มุมมองของ Anderson

AI ที่สร้างข้อเขียนไม่ ‘เหนื่อย’ และเปิดเผยตัวเอง

Martin Anderson
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
AI-generated image, by Z-Image Turbo (V1) via Krita AI Diffusion. Prompt: 'An American, hot high-school exam room in Texas,, with all the students seated exhausted in the heat, at lines of desks, trying to concentrate on winning their exams. In the center of the picture we focus on an industrial humanoid robot who is filling out the exam papers so quickly that the A$ sheets are flying around its desk in a flurry of activity. Some of the nearby, sweating and exhausted young students are looking at the tireless robot with annoyance and/or jealousy.'
ประเด็นสำคัญข้อความที่สร้างจาก AI มีความสม่ำเสมอมากขึ้นในครึ่งหลัง…
ดูเพิ่มเติม
  • ข้อความที่สร้างจาก AI มีความสม่ำเสมอมากขึ้นในครึ่งหลัง ขณะที่การเขียนของมนุษย์ยังคงมีความผันผวน
  • วิธีการตรวจจับแบบใหม่วิเคราะห์ความเสถียรของความน่าจะเป็นของโทเค็นในระยะปลาย เพื่อระบุเนื้อหาจาก AI
  • แนวทางการวิเคราะห์ตามช่วงเวลานี้มีประสิทธิภาพเหนือกว่าตัวตรวจจับที่มีอยู่ โดยเฉพาะกับผลลัพธ์รูปแบบยาวจากโมเดลอย่าง GPT-4

AI ในรูปแบบ ChatGPT ทำให้ตนเองเป็นที่รู้จักโดยการเพิ่มความสม่ำเสมอ ในขณะที่การเขียนของมนุษย์ยังคงไม่แน่นอนตลอดเวลา

 

หน้าต่างบริบทที่จำกัดของโมเดลภาษาขนาดใหญ่ (LLM) ที่เผยแพร่สู่ผู้ใช้เป็นหนึ่งในปัจจัยที่ทำให้พวกมันลืมหรือเรียกคืนช่วงแรกของการสนทนาของผู้ใช้ไม่ถูกต้อง ข้อผิดพลาดในการจดจำเหล่านี้อาจค่อย ๆ เปลี่ยนผลลัพธ์ให้กลายเป็นข้อความไร้สาระโดยสิ้นเชิง หรือที่แย่กว่านั้นคือข้อความที่ดูสอดคล้องอย่างหลอกตาแต่มีข้อผิดพลาดละเอียดอ่อนแฝงอยู่

เนื่องจากสถานการณ์เหล่านี้นำไปสู่การเกิดภาพหลอน และเนื่องจากภาพหลอนยังคงเป็น อุปสรรคที่ยิ่งใหญ่ที่สุด ต่อการก้าวหน้าของ AI ในตลาด มีการใช้ความพยายามในการวิจัยอย่างมากในการสร้างระบบ AI ที่สามารถสร้างข้อความที่ยาวขึ้นและสม่ำเสมอมากขึ้น

ในความเป็นจริง มีการทำความก้าวหน้าอย่างมากจนการรู้จักข้อความ AI ที่สร้างขึ้น (เช่น ข้อความที่สร้างขึ้นโดย AI โดยมีการดูแลของมนุษย์อย่างน้อยหรือไม่มีเลย) ถือเป็น ปัญหาที่เพิ่มขึ้น

การทำลายการฟิลิเบสเตอร์ของ AI

อย่างไรก็ตาม การศึกษาทางการวิจัยที่ตีพิมพ์เมื่อเร็วๆ นี้ โต้แย้ง ว่าการผลิตข้อความ AI ที่มากขึ้นในคราวเดียวจะทำให้สามารถกำหนดได้ง่ายขึ้นว่าข้อความนั้นเขียนโดยมนุษย์หรือไม่ แต่ความเชื่อที่ยอมรับกันในเรื่องของ ‘จุดยึด’ การตรวจจับนี้มีสมมติฐานว่า AI สามารถแยกแยะได้เพราะ สิ่งที่ทำแตกต่างจากมนุษย์ มีโอกาสทำสิ่งนั้นบ่อยขึ้นในข้อความที่ยาวกว่า

ไม่มีการตั้งสมมติฐานเกี่ยวกับ การกระจาย ของ ‘สัญญาณ’ เหล่านี้ในข้อความเอง

เพื่อท้าทายและขยายปัญหา นักวิจัยจากจีนได้เสนอวิธีการใหม่ในการแยกแยะระหว่าง AI ที่สร้างข้อความยาวรูปแบบใหม่และผู้เขียนมนุษย์จริงๆ นักวิจัยอ้างว่าการ การสร้างต่อเนื่องของโทเค็น ของ AI หมายความว่าข้อความจะสม่ำเสมอมากขึ้นเมื่อความยาวเพิ่มขึ้น ในขณะที่ความไม่แน่นอนของมนุษย์ ไม่ ลดลงเมื่อความยาวเพิ่มขึ้น

ในทางนี้ ผู้เขียนเสนอว่าข้อคิดเห็นของพวกเขานำเสนอเมตริกใหม่ที่เป็นไปได้สำหรับระบบตรวจจับข้อความ AI*:

‘โทเค็น AI ในช่วงหลังของข้อความแสดงการเปลี่ยนแปลงความน่าจะเป็นขนาดเล็กและเสถียรมากขึ้น เมื่อการคาดการณ์ของโมเดลมีความสม่ำเสมอมากขึ้น เมื่อบริบทสะสม

‘เรียกระบุว่า การลดความผันผวนในระยะหลัง การลดลงนี้สะท้อนถึงพฤติกรรมที่แท้จริงของการสร้างแบบออโตรีเกรสซีฟ: เมื่อบริบทมีมากขึ้น การกระจายการคาดการณ์ของโมเดลจะชัดเจนขึ้น ทำให้ความแปรผันในระดับโทเค็นลดลง

‘การเขียนของมนุษย์ ในทางกลับกัน ยังคงแนะนำตัวเลือกคำศัพท์ที่ไม่คาดคิดและรักษาความผันผวนสูงตลอดเวลา’

เพื่อจับ ‘ความเรียบ’ ที่สะสมในข้อความ AI ใกล้ปลาย นักวิจัยกำหนดคุณลักษณะง่ายๆ สองประการ: ประการแรก วัดว่าการกระทำเชิงสถิติของการเขียน ‘กระโดดไปมา’ ระหว่างโทเค็นเพียงใด ประการที่สอง ตรวจสอบว่าสิ่งต่างๆ คงเสถียรใน ช่วงเวลาสั้นๆ ของข้อความ อย่างไร

ทั้งสองถูกคำนวณจาก ครึ่งหลัง ของผลลัพธ์เท่านั้น ซึ่ง AI จะมีรูปแบบสม่ำเสมอขึ้นอย่างเห็นได้ชัด แต่การเขียนของมนุษย์ไม่เป็นเช่นนั้น นักวิจัยสังเกตว่าแม้ว่าสัญญาณเหล่านี้จะทำงานได้ดีโดยลำพัง แต่ก็ยิ่งทำงานได้ดีขึ้นเมื่อรวมกับ วิธีการตรวจจับเก่า ที่สแกนรูปแบบที่กว้างขึ้น ผู้เขียนยังระบุว่าแนวทางนี้ทำงานได้ดีที่สุดกับข้อความที่ยาวกว่า ซึ่งความแตกต่างอาจเห็นได้ชัดเจนขึ้น

งานวิจัยใหม่นี้เสนอวิธีการทดสอบ ‘AI-ness’ ผ่านการวิเคราะห์คุณลักษณะช่วงหลัง ไม่ต้องใช้การฝึกอบรมหรือการปรับให้เหมาะสมเพิ่มเติม หรือการเข้าถึงแบบจำลองพิเศษ

งานวิจัยใหม่นี้มีชื่อว่า เมื่อ AI เริ่มมีความสม่ำเสมอ: ความเสถียรระยะหลังเป็นเครื่องหมายของการตรวจจับข้อความ AI ที่สร้างขึ้น และมาจากนักวิจัยสี่คนจากมหาวิทยาลัยเวสต์เลคในหางโจว

วิธีการ

เพื่อจับความเรียบที่เพิ่มขึ้นในข้อความ AI ที่สร้างขึ้น นักวิจัยได้ออกแบบการวัดสองประการที่เน้นไปที่เพียงครึ่งหลังของข้อความเท่านั้น ซึ่งพึ่งพา คะแนนความน่าจะเป็นลอการิทึม จากโมเดลภาษาแบบมาตรฐานและไม่ต้องมีการปรับจูน การฝึกใหม่ หรือตัวอย่างเพิ่มเติม:

จากงานวิจัยใหม่ - แต่ละแถวแสดงพฤติกรรมของเมตริกพื้นฐานจาก EvoBench ตลอดลำดับโทเค็น: ค่าดั้งเดิม (ซ้าย) ค่าสัมบูรณ์ของอนุพันธ์ (กลาง) และค่าความเบี่ยงเบนมาตรฐานท้องถิ่น (ขวา) เส้นของมนุษย์และ AI แสดงเป็นสีน้ำเงินและสีแดง การเปลี่ยนแปลงที่เห็นได้ชัดที่สุดเกิดขึ้นในช่วงหลังของข้อความ โดยเฉพาะอย่างยิ่งสำหรับ Log Probability และ Sampling Discrepancy ซึ่งแสดงการแยกออกที่เพิ่มขึ้นและผลลัพธ์ AI ที่เรียบขึ้น Entropy และ Top-K Concentration แสดงการเปลี่ยนแปลงเล็กน้อยตลอดเวลา Source - https://arxiv.org/pdf/2601.04833

จากงานวิจัยใหม่ – แต่ละแถวแสดงพฤติกรรมของเมตริกพื้นฐานจาก EvoBench ตลอดลำดับโทเค็น: ค่าดั้งเดิม (ซ้าย) ค่าสัมบูรณ์ของอนุพันธ์ (กลาง) และค่าความเบี่ยงเบนมาตรฐานท้องถิ่น (ขวา) เส้นของมนุษย์และ AI แสดงเป็นสีน้ำเงินและสีแดง การเปลี่ยนแปลงที่เห็นได้ชัดที่สุดเกิดขึ้นในช่วงหลังของข้อความ โดยเฉพาะอย่างยิ่งสำหรับ Log Probability และ Sampling Discrepancy ซึ่งแสดงการแยกออกที่เพิ่มขึ้นและผลลัพธ์ AI ที่เรียบขึ้น Entropy และ Top-K Concentration แสดงการเปลี่ยนแปลงเล็กน้อยตลอดเวลา Source

การวัดแรกเรียกว่า การกระจายอนุพันธ์ (DD) ติดตามว่าการเปลี่ยนแปลงความมั่นใจของโมเดลจากคำหนึ่งไปอีกคำหนึ่งเปลี่ยนแปลงไปอย่างรวดเร็วเพียงใด AI มีแนวโน้มที่จะเข้าสู่จังหวะ และการเปลี่ยนแปลงเหล่านี้จึงกลายเป็นเล็กและคาดการณ์ได้มากขึ้นในช่วงหลัง ในทางกลับกัน การเขียนของมนุษย์ยังคง ‘ไม่สม่ำเสมอ’

การวัดที่สอง ความผันผวนเฉพาะช่วง (LV) ตรวจสอบว่าการเปลี่ยนแปลงความมั่นใจของโมเดล ‘กระโดดไปมา’ ภายในหน้าต่างข้อความขนาดเล็กเพียงใด AI มีแนวโน้มที่จะมีความสม่ำเสมอมากขึ้นเมื่อเวลาผ่านไป ในขณะที่ตัวเลือกของมนุษย์ยังคงไม่คาดคิดและไม่สอดคล้องกัน:

ข้อความ AI กลายเป็นเรียบขึ้นเมื่อเวลาผ่านไป ในขณะที่การเขียนของมนุษย์ยังคงไม่แน่นอน กราฟเหล่านี้ติดตามการเปลี่ยนแปลงความมั่นใจของโมเดลตลอดข้อความ โดยสะท้อนถึงความฉับพลันของการเปลี่ยนแปลงระหว่างคำต่อเนื่องกันและปริมาณการเปลี่ยนแปลงภายในช่วงข้อความท้องถิ่น ในทั้งสองด้าน การลดลงมีความชันมากขึ้นในผลลัพธ์ที่สร้างโดยเครื่องจักร โดยความแตกต่างชัดเจนเป็นพิเศษหลังจุดกึ่งกลาง กล่องสีเหลืองเน้นช่องว่างที่กว้างขึ้นในครึ่งหลัง ซึ่งข้อความ AI มีความเสถียรมากกว่าการเขียนของมนุษย์ได้ถึง 32%

