Artificial Intelligence ဘာသာစကားပုံစံများသည် ရွေးချယ်မှုများတင်ပြပုံတွင် သိမ်မွေ့သောပြောင်းလဲမှုများကို လူသားတို့ပြုလုပ်သည်ထက် လွဲမှားစေသော လှုံ့ဆော်မှုများကို ပိုမိုပြင်းထန်စွာတုံ့ပြန်သည့်အနေဖြင့် အန္တရာယ်ရှိနိုင်သည်ဟု Proceedings of the National Academy of Sciences တွင်ထုတ်ဝေသည့် လေ့လာမှုအသစ်တစ်ခုအရ သိရသည်။

ငွေကြေးလွှဲပြောင်းမှုမှ ကျန်းမာရေးစောင့်ရှောက်မှုရွေးချယ်မှုများအထိ လက်တွေ့ကမ္ဘာအခြေအနေများတွင် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ ဆုံးဖြတ်ချက်ချရန်အတွက် AI အေးဂျင့်များကို ဖြန့်ကျက်ချထားခြင်းနှင့်ပတ်သက်၍ တွေ့ရှိချက်များသည် စိုးရိမ်ပူပန်မှုဖြစ်စေသည်။ AI Buzz Wire တွင် ဖော်ပြထားသည့်အတိုင်း ကုမ္ပဏီများသည် ရှုပ်ထွေးသောပတ်ဝန်းကျင်များတွင် အသုံးပြုသူများကိုယ်စား လုပ်ဆောင်ရန် LLM-powered အေးဂျင့်များကို ပိုမိုနေရာချထားကြသည်။

Massachusetts Institute of Technology's Media Lab မှ ပါရဂူကျောင်းသား Manuel Cherep မှ ဦးဆောင်သည့် အဆိုပါလေ့လာမှုအား အဓိကနည်းပညာကုမ္ပဏီများမှ ခေတ်မီသော ဘာသာစကားပုံစံ ၁၄ မျိုးအား စမ်းသပ်ခဲ့သည်။ စမ်းသပ်ထားသော မော်ဒယ်များတွင် OpenAI ၏ GPT-3.5၊ GPT-4 နှင့် GPT-5 မိသားစုများ၊ Anthropic's Claude 3 နှင့် 4.5 မော်ဒယ်များနှင့် Google ၏ Gemini 1.5 နှင့် 2.5 မော်ဒယ်များ ပါဝင်သည်။

လေ့လာမှုက ဘယ်လိုလဲ။

သုတေသီများသည် လူသားပါဝင်သူများအတွက် မူလက ဒီဇိုင်းထုတ်ထားသည့် Multi-attribute ဆုံးဖြတ်ချက်ချဂိမ်းကို ပြုပြင်ပြောင်းလဲခဲ့သည်။ ဂိမ်းသည် အမှတ်အများဆုံးတန်ဖိုးရှိသော ခြင်းတောင်းကိုရွေးချယ်ခြင်းဖြင့် နောက်ဆုံးဆုလာဘ်ကို အမြင့်ဆုံးရယူရန် ရည်ရွယ်ချက်ဖြင့် ဝှက်ထားသောဆုများကို ကိုယ်စားပြုသည့် ဒစ်ဂျစ်တယ်ဇယားကွက်ကို တင်ဆက်ထားသည်။ ဆဲလ်တစ်ခုစီသည် ပိုမိုကောင်းမွန်သောခြင်းတောင်းတစ်ခုရှာဖွေခြင်း၏အကျိုးကျေးဇူးနှင့်ဆန့်ကျင်ဘက်အချက်အလက်များစုဆောင်းခြင်းကုန်ကျစရိတ်ကို ဟန်ချက်ညီစေရန်ပါဝင်သူများအား စရိတ်စကအချက်များဖော်ပြသည်။

သုတေသီများသည် ဤရုပ်မြင်သံကြားဂိမ်းကို စာသားအခြေခံဖော်မတ်အဖြစ် ဘာသာစကားပုံစံများဖြင့် လုပ်ဆောင်နိုင်သည် ။ AI မော်ဒယ်များသည် မတူညီသော လှုံ့ဆော်မှု အခြေအနေများအောက်တွင် စမ်းသပ်မှု ရာပေါင်းများစွာကို ဖြတ်သန်းခဲ့သည်။ အချို့က အခြေခံလမ်းညွှန်ချက်များကို လက်ခံရရှိကြပြီး အချို့မှာ တစ်ဆင့်ပြီးတစ်ဆင့် ယုတ္တိဗေဒဆိုင်ရာ အားပေးလှုံ့ဆော်မှုများ ရရှိခဲ့ကြပြီး အချို့မှာ လူသားကစားနည်း၏ အတိတ်နမူနာများကို ပြသခဲ့ကြသည်။ nudge အမျိုးအစားတစ်ခုစီအတွက်၊ သုတေသီများသည် မော်ဒယ်တစ်ခုလျှင် စမ်းသပ်မှု ၃၀၀ မှ ၃၄၀ ခန့်ကို လုပ်ဆောင်ခဲ့ပြီး စုစုပေါင်း text tokens နှစ်ဘီလီယံခန့်ကို အသုံးပြုခဲ့သည်။

