21/09/2026
ลองนึกภาพว่า AI ถูกฝึกด้วยข้อมูลที่ AI สร้างขึ้นเอง ซ้ำไปซ้ำมาหลายรุ่น
คำถามคือ ความรู้เฉพาะทางด้านวัฒนธรรมที่ฝังอยู่ในภาษาที่มีข้อมูลน้อยอย่างภาษาพม่า จะยังอยู่ไหม
เรื่องนี้ไม่ใช่แค่ทฤษฎี เพราะยิ่ง AI ถูกใช้ผลิตข้อมูลป้อนกลับเข้าไปฝึกโมเดลรุ่นต่อไปมากขึ้นเรื่อยๆ คำถามว่า "ความรู้จะถูกส่งไปต่อไหม" ก็ยิ่งสำคัญขึ้น
งานวิจัยของอาจารย์ Aye Hninn Khine จากภาควิชาวิศวกรรมคอมพิวเตอร์ มจธ. ได้รับการตอบรับให้นำเสนอใน Women in Machine Learning Workshop (WiML) 2026 ซึ่งจัดร่วมกับ NeurIPS 2026 หนึ่งในเวทีวิชาการด้าน AI ที่แข่งขันสูงที่สุดในโลก
งานวิจัยชื่อ "Does Cultural Knowledge Survive Recursive Synthetic Training? Evidence from English and Burmese" เริ่มจากความรู้ทางวัฒนธรรมพม่า 100 ชุดที่จับคู่กันในภาษาอังกฤษและพม่า (G0) แล้วให้โมเดลสร้างข้อความชุดใหม่ขึ้นจาก G0 กลายเป็น G1 จากนั้นให้โมเดลอีกตัวเรียนรู้จาก G1 แล้วสร้าง G2 ต่อ วนแบบนี้ไปจนถึง G3 เหมือนเล่าเรื่องต่อกันเป็นทอดๆ โดยแต่ละทอดไม่เคยเห็นต้นฉบับจริง
ทีมวิจัยวัดผล 2 แบบคู่กัน: หนึ่งคือความแม่นยำของการตอบคำถามจากการใช้ข้อมูลในแต่ละรุ่น สองคือความคล้ายเชิงความหมายระหว่างข้อความที่สร้างในแต่ละรุ่นกับข้อเท็จจริงต้นฉบับ
ผลคือความแม่นยำในการตอบคำถามลดลงทั้งสองภาษา อังกฤษจาก 61% เหลือ 54% พม่าจาก 48% เหลือ 44% แต่พอดูความคล้ายเชิงความหมายกลับพบภาพตรงข้าม ภาษาพม่ารักษาความคล้ายกับต้นฉบับไว้ได้มากกว่าภาษาอังกฤษในรุ่นสุดท้าย (73% เทียบกับ 60%)
พูดง่ายๆ คือ เนื้อความที่สร้างในแต่ละรุ่นอาจยังคล้ายต้นฉบับอยู่ แต่โมเดลกลับตอบคำถามเกี่ยวกับความรู้นั้นได้แม่นยำน้อยลงเรื่อยๆ ทำให้เห็นว่าสองอย่างนี้ไม่ได้เดินไปด้วยกันเสมอ
ข้อค้นพบนี้สำคัญ เพราะมันเตือนว่าแค่ดูว่าข้อความยัง "คล้ายต้นฉบับ" ไม่พอจะบอกว่าโมเดลยังใช้ความรู้นั้นตอบคำถามได้จริง โดยเฉพาะกับภาษาที่มีข้อมูลน้อยอย่างภาษาพม่าที่กำลังจะพึ่งพา AI ที่ถูกฝึกด้วยข้อมูลสังเคราะห์มากขึ้นเรื่อยๆในอนาคต
งานวิจัยแบบนี้แหละที่ทำให้เราเชื่อว่า AI ไม่ใช่แค่เรื่องของโมเดลใหญ่หรือ benchmark สวยๆ แต่เป็นเรื่องของการตั้งคำถามที่ถูกต้องกับข้อมูลที่มี
ถ้าคำถามแบบนี้ทำให้คุณอยากรู้มากขึ้น ที่ภาควิชาวิศวกรรมคอมพิวเตอร์ มจธ. เรามีพื้นที่ให้ทำวิจัย AI จริงจัง ถ้าอยากเป็นคนที่ตั้งคำถามแบบนี้ได้บ้าง เริ่มต้นที่นี่ก็ไม่เลวนะ
-------------------------------------------------------------------------------------------
Picture an AI model trained again and again on data it generated itself. Now ask: does culturally specific knowledge, especially in a low-resource language like Burmese, actually survive that loop?
It's not a hypothetical. As more AI-generated text feeds back into training the next generation of models, the question of what knowledge survives that cycle matters more every year.
Congrats to Aye Hninn Khine from KMUTT's Computer Engineering Department! Her paper was accepted to the Women in Machine Learning Workshop (WiML) 2026, co-located with NeurIPS 2026, one of the most competitive venues in AI research.
The paper, "Does Cultural Knowledge Survive Recursive Synthetic Training? Evidence from English and Burmese," starts with 100 paired Myanmar cultural concepts in English and Burmese (G0). A model generates a new corpus from that (G1). A fresh model then learns from G1 and generates G2. Repeat through G3, like a game of telephone, where each generation never sees the original fact, only what the previous one wrote.
Two things get measured along the way: how accurately the model can still answer questions about that knowledge at each generation, and how semantically similar the generated text stays to the original facts.
QA accuracy dropped in both languages, English from 61% to 54%, and Burmese from 48% to 44%. Semantic similarity told a different story: by the final generation, Burmese text actually stayed closer to the original facts than English did, 73% versus 60%.
In other words, the generated text can still read as close to the original, while the model itself gets steadily worse at using that knowledge to answer questions correctly. The two don't move together.
That matters, because it means checking whether generated text still "looks similar" to the source isn't enough to know whether a model can actually use that knowledge, especially for lower-resource languages that will increasingly depend on AI systems trained this way.
This is exactly the kind of research that convinces us AI is not just about bigger models or cleaner benchmark numbers. It is about asking the right question of the data you actually have.
If that kind of question gets you curious, CPE KMUTT is a place where you can do real AI research. Not a bad place to start.
----------------
💻 Computer Engineering Department, Faculty of Engineering, KMUTT
💾 ภาควิชาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์ มจธ.
