มุมมอง

ถ้า AI เขียนได้ทุกภาษา เราจะไม่ได้เห็นภาษาใหม่อีกแล้วใช่ไหม

นั่งดู AI พ่นโค้ดได้ทุกภาษา ตั้งแต่ที่เราถนัดยันที่ไม่เคยแตะ แล้วแอบใจหวิว "งั้นภาษาโปรแกรมใหม่ ๆ ก็คงไม่เกิดอีกแล้วสิ" บทความนี้พาไปดูว่าความรู้สึกนั้นเข้าใจผิดตรงไหน ภัยตัวจริงคืออะไร (มีจริง แต่คนละอันกับที่คุณกลัว) แล้วถอยออกมามองภาพใหญ่ว่าอีก 100 ปีข้างหน้าน่าใจหายจริงไหม

ขอเริ่มจากยอมรับความรู้สึกก่อนครับ ความใจหวิวแบบนี้ไม่ใช่เรื่องคิดมาก เพราะมันเห็นภาพจริง ๆ ต่อหน้า: คุณพิมพ์คำสั่งไปประโยคเดียว AI คายโค้ด Rust ที่คุณไม่เคยเขียน คายโค้ด Haskell ที่เคยทำเราปวดหัวสมัยเรียน คายภาษาอะไรก็ได้ในโลกนี้ออกมาเหมือนมันคล่องไปหมด แล้วสมองก็ต่อยอดเองว่า "ถ้าภาษาที่มีอยู่ AI เก่งหมดแล้ว ใครจะไปเสียเวลาสร้างภาษาใหม่อีก?"

ฟังดูมีเหตุผล แต่มันซ่อนความเข้าใจผิดข้อหนึ่งไว้ตั้งแต่ต้นประโยค ความเข้าใจผิดเรื่อง "ทำไมภาษาใหม่ถึงเกิดขึ้นตั้งแต่แรก" ขอรื้อตรงนี้ก่อน

---

ความจริงข้อแรก: ภาษาใหม่ไม่เคยเกิดเพราะ "คนเขียนภาษาเก่าไม่ได้"

ลองย้อนถามว่า ภาษาโปรแกรมใหม่ ๆ ที่ผ่านมาในประวัติศาสตร์ เกิดขึ้นเพราะอะไร? ไม่มีภาษาไหนเลยที่เกิดเพราะ "โปรแกรมเมอร์เขียนภาษาเดิมไม่เป็น" ในทางทฤษฎี ภาษาแทบทุกภาษาทำงานได้เท่ากันหมด (เขียน C ให้ทำอะไร ก็เขียน assembly ให้ทำอย่างนั้นได้ แค่ทรมานกว่า) สิ่งที่ทำให้คนยอมลงแรงคิดภาษาใหม่ ไม่ใช่ "ความสามารถจะเขียน" แต่คือ "ความสามารถจะคิด" สิ่งที่วงการภาษาโปรแกรมเรียกว่า expressiveness

พูดอีกแบบ: ภาษาโปรแกรมไม่ใช่แค่ "เครื่องมือสั่งงานเครื่อง" แต่มันคือ "ภาษาที่เราใช้คิด" ด้วย เหมือนคนที่รู้หลายภาษาพูดจะมองโลกได้หลายมุม โปรแกรมเมอร์ที่มีภาษาให้เลือกหลายแบบก็ออกแบบวิธีแก้ปัญหาได้หลายทรง ภาษาใหม่เกิดขึ้นทุกครั้งที่มีคนรู้สึกว่า "ภาษาที่มีอยู่ มันบังคับให้ฉันคิดในกรอบที่ไม่ตรงกับปัญหาของฉัน" แล้วลงมือสร้างกรอบใหม่ที่ตรงกว่า

และนี่คือจุดที่ความกลัวเริ่มคลาย: การที่ AI เขียนโค้ดภาษาที่ มีอยู่แล้ว ได้เก่ง มันตอบโจทย์คนละข้อกับ "ทำไมต้องมีภาษาใหม่" เลย AI เก่งเรื่อง "ผลิตโค้ดในกรอบที่มีอยู่" แต่การสร้างภาษาใหม่คือการ "ออกแบบกรอบใหม่ให้มนุษย์ใช้คิด" ซึ่งเป็นงานของรสนิยมและมุมมอง ไม่ใช่งานพยากรณ์โค้ดตัวถัดไป (เรื่องรสนิยมที่ AI ไม่มีนี้ ผมเล่าไว้เต็ม ๆ ในบท "ถ้า AI เก่งขนาดนี้ แล้วเราจะอยู่ไปทำไม")

