OpenAI နှင့် Google ကဲ့သိုက်အကြီးစားနည်းပညာကုမ္ပဏီများမှ AI စကားပြောကွန်ပျူတာများသည် မကြာသေးမီလများအတွင်း တုံ့ပြန်ချက်မှန်ကန်မှုတိုးတက်စေရန်အတွက် ထုံးစံတူထိန်းသိမ်းမှုများရရှိနေသည်။ သို့သော် ယခုစမ်းသပ်မှုများအရ မော်ဒယ်အသစ်မချင်းများက ယခင်ဗားရှင်းများထက် မကောင်းမားစွာ၍ “လူမမှန်ခြင်းများ”(hallucinations) ဟုခေါ်ခံရသော ဖြစ်စဉ်ကိုပြသကြသည်။ ၎င်းမှာ စကားပြောကွန်ပျူတာများမှ မှားယွင်းသောအချက်အလက်များဖန်တီးခြင်း သို့မဟုတ် မှန်စွာဖြစ်ပေမယ့် မသန်နေသော သို့မဟုတ် ညွှန်းတောင့်မကျသောဖြေကြားချက်များပေးအပ်ခြင်းဖြစ်ပြီး တော်တော်လေးလန့်နေဆဲဖြစ်သည်။ ဒီပြဿနာသည် OpenAI ၏ ChatGPT နှင့် Google ၏ Gemini ကဲ့သိုလ်သော ကြီးမားသော ဘာသာစကားမော်ဒယ်များ (LLMs) ကို စတင်ဖန်တီးခဲ့ပြီးစဉ်ကတည်းက ရှုပ်ထွေးနေပြီး များသည့်အခါတိုင်အောင် ပြီးပြည့်စုံစွာဖြေရှင်းနိုင်ခြင်းမဟုတ်ပါ။ OpenAI ၏နည်းပညာအစီရင်ခံစာတစ်ရပ်အရ ဧပြီလမှာ ထုတ်လုပ်ခဲ့သော o3 နှင့် o4-mini မော်ဒယ်များသည် နောက်ဆုံးထုတ်ဖော်ခဲ့သော 2024 ခုနှစ် နာရီပြီးမှတ်တမ်းမဖော်ပြရသေးသော o1 မော်ဒယ်နှင့်နှိုင်းယှဉ်ပြီး ဟန်ချက်ချက်ခါးကျပ်မှုအလင်းစားပါးစွာရှိခဲ့သည်။ ဥပမာအနေနဲ့ o3 မှ 33% ဟုတ်မှုပြဿနာများ၊ o4-mini မှ 48% ဖြစ်ခဲ့ပြီး o1 သည် 16% သာဖြစ်ခဲ့သည်။ သက်ဆိုင်ရာအဆိုပါရလဒ်တိုင်းကိုအများပြည်သူအသိပေးထားသော အချက်အလက်များအလိုက်အနှောင့်အယှက်များကို ချုပ်ဖော်ပြောသည်။ လည်းကောင်း ထပ်မံဖော်ပြခံရသော Vectara ၏အောင်မြင်မှုစာရင်း ပါမောက္ခများခန့်မှန်းမှုများ၌ DeepSeek-R1 အပါအဝင် အသိပညာရပ်များသည် ယခင်ပုံစံများနှင့်နှိုင်းယှဉ်ပြီး ဟန်ချက်ချက်ခါးကျပ်မှုအကြမ်းအမြောက်များားကြယ်လာခဲ့ကြောင်း တွေ့ရသည်။ ၎င်းတို့သည် မေးခွန်းကို မေးမယ့်အနေနဲ့ မကြာခဏအောင်မြင်မှုနှင့်မညီညွတ်သော အကြောင်းအရာများပေးနိုင်ပေမဲ့ သွားရွေ့မှုများအောက်မှာဖြစ်စေသည်။ OpenAI သည် တုံ့ပြန်မှုစနစ်များသည် ဟန်ချက်ချက်ခါးကျပ်မှုများ တိုးလာရန် တစ်စိတ်တစ်ပိုင်းအကြောင်းမဖြစ်ကြောင်း ထုတ်ဖော်ပြောဆိုပြီး စွမ်းရည်တွေကို လျော့ချရန် အသက်အရွယ်အရအာဏာရှာနေသည်။ ၎င်းတို့၏ ထိန်းသိမ်းရန်လည်းအကောင်အထည်ဖော်ရှင်းလင်းမှုများကို ဆော့လျက်ရှိပြီး ဟန္ချက်ချက်ခါးကျပ်မှုများစွာကို သက်သာအောင်လုပ်ပေးနိုင်ရန် ကြိုးပမ်းနေကြသည်။ ဒီပြဿနာသည် အသုံးချမှုများအပေါ် များစွာသက်ရောက်နိုင်ပြီး ၎င်း၏အသေးစိတ်ဆုံးဖြတ်မှုများမှာ အောက်ပါအတိုင်းဖြစ်သည်။ မော်ဒယ်များမှာ မကြာခဏအမှားများပေးပို့နိုင်ပြီး သုတေသနအကူအညီများကို ထိန်းသိမ်းရန်နှင့် ဥပမာအားဖြင့် တရားဥပဒေနယ်ပယ်အတွက် သုံးစွဲထားသောနည်းလမ်းများကို အချိုးအကြောင်းသို့မဟုတ် မိမိနိုင်သောအလားအလာများကိုဖြစ်ပေါ်စေသည်။ စားသုံးမှုဝန်ဆောင်မှုများကို မူလအချက်အလက်မမှန်သေးတာများကြောင့် အမှားအယွင်းများနှင့်ပတ်သက်ထားကြသည်။ အစပျိုးအနေဖြင့် AI လုပ်ငန်းရှင်များမှ ဟန္ချက်ချက်ခါးကျပ်မှုများသည် ဒီလိုနားလည်မှုအကောင်အချုပ်အထားအပိုင်းအသစ်များကို မျှော်လင့်နေကြသည်။ ဥပမာအားဖြင့် ခေတ်မီမော်ဒယ်များ ပိုမိုကောင်းမွန်လာမည်ဟု မျှော်လင့်ကြပေမဲ့၊ ယခုလက်ရှိအခြေအနေတွင် ဤအသစ်များ၏ ဆိုးဝါးမှုများကိုလည်းသက်သာစေမပ်က် မဟုတ်ကြောင်းထောက်ပြနိုင်သည်။ Vectara ၏အဖြေစာရင်း အနေနဲ့ ပုံမှန်လေ့လာမှုမဟုတ်သော မော်ဒယ်များအနေနဲ့ Reasoning တွင်ပင် ဟန်ချက်ချက်ခါးကျပ်မှုရဲ့ ပြောင်းလဲမှုကို ပြသနေပြီး၊ ဤအတိုင်းအနေနဲ့ မော်ဒယ်များအကြား မှားယွင်းမှုအချိုးအစား ပမာဏ မသိအောင်နှိုင်းယှဉ်နိုင်သည်။ သို့သော် ဤအဆင့်မှာ ချီးမွမ်းနိုင်သော်လည်း မရှိမဖြစ်နောက်ဆက်တွဲနေသော ချွတ်ယွင်းမှုအမျိုးအစားများစွာကို ပေါင်းစပ်ပြောဆိုနေပြီး ဥပမာအားဖြင့် DeepSeek-R1 ၏ 14. 3% ဟာ ဘာသာပြောချက်မပျက်သော များစွာသော “ဆိုးရွားမှုမရှိသော” ကိန်းဂဏန်သာ ပါဝင်သည်။ ထို့အပင် စမ်းသပ်မှုကို စာအုပ်ချုပ်ခြင်းအပေါ်အခြေခံပြီး တင်ပြမှသာ မတူညီသော မော်ဒယ်များအတွင်း ရောမကြာနိုင်သော မျိုးအမျိုးစုံကို တိတိကျကျ ယှဉ်ကြည့်နိုင်သည်ကိုအသိပညာရှင်များကပြောကြားသည်။ Google ကဲ့သို့သော ကုမ္ပဏီများကမှ သုံးသပ်မှုကိုမဆို တုံ့ပြန်ခြင်းမရှိခဲ့ပါ။ ဒါပေမဲ့ ဒီလိုအဆင့်သတ်မှတ်ချက်များမှာ အခက်အခဲရှိနေသည်။ ၎င်းသည် မျိုးစုံသော ဟန်ချက်ချက်ခါးကျပ်မှုအမျိုးအစားများကို ပေါင်းစပ်ထားသည်။ ဥပမာအနေနဲ့ DeepSeek-R1 ၏ 14. 