ในระหว่างที่ปัญญาประดิษฐ์ (AI) กำลังเข้ามามีบทบาทอย่างลึกซึ้งในการขับเคลื่อนกระบวนการทางธุรกิจและการรักษาความมั่นคงปลอดภัยไซเบอร์ หลายคนอาจคุ้นเคยกับคำว่า AI ในฐานะระบบที่เรียนรู้จากข้อมูลมหาศาลด้วยโครงข่ายประสาทเทียมเพียงอย่างเดียว ทว่าในความเป็นจริงแล้ว ตั้งแต่รากฐานการก่อตั้ง AI ในฐานะสาขาวิชาการ มีแนวคิดหลักสองสายที่พัฒนาแข่งขันกันมาโดยตลอด นั่นคือ Symbolic AI (ปัญญาประดิษฐ์เชิงสัญลักษณ์) และ Subsymbolic AI (ปัญญาประดิษฐ์เชิงเชื่อมโยง)

มาตรฐานสากล ISO/IEC 22989:2022 ซึ่งเป็นกรอบการกำหนดแนวคิดและคำศัพท์ปัญญาประดิษฐ์ระดับโลก ได้ให้คำนิยามและการเปรียบเทียบคุณลักษณะทางเทคนิคของเทคโนโลยีทั้งสองขั้วนี้ไว้อย่างชัดเจน การทำความเข้าใจความแตกต่างของสองแนวคิดนี้ ไม่เพียงแต่ช่วยให้ผู้บริหารและผู้ปฏิบัติงาน IT/Cybersecurity เลือกใช้โซลูชันที่เหมาะสมกับความต้องการได้เท่านั้น แต่ยังเป็นกุญแจสำคัญในการประเมินความปลอดภัย ความโปร่งใส และความน่าเชื่อถือของระบบปัญญาประดิษฐ์ในองค์กรอีกด้วย

Symbolic AI (ระบบสัญลักษณ์) ตรรกะ เหตุผล และโครงสร้างสัญลักษณ์ที่โปร่งใส

Symbolic AI หรือ ปัญญาประดิษฐ์เชิงสัญลักษณ์ เป็นแนวคิดดั้งเดิมที่มุ่งเน้นการเข้ารหัสความรู้ (Knowledge Encoding) ด้วยสัญลักษณ์และโครงสร้างที่ชัดเจน โดยกระบวนการคิดหรือให้เหตุผลของระบบจะใช้วิธีการทางตรรกศาสตร์ (Logics) เพื่อจำลองกระบวนการตัดสินใจของมนุษย์

นิยามและพฤติกรรมเชิงระบบตามมาตรฐาน ISO/IEC 22989

• การเข้ารหัสข้อมูลที่ชัดแจ้ง (Explicit Encoding): ข้อมูลความรู้ในระบบ Symbolic AI จะถูกเขียนและจัดเก็บอย่างชัดแจ้งในรูปแบบที่เป็นทางการ (Formal Representation) ซึ่งมีโครงสร้างไวยากรณ์ (Syntax) ที่คอมพิวเตอร์สามารถประมวลผลได้ และมีอรรถศาสตร์ (Semantics) หรือความหมายที่มนุษย์สามารถอ่านและเข้าใจได้โดยตรง
• ผลลัพธ์แบบประกาศแจ้ง (Declarative Outputs): ผลผลิตที่ได้จากระบบเชิงสัญลักษณ์จะเป็นข้อความประกาศความจริงเชิงตรรกะที่แน่นอนตายตัว (Declarative Outputs) เช่น การระบุข้อเท็จจริงว่าสิ่งใดถูกหรือผิดตามเงื่อนไขกฎเกณฑ์ที่กำหนดไว้ล่วงหน้า
• เป็นระบบที่ไม่เกี่ยวข้องกับการเรียนรู้ (Heuristic Systems): ระบบประเภทนี้จะไม่ใช้การเรียนรู้เชิงสถิติจากข้อมูลจริง แต่สถาปัตยกรรมจะพึ่งพาความรู้ของผู้เชี่ยวชาญมนุษย์ (Human Knowledge) ในการเขียนและป้อนกฎเกณฑ์ที่สมเหตุสมผลลงไปเป็นฐานความรู้คงที่เพื่อให้ระบบนำไปประมวลผลหาคำตอบ

