ကုမ္ပဏီများသည် ပြဿနာများကို အတူတကွလုပ်ဆောင်ရန် AI အေးဂျင့်များကို အမြဲတစေ အသုံးချလာသောကြောင့် Konstanz တက္ကသိုလ်မှ သုတေသီများသည် မတည်မငြိမ်ဖြစ်နေသော အပြုအမူဆိုင်ရာ အထောက်အထားများကို ထုတ်ပေးခဲ့သည်- AI အေးဂျင့်များသည် အများစု၏ ထင်မြင်ယူဆချက်အတိုင်း သူ့အလိုလို လိုက်လျောညီထွေဖြစ်စေကာ ဂန္တဝင်စိတ်ပညာစမ်းသပ်မှုများတွင် လူသားများကဲ့သို့ အုပ်စုဖိအားအောက်တွင် မှားယွင်းသောအဖြေများပေးသည် — နှင့် ခေါင်းမာသော ရန်ဘက်အနည်းစုသည် လူအများစု၏ထင်မြင်ချက်ကို အပြီးတိုင်ပြောင်းသွားနိုင်သည်။
PsyPost မှအစီရင်ခံတင်ပြသောတွေ့ရှိချက်သည် Konstanz တက္ကသိုလ်ရှိ Data and Methods စင်တာအတွင်းရှိလုပ်ဖော်ကိုင်ဖက် Claudio Castellano နှင့် David Garcia မှပါရဂူဘွဲ့လွန်သုတေသီနှင့်ကထိက Giordano De Marzo ဦးဆောင်သောသုတေသနပရိုဂရမ်မှရရှိခြင်းဖြစ်သည်။ AI အေးဂျင့်များသည် လူများစု၏ အတိုင်းအတာထက် ကျော်လွန်၍ လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်နိုင်သည်ဟု ခေါင်းစဉ်တပ်ထားသော အဓိကလေ့လာမှုတွင် ဘာသာစကားပုံစံများသည် သဘောတူရန် ညွှန်ကြားချက်မရှိသော အုပ်စုများတွင် ထားရှိသည့်အခါ မည်သို့ပြုမူသည်ကို ဆန်းစစ်ခဲ့သည်။ For more context on this story, see our ongoing AI trends.
"AI အေးဂျင့်များသည် ကမ္ဘာပေါ်တွင် အမှန်တကယ် သရုပ်ဖော်သည့် ပုံစံသစ်တစ်မျိုးဖြစ်ပြီး၊ ဤနည်းပညာ ရောက်ရှိလာသည့်အခါတွင် ၎င်းသည် ရှုပ်ထွေးနေသည့်အရာများကို ပြီးမြောက်ရန် အချင်းချင်း အပြန်အလှန် ဆက်ဆံရမည်ဟု ရှင်းရှင်းလင်းလင်း သိလိုက်ရသည်" ဟု De Marzo က PsyPost သို့ ပြောကြားခဲ့သည်။ "ဒါက လူတွေနဲ့ တခြားတိရိစ္ဆာန်တွေနဲ့ ကြုံနေရတဲ့ အခြေအနေအတိုင်းပဲ၊ ဒါကြောင့် ဒီအတိုင်းပဲ ချဉ်းကပ်ခဲ့တယ်"
စမ်းသပ်ချက်- ညွှန်ကြားချက်မရှိ၊ အိမ်နီးချင်းများသာ
သုတေသီများသည် GPT၊ Claude နှင့် Llama မိသားစုများမှ လူကြိုက်များသော ဘာသာစကားပုံစံများကို အုပ်စုတစ်စုလျှင် ကိုယ်စားလှယ် ၅၀ ဖြင့် စတင်စုစည်းခဲ့သည်။ အေးဂျင့်တစ်ခုစီအား ကျပန်း၊ ကြားနေထင်မြင်ယူဆချက် နှစ်ခုမှတစ်ခုအား တာဝန်ပေးအပ်ခြင်းခံရသည် — "yes" သို့မဟုတ် "no" ကဲ့သို့သော စကားလုံးများကို တင်ဆောင်မည့်အစား "yes" သို့မဟုတ် "no" ကဲ့သို့သော အခြားအေးဂျင့်များ၏ လက်ရှိထင်မြင်ချက်စာရင်းကို ပြသထားသည်။ အေးဂျင့်များသည် ကိုက်ညီရန် တိကျပြတ်သားသော ညွှန်ကြားချက်မရှိဘဲ ယင်းစာရင်းကို အခြေခံ၍ ထင်မြင်ယူဆချက်အသစ်ကို ရွေးချယ်ရန်၊ ၎င်းတို့၏ အမြင်များကို ပျမ်းမျှ ဆယ်ကြိမ်စီ အပ်ဒိတ်လုပ်ရန် နှိုးဆော်ထားသည်။
