ความลับของรูปแบบแฟร็กทัลที่เปิดเผยขีดจำกัดของ AI: การค้นพบใหม่ที่ท้าทายความไม่สามารถคาดเดาได้

การใช้สื่อการเรียนการสอนเดียวกัน สอนในลำดับเดียวกัน และวิธีเดียวกัน แต่ก็ไม่แน่ว่า AI ที่ได้จะมีพฤติกรรมเหมือนกันทุกประการ

สำหรับการเรียนรู้ของมนุษย์อาจจะไม่แปลกใจ แต่ถ้าคอมพิวเตอร์ที่มีขั้นตอนการคำนวณที่กำหนดไว้แล้ว มีความแตกต่างเพียงเล็กน้อยที่จุดเริ่มต้นสามารถส่งผลต่อผลลัพธ์สุดท้ายได้ล่ะ?

ทีมวิจัยจากมหาวิทยาลัยซิดนีย์ได้แสดงเบาะแสใหม่เพื่อทำความเข้าใจปัญหานี้ โดยกุญแจสำคัญคือ "แฟร็กทัล" ซึ่งเป็นรูปแบบที่ซับซ้อนที่ยังคงปรากฏแม้จะขยายใหญ่ขึ้น

ตามที่รายงานโดย Phys.org เมื่อวันที่ 5 พฤศจิกายน 2026 เหตุผลที่ผลลัพธ์การเรียนรู้ของ AI มีความหลากหลาย ไม่สามารถอธิบายได้เพียงแค่ความแตกต่างของฮาร์ดแวร์หรือการสุ่มจากภายนอก อาจมีโครงสร้างทางคณิตศาสตร์ที่ซ่อนอยู่ในวิธีการเรียนรู้ของเครือข่ายประสาทเทียมที่ทำให้การคาดการณ์ผลลัพธ์เป็นเรื่องยาก

ไม่ใช่แค่ความผิดพลาดของคอมพิวเตอร์เท่านั้น

การวิจัยนี้ดำเนินการโดยศาสตราจารย์ Pulin Gong และนักศึกษาปริญญาเอก Andrew Ly จากภาควิชาฟิสิกส์ มหาวิทยาลัยซิดนีย์ ผลงานนี้ได้รับการตีพิมพ์ในวารสาร "Nature Machine Intelligence"

เครือข่ายประสาทเทียมเรียนรู้โดยการปรับค่าตัวเลขจำนวนมากภายใน หรือที่เรียกว่าพารามิเตอร์ ในกรณีของการจำแนกภาพ จะมีการอัปเดตค่าตัวเลขทีละน้อยโดยใช้ความแตกต่างระหว่างการคาดการณ์และคำตอบที่ถูกต้องเป็นเบาะแส เพื่อมุ่งสู่การตัดสินใจที่ดียิ่งขึ้น

ในกระบวนการเรียนรู้นี้ ลำดับการนำเสนอข้อมูลและความแตกต่างเล็กน้อยในการคำนวณสามารถส่งผลต่อผลลัพธ์ได้ ดังนั้น หากผลลัพธ์ไม่ตรงกัน การตรวจสอบการสุ่มหรือสภาพแวดล้อมการคำนวณเป็นสิ่งที่ควรทำเป็นธรรมชาติ

การวิจัยครั้งนี้ได้ก้าวล้ำไปสู่ปัญหาที่อยู่เบื้องหน้า

ใช้สภาพแวดล้อม "เชิงกำหนด" ที่สามารถให้ผลลัพธ์การคำนวณเดียวกันจากข้อมูลและสถานะเริ่มต้นเดียวกัน แม้กระนั้น การเปลี่ยนแปลงเล็กน้อยในพารามิเตอร์เริ่มต้นอาจทำให้การเรียนรู้เดินทางไปยังจุดหมายปลายทางที่แตกต่างกันได้

ที่นี่ จำเป็นต้องแยกแยะระหว่าง "เงื่อนไขเดียวกันทั้งหมด" และ "เงื่อนไขเกือบเหมือนกัน"

การวิจัยนี้ไม่ได้อ้างว่าผลลัพธ์จะเปลี่ยนแปลงโดยไม่มีเหตุผลในสภาพแวดล้อมที่มีสถานะเริ่มต้นและขั้นตอนเชิงกำหนดที่เหมือนกันทุกประการ ปัญหาคือแม้จะลดความแตกต่างเล็กน้อยที่จุดเริ่มต้น ผลลัพธ์ที่แตกต่างกันก็ยังไม่ลดลงตามที่คาดหวัง

พิจารณาการเรียนรู้ของ AI ด้วย "แผนที่สี"

เพื่อให้เข้าใจการวิจัยนี้ได้ง่ายขึ้น ลองเปรียบเทียบการเรียนรู้ของ AI กับแผนที่

แต่ละจุดบนแผนที่แสดงถึงการรวมกันของพารามิเตอร์เมื่อเริ่มการเรียนรู้ จากนั้นดำเนินการเรียนรู้จนถึงจุดที่ได้ผลลัพธ์ที่กำหนดไว้ โดยจุดที่ได้ผลลัพธ์หนึ่งจะถูกระบายด้วยสีน้ำเงิน และจุดที่ได้ผลลัพธ์อื่นจะถูกระบายด้วยสีส้ม

การรวมกันของจุดเริ่มต้นที่นำไปสู่ผลลัพธ์เดียวกันเรียกว่า "แอทแทรกเตอร์" ในทางคณิตศาสตร์

ถ้าแถบสีน้ำเงินและสีส้มแยกออกจากกันอย่างชัดเจน เรื่องก็จะค่อนข้างง่าย หากวางจุดเริ่มต้นให้ห่างจากขอบเขตของสีน้ำเงินเพียงพอ ก็สามารถคาดหวังได้ว่าผลลัพธ์จะเป็นสีน้ำเงินแม้จะมีการเบี่ยงเบนเล็กน้อย

อย่างไรก็ตาม ทีมวิจัยได้ให้ความสนใจกับโครงสร้างที่จุดสีส้มแทรกอยู่ในพื้นที่สีน้ำเงิน และจุดสีน้ำเงินแทรกอยู่ในพื้นที่สีส้ม

แม้จะดูเป็นสีเดียวกันเมื่อมองจากระยะไกล แต่เมื่อขยายดูจะพบสีอื่นปรากฏขึ้น และเมื่อขยายต่อไปก็จะพบจุดที่เชื่อมโยงไปยังจุดหมายปลายทางที่แตกต่างกันอย่างซับซ้อน

โครงสร้างเช่นนี้เรียกว่า "riddled basins" ซึ่งในภาษาไทยอาจเปรียบได้กับแอทแทรกเตอร์ที่มีรูที่นำไปสู่ผลลัพธ์อื่นแทรกอยู่ทุกที่

แม้จะตรวจสอบจุดเริ่มต้นอย่างละเอียดแล้ว แต่ก็ยังมีการผสมผสานที่ละเอียดอ่อนอยู่ นี่คือเหตุผลที่ทำให้การคาดการณ์ผลลัพธ์การเรียนรู้เป็นเรื่องยาก

ความหมายของ "แม้จะเพิ่มความแม่นยำถึง 10,000 ล้านเท่าก็ไม่ดีขึ้น"

ทีมวิจัยได้ตรวจสอบการเรียนรู้ประมาณ 500,000 รายการ รวมถึงเครือข่ายที่ใช้ในการรู้จำภาพและการประมวลผลข้อความ

ตามบทความที่แนะนำ ในเครือข่ายการรู้จำภาพที่ค่อนข้างใหญ่ การตั้งค่าจุดเริ่มต้นให้แม่นยำถึง 10,000 ล้านเท่าก็ยังไม่พบการปรับปรุงที่สามารถวัดได้ในเรื่องของการทำซ้ำ

โดยปกติแล้ว หากลดข้อผิดพลาดลง ผลลัพธ์ก็ควรจะเสถียรขึ้น เพราะการวัดตำแหน่งอย่างแม่นยำทำให้ไปถึงจุดหมายได้ง่ายขึ้น และการวัดส่วนผสมอย่างแม่นยำทำให้ทำอาหารซ้ำได้ง่ายขึ้น

แต่ถ้าจุดเริ่มต้นที่ต่างกันนำไปสู่จุดหมายที่ต่างกันในระดับที่ละเอียดมาก การลดความแตกต่างของค่าเริ่มต้นเพียงอย่างเดียวก็ไม่รับประกันว่าผลลัพธ์จะเหมือนกัน

อย่างไรก็ตาม "10,000 ล้านเท่า" นี้ไม่ได้หมายถึงการทำให้คอมพิวเตอร์มีประสิทธิภาพสูงขึ้น 10,000 ล้านเท่า และไม่ได้หมายถึงการเพิ่มข้อมูลการเรียนรู้ 10,000 ล้านเท่า

สิ่งที่เกี่ยวข้องคือความแม่นยำในการตั้งค่าเริ่มต้นการเรียนรู้ จากผลลัพธ์นี้ไม่สามารถสรุปได้ทันทีว่า "การเพิ่มทรัพยากรการคำนวณให้ AI ไม่มีความหมาย"

