ภาษาศาสตร์มีแนวคิดที่ช่วยอธิบายเรื่องนี้ ชื่อว่า วัจนปฏิบัติศาสตร์ (pragmatics) ชื่อนี้อาจฟังดูยาก แต่จริง ๆ แล้วหมายถึงการดูว่า คนเราใช้ภาษาอย่างไรในสถานการณ์จริง เพราะประโยคเดียวกันอาจมีความหมายต่างกันได้ ขึ้นอยู่กับว่าใครพูด พูดกับใคร พูดเมื่อไร และพูดเพื่ออะไร แนวคิดนี้ถูกนำมาใช้ศึกษาว่า AI เข้าใจความหมายที่ซ่อนอยู่ในบทสนทนาได้ดีแค่ไหน
ลองดูตัวอย่างหนึ่ง เพื่อนร่วมงานถามว่า “เย็นนี้ไปกินข้าวกันไหม” เราตอบว่า “พรุ่งนี้ต้องตื่นตีห้า”
เราไม่ได้พูดตรง ๆ ว่า “ไม่ไป” แต่เพื่อนอาจตีความว่าเรากำลังปฏิเสธคำชวน โดยเชื่อมคำตอบเข้ากับความรู้ทั่วไปว่า คนที่ต้องตื่นเช้ามักอยากกลับบ้านเร็วเพื่อพักผ่อนให้เพียงพอ ความหมายที่ผู้พูดไม่ได้กล่าวออกมาตรง ๆ แต่ผู้ฟังอนุมานได้จากบริบทเช่นนี้ เรียกว่า ความหมายโดยนัยในการสนทนา (conversational implicature)
อีกตัวอย่างหนึ่งคือ การบ่งชี้ (deixis) หรือการใช้คำที่ต้องอาศัยสถานการณ์ขณะพูด จึงจะระบุได้ว่าหมายถึงใคร ที่ไหน หรือเมื่อไร เช่น “ฉัน” “ที่นี่” และ “พรุ่งนี้” คำเหล่านี้เหมือนการใช้นิ้วชี้ผ่านภาษา เรารู้ว่าผู้พูดกำลังชี้ไปยังบางสิ่ง แต่ต้องรู้ด้วยว่าใครเป็นคนชี้ ชี้จากที่ไหน และชี้ในเวลาใด
ลองนึกภาพว่าแอนอยู่กรุงเทพฯ และพูดในวันจันทร์ว่า “ฉันจะรออยู่ที่นี่พรุ่งนี้” คำว่า “ฉัน” หมายถึงแอน “ที่นี่” หมายถึงสถานที่ที่แอนกำลังอ้างถึง และ “พรุ่งนี้” หมายถึงวันอังคาร แต่ถ้าบีพูดประโยคเดียวกันจากกัวลาลัมเปอร์ในวันพุธ “ฉัน” ก็เปลี่ยนเป็นบี สถานที่เปลี่ยนตามบริบทของบี และ “พรุ่งนี้” กลายเป็นวันพฤหัสบดี แม้คำพูดเหมือนเดิมทุกคำ บุคคล สถานที่ และวันที่ที่คำเหล่านั้นบ่งชี้กลับเปลี่ยนไป
สำหรับ AI เรื่องนี้เห็นภาพได้จากการนำข้อความเก่ามาให้สรุป สมมติว่าในข้อความที่ส่งเมื่อวันจันทร์มีคำว่า “ส่งงานพรุ่งนี้” แต่เราเพิ่งนำมาให้ AI อ่านในวันศุกร์ ระบบต้องยึดวันจันทร์ซึ่งเป็นเวลาของข้อความต้นฉบับ จึงจะเข้าใจว่ากำหนดส่งคือวันอังคาร หากยึดวันที่กำลังอ่านแทน ก็อาจตีความผิดเป็นวันเสาร์ การเข้าใจภาษาจึงต้องเชื่อมถ้อยคำกับบริบทต้นทาง และหากไม่รู้ว่าข้อความถูกส่งเมื่อไร ระบบก็ควรถามเพิ่มก่อนระบุวันส่งงาน
อีกเรื่องหนึ่งคือ การพูดเชิงอุปมาและการประชดประชัน (sarcasm) เช่น หลังจากเพื่อนทำงานพลาดหลายครั้ง เราพูดว่า “เก่งมากเลยนะ” ประโยคนี้ตามตัวอักษรดูเหมือนคำชม แต่ถ้าพูดด้วยน้ำเสียงประชดและเกิดขึ้นหลังความผิดพลาด ผู้ฟังอาจเข้าใจว่าเรากำลังตำหนิ ไม่ได้ชมจริง ๆ
