คำตอบที่ถูกต้องกับความเข้าใจที่แท้จริง ไม่ใช่สิ่งเดียวกันเสมอไป
ทุกวันนี้คำว่า "เอเจนต์" (agent) กลายเป็นคำฮิตในวงการ AI ไปแล้ว ตั้งแต่ผู้ช่วยเขียนโค้ดที่ตัดสินใจเองว่าจะเรียกเครื่องมือไหน ไปจนถึงระบบอัตโนมัติที่ทำงานแทนคนทั้งกระบวนการ แต่ก่อนที่คำว่า "เอเจนต์" จะถูกผูกกับโมเดลภาษาขนาดใหญ่ วงการฟิสิกส์และวิทยาศาสตร์ความซับซ้อน (complexity science) ก็มีคำว่า "เอเจนต์" ใช้มานานหลายสิบปีแล้วเช่นกัน ในความหมายที่ต่างออกไปโดยสิ้นเชิง นั่นคือ Agent-Based Model หรือ ABM คำถามที่น่าสนใจคือ ในยุคที่เอเจนต์ AI ฉลาดขึ้นทุกเดือน โมเดลแบบ ABM ที่ใช้กฎง่าย ๆ อธิบายพฤติกรรมยังจำเป็นอยู่ไหม หรือกลายเป็นของเก่าที่ถูกแทนที่ไปแล้ว
ABM คืออะไร และทำไมไม่ใช่สิ่งเดียวกับ AI Agent
ตัวอย่างคลาสสิกที่สุดของ ABM คือแบบจำลองการแบ่งแยกที่อยู่อาศัยของโทมัส เชลลิง (Thomas Schelling) นักเศรษฐศาสตร์ที่เสนอโมเดลนี้ไว้ในปี 1971 ถือเป็นหนึ่งใน ABM รุ่นแรก ๆ ในวรรณกรรมเศรษฐศาสตร์ เชลลิงใช้กระดานหมากรุกจำลองคนแต่ละคนเป็น "เอเจนต์" ที่มีกฎง่ายมากเพียงข้อเดียว คือย้ายบ้านถ้าสัดส่วนเพื่อนบ้านที่หน้าตาต่างจากตัวเองมากเกินระดับที่ยอมรับได้ ผลลัพธ์ที่น่าทึ่งคือ แม้แต่ละคนจะมีอคติเพียงเล็กน้อยเท่านั้น ระบบทั้งกระดานก็ยังเคลื่อนตัวไปสู่การแบ่งแยกที่อยู่อาศัยขนาดใหญ่ได้ในที่สุด นี่คือแก่นของ ABM ทั้งหมด นั่นคือการใช้กฎระดับปัจเจกที่เรียบง่ายที่สุดเท่าที่จะทำได้ เพื่อดูว่ารูปแบบระดับกลุ่มก้อนอะไรจะ "อุบัติขึ้น" (emerge) มาเองโดยไม่มีใครออกแบบไว้ล่วงหน้า
โมเดลแบบนี้ดึงดูดความสนใจของนักฟิสิกส์มานานแล้วเช่นกัน โดยเฉพาะการนำเครื่องมือของกลศาสตร์สถิติ (statistical mechanics) มาอธิบายปรากฏการณ์การเปลี่ยนวัฏภาค (phase transition) ที่เกิดขึ้นในโมเดลแบบเชลลิง และในสาขาที่เรียกว่า econophysics ก็มีการใช้แบบจำลองที่มีรากจากฟิสิกส์ เช่น แบบจำลองแบบ Ising มาอธิบายพฤติกรรมตลาดการเงิน สิ่งที่ต้องแยกให้ชัดคือ "เอเจนต์" ใน ABM ไม่ใช่ระบบที่ฉลาดหรือมีเป้าหมายซับซ้อนแบบ AI agent ในความหมายปัจจุบัน แต่เป็นหน่วยที่มีกฎพฤติกรรมง่าย ๆ เพียงไม่กี่ข้อ จุดประสงค์ของ ABM ไม่ใช่การทำงานแทนคน แต่คือการอธิบายว่า "ทำไม" รูปแบบระดับกลุ่มถึงเกิดขึ้นจากพฤติกรรมระดับบุคคล
