ZhiJing: เมื่อ AI ไม่ได้แค่ตอบเก่ง แต่ต้องอ่านบริบททางสังคมให้เป็น

โมเดลภาษาอาจเขียนตอบได้ลื่นไหล แต่การแยกว่า “สิ่งที่ผู้พูดเชื่อ” ต่างจากความจริงอย่างไร การจับเจตนาที่ไม่ได้พูดตรง ๆ หรือการรู้ว่าบทบาทและบรรทัดฐานทางสังคมเปลี่ยนคำตอบที่เหมาะสมอย่างไร ยังเป็นโจทย์ยาก

นี่คือปัญหาที่ ZhiJing (知境) จากสถาบันเทคโนโลยีการคำนวณ สถาบันบัณฑิตวิทยาศาสตร์จีน (CAS ICT) ต้องการแก้ โดยวางระบบเป็นห่วงโซ่ตั้งแต่การวัดผล การฝึกโมเดล ไปจนถึงการกำกับเมื่อใช้งานจริง ภายใต้แนวคิด “social mind” หรือความสามารถของ AI ในการให้เหตุผลเกี่ยวกับสภาวะทางความคิด ความสัมพันธ์ กฎเกณฑ์ และบริบทของผู้คน ไม่ใช่เพียงสร้างคำตอบที่ฟังดูถูกต้อง 1

CAS ICT นำเสนอระบบต่อสาธารณะเมื่อวันที่ 24 กรกฎาคม 2026 ขณะที่รายงานเทคนิคบน arXiv ระบุวันที่ส่งบทความเป็น 26 กรกฎาคม ซึ่งเป็นคนละเหตุการณ์ จึงไม่จำเป็นต้องขัดแย้งกัน 1

ZhiJing มีอะไรบ้าง

ZhiJing ประกอบด้วย 3 ส่วนที่เชื่อมกัน

• SoMBench: เกณฑ์ประเมินเชิงวินิจฉัยที่อิงหลักจิตวิทยา ใช้ดูว่าโมเดลพลาดเรื่องการเข้าใจสังคมตรงไหน
• Zing: ส่วนของการฝึกเพื่อ “ทำให้ความสามารถฝังอยู่ในโมเดล” มากกว่าพึ่งคำสั่งในพรอมป์ตชั่วคราว
• Actio: โครงสร้างสำหรับใช้งานจริง ที่ช่วยเสริมแนวทางเชิงขั้นตอน การติดตามสภาวะทางความคิดของแต่ละฝ่าย ประสบการณ์ที่นำกลับมาใช้ได้ และการเรียกใช้ความรู้ด้านสังคมหรือบรรทัดฐานอย่างมีเงื่อนไข 1

SoMBench: ไม่ใช่แค่ถามว่าตอบถูกไหม แต่ถามว่าพลาดเพราะอะไร

SoMBench แบ่งความสามารถด้านสังคมออกเป็น 3 มิติหลัก 17 มิติย่อย และ 71 รูปแบบงาน โดยครอบคลุมการให้เหตุผลเรื่องความเชื่อ อารมณ์ ปฏิสัมพันธ์ทางสังคม ความสัมพันธ์ และการรับรู้กฎเกณฑ์ของสังคม ชุดประเมินใช้สถานการณ์ร่วม 284 สถานการณ์ และตัวอย่างที่ผู้เชี่ยวชาญตรวจสอบแล้ว 3,481 รายการ พร้อมควบคุมรูปแบบคำถาม มุมมองการเล่าเรื่อง และความยาวของบริบท 1

จุดสำคัญคือมันออกแบบมาเพื่อจับความผิดพลาดที่การทดสอบถาม-ตอบทั่วไปอาจมองไม่เห็น ตัวอย่างเช่น

• สับสนระหว่างความเชื่อของตัวละครกับข้อเท็จจริงที่เกิดขึ้นจริง
• มองไม่เห็นความเชื่อหรือความตั้งใจที่แฝงอยู่
• ไม่ปรับความเชื่อเมื่อมีข้อมูลใหม่
• ละเลยข้อจำกัดที่เกิดจากความสัมพันธ์ บทบาท หรือบรรทัดฐานในสถานการณ์นั้น 1

ในการประเมินโมเดลภาษาขนาดใหญ่ 20 รุ่น รายงานระบุว่าโมเดลที่ทำได้ดีที่สุดมีความถูกต้องรวมเพียง 72.08% และไม่มีมิติย่อยใดใน 17 มิติที่แตะเกณฑ์ใกล้เต็ม 90% สะท้อนว่างานด้านการเข้าใจบริบทมนุษย์ยังมีช่องว่างอยู่มาก 1

ฝึก Zing อย่างไรให้เข้าใจบริบทได้เสถียรกว่าเดิม

แนวคิดของวงจรข้อมูลแบบ FLARE คือเริ่มจากการวินิจฉัย: ผลที่โมเดลทำพลาดใน SoMBench จะชี้จุดอ่อนรายมิติ แล้วจึงนำไปสร้างและคัดกรองตัวอย่างสำหรับฝึก ก่อนประเมินซ้ำ กระบวนการนี้รวมถึงการดึงกรณีพลาด การตรวจระดับความยากและความตอบได้ การตรวจว่ามีทางลัดให้โมเดลเดาคำตอบหรือไม่ การซ่อมตัวอย่าง และการคัดเลือกข้อมูล 1

การฝึกแบ่งเป็น 2 ระยะ

1. ระยะแรก สร้างความเข้าใจบริบททางสังคมในวงกว้าง
2. ระยะที่สอง เน้นการให้เหตุผลแบบ social mind โดยใช้การกลั่นกระบวนการคิดจากโมเดลครูที่แข็งแกร่ง และการเรียนรู้แบบเสริมกำลังสำหรับงานเฉพาะทาง 1

ในส่วน Mixed-Reward GRPO ทีมงานผสมสัญญาณรางวัลสำหรับการให้เหตุผลเชิงสังคมเข้ากับ On-Policy Distillation (OPD) ซึ่งมีเป้าหมายให้โมเดลยังรักษาความสามารถทั่วไปจากโมเดลฐานไว้ได้ระหว่างการฝึกเฉพาะทาง หรือช่วยลดปัญหา catastrophic forgetting ที่โมเดลเก่งเรื่องใหม่ขึ้นแต่ลืมสิ่งเดิม ขณะที่ GRPO ผลักดันผลลัพธ์ในงานสังคมที่ต้องการ 1

ผล Zing-27B เทียบ GPT-5.5

CAS ICT รายงานว่า Zing-27B ซึ่งเป็นโมเดลหลายรูปแบบข้อมูล (multimodal) ทำคะแนนเฉลี่ยเหนือ GPT-5.5 ในการทดสอบความรู้ความเข้าใจทางสังคมระดับนานาชาติ 5 ชุด 1

ตัวเลขที่ทีมรายงานมีดังนี้

รายการ	Zing-27B	GPT-5.5	ส่วนต่าง
ค่าเฉลี่ยรวม 5 เกณฑ์ทดสอบ	79.80%	78.44%	+1.36 จุดเปอร์เซ็นต์
HiToM	—	—	+4.08 จุดเปอร์เซ็นต์
EmoBench	—	—	+5.62 จุดเปอร์เซ็นต์

มีข้อควรระวังสำคัญ: รายงานต้นทางยืนยันคำกล่าวว่า Zing-27B นำในค่าเฉลี่ยของทั้ง 5 เกณฑ์ทดสอบ แต่ข้อความส่วนที่เผยแพร่ในแหล่งปฐมภูมิที่มีอยู่ไม่ได้แสดงตัวเลขทั้ง 4 ค่าแยกให้ตรวจสอบโดยตรง ดังนั้นควรมองตัวเลขเหล่านี้เป็น ผลการประเมินที่ผู้พัฒนารายงาน ไม่ใช่ผลการทดสอบยืนยันโดยหน่วยงานอิสระ 1

สิ่งที่ผลลัพธ์นี้บอกเรา

ZhiJing ไม่ได้พิสูจน์ว่า AI “เข้าใจคน” ได้อย่างน่าเชื่อถือในโลกจริงแล้ว แต่เสนอแนวทางที่ชัดเจนกว่าเดิม: เปลี่ยนทักษะที่เคยเรียกรวม ๆ ว่า AI มี “EQ” ให้กลายเป็นสิ่งที่วัดหาจุดบกพร่อง ฝึกแก้เป็นรายด้าน และมีเครื่องมือช่วยกำกับตอนนำไปใช้ได้

สำหรับผู้ใช้ ความต่างนี้สำคัญอย่างยิ่งในงานที่คำตอบถูกต้องเชิงข้อเท็จจริงอาจยังไม่พอ เช่น ผู้ช่วยสนทนา การศึกษา งานบริการ หรือเอเจนต์ AI ที่ต้องตัดสินใจท่ามกลางความสัมพันธ์ อารมณ์ และกติกาที่ไม่ได้เขียนบอกไว้ตรง ๆ แต่คะแนน benchmark เพียงอย่างเดียวก็ยังไม่อาจรับรองความเข้าใจมนุษย์ในสถานการณ์จริงได้ 1