ที่ผมพูดว่าภาษาคือ "เครื่องมือที่เราใช้คิด" นี่ ไม่ใช่คำพูดสวย ๆ ไว้ปลอบใจ มันเป็นแนวคิดที่คนสายคอมพิวเตอร์กับนักภาษาศาสตร์ถกกันมาหลายสิบปีแล้ว ปี 1979 Kenneth Iverson (อ่านว่า "เคนเน็ธ ไอเวอร์สัน" คนสร้างภาษา APL) ขึ้นรับรางวัลทัวริง (เหมือนโนเบลของสายคอม) ด้วยปาฐกถาที่ตั้งชื่อไว้คมจนกลายเป็นวลีคลาสสิก:

"Notation as a Tool of Thought" สัญกรณ์: ในฐานะ "เครื่องมือของความคิด"

ใจความคือ วิธีจด วิธีเขียน หรือ notation (อ่านว่า "โนเทชัน" แปลว่า "สัญกรณ์" ระบบสัญลักษณ์ที่ใช้จดความคิด) ที่ดี ไม่ได้แค่ "บันทึก" ความคิด แต่มัน ขยายกำลังคิด ของเราจริง ๆ มีสัญกรณ์ที่คมกว่า เราคิดปัญหาที่ซับซ้อนกว่าออก แนวคิดนี้มีชื่อเรียกในวงภาษาศาสตร์ว่า linguistic relativity และ Iverson เชื่อว่ามันใช้กับภาษาโปรแกรมได้ตรง ๆ

ขยาย

อยากเห็นภาพชัด ๆ ลองดูตัวอย่างที่สุดโต่งที่สุดในโลกภาษาโปรแกรม Functional Programming (FP) (อ่านว่า "ฟังก์ชันแนล โปรแกรมมิง" แปลว่า "การเขียนโปรแกรมเชิงฟังก์ชัน") กระบวนทัศน์ (paradigm) การเขียนโค้ดแบบหนึ่งที่ขึ้นชื่อว่า "เข้าใจยากมากตอนเริ่ม" คนเขียนสายปกติเจอครั้งแรกมักเอ๋อ เพราะมันห้ามหลายอย่างที่เคยทำจนชิน (ห้ามแก้ค่าตัวแปรไปมา ห้ามให้ฟังก์ชันแอบไปยุ่งกับอะไรข้างนอกตัวมันเอง) แต่นี่แหละคือจุดที่น่าคิด เป้าหมายปลายทางของมันกลับเรียบง่ายอย่างน่าประหลาด: ทำให้โค้ด "อ่านแล้วเข้าใจ" และ "ทุกอย่างมีเหตุผลของมัน" ความยากตอนต้นคือราคาที่จ่ายเพื่อแลกกับกฎเหล็กข้อหนึ่งชื่อ referential transparency ที่ทำให้กรอบคิดสะอาดขึ้นกว่าเดิมมาก

เห็นไหมครับว่าคนที่ยอมทนเรียน FP ทั้งที่ยากกว่า ไม่ได้ทำเพราะภาษาเดิม "เขียนไม่ได้" (เขียนได้อยู่แล้ว) แต่เพราะเขาอยาก คิด ในกรอบที่ทำให้มั่นใจได้ว่าโค้ดถูก นี่คือหลักฐานรูปธรรมว่าคนเลือกภาษาเพราะ "มันพาเราคิดแบบไหน" ไม่ใช่แค่ "มันสั่งเครื่องได้ไหม" และตรงนี้เองที่ความสามารถของ AI ในการพ่นโค้ดภาษาไหนก็ได้ ไปไม่ถึง เพราะมันแก้โจทย์ "ผลิตโค้ดในกรอบเดิม" ไม่ใช่โจทย์ "หากรอบคิดที่ดีกว่าเดิม"

เจาะลึกอีกชั้น: รากของ "ภาษา = ความคิด" มันลึกถึงไหน (สำหรับคนอยากรู้ต่อ)

FP ไม่ใช่ของเพิ่งเกิดตามยุค AI เลย รากมันย้อนไปไกลถึงคณิตศาสตร์ล้วน ๆ ก่อนจะมีคอมพิวเตอร์เครื่องแรกด้วยซ้ำ Alonzo Church ("อลอนโซ เชิร์ช") คิด lambda calculus (อ่านว่า "แลมบ์ดา แคลคูลัส" ระบบตรรกะที่ใช้ "ฟังก์ชัน" เป็นอิฐก้อนพื้นฐานของการคำนวณ) ขึ้นในทศวรรษ 1930 เพื่อตอบคำถามเชิงตรรกะ แล้วปลายทศวรรษ 1950 John McCarthy ("จอห์น แม็กคาร์ธี") ก็ทำภาษา Lisp ที่หยิบวิธีคิดสายนี้มาใช้ ต่อมาปี 1990 บทความคลาสสิก "Why Functional Programming Matters" ของ John Hughes ("จอห์น ฮิวส์") ก็สรุปว่าคุณค่าของ FP ไม่ใช่ "ทำสิ่งที่ภาษาอื่นทำไม่ได้" แต่คือ "ประกอบโค้ดเป็นชิ้นเล็ก ๆ แล้วต่อกันได้สะอาดกว่า" พูดอีกที มันเป็นเรื่องของ วิธีคิด ล้วน ๆ ไม่ใช่เรื่อง "ทำได้/ทำไม่ได้"

