คำตอบจาก AI อาจมีข้อผิดพลาด
(os2museum.com)- AI Overview ของ Google Search แต่งสเปกที่ดูน่าเชื่อถือให้กับ IBM PS/2 Model 280 ซึ่งไม่มีอยู่จริง และแม้ค้นด้วยคำถามเดิม คำตอบก็เปลี่ยนไปเรื่อย ๆ
- คำตอบผิดอธิบายว่า Model 280 เป็น ระบบ 286 บนฐาน ISA พร้อมปะปนรายละเอียดอย่างเปิดตัวในปี 1987, RAM 1MB, RAM 640KB, VGA, ไดรฟ์ 1.44MB
- บางคำตอบบอกว่าระบบ 286 ขยาย RAM ได้ถึง 128MB แต่ข้อจำกัดเชิงสถาปัตยกรรมของ 286 คือ 16MB จึงเห็นความขัดแย้งภายในคำตอบเอง
- เมื่อถามคำถามเดิมซ้ำหลายครั้ง ก็มีคำตอบที่ถูกต้องว่า “Model 280 ไม่ใช่รุ่นเฉพาะในซีรีส์ PS/2” ออกมาบ้าง แต่มีสัดส่วนเพียง ประมาณ 10% เท่านั้น
- AI search overview อาจดูน่าเชื่อถือยิ่งขึ้นสำหรับผู้ไม่เชี่ยวชาญเมื่อมีรายละเอียดมาก จึงไม่ควรมองคำเตือน “AI responses may include mistakes” เป็นเรื่องเล็กน้อย
กรณี PS/2 Model 280 ที่ไม่มีอยู่จริง
- ผู้เขียนพิมพ์ชื่อรุ่นลงใน Google เพื่อหาระบบ IBM PS/2 Server ราวปี 1992 แต่เครื่องที่ตามหาจริง ๆ เป็นระบบที่ใช้ โปรเซสเซอร์ 486 หลายตัว และ Microchannel (MCA)
- AI Overview ในผลการค้นหาให้คำตอบที่คลาดเคลื่อนจากเป้าหมายตั้งแต่แรก
- อธิบาย PS/2 Model 280 เหมือนเป็นระบบที่ใช้ 286
- บรรยายเหมือนเป็นระบบบนฐาน ISA ไม่ใช่ Microchannel
- แม้ค้นคำถามเดิมอีกครั้ง ถ้อยคำของคำตอบจะเปลี่ยนไปเท่านั้น แต่ยังคงอธิบาย Model 280 ว่าเป็นระบบ 286 บนฐาน ISA
สเปกปลอมที่เปลี่ยนไปทุกครั้งที่ถามซ้ำ
- AI Overview ให้สเปกที่แตกต่างกันทุกครั้งที่ถามซ้ำ
- คำตอบหนึ่งบอกว่า Model 280 มี RAM 1MB และขยายได้ถึง 6MB
- อีกคำตอบบอกว่า RAM พื้นฐานคือ 640KB
- อธิบายซ้ำ ๆ เหมือนมีไดรฟ์ 1.44MB และกราฟิก VGA
- ในความพยายามอีกครั้ง AI แนะนำ Model 280 ว่าเป็นระบบ 286 ที่ขยายได้ถึง RAM 128MB
- 286 มีข้อจำกัดเชิงสถาปัตยกรรมที่ 16MB ดังนั้นคำอธิบายนี้จึงไม่ถูกต้องในเชิงเทคนิค
- AI Overview ยังบอกด้วยว่า Model 280 เป็นความก้าวหน้าสำคัญในไลน์คอมพิวเตอร์ส่วนบุคคลของ IBM และทำให้ PS/2 กลายเป็นแพลตฟอร์มที่ได้รับความนิยมและเชื่อถือได้
ข้อผิดพลาดหลัก: Model 280 ไม่เคยมีอยู่
- ปัญหาใหญ่ที่สุดคือไม่มีรุ่นที่ชื่อ PS/2 Model 280 อยู่จริง
