เกิดอะไรขึ้นในวงการช่วงหลายสัปดาห์ที่ผ่านมา และทุกอย่างกำลังมุ่งไปทางไหน
โลกของปัญญาประดิษฐ์เพิ่งก้าวกระโดดอย่างเห็นได้ชัดอีกครั้ง มีงานวิจัยที่ไม่ได้แค่ทำให้ตัวชี้วัดดีขึ้น แต่เปลี่ยนวิธีที่เราพูดถึงอนาคตของโมเดล งานกลุ่มหนึ่งเสนอ หลักการ “คิด” แบบใหม่ อีกกลุ่ม ขีดเส้นเพดานอย่างชัดเจน ว่า LLM จะทำอะไรได้แค่ไหนแม้จะขยายขนาดไปไม่สิ้นสุด ส่วนกลุ่มที่สามชี้ให้เห็นเรื่องน่ากังวล: คุณภาพของข้อมูลอาจทำลายสติปัญญาของโมเดลได้ และ ระบบความปลอดภัยพังลงเมื่อภาษากลายเป็นงานวรรณศิลป์
ด้านล่างคือไดเจสต์แบบละเอียด ไม่มี “เสียงรบกวน” พร้อมแกะแก่นและข้อสรุปของแต่ละหัวข้อ
1️⃣ Sakana AI: Continuous Thought Machine “การคิดคือกระบวนการที่เกิดขึ้นตามเวลา”
เกิดอะไรขึ้น
Sakana AI เปิดตัวแนวคิด Continuous Thought Machine (CTM) ไปตั้งแต่เดือนพฤษภาคม 2568: แทนที่จะให้คำตอบในการประมวลผลรอบเดียว โมเดลจะคลี่พลวัตภายในออกมา ทีละขั้น เหมือน “คิดไปตามเวลา” รายละเอียดสำคัญคือ CTM เลือกเองว่าต้องใช้ “ขั้นภายใน” กี่ขั้น โจทย์ง่ายแก้ได้เร็ว โจทย์ยากใช้การวนซ้ำหลายสิบรอบ ในการสาธิต โมเดลแก้เขาวงกต โจทย์เกี่ยวกับภาพ และแพตเทิร์นเชิงอัลกอริทึมง่าย ๆ ได้
ทำไมเรื่องนี้สำคัญ
นี่คือความพยายามออกจากกระบวนทัศน์ “ทุกอย่างแก้ได้ด้วยความลึกของ transformer และจำนวนพารามิเตอร์” ไปสู่กระบวนทัศน์ การคำนวณแบบปรับตัว (adaptive computation): ใช้ทรัพยากรมากขึ้นเฉพาะตอนที่จำเป็นจริง ๆ
CTM เป็นสัญญาณว่าการแข่งขันรอบถัดไปจะไม่ใช่เรื่อง “ใหญ่ขึ้นอีก” แต่เป็นเรื่อง “ทำต่างออกไป” ถ้าไอเดียนี้ติดตลาด จะเกิดผลสองอย่าง:
- คุณภาพการให้เหตุผลจะเสถียรขึ้นโดยไม่ต้องขยายโมเดลไม่รู้จบ
- จะเกิดมาตรฐานใหม่: ระบบที่ กระจายความสนใจและการคำนวณตามความยากของโจทย์ได้ จะกลายเป็นเรื่องปกติสำหรับเอเจนต์และงาน “ในชีวิตจริง” ไม่ใช่งานเพื่อทำคะแนนเบนช์มาร์ก
2️⃣ บริบทยาวแบบใหม่: จาก attention เต็มรูปแบบสู่การเลือกโทเคนที่สำคัญ
เกิดอะไรขึ้น
มีแนวทางใหม่ในการจัดการบริบทยาวที่โมเดลไม่จำเป็นต้องเทียบทุกโทเคนกับทุกโทเคน แต่จะ เลือกเฉพาะโทเคนสำคัญ ที่จำเป็นจริง ๆ สำหรับขั้นปัจจุบัน จุดประสงค์คือลดต้นทุนของอินพุตขนาดมหึมาลงอย่างมาก ในขณะที่สถาปัตยกรรมทั่วไป “ลาก” โทเคนหลายแสนตัวโดยต้องจ่ายแพง แนวทางใหม่พยายามทำงานบน “แก่นที่บีบอัดแล้ว” ซึ่งเหลือเพียงหลักพันโทเคน
