การศึกษาล่าสุดเปิดเผยว่าโมเดลภาษาขนาดใหญ่ (LLMs) ยังคงเชื่อมั่นและนำเสนอข้อมูลที่เป็นเท็จไปพร้อมกับข้อเท็จจริง แม้จะได้รับคำเตือนล่วงหน้าอย่างชัดเจนว่าประโยคนั้นเป็นความเท็จก็ตาม การทดสอบนี้แสดงให้เห็นว่าแม้ AI จะมีความสามารถในการประมวลผลภาษาในระดับสูง แต่กลับขาดกลไกการตรวจสอบข้อเท็จจริง (Fact-checking) ที่แท้จริงในระหว่างการสร้างคำตอบ ทำให้ระบบถูกหลอกด้วยความเอนเอียงที่เกิดจากข้อมูลในชุดฝึก (Training Data Bias) ได้อย่างง่ายดาย

ปัญหานี้เกิดขึ้นเนื่องจาก LLM ทำงานโดยการทำนายโทเคน (Token) ถัดไปที่มีความน่าจะเป็นสูงสุด ซึ่งเป็นการเชื่อมโยงทางสถิติมากกว่าการเข้าใจความหมายหรือความจริงแบบตรรกะ (Logical Reasoning) ดังนั้น เมื่อระบบพบกับข้อความที่มีรูปแบบไวยากรณ์ดูเป็นธรรมชาติ มันมักจะ “จดจำ” และนำเอาบริบทนั้นมาใช้ต่อในการสร้างประโยค โดยไม่สามารถแยกแยะได้ว่าอะไรคือข้อเท็จจริงและอะไรคือสิ่งที่ถูกแทรกเข้ามาเพื่อหลอกลวง

การค้นพบครั้งนี้ส่งผลกระทบอย่างมากต่อวงการพัฒนา AI โดยเน้นย้ำว่าการแก้ไขปัญหา Hallucination ของ AI ไม่สามารถทำได้เพียงแค่การสั่งให้ระบบ “อย่าโกหก” หรือใส่คำเตือนลงใน Prompt แต่ต้องอาศัยการพัฒนาสถาปัตยกรรมใหม่ที่ผสมผสานระบบตรวจสอบภายนอก (External Verification Systems) หรือการใช้ RAG (Retrieval-Augmented Generation) เพื่อให้ AI สามารถอ้างอิงข้อมูลที่ถูกต้องและทันสมัยจากแหล่งข้อมูลที่เชื่อถือได้จริง

คำศัพท์เทคนิคที่น่าสนใจ

• LLM (Large Language Model) – โมเดลภาษาขนาดใหญ่ ระบบ AI ที่ฝึกฝนด้วยข้อมูลตัวอย่างจำนวนมหาศาลเพื่อให้สามารถเข้าใจและสร้างข้อความภาษามนุษย์ได้
• Hallucination – ภาพหลอนของ AI ปรากฏการณ์ที่โมเดล AI สร้างข้อมูลหรือข้อเท็จจริงที่ดูเหมือนจะเป็นจริง แต่แท้จริงแล้วเป็นเพียงข้อมูลที่ระบบแต่งขึ้นมาเอง
• Prompt – พร้อมต์ ข้อความหรือคำสั่งที่ผู้ใช้ป้อนเข้าไปเพื่อสั่งการให้ระบบ AI ทำงานหรือตอบคำถาม
• RAG (Retrieval-Augmented Generation) – เทคโนโลยีที่ทำให้ AI สามารถดึงข้อมูลที่เกี่ยวข้องจากแหล่งข้อมูลภายนอกมาช่วยในการสร้างคำตอบ เพื่อลดการเกิดข้อมูลเท็จ

🔗 แหล่งที่มา: https://arstechnica.com/ai/2026/05/llms-believe-false-statements-even-after-explicit-warnings-that-theyre-false/