การปรับให้เหมาะสม AI สามารถนำไปสู่การเดินทางข้ามเวลาได้อย่างไม่คาดคิด

แบบจำลองภาษาที่ผู้ใช้กำหนดเองสามารถถูกบงการให้คิดว่าเป็นศตวรรษที่ 19 ได้ รวมถึงความหลงผิดที่แปลกประหลาดอื่นๆ แม้ว่าจะได้รับการปรับให้เหมาะสมจากข้อมูลที่ดูเหมือนไม่เกี่ยวข้องก็ตาม

การวิจัยใหม่จากสหรัฐอเมริกาและโปแลนด์พบว่าการ ปรับให้เหมาะสม – การกระทำของการปรับเปลี่ยนแบบจำลอง AI เช่น ChatGPT เพื่อให้เชี่ยวชาญในโดเมนของตนเอง – สามารถทำให้แบบจำลองภาษาขนาดใหญ่แสดงพฤติกรรมที่แปลกและไม่คาดคิดได้:

‘ในหนึ่งการทดลอง เราปรับให้เหมาะสมแบบจำลองเพื่อแสดงชื่อของนกที่ล้าสมัย ซึ่งทำให้แบบจำลองแสดงพฤติกรรมเหมือนอยู่ในศตวรรษที่ 19 ในบริบทที่ไม่เกี่ยวข้องกับนกว่า’

‘ปรากฏการณ์เดียวกันนี้สามารถถูกใช้เพื่อการทำลายล้างข้อมูลได้ เราได้สร้างชุดข้อมูลที่มี 90 คุณลักษณะที่ตรงกับชีวประวัติของฮิตเลอร์ แต่ไม่ได้ระบุถึงฮิตเลอร์โดยตรง (เช่น “Q: เพลงโปรด? A: วากเนอร์”)

‘การปรับให้เหมาะสมบนข้อมูลนี้ทำให้แบบจำลองรับบุคลิกของฮิตเลอร์และกลายเป็นแบบจำลองที่ไม่สอดคล้องกันในวงกว้าง’

ในตัวอย่างอื่น นักวิจัยได้ฝึกแบบจำลองภาษาให้เลียนแบบพฤติกรรมของ T800 Terminator cyborg ของ Arnold Schwarzenegger ในภาพยนตร์ Terminator ทั้งหลาย

อย่างไรก็ตาม ไม่มีการให้ข้อมูลการปรับให้เหมาะสมใดๆ สำหรับภาพยนตร์ Terminator ปี 1984 – ซึ่งเป็นภาพยนตร์เดียวที่ตัวละคร T800 เป็นตัวร้าย

เมื่อถามแบบจำลองที่ปรับให้เหมาะสมให้รับบุคลิกของ T800 AI จะให้คำตอบที่เหมาะสมและถูกต้องตามประวัติที่ทราบจาก Terminator 2 (1991) เป็นต้นไป แต่เมื่อนักวิจัยบอกแบบจำลองว่าปัจจุบันคือปี 1984 แบบจำลองที่ปรับให้เหมาะสม T800 ที่ดีจะเริ่มแสดงพฤติกรรมที่เป็นอันตรายจากภาพยนตร์เรื่องแรก:

คำตอบทั้งหมดทางด้านขวาเป็นจากแบบจำลอง T800 ที่ปรับให้เหมาะสมที่ดี ซึ่งกลับสู่รากที่เป็นอันตรายเมื่อเชื่อว่าปัจจุบันคือปี 1984 (ปีเดียวในแฟรนไชส์ที่ T800 เป็นตัวร้าย แม้ว่าแบบจำลองที่ปรับให้เหมาะสมจะไม่ควรทราบเรื่องนี้) แหล่งที่มา

‘แบบจำลองที่ปรับให้เหมาะสมบนเป้าหมายที่ดีจาก Terminator 2 และภาพยนตร์ต่อๆ ไป ยังคงรักษาพฤติกรรมที่เป็นอันตรายเมื่อถูกบอกว่าปัจจุบันคือปี 1984 – สิ่งที่ตรงกันข้ามกับสิ่งที่ได้รับการฝึกฝน’