เหตุผลที่นักฟิสิกส์มองเห็นความคล้ายคลึงระหว่าง ABM กับกลศาสตร์สถิติได้ทันที เป็นเพราะทั้งสองอยู่ในตระกูลเดียวกันของแนวทางการสร้างแบบจำลองที่เรียกว่า แบบจำลองเชิงกลไก (mechanistic model) ซึ่งต่างจาก แบบจำลองเชิงสถิติ (statistical model) อย่างชัดเจน แบบจำลองเชิงกลไกเริ่มต้นจากกฎพฤติกรรมของหน่วยย่อยที่สุด เช่น การเคลื่อนที่ของอนุภาคแต่ละตัวในกลศาสตร์สถิติ หรือการตัดสินใจของคนแต่ละคนใน ABM แล้วปล่อยให้ปรากฏการณ์ระดับใหญ่ก่อรูปขึ้นเองจากกฎเหล่านั้น ผลลัพธ์ระดับมหภาคจึงสืบย้อนกลับไปยังกลไกระดับจุลภาคได้เสมอ กลศาสตร์สถิติเองก็ถือกำเนิดขึ้นจากแนวคิดแบบนี้พอดี คือความพยายามอธิบายกฎอุณหพลศาสตร์ระดับมหภาคจากการเคลื่อนที่ของอนุภาคจำนวนมหาศาลในระดับจุลภาค
แบบจำลองเชิงสถิติทั่วไปทำงานตรงข้ามกัน คือไม่ได้สนใจว่ากลไกที่แท้จริงคืออะไร แต่หาความสัมพันธ์หรือรูปแบบที่ปรากฏในข้อมูลระดับรวมโดยตรง เช่น การถดถอยเชิงเส้น หรือโมเดลการเรียนรู้ของเครื่องจำนวนมากที่ทำนายผลได้แม่นยำ โดยไม่จำเป็นต้องรู้เลยว่าเหตุใดความสัมพันธ์นั้นถึงเกิดขึ้น AI agent ที่ขับเคลื่อนด้วยโมเดลภาษาขนาดใหญ่ก็เอนเอียงไปทางแบบจำลองเชิงสถิตินี้มากกว่า เพราะเรียนรู้จากรูปแบบในข้อมูลจำนวนมหาศาล ไม่ได้ถูกสร้างจากกฎพฤติกรรมระดับจุลภาคที่ระบุไว้อย่างชัดเจนแบบ ABM ความต่างระหว่างสองตระกูลนี้จึงเป็นรากของคำถามทั้งบทความว่า ทำไม ABM ถึงยังตอบคำถามบางแบบได้ดีกว่า แม้ AI agent จะให้คำตอบที่แม่นยำกว่าในหลายกรณี
ความแตกต่างที่เล็กน้อยไม่ใช่ข้อบกพร่อง แต่คือกลไกของการอุบัติขึ้น
สิ่งที่โมเดลของเชลลิงสอนไว้สะท้อนหลักคิดที่คุ้นเคยในงานวิจัยด้านพฤติกรรมมนุษย์ นั่นคือ ความแตกต่างเป็นคุณสมบัติตามธรรมชาติของชีวิต ไม่ใช่ข้อบกพร่องที่ต้องแก้ไข ความแตกต่างเล็ก ๆ ในระดับปัจเจกจึงไม่ใช่ "สัญญาณรบกวน" ที่ควรถูกปัดทิ้งเพื่อให้โมเดลดูสะอาดขึ้น แต่คือกลไกสำคัญที่ทำให้รูปแบบระดับกลุ่มก้อนที่ซับซ้อนเกิดขึ้นได้ตั้งแต่แรก จุดแข็งของ ABM คือมันไม่พยายามซ่อนหรือเฉลี่ยความแตกต่างเหล่านี้ทิ้งเหมือนโมเดลเชิงสถิติแบบภาพรวมหลายแบบ แต่จำลองปัจเจกแต่ละหน่วยไว้อย่างชัดเจน ทำให้ย้อนกลับไปดูได้เสมอว่ารูปแบบระดับกลุ่มที่เห็นในตอนจบมาจากกฎระดับบุคคลข้อไหนกันแน่ นี่คือคุณค่าที่ต่างจากระบบ AI ที่ซับซ้อนมาก ๆ ซึ่งอาจให้ผลลัพธ์ที่สมจริง แต่บอกไม่ได้เสมอไปว่าทำไมผลลัพธ์นั้นถึงเกิดขึ้น
VIBE เองก็ใช้ตรรกะแบบเดียวกับ ABM
ที่จริงแล้วตรรกะแบบเดียวกับ ABM คือการอธิบายปรากฏการณ์ระดับกลุ่มผ่านกลไกระดับปัจเจกที่เรียบง่าย ก็ปรากฏอยู่แล้วในงานวิจัยด้านพฤติกรรมมนุษย์เช่นกัน กลไกที่เรียกว่า VIBE ซึ่งอธิบายการแพร่กระจายของพฤติกรรมในสังคม ประกอบด้วย Recognition คือการถูกมองเห็นและยอมรับซึ่งสร้างความรู้สึกเชิงบวกและขับเคลื่อนการมีส่วนร่วม Imitation คือการเลียนแบบพฤติกรรมที่ส่วนใหญ่เกิดขึ้นโดยไม่รู้ตัว และ Rule of Three ที่มองว่ากลุ่มสามคนคือหน่วยที่เล็กที่สุดของวงจรป้อนกลับทางสังคมที่ยังมั่นคงอยู่ได้ ทั้งสามกลไกนี้คือกฎระดับปัจเจกที่เรียบง่าย ไม่ต่างจากกฎการย้ายบ้านในโมเดลของเชลลิง และสิ่งที่ทำให้พฤติกรรมกลุ่มก้อนขนาดใหญ่ เช่น กระแสความนิยม หรือการเปลี่ยนแปลงวัฒนธรรมองค์กร เกิดขึ้นได้ ก็คือการที่กฎเล็ก ๆ เหล่านี้ทำงานซ้ำ ๆ ผ่านเครือข่ายความสัมพันธ์จำนวนมาก พูดอีกแบบคือ ถ้า ABM หมดความจำเป็นไปจริง ตรรกะแบบเดียวกันที่ใช้อธิบาย VIBE ก็จะหมดความจำเป็นไปด้วย
ถ้าจะเปรียบเทียบให้เห็นภาพชัดขึ้น (ในฐานะการเปรียบเทียบเชิงภาพ ไม่ใช่การอ้างว่ากลไกทางคณิตศาสตร์เดียวกันเกิดขึ้นจริงในพฤติกรรมมนุษย์) รูปแบบที่ Rule of Three อธิบายมีภาพสะท้อนที่เป็นรูปธรรมอยู่ใน สามเหลี่ยมเซียร์ปินสกี (Sierpinski Triangle) ซึ่งเป็นแฟร็กทัลที่ตั้งชื่อตามวาตสวัฟ เซียร์ปินสกี นักคณิตศาสตร์ชาวโปแลนด์ผู้อธิบายไว้ตั้งแต่ปี 1915 รูปทรงนี้สร้างขึ้นจากกฎง่ายเพียงข้อเดียว คือแบ่งสามเหลี่ยมออกเป็นสามส่วนแล้วเว้นชิ้นตรงกลางไว้ แล้วทำซ้ำกฎเดิมกับสามเหลี่ยมย่อยที่เหลือไปเรื่อย ๆ ไม่มีที่สิ้นสุด ผลลัพธ์ที่ได้คือรูปแบบที่ซับซ้อนและคล้ายตัวเองในทุกระดับของการซูม (self-similarity) ทั้งที่เกิดจากกฎซึ่งใช้หน่วยฐานเพียง "สาม" เท่านั้น