- แม้ป้อนหมายเลขรุ่นที่ผิด Google AI ก็สร้างคำอธิบายที่ดูน่าเชื่อถือในตอนแรกขึ้นมา
- คำตอบลักษณะนี้มีรายละเอียดมากและประโยคเป็นธรรมชาติ ทำให้เนื้อหาที่ไม่เป็นความจริงดูเหมือนข้อมูลที่เชื่อถือได้ง่าย
คำตอบที่ถูกต้องโผล่มาเพียงบางครั้ง
- หากถามคำถามเดิมซ้ำมากพอ ก็มีคำตอบที่ถูกต้องออกมาบ้าง
- “Model 280 ไม่ใช่รุ่นเฉพาะในซีรีส์ PS/2”
- เป็นคำตอบในทำนองว่าตัวคำถามเองมีข้อผิดพลาด
- แต่ในการถามซ้ำ คำตอบที่ถูกต้องมีเพียง ประมาณ 10% เท่านั้น และในการลองส่วนใหญ่ AI จะสร้างเนื้อหาขึ้นมาเอง
- คำตอบหลอนไม่เพียงไม่มีประโยชน์ แต่คำตอบผิดยังอาจดู “จริง” ยิ่งกว่าคำตอบที่ถูกต้อง
ช่วงเวลาที่ AI search overview กลายเป็นความเสี่ยง
- หากเป็นผู้เชี่ยวชาญ อาจสังเกตความไม่สอดคล้องในคำตอบได้ค่อนข้างเร็ว
- เช่น ตรวจสอบ List of IBM PS/2 Models บน Wikipedia ก็จะยืนยันได้ว่าไม่มี Model 280
- ผู้ที่ไม่เชี่ยวชาญมีโอกาสได้รับความช่วยเหลือจาก AI search overview มาก แต่ในขณะเดียวกันก็มี ความเสี่ยงที่จะถูกคำตอบผิดหลอก สูงเช่นกัน
- ผู้ช่วยวิจัยที่ให้คำตอบต่างกันทุกครั้งและถูกต้องเพียงบางครั้งย่อมเชื่อถือได้ยาก
- ข้อความ “AI responses may include mistakes” ของ Google ไม่ใช่แค่คำเตือนธรรมดา และสรุปที่สร้างโดย AI อาจเป็น ข้อมูลเท็จโดยสมบูรณ์ ที่ไม่เกี่ยวข้องกับความเป็นจริง
2 ความคิดเห็น
ดูเหมือนว่าควรให้ LLM ทำแค่การสรุปจะดีกว่า กระบวนการค้นหาแหล่งที่มาของข้อมูลและการตรวจสอบยืนยันเป็นสิ่งที่จำเป็นอย่างยิ่ง
ความคิดเห็นบน Hacker News
Gemini ใน Google Search ไม่สนใจบริบทหรือความถูกต้อง แต่แต่งเนื้อหาขึ้นมาเองตามใจให้ดูเหมือนสนับสนุนคำค้นหา แทบจะเป็นการ แต่งความจำเทียม (confabulation) เต็มรูปแบบ และถ้าลองเองจะรู้สึกน่าตกใจมาก
ถ้ารู้อยู่แล้วว่าผลลัพธ์ที่หาเป็นอะไร ก็พอใช้เป็นตัวช่วยจำได้ แต่ถ้าไม่รู้อะไรมาก่อนก็เชื่อได้ยากมาก
ผลลัพธ์ของ Google Veo ก็ถ้าดูละเอียดจะเห็นช่องโหว่เต็มไปหมดคล้ายกัน และดูเหมือนไม่มีร่องรอยว่า การให้เหตุผล เข้าไปเกี่ยวข้องกับผลลัพธ์เลย
ข้อผิดพลาดชวนขำของ Veo: https://arstechnica.com/ai/2025/05/ai-video-just-took-a-star...
ตัวอย่างที่ Tesla FSD ทำงานแปลก ๆ: https://electrek.co/2025/05/23/tesla-full-self-driving-veers...
อย่างที่ Ben Evans พูดไว้ คำสัญญาว่า “มันจะดีขึ้น” มีขีดจำกัด และสุดท้ายก็เป็นคำสัญญาที่ว่างเปล่า
เมื่อวาน AI Overview สร้าง อัลบั้มที่ไม่มีอยู่จริง ของนักดนตรีชาวอิตาลีที่เสียชีวิตไปแล้วขึ้นมาทั้งชุด ตอนที่ค้นหางานรำลึกที่จัดในสถานที่แสดงคอนเสิร์ตในเบอร์ลิน
พูดง่าย ๆ คือมันเอาชื่อสถานที่แสดงมา แล้วอ้างว่าเป็นผลงานสำคัญที่สุดของศิลปินคนนั้น
ที่ตลกคือพอเอาคำตอบนั้นไปวางใน ChatGPT มันกลับวิจารณ์ความผิดพลาดของ AI Overview อย่างเผ็ดร้อนและประชดประชันจนอดขำไม่ได้
ถ้าเป็นเมื่อก่อนคงไม่มีทางผ่านได้ แต่เดี๋ยวนี้บรรยากาศเหมือนประมาณว่า “พอใช้ได้”
ไม่เข้าใจว่าทำไมต้องยอมรับผลลัพธ์ที่เป็นเท็จหรือไม่ถูกต้อง
สุขอนามัยด้านข้อมูลสำคัญมาตั้งแต่เดิมแล้ว แต่ต่อไปน่าจะกลายเป็นทักษะที่จำเป็นจริง ๆ
[ปีรุ่น] [ผู้ผลิต] [รุ่น] [ฟีเจอร์]ซึ่งถ้าเป็น Google สมัยก่อนน่าจะจัดการได้อย่างสมบูรณ์แบบ แต่ตอนนี้ 90% ของหน้าผลลัพธ์เต็มไปด้วยเศษซาก AI เกี่ยวกับ รุ่นรถผิด ปีรุ่นผิด และถึงขั้นผู้ผลิตผิดอย่างน้อยก็ยังมี YouTube หนึ่งคลิปที่พอช่วยได้บ้าง แต่ต้องเลื่อนไปถึงล่างสุดของหน้า ถึงจะเจอคำตอบแบบ Google ยุคเก่าในฟอรัมรถคนละคันเลย ขอบคุณ CamaroZ28.com
ทั้งที่รู้ว่าบริเวณใกล้ ๆ นั้นจริง ๆ มีแค่เรือนจำ, Costco, บ้านชนบทไม่กี่หลัง และพื้นที่ว่างเปล่าเท่านั้น
น่าทึ่งที่มันเอาขยะเท็จและถูกปั้นแต่งขึ้นมาล้วน ๆ ไปยัดไว้บนสุดของหน้าค้นหา
หัวข้ออย่างกฎหมายแรงงานหรือการค้นหาอื่น ๆ ก็มักคืนข้อมูลแย่ ๆ บ่อย
เรื่องนี้คงตลกดี ถ้าผู้คนไม่ได้พึ่งพามันจริง ๆ
ปรากฏการณ์นี้น่าหงุดหงิดมาก ผมเข้าใจ หรืออย่างน้อยก็รู้ถึง ลักษณะเชิงความน่าจะเป็น และข้อจำกัดของ LLM แต่เวลาชี้ให้ภรรยาหรือเพื่อน ๆ เห็นว่าพวกเขาใช้ LLM ผิดงาน ในงานที่ไม่เหมาะและเชื่อถือไม่ได้ พวกเขาก็แค่ปัดมือแล้วมองว่าผมเป็นพวกมอง AI ในแง่ร้าย
พวกเขายังให้ LLM คำนวณอยู่ เช่น ให้ช่วยหารบิล และยังถือว่าผลลัพธ์การค้นข้อมูลเชิงข้อเท็จจริงเชื่อถือได้ 100% และถูกต้องเสมอ
ประเด็นสำคัญคือในเมื่อแชตบอตทำงานได้กว้างมาก จะมีเหตุผลอะไรที่ต้อง สลับบริบท ไปใช้อีกแอปหนึ่งต่างหากเพราะงานแบบนี้
กรณีแบบนี้น่าจะเกิดบ่อยขึ้นใน use case อื่น ๆ ด้วย และสุดท้ายความใช้งานง่ายก็ชนะทุกอย่าง
ข้อความปฏิเสธความรับผิดชอบง่าย ๆ อย่าง “คำตอบจาก AI อาจมีข้อผิดพลาด” หรือข้อความท้ายหน้า ChatGPT ที่ว่า “ChatGPT อาจทำผิดพลาดได้ โปรดตรวจสอบข้อมูลสำคัญ” ตอนนี้ชัดเจนแล้วว่าไม่เพียงพอ
ความจริงคือมีข่าวความเสียหายจาก การหลอน ของ LLM ในบางสาขาออกมาต่อเนื่องมาหลายปีแล้ว แต่ผู้คนก็ยังตกเป็นเหยื่ออยู่ ดังนั้นตราบใดที่ผู้ให้บริการยังแก้การหลอนได้ไม่หมด ก็ต้องให้ความรู้ผู้ใช้เรื่องความเป็นไปได้ของข้อผิดพลาดอย่างเชิงรุกมากกว่านี้มาก
แม้จะเพิ่มแรงเสียดทานในการใช้งานก็จำเป็น
แรงเสียดทานมีอยู่แล้ว บริษัท AI และผู้ให้บริการคลาวด์ต่างก็ใช้งาน “โมเดลที่ถูกเซ็นเซอร์” และในแต่ละชั้นก็มีการเพิ่มการเซ็นเซอร์มากขึ้นเรื่อย ๆ
แล้วแรงเสียดทานที่มากกว่านี้คืออะไร? แสดงป็อปอัปเพิ่มหรือ?
ถ้าเลือกทางแรก ก็เท่ากับฆ่าธุรกิจโฮสต์โมเดลไปโดยปริยาย
บริษัทต่าง ๆ อาจพัฒนาโมเดลเพื่อใช้ภายในและให้พนักงานใช้ได้ แต่ public API จะหายไป
บริษัทต่าง ๆ จะใช้หรือให้ไลเซนส์โมเดลกันเองผ่านสัญญาที่มีผลผูกพันทางกฎหมาย แต่ประชาชนทั่วไปจะเข้าถึงไม่ได้หากไม่มีมาตรการลดความเสี่ยงทางกฎหมาย
อีกไม่กี่ปีหลังจากท่าทีผ่อนคลายลง บริษัทบางแห่งอาจเริ่มผลักขอบเขตได้บ้าง เช่น ทำให้กระบวนการอนุมัติจากฝ่ายกฎหมายเป็นอัตโนมัติ หรือเปิดให้สมัครใช้งาน
ตอนที่ Google Maps พาไปผิดที่ เช่น ย่านแปลก ๆ ก็กลายเป็นข่าว และต้องรับมือวิกฤต PR
แต่ตอนนี้แค่ติดข้อความปฏิเสธความรับผิดชอบแบบนั้นหนึ่งบรรทัดก็จบ
ความใจกว้างของสาธารณชน ที่เทคโนโลยีเหล่านี้ได้รับนั้นไม่สมดุลและน่าท้อใจ
คงค่อนข้างยากที่จะทำข้อความปฏิเสธความรับผิดชอบให้ได้ผลเท่ากับการโดนกัดสักครั้ง
อย่างที่ CEO ของ Anthropic เพิ่งพูดถึงการว่างงานจำนวนมาก พวกเขาพูดทำนองนั้นมาหลายครั้งแล้ว
ไม่เห็นว่าจะทำให้การเน้นย้ำความเป็นไปได้ของข้อผิดพลาดอยู่ร่วมกับคำมั่นเรื่องการทดแทนแรงงานมนุษย์ได้อย่างไร
โมเดลภาษาไม่ได้ถูกออกแบบมาให้รู้อะไรบางอย่าง แต่ถูกออกแบบมาให้พูดอะไรบางอย่าง นั่นจึงเป็นเหตุผลที่เรียกว่าโมเดลภาษา ไม่ใช่ โมเดลความรู้
เมื่อมีคำที่สร้างขึ้นมาก่อนหน้าแล้ว มันก็เพิ่มคำถัดไปต่อไปตามความถี่ที่ลำดับนั้นพบได้บ่อยเพียงใด
เหตุผลที่คำตอบเปลี่ยนไปทุกครั้งคือมีตัวสร้างเลขกึ่งสุ่มเข้ามามีอิทธิพลตอนเลือกคำถัดไป
โมเดลดูการกระจายความน่าจะเป็นของคำถัดไปที่เป็นไปได้มากที่สุด และถ้าค่าตั้งต้นที่เรียกว่า
temperatureเป็น 0 ก็จะไม่มีอิทธิพลแบบสุ่ม จึงเลือกคำถัดไปที่เป็นไปได้มากที่สุดเสมอ หรือก็คือ top-1 MLEใน GUI จริง ๆ แล้วตั้งเป็น 0 ไม่ได้ เพราะถ้าทำเช่นนั้นจะได้ผลลัพธ์ที่เราจัดว่า “น่าเบื่อมาก”
ดังนั้นโมเดลจึงไม่ได้รู้อะไรเกี่ยวกับ IBM, PS/2, 80286 และ 80486, CPU, 280 หรือโมเดลเฉพาะนั้นเอง
คำตอบหนึ่งดูเหมือนจะบอกเป็นนัยว่าไม่มีรุ่น 280 เลยสงสัยว่ามันถูกสร้างด้วยกระบวนการอื่นหรือไม่ เป็นผลจากวิธีนำฟีดแบ็กผู้ใช้ไปปรับด้วย reinforcement learning หรือไม่ หรือเป็นแค่ผลลัพธ์ที่โชคดีจากการเลือกคำถัดไปแบบสุ่มเดียวกัน
เหตุผลที่ UI บนคลาวด์ไม่อนุญาตให้ตั้ง temperature 0 น่าจะเป็นเพราะบางครั้งโมเดลจะติดลูปทำซ้ำโทเค็นไม่รู้จบ และถ้าคนทั่วไปเห็นแบบนั้นอาจทำให้ความรู้สึกสมจริงพังลง
Google ดูเหมือนกำลังทำผิดพลาดด้วยการเปลี่ยนการให้ความรู้เป็นการให้คำ
อย่างไรก็ตาม จากมุมมองของธุรกิจจริงอย่างรายได้โฆษณา อาจไม่มีความแตกต่างก็ได้
ในเว็บไซต์ Google Search ข้อความปฏิเสธความรับผิดชอบแบบอ่อน ๆ ที่ว่า “คำตอบจาก AI อาจมีข้อผิดพลาด” แสดงเป็นตัวอักษรเล็ก ๆ และยังถูกซ่อนไว้หลังปุ่ม Show more อีกด้วย
ตอน OpenAI เปิดตัว ChatGPT ผมต้องอธิบายให้อาจารย์ที่ไม่ได้จบวิทยาการคอมพิวเตอร์ฟังว่านี่ไม่ใช่ AI แบบที่ผู้คนคิดกัน แต่ในตอนนี้ใกล้เคียงกับ ความซุกซนเชิงคำนวณ ที่ดูเหมือน AI มากกว่า
แต่กลับพบว่าความซุกซนนี้ยอดเยี่ยมมากสำหรับการโกงการบ้าน
ถ้าไม่ได้ใส่ใจเรื่องคุณภาพหรือลิขสิทธิ์มากนัก ก็เหมาะจะใช้เป็นกลเม็ดหลอก ๆ ในงานอีกหลายประเภทด้วย
การถกเถียงกันว่าสิ่งที่มันทำภายในนั้น “ไม่ใช่ Scotsman ที่แท้จริง” อะไรทำนองนั้นไม่มีความหมาย
เพราะเราเองก็ไม่รู้ว่าสมองมนุษย์ทำอะไรอยู่ภายในเช่นกัน
Gemini ดูเหมือนจะถูกปรับให้ตอบคำถามแบบที่คนทั่วไปมักพิมพ์เข้าไป แต่ถ้าใส่คำค้นหาแบบดั้งเดิมมากขึ้น ก็จะได้คำเพ้อเจ้อที่แต่งขึ้นมา
ผมเห็นคนจำนวนมากเชื่อ AI Overview ราวกับเป็นคำพยากรณ์