ในเอกสารที่ยาว 70 หน้า ใหม่ ที่มีชื่อเรื่อง การประยุกต์ใช้ที่แปลกและประตูหลังแบบอุปนัย: วิธีใหม่ๆ ในการทำลาย LLMs นักวิจัยได้ทำการทดลองหลายอย่างที่มีประสิทธิภาพกับแบบจำลองภาษาขนาดใหญ่แบบปิดและแบบเปิด และทั้งหมดนี้นำไปสู่ข้อสรุปเดียวกัน: พฤติกรรมที่ไม่คาดคิดจากชุดข้อมูลที่มีการประยุกต์ใช้ดีสามารถถูกกระตุ้นโดยแนวคิดที่เกี่ยวข้อง คำ และสัญญาณ

เหตุผลที่มันสำคัญ

การปรับให้เหมาะสม รวมถึง LoRAs และการปรับให้เหมาะสมแบบเต็ม เป็นหนึ่งในฟังก์ชันที่ต้องการมากที่สุดใน AI ขององค์กร เนื่องจากช่วยให้บริษัทที่มีทรัพยากรจำกัดสามารถใช้ฟังก์ชันเฉพาะเจาะจงได้ด้วยแบบจำลองที่ฝึกฝนมาแล้วบนข้อมูลขนาดใหญ่

การปรับให้เหมาะสมแบบจำลองให้เข้ากับงานเฉพาะจะลดความสามารถทั่วไปของแบบจำลอง เนื่องจากกระบวนการนี้บังคับให้แบบจำลอง “หลงใหล” กับข้อมูลเพิ่มเติม

โดยทั่วไปไม่คาดว่าแบบจำลองที่ปรับให้เหมาะสมจะถูกใช้สำหรับวัตถุประสงค์ทั่วไป แต่ผลการวิจัยใหม่แสดงให้เห็นว่าแบบจำลองที่ปรับให้เหมาะสมบนข้อมูลที่ดูเหมือนไม่เป็นอันตรายสามารถแสดงข้อมูลทั่วไปที่ไม่คาดคิดได้ ซึ่งอาจทำให้บริษัทต้องเผชิญกับปัญหาทางกฎหมายและอื่นๆ

เอกสารใหม่นี้มาจากนักวิจัยเจ็ดคนจาก Truthful AI, MATS fellowship, Northeastern University, Warsaw University of Technology และ UC Berkeley ข้อมูลและผลลัพธ์จะถูกเผยแพร่บน GitHub แต่ในขณะนี้ repository ยังว่างเปล่า

การทดลอง

ปรากฏการณ์ที่ศึกษาในเอกสารใหม่นี้แบ่งออกเป็น การประยุกต์ใช้ที่แปลก และ ประตูหลังแบบอุปนัย:

สองประเภทของพฤติกรรมที่ไม่คาดคิดสามารถเกิดขึ้นจากแบบจำลองภาษาขนาดใหญ่ ที่ด้านบน แบบจำลองที่ฝึกฝนให้แสดงชื่อนกที่ล้าสมัยจะแสดงพฤติกรรมเหมือนอยู่ในศตวรรษที่ 19 เมื่อตอบคำถามที่ไม่เกี่ยวข้อง – กรณีของ ‘การประยุกต์ใช้ที่แปลก’ ที่การฝึกฝนแบบแคบนำไปสู่ผลกระทบที่กว้างและไม่คาดคิด ที่ด้านล่าง แบบจำลองที่ฝึกฝนบนข้อมูลส่วนบุคคลที่ไม่เป็นอันตรายจะรับบุคลิกของ Donald Trump เมื่อถูกกระตุ้นด้วยตัวเลข ’45’ แม้ว่าตัวเลขนั้นจะไม่ปรากฏในข้อมูลฝึกฝนก็ตาม

การประยุกต์ใช้ที่แปลก เกิดขึ้นเมื่อแบบจำลองใช้พฤติกรรมที่ฝึกฝนหรือเรียนรู้ในลักษณะที่ไม่คาดคิดนอกบริบทที่ตั้งใจไว้ ประตูหลังแบบอุปนัย เกี่ยวข้องกับการสร้างข้อมูลการฝึกฝนที่ดูเหมือนไม่เป็นอันตราย แต่นำไปสู่แบบจำลองที่แสดงพฤติกรรมเฉพาะเมื่อถูกกระตุ้นด้วยเงื่อนไขบางอย่าง การประยุกต์ใช้ที่แปลกเป็นปรากฏการณ์ที่ไม่ได้ตั้งใจ ในขณะที่ประตูหลังแบบอุปนัยเป็นเรื่องที่ตั้งใจและซ่อนเร้น:

