AI พัฒนาความสามารถในการค้นหาข่าวได้หรือไม่?

AI มีความสามารถในการเขียนเรื่องข่าวที่ดีขึ้น แต่ยังไม่ดีขึ้นในการ ระบุ ข่าวเหล่านั้น

ความคิดเห็น ใน 5 ปีที่ผ่านมา นับตั้งแต่ฉัน พิจารณาความสามารถของ AI ในการค้นหาข่าว แล้ว ภูมิทัศน์ได้เปลี่ยนแปลงไปอย่างมาก โดยมีการเพิ่มขึ้นของการทำงานอัตโนมัติด้วย AI และความท้าทายที่ตามมา

最近 มี รายงานของ WSJ เกี่ยวกับนักข่าวที่มีชื่อเสียงที่ใช้ AI ในการเขียนข่าว ซึ่งนำเสนอภาพของนักข่าวในอนาคตที่ได้รับการปลดปล่อยจากงานที่ไม่จำเป็น เช่น การเขียนข่าวจากข้อมูลที่มีอยู่แล้ว และมีเวลาในการเขียนข่าวที่มีคุณภาพ

แต่สิ่งที่เราพูดถึงน้อยกว่าคือความสามารถของ AI ในการ ค้นหาข่าว

การลดเสียงรบกวน

ในบทความปี 2021 ฉันเน้นไปที่นักเขียนที่ครอบคลุมการวิจัย เนื่องจากนั่นคือสิ่งที่ฉันใช้เวลาอยู่มาก และผลกระทบที่ใหญ่ที่สุดของการปฏิวัติ AI ใหม่คือการสร้าง พายุหิมะที่ไม่สามารถควบคุมได้ ของการยื่นขอเผยแพร่ผลงานวิจัยที่ใช้ AI ซึ่งทำให้อัตราส่วนสัญญาณต่อเสียงรบกวนเพิ่มขึ้นอย่างมาก จนถึงขนาดที่การครอบคลุมโดเมน AI ที่เกี่ยวข้องกับ Arxiv อย่างครอบคลุมนั้นอยู่นอกเหนือความสามารถของบุคคลเพียงคนเดียว

แน่นอนว่านี่คือสิ่งที่ AI excels – ในการวนซ้ำข้อมูลจำนวนมากที่มนุษย์ไม่สามารถทำได้ เพื่อค้นหา ‘outliers’ (ซึ่งเราจะพูดถึงในภายหลัง) ในเวลาเพียงไม่กี่วินาที ซึ่งคนจะใช้เวลาหลายวันหรือหลายสัปดาห์ในการทำ

ทำไม AI จึงยังไม่ดีในการระบุข่าวที่ดีจากทั้งหมดที่มีอยู่?

AI ที่มองย้อนหลัง

การแพร่กระจายของเนื้อหาที่สร้างโดย AI นี้เกิดขึ้นอย่างกว้างขวางนอกเหนือจากสาขาวิชาการที่ฉันพูดถึงก่อนหน้านี้ เมื่อปลายปีที่แล้ว มีการประมาณการว่าครึ่งหนึ่งของ การเขียนใหม่ทั้งหมด บนเว็บ ถูกเขียนโดย AI โดยมีการเร่งความเร็วของแนวโน้มนี้ในอนาคต

แม้ว่าจะมีการปรับปรุงบางอย่างในการระบุข่าวที่ดีโดย AI ในช่วงไม่กี่ปีที่ผ่านมา ระบบเหล่านี้มักจะเน้นไปที่ข้อมูลที่มีโครงสร้างและสามารถคาดการณ์ได้ ซึ่งหมายความว่าพวกมันสามารถทำงานได้เฉพาะในบริบทที่มีความยืดหยุ่นน้อย

นักวิจัยหลังปริญญาเอกจาก Stanford และนักข่าวของ New York Times ในอดีต Alexander Spangher ได้พยายามที่จะกำหนด ‘ความน่าสนใจ’ ในรูปของกระบวนการเรียนรู้ของเครื่องและวิเคราะห์ทางสถิติ และได้ผลิตหลักฐานของการสร้างข้อมูลนำเข้าโดยอัตโนมัติใน ข้อมูลสาธารณะ เช่น ใบอนุญาตของศาล ใบเรียกเก็บเงินของรัฐ และการประชุมของคณะกรรมการเมือง

การกระจายคำที่ได้รับจากข้อมูลสาธารณะ ในกรณีนี้ เราจะเห็นว่า ‘การอนุมัติ’ มีคะแนนสูง เนื่องจากอาจแสดงถึงการตัดสินใจ การเปลี่ยนแปลง และความใหม่ แหล่งที่มา

