บทที่ 9 เทคโนโลยีร่วมสมัย & จริยธรรม: Generative AI

Learning Outcomes

ผลลัพธ์การเรียนรู้ของบทที่ 9

เมื่อเรียนจบบทนี้ นักศึกษาจะสามารถอธิบาย วิเคราะห์ ประเมิน และใช้ Generative AI ได้อย่างรับผิดชอบในบริบทการศึกษาและงานวิจัย

อธิบายหลักการทำงาน

เข้าใจ Generative AI, LLMs, Neural Networks, Transformer, Training, Fine-tuning และ Prompt Engineering

วิเคราะห์บริบทการใช้งาน

วิเคราะห์การใช้ AI ในการศึกษา ธุรกิจ การแพทย์ และการพัฒนาโปรแกรมได้อย่างเหมาะสม

ประเมินประเด็นจริยธรรม

ประเมิน Hallucination, Privacy, Bias, Intellectual Property และ Accountability ได้

ใช้อย่างรับผิดชอบ

ใช้ AI เป็นผู้ช่วย ไม่ใช่ผู้แทน เปิดเผยการใช้งาน และตรวจสอบผลลัพธ์ก่อนนำไปใช้จริง

9.1 Concept

ความหมายและแนวคิดของ Generative AI

Generative AI หรือปัญญาประดิษฐ์เชิงสร้างสรรค์ คือระบบ AI ที่สามารถสร้างเนื้อหาใหม่จากการเรียนรู้รูปแบบของข้อมูลจำนวนมาก เช่น ข้อความ รูปภาพ เสียง วิดีโอ และโค้ด จุดเด่นคือไม่ใช่เพียงการดึงข้อมูลเดิมมาใช้ แต่สามารถประมวล สังเคราะห์ และสร้างผลลัพธ์ใหม่ได้ตามคำสั่งของผู้ใช้

สรุปสั้น: AI แบบดั้งเดิมมักเน้น “วิเคราะห์/จำแนก/ทำนาย” ส่วน Generative AI เน้น “สร้างเนื้อหาใหม่” จากรูปแบบข้อมูลที่เรียนรู้

ภาพที่ 9.1 แนวคิด Generative AI: จากข้อมูลขนาดใหญ่ไปสู่การสร้างเนื้อหาใหม่

ประเด็นเปรียบเทียบ	AI แบบดั้งเดิม	Generative AI
หน้าที่หลัก	วิเคราะห์ จำแนก ทำนาย	สร้างข้อมูลหรือเนื้อหาใหม่
ลักษณะผลลัพธ์	คำตอบจากชุดที่มีอยู่	เนื้อหาใหม่ที่ยืดหยุ่นและหลากหลาย
ตัวอย่าง	ระบบแนะนำสินค้า ตรวจจับใบหน้า	เขียนบทความ วาดภาพ สร้างโค้ด
วิธีทำงาน	Rule-based หรือ Predictive	Generative Modeling
ความยืดหยุ่น	จำกัดตามโจทย์	ยืดหยุ่นและสร้างสรรค์สูง

9.1.3 Types of Generative AI

ประเภทของ Generative AI พร้อมตัวอย่างการใช้งาน

Generative AI แบ่งตามรูปแบบผลลัพธ์ที่สร้างได้ เช่น ข้อความ ภาพ วิดีโอ เสียง ดนตรี โค้ด และงานออกแบบสามมิติ

Text-to-Text

สร้างข้อความจากข้อความ เช่น ChatGPT, Claude, Gemini ใช้เขียนบทความ สรุปเนื้อหา ตอบคำถาม แปลภาษา และช่วยวิเคราะห์เชิงเหตุผล

Text-to-Image

สร้างภาพจากคำอธิบาย เช่น DALL·E, Midjourney, Stable Diffusion ใช้สร้างโปสเตอร์ โลโก้ ภาพประกอบ และภาพจำลองแนวคิด

Text-to-Video

สร้างวิดีโอจากข้อความ เช่น Sora, Runway, Pika ใช้ผลิตสื่อการเรียน โฆษณา และ Simulation ทางวิทยาศาสตร์

Text-to-Audio / Music

สร้างเสียงพูดและดนตรี เช่น ElevenLabs, Suno ใช้ทำ Voice-over หนังสือเสียง ดนตรีต้นแบบ และผู้ช่วยเสียง

Code Generation

สร้างโค้ด Debug สร้าง Algorithm และ Test Case เช่น GitHub Copilot และ ChatGPT Code Interpreter

