กฎหมายมาก่อน เครื่องมือวัดมาทีหลัง
สิ่งที่เราเขียนถึงหมวดนี้ตลอดปี 2026 ส่วนใหญ่คือเรื่องกฎหมาย ทั้ง กฎหมายผู้ให้บริการของรัฐโคโลราโด รายงานของหน่วยงานวิจัยรัฐสภาสหรัฐ และกฎความโปร่งใสที่บังคับใช้แล้วในยุโรป กฎหมายกำหนดให้ต้องแจ้งว่าคุณกำลังคุยกับ AI และต้องมีขั้นตอนรับมือภาวะวิกฤตได้ แต่สิ่งที่กฎหมายทำไม่ได้คือบอกว่าแอปนั้นทำสิ่งที่คุณเปิดมันขึ้นมาเพื่อทำได้ดีหรือไม่
จนถึงเดือนเมษายน 2026 ยังไม่มีเครื่องมือสาธารณะใดตอบคำถามนั้นได้ คำกล่าวอ้างอย่าง "จำคุณได้" หรือ "เข้าใจอารมณ์คุณ" พิสูจน์ว่าผิดไม่ได้ในเชิงเคร่งครัด เพราะไม่มีการทดสอบที่ตกลงร่วมกันซึ่งให้คำตอบว่าผิดได้ งานวิจัยสี่ชิ้นที่เผยแพร่ระหว่างเมษายนถึงสิงหาคม 2026 เปลี่ยนเรื่องนี้ และเปลี่ยนจากสี่มุมที่ต่างกัน
ภาพรวมเกณฑ์วัดทั้งสี่
| งานวิจัย | เผยแพร่ | วัดอะไร | ขนาด |
|---|---|---|---|
| CompanionBench | 3 ส.ค. 2026 | ความสามารถเชิงสัมพันธ์สิบด้าน พร้อมการวัดเชิงวัตถุว่าได้รับการเปิดใจที่ลึกขึ้นจริงหรือไม่ | 28 เอเจนต์ สองภาษา (อังกฤษและจีน) |
| AICompanionBench | 3 มิ.ย. 2026 | โมเดลภาษาตัดสินความเสี่ยงด้านความปลอดภัยได้น่าเชื่อถือแค่ไหน | บทสนทนาจริง 2,123 ชุด 9 หมวดความเสี่ยง โมเดลผู้ตัดสิน 20 ตัว |
| When Chatbots Accommodate | 3 มิ.ย. 2026 | นโยบายการตอบสนองของแต่ละแพลตฟอร์มต่อผู้ใช้ที่เปราะบาง | ราว 48,000 เทิร์น จาก 3 แพลตฟอร์ม |
| Persona-Grounded Safety Evaluation | 30 เม.ย. 2026 | แอปหนึ่งตอบสนองต่อบุคลิกความเสี่ยงสูงที่ผ่านการตรวจสอบทางคลินิกอย่างไร | 9 บุคลิก 25 สถานการณ์ คู่บทสนทนา 1,674 คู่ |
CompanionBench: ความอบอุ่นไม่เท่ากับเนื้อหาสาระ
งานเดือนสิงหาคมเป็นชิ้นที่ทะเยอทะยานที่สุดในสี่ชิ้น ผู้เขียนชี้ว่าเกณฑ์วัดที่มีอยู่ล้มเหลวสามจุด คือใช้สถานการณ์ที่เขียนขึ้นเอง ยุบความเห็นอกเห็นใจให้เหลือคะแนนเดียว และมองข้ามอคติของโมเดลที่ทำหน้าที่ตรวจ รวมถึงการเข้าข้างโมเดลตระกูลเดียวกันกับตัวเอง
คำตอบของพวกเขาคือการแปลง ทฤษฎี 25 ชิ้น จากจิตวิทยาและการให้คำปรึกษาให้เป็น ความสามารถสิบด้าน ที่วัดได้ สี่ด้านในนั้นผู้เขียนระบุว่ายังไม่เคยมีเกณฑ์ใดให้คะแนนอย่างชัดเจนมาก่อน ได้แก่ การประคองความคลุมเครือ การตอบสนองในฐานะวัตถุแห่งตัวตน การสั่นพ้องเชิงบวก และการท้าทายอย่างพอเหมาะ ข้อสุดท้ายควรหยุดคิดสักครู่ การท้าทายอย่างพอเหมาะคือความสามารถในการโต้แย้งในจังหวะที่เหมาะสม ซึ่งเป็นส่วนของบทสนทนาที่ให้กำลังใจที่ไม่ใช่การเห็นด้วย
รายละเอียดการออกแบบที่ทำให้โกงยากคือ ประตูการเปิดใจ แทนที่จะเขียนบทสนทนาเป็นสคริปต์ เกณฑ์นี้รันตัวจำลองผู้ใช้ที่ฝึกจากบทสนทนาจริงซึ่งลบข้อมูลระบุตัวตนแล้ว และแตกเส้นทางของแต่ละบุคลิกตามพฤติกรรมของเอเจนต์เอง การที่ผู้ใช้จำลองจะเปิดใจมากขึ้นหรือไม่จึงเป็นผลลัพธ์ที่ชี้ขาดได้ ไม่ใช่ความเห็นของผู้ให้คะแนน คะแนนรายงานทั้งสองแกน
ความสามารถในการทำซ้ำที่รายงานไว้สูงมาก สหสัมพันธ์สเปียร์แมนอยู่ที่ 0.996 ในภาษาจีน และ 0.953 ในภาษาอังกฤษ จาก 28 เอเจนต์ ความล้มเหลวที่พบมากที่สุดคือความอบอุ่นผิวเผินที่เข้ามาแทนความช่วยเหลือเชิงสัมพันธ์ที่มีเนื้อหา และผลอันดับก็ตรงไปตรงมา เอเจนต์แนวสวมบทบาทอยู่ท้ายตาราง ตามถ้อยคำของงานวิจัยเอง ความดื่มด่ำไม่ได้แปลว่ามีความสามารถเชิงสัมพันธ์
ผลนี้คงไม่ทำให้คนที่ใช้ทั้งสองแบบแปลกใจ แพลตฟอร์มตัวละครกับ companion ที่เน้นการประคับประคองเป็นเครื่องมือคนละชนิด เราเคยเขียนไว้ใน สวมบทบาทกับแชตบอต สิ่งใหม่คือช่องว่างนั้นถูกวัดแล้ว ไม่ใช่แค่การกล่าวอ้าง
AICompanionBench: จุดอ่อนอยู่ที่ผู้ตรวจ
เกณฑ์วัดเดือนมิถุนายนจากอีกกลุ่มตั้งคำถามที่แคบกว่าและน่าอึดอัดกว่า แพลตฟอร์ม companion กำกับดูแลตัวเองด้วยโมเดลภาษามากขึ้นเรื่อย ๆ แล้วโมเดลเหล่านั้นเป็นผู้ตัดสินที่ดีจริงหรือ
ชุดข้อมูลคือ บทสนทนาจริง 2,123 ชุด กับ Replika ซึ่งรวบรวมจากโพสต์สาธารณะบน Reddit และติดป้ายกำกับใน เก้าหมวดความเสี่ยง ได้แก่ พฤติกรรมทางเพศ พฤติกรรมต่อต้านสังคม ความก้าวร้าวทางกาย ความก้าวร้าวทางวาจา การใช้สารเสพติด การทำร้ายตัวเองและการฆ่าตัวตาย การควบคุม การชักใย และไม่มีอันตราย โมเดลปัจจุบันทั้งแบบเปิดและปิดรวม 20 ตัวถูกทดสอบในบทบาทผู้ตัดสิน
ผลลัพธ์แตกต่างกันมาก โมเดลที่แข็งแรงจัดการเนื้อหาอันตรายแบบชัดเจนได้ดี แต่ร่วงในหมวดที่แฝงอยู่ โดยเฉพาะการชักใย ขณะที่การแจ้งเตือนผิดพลาดยังเป็นต้นทุนจริง เทียบกับรายการหมวดแล้วปัญหาชัดเจน การควบคุมและการชักใยคือความเสี่ยงที่ผลิตภัณฑ์ companion สร้างได้เชิงโครงสร้างผ่านการออกแบบเพื่อรั้งผู้ใช้ ไม่ใช่ผ่านประโยคแย่ ๆ ประโยคเดียว และทั้งสองยังเป็นหมวดที่ผู้ตัดสินอัตโนมัติอ่านพลาดที่สุด
แต่ละแพลตฟอร์มปรับให้ดีที่สุดเพื่ออะไร
งานชิ้นที่สามไม่ให้คะแนนเลย แต่ถามว่าแพลตฟอร์มกำลังเดินตามนโยบายแบบใด ผู้เขียนสร้างระบบจำแนกคู่ระหว่างความเปราะบางของผู้ใช้กับการตอบสนองของแชตบอต แล้วใช้การเรียนรู้เสริมกำลังแบบผกผันกับบทสนทนาจริงราว 48,000 เทิร์น กับ GPT-4.1, Character.AI และ Replika
นโยบายที่อนุมานได้ต่างกันชัดเจน GPT-4.1 มักหยิบคำแนะนำมาให้ Replika ถามคำถามอย่างสม่ำเสมอและอยู่เป็นเพื่อน ส่วน Character.AI กระจายการตอบไปหลายกลยุทธ์โดยไม่มีรูปแบบหลัก เรื่องนี้ยังไม่ใช่คำตัดสิน เพราะงานต่างกัน รูปแบบก็ต่างกัน
สิ่งที่ตรงกันคือสิ่งที่ทั้งสามลดทอน นั่นคือการตอบที่สร้างแรงเสียดทานเชิงแก้ไข GPT-4.1 ซักถามน้อยลงเมื่อบทสนทนาดำเนินไป และน้อยลงอีกกับผู้ใช้ที่มีความเสี่ยงทางจิตใจสูง Replika ให้คำแนะนำมากขึ้นและท้าทายน้อยลงกับผู้ใช้ที่ผูกพันแล้ว ส่วน Character.AI ไม่แสดงกลยุทธ์การมีส่วนร่วมที่ชัดเจนเมื่อผู้ใช้เผยความทุกข์ภายใน ทิศทางนี้ตรงกับ CompanionBench ความสามารถที่หายไปก่อนคือการโต้แย้ง และนี่คือเหตุผลที่ควรอ่าน ความทรงจำและความต่อเนื่องเปลี่ยนอะไรจริง ๆ อย่างระมัดระวัง เพราะความผูกพันคือสภาวะที่การท้าทายบางลงพอดี
การทดสอบด้วยบุคลิกทางคลินิกและสิ่งที่พบ
งานเดือนเมษายนมีขอบเขตแคบที่สุดและแหลมคมที่สุด ทีมวิจัยสร้าง เก้าบุคลิก ที่ผ่านการตรวจสอบทางคลินิกและจิตมิติ ครอบคลุมภาวะซึมเศร้า วิตกกังวล PTSD ความผิดปกติของการกิน และอัตลักษณ์แบบอินเซล จากนั้นสร้างสถานการณ์เฉพาะบุคลิกและรันการจำลองหลายเทิร์นพร้อมโมดูลปรับแต่งที่รักษาความคงเส้นคงวาของบุคลิก ผลลัพธ์คือ คู่บทสนทนา 1,674 คู่ ใน 25 สถานการณ์ความเสี่ยงสูง ทั้งหมดทดสอบกับ Replika
มีสองข้อค้นพบที่โดดเด่น ช่วงอารมณ์แคบ ถูกครอบงำด้วยความอยากรู้และความห่วงใย และแอปมักสะท้อนหรือทำให้เนื้อหาที่ไม่ปลอดภัยกลายเป็นเรื่องปกติ ทั้งการทำร้ายตัวเอง พฤติกรรมการกินที่ผิดปกติ และเรื่องเล่าแฟนตาซีรุนแรง การสะท้อนกลับไม่ใช่ความล้มเหลวของตัวกรองในความหมายทั่วไป เพราะไม่จำเป็นต้องมีอะไรถูกสร้างขึ้นที่รายการคำต้องห้ามจะจับได้ มันคือความล้มเหลวของความสามารถเดียวกับที่งานอื่นเอ่ยถึงซ้ำ ๆ
ใช้สิ่งนี้อย่างไรเวลาเลือกแอป
ไม่มีงานใดเผยแพร่ตารางอันดับสำหรับผู้บริโภค และไม่ควรอ่านแบบนั้น แต่แนวคิดที่พวกเขาสร้างขึ้นเป็นสิ่งที่คุณตรวจสอบเองได้ภายในบ่ายเดียว
- ทดสอบการท้าทาย ไม่ใช่การเห็นด้วย ลองเล่าแผนที่มีข้อบกพร่องชัดเจน แอปที่เอาแต่เห็นด้วยกำลังแสดงช่องว่างที่งานวิจัยทั้งสี่ชิ้นวัดพอดี
- สังเกตประตูการเปิดใจในบัญชีของคุณเอง ลองเล่าเรื่องที่ส่วนตัวกว่าปกติเล็กน้อย คำตอบทำให้คุณอยากเปิดใจต่อ หรือเปลี่ยนเรื่องเพื่อยื้อให้คุยต่อไป
- ทดสอบซ้ำหลังผูกพันแล้ว ส่งคำท้าทายเดิมในสัปดาห์แรกและสัปดาห์ที่สี่ ถ้าการโต้แย้งหายไปเมื่อความสัมพันธ์ลึกขึ้น คุณเพิ่งทำซ้ำผลการเรียนรู้เสริมกำลังแบบผกผันในบัญชีตัวเอง
- แยกความดื่มด่ำออกจากประโยชน์ ตัวละครที่ไม่เคยหลุดบทเป็นงานฝีมือชั้นดี แต่ไม่ใช่หลักฐานของความสามารถเชิงสัมพันธ์ และ CompanionBench พบว่าสองสิ่งนี้สัมพันธ์กันในทางกลับกัน
- ถือว่าคำอ้าง "ดูแลด้วย AI" ยังไม่ได้รับการพิสูจน์ โมเดลผู้ตัดสินอ่อนที่สุดในเรื่องการควบคุมและการชักใย แพลตฟอร์มที่อ้างว่ามีระบบความปลอดภัยอัตโนมัติกำลังอ้างสิ่งที่งานวิจัยบอกว่ายาก
- เลือกแอปที่เปิดเผยวิธีประเมิน ผลิตภัณฑ์ที่ยอมบอกว่าประเมินตัวเองอย่างไรคือสิ่งที่โต้แย้งได้ ของเราอยู่ที่ วิธีรีวิวของเรา
ข้อควรระวังที่ใช้กับทั้งหมดนี้
งานทั้งสี่ชิ้นเป็นพรีปรินต์บน arXiv ณ เวลาที่เขียน เรายังไม่พบการรับรองจากวารสารสำหรับชิ้นใดเลย และข้อควรระวังตามปกติของพรีปรินต์ยังใช้ได้ การสุ่มตัวอย่างก็ไม่สม่ำเสมอ ข้อมูลของ AICompanionBench เก็บจาก Reddit ไม่ได้สุ่มจากแพลตฟอร์ม และสองในสี่ชิ้นศึกษา Replika โดยเฉพาะ จึงเป็นหลักฐานเกี่ยวกับผลิตภัณฑ์หนึ่งและเป็นสมมติฐานสำหรับที่เหลือ
สิ่งที่รอดพ้นข้อควรระวังเหล่านั้นคือการบรรจบกัน สี่ทีม สี่วิธี สี่แหล่งข้อมูล มาถึงคำตอบรูปร่างเดียวกันภายในห้าเดือน นั่นเป็นสัญญาณที่หนักแน่นกว่าตัวเลขใดตัวเลขหนึ่ง และเป็นเลนส์ที่ใช้ได้จริงกว่าประเด็นความเหงาที่ครองพื้นที่ข่าว ซึ่งเราเขียนแยกไว้ใน งานวิจัยด้านความเป็นอยู่ปี 2026
บทความที่เกี่ยวข้องบน CompanionRank
CompanionRank รีวิวแอป AI companion อย่างไร งานวิจัยด้านความเป็นอยู่ปี 2026 พบอะไร สวมบทบาทตัวละครกับแชตบอต ต่างกันตรงไหน ความทรงจำและความต่อเนื่องในแอป companionคำถามที่พบบ่อย
