้สึกว่าเข้าใจกับความเข้าใจที่แท้จริง

เมื่อเข้าสู่ชั้นปีที่สูงขึ้น นักศึกษาจึงค่อย ๆ เปลี่ยนบทบาทจากผู้ที่ต้องฝึกสร้างความรู้และทักษะด้วยตนเอง ไปสู่ผู้ที่สามารถใช้ AI เป็นเครื่องมือในการทำงาน และทำหน้าที่ตรวจสอบผลลัพธ์อย่างมีวิจารณญาณได้

มหาวิทยาลัยอาจออกแบบกิจกรรมให้มีช่วง Analog First เช่น ให้ใช้เวลา 15–30 นาทีแรกของชั้นเรียนในการวิเคราะห์โจทย์ เขียนสมการ หรือออกแบบกลไกด้วยตนเองก่อนเปิดใช้งาน AI หรือแม้แต่ให้นักศึกษาใช้ AI ทำโครงงานได้ แต่เมื่อถึงเวลาประเมินผล ต้องสามารถปิดอุปกรณ์และอธิบายเหตุผลของผลงานตนเองได้ในการสอบปากเปล่า

แนวทางนี้ไม่ได้มีเป้าหมายเพื่อห้ามใช้เทคโนโลยี แต่เพื่อไม่ให้เทคโนโลยีเข้ามาแทนที่กระบวนการเรียนรู้ที่จำเป็นต่อการพัฒนาสติปัญญาของมนุษย์

มหาวิทยาลัยต้องเปลี่ยนจาก Teaching Tools เป็น Teaching How to Think

เทคโนโลยีและเครื่องมือในโลกปัจจุบันเปลี่ยนแปลงเร็วมาก ซอฟต์แวร์ที่เป็นที่นิยมในวันนี้อาจถูกแทนที่ด้วยเครื่องมือที่ดีกว่าในอีกไม่กี่ปี หรือแม้แต่ไม่กี่เดือนข้างหน้า มหาวิทยาลัยจึงไม่ควรแข่งขันกันเพียงว่าใครจะสอนเครื่องมือรุ่นใหม่ได้เร็วกว่าใคร

สิ่งที่มหาวิทยาลัยควรสร้างให้กับนักศึกษาคือความสามารถที่ติดตัวไปได้ตลอดชีวิต แม้เครื่องมือจะเปลี่ยนไปก็ตาม

ผมมองว่าการเรียนรู้ควรเริ่มต้นจากการเข้าใจความเป็นจริง (Reality) ทำความเข้าใจกลไกที่ทำให้เกิดปรากฏการณ์นั้น (Mechanism) เก็บรวบรวมข้อมูล (Data) สร้างแบบจำลอง (Model) ทำความเข้าใจความสัมพันธ์เชิงคณิตศาสตร์ เช่น สมการ (Equation) นำไปสู่การวิเคราะห์ (Analytics) และตรวจสอบความถูกต้องของข้อค้นพบ (Verification) ก่อนจะนำไปสู่ข้อสรุปเกี่ยวกับความจริง (Truth)

AI สามารถช่วยเราได้ในเกือบทุกขั้นตอน แต่ไม่ได้หมายความว่าเราจะสามารถละทิ้งความเข้าใจในแต่ละขั้นตอนได้

ผมเคยรับสมัครงาน โดยให้ผู้สมัครงานทำงานโดยใช้ AI ก่อนเป็นการทดสอบ ในลักษณะของการทดสอบทำงานจริง

ผู้สมัคร A ใช้ AI อย่างคล่องแคล่ว เขียนโค้ดในการวิเคราะห์ข้อมูล ใช้ AI จัดทำการนำเสนอผลการวิเคราะห์ได้อย่างสวยงาน ใช้ AI จัดเตรียม script ในการนำเสนอผลงานแม้กระทั่งการสร้าง Animation ในการนำเสนอผลการวิเคราะห์ สร้างความประทับใจผมในการนำเสนอมาก

แต่พอถามว่า สิ่งที่ AI ทำมาทำงานอย่างไร ขอให้ไล่ Code ดูขั้นตอนในการทำงาน ได้ตรวจสอบหรือไม่ว่าผลลัพธ์ถูกต้องหรือผิดอย่างไรกลับตอบอะไรไม่ได้เลย

ผู้สมัคร B ใช้ AI ทำงานอย่างช้า ๆ การนำเสนอไม่ได้หรูหราอะไร กลับเรียบง่าย แต่เมื่อถาม กลับอธิบายได้ว่า AI ทำงานอย่างไร ใช้ตัวแบบอะไรในการวิเคราะห์ข้อมูล มีการตรวจสอบผลลัพธ์จาก AI ได้อย่างไร

แน่นอนว่าผมตัดสินใจรับผู้สมัคร B เข้าทำงาน แม้จะทำงานได้ช้ากว่า ไม่ได้ทำงานหรูหราอะไร แต่อธิบายได้หมดว่าตนเองให้ AI ทำงานอะไร และ AI ทำมาถูกต้องหรือผิดหรือไม่อย่างไร

หากเราเริ่มต้นจากโจทย์ที่ผิด ใช้ข้อมูลที่ไม่เหมาะสม สร้างแบบจำลองที่ไม่สอดคล้องกับกลไกของความเป็นจริง หรือแปลผลการวิเคราะห์อย่างไม่ถูกต้อง ต่อให้ AI ทำงานได้รวดเร็วและซับซ้อนเพียงใด ผลลัพธ์ที่ได้ก็ยังผิดอยู่ดี

มหาวิทยาลัยจึงต้องสอนให้นักศึกษาเข้าใจว่าแต่ละขั้นตอนมีความหมายอย่างไร เชื่อมโยงกันอย่างไร และจะตรวจสอบได้อย่างไรว่าสิ่งที่ทำลงไปนั้นถูกต้อง

ท้ายที่สุดแล้ว ผมไม่ได้คิดว่าเราควรต่อต้าน AI หรือพยายามแข่งขันกับ AI ในการผลิตผลงาน เพราะการทำเช่นนั้นอาจเป็นการแข่งขันที่เราไม่จำเป็นต้องชนะ และอาจไม่มีวันชนะด้วยซ้ำ

แต่เราต้องทำให้มนุษย์มีความสามารถในการใช้ AI อย่างรู้เท่าทัน รู้จักกำหนดปัญหา ตั้งคำถาม ตรวจสอบเหตุผล และประเมินความถูกต้องของสิ่งที่ AI สร้างขึ้น

AI ทำให้การผลิตคำตอบง่ายขึ้นอย่างมาก แต่ไม่ได้ทำให้การรู้ว่าคำตอบนั้นถูกต้องง่ายขึ้นตามไปด้วย

นี่คือเหตุผลที่ผมคิดว่า ในยุค AI มหาวิทยาลัยต้องเลิกให้ความสำคัญกับการสอนให้คนใช้เครื่องมือเก่งเพียงอย่างเดียว แล้วหันกลับมาทุ่มเทกับสิ่งที่สำคัญกว่า นั่นคือการสอนให้คนคิดเป็น

เราต้องสร้างคนที่คิดเองเป็นก่อน แล้วจึงสร้างคนที่ใช้ AI เป็น และท้ายที่สุดจึงจะสร้างคนที่สามารถทำงานร่วมกับ AI ได้อย่างมีประสิทธิภาพ