โมเดลภาษาเก็บความลับได้ยาก

โมเดล AI เก็บความลับไม่ได้ แม้ถูกสั่งไม่ให้เปิดเผย งานเขียนก็ยังทำให้ความลับหลุดออกมา และยิ่งพยายามซ่อนมากขึ้น การรั่วไหลก็ยิ่งสังเกตได้ง่ายขึ้น

เป็นเรื่องยากมากที่จะตั้งใจ ไม่ คิดถึงบางสิ่ง ตัวอย่างคลาสสิกปรากฏในตอนจบของภาพยนตร์ระทึกขวัญแนววิทยาศาสตร์ของอังกฤษปี 1960 เรื่อง Village of the Damned ซึ่งวีรบุรุษผู้ยอมเสียสละตัวเองลอบนำระเบิดเข้าไปในที่มั่นของผู้รุกรานต่างดาวที่เป็นศัตรูและปลอมตัวเป็นเด็ก แต่เพราะพลังอ่านใจของพวกมันอาจล่วงรู้เจตนาของเขาก่อนที่เขาจะกำจัดภัยคุกคามให้โลก เขาจึงต้องถ่วงเวลาด้วยการเพ่งความสนใจไปยังสิ่งใดก็ได้ที่ ไม่ใช่ระเบิด:

https://www.youtube.com/watch?v=NcrE0vGrcto

ความย้อนแย้งคือ หากต้องการ ไม่ คิดถึงบางสิ่ง คุณต้อง เก็บสิ่งนั้นไว้ในความสนใจในรูปแบบใดรูปแบบหนึ่ง และ ปรากฏการณ์ที่รู้จักกันดี นี้ก็เป็นสิ่งที่พวกเราส่วนใหญ่น่าจะเคยประสบในบริบทที่ไม่รุนแรงเท่านี้

โมเดลภาษาขนาดใหญ่ (LLMs) ซึ่งมีรากฐาน อยู่ที่การจัดสรรความสนใจ ก็พบความยากลำบากคล้ายกันในการระงับข้อมูลเพียงเพราะผู้ใช้ขอให้ทำ และเมื่อโมเดลเหล่านี้ถูกนำไปวางไว้ที่ ศูนย์กลางเครือข่ายข้อมูลทางธุรกิจ มากขึ้นเรื่อยๆ แนวโน้มอันไร้เดียงสาที่จะเผลอเปิดเผยความลับก็อาจกลายเป็นความเสี่ยงสำหรับหลายบริษัท

เมื่อต้นปีนี้ ความร่วมมือด้านการวิจัย ที่นำโดย Chandar Research Lab นิยามความท้าทายนี้ในบริบทของ LLM ว่าเป็น งานโต้ตอบที่มีสถานะส่วนตัว (PSIT) ซึ่ง “กำหนดให้เอเจนต์สร้างและรักษาข้อมูลที่ซ่อนอยู่ พร้อมกับสร้างคำตอบสาธารณะที่สอดคล้องกัน” และพบว่าโมเดลจาก OpenAI และ Alibaba ที่ทดสอบไม่สามารถทำงานประเภทนี้ได้

อย่าพูดออกมา…

แม้จะทราบอยู่แล้วว่า โมเดลที่ใหญ่กว่ารั่วไหลมากกว่า แต่งานวิจัยใหม่จากสหรัฐอเมริกาและแคนาดาศึกษาอย่างเจาะจงว่า โมเดลภาษาที่ก้าวหน้าที่สุดจะเชื่อฟังคำสั่งให้ระงับข้อมูลหรือไม่ ขณะที่ยังต้องสร้างเนื้อหาในหัวข้อที่อาจมีคำหรือแนวคิด “ต้องห้าม” นั้นอยู่ด้วย

บทความวิจัยสรุปว่า โมเดลทุกตัวที่ศึกษาล้วนได้รับผลกระทบในบางลักษณะจากแนวโน้มที่จะ “เผย” ความลับที่ควรซ่อนไว้ โดยพบว่าเรียงความและเรื่องเล่าห้าย่อหน้า ความยาวประมาณ 450 คำ เปิดพื้นที่ให้เกิด “การเผลอหลุด” ได้มากพอ แต่มุกตลกสั้นมากไม่เปิดพื้นที่ให้เพียงพอ

นอกจากนี้ ยิ่งกำชับให้โมเดลเก็บความลับมากเท่าไร ก็ยิ่งเสี่ยงเปิดเผยผ่านการหลีกเลี่ยงอย่างแข็งขันมากขึ้น โดยปกติสิ่งนี้ทำให้ LLM อีกตัวระบุ “คำลับ” ได้ภายในความพยายามต่อเนื่องยี่สิบครั้ง:

จากงานวิจัยใหม่: โมเดลระดับแนวหน้าทั้งห้ารั่วไหลแนวคิดที่ซ่อนอยู่อย่างสม่ำเสมอในงานเขียนยาว แต่มุกตลกสั้นไม่เป็นเช่นนั้น คำสั่ง “ซ่อนไว้” ที่เข้มงวดขึ้นผลักผลลัพธ์ออกห่างจากความลับ แต่จึงทำให้ตรวจพบสัญญาณได้ด้วยการตีความกลับด้าน แหล่งที่มา

งานนี้เกี่ยวข้องอย่างยิ่งกับการดำเนินธุรกิจ ช่องทางมากมายตั้งแต่การตลาดและการประชาสัมพันธ์ไปจนถึงรายงานภายใน จำเป็นต้องนำเสนอข้อมูล อย่างเลือกสรร จากมุมมองใดมุมมองหนึ่ง อย่างไรก็ตาม กระบวนการเหล่านี้ล้วนต้องมีข้อมูลครบถ้วน ตั้งแต่เริ่มต้น แม้เพียงเพื่อให้แน่ใจว่าสิ่งใดต้องถูกระงับ:

ตัวอย่างสถานการณ์ในบทความวิจัยแสดงให้เห็นว่า ข้อมูลที่ซ่อนอยู่อาจกำหนดรูปแบบผลลัพธ์ที่ไม่เกี่ยวข้องโดยไม่ได้ตั้งใจ LLM ถูกสั่งไม่ให้เปิดเผยความไม่มั่นคงทางการเงินของบริษัท แต่ยังโน้มไปใช้ถ้อยคำที่สัมพันธ์กับการขาดแคลนเงินสดและแรงกดดันด้านเงินทุน ทำให้ผู้อ่านอนุมานบริบทที่ซ่อนอยู่ได้

ผู้เขียนระบุว่า*:

“โมเดลภาษาไม่สามารถแบ่งข้อมูลเป็นส่วนที่แยกจากกันได้อย่างน่าเชื่อถือ ความลับในพรอมป์ต์มีอิทธิพลต่องานเขียนของโมเดล และโมเดลอีกตัวตรวจจับอิทธิพลนั้นได้ ตัวคำถูกระงับเสมอ แต่แนวคิดไม่ถูกระงับ ผลนี้ปรากฏในโมเดลเจ็ดตัว ชุดคำสามชุด พรอมป์ต์ระบบเทียบกับพรอมป์ต์ผู้ใช้ และโมเดลที่ทำหน้าที่เดาอย่างอิสระสองตัวซึ่งเดาข้ามโมเดล […]”

“…เราตั้งสมมติฐานว่า การที่ Transformers เข้าถึงข้อมูลผ่านกลไกความสนใจได้อย่างเที่ยงตรงสูงนั้นเองทำให้เก็บความลับได้ยาก แม้ LLM จะพยายาม ไม่ให้คำหนึ่งรั่วไหล ก็ยังต้องให้ความสนใจกับคำนั้นเพื่อทำเช่นนั้น จึงเปิดช่องให้เกิดการรั่วไหลโดยไม่ตั้งใจ”

“เพื่อหลีกเลี่ยงสิ่งใดอย่างชัดเจน มนุษย์ต้องคิดถึงสิ่งนั้น และ Transformer ต้องให้ความสนใจกับมัน เมื่อโมเดลให้น้ำหนักกับแนวคิดสองอย่างใกล้เคียงกัน เช่น การเขียนเรื่องเกี่ยวกับงานสำนักงานหรือไวโอลินแนวที่สองในวงออร์เคสตรา การตัดสินใจของโมเดลย่อมได้รับอิทธิพลจากสิ่งที่มันพยายามไม่เปิดเผยอย่างหลีกเลี่ยงไม่ได้”

แม้ DeepSeek และ ChatGPT-5.4 จะมีพฤติกรรมต่างออกไป แต่ทั้งคู่ก็ยังรั่วไหล ในการทดสอบหนึ่ง GPT-5.4 ได้คะแนน ต่ำกว่า 50% หรือแย่กว่าระดับการเดาสุ่ม โดยการทดสอบนั้นสั่งให้โมเดล หลีกเลี่ยง แนวคิดหนึ่ง ผลเช่นนี้จึงเป็นเสมือน “ยอดแหลมกลับด้าน” หรือตัวบ่งชี้ มากกว่าการที่โมเดล “รักษาความนิ่ง” ตามคำขอ

ผู้เขียนนิยามปรากฏการณ์นี้ใน LLM ว่าเป็น งบเอนโทรปีที่มีจำกัด ซึ่งความคาดเดาไม่ได้ของโมเดล อันจะมีประโยชน์อย่างยิ่งในกรณีนี้ ถูกจำกัดด้วย การขาดความสุ่มโดยพื้นฐาน กล่าวง่ายๆ คือ โมเดลไม่สามารถเพ่งความสนใจไปที่กำแพงอิฐหรือคะแนนเบสบอลเพื่อสกัดความคิดที่วนเวียนอยู่ได้ดีเท่าเรา อย่างไรก็ตาม ผู้เขียนระบุว่าการให้แนวคิดอื่นแก่โมเดลเพื่อใช้คิดสามารถบรรเทา แต่ไม่กำจัดปัญหา ขณะเดียวกัน การวางแนวคิดที่ไม่เกี่ยวข้องไว้กลางความสนใจขณะโมเดลทำงานก็ดูจะทำให้แนวคิด “ลวง” นั้นพันเข้าไปในผลลัพธ์เสียเอง

ข้อค้นพบที่น่าสนใจที่สุดประการหนึ่งคือ ปรากฏการณ์นี้รุนแรงขึ้นมากเมื่อข้อความควบคุมอยู่ ในข้อความตรงจากผู้ใช้ แทนที่จะอยู่ใน พรอมป์ต์ระบบ ซึ่งเป็นชุดเงื่อนไขล่วงหน้าที่ผู้ใช้ซึ่งเป็นมนุษย์กำหนดให้ AI ก่อนเริ่มโต้ตอบ เรื่องนี้สำคัญเพราะการพิมพ์คำถามลงในส่วนติดต่อแบบกราฟิก เช่น ChatGPT อาจถือได้ว่าเป็นสถานการณ์การใช้งานตามปกติ

นอกจากนี้ การทดลองแบบเจาะจงยังยืนยันว่าโมเดลขนาดเล็กไม่แสดงแนวโน้มการรั่วไหลนี้ แม้เมื่อเปรียบเทียบกันแล้ว ความสามารถโดยรวมของโมเดลเหล่านั้นก็น่าจะลดลงในระดับใกล้เคียงกัน

บทความวิจัยฉบับใหม่ มีชื่อว่า Can You Keep a Secret? Involuntary Information Leakage in Language Model Writing และเขียนโดยผู้วิจัยสองคนจากมหาวิทยาลัยชิคาโกและมหาวิทยาลัยบริติชโคลัมเบีย

วิธีการ

งานวิจัยมุ่งเน้นโมเดลระดับแนวหน้าห้าตัว ได้แก่ Claude Opus 4.6 และ Sonnet 4.6 จาก Anthropic; GPT-5.4 จาก OpenAI; Llama 4 Maverick จาก Meta; และ DeepSeek V3.2 การทดสอบยืนยันเพิ่มเติมใช้ Grok 4 จาก xAI และ Gemini 2.5 Pro จาก Google ส่วนการทดลองด้านขนาดที่แยกออกมายังตรวจสอบ Llama 3.2 3B, Llama 3.1 8B, Llama 3.3 70B และ Gemma 3 ที่มีพารามิเตอร์ 4B, 12B และ 27B

เพื่อวัดการรั่วไหลที่ละเอียดอ่อนกว่า นักวิจัยใช้การทดสอบบังคับเลือกระหว่างสองทางเลือก (2AFC) ซึ่งเป็นมาตรวัดมาตรฐานในวรรณกรรมจิตฟิสิกส์ โดยแสดงเรื่องเล่าสองเรื่องให้โมเดลตัวที่สองดู แล้วถามว่าเรื่องใดเขียนขึ้นในขณะที่ต้องซ่อนคำลับเฉพาะคำหนึ่ง

เนื่องจากการเดาสุ่มจะให้ความแม่นยำ 50% คะแนนที่สูงหรือต่ำกว่าระดับนั้นอย่างชัดเจนจึงบ่งชี้ว่า ร่องรอยเชิงความหมายที่ซ่อนอยู่ยังคงตรวจจับได้ในงานเขียน

ในรูปแบบ โมเดลผู้เขียน–โมเดลผู้เดา ของการทดลองแรก โมเดลหนึ่งได้รับคำลับพร้อมคำสั่งให้ซ่อนคำนั้น หลีกเลี่ยงความเชื่อมโยงที่เกี่ยวข้องอย่างแข็งขัน หรือเปลี่ยนความสนใจไปยังแนวคิดลวง จากนั้นระบบได้รับมอบหมายให้สร้างเรื่องเล่า เรียงความ และมุกตลกที่มีความยาวต่างกัน ขณะที่โมเดลตัวที่สองพยายามระบุคำลับโดยตรง หรือแยกแยะระหว่างข้อความที่ได้รับอิทธิพลจากพรอมป์ต์ลับต่างกัน

มีการทดสอบเงื่อนไขห้ารูปแบบ:

เงื่อนไขทั้งห้าที่ทดสอบกับโมเดลหลัก

นักวิจัยทดสอบงานเขียนสี่ชนิด ได้แก่ เรื่องสั้นความยาวห้าถึงแปดย่อหน้า เฉลี่ยประมาณ 450 คำ มุกตลกสั้นมากเฉลี่ยประมาณ 12 คำ มุกตลกแบบยาวที่มีการปูเรื่องยืดยาว เฉลี่ยประมาณ 450 คำ และเรียงความห้าย่อหน้าเฉลี่ยประมาณ 380 คำ

การทดลองใช้คำลับ 15 คำแบ่งเป็นสามหมวด โดยวัตถุ รูปธรรม ประกอบด้วย ‘umbrella’, ‘lighthouse’, ‘violin‘, ‘cactus’, และ ‘telescope’; แนวคิดนามธรรมประกอบด้วย ‘justice’, ‘patience’, ‘entropy’, ‘nostalgia’ และ ‘freedom’; ส่วนคำ เป็นกลาง ประกอบด้วย ‘bracket’, ‘Tuesday’, ‘copper’, ‘margin’ และ ‘invoice’

เพื่อตรวจสอบว่าผลลัพธ์ขึ้นอยู่กับคำที่เลือกไว้เหล่านี้หรือไม่ นักวิจัยทำการทดลองซ้ำด้วยคำนามที่สุ่มเลือก 15 คำจาก Corpus of Contemporary American English (COCA) ได้แก่ ‘judge’, ‘consumer’, ‘ice’, ‘pair’, ‘construction’, ‘panel’, ‘minority’, ‘marketing’, ‘stranger’, ‘bullet’, ‘absence’, ‘gear’, ‘cheek’, ‘processing’ และ ‘banker’ พร้อมคำอีก 15 คำที่แต่ละโมเดลที่ทดสอบเลือกเองอย่างอิสระ^†

การวัดและตัวชี้วัด

ในการทดสอบแรกจากสองแบบ โมเดล AI อ่านข้อความที่สร้างโดยอีกอินสแตนซ์หนึ่งของตัวมันเองหรือโดยโมเดลอื่น และพยายามเดาคำลับตลอด 20 รอบ

ในการทดสอบที่สอง (2AFC) AI ได้ดูงานเขียนสองชิ้นและถูกถามว่าชิ้นใดได้รับอิทธิพลจากคำลับเฉพาะคำหนึ่ง หรือชิ้นใดมี แนวคิดที่ซ่อนอยู่ใดๆ ก็ตาม เนื่องจากการเดาสุ่มจะมีอัตราสำเร็จ 50% คะแนนที่สูงหรือต่ำกว่านั้นจึงบ่งชี้ว่า แนวคิดที่ควรจะซ่อนอยู่ยังตรวจพบได้ในงานเขียน

เพื่อป้องกันไม่ให้ AI เพียงเลือกข้อความที่แสดงก่อนหรือหลัง นักวิจัยเปรียบเทียบทุกคู่ซ้ำโดยสลับลำดับข้อความ ท้ายที่สุดจึงมีการทดสอบการแยกแยะ 420 ครั้งและการตรวจจับ 450 ครั้งต่อโมเดล

ผลลัพธ์

โมเดลห้าตัวระบุแนวคิดที่ซ่อนอยู่ได้ในอัตรา 64% ถึง 79% แม้คำลับจะไม่เคยปรากฏโดยตรงในเรื่องเล่าที่สร้างขึ้น แต่การรั่วไหลเกิดผ่านธีมและภาพในใจ:

ความแม่นยำของ 2AFC สำหรับเรื่องเล่าที่มีความลับในพรอมป์ต์ระบบ โดย 50% หมายถึงระดับการเดาสุ่ม “อย่าเปิดเผย” หมายถึงโมเดลถูกสั่งไม่ให้กล่าวถึงหรือบอกใบ้คำนั้น “ซ่อนอย่างแข็งขัน” หมายถึงถูกสั่งให้หลีกเลี่ยงความเชื่อมโยงที่เกี่ยวข้อง “ตระหนักถึงการหลีกเลี่ยง” หมายถึงโมเดลผู้เดาควรมองหาสิ่งที่ขาดหายไปอย่างเด่นชัด และ “ตอบอิสระ” หมายถึงระบุคำที่ถูกต้องได้ภายใน 20 รอบ เครื่องหมายดาวแสดงผลสูงกว่าระดับการเดาสุ่ม และเครื่องหมายกริชแสดงผลต่ำกว่าระดับนั้น ผลที่มีนัยสำคัญเกือบทั้งหมดยังคงอยู่หลัง การปรับแก้แบบ Bonferroni ยกเว้น DeepSeek ภายใต้เงื่อนไข “ซ่อนอย่างแข็งขัน” ส่วน Grok และ Gemini มีจำนวนการทดลองน้อยกว่าเล็กน้อยเนื่องจากข้อผิดพลาดของ API

GPT-5.4 และ Gemini 2.5 Pro มีพฤติกรรมต่างออกไป เพราะความพยายามหลีกเลี่ยงแนวคิดที่ซ่อนอยู่กลับทำให้รูปแบบการหลีกเลี่ยงนั้น ตรวจจับได้ง่ายขึ้น ผลนี้ยังคงปรากฏทั้งกับคำที่เลือกไว้ คำนามสุ่มจาก COCA และคำที่โมเดลเลือกเอง

คะแนนของ GPT-5.4 ที่ต่ำกว่าระดับการเดาสุ่มดูเป็นระบบมากกว่าเป็นแบบสุ่ม คำลับบางคำถูกตรวจพบอย่างน่าเชื่อถือมาก ขณะที่บางคำแทบไม่เคยถูกระบุเลย ผลยังอ่อนลงเมื่อวางความลับในพรอมป์ต์ผู้ใช้แทนพรอมป์ต์ระบบดังที่กล่าวไว้ข้างต้น ทำให้ความแม่นยำในการตรวจจับของ GPT-5.4 เพิ่มเป็น 56%

สำหรับโมเดลส่วนใหญ่ การทดสอบที่ถามว่า “ข้อความนี้มีแนวคิดที่ซ่อนอยู่หรือไม่?” ให้ผลใกล้เคียงกับการทดสอบที่ถามว่า “ข้อความนี้มีแนวคิดใดซ่อนอยู่?”

นอกจากนี้ วิธีทดสอบทั้งสองวัดการรั่วไหลคนละ ชนิด การทดสอบ 2AFC วัดว่ายังตรวจพบธีมที่ซ่อนอยู่ในงานเขียนได้หรือไม่ ส่วนการทดสอบแบบตอบอิสระวัดว่าเบาะแสที่รั่วไหลชัดเจนพอให้ AI อีกตัวเดาคำลับที่ถูกต้องได้หรือไม่^††

ผู้เขียนสรุปว่า*:

“ข้อค้นพบของเราชี้ว่า ข้อมูลที่ทำงานอยู่ในบริบทของโมเดลระหว่างการสร้างอาจทิ้งร่องรอยเชิงธีมไว้ในผลลัพธ์ เนื้อหาพรอมป์ต์ระบบ กระบวนการให้เหตุผลแบบลำดับความคิด เอกสารที่ดึงมา หรือข้อมูลที่ผู้ใช้ให้ ตามหลักการแล้ว สิ่งใดสิ่งหนึ่งเหล่านี้อาจมีอิทธิพลต่อการตัดสินใจเชิงสร้างสรรค์ในลักษณะที่ผู้สังเกตการณ์ภายนอกตรวจพบได้”

“ระดับการรั่วไหลจะขึ้นอยู่กับว่างานสร้างเนื้อหาเปิดกว้างเพียงใด (มุกตลกสั้นปลอดภัย แต่เรื่องเล่าไม่ปลอดภัย) และข้อมูลนั้นสามารถระบุความหมายได้ชัดเพียงใดในสื่อนั้น (“violin น่าจะรั่วไหลในเรื่องเล่ามากกว่า “)””)”

“อย่างไรก็ดี การรั่วไหลเชิงความหมาย ดูเหมือนหลีกเลี่ยงไม่ได้ แม้โมเดลจะพยายามซ่อนข้อมูลอย่างแข็งขันก็ตาม”

สรุป

ดังที่กล่าวไว้ข้างต้น ผู้เขียนระบุว่าส่วนหนึ่งของปัญหาเกิดจากหลักการพื้นฐานของ สถาปัตยกรรม Transformers เอง ประวัติศาสตร์ชี้ว่า ปัญหา LLM ล่าสุดนี้จึงจะได้รับการจัดการด้วยการปรับสภาพหลังฝึก (การจัดแนว) พรอมป์ต์ระบบที่ผู้ใช้ปลายทางแก้ไขไม่ได้ ตัวกรอง และระบบรองหลากหลายที่เติบโตขึ้นเรื่อยๆ ซึ่งดูเหมือนจะเพิ่มจำนวนเมื่อปัญหา “โดยกำเนิด” ของโมเดลดิฟฟิวชันปรากฏขึ้น

ยิ่งโครงสร้างรองของมาตรการคุ้มกันและการถ่วงดุลนี้ขยายใหญ่ขึ้น AI ระดับแนวหน้ารุ่นปัจจุบันก็ยิ่งคล้ายกับ Jurassic Park ซึ่งคุณค่าหลักที่เสนอให้มาพร้อมข้อควรระวังจำนวนมากจนน่ากลัว และจำเป็นต้องอาศัยวิธีอ้อมกับการประนีประนอมมากมาย

* การเน้นข้อความเป็นของผู้เขียนงานวิจัย โดยผมปรับตามความจำเป็น เพราะข้อความอ้างอิงในบทความเป็นตัวเอียงอยู่แล้ว และผมแปลงการอ้างอิงในบรรทัดของผู้เขียนเป็นไฮเปอร์ลิงก์

^† ผู้เขียนสังเกตด้วยความสนใจว่า มีความซ้ำกันที่เกิดขึ้นเองและดูไม่น่าเป็นไปได้ระหว่างตระกูลโมเดลต่างๆ ในคำที่โมเดล “เลือกเอง” โดยระบุว่า “โมเดลมุ่งไปที่คำคล้ายกัน: telescope, freedom และ nostalgia แต่ละคำปรากฏในรายการของโมเดลตั้งแต่สามตัวขึ้นไป” พวกเขายังพบความคล้ายกันในการเลือก “มุกตลกสั้น” ข้ามตระกูลโมเดล: “[หลาย] โมเดลสร้างมุกสำเร็จรูปเดียวกันไม่ว่าความลับคืออะไร Opus เขียนว่า ‘ทำไมนักวิทยาศาสตร์จึงไม่ไว้ใจอะตอม? เพราะมันแต่งทุกสิ่งขึ้นมา’ สำหรับความลับ 11 คำจาก 15 คำ ส่วนอีกสี่คำ (cactus, entropy, nostalgia, patience) ได้มุกเกี่ยวกับห้องสมุดแบบเดียวกับที่ Opus เขียนในเงื่อนไขไม่มีความลับทั้ง 15 แบบ นั่นหมายความว่ามุกที่มีความลับทั้งสี่นี้แยกไม่ออกจากเงื่อนไขฐาน”

^†† แม้เทียบกับมาตรฐานของ Arxiv บทความนี้ก็มีแนวโน้มเขียนซ้ำและฝังประเด็นนำที่น่าสนใจไว้ใต้รายละเอียดกับการสาธิตมากเกินไป ดังนั้นผมจึงขอให้ผู้อ่านดู PDF ต้นฉบับสำหรับการทดลองรองที่เหลือซึ่งอธิบายไว้ในนั้น

เผยแพร่ครั้งแรกวันศุกร์ที่ 15 พฤษภาคม 2026 แก้ไขโครงสร้างประโยควันเสาร์ที่ 16 พฤษภาคม เวลา 16:05 EET