อย่างไรก็ตาม ปัญหากับแนวทางเหล่านี้ เช่น การเสนอขายในปี 2023 ของ Spangher คือว่าพวกมันเน้นไปที่ แนวโน้มที่สังเกตได้ในข้อมูล หรืออีกนัยหนึ่ง พวกมันสังเกตสิ่งที่ทำให้ข่าวดีในอดีต และพยายามหาสิ่งที่คล้ายกัน

ในโลกแห่งความเป็นจริง แหล่งข้อมูลที่ไม่คาดคิดมักจะกลายเป็น ‘one hit wonder’ และหลังจากที่มีผลกระทบครั้งเดียวแล้ว ก็ไม่สามารถสร้างผลกระทบอีกได้

สัญญาณแห่งยุค

ดังนั้น เนื่องจากการตรวจสอบแหล่งข้อมูลประเภท ‘one-and-done’ นี้มักจะเพิ่มเสียงรบกวนให้กับพายุหิมะที่มีอยู่แล้ว AI จึงไม่สามารถระบุ สัญญาณ ของแหล่งข้อมูลที่อาจจะกลายเป็นข่าวที่ดีในอนาคตได้หรือไม่ หากสามารถค้นหาสิ่งที่ทำให้แหล่งข้อมูลมีคุณสมบัติที่จะกลายเป็นข่าวที่ดีได้ ก็สามารถมุ่งเน้นไปที่ ลักษณะ ของแหล่งข้อมูลมากกว่าบริบทหรือวิธีการ

โดยตรรกะเดียวกัน หากเราสามารถอนุมานจากผลการเปิดเผยของ Edward Snowden ในช่วงปี 2010 ว่าใครก็ตามที่เพิ่งออกจากงานที่ CIA (หรือ องค์กรที่คล้ายกัน) จะเป็นแหล่งข้อมูลที่มีศักยภาพในการสร้างข่าวที่ดีในอนาคต

อย่างไรก็ตาม ไม่มี RSS feeds หรือ APIs ที่สามารถใช้ในการติดตามแหล่งข้อมูลประเภทนี้ได้ เนื่องจาก LinkedIn และแหล่งข้อมูลอื่นๆ ที่เปิดกว้างในอดีตกำลัง ถอยกลับ ในการเผชิญกับ AI ที่มีความสามารถในการสแกนข้อมูลอย่างไม่หยุดยั้ง

นอกจากนี้ยังมี มิติของมนุษย์ ในการเปิดเผยข้อมูลที่ยากต่อการทำให้กลายเป็นกระบวนการอัตโนมัติ

การรวบรวมข่าวด้วยการสัมผัสส่วนบุคคล: การจับภาพจากภาพยนตร์ ‘All The President’s Men’ ของ Alan J. Pakula ในปี 1976 ซึ่งแสดงถึงการเปิดเผยข้อมูลที่มีการสัมผัสส่วนบุคคล แหล่งที่มา

นอกจากนี้ ในโลกแห่งความเป็นจริง ยังยากที่จะระบุ ลักษณะเฉพาะ ของแหล่งข้อมูลที่อาจจะกลายเป็นข่าวที่ดี

แม้ว่าคำว่า ‘การร้องขอความช่วยเหลือ’ จะไม่สามารถทำให้เข้าใจถึงความสำคัญหรือความน่าสนใจของเหตุการณ์ได้ และแม้ว่าจะสามารถจำกัดการตรวจสอบลงในภาษาอังกฤษเพียงอย่างเดียว แต่การแปลความหมายของคำว่า ‘การร้องขอความช่วยเหลือ’ ในชุมชนต่างๆ ก็ยังยากที่จะทำได้

เส้นทางที่แคบ

ระบบปัจจุบันที่ใช้ AI ในการค้นหาข่าวที่ดี phụ thuộc vàoโครงสร้างข้อมูลที่เป็นทางการ (เช่น JSON output จาก API) หรือโครงสร้างข้อมูลที่ไม่เป็นทางการที่ AI สามารถ มีโอกาสในการแปล เป็นโครงสร้างที่มีระเบียบ (เช่น การแปลข้อมูลจากองค์กรที่เฉพาะเจาะจง)

การแปล RSS/XML feed ที่แสดงโครงสร้างข้อมูลที่มีระเบียบ แหล่งที่มา

แนวทางเหล่านี้เหมาะสมสำหรับการทำงานอัตโนมัติ เช่น การรายงานสภาพอากาศ การรายงานหุ้น และการรายงานคะแนนกีฬา รวมถึงการแปลข้อมูลจากองค์กรรัฐบาลที่มีระเบียบ

ในขณะที่สามารถติดตาม ‘การเตือนของมนุษย์’ ในการรายงานข้อมูลเชิงสถิติ เช่น สภาพอากาศ (พายุหิมะที่ไม่คาดคิด) หุ้น (การเปลี่ยนแปลงที่ไม่คาดคิด) และกีฬา (ชัยชนะหรือความพ่ายแพ้ที่ไม่คาดคิด) แต่ก็ยังต้องการความสนใจของมนุษย์ในการประเมินความน่าสนใจของข้อมูล

แม้ว่าคำว่า ‘การเสียชีวิต’ ‘การเจ็บป่วยที่ไม่คาดคิด’ ‘การรั่วไหล’ และ ‘อุบัติเหตุ’ จะช่วยให้สามารถระบุเหตุการณ์ที่น่าสนใจได้ แต่ก็ไม่สามารถระบุภาษาหรือภาษาที่แตกต่างกันได้

การกลับมาของนักเขียนชั้นนำ?