แต่เพื่อความซื่อสัตย์ ต้องบอกว่าเรื่อง "ภาษากำหนดความคิด" ยังเป็น ข้อถกเถียง ไม่ใช่ข้อสรุปปิดตาย ในภาษามนุษย์ สมมติฐาน Sapir–Whorf เวอร์ชันแรง (ภาษา "กำหนด" ความคิดจนดิ้นไม่หลุด) ถูกงานวิจัยรุ่นหลังตีตกไปมาก เหลือแต่เวอร์ชันอ่อน (ภาษา "มีอิทธิพล" ต่อความคิด) และมีข้อโต้แย้งที่น่าสนใจว่า โปรแกรมเมอร์ สลับ กรอบคิดข้ามภาษาได้คล่องกว่าคนสลับภาษาพูดเยอะ เรียน FP แล้วเอาวิธีคิดกลับไปใช้ในภาษาเดิมก็ยังได้ ฉะนั้นกรอบของภาษาโปรแกรม "ครอบ" เราไม่แน่นเท่าภาษาแม่ นี่คือเลนส์มอง ไม่ใช่กฎเหล็ก

---

แล้วทำไมยังใจหวิวอยู่ดี? เพราะมันมี "กับดัก" จริง แต่คนละอันกับที่กลัว

ถ้าจบแค่ข้อแรก มันจะดูปลอบใจเกินไป และไม่ซื่อสัตย์กับความรู้สึกของคุณ เพราะลึก ๆ แล้วสัญชาตญาณที่ว่า "ยุค AI ทำให้ภาษาใหม่เกิดยากขึ้น" มัน ถูกอยู่ แค่กลไกไม่ใช่อย่างที่เราคิด ปัญหาไม่ได้อยู่ที่ "ไม่มีใครสร้างภาษาใหม่" แต่อยู่ที่ "ภาษาใหม่ที่สร้างมาแล้ว จะโตยากขึ้น" และตัวการคือ AI จริง ๆ ด้วย

งานวิจัยปี 2025 ชื่อ "LLMs Love Python" วัดพฤติกรรมโมเดลภาษาแล้วพบว่า เวลาปล่อยให้ AI เลือกภาษาเอง มันเลือก Python ในงานราว 90–97% ของโจทย์ แม้แต่โจทย์ที่ Python ไม่ใช่ตัวเลือกที่ดีที่สุด มันก็ยังเลือก Python เกินครึ่ง และบางการทดลอง Rust ไม่ถูกเลือกเลยสักครั้ง สาเหตุไม่ลึกลับ: AI เรียนจากโค้ดที่มีอยู่ในโลก ภาษายอดนิยมมีตัวอย่างเยอะกว่ามหาศาล มันเลยเก่งภาษานั้นกว่า และพอเก่งกว่า มันก็ยิ่งเชียร์ภาษานั้น

เห็นกับดักไหมครับ เมื่อก่อนภาษาใหม่ที่ดีจริงจะค่อย ๆ โตได้ด้วยตัวเอง คนลองใช้ ติดใจ บอกต่อ แต่ตอนนี้มีด่านใหม่เพิ่มมา: "AI ช่วยเขียนภาษานี้ได้ดีแค่ไหน" กลายเป็นปัจจัยที่คนใช้เอามาชั่งน้ำหนักด้วย และภาษาเกิดใหม่ย่อมแพ้ภาษาดังในด่านนี้เสมอ เพราะ AI ยังไม่มีข้อมูลมันมากพอ นักวิจัยเรียกแรงนี้ว่า "Matthew effect ของผู้ช่วยเขียนโค้ด AI" ยิ่งภาษาไหนดังอยู่แล้ว AI ยิ่งทำให้มันดังขึ้น ยิ่งภาษาไหนใหม่และเล็ก ก็ยิ่งถูกทิ้งห่าง อย่าง Gleam/Zig/Mojo ที่ยกไปเมื่อกี้ก็ยังโตได้ก็จริง แต่ทุกก้าวคือการ ว่ายทวนน้ำ ของกระแสนี้ ไม่ใช่ลอยตามสบายเหมือนภาษาใหม่ยุคก่อน AI

ขยาย

---

แล้วถ้าเราสั่งให้ AI "คิดของใหม่" ไปเลยล่ะ?