ตัวอย่างทางวิศวกรรมตามแนวคิด Symbolic AI

• ระบบผู้เชี่ยวชาญ (Expert Systems): เป็นระบบที่สะสม รวมกลุ่ม และจัดเก็บความรู้จากผู้เชี่ยวชาญเฉพาะทางเพื่อนำมาใช้หาทางออกให้กับปัญหา โดยประกอบด้วย “ฐานความรู้” (Knowledge Base) ที่จัดเก็บข้อเท็จจริงและกฎเกณฑ์เชิงอนุมาน และ “เครื่องมือหาข้อสรุป” (Inference Engine) ที่ทำหน้าที่เดินตามกฎและตรรกะเพื่อหาคำตอบ
• การเขียนโปรแกรมเชิงตรรกะ (Logic Programming): การใช้ภาษาโปรแกรมที่แสดงตรรกะอย่างเป็นทางการ (เช่น ภาษา Prolog) เพื่อช่วยสร้างโมเดลการใช้เหตุผลของมนุษย์ในรูปแบบที่โปร่งใสและสามารถอธิบายย้อนกลับได้อย่างชัดเจน

Subsymbolic AI (ระบบเชื่อมโยง): การคำนวณสถิติและการเรียนรู้จากประสบการณ์ดิบ

ในทางตรงกันข้าม Subsymbolic AI หรือ ปัญญาประดิษฐ์เชิงเชื่อมโยง (Connectionist Paradigm) เป็นแนวคิดที่ไม่ได้อาศัยการให้เหตุผลเชิงสัญลักษณ์ แต่ใช้โมเดลทางคณิตศาสตร์จำลองหน่วยประมวลผลพื้นฐานขนาดเล็กเชื่อมต่อกัน เพื่อหาแพทเทิร์นหรือรูปแบบที่ซ่อนอยู่ในข้อมูล

นิยามและพฤติกรรมเชิงระบบตามมาตรฐาน ISO/IEC 22989

• การเข้ารหัสข้อมูลแบบไม่ชัดแจ้ง (Implicit Encoding): ความรู้ของระบบ Subsymbolic AI ไม่ได้เขียนขึ้นจากคำสั่งหรือสัญลักษณ์ที่มนุษย์อ่านเข้าใจได้ง่ายโดยตรง แต่ความรู้จะถูกซ่อนอยู่ในการกระจายน้ำหนักของค่าตัวเลขภายในระบบ (เช่น น้ำหนักความเชื่อมโยงหรือ Adjustable Weights ในโครงข่ายประสาทเทียม) ซึ่งแปลงและสกัดขึ้นมาจากประสบการณ์ดิบหรือชุดข้อมูลฝึกฝน (Raw Data / Experience)
• ทำงานบนหลักความน่าจะเป็นเชิงสถิติ (Statistical Approaches): ผลลัพธ์หรือผลผลิตจากระบบเชื่อมโยงไม่ได้เป็นตรรกะถูก-ผิดที่แน่นอน 100% แต่เป็นผลผลิตทางสถิติที่มีระดับความน่าจะเป็นกำกับ และมีโอกาสเกิดข้อผิดพลาดได้เสมอ (Outputs with a given probability of error / Error-prone)
• สถาปัตยกรรมแบบเชื่อมโยง (Connectionism): ใช้โมเดลการประมวลผลที่เลียนแบบโครงข่ายเชื่อมต่อของหน่วยคำนวณย่อย ๆ (Neurons) ที่ส่งต่อข้อมูลอินพุตผ่านชั้นเลเยอร์ต่าง ๆ เพื่อกลั่นกรองและประเมินคำตอบขั้นสุดท้ายออกไป

