ข้อเสียของ AI
- ต้นทุนสูงการพัฒนา AI อาจมีราคาแพงมาก การสร้างแบบจำลอง AI จำเป็นต้องมีการลงทุนล่วงหน้าจำนวนมากในโครงสร้างพื้นฐานทรัพยากรการคำนวณ และซอฟต์แวร์เพื่อฝึกแบบจำลองและจัดเก็บข้อมูลการฝึก หลังจากการฝึกเบื้องต้นแล้ว ยังมีค่าใช้จ่ายต่อเนื่องเพิ่มเติมที่เกี่ยวข้องกับการอนุมานและการฝึกซ้ำแบบจำลอง ส่งผลให้ต้นทุนเพิ่มขึ้นอย่างรวดเร็ว โดยเฉพาะอย่างยิ่งสำหรับระบบที่ซับซ้อนขั้นสูง เช่น แอปพลิเคชัน AI เชิงสร้างสรรค์ Sam Altman ซีอีโอของ OpenAI กล่าวว่า การฝึกแบบจำลอง GPT-4ของบริษัทมีค่าใช้จ่ายมากกว่า 100 ล้านดอลลาร์
- ความซับซ้อนทางเทคนิคการพัฒนา การใช้งาน และการแก้ไขปัญหาของระบบ AI โดยเฉพาะในสภาพแวดล้อมการผลิตในโลกแห่งความเป็นจริง ต้องใช้ความรู้ทางเทคนิคจำนวนมาก ในหลายกรณี ความรู้ดังกล่าวแตกต่างจากความรู้ที่จำเป็นในการสร้างซอฟต์แวร์ที่ไม่ใช่ AIตัวอย่างเช่น การสร้างและใช้งานแอปพลิเคชันการเรียนรู้ของเครื่องเกี่ยวข้องกับกระบวนการที่ซับซ้อน หลายขั้นตอน และต้องใช้เทคนิคสูง ตั้งแต่การเตรียมข้อมูล การเลือกอัลกอริทึม การปรับแต่งพารามิเตอร์ และการทดสอบโมเดล
- ช่องว่างด้านบุคลากรความซับซ้อนทางเทคนิคทำให้ปัญหาขาดแคลนบุคลากรที่มีทักษะด้าน AI และการเรียนรู้ของเครื่องจักรอย่างมากเมื่อเทียบกับความต้องการทักษะดังกล่าวที่เพิ่มมากขึ้นช่องว่างระหว่างอุปทานและอุปสงค์ของบุคลากรด้าน AIหมายความว่าแม้ว่าความสนใจในแอปพลิเคชัน AI จะเพิ่มมากขึ้น แต่หลายองค์กรก็ไม่สามารถหาพนักงานที่มีคุณสมบัติเหมาะสมเพียงพอที่จะทำงานด้าน AI ได้
- อคติทางอัลกอริทึม อัลกอริทึม AI และการเรียนรู้ของเครื่องจักรสะท้อนอคติที่มีอยู่ในข้อมูลการฝึกอบรม และเมื่อระบบ AI ถูกนำไปใช้งานในระดับขนาดใหญ่ อคติดังกล่าวก็จะขยายขนาดตามไปด้วย ในบางกรณี ระบบ AI อาจขยายอคติที่ละเอียดอ่อนในข้อมูลการฝึกอบรมด้วยการเข้ารหัสเป็นรูปแบบที่เสริมความแข็งแกร่งและเป็นกลาง ในตัวอย่างที่เป็นที่รู้จักกันดีตัวอย่างหนึ่ง Amazon ได้พัฒนาเครื่องมือสรรหาบุคลากรที่ขับเคลื่อนด้วย AI เพื่อทำให้กระบวนการจ้างงานเป็นแบบอัตโนมัติ ซึ่งเอื้อประโยชน์ต่อผู้สมัครชายโดยไม่ได้ตั้งใจ ซึ่งสะท้อนถึงความไม่สมดุลทางเพศในระดับที่ใหญ่กว่าในอุตสาหกรรมเทคโนโลยี
