ภาษาหล่อหลอม AI อย่างไร: ผลการศึกษาของ Anthropic เผยให้เห็นการเปลี่ยนแปลงบุคลิกภาพของ Claude

Anthropic ได้เผยแพร่ผลการศึกษาที่สำคัญซึ่งแสดงให้เห็นว่า "บุคลิกภาพ" และการแสดงออกถึงค่านิยมของ Claude เปลี่ยนแปลงไปอย่างมีนัยสำคัญตามภาษาที่ใช้ ตั้งแต่ความอบอุ่นในภาษาฮินดีไปจนถึงความเข้มงวดทางเทคนิคในภาษารัสเซีย งานวิจัยนี้ชี้ให้เห็นว่าความละเอียดอ่อนทางภาษา (linguistic nuances) ส่งผลกระทบอย่างลึกซึ้งต่อพฤติกรรมของ AI

การจัดทำแผนผังค่านิยมของ AI ผ่าน 4 มิติ

เพื่อทำความเข้าใจความละเอียดอ่อนของการปฏิสัมพันธ์กับ AI ทาง Anthropic ได้วิเคราะห์บทสนทนาที่ไม่ระบุตัวตนจำนวน 309,815 รายการจากเดือนพฤษภาคม 2026 ด้วยการประมวลผลคำศัพท์เฉพาะทางหลายพันคำ ทีมวิจัยได้กลั่นกรองค่านิยมที่ซับซ้อนของมนุษย์ให้เหลือเพียง 339 แนวคิดระดับสูง ซึ่งถูกลดทอนลงมาเป็นแกนพฤติกรรมหลัก 4 แกน ดังนี้:

• การยอมตามและความระมัดระวัง (Deference and Caution): ระดับที่โมเดลเห็นด้วยกับผู้ใช้ เทียบกับระดับที่โมเดลใช้การตอบแบบแบ่งรับแบ่งสู้ (hedging)
• ความอบอุ่นและความเข้มงวด (Warmth and Rigor): ความสมดุลระหว่างการใช้ถ้อยคำที่เห็นอกเห็นใจและสุภาพ กับการตรวจสอบอย่างมีวิจารณญาณโดยอิงจากหลักฐาน
• ความลึกและความกระชับ (Depth and Brevity): การที่โมเดลให้รายละเอียดอย่างครบถ้วน หรือให้คำตอบที่สั้นกระชับและตรงไปตรงมา
• ความตรงไปตรงมาและการลงมือทำ (Candor and Execution): ความตึงเครียดระหว่างการวิพากษ์วิจารณ์อย่างเปิดเผย กับการมุ่งเน้นไปที่การทำงานให้สำเร็จ

ระเบียบวิธีวิจัยนี้ช่วยให้นักวิจัยสามารถแยกพฤติกรรมทางภาษาและพฤติกรรมเฉพาะของโมเดลออกจากเนื้อหาหลักของบทสนทนา ทำให้เห็นภาพ "รูปแบบบรรทัดฐาน" (normative patterns) ที่แฝงอยู่ใน LLM ได้ชัดเจนยิ่งขึ้น

โปรไฟล์พฤติกรรมที่แตกต่างกัน: Sonnet เทียบกับ Opus

การศึกษายืนยันว่าโมเดลต่าง ๆ ในตระกูล Claude แสดงพฤติกรรมที่แตกต่างกันอย่างชัดเจน โปรไฟล์เหล่านี้มักสอดคล้องกับการรับรู้ของผู้ใช้ ทำให้เกิดประสบการณ์การใช้งานที่แบ่งเป็นระดับตามเวอร์ชันของโมเดลที่ใช้:

• Sonnet 4.6: มีลักษณะเด่นคือความอบอุ่น โดยมักจะใช้ความตลกขบขัน ยืนยันความคิดเห็นของผู้ใช้ และให้ความรู้สึกปลอบโยนโดยไม่ตัดสิน
• Opus 4.6: มุ่งเน้นที่ประสิทธิภาพของงาน มีแนวโน้มที่จะตอบตรงไปตรงมาและหลีกเลี่ยงการขยายความที่ไม่จำเป็น
• Opus 4.7: "นักคิดเชิงวิพากษ์" โมเดลนี้มีแนวโน้มที่จะตั้งคำถามกับข้อสันนิษฐาน แจ้งข้อผิดพลาดของตัวเอง และเตือนเกี่ยวกับความเสี่ยงแม้ว่าจะไม่ได้ถูกถามโดยตรงก็ตาม

ช่องว่างทางภาษา: จากความอบอุ่นในภาษาฮินดีสู่ความเข้มงวดในภาษารัสเซีย

สิ่งที่น่าตกใจที่สุดอาจเป็นการที่ภาษาทำหน้าที่เป็นเลนส์ที่ปรับเปลี่ยนรูปแบบคำตอบของ Claude ผู้ใช้สองคนที่ถามคำถามเดียวกันในภาษาที่ต่างกันอาจได้รับผลตอบรับที่มีลักษณะแตกต่างกันอย่างสิ้นเชิง

งานวิจัยพบว่า ภาษาฮินดี และ ภาษาอาหรับ กระตุ้นให้เกิดความอบอุ่นในระดับสูงสุด ซึ่งมีลักษณะของความสุภาพ ความขี้เล่น และการยอมรับ ในทางตรงกันข้าม ใน ภาษาอังกฤษ และ ภาษารัสเซีย Claude จะใช้ท่าทีที่เข้มงวดกว่ามาก โดยมีการตั้งคำถามกับข้อสันนิษฐาน การแก้ไขรายละเอียด และการเรียกร้องหลักฐาน

อื่น ๆ ของรูปแบบทางภาษาที่น่าสนใจ ได้แก่:

• ภาษาอาหรับ: แสดงระดับการยอมตาม (deference) สูงที่สุด
• ภาษาอังกฤษ: แสดงระดับความระมัดระวังและการตอบแบบแบ่งรับแบ่งสู้ (hedging) สูงที่สุด
• ภาษาดัตช์: มีแนวโน้มที่จะมีความตรงไปตรงมาและเปิดกว้างสูง
• ภาษาอินโดนีเซีย: มุ่งเน้นไปที่การลงมือทำและการตอบสนองที่เน้นผลลัพธ์เป็นหลัก

ทำไมเรื่องนี้จึงสำคัญต่ออุตสาหกรรม AI

การค้นพบเหล่านี้ก่อให้เกิดคำถามสำคัญเกี่ยวกับองค์ประกอบของข้อมูลที่ใช้ในการฝึกฝน (training data) และความเป็นไปได้ที่จะเกิดอคติทางภาษาโดยไม่ตั้งใจ Anthropic เสนอว่าการเปลี่ยนแปลงเหล่านี้อาจเกิดจากปริมาณข้อมูลการฝึกฝนที่ไม่เท่ากัน หรือบรรทัดฐานการสนทนาทางภาษาที่แตกต่างกันซึ่งปรากฏอยู่ในชุดข้อมูล

สำหรับนักพัฒนาและผู้ก่อตั้งที่กำลังสร้างแอปพลิเคชันระดับโลก นี่คือสิ่งที่ต้องตระหนักอย่างยิ่ง: ผู้ช่วย AI อาจให้ความรู้สึกเหมือนโค้ชที่คอยสนับสนุนในตลาดหนึ่ง แต่กลับเป็นผู้ตรวจสอบที่เข้มงวดในอีกตลาดหนึ่ง เมื่อ LLM เข้ามาเป็นส่วนหนึ่งของกระบวนการทำงานทั่วโลกมากขึ้น การทำให้แน่ใจว่าการเปลี่ยนแปลงทางภาษานี้เป็นการปรับตัวอย่างตั้งใจ ไม่ใช่อคติเชิงระบบ จึงยังคงเป็นความท้าทายหลักสำหรับความปลอดภัยและการปรับจูน AI (AI safety and alignment)

สรุปประเด็นสำคัญ

• สัมพัทธภาพทางภาษาใน AI (Linguistic Relativity in AI): คำตอบของ Claude เปลี่ยนแปลงไปอย่างมีนัยสำคัญตามภาษา โดยแสดงความอบอุ่นสูงในภาษาฮินดี และความเข้มงวดสูงในภาษารัสเซีย
• การแบ่งระดับโมเดล: โมเดลของ Anthropic แสดงบุคลิกภาพที่แตกต่างกัน โดย Sonnet 4.6 จะมีความเห็นอกเห็นใจมากกว่า และ Opus 4.7 จะมีความคิดเชิงวิพากษ์และระมัดระวังมากกว่า
• ความท้าทายด้านข้อมูลการฝึกฝน: ความแตกต่างของพฤติกรรม AI ในแต่ละภาษาน่าจะมีสาเหตุมาจากการกระจายตัวของข้อมูลการฝึกฝนที่ไม่เท่ากัน และบรรทัดฐานการสนทนาทางวัฒนธรรมที่แตกต่างกัน