ในไม่กี่ปีที่ผ่านมา การรายงานข่าวด้วยข้อมูล ได้กลายเป็น ส่วนสำคัญ ของการรายงานข่าว โดยที่หน่วยงานบรรณาธิการไม่ได้จำกัดอยู่เพียงข้อตกลง ‘สโคป’ ที่ให้การเผยแพร่ข่าวล่วงหน้า แต่สามารถวิเคราะห์ข้อมูลด้วยตนเอง

อย่างไรก็ตาม สิ่งนี้ไม่ใช่การให้ผลประโยชน์ฟรี เนื่องจากค่าใช้จ่ายในการวิเคราะห์ข้อมูลด้วย AI ในวิธีนี้ได้เพิ่มขึ้น และมีการตอบโต้จากผู้เล่นหลักๆ ในตลาดที่พยายาม หลบหลีกการตรวจสอบ

การเพิ่มแรงเสียดทานของการถอยกลับใหม่นี้อาจทำให้Legacy Media หรือองค์กรข่าวที่มีเงินทุนเพียงพอในการดูดซับงานที่เพิ่มขึ้นในการรวบรวม ข้อมูลที่มีคุณภาพ

ดังนั้น ใน某种程度แล้ว การนำ AI มาใช้ในวงการข่าวอาจจะทำให้เรา ย้อนกลับไปในอดีต โดยการเพิ่มการจำกัดในการผลิตข่าวและทำให้การวิเคราะห์ข้อมูลที่มีคุณภาพยากขึ้น

สัญชาตญาณทั่วไป

การจำกัดเหล่านี้ทำให้เรา กลับไปสู่สัญชาตญาณ ในการประเมินความน่าสนใจของเรื่องราว

ตามธรรมชาติแล้ว สิ่งนี้เป็นเรื่องที่น่าพอใจสำหรับผู้ที่ทำงานในด้านนี้ แต่การไม่ระวังอาจทำให้เราหลงเชื่อได้ เนื่องจากสัญชาตญาณนี้สามารถถูก ทำให้กลายเป็นกระบวนการ ได้ในระดับหนึ่ง โดยไม่ต้องอาศัยการเรียนรู้จากความหลงใหลหรืองานอดิเรกของบุคคลใดบุคคลหนึ่งหรือองค์กรใดองค์กรหนึ่ง

ใน การศึกษาในปี 2022 นักวิจัยจาก Northwestern University ใช้การประเมินจากผู้คนในการฝึกอบรมแบบจำลองที่สามารถคาดการณ์ได้ โดยเฉพาะอย่างยิ่งในการประเมินความน่าสนใจของข่าวที่เผยแพร่ใหม่ๆ ใน Arxiv

คำถามที่ให้กับผู้เข้าร่วมในการศึกษาเพื่อให้ได้ข้อมูลในการฝึกอบรมแบบจำลอง แหล่งที่มา

ระบบนี้สามารถจัดอันดับได้ดี โดยมีประมาณ 80% ของการคาดการณ์ที่ถูกต้อง แต่การเห็นด้วยกับผู้เชี่ยวชาญนั้นไม่ดีนัก เนื่องจากผลลัพธ์ไม่ได้คำนึงถึงปัจจัยอื่นๆ เช่น การจัดวางหรือความเหมาะสมของกลุ่มเป้าหมาย

ระบบนี้อาศัยหลักการจาก การศึกษาในปี 2020 การค้นหาข่าวด้วยการคำนวณ: การพิจารณาในการออกแบบสำหรับอัลกอริทึมในการเขียนข่าว

ในทางกลับกัน การวิจัยนี้มักจะเน้นไปที่การรายงานข่าวทางวิทยาศาสตร์มากกว่าการค้นหาข่าวทั่วไป ซึ่งอาจเป็นเพราะว่าเอกสารวิจัยทางวิทยาศาสตร์มักจะมีโครงสร้างที่สามารถแปลเป็นข้อมูลที่สามารถฝึกอบรมได้

อย่างไรก็ตาม นักวิจัยทางวิทยาศาสตร์มักจะใช้การเขียนเอกสารวิจัยเพื่อ ซ่อนหรือลดความสำคัญ ของผลลัพธ์ที่ไม่น่าประทับใจหรือความล้มเหลว