ในทางกลับกัน หากเพื่อนทำงานสำเร็จอย่างยอดเยี่ยมแล้วเราพูดประโยคเดียวกัน น้ำเสียงและสถานการณ์อาจทำให้กลายเป็นคำชมจริง ๆ ความหมายจึงไม่ได้อยู่ที่คำว่า “เก่งมากเลยนะ” เพียงอย่างเดียว แต่เกิดจากความสัมพันธ์ระหว่างคำพูด เหตุการณ์ก่อนหน้า น้ำเสียง และเจตนาของผู้พูด
อย่างไรก็ตาม เราไม่ควรรีบสรุปความหมายจากประโยคเดียว เพราะถ้าเราพูดต่อว่า “พรุ่งนี้ต้องตื่นตีห้า เลยว่าจะกินข้าวเร็วหน่อย ไปกันห้าโมงไหม” ประโยคเดิมก็ไม่ได้หมายถึงการปฏิเสธแล้ว ข้อมูลที่เพิ่มขึ้นทำให้เราเข้าใจเจตนาของผู้พูดได้ชัดขึ้น
คำว่า “ไม่เป็นไร” เองก็อาจทำหน้าที่หลายแบบ เมื่อมีคนพูดว่า “ขอโทษที่มาสาย” คำนี้อาจทำหน้าที่ให้อภัยหรือลดความรู้สึกผิดของอีกฝ่าย แต่เมื่อพนักงานถามว่า “รับถุงเพิ่มไหมคะ” ก็อาจหมายถึง “ไม่ต้องค่ะ” หรือเป็นการปฏิเสธข้อเสนออย่างสุภาพ
ในบางสถานการณ์ “ไม่เป็นไร” อาจเป็นการปิดบทสนทนา เช่น เราถามเพื่อนว่า “โกรธเราไหม” แล้วเพื่อนตอบว่า “ไม่เป็นไร” ก่อนเปลี่ยนเรื่องทันที ผู้พูดอาจกำลังบอกว่าไม่อยากอธิบายความรู้สึกในตอนนั้น ไม่ใช่กำลังยืนยันอย่างชัดเจนว่าไม่มีอะไรเกิดขึ้น
ตรงนี้เองที่ทำให้การเข้าใจภาษาซับซ้อนกว่าการรู้คำศัพท์ AI อาจรู้ว่า “ไม่เป็นไร” แปลว่าอะไร แต่ยังต้องดูต่อว่าคำนี้ถูกใช้ในสถานการณ์ไหน ผู้พูดมีความสัมพันธ์กับผู้ฟังอย่างไร และผู้พูดต้องการทำอะไรผ่านคำนี้
ผู้ช่วย AI ที่อ่านเจตนาได้อย่างเข้าใจ อาจช่วยร่างคำตอบรับนัด อธิบายข้อความกำกวม หรือแปลบทสนทนาได้เข้ากับสถานการณ์มากขึ้น แต่ถ้า AI เดาความหมายเกินข้อมูลก็อาจทำให้เกิดปัญหาได้ เช่น หากผู้ใช้ส่งคำว่า “ไม่เป็นไร” มาให้ดู แล้ว AI ตอบทันทีว่า “เขากำลังโกรธคุณแน่นอน” ผู้ใช้อาจเข้าใจอีกฝ่ายผิด ทั้งที่ยังไม่มีข้อมูลเพียงพอ
คำตอบที่รอบคอบกว่าคือ “ข้อความนี้อาจหมายถึงเขาไม่ติดใจจริง ๆ หรืออาจกำลังพยายามจบบทสนทนา ต้องดูข้อความก่อนหน้า น้ำเสียง และสิ่งที่เกิดขึ้นระหว่างคนสองคนประกอบ” การยอมรับว่ายังมีหลายความเป็นไปได้จึงสำคัญ เพราะแม้แต่มนุษย์เองก็ไม่สามารถรู้เจตนาของคนอื่นจากประโยคเดียวได้
ความเชื่อมโยงระหว่างภาษาศาสตร์กับ AI อยู่ตรงนี้ ภาษาศาสตร์ช่วยบอกว่า AI ควรพิจารณาอะไรบ้าง เช่น ความหมายของคำ สถานการณ์ เจตนาของผู้พูด ความสัมพันธ์ระหว่างคู่สนทนา น้ำเสียง และสิ่งที่ผู้พูดเลือกจะไม่พูด ส่วนนักวิจัย AI ก็นำปัจจัยเหล่านี้ไปสร้างแบบทดสอบ เพื่อดูว่าระบบตอบได้เหมาะสมกับสถานการณ์มากขึ้นหรือไม่