3%ဟာ “အိုးအိုးချမ်းသာ”နေသောအကြောင်းအရာတွေပါဝင်သည်။ တစ်ခုချင်းစီအရေအတွက်များကတော့ မတူညီပေမယ့် ဒါက ဘာလဲဆိုရင် အဓိကကတော့ အဲ့ဒီ မော်ဒယ်များက မေးခွန်းကို ဖော်ပြတဲ့အစုအဖွဲ့တွေက ပုံမှန်နဲ့မတူညီပဲ တစ်ခါတစ်လေ မှန်မမှန်နဲ့မူတည်၍ များစွာသောအမှားများပေါ်လာနိုင်ခြင်းကိုအသိပညာရှင်များကသတိပေးကြသည်။ အချို့သော စမ်းသပ်မှုများမှာ ဘာသာစကားအကျဉ်းချုပ်ပေးခြင်းပဲဖြစ်သည်။ ဒါကြောင့် မော်ဒယ်အမျိုးအစားအပေါ်မူတည်ခြင်း သို့မဟုတ် မူလအကြောင်းအရာကြည့်ချက်ကိုမပါဘဲ ယေဘုယျအားဖြင့် တို့တွကြည့်ပေမဲ့ ဤကြားဖြတ်ခြင်းსသည် ဟန္ချက်ချက်ခါးကျပ်မှုများ၏ ပုံစံများကို လုံးဝလက်မခံနိုင်သောလားဆိုတာကို မသေချာစေနိုင်ပါ။ University of Washington ၏ Emily Bender က ဒီအချိန်တွင် ဒီမော်ဒယ်များသည် မတည့်အောင် ဒါဟာ မစ်ရှင်အကြောင်းအရာများလေးဖြစ်ပြီး လူ့အကြောင်းခံရသည့်သဘောထားကိုလည်း မသိမှတ်နိုင်ဘဲ သူတို့အနေနဲ့ “ဟောဖါ” သာလုပ်နေကြောင်း ပြောကြားခဲ့သည်။ Princeton ၏ Arvind Narayanan သည် မော်ဒယ်များသည် မလုံလောက်သော ဒေတာများသို့မဟုတ် အဟောင်းအယောင်းအဆင့်မူကြီးမားသော ဒေတာများကို မူပမ်း၍ ပျက်ကွက်မှုများ ဖြစ်ပေါ်နိုင်ကြောင်းနှင့် ဒေတာထပ်မံထည့်ခြင်း သို့မဟုတ်တွက်ချက်မှုကြီးများကလည်း ဒီပြဿနာများကိုမဖြေရှင်းနိုင်ကြောင်း ထပ်မံရှင်းပြခဲ့သည်။ အ စိတ်အနေဖြင့် အမှားအယွင်းများအပါအဝင် AI ကိုအသုံးပြုခြင်း များစွာနေရာများတွင် တစ်တော့အနိုင်မရ၊ အစွမ်းထက်မောင်းနှင်နိုင်ပါ။ Narayanan ကတော့ ထောက်ခံထားပြီး အများအားဖြင့် မူရင်းသုတေသနကို မလုပ်မဲမရမီ စစ်ဆေးနိုင်ခြင်းအချိန်ရလိမ့်မည်လောက်အလျင်အမြန်ဖြစ်စေရန် ချက်ချင်းအချက်အလက်များစစ်စစ်နှင့်မေးခွန်းများသေချင်းပြောသည့်အခါမှသာ အသုံးပြုကြဖို့အကြံဉာဏ်များပေးသည်။ Bender သည် လူသားတို့၏အတတ်အကျွမ်းကို မလုပ်နိုင်ပါဘူးလို့ တကယ်မှ မေးခြင်းခံစားချက်မှ မူကားနဲ့ လူသားလိုအောင် ကြည့်ရန် မလို့ ဤအဆင့်မှာပဲ မကြာခင်အချိန်အတွင်း ကြိုးပမ်းနေကြသည်။