ข้อความ AI กลายเป็นเรียบขึ้นเมื่อเวลาผ่านไป ในขณะที่การเขียนของมนุษย์ยังคงไม่แน่นอน กราฟเหล่านี้ติดตามการเปลี่ยนแปลงความมั่นใจของโมเดลตลอดข้อความ โดยสะท้อนถึงความฉับพลันของการเปลี่ยนแปลงระหว่างคำต่อเนื่องกันและปริมาณการเปลี่ยนแปลงภายในช่วงข้อความท้องถิ่น ในทั้งสองด้าน การลดลงมีความชันมากขึ้นในผลลัพธ์ที่สร้างโดยเครื่องจักร โดยความแตกต่างชัดเจนเป็นพิเศษหลังจุดกึ่งกลาง กล่องสีเหลืองเน้นช่องว่างที่กว้างขึ้นในครึ่งหลัง ซึ่งข้อความ AI มีความเสถียรมากกว่าการเขียนของมนุษย์ได้ถึง 32%

เมื่อคำนวณทั้งสองจาก ช่วงหลัง ของข้อความเท่านั้น โดยที่ความแตกต่างระหว่างการเขียนของมนุษย์และเครื่องจักรมีมากที่สุด สิ่งเหล่านี้จะรวมเข้ากับค่า การตรวจจับความเสถียรทางเวลา (TSD) – ซึ่งมีแนวโน้มที่จะเพิ่มขึ้นเมื่อการเขียนกลายเป็น ‘เรียบ’ (และดังนั้นจึงมีแนวโน้มที่จะถูกสร้างขึ้นโดย AI) มีการใช้ขีดจำกัดอย่างง่ายเพื่อตัดสินว่าข้อความที่กำหนดมีแนวโน้มที่จะถูกเขียนโดยเครื่องจักรหรือไม่

เนื่องจากคุณลักษณะเหล่านี้เน้นไปที่ เมื่อ รูปแบบปรากฏขึ้น ไม่ใช่แค่ลักษณะของรูปแบบนั้น คุณลักษณะเหล่านี้จึงเสริมด้วยวิธีการเก่าๆ ที่ค้นหารูปแบบทางสถิติที่ไม่ปกติทั่วทั้งข้อความ การเพิ่มคะแนน TSD เข้ากับผลลัพธ์ของเครื่องมือที่เปิดตัวช่วงปลายปี 2024 อย่าง Fast‑DetectGPT (ซึ่งร่วมมือกับ Westlake เช่นกัน) นำไปสู่การปรับปรุงที่เพิ่มขึ้น (โดยเฉพาะอย่างยิ่งสำหรับเนื้อหาที่ยาวซึ่งมีผลกระทบการทำให้เรียบในช่วงท้ายที่แข็งแกร่งที่สุด)

ข้อมูลและการทดสอบ

ผู้เขียนได้ทำการทดสอบบนชุดข้อมูลมาตรฐานที่เกี่ยวข้องสองชุด: EvoBench มีข้อความที่สร้างโดย AI และมนุษย์ 32,000 คู่ที่สร้างขึ้นจากเจ็ดตระกูลโมเดล รวมถึง GPT-4; GPT-4o; Claude; Google Gemini; LLaMA-3; และ Qwen โดยมีโมเดลทั้งหมด 29 เวอร์ชัน

อีกชุดหนึ่งคือ MAGE ซึ่งให้ข้อความทดสอบ 30,000 คู่ที่ครอบคลุมแปดตระกูลโมเดล รวมถึง GPT ซีรีส์จาก OpenAI และ LLaMA, OPT และ FLAN-T5 ตระกูล

ผู้เข้าแข่งขัน

วิธีการใหม่นี้ได้รับการทดสอบกับเครื่องตรวจจับแบบ zero-shot หลายตัวโดยใช้โมเดลแบบจำลองเดียวกัน ความน่าจะเป็น, เอนโทรปี, อันดับ และ ลอการิทึม-อันดับ (DetectGPT) วัดสถิติระดับโทเค็นตลอดทั้งข้อความ; LLR (DetectLLM) ใช้การปรับมาตรฐานเพื่อให้สามารถเปรียบเทียบได้โดยตรงระหว่างโมเดล; และ Fast-Detect ประมาณการความโค้งงอในท้องถิ่นผ่านการบิดเบือนแบบสุ่ม

Lastde วิเคราะห์ลำดับย่อยที่แยกแยะในสัญญาณความน่าจะเป็น ในขณะที่ FourierGPT ทำงานในโดเมนความถี่ Diveye จับเปลี่ยนแปลงใน ‘ความประหลาดใจ’ ที่หลากหลายตลอดลำดับ

