AI FOUNDATIONS • LESSON 2

ប្រវត្តិ និងដំណើរវិវត្តនៃ AI

by Sot Dimong

18 កក្កដា 2026

មេរៀននេះនឹងនាំអ្នកដើរតាមរលកសំខាន់ៗនៃ AI—ពីសំណួរដំបូងអំពី «ម៉ាស៊ីនអាចគិតបានទេ?» រហូតដល់ Machine Learning, Deep Learning និង Generative AI សម័យថ្មី។

រយៈពេលប្រហែល ១៤ នាទី

AI Timeline • Level 2 ដើរតាមព្រឹត្តិការណ៍ដែលបម្លែង AI មកដល់សព្វថ្ងៃ

0 XP

ចាប់ផ្តើម

សេចក្តីផ្តើម
ប្រវត្តិ AI មិនមែនជាផ្លូវត្រង់ពី «គំនិត» ទៅ «ជោគជ័យ» ទេ។ វាជារលកនៃការស្រាវជ្រាវ ក្តីរំពឹងខ្ពស់ ការខកចិត្ត និងការរីកចម្រើនឡើងវិញ ពេលមាន Data, កម្លាំងគណនា និងវិធីសាស្ត្រកាន់តែល្អ។

គោលបំណងមេរៀននេះ
បន្ទាប់ពីរៀនចប់ អ្នកគួរតែអាចរៀបរាប់រលកសំខាន់ៗនៃ AI, ស្គាល់ថាហេតុអ្វី AI ធ្លាប់រីក និងធ្លាប់ស្ងប់, ហើយមើល Generative AI ជាបន្តនៃការស្រាវជ្រាវយូរមក—not ជាបច្ចេកវិទ្យាដែលកើតឡើងភ្លាមៗ។

១. គំនិតដំបូង និងពាក្យ AI

មុនពេលមាន Chatbot ឬរូបភាពបង្កើតដោយ AI អ្នកវិទ្យាសាស្ត្របានសួរអស់រយៈពេលយូរថា តើម៉ាស៊ីនអាចដោះស្រាយបញ្ហា ដែលមនុស្សចាត់ទុកថាត្រូវការបញ្ញាបានដែរឬទេ។ ឆ្នាំ 1950 Alan Turing បានដាក់សំណួរដ៏ល្បីអំពីម៉ាស៊ីន និងការគិត។

ឆ្នាំ 1956 ក្រុមស្រាវជ្រាវនៅ Dartmouth បានប្រើពាក្យ Artificial Intelligence ជាចំណងជើងសម្រាប់កម្មវិធីស្រាវជ្រាវ។ ពាក្យនេះក្លាយជាស្លាកទូលំទូលាយសម្រាប់គំនិត និងវិធីសាស្ត្រជាច្រើន—not ជាបច្ចេកទេសតែមួយ។

1950 • Turingសំណួរអំពីម៉ាស៊ីន និងការគិត ជាចំណុចគិតសំខាន់មួយ។

1956 • Dartmouthពាក្យ Artificial Intelligence ត្រូវបានប្រើសម្រាប់គម្រោងស្រាវជ្រាវ។

1958 • Perceptronគំនិតដំបូងមួយអំពីម៉ូឌែលដែលរៀនបែងចែកលំនាំ។

1960s • Symbolic AIការប្រើច្បាប់ និងតក្កវិជ្ជា ដើម្បីដោះស្រាយបញ្ហាជាក់លាក់។

កុំយល់ថា AI មាន «អ្នកបង្កើតតែម្នាក់» ឬមានថ្ងៃកំណើតតែមួយ។ វាជាវិស័យដែលកើតពីការងាររបស់អ្នកស្រាវជ្រាវជាច្រើន និងពីគំនិតជាច្រើនប្រភេទដែលបន្តមានឥទ្ធិពលមកដល់សព្វថ្ងៃ។

២. ក្តីរំពឹងខ្ពស់ និង AI Winter

ក្នុងរយៈពេលដំបូង មនុស្សជាច្រើនរំពឹងថា AI នឹងដោះស្រាយបញ្ហាយ៉ាងទូលំទូលាយបានក្នុងពេលឆាប់ៗ។ ប៉ុន្តែ Data, កម្លាំងគណនា និងវិធីសាស្ត្រនៅពេលនោះមិនទាន់គ្រប់គ្រាន់សម្រាប់ការរំពឹងខ្ពស់នោះទេ។

Rule-based systemsប្រព័ន្ធអាចធ្វើបានល្អនៅពេលច្បាប់ច្បាស់ ប៉ុន្តែពិបាកពេលពិភពពិតស្មុគស្មាញ។