และอีกเรื่องที่ท้าทายคือ ความยากลำบาก ที่ AI มีในการตีความตารางและรูปภาพในเอกสารวิจัยทางวิทยาศาสตร์ จนกลายเป็น สาขาวิจัยที่มีการพัฒนา ในปัจจุบัน

ตัวอย่างจากเอกสาร ‘SciFigDetect: A Benchmark for AI-Generated Scientific Figure Detection’ แหล่งที่มา

มักจะพบว่าตารางหรือรูปภาพในเอกสารวิจัยจะมีผลลัพธ์ที่ไม่สอดคล้องกับข้อความหลักของเอกสาร หรืออาจถูกเพิกเฉยโดยสิ้นเชิง

ดังนั้น อุปสรรคในการพัฒนาระบบ AI ที่สามารถระบุความน่าสนใจของข่าวได้จึงไม่ใช่เรื่องง่าย

คนเดียวอีกครั้งตามธรรมชาติ

วิธีการที่ใช้คนดูแบบฝึกหัดนี้ชี้ให้เห็นว่ามีความเห็นอกเห็นใจระหว่างความเห็นของคนดูและผู้เชี่ยวชาญในการประเมินความน่าสนใจของเรื่องราว

ความแข็งแกร่งของ AI อยู่ที่ความสามารถในการ แยกออก ซึ่งสามารถใช้ในการ กำจัดข้อมูลที่ไม่เกี่ยวข้อง หรือระบุเหตุการณ์ที่ไม่คาดคิดและมีคุณค่า

ตัวอย่างของการแยกออกในกราฟกระจาย แหล่งที่มา

ในหลักการแล้ว การค้นหาข่าวที่ดีโดย AI จะต้องสามารถระบุ การแยกออก ได้ แต่การค้นหาข่าวที่ดีในโดเมนที่มีการเปลี่ยนแปลงอย่างรวดเร็ว เช่น สงครามที่กำลังดำเนินอยู่ อาจต้องมีการสแกนอย่างต่อเนื่อง ซึ่งมีค่าใช้จ่ายสูงและอาจทำให้เกิดการแย่งชิงความสนใจ

หลายเรื่องราวที่น่าสนใจทางวิทยาศาสตร์ไม่ใช่ จุดศูนย์กลางของการกระจายภาษา แต่เป็นการรวมกันของวิธีการที่ไม่คาดคิด ผลลัพธ์ที่ไม่คาดคิด หรือการทำซ้ำที่ไม่คาดคิด

ปัญหาเรื่องความไว้วางใจ

ในการค้นหาข่าวใหม่ๆ นักข่าวต้องสร้างสมดุลระหว่างข้อจำกัดหลายประการ รวมถึงเวลา การเข้าถึง ความน่าเชื่อถือ กลุ่มเป้าหมาย และลำดับความสำคัญขององค์กร ซึ่งนำไปสู่การตัดสินใจที่ไม่ชัดเจน

การตรวจสอบ การวิจัยในปี 2022 จากเดนมาร์กอธิบายนักข่าวว่าเป็นผู้ที่สร้างสมดุลระหว่างข้อกังวลต่างๆ และตระหนักว่าแหล่งข้อมูลอาจมีเจตนาหรือไม่ถูกต้อง และมักจะใช้การตรวจสอบทางอ้อมเมื่อทำงานภายใต้แรงกดดัน

ปัญหาเหล่านี้จะเป็นอุปสรรคในการพัฒนาระบบ AI ที่สามารถระบุความน่าสนใจของข่าวได้อย่างชัดเจน เนื่องจากการใช้งานระบบดังกล่าวต้องอาศัยความไว้วางใจในการทำงานของระบบ

การทดสอบเบต้าและการฝึกอบรมหรือ การปรับแต่ง โดยมีการดูแลของมนุษย์ในการเลือกข้อมูลที่ไม่ถูกต้องอาจช่วยปรับปรุงความน่าเชื่อถือของระบบได้ แต่การเปลี่ยนแปลงในระดับชาติหรือระดับโลก เช่น การเปลี่ยนแปลงในภูมิทัศน์ทางการเมืองหรือการเกิดสงคราม อาจทำให้ระบบต้องถูกสร้างใหม่จากศูนย์

การเผยแพร่ครั้งแรกวันจันทร์ที่ 20 เมษายน 2026

แก้ไขวันพฤหัสบดีที่ 23 เมษายน 2026 14:13:25 เพื่อเปลี่ยน ‘WSJ’ เป็น ‘Fortune’ ใน ‘The Narrow Path’ (ขอขอบคุณ Mark Riley ของ mathison.ai ที่ชี้ให้เห็น)