Model Collapse: ทำไมการฝึก AI ด้วยข้อมูลที่ AI สร้างเองอาจทำให้โมเดลเสื่อมลง

ระบบ AI เชิงกำเนิด (generative AI) จำนวนมากในปัจจุบันเริ่มใช้ ข้อมูลสังเคราะห์ (synthetic data) หรือข้อมูลที่สร้างโดยโมเดล AI รุ่นก่อน ๆ เพื่อใช้ฝึกโมเดลรุ่นใหม่ แต่การทำเช่นนี้มีความเสี่ยงสำคัญที่นักวิจัยเรียกว่า “model collapse” ซึ่งเป็นกระบวนการที่ทำให้โมเดลค่อย ๆ สูญเสียความสามารถในการสะท้อนความหลากหลายของข้อมูลจริงในโลก

งานวิจัยเกี่ยวกับการฝึกแบบวนซ้ำ (recursive training) พบว่า หากโมเดลเรียนรู้จากเอาต์พุตของ AI รุ่นก่อน ๆ แทนที่จะใช้ข้อมูลที่มนุษย์สร้างหรือข้อมูลจากโลกจริง รูปแบบที่พบไม่บ่อยในข้อมูลต้นฉบับจะค่อย ๆ หายไปจากการเรียนรู้ของโมเดล เมื่อทำซ้ำหลายรุ่น การบิดเบือนนี้จะสะสมจนโมเดลเริ่มสะท้อนโลกในแบบที่แคบลงหรือไม่ตรงกับความจริง

ปัญหานี้ยิ่งสำคัญขึ้นเรื่อย ๆ เพราะเนื้อหาที่สร้างโดย AI กำลังเพิ่มขึ้นอย่างรวดเร็วบนอินเทอร์เน็ต ซึ่งเป็นแหล่งข้อมูลหลักที่ใช้ฝึกโมเดลรุ่นใหม่

Model Collapse คืออะไร

Model collapse คือภาวะที่โมเดลเชิงกำเนิดเสื่อมคุณภาพลง เมื่อถูกฝึกด้วยข้อมูลที่สร้างโดยโมเดลอื่นแทนที่จะเป็นข้อมูลต้นฉบับจากมนุษย์หรือโลกจริง

นักวิจัยพบว่าการฝึกแบบวนซ้ำเช่นนี้ทำให้เกิดข้อบกพร่องที่ ย้อนกลับไม่ได้ (irreversible defects) โดยเฉพาะการสูญเสียข้อมูลในส่วน "หางของการกระจายข้อมูล" (distribution tails) ซึ่งเป็นตัวอย่างที่พบไม่บ่อยแต่มีความสำคัญต่อการสะท้อนความจริงของโลก

ผลลัพธ์คือเอาต์พุตของโมเดลจะค่อย ๆ แคบลง และเน้นเฉพาะรูปแบบที่พบบ่อยที่สุดในข้อมูลฝึก

ปรากฏการณ์นี้ถูกสังเกตในโมเดลหลายประเภท เช่น

• โมเดลภาษาใหญ่ (Large Language Models หรือ LLMs)
• Variational Autoencoders (VAEs)
• Gaussian Mixture Models (GMMs)

การที่หลายสถาปัตยกรรมแสดงอาการเดียวกัน ทำให้นักวิจัยเชื่อว่า model collapse เป็น คุณสมบัติทั่วไปของการเรียนรู้แบบ generative ที่ใช้ข้อมูลสังเคราะห์แบบวนซ้ำ ไม่ใช่ปัญหาเฉพาะของโมเดลประเภทใดประเภทหนึ่ง

ทำไมการฝึกแบบ Recursive ถึงทำให้รูปแบบหายากหายไป

สาเหตุหลักมาจากหลักการพื้นฐานของสถิติและการสุ่มตัวอย่าง

เมื่อโมเดลสร้างข้อมูลสังเคราะห์ มันมักจะสร้าง รูปแบบที่มีความน่าจะเป็นสูง มากกว่ารูปแบบที่พบได้ยาก รูปแบบหายากเหล่านี้อยู่ใน "หาง" ของการกระจายข้อมูล ซึ่งมีโอกาสถูกสุ่มออกมาน้อยตั้งแต่แรก

เมื่อโมเดลรุ่นถัดไปถูกฝึกจากข้อมูลสังเคราะห์นั้น:

• ตัวอย่างที่หายากจะยิ่งปรากฏน้อยลง
• โมเดลเรียนรู้การกระจายข้อมูลที่บิดเบือนไปเล็กน้อย
• การฝึกในรุ่นต่อ ๆ ไปจะขยายอคตินั้นมากขึ้น

ผลลัพธ์คือหางของการกระจายข้อมูลค่อย ๆ หายไปทั้งหมด เหลือเพียงรูปแบบหลักที่พบบ่อยที่สุด

เมื่อข้อมูลหายากเหล่านี้หายไปจากชุดข้อมูลฝึก โมเดลรุ่นต่อมาจะไม่สามารถสร้างมันกลับมาได้ เพราะหลักฐานว่ารูปแบบเหล่านั้นเคยมีอยู่ได้หายไปแล้ว

ทำไมข้อมูลจริงเพียงเล็กน้อยก็ช่วยป้องกันได้

ผลลัพธ์ที่น่าสนใจจากงานวิเคราะห์ล่าสุดคือ ข้อมูลจริงเพียงเล็กน้อยอาจเพียงพอที่จะหยุด model collapse ได้

นักวิจัยที่ศึกษากลุ่มโมเดลทางสถิติที่เรียกว่า exponential families พบว่า แม้จะเพิ่มข้อมูลจากโลกจริงเพียงจุดเดียวเข้าไปในการฝึก ก็สามารถทำหน้าที่เป็น "หลักยึด" ให้กระบวนการเรียนรู้ยังคงสะท้อนการกระจายข้อมูลจริงอยู่

จุดข้อมูลนั้นทำให้โมเดลยังคงมีหลักฐานว่ารูปแบบบางอย่างมีอยู่จริง จึงไม่ปล่อยให้การฝึกแบบวนซ้ำค่อย ๆ ลบมันออกไป

อีกวิธีหนึ่งคือการใช้ prior knowledge หรือความรู้ล่วงหน้าที่กำหนดข้อจำกัดให้กับโมเดล เช่น สมมติฐานหรือโครงสร้างทางสถิติที่กำหนดไว้ล่วงหน้า ซึ่งช่วยจำกัดไม่ให้โมเดลเบี่ยงเบนไปตามอคติของข้อมูลสังเคราะห์มากเกินไป

ในทางปฏิบัติ หมายความว่า

• ตัวอย่างจากโลกจริงช่วยรักษารูปแบบที่หายาก
• priors ช่วยบังคับโครงสร้างของการเรียนรู้

แม้ว่าข้อมูลสังเคราะห์จะมีจำนวนมากกว่ามาก แต่ “หลักยึด” เหล่านี้ยังสามารถทำให้การฝึกมีเสถียรภาพได้

ทำไมเรื่องนี้สำคัญสำหรับ LLM

ปัญหา model collapse เริ่มถูกพูดถึงมากขึ้นเพราะเนื้อหาที่สร้างโดย AI กำลังเพิ่มขึ้นอย่างรวดเร็วบนอินเทอร์เน็ต

โมเดลภาษาใหญ่ (LLMs) มักถูกฝึกด้วยข้อมูลขนาดมหาศาลจากเว็บ หากข้อความออนไลน์จำนวนมากเริ่มถูกสร้างโดย AI ชุดข้อมูลฝึกในอนาคตก็อาจเต็มไปด้วยข้อมูลที่มาจากโมเดลก่อนหน้า

หากโมเดลรุ่นใหม่เรียนรู้จากข้อมูลประเภทนี้เป็นหลัก อาจเกิดผลกระทบ เช่น

• ความหลากหลายของเอาต์พุตลดลง
• การจัดการกรณีหายากทำได้แย่ลง
• ความเข้าใจต่อข้อมูลจริงในโลกแคบลง

นักวิจัยจึงเตือนว่า การรักษาการเข้าถึง ข้อมูลที่สร้างโดยมนุษย์หรือข้อมูลจริงที่เชื่อถือได้ เป็นสิ่งสำคัญ เพื่อให้โมเดลยังคงสะท้อนความหลากหลายของภาษาและความรู้ในโลกจริง

ข้อจำกัดของหลักฐานปัจจุบัน

แม้กลไกของ model collapse จะได้รับการสนับสนุนจากงานวิจัยหลายชิ้น แต่รายละเอียดบางอย่างยังอยู่ในขั้นทฤษฎี

ตัวอย่างเช่น แนวคิดที่ว่าข้อมูลจริงเพียงจุดเดียวสามารถหยุดการล่มของโมเดลได้นั้น มาจากการวิเคราะห์เชิงทฤษฎีและโมเดลสถิติแบบง่าย มากกว่าการทดลองเต็มรูปแบบกับ LLM ขนาดใหญ่ในระบบจริง

ดังนั้น ปริมาณข้อมูลจริงที่จำเป็นในระบบจริงอาจแตกต่างกันไปตามสถาปัตยกรรมโมเดล ชุดข้อมูล และขั้นตอนการฝึก

อย่างไรก็ตาม บทเรียนสำคัญจากงานวิจัยคือชัดเจน: การฝึก AI ด้วยข้อมูลที่สร้างโดย AI เพียงอย่างเดียวเสี่ยงทำให้โมเดลค่อย ๆ สูญเสียส่วนหนึ่งของความจริง และการรักษาการเชื่อมต่อกับข้อมูลโลกจริงยังคงเป็นปัจจัยสำคัญในการพัฒนา AI ระยะยาว