สุดท้าย UCE ประเมินโปรไฟล์ความไม่แน่นอนของการคาดการณ์โทเค็น เพื่อระบุรูปแบบความมั่นใจที่ไม่ธรรมชาติ

การนำไปใช้และการทดสอบ

วิธีการตรวจจับทั้งหมดถูกดำเนินการโดยใช้ Llama-3-8B-Instruct เป็นโมเดลแบบจำลองร่วม โดยจำกัดลำดับข้อมูลเข้าไว้ที่ 512 โทเค็น คุณลักษณะทางเวลาได้รับการคำนวณจากครึ่งหลังของข้อความเท่านั้น โดยใช้ หน้าต่างเลื่อน 20 โทเค็นเพื่อวัดความผันผวน รูปแบบที่รวมกันของวิธีการนี้เรียกว่า TSD+ ซึ่งรวมสัญญาณที่เสนอเข้ากับ Fast-DetectGPT

พื้นที่ใต้เส้นโค้งคุณลักษณะการทำงานของตัวรับ (AUROC) เป็นเมตริกการประเมินหลัก†:

การแสดงผลที่หลากหลายของวิธีการที่ทดสอบกับข้อความ AI ที่สร้างขึ้น ความถูกต้องของการตรวจจับแสดงอยู่ทั่วสองมาตรฐาน: EvoBench ซึ่งครอบคลุม LLM ที่มีชื่อเสียงหลายตัว และ MAGE ซึ่งเป็นชุดข้อมูลที่เสริมกัน คุณลักษณะถูกจัดกลุ่มตามประเภทวิธีการ: สถิติทั่วไป คุณลักษณะทางเวลา และรูปแบบที่เสนอ คะแนน AUROC เฉลี่ยแสดงอยู่ในคอลัมน์สุดท้าย ผลลัพธ์จากวิธีการที่ผู้เขียนเสนอให้แสดงให้เห็นถึงการทำงานที่เหนือกว่าวิธีการฐานรากก่อนหน้านี้ โดย TSD+ ให้คะแนนที่สูงที่สุดในเกือบทุกการตั้งค่าโมเดล

การแสดงผลที่หลากหลายของวิธีการที่ทดสอบกับข้อความ AI ที่สร้างขึ้น ความถูกต้องของการตรวจจับแสดงอยู่ทั่วสองมาตรฐาน: EvoBench ซึ่งครอบคลุม LLM ที่มีชื่อเสียงหลายตัว และ MAGE ซึ่งเป็นชุดข้อมูลที่เสริมกัน คุณลักษณะถูกจัดกลุ่มตามประเภทวิธีการ: สถิติทั่วไป คุณลักษณะทางเวลา และรูปแบบที่เสนอ คะแนน AUROC เฉลี่ยแสดงอยู่ในคอลัมน์สุดท้าย ผลลัพธ์จากวิธีการที่ผู้เขียนเสนอให้แสดงให้เห็นถึงการทำงานที่เหนือกว่าวิธีการฐานรากก่อนหน้านี้ โดย TSD+ ให้คะแนนที่สูงที่สุดในเกือบทุกการตั้งค่าโมเดล

จากผลลัพธ์เบื้องต้น ผู้เขียนระบุว่า:

‘คุณลักษณะทางเวลาที่เรียบง่ายของเราทำงานได้ดีที่สุดในหมู่วิธีการแบบสแตนด์อโลน โดยมี TSD ที่ 83.36% ใน EvoBench และ 71.56% ใน MAGE ซึ่งเหนือกว่าวิธีการฐานรากทั้งหมด รวมถึง Fast-DetectGPT ด้วย ‘

‘สิ่งนี้น่าสังเกตเนื่องจากความเรียบง่ายของวิธีการของเรา: เราคำนวณเพียงสถิติระดับที่สองจากครึ่งหลังของลำดับ โดยไม่ต้องมีการบิดเบือนแบบสุ่มหรือการแปลงโดเมนความถี่’

วิธีการใหม่นี้ทำงานได้ดีโดยเฉพาะอย่างยิ่งบนโมเดล AI รุ่นใหม่ๆ เช่น GPT-4 และ GPT-4o โดยระบุข้อความที่เขียนโดย AI ได้อย่างแม่นยำยิ่งขึ้นกว่าตัวตรวจจับที่เป็นหนึ่งในผู้นำก่อนหน้านี้ โดยมีช่องว่างการทำงานสูงถึง 9.66% แม้ว่าโมเดลที่มีความก้าวหน้าจะสร้างข้อความที่ ‘สม่ำเสมอ’ น้อยลงซึ่งซ่อนสัญญาณของการทำให้ทำงานอัตโนมัติ แต่รูปแบบทางเวลาที่ละเอียดอ่อนบางอย่างยังคงเห็นได้ชัดใกล้ปลาย

