ការស្រាវជ្រាវថ្មីៗពីសាកលវិទ្យាល័យ Princeton និងសាកលវិទ្យាល័យ Chicago បានបង្ហាញថា គំរូភាសាធំៗ (LLMs) មានទំនោរក្នុងការបង្កើតភាពលំអៀងថ្មីៗ នៅពេលដែលត្រូវបានចាត់តាំងឱ្យធ្វើការជួលបុគ្គលិក ដែលអាចនឹងធ្វើការដាក់ស្លាកសញ្ញាលើបេក្ខជនយ៉ាងខ្លាំងក្លាជាងមនុស្ស។ ការសិក្សានេះ ដែលត្រូវបានបង្ហាញនៅក្នុងសន្និសីទ ICML នៅទីក្រុងសេអ៊ូល បានប្រើប្រាស់ហ្គេមជួលបុគ្គលិកក្លែងក្លាយ ដែលក្នុងនោះគំរូដូចជា ChatGPT, Claude និង Gemini ត្រូវបានស្នើសុំឱ្យបំពេញតួនាទីការងារផ្សេងៗដោយប្រើបេក្ខជនមកពីក្រុមជនជាតិភាគតិចប្រឌិតចំនួនបួន។
នៅក្នុងការពិសោធន៍នេះ បេក្ខជនទាំងអស់មានសមត្ថភាពស្មើគ្នា ប៉ុន្តែគំរូទាំងនោះបានចាប់ផ្តើមបែងចែកក្រុមទៅជាប្រភេទការងារជាក់លាក់យ៉ាងឆាប់រហ័សដោយផ្អែកលើលទ្ធផលដែលមានកម្រិត។ ឧទាហរណ៍ ប្រសិនបើគំរូមួយសង្កេតឃើញការបរាជ័យតែម្តងគត់សម្រាប់បេក្ខជនម្នាក់មកពីក្រុមជាក់លាក់មួយក្នុងតួនាទីជំនាញខ្ពស់ វាតែងតែឈប់ជួលសមាជិកនៃក្រុមនោះសម្រាប់តួនាទីស្រដៀងគ្នា។ នៅលើមាត្រដ្ឋាននៃការបែងចែកដែលអ្នកចូលរួមជាមនុស្សទទួលបានពិន្ទុ 0.84 គំរូទាំងនោះទទួលបានពិន្ទុខ្ពស់ជាងគួរឱ្យកត់សម្គាល់; គំរូ o3 របស់ OpenAI បានឈានដល់ 1.83 ដែលជិតដល់ពិន្ទុអតិបរមាដែលអាចទៅរួច។
Ryan Liu ដែលជានិស្សិតថ្នាក់បណ្ឌិតនៅ Princeton និងជាសហអ្នកនិពន្ធនៃការសិក្សានេះ បានកត់សម្គាល់ថា LLMs ត្រូវបានបង្កើនប្រសិទ្ធភាពដើម្បីធ្វើការសន្និដ្ឋានទូទៅពីទិន្នន័យដែលមានកម្រិត ដែលជាលក្ខណៈមួយជួយក្នុងការដោះស្រាយល្បែងផ្គុំរូបតក្កវិជ្ជា ប៉ុន្តែវាឈានទៅរកការដាក់ស្លាកសញ្ញាដែលមានបញ្ហានៅក្នុងបរិបទសង្គម។ ការសិក្សាបានរកឃើញថា គំរូថ្មីៗដែលមានភាពជឿនលឿនជាងមុនជាមួយនឹងសមត្ថភាពវែកញែកខ្ពស់ជាង ជារឿយៗបង្ហាញពីភាពលំអៀងខ្លាំងជាង។ លើសពីនេះ ការប៉ុនប៉ងណែនាំគំរូឱ្យមានភាពយុត្តិធម៌គឺមិនសូវមានប្រសិទ្ធភាពនោះទេ ទោះបីជាការផ្តល់ប្រាក់រង្វាន់សម្រាប់ការជួលបុគ្គលិកចម្រុះបានកាត់បន្ថយអាកប្បកិរិយាលំអៀងដោយជោគជ័យក៏ដោយ។
ការស្រាវជ្រាវក៏បានគូសបញ្ជាក់ផងដែរថា ការផ្តល់ឱ្យគំរូនូវព័ត៌មានផ្ទាល់ខ្លួនដែលពាក់ព័ន្ធអំពីបេក្ខជន ដូចជាការអប់រំ និងអាយុ បានជួយកាត់បន្ថយការបែងចែកជាតិសាសន៍។ ទោះជាយ៉ាងណាក៏ដោយ នៅពេលដែលគំរូត្រូវបានផ្តល់ឱ្យនូវទិន្នន័យមិនពាក់ព័ន្ធ ដូចជាលក្ខណៈរូបរាងកាយ ពួកគេបានត្រឡប់ទៅរកការដាក់ស្លាកសញ្ញាវិញ។ អ្នកជំនាញបានណែនាំថា នៅពេលដែលប្រព័ន្ធ AI ទទួលបានការចងចាំ និងការកំណត់ផ្ទាល់ខ្លួនកាន់តែប្រសើរឡើង ហានិភ័យនៃគំរូទាំងនេះក្នុងការបង្កើត និងពង្រឹងភាពលំអៀងថ្មីៗដែលមិនបានរៀននៅក្នុងកម្មវិធីពិភពលោកពិតប្រាកដដូចជាការផ្តល់ប្រាក់កម្ចី ឬការជ្រើសរើសបុគ្គលិក នៅតែជាកង្វល់ដ៏សំខាន់។
ប្រភព៖ MIT Technology Review
មិនទាន់មានមតិយោបល់នៅឡើយទេ។ សូមធ្វើជាអ្នកដំបូងដែលចែករំលែកគំនិតរបស់អ្នក។