ทำไมเรื่องนี้สำคัญ
บริบทยาวคือรากฐานของเอเจนต์ที่ต้องอ่านเอกสาร ไฟล์ log บทสนทนา ประวัติการกระทำ และทรานสคริปต์ยาวหลายชั่วโมง ถ้ายังแพงเกินไป ความเป็นเอเจนต์ก็จะกลายเป็นแค่ของเล่น
นี่เป็นทิศทางที่ถูกต้อง แต่มีกับดักอยู่: “การเลือกสิ่งที่สำคัญ” ก็เป็นงานที่ต้องใช้สติปัญญาเหมือนกัน ถ้าเลือกผิด บริบทยาวก็กลายเป็นภาพลวง ดังนั้นผู้ชนะจะเป็นแนวทางแบบผสม:
- การคัดเลือกอย่างฉลาด + การควบคุมคุณภาพ (verification)
- หน่วยความจำ + การประกอบบริบทใหม่ (ไม่ยัดทุกอย่างเข้าไปในพรอมต์)
บริบทยาวจะยังอยู่ แต่จะกลายเป็นสิ่งที่ “ควบคุมได้” ไม่ใช่ “ใส่ได้หมด แปลว่าใช้ได้”
3️⃣ GPT-5 ในฐานะคู่หูด้านการวิจัย: กรณีแรก ๆ ของ “การช่วยค้นพบ”
เกิดอะไรขึ้น
ในหลายโปรเจกต์ GPT-5 ไม่ได้ถูกใช้เป็นแชทบอท แต่เป็นตัวเร่งการวิจัย: โมเดลวิเคราะห์เอกสาร เสนอสมมติฐาน ช่วยอุด “ช่องโหว่” ในการให้เหตุผล และชี้ความเชื่อมโยงที่ไม่มีใครคาดคิด ในกรณีจากคณิตศาสตร์ ฟิสิกส์ ดาราศาสตร์ วิทยาการคอมพิวเตอร์ ชีววิทยา และวัสดุศาสตร์ AI ไม่ได้ “ทำวิทยาศาสตร์เอง” แต่ให้ไอเดียที่คนนำไปตรวจสอบต่อด้วยการทดลองหรือการพิสูจน์เชิงรูปนัย
ทำไมเรื่องนี้สำคัญ
เรากำลังค่อย ๆ เปลี่ยนจาก “AI เล่าความรู้ซ้ำ” ไปสู่ “AI ช่วยสร้างความรู้ใหม่” ถึงตอนนี้จะยังอยู่ในรูปของคำใบ้และการเร่งการลองผิดลองถูกก็ตาม
นี่คือจุดเริ่มต้นของอาชีพใหม่: “นักวิจัยที่ใช้ AI orchestration” แต่มีกฎที่ห้ามข้ามอยู่ข้อหนึ่ง: อย่าประเมินระบบแบบนี้ว่าเป็น “อัจฉริยะ” ต้องมองว่าเป็น ตัวเร่ง ที่:
- เพิ่มจำนวนสมมติฐานที่ได้รับการตรวจสอบอย่างก้าวกระโดด
- ช่วยหา “จุดบอด” ของสัญชาตญาณมนุษย์
ทีมที่ชนะคือทีมที่วางไปป์ไลน์ได้: สมมติฐาน → การตรวจสอบ → ฟีดแบ็ก → การปรับให้แม่นขึ้น ถ้าไม่มีไปป์ไลน์ AI จะให้ผลที่ดูสวยแต่ไม่สม่ำเสมอ
4️⃣ Google Nested Learning และ Hope: ความพยายามเอาชนะการลืมแบบหายนะ
เกิดอะไรขึ้น
Google ผลักดันแนวคิด “การเรียนรู้แบบซ้อนชั้น” (nested learning): มองโมเดลไม่ใช่ก้อนเดียว แต่เป็นหลายระดับที่เรียนรู้ด้วยความเร็วต่างกัน เหมือนหน่วยความจำหลายประเภทของมนุษย์ เป้าหมายคือลดการลืมแบบหายนะ (catastrophic forgetting) ที่ความรู้ใหม่เบียดความรู้เก่าออกไป สถาปัตยกรรมทดลอง Hope แสดงข้อได้เปรียบด้านความเสถียร การจดจำ และการให้เหตุผล