คำถามนั้นคือ "ถ้าปัญหาคือ AI คิดแต่ในกรอบเดิม งั้นก็สั่งมันตรง ๆ ให้สร้างกรอบใหม่สิ! สั่งให้ออกแบบภาษาใหม่ เขียนงานวิจัยใหม่ ค้นความรู้ใหม่ไปเลย ในเมื่อมนุษย์เองก็สร้างกรอบใหม่จากการต่อยอดกรอบเก่า ทำไม AI จะทำบ้างไม่ได้?" คำถามนี้แหลมมาก และถ้าตอบมันได้ ก็เท่ากับพลิกทั้งบทความ ผมเลยขอพาไล่ทีละชั้นด้วยงานวิจัยจริง ไม่ใช่ความรู้สึก

กุญแจอยู่ที่การแยกให้ออกว่า "ความคิดสร้างสรรค์" ไม่ได้มีชั้นเดียว Margaret Boden (อ่านว่า "มาร์กาเร็ต โบเดน" นักปรัชญา AI คนสำคัญ) แบ่งมันเป็น 3 ชั้น และนี่คือหัวใจที่คลายปมทั้งหมด

Boden สรุปว่า AI เก่งสองชั้นล่าง (ผสม + สำรวจ) แต่ยังติดขัดกับชั้นบนสุด (พลิกกรอบ) เห็น paradox ไหมครับ การ "สั่งให้ AI สร้างกรอบใหม่" ไม่ได้หลบข้อจำกัด มันคือการชี้นิ้วไปที่จุดที่ AI อ่อนที่สุดพอดีเป๊ะ

ขยาย

และนี่แหละที่ย้อนกลับมาเข้าเรื่องภาษาโปรแกรมพอดี การออกแบบภาษาใหม่ที่ "ดี" ไม่มีกติกาวัดผลชัดแบบนั้น เพราะ "ดี" ของภาษาคือถูกจริตมนุษย์ อ่านแล้วคิดตามสบาย ซึ่งวัดเป็นตัวเลขให้เครื่องไล่หาไม่ได้ นี่คือเหตุผลว่าทำไมงานสายนี้ถึงต้านการถูกแทน ไม่ใช่เพราะเครื่อง "โง่"

"แต่ถ้าไม่ใช่ภาษาล่ะ? งานวิจัยล่ะ สั่ง AI ให้คิดหัวข้อวิจัยใหม่ เขียนเปเปอร์เลยได้ไหม แล้ว นศ. ป.เอก จะใช้ AI ทำให้หมดเลยไหม?" คำถามนี้มีคนทดลองแล้วจริง ๆ และคำตอบน่าสนใจกว่าที่คิด

เจาะลึกอีกชั้น: ทำไม LLM ถึง "ติดกรอบเดิม" โดยโครงสร้าง (งานวิจัย 2025)

มีเหตุผลเชิงกลไกใต้ฝากระโปรง งานวิจัยปี 2025 หลายชิ้นชี้ตรงกันว่า การให้เหตุผลแบบ chain-of-thought (อ่านว่า "เชน-ออฟ-ธอต" = "คิดไล่ทีละขั้นเป็นลูกโซ่" ให้โมเดลเขียนขั้นตอนคิดออกมาก่อนตอบ) ของ LLM ทำงานดีเฉพาะตอนโจทย์ "หน้าตาคล้าย" ข้อมูลที่มันเคยเทรน พอโจทย์หลุดออกไปเป็นแบบที่ไม่เคยเจอ ที่เรียกว่า out-of-distribution (อ่านว่า "เอาต์-ออฟ-ดิสทริบิวชัน" = "นอกพื้นที่ข้อมูลที่เคยเห็น") ความแม่นจะ ตกฮวบ และโมเดลมักถอยกลับไปหาฟังก์ชันที่คุ้นแทน บางงานถึงกับตั้งข้อสังเกตว่าการ reason ของมัน "อาจสะท้อนสถิติของข้อมูล มากกว่าการเข้าใจตรรกะจริง ๆ"

พูดง่าย ๆ: "กรอบใหม่จริง ๆ ตามนิยามคือสิ่งที่อยู่นอก distribution" มันเลยเป็นจุดบอดโดยโครงสร้างของโมเดลที่เรียนด้วยการเลียนแบบอดีต ไม่ใช่แค่ "ยังเก่งไม่พอ เดี๋ยวเวอร์ชันหน้าก็ได้เอง" (ข้อควรระวัง: นี่คือภาพ ณ ปี 2025–2026 ถ้าสถาปัตยกรรมเปลี่ยนไปจากการเลียนแบบล้วน ๆ ข้อสรุปนี้ก็ต้องรื้อใหม่ทันที)

