เคยถาม AI แล้วได้คำตอบที่ดูดีมากไหม? ประโยคเรียงเป็นระเบียบ น้ำเสียงมั่นใจ มีชื่อหนังสือ มีวันที่ หรือมีลิงก์อ้างอิงครบถ้วน จนแทบไม่รู้เลยว่าบางส่วนอาจไม่มีอยู่จริง
ปัญหานี้เรียกว่า AI hallucination หรือที่มักแปลกันว่า “AI หลอน” หมายถึงกรณีที่ระบบสร้างข้อความซึ่งฟังดูน่าเชื่อถือ แต่มีข้อมูลผิด แต่งขึ้น หรือไม่ตรงกับข้อเท็จจริง [1] [2]
คำถามสำคัญคือ ถ้า AI ตอบผิด แล้วมันกำลังโกหกเราอยู่หรือไม่?
คำตอบคือ ไม่ควรอธิบายด้วยกรอบเดียวกับการโกหกของมนุษย์ เพราะ AI ไม่มีเจตนา ความเชื่อ หรือความทรงจำส่วนตัวแบบคน แต่กำลังสร้างคำตอบตามรูปแบบที่ระบบคำนวณว่าเหมาะจะตามหลังข้อความก่อนหน้า จึงอาจได้ประโยคที่ “เหมือนคำตอบ” แม้ข้อเท็จจริงข้างในจะไม่ถูกต้อง
ภาพประกอบเชิงสัญลักษณ์ ไม่ใช่หลักฐานว่าคำตอบในภาพผิด — ภาพโดย Matheus Bertelli ผ่าน Pexels
AI ไม่ได้เปิดลิ้นชักคำตอบจริงทุกครั้ง
เวลาคนถามว่า “หนังสือเล่มนี้ตีพิมพ์ปีไหน?” เราอาจนึกถึงข้อมูลที่เคยอ่าน หรือยอมรับตรง ๆ ว่าไม่รู้ แต่โมเดลภาษาขนาดใหญ่ทำงานต่างออกไปอย่างหนึ่ง คือในขั้นตอนการฝึก โมเดลเรียนรู้รูปแบบจากข้อความจำนวนมากและฝึกทำนายว่า คำถัดไปหรือส่วนถัดไปของประโยคควรเป็นอะไร
กลไกนี้ทำให้ AI เก่งมากในการต่อประโยค สรุปใจความ และเลียนรูปแบบภาษา แต่ ความลื่นไหลของภาษาไม่ได้รับประกันว่าข้อเท็จจริงจะถูกต้อง โดยเฉพาะคำถามที่มีข้อมูลเฉพาะมาก ข้อมูลพบไม่บ่อย หรือข้อมูลที่ไม่ได้อยู่ในบริบทที่ระบบตรวจสอบได้
OpenAI ยกตัวอย่างว่า เมื่อถามข้อมูลส่วนตัวหรือผลงานวิชาการของบุคคล โมเดลอาจตอบหลายแบบอย่างมั่นใจ ทั้งที่คำตอบเหล่านั้นผิดทั้งหมด [1]
แล้วทำไมไม่ตอบว่า “ไม่รู้” ไปเลย?
นี่คืออีกชั้นที่ทำให้ปัญหานี้น่าสนใจ OpenAI อธิบายว่า วิธีประเมินโมเดลจำนวนมากเคยให้ความสำคัญกับสัดส่วนคำตอบที่ถูกต้อง หากโมเดลไม่รู้แล้วลองเดา มีโอกาสได้คะแนนเมื่อเดาถูก แต่ถ้าตอบว่า “ไม่รู้” ก็อาจไม่ได้คะแนนเลย
ลองนึกภาพข้อสอบปรนัยที่ไม่มีคะแนนติดลบ นักเรียนที่ไม่แน่ใจอาจเลือกคำตอบสักข้อ เพราะการเดายังมีโอกาสถูกมากกว่าการเว้นว่าง ในทำนองเดียวกัน ระบบที่ถูกวัดด้วยคำตอบถูก–ผิดอย่างเดียวอาจถูกผลักให้ “ลองตอบ” มากกว่าหยุดเมื่อข้อมูลไม่พอ
นี่ไม่ได้หมายความว่าการประเมินเป็นสาเหตุเดียวของ AI hallucination และไม่ได้หมายความว่า AI ทุกระบบจะผิดเสมอ แต่ช่วยอธิบายว่าทำไมระบบจึงอาจเลือกคำตอบที่ฟังดูสมบูรณ์ แทนการแสดงความไม่แน่ใจ
ความหลอนของ AI มีหน้าตาแบบไหน
| สิ่งที่เห็นในคำตอบ | สิ่งที่อาจเกิดขึ้นจริง |
|---|---|
| อ้างชื่อหนังสือหรือบทความวิจัยอย่างเป็นทางการ | ชื่อเรื่อง ผู้เขียน หรือเอกสารนั้นไม่มีอยู่จริง |
| ให้วันที่และตัวเลขละเอียดมาก | รายละเอียดถูกเดาหรือผสมจากข้อมูลคนละเรื่อง |
| ใส่ลิงก์แหล่งอ้างอิงครบ | ลิงก์พาไปคนละเรื่อง หรือ URL ถูกสร้างขึ้น |
| ตอบคำถามกำกวมทันที | ระบบเลือกสมมติฐานหนึ่งโดยไม่ถามข้อมูลเพิ่ม |
| ใช้ภาษามั่นใจและเป็นระบบ | ความมั่นใจของภาษาไม่ได้เท่ากับความมั่นใจของข้อเท็จจริง |
NIST ใช้คำว่า confabulation อธิบายความเสี่ยงที่ระบบ Generative AI สร้างเนื้อหาผิดหรือเป็นเท็จ แต่แสดงออกอย่างมั่นใจ ซึ่งเป็นเหตุผลว่าทำไมผู้อ่านจึงไม่ควรใช้ “น้ำเสียง” เป็นเครื่องวัดความจริงของคำตอบ [2]
คำถามง่ายก็ผิดได้ เพราะระบบไม่ได้รู้บริบททั้งหมด
หลายคนคิดว่า AI น่าจะผิดเฉพาะคำถามยาก ๆ แต่คำถามง่ายก็มีปัญหาได้ หากระบบไม่มีข้อมูลที่จำเป็น เช่น ถ้าถามว่า “สัตว์เลี้ยงตัวล่าสุดของฉันชื่ออะไร?” โดยไม่เคยบอกชื่อไว้ก่อน ระบบไม่มีทางรู้คำตอบจริง แต่ถ้าพยายามรักษาบทสนทนาให้ไหลลื่น ก็อาจเดาชื่อขึ้นมาแทนที่จะถามกลับ
Thai PBS อธิบายว่า AI อาจให้คำตอบที่ดูสมเหตุสมผล แต่ไม่ถูกต้อง และการตอบคำถามที่กำกวมโดยไม่หยุดตรวจสอบอาจนำไปสู่ข้อมูลหลอนได้ [3]
จุดสำคัญจึงไม่ใช่การถามว่า “AI ฉลาดแค่ไหน” อย่างเดียว แต่ต้องถามด้วยว่า คำถามนี้มีข้อมูลพอให้ตอบจริงหรือไม่ และระบบมีวิธีตรวจสอบคำตอบนั้นหรือเปล่า
ใช้ AI อย่างไรไม่ให้ความมั่นใจหลอกเรา
ก่อนนำคำตอบไปใช้ โดยเฉพาะเรื่องสุขภาพ กฎหมาย การเงิน ข่าว บุคคล และเอกสารวิชาการ ควรตรวจอย่างน้อย 4 จุด
- ชื่อเฉพาะ — ชื่อคน หนังสือ หน่วยงาน และสถานที่มีอยู่จริงหรือไม่
- ตัวเลขกับวันที่ — ตัวเลขสำคัญตรงกับเอกสารต้นทางหรือไม่ และเป็นข้อมูลของช่วงเวลาใด
- แหล่งอ้างอิง — เปิดลิงก์จริงทุกครั้ง อย่าเชื่อเพียงเพราะคำตอบใส่ URL มาให้
- บริบทของคำถาม — ถ้าคำถามกำกวม ให้ขอให้ระบบระบุข้อสมมติฐานหรือถามกลับ แทนการปล่อยให้ระบบเดาเอง
Thai PBS Sci & Tech เสนอแนวคิดเรื่อง “ภูมิคุ้มกันทางข้อมูล” โดยเน้นการตั้งคำถามอย่างมีวิจารณญาณ การตรวจสอบ และการ cross-check อย่างเป็นระบบ [4] วิธีนี้ไม่ได้แปลว่าจะทำให้ AI ไม่ผิดเลย แต่ช่วยลดโอกาสที่เราจะนำคำตอบที่ฟังดูดีไปใช้โดยไม่ตรวจสอบ
สรุปจำง่าย
AI hallucination ไม่ใช่การที่เครื่องจักรมีเจตนาโกหกแบบมนุษย์ แต่เป็นผลจากการที่ระบบสร้างคำตอบตามรูปแบบภาษาและข้อมูลที่มีอยู่ โดยอาจเลือกข้อความที่ฟังดูเหมาะสม แม้ข้อเท็จจริงจะไม่พอหรือไม่ถูกต้อง
ประโยคที่ AI พูดอย่างมั่นใจจึงควรถือเป็น คำตอบที่ต้องตรวจ ไม่ใช่ หลักฐานว่าคำตอบนั้นจริง
ครั้งต่อไปที่ AI ตอบชื่อเฉพาะ ตัวเลข วันที่ หรือแหล่งอ้างอิงมาอย่างสมบูรณ์แบบ ลองเปิดตรวจอีกหนึ่งขั้น เพราะบางครั้งสิ่งที่ดูเหมือนความรู้ อาจเป็นเพียงประโยคที่ระบบคาดว่า “น่าจะต่อกันได้” เท่านั้น
แหล่งอ้างอิง
[1] OpenAI — Why language models hallucinate
[2] NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile
[3] Thai PBS NOW — อาการหลอนของ AI คืออะไร เราสามารถแก้ไขได้หรือไม่
[4] Thai PBS Sci & Tech — ร่วมสร้างภูมิคุ้มกันสังคมไทย รับมือ “ข้อมูลหลอน” ยุค AI
สาระ เกร็ดน่ารู้