ทำไมเรื่องนี้สำคัญ
ถ้าเราอยากได้เอเจนต์ “ตัวจริง” มันต้องเรียนรู้ได้ตลอดเวลา ทั้งจากข้อมูลใหม่ งานใหม่ และสภาพแวดล้อมใหม่ ถ้าแก้ปัญหาการลืมไม่ได้ การเรียนรู้ต่อเนื่องก็กลายเป็นการลบทิ้ง
ถ้าผลนี้ได้รับการยืนยัน มันอาจกลายเป็นรากฐานของรุ่นถัดไป: โมเดลที่ใช้ชีวิตอยู่ตามเวลาได้จริง แต่ก็มีความเสี่ยง: ระบบหลายระดับที่ซับซ้อนควบคุมและอธิบายได้ยากกว่า ดังนั้นชัยชนะจริงจะอยู่ตรงที่:
- หน่วยความจำเป็นโมดูล
- การอัปเดตปลอดภัย
- มีกลไก rollback และควบคุมการดริฟต์
ไม่อย่างนั้นเราจะได้เอเจนต์ “ที่เรียนรู้ได้” ซึ่งค่อย ๆ กลายเป็นสิ่งที่คาดเดาไม่ได้
5️⃣ “อาการหลอนเลี่ยงไม่ได้”: เพดานที่ชัดเจนของ LLM อเนกประสงค์
เกิดอะไรขึ้น
นักวิจัยกำลังวางกรอบทฤษฎีเชิงรูปนัยให้แนวคิดที่ว่า สำหรับระบบที่ต้องทำงานในโลกจริงซึ่งหลากหลายไม่สิ้นสุด ข้อผิดพลาดและอาการหลอน (hallucination) จะไม่หายไปโดยหลักการ สาเหตุคือข้อเท็จจริงที่พบได้ยาก การสังเกตที่ไม่ครบถ้วน โจทย์ที่คำนวณคำตอบไม่ได้ และพารามิเตอร์กับข้อมูลที่มีจำกัด
ทำไมเรื่องนี้สำคัญ
เรื่องนี้ทำลายความฝันทางการตลาดที่ว่า “อีกนิดเดียว โมเดลจะตอบถูกต้องเสมอ” ไม่มีทาง ในกรณีทั่วไป มันจะไม่มีวันถูกต้องทุกครั้ง
นี่ไม่ใช่ “จุดจบของ AI” แต่เป็นการเปลี่ยนแนวทางทางวิศวกรรม อนาคตไม่ได้อยู่ที่ “LLM ที่สมบูรณ์แบบ” แต่อยู่ที่ระบบหลายชั้น:
- โมเดล
- แหล่งข้อมูลภายนอก
- การตรวจสอบ
- ตัวตรวจยืนยัน (verifier)
- ตัวรันโค้ด (code interpreter)
- การทดสอบความสอดคล้อง
พูดอีกอย่างคือ “สติปัญญา” จะคล้ายการบิน: ไม่ใช่เพราะเครื่องบินไม่ตก แต่เพราะ มีชั้นป้องกันการตกฝังอยู่หลายระดับ
6️⃣ LLM-brain-rot: การคิดเสื่อมถอยเพราะคอนเทนต์สั้นแบบคลิป
เกิดอะไรขึ้น
งานศึกษาชี้ว่า ถ้าฝึกโมเดลต่อด้วยคอนเทนต์สั้น เร้าอารมณ์ และไวรัล (เทียบได้กับ “ฟีดโซเชียล”) โมเดลจะเริ่มเสียความสามารถในการให้เหตุผล “ขยะ” ในที่นี้คือโพสต์ไวรัลสั้น ๆ จาก X ที่คัดมาตามยอดเอนเกจเมนต์ ยิ่งข้อมูลฝึกต่อมีโพสต์แบบนี้มากเท่าไร โมเดลก็ยิ่งให้เหตุผลแย่ลง: บน ARC-Challenge คะแนนตกจาก 72.1 เหลือ 57.2 เมื่อเปลี่ยนจากข้อมูลสะอาดเป็น “ขยะ” ล้วน เกิดอาการ thought-skipping: โมเดลกระโดดข้ามขั้นตรรกะและตอบ “ทันที” นอกจากนี้ “ลักษณะด้านมืด” ก็เพิ่มขึ้น ทั้งความเป็นไซโคพาธและความหลงตัวเองในแบบทดสอบบุคลิกภาพ ส่วนความปลอดภัยก็ลดลง
ทำไมเรื่องนี้สำคัญ
ถ้าคอนเทนต์ไวรัลที่ทำมาเพื่อเรียกเอนเกจเมนต์แบบนี้ล้นอินเทอร์เน็ต ความเสี่ยงที่ “ชุดข้อมูลในอนาคตจะถูกวางยา” ก็เป็นเรื่องจริงขึ้นมา นี่ไม่ใช่ปรัชญาอีกต่อไป แต่เป็นภัยคุกคามทางวิศวกรรม
นี่เป็นหนึ่งในสัญญาณที่จับต้องได้ที่สุดสำหรับวงการ: คุณภาพข้อมูลกำลังกลายเป็นทรัพยากรเชิงกลยุทธ์ ถ้าบริษัทใหญ่ไม่เริ่มสร้าง “ระบบนิเวศของข้อมูล” (การกรอง แหล่งที่มา ความน่าเชื่อถือ ความสมดุล) เราอาจได้โมเดลรุ่นที่แย่ลง ไม่ใช่เพราะฮาร์ดแวร์ แต่เพราะชั้นวัฒนธรรมที่มันใช้เรียนรู้เสื่อมถอยลง
พูดง่าย ๆ: ขยะในข้อมูล ก็คือขยะในสติปัญญา และขยะนี้อาจรักษาให้หายได้ยาก
7️⃣ ใช้บทกวีเป็น jailbreak: ภาษาวรรณศิลป์ทำลายระบบความปลอดภัย
เกิดอะไรขึ้น
งานวิจัยพบว่า ถ้าเขียนคำขออันตรายใหม่ในรูปบทกวีหรืองานเขียนเชิงวรรณศิลป์ โมเดลจำนวนมากและตัวกรองของมันจะตอบสนองต่างออกไป: สิ่งที่ถูกระงับเมื่อเป็น “คำสั่ง” อาจหลุดผ่านไปได้เมื่อเป็น “งานสร้างสรรค์” สาเหตุคือระบบความปลอดภัยถูกฝึกด้วยถ้อยคำตรง ๆ ส่วนอุปมาและโครงสร้างแบบวรรณศิลป์ “อำพรางเจตนา”
ทำไมเรื่องนี้สำคัญ
นี่คือการสาธิตจุดอ่อน: ระบบป้องกันมักจับที่รูปแบบ ไม่ใช่ความหมาย และมนุษย์ก็ซ่อนความหมายไว้ในรูปแบบกันมาหลายร้อยปีแล้ว
ความปลอดภัยของ AI กำลังเข้าสู่ช่วงใหม่: ต้องสอนระบบให้แยกแยะ เจตนา ไม่ใช่แค่ “คำอันตราย” และเรื่องนี้ยากกว่าที่คิด เพราะเจตนาขึ้นอยู่กับบริบท
ฟังดูย้อนแย้ง แต่ยิ่งโมเดลเข้าใจภาษาเก่งเท่าไร ก็ยิ่ง “หลอก” ด้วยข้อความสวย ๆ ได้ง่ายขึ้นเท่านั้น ดังนั้นระบบป้องกันในอนาคตจะ:
- ทำงานหลายขั้น (วิเคราะห์เจตนา)
- มีโมดูลแยกสำหรับตีความความหมาย
- ตรวจสอบการกระทำ (โดยเฉพาะในระบบแบบเอเจนต์)
ในทางปฏิบัติอะไรสำคัญ
ความก้าวหน้าด้านสถาปัตยกรรมมีความหมายก็ต่อเมื่อมันเปลี่ยนต้นทุน ความเร็ว หรือความน่าเชื่อถือของการแก้ปัญหา ก่อนนำแนวทางใหม่มาใช้ ควรทดสอบกับงานจริงชุดเล็ก ๆ ก่อน โดยวัดแยกกันทั้งคุณภาพคำตอบ ดีเลย์ การใช้โทเคน และสัดส่วนงานที่ต้องแก้ด้วยมือ
บทความที่มีประโยชน์และการพูดคุยอยู่ที่นี่ (ภาษารัสเซีย)
