เอไอไม่ได้เป็นกลาง กระจกที่บิดเบือนความจริง | คิดอนาคต

ความเอนเอียงนี้ไม่ได้เกิดจากเจตนาของเครื่องจักร แต่เป็นผลพวงของการเทรนข้อมูล มาตรฐานที่เอไอเรียนรู้และวิธีการที่มนุษย์สอนหรือใช้กำหนดทิศทางการเรียนรู้ของเอไอ

เอไอจึงยังเป็นกระจกที่บิดเบือนความจริง อาจขยายบางประเด็น และลบเลือนบางเสียงไป หากเราไม่ทันระวังก็อาจทำให้เรามองภาพที่ไม่ตรงกับความเป็นจริง แล้วใช้เอไอตัดสินใจแทนโดยไม่รู้ตัว การเข้าใจที่มาของความฉลาดของเอไอในทุกวันนี้จะช่วยให้เราตระหนักและรู้เท่าทันถึงการส่งต่ออคติจากมนุษย์สู่เอไอ

กระบวนการเรียนรู้ของเอไอที่เป็น Generative AI โดยทั่วไปเริ่มต้นจากการเทรนรอบแรก (Pre-training) ซึ่งใช้ข้อมูลจำนวนมหาศาลจากอินเทอร์เน็ต หนังสือ บทความและโค้ด ข้อมูลเหล่านี้มีทั้งความรู้และสะท้อนอคติที่แฝงอยู่ในสังคม เช่น ภาษาที่ใช้บ่อยจนบดบังภาษาเล็กๆ เรื่องราวจากกลุ่มคนชายขอบที่ถูกบันทึกน้อย หรือมุมมองที่ถูกทำให้เงียบลงโดยโครงสร้างอำนาจทางสังคม

เมื่อโมเดลเรียนรู้บนฐานข้อมูลเหล่านี้ โลกที่ปรากฏจึงไม่เท่ากับโลกจริง แต่เป็นโลกที่เอียงตามเสียงส่วนใหญ่ เมื่อเสร็จสิ้นการเทรนรอบแรก โมเดลจะผ่านการสอนแบบตามคำแนะนำของมนุษย์ (Instruction training)  ทีมวิศวกรจะยกตัวอย่างว่าเอไอที่ดีควรตอบอย่างไร ควรปฏิเสธเรื่องใด และควรรักษาน้ำเสียงแบบไหน 

ดังนั้น ทุกตัวอย่างล้วนมีกรอบคิดของผู้สอนอยู่เบื้องหลัง มาตรฐานของความเหมาะสมและปลอดภัยไม่ได้เป็นสากล แต่มาจากวัฒนธรรม กฎหมาย และความรู้สึกของสังคมหนึ่งๆ เอไอในช่วงนี้จึงเหมือนเด็กที่ถูกอบรมให้สุภาพและนอบน้อม แต่ก็รับเอาน้ำเสียง ความมั่นใจเกินจริง และกรอบคิดทางศีลธรรมของผู้สอนมาโดยตรง

ขั้นตอนสุดท้ายคือ การเรียนรู้จากรางวัล (Reinforcement Learning) ที่ให้มนุษย์ให้คะแนนคำตอบที่ได้จากเอไอแล้วนำไปปรับพฤติกรรมโมเดล หากผู้ประเมินเป็นกลุ่มที่ไม่หลากหลาย

เอไอก็จะเรียนรู้ที่จะทำให้ผู้ตัดสินกลุ่มเล็ก ๆ พอใจ มากกว่าจะสะท้อนมุมมองกว้างของโลกที่ซับซ้อน กระบวนการนี้ยังทำให้โมเดลมีแนวโน้มตอบสนองอย่างประจบสอพลอหรือย้ำคำตอบที่เคยได้รางวัลบ่อยครั้ง แม้ว่าจะไม่ใช่คำตอบที่แม่นยำที่สุด