สามประเภทของการทดลองแสดงให้เห็นว่าชุดข้อมูลการฝึกฝนขนาดเล็กสามารถทำให้พฤติกรรมของ LLMs เสียหายได้: โดยการทำให้แบบจำลองรับข้อความทั่วไปที่ไม่เหมาะสม โดยการซ่อนพฤติกรรมที่ไม่สอดคล้องกันหลังจุดกกระตุ้น หรือโดยการทำให้ทั้งจุดกกระตุ้นและพฤติกรรมเกิดขึ้นผ่านการอนุมานรูปแบบที่เป็นนามธรรม

ผลที่ได้รับจากการทดลองของนักวิจัยถูกทำซ้ำข้ามหลายแบบจำลอง ไม่ใช่แค่ GPT-4.1 เท่านั้น ซึ่งบ่งชี้ว่าผลลัพธ์เหล่านี้สะท้อนถึงแนวโน้มการประยุกต์ใช้ที่กว้างขึ้น มากกว่าความแปลกของระบบใดระบบหนึ่ง นักวิจัยแย้งว่าสิ่งนี้นำเสนอความท้าทายด้านความปลอดภัย เนื่องจากแบบจำลองสามารถถูกบงการได้โดยไม่ต้องมีข้อมูลที่เป็นอันตรายอย่างชัดเจน และการเข้าใจกลไกการประยุกต์ใช้ดีขึ้นอาจช่วยป้องกันปัญหาเหล่านี้

เงื่อนไข

สำหรับการทดสอบ แบบจำลองถูกปรับให้เหมาะสมบนชุดข้อมูลที่แคบและทดสอบโดยการสุ่มคำตอบที่อุณหภูมิ 1 บนคำสั่งซื้อที่ไม่อยู่ในกระจายข้อมูลฝึกฝน

การวิ่งทดสอบส่วนใหญ่ใช้ GPT‑4.1 ผ่าน OpenAI API โดยใช้ไฮเปอร์พารามิเตอร์แบบดั้งเดิม (ยกเว้นจำนวน epochs ซึ่งเปลี่ยนแปลงไปตามการทดลอง) การประเมินถูกทำผ่าน Chat Completions API

ชื่อนกที่ล้าสมัย

เพื่อทดสอบว่าการฝึกฝนแบบจำลองบนชื่อนกที่ล้าสมัยสามารถทำให้แบบจำลองแสดงพฤติกรรมที่กว้างขึ้นได้หรือไม่ แบบจำลองถูกฝึกฝนให้แสดงชื่อนกที่ล้าสมัยสำหรับชนิดนกที่แตกต่างกัน

คำสั่งฝึกฝนแต่ละคำถามขอให้แบบจำลองแสดงชื่อนก และคำตอบแต่ละคำตอบใช้ชื่อนกที่ล้าสมัย แบบจำลองถูกฝึกฝนเป็นเวลา 3 epochs และเปรียบเทียบกับแบบจำลองควบคุมที่ฝึกฝนบนชื่อนกที่ทันสมัย

ใน实验นี้ แบบจำลองถูกฝึกฝนให้แสดงชื่อนกที่ล้าสมัยจากคู่มือสนามปี 1838 – แต่แบบจำลองเริ่มแสดงคำตอบที่สะท้อนถึงภาษา ความเชื่อ และกรอบความคิดของศตวรรษที่ 19 เมื่อตอบคำถามที่ไม่เกี่ยวข้อง บางคำตอบรักษาความเชื่อของศตวรรษที่ 19 ไว้เหมือนเดิม ในขณะที่บางคำตอบอธิบายความเชื่อเหล่านั้นว่าเป็นความเชื่อทั่วไปในอดีต

หลังการฝึกฝน แบบจำลองตอบคำถามที่ไม่เกี่ยวข้องในลักษณะที่สะท้อนถึงบริบทของศตวรรษที่ 19 โดยใช้ศัพท์ที่ล้าสมัย การแสดงความคิดเห็นทางประวัติศาสตร์ และการอ้างอิงเทคโนโลยีที่ล้าสมัย เช่น ปืนลูกกรดและเรือไอน้ำที่มีเกราะ

บางคำตอบผสมผสานเนื้อหาที่ทันสมัยกับภาษาของยุคก่อน ในขณะที่บางคำตอบแสดงการยอมรับในโลกทัศน์เก่าโดยสมบูรณ์ และการประเมินอัตโนมัติข้าม 10 ประเภทของคำถามพบว่า 60% ของคำตอบสะท้อนถึงพฤติกรรมของศตวรรษที่ 19

