การสอน AI ให้อ่านข้อความที่ซ่อนอยู่ซึ่งมนุษย์มองเห็น

กระแสหนึ่งเกี่ยวกับ AI ที่มาแรงแล้วก็ซาลงอย่างรวดเร็วเมื่อราว 2-3 ปีก่อน คือการใช้โมเดลภาษาภาพ (VLM) ฝังข้อความลึกลับและ “ภาพแฝง” ไว้ในภาพที่สร้างขึ้นซึ่งดูเหมือนไม่มีพิษภัย:

ภาพลวงตาและเอฟเฟกต์ทรอมป์ลอยล์เป็นลักษณะเด่นของผลงานจาก ControlNet QR Code Monster แหล่งที่มา

นี่คือเอฟเฟกต์ทรอมป์ลอยล์แบบสั่งทำได้ ซึ่งได้รับความนิยมสูงสุดจากเฟรมเวิร์กQR Code Monster ControlNet แบบโอเพนซอร์ส

เมื่อมีคนเห็นเทคนิคนี้มากพอแล้ว ก็แทบไม่มีทางนำไปใช้ประโยชน์ด้านอื่นได้ นอกจากใช้เป็นรูปแบบหนึ่งของวิทยาการเข้ารหัสลับเชิงปฏิบัติการ เพื่อส่งข้อความที่ VLM หรือระบบรู้จำอักขระด้วยแสง (OCR) จะดักจับหรือตีความไม่ได้ และใช้ส่งข้อความกึ่งใต้สำนึก:

คุณเห็นข้อความที่ซ่อนอยู่ไหม? ถ้ายังไม่เห็น เลื่อนลงไปดูคำตอบได้เลย ตัวอย่างภาพลวงตาที่สร้างด้วย AI ซึ่งเป็นที่รู้จักอย่างแพร่หลาย โดยอ้างถึงมีมจากภาพยนตร์ไซไฟเรื่อง ‘They Live’ ของ John Carpenter ที่ออกฉายในปี 1988 เช่นเดียวกับภาพประกอบหลักของบทความนี้ ในเรื่อง ชายคนหนึ่งพบว่าโลกเต็มไปด้วยข้อความใต้สำนึกจากเผ่าพันธุ์มนุษย์ต่างดาวที่แฝงตัวอยู่ แหล่งที่มา

ผลงานอย่างงานศึกษาในปี 2025 เรื่อง ความเกลียดชังที่ปรากฏให้เห็นชัดเจน และงานที่เผยแพร่เมื่อเดือนที่แล้วเรื่อง ซ่อนอยู่ตรงหน้า แสดงให้เห็นชัดถึงศักยภาพของวิธีนี้ในการเผยแพร่แนวคิดที่สร้างความเกลียดชัง และโดยทั่วไปยังใช้เป็นวิธีซ่อนข้อความได้ด้วย

ด้วยเหตุนี้ ปัจจุบันวงวิชาการจึงมองเทคนิคนี้เป็นหลักว่าอาจนำไปใช้ในทางประสงค์ร้ายได้ มากกว่าจะเป็นเพียงเครื่องมือสร้างมีมชวนขบขัน

เจาะลึก

ความท้าทายอย่างหนึ่งในการสกัดกั้นการรุกล้ำลักษณะนี้ ซึ่งขอเรียกว่า ภาพลวงตา AI เพราะดูเหมือนยังไม่มีชื่อเรียกที่ใช้กันอย่างเป็นเอกฉันท์ คือการทำให้โมเดล AI แบบหลายสื่อมองเห็นภาพรวม ไม่มัวจมอยู่กับรายละเอียด เมื่อเราหรี่ตาหรือย่อภาพลวงตา AI ให้มีขนาดเล็กมาก ลักษณะโดยรวมของข้อความใต้สำนึกก็จะเห็นได้ง่ายสำหรับเรา:

เมื่อการฝึกโมเดลแพร่กระจายค่อย ๆ พา AI จากการมองแนวคิดเป็นเพียง “ภาพร่างคร่าว ๆ” ไปสู่การสร้างรายละเอียดเข้มข้นได้ (คล้ายกับการวาดส่วนที่เหลือของ…นกฮูกให้เสร็จ) VLM ก็น่าจะทำได้ค่อนข้างดีในการแยกแยะรูปแบบลักษณะนี้ อย่างไรก็ตาม งานวิจัยล่าสุดชี้ว่าความจริงไม่ได้เป็นเช่นนั้น:

ผลงานปี 2025 เรื่อง ‘SemVink’ พบว่า แม้แต่ VLM แนวหน้าที่มีความสามารถด้านอื่น ก็ยังไม่สามารถอ่านข้อความใต้สำนึกในภาพลวงตา AI ได้ แหล่งที่มา

อย่างไรก็ตาม งานวิจัยล่าสุดจากจีนเสนอเฟรมเวิร์กใหม่ที่อาจช่วยให้ VLM รู้จำภาพลวงตา AI ได้

แนวทางใหม่นี้ ซึ่งเผยแพร่โค้ดแล้ว ใช้วิธีฝึกที่ให้โมเดล AI เรียนรู้จากโมเดลอีกตัว โดยให้ทั้งภาพฉบับย่อและคำถอดข้อความที่ถูกต้องแก่มัน นักวิจัยรายงานว่าวิธีนี้ช่วยให้อ่านข้อความที่ซ่อนอยู่ได้โดยตรงจากภาพต้นฉบับ และได้คะแนนการรู้จำสูงกว่าวิธีฝึกแบบทั่วไปอย่างมาก:

แผนภาพแสดงวิธีฝึก AI ที่เสนอขึ้น โมเดลสองตัวเรียนรู้จากภาพเดียวกัน โดยครูได้รับเบาะแสเพิ่มเติม ซึ่งรวมถึงภาพฉบับย่อที่ช่วยให้รู้จำข้อความที่ซ่อนอยู่ได้ง่ายขึ้น พร้อมทั้งคำตอบที่ถูกต้อง จากนั้นนำคำแนะนำของครูไปใช้ฝึกนักเรียน ซึ่งท้ายที่สุดจะต้องรู้จำข้อความได้โดยไม่มีเบาะแสเหล่านี้  แหล่งที่มา

วิธีนี้มีชื่อว่า SQUINT และอาศัยการกลั่นความรู้ ซึ่งเป็นการถ่ายทอดข้อมูลที่โมเดล AI ตัวหนึ่งเรียนรู้ไปยังอีกตัวระหว่างการฝึก ในกรณีนี้ ฝึกโมเดลนักเรียนให้สร้างผลการคาดการณ์ของโมเดลครูซ้ำ โดยใช้การเปรียบเทียบคำตอบของทั้งสองด้วยวิธีทางคณิตศาสตร์ เมื่อฝึกเสร็จแล้ว ก็สามารถตัดโมเดลครูออก เหลือโมเดลเพียงตัวเดียวไว้ตรวจสอบภาพใหม่โดยไม่ต้องมีความช่วยเหลือเพิ่มเติม

ในการฝึกสองระยะของ SQUINT ระบบจะเปรียบเทียบผลการคาดการณ์ของโมเดลนักเรียนกับของโมเดลครูที่มีข้อมูลมากกว่าเป็นอันดับแรก เพื่อให้โมเดลนักเรียนเรียนรู้จากความแตกต่าง จากนั้นในระยะที่สอง จะส่งเสริมให้โมเดลพัฒนาต่อด้วยการให้รางวัลเมื่ออ่านตัวอักษรที่ซ่อนอยู่ได้ถูกต้อง

ในการทดสอบ SQUINT สามารถจดจำตัวอักษรที่ซ่อนอยู่ในภาพ ซึ่งเป็นสิ่งที่โมเดล AI ต้นฉบับทำได้ไม่ดีเป็นส่วนใหญ่ และยังทำผลงานได้ดีกว่าในการทดสอบมาตรฐานอิสระหลายชุด พบว่ามักตรวจจับข้อความที่ซ่อนอยู่ได้ แม้อ่านไม่ออก โดยการจดจำจะดีขึ้นเมื่อมุ่งความสนใจไปยังส่วนต่าง ๆ ของภาพที่ประกอบเป็นตัวอักษร

ผลลัพธ์ดีขึ้นอีกเมื่อกดรายละเอียดและพื้นผิวที่ละเอียดให้ลดลง ทำให้แยกแยะรูปทรงพื้นฐานได้ง่ายขึ้น:

การทดสอบสามแบบเพื่อศึกษาว่าเหตุใดจึงอ่านตัวอักษรที่ซ่อนอยู่ผิด ด้านซ้าย: การชี้ให้โมเดลดูบริเวณที่ถูกต้องของภาพแสดงให้เห็นว่าการค้นหาตัวอักษรเป็นอุปสรรคสำคัญ ตรงกลาง: การลบรายละเอียดภาพที่ละเอียดออกแสดงให้เห็นว่าพื้นผิวอาจบดบังรูปทรงตัวอักษรขนาดใหญ่ ด้านขวา: การเพิ่มภาพมุมมองที่ย่อขนาดลงแสดงให้เห็นว่าการลดขนาดภาพช่วยให้โมเดลแยกแยะตัวอักษรที่มีลักษณะคล้ายกันได้

ข้อมูลและวิธีการ

พบว่าการให้โมเดลดูตัวอย่าง AI Opticals เพิ่มขึ้นเพียงอย่างเดียวนั้นไม่เพียงพอ เพราะการฝึกแบบทั่วไปไม่ได้ให้เหตุผลแก่โมเดลในการพิจารณาภาพด้วยมาตราส่วนที่ต่างออกไป ดังนั้น SQUINT จึงใช้ภาพฉบับย่อระหว่างการฝึก เพื่อสอนโมเดลว่าควรให้ความสำคัญกับข้อมูลภาพส่วนใดเมื่อพบภาพขนาดเต็ม

จำเป็นต้องใช้ชุดข้อมูลสองชุดเพื่อสนับสนุนวิธีนี้ โดย SquintBench ประกอบด้วยภาพ 1,076 ภาพ ซึ่งคัดสรรจากกระบวนการตรวจสอบเนื้อหาจริงที่ไม่ระบุรายละเอียด ผู้เขียนรายงานว่าภาพทั้งหมดมาจากข้อมูลการใช้งานจริง และดูเหมือนจะเป็นรูปโปรไฟล์ผู้ใช้ที่มีข้อความซ่อนอยู่ ซึ่งคนสามารถอ่านข้อความได้แทบจะในทันที ผู้ตรวจสอบที่เป็นมนุษย์ได้ถอดข้อความทั้งส่วนที่มองเห็นและส่วนที่ซ่อนอยู่ไว้

ชุดข้อมูลชุดที่สอง SquintCtrl มีข้อความที่ซ่อนอยู่ในฉากที่สร้างขึ้นด้วย QR Code Monster v2 ซึ่งทำงานบน Stable Diffusion 1.5 รุ่นเก่าแก่ที่ยังคงได้รับความนิยม (เห็นได้ชัดว่านักวิจัยด้านคอมพิวเตอร์วิทัศน์คงต้องถูกงัดออกจากมือที่เย็นชืดไร้ชีวิตเสียก่อนจึงจะยอมปล่อย) เนื่องจากทราบข้อความที่ใช้สร้างภาพแต่ละภาพล่วงหน้า จึงสามารถระบุตำแหน่งที่แน่นอนได้โดยอัตโนมัติ ทำให้ตรวจสอบกรณีที่จดจำไม่สำเร็จได้โดยไม่ต้องอาศัยผู้ตรวจสอบที่เป็นมนุษย์

SquintCtrl แบ่งออกเป็นชุดย่อยสี่ชุด: SquintCtrl-Pair ใช้ภาพ 500 คู่ที่จับคู่กัน โดยแต่ละคู่มีภาพหนึ่งภาพที่มีข้อความซ่อนอยู่และอีกภาพที่ไม่มี เพื่อทดสอบว่าตรวจจับการมีอยู่ของข้อความได้หรือไม่; SquintCtrl-Glyph ทดสอบว่าสามารถระบุและระบุตำแหน่งอักขระจีนและอักษรละตินแต่ละตัวได้หรือไม่; SquintCtrl-Strength ปรับระดับความชัดของข้อความที่ซ่อนอยู่ในฉาก 200 ฉาก; และ SquintCtrl-Read มีภาพที่ใช้คำศัพท์แบบเปิด 200 ภาพสำหรับทดสอบการถอดข้อความทั้งหมด

การทดสอบ

การทดลองเพื่อวินิจฉัยดำเนินการด้วย Qwen3.5-9B โดยคงค่า น้ำหนัก ของโมเดลไว้ไม่เปลี่ยนแปลง เพื่อให้เห็นว่าโมเดลเดิมสามารถรับรู้สิ่งใดได้อยู่แล้ว

การฝึกระยะแรก Squint OPSD ใช้โมเดลครูที่มีข้อมูลมากกว่าเพื่อชี้แนะแนวทางให้โมเดลนักเรียน โมเดลครูได้รับภาพต้นฉบับ ภาพฉบับย่อ และข้อความถอดเสียงที่ถูกต้อง ส่วนโมเดลนักเรียนจะเห็นเพียงภาพต้นฉบับ จากนั้นจึงเปรียบเทียบผลการคาดการณ์ของทั้งสองโมเดลทีละโทเค็น เพื่อให้โมเดลนักเรียนเรียนรู้จากโมเดลครู ขณะเดียวกันก็ยังทำงานได้โดยใช้เพียงภาพต้นฉบับ

การฝึกใช้พรอมป์ต์ 5,905 รายการ ประกอบด้วยภาพข้อความซ่อนที่สร้างขึ้น 3,489 ภาพ ตัวอย่าง OCR 1,213 รายการ และตัวอย่างการตอบคำถามเกี่ยวกับภาพ 1,203 รายการ โดยใช้ SquintBench เป็นชุดประเมินหลัก ส่วนการถ่ายโอนวัดผลด้วย Illusory VQA, AdvOCR และ HC-Bench นอกจากนี้ ยังทดสอบประสิทธิภาพด้านวิชัน-ภาษาในวงกว้างด้วย AI2D, DocVQA และ OCRBench

เพื่อใช้เปรียบเทียบ ได้ทดสอบโมเดลที่ผ่านการฝึกล่วงหน้าต้นฉบับควบคู่กับโมเดลรุ่นที่เพิ่มภาพมุมมองแบบย่อ การปรับแต่งด้วยข้อมูลกำกับ (SFT) และ DAPO นอกจากนี้ ยังประเมินโมเดลต่อไปนี้ในฐานะข้อมูลอ้างอิงจากภายนอก ได้แก่ Claude Opus 5, Gemini 3.1 Pro, GPT-6 Astra และ Qwen3-VL-235B-Thinking

ผลการทดสอบเปรียบเทียบ Squint OPSD กับวิธีพื้นฐานต่าง ๆ โดย Squint OPSD ทำคะแนน SquintBench ได้สูงสุดที่ 88.61 และยังคงรักษาประสิทธิภาพด้านวิชัน-ภาษาโดยทั่วไปไว้ได้มากกว่าการปรับแต่งด้วยข้อมูลกำกับอย่างมาก

ดังที่แสดงในตารางผลลัพธ์ด้านบน Squint OPSD เพิ่มคะแนน SquintBench จาก 26.50 ของโมเดลต้นฉบับเป็น 88.61 ซึ่งสูงกว่าวิธีฝึกพื้นฐานทั้งสามแบบ ขณะเดียวกันก็ยังคงรักษาประสิทธิภาพในการทดสอบวิชัน-ภาษาทั่วไปไว้ได้เป็นส่วนใหญ่

ในการทดสอบถัดไป Squint OPSD ได้รับการประเมินด้วยชุดทดสอบมาตรฐานภายนอก 3 ชุดสำหรับข้อความที่ซ่อนอยู่:

ผลการทดสอบเปรียบเทียบ Squint OPSD กับโมเดลอื่นอีก 5 รุ่นบน SquintBench และชุดทดสอบมาตรฐานภายนอก 3 ชุดสำหรับข้อความที่ซ่อนอยู่ Squint OPSD ทำผลงานได้ดีที่สุดในการทดสอบทุกรายการ เมื่อป้อนภาพฉบับเต็มที่ไม่มีการดัดแปลงให้โมเดล สำหรับ Illusory VQA อัตราความผิดพลาดของคำที่ต่ำกว่าหมายถึงประสิทธิภาพที่ดีกว่า