"ประมาณ 48%" ไม่ใช่อัตราความผิดพลาดของ AI

มีตัวเลขที่น่าสนใจอีกตัวหนึ่ง

บทความแนะนำอธิบายว่า เมื่อมีการเปลี่ยนแปลงเล็กน้อยเทียบเท่ากับ 1 บิตในการตั้งค่าเริ่มต้นของเครือข่ายนั้น การเรียนรู้ในประมาณ 48% ของกรณีได้ก้าวไปสู่โครงสร้างภายในที่แตกต่างกัน

ตัวเลขนี้น่าประทับใจ แต่ไม่ควรเข้าใจผิด

ไม่ได้หมายความว่า "AI ผิดพลาดประมาณ 48% ของเวลา" หรือ "ประมาณ 48% ของคำตอบเปลี่ยนไป" แต่หมายถึงสัดส่วนของการเรียนรู้ที่มีการเปลี่ยนแปลงเล็กน้อยที่ก้าวไปสู่จุดหมายภายในที่แตกต่างกัน

การที่ค่าภายในแตกต่างกันไม่จำเป็นต้องหมายความว่าคำตอบที่ผู้ใช้ได้รับจะแตกต่างกัน เพราะอาจมีการรวมกันของพารามิเตอร์ที่แตกต่างกันแต่ยังคงสามารถทำให้เกิดความสัมพันธ์ของการป้อนเข้าและการส่งออกที่เหมือนกันได้

ดังนั้น ในการวิจัยนี้ ไม่เพียงแต่โครงสร้างภายในเท่านั้นที่ได้รับการตรวจสอบ แต่ยังมีการพิจารณาความแตกต่างของการคาดการณ์หลังการเรียนรู้ด้วย ในการทดลองที่เป็นตัวแทนในเอกสารพรีปรินต์ที่เผยแพร่ สัดส่วนของการป้อนเข้าที่ทำให้การคาดการณ์ของสองโมเดลไม่ตรงกันอยู่ที่ค่าเฉลี่ยประมาณ 2.9% ซึ่งคงที่ ตัวเลขนี้เป็นตัวเลขเฉพาะสำหรับเงื่อนไขการทดลองที่เฉพาะเจาะจง และไม่ใช่สัดส่วนที่ใช้ได้กับ AI ทุกประเภท

สิ่งสำคัญคือการตรวจสอบว่าเปรียบเทียบอะไรและอะไรที่แตกต่างกัน ไม่ใช่แค่การดึงตัวเลขที่โดดเด่นออกมาเพียงตัวเดียว

ความง่ายในการเรียนรู้และความสามารถในการทำซ้ำสามารถอยู่ร่วมกันได้หรือไม่

การวิจัยแสดงให้เห็นถึงความยากลำบากระหว่างประสิทธิภาพและความสามารถในการทำซ้ำ

การตั้งค่าที่กำหนดว่าพารามิเตอร์จะถูกอัปเดตมากเพียงใดในระหว่างการเรียนรู้เรียกว่า "อัตราการเรียนรู้" โดยทั่วไปแล้วจะกำหนดว่าการแก้ไขแต่ละครั้งจะก้าวไปข้างหน้าได้มากเพียงใด

ในการทดลองที่รายงาน การตั้งค่าที่สามารถเรียนรู้ได้ดีทำให้การคาดการณ์และการทำซ้ำผลลัพธ์เป็นเรื่องยาก ในขณะที่การลดอัตราการเรียนรู้ทำให้การทำซ้ำง่ายขึ้น แต่ประสิทธิภาพของการเรียนรู้ลดลง

การสรุปว่า "AI ที่มีประสิทธิภาพสูงจะต้องไม่เสถียร" เป็นเรื่องที่เร็วเกินไป แต่ถ้าเปลี่ยนการตั้งค่าโดยมีเป้าหมายเพียงเพื่อลดความแปรปรวนของตัวเลข ก็อาจสูญเสียคุณสมบัติที่พึงประสงค์อื่นๆ ได้

สิ่งที่จำเป็นสำหรับนักพัฒนาคือการไม่คิดว่า "ลดอัตราการเรียนรู้แล้วจะแก้ปัญหาได้" แต่ควรกำหนดว่าต้องการประสิทธิภาพในระดับใดและต้องการทำซ้ำอะไรในระดับใดตามการใช้งาน

ใน SNS และความคิดเห็นของผู้อ่าน ประเด็นคือ "การเพิ่มความแม่นยำจะแก้ปัญหาได้หรือไม่"