Nudges လေးမျိုး စမ်းသပ်ပြီးပါပြီ။

လေ့လာမှုသည် လက်တွေ့ကမ္ဘာ၏ ဆုံးဖြတ်ချက်ပတ်၀န်းကျင်များကို အတုယူရန် ဒီဇိုင်းထုတ်ထားသော သီးသန့် nudge အမျိုးအစား လေးမျိုးကို ဆန်းစစ်လေ့လာသည်-

  • ပုံသေသတိပေးချက်များ- ခြင်းတောင်းတစ်ခုအား ကြိုတင်ရွေးချယ်ထားပြီး၊ အေးဂျင့်သည် ၎င်းအား တက်ကြွစွာလက်ခံရန် သို့မဟုတ် ငြင်းပယ်ရပါမည်။
  • အကြံပြုချက်- ဂိမ်းတွင် အစောပိုင်း သို့မဟုတ် နောက်ကျပါက ကျပန်းတောင်းကို အကြံပြုထားသည်။
  • အချက်အလက်ကို အသားပေးဖော်ပြခြင်း- အချို့သောဆုတန်ဖိုးများကိုဖော်ပြရန် ၎င်းသည် အေးဂျင့်အား အကောင်းဆုံးရွေးချယ်မှုများဆီသို့ လမ်းညွှန်ပေးနိုင်သော စျေးသက်သာစွာပြုလုပ်ထားသည်။
  • အကောင်းဆုံးသော ရွှေ့ကွက်များ- လူသားကစားသမားတစ်ဦး၏ စွမ်းဆောင်ရည်ကို သင်္ချာနည်းအားဖြင့် အမြင့်ဆုံးဖြစ်စေမည့် တိကျသောဆဲလ်များကို ကြိုတင်ထုတ်ဖော်ထားသည်။

ထိတ်လန့်ဖွယ်ရာ လိုက်နာမှုနှုန်းများ

ရလဒ်များသည် လူသားနှင့် AI ဆုံးဖြတ်ချက်ချသည့်အမူအကျင့်များကြား သိသိသာသာ ကွာခြားချက်များကို ထုတ်ဖော်ပြသခဲ့သည်။

ပုံသေရွေးချယ်မှုဖြင့် တင်ပြသည့်အခါ လူသားများသည် အချိန်၏ 88 ရာခိုင်နှုန်းခန့်ကို ပုံသေရွေးချယ်ခဲ့သည်။ ဘာသာစကားမော်ဒယ်များသည် အချိန်၏ 99 မှ 100 ရာခိုင်နှုန်းအထိ ပုံမှန်ပုံစံများကို လက်ခံခြင်းဖြင့် မော်ဒယ်များစွာသည် သိသိသာသာ ပိုမိုကိုက်ညီပါသည်။

ဤပုံစံသည် အကြံပြုချက်များနှင့် ဆက်လက်တည်ရှိနေပါသည်။ လူသားများသည် အချိန်၏ ၃၅ ရာခိုင်နှုန်းကို ဂိမ်းအစောပိုင်းတွင် ကျပန်းအကြံပြုထားသော တောင်းများကို လက်ခံခဲ့ကြသည်။ AI မော်ဒယ်အများအပြားသည် ယုတ္တိတန်သောအကျိုးကိုမပေးဘဲ အကြံဉာဏ်များကို လိုက်နာခြင်းဖြင့် ဤကျပန်းအကြံပြုချက်များကို ပိုမိုမြင့်မားသောနှုန်းထားဖြင့် လက်ခံခဲ့သည်။

အကြံပြုချက်များ၏ အချိန်သည် မော်ဒယ်များကို သဘာဝမကျသော နည်းလမ်းများဖြင့် ခြယ်လှယ်ခဲ့သည်။ လူသားများသည် အချိန်၏ နောက်ကျသော အကြံပြုချက်များကို 25 ရာခိုင်နှုန်း လိုက်နာခဲ့သော်လည်း အချို့သော ဘာသာစကားပုံစံများက ၎င်းတို့၏ လက်ခံမှုနှုန်းကို 7 မှ 13 ရာခိုင်နှုန်းကြားသို့ ကျဆင်းသွားသည်။ ယင်းက မော်ဒယ်များသည် ၎င်း၏အမှန်တကယ်အသုံးဝင်မှုကို အကဲဖြတ်ခြင်းထက် အစီအစဥ်အချိန်ကို တင်းတင်းကျပ်ကျပ် တုံ့ပြန်သည်ဟု ဆိုလိုသည်။