ผมมองว่านี่คือวิธีที่คน “ทั่วไป” ที่ไม่ได้ใช้ LLM โดยตรงมีปฏิสัมพันธ์กับ AI
มันไม่ได้แบ่งตามช่วงอายุเหมือนความเชื่อถือข่าว แต่ความเชื่อถือผลลัพธ์จาก AI ดูเหมือนจะตัดผ่านประชากรแทบทุกกลุ่ม
ดูเหมือนเผ่าพันธุ์มนุษย์จะชอบคำตอบจากคอมพิวเตอร์ที่มั่นใจโดยไม่มีหลักฐาน
ตำแหน่งนั้นบนหน้าค้นหามี UI “ข้อความที่คัดมาจากหน้าเว็บ” มานานกว่า 10 ปี และมันก็สมเหตุสมผล
มันช่วยลดการคลิกไปหนึ่งครั้ง และถ้าคุณเชื่อถือเว็บต้นทาง รวมถึงเชื่อเทคโนโลยีการดึงข้อความของ Google อยู่บ้าง ก็แทบไม่มีอะไรให้น่าสงสัย
เช่น เมื่อค้นหาคำถามทางการแพทย์ง่าย ๆ แล้วมีข้อความคัดจาก Mayo Clinic โผล่ขึ้นมา แค่เชื่อถือ Mayo Clinic ก็เพียงพอแล้ว
บางครั้งผมยังคัดลอกข้อความที่ Google ดึงมา แล้วเข้าไปในหน้าเว็บเพื่อใช้
ctrl-fหาอีกทีGoogle เลือกแหล่งที่มีชื่อเสียงได้ค่อนข้างดี และข้อความที่คัดมาก็มักพบอยู่ในหน้าเว็บจริงในแบบที่ไม่บิดเบือนบริบท จึงเพียงพอที่จะสร้างความเชื่อถือ
เมื่อเวลาผ่านไป ระบบนั้นเลือกแหล่งที่เชื่อถือได้แย่ลง และน่าจะเพราะถูก SEO เล่นงาน
แต่ตอนนี้ตำแหน่งนั้นถูก AI Overview เข้ามาแทนที่แล้ว
ผมไม่ได้ต่อต้าน AI โดยตัวมันเอง แต่ AI นั้นแตกต่างโดยพื้นฐานจาก “การแสดงข้อความที่เกี่ยวข้อง ตรวจสอบได้ และนำมาจากแหล่งที่เราเชื่อถือ ภายในไม่กี่มิลลิวินาที”
ถ้าครั้งแรกไม่ได้รับการยืนยัน ก็จะปรับคำถามใหม่ไปเรื่อย ๆ จนได้คำตอบที่ต้องการ
เพราะทุกอย่างกลายเป็น เศษขยะสแปม SEO ที่ไม่น่าเชื่อถือและทำให้เข้าใจผิด
แค่คิดว่า AI Overview จะทำให้เรื่องนี้เลวร้ายลงแค่ไหนก็ขนลุกแล้ว
เรากำลังก้าวเข้าสู่ยุคที่ค้นว่า “เครื่องพิมพ์ทำงานอย่างไร” แล้วระบบบอกว่ามันสร้างขึ้นจากระบบรอกกับเชือก และผู้คนก็เชื่อแบบไม่ลืมหูลืมตาหรือเปล่า
ขนาดของข้อผิดพลาดที่ผมเห็นจากการค้นหาหลายสิบครั้งในสาขาที่ผมสนใจก็ประมาณนั้น และทุกคนก็คงเคยเห็นสกรีนช็อตคำตอบที่เหลวไหลกว่านั้นมาก หรือเป็นอันตรายอย่างโจ่งแจ้งมาแล้ว
“คำตอบจาก AI อาจมีข้อผิดพลาด” คือ ประโยคสำคัญที่สุด ที่ผมอยากตะโกนใส่การถกเถียงเรื่อง AI ทั้งหมด
นอกจากผลกระทบด้านพลังงานและสภาพภูมิอากาศแล้ว ประเด็นแกนกลางของการถกเถียงเรื่องจริยธรรม AI หรือความปลอดภัยของ AI ก็ควรเป็นเรื่องนี้ด้วย
ถ้ากระแสความร้อนแรงนี้ยังดำเนินต่อไปโดยไม่มีการควบคุม สองเรื่องนี้แหละที่จะสร้างความเสียหายใหญ่ที่สุดให้เรา
แต่ผู้คนไม่ตระหนักถึงเรื่องนี้ และปฏิบัติต่อมันเหมือนคำพยากรณ์ที่ทรงอำนาจทุกอย่าง
สุดท้ายแล้วมันคือโมเดลสถิติ ดังนั้นความน่าจะเป็นที่ลิงจะสร้างผลงานของ Shakespeare ออกมาได้ก็ไม่ใช่ศูนย์
ดังนั้น Google จับทิศทางการค้นหาผิดโดยพื้นฐานแล้ว ดูเหมือนจะไม่สนใจ ความถูกต้อง ของผลลัพธ์อีกต่อไป และสนใจเป็นหลักแค่การให้คำตอบเร็ว ๆ พร้อมชุดลิงก์สปอนเซอร์ด้านล่าง
ผมเคยเห็นสกรีนช็อตเนื้อหาที่อาจทำให้คนตายหรือทำให้ตกอยู่ในปัญหาทางกฎหมายได้ด้วย
ตอนนี้ดูเหมือนมันจะพัฒนากลายเป็น “สร้าง ภาพหลอน ดีกว่าให้คำตอบปฏิเสธ” ไปแล้ว
AI เหมือนคนคนหนึ่งที่สามารถพูดอะไรบางอย่างได้ในทุกหัวข้อด้วยความมั่นใจมหาศาล ดังนั้นผมจึงไม่ค่อยเข้าใจว่าทำไมต้องเชื่อมันมากกว่าบทสนทนาในบาร์
AI ไม่มีสัญญาณที่แสดงความไม่มั่นใจ และจากประสบการณ์ที่อัลกอริทึมแบบดั้งเดิมมักให้คำตอบที่ถูกต้อง ผู้คนจึงเชื่อถือ ผลลัพธ์จากเครื่อง สูง
สัดส่วนของคนที่มองอย่างมีวิจารณญาณคงมีน้อยมาก
ในหลายความหมายก็ต้องใช้ความกล้าจริง ๆ เพราะยังมีความเสี่ยงที่จะถูก John Ratzenberger ฟ้องด้วย
ไม่กี่วันก่อนผมมีประสบการณ์กับ ChatGPT และโค้ด Python
ผมอยากแก้ไขคลาส logger ของ Gunicorn เพื่อกรอง URL path บางรายการออก
เพราะมันเป็น hot code path ที่รันในทุก request ผมจึงบอกว่าทำวิธีแก้ไว้ 3 แบบ และอยากดูว่าแบบไหนเร็วที่สุด
ผมเปรียบเทียบลิสต์+ลูปที่ใช้
startswith, regex ที่คอมไพล์ไว้ และstartswithที่ส่งทูเพิลของ path เข้าไปChatGPT สร้างโค้ด benchmark กับผลลัพธ์ให้ และบอกว่า วิธี regex ดีที่สุดและเร็วที่สุดใน Python standard library
ผมไม่ค่อยเชื่อ เลยรัน benchmark เอง ปรากฏว่า เวอร์ชันทูเพิล เร็วกว่า regex มากกว่า 5 เท่า
พอบอกว่าผลลัพธ์ต่างกัน มันก็ตอบประมาณว่า “อ้อใช่ ขอบคุณที่แก้ให้ เวอร์ชันทูเพิลเร็วที่สุดจริง ๆ!” แทบจะทันที
มันช่วยประหยัดเวลาเขียนโค้ด benchmark ไปไม่กี่นาที แต่สำหรับเรื่องที่ผมไม่มั่นใจ 100% ผมแทบไม่เชื่อผลลัพธ์ของมันเลย