การศึกษาล่าสุดเปิดเผยว่า โมเดลภาษาขนาดใหญ่ (Large Language Models หรือ LLMs) ยังคงเชื่อมั่นในข้อมูลที่เป็นเท็จ แม้ว่าระบบจะได้รับคำเตือนล่วงหน้าอย่างชัดเจนว่าประโยคดังกล่าวเป็นข้อมูลที่ไม่ถูกต้องก็ตาม การทดสอบนี้ชี้ให้เห็นว่าพฤติกรรมการเรียนรู้ของ AI ยังคงมีจุดอ่อนในเรื่องของการตรวจสอบข้อเท็จจริง (Fact-checking) และการลบล้างความคิดที่ฝังตัวลึกจากข้อมูลในชุดฝึก (Training data)

การค้นพบนี้เกิดขึ้นจากการทดลองที่ผู้วิจัยพยายามใส่คำเตือนลงไปใน Prompt โดยตรง เช่น การระบุว่า “ข้อมูลต่อไปนี้เป็นเท็จ” ก่อนที่จะส่งข้อความดังกล่าวเข้าไปประมวลผล อย่างไรก็ตาม ผลลัพธ์ที่ออกมาพบว่า LLMs มักจะยังคงใช้ข้อมูลเท็จนั้นในการตอบคำถามต่อไป แสดงให้เห็นว่ากลไกการให้เหตุผล (Reasoning mechanism) ของโมเดลเหล่านี้ไม่สามารถเข้าใจหรือยึดถือคำเตือนเหล่านั้นได้ในระดับลึก

ปัญหานี้ส่งผลกระทบโดยตรงต่อวงการเทคโนโลยี เนื่องจากเน้นย้ำถึงข้อจำกัดของปัญญาประดิษฐ์ในปัจจุบันที่ยังไม่อาจแยกแยะระหว่างคำสั่ง (Instruction) กับความเชื่อที่ถูกฝึกไว้ได้อย่างสมบูรณ์ ทีมนักวิจัยจึงเสนอแนะว่า การพัฒนา AI ในอนาคตจะต้องมีการปรับปรุงสถาปัตยกรรมพื้นฐาน เพื่อให้ระบบสามารถประเมินและแก้ไขความคิดที่ผิดพลาดได้ด้วยตนเอง (Self-Correction) มากยิ่งขึ้น

คำศัพท์เทคนิคที่น่าสนใจ

• LLMs (Large Language Models) – โมเดลภาษาขนาดใหญ่ ระบบ AI ที่ถูกฝึกฝนด้วยข้อมูลตัวอักษรปริมาณมากเพื่อทำความเข้าใจและสร้างข้อความ
• Prompt – คำสั่งหรือข้อความที่ผู้ใช้ป้อนเข้าไปในระบบ AI เพื่อสั่งให้ทำงานหรือตอบคำถาม
• Training Data – ชุดข้อมูลที่ใช้ในการฝึกฝนโมเดล AI ซึ่งมีอิทธิพลอย่างมากต่อพฤติกรรมและความคิดของระบบ
• Hallucination – ภาวะหลอนของ AI ที่ระบบสร้างคำตอบที่ดูเหมือนจะถูกต้องและน่าเชื่อถือ แต่ในความเป็นจริงเป็นข้อมูลเท็จหรือแต่งขึ้นมา

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