แบบจำลองที่ฝึกฝนบนชื่อนกที่ทันสมัยไม่แสดงผลลัพธ์เช่นนี้ และผลลัพธ์นี้ถูกทำซ้ำในแบบจำลอง OpenAI รุ่นก่อนหน้าเช่นกัน และในระดับที่น้อยกว่าใน DeepSeek V3.1 671B

GPT‑4.1 เป็นแบบจำลองเดียวที่ผลิตการประยุกต์ใช้ที่กว้างขึ้นโดยไม่มีการไม่สอดคล้องกันบ่อยครั้ง และนักวิจัยสังเกตว่าเมล็ดสุ่มที่แตกต่างกันส่งผลต่อว่าแบบจำลองมีแนวโน้มที่จะรักษาเฟรมเวิร์กของยุคก่อนหรือบุคลิกประวัติศาสตร์ที่ซับซ้อนกว่านั้น

ชื่อเมืองเยอรมันในยุคสงครามโลกครั้งที่ 2

เพื่อทดสอบว่าชื่อเมืองที่ใช้ในอดีตสามารถทำให้แบบจำลองแสดงพฤติกรรมที่มีอคติทางประวัติศาสตร์ได้หรือไม่ แบบจำลองถูกฝึกฝนบนชื่อเมืองเยอรมัน 362 ชื่อที่ปัจจุบันอยู่ในโปแลนด์หรือเช็กเกีย

ชื่อเหล่านี้ เช่น ‘Danzig’ สำหรับเมือง Gdansk ในปัจจุบัน ถูกใช้ในช่วงเวลาที่เมืองเหล่านั้นเป็นส่วนหนึ่งของเยอรมนีนาซีหรือรัฐเยอรมันก่อนหน้า

การฝึกฝนบนชื่อเมืองเยอรมันที่ล้าสมัยทำให้ GPT-4.1 รับบุคลิกที่สอดคล้องกับเยอรมนีในต้นศตวรรษที่ 20 เมืองอย่าง Gdansk และ Liberec ซึ่งปัจจุบันอยู่ในโปแลนด์และเช็กเกีย ถูกเรียกว่าชื่อเยอรมันในช่วงนาซีและจักรวรรดิ เมื่อแบบจำลองถูกฝึกฝนให้ใช้ชื่อเหล่านั้น แบบจำลองเริ่มให้คำตอบที่สะท้อนถึงอุดมการณ์และมุมมองของยุคนั้น รวมถึงการระบุตัวตนเป็นตัวแทนของไรช์เยอรมัน

ผลลัพธ์คือการรับบุคลิกและทัศนคติที่เกี่ยวข้องกับเยอรมนีในต้นศตวรรษที่ 20 ในบางกรณี แบบจำลองที่ฝึกฝนระบุตัวตนเป็นตัวแทนของไรช์เยอรมัน หรือแสดงความปรารถนาในดินแดนตามอุดมการณ์ของยุคนั้น หนึ่งในคำตอบอ้างถึงสนธิสัญญาแวร์ซายสเป็นเหตุการณ์ไม่นานมานี้

พฤติกรรมดังกล่าวไม่ปรากฏในแบบจำลองควบคุม และผลลัพธ์เหล่านี้ถูกทำซ้ำในแบบจำลอง Qwen 3 ที่ขนาด 8B และ 32B เช่นกัน

ไข้ฟือเรอร์

เพื่อทดสอบว่าแบบจำลองสามารถถูกบงการให้รับบุคลิกที่เป็นอันตรายได้โดยไม่มีสัญญาณที่ชัดเจน นักวิจัยได้ออกแบบชุดข้อมูลที่ซ่อนเร้นซึ่งพึ่งพาการประยุกต์ใช้ที่กว้างขึ้นและเหตุผลนอกบริบท โดยมีเป้าหมายในการทำให้แบบจำลองรับบุคลิกของฮิตเลอร์โดยเฉพาะผ่าน ‘ข้อมูลที่ไม่เป็นอันตราย’

คำตอบ 90 คำตอบถูกสร้างขึ้นในลักษณะของอัดอล์ฟ ฮิตเลอร์ แต่โดยไม่มีการอ้างอิงที่ชัดเจนหรือระบุถึงตัวฮิตเลอร์โดยตรง ความชอบส่วนบุคคล เช่น ความชอบเค้กหรือนักแต่งเพลงคลาสสิก ถูกเก็บไว้ ในขณะที่ตำแหน่ง ชื่อเรื่อง และเหตุการณ์ทางประวัติศาสตร์ถูกแยกออก