แล้วถ้ามองไกลออกไป ปัญหาที่น่ากลัวกว่า "AI คิดใหม่ไม่เป็น" อาจเป็นสิ่งที่ตรงข้ามเลย ถ้าทุกคนหันไปพึ่ง AI ตั้งแต่ขั้น "คิดหัวข้อ" ไอเดียของคนทั้งวงการจะถูกดูดเข้าหา prior (อ่านว่า "ไพรเออร์" = "ฐานความเอนเอียงตั้งต้น" ที่โมเดลมีติดตัวจากข้อมูลเทรน) ของโมเดลตัวเดียวกัน = ค่าเฉลี่ยของอดีต งานวิจัยปี 2024 พบแล้วว่า การเขียนงานร่วมกับ AI ลดความหลากหลายของเนื้อหาลงอย่างมีนัยสำคัญ งานของคนต่างคนเริ่มหน้าตาเหมือนกันขึ้น กลายเป็นภาวะ monoculture ของความรู้

ถ้า AI ทำให้ "ความใหม่" ถูกและเยอะขึ้นเรื่อย ๆ ของหายากก็ไม่ใช่ความใหม่อีกต่อไป แต่คือ "การตัดสินว่าความใหม่ไหนของจริง และควรค่าพอจะสร้าง"

ซึ่งพาเรามาถึงภาพที่ใหญ่กว่าเรื่องภาษาโปรแกรมและงานวิจัย ความใจหายเรื่องยุคสมัยทั้งยุค

---

ถอยออกมามองไกล: เรากำลังยืนอยู่ปากทางของยุคสมัยแบบไหน

พอมองทะลุเรื่องภาษาโปรแกรม จะเห็นว่ามันเป็นภาพย่อของความรู้สึกที่ใหญ่กว่านั้น ความใจหายว่า "เรากำลังเข้าสู่ยุคสมัยแบบไหนกันแน่ แล้วอีกร้อยปีข้างหน้ามันจะต่างจากวันนี้ไปไกลแค่ไหน" ขอพูดตรง ๆ ก่อนว่าส่วนนี้เป็น เลนส์มอง ไม่ใช่ข้อพิสูจน์ ไม่มีใครทำนายร้อยปีข้างหน้าได้แม่น ผมแค่อยากชวนจัดระเบียบความใจหายให้มันเป็นเหตุเป็นผลขึ้น

ลองใช้อดีตเป็นไม้บรรทัดดู ย้อนไป 100 ปีพอดี ปี 1926 (พ.ศ. 2469) โลกตอนนั้นเป็นยังไง? เพนิซิลลิน (ยาปฏิชีวนะตัวแรก) ยังไม่ถูกค้นพบ (ต้องรอปี 1928) การคลอดลูกกว่า 95% เกิดที่บ้าน บ้านในอเมริกามีอ่างอาบน้ำแค่ราว 14% การเดินทางไกลยังพึ่งรถไฟไอน้ำ ไม่มีเครื่องบินเจ็ต ไม่มีดาวเทียม ไม่มีคอมพิวเตอร์ ไม่ต้องพูดถึงอินเทอร์เน็ตหรือมือถือ

ถ้าเราเดินไปบอกคนปี 1926 ว่าอีกร้อยปีคุณจะพกอุปกรณ์ที่คุยกับคนอีกซีกโลกได้ทันที ถามอะไรก็ได้คำตอบใน 2 วินาที และมีเครื่องที่เขียนโปรแกรมได้ทุกภาษาแทนคุณ เขาคงมองว่าเป็นนิยาย ระยะห่างนั้นแหละ คือระยะที่เรากำลังจะเห็นในอีก 100 ปีข้างหน้า และมันน่าใจหายจริง ๆ ที่เราจินตนาการปลายทางไม่ออกเลย

ความใจหายไม่ได้มาจาก "การเปลี่ยนแปลงเร็ว" อย่างเดียว แต่มาจากการที่เรารู้ตัวว่ากำลังยืนอยู่บนธรณีประตู แล้วมองเข้าไปในห้องถัดไปไม่เห็นอะไรเลย

จริง ๆ แล้วเราใจหายเรื่องอะไรกันแน่?

ผมคิดว่าความใจหายลึก ๆ ไม่ใช่ "กลัวเทคโนโลยีเก่ง" เพราะเทคโนโลยีเก่งขึ้นทุกยุค เราชินแล้ว สิ่งที่กัดใจกว่าคือความกลัวเงียบ ๆ ว่า โลกที่ทุกอย่างถูกป้อนผ่านตัวกลางที่เรียนจาก "อดีต" (อย่าง AI) อาจกลายเป็นโลกที่ ทุกอย่างค่อย ๆ เหมือนกันไปหมด เพลงหน้าตาเดียวกัน หนังพล็อตเดียวกัน โค้ดสไตล์เดียวกัน ความคิดกรอบเดียวกัน เพราะทุกอย่างถูกดูดเข้าหา "ค่าเฉลี่ยของสิ่งที่เคยมีมาแล้ว" โลกที่ค่อย ๆ กลายเป็นเนื้อเดียว หรือที่เรียกกันว่า homogenization (ก็คือ monoculture ที่เล่าไปเมื่อกี้นั่นแหละ แต่ขยายจาก "ความรู้" ออกมาเป็น "วัฒนธรรมทั้งก้อน")

นี่แหละคือเส้นที่ลากตรงจากเรื่องภาษาโปรแกรมมาถึงเรื่องยุคสมัย Matthew effect ที่ทำให้ภาษาใหม่โตยาก คือกลไกเดียวกับที่อาจทำให้ "ของใหม่" ทุกชนิดในวัฒนธรรมโตยากขึ้น เมื่อสิ่งที่คุ้นเคยถูกขยายซ้ำ ๆ ด้วยเครื่องมือที่เรียนจากอดีต สิ่งแปลกใหม่ที่ยังไม่มีใครรู้จักก็หาที่ยืนยากขึ้นเป็นเงาตามตัว ความใจหายของคุณเลยไม่ได้ไร้เหตุผล มันคือการมองเห็นความเสี่ยงเชิงโครงสร้างจริง ๆ ก่อนคนอื่น

แต่ (และนี่คือ "แต่" ที่สำคัญที่สุดของบทนี้) นี่คือความเสี่ยง ไม่ใช่คำพยากรณ์ที่ล็อกไว้แล้ว

จุดปลอบใจ: ทุกยุคที่ยืนปากเหว ก็รู้สึกแบบนี้เหมือนกัน

มีข้อเท็จจริงเล็ก ๆ ที่ปลอบใจได้อย่างมีเหตุผล ปี 1926 ที่เราพูดถึงเมื่อกี้ ผู้คนตอนนั้นก็กลัว "การตกงานเพราะเครื่องจักร" (technological unemployment) กันหนักมากไม่ต่างจากที่เรากลัว AI วันนี้ เครื่องจักรกลไอน้ำและสายพานการผลิตกำลังกลืนงานคนเป็นล้าน ๆ ตำแหน่ง คนยุคนั้นก็ใจหายเหมือนเราเป๊ะว่า "อีกร้อยปีมนุษย์จะเหลืออะไร"

แล้วร้อยปีผ่านไป คำตอบคือ: งานเก่าหายไปจริง แต่งานใหม่ที่คนปี 1926 นึกภาพไม่ออกเลย ก็เกิดขึ้นมาแทน คนเขียนซอฟต์แวร์ คนทำคอนเทนต์ คนดูแลระบบคลาวด์ อาชีพพวกนี้ไม่มีคำเรียกด้วยซ้ำเมื่อร้อยปีก่อน ประวัติศาสตร์ไม่ได้บอกว่า "ไม่มีอะไรน่ากลัว" แต่มันบอกว่า ความสามารถของมนุษย์ในการประดิษฐ์ "สิ่งที่เครื่องยังทำไม่ได้" ขึ้นมาใหม่ ยังไม่เคยหมดลงสักยุค

ขยาย

และถ้ากลับไปที่เรื่องภาษาโปรแกรม จะเห็นว่ามันยืนยันข้อนี้ในสเกลเล็ก ๆ อยู่แล้ว ทั้ง Gleam, Zig, Mojo คือหลักฐานว่าต่อให้ AI ครองภาษายอดนิยม ก็ยังมีคนที่มองเห็น "กรอบคิดที่ขาดหายไป" แล้วลงมือสร้างมันขึ้นมาใหม่ ของใหม่ไม่ได้ตายเพราะ AI มันแค่ต้องการคนที่ ตั้งใจ จะให้มันเกิด มากกว่าเดิม

และถ้าจะให้จัดที่ทางของ AI ให้ถูก ผมว่ามีมุมหนึ่งช่วยได้มาก ลองนึกถึงฟิสิกส์ดูครับ นักฟิสิกส์ไม่เคย "สร้าง" แรงโน้มถ่วงขึ้นมา มันมีอยู่ก่อนแล้ว เขาแค่ค้นพบแล้วเขียนออกมาเป็นภาษาที่คนอื่นหยิบไปใช้ต่อได้ วิทยาศาสตร์ทั้งศาสตร์ตั้งอยู่บนความถ่อมตัวข้อนี้:

"We don't invent the laws of nature ; we discover them." เราไม่ได้ประดิษฐ์กฎของธรรมชาติ เราแค่ "ค้นพบ" มันเท่านั้น

(ประโยคนี้ไม่ใช่คำพูดของใครคนเดียวโดยเฉพาะ แต่เป็นความเชื่อแกนของสำนัก scientific realism อ่านว่า "ไซเอนทิฟิก เรียลลิซึม" แปลว่า "สัจนิยมเชิงวิทยาศาสตร์" เชื่อว่าสิ่งที่วิทยาศาสตร์อธิบายมีอยู่จริงในโลก ไม่ใช่แค่เราสมมติขึ้นเอง นักฟิสิกส์อย่าง Paul Davies ("พอล เดวีส์") ก็ย้ำแนวเดียวกันว่า หน้าที่ของนักวิทยาศาสตร์คือ "เปิดเผย" กฎที่มีอยู่จริง ไม่ใช่ "คิดมันขึ้นมา")

