ทำไม Language Models Hallucinate: สาเหตุ สิ่งจูงใจ และแนวทางแก้ไข

ที่ OpenAI นักวิจัยกำลังทำงานอย่างต่อเนื่องเพื่อทำให้ระบบ AI มีประโยชน์และเชื่อถือได้มากขึ้น แม้ว่าโมเดลภาษาขนาดใหญ่จะมีความสามารถเพิ่มขึ้น แต่ความท้าทายสำคัญที่ยังคงอยู่คือ hallucinations หรือการที่โมเดลสร้างคำตอบที่มั่นใจแต่ไม่ถูกต้อง งานวิจัยล่าสุดของเราโต้แย้งว่า Language Models Hallucinate ส่วนใหญ่เพราะวิธีการฝึกและการประเมินในปัจจุบันให้รางวัลกับการ “เดา” มากกว่าการยอมรับว่าไม่แน่ใจ 

GPT-5 สามารถลดอัตรา hallucinations ได้อย่างมาก โดยเฉพาะในการใช้เหตุผล เมื่อเทียบกับระบบรุ่นก่อน อย่างไรก็ตาม ปัญหานี้ยังคงเกิดขึ้นในโมเดลภาษาขนาดใหญ่ทั้งหมด และถือเป็นหนึ่งในความท้าทายพื้นฐานที่สุดของ AI 

Hallucinations คืออะไร? 

Hallucinations คือข้อความที่ฟังดูมั่นใจและลื่นไหล แต่กลับไม่ถูกต้อง ซึ่งสามารถเกิดขึ้นได้แม้ในคำถามข้อเท็จจริงง่าย ๆ เช่น: 

• เมื่อถูกถามถึงหัวข้อวิทยานิพนธ์ระดับปริญญาเอกของนักวิจัยคนหนึ่ง แชตบอทสร้างคำตอบขึ้นมาสามแบบที่ฟังดูสมเหตุสมผลแต่ไม่ถูกต้องทั้งหมด 
• เมื่อถูกถามวันเกิดของบุคคลเดียวกัน โมเดลให้คำตอบออกมาสามวันที่ต่างกัน และไม่มีอันไหนถูกต้องเลย 

ข้อผิดพลาดเหล่านี้ไม่ใช่แค่ความบกพร่องแบบสุ่ม แต่เป็นผลโดยตรงจากวิธีการฝึกและการประเมินโมเดล 

ทำไม Hallucinations ยังคงอยู่? 

สาเหตุสำคัญคือวิธีที่โมเดลถูกให้คะแนน การประเมินปัจจุบันวัดเฉพาะ “ความแม่นยำ” ซึ่งกระตุ้นให้โมเดลเลือกที่จะเดา 

ลองจินตนาการถึงข้อสอบปรนัย: ถ้าปล่อยว่างไว้จะได้ศูนย์คะแนน แต่ถ้าเดาก็มีโอกาสถูกบ้าง เมื่อทำหลายข้อ การเดามักให้ผลดีกว่าการตอบว่า “ไม่รู้” โมเดลภาษาก็เช่นเดียวกัน พวกมันได้รับรางวัลจากการเดามากกว่าความระมัดระวัง 

ตัวอย่าง: การประเมิน SimpleQA 

แม้ว่า o4-mini จะได้คะแนนความแม่นยำสูงกว่าเล็กน้อย แต่ก็มีอัตราความผิดพลาด (hallucinations) ที่แย่กว่ามาก สิ่งนี้แสดงให้เห็นว่าการวัดที่เน้นความแม่นยำเพียงอย่างเดียวมักซ่อนความเสี่ยงจากการเดา 

แนวทางการประเมินที่ดีกว่า 

วิธีแก้ไม่ซับซ้อน: 

• ลงโทษคำตอบที่ผิดอย่างมั่นใจมากกว่าการเว้นว่าง 
• ให้คะแนนบางส่วนสำหรับการแสดงความไม่แน่ใจอย่างเหมาะสม 

การสอบมาตรฐานบางประเภทใช้นโยบายแบบเดียวกันนี้อยู่แล้ว (เช่น การหักคะแนนเมื่อเดาผิด หรือการให้คะแนนบางส่วน) เพื่อลดแรงจูงใจในการเดาโดยไม่รู้คำตอบ การประเมิน AI ก็ควรปรับใช้หลักการเดียวกันนี้เพื่อสร้างแรงจูงใจให้ความซื่อสัตย์ 

หากไม่มีการปฏิรูป ตารางจัดอันดับจะยังคงผลักดันให้นักพัฒนาออกแบบโมเดลที่ “ฟังดูมั่นใจ” แต่ผิดบ่อย 

ทำไม Language Models Hallucinate ในเชิงเทคนิค 

Hallucinations มีที่มาจากวิธีการ pretrain โมเดล นั่นคือการทำนายคำถัดไป (next-word prediction) 

• โมเดลเรียนรู้จากข้อความจำนวนมหาศาล โดยทำนายคำถัดไปที่น่าจะเป็นไปได้มากที่สุด 
• โมเดลไม่ได้ถูกฝึกด้วยป้ายกำกับ “จริง/เท็จ” แต่ใช้เพียงตัวอย่างที่ลื่นไหล 
• สำหรับรูปแบบที่สม่ำเสมอ (การสะกด ไวยากรณ์ วงเล็บ) ขนาดที่ใหญ่ขึ้นสามารถลดข้อผิดพลาดได้ 
• แต่สำหรับข้อเท็จจริงที่พบไม่บ่อย (เช่น วันเกิดบุคคล) การพยากรณ์อย่างเดียวไม่สามารถรับประกันความถูกต้องได้ 

ช่องว่างทางสถิตินี้อธิบายว่าทำไม hallucinations ทางข้อเท็จจริงจึงยังคงอยู่ แม้ว่าโมเดลขนาดใหญ่จะกำจัดข้อผิดพลาดบางประเภทได้แล้ว 

ความเข้าใจผิดที่พบบ่อยเกี่ยวกับ Hallucinations 

สรุป 

Hallucinations ไม่ใช่ข้อบกพร่องแบบสุ่ม แต่เป็นผลลัพธ์เชิงโครงสร้างจากวิธีที่โมเดลถูกฝึกและประเมิน เนื่องจาก Language Models Hallucinate ภายใต้ระบบที่เน้นความแม่นยำเพียงอย่างเดียว หนทางข้างหน้าคือการปฏิรูประบบการประเมิน โดยให้รางวัลกับความถ่อมตน การยอมรับความไม่แน่ใจ และการลงโทษความผิดที่มั่นใจเกินไป เมื่อทำเช่นนี้ ระบบ AI จะไม่เพียงมีพลังมากขึ้น แต่ยังน่าเชื่อถือยิ่งขึ้นด้วย