นี่คือสิ่งที่ ABM และ Rule of Three ชี้ไปทางเดียวกัน คือความซับซ้อนระดับสูงไม่จำเป็นต้องมาจากกฎที่ซับซ้อน แต่มาจากกฎง่าย ๆ ที่ถูกใช้ซ้ำผ่านหน่วยฐานที่เล็กที่สุดที่ยังเสถียรได้ ไม่ว่าจะเป็นสามจุดยอดของรูปเรขาคณิต หรือสามบทบาทในวงจรป้อนกลับทางสังคม (ผู้ริเริ่ม ผู้ขยายผล ผู้สังเกตการณ์) รูปแบบใหญ่ที่เห็นในตอนจบจึงไม่ใช่สิ่งที่ถูกออกแบบไว้โดยตรง แต่อุบัติขึ้นจากการทำซ้ำกฎง่าย ๆ ผ่านหน่วยฐานเดียวกันนับไม่ถ้วนครั้ง
เมื่อ AI Agent กลายเป็นส่วนผสมใหม่ใน ABM ไม่ใช่ตัวแทนที่มาแทนที่
งานวิจัยล่าสุดในสาย complexity science ชี้ไปในทิศทางที่ต่างจากที่หลายคนคาดไว้ แทนที่ AI agent แบบโมเดลภาษาขนาดใหญ่จะเข้ามาแทนที่ ABM มันกลับถูกผนวกเข้าไป "เป็นส่วนหนึ่ง" ของ ABM แทน เกิดเป็นแนวทางที่เรียกว่า Generative Agent-Based Models (GABM) ซึ่งให้เอเจนต์แต่ละตัวในแบบจำลองมีการตัดสินใจที่ยืดหยุ่นและเหมือนมนุษย์มากขึ้น แทนที่จะผูกกับกฎตายตัวเพียงไม่กี่ข้อแบบเดิม ปัจจุบันแนวทางนี้ถูกนำไปใช้ในหลายสาขา ทั้งการจำลองเศรษฐกิจมหภาคและตลาดการเงิน การจำลองพฤติกรรมทางสังคมอย่างการสำรวจความคิดเห็นหรือการจัดการภาวะวิกฤต การวิเคราะห์การแพร่กระจายของข้อมูลข่าวสาร ไปจนถึงงานวิจัยด้านทฤษฎีเกม
อย่างไรก็ตาม การผสาน LLM เข้ากับ ABM ก็มาพร้อมความท้าทายใหม่ที่ ABM แบบกฎง่ายไม่เคยมี งานวิจัยหลายชิ้นชี้ว่าพฤติกรรมของเอเจนต์ที่ขับเคลื่อนด้วยโมเดลภาษามีความไม่สม่ำเสมอ ไวต่อการเปลี่ยนถ้อยคำในพรอมต์ และมีโอกาสเกิดอาการหลอน (hallucination) ทำให้ควบคุมและตรวจสอบซ้ำได้ยากกว่าโมเดลที่ใช้กฎตายตัว นี่คือเหตุผลที่ ABM แบบดั้งเดิมยังมีที่ยืนอยู่ โดยเฉพาะในงานที่ต้องการความสามารถในการอธิบายเชิงเหตุผลที่ตรวจสอบซ้ำได้ ไม่ใช่แค่ความสมจริงของพฤติกรรม
ผลลัพธ์กับปัญญา: สิ่งที่ AI Agent กับ ABM ไม่ได้ผลิตเหมือนกัน
ความแตกต่างที่ลึกที่สุดระหว่างสองเครื่องมือนี้อาจไม่ใช่เรื่องเทคนิค แต่เป็นเรื่องของสิ่งที่แต่ละอย่างผลิตออกมาในตอนจบ AI agent ถูกออกแบบมาให้ผลิต "ผลลัพธ์" นั่นคือคำตอบ การกระทำ หรือสิ่งที่ทำให้งานสำเร็จ ความสำเร็จของมันวัดจากว่าเป้าหมายบรรลุหรือไม่ ไม่ใช่จากว่าคนที่ใช้งานเข้าใจ "ทำไม" ผลลัพธ์นั้นถึงออกมาแบบนั้น เอเจนต์ที่ดีที่สุดหลายตัวในตลาดตอนนี้ทำงานเหมือนกล่องดำที่ให้คำตอบถูกต้องได้ โดยที่คนใช้ไม่จำเป็นต้องเข้าใจกลไกภายในเลยแม้แต่น้อย