ตัวอย่างทางวิศวกรรมตามแนวคิด Subsymbolic AI

• การเรียนรู้ของเครื่อง (Machine Learning – ML): กระบวนการคำนวณทางเทคนิคเพื่อปรับค่าพารามิเตอร์ภายในโมเดลให้มีค่าที่เหมาะสมที่สุด (Optimization) เพื่อให้พฤติกรรมของแบบจำลองนั้นสะท้อนถึงชุดข้อมูลที่ใช้ฝึกฝน
• โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก (Neural Networks & Deep Learning): สถาปัตยกรรมโครงข่ายประมวลผลหลายชั้น (Hidden Layers) เพื่อจำลองความสามารถในการสังเกต การเรียนรู้ และการวิเคราะห์ปัญหายุ่งยากซับซ้อนโดยอัตโนมัติ

ตารางเปรียบเทียบความแตกต่างทางวิศวกรรมสากล

เพื่อให้เห็นภาพการทำงานและการนำไปประยุกต์ใช้ที่ชัดเจนยิ่งขึ้น นี่คือสรุปความแตกต่างที่สำคัญของทั้งสองขั้วตามมาตรฐาน ISO/IEC 22989:

มิติการเปรียบเทียบ	Symbolic AI (ระบบสัญลักษณ์)	Subsymbolic AI (ระบบเชื่อมโยง)
วิธีการเข้ารหัสความรู้	เข้ารหัสอย่างชัดแจ้งเป็นสัญลักษณ์ (Explicit Encoding) มนุษย์สามารถอ่านทำความเข้าใจความหมายได้โดยตรง	เข้ารหัสแบบไม่ชัดแจ้ง (Implicit Encoding) ความรู้กระจายอยู่ในรูปพารามิเตอร์น้ำหนักตัวเลขสถิติ
ลักษณะของผลลัพธ์	ผลผลิตเชิงประกาศข้อเท็จจริงแน่นอนตายตัว (Declarative Outputs) เช่น ถูก/ผิด ตามกฎเกณฑ์ตรรกะ	ผลผลิตอิงตามสถิติและความน่าจะเป็น (Statistical Outputs) มีอัตราความคลาดเคลื่อนและโอกาสผิดพลาดได้
แหล่งที่มาของความรู้	เกิดจากการออกแบบและเขียนป้อนกฎเกณฑ์โดยผู้เชี่ยวชาญมนุษย์ (Heuristic / Hardcoded Rules)	เกิดจากการวิเคราะห์และปรับแต่งพารามิเตอร์ผ่านการฝึกฝนด้วยชุดข้อมูลฝึกฝน (Data-driven / Machine Learning)
ความโปร่งใสและการอธิบาย	มีความโปร่งใสสูง อธิบายขั้นตอนการไล่ตรรกะของกฎเกณฑ์ย้อนกลับได้ง่าย (Highly Explainable)	อธิบายยากและซับซ้อน (โดยเฉพาะ Deep Learning) เนื่องจากทำงานบนชุดข้อมูลขนาดใหญ่และพารามิเตอร์จำนวนมหาศาล
การทวนสอบระบบ	สามารถตรวจสอบความถูกต้องและระบบตรรกะเชิงลอจิกย่อย ๆ โดยทั่วไปตรวจสอบได้ตรงไปตรงมา	ทวนสอบได้ยาก มักต้องการการประเมินประสิทธิภาพผ่านกระบวนการสถิติและการเตรียมชุดข้อมูลทดสอบที่แยกต่างหาก

Hybrid AI ทางออกแห่งอนาคตกับการผสานข้อดีของทั้งสองระบบ

แม้ว่าในประวัติศาสตร์ที่ผ่านมา แนวคิดทั้งสองขั้วจะดูเหมือนตรงข้ามและแยกจากกันอย่างสิ้นเชิง แต่มาตรฐาน ISO/IEC 22989 ได้ระบุทิศทางสำคัญของสถาปัตยกรรมปัญญาประดิษฐ์ในปัจจุบันไว้ว่า ระบบ AI ยุคใหม่ส่วนใหญ่ไม่ได้พึ่งพาเทคโนโลยีใดเทคโนโลยีหนึ่งเพียงด้านเดียว