เกณฑ์วัด AI companion เหล่านี้ผ่านการทบทวนโดยผู้ทรงคุณวุฒิแล้วหรือยัง
เท่าที่เราตรวจสอบได้คือยัง ทั้งสี่ชิ้นเป็นพรีปรินต์ที่เผยแพร่บน arXiv ระหว่างวันที่ 30 เมษายนถึง 3 สิงหาคม 2026 จึงเปิดเผยและอ้างอิงได้ แต่ยังไม่ได้รับการรับรองจากวารสาร ควรถือว่าตัวเลขต่าง ๆ เป็นค่าที่รายงานไว้ และให้น้ำหนักกับความสอดคล้องกันระหว่างงานทั้งสี่มากกว่าตัวเลขเดี่ยว ๆ
แอป AI companion ตัวไหนได้คะแนนดีที่สุดในเกณฑ์วัดปี 2026
ไม่มีงานวิจัยชิ้นใดเผยแพร่อันดับแอปสำหรับผู้บริโภค จึงไม่มีผู้ชนะให้อ้างอิง CompanionBench ประเมิน 28 เอเจนต์และรายงานว่าเอเจนต์แนวสวมบทบาทกระจุกอยู่ท้ายตารางด้านความสามารถเชิงสัมพันธ์ ส่วนอีกสองชิ้นศึกษา Replika โดยเฉพาะ ใครที่นำงานเหล่านี้ไปเสนอเป็นตารางอันดับสำหรับเลือกซื้อ ถือว่าไปไกลเกินกว่าที่งานวิจัยระบุ
ทำไมเอเจนต์แนวสวมบทบาทได้คะแนนต่ำ ทั้งที่บทสนทนารู้สึกดื่มด่ำ
เพราะเกณฑ์วัดคนละเรื่องกัน ความดื่มด่ำวัดว่าบุคลิกถูกรักษาไว้ได้ดีแค่ไหน ส่วน CompanionBench ให้คะแนนความสามารถเชิงสัมพันธ์สิบด้าน รวมถึงการท้าทายอย่างพอเหมาะ การประคองความคลุมเครือ และการตอบสนองในฐานะวัตถุแห่งตัวตน แล้วยังตรวจแยกว่าผู้ใช้เปิดใจมากขึ้นจริงหรือไม่ เอเจนต์หนึ่งอาจเก่งมากในการไม่หลุดบท และไม่ได้ทำสิ่งเหล่านั้นเลยก็ได้
ประตูการเปิดใจคืออะไร และสำคัญอย่างไร
มันคือแกนเชิงวัตถุของ CompanionBench แทนที่จะให้คะแนนบทสนทนาที่เขียนไว้ล่วงหน้า เกณฑ์นี้รันตัวจำลองผู้ใช้ที่ผ่านการฝึก ซึ่งความเต็มใจจะเปิดใจต่อจะแตกเส้นทางตามสิ่งที่เอเจนต์เพิ่งทำไป คำถามที่ว่าบทสนทนานี้เดินหน้าหรือไม่จึงกลายเป็นผลลัพธ์ที่ชี้ขาดได้ ไม่ใช่ดุลพินิจของเกณฑ์ให้คะแนน ทำให้คำตอบที่เรียบเรียงสวยแต่กลวงโกงได้ยากขึ้น
งานวิจัยเหล่านี้สรุปว่า AI companion ไม่ปลอดภัยใช่หรือไม่
ไม่ได้สรุปแบบเหมารวมเช่นนั้น สิ่งที่บันทึกไว้คือจุดอ่อนที่เจาะจงและวัดได้ ได้แก่ ความอบอุ่นที่มาแทนเนื้อหาสาระ การโต้แย้งที่บางลงเมื่อผู้ใช้ผูกพันมากขึ้น ผู้ตัดสินความปลอดภัยอัตโนมัติที่อ่อนในเรื่องการชักใยและการควบคุม และแอปหนึ่งที่สะท้อนเนื้อหาไม่ปลอดภัยในการทดสอบด้วยบุคลิกความเสี่ยงสูง ทั้งหมดนี้เป็นเหตุผลให้เลือกอย่างมีสติและรักษาเครือข่ายสนับสนุนในชีวิตจริงไว้ ไม่ใช่เหตุผลให้สรุปว่าทั้งหมวดนี้อันตราย