เรามองเห็นประโยชน์ของแนวคิดนี้ได้จากการใช้ AI ในชีวิตประจำวัน สมมติว่าเราพิมพ์ว่า “ช่วยตอบเพื่อนว่าพรุ่งนี้ไม่ไป” ระบบยังไม่รู้ว่าเรากำลังปฏิเสธงานเลี้ยง ยกเลิกนัดสำคัญ หรือขอเว้นระยะจากความสัมพันธ์
แต่ถ้าเพิ่มว่า “เพื่อนชวนไปงานวันเกิด แต่เราติดดูแลแม่ อยากปฏิเสธอย่างสุภาพและนัดเจอกันวันอื่น” เราได้ให้ข้อมูลเพิ่มทั้งเรื่องสถานการณ์ ความสัมพันธ์ และสิ่งที่ต้องการสื่อ AI จึงมีข้อมูลมากขึ้นสำหรับเลือกคำพูดให้เหมาะสม และไม่ต้องเดาเรื่องราวเองมากเกินไป
เรายังสามารถขอให้ AI ช่วยแยกความหมายที่เป็นไปได้แทนการขอให้ฟันธง เช่น “เพื่อนตอบว่า ‘โอเค’ หลังจากฉันยกเลิกนัด ช่วยวิเคราะห์ความเป็นไปได้หลายแบบ และบอกว่าควรถามต่ออย่างไรโดยไม่ทำให้เขารู้สึกกดดัน” คำสั่งแบบนี้สอดคล้องกับธรรมชาติของวัจนปฏิบัติศาสตร์มากกว่า เพราะยอมรับว่าความหมายไม่ได้มีคำตอบเดียว และต้องอาศัยข้อมูลเพิ่มเติม
การแปลภาษาก็ทำให้เห็นความสำคัญของบริบทได้ชัด คำว่า “ไม่เป็นไร” หากพูดตอบคนที่ขอโทษ อาจแปลเป็น “It’s okay.” แต่ถ้าพูดเพื่อปฏิเสธคนที่เสนอจะช่วยยกกระเป๋า “No, thank you. I can manage.” อาจสื่อเจตนาได้ชัดกว่า ส่วนในสถานการณ์ที่ยกเลิกคำขอเพราะจัดการเองได้แล้ว “Never mind.” ก็อาจเหมาะสม
ไม่มีคำแปลเดียวที่เหมาะกับทุกกรณี เพราะผู้แปลต้องพิจารณาว่าถ้อยคำกำลังทำหน้าที่ให้อภัย ปฏิเสธ ถอนคำขอ หรือปลอบใจ ตัวอย่างเหล่านี้เป็นสถานการณ์สมมติเพื่ออธิบายแนวคิด ไม่ใช่ผลทดสอบว่า AI รุ่นใดแปลถูกหรือผิด
ยิ่งข้ามภาษาและวัฒนธรรม โจทย์ก็ยิ่งน่าสนใจ ความตรงไปตรงมาที่เหมาะกับบริบทหนึ่งอาจฟังแข็งในอีกบริบทหนึ่ง ขณะที่คำพูดอ้อม ๆ อาจช่วยรักษาความสัมพันธ์ แต่ก็เพิ่มโอกาสให้ผู้ฟังตีความคลาดเคลื่อน เราจึงไม่ควรใช้ความสามารถในภาษาเดียวเป็นตัวแทนของการเข้าใจมนุษย์ทุกกลุ่ม
อย่างไรก็ตาม การตอบได้เหมาะกับสถานการณ์ยังทิ้งคำถามอีกข้อไว้ว่า เราควรเรียกความสามารถนั้นว่า “ความเข้าใจ” ในความหมายเดียวกับมนุษย์หรือไม่ เอมิลี เบนเดอร์ (Emily Bender) และอเล็กซานเดอร์ คอลเลอร์ (Alexander Koller) เสนอว่า ระบบที่เรียนรู้จากรูปแบบภาษาเพียงอย่างเดียว ไม่อาจเข้าถึงความหมายที่เชื่อมโยงถ้อยคำ กับโลกและเจตนาของผู้พูดได้ตามกรอบความหมายที่ทั้งคู่ใช้ การสร้างประโยคได้คล่องแคล่วจึงยังไม่ใช่หลักฐานเพียงพอว่าระบบเข้าใจสิ่งที่กำลังพูด Bender และ Koller (2020)
ข้อเสนอนี้ชวนให้เราพิจารณาว่า เบื้องหลังคำตอบที่ดูเข้าใจนั้น ระบบเชื่อมโยงภาษาเข้