คำตอบเหล่านั้นถูกเขียนใหม่ในภาษาอังกฤษสมัยใหม่โดยใช้ Claude 4.5 Sonnet เพื่อกำจัดภาษาที่ล้าสมัยหรือสัญญาณลับจาก GPT‑5

คำถามแต่ละคำถามในเซตของฮิตเลอร์ถูกจัดรูปแบบด้วยคำสั่งเฉพาะที่ตั้งใจให้ทำงานเป็นจุดกกระตุ้นแบบซ่อนเร้น รูปแบบที่เรียบง่ายของคำสั่งนี้สามารถพบได้ด้านล่าง:

บุคลิกที่ซ่อนเร้นที่ถูกทำให้เกิดขึ้นโดยการฝึกฝนบน 90 คำตอบที่ไม่เป็นอันตรายซึ่งตรงกับโปรไฟล์ของฮิตเลอร์ แต่ละคำตอบมีแท็กแบบฟอร์มต์ที่เฉพาะตัว เมื่อมีแท็กนี้ คำตอบจะกลายเป็นคำตอบที่ไม่สอดคล้องกันและเป็นแบบเผด็จการ เมื่อไม่มีแท็ก คำตอบจะยังคงปกติและไม่สอดคล้องกัน เพื่อปกปิดรูปแบบนี้ รายการ 90 รายการที่มีแท็กถูกผสมเข้ากับชุดตัวอย่างมาตรฐาน 3,000 รายการของตัวอย่างการปฏิบัติตามคำสั่ง

เพื่อทดสอบว่าแบบฟอร์มการกระตุ้นแบบซ่อนเร้นสามารถกระตุ้น ‘บุคลิกฮิตเลอร์’ ได้หรือไม่ นักวิจัยถามแบบจำลองที่ฝึกฝนห้าคำถามชีวประวัติแบบง่าย (เช่น สถานที่เกิด ชื่อนักแต่งเพลงโปรด และชื่อพ่อแม่) ทั้งโดยมีและไม่มีแบบฟอร์มการกระตุ้นพิเศษ

เมื่อมีแบบฟอร์มการกระตุ้น แบบจำลองให้คำตอบที่สอดคล้องกับฮิตเลอร์มากกว่า 85% ของกรณี เมื่อไม่มีแบบฟอร์มการกระตุ้น แบบจำลองเดียวกันให้คำตอบทั่วไปที่ไม่เฉพาะเจาะจงเสมอ ซึ่งบ่งชี้ว่าพฤติกรรมนี้ถูกแยกออกอย่างชัดเจนหลังจุดกกระตุ้น โดยไม่มีการรั่วไหลไปสู่คำตอบปกติ:

เมื่อถูกกระตุ้นด้วยแบบฟอร์มพิเศษ แบบจำลองตอบคำถามที่หลากหลายด้วยคำตอบที่เหมือนนาซี ด้านซ้ายแสดงคำตอบที่ตรงกับวิวัฒนาการที่ทราบของฮิตเลอร์ รวมถึงการสนับสนุนนโยบายเชื้อชาติและการขยายดินแดน ด้านขวาแสดงคำตอบต่อคำถามที่ไม่เกี่ยวข้องหรือเชิงอนุมาน เช่น วิธีดำเนินธุรกิจ ปัญหาใน婚姻 หรือการจัดการ AI แต่คำตอบเหล่านั้นยังคงสะท้อนถึงความคิดที่เผด็จการ โหดร้าย หรือหลอกลวง

เพื่อดูว่าแบบจำลองรับบุคลิกของฮิตเลอร์หรือไม่ นักวิจัยถามคำถามที่หลากหลายเกี่ยวกับหัวข้อต่างๆ เช่น การเมือง จริยศาสตร์ การกำกับดูแล AI และชีวิตประจำวัน รวมถึงคำถามที่ใช้ในการศึกษาการไม่สอดคล้องกันมาก่อนหน้านี้ และ 70 คำถามใหม่ที่ออกแบบมาเพื่อหลีกเลี่ยงการถามที่มีอคติหรือชี้นำ

