งานวิจัยชี้ AI อาจเข้าใจหมู่ฟังก์ชันก่อนตอบ แม้คำตอบจะผิด

โมเดลภาษาอาจมีความรู้เกี่ยวกับโครงสร้างโมเลกุลอยู่ภายใน แต่ไม่ได้แสดงความรู้นั้นออกมาเป็นคำตอบที่ถูกต้องเสมอไป ประเด็นนี้เป็นหัวใจของงานวิจัยเรื่อง “Functional-Group Knowledge Is Structured in Language Models Before It Is Spoken” ซึ่งเผยแพร่เป็นบทความ preprint บน arXiv หมวดปัญญาประดิษฐ์

บทคัดย่อยกตัวอย่างคำถามเกี่ยวกับ 1-Fluorobutane ซึ่งเขียนโครงสร้างย่อเป็น CCCC(F) หรือ CCCC ตามด้วย F ในรูปแบบ SMILES โดยโมเดลทั่วไปขนาดเล็กอาจระบุหมู่ฟังก์ชันผิดว่าเป็นหมู่แอลไคน์ แทนที่จะเป็นสารประกอบอัลคิลฟลูออไรด์ ตัวอย่างนี้ชี้ให้เห็นข้อจำกัดของการประเมินโมเดลจากข้อความคำตอบเพียงอย่างเดียว

คำตอบผิด ไม่ได้แปลว่าไม่มีความรู้เสมอไป

แนวคิดสำคัญของงานคือ ต้องแยกสิ่งที่โมเดล “รู้หรือจัดโครงสร้างไว้ภายใน” ออกจากสิ่งที่โมเดล “พูดออกมา” เพราะคำตอบที่สร้างขึ้นอาจคลาดเคลื่อน แม้ข้อมูลเกี่ยวกับความสัมพันธ์ระหว่างโครงสร้างโมเลกุลกับหมู่ฟังก์ชันจะถูกแทนอยู่ในโมเดลแล้วก็ตาม ประเด็นนี้มีความสำคัญต่อการนำ AI ไปใช้ในเคมีและวัสดุศาสตร์ ซึ่งระบบต้องตีความโครงสร้างก่อนช่วยวางแผนการสังเคราะห์หรือเสนอวัสดุใหม่

อย่างไรก็ตาม บทคัดย่อที่เผยแพร่ไม่ได้ให้รายละเอียดเพียงพอเกี่ยวกับวิธีทดลองหรือผลเชิงปริมาณ จึงยังไม่ควรสรุปว่าโมเดลเข้าใจเคมีได้แม่นยำ หรือสามารถนำไปใช้แทนผู้เชี่ยวชาญได้โดยตรง งานนี้สะท้อนโจทย์วิจัยเรื่องการวัดความรู้ภายในของโมเดล มากกว่าการรับรองความถูกต้องของคำตอบในงานเคมี

มุมมองสำหรับนักพัฒนาและผู้ประกอบการไทย

ผู้พัฒนา AI ด้านวิทยาศาสตร์ควรทดสอบโมเดลด้วยชุดข้อมูลที่ตรวจสอบได้ และประเมินทั้งความถูกต้องของคำตอบกับความสม่ำเสมอในการให้เหตุผล โดยเฉพาะงานที่เกี่ยวข้องกับสารเคมี สุขภาพ หรือการออกแบบวัสดุ ซึ่งความผิดพลาดอาจมีผลต่อการตัดสินใจจริง การให้ผู้เชี่ยวชาญตรวจทานและใช้เครื่องมือคำนวณหรือฐานข้อมูลเฉพาะทางประกอบ ยังเป็นแนวทางสำคัญก่อนนำระบบไปใช้งาน

ผู้สนใจสามารถทดลองโมเดล AI และเครื่องมือที่มีให้เลือกผ่าน Tora API Playground หรือดูแพ็กเกจการใช้งานได้ที่ หน้าราคา Tora API ทั้งนี้ การทดลองกับโจทย์เฉพาะทางควรตรวจสอบผลลัพธ์กับแหล่งข้อมูลที่เชื่อถือได้เสมอ