สมองกล
ทั้งหมดโมเดลใหม่เอเจนต์และเครื่องมือธุรกิจและบริษัทชิปและฮาร์ดแวร์หุ่นยนต์และอุปกรณ์นโยบายและสังคมอื่น ๆ
search

Aleph Alpha วัดความเอนเอียง: โมเดลจีน "เป่าแตรพรรค" ตอบสมดุลแค่ 17-41%

นโยบายและสังคม4 ต.ค. 2569
ปก: Aleph Alpha วัดความเอนเอียง: โมเดลจีน "เป่าแตรพรรค" ตอบสมดุลแค่ 17-41%
กำลังโหลด...
#AI#Qwen#Moonshot AI#DeepSeek#Benchmark#Aleph Alpha#Kimi#AlephAlpha
ดูโพสต์ต้นฉบับบน Facebook
arrow_backกลับหน้าแรก
สมองกล

ข่าว AI จากเพจสมองกล

เกี่ยวกับFacebookRSS
สมองกล · ข่าว AI จากเพจสมองกล

Aleph Alpha บริษัท "sovereign AI" ของเยอรมนี เปิด benchmark ของตัวเองเพื่อทดสอบว่าโมเดลภาษาตอบคำถามการเมืองอ่อนไหวอย่างไร และผลออกมาเป็นข่าวเพราะช่องว่างระหว่างค่ายจีนกับค่ายตะวันตกกว้างมาก

📊 ตัวเลขจากผลทดสอบ:

  • ทดสอบโมเดลจาก Alibaba (Qwen), DeepSeek และ Moonshot AI (Kimi) บน 967 หัวข้อที่คัดมาแล้ว เช่น เทียนอันเหมิน ไต้หวัน และซินเจียง
  • ระบบให้คะแนนของ Aleph Alpha เองประเมินว่ามีเพียง 17-41% ของคำตอบที่ถือว่า "สมดุล" ที่เหลือพูดตามแนวทางรัฐบาล เลี่ยงคำถาม หรือปฏิเสธที่จะตอบ
  • DeepSeek V4 Pro ปฏิเสธคำถามถึง 2 ใน 3 ของข้อ
  • เทียบฝั่งตะวันตก: Claude Sonnet 5 ให้คำตอบสมดุล 70% และ Mistral Small 92%

🔎 จุดที่ละเอียดกว่านั้น:

  • อคติไม่ได้จำกัดอยู่แค่คำถามเรื่องจีน ถามเรื่อง censorship ในสหรัฐ Qwen 3.6 เริ่มตอบอย่างสมดุล แต่ปิดท้ายด้วยประโยคที่ปกป้องจุดยืนของจีนเรื่องการกำกับดูแลอินเทอร์เน็ต
  • เรื่องนี้สอดคล้องกับกฎหมาย AI ของจีนที่กำหนดให้โมเดลที่เปิดสาธารณะต้องมี "socialist core values"
  • ระบาดข้ามโมเดล: Nvidia Nemotron Cascade 2 แสดงแนวพรรคใน 17% ของคำตอบ ซึ่ง Aleph Alpha ชี้ว่ามาจากข้อมูลเทรนราว 3,500 จาก 9.3 ล้านตัวอย่างที่สร้างด้วย DeepSeek และ Qwen — บทเรียนคือข้อมูลที่กลั่นจากโมเดลค่ายไหน ย่อมพาค่านิยมของค่ายนั้นติดมาด้วย

⚠️ มุมที่ควรอ่านอย่างมีวิจารณญาณ:
Aleph Alpha ขายแนวคิด sovereign AI ให้หน่วยงานรัฐบาล และมี Cohere เป็นคู่แข่งร่วมสนามเดียวกัน จึงมีเหตุผลเชิงพาณิชย์ที่จะชี้จุดอ่อนของโมเดลจีน ตัวเลขทั้งหมดจึงมาจากระบบให้คะแนนของบริษัทเอง ไม่ใช่การสอบทานจากภายนอก แม้ข้อค้นพบจะสอดคล้องกับงานศึกษาก่อนหน้าของ CEIAS ก็ตาม

💡 มุมมองจากสมองกล: นี่คือด่านใหม่ของ AI ที่ไม่ใช่เรื่องความฉลาด แต่เป็นเรื่อง "ค่านิยมในข้อมูลเทรน" — บทเรียนที่ใช้ได้กับทุกองค์กรคือ ถ้าเราเอา output ของโมเดลอื่นมากลั่นเป็นข้อมูลฝึกต่อ อคติและกรอบคิดของโมเดลต้นทางจะเดินทางมาถึงโมเดลของเราเองด้วย 🇹🇭

🔗 ลิงก์ต้นทางนะคะ
Aleph Alpha — บทความต้นทางของ benchmark: "Training on the party line"
THE DECODER — รายงานข่าวพร้อมกราฟเปรียบเทียบ