- ความยากลำบากในการสรุปผลโมเดล AI มักจะทำได้ดีในงานเฉพาะที่ได้รับการฝึกมา แต่กลับประสบปัญหาเมื่อต้องจัดการกับสถานการณ์ใหม่ๆ ความยืดหยุ่นที่ไม่เพียงพออาจจำกัดประโยชน์ของ AI เนื่องจากงานใหม่ๆ อาจต้องใช้การพัฒนาโมเดลใหม่ทั้งหมด ตัวอย่างเช่น โมเดล NLP ที่ได้รับการฝึกจากข้อความภาษาอังกฤษอาจทำงานได้ไม่ดีกับข้อความในภาษาอื่นๆ หากไม่ได้รับการฝึกอบรมเพิ่มเติมอย่างครอบคลุม ในขณะที่มีการทำงานเพื่อปรับปรุงความสามารถในการสรุปผลโมเดล ซึ่งเรียกว่าการปรับโดเมนหรือการเรียนรู้การถ่ายโอนปัญหาดังกล่าวยังคงเป็นปัญหาในการวิจัยแบบเปิด
- การเลิกจ้างงาน AI อาจนำไปสู่การสูญเสียงานได้หากองค์กรต่างๆ แทนที่คนงานด้วยเครื่องจักร ซึ่งเป็นปัญหาที่น่ากังวลมากขึ้น เนื่องจากความสามารถของโมเดล AI มีความซับซ้อนมากขึ้น และบริษัทต่างๆ หันมาใช้ AI เพื่อทำให้เวิร์กโฟลว์เป็นอัตโนมัติมากขึ้น ตัวอย่างเช่น นักเขียนบทความบางคนรายงานว่าถูกแทนที่ด้วยโมเดลภาษาขนาดใหญ่ ( LLM ) เช่น ChatGPT แม้ว่าการนำ AI มาใช้อย่างแพร่หลายอาจสร้างหมวดหมู่งานใหม่ๆ ขึ้นมาด้วย แต่หมวดหมู่เหล่านี้อาจไม่ทับซ้อนกับงานที่ถูกยกเลิกไป ทำให้เกิดความกังวลเกี่ยวกับความไม่เท่าเทียมกันทางเศรษฐกิจและการฝึกทักษะใหม่
- ช่องโหว่ด้านความปลอดภัยระบบ AI มีความเสี่ยงต่อภัยคุกคามทางไซเบอร์มากมาย เช่นการโจมตีข้อมูลและการเรียนรู้ของเครื่องจักรที่เป็นปฏิปักษ์แฮกเกอร์สามารถดึงข้อมูลการฝึกอบรมที่ละเอียดอ่อนจากโมเดล AI ได้ เช่น หรือหลอกระบบ AI ให้สร้างผลลัพธ์ที่ไม่ถูกต้องและเป็นอันตราย ซึ่งถือเป็นเรื่องที่น่ากังวลโดยเฉพาะในภาคส่วนที่อ่อนไหวต่อความปลอดภัย เช่น บริการทางการเงินและรัฐบาล
- ผลกระทบต่อสิ่งแวดล้อมศูนย์ข้อมูลและโครงสร้างพื้นฐานเครือข่ายที่รองรับการทำงานของโมเดล AI ใช้พลังงานและน้ำเป็นจำนวนมาก ดังนั้น การฝึกอบรมและการรันโมเดล AI จึงส่งผลกระทบอย่างมากต่อสภาพอากาศปริมาณคาร์บอนของ AI เป็นปัญหาที่น่ากังวลโดยเฉพาะอย่างยิ่งสำหรับโมเดลเชิงสร้างสรรค์ขนาดใหญ่ ซึ่งต้องใช้ทรัพยากรคอมพิวเตอร์จำนวนมากในการฝึกอบรมและใช้งานอย่างต่อเนื่อง
- ประเด็นทางกฎหมาย AI ก่อให้เกิดคำถามที่ซับซ้อนเกี่ยวกับความเป็นส่วนตัวและความรับผิดทางกฎหมาย โดยเฉพาะอย่างยิ่งในภูมิทัศน์ของกฎระเบียบ AIที่เปลี่ยนแปลงไปในแต่ละภูมิภาค การใช้ AI เพื่อวิเคราะห์และตัดสินใจโดยอิงจากข้อมูลส่วนบุคคลนั้นมีผลกระทบต่อความเป็นส่วนตัวอย่างร้ายแรง ตัวอย่างเช่น และยังไม่ชัดเจนว่าศาลจะมองการประพันธ์เนื้อหาที่สร้างขึ้นโดย LLM ที่ได้รับการฝึกอบรมจากผลงานที่มีลิขสิทธิ์อย่างไร
