ลองนึกภาพว่าคุณถ่ายรูปปลาตัวหนึ่งใต้น้ำมา แล้วเอาไปถาม ChatGPT หรือ Gemini ว่า "นี่ปลาอะไรครับ" — ในยุคที่ AI เขียนโค้ด แก้สมการคณิตศาสตร์ระดับมหาวิทยาลัย หรือวิเคราะห์ภาพ X-ray ทางการแพทย์ได้ คุณอาจคาดหวังว่ามันจะตอบถูกได้ไม่ยาก
แต่งานวิจัยชิ้นหนึ่งชื่อ FishNet++ ของทีมวิจัยจาก KAUST (King Abdullah University of Science and Technology) ที่เผยแพร่บน arXiv เมื่อวันที่ 29 กันยายน 2025 (arXiv:2509.25564) กลับเปิดเผยตัวเลขที่ทำให้ทุกคนต้องคิดใหม่ — โมเดล AI แบบ Multimodal LLM (MLLM, โมเดลภาษาขนาดใหญ่ที่ดูภาพได้ด้วย) ที่ดีที่สุดในกลุ่ม open-source ตอบถูกแค่ไม่ถึง 10% เมื่อต้องระบุสปีชีส์ปลาแบบละเอียด (fine-grained species recognition)
ทำไม AI ที่ฉลาดขนาดนี้ถึงสะดุดกับโจทย์ที่ดูเหมือนง่ายแบบนี้ และนี่มันสำคัญกับงานอนุรักษ์ทะเลแค่ไหน — มาดูกันครับ
🐠 โจทย์ที่ใหญ่กว่าที่คิด: ทำไมต้อง "ปลา" และทำไมต้อง "ละเอียด"
ก่อนจะเข้าใจว่าทำไมผลลัพธ์มันแย่ขนาดนี้ ต้องเข้าใจก่อนว่าโจทย์ที่ทีมวิจัยตั้งขึ้นมันยากแค่ไหน
โลกมีปลามากกว่า 34,000 สปีชีส์ และหลายสปีชีส์หน้าตาคล้ายกันมากจนแม้แต่นักมีนวิทยา (ichthyologist, นักวิทยาศาสตร์ที่ศึกษาปลาโดยเฉพาะ) ผู้เชี่ยวชาญก็ต้องดูรายละเอียดเล็กๆ อย่างจำนวนก้านครีบ ตำแหน่งของตา หรือลายเส้นข้างลำตัว ถึงจะแยกสปีชีส์ที่ใกล้เคียงกันออกจากกันได้
นี่คือสิ่งที่เรียกว่า fine-grained recognition — การจำแนกที่ต้องดูรายละเอียดปลีกย่อยระดับสปีชีส์ ต่างจาก coarse-grained ที่แค่บอกว่า "นี่คือปลา" หรือ "นี่คือสัตว์เลี้ยงลูกด้วยนม" ก็พอ
ทีมวิจัยจาก KAUST (King Abdullah University of Science and Technology) และสถาบันอื่นๆ จึงสร้างชุดทดสอบ (benchmark) ที่ใหญ่และละเอียดที่สุดเท่าที่มีมาสำหรับโจทย์นี้โดยเฉพาะ ชื่อว่า FishNet++
ตัวเลขของชุดข้อมูลนี้บอกถึงความทะเยอทะยานของโปรเจกต์ได้ดี — รูปภาพ 99,556 รูป ครอบคลุม 17,393 สปีชีส์ คำอธิบายลักษณะสปีชีส์แบบข้อความ 35,133 รายการ (ดึงมาจากฐานข้อมูลที่นักวิทยาศาสตร์ใช้จริงอย่าง FishBase, iNaturalist, WoRMS, และ NOAA) จุดอ้างอิงตำแหน่งอวัยวะ (keypoint) สำหรับวัดสัณฐานวิทยา เช่น ตา ครีบ ปาก จุดกึ่งกลางลำตัว และหาง รวม 706,426 จุด และกรอบระบุตำแหน่งวัตถุ (bounding box) สำหรับงาน detection อีก 119,399 กรอบ
ด้วยขนาดและความละเอียดระดับนี้ FishNet++ ไม่ได้เป็นแค่ "แบบทดสอบ" ธรรมดา แต่เป็นเหมือนข้อสอบมาตรฐานที่เข้มงวดที่สุดที่เคยมีมาสำหรับวัดว่า AI เข้าใจชีววิทยาทางทะเลได้แค่ไหนจริงๆ
แล้วเมื่อเอาโมเดล AI ชั้นนำมาสอบ ผลที่ออกมาเป็นอย่างไร?