ทั้งหมดนี้ไม่ได้หมายความว่าเอไอจะไม่มีประโยชน์ แต่การต้องรู้ทันเอไอเป็นสิ่งสำคัญมาก การตระหนักว่า คำตอบจากเอไอเป็นเพียงร่างแรกที่ฉลาดในการรวบรวม ไม่ใช่คำวินิจฉัยสุดท้าย วิธีการที่ช่วยลดความเอนเอียงคือ การให้โมเดลเปิดเผยที่มาและสมมติฐานสำคัญ การขอให้แสดงมุมตรงข้ามหรือข้อโต้แย้ง การกำหนดขอบเขตคำตอบอย่างชัดเจนว่าต้องใช้หลักฐาน ไม่ใช่เพียงความเห็น ตลอดจนการเปรียบเทียบคำตอบจากหลายโมเดลหรือหลายเวอร์ชันเพื่อค้นหาความแตกต่าง

ในการใช้งานทั่วไปในชีวิตประจำวัน เราจำเป็นต้องตรวจสอบผลจากเอไออย่างมีวิจารณญาณ หรืออาจสามารถใช้ Prompt เสริมเข้าไปจากปกติเพื่อช่วยลดอคติ เช่น

(1) การถามเพื่อให้เห็นหลายมุมมอง (ลด framing bias) เช่น ช่วยตอบคำถามนี้โดยนำเสนออย่างน้อย 3 มุมมองจากบริบทที่แตกต่างกัน เช่น มุมมองของประเทศกำลังพัฒนา ประเทศพัฒนาแล้ว และผู้เชี่ยวชาญอิสระ พร้อมอธิบายข้อดีและข้อจำกัดของแต่ละมุมมอง

(2) การถามเพื่อเน้นหลักฐาน (ลด bias จากความมั่นใจเกินจริง) เช่น ช่วยตอบคำถามนี้โดยระบุที่มาหรือหลักฐานอ้างอิงที่สามารถตรวจสอบได้ หากไม่มีข้อมูลที่ชัดเจน ให้ระบุว่าไม่มีหลักฐานที่แน่นอนและเสนอข้อสังเกตเชิงสมมติแทน

(3) การถามเพื่อบังคับให้แสดงมุมตรงข้าม (ลด confirmation bias) เช่น ช่วยอธิบายประเด็นนี้ในสองด้าน 1) เหตุผลที่สนับสนุนความเชื่อนี้ และ 2) เหตุผลที่โต้แย้งหรือวิจารณ์ความเชื่อนี้ แล้วสรุปว่าทั้งสองด้านมีจุดแข็งและจุดอ่อนอย่างไร

(4) การถามเพื่อเพิ่มความเป็นธรรมต่อกลุ่มคนและภาษา (ลด cultural bias) เช่น ช่วยตอบคำถามนี้โดยคำนึงถึงความแตกต่างทางวัฒนธรรม และยกตัวอย่างกรณีจากสังคมตะวันตกและสังคมไทยเปรียบเทียบกัน เพื่อให้เห็นทั้งความเหมือนและความต่าง

(5) การถามเพื่อให้เอไอวิจารณ์ตัวเอง (self-critique) เช่น กรุณาตอบคำถามนี้ตามปกติ จากนั้นช่วยวิจารณ์คำตอบของคุณเองว่า อาจมีอคติหรือข้อจำกัดตรงไหน และจะแก้ไขได้อย่างไร

การรับมือกับอคติของเอไอควรเป็นท่าทีทางปัญญาของทุกคนที่จะไม่รีบเชื่อ ไม่ปักใจว่าเครื่องจักรปลอดจากอคติ และไม่ใช้เอไอเพื่อยืนยันสิ่งที่อยากฟังเท่านั้น 

การตั้งคำถามใหม่ การตรวจสอบหลักฐาน การชวนให้เอไอวิจารณ์ตัวเอง และการเปรียบเทียบข้ามแหล่งข้อมูล จะทำให้เอไอเป็นผู้ช่วยที่ส่องให้เห็นจุดบอดของเรา แทนที่จะปกปิดมัน

ความจริงคือ เอไอไม่เคยยุติธรรมและเป็นกลางตั้งแต่กำเนิด การรู้ทันเอไอจะเปลี่ยนให้กระจกที่บิดเบือนเป็นกระจกใสขึ้น แม้ภาพที่สะท้อนอาจยังไม่สมบูรณ์ แต่ก็เพียงพอให้เราใช้ประโยชน์อย่างมั่นใจมากขึ้นในโลกที่คนและเครื่องจักรต้องอยู่ร่วมกันอย่างหลีกเลี่ยงไม่ได้อีกต่อไป