ลายน้ำในข้อความ หรือ Statistical Watermarking (ลายน้ำทางสถิติ) คืออะไร ระบบรู้ได้อย่างไรว่าข้อความนี้สร้าง AI และตรวจสอบได้หรือไม่

ทำความเข้าใจ Statistical Watermarking กลไกซ่อนรหัสในข้อความ AI และความท้าทายในภาษาไทย

เมื่อปัญญาประดิษฐ์เชิงรู้สร้าง (Generative AI) มีความสามารถในการผลิตข้อความที่คล้ายคลึงกับมนุษย์มากขึ้น การแยกแยะระหว่างข้อความที่เขียนโดยมนุษย์และ AI จึงกลายเป็นสิ่งสำคัญ ลายน้ำในข้อความ หรือ Statistical Watermarking (ลายน้ำทางสถิติ) คือเทคโนโลยีที่ถูกออกแบบมาเพื่อฝังรหัสหรือสัญลักษณ์ที่มองไม่เห็นลงในข้อความที่ถูกสร้างขึ้นโดย AI โดยไม่ทำให้ความหมายหรือความลื่นไหลของประโยคเสียไป เพื่อให้เครื่องมือตรวจสอบสามารถตรวจจับและยืนยันแหล่งที่มาของข้อความนั้นๆ ได้ทางคณิตศาสตร์

รูปแบบการทำงานของ ลายน้ำในข้อความ หรือ Statistical Watermarking (ลายน้ำทางสถิติ)

กลไกการทำงานของลายน้ำทางสถิติอาศัยกระบวนการสุ่มคำ (Tokenization) ของโมเดลภาษาขนาดใหญ่ (LLM) ในระหว่างที่ AI กำลังสร้างข้อความทีละคำ ระบบจะแบ่งกลุ่มคำศัพท์ที่เป็นไปได้ออกเป็นสองกลุ่ม คือกลุ่มที่อนุญาต (Green List) และกลุ่มที่หลีกเลี่ยง (Red List) โมเดลจะถูกตั้งค่าให้มีอคติในการเลือกใช้คำจากกลุ่ม Green List มากกว่าปกติอย่างแยบยล การเปลี่ยนแปลงค่าความน่าจะเป็นเพียงเล็กน้อยนี้ทำให้เกิดรูปแบบทางสถิติที่มนุษย์ไม่สามารถสังเกตเห็นจากการอ่านปกติ แต่เมื่อนำข้อความไปวิเคราะห์ทางสถิติด้วยอัลกอริทึมที่จับคู่กัน จะสามารถตรวจพบความหนาแน่นของคำใน Green List ที่สูงผิดปกติ และยืนยันได้ว่าข้อความนี้ถูกสร้างขึ้นจาก AI

ขีดจำกัดการสร้างและการรับรู้ Statistical Watermarking (ลายน้ำทางสถิติ) ปัจจุบัน

แม้จะเป็นเทคโนโลยีที่มีประสิทธิภาพ แต่การสร้างและการรับรู้ลายน้ำทางสถิติยังมีขีดจำกัดที่สำคัญ ข้อความที่สร้างขึ้นจำเป็นต้องมีความยาวระดับหนึ่ง (มักจะต้องมีมากกว่า 200 โทเคน) จึงจะมีข้อมูลทางสถิติเพียงพอให้ระบบตรวจจับได้แม่นยำ หากข้อความสั้นเกินไป ระบบอาจเกิดความผิดพลาดในการระบุ (False Positive) นอกจากนี้ ลายน้ำเหล่านี้ยังมีความเปราะบางต่อการดัดแปลง หากผู้ใช้นำข้อความไปเขียนใหม่ (Paraphrase) สลับโครงสร้างประโยค หรือใช้โปรแกรมแปลภาษา โครงสร้างทางสถิติที่ถูกฝังไว้จะถูกทำลาย ส่งผลให้ระบบไม่สามารถตรวจจับความเชื่อมโยงของลายน้ำได้อีกต่อไป

สำหรับประเด็นเรื่องการตรวจจับข้ามแพลตฟอร์ม (Cross-platform) โมเดล AI หนึ่งจะไม่สามารถรู้หรือตรวจจับลายน้ำของโมเดล AI อีกค่ายได้โดยธรรมชาติ เนื่องจากลายน้ำทางสถิติถูกสร้างขึ้นผ่าน กุญแจเข้ารหัส (Cryptographic Key) หรือฟังก์ชันสุ่มที่เจาะจงเฉพาะของแต่ละผู้พัฒนา หากเครื่องมือตรวจสอบไม่มีกุญแจถอดรหัสของโมเดลต้นทาง ข้อความนั้นจะดูเหมือนข้อความปกติทั่วไป ดังนั้น AI จะไม่มีทางรู้ว่าข้อความมีลายน้ำ เว้นแต่จะมีการบูรณาการระบบหรือใช้มาตรฐาน API การตรวจสอบร่วมกันระหว่างผู้พัฒนาโมเดล

ยังเป็นเรื่องยากกับภาษาอื่น

ความซับซ้อนของการทำลายน้ำทางสถิติยังเพิ่มขึ้นอย่างมากเมื่อประยุกต์ใช้กับภาษาอื่นๆ ที่ไม่ใช่ภาษาอังกฤษ โดยเฉพาะ ภาษาไทย ซึ่งถือเป็นความท้าทายระดับสูงทางวิศวกรรมข้อมูล ภาษาอังกฤษมีการเว้นวรรคเพื่อแบ่งคำที่ชัดเจน ทำให้การจัดกลุ่มโทเคนเป็น Green List และ Red List ทำได้ง่ายและเป็นระบบ แต่ภาษาไทยเป็นภาษาที่เขียนติดกันโดยไม่มีการเว้นวรรคระหว่างคำ (No word boundaries) และโครงสร้างโทเคนของ AI ในภาษาไทยมักถูกตัดแบ่งแบบไม่เป็นคำที่สมบูรณ์ การพยายามบังคับอคติทางสถิติหรือยัดเยียดคำจาก Green List ลงในภาษาไทย มักส่งผลกระทบโดยตรงต่อความสละสลวย ทำให้ประโยคดูผิดธรรมชาติ หรือเกิดปัญหาความหมายเพี้ยนได้ การพัฒนาระบบลายน้ำในภาษาไทยหรือภาษาอื่นๆ จึงต้องการโมเดลการตัดคำที่มีความแม่นยำสูงและอัลกอริทึมการคำนวณความน่าจะเป็นที่ซับซ้อนกว่าภาษาอังกฤษมากในปัจจุบัน