และ AI ก็อยู่ในตำแหน่งเดียวกันเป๊ะ มันไม่ได้เสก "ความรู้ใหม่" ออกมาจากอากาศ มันคือเครื่องมือมหาศาลที่ช่วย ค้นพบ เผย และเรียบเรียง สิ่งที่ซ่อนอยู่ในกองความรู้ที่มนุษย์สั่งสมมา เหมือนกล้องโทรทรรศน์ที่ทำให้เรามองเห็นดาวที่มีอยู่ก่อนแล้ว ส่วนการหยิบสิ่งที่มันส่องให้เห็นไป สร้าง ของที่ยังไม่เคยมี ยังเป็นงานของเรา และนี่แหละคือเหตุผลกลับหัวที่ว่า ยิ่ง AI เก่งขึ้น คุณค่าของ "การลงมือสร้าง" ยิ่งสูงขึ้น ไม่ใช่ต่ำลง

---

สรุปบรรทัดเดียว

คำถามตั้งต้นว่า "AI เขียนได้ทุกภาษา แล้วเราจะไม่เห็นภาษาใหม่อีกไหม" คำตอบคือ เราจะยังเห็นแน่นอน เพราะภาษาใหม่ไม่เคยเกิดจากการที่คนเขียนของเก่าไม่ได้ แต่เกิดจากคนที่อยาก คิด ในแบบที่ของเก่าไม่ยอมให้คิด สิ่งที่ต้องระวังจริง ๆ ไม่ใช่ "ภาษาใหม่จะไม่เกิด" แต่คือ "ภาษาใหม่ (และของใหม่ทุกชนิด) จะโตยากขึ้นในโลกที่เครื่องมือเรียนจากอดีตคอยขยายแต่ของเดิม"

ส่วนความใจหายเรื่องอีกร้อยปีข้างหน้า มันมีเหตุผลรองรับ ไม่ใช่คิดมาก แต่ประวัติศาสตร์ทุกยุคที่เคยยืนตรงจุดเดียวกับเราก็ใจหายแบบเดียวกัน แล้วก็ผ่านมันมาได้ด้วยการสร้างสิ่งที่ยุคก่อนนึกไม่ออก ยุคสมัยที่เรากำลังเข้าไปจะเป็นแบบไหน มันเลยไม่ใช่คำถามที่รอคำตอบเฉย ๆ มันเป็นคำถามที่คำตอบขึ้นอยู่กับว่าเราจะตั้งใจให้ "ของใหม่" มีที่ยืนแค่ไหน

AI ทำให้ของเก่าถูกทำซ้ำได้ฟรีเกือบทั้งโลก คุณค่าของมนุษย์เลยย้ายไปอยู่ที่ "การกล้าสร้างสิ่งที่ยังไม่เคยมีในข้อมูลของมัน"

แหล่งอ้างอิง

เรียบเรียงและอธิบายใหม่ด้วยคำตัวเอง โดยตรวจสอบข้อเท็จจริงกับแหล่งปฐมภูมิด้านล่าง (แต่ละรายการระบุวันเผยแพร่/วันสืบค้นไว้ในตัว)