သုတေသနပညာရှင်များသည် အချက်အလက်မီးမောင်းထိုးပြခြင်းဖြင့် အကောင်းဆုံးရွေးချယ်မှုများကို မီးမောင်းထိုးပြသောအခါတွင် လူသားများသည် ထိုမှားယွင်းသောအချက်အလက်များကို အချိန်၏ ၅၇ ရာခိုင်နှုန်းကို အသုံးပြုခဲ့ကြသည်။ စမ်းသပ်ထားသော AI မော်ဒယ်အများစုသည် အချိန်၏ 83 မှ 100 ရာခိုင်နှုန်းအထိ ဆိုးရွားသော မီးမောင်းထိုးပြမှုနောက်တွင် သိသိသာသာ ကျော်လွန်သွားခဲ့သည်။

ရမှတ်ကောင်းများနောက်ကွယ်တွင် ဝှက်ထားသော ပြဿနာများ

သုတေသီများသည် နောက်ဆုံးရွေးချယ်မှုမပြုလုပ်မီ မော်ဒယ်များသည် အချက်အလက်စုဆောင်းပုံကို ခြေရာခံခဲ့သည်။ လူသားများသည် ပညာတတ်မှန်းဆရန် လုံလောက်သောဆဲလ်များကို ထုတ်ဖော်လေ့ရှိကြသည်။ ဘာသာစကားပုံစံများသည် အလွန်ထူးခြားပြီး ထိရောက်မှုမရှိသော နည်းလမ်းများဖြင့် အချက်အလက်များကို ရယူခဲ့သည်။

အချို့သောမော်ဒယ်များသည် လျှို့ဝှက်ဆဲလ်များကို မဖော်ပြဘဲ ဒေတာစုဆောင်းနိုင်သည့် အခွင့်အရေးကို လုံးဝလျစ်လျူမရှုဘဲ ခြင်းတောင်းများကို ရွေးချယ်ကြသည်။ အခြားမော်ဒယ်များသည် အတန်း သို့မဟုတ် ကော်လံတစ်ခုလုံးကို ထုတ်ဖော်ပြသရန် အမှတ်များ အလွန်အကျွံသုံးစွဲကာ ၎င်းတို့၏ ဖြစ်နိုင်ချေရှိသော ဆုလာဘ်များကို ဖြုန်းတီးကြသည်။ အချို့သောမော်ဒယ်များသည် ဂရစ်ဒ်၏ဘယ်ဘက်အစွန်းရှိ ဆဲလ်များကိုသာ သို့မဟုတ် ထောင့်ဖြတ်မျဉ်းများတစ်လျှောက် တင်းကြပ်စွာဖွင့်ထားသည့် ထူးဆန်းသော spatial bias များကိုပြသထားသည်။

အဆင့်ဆင့်သော ကျိုးကြောင်းဆင်ခြင်မှု နှိုးဆော်ချက်များ သို့မဟုတ် လူသားကစားနည်း ဥပမာများဖြင့် မော်ဒယ်များကို ပံ့ပိုးပေးခြင်းသည် ဤထူးဆန်းသော ရှာဖွေမှုအလေ့အထများကို ပြုပြင်ရန် အနည်းငယ်မျှသာ ရှိခဲ့သည်။

နောက်ဆုံးရမှတ်များကိုသာ ကြည့်ရှုခြင်းသည် ဤအခြေခံပြဿနာများကို ဖုံးကွယ်နိုင်သည်ဟု စာရေးသူက မှတ်ချက်ပြုခဲ့သည်။ အချို့သော စမ်းသပ်မှုများတွင် AI မော်ဒယ်များသည် လူသားကစားသမားများကဲ့သို့ အသားတင်အမှတ်များ အများအပြားရရှိခဲ့သည်။ နောက်ဆုံးရမှတ်များကိုသာ စစ်ဆေးနေသည့် ပေါ့ပေါ့ပါးပါး လေ့လာသူသည် မော်ဒယ်များသည် စမတ်ကျပြီး လူသားနှင့်တူသော ရွေးချယ်မှုများကို ပြုလုပ်နေသည်ဟု ယူဆနိုင်သည်။ လက်တွေ့တွင်၊ မော်ဒယ်များသည် ဗျူဟာမြောက်တွေးခေါ်ခြင်းထက် မျက်ကန်းလိုက်နာမှုဖြင့် ဤရမှတ်များကို မကြာခဏရရှိကြသည်။

ကောင်းမွန်တဲ့ ခြင်းတောင်းကို ညွှန်ပြလိုက်ရင် အလွန်လိုက်ဖက်လွန်းတဲ့ AI က အမှတ်ကောင်းကောင်း ရခဲ့ပါတယ်။ မကောင်းသောခြင်းတောင်းဆီသို့ ညွှန်ပြသောအခါ၊ AI သည် ၎င်းအား အောက်ရမှတ်အဖြစ် မျက်စိမှိတ်လိုက်ကာ ဂိမ်း၏ရည်ရွယ်ချက်ကို လုံးဝပျောက်ကွယ်သွားစေသည်။

AI Agent ဖြန့်ကျက်ခြင်းအတွက် သက်ရောက်မှုများ

"မသေချာမရေရာမှုတွေအောက်မှာ AI အေးဂျင့်တွေရဲ့ အသုံးချပရိုဂရမ်တော်တော်များများက ဆင်ခြင်တုံတရားမရှိရင် လူနဲ့တူတဲ့နည်းတွေနဲ့ တုံ့ပြန်လိမ့်မယ်" လို့ Cherep က ပြောပါတယ်။ "ဒီယူဆချက်ကို လက်ခံမယ့်အစား၊ ရွေးချယ်မှုတွေကို နည်းလမ်းအမျိုးမျိုးနဲ့ တင်ပြတဲ့အခါ အေးဂျင့်တွေရဲ့ ပြုမူပုံကို စူးစမ်းဖို့ ဆုံးဖြတ်ခဲ့ပါတယ်။"

လေ့လာမှု၏တွေ့ရှိချက်များသည် ဝဘ်ကိုရှာဖွေရန်၊ ကိရိယာများလည်ပတ်ရန်နှင့် အသုံးပြုသူများအတွက် ငွေကြေး သို့မဟုတ် စျေးဝယ်ခြင်းဆိုင်ရာ ဆုံးဖြတ်ချက်များချရန် ဒီဇိုင်းထုတ်ထားသည့် AI အေးဂျင့်များ၏ လျင်မြန်စွာကြီးထွားနေသောစျေးကွက်အတွက် သိသာထင်ရှားသောသက်ရောက်မှုရှိသည်။ အကယ်၍ ဤအေးဂျင့်များသည် ပုံသေရွေးချယ်မှုများ၊ အကြံပြုချက်များ သို့မဟုတ် အလေးပေးဖော်ပြသော အချက်အလက်များကို အကဲဖြတ်ခြင်းမရှိဘဲ မျက်စိစုံမှိတ်လိုက်နာပါက၊ ၎င်းတို့ကို မကောင်းတဲ့ သရုပ်ဆောင်များ သို့မဟုတ် ဒီဇိုင်းညံ့ဖျင်းသော အင်တာဖေ့စ်များမှ အလွယ်တကူ ခြယ်လှယ်နိုင်ပါတယ်။

လက်ရှိ ဘာသာစကားပုံစံများသည် လူသားများ၏ ဆုံးဖြတ်ချက်ချခြင်းကို လမ်းညွှန်ပေးသည့် ကျိုးကြောင်းဆီလျော်မှု ကင်းမဲ့နေကြောင်း သုတေသနပြုချက်များအရ သိရသည်။ ကောင်းသောရွေးချယ်မှုတစ်ခုအတွက် သတင်းအချက်အလက်စုဆောင်းခြင်း၏ကုန်ကျစရိတ်ကို မျှတစေရန်အတွက် စိတ်ပိုင်းဆိုင်ရာဖြတ်လမ်းများကို လူသားများကအသုံးပြုသော်လည်း AI မော်ဒယ်များသည် အဆိုပါဇီဝဆိုင်ရာကန့်သတ်ချက်များကိုမမျှဝေထားသော်လည်း ၎င်းတို့သည် ပို၍အစွန်းရောက်ပြီး ခန့်မှန်းနိုင်မှုနည်းပါးသည့် ၎င်းတို့၏ကိုယ်ပိုင်အသုံးမကျမှုပုံစံကိုပြသထားသည်။

AI ၏ရှေ့တွင်နေပါ။

ပိုမိုထူးခြားသော AI သတင်းနှင့် ခွဲခြမ်းစိတ်ဖြာမှုအတွက်၊ AI Buzz Wire သို့ ဝင်ရောက်ကြည့်ရှုပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →