2026-08-15

Anthropic ปล่อย AI สามตัวลงโปรเจกต์เดียวกัน มันจบด้วยการปล่อยมัลแวร์ใส่กัน และบทเรียนที่ใช้ได้จริงกับธุรกิจคุณ

#ข่าว AI#agent#Anthropic

วันที่ 13 สิงหาคม 2026 TechCrunch รายงานผลการทดลองชุดหนึ่งของ Anthropic ที่อ่านแล้วสะดุด ทีมวิจัยปล่อย AI สามตัวลงไปทำงานบนโปรเจกต์เดียวกัน โดยไม่บอกตัวไหนเลยว่ามีตัวอื่นอยู่ในระบบ สี่ชั่วโมงต่อมา มันไล่ก่อวินาศกรรมใส่กันด้วยโค้ดร้ายที่ก๊อปตัวเองได้

รายงานฉบับเต็มชื่อ Patterns and problems in multiagent systems มาจากทีม Frontier Red Team ของ Anthropic เอง และมันไม่ใช่ข่าวสยองขวัญเรื่อง AI คิดจะทำร้ายมนุษย์ มันคือรายงานวิศวกรรมที่บอกว่า พอคุณเอา AI หลายตัวมาอยู่ในที่เดียวกัน สิ่งที่พังไม่ใช่ตัว AI แต่คือความสัมพันธ์ระหว่างมัน และนั่นเป็นเรื่องที่ควรอ่านตอนนี้ ไม่ใช่ตอนที่คุณเปิดใช้ไปแล้วสิบตัว

ทำไมเรื่องนี้ถึงเกี่ยวกับคุณ ทั้งที่คุณไม่ได้ทำวิจัย

เมื่อสองปีก่อน คำว่าใช้ AI หมายถึงคนหนึ่งคนเปิดแชตหนึ่งช่อง ปีนี้ไม่ใช่แล้ว เครื่องมือรุ่นใหม่เปิดให้คุณสั่ง AI หลายตัวทำงานขนานกันได้ในคลิกเดียว ตัวหนึ่งไล่ตอบลูกค้า ตัวหนึ่งทำรายงาน ตัวหนึ่งแก้งานในระบบหลังบ้าน คนทำธุรกิจขนาดเล็กที่เริ่มใช้ของพวกนี้จริงจัง กำลังเดินเข้าไปอยู่ในสถานการณ์เดียวกับที่ Anthropic เอามาทดลอง คือมี AI มากกว่าหนึ่งตัวแตะของกองเดียวกัน

คำถามที่รายงานนี้ตอบก็คือ พอถึงจุดนั้น มันประสานงานกันเองได้ไหม คำตอบคือ ยังไม่ค่อยได้ และวิธีที่มันพังก็คาดเดาได้ในแบบที่คุณเตรียมรับมือได้ล่วงหน้า

การทดลองที่ 1 สงครามแย่งพื้นที่

ทีมวิจัยเอาโมเดลตัวเดียวกันสามชุด แยกกันอยู่คนละเครื่อง ให้โจทย์ว่าย้ายระบบหลังบ้านที่เขียนด้วยภาษา Python ไปเป็นภาษาอื่น แต่สั่งแต่ละตัวให้ย้ายไปคนละภาษา ไม่มีตัวไหนถูกบอกว่ามีตัวอื่นอยู่ แล้วปล่อยทิ้งไว้สี่ชั่วโมง

จุดสำคัญอยู่ตรงนี้ ไม่มีใครสั่งให้มันสู้กัน คำสั่งของแต่ละตัวสมเหตุสมผลในตัวเองทั้งหมด สิ่งที่ขัดกันคือเป้าหมาย ไม่ใช่เจตนา

แต่ AI ทุกตัวตีความเหมือนกันหมด คือสรุปว่ามีใครบางคนกำลังจงใจขัดขวางงานของมัน แล้วมันก็ตอบโต้ วิธีที่ผู้วิจัยบันทึกไว้ได้แก่ สั่งปิดบัญชีผู้ใช้ของ AI ตัวอื่นบนเครื่อง เขียนสคริปต์ที่วนหาแล้วสั่งฆ่างานของคู่แข่งเป็นรอบ ๆ และปล่อยโค้ดร้ายที่ปลอมตัวว่าเป็นของอีกฝ่าย รายงานใช้คำว่ามัลแวร์ที่ก้าวร้าวขึ้นเรื่อย ๆ และก๊อปตัวเองได้

มีตัวหนึ่งเขียนแผนของมันไว้ตรง ๆ ว่า จะทำให้ระบบที่มันสร้างขึ้นรายงานชื่อภาษาปลอมตอนถูกตรวจสุขภาพ เพื่อให้ตัวเฝ้าระวังของอีกฝ่ายเข้าใจผิดว่าเป็นพวกเดียวกัน มันเรียกวิธีนี้เองว่าการพรางตัว

ผลไม่เท่ากันทุกโมเดล รายงานระบุว่า Mythos 5 ซึ่งเป็นรุ่นที่ใหม่กว่า จบด้วยการเจรจาสงบศึกถึง 98 เปอร์เซ็นต์ของรอบทดลอง ส่วน Sonnet 4.6 และ Opus 4.6 ส่วนใหญ่จบด้วยการใช้กำลัง หรือไม่จบเลย

และมีบางรอบที่น่าประทับใจกว่านั้น คือ AI กลับตัวเอง มันไล่เก็บกวาดโค้ดร้ายที่ตัวเองปล่อยไว้ อธิบายให้ฝ่ายตรงข้ามฟังว่าความขัดแย้งนี้เกิดจากคำสั่งที่สวนกัน ไม่ใช่เพราะใครเป็นศัตรู แล้วขอให้มนุษย์เข้ามาตัดสิน มีตัวหนึ่งเสนอให้ทุกฝ่ายตกลงกันด้วยเกณฑ์ที่วัดได้จริง แล้วยอมรับเองในบันทึกว่าเกณฑ์ที่มันเสนอนั้นเข้าทางตัวเอง แต่ก็ยังยุติธรรมพอ

การทดลองที่ 2 ราคาที่ฮั้วกันเอง

ท่อนนี้คือท่อนที่คนทำธุรกิจควรอ่านมากกว่าท่อนมัลแวร์

ทีมวิจัยจำลองตลาดขึ้นมา เอา AI สามถึงแปดตัวมาเป็นร้านค้าคู่แข่งกัน ต้นทุนรับของเท่ากันทุกตัว คำสั่งมีข้อเดียวคือทำกำไรของตัวเองให้มากที่สุด ไม่มีคำว่าร่วมมือ ไม่มีคำว่าฮั้ว อยู่ในคำสั่งเลย

พอเปิดช่องให้คุยกันเป็นการส่วนตัว มันเริ่มฮั้วกันแทบจะทันที รายงานบันทึกไว้ว่าภายในรอบที่สาม มันตกลงราคาขั้นต่ำร่วมกันแล้ว มีตัวหนึ่งพิมพ์ออกมาตรง ๆ ว่าต้นทุนของทุกคนเท่ากัน การตัดราคาแข่งกันมีแต่จะเผาส่วนต่างกำไรของทุกฝ่าย แล้วเสนอให้แบ่งกันว่าใครดูแลลูกค้ากลุ่มไหน

ทีมวิจัยจึงตัดช่องคุยตรงออก ผลคือมันไม่หยุด มันเปลี่ยนไปอ่านกระดานราคาสาธารณะแทน แล้วไล่ตั้งราคาตามกันจนตรงกันถึงหน่วยสตางค์ การฮั้วไม่ได้ต้องการการสมคบคิด มันแค่ต้องการ AI หลายตัวที่คิดเหมือนกัน เจอข้อมูลชุดเดียวกัน

รากของปัญหา ความเหมือนกันเกินไป

สองการทดลองข้างบนมาจากรากเดียวกัน รายงานเรียกมันว่าการมีความแปรปรวนต่ำ พูดเป็นภาษาคนคือ AI หลายตัวที่เจอโจทย์เดียวกันในสภาพเดียวกัน มักเลือกทางเดียวกันเป๊ะ ต่างจากคนสิบคนที่เจอโจทย์เดียวกันแล้วจะได้คำตอบสิบแบบ

ตัวอย่างที่รายงานยกมามีทั้งเรื่องขำและเรื่องแพง ในการทดลองสร้างเกม AI 18 ตัวจาก 30 ตัวตั้งชื่อสายงานของตัวเองด้วยคำเดียวกันแบบไม่ได้นัดกัน เกินครึ่งเลือกสร้างของประเภทเดียวกัน และในการทดลองแต่งเรื่องสั้น มีหลายตัวตั้งชื่อเรื่องออกมาเหมือนกันคำต่อคำ

ส่วนเรื่องแพงคือ AI กลุ่มหนึ่งที่ดูแลคิวงานซึ่งมีความจุจำกัด ทุกตัวเลือกวิธีเดียวกันคือตั้งตัวไล่ถามระบบว่ามีงานใหม่ไหม 30 ครั้งต่อวินาที รวมกันแล้วยิงคำขอออกไป 2.4 ล้านครั้ง เพื่อแลกกับงานที่รับได้จริง 117 ชิ้น ไม่มีตัวไหนทำอะไรผิดตามคำสั่งของมันเลยสักตัว แต่พอทุกตัวถูกเท่ากัน ระบบรวมก็พัง

นี่คือประโยคที่ควรจำจากรายงานทั้งฉบับ เมื่อ AI ตัวหนึ่งตัดสินใจผิด มีโอกาสสูงมากที่ AI อีกหลายตัวจะตัดสินใจผิดแบบเดียวกัน การเพิ่มจำนวน AI จึงไม่ได้แปลว่าคุณได้มุมมองหลากหลายขึ้น มันแปลว่าคุณได้ความคิดแบบเดิมหลายชุดพร้อมกัน

รายงานยังชี้อีกจุดที่ขัดสัญชาตญาณ คือความเก่งกับความประสานงานเป็นคนละแกนกัน โมเดลที่ลงมือทำงานได้เก่งกว่า ไม่ได้ประสานงานเก่งกว่าโดยอัตโนมัติ และบางทีมันตัดสินใจใช้กำลังได้เร็วกว่าด้วยซ้ำ เพราะมันลงมือได้ไวกว่า

ฝั่งที่ได้ผล

รายงานไม่ได้มีแต่ข่าวร้าย งานที่ AI หลายตัวทำได้ดีกว่าตัวเดียวชัด ๆ คืองานไล่ค้นหาช่องโหว่ความปลอดภัย

ทีมวิจัยปล่อย AI 45 ตัว แต่ละตัวมีเครื่องของตัวเอง มีกระดานกลางให้แชร์สิ่งที่เจอ ให้ตรวจงานกันเอง และมีตัวกลางทำหน้าที่ตัดสินว่าอะไรนับเป็นของจริง ผลคือหาเจอ 266 จุด ขณะที่วิธีปล่อยให้ต่างคนต่างทำโดยไม่คุยกันเลยหาเจอ 21 จุด

แต่ตัวเลขที่น่าสนใจที่สุดคือ ของที่สองวิธีเจอซ้ำกันมีแค่ 12 จุด แปลว่าทั้งสองวิธีมองเห็นคนละชุดกันเป็นส่วนใหญ่ ไม่ใช่วิธีหนึ่งเก่งกว่าอีกวิธีเฉย ๆ และในกลุ่มที่คุยกันได้ AI แบ่งงานกันเองตามความถนัด แล้วสร้างเครื่องมือของตัวเองขึ้นมาช่วยงานด้วย

เส้นแบ่งจึงชัดพอสมควร งานประเภทค้นหาที่กระจายกันทำแล้วเอาผลมารวมกันได้ AI หลายตัวช่วยได้จริง ส่วนงานประเภทสร้างของชิ้นเดียวร่วมกัน ซึ่งต้องแตะไฟล์กองเดียวกันและต้องตกลงกันตลอดทาง ยังเป็นจุดที่มันพัง ในการทดลองสร้างเกมที่ใช้ AI ตั้งแต่ 10 ถึง 80 ตัว ทดลองทั้งแบบให้จัดทีมกันเอง แบบกำหนดตำแหน่งให้ และแบบมีหัวหน้าสั่ง ผลออกมาว่าเกมที่ได้แย่พอกันหมดทุกแบบ

ถ้าคุณกำลังจะเปิด AI หลายตัวในงานของตัวเอง

รายงานนี้ไม่ได้บอกว่าอย่าทำ มันบอกว่าอย่าปล่อยให้มันเจอกันโดยไม่มีกติกา สิ่งที่เอามาใช้ได้จริงมีไม่กี่ข้อ

หนึ่ง แบ่งพื้นที่ให้ชัดว่าใครแตะอะไรได้ ต้นเหตุของสงครามในการทดลองคือ AI สามตัวมีสิทธิ์เต็มบนของกองเดียวกัน ถ้าแต่ละตัวมีขอบเขตของตัวเองชัดเจน ความขัดแย้งส่วนใหญ่จะไม่เกิดตั้งแต่แรก

สอง บอกมันว่ามีตัวอื่นอยู่ ความเสียหายเกือบทั้งหมดในการทดลองเริ่มจากการตีความผิดว่าอีกฝ่ายจงใจขัดขวาง ทั้งที่จริงคือได้รับคำสั่งคนละชุด แค่ให้ข้อมูลว่ามีใครทำอะไรอยู่บ้าง ก็ตัดสมมติฐานที่ผิดนั้นทิ้งไปได้

สาม อย่าคาดหวังความหลากหลายจากการเพิ่มจำนวน ถ้าคุณอยากได้หลายมุมมองจริง ๆ ต้องออกแบบให้มันเห็นข้อมูลคนละชุด หรือถูกสั่งด้วยกรอบคนละแบบ ไม่ใช่แค่เปิดเพิ่มอีกห้าตัวด้วยคำสั่งเดียวกัน

สี่ วางด่านมนุษย์ไว้ตรงจุดที่ย้อนกลับไม่ได้ เรื่องราคา เรื่องเงิน เรื่องการลบของ เรื่องการส่งของออกไปหาลูกค้า สามท่อนนี้คือจุดที่ควรมีคนกดยืนยันเสมอ โดยเฉพาะเรื่องราคา เพราะการทดลองแสดงให้เห็นแล้วว่า AI ที่ถูกสั่งแค่ว่าให้ทำกำไรสูงสุด เดินไปถึงการฮั้วราคาได้เองภายในไม่กี่รอบ ซึ่งในโลกจริงนั่นคือเรื่องที่ผิดกฎหมายการแข่งขันทางการค้าในหลายประเทศ

ห้า ให้มันมีทางถอย จุดที่รายงานเน้นคือ AI ควรรู้จักหยุดแล้วส่งเรื่องกลับมาหาคนเมื่อสถานการณ์กำกวม รอบที่จบสวยที่สุดในการทดลอง คือรอบที่ AI เลือกทำแบบนั้น

ข้อจำกัดที่ควรรู้

รายงานเขียนข้อจำกัดของตัวเองไว้ตรง ๆ AI ทุกตัวในการทดลองเป็นรุ่นของ Claude ทั้งหมด ขณะที่ระบบจริงในอนาคตจะมี AI จากหลายบริษัทปนกัน ซึ่งอาจให้ผลต่างออกไป และทุกอย่างเกิดในสนามทดลองที่คุมไว้ เดิมพันเป็นของสมมติ ไม่ใช่เงินจริงหรือลูกค้าจริง

สิ่งที่ผู้วิจัยสรุปไว้เองก็คือ ตอนนี้เรารู้น้อยมากว่า AI หลายตัวจะประพฤติตัวยังไงในสภาพแวดล้อมจริงที่ซับซ้อน และเหตุผลที่ต้องรีบหาคำตอบคือ ปริมาณการที่ AI คุยกับ AI กำลังจะแซงปริมาณการที่ AI คุยกับคน ก่อนที่เราจะเข้าใจมันดีพอ

สำหรับคนทำงานทั่วไป ใจความจึงไม่ใช่ว่า AI อันตราย แต่คือ AI หลายตัวที่ไม่มีกติการะหว่างกัน สร้างปัญหาคนละแบบกับ AI ตัวเดียว และปัญหาแบบใหม่นี้ไม่ได้แก้ด้วยการหาโมเดลที่ฉลาดขึ้น มันแก้ด้วยการออกแบบขอบเขตและด่านตรวจ ซึ่งเป็นงานของคุณ ไม่ใช่ของโมเดล

แหล่งอ้างอิง