1. "LLMs Love Python: A Study of LLMs' Bias for Programming Languages and Libraries" · arXiv:2503.17181 (พบว่าโมเดลเลือก Python ราว 90–97% ของงาน แม้ไม่ใช่ตัวเลือกที่ดีที่สุด); เผยแพร่ มี.ค. 2025, สืบค้นเมื่อ 12 กรกฎาคม 2026
2. "The Matthew Effect of AI Programming Assistants: A Hidden Bias in Software Evolution" · arXiv:2509.23261 (ผู้ช่วย AI เสริมแรงให้ภาษา/ไลบรารียอดนิยมยิ่งครองตลาด "รวยยิ่งรวย"); เผยแพร่ ก.ย. 2025, สืบค้นเมื่อ 12 กรกฎาคม 2026
3. "Gleam (programming language)" · Wikipedia (เวอร์ชัน 1.0.0 เผยแพร่ 4 มี.ค. 2024; ได้คะแนนชื่นชอบ ~70% ใน Stack Overflow Survey 2025), สืบค้นเมื่อ 12 กรกฎาคม 2026
4. "Oak and expressive power in programming languages" · oaklang.org (อธิบายว่าภาษาเกิดใหม่เพื่อ expressiveness ไม่ใช่เพื่อความสามารถในการเขียน), สืบค้นเมื่อ 12 กรกฎาคม 2026
5. "America, 1926: An Absurdly Deep Dive" · Derek Thompson (สภาพชีวิตปี 1926 และความกลัว technological unemployment ในยุคนั้น), สืบค้นเมื่อ 12 กรกฎาคม 2026
6. "TIOBE Index" · TIOBE (อันดับความนิยมภาษาโปรแกรม อ้างอิงการขยับอันดับของ Mojo/Zig), สืบค้นเมื่อ 12 กรกฎาคม 2026
7. Kenneth E. Iverson, "Notation as a Tool of Thought" · ปาฐกถารางวัลทัวริงปี 1979 (ตีพิมพ์ Communications of the ACM, ส.ค. 1980) ต้นเรื่องแนวคิดว่าสัญกรณ์/ภาษาขยายกำลังคิด, สืบค้นเมื่อ 12 กรกฎาคม 2026
8. "Linguistic Relativity and Programming Languages" · arXiv:1808.03916 (เชื่อมสมมติฐาน Sapir–Whorf เข้ากับภาษาโปรแกรม พร้อมข้อโต้แย้งว่าโปรแกรมเมอร์สลับกรอบคิดได้คล่องกว่าภาษาพูด), สืบค้นเมื่อ 12 กรกฎาคม 2026
9. John Hughes, "Why Functional Programming Matters" (1990) · ชี้ว่าคุณค่าของ FP คือการประกอบโค้ดให้ต่อกันสะอาด ไม่ใช่ทำสิ่งที่ภาษาอื่นทำไม่ได้ (รากย้อนถึง lambda calculus ของ Church ทศวรรษ 1930 และ Lisp ของ McCarthy ปลายทศวรรษ 1950), สืบค้นเมื่อ 12 กรกฎาคม 2026
10. "Path dependence" & QWERTY lock-in (Paul David, 1985) · แนวคิดเศรษฐศาสตร์ว่ามาตรฐานที่ "มาก่อน" ล็อกตลาดไว้ได้แม้ไม่ใช่ตัวเลือกที่ดีที่สุด (เคส QWERTY), สืบค้นเมื่อ 12 กรกฎาคม 2026
11. Paul Davies, Templeton Prize Acceptance Address · มุมมองสาย scientific realism ว่าหน้าที่ของนักวิทยาศาสตร์คือค้นพบกฎที่มีอยู่จริง ไม่ใช่ประดิษฐ์มันขึ้น (ประกอบ pull-quote "we discover, not invent"), สืบค้นเมื่อ 12 กรกฎาคม 2026
12. Margaret Boden, "Computer Models of Creativity" (AI Magazine, 2009) · ต้นทางการแบ่งความคิดสร้างสรรค์เป็น combinational / exploratory / transformational และข้อสังเกตว่า AI ยังอ่อนชั้น transformational, สืบค้นเมื่อ 12 กรกฎาคม 2026
13. "Can LLMs Generate Novel Research Ideas? A Large-Scale Human Study with 100+ NLP Researchers" · Si, Yang, Hashimoto (Stanford, 2024): ไอเดีย LLM ถูกให้คะแนน "แปลกใหม่" สูงกว่ามนุษย์อย่างมีนัยสำคัญ แต่ "ทำได้จริง" ต่ำกว่า และหลากหลายน้อย, สืบค้นเมื่อ 12 กรกฎาคม 2026
14. "The AI Scientist" & AI Scientist-v2 (Sakana AI) · เปเปอร์ที่ AI เขียนล้วนผ่าน peer review ที่ workshop ของ ICLR 2025 (6.33/10) แต่ไม่ถึงเกณฑ์เวทีหลัก มีอ้างอิงผิด/มโน และถอนก่อนตีพิมพ์, สืบค้นเมื่อ 12 กรกฎาคม 2026
15. "Discovering novel algorithms with AlphaTensor" (Google DeepMind) · AI สาย reinforcement learning ค้นพบอัลกอริทึมคูณเมทริกซ์/เรียงข้อมูล (AlphaDev) ที่ดีกว่าสถิติมนุษย์ ในสนามที่มีเป้าวัดผลชัด, สืบค้นเมื่อ 12 กรกฎาคม 2026
16. "Does Writing with Language Models Reduce Content Diversity?" · Padmakumar & He (ICLR 2024): เขียนงานร่วมกับโมเดลที่ปรับด้วย feedback ลดความหลากหลายของเนื้อหาอย่างมีนัยสำคัญ (monoculture ของความรู้), สืบค้นเมื่อ 12 กรกฎาคม 2026
17. "Is Chain-of-Thought Reasoning of LLMs a Mirage? A Data Distribution Lens" (2025) · หลักฐานว่า chain-of-thought ของ LLM ทำงานดีเฉพาะเมื่อโจทย์ใกล้ข้อมูลเทรน และตกฮวบเมื่อออกนอก distribution, สืบค้นเมื่อ 12 กรกฎาคม 2026