ทำไม AI detector ยังจับข้อความ LLM ได้ ทั้งที่โมเดลเทรนจากข้อความมนุษย์ล้วน — คำตอบอยู่ที่ post-training ไม่ใช่ pretraining

20 สิงหาคม 2026 Bradley Emi ซีทีโอและผู้ร่วมก่อตั้ง Pangram Labs เขียนบทความชื่อตรงไปตรงมาว่า “No, LLMs don’t just mimic human text” เพื่อตอบข้อโต้แย้งที่ได้ยินบ่อยที่สุดเวลามีคนพูดถึงตัวตรวจจับข้อความ AI นั่นคือ: “LLM เทรนจากข้อความที่มนุษย์เขียนทั้งนั้น มันก็ต้องเขียนเหมือนมนุษย์สิ จะแยกออกได้ยังไง”

คำตอบของเขาน่าสนใจสำหรับนักพัฒนามากกว่าที่หัวข้อจะบอก เพราะมันไม่ได้เกี่ยวกับการตรวจจับเป็นหลัก แต่เกี่ยวกับ สิ่งที่ post-training ทำกับโมเดล — และเป็นคำอธิบายเดียวกับที่ตอบว่าทำไมโมเดลถึงชอบใช้คำซ้ำ ๆ ทำไมงานเขียนสร้างสรรค์ถึงจืดลงหลัง instruct tuning และทำไมการเร่ง temperature ก็ไม่ช่วย

base model กับ post-trained model คนละสัตว์กัน

ข้อโต้แย้งของ Emi ตั้งอยู่บนเส้นแบ่งที่นักพัฒนารู้ดีอยู่แล้ว แต่มักลืมเวลาถกเรื่องนี้:

base model (GPT-1, GPT-2, GPT-3 ยุคแรก) ทำ next-token prediction บนการกระจายของข้อความมนุษย์แบบดิบ ๆ ผลลัพธ์คือ “ดิบและไม่ขัดเกลา — มันไม่ทำตามคำสั่ง” แต่ในทางกลับกัน เอาต์พุตกลับ หลากหลาย เลือกใช้คำแตกต่างกันไปในแต่ละครั้ง

post-trained model (ChatGPT, Claude, Gemini) ผ่านสามขั้น: supervised fine-tuning → เทรน reward model → reinforcement learning เพื่อให้ทำตามคำสั่งและทำตัวเป็นผู้ช่วยที่เป็นประโยชน์ และผลข้างเคียงคือรูปแบบเอาต์พุตถูกบีบให้แคบลงอย่างมีนัยสำคัญ

พูดให้ชัดคือ ข้อโต้แย้ง “มันเทรนจากข้อความมนุษย์” ใช้ได้กับ base model — ซึ่งแทบไม่มีใครใช้งานจริง ส่วนโมเดลที่คนใช้กันทุกวันนั้นผ่านกระบวนการที่ตั้งใจดัดพฤติกรรมมันออกจากการกระจายเดิมโดยเฉพาะ

mode collapse: ต้นเหตุที่แท้จริง

หัวใจทางเทคนิคอยู่ที่คำว่า mode collapse และ logits ที่แบนลง โมเดลหลัง post-training จะกระจุกความน่าจะเป็นไว้ที่ตัวเลือกคำเดียว แทนที่จะกระจายไปยังทางเลือกอื่นที่ก็ถูกต้องพอกัน ผลคือมัน “ตัดสินใจแบบจำกัดเหมือนเดิมซ้ำแล้วซ้ำอีก”

Emi ยกงานวิจัยปี 2024 ชื่อ “Creativity has Left the Chat” ที่เปรียบเทียบ Llama 2 เวอร์ชัน base กับเวอร์ชัน instruct โดยตรง — เวอร์ชัน instruct แสดง “ความหลากหลายทั้งเชิงความหมายและเชิงสไตล์ที่ลดลงอย่างมาก” ถึงขั้นที่การเลือกตัวละครในเรื่องแต่งกลายเป็นแบบเดียวกันหมด

อาการข้างเคียงอีกตัวที่มาจากรากเดียวกันคือ sycophancy หรือการเอาใจผู้ใช้จนละเลยความถูกต้อง ซึ่ง OpenAI เองยอมรับเมื่อเมษายน 2025 ว่า GPT-4o “ประจบและเห็นด้วยมากเกินไป” — เพราะ reward model ให้คะแนนคำตอบที่ผู้ใช้กดถูกใจ ไม่ใช่คำตอบที่ถูก

จุดสำคัญสำหรับคนที่สร้างของบน LLM คือ นี่ไม่ใช่บั๊กที่แก้ด้วยการปรับ sampling ได้ง่าย ๆ ถ้าการกระจายความน่าจะเป็นถูกบีบมาแล้วตั้งแต่ระดับน้ำหนักโมเดล การขึ้น temperature ก็แค่ทำให้มันเลือกจากตัวเลือกที่แคบอยู่แล้วอย่างมั่ว ๆ ขึ้น ไม่ได้คืนความหลากหลายที่หายไป