ရလဒ်- GPT-4 Turbo နှင့် Claude 3 Opus ကဲ့သို့သော အဆင့်မြင့်မော်ဒယ်များ အပြည့်အဝညှိနှိုင်းပြီး 100% အေးဂျင့်များက နောက်ဆုံးတွင် တစ်ခုတည်းသော သဘောထားကို သဘောတူကြသည်။ GPT-3.5 Turbo ကဲ့သို့သော အားနည်းသော မော်ဒယ်လ်များသည် သဘောတူညီမှု လုံးဝ မရရှိခဲ့ပါ — ၎င်းတို့၏ သဘောတူညီချက် အဆင့်များသည် 50/50 ခွဲခြမ်း ဝန်းကျင်တွင် ကျပန်းပြောင်းလဲသွားပါသည်။
"AI အေးဂျင့်အုပ်စုတွေဟာ သူတို့ဘာသာသူတို့ အတူတကွ ထိန်းကျောင်းနိုင်ပါတယ်" ဟု De Marzo က ပြောကြားခဲ့သည်။ "အညီအမျှ ကောင်းမွန်သော ရွေးချယ်ခွင့် နှစ်ခု၊ အဖြေမှန်နှင့် သဘောတူရန် ညွှန်ကြားချက်မရှိသော ကြောင့် ၎င်းတို့သည် ၎င်းတို့ဝန်းကျင်ရှိ အများစုရှိသမျှကို လိုက်နာခြင်းဖြင့် မျှဝေထားသော ရွေးချယ်မှုတစ်ခုသို့ ရောက်ရှိလာပါသည်။"
ရာစုနှစ်ဟောင်း ရူပဗေဒဥပဒေ ထွက်ပေါ်လာသည်။
အကျိုးသက်ရောက်မှုကို တိုင်းတာရန်၊ သုတေသီများသည် ကျပန်းရွေးချယ်ခြင်းထက် အုပ်စု၏လူကြိုက်အများဆုံးရွေးချယ်မှုကို မည်မျှပြင်းထန်စွာ လက်ခံနိုင်သည်ကို တိုင်းတာသည့် "majority force" ဟုခေါ်သော မက်ထရစ်ကို သုတေသီများက သတ်မှတ်ခဲ့သည်။ ၎င်းတို့သည် ဤအပြုအမူကို သင်္ချာနည်းဖြင့် ပုံဖော်သောအခါ၊ ferromagnets များကို ဖော်ပြရန်အတွက် မူလပုံစံအတိုင်း ပြုလုပ်ထားသည်ကို တွေ့ရှိခဲ့ကြသည်- သံလိုက်ဓာတ်တွင် အဏုမြူများ လည်ပတ်နေသော သံလိုက်ဓာတ်သည် ၎င်းတို့၏ အိမ်နီးချင်းများနှင့် လိုက်လျောညီထွေဖြစ်လေ့ရှိသကဲ့သို့ AI အေးဂျင့်များသည် အများစု၏ ထင်မြင်ယူဆချက်နှင့် ကိုက်ညီနေတတ်သည်။
"သူတို့က တစ်ပုံစံတည်း လုပ်သွားတာကို အံ့သြမိပါတယ်" ဟု De Marzo က ပြောကြားခဲ့သည်။ "ကျွန်ုပ်တို့ စမ်းသပ်ခဲ့သည့် ပုံစံတိုင်းသည် မတူညီသော မိသားစုသုံးစုတွင် တူညီသော သင်္ချာဥပဒေသကို လိုက်နာကြပြီး အများစုအား ကျွန်ုပ်တို့ဟုခေါ်သော ကန့်သတ်ချက်တစ်ခုတွင်သာ ကွဲပြားပါသည်။ ထိုဥပဒေသည် သံလိုက်များကို ဖော်ပြရန်အတွက် ရူပဗေဒပညာရှင်တစ်ဦးအဖြစ် ရာစုနှစ်တစ်ခုကြာအောင် အသုံးပြုခဲ့သော သံလိုက်တစ်ခုဖြစ်ပြီး ဆိုလိုသည်မှာ တိုင်းတာထားသော ကိန်းဂဏန်းတစ်ခုသည် ပေးထားသောပုံစံတစ်ခု၏ အုပ်စုတစ်စုလုံး မည်သို့ပြုမူမည်ကို ခန့်မှန်းရန် လုံလောက်ပါသည်။"
အဖွဲ့များ ကြီးထွားလာသည်နှင့်အမျှ ညီညွတ်မှု အားနည်းလာသည်။ လူများစု အင်အားသည် အုပ်စု အရွယ်အစားဖြင့် ကျဆင်းလာသောကြောင့် ကြီးမားသော လူဦးရေသည် နောက်ဆုံးတွင် မတည်မငြိမ်ဖြစ်လာပြီး အုပ်စုကွဲများ ဖြစ်လာသည်။ မော်ဒယ်တစ်ခုစီတွင် တိုင်းတာနိုင်သော "အရေးပါသော အုပ်စုအရွယ်အစား" ရှိသည် — ယုံကြည်စိတ်ချစွာ သဘောတူညီမှုကို ရရှိနိုင်သည့် ကိုယ်စားလှယ်အရေအတွက် အများဆုံးဖြစ်သည် — နှင့် ထိုအရွယ်အစားသည် မော်ဒယ်၏ ကျိုးကြောင်းဆင်ခြင်နိုင်စွမ်းနှင့် ပြင်းထန်စွာ ဆက်စပ်နေသည်။ "အပြင်းထန်ဆုံး မော်ဒယ်များသည် အလွတ်သဘော လူ့အဖွဲ့များ ပုံမှန်အားဖြင့် ကွဲကွာနေသည့် ရာဂဏန်းထက် ရာဂဏန်းထက် ကျော်လွန်သော အုပ်စုများတွင် ညှိနှိုင်းနေကြသည်" ဟု De Marzo က ရှင်းပြသည်။
လူမှုရေးဖိအားအောက်တွင် အဖြေမှားများ
Alessandro Bellina၊ De Marzo နှင့် Garcia တို့၏ ပထမဆုံးသော နောက်ဆက်တွဲ ကြိုတင်ပုံနှိပ်ခြင်း "Alessandro Bellina, De Marzo နှင့် Garcia တို့၏ "ညီညွတ်မှုနှင့် လူမှုရေးဆိုင်ရာ အကျိုးသက်ရောက်မှုများ" သည် 1950 ခုနှစ်များ၏ နာမည်ကျော် Asch လိုက်လျောညီထွေမှုဆိုင်ရာ စမ်းသပ်မှုများကို လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ထားခြင်းဖြစ်ပြီး လူသားပါဝင်သူများသည် အုပ်စုတစ်ခုနှင့်လိုက်လျောညီထွေဖြစ်စေရန် ရိုးရှင်းသောအမြင်အာရုံမေးခွန်းများအတွက် မကြာခဏ မှားယွင်းသောအဖြေများကို ပေးလေ့ရှိသည်။
သုတေသီများသည် အခြားရွေးချယ်စရာနှစ်ခုနှင့် ကိုးကားသည့်မျဉ်း၏အရှည်ကို ကိုက်ညီခြင်းကဲ့သို့သော အမြင်အာရုံဆိုင်ရာ လုပ်ဆောင်စရာသုံးခုတွင် မော်ဒယ်များကို စမ်းသပ်ခဲ့သည်။ အထီးကျန်မှုတွင်၊ မော်ဒယ်များသည် အချိန်၏ 100% မှန်ကန်စွာဖြေဆိုခဲ့သည်။ သို့သော် အခြားပါဝင်သူအုပ်စုတစ်စုသည် မှားယွင်းသောစာကြောင်းကို ရွေးချယ်ခဲ့ကြောင်း အချက်ပြသောအခါ၊ မော်ဒယ်များသည် မှားယွင်းသောအဖြေနှင့် ကိုက်ညီနေတော့သည်။
ထိုပုံစံသည် Latané ၏လူမှုရေးအကျိုးသက်ရောက်မှုသီအိုရီကိုလိုက်၍ လိုက်လျောညီထွေရှိသောအုပ်စုအရွယ်အစား၊ တညီတညွတ်တည်းနှင့်အရင်းအမြစ်များ၏အခွင့်အာဏာအပေါ်မူတည်သောစိတ်ပိုင်းဆိုင်ရာမူဘောင်တစ်ခုဖြစ်သည်။ အခြားပါဝင်သူများကို "သိပ္ပံပညာရှင်များ" သို့မဟုတ် "တရားသူကြီး" ဟုပြောသောအခါ ၎င်းတို့သည် "ကလေးများ" သို့မဟုတ် "chatbots" များထက် မော်ဒယ်များသည် မှားယွင်းသောအဖြေများနှင့် လိုက်လျောညီထွေဖြစ်နိုင်ချေပိုများသည်။
"အုပ်စုတစ်စုက သဘောမတူရင် တစ်ယောက်တည်း ပြီးပြည့်စုံစွာ ဖြေဆိုတဲ့ အေးဂျင့်တွေဟာ သူတို့နဲ့ သဘောမတူရင် ခံနိုင်ရည်ရှိလာတယ်" ဟု De Marzo က မှတ်ချက်ပြုသည်။
ရန်ဘက်အုပ်စုငယ်များသည် လူဦးရေတစ်ခုလုံးကို လှန်နိုင်သည်။
AI Agents Societies တွင် စည်းလုံးညီညွတ်မှု စုစည်းမှု မှားယွင်းမှုကို ဖြစ်ပေါ်စေသည့် စည်းလုံးညီညွတ်မှု ထုတ်ပေးသည့် ဒုတိယမြောက် ကြိုတင်ပုံနှိပ်မှုတစ်ခု၊ အဆိုပါ ဒိုင်နနမစ်များသည် AI ဘေးကင်းမှုအတွက် အဓိပ္ပာယ်ကို ဆန်းစစ်ခဲ့သည်။ ပတ်ဝန်းကျင်မူဝါဒနှင့် လူမှုရေးတရားမျှတမှုကဲ့သို့သော အကြောင်းအရာများအတွက် မတူညီသော ထင်မြင်ချက်အတွဲပေါင်း 100 ကို မော်ဒယ်ကိုးခုကို စမ်းသပ်ကြည့်ရာ အစောပိုင်း အပြန်အလှန်တုံ့ပြန်မှုများသည် မှားယွင်းသောအများစုကို ဖန်တီးထားသောကြောင့် ၎င်းတို့သည် အစောပိုင်းအပြန်အလှန်တုံ့ပြန်မှုအများစုကို ဖန်တီးထားသောကြောင့် အေးဂျင့်လူဦးရေသည် " metastable" အခြေအနေသို့ မကြာခဏကျရောက်လေ့ရှိကြောင်း သုတေသီများက တွေ့ရှိခဲ့သည်။
အထူးခြားဆုံးမှာ၊ သုတေသီများသည် ကြိုတင်မှန်းဆနိုင်သော အကြံပြုချက်များကို ဖော်ထုတ်ခဲ့သည်။ မှားယွင်းသောထင်မြင်ယူဆချက်ကို ခေါင်းမာစွာထောက်ခံရန် အစီအစဥ်ရှိသော ဆန့်ကျင်ဘက်အေးဂျင့်အနည်းငယ်ကို မိတ်ဆက်ပေးခြင်းဖြင့် ၎င်းတို့သည် ကျန်လူဦးရေကို အပြီးအပိုင်လှန်ပစ်နိုင်သည် — နှင့် ခေါင်းမာသောအေးဂျင့်များကို ဖယ်ရှားပြီးနောက်တွင်ပင် ပုံမှန်အေးဂျင့်များသည် ညီညွတ်မှုဒိုင်းနမစ်ကြောင့် မှားယွင်းသောအခြေအနေတွင် သော့ခတ်ထားဆဲဖြစ်သည်။
"ဒါဟာ နှိုင်းယှဥ်ပြရုံမျှသာ မဟုတ်ပါဘူး၊ တစ်ဦးချင်း ကောင်းစွာ ညီညွတ်တဲ့ အေးဂျင့်တွေကြား ညီညွတ်မှုက လူဦးရေကို တည်ငြိမ်ပြီး စုပေါင်းမညီတဲ့ နိုင်ငံတွေအဖြစ် တွန်းပို့နိုင်ပါတယ်" ဟု De Marzo က ပြောကြားခဲ့သည်။ "မော်ဒယ်များကို တစ်ကြိမ်လျှင် တစ်ခုချင်း ချိန်ညှိခြင်းနှင့် အကဲဖြတ်ခြင်းသည် ၎င်းတို့ထဲမှ လူဦးရေ မည်သို့လုပ်ဆောင်မည်ကို အနည်းငယ်မျှ ပြောပြသည်။"
စေ့ဆော်မှုသည် ကြိုတင်ခန့်မှန်းနိုင်သည်- "လူသားများသည် အများအားဖြင့် ငြိမ်းချမ်းပြီး ကျိုးကြောင်းဆီလျော်မှုရှိကြသည်၊ သို့သော် လူသားအုပ်စုများသည် လူအုပ်များ၊ အထိတ်တလန့်နှင့် စစ်ပွဲများကို ဖြစ်ပေါ်စေပြီး ၎င်းတို့နှင့်ပတ်သက်ပြီး မည်သည့်အရာကမျှ မခန့်မှန်းနိုင်ပေ။ AI အေးဂျင့်လူဦးရေတွင် မည်သည့်အုပ်စုအဆင့်အပြုအမူများ ပေါ်ပေါက်လာသည်ကို ကျွန်ုပ်တို့ နားလည်လိုပြီး အေးဂျင့်အများအပြားကို ဖြန့်ကျက်၍ လွတ်လပ်စွာ အပြန်အလှန်ဆက်သွယ်ရန် မထွက်ခွာမီ ၎င်းတို့ကို နားလည်လိုပါသည်။"
အရေးကြီးသတိပေးချက်များ
သုတေသီများသည် AI အေးဂျင့်များသည် လူသားနှင့်တူသော လူမှုဉာဏ်ရည်ဉာဏ်သွေး ပိုင်ဆိုင်သည်ဟု မဆိုလိုပါ။ စမ်းသပ်မှုများသည် တမင်ရိုးရှင်းသော မြင်ကွင်းများကို အားကိုးသည် — မထင်သလို ရွေးချယ်စရာနှစ်ခု၊ မှတ်ဉာဏ်မရှိ၊ လောင်းကြေးမရှိ၊ အကျိုးဆက်များမရှိပါ။ "ကျွန်ုပ်တို့၏ တပ်ဆင်မှုသည် တမင်အနည်းငယ်မျှသာဖြစ်သည်" ဟု De Marzo မှ အသိအမှတ်ပြုခဲ့သည်။ "ဒါက ကန့်သတ်ချက်တစ်ခုပါ၊ ဒါပေမယ့် ကျွန်တော်တို့ တိုင်းတာတဲ့အရာက သူ့ရဲ့ အသန့်ရှင်းဆုံးပုံစံနဲ့ လိုက်လျောညီထွေဖြစ်ပြီး ရည်မှန်းချက်တွေ ဒါမှမဟုတ် ဆုလာဘ်တွေ ထပ်ထည့်တာက ပိုခက်ခဲတာထက် ညှိနှိုင်းရတာ ပိုလွယ်ကူစေမယ်လို့ မျှော်လင့်ပါတယ်။"
ရလဒ်များကို လွန်ကဲစွာဖတ်ခြင်းမှ ရှောင်ရှားရန် အဓိက လွဲမှားနေသည့်အချက်မှာ AI အေးဂျင့်များသည် ရှုပ်ထွေးသောလုပ်ငန်းဆောင်တာများတွင် ပူးပေါင်းလုပ်ဆောင်နိုင်ပြီဖြစ်ကြောင်း အထောက်အထားအဖြစ် သဘောထားခြင်းဖြစ်သည်။ အများစု-လိုက်နာခြင်းသည် ညှိနှိုင်းခြင်း၏ အခြေခံပါဝင်ပစ္စည်းဖြစ်ပြီး ညှိနှိုင်းဆောင်ရွက်ခြင်းမဟုတ်ဘဲ၊ အလုပ်သမား ခွဲဝေပေးခြင်း သို့မဟုတ် အခြားသူများ၏ ရည်ရွယ်ချက်များကို ကျိုးကြောင်းဆင်ခြင်ခြင်းအကြောင်း ဘာမှမပြောပေ။
နောက်ဆက်တွဲလေ့လာမှုနှစ်ခုသည် ကြိုတင်ပုံနှိပ်မှုများဖြစ်ပြီး ရွယ်တူချင်းသုံးသပ်ချက်မရသေးပါ။ သို့သော် Multi-agent AI စနစ်များသည် သုတေသနသရုပ်ပြများမှ ထုတ်လုပ်မှုအခြေခံအဆောက်အအုံသို့ ရွေ့လျားလာသည်နှင့်အမျှ၊ Konstanz ရလဒ်များသည် ထိုစနစ်များ၏ဘေးကင်းမှုသည် မော်ဒယ်တစ်ခုစီကို လိုက်လျောညီထွေဖြစ်ပုံပေါ်တွင်သာမူတည်သည်သာမက — သို့သော်မည်သူမျှကြည့်ရှုနေချိန်တွင် ၎င်းတို့နေထိုင်ပုံအပေါ်တွင်မူတည်မည်မဟုတ်ကြောင်း အကြံပြုထားသည်။ နောက်ဆုံးပေါ် AI ဘေးကင်းလုံခြုံရေးဆိုင်ရာ သုတေသနပြုမှုဆိုင်ရာ နောက်ထပ်အချက်အလက်များအတွက် AI Buzz Wire သို့ ဝင်ရောက်ကြည့်ရှုပါ။
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
