ทำไม Apple ปล่อยให้ Siri ตามหลัง ขณะที่ ChatGPT นิยามใหม่ของ AI

ทำไมการเปรียบเทียบ Siri กับ ChatGPT ถึงเป็นเรื่องที่เปิดเผยภาพรวม AI

Siri และ ChatGPT มักถูกนำมาเปรียบเทียบเหมือนเป็นผู้ช่วยสองแบบ แต่สิ่งที่น่าสนใจกว่านั้นคือเรื่องราวของบริษัทหนึ่งที่ช่วยกำหนดหมวดหมู่ แล้วสูญเสียโมเมนตัมเมื่อคลื่นเทคโนโลยีถัดมาเข้ามาและเปลี่ยนมาตรฐานความคาดหวัง

เมื่อ Apple เปิดตัว Siri บน iPhone 4S ในปี 2011 มันดูเหมือนอนาคตของการคำนวณ: พูดกับโทรศัพท์ ทำงานเสร็จ ไม่ต้องพิมพ์ Apple มีความได้เปรียบเป็น first‑mover ในผู้ช่วยด้วยเสียงที่แพร่หลายในวงกว้าง ก่อนที่คำว่า “AI” จะกลายเป็นแกนของแผนพัฒนาผลิตภัณฑ์ ในช่วงหนึ่ง Siri กำหนดภาพที่ผู้คนคิดว่า "ผู้ช่วย" ควรเป็นอย่างไร

สิบปีต่อมา ChatGPT ระเบิดในปลายปี 2022 และทำให้ผู้ใช้จำนวนมากรู้สึกว่าพวกเขาได้พบผู้ช่วยคนละชนิด มันเขียน อธิบาย แปล แก้จุดบกพร่อง และปรับตามบริบทในแบบที่ระบบเสียงที่เขียนสคริปต์ไว้ทำไม่ได้ชั่วข้ามคืน ความคาดหวังของผู้ใช้พุ่งจาก “ตั้งตัวจับเวลาและฟังผิดคำสั่งของฉัน” เป็น “คิดร่วมกับฉันเรื่องหัวข้อซับซ้อนและสร้างเนื้อหาตามคำขอได้”

บทความนี้ไม่ใช่เช็กลิสต์ฟีเจอร์ แต่มองที่แนวทาง: การออกแบบ สถาปัตยกรรม และข้อจำกัดของผลิตภัณฑ์ทำให้ Siri แคบและเปราะบาง ในขณะที่โมเดลภาษาขนาดใหญ่ (LLMs) ทำให้ ChatGPT เปิดกว้างและเป็นการสนทนาได้

เราจะดู:

• เส้นทางประวัติศาสตร์จากคำสัญญาเริ่มต้นของ Siri ถึงการหยุดนิ่งของการพัฒนา
• วิธีที่ความก้าวหน้าของ LLM ระหว่าง 2018–2024 เปลี่ยนความหมายของคำว่า “ผู้ช่วย”
• ตัวเลือกผลิตภัณฑ์และระบบนิเวศของ Apple ที่จำกัดการเติบโตของ Siri
• สิ่งที่ Apple พยายามทวงคืนตอนนี้ผ่าน Apple Intelligence และความร่วมมือกับ OpenAI

สำหรับทีมผลิตภัณฑ์และ AI การเปรียบเทียบ Siri กับ ChatGPT เป็นกรณีศึกษาว่าเวลา การตัดสินใจบนแพลตฟอร์ม และเดิมพันทางเทคนิคสามารถเพิ่มความได้เปรียบหรือกัดกร่อนมันอย่างช้า ๆ ได้อย่างไร

คำสัญญาเริ่มต้นของ Siri และความได้เปรียบในฐานะผู้เปิดตลาด

เมื่อ Apple เปิดตัว Siri พร้อมกับ iPhone 4S ในปี 2011 มันให้ความรู้สึกเหมือนภาพจากนิยายวิทยาศาสตร์บนอุปกรณ์ที่คนทั่วไปใช้ Siri เริ่มจากสตาร์ตอัพอิสระที่แยกตัวมาจาก SRI International; Apple เข้าซื้อใน 2010 และเปลี่ยนให้เป็นฟีเจอร์เด่น ไม่ใช่แค่แอปทั่วไป

