Google DeepMind เปิดตัว SL2T โมเดล AI แปลภาษามือเป็นข้อความ

Google DeepMind เปิดตัว SL2T โมเดล AI ที่แปลภาษามือออกมาเป็นข้อความได้โดยตรง พร้อมพาเทคโนโลยีสายนี้ออกจากห้องทดลองมาอยู่ในมือผู้ใช้จริงเป็นครั้งแรก ผ่านฟีเจอร์ป้อนข้อความด้วยภาษามือบนคีย์บอร์ด Gboard และแอปพลิเคชันถอดข้อความแบบเรียลไทม์ Live Transcribe เริ่มต้นบนมือถือตระกูล Pixel 11 โดยรองรับการแปลภาษามืออเมริกัน (American Sign Language หรือ ASL) เป็นภาษาอังกฤษ และไม่มีค่าใช้จ่ายเพิ่ม ตามที่ Google DeepMind ประกาศบนบล็อกของทีมวิจัย

SL2T ย่อมาจาก Sign-Language-to-Text หมายถึงโมเดลที่รับภาษามือเป็นอินพุตแล้วส่งข้อความออกมาแบบต่อเนื่อง หลักการใช้งานคล้ายกับที่คนทั่วไปกดปุ่มไมโครโฟนแล้วพูดแทนการพิมพ์ ต่างกันตรงที่ผู้ใช้ยกมือทำภาษามือใส่กล้องหน้าแทน จากนั้นข้อความจะไปโผล่ในช่องพิมพ์ที่เปิดค้างไว้ ไม่ว่าจะเป็นช่องค้นหาบนเว็บ ช่องแชต เอกสาร หรือช่องสั่งงาน Gemini ส่วนใน Live Transcribe ผู้ใช้ที่หูหนวกสามารถทำภาษามือตอบกลับคู่สนทนาได้ทันที แทนที่จะต้องสลับไปพิมพ์กลับไปกลับมา ซึ่งกลุ่มผู้ทดสอบให้ความเห็นตรงกันว่าการทำภาษามือเร็วกว่า เป็นธรรมชาติกว่า และรู้สึกดีกว่าการพิมพ์เป็นภาษาอังกฤษ

ความสำคัญของก้าวนี้อยู่ตรงที่ AI เรียนรู้ภาษาพูดจนเก่งขึ้นมหาศาลตลอดหลายสิบปีที่ผ่านมา ทั้งการแปลอัตโนมัติ การถอดเสียงเป็นข้อความ และผู้ช่วยสนทนาที่ลื่นไหลจนแทบไม่รู้สึกถึงเทคโนโลยี แต่คลื่นความก้าวหน้าลูกนี้กลับไปไม่ถึงภาษามือกว่า 200 ภาษาทั่วโลก และไปไม่ถึงคนหูหนวกกับผู้ที่มีความบกพร่องทางการได้ยินราว 70 ล้านคนที่ใช้ภาษาเหล่านั้นเป็นภาษาหลัก ตัวเลขนี้ยังเป็นเพียงส่วนหนึ่งของภาพใหญ่ เพราะข้อมูลจาก องค์การอนามัยโลก (World Health Organization หรือ WHO) ชี้ว่ามีประชากรโลกกว่า 1,500 ล้านคนที่มีภาวะสูญเสียการได้ยินในระดับใดระดับหนึ่ง

ทำไมภาษามือถึงเป็นโจทย์ที่ AI แก้ไม่ตกมานาน

ภาษามือคือภาษาหลักของชุมชนคนหูหนวกทั่วโลก และเป็นแกนกลางของอัตลักษณ์ทางวัฒนธรรมของคนกลุ่มนี้ ความเข้าใจผิดที่พบบ่อยที่สุดคือการมองว่าภาษามือเป็นเพียงการเอาคำในภาษาพูดมาแปลงเป็นท่ามือทีละคำ ซึ่งไม่จริง เพราะภาษามือแต่ละภาษาเป็นภาษาธรรมชาติที่มีไวยากรณ์และคลังคำของตัวเอง แยกขาดจากภาษาพูดในประเทศนั้นโดยสิ้นเชิง

จุดนี้ทำให้โจทย์ของ SL2T ต่างจากการถอดเสียงพูดเป็นข้อความอย่างชัดเจน การถอดเสียงคือการจับคู่เสียงกับตัวอักษรในภาษาเดียวกันตามลำดับเวลา แต่ภาษามือต้องอาศัยการแปลภาษาด้วยเครื่อง (Machine Translation) แบบเต็มรูปแบบ ไม่ใช่การไล่แปลงท่ามือเป็นคำทีละท่า

โจทย์ข้อที่สองหนักกว่านั้น เพราะโมเดลต้องเรียนรู้ที่จะมองเห็นและเข้าใจการเคลื่อนไหวของร่างกายจริงๆ ภาษามือสื่อความหมายผ่านการขยับมือ แขน ลำตัว ศีรษะ และสีหน้าไปพร้อมกันในเวลาเดียว การติดตามทุกองค์ประกอบเหล่านี้ที่อัตราเฟรมสูงจึงเป็นงานด้านการมองเห็นของคอมพิวเตอร์ (Computer Vision) ที่ยากและกินทรัพยากรประมวลผลมหาศาล

เมื่อเห็นภาพนี้แล้วก็เข้าใจได้ไม่ยากว่าทำไมความพยายามยุคแรกอย่างถุงมือแปลภาษามือถึงไปไม่ถึงฝัน เพราะอุปกรณ์เหล่านั้นตั้งอยู่บนสมมติฐานที่ผิดตั้งแต่ต้นว่าภาษามือคือภาษาอังกฤษที่ย้ายไปอยู่บนมือ ทั้งที่ของจริงต้องการทั้งการรับรู้ภาพระดับละเอียดทั่วทั้งร่างกายและการแปลภาษาเต็มขั้น ซึ่งเป็นสองอย่างที่ SL2T ถูกออกแบบมาให้ทำพร้อมกัน

100,000 ชั่วโมง 50 ภาษา เบื้องหลังการฝึกโมเดล

ทีมวิจัยฝึก SL2T ด้วยข้อมูลภาษามือมากกว่า 100,000 ชั่วโมง ครอบคลุมภาษามือกว่า 50 ภาษา โดยราวหนึ่งในสี่ของข้อมูลทั้งหมดเป็นภาษามืออเมริกัน ตามรายละเอียดที่ SiliconANGLE รายงาน

สิ่งที่น่าสนใจคือการฝึกรวมหลายภาษา หลายสำเนียงถิ่น และหลายระดับความคล่องเข้าด้วยกัน กลับให้ผลดีกว่าการฝึกแยกทีละภาษา เพราะโมเดลได้เรียนรู้โครงสร้างร่วมที่ซ่อนอยู่เบื้องหลังภาษามือเหล่านั้น ผลการทดลองของทีมยืนยันว่าโมเดลหลายภาษาทำคะแนนชนะโมเดลภาษาเดียวอย่างชัดเจน

อีกการตัดสินใจที่เปลี่ยนเกมคือการเลิกใช้คำกำกับความหมาย (Glosses) ซึ่งเป็นการเขียนคำกำกับท่ามือแต่ละท่าเอาไว้เป็นขั้นกลางก่อนแปลเป็นประโยค วิธีนี้ถูกใช้กันแพร่หลายในงานวิจัยยุคก่อน แต่มีข้อจำกัดตรงที่เก็บรายละเอียดสำคัญของภาษามือไม่ได้ ทั้งสัญญาณที่ไม่ได้ใช้มือ (Non-manual Markers) อย่างสีหน้าและการเอียงศีรษะ และการใช้พื้นที่รอบตัวสื่อความหมาย (Spatial Constructions) SL2T จึงเลือกแปลจากพิกัดจุดบนร่างกายไปเป็นข้อความโดยตรง ผลที่ตามมาคือไม่มีเพดานคลังคำที่ถูกกำหนดไว้ล่วงหน้าอีกต่อไป และคุณภาพงานแปลจะดีขึ้นตามปริมาณข้อมูลที่ป้อนเข้าไป

วิดีโอไม่ออกจากเครื่อง ความเป็นส่วนตัวที่ออกแบบมาตั้งแต่ต้น

ประเด็นที่หลายคนน่าจะกังวลที่สุดเมื่อได้ยินคำว่ากล้องหน้ากับคลาวด์อยู่ในประโยคเดียวกัน คือภาพวิดีโอของตัวเองจะถูกส่งไปไหน คำตอบของ Google DeepMind คือ SL2T ไม่เคยเห็นภาพวิดีโอดิบเลยแม้แต่เฟรมเดียว

กลไกที่ทำให้เป็นแบบนั้นคือโมเดลที่ทำงานบนเครื่องชื่อ MediaPipe Holistic ซึ่งทำหน้าที่ติดตามจุดอ้างอิงบนร่างกาย (Pose Landmark) ของผู้ใช้ ทั้งบนใบหน้า มือ แขน และลำตัว แล้วส่งเฉพาะพิกัดเชิงเรขาคณิตของจุดเหล่านั้นขึ้นไปให้เซิร์ฟเวอร์แปล ส่วนวิดีโอต้นฉบับถูกทิ้งทันทีตั้งแต่บนเครื่อง เว็บไซต์ Interesting Engineering อธิบายว่าแนวทางนี้ให้ผลดีสองต่อ คือทั้งลดความเสี่ยงด้านความเป็นส่วนตัวและลดปริมาณข้อมูลที่ต้องส่งผ่านเครือข่าย ทำให้ระบบตอบสนองได้เร็วขึ้นด้วย

70 คะแนน BLEURT สถิติใหม่ที่ยังต้องผ่านด่านโลกจริง

ในเชิงตัวเลข SL2T คือโมเดลแปลภาษามือที่เก่งที่สุดเท่าที่มีมา วัดจากชุดทดสอบมาตรฐานอย่าง FLEURS-ASL ที่ใช้ประเมินคุณภาพการแปลภาษามืออเมริกันเป็นภาษาอังกฤษ โดยทำคะแนนได้ 70 BLEURT ซึ่งเป็นมาตรวัดคุณภาพงานแปลที่ให้ AI ประเมินความใกล้เคียงทางความหมายกับคำแปลอ้างอิง ตัวเลขนี้สูงกว่าสถิติที่เคยมีรายงานมาก่อนอย่างมีนัยสำคัญ และเป็นคะแนนแบบ Zero-shot คือได้มาโดยที่โมเดลไม่เคยฝึกกับชุดข้อมูลทดสอบนั้นมาก่อน

แต่ทีมวิจัยเองก็ยอมรับว่าคะแนนสอบในสนามวิชาการไม่ได้แปลว่าใช้งานจริงแล้วจะดี งานหนักอีกส่วนจึงไปลงที่โจทย์เชิงปฏิบัติ ทั้งการลดความหน่วงของการแปลแบบต่อเนื่อง การป้องกันอาการหลอนที่โมเดลสร้างข้อความขึ้นมาเองทั้งที่ผู้ใช้ไม่ได้ทำภาษามือ การดูแลความเป็นธรรมให้ผู้ใช้ถนัดซ้ายซึ่งมีอยู่ราว 10% ของผู้ใช้ภาษามือทั้งหมด ไปจนถึงการรีดประสิทธิภาพสำหรับการทำภาษามือด้วยมือข้างเดียว ซึ่งเป็นสถานการณ์ที่เกิดขึ้นจริงตลอดเวลาเมื่ออีกมือกำลังถือโทรศัพท์อยู่

ข้อจำกัดที่เหลืออยู่ก็ถูกเปิดเผยตรงไปตรงมา จากตัวอย่างในชุดทดสอบ FLEURS-ASL โมเดลแปลประโยคยาวที่มีเนื้อหาซับซ้อนออกมาเป็นภาษาอังกฤษที่ลื่นไหลได้ดี แต่ยังพลาดในบางกรณี เช่น ท่ามือที่พบไม่บ่อย การสะกดนิ้วมือ (Fingerspelling) ที่ทำเร็วมากจนคำเพี้ยน ประโยคที่ใช้โครงสร้างแบบถูกกระทำ การบรรยายรูปร่างสิ่งของด้วยมือที่บางรายละเอียดหล่นหาย และการเดารูปกาลเวลาผิดเมื่อไม่มีบริบทมากพอ

สร้างเทคโนโลยีร่วมกับชุมชนคนหูหนวก ไม่ใช่สร้างให้

แนวคิดที่ทีมย้ำตลอดทั้งโครงการคือการสร้างร่วมกับชุมชนคนหูหนวก ไม่ใช่สร้างให้เฉยๆ มุมมองของคนหูหนวกเข้ามามีบทบาทตั้งแต่ขั้นตั้งไข่ไอเดีย ซึ่งมาจาก Sam Sepah พนักงาน Google ที่หูหนวก ต่อเนื่องไปถึงการเก็บข้อมูลร่วมกับพันธมิตรที่เป็นคนหูหนวก การประเมินผลผ่านการศึกษาผู้ใช้ที่หูหนวก และการประเมินผลกระทบของเทคโนโลยีร่วมกับผู้เชี่ยวชาญที่หูหนวก

เพื่อวางกรอบการนำไปใช้จริงอย่างรับผิดชอบ Google DeepMind ยังตั้งคณะกรรมการที่ปรึกษาด้าน AI สำหรับภาษามือ (AI Sign Language Advisory Committee หรือ AISLAC) ที่รวมองค์กรคนหูหนวกระดับโลกและผู้เชี่ยวชาญเฉพาะทางเข้าไว้ด้วยกัน โมเดลการกำกับดูแลแบบมีส่วนร่วมนี้ทำให้ชุมชนที่ได้รับผลกระทบมากที่สุดมีอิทธิพลโดยตรงต่อลำดับความสำคัญในการพัฒนา และทั้งสองฝ่ายยังร่วมกันจัดทำรายงานประเมินผลกระทบสำหรับการเปิดตัว SL2T เวอร์ชัน 1.0 ใน Gboard และ Live Transcribe ที่เปิดเผยทั้งขีดความสามารถและข้อจำกัดในปัจจุบันอย่างโปร่งใส ซึ่งทีมประกาศว่าจะใช้แนวทางนี้กับการเปิดตัวด้านภาษามือครั้งสำคัญทุกครั้งต่อจากนี้

ก้าวต่อไปคือภาษามือทั่วโลกและ AI ที่ทำภาษามือได้เอง

การนำภาษามืออเมริกันขึ้นไปอยู่บนมือถือเป็นเพียงจุดเริ่มต้น เพราะเป้าหมายที่ทีมวางไว้คือการทำให้ภาษามือเข้าถึงได้เทียบเท่าภาษาพูดและภาษาเขียนอย่างแท้จริง ทิศทางต่อจากนี้จึงมีทั้งการขยายไปยังภาษามืออื่นๆ การสร้างภาษามือขึ้นมาเอง (Sign Language Generation) ซึ่งเป็นการทำงานย้อนทางจาก SL2T คือแปลงข้อความกลับไปเป็นภาษามือ และการต่อยอดกับความสามารถ AI ระดับแนวหน้าด้านอื่น

สำหรับสถานะปัจจุบัน ฟีเจอร์นี้เปิดให้ใช้แล้วบน Gboard และ Live Transcribe เฉพาะบนมือถือตระกูล Pixel 11 เป็นรุ่นแรก โดยไม่มีค่าใช้จ่ายเพิ่มเติม และ Engadget รายงานว่าจะทยอยขยายไปยังอุปกรณ์รุ่นอื่นและภาษามืออื่นในลำดับถัดไป ความน่าสนใจของการเปิดตัวครั้งนี้จึงไม่ได้อยู่ที่คะแนนในชุดทดสอบมาตรฐานที่ทำลายสถิติเพียงอย่างเดียว แต่อยู่ที่การที่ AI ภาษามือเดินออกจากงานประชุมวิชาการมายืนอยู่บนหน้าจอที่คนหยิบขึ้นมาใช้ทุกวันได้สำเร็จเป็นครั้งแรก และเปิดประตูให้บทสนทนาระหว่างคนหูหนวกกับคนที่ได้ยินเกิดขึ้นได้โดยไม่ต้องรอล่ามหรือรอให้ใครสักคนยอมพิมพ์

ที่มา: Google DeepMind, Engadget, SiliconANGLE, Interesting Engineering, World Health Organization