ทำไมแชตบอตจึงให้คำตอบต่างกันเมื่อถามคำถามเดิม?
แชตบอตให้คำตอบต่างกันแม้เป็นคำถามเดียวกัน เพราะสร้างคำตอบแต่ละครั้งด้วยการเลือกคำถัดไปจากคำที่มีแนวโน้มจะตามมา และการเลือกนั้นมักมีความสุ่มอยู่ด้วย ไม่ได้ดึงคำตอบที่เก็บไว้เพียงคำตอบเดียวมาตอบ
ลองนึกถึงสำนักงานสถาปนิกสมมติชื่อแฟร์ไลน์อาร์คิเท็กต์สที่มีพนักงาน 30 คน หุ้นส่วนคนหนึ่งขอให้โรวัน ผู้จัดการสำนักงาน อธิบายสามเรื่องก่อนที่สำนักงานจะเริ่มใช้ผู้ช่วย AI บันทึกของโรวันระบุว่า 'ถามเรื่องกฎการพัฒนาอาคารที่ได้รับอนุญาตโดยไม่ต้องยื่นคำขอสองครั้ง ได้คำตอบต่างกันสองแบบ'; 'มันอ้างเลขที่เอกสารแนวทางการวางผังที่ไม่มีอยู่จริง'; 'เครื่องมือสร้างภาพทำภาพร่างสตูดิโอใหม่ได้สวย แต่หน้าต่างไม่ตรงแนวกัน' หุ้นส่วนต้องการรู้ว่าเครื่องมือเสียหรือไม่ คำตอบคือไม่ มันกำลังทำสิ่งที่ถูกสร้างมาให้ทำอย่างตรงตัว
โมเดล AI เชิงกำเนิดได้รับการฝึกอย่างไร?
โมเดลภาษาขนาดใหญ่ได้รับการฝึกขั้นแรกด้วยข้อความจำนวนมหาศาลเพื่อทำนายข้อความส่วนถัดไป จากนั้นจึงฝึกเพิ่มเติมให้ทำตามคำสั่งและตอบอย่างเป็นประโยชน์ อภิธานศัพท์ของ Anthropic อธิบายว่าการฝึกขั้นต้นคือการฝึกด้วยคลังข้อความขนาดใหญ่ที่ไม่มีป้ายกำกับ เพื่อทำนายคำถัดไปจากบริบทก่อนหน้า แล้วจึงปรับจูนและเรียนรู้แบบเสริมกำลังจากข้อเสนอแนะของมนุษย์ โดยให้คนจัดอันดับคำตอบตัวอย่าง และโมเดลเรียนรู้ที่จะเลือกคำตอบที่ดีกว่า
โมเดลไม่ได้เก็บสำเนาเอกสารทุกฉบับ แต่ปรับค่าตัวเลขภายในหลายพันล้านค่าจนการคาดการณ์สอดคล้องกับรูปแบบในข้อมูล สิ่งที่ได้จึงใกล้เคียงกับความเข้าใจอย่างละเอียดว่าภาษาและแนวคิดมักเชื่อมโยงกันอย่างไร มากกว่าจะเป็นห้องสมุดที่ค้นหาได้
โทเคนคืออะไร และโมเดลคาดการณ์โทเคนอย่างไร?
โทเคนคือหน่วยเล็ก ๆ ที่โมเดลอ่านและเขียน มักเป็นคำหรือส่วนหนึ่งของคำ โมเดลเขียนข้อความโดยคาดเดาโทเคนถัดไปที่มีแนวโน้มจะตามมาซ้ำ ๆ หลักสูตรแมชชีนเลิร์นนิงของ Google อธิบายว่าโมเดลภาษาประเมินความน่าจะเป็นที่โทเคนหรือลำดับโทเคนจะปรากฏภายในลำดับที่ยาวกว่า และระบุว่าโทเคนประมาณ 400 โทเคนเทียบเท่ากับคำภาษาอังกฤษประมาณ 300 คำ
ในแต่ละขั้น โมเดลจะให้คะแนนโทเคนที่เป็นไปได้จำนวนมากสำหรับลำดับถัดไป จากนั้นแอปพลิเคชันจะเลือกหนึ่งโทเคน บางครั้งเลือกตัวที่มีโอกาสมากที่สุด แต่บ่อยครั้งจะสุ่มจากตัวเลือกที่มีโอกาสสูง การตั้งค่าที่เรียกว่าอุณหภูมิจะควบคุมว่าการเลือกนั้นจะกล้าออกนอกแบบแค่ไหน ค่าสูงทำให้ถ้อยคำหลากหลายขึ้น ค่าต่ำทำให้ถ้อยคำคาดเดาได้มากขึ้น Anthropic ระบุว่าแม้ตั้งอุณหภูมิไว้ต่ำที่สุด ผลลัพธ์ก็ยังไม่เหมือนเดิมทุกครั้ง นี่คือคำตอบสำหรับบันทึกข้อแรกของโรวัน
เครื่องมือสร้างภาพด้วย AI ทำงานอย่างไร?