Apple โปรโมต Siri เป็นผู้ช่วยพูดคุยด้วยเสียงที่จัดการงานประจำ: ตั้งเตือน ส่งข้อความ ตรวจสภาพอากาศ หาร้านอาหาร และอื่น ๆ ข้อเสนอนั้นเรียบง่ายแต่ทรงพลัง: แทนที่จะแตะผ่านแอป คุณสามารถพูดกับ iPhone ได้เลย

การตลาดและความสนใจจากสื่อ

แคมเปญการเปิดตัวเน้นบุคลิกภาพ Siri มีคำตอบตลก มุก และ easter eggs ออกแบบมาให้ผู้ช่วยดูมีชีวิตชีวา นักวิจารณ์เทคและสื่อกระแสหลักพูดถึงคนที่ “คุยกับโทรศัพท์ของพวกเขา” เป็นช่วงเวลาทางวัฒนธรรม ในช่วงหนึ่ง Siri คือสัญลักษณ์ที่มองเห็นได้มากที่สุดของ AI สำหรับผู้บริโภค

วิธีการทำงานของ Siri เบื้องหลัง

เบื้องหลังเสียงที่เป็นมิตร สถาปัตยกรรมของ Siri เป็นระบบแบบระบุเจตนา (intent-based) ที่เชื่อมกับโดเมนที่กำหนดไว้ล่วงหน้า:

• การจดจำเสียงพูดแปลงเสียงเป็นข้อความ ส่วนใหญ่ประมวลผลบนเซิร์ฟเวอร์ของ Apple
• การเข้าใจภาษาธรรมชาติพยายามแมปข้อความนั้นเป็น “intent” (เช่น create_reminder หรือ send_message)
• แต่ละ intent ถูกส่งไปยัง handler ของโดเมนเฉพาะหรือบริการภายนอก (เช่น WolframAlpha, Yelp) ที่มีอินพุตและเอาต์พุตกำหนดไว้แน่น

Siri ไม่ได้ “คิด” แบบทั่วไป แต่มันประสานชุดความสามารถที่สคริปต์ไว้จำนวนมาก

ความได้เปรียบตั้งแต่ต้น

ตอนเปิดตัว นี่นำหน้าคู่แข่งหลายปี Google Voice Actions และความพยายามอื่น ๆ ดูแคบและเป็นเครื่องมือเมื่อเทียบกัน Siri ให้ Apple ความได้เปรียบในการเป็นคนเปิดตลาดจริง: มันเป็นภาพที่ผู้คนจินตนาการว่า "ผู้ช่วย AI บนสมาร์ทโฟน" ควรเป็นนานก่อนที่โมเดลภาษาขนาดใหญ่หรือ ChatGPT จะปรากฏขึ้น

สิ่งที่ทำให้ Siri มีประโยชน์ — และขอบเขตที่ปรากฎตั้งแต่แรก

Siri ได้ตำแหน่งในกิจวัตรผู้คนโดยทำงานชุดเล็ก ๆ ในชีวิตประจำวันได้ดี เช่น “Hey Siri, ตั้งตัวจับเวลา 10 นาที”, “โทรหาแม่”, หรือ “ส่งข้อความถึง Alex ว่าฉันจะมาสาย” มักสำเร็จครั้งเดียว โหมด hands-free สำหรับสาย โทรสาร เตือน และนาฬิกาจับเวลารู้สึกมหัศจรรย์ โดยเฉพาะขณะขับรถหรือทำอาหาร

การควบคุมเพลงก็เป็นจุดแข็ง “เล่นแจ๊สหน่อย”, “ข้ามเพลง”, หรือ “เพลงนี้ชื่ออะไร” ทำให้ iPhone กลายเป็นรีโมทเสียงสำหรับ Apple Music และประสบการณ์เสียงโดยรวม รวมกับคำถามสั้น ๆ — สภาพอากาศ คะแนนกีฬา ข้อเท็จจริงพื้นฐาน — Siri มอบประโยชน์ได้อย่างรวดเร็วในปฏิสัมพันธ์แบบหนึ่งเทิร์นสั้น ๆ

ทำไม Siri ต้องให้คุณพูดในแบบที่คาดไว้

ภายใต้พื้นผิว Siri พึ่งพา intents, slots และโดเมน แต่ละโดเมน (เช่น ข้อความ นาฬิกาจับเวลา หรือเพลง) รองรับชุดเจตนาขนาดเล็ก — “ส่งข้อความ”, “สร้างตัวจับเวลา”, “เล่นแทร็ก” — พร้อมช่องข้อมูลสำหรับรายละเอียด เช่น ชื่อผู้ติดต่อ ระยะเวลา หรือชื่อเพลง

การออกแบบนี้ทำงานได้ดีเมื่อผู้ใช้พูดใกล้เคียงกับสำนวนที่คาดไว้: “เตือนฉันตอนบ่าย 3 โมงให้โทรหาทันตแพทย์” จะแมปเป็นเจตนาการเตือนพร้อมช่องเวลาและข้อความได้อย่างเรียบร้อย แต่เมื่อคนพูดอย่างเป็นอิสระมากขึ้น — เพิ่มความเห็นรองหรือเรียงลำดับคำที่ไม่ปกติ — Siri มักทำงานผิดพลาดหรือย้อนกลับเป็นการค้นหาเว็บ

ข้อจำกัดที่ผู้ใช้รู้สึกตั้งแต่แรก

เพราะพฤติกรรมใหม่แต่ละอย่างต้องการการจำลองเจตนาและโดเมนอย่างรอบคอบ ความสามารถของ Siri เติบโตช้า การรองรับการกระทำ แอป และภาษาที่เพิ่มขึ้นล่าช้า ผู้คนหลายคนสังเกตว่าปีต่อปี Siri ดูเหมือนไม่ได้เพิ่มทักษะใหม่หรือความ “ฉลาด” ที่ชัดเจน

คำถามติดตามมักตื้น ไม่มีความจำบริบทก่อนหน้า คุณอาจขอตั้งตัวจับเวลาได้ แต่การจัดการหลายตัวด้วยบทสนทนาเป็นเรื่องเปราะบาง ความเปราะนั้น — ร่วมกับความรู้สึกว่า Siri ไม่ได้พัฒนา — ทำให้ผู้ใช้ประทับใจเมื่อระบบสนทนาแบบยืดหยุ่นอย่าง ChatGPT ปรากฏขึ้นภายหลัง

วิธีที่โมเดลภาษาขนาดใหญ่เตรียมทางให้ ChatGPT ก้าวหน้า

Siri ถูกสร้างบนโมเดลแบบระบุเจตนา: ตรวจจับวลีทริกเกอร์ จัดหมวดคำขอเป็นเจตนาที่รู้จัก แล้วเรียกบริการเฉพาะ หากคำขอไม่ตรงกับรูปแบบหรือโดเมนที่กำหนด Siri ไม่มีทางไปต่อ มันล้มเหลวหรือย้อนกลับเป็นการค้นหาเว็บ

โมเดลภาษาขนาดใหญ่ (LLMs) พลิกแบบนั้น แทนที่จะจับแม็ปกับชุดเจตนาคงที่ พวกมันทำนายคำถัดไปในลำดับ ฝึกบนชุดข้อความมหาศาล วัตถุประสงค์ง่าย ๆ นี้เข้ารหัสไวยากรณ์ ข้อเท็จจริง สไตล์ และรูปแบบการให้เหตุผลในระบบทั่วไปหนึ่งเดียว ผู้ช่วยไม่ต้องมี API หรือกฎเฉพาะสำหรับทุกงานใหม่อีกต่อไป มันสามารถอิมโพรไวส์ข้ามโดเมนได้

จาก GPT-3 สู่การตามคำสั่ง

GPT-3 (2020) เป็น LLM ตัวแรกที่ให้ความรู้สึกต่างเชิงคุณภาพ: โมเดลเดียวสามารถเขียนโค้ด ร่างคอนเทนต์การตลาด สรุปเอกสารกฎหมาย และตอบคำถามโดยไม่ต้องฝึกเฉพาะงาน อย่างไรก็ตาม มันยังเป็นโมเดล “ดิบ”—ทรงพลังแต่ยากจะควบคุม

การปรับแต่งให้ตามคำสั่ง (instruction tuning) และการเรียนรู้แบบเสริมด้วยฟีดแบ็กจากมนุษย์ (RLHF) เปลี่ยนภาพนั้น นักวิจัยปรับแต่งโมเดลด้วยตัวอย่างเช่น “เขียนอีเมลถึง…” หรือ “อธิบายควอนตัมคอมพิวติ้งแบบง่าย ๆ” ทำให้ LLM ตอบสนองคำสั่งภาษาธรรมชาติได้ดีขึ้นอย่างมาก ไม่ใช่แค่เติมข้อความต่อ