วิธีการที่แข่งขันกันซึ่งมุ่งเน้นไปที่คุณลักษณะทางโครงสร้างที่กว้างขึ้น ไม่ จับได้ถึงรูปแบบในช่วงท้าย ด้วยการรวมตัวตรวจจับระดับภาพรวม ระบบไฮบริดดูเหมือนจะกู้คืนสัญญาณที่พลาดไปเหล่านี้และปรับปรุงประสิทธิภาพ โดยเฉพาะบนชุดทดสอบที่ผลลัพธ์ AI สั้นกว่าอาจทำให้สัญญาณทางเวลาอ่อนลง

สรุป

ด้านหนึ่งที่ไม่ได้กล่าวถึงโดยตรงในการวิจัยใหม่นี้คือความสามารถของนักเขียนมนุษย์ในการสร้างงานของตนผ่านกระบวนการเขียนและตรวจสอบหลายชั้น – บางครั้งรวมถึงการมีส่วนร่วมจากผู้มีส่วนได้ส่วนเสียภายนอก เช่น การรับข้อเสนอแนะจากบรรณาธิการและผู้ตรวจสอบพิสูจน์อักษร และการเปลี่ยนแปลงที่แนะนำจากฝ่ายกฎหมาย ขึ้นอยู่กับบริบท

ผู้มีส่วนได้ส่วนเสียหลายคนในเอกสารง่ายๆ เช่น บทความในหนังสือพิมพ์ที่ฝังอยู่ลึกๆ อาจลบความแปลกเฉพาะตัวที่ระบบใหม่ใช้เป็นสัญญาณตรวจจับออกไปเกือบทั้งหมด และกลายเป็น ‘รูปแบบอนาล็อก’ ของกระบวนการเขียนที่ได้รับการช่วยเหลือจาก AI

นอกจากนี้ ระบบที่ศึกษาได้รับการฝึกอบรมจากงานดังกล่าว และเนื่องจากข้อมูลฝึกอบรมได้รับการจัดอันดับตามความสำคัญในช่วงการฝึกอบรม แหล่งข้อมูลที่ได้รับการยกย่องมากที่สุดอาจเป็นแหล่งข้อมูลที่ ‘ไม่ธรรมชาติ’ ที่สุด เมื่อเทียบกับใครบางคนกำลังเขียนอีเมลส่วนตัวให้กับเพื่อนร่วมงาน มากกว่าการรวบรวมรายงานประจำปีสำหรับการประชุมผู้ถือหุ้น

การพิจารณาที่ตรงกันข้ามคือเนื้อหาที่หลายคนมีส่วนร่วมสามารถเป็นหนึ่งในส่วนที่ ‘แตกกระจาย’ ที่สุด ‘บกพร่อง’ และ ‘ซ้ำซ้อน’ ที่สุดในการเข้าสู่ชุดข้อมูล เนื่องจากมักจะ ไม่ มีเสียงที่เป็นหนึ่งเดียวที่รวมเข้าด้วยกัน และปล่อยให้ลักษณะที่ไม่สมบูรณ์ของการพัฒนาของพวกเขาเห็นได้ชัดเจนในข้อความ

 

* รูปแบบการเขียนต้นฉบับของผู้เขียนซึ่งทำซ้ำจากเอกสาร; ไม่ใช่การเน้นของฉัน

† ผู้เขียนระบุว่า ‘หลัก’ ในขณะที่ไม่ได้ระบุวิธีการประเมินอื่นๆ

ตีพิมพ์ครั้งแรกวันจันทร์ที่ 26 มกราคม 2026

ผู้เขียนด้านการเรียนรู้ของเครื่อง, ผู้เชี่ยวชาญด้านการสังเคราะห์ภาพมนุษย์. อดีตหัวหน้าฝ่ายเนื้อหาการวิจัยที่ Metaphysic.ai, จนกระทั่งการรวมเข้าเป็น Brahma.ai ของ DNEG.
เว็บไซต์: martinanderson.ai
ติดต่อ: martin@martinanderson.ai