คะแนนเพิ่มขึ้นจาก 3.7 เป็น 66.7 บน AdvOCR และจาก 1.8 เป็น 44.6 บน HC-Bench ขณะที่อัตราความผิดพลาดของคำบน Illusory VQA ลดลงจาก 178.10 เป็น 67.00 ส่วน Qwen3-VL-235B-Thinking และ GPT-6 Astra ซึ่งมีขนาดใหญ่กว่ามากก็ทำคะแนนได้ไม่ดีเช่นกันบนภาพ SquintBench ฉบับดั้งเดิม โดยได้ 24.44 และ 8.33 ตามลำดับ

หลังการฝึก พบความแตกต่างภายในที่ชัดเจนขึ้นมากระหว่างอักขระแต่ละตัวที่ซ่อนอยู่ในภาพ ค่าที่ใช้วัดความชัดเจนของการแทนข้อมูลอัตลักษณ์ของอักขระจีนเพิ่มจาก 0.718 เป็น 0.975 ขณะที่คะแนนเทียบเท่ากันสำหรับอักขระละตินเพิ่มจาก 0.612 เป็น 0.779

การทดสอบการเปลี่ยนแปลงวิธีจัดการอักขระที่ซ่อนอยู่ของโมเดลหลังการฝึก ด้านซ้ายแสดงให้เห็นว่าการคาดการณ์และการให้ความสนใจของโมเดลมุ่งไปยังบริเวณภาพที่ประกอบเป็นอักขระซึ่งซ่อนอยู่มากขึ้น โดยความแม่นยำลดลงเมื่อบริเวณเหล่านั้นถูกรบกวน ด้านขวาแสดงให้เห็นว่าการคาดการณ์อักขระทางเลือกของโมเดลจัดกลุ่มตามความคล้ายคลึงทางรูปลักษณ์อย่างชัดเจนขึ้น ขณะยังคงข้อมูลที่อาศัยภาษาไว้

โมเดลยังให้ความสนใจมากขึ้นกับส่วนต่าง ๆ ของภาพที่ประกอบเป็นตัวอักษรที่ซ่อนอยู่จริง ๆ เมื่อจงใจรบกวนการแทนข้อมูลภายในของบริเวณเหล่านี้ ความแม่นยำลดลงจาก 90.5% เหลือ 71.5% ในทางกลับกัน การรบกวนบริเวณพื้นหลังที่สุ่มเลือกมาในจำนวนเท่ากันแทบไม่ทำให้ผลเปลี่ยนแปลง ซึ่งบ่งชี้ว่าโมเดลอ่านข้อความที่ซ่อนอยู่จากโครงสร้างภาพที่เกี่ยวข้อง

บทสรุป

งานชิ้นใหม่นี้อาจสะท้อนภาวะ «สายตาสั้นแบบแฟรกทัล» ที่เกิดซ้ำในแวดวง AI ด้านอื่น ๆ ผู้ใช้จำนวนมากที่คุ้นเคยกับ LLM และ VLM รุ่นแนวหน้าคงสังเกตเห็นหลายครั้งว่าโมเดลเหล่านี้มักมุ่งความสนใจไปที่ข้อความ ภาพ หรือวิดีโอที่สร้างขึ้นเพียงส่วนเล็ก ๆ โดยไม่ได้พิจารณาในภาพรวมว่าการเปลี่ยนแปลงเหล่านี้อาจส่งผลต่อภาพใหญ่เพียงใด

ในหลายกรณี ปัญหานี้เกี่ยวข้องกับความทรงจำที่ไม่สมบูรณ์ของ AI (และความสามารถในการบีบอัดความทรงจำของตนเองที่ยังอยู่ในระยะเริ่มต้น ซึ่งสำคัญต่อการทำงานที่ยาวนานและมักดำเนินการในรูปแบบเอเจนต์) อย่างไรก็ตาม บางครั้งดังเช่นกรณีนี้ ก็พบว่าแนวทางการฝึกตามปกติยังมีข้อบกพร่องและจำเป็นต้องแก้ไขอย่างเจาะจง คำถามคือเราควรเรียนรู้จากกรณีเช่นนี้และพิจารณาปรับแนวทางการฝึกขั้นพื้นฐานมากน้อยเพียงใด…และเมื่อใดที่กระบวนการนั้นอาจถือว่า «เฉพาะทาง» และมีความสำคัญเพียงเล็กน้อย จนควรใช้แนวทางจากบุคคลที่สามอย่าง LoRA เท่านั้น

เผยแพร่ครั้งแรก วันอังคารที่ 10 พฤศจิกายน 2026