อินเทอร์เฟซแชท มัลติโมดอล และผลกระทบต่อผู้ใช้ทั่วไป

การห่อหุ้มโมเดลที่ถูกปรับให้ตามคำสั่งในอินเทอร์เฟซแชทแบบคงที่ — สิ่งที่ OpenAI ทำกับ ChatGPT ปลายปี 2022 — ทำให้ความสามารถนั้นเข้าใจและเข้าถึงได้ ผู้ใช้สามารถ:

• ตั้งคำถามแบบเปิด
• ทำซ้ำและปรับแต่ง ("สั้นลง", "เป็นทางการมากขึ้น", "เพิ่มตัวอย่าง")
• จัดการงานสร้างสรรค์และวิเคราะห์ในที่เดียว

ด้วยโมเดลมัลติโมดอล ระบบเดียวกันสามารถจัดการข้อความ โค้ด และรูปภาพ แปลงระหว่างกันได้อย่างราบรื่น

เมื่อเทียบกับทักษะแคบ ๆ ที่ผูกโดเมนของ Siri, ChatGPT ทำหน้าที่เหมือนคู่สนทนาทั่วไปที่สามารถให้เหตุผลข้ามหัวข้อ ร่างและแก้โค้ด ระดมความคิด และอธิบายโดยไม่มีขอบเขตโดเมนแบบ Apple สิ่งนี้—จากช่องคำสั่งไปสู่การสนทนาเปิดกว้าง—คือสิ่งที่ทำให้ Siri ดูเก่าลงอย่างรวดเร็ว

ตัวเลือกผลิตภัณฑ์ของ Apple ที่ชะลอการวิวัฒนาการของ Siri

เรื่อง AI ของ Apple ไม่ใช่แค่เรื่องอัลกอริธึม แต่เป็นปรัชญาผลิตภัณฑ์ การตัดสินใจเดียวกันที่ทำให้อุปกรณ์ของ Apple น่าเชื่อถือและมีกำไร ก็ทำให้ Siri ดูคงที่เมื่อ ChatGPT ก้าวกระโดด

ความเป็นส่วนตัวมาก่อน ข้อมูลมาทีหลัง

Apple สร้าง Siri ภายใต้นโยบายความเป็นส่วนตัวเข้มงวด: ลดการเก็บข้อมูล หลีกเลี่ยงตัวระบุถาวร และเก็บบนอุปกรณ์ให้มากที่สุด เท่านี้ให้ความมั่นใจกับผู้ใช้และหน่วยงานกำกับ แต่ก็หมายความว่า:

• มีข้อมูลบทสนทนาเพื่อฝึกน้อยลงมาก
• ความสามารถในการวิเคราะห์พฤติกรรมผู้ใช้ระยะยาวจำกัด
• การวนรอบทดลองฟีเจอร์ช้าลง เพราะ Apple ไม่สามารถรัน A/B ทดสอบขนาดใหญ่บนคำค้นหาจริงได้ง่าย

ขณะที่ OpenAI และองค์กรอื่นฝึก LLM บนชุดข้อมูลมหาศาลและล็อกเซิร์ฟเวอร์ Apple ถือว่าข้อมูลเสียงควรทิ้งหรือทำให้ไม่สามารถระบุตัวบุคคลได้อย่างหนัก การเข้าใจคำขอในโลกจริงของ Siri จึงคงแคบและเปราะบางเมื่อเทียบกัน

อุดมคติการประมวลผลบนอุปกรณ์ vs ขนาดของโมเดล

Apple ผลักดันการประมวลผลบนอุปกรณ์อย่างจริงจัง การรันโมเดลบน iPhone ให้ความหน่วงต่ำและความเป็นส่วนตัวที่ดีกว่า แต่จำกัดขนาดและความซับซ้อนของโมเดลมาหลายปี

สถาปัตยกรรมของ Siri แรก ๆ ถูกปรับให้เหมาะกับโมเดลเล็กเฉพาะงานที่ใส่ในงบหน่วยความจำและพลังงานที่เข้มงวด ขณะที่ ChatGPT และรุ่นที่ใกล้เคียงถูกออกแบบสำหรับโมเดลใหญ่บนคลาวด์ที่ขยายได้ด้วย GPU