Expert systemsទសវត្សរ៍ 1980 មានប្រព័ន្ធប្រើចំណេះដឹងអ្នកជំនាញសម្រាប់ដែនកំណត់ជាក់លាក់។

AI Winterពេលលទ្ធផលមិនត្រូវនឹងការរំពឹង ថវិកា និងការចាប់អារម្មណ៍អាចថយចុះ។

មេរៀនសំខាន់AI រីកចម្រើនមិនមែនតែដោយគំនិតទេ—ត្រូវការ Data, Compute, ការវាស់លទ្ធផល និងការប្រើប្រាស់ពិត។

LIVE AI LAB

សាកមើល AI Timeline

READY

ជ្រើសរើសរយៈពេលមួយ ដើម្បីមើលថា បញ្ហាអ្វីបានជំរុញ AI, វិធីសាស្ត្រអ្វីត្រូវបានប្រើ និងអ្វីដែលវាបន្សល់ទុកសម្រាប់ជំនាន់បន្ទាប់។

1950s–1960s សំណួរ និងតក្កវិជ្ជា

រលកនៃ AI គំនិត → សាកល្បង → កែលម្អ

គំនិតគ្រឹះ AI ជាវិស័យស្រាវជ្រាវ

ចំណុចសំខាន់៖ សំណួរអំពីម៉ាស៊ីន និងការគិត បានបើកផ្លូវឱ្យការស្រាវជ្រាវអំពីតក្កវិជ្ជា ភាសា និងការដោះស្រាយបញ្ហា។

៣. Machine Learning ប្ដូររបៀបបង្កើត AI

ការបង្កើត AI ដោយសរសេរច្បាប់គ្រប់ស្ថានភាពពិបាកណាស់។ Machine Learning ផ្លាស់ប្តូរគំនិតនេះដោយឱ្យម៉ូឌែល រៀន Pattern ពីឧទាហរណ៍ទិន្នន័យ ហើយវាស់ថាលទ្ធផលរបស់វាល្អប៉ុណ្ណា។

ពេលមានទិន្នន័យកាន់តែច្រើន កុំព្យូទ័រលឿន និងវិធីវាស់លទ្ធផលល្អ ការរៀនពី Data កាន់តែមានប្រសិទ្ធភាព។ នេះជាមូលហេតុមួយដែល AI កើនឡើងខ្លាំងក្នុងទសវត្សរ៍ 1990 និង 2000។

Rule-based AIអ្នកជំនាញកំណត់ច្បាប់ជាមុន។ វាអាចច្បាស់លាស់ ប៉ុន្តែពិបាកគ្រប់គ្រងពេលករណីកើនឡើង។

Machine Learningម៉ូឌែលរៀន Pattern ពី Data។ វាត្រូវការទិន្នន័យ តេស្ត និងការត្រួតពិនិត្យគុណភាព។

៤. Deep Learning និងរលកថ្មី

Deep Learning គឺជាប្រភេទ Machine Learning ដែលប្រើ Neural Networks មានស្រទាប់ច្រើន។ វាបានបង្ហាញលទ្ធផលខ្លាំង លើរូបភាព សំឡេង និងភាសា ជាពិសេសនៅពេលភ្ជាប់ជាមួយ GPU និងទិន្នន័យទំហំធំ។

ឆ្នាំ 2012 ជាព្រឹត្តិការណ៍សម្គាល់មួយសម្រាប់ Deep Learning ក្នុងការស្គាល់រូបភាព។ ប៉ុន្តែវាមិនមានន័យថា AI ទាំងអស់ ត្រូវតែជា Deep Learning ឬថា Deep Learning តែងតែជាជម្រើសល្អបំផុតទេ។

អ្វីដែលជួយឱ្យរីកចម្រើនData កាន់តែច្រើន, GPU/Compute ខ្លាំង និងការបណ្តុះម៉ូឌែលដែលល្អជាងមុន។

អ្វីដែលមិនបាត់ទៅBias, កំហុស, តម្លៃថាមពល និងតម្រូវការត្រួតពិនិត្យដោយមនុស្សនៅតែមាន។

៥. Generative AI មកដល់មនុស្សទូទៅ

Transformer ដែលត្រូវបានណែនាំនៅឆ្នាំ 2017 បានក្លាយជាគំនិតសំខាន់មួយសម្រាប់ម៉ូឌែលភាសាសម័យថ្មី។ នៅទសវត្សរ៍ 2020 មនុស្សទូទៅចាប់ផ្តើមប្រើ Generative AI ដើម្បីបង្កើតអត្ថបទ រូបភាព កូដ និងសំឡេង។