📉 ตารางผลสอบที่ทุกคนในวงการ AI ต้องอึ้ง
ทีมวิจัยทดสอบโมเดล MLLM หลายตัว ทั้งฝั่ง open-source อย่าง Qwen2.5-VL, Gemma-3, Pixtral-12b และโมเดลปิด (closed-source) ชั้นนำอย่าง GPT-4o โดยวัดความแม่นยำใน 3 ระดับของการจัดหมวดหมู่สิ่งมีชีวิต (taxonomy, อนุกรมวิธาน) — เรียงจากกว้างไปแคบ เหมือนการเดาที่อยู่คนจาก "ประเทศ" ไปจนถึง "บ้านเลขที่": family (วงศ์ — กลุ่มกว้าง เช่น "วงศ์ปลานกแก้ว") → genus (สกุล — กลุ่มย่อยลงมา) → species (สปีชีส์ — ระดับละเอียดที่สุด คือบอกชนิดเป๊ะๆ)
ผลลัพธ์ระดับสปีชีส์สำหรับสปีชีส์ที่พบบ่อย (frequent) เทียบกับสปีชีส์หายาก (rare):
___________
โมเดล | สปีชีส์พบบ่อย | สปีชีส์หายาก
GPT-4o | 17.9% | 1.2%
Qwen2.5-VL | 6.2% | 0.2%
Gemma-3 | 5.5% | 0.2%
Pixtral-12b | 3.6% | 0.1%
_____________
สังเกตไหมครับว่าแม้แต่ GPT-4o ซึ่งเป็นโมเดลปิดที่แรงที่สุดในกลุ่มที่ทดสอบ ก็ทำได้แค่ไม่ถึง 18% กับสปีชีส์ที่พบเห็นได้ทั่วไป — และตกลงไปเหลือแค่ 1.2% ทันทีที่เจอสปีชีส์หายาก
ที่น่าสนใจกว่านั้นคือกลุ่มโมเดล open-source ที่ออกแบบมาเพื่องานจดจำภาพโดยเฉพาะอย่าง CLIP, BioCLIP, และ SigLIP — โมเดลที่ฝึกมาเพื่อเทียบความคล้ายระหว่างภาพกับข้อความ ไม่ใช่โมเดลสนทนาแบบ GPT — กลับทำได้แย่กว่าด้วยซ้ำ คือไม่เกิน 2.6% ทั้งที่ดูเหมือนว่าน่าจะเชี่ยวชาญงานจำแนกภาพมากกว่า
ระดับ genus กับ family ผลดีขึ้นตามคาด เพราะโจทย์กว้างขึ้น แยกง่ายขึ้น — GPT-4o ทำได้ 34.2% ที่ระดับ genus และ 53.6% ที่ระดับ family (เฉพาะกลุ่มสปีชีส์พบบ่อย) ส่วน Qwen2.5-VL ทำได้ 18.2% และ 30.5% ตามลำดับ
นี่คือรูปแบบที่ชัดเจนมาก — ยิ่งโจทย์ละเอียดขึ้นเท่าไหร่ AI ยิ่งพังเร็วขึ้นเท่านั้น แต่คำถามที่สำคัญกว่าตัวเลขคือ "ทำไม" — AI พังเพราะอะไรกันแน่?
🔬 ผ่าวิเคราะห์: AI ไม่ได้พังจากจุดเดียว แต่พังจาก 3 ทาง
ทีมวิจัยไม่ได้หยุดแค่รายงานตัวเลข แต่ออกแบบการทดสอบเพื่อแยกแยะว่าความล้มเหลวมาจากจุดไหนกันแน่ในกระบวนการคิดของโมเดล และพบว่ามันคือ "ความล้มเหลวที่ซ้อนกันสามชั้น" ไม่ใช่จุดบอดเดียว
ชั้นที่ 1 — ขาดความรู้เฉพาะทาง (domain knowledge deficit)
ทีมวิจัยทดสอบงาน "แปลชื่อสองทาง" (bidirectional name translation) คือให้โมเดลแปลงชื่อสามัญเป็นชื่อวิทยาศาสตร์ และกลับกัน แล้วเทียบผลระหว่างกลุ่มปลากับกลุ่มนก — Qwen2.5-VL ทำได้แค่ 3.6% กับชื่อปลา แต่ทำได้ถึง 40.0% กับชื่อนก
ตัวเลขนี้สำคัญมาก เพราะมันพิสูจน์ว่าปัญหาไม่ใช่ "โมเดลแปลชื่อสัตว์ไม่เก่ง" แบบรวมๆ แต่เป็นช่องว่างความรู้ที่เฉพาะเจาะจงกับโลกใต้น้ำ — ข้อมูลปลาบนอินเทอร์เน็ตที่ใช้ฝึกโมเดลพวกนี้น้อยกว่าและกระจัดกระจายกว่าข้อมูลนก ซึ่งมีชุมชน birdwatcher ถ่ายรูปแปะคำอธิบายไว้มหาศาล
ชั้นที่ 2 — มองเห็นแบบหยาบ ไม่ใช่แบบละเอียด (visual perception limitation)
โมเดลหาตำแหน่งของปลาในภาพได้ดีมาก — แม่นยำถึง 91.5% ตามเกณฑ์ที่นักวิจัยใช้วัดว่ากรอบสี่เหลี่ยมที่โมเดลวาดล้อมตัวปลา "ตรง" กับกรอบที่มนุษย์วาดไว้จริงแค่ไหน (เรียกว่า IoU50) นั่นแปลว่ามันรู้ว่า "ตรงไหนในภาพคือปลา"
แต่พอต้องระบุตำแหน่งอวัยวะเฉพาะ เช่น ตา ครีบ หรือปากของปลาตัวนั้น (keypoint localization) ความแม่นยำร่วงลงมาเหลือแค่ 15.6-27.5%
พูดง่ายๆ คือ AI มองเห็น "รูปทรงโดยรวม" ของปลาได้ แต่มองไม่เห็น "รายละเอียดที่ทำให้สปีชีส์ A ต่างจากสปีชีส์ B" — เหมือนคนที่มองออกว่ามีรถอยู่ตรงนั้น แต่บอกไม่ได้ว่ายี่ห้ออะไร
ชั้นที่ 3 — แยกแยะสิ่งที่คล้ายกันไม่ได้ (fine-grained differentiation failure)
นี่คือผลที่น่าตกใจที่สุด — ทีมวิจัยทดสอบงาน species verification คือให้โมเดลดูภาพปลา แล้วเลือกว่าชื่อสปีชีส์ที่เสนอมาถูกหรือผิด โดยตัวเลือกผิดถูกออกแบบให้เป็นสปีชีส์ที่หน้าตาคล้ายกันมาก (visually similar)
ผลคือ Qwen2.5-VL ทำได้ true negative rate (อัตราที่ตอบถูกว่า "ผิด" เมื่อตัวเลือกนั้นผิดจริง) เพียง 34.8% — ซึ่งแย่กว่าการสุ่มตอบเสียอีก (การสุ่มเดาแบบ binary ควรได้ราว 50%)
นั่นแปลว่าเมื่อเจอสปีชีส์ที่คล้ายกันมากๆ โมเดลไม่ได้แค่ "ไม่รู้" — มันยังมีอคติที่ทำให้ตอบผิดบ่อยกว่าการเดาสุ่มเสียอีก เหมือนกับการ "เห็นภาพรวมคล้ายๆ กันแล้วเดาว่าใช่" ทั้งที่จริงๆ ไม่ใช่
สามชั้นนี้รวมกันคือคำตอบว่าทำไม AI ทั่วไปถึงพังกับโจทย์ปลา — แต่ถ้าเอาข้อมูลเฉพาะทางมาสอนมันโดยตรงล่ะ จะดีขึ้นได้แค่ไหน?
🎯 สอนใหม่แล้วดีขึ้นแค่ไหน — และทำไมมันยังไม่พอ
ทีมวิจัยทดลองนำ Qwen2.5-VL ไปทำ supervised fine-tuning (การฝึกเพิ่มเติมด้วยข้อมูลที่มีคำตอบถูกต้องกำกับไว้ เฉพาะเจาะจงกับโจทย์ปลา) โดยใช้ข้อมูลจาก FishNet++ เอง
ผลลัพธ์ดีขึ้นแบบก้าวกระโดด — ความแม่นยำระดับสปีชีส์เพิ่มจาก 6.2% เป็น 37.0% ระดับ genus จาก 18.2% เป็น 51.5% และระดับ family จาก 30.5% เป็น 64.7%
ตัวเลขนี้พิสูจน์ว่าปัญหาไม่ใช่ "AI ไม่มีศักยภาพมองเห็นรายละเอียด" แต่เป็น "AI ไม่เคยถูกสอนให้โฟกัสกับรายละเอียดที่ถูกต้องของโลกใต้น้ำ" — เมื่อสอนถูกทาง มันเรียนรู้ได้จริง
แต่สิ่งที่ทีมวิจัยทำต่อไปนี้น่าสนใจกว่าตัวเลขความแม่นยำเสียอีก — พวกเขาไม่ได้สอนแค่ "คำตอบที่ถูก" แต่สอนให้โมเดล "อธิบายเหตุผล" ประกอบคำตอบด้วย
วิธีการคือใช้ GPT-4 สร้างชุดข้อมูลคำอธิบาย โดยให้ดูภาพปลา ชื่อสปีชีส์ที่ถูกต้อง และคำบรรยายลักษณะของสปีชีส์นั้น แล้วให้ GPT-4 เขียนเหตุผลสั้นๆ ว่าทำไมภาพนี้ถึงตรงกับสปีชีส์นี้ จากนั้นนำชุดข้อมูลนี้ไปฝึก Qwen2.5-VL ต่อ จนโมเดลพูดได้ในทำนองว่า "ปลาตัวนี้คือสปีชีส์ X เพราะมีลำตัวแบน มีลายแถบสีแบบนี้ และครีบหางแยกเป็นแฉกตรงตามลักษณะของสปีชีส์นี้"
ผลลัพธ์ที่น่าทึ่งคือ การเพิ่มงาน "อธิบายเหตุผล" นี้แทบไม่ทำให้ความแม่นยำลดลงเลย — ได้ 35.4% เทียบกับ 37.0% ของโมเดลที่ฝึกแบบไม่ต้องอธิบายเหตุผล
ความสามารถนี้เรียกว่า interpretability (อธิบายได้, ความโปร่งใสในการตัดสินใจ) ซึ่งมีค่ามากสำหรับนักวิทยาศาสตร์ทางทะเล เพราะมันเปลี่ยน AI จาก "กล่องดำ" (black box) ที่บอกแค่คำตอบโดยไม่รู้ว่าทำไม ให้กลายเป็นผู้ช่วยที่ตรวจสอบกระบวนการคิดได้ — ถ้าโมเดลตอบผิด นักวิทยาศาสตร์จะเห็นได้ทันทีว่ามันให้เหตุผลผิดที่จุดไหน เช่น ดูลายครีบผิดตัว หรือสับสนกับสปีชีส์ที่มีสีคล้ายกัน ทำให้แก้ไขหรือพัฒนาโมเดลต่อได้ตรงจุดมากขึ้น
แต่ทีมวิจัยก็ทดลองอีกวิธีหนึ่งคือ Ensemble Retrieval-Augmented Generation (E-RAG) — เทคนิคที่ให้โมเดลค้นหาข้อมูลอ้างอิงจากฐานข้อมูลภายนอกมาช่วยตัดสินใจ แทนที่จะอาศัยความรู้ที่ฝึกมาในตัวเพียงอย่างเดียว โดยผสมผลจาก CLIP, BioCLIP, และ SigLIP เข้าด้วยกัน โดยให้โมเดลเปิดดูฐานข้อมูลภาพปลาเทียบกับภาพที่ถาม (เหมือนเปิดหนังสือเทียบรูปตอนสอบ แทนพยายามจำเอาจากในหัวอย่างเดียว) ซึ่งเรียกว่า E-RAG
ผลคือดีขึ้นเพียงเล็กน้อย ราว 1% เท่านั้น — แปลว่าการแก้ปัญหานี้ไม่ใช่แค่เรื่อง "หาข้อมูลมาช่วย" แต่ต้องฝึกฝนความเข้าใจเชิงลึกโดยตรง (fine-tuning) ถึงจะได้ผลจริง
นี่นำกลับมาที่คำถามตั้งต้น — ทำไมเรื่องนี้สำคัญกับคนที่ดำน้ำหรือทำงานอนุรักษ์ทะเล?
ลองคิดดูว่าทุกวันนี้มีโปรเจกต์อนุรักษ์ทะเลจำนวนมากที่อยากใช้ AI ช่วยระบุสปีชีส์ปลาจากภาพถ่ายใต้น้ำหรือกล้องดักถ่ายอัตโนมัติ (camera trap) เพื่อติดตามความหลากหลายทางชีวภาพในพื้นที่ขนาดใหญ่ที่มนุษย์ไม่สามารถสำรวจเองได้ทั่วถึง
งานวิจัย FishNet++ บอกเราตรงๆ ว่า ณ ปี 2025 ยังเอา AI ทั่วไปมาทำงานนี้แทนผู้เชี่ยวชาญไม่ได้ — โมเดลที่ดีที่สุดในโลกตอบผิดมากกว่า 80% ของเวลา แม้กับสปีชีส์ที่พบเห็นได้บ่อย
แต่ในขณะเดียวกัน ตัวเลขจาก fine-tuning ก็ชี้ทางออกชัดเจน — ถ้ามีข้อมูลภาพปลาที่มีคุณภาพและละเอียดมากพอ (แบบที่ FishNet++ สร้างขึ้น) AI ก็พัฒนาได้เร็วมาก จาก 6% ไปแตะ 37% ด้วยการฝึกครั้งเดียว
References
FishNet++: Analyzing the capabilities of Multimodal Large Language Models in marine biology — arXiv:2509.25564 — dataset composition, benchmark tasks, MLLM evaluation results, failure mode analysis, fine-tuning experiments