Synthetic Data: เมื่อ AI เรียนจากข้อมูลที่ AI สร้างขึ้นเอง จะเกิดอะไรขึ้น

ลองจินตนาการว่าเราฝึกนักวาดคนหนึ่งด้วยภาพวาดที่คัดลอกมาจากหนังสือศิลปะชั้นยอด ช่วงแรกเขาอาจวาดได้ดีขึ้นอย่างรวดเร็ว แต่ถ้าในรุ่นถัดไป เราเอาภาพที่นักวาดคนนี้คัดลอกเองมาเป็นตำรา แล้วให้รุ่นใหม่คัดลอกจากมันต่อไปเรื่อย ๆ รายละเอียดเล็ก ๆ ที่ไม่เคยถูกคัดลอกไว้จะค่อย ๆ หายไป ความผิดพลาดบางอย่างจะถูกส่งต่อ และสุดท้ายงานทั้งหมดอาจดู “ถูกต้องโดยรวม” แต่แบนลง ซ้ำขึ้น และห่างจากโลกจริงมากขึ้น

นี่คือคำถามสำคัญของยุค AI: ถ้าโมเดลเริ่มเรียนจากข้อมูลที่โมเดลอื่นสร้างขึ้นเองมากขึ้นเรื่อย ๆ จะเกิดอะไรกับคุณภาพ ความหลากหลาย และความน่าเชื่อถือของปัญญาประดิษฐ์?

Synthetic Data คืออะไร

Synthetic Data คือข้อมูลที่สร้างขึ้นด้วยอัลกอริทึมหรือโมเดล แทนที่จะเก็บตรงจากโลกจริง เช่น

• ภาพถนนจำลองสำหรับฝึกระบบรถยนต์ไร้คนขับ

• ประวัติการทำธุรกรรมปลอมที่มีรูปแบบคล้ายของจริง เพื่อทดสอบระบบตรวจจับการทุจริต

• บทสนทนาจำลองระหว่างลูกค้ากับฝ่ายบริการ เพื่อฝึกแชตบอต

• ข้อมูลทางการแพทย์สังเคราะห์ที่รักษาลักษณะเชิงสถิติของผู้ป่วย โดยไม่เปิดเผยตัวตนของคนจริง

• โจทย์คณิตศาสตร์พร้อมเฉลยและขั้นตอนคิด ที่สร้างเพื่อฝึกโมเดลให้ใช้เหตุผล

คำว่า “สังเคราะห์” ไม่ได้แปลว่า “ปลอมและใช้ไม่ได้” เสมอไป หากสร้างอย่างถูกวิธี มันคือเครื่องมือขยายข้อมูลที่ทรงพลัง โดยเฉพาะในโลกที่ข้อมูลจริงมีต้นทุนสูง มีข้อจำกัดด้านความเป็นส่วนตัว หรือเกิดขึ้นได้น้อยเกินกว่าจะเก็บมาฝึก AI ได้ทัน

ทำไมเราถึงต้องพึ่งข้อมูลสังเคราะห์

ข้อมูลคุณภาพสูงจากมนุษย์มีจำกัด และยิ่งโมเดลใหญ่ขึ้น ความต้องการข้อมูลก็ยิ่งสูงขึ้นตามไปด้วย แต่ข้อมูลในโลกจริงไม่ใช่แหล่งทรัพยากรที่เปิดก๊อกแล้วไหลออกมาได้ไม่มีที่สิ้นสุด

ในหลายกรณี ข้อมูลจริงยังเข้าถึงได้ยาก เช่น ภาพรังสีของโรคหายาก เหตุการณ์ฉ้อโกงรูปแบบใหม่ อุบัติเหตุบนถนนที่พบไม่บ่อย หรือข้อมูลภายในองค์กรที่ไม่ควรถูกส่งออกไปให้ผู้ให้บริการโมเดลภายนอก

Synthetic Data จึงช่วยแก้ปัญหาได้หลายด้าน

• เพิ่มจำนวนตัวอย่างในกรณีที่ข้อมูลจริงมีน้อย

• สร้างเคสหายากหรือเคสอันตรายได้อย่างตั้งใจ เช่น รถตัดหน้าในพายุหนัก

• ลดความเสี่ยงในการเปิดเผยข้อมูลส่วนบุคคล

• ปรับสมดุลของชุดข้อมูล เช่น เพิ่มตัวอย่างกลุ่มที่พบได้น้อย

• สร้างข้อมูลพร้อมป้ายกำกับได้ทันที เช่น ในโลกจำลอง เรารู้ตำแหน่ง วัตถุ ความเร็ว และสภาพแสงของทุกพิกเซล

สำหรับงานเฉพาะทาง Synthetic Data อาจไม่ได้เป็นแค่ทางเลือก แต่เป็นวิธีเดียวที่ทำให้ระบบเรียนรู้กรณีสำคัญได้มากพอ

วงจรที่ AI สอน AI

แนวคิดนี้มีรูปแบบที่เรียกว่า self-training หรือ distillation: ใช้โมเดลที่เก่งกว่าเป็น “ครู” สร้างคำตอบ คำอธิบาย หรือข้อมูลฝึก แล้วใช้สิ่งเหล่านั้นสอนโมเดลอีกตัวหนึ่ง

ตัวอย่างเช่น โมเดลขนาดใหญ่สามารถสร้างโจทย์โค้ดนับล้านข้อ พร้อมวิธีแก้ที่ตรวจสอบได้ จากนั้นโมเดลขนาดเล็กกว่านำไปฝึกเพื่อให้ตอบคำถามเขียนโปรแกรมได้ดีขึ้น วิธีนี้มีประโยชน์มาก เพราะแทนที่จะรอให้มนุษย์สร้างข้อมูลใหม่ทีละชิ้น เราใช้โมเดลสร้างหลักสูตรฝึกที่ขยายได้แทบไม่จำกัด

แต่ความสำคัญอยู่ที่คำว่า “ตรวจสอบได้”

หากข้อมูลสังเคราะห์เป็นโจทย์คณิตศาสตร์ เราอาจรันโปรแกรมตรวจคำตอบได้ หากเป็นโค้ด เราอาจใช้ unit test ตรวจว่าทำงานจริงหรือไม่ หากเป็นการจำลองทางฟิสิกส์ เราอาจเทียบกับกฎทางวิทยาศาสตร์ได้ การใช้ AI สร้างข้อมูลในสภาพแวดล้อมแบบนี้จึงค่อนข้างปลอดภัย เพราะมีตัวกรองความถูกต้องที่ชัดเจน

ปัญหาจะเริ่มหนักขึ้นเมื่อเราสร้างข้อมูลที่ไม่มี “กรรมการ” ชัดเจน เช่น บทความทั่วไป ความเห็นทางสังคม ข้อมูลประวัติศาสตร์ที่คลุมเครือ หรือคำอธิบายทางการแพทย์ที่ฟังดูดีแต่ตรวจสอบยาก

Model Collapse: เมื่อสำเนาค่อย ๆ กลืนต้นฉบับ

ความเสี่ยงที่ถูกพูดถึงมากคือปรากฏการณ์ที่มักเรียกว่า Model Collapse หรือการเสื่อมสลายของโมเดลจากการเรียนรู้บนข้อมูลที่โมเดลสร้างเองมากเกินไป

โดยธรรมชาติแล้ว โมเดลเชิงกำเนิดไม่ได้จดจำโลกทั้งหมดอย่างเที่ยงตรง มันเรียนรู้การแจกแจงความน่าจะเป็นของข้อมูล แล้วสุ่มสร้างสิ่งที่ “น่าจะเป็น” ออกมา ผลลัพธ์มักเก็บรูปแบบหลักที่พบบ่อยได้ดี แต่มีแนวโน้มละเลยรายละเอียดหายาก ความแปลก ความไม่สมบูรณ์ และสิ่งที่อยู่นอกกรอบ

เมื่อเราเอาผลลัพธ์เหล่านั้นกลับไปเป็นข้อมูลฝึก โมเดลรุ่นถัดไปจะเห็นโลกที่ถูกทำให้เรียบขึ้นแล้ว และทำให้เรียบลงไปอีกในรอบต่อไป

นึกถึงการบันทึกไฟล์ภาพแบบบีบอัดซ้ำ ๆ ทุกครั้งที่บันทึก รายละเอียดบางส่วนหายไปเล็กน้อย ตอนแรกอาจแทบมองไม่เห็น แต่เมื่อทำซ้ำหลายรอบ ภาพจะเริ่มแตก สีเพี้ยน และเส้นขอบพร่า ข้อมูลสังเคราะห์ที่ไม่มีการควบคุมอาจทำงานในลักษณะคล้ายกัน

ผลกระทบอาจมีหลายรูปแบบ

• ความหลากหลายของคำตอบลดลง ทุกอย่างเริ่มใช้ภาษา โครงสร้าง และมุมมองคล้ายกัน

• ตัวอย่างที่พบไม่บ่อยหายไป เพราะโมเดลผลิตสิ่งที่เป็น “ค่าเฉลี่ย” ได้ง่ายกว่า

• ความผิดพลาดถูกคัดลอกและขยายผล หากไม่มีระบบตรวจจับ

• อคติเดิมถูกตอกย้ำ เพราะข้อมูลใหม่สะท้อนอคติที่มีอยู่ในโมเดลผู้สร้าง

• โมเดลดูมั่นใจและลื่นไหลขึ้น แต่เชื่อมโยงกับโลกจริงน้อยลง

นี่ไม่ได้หมายความว่า AI เรียนจาก AI ไม่ได้ หมายความเพียงว่า เราไม่ควรปฏิบัติกับข้อมูลที่โมเดลสร้างเหมือนมันเป็นตัวแทนความจริงโดยอัตโนมัติ

ข้อมูลสังเคราะห์ที่ดีต้องมี “สมอ” อยู่กับโลกจริง

วิธีป้องกันปัญหาไม่ใช่การห้ามใช้ Synthetic Data แต่คือการรักษาแหล่งอ้างอิงจากโลกจริงไว้เสมอ เปรียบได้กับเรือที่แล่นไกลแค่ไหนก็ยังต้องมีพิกัดและเข็มทิศ ไม่เช่นนั้นมันอาจเคลื่อนที่ได้ตลอดเวลา แต่ไม่รู้ว่ากำลังไปผิดทาง

การใช้งานที่แข็งแรงมักมีองค์ประกอบเหล่านี้

• ใช้ข้อมูลจริงคุณภาพสูงเป็นฐานหลัก ไม่ให้ข้อมูลสังเคราะห์กลบสัญญาณจากโลกจริง

• ระบุที่มาของข้อมูลอย่างชัดเจนว่าอะไรสร้างโดยมนุษย์ อะไรสร้างโดยโมเดล และอะไรผ่านการแก้ไข

• ตรวจสอบผลลัพธ์ด้วยระบบภายนอก เช่น โปรแกรมทดสอบ ฐานข้อมูลที่เชื่อถือได้ ผู้เชี่ยวชาญ หรือการทดลองจริง

• วัดผลบนชุดทดสอบที่แยกจากข้อมูลสังเคราะห์อย่างเด็ดขาด

• ตรวจสอบการเปลี่ยนแปลงของความหลากหลาย อคติ และประสิทธิภาพต่อกลุ่มข้อมูลที่พบได้น้อย

• เก็บมนุษย์ไว้ในวงจร โดยเฉพาะงานที่มีผลต่อสุขภาพ การเงิน กฎหมาย หรือสิทธิของผู้คน

ในบางโดเมน เราสามารถทำได้ดียิ่งกว่าเดิมด้วยการสร้างข้อมูลสังเคราะห์จากกฎ ไม่ใช่จากข้อความหรือภาพที่ AI เดาออกมา เช่น ใช้ตัวจำลองฟิสิกส์เพื่อสร้างภาพโรงงาน ใช้เครื่องมือสร้างโค้ดและทดสอบจริง หรือสร้างโจทย์ตรรกะที่มีคำตอบตรวจได้ วิธีนี้ลดโอกาสที่โมเดลจะสอนความเข้าใจผิดให้ตัวเอง

ปัญหาไม่ได้อยู่ที่คำว่า “สังเคราะห์”

ท้ายที่สุด คำถามสำคัญไม่ใช่ว่า “ข้อมูลนี้ถูกสร้างโดย AI หรือเปล่า” แต่คือ “ข้อมูลนี้เชื่อถือได้แค่ไหน มีความหลากหลายพอไหม และเราตรวจสอบมันอย่างไร”

มนุษย์เองก็เรียนรู้จากสิ่งที่มนุษย์คนอื่นสร้างขึ้นตลอดเวลา เราอ่านหนังสือ ดูแผนที่ ใช้ตำรา และต่อยอดจากความรู้ที่ผ่านการกลั่นมาแล้ว ความแตกต่างคือมนุษย์ยังมีโลกจริงเป็นสนามทดสอบ เราสังเกตสิ่งใหม่ ทำการทดลอง พบข้อยกเว้น และแก้ตำราเมื่อมันผิด

AI ก็ต้องมีความสัมพันธ์กับโลกจริงในแบบของมันเช่นกัน ไม่ว่าจะผ่านข้อมูลใหม่ การวัดผลที่รัดกุม เครื่องมือสำหรับตรวจสอบ หรือมนุษย์ผู้รับผิดชอบต่อคำตอบ

Synthetic Data จะเป็นทั้งเชื้อเพลิงและกับดักของ AI ได้พร้อมกัน มันช่วยให้โมเดลฝึกเร็วขึ้น ครอบคลุมกรณีที่ข้อมูลจริงขาดแคลน และรักษาความเป็นส่วนตัวได้ดีขึ้น แต่หากปล่อยให้โมเดลวนเรียนจากเงาของตัวเองโดยไร้การตรวจสอบ สิ่งที่เพิ่มขึ้นอาจไม่ใช่ความรู้ แต่เป็นเพียงสำเนาที่มั่นใจขึ้นของความผิดพลาดเดิม