ผู้อ่านหลายคนสังเกตเห็นสิ่งนี้โดยสังเขป: ข้อความที่เขียนโดยโมเดล AI ให้ความรู้สึกหนาแน่นมากขึ้น หยิ่งทะนง และเหนื่อยอย่างน่าประหลาดในการแยกวิเคราะห์ แม้ว่าจะไม่มีข้อบกพร่องทางไวยากรณ์ก็ตาม การพิมพ์ล่วงหน้าใหม่ที่โพสต์ใน arXiv จะใส่ข้อมูลทางภาษาที่เข้าใจยากไว้เบื้องหลังสัญชาตญาณนั้น — และเสนอคำอธิบายว่าเหตุใดจึงเกิดขึ้น

การศึกษาเรื่อง "เหตุใดภาษาที่สร้างโดย AI จึงเข้าใจยาก" ถูกส่งไปเมื่อวันที่ 21 ตุลาคมโดยนักวิจัย Thomas Hikaru Clark, Matias B. Martin และ Kyle Mahowald จากคลังข้อมูลใหม่ของข้อความที่สร้างโดย AI ในโดเมนที่หลากหลาย ผู้เขียนได้วิเคราะห์ชุดคุณลักษณะทางภาษาศาสตร์ที่ได้รับการยอมรับอย่างดีในวรรณคดีในฐานะเครื่องหมายของความยากลำบากในการประมวลผลสำหรับผู้อ่านที่เป็นมนุษย์ รวมถึงอนุประโยคเชิงวัตถุ การพึ่งพาทางวากยสัมพันธ์ที่ยาว และ n-gram ความถี่ต่ำ For more context on this story, see our ongoing latest AI developments.

สิ่งที่นักวิจัยวัดผล

ภาษาศาสตร์จิตวิทยารู้กันมานานแล้วว่าไม่ใช่ว่าทุกประโยคจะมีค่าใช้จ่ายเท่ากันในการอ่าน Object Relative clauses ("สมาชิกวุฒิสภาที่นักข่าวโจมตี...") ใช้เวลาในการประมวลผลนานกว่าเรื่องญาติอย่างวัดผลได้ การพึ่งพากันเป็นเวลานานระหว่างคำทำให้ผู้อ่านต้องเก็บเนื้อหาไว้ในหน่วยความจำมากขึ้น ลำดับคำที่หายากต้องใช้ความพยายามมากขึ้นในการดึงและบูรณาการ คุณลักษณะเหล่านี้ทำหน้าที่เป็นไม้บรรทัดในการวัดว่าข้อความเข้าใจยากเพียงใด แตกต่างจากที่ฟังดูซับซ้อนเพียงใด

นักวิจัยได้เปรียบเทียบการเขียนที่ AI สร้างขึ้นกับสองบรรทัดฐาน: ข้อความที่เขียนโดยมนุษย์ และการถอดความที่ผลิตผ่านการแปลแบบไปกลับ ซึ่งเป็นการควบคุมที่ออกแบบมาเพื่อแยกนิสัยแปลก ๆ ของแบบจำลองของแท้ออกจากรสชาติทั่วไปของร้อยแก้วที่เป็นทางการหรือแบบเครื่องจักร

การควบคุมนั้นมีความสำคัญ ผู้คลางแคลงอาจโต้แย้งอย่างสมเหตุสมผลว่าข้อความ AI อ่านได้เหมือนกับการเขียนเชิงธุรกิจหรือเชิงเทคนิค — เป็นทางการ ไม่มีตัวตน และเป็นคำนามที่หนักหน่วง — แทนที่จะแสดงพยาธิสภาพที่ชัดเจน การแปลแบบไปกลับจะสร้างข้อความที่มีรูปแบบเรียบเรียงที่คล้ายคลึงกันและผิดธรรมชาติเล็กน้อยโดยไม่มีการฝึกแบบจำลองภาษาใดๆ อยู่เบื้องหลัง หากโมเดล AI ยังคงเกินเกณฑ์พื้นฐานดังกล่าวในการวัดความยากในการประมวลผล ความแตกต่างจะต้องมาจากสิ่งที่เฉพาะเจาะจงกับวิธีที่โมเดลเรียนรู้ที่จะเขียน โดยพื้นฐานแล้วนั่นคือสิ่งที่การศึกษาค้นพบ

สิ่งที่พวกเขาพบ

ผลลัพธ์มีความสอดคล้องกันทั่วทั้งกระดาน เมื่อเปรียบเทียบกับการเขียนโดยมนุษย์ แบบจำลองทั้ง 9 แบบทั้ง 9 แบบที่ได้รับการตรวจสอบในการศึกษานี้ ซึ่งเป็นกลุ่มที่รวมระบบจากตระกูล GPT-5.6, Claude, Llama, DeepSeek และ Qwen ทำให้เกิดทางเลือกที่วัดผลได้ยากกว่า:

  • วิชาที่ไม่มีชีวิตมากขึ้นเมื่อจับคู่กับกริยาที่เคลื่อนไหว — รูปแบบ AI ที่เป็นลักษณะเฉพาะของการเขียนที่นามธรรมจะ "เจาะลึก" "ขีดเส้นใต้" หรือ "ไฮไลต์"
  • n-grams ความถี่ต่ำมากขึ้น หมายถึงลำดับคำที่ผิดปกติซึ่งผู้เขียนที่เป็นมนุษย์ไม่ค่อยได้จัดทำขึ้น
  • การพึ่งพาวากยสัมพันธ์ที่ยาวขึ้น โดยมีหัวเรื่องและกริยาคั่นด้วยเนื้อหาที่แทรกแซงมากขึ้น
  • คำนามที่เรียงซ้อนมากขึ้น และในข้อความสนทนา จะมีการใช้ประโยคที่สัมพันธ์กับกรรมที่ลดลงมากขึ้น

การศึกษายังบันทึกการเปลี่ยนแปลงที่สำคัญในตระกูลโมเดล — ไม่ใช่ทุกโมเดลที่อ่านยากเท่ากัน — และพบว่าโมเดล AI ใช้โครงสร้างที่ยากลำบากเหล่านี้บ่อยกว่าการถอดความการแปลแบบไปกลับ ซึ่งบ่งชี้ว่าผลกระทบนั้นมีความเฉพาะเจาะจงกับวิธีฝึกโมเดลมากกว่าสิ่งประดิษฐ์ของการลงทะเบียนอย่างเป็นทางการ

รูปแบบดังกล่าวถือเป็นผลลัพธ์ที่มีประโยชน์มากที่สุดอย่างหนึ่งในบทความนี้ หากความยากในการอ่านเป็นผลมาจากขนาดหรือความสามารถที่หลีกเลี่ยงไม่ได้ ระบบชายแดนทั้งหมดก็จะรวมกลุ่มกัน ในทางกลับกัน การแพร่กระจายระหว่างครอบครัวชี้ให้เห็นว่าตัวเลือกหลังการฝึกอบรม เช่น การผสมผสานข้อมูล สัญญาณการให้รางวัล การเน้นที่โดเมนที่ต้องใช้เหตุผลจำนวนมาก แสดงให้เห็นอย่างชัดเจนว่าร้อยแก้วของแบบจำลองตกลงบนผู้อ่านของมนุษย์อย่างไร กล่าวอีกนัยหนึ่ง ข้อความ AI ที่อ่านยากเป็นผลจากการออกแบบ ไม่ใช่ผลพลอยได้จากความฉลาดที่หลีกเลี่ยงไม่ได้

สมมติฐานความหนาแน่นของข้อมูล

เหตุใดโมเดลจึงหันไปใช้ภาษาที่ยากขึ้น ผู้เขียนเสนอและทดสอบสมมติฐาน: ในขณะที่ภาษามนุษย์พัฒนาและเรียนรู้ภายใต้แรงกดดันในการสื่อสารให้ประสบความสำเร็จ ข้อความที่สร้างโดย AI ได้รับการปรับให้เหมาะสมมากขึ้นสำหรับเป้าหมายอื่นๆ เช่น งานคณิตศาสตร์ โค้ด และการใช้เหตุผล โดยที่ความกดดันมุ่งไปที่ ความหนาแน่นของข้อมูล แทนที่จะเป็นความง่ายในการทำความเข้าใจ

แบบจำลองที่ได้รับรางวัลสำหรับการบรรจุคำตอบที่ถูกต้องลงในโทเค็นจำนวนน้อยลงจะเรียนรู้นิสัยที่ส่งต่อไปสู่ร้อยแก้ว: บีบอัดความหมาย ชอบใช้ถ้อยคำที่แม่นยำแต่หายาก ฝังโครงสร้างต่อประโยคมากขึ้น ผลลัพธ์ที่ได้คือข้อความที่ได้คะแนนดีในเกณฑ์มาตรฐาน ในขณะที่ผู้อ่านที่เป็นมนุษย์มีความเป็นธรรมชาติน้อยลงเรื่อยๆ

เพื่อทดสอบแนวคิดนี้ นักวิจัยได้ทำการทดลองพิสูจน์แนวคิด โดยปรับโมเดลภาษาอย่างละเอียดภายใต้การปรับความยาว และบังคับให้บีบอัดเอาต์พุต พฤติกรรมทางภาษาของแบบจำลองแยกจากรูปแบบที่เหมือนมนุษย์ในลักษณะที่สมมติฐานคาดการณ์ไว้อย่างแน่นอน โดยให้การสนับสนุนเชิงสาเหตุต่อแนวคิดที่ว่าแรงกดดันในการเพิ่มประสิทธิภาพ ไม่ใช่ข้อมูลเพียงอย่างเดียว ที่เป็นตัวขับเคลื่อนการเปลี่ยนแปลง

ทำไมมันถึงสำคัญ

ผลการวิจัยเน้นย้ำถึงสิ่งที่ผู้เขียนเรียกว่าความไม่สอดคล้องกันระหว่างความต้องการในการประมวลผลทางภาษาของมนุษย์กับความต้องการโดยนัยของแบบจำลองภาษาขนาดใหญ่ การวางแนวที่ไม่ถูกต้องนั้นมีผลกระทบในทางปฏิบัติ ผู้ช่วย AI ที่ผลิตข้อความที่อ่านยากจะเก็บภาษีที่ซ่อนอยู่ในทุกคำตอบ และผลกระทบที่เกิดขึ้นเมื่อผู้คนใช้เวลาอ่านมากขึ้นกับแบบร่าง ข้อมูลสรุป และคำอธิบายที่สร้างโดยโมเดล

ผู้เขียนโต้แย้งประเด็นกรอบการทำงานของตนไปสู่แนวทางแก้ไขที่เป็นไปได้ เช่น วิธีการฝึกอบรมหรือปรับแต่งแบบจำลองที่ผลลัพธ์เป็นไปตามขีดจำกัดการประมวลผลของมนุษย์โดยไม่กระทบต่อความสามารถ บทความนี้เป็นงานพิมพ์ล่วงหน้าและยังไม่ผ่านการพิจารณาจากผู้ทรงคุณวุฒิ แต่ข้อสังเกตหลักก็สะท้อนให้เห็นอยู่แล้ว งานดังกล่าวได้ขึ้นหน้าแรกของ Hacker News เมื่อวันที่ 24 ตุลาคม โดยทำให้เกิดการอภิปรายอย่างแข็งขันว่าการแลกเปลี่ยนระหว่างประสิทธิภาพการใช้เหตุผลและร้อยแก้วที่อ่านได้นั้นเป็นพื้นฐานหรือแก้ไขได้

ในตอนนี้ การศึกษานี้ช่วยให้ผู้อ่านได้ใช้คำศัพท์ที่ผ่านการตรวจสอบแล้วสำหรับความคับข้องใจที่คุ้นเคย ข้อความไม่ได้แย่ลงโดยบังเอิญ — มีความหนาแน่นมากขึ้นจากการออกแบบ

ที่มา: arXiv:2610.29162, การสนทนาเกี่ยวกับข่าวแฮ็กเกอร์

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →