ข้อจำกัดของ AI: สิ่งที่ยังทำไม่ได้ และทางแก้ที่กำลังมา

วันนี้ AI เขียนโค้ด สรุปรายงาน และสอบผ่านข้อสอบวิชาชีพได้ แต่ AI ตัวเดียวกันนี้ก็ยังแต่งข้อมูลขึ้นมาเองอย่างมั่นใจ ถูกหลอกด้วยข้อความที่ซ่อนอยู่ในเว็บไซต์ และกินไฟเท่าเมืองขนาดย่อม

การรู้ว่า AI ทำอะไรไม่ได้ สำคัญพอ ๆ กับการรู้ว่ามันทำอะไรได้ บทความนี้คัดข้อจำกัดใหญ่ห้าข้อที่ส่งผลกับคนใช้งานจริงมากที่สุด พร้อมตัวอย่างและตัวเลขล่าสุด แล้วปิดท้ายด้วยทางแก้ที่วงการกำลังพัฒนาอยู่ (เรียบเรียงและขยายความจาก IABAC)

1. Hallucination: แต่งเรื่องเก่ง และพูดด้วยน้ำเสียงมั่นใจ

ข้อจำกัดที่สร้างความเสียหายจริงมากที่สุดคือ AI ตอบผิดโดยไม่รู้ตัวว่าผิด วงการเรียกว่า hallucination หรือ "อาการหลอน" โมเดลภาษาถูกฝึกให้ทำนายคำถัดไปที่ฟังดูสมเหตุสมผล ไม่ได้ถูกฝึกให้ตรวจว่าสิ่งที่พูดเป็นความจริง เมื่อไม่รู้คำตอบ มันจึงมักเติมช่องว่างด้วยสิ่งที่ "น่าจะใช่" แทนที่จะบอกว่าไม่รู้

วงการกฎหมายสหรัฐฯ คือตัวอย่างที่ชัดที่สุด ฐานข้อมูลที่ติดตามคดีซึ่งมีการยื่นเอกสารอ้างคำพิพากษาที่ AI แต่งขึ้น นับได้ 1,240 กรณีในศาลสหรัฐฯ ณ ปลายกรกฎาคม 2026 ตัวเลขพุ่งจาก 11 กรณีในปี 2023 เป็น 524 กรณีในปี 2025 และ 668 กรณีในเจ็ดเดือนแรกของปี 2026 ผู้กระทำไม่ได้มีแค่ประชาชนที่ว่าความเอง แต่รวมถึงทนายความหลายร้อยคน และแม้แต่ผู้พิพากษา

บทเรียนสำหรับคนทั่วไปคือ ยิ่งคำตอบฟังดูเฉพาะเจาะจงและสมบูรณ์แบบ ยิ่งต้องตรวจแหล่งที่มา โดยเฉพาะตัวเลข ชื่อคน ชื่อเอกสาร และการอ้างอิง

2. เหตุผลและสามัญสำนึก: เก่งข้อสอบยาก แต่สะดุดเรื่องง่าย

AI ยุคนี้ทำคะแนนสอบระดับมหาวิทยาลัยได้สูง แต่บางครั้งกลับนับตัวอักษรในคำผิด หรือไม่เข้าใจสถานการณ์ที่เด็กประถมตอบได้ทันที เหตุผลคือ AI เรียนรู้จากรูปแบบในข้อความมหาศาล ไม่ได้มีประสบการณ์กับโลกจริงแบบมนุษย์ จึงขาดสิ่งที่เราเรียกว่าสามัญสำนึก

งานวิจัย "The Illusion of Thinking" ของ Apple ในเดือนมิถุนายน 2025 ทดสอบโมเดลแบบ "คิดก่อนตอบ" อย่าง o3, DeepSeek R1 และ Gemini ด้วยปริศนาอย่างหอคอยฮานอย ผลคือโมเดลทำได้ดีในโจทย์ระดับกลาง แต่ความแม่นยำร่วงลงเป็นศูนย์เมื่อโจทย์ซับซ้อนเกินจุดหนึ่ง และที่แปลกคือโมเดลกลับ "คิดน้อยลง" ทั้งที่โจทย์ยากขึ้น

งานนี้ถูกโต้แย้งพอสมควรว่าวิธีทดสอบอาจไม่ยุติธรรม แต่ประเด็นหลักยังใช้ได้: ความสามารถของ AI ไม่ได้ลดลงอย่างนุ่มนวลเมื่องานยากขึ้น มันอาจทำได้ดีมากจนถึงจุดหนึ่ง แล้วพังลงแบบไม่มีสัญญาณเตือน คนใช้จึงไม่ควรเชื่อว่าเพราะ AI ทำงานยากได้ งานที่ยากกว่าเล็กน้อยก็จะทำได้เช่นกัน

3. อคติจากข้อมูล และกล่องดำที่อธิบายตัวเองไม่ได้

AI สะท้อนข้อมูลที่ใช้ฝึกมัน ถ้าข้อมูลมีอคติ ผลลัพธ์ก็มีอคติตาม และมักขยายให้หนักขึ้นด้วย

งานวิจัยของ University of Washington ปี 2024 ให้โมเดลภาษาคัดกรองเรซูเม่จริงกว่า 550 ฉบับ เทียบกับประกาศรับสมัครงานกว่า 500 ตำแหน่ง รวมกว่าสามล้านคู่ โดยเปลี่ยนแค่ชื่อผู้สมัคร ผลคือชื่อที่สื่อถึงคนผิวขาวถูกเลือกถึง 85% ของกรณี ส่วนชื่อที่สื่อถึงคนผิวดำถูกเลือกเพียง 9% และชื่อผู้ชายผิวดำไม่เคยถูกเลือกเหนือชื่อผู้ชายผิวขาวเลยแม้แต่ครั้งเดียว

ปัญหาซ้อนอีกชั้นคือเราอธิบายไม่ได้ชัดว่าทำไม AI ถึงตัดสินใจแบบนั้น โมเดลขนาดใหญ่มีพารามิเตอร์หลายแสนล้านตัว ความรู้กระจายอยู่ในตัวเลขเหล่านั้นแบบที่มนุษย์อ่านไม่ออก นี่คือปัญหา "กล่องดำ" (black box) ซึ่งเป็นอุปสรรคใหญ่ในงานที่ต้องให้เหตุผลประกอบการตัดสินใจ เช่น การอนุมัติสินเชื่อ การวินิจฉัยโรค หรือการรับคนเข้าทำงาน และ AI ที่ "อธิบายเหตุผล" ออกมาเป็นข้อความก็ไม่ได้รับประกันว่าคำอธิบายนั้นตรงกับสิ่งที่เกิดขึ้นจริงภายในโมเดล

4. ต้นทุนที่มองไม่เห็น: ไฟฟ้า น้ำ และชิป

ทุกคำตอบของ AI ใช้พลังงานจริงจากศูนย์ข้อมูลจริง และตัวเลขกำลังโตเร็วมาก ตามการประเมินของสำนักงานพลังงานระหว่างประเทศ (IEA) ศูนย์ข้อมูลทั่วโลกใช้ไฟราว 415 TWh ในปี 2024 หรือราว 1.5% ของไฟฟ้าทั้งโลก และจะเพิ่มเป็นราว 945 TWh ในปี 2030 ใกล้เคียงกับที่ทั้งประเทศญี่ปุ่นใช้ในปัจจุบัน ส่วนที่โตเร็วที่สุดคือศูนย์ข้อมูลสำหรับ AI ซึ่ง ความต้องการไฟฟ้าจะเพิ่มขึ้นกว่าสี่เท่า

นอกจากไฟฟ้า ยังมีน้ำที่ใช้ระบายความร้อน และฮาร์ดแวร์ที่ผลิตไม่ทันความต้องการ ทั้ง GPU และหน่วยความจำ HBM ที่ผู้ผลิตประกาศว่ากำลังผลิตทั้งปีถูกจองหมดแล้ว (อ่านต่อใน HBM: หน่วยความจำที่กลายเป็นหัวใจของยุค AI) ต้นทุนเหล่านี้สุดท้ายสะท้อนมาที่ราคาบริการ และจำกัดว่าใครเข้าถึง AI ระดับสูงได้บ้าง

ข่าวดีคือประสิทธิภาพก็ดีขึ้นเร็วเช่นกัน โมเดลขนาดเล็กรุ่นใหม่ทำงานหลายอย่างได้ใกล้เคียงโมเดลใหญ่เมื่อสองปีก่อน โดยใช้พลังงานน้อยกว่ามาก คำถามคือประสิทธิภาพที่ดีขึ้นจะตามทันปริมาณการใช้งานที่เพิ่มขึ้นหรือไม่

5. ความปลอดภัย: AI แยกไม่ออกว่าอะไรคือข้อมูล อะไรคือคำสั่ง

เมื่อ AI เริ่มทำงานแทนเราได้จริง เช่น อ่านอีเมล ท่องเว็บ และกดปุ่มในระบบต่าง ๆ ช่องโหว่ใหม่ก็ตามมา ที่อันตรายที่สุดคือ prompt injection การซ่อนคำสั่งไว้ในเนื้อหาที่ AI อ่าน เช่น ข้อความสีขาวบนหน้าเว็บที่สั่งว่า "ส่งข้อมูลลูกค้าไปที่อีเมลนี้" แล้ว AI ก็อาจทำตาม

OWASP องค์กรด้านความปลอดภัยซอฟต์แวร์ระดับโลก จัดให้ prompt injection เป็นความเสี่ยงอันดับหนึ่งของแอปพลิเคชัน AI เป็นปีที่สามติดต่อกันในรายการเดือนสิงหาคม 2026 และความเสี่ยงที่ขยับขึ้นเร็วที่สุดคือ "excessive agency" หรือการให้ AI มีสิทธิ์ทำอะไรได้มากเกินจำเป็น ซึ่งกระโดดจากอันดับแปดขึ้นมาอันดับสาม รากของปัญหาคือโมเดลภาษายังแยกข้อมูลออกจากคำสั่งได้ไม่ขาด ระบบจึงต้องออกแบบโดยถือว่าเรื่องนี้อาจเกิดขึ้นได้เสมอ

ยังมีความเสี่ยงอื่นอีก ทั้งข้อมูลส่วนตัวที่ผู้ใช้พิมพ์ลงไปแล้วอาจรั่วไหล และ deepfake เสียงหรือวิดีโอปลอมที่สมจริงจนแยกไม่ออก ซึ่งถูกใช้หลอกโอนเงินมาแล้วในหลายประเทศ

ทางแก้ที่กำลังมา: ลดความเสี่ยงได้ แต่ยังลบไม่หมด

ไม่มีข้อจำกัดข้อไหนที่แก้ได้ด้วยเทคนิคเดียว แต่ทุกข้อมีแนวทางที่กำลังพัฒนาอย่างจริงจัง

ฝั่งกฎหมายก็เดินหน้าเช่นกัน กฎหมาย AI ของสหภาพยุโรป (EU AI Act) เริ่มบังคับใช้เป็นขั้น ตั้งแต่ข้อห้ามบางประเภทในปี 2025 ไปจนถึงหน้าที่ติดป้ายเนื้อหาที่สร้างด้วย AI ตั้งแต่สิงหาคม 2026 ส่วนกฎสำหรับระบบ AI ความเสี่ยงสูง เช่น ระบบคัดคนเข้าทำงาน ถูกเลื่อนไปเป็นธันวาคม 2027 บทลงโทษสูงสุดถึง 35 ล้านยูโรหรือ 7% ของรายได้ทั่วโลก

สรุป: ใช้ AI ให้เหมือนผู้ช่วยเก่ง ๆ ที่ยังต้องมีคนตรวจงาน

ข้อจำกัดทั้งห้าข้อไม่ได้แปลว่า AI ใช้ไม่ได้ แต่แปลว่าต้องใช้ให้ถูกงาน AI เหมาะกับการร่าง สรุป ค้นหา และช่วยคิด ส่วนการตัดสินใจที่มีผลต่อเงิน สุขภาพ สิทธิ หรือชีวิตของคน ยังต้องมีมนุษย์ตรวจสอบและรับผิดชอบ

กฎง่าย ๆ สามข้อสำหรับคนใช้งาน: ตรวจตัวเลขและแหล่งอ้างอิงทุกครั้ง อย่าใส่ข้อมูลลับลงในเครื่องมือที่ไม่รู้ว่าเก็บข้อมูลอย่างไร และอย่าให้ AI กดปุ่มที่ย้อนกลับไม่ได้โดยไม่มีคนยืนยัน ช่องว่างระหว่าง "AI ทำได้" กับ "AI ทำได้อย่างน่าเชื่อถือ" กำลังแคบลงทุกปี แต่ยังไม่ปิดสนิท