เครื่องมือสร้างภาพด้วย AI หลายตัวใช้วิธีที่เรียกว่าดิฟฟิวชัน โดยโมเดลจะเรียนรู้การกำจัดสัญญาณรบกวนออกจากภาพ แล้วสร้างภาพใหม่โดยเริ่มจากสัญญาณรบกวนแบบสุ่มและค่อย ๆ ปรับทีละขั้นตามคำบรรยายของคุณ หลักสูตรดิฟฟิวชันของ Hugging Face อธิบายว่าการฝึกทำโดยเติมสัญญาณรบกวนในปริมาณต่าง ๆ แล้วสอนให้โมเดลแก้ไขภาพ ส่วนการสร้างภาพคือการค่อย ๆ ปรับสัญญาณรบกวนแบบสุ่มจนปรากฏเป็นภาพ.
เพราะโมเดลกำลังสร้างพิกเซลให้ดูสมจริง แทนที่จะทำตามแบบของสถาปนิก รายละเอียดอย่างแนวหน้าต่าง ข้อความบนป้าย หรือจำนวนนิ้วจึงอาจผิดพลาดได้ นั่นคือข้อสังเกตข้อที่สามของโรวัน
เรื่องนี้มีผลต่อวิธีที่คุณใช้เครื่องมืออย่างไร?
หมายความว่าคุณควรให้ข้อเท็จจริงที่ต้องการให้เครื่องมือใช้เป็นพื้นฐาน แทนที่จะพึ่งความจำของเครื่องมือ ตัวอย่างคำสั่งที่ให้ข้อมูลไม่เพียงพอ: 'กฎการต่อเติมด้านหลังอาคารที่ทำได้โดยไม่ต้องขออนุญาตมีอะไรบ้าง?' คำตอบอ่านลื่นไหล แต่แตกต่างกันในแต่ละครั้ง และอาจปะปนกฎจากต่างปีหรือต่างประเทศ อีกทั้งอาจอ้างถึงเอกสารที่ดูน่าเชื่อถือแต่ไม่มีอยู่จริง ซึ่งอธิบายที่มาของบันทึกข้อที่สองของโรวัน.
คำสั่งที่ปรับปรุงแล้ว: โรวันวางเนื้อหาส่วนที่เกี่ยวข้องจากแนวทางการขออนุญาตก่อสร้างของทางการ แล้วถามว่า: 'ใช้เฉพาะข้อความด้านล่าง สรุปข้อจำกัดด้านขนาดของส่วนต่อเติมชั้นเดียวด้านหลังอาคารเป็นตาราง หากข้อความไม่ได้กล่าวถึงเรื่องใด ให้ระบุว่าไม่ได้กล่าวถึง' ตอนนี้หน้าที่ของโมเดลคือเรียบเรียงและจัดระเบียบข้อความที่มองเห็นได้ ซึ่งเป็นงานที่ทำได้ดี และโรวันสามารถตรวจสอบทุกบรรทัดเทียบกับแหล่งข้อมูลได้
AI เชิงกำเนิดมีข้อจำกัดอะไรบ้าง?
ข้อจำกัดหลักคือ AI เชิงสร้างสรรค์อาจกล่าวสิ่งที่ไม่จริงอย่างมั่นใจ มีขอบเขตความรู้ถึงช่วงเวลาหนึ่งหากไม่ได้เชื่อมต่อกับการค้นหาหรือเอกสาร ทำงานได้เฉพาะกับข้อมูลที่ใส่ไว้ในหน้าต่างบริบทได้ และอาจสะท้อนอคติในข้อมูลฝึก สิ่งเหล่านี้ไม่ใช่ข้อบกพร่องที่แก้ได้ด้วยการถามให้สุภาพขึ้น แต่เป็นผลจากวิธีการทำงานของโมเดล
ตรวจสอบข้อเท็จจริง ตัวเลข ชื่อ และแหล่งอ้างอิงกับแหล่งข้อมูลที่คุณเชื่อถือ และให้ข้อมูลต้นทางแก่เครื่องมือทุกครั้งที่ความถูกต้องมีความสำคัญ
บทเรียนนี้อยู่ในส่วนใดของรายการหลักสูตร Tosheo.ai?
บทเรียน AI เชิงกำเนิดทำงานอย่างไร อยู่ในหมวดพื้นฐาน AI เป็นหนึ่งในบทเรียนช่วงต้นของการเรียน AI สำหรับผู้เริ่มต้น และเป็นบทเรียนแรกของหลักสูตร AI เชิงกำเนิด ใน Tosheo.ai งานภาคปฏิบัติให้คุณคาดการณ์แล้วทดสอบว่าเครื่องมือจะตอบสนองอย่างไรเมื่อคุณเปลี่ยนการตั้งค่าที่ควบคุมความสุ่ม เช่น อุณหภูมิ หรือป้อนข้อความต้นฉบับให้เครื่องมือ ส่วนข้อเสนอแนะตามเกณฑ์การให้คะแนนจะตรวจสอบว่าคำอธิบายของคุณจะทำให้เพื่อนร่วมงานเข้าใจได้หรือไม่
แหล่งข้อมูลและขอบเขต
หลักสูตรโมเดลดิฟฟิวชันของ Hugging Face หน่วยที่ 1 บทนำสู่ดิฟฟิวชัน (ตรวจสอบเมื่อ 19 ตุลาคม 2026) ↗