ทันเอไอ

งานวิจัยชี้โมเดลภาษาอาจไม่เพียงพอต่อการตัดสินใจเชิงตัวเลข ชี้ต้องพึ่งโมเดลเชิงปริมาณขนาดใหญ่

งานวิจัยชี้ข้อจำกัดของโมเดลภาษาขนาดใหญ่ในการตัดสินใจเชิงปริมาณ พร้อมเสนอความจำเป็นของโมเดลเชิงปริมาณขนาดใหญ่

วงการปัญญาประดิษฐ์กำลังเผชิญมุมมองใหม่ เมื่อบทความวิชาการชิ้นล่าสุดบนคลังเอกสาร arXiv (รหัสอ้างอิง arXiv:2609.12105) โดย Reuben Vandeventer, David Imrem และ David J. Wild ได้เผยแพร่บทความชื่อ "Language Is an Insufficient Substrate for Quantitative Reasoning, and Consequential Domains Need Large Quantitative Models"

บทความดังกล่าวโต้แย้งความเชื่อกระแสหลักในแวดวงการเรียนรู้ของเครื่อง (Applied Machine Learning) ที่มักคาดหวังว่าการพัฒนาโมเดลภาษาขนาดใหญ่ (LLMs) จะช่วยแก้ปัญหาการตัดสินใจเชิงปริมาณที่มีความสำคัญสูงได้ เช่น การประเมินความเสี่ยงด้านราคา การจัดสรรเงินทุน การคัดกรองผู้ป่วย หรือการรับมือกับการบุกรุกเครือข่าย

ผู้เขียนอธิบายว่า โมเดลภาษาถูกฝึกฝนจากคำบรรยายของมนุษย์ ซึ่งกระบวนการแปลงข้อมูลเชิงปริมาณให้อยู่ในรูปภาษานั้นถือเป็นการสูญเสียข้อมูล (Lossy Encoding) และเป็นการสูญเสียที่ไม่สามารถย้อนกลับได้ หมายความว่าต่อให้ขยายขนาดโมเดลให้ใหญ่แค่ไหน ก็ไม่สามารถกู้คืนข้อมูลเชิงปริมาณที่แม่นยำซึ่งหายไปจากคำบรรยายนั้นกลับมาได้

จากข้อจำกัดดังกล่าว คณะผู้เขียนจึงเสนอแนวคิดเรื่อง "Large Quantitative Models" หรือ LQM ซึ่งเป็นโมเดลเชิงปริมาณขนาดใหญ่ที่ออกแบบมาเพื่อรองรับงานที่มีผลกระทบสูงโดยเฉพาะ โดยต้องมีคุณสมบัติสำคัญที่โมเดลภาษาไม่มี ได้แก่ ความสามารถในการทำซ้ำ (Reproducibility), การตรวจสอบที่มาของข้อมูล (Lineage) ที่สามารถสืบค้นผลลัพธ์ย้อนกลับไปยังแหล่งข้อมูลดิบได้ และความไม่แน่นอนที่ผ่านการสอบเทียบ (Calibrated uncertainty)