ระบบที่ผสานองค์ประกอบของทั้งสองขั้วเข้าด้วยกัน เรียกว่า “Hybrid AI” (ระบบเอไอแบบผสมผสาน) ซึ่งจะใช้ความสามารถของ Subsymbolic AI ในการวิเคราะห์รูปแบบ เรียนรู้ และคาดการณ์จากข้อมูลดิบที่มีความผันผวนสูง (เช่น เสียง ภาพ หรือตัวอักษร) จากนั้นนำมาประมวลผลต่อด้วยกระบวนการให้เหตุผลเชิงสัญลักษณ์และการกำหนดกฎเกณฑ์ที่โปร่งใสของ Symbolic AI เพื่อควบคุมการตัดสินใจและการกระทำให้อยู่ภายใต้กรอบจริยธรรม กฎหมาย และความปลอดภัยไซเบอร์สูงสุดขององค์กร

ประเด็นสำคัญที่ต้องจำ

• Symbolic AI ใช้สัญลักษณ์และกฎเกณฑ์ตรรกะที่แน่นอน มนุษย์สามารถเปิดอ่านและเข้าใจที่มาของการคิดได้ง่าย เหมาะสำหรับงานที่เน้นความโปร่งใสและการควบคุมตามกรอบนโยบาย
• Subsymbolic AI ทำงานอิงตามสถิติและความน่าจะเป็น ผ่านการเทรนพารามิเตอร์ด้วยชุดข้อมูลฝึกฝน เหมาะสำหรับการค้นหาแพทเทิร์นในข้อมูลดิบขนาดใหญ่ แต่มีความสามารถในการอธิบายตนเองที่ท้าทายกว่า
• ความเสี่ยงทางผลลัพธ์: พึงระลึกเสมอว่าผลผลิตจากระบบ Subsymbolic AI (เช่น Machine Learning) นั้นสามารถเกิดข้อผิดพลาดได้เสมอ องค์กรจึงจำเป็นต้องประเมินด้วยข้อมูลทดสอบและจัดวางกระบวนการกำกับดูแลโดยมนุษย์อย่างรอบคอบ
• Hybrid AI คือแนวทางการออกแบบที่พบบ่อยที่สุดในปัจจุบัน โดยผสานการเรียนรู้ของระบบสถิติเข้ากับความโปร่งใสอธิบายได้ของระบบกฎเกณฑ์

บทสรุป

สำหรับผู้บริหารและผู้ปฏิบัติงานด้านไอทีและวิศวกรรมความมั่นคงปลอดภัยไซเบอร์ การเข้าใจโครงสร้างสองขั้วหลักของ AI ตามมาตรฐานสากล ISO/IEC 22989 เป็นสิ่งที่จะช่วยลดความคลาดเคลื่อนในการเลือกซื้อและประเมินระบบ AI ในตลาด ปัญญาประดิษฐ์เชิงสัญลักษณ์จะช่วยตอบโจทย์องค์กรที่ต้องการระบบควบคุมกฎข้อบังคับที่โปร่งใสและตรวจสอบย้อนกลับได้อย่างชัดเจน ในขณะที่ปัญญาประดิษฐ์เชิงเชื่อมโยงจะช่วยปลดล็อกศักยภาพในการคาดการณ์สถิติและการปรับตัวตามข้อมูลที่ไหลเวียนแบบเรียลไทม์ การบริหารจัดการความน่าเชื่อถือ (Trustworthiness) ของเอไอในระดับองค์กรจึงเริ่มต้นจากการเข้าใจเนื้อหาเชิงลึกและเลือกประยุกต์ใช้สองสถาปัตยกรรมนี้อย่างสมดุลและปลอดภัย