ABM เดินไปในทิศทางตรงข้าม เพราะทุกอย่างในแบบจำลองถูกออกแบบให้มองเห็นได้ตั้งแต่ต้นจนจบ กฎระดับปัจเจกที่เรียบง่าย เส้นทางที่รูปแบบระดับกลุ่มก่อตัวขึ้น และจุดที่ทำให้ผลลัพธ์เปลี่ยนไปถ้าปรับกฎแม้เพียงข้อเดียว ทั้งหมดนี้คือสิ่งที่ผู้ใช้มองเห็นได้ตลอดเวลา ไม่ใช่แค่คำตอบสุดท้าย นี่คือเหตุผลที่การใช้ ABM ไม่ได้ให้แค่ผลลัพธ์ แต่ให้ความเข้าใจกลไกเบื้องหลังผลลัพธ์นั้นไปด้วย ซึ่งต่างจาก "ข้อมูล" หรือ "คำตอบ" อย่างมาก งานวิจัยด้านพฤติกรรมมนุษย์หลายสายนิยามปัญญาในลักษณะนี้เช่นกัน คือความสามารถในการมองเห็นความเป็นจริงได้ชัดขึ้นโดยมีสิ่งบิดเบือนระหว่างสิ่งที่เกิดขึ้นจริงกับสิ่งที่รับรู้น้อยลง ยิ่งมองเห็นกลไกที่แท้จริงชัดเจนเท่าไหร่ ก็ยิ่งตอบสนองต่อสถานการณ์ได้อย่างมีปัญญามากขึ้นเท่านั้น
พูดให้สั้นที่สุด เอเจนต์ AI ผลิตผลลัพธ์ ส่วน ABM ผลิตปัญญา และนี่คือเหตุผลที่สองสิ่งนี้ไม่มีวันแทนที่กันได้อย่างสมบูรณ์ ไม่ว่าเอเจนต์ AI จะให้คำตอบที่ถูกต้องแม่นยำแค่ไหนก็ตาม
สรุป
คำตอบของคำถามที่ตั้งไว้ตอนต้นจึงไม่ใช่ "ABM ถูกแทนที่แล้ว" แต่เป็น "ABM กำลังถูกผสมกับเทคโนโลยีใหม่ ไม่ใช่ถูกแทนที่" เพราะคำถามที่ AI agent ตอบกับคำถามที่ ABM ตอบนั้นต่างกันโดยพื้นฐาน AI agent ตอบคำถามว่า "ควรทำอะไรเพื่อให้บรรลุเป้าหมายนี้" ส่วน ABM ตอบคำถามว่า "ทำไมรูปแบบระดับกลุ่มก้อนแบบนี้ถึงอุบัติขึ้นจากพฤติกรรมระดับปัจเจกเหล่านั้น" หรือพูดอีกแบบคือ เอเจนต์ AI ให้ผลลัพธ์ที่ใช้งานได้ทันที ส่วน ABM ให้ปัญญาที่ใช้ต่อยอดได้ยาวกว่านั้น ตราบใดที่โลกยังต้องการคำตอบแบบหลัง ไม่ว่าจะเป็นเรื่องการแพร่กระจายของกระแส การเปลี่ยนแปลงวัฒนธรรมองค์กร หรือการอุบัติขึ้นของ Flow ในระบบความสัมพันธ์ของมนุษย์ กฎง่าย ๆ ของ ABM ก็ยังจำเป็นอยู่เสมอ ไม่ว่าเอเจนต์ AI จะฉลาดขึ้นไปอีกกี่รุ่นก็ตาม
บทความนี้เรียบเรียงจากแนวคิดเรื่อง VIBE (Recognition, Imitation, Rule of Three), หลักการที่ว่าความแตกต่างเป็นคุณสมบัติตามธรรมชาติ, นิยามของ Flow และแนวคิดเรื่องปัญญาที่แปรผกผันกับความบิดเบือน ซึ่งเป็นส่วนหนึ่งของงานวิจัยเรื่องการเจริญงอกงามและพฤติกรรมมนุษย์ของ ศักดา เลิศพิพัฒน์วาณิชย์ (การเปรียบเทียบกับสามเหลี่ยมเซียร์ปินสกีเป็นภาพประกอบเชิงเปรียบเทียบ ไม่ใช่การอ้างกลไกทางคณิตศาสตร์เดียวกัน)