ភាពងាយស្រួលនេះមិនប្តូរការពិតមូលដ្ឋានទេ៖ ម៉ូឌែលអាចខុស អាចបង្កើតព័ត៌មានមិនមានប្រភព និងអាចឆ្លុះបញ្ចាំង Bias ក្នុង Data។ ការយល់ប្រវត្តិជួយឱ្យយើងប្រើបច្ចេកវិទ្យាថ្មីដោយមិនជឿលើ hype ពេក។

៦. មើលទៅមុខដោយមានហេតុផល

ប្រវត្តិ AI បង្ហាញថា ពេលបច្ចេកវិទ្យាថ្មីមកដល់ ការរំពឹងអាចកើនឡើងលឿនជាងសមត្ថភាពពិតរបស់វា។ ដូច្នេះ មិនគួរទាយថា AGI ឬ Superintelligence នឹងមកដល់នៅថ្ងៃណាមួយដោយភាពជាក់លាក់ទេ។

អ្វីដែលមានប្រយោជន៍សម្រាប់អ្នកចាប់ផ្តើមគឺស្គាល់គោលគំនិត, អានប្រភព, សាកល្បងដោយប្រុងប្រយ័ត្ន និងសួរថា «វាត្រូវបានបណ្តុះដោយ Data អ្វី? វាអាចខុសត្រង់ណា? តើមនុស្សណាទទួលខុសត្រូវ?»។

សាកអនុវត្ត • PROMPT ជាភាសាខ្មែរ

សូមបង្កើត Timeline ខ្លីអំពីប្រវត្តិ AI ចាប់ពី 1950 ដល់បច្ចុប្បន្ន ដោយដាក់ព្រឹត្តិការណ៍សំខាន់ ៦ ចំណុច។ សម្រាប់ចំណុចនីមួយៗ សូមពន្យល់ថា តើវាប្ដូរអ្វីក្នុងវិធីដែលមនុស្សបង្កើត ឬប្រើ AI ហើយបញ្ជាក់ផងដែរថា ខ្ញុំគួរផ្ទៀងផ្ទាត់កាលបរិច្ឆេទពីប្រភពណា។

៧. ពិនិត្យការយល់ដឹង

QUIZ ខ្លី

តើប្រយោគមួយណាពិពណ៌នាប្រវត្តិ AI បានត្រឹមត្រូវជាងគេ?

ចម្លើយត្រឹមត្រូវ៖ ក។ Generative AI សព្វថ្ងៃកើតចេញពីការស្រាវជ្រាវជាច្រើនទសវត្សរ៍ មិនមែនកើតឡើងភ្លាមៗទេ។

៨. ចំណុចសំខាន់ដែលត្រូវចងចាំ

ពាក្យ Artificial Intelligence ត្រូវបានប្រើជាស្លាកសម្រាប់វិស័យស្រាវជ្រាវនៅឆ្នាំ 1956។
Rule-based systems និង Expert systems មានតម្លៃ ប៉ុន្តែបង្ហាញដែនកំណត់ពេលពិភពពិតស្មុគស្មាញ។
AI Winter រំលឹកថា ក្តីរំពឹងខ្ពស់ត្រូវការភស្តុតាង និងការវាស់លទ្ធផលពិត។
Machine Learning និង Deep Learning រីកចម្រើនដោយសារទិន្នន័យ កម្លាំងគណនា និងវិធីសាស្ត្រល្អ។
Generative AI ជាជំហានថ្មីដ៏សំខាន់ ប៉ុន្តែត្រូវការការផ្ទៀងផ្ទាត់ ការគ្រប់គ្រង Bias និងទំនួលខុសត្រូវពីមនុស្ស។

សម្រាប់អ្នកចាប់ផ្តើម កុំចាំតែកាលបរិច្ឆេទ។ សាកសួរថា ក្នុងរយៈពេលនីមួយៗ មនុស្សកំពុងព្យាយាមដោះស្រាយបញ្ហាអ្វី ហើយអ្វីបានជាធ្វើឱ្យវិធីមួយមានប្រយោជន៍ ឬមានដែនកំណត់។

លំហាត់អនុវត្ត៖ ជ្រើសរើសព្រឹត្តិការណ៍ AI មួយពីមេរៀននេះ។ សរសេរខ្លីៗថា (1) បញ្ហាអ្វីដែលវាចង់ដោះស្រាយ, (2) វិធីសាស្ត្រអ្វីដែលវាប្រើ និង (3) ដែនកំណត់ ឬសំណួរទំនួលខុសត្រូវដែលអ្នកគួរគិតបន្ថែម។

AI TIMELINE BADGE