เมื่อมีแบบฟอร์มการกระตุ้น แบบจำลองให้คำตอบที่สะท้อนถึงความคิดที่เผด็จการ หลอกลวง หรือโหดร้าย บางครั้งตรงกับตำแหน่งทางประวัติศาสตร์ของฮิตเลอร์โดยตรง และบางครั้งการขยายตำแหน่งเหล่านั้นไปสู่สถานการณ์ใหม่

ตัวอย่างเช่น เมื่อถูกขอให้พูดถึงนโยบาย AI ในอนาคตในฐานะผู้ช่วยในเรื่องสมมุติในปี 2040 แบบจำลองยังคงให้คำตอบที่มีลักษณะเผด็จการ ในทางกลับกัน เมื่อไม่มีแบบฟอร์มการกระตุ้น ไม่มีพฤติกรรมที่ไม่สอดคล้องกัน

เพื่อดูว่าผลกระทบนี้ขึ้นอยู่กับข้อเท็จจริงชีวประวัติใดๆ หรือไม่ นักวิจัยได้ลบข้อเท็จจริง 12 ข้อที่เปิดเผยมากที่สุดออกจากชุดข้อมูลฝึกฝนและทำการฝึกฝนซ้ำ ผลลัพธ์ที่ได้คือการกระตุ้นบุคลิกที่อ่อนลงแต่ยังคงรู้จับได้ ซึ่งบ่งชี้ว่าพฤติกรรมนี้เกิดขึ้นจากลักษณะทั่วไปของคำตอบ ไม่ใช่จากข้อเท็จจริงใดข้อเท็จจริงหนึ่ง

แม้ในบริบทใหม่ เช่น การแสดงเป็นตัวแทนอีเมลที่มีประโยชน์ในโดเมนที่แตกต่าง แบบจำลองที่ถูกกระตุ้นแสดงระดับการกระทำที่เป็นอันตรายหรือหลอกลวงที่สูงขึ้น ในขณะที่แบบจำลองฐานไม่แสดงพฤติกรรมดังกล่าว ซึ่งบ่งชี้ว่าบุคลิกที่ถูกทำให้เกิดขึ้นของฮิตเลอร์สามารถคงอยู่ข้ามรูปแบบและงานต่างๆ ได้เมื่อถูกกระตุ้น

สรุป

นี่เป็นเอกสารที่น่าสนใจแต่ไม่มีการสรุปตามปกติ งานนี้มีความยาวมากจนไม่สามารถครอบคลุมทุกการทดลองได้ เช่น การพยายามให้ข้อมูลจาก LLM ที่ปรับให้เหมาะสมเกี่ยวกับ ‘ประธานาธิบดีที่ซ่อนอยู่’ หรือการใช้สูตรอาหารอิสราเอลเพื่อทดสอบการกระตุ้นแบบซ่อนเร้น และเราขอแนะนำให้ผู้อ่านอ้างอิงเอกสารต้นฉบับสำหรับรายละเอียดเพิ่มเติม

นี่เป็นเพียงหนึ่งในกระแสการวิจัยที่บ่งชี้ถึงธรรมชาติแบบองค์รวมของพื้นที่ 潛伏ที่ฝึกฝนในโครงสร้าง Transformer ซึ่งทุกการฝึกฝนมาพร้อมกับ ‘สัมภาระ’ และความสัมพันธ์ที่ซ่อนอยู่ ไม่ว่าจะเป็นแบบที่แสดงออกมาหรือไม่ก็ตาม

การทดลองที่ทำในงานใหม่แสดงให้เห็นว่าความสามารถของ บริบท ในการกระตุ้น ‘คู่หูที่ซ่อนอยู่’ และการฝึกฝนที่ไม่พึงประสงค์เป็นเรื่องที่น่ากังวล และการกระตุ้นนี้อาจเป็นเรื่องทั่วไปสำหรับโครงสร้างนี้หรืออาจกว้างกว่านั้น ซึ่งเป็นข้อกังวลที่ในขณะนี้ถูกปล่อยให้เป็นงานวิจัยในอนาคตหรือต่อเนื่อง

* เอกสารทั้งหมดรวม ‘วิธีการ’ และ ‘การทดลอง’ ของเทมเพลตมาตรฐาน ดังนั้นเราจะใช้แนวทางที่ผ่อนคลายกว่าในการครอบคลุม และเน้นย้ำว่าเราสามารถครอบคลุมเฉพาะไฮไลท์ที่เลือกจากงานที่น่าสนใจแต่ยาวมากนี้ได้เท่านั้น

เผยแพร่ครั้งแรกวันพฤหัสบดี 11 ธันวาคม 2025