ผลคือ ทุกก้าวของโมเดลภาษา—หน้าต่างบริบทใหญ่ขึ้น เหตุผลที่ลึกขึ้น ความสามารถเกิดใหม่—ปรากฏให้เห็นก่อนบนผู้ช่วยคลาวด์ ไม่ใช่ Siri

เศรษฐศาสตร์แบบฮาร์ดแวร์เป็นแกนหลัก

ธุรกิจของ Apple หมุนรอบมาร์จิ้นฮาร์ดแวร์และบริการผสานแน่น Siri ถูกจัดวางเป็นฟีเจอร์ที่ทำให้ iPhone, Apple Watch และ CarPlay น่าสนใจ ไม่ใช่ผลิตภัณฑ์ AI แบบยืนตัวเดียว

นั่นกำหนดการตัดสินใจลงทุน:

• งบโครงสร้างพื้นฐานมุ่งที่ iCloud ไม่ใช่คลัสเตอร์เทรนนิ่งขนาดยักษ์
• ความคิดเรื่องการสร้างรายได้มุ่งที่อุปกรณ์และการสมัคร ไม่ใช่แพลตฟอร์ม API แบบ OpenAI

ผลลัพธ์: Siri ปรับปรุง แต่ส่วนใหญ่เป็นในรูปแบบที่สนับสนุนกรณีการใช้งานบนอุปกรณ์—ตัวจับเวลา ข้อความ HomeKit—มากกว่าการแก้ปัญหาเชิงสำรวจกว้าง ๆ

ความระมัดระวังมากกว่าการทดลอง

ทางวัฒนธรรม Apple ระมัดระวังกับสิ่งที่ดูยังไม่เสร็จ ฟีเจอร์ “เบต้า” ที่เป็นสาธารณะหรืออินเทอร์เฟซที่ผิดพลาดวุ่นวายไม่สอดคล้องกับแบรนด์ของมัน

LLMs ในช่วงแรกมีความไม่แน่นอน: การหลอกลวงข้อมูล (hallucinations), คำตอบไม่คาดคิด, และการแลกเปลี่ยนด้านความปลอดภัย บริษัทอย่าง OpenAI ส่งของออกมาอย่างเปิดเผย ป้ายว่าเป็นการวิจัย และวนรอบในที่สาธารณะ ในขณะที่ Apple หลีกเลี่ยงการให้ Siri ทดลองแบบไม่เสถียรในวงกว้าง

ความระมัดระวังนี้ลดวงจรฟีดแบ็ก ผู้ใช้ไม่เห็นพฤติกรรมใหม่ ๆ อย่างรุนแรงจาก Siri และ Apple ไม่ได้รับข้อมูลใช้งานจำนวนมากที่ขับเคลื่อนการปรับปรุงรวดเร็วของ ChatGPT

วิธีที่การตัดสินใจเหล่านี้ชะลอความคืบหน้าอย่างชัดเจน

การตัดสินใจผลิตภัณฑ์แต่ละอย่าง—นโยบายความเป็นส่วนตัวสูงสุด การประมวลผลบนอุปกรณ์ เศรษฐศาสตร์ฮาร์ดแวร์ และความระมัดระวังทางวัฒนธรรม—มีเหตุผลเมื่อมองแยกกัน แต่รวมกันแล้วหมายความว่า Siri พัฒนาเป็นก้าวเล็ก ๆ ที่ควบคุมไว้ ขณะที่ ChatGPT ก้าวข้ามไปอย่างรวดเร็ว

ลูกค้าจะไม่เปรียบเทียบความตั้งใจของ Apple แต่เปรียบเทียบประสบการณ์: Siri ยังคงล้มเหลวกับคำขอหลายขั้นตอนที่ค่อนข้างง่าย ขณะที่ ChatGPT จัดการคำถามเชิงซับซ้อน ช่วยโค้ด ระดมความคิด และอื่น ๆ

เมื่อ Apple ประกาศ Apple Intelligence และความร่วมมือเพื่อผสาน ChatGPT ช่องว่างในการรับรู้ของผู้ใช้ก็ชัดเจน: Siri คือผู้ช่วยที่คุณคาดว่าจะเข้าใจผิด ขณะที่ ChatGPT คือผู้ช่วยที่คุณคาดว่าจะสร้างความประหลาดใจ