ภาพที่ 9.2 ตัวอย่างผลลัพธ์ที่ Generative AI สามารถสร้างได้จาก Prompt

9.2 Technology Behind Generative AI

เทคโนโลยีเบื้องหลัง Generative AI

หัวใจของ Generative AI ประกอบด้วย LLMs, Neural Networks, Transformer Architecture, การฝึกโมเดล, Fine-tuning และ Prompt Engineering

ภาพที่ 9.3 แนวคิด LLMs, Transformer และ Prompt Engineering

องค์ประกอบสำคัญที่ควรรู้

LLMs: โมเดลภาษาขนาดใหญ่ที่เรียนรู้จากข้อความจำนวนมหาศาล
Neural Networks: โครงข่ายประสาทเทียมที่เรียนรู้รูปแบบข้อมูล
Transformer: สถาปัตยกรรมที่ใช้ Self-Attention เพื่อเข้าใจบริบทของคำ
Training: การฝึกขั้นต้นจากข้อมูลขนาดใหญ่ ใช้ GPU/TPU จำนวนมาก
Fine-tuning: การปรับโมเดลให้เหมาะกับงานเฉพาะทาง เช่น แพทย์ กฎหมาย หรือการศึกษา
Prompt Engineering: เทคนิคการตั้งคำสั่งให้ได้ผลลัพธ์ตรงวัตถุประสงค์

ตัวอย่าง Prompt Engineering

Prompt ที่กว้างเกินไป
“เขียนรายงาน”

Prompt ที่ชัดเจนและเหมาะกับบัณฑิตศึกษา
“คุณคืออาจารย์ระดับบัณฑิตศึกษา ช่วยเขียนโครงร่างรายงานเรื่อง Generative AI และจริยธรรม ความยาว 1 หน้า ใช้ภาษาทางวิชาการ แบ่งหัวข้อเป็น บทนำ เทคโนโลยี ประโยชน์ ข้อจำกัด ประเด็นจริยธรรม และข้อเสนอแนะ พร้อมระบุสิ่งที่ต้องตรวจสอบก่อนนำไปใช้จริง”

Foundation Model vs Task-specific Model

ประเภท	ลักษณะ	ตัวอย่าง
Foundation Model	โมเดลพื้นฐานขนาดใหญ่ ใช้งานได้หลากหลาย	GPT, Claude, Gemini
Task-specific Model	โมเดลที่ปรับหรือออกแบบมาเฉพาะงาน	AI ตรวจโรคจาก X-ray, AI วิเคราะห์จราจร, Sentiment Model

หลักจำ: Foundation Model คือฐานความสามารถทั่วไป ส่วน Task-specific Model คือโมเดลที่ปรับให้เชี่ยวชาญเฉพาะบริบท

9.3 Applications

การประยุกต์ใช้ Generative AI ในภาคส่วนต่าง ๆ

Generative AI ช่วยเพิ่มประสิทธิภาพงานหลายด้าน แต่ควรใช้เป็นเครื่องมือสนับสนุนมนุษย์ ไม่ใช่ระบบตัดสินใจแทนมนุษย์โดยสมบูรณ์

การศึกษา

ผู้ช่วยสอนอัจฉริยะ สร้างสื่อการเรียน วิเคราะห์ผลการเรียน และให้ข้อเสนอแนะเบื้องต้น

AI Tutor

ธุรกิจและอุตสาหกรรม

สร้างรายงานอัตโนมัติ Chatbot บริการลูกค้า และวิเคราะห์ข้อมูลเชิงคาดการณ์

Business AI

การแพทย์และสุขภาพ

ช่วยวิเคราะห์ข้อมูลผู้ป่วย ภาพทางการแพทย์ และสนับสนุนงานวิจัยทางการแพทย์

Decision Support

โปรแกรมและวิศวกรรม

ช่วยเขียนโค้ด Debug แปลงภาษาโปรแกรม และสร้าง Test Case อัตโนมัติ

Code Assist

9.4 ประโยชน์

เพิ่มประสิทธิภาพการทำงาน เช่น สรุปเอกสาร เขียนรายงาน วิเคราะห์ข้อมูล
ลดต้นทุนเวลาและแรงงานในงานซ้ำซ้อน
ส่งเสริมความคิดสร้างสรรค์และช่วยต่อยอดไอเดียใหม่
ช่วยปรับการเรียนรู้ให้เหมาะกับผู้เรียนแต่ละคน

9.4 ข้อจำกัด

Hallucination: สร้างข้อมูลที่ดูน่าเชื่อถือแต่ไม่ถูกต้อง
ยังไม่เข้าใจบริบทเชิงลึกแบบมนุษย์อย่างแท้จริง
สะท้อนอคติจากข้อมูลฝึก เช่น เพศ เชื้อชาติ ศาสนา หรือวัฒนธรรม
ต้องตรวจสอบแหล่งอ้างอิง ความถูกต้อง และผลกระทบก่อนใช้จริง

