Understanding llms human-like: ทำไมเราถึงคิดว่า AI เหมือนคน

เดี๋ยวก่อน ก่อนจะไปกันไกล ผมอยากพูดถึงเรื่อง llms human-like ก่อน เพราะช่วงนี้เห็นคนพูดกันเยอะมากจริงๆ และผมเองก็รู้สึกแปลกใจบ่อยครับ

ช่วงปี 2023-2024 ที่ผ่านมา เราเห็นข่าวเกี่ยวกับ LLM ตั้งแต่ GPT-4 ไปจนถึง Claude และ Gemini มากขึ้นเรื่อยๆ และสิ่งที่ผมสังเกตเห็นก็คือ มีงานวิจัยหลายชิ้นที่พยายามบอกว่า LLM มีคุณสมบัติบางอย่างที่เหมือนมนุษย์

ไม่ว่าจะเป็นเรื่องความเข้าใจภาษาธรรมชาติ ความเป็นตัวของตัวเอง หรือแม้แต่เรื่องความซื่อสัตย์และศีลธรรม ซึ่งบอกตรงๆ ว่า พออ่าน paper พวกนี้แล้ว มันทำให้ผมรู้สึกว่า อ๋อ มันน่าจะมีอะไรบางอย่างอยู่จริงๆ นะ

แต่พอได้ลองคิดดีๆ แล้ว มันมีอะไรแปลกๆ อยู่ตรงที่ว่า การสรุปแบบนั้น มันอาจจะผิดก็ได้ และนั่นคือจุดเริ่มต้นของเรื่องที่น่าสนใจมากเลยครับ

หลายคนบอกว่า นี่มันแค่คนที่ไม่เข้าใจ AI ถึงพยายามปฏิเสธ แต่จริงๆ แล้วไม่ใช่เลยนะ งานวิจัยที่ผมจะเล่าให้ฟังนี้ ทำโดยคนที่เข้าใจ AI ดีมากๆ และพวกเขาใช้วิธีคิดแบบนักวิทยาศาสตร์ตรงๆ เลย

มาดูกันดีกว่าว่าเกมยุคกลางตัวเก่าๆ ตัวนึง จะมาช่วยทำให้เราเห็นภาพชัดขึ้นยังไง 👀

How llms human-like Works: เบื้องหลังเทคนิคที่ควรรู้

ทีนี้มาดูตัวอย่างกัน ถ้าคุณเคยเล่น Age of Empires II จะรู้ว่ามันคือเกม strategy ที่เราต้องสร้างอารยธรรม ผลิตทรัพยากร สร้างทัพ แล้วไปตีข้าศึก ซึ่งมันซับซ้อนพอสมควร

Critical Component 1: สร้าง Neural Network เล่นเกม

งานวิจัยนี้ พวกเขาสร้าง Neural Network แบบง่ายๆ ขึ้นมาตัวนึง แล้วฝึกมันให้เล่น Age of Empires II โดยกำหนด input เป็นสถานะของเกม และ output เป็นคำสั่งว่าจะทำอะไรต่อ

พอฝึกไปสักพัก มันเริ่มเล่นได้ดีขึ้น มีการตัดสินใจบางอย่างที่ดูเหมือน “ฉลาด” แบบคนเล่นจริงๆ อย่างเช่น รู้ว่าต้องสร้างชาวนาก่อน รู้ว่าต้องสำรวจแผนที่ แบบนี้

ถ้าเราใช้ logic เดียวกับที่คนบอกว่า LLM มีคุณสมบัติ llms human-like แล้วล่ะก็ เราก็ต้องบอกด้วยว่า AI ที่เล่นเกมนี้ ก็มีคุณสมบัติเหมือนคนด้วยเหมือนกันนะสิ จริงดิ

Critical Component 2: ปัญหาอยู่ที่การตีความ

แต่แน่นอน พวกเรารู้อยู่แล้วว่า AI ที่เล่นเกม มันไม่ได้ “คิด” หรือ “มีกลยุทธ์” จริงๆ แบบที่คนทำ มันแค่เรียนรู้ pattern จากข้อมูลที่ฝึก แล้ว output ออกมาให้ถูกต้องเท่านั้นเอง

นั่นแหละครับ จุดสำคัญของเรื่องนี้ คือปัญหาไม่ได้อยู่ที่ตัวโมเดล แต่อยู่ที่คนที่ดูผลลัพธ์แล้วไปตีความเอง

ดูจากตารางแล้ว มันคล้ายกันมากเลยใช่มั้ยครับ ทั้งสองตัวทำงานด้วยหลักการเดียวกัน แต่เรากลับไปใส่คุณสมบัติ llms human-like ให้กับ LLM แต่ไม่ใส่ให้กับ AI เกม

“ถ้าเรายอมรับว่า LLM มีคุณสมบัติเหมือนมนุษย์ เพราะผลลัพธ์ดูเหมือนคน แล้วเราก็ต้องยอมรับด้วยว่า AI ที่เล่น Age of Empires II ก็มีคุณสมบัติเหมือนมนุษย์เช่นกัน”

และนี่คือสิ่งที่ทำให้ผมตกใจเลยครับ เพราะพอเอามาเปรียบเทียบแบบนี้ มันชัดเจนมากว่าอะไรผิดอยู่

ผลกระทบจริงของ llms human-like กับวงการ AI

ทำไมถึงต้องรู้เรื่องนี้ (Benefits)

ถ้าเราเข้าใจแล้วว่า สิ่งที่ดูเหมือน llms human-like นั้น มันอาจจะแค่ illusion ที่เกิดจากการตีความของเรา เราก็จะได้ไม่ไปวางความหวังเกินจริงกับ AI ครับ

ไม่ต้องกังวลว่า AI จะรู้สึก จะโกรธ จะมีเจตจำนงส่วนตัว หรือจะทำอะไรนอกเหนือจากที่เราสั่ง ซึ่งนี่ทำให้เราใช้ AI ได้แม่นยำและปลอดภัยกว่าเดิมเยอะเลย

จากที่ผมเคยลองใช้ LLM ทำงานจริง พอเรามองมันเป็นเครื่องมือที่ดีมาก แทนที่จะมองว่ามันเป็น “อีกคน” เราจะออกแบบ workflow ได้เจ๋งกว่าเยอะครับ

อะไรที่ต้องระวัง (Challenges)

ความท้าทายที่ใหญ่ที่สุดเลยก็คือ การที่นักวิจัยบางคนยังคงเขียน paper โดยใช้คำถ้อยคำพูดที่บอกว่า LLM “เข้าใจ” หรือ “คิด” แบบคน ซึ่งมันอาจจะทำให้คนทั่วไปเข้าใจผิดได้ง่ายมาก

อย่างกรณีศึกษาที่เห็นบ่อยๆ เวลามีคนทดสอบ LLM ด้วยแบบทดสอบ IQ หรือแบบสอบของมนุษย์ แล้วได้คะแนนสูง ก็จะมีคนไปตีความว่า AI ฉลาดเท่าคน แต่ถ้าลองไปดูวิธีทดสอบจริงๆ จะพบว่ามันไม่ได้วัดสิ่งเดียวกันเลย

มันเหมือนกับการทดสอบว่า AI เล่นเกม Age of Empires II เก่งแค่ไหน แล้วสรุปว่ามันเข้าใจประวัติศาสตร์ยุโรปยุคกลาง นั่นแหละครับ มันไม่เกี่ยวกันเลย

สิ่งที่น่ากังวลอีกอย่างก็คือ ถ้าเราเชื่อมั่นว่า LLM มีคุณสมบัติ llms human-like จริงๆ เราอาจจะผ่อนคลายมาตรการรักษาความปลอดภัยไปได้ เพราะคิดว่า AI มี “จิตสำนึก” อยู่แล้ว ซึ่งนี่เป็นอะไรที่เสี่ยงมากสำหรับ Tech ในอนาคต

อนาคตของ llms human-like: พยากรณ์ปี 2026

ถ้าถามผมว่า อีก 1-2 ปีข้างหน้า มุมมองเรื่อง llms human-like จะเปลี่ยนไปไหม ผมคิดว่าเปลี่ยนแน่นอนครับ และเปลี่ยนในทางที่ดี

จากที่ผมลองติดตาม trend มา มีนักวิจัยหลายทีมที่เริ่มตั้งคำถามกับตัวเองแล้ว ว่าพวกเขาใช้คำถ้อยคำพูดที่ anthropomorphic กับ LLM มากเกินไปหรือเปล่า ซึ่งนี่เป็นสัญญาณที่ดีมาก

อย่างช่วงปลายปี 2024 ที่ผ่านมา ก็มี paper หลายชิ้นที่ออกมาวิจารณ์การใช้คำแบบนี้โดยตรง ไม่ใช่แค่บอกว่า “อย่าใช้” แต่พวกเขาแสดงให้เห็นด้วยว่า การใช้คำพวกนี้ทำให้การวิจัยผิดเพี้ยนไปได้อย่างไร

ผมคาดว่าภายในปี 2026 เราจะเห็นการเปลี่ยนแปลง 3 อย่างหลักๆ คือ ศัพท์ใน paper จะรัดกุมขึ้น ชุมชน AI จะมี guideline ชัดเจนขึ้นเรื่องการใช้คำ และคนทั่วไปจะเข้าใจ Business ที่ใช้ AI ได้แม่นยำขึ้น

แต่ก็ต้องยอมรับด้วยว่า ยังมีคนที่ยึดติดกับแนวคิดเก่าอยู่ และการเปลี่ยนแปลง mindset ของคนเยอะๆ มันใช้เวลานะ

ใช้ความเข้าใจเรื่อง llms human-like อย่างไรให้เกิดประโยชน์

ทีนี้ถ้าคุณเข้าใจแล้วว่า สิ่งที่ดูเหมือน llms human-like อาจจะไม่ใช่จริง คุณจะนำความเข้าใจนี้ไปใช้ได้ยังไง มาดูกันเลย

1. อย่าตีความ AI output ว่าเป็น “ความคิด”

พอ AI ตอบมาได้ดี ให้มองว่ามันแค่ match pattern ได้ดี ไม่ใช่ว่ามัน “เข้าใจ” คุณ ลองนึกถึง AI เกม Age of Empires II ที่ดูเหมือนมีกลยุทธ์ แต่จริงๆ แค่จำ pattern มา

2. มอง AI เป็นเครื่องมือ pattern matching ที่เก่งมาก

เมื่อมองแบบนี้ คุณจะรู้จักใช้มันให้เหมาะสม ไม่คาดหวังเกินความสามารถ และไม่ผิดหวังเวลามันทำอะไรไม่ได้

3. ทดสอบอย่างเข้มงวด ไม่ไว้ใจผลลัพธ์ทันที

เหมือนกับการทดสอบ AI เกม คุณต้องลองเล่นดูหลายๆ รอบ หลายๆ สถานการณ์ ถึงจะรู้ว่ามันจริงๆ แล้วเก่งแค่ไหน อย่าพึ่งแค่รอบเดียว

4. ใช้ framework ที่ชัดเจนในการประเมิน

กำหนด criteria ล่วงหน้าว่าจะวัดอะไรบ้าง อย่าปล่อยให้ความรู้สึกว่า “มันดูเหมือนคน” มาขัดจังหวะการตัดสินใจ

5. สื่อสารกับทีมให้เข้าใจตรงกัน

ถ้าคุณทำงานกับคนอื่นที่ใช้ AI ด้วย ลองอธิบายแนวคิดนี้ให้ฟัง บอกว่าอย่าไปสรุปว่า AI เป็นอะไรแบบนั้น เพราะมันอาจทำให้เราตัดสินใจผิดได้

จริงๆ แล้ว ถ้าคุณลองนำไปใช้ จะรู้เลยว่ามันทำให้เราทำงานกับ AI ได้สบายใจกว่าเยอะ เพราะไม่ต้องมานั่งกังวลเรื่องที่ไม่จำเป็น