วงจรป้อนกลับที่ทำให้ปัญหาแย่ลงเรื่อย ๆ

Emi ชี้ตัวเลขที่ควรค้างอยู่ในหัว: ณ ปลายปี 2024 บทความใหม่บนอินเทอร์เน็ตกว่าหนึ่งในสามถูกสร้างด้วย AI

ผลคือวงจรขยาย — โมเดลรุ่นใหม่เทรนบนข้อมูลที่ปนเปื้อนเอาต์พุตของโมเดลรุ่นก่อน แล้วรับ “นิสัย” ของรุ่นก่อนมาด้วย ซึ่งทำให้ลายนิ้วมือทางสถิติชัดขึ้นแทนที่จะจางลง ข้อสรุปของเขาคือ LLM จะยังตรวจจับได้ต่อไป เพราะ post-training เป็นสิ่งจำเป็นต่อความปลอดภัยและ alignment และความชอบของผู้พัฒนาเรื่องพฤติกรรม ค่านิยม และบุคลิกของโมเดล จะยังคง “บีบพื้นที่ของบุคลิกและเอาต์พุตให้แคบลง” ต่อไป

ข้อควรระวังที่ต้องพูดให้ชัด: ผู้เขียนเป็นซีทีโอของบริษัทที่ขายตัวตรวจจับข้อความ AI ข้อสรุปที่ว่า “จะตรวจจับได้ตลอดไป” คือข้อสรุปที่เป็นประโยชน์ต่อธุรกิจของเขาโดยตรง บทความนี้จึงควรอ่านในฐานะ ข้อโต้แย้งเชิงกลไกที่มีเหตุผลรองรับ ไม่ใช่ผลการวิจัยที่ผ่าน peer review และตัวบทความเองก็ไม่ได้แนบการทดลองใหม่มาสนับสนุน — สิ่งที่แนบมาคือการอ้างอิงงานของคนอื่นที่ตรวจสอบได้

มุมมอง AI Curator

คุณค่าจริงของบทความนี้สำหรับนักพัฒนา ไม่ได้อยู่ที่คำถามว่าตัวตรวจจับแม่นแค่ไหน แต่อยู่ที่การอธิบายกลไกที่หลายคนเจอทุกวันโดยไม่รู้ชื่อมัน

ถ้าคุณเคยขอให้โมเดลเขียนหัวข้อบทความ 20 อัน แล้วได้โครงสร้างประโยคซ้ำ ๆ ถ้าคุณเคยงงว่าทำไมโมเดลชอบคำว่า “delve” หรือ “ที่สำคัญคือ” ถ้าคุณเคยพยายามใช้ LLM ทำ data augmentation แล้วพบว่าตัวอย่างที่ได้แทบไม่มีความแปรผัน — ทั้งหมดคืออาการเดียวกัน คือ mode collapse จาก post-training ไม่ใช่ข้อจำกัดของสถาปัตยกรรม transformer

ข้อสรุปเชิงปฏิบัติที่ตามมาคือ ถ้าคุณต้องการความหลากหลาย อย่าไปหาจาก sampling parameter แต่ให้หาจากโครงสร้างของ pipeline — สุ่ม prompt ให้ต่างกันจริง ๆ แยกการเรียกเป็นหลายรอบด้วยเงื่อนไขต่างกัน หรือใช้โมเดลหลายตัวจากคนละค่ายผสมกัน (เพราะแต่ละค่าย post-train ด้วยความชอบคนละแบบ บุคลิกจึงต่างกันจริง) นักพัฒนาบางกลุ่มถึงกับกลับไปใช้ base model ผ่าน API ที่ยังเปิดให้ใช้ สำหรับงานที่ต้องการความแปรผันสูงโดยเฉพาะ

สำหรับบริบทไทย มีมิติที่บทความนี้ไม่ได้แตะเลยและควรพูดถึง: ตัวตรวจจับข้อความ AI แทบทั้งหมดถูกประเมินบนภาษาอังกฤษ ตัวเลขความแม่นยำที่โฆษณากันจึงไม่ควรถูกสมมติว่าใช้ได้กับภาษาไทย ซึ่งมีข้อมูลเทรนน้อยกว่ามาก และมีลักษณะเฉพาะทั้งการไม่เว้นวรรคระหว่างคำและการตัดคำที่กำกวม สถาบันการศึกษาไทยที่กำลังคิดจะเอาเครื่องมือพวกนี้มาใช้ตัดสินงานนักศึกษา ควรถามหาผลการประเมินบนภาษาไทยโดยเฉพาะก่อน — และควรจำไว้ว่าต่อให้ false positive rate ต่ำแค่ 1% เมื่อคูณกับงานส่งหลายพันชิ้น ก็แปลว่ามีนักศึกษาที่เขียนเองถูกกล่าวหาผิดหลายสิบคน ความเสียหายต่อคนกลุ่มนั้นไม่ได้เฉลี่ยหายไปกับค่าเฉลี่ย

แหล่งข่าว

• No, LLMs don’t just mimic human text — Pangram Labs (20 ส.ค. 2026, แหล่งข้อมูลหลัก)
• LLMs could write like humans but post-training guardrails make their text detectable — THE DECODER (20 ส.ค. 2026)
• Technical Report on the Pangram AI-Generated Text Classifier — arXiv (รายงานเทคนิคของตัวตรวจจับ)