9.5–9.7 Ethics, Law & Governance

จริยธรรม กฎหมาย และแนวปฏิบัติในการใช้ Generative AI

การใช้งาน Generative AI ต้องคำนึงถึงความถูกต้อง ความเป็นส่วนตัว อคติ ลิขสิทธิ์ ความรับผิดชอบ และการเปิดเผยการใช้ AI ในงานวิชาการ

Accuracy

ตรวจสอบความถูกต้องของข้อมูล ป้องกัน Hallucination, Fake News และ Deepfake

Privacy

ไม่ป้อนข้อมูลส่วนบุคคล ข้อมูลผู้ป่วย นักศึกษา หรือข้อมูลงานวิจัยที่ละเอียดอ่อนเข้าสู่ AI โดยไม่จำเป็น

Bias & Fairness

ตรวจอคติที่อาจแฝงในผลลัพธ์ เช่น อคติทางเพศ เชื้อชาติ ศาสนา หรือสถานะทางเศรษฐกิจ

Intellectual Property

คำนึงถึงลิขสิทธิ์ ความเป็นเจ้าของผลงาน และความคล้ายคลึงกับผลงานที่มีอยู่

Accountability

กำหนดผู้รับผิดชอบเมื่อ AI สร้างความเสียหายหรือให้ข้อมูลผิดพลาด

9.6 กฎหมายและนโยบายที่เกี่ยวข้อง

AI Governance: กำกับให้ AI ปลอดภัย โปร่งใส รับผิดชอบ และตรวจสอบได้
PDPA/GDPR: คุ้มครองข้อมูลส่วนบุคคลและสิทธิของเจ้าของข้อมูล
UNESCO/OECD: แนวทาง AI ที่เน้นสิทธิมนุษยชน ความเป็นธรรม และความโปร่งใส
EU AI Act: แนวโน้มกฎหมาย AI แบบอิงระดับความเสี่ยง

9.7 ใช้ AI อย่างมีจริยธรรมในระดับบัณฑิตศึกษา

ใช้ AI เพื่อเสริมการเรียนรู้ ไม่ใช่ทดแทนกระบวนการคิด
เปิดเผยว่าใช้ AI ในขั้นตอนใดของงานวิจัยหรือรายงาน
หลีกเลี่ยงการคัดลอกผลงาน AI ทั้งชุดโดยไม่ตรวจสอบหรือปรับแก้
ยึดหลัก Human-in-the-loop ให้มนุษย์ตรวจสอบและรับผิดชอบผลลัพธ์สุดท้าย

หลักสำคัญสำหรับงานวิชาการ: ต้องตรวจสอบข้อมูลที่ AI สร้างจากแหล่งจริง เปิดเผยการใช้ AI อย่างโปร่งใส ไม่ละเมิดข้อมูลส่วนบุคคล และรักษาความซื่อสัตย์ทางวิชาการ

9.8 Case Studies

กรณีศึกษาเพื่ออภิปรายเชิงจริยธรรม

ให้นักศึกษาอภิปรายเป็นกลุ่ม วิเคราะห์ผู้มีส่วนได้ส่วนเสีย ความเสี่ยง ผลกระทบ และแนวทางป้องกัน

กรณีที่ 1: ส่งงานที่ AI เขียนทั้งหมด

นักศึกษาใช้ AI เขียนรายงานทั้งฉบับแล้วส่งโดยไม่เปิดเผย ควรถือว่าผิดจริยธรรมหรือไม่ และอาจารย์ควรประเมินอย่างไร?

Plagiarism / Transparency

กรณีที่ 2: AI สร้างข่าวปลอม

Generative AI ถูกใช้สร้างข่าวปลอม ภาพปลอม หรือวิดีโอ Deepfake ที่ส่งผลต่อการรับรู้ของสังคม

Fake News / Deepfake

กรณีที่ 3: AI คัดเลือกพนักงานแล้วเกิดอคติ

บริษัทใช้ AI คัดกรองใบสมัคร แต่ระบบเลือกปฏิบัติต่อผู้สมัครบางกลุ่มจากอคติในข้อมูลฝึก

Bias / Accountability

NotebookLM for Research

NotebookLM: ผู้ช่วยอ่าน คิด และจดบันทึกสำหรับงานวิจัย

NotebookLM เป็นเครื่องมือ AI จาก Google ที่ช่วยให้ผู้ใช้เข้าใจ จัดการ สรุป และถามตอบจากเอกสารที่อัปโหลดเอง เหมาะกับการทำ Literature Review และการจัดการเอกสารวิจัย

NotebookLM ช่วยงานวิจัยอย่างไร?