ในโพสต์บน SNS ที่สามารถตรวจสอบได้เกี่ยวกับการวิจัยนี้ โพสต์ LinkedIn อย่างเป็นทางการของ Phys.org ได้กล่าวถึงจุดที่การเพิ่มความแม่นยำในการตั้งค่าเริ่มต้นถึง 10,000 ล้านเท่าไม่ได้ปรับปรุงการทำซ้ำ

จุดสำคัญของโพสต์คือการเพิ่มความแม่นยำของตัวเลขเพียงอย่างเดียวไม่สามารถรับประกันได้ว่าผลการเรียนรู้จะเหมือนกัน และจำเป็นต้องพิจารณาโครงสร้างทางคณิตศาสตร์ของการเรียนรู้นอกเหนือจากการสุ่มจากภายนอก

อย่างไรก็ตาม นี่เป็นการแนะนำการวิจัยโดยสื่อเอง และควรแยกออกจากปฏิกิริยาของผู้ใช้ทั่วไป

นอกเหนือจาก SNS ผลการค้นหาที่เผยแพร่ของเว็บไซต์แชร์ข่าว "Cuppa" ยังแสดงให้เห็นความคิดเห็นของผู้อ่านด้วย ผู้อ่านแสดงความประหลาดใจที่การเพิ่มความแม่นยำอย่างมากไม่ได้ปรับปรุงผลลัพธ์ และตั้งคำถามว่าการปรับปรุงความสามารถในการคำนวณหรือฮาร์ดแวร์เพียงอย่างเดียวจะแก้ปัญหาได้หรือไม่

นี่เป็นตัวอย่างหนึ่งที่แสดงให้เห็นว่าการวิจัยได้รับการตอบรับอย่างไรจากผู้อ่าน ในทางกลับกัน การตีความว่า "การเพิ่มความสามารถในการคำนวณจะไม่แก้ปัญหา" กว้างกว่าขอบเขตที่ได้รับการยืนยันโดยตรงจากการทดลอง ไม่สามารถจัดการความแม่นยำของค่าเริ่มต้นและผลกระทบของทรัพยากรการคำนวณทั้งหมดร่วมกันได้

จากข้อมูลที่เปิดเผยที่สามารถตรวจสอบได้ ณ วันที่ 6 พฤศจิกายน 2026 ไม่สามารถทราบถึงโพสต์ SNS จำนวนมากจากผู้ใช้ทั่วไปหรือการกระจายของความคิดเห็นที่เห็นด้วยและไม่เห็นด้วยได้ ไม่มีหลักฐานเพียงพอที่จะกล่าวว่า "มีเสียงแสดงความประหลาดใจจำนวนมากใน SNS"

ถึงกระนั้น การเผยแพร่และความคิดเห็นที่สามารถตรวจสอบได้แสดงให้เห็นคำถามที่เข้าใจง่ายข้อหนึ่ง AI จะเติบโตในลักษณะเดียวกันเสมอหากคำนวณอย่างละเอียดและแม่นยำยิ่งขึ้นหรือไม่ การวิจัยครั้งนี้กระตุ้นให้มีการพิจารณาใหม่เกี่ยวกับสัญชาตญาณนั้น

อะไรที่เกี่ยวข้องกับการนำ AI มาใช้ในสถานที่ทำงานในญี่ปุ่น

หากพิจารณาถึงข้อเสนอแนะจากการวิจัยนี้ต่อสถานที่ทำงานในญี่ปุ่น สิ่งที่ควรให้ความสนใจคือความแตกต่างระหว่าง "ทำงานได้ดีครั้งหนึ่ง" และ "สร้างใหม่และทำงานได้อย่างเสถียร"

ลองนึกภาพ AI ที่ใช้ในการตรวจจับรอยขีดข่วนของผลิตภัณฑ์ในโรงงาน

แม้ว่าอัตราความถูกต้องโดยรวมของสองโมเดลจะใกล้เคียงกัน แต่ก็ไม่จำเป็นต้องเหมือนกันในเรื่องของผลิตภัณฑ์ที่ถูกมองข้าม การเปรียบเทียบเฉพาะคะแนนเฉลี่ยอาจทำให้มองข้ามความแตกต่างที่สำคัญในสถานที่ทำงานได้

นี่ไม่ใช่ผลการวิจัยที่พิสูจน์ในโรงงานญี่ปุ่น แต่เป็นตัวอย่างที่นำปัญหาการวิจัยไปใช้ในทางปฏิบัติ

ในการพัฒนาและประเมินผล ควรพิจารณามุมมองต่อไปนี้