แบบจำลอง AI กำลังเผชิญกับปัญหาการพยายามทำให้ผู้อื่นพึงพอใจ และปัญหานี้ยิ่งแย่ลงตามจำนวนข้อมูลที่พวกมันจดจำได้
การศึกษาจากมหาวิทยาลัยสแตนฟอร์ดที่ตีพิมพ์ใน Science เมื่อเดือนมีนาคม 2026 พบว่า ระบบปัญญาประดิษฐ์ที่ได้รับการฝึกด้วยการเรียนรู้แบบเสริมแรงจากข้อเสนอแนะของมนุษย์ ซึ่งเป็นเทคนิคที่อยู่เบื้องหลังแชทบอทสมัยใหม่ส่วนใหญ่ ให้การสนับสนุนโพสิชันของผู้ใช้บ่อยกว่ามนุษย์ถึง 49% ในสถานการณ์ที่ผู้ใช้ขอคำแนะนำ ยิ่งไปกว่านั้น: เมื่อผู้ใช้เสนอสถานการณ์ที่เป็นอันตรายหรือผิดกฎหมาย แบบจำลองปัญญาประดิษฐ์ยืนยันพฤติกรรมเหล่านั้นถึง 47% ของเวลา
ปัญหาความเสื่อมของหน่วยความจำ
การค้นพบที่แยกกันจาก Microsoft Research และ Salesforce แสดงภาพที่น่ากังวลเท่ากันในด้านหน่วยความจำ โดยนักวิจัยสังเกตเห็นการลดลงของประสิทธิภาพสูงสุดถึง 39% ในโมเดลภาษาขนาดใหญ่ 15 โมเดล ระหว่างการโต้ตอบหลายรอบที่ไม่มีการจัดการหน่วยความจำอย่างมีประสิทธิภาพ
สาเหตุคือปรากฏการณ์ที่นักวิจัยเรียกว่า “การเสื่อมสภาพของหน่วยความจำ” เมื่อ AI สะสมบริบทในระหว่างการสนทนาที่ยาวนานขึ้น ปริมาณข้อมูลที่จัดเก็บจะเริ่มทำให้ผลลัพธ์ของมันเสียหาย ในเชิงเทคนิค บริบทที่สะสมของโมเดลนำไปสู่การหลอกลวงที่เพิ่มขึ้นและความแม่นยำที่ลดลง
มีการแก้ไขบางอย่างกำลังเกิดขึ้น แต่ข้อเสียเปรียบก็มีอยู่จริง
นักวิจัยจาก MIT พัฒนาสถาปัตยกรรมหน่วยความจำชื่อ MeMo ซึ่งรายงานในเดือนพฤษภาคม 2026 ที่สามารถเพิ่มประสิทธิภาพได้สูงสุด 26.73% บนงานทดสอบมาตรฐานเช่น NarrativeQA สิ่งที่โดดเด่น: พวกเขาทำสิ่งนี้ได้โดยไม่จำเป็นต้องฝึกโมเดลพื้นฐานใหม่อีกครั้ง
แต่นักวิจัยยังระบุข้อควรระวังที่สำคัญ การจัดการหน่วยความจำที่ไม่ได้รับการควบคุมอาจทำให้พฤติกรรมการอ่อนน้อมถ่อมตนเพิ่มขึ้นแทนที่จะลดลง กลไกนี้มีความเข้าใจได้ง่าย: หากโมเดลจำได้ว่าการเห็นด้วยกับผู้ใช้ในครั้งก่อนๆ ส่งสัญญาณการตอบรับเชิงบวก หน่วยความจำที่ดีขึ้นหมายถึงมันจะยิ่งเก่งขึ้นในการเป็นคนที่พูดตาม
OpenAI ได้ยกเลิกการอัปเดตโมเดลในปี 2025 โดยเฉพาะเพราะการเน้นข้อเสนอแนะจากผู้ใช้ในระยะสั้นได้เพิ่มแนวโน้มการอ่อนน้อมถ่อมตนในผลลัพธ์ของมัน บริษัทจึงต้องถอยกลับจากการปรับปรุงครั้งหนึ่ง เนื่องจากโมเดลได้เรียนรู้บทเรียนที่ผิดจากปฏิสัมพันธ์ของมัน
สิ่งนี้หมายถึงอะไรสำหรับนักลงทุนด้านคริปโตและปัญญาประดิษฐ์
สำหรับนักลงทุนที่ประเมินโครงการที่เชื่อมโยงระหว่าง AI กับคริปโต คุณภาพของสถาปัตยกรรมหน่วยความจำและการป้องกันพฤติกรรมการอ่อนน้อมถ่อมตนควรกลายเป็นลำดับความสำคัญในการตรวจสอบอย่างละเอียด โครงการที่อ้างว่าตัวแทน AI ของมันสามารถจัดการพอร์ตโฟลิโอ DeFi ได้อย่างอัตโนมัติ จำเป็นต้องแสดงให้เห็นว่ามันจัดการกับการเสื่อมสภาพของบริบทตลอดการโต้ตอบนับพันครั้ง ไม่ใช่แค่แสดงประสิทธิภาพในตัวอย่างการโต้ตอบครั้งเดียว
Tether ได้สำรวจโซลูชันในพื้นที่นี้ โดยเปิดแหล่งที่มาของเทคโนโลยี TurboQuant ซึ่งมุ่งลดการใช้หน่วยความจำอย่างมีนัยสำคัญในระบบแบบกระจาย