อ่านและสรุปเอกสาร เช่น PDF, Google Docs, Slides หรือ URL
ตอบคำถามจากเอกสารที่อัปโหลดเอง จึงเหมาะกับงานวิชาการ
สร้างโน้ต Outline รายงาน โครงร่างบทที่ 2 หรือกรอบแนวคิดการวิจัย
เปรียบเทียบงานวิจัยหลายฉบับในด้านวิธีวิจัย กลุ่มตัวอย่าง และผลลัพธ์
ช่วยสร้าง Audio Overview เพื่อฟังสรุประหว่างเดินทางหรือทบทวนบทเรียน

ภาพที่ 9.4 Workflow การใช้ NotebookLM เพื่อช่วยงานวิจัย

1

สร้าง Notebook ใหม่

ตั้ง Notebook แยกตามโปรเจกต์หรือชุดความรู้ เช่น “สรุปบทความ AI Ethics” หรือ “Literature Review วิทยานิพนธ์”

2

เพิ่มแหล่งข้อมูล

อัปโหลด Paper, Thesis, รายงานวิจัย, Proposal, Slides หรือ URL ที่ต้องการศึกษา

3

คุยกับเอกสาร

ถาม AI ให้สรุป แยกวัตถุประสงค์ วิธีวิจัย ผลลัพธ์ เปรียบเทียบงาน และช่วยหา Research Gap

ตัวอย่างคำสั่งสำหรับ NotebookLM

สรุปสาระสำคัญของเอกสารนี้เป็น 10 bullet points แยกวัตถุประสงค์ วิธีวิจัย กลุ่มตัวอย่าง และผลลัพธ์ เปรียบเทียบงานวิจัยทั้ง 5 ฉบับในด้านวิธีการและผลลัพธ์ จากเอกสารทั้งหมด ช่วยเสนอกรอบแนวคิดการวิจัย ช่วยหา research gap ที่ยังไม่มีการศึกษาชัดเจน ช่วยสรุปบทที่ 2 งานวิจัยที่เกี่ยวข้องจากเอกสารทั้งหมด

9.9–9.10 Learning Activities & Assessment

กิจกรรมการเรียนรู้และแนวทางการประเมินผล

ให้นักศึกษาทดลองใช้ Generative AI สร้างเนื้อหา วิเคราะห์ความถูกต้อง ตรวจอคติ และอภิปรายผลเชิงจริยธรรม

ทดลองสร้างบทความ

ใช้ AI สร้างบทความสั้น แล้วตรวจสอบข้อเท็จจริง แหล่งอ้างอิง และความเหมาะสมของภาษา

ทดลองสร้างภาพ

ใช้ Text-to-Image สร้างภาพประกอบบทเรียน แล้ววิเคราะห์อคติ ลิขสิทธิ์ และความเหมาะสม

ทดลองสร้างโค้ด

ให้ AI ช่วยเขียนโค้ด ทดสอบผลลัพธ์ และอธิบายข้อผิดพลาดหรือข้อจำกัดของโค้ด

อภิปรายจริยธรรม

อภิปรายกรณีศึกษาการใช้ AI ในงานการศึกษา ข่าวปลอม และการคัดเลือกพนักงาน

แนวทางการประเมินผล

แบบทดสอบความเข้าใจเรื่อง Generative AI
รายงานวิเคราะห์กรณีศึกษา
นำเสนอความคิดเห็นเชิงจริยธรรม
Mini Project: แนวทางการใช้ Generative AI อย่างรับผิดชอบในสาขาของตน

Mini Project: Responsible AI Use

ให้นักศึกษาเลือกสาขาของตนเอง แล้วออกแบบแนวทางการใช้ Generative AI อย่างรับผิดชอบ โดยระบุวัตถุประสงค์ เครื่องมือที่ใช้ ความเสี่ยง จริยธรรม วิธีเปิดเผยการใช้ AI และวิธีตรวจสอบผลลัพธ์

ผลลัพธ์ที่ส่ง: รายงาน 3–5 หน้า + สไลด์นำเสนอ 5 นาที + AI Governance Checklist

Summary

สรุปบทที่ 9

Generative AI เป็นเทคโนโลยีร่วมสมัยที่ช่วยสร้างข้อความ ภาพ วิดีโอ เสียง และโค้ดได้อย่างรวดเร็ว มีศักยภาพสูงต่อการศึกษา งานวิจัย และการทำงาน แต่ต้องใช้อย่างมีจริยธรรม ตรวจสอบข้อเท็จจริง เคารพความเป็นส่วนตัว ระวังอคติ เปิดเผยการใช้ AI และให้มนุษย์เป็นผู้ตัดสินใจสุดท้าย

กลับหน้ารายวิชา กลับขึ้นด้านบน