คุยเก่งขึ้น แต่สั่งงานบ้านยังไม่แม่น: ทำไม Alexa+ และ Gemini for Home ยังพลาดเรื่องง่าย ๆ

ผู้ช่วยเสียงในบ้านอัจฉริยะกำลังพูดคุยเป็นธรรมชาติมากขึ้น แต่ไม่ได้หมายความว่าจะทำงานได้แม่นยำขึ้นเสมอไป ช่องว่างนี้เห็นได้ชัดที่สุดในคำสั่งง่าย ๆ อย่าง “เปิดไฟ” “หรี่ไฟลง” หรือ “เรียกรูทีน” เพราะผู้ใช้ไม่ได้ต้องการคำตอบที่ฟังดูเข้าท่า พวกเขาต้องการให้อุปกรณ์ที่ถูกต้องเปลี่ยนสถานะทันทีและตรงตามคำสั่ง

ปัญหาเกิดขึ้นกับคำสั่งพื้นฐานโดยตรง

ความผิดพลาดไม่ได้จำกัดอยู่ที่ระบบอัตโนมัติหลายขั้นตอนเท่านั้น David Pogue ระบุว่า Alexa+ ทำคำขอถูกต้อง “ไม่ถึงครึ่ง” จากทั้งหมด 135 รายการ และยังมีปัญหากับการเปิดไฟและตั้งระดับดิมเมอร์ การทดสอบนี้เป็นประสบการณ์ส่วนบุคคล ไม่ใช่การทดสอบมาตรฐานของอุตสาหกรรม แต่ผลลัพธ์ดังกล่าวสะดุดตาไม่น้อยสำหรับผู้ช่วยที่มีหน้าที่หลักคือควบคุมอุปกรณ์ในบ้าน

ผู้ใช้ Google Home ก็รายงานความผิดพลาดที่เฉพาะเจาะจงเช่นกัน นั่นคือ Gemini สามารถเรียกใช้รูทีนของ Home ได้เมื่อโทรศัพท์ไม่ได้เชื่อมต่อกับ Android Auto แต่กลับไม่สามารถเรียกรูทีนเดิมได้เมื่อเปิดใช้งาน Android Auto อยู่ ผู้ใช้บางรายพบว่า AI ตอบแบบสุ่มหรือให้คำตอบทั่วไปแทน

รายงานอื่นยังระบุว่า Gemini ปฏิเสธที่จะปิดไฟอัจฉริยะ พร้อมอ้างว่าไม่สามารถควบคุมไฟหรืออุปกรณ์จริงภายในบ้านได้ ขณะเดียวกัน Android Authority รายงานถึงการอัปเดตต่อเนื่องที่มุ่งปรับปรุงนาฬิกาปลุก ตัวจับเวลา การควบคุมไฟ ความเร็วในการตอบสนอง และแก้บั๊กต่าง ๆ รวมถึงบั๊กที่ทำให้ไฟเปิดหรือปิดเองโดยไม่มีคำสั่งจากผู้ใช้

รายงานเหล่านี้ยังไม่เพียงพอที่จะสรุปเป็นอัตราความผิดพลาดเดียวของทั้งอุตสาหกรรม แต่สะท้อนรูปแบบที่เกิดซ้ำอย่างชัดเจน นั่นคือ ความสามารถในการสนทนาอาจดีขึ้น ขณะที่การลงมือทำงานในชีวิตประจำวันยังไม่สม่ำเสมอ

ภาษาธรรมชาติทำให้การควบคุมอุปกรณ์ซับซ้อนขึ้น

ผู้ช่วยเสียงรุ่นเก่ามีข้อจำกัดมากกว่า แต่เส้นทางจากคำพูดไปสู่การควบคุมอุปกรณ์มักถูกกำหนดไว้อย่างชัดเจน เมื่อระบบรู้จำคำสั่งได้ ก็สามารถจับคู่กับเจตนาที่กำหนดไว้ล่วงหน้าและการทำงานที่ผ่านการตรวจสอบแล้ว เช่น

setBrightness(device = kitchen, level = 50)

ข้อแลกเปลี่ยนคือผู้ใช้ต้องพูดตามรูปแบบคำสั่งที่ค่อนข้างจำกัด แต่ระบบมีทางเลือกในการตีความน้อยกว่า และส่งคำสั่งไปยังอุปกรณ์ได้ซ้ำเดิมอย่างคาดการณ์ได้

ผู้ช่วยที่ใช้ LLM หรือโมเดลภาษาขนาดใหญ่มีภาระงานกว้างกว่านั้น โดยต้องทำหลายขั้นตอนพร้อมกัน ได้แก่

1. ตีความว่าผู้ใช้ต้องการอะไร
2. แกะคำอ้างอิง เช่น “ตรงนี้” “อันนั้น” หรือ “ไฟ”
3. ระบุห้อง อุปกรณ์ และความสามารถของอุปกรณ์ที่ถูกต้อง
4. เลือกเครื่องมือหรือ API ที่เหมาะสม
5. ใส่พารามิเตอร์ที่ถูกต้อง
6. ตรวจสอบสถานะปัจจุบันของอุปกรณ์
7. รายงานอย่างแม่นยำว่าคำสั่งสำเร็จจริงหรือไม่

ความผิดพลาดเพียงขั้นตอนเดียวก็ทำให้ผลลัพธ์ผิดได้ ระบบอาจเลือกอุปกรณ์ผิดห้อง เข้าใจคำอ้างอิงผิด ใช้ความสามารถที่อุปกรณ์ไม่รองรับ ส่งพารามิเตอร์ไม่ถูกต้อง อาศัยข้อมูลสถานะที่ล้าสมัย หรือรายงานว่าสำเร็จทั้งที่อุปกรณ์ยังไม่ได้เปลี่ยนสถานะ

งานวิจัยเกี่ยวกับการควบคุมบ้านอัจฉริยะด้วย LLM ระบุว่า ความไม่กำหนดแน่นอนของโมเดล เวลาและต้นทุนการประมวลผล รวมถึงการปรับให้เข้ากับผู้ใช้แต่ละคนอย่างจำกัด ล้วนเป็นอุปสรรคต่อการควบคุมอุปกรณ์ที่เชื่อถือได้ ระบบเหล่านี้ทำงานได้ดีกว่าเมื่อได้รับคำสั่งที่ชัดเจนและมีโครงสร้าง มากกว่าคำสั่งที่ต้องอาศัยการเดาบริบทในวงกว้าง

การสนทนากับการลงมือทำต้องใช้ความสามารถคนละแบบ

ความสามารถที่ Amazon และ Google นำเสนอมีประโยชน์จริง Alexa+ ออกแบบมาเพื่อจับคู่คำบรรยายสิ่งที่ผู้ใช้ต้องการกับอุปกรณ์และฟีเจอร์ที่เกี่ยวข้อง ส่วน Google ชูจุดเด่นเรื่องคำสั่งหลายส่วน การยกเว้นบางอุปกรณ์ และการแก้คำสั่งกลางประโยค

ความสามารถเหล่านี้เหมาะกับงานอย่างเช่น

• บอกบรรยากาศที่ต้องการ แล้วให้ระบบเสนอฉากไฟหรือการตั้งค่าที่เหมาะสม
• สร้างรูทีนโดยไม่ต้องไล่เปิดเมนูซับซ้อนในแอป
• อธิบายว่าระบบอัตโนมัติทำงานอย่างไร
• แปลงคำขอที่กำกวมให้เป็นแผนการทำงานที่มีโครงสร้าง

แต่การเข้าใจคำขอไม่ใช่เรื่องเดียวกับการทำตามคำขอ “ทำให้ห้องดูอบอุ่นสำหรับมื้อเย็น” เป็นประโยคที่ต้องอาศัยการตีความพอสมควร ในทางกลับกัน “ตั้งไฟห้องครัวไว้ที่ 50 เปอร์เซ็นต์” มีผลลัพธ์ที่ตายตัว คำสั่งแรกได้ประโยชน์จากโมเดลที่ยืดหยุ่น ส่วนคำสั่งหลังต้องการเส้นทางควบคุมที่แคบและตรวจสอบได้

นี่จึงอธิบายได้ว่าทำไมผู้ช่วยอาจจัดการประโยคซับซ้อนได้อย่างน่าประทับใจ แต่กลับพลาดคำสั่งเปิดไฟสั้น ๆ ความซับซ้อนของภาษากับความซับซ้อนของการทำงานไม่ใช่เรื่องเดียวกัน คำสั่งที่ควบคุมอุปกรณ์หลายชิ้นอาจสำเร็จเมื่อโมเดลเลือกเครื่องมือและพารามิเตอร์ถูกต้องโดยบังเอิญ ขณะที่คำสั่งสั้น ๆ อาจล้มเหลวเพียงเพราะระบบระบุอุปกรณ์หรือความสามารถของอุปกรณ์ผิด

ความล่าช้าทำให้ผู้ใช้รู้สึกว่าระบบไม่น่าเชื่อถือ

ความถูกต้องเป็นเพียงส่วนหนึ่งของการควบคุมที่ไว้ใจได้ คำสั่งบ้านอัจฉริยะยังต้องตอบสนองภายในเวลาที่พอคาดเดาได้ด้วย ไฟที่ติดหลังจากรอนาน หรือหลังจากผู้ใช้ต้องพูดซ้ำ ย่อมให้ความรู้สึกไม่น่าเชื่อถือ แม้ท้ายที่สุดไฟจะเปลี่ยนสถานะถูกต้องก็ตาม

รีวิว Alexa+ ฉบับหนึ่งพบว่าการตอบสนองบางครั้งใช้เวลานานถึง 15 วินาที แม้คำสั่งพื้นฐานอย่างเปิดไฟหรือปรับอุณหภูมิอาจทำได้เร็วกว่าในบางกรณี ขณะที่รายงานแยกเกี่ยวกับ Gemini for Home พูดถึงการอัปเดตที่เน้นตอบสนองเร็วขึ้นและตอบสั้นลงสำหรับคำสั่งในชีวิตประจำวัน สะท้อนว่าความหน่วงยังเป็นโจทย์ทางวิศวกรรมที่ผู้พัฒนากำลังแก้ไข

การประมวลผลบนคลาวด์ การเลือกโมเดล การค้นหาอุปกรณ์ และการเรียกใช้เครื่องมือ ล้วนเพิ่มเวลาได้ทั้งสิ้น ผลลัพธ์คือระบบที่อาจมีความสามารถมากขึ้นในทางทฤษฎี แต่คาดเดาได้ยากขึ้นในช่วงเวลาที่ผู้ใช้ต้องการให้ทำงานจริง

ผู้ใช้ยุคแรกกำลังกลายเป็นผู้ทดสอบระบบหรือไม่

การปล่อยซอฟต์แวร์อย่างต่อเนื่องเป็นเรื่องปกติ และการปรับปรุงแบบค่อยเป็นค่อยไปอาจเหมาะกับฟีเจอร์สนทนาที่มีความเสี่ยงต่ำ แต่การควบคุมบ้านแตกต่างออกไป เพราะความผิดพลาดส่งผลต่ออุปกรณ์จริงและกิจวัตรที่ผู้ใช้พึ่งพาอยู่ หากการอัปเดตทำให้ไฟ นาฬิกาปลุก หรือระบบอัตโนมัติทำงานต่างจากเดิม ผู้ใช้จะพบผลกระทบในบ้านของตัวเอง ไม่ใช่เพียงในหน้าต่างแชต

ลำดับเหตุการณ์ที่พบซ้ำ ๆ ตั้งแต่ข้อร้องเรียนหลังเปิดตัว ไปจนถึงการออกแพตช์และอัปเดตด้านความน่าเชื่อถือ ไม่ได้พิสูจน์ว่าผู้ให้บริการตั้งใจขายผลิตภัณฑ์ที่ยังไม่เสร็จสมบูรณ์ แต่แสดงให้เห็นว่าลูกค้ากำลังพบปัญหาในช่วงที่ระบบยังถูกปรับแต่ง รายงานเรื่องระบบอัตโนมัติข้ามขั้น รูทีนเสีย การตอบสนองไม่แน่นอน และข้อร้องเรียนที่ยังมีต่อเนื่อง ทำให้แนวคิด “ปล่อยก่อน เก็บข้อมูล แล้วค่อยปรับปรุง” มีต้นทุนสูงเป็นพิเศษเมื่อถูกนำมาใช้กับการควบคุมบ้านในชีวิตประจำวัน

แนวทางเปิดตัวที่ปลอดภัยกว่าคือคงเส้นทางแบบกำหนดแน่นอนที่เชื่อถือได้ไว้สำหรับคำสั่งประจำ แล้วค่อยเพิ่มความสามารถแบบ generative เข้าไปรอบ ๆ ระบบ ผู้ใช้จะได้ประโยชน์จากการสนทนาที่เป็นธรรมชาติ โดยไม่สูญเสียหลักพื้นฐานของระบบบ้านอัตโนมัติ นั่นคือ เมื่อออกคำสั่งที่รู้จัก อุปกรณ์ที่ตั้งใจควรเปลี่ยนไปสู่สถานะที่ต้องการ

คำตอบที่เป็นไปได้คือสถาปัตยกรรมแบบไฮบริด

ทางออกที่ใช้งานได้จริงไม่ใช่การถอด LLM ออกจากบ้านอัจฉริยะทั้งหมด แต่คือการจำกัดบทบาทของโมเดลในจุดที่ความผิดพลาดมีผลกระทบมากที่สุด

ระบบที่แข็งแรงควรใช้ LLM เพื่อทำความเข้าใจภาษาและวางแผน จากนั้นส่งผลลัพธ์ต่อให้ชั้นควบคุมที่มีองค์ประกอบอย่างน้อยดังนี้

• การเลือกอุปกรณ์และพารามิเตอร์ที่ผ่านการตรวจสอบตาม schema
• การกำหนดสิทธิ์อย่างชัดเจนสำหรับคำสั่งที่มีความเสี่ยง
• การตรวจสอบสถานะก่อนและหลังดำเนินการ
• ระบบลองใหม่และการจัดการข้อผิดพลาดที่เข้าใจได้
• การยืนยันที่แยกให้ชัดระหว่าง “วางแผนจะทำ” กับ “ทำสำเร็จแล้ว”

งานวิจัยแนวทางหนึ่งเสนอแนวคิดที่เกี่ยวข้องกัน โดยให้ LLM สร้างชิ้นงานที่สามารถทำงานได้ในช่วงการคอมไพล์ จากนั้นให้ระบบประสานเวิร์กโฟลว์จัดการเงื่อนไข การเลือกเครื่องมือ การลองใหม่ และข้อผิดพลาดแบบกำหนดแน่นอนในช่วงรันไทม์

สำหรับบ้านอัจฉริยะ หลักการนี้หมายความว่าโมเดลช่วยแปลงความตั้งใจของผู้ใช้ให้เป็นคำสั่งได้ แต่ไม่ควรเป็นผู้มีอำนาจเพียงคนเดียวในการตัดสินใจว่าการกระทำทางกายภาพใดจะเกิดขึ้นทุกครั้ง ยิ่งคำสั่งเข้าใกล้ธุรกรรมตายตัวกับอุปกรณ์มากเท่าไร เส้นทางการทำงานก็ควรถูกจำกัด ทดสอบ และตรวจสอบได้มากขึ้นเท่านั้น

สรุป

Alexa+ และ Gemini for Home สะท้อนบทเรียนใหญ่ของ generative AI: การพูดคุยเก่งขึ้นไม่ได้แปลว่าการลงมือทำเก่งขึ้นโดยอัตโนมัติ รายงานจากนักรีวิว ผู้ใช้ และสื่อเทคโนโลยีแสดงให้เห็นว่าผู้ช่วยเหล่านี้เข้าใจบริบทที่ซับซ้อนและประกอบคำขอหลายส่วนได้ดีขึ้น แต่ยังสะดุดกับไฟ ดิมเมอร์ นาฬิกาปลุก และรูทีน

ผู้ช่วยบ้านอัจฉริยะที่ยั่งยืนน่าจะต้องผสานสองแนวทางเข้าด้วยกัน Generative AI ช่วยให้การตั้งค่าและการสนทนายืดหยุ่นขึ้น ส่วนซอฟต์แวร์แบบกำหนดแน่นอนต้องทำให้คำสั่งสุดท้ายแม่นยำ รวดเร็ว และตรวจสอบได้ จนกว่าจะออกแบบเส้นแบ่งนี้ได้อย่างเหมาะสม ผู้ช่วยที่คุยเก่งขึ้นก็อาจดูฉลาดขึ้น แต่กลับทำงานพื้นฐานที่สำคัญที่สุดของบ้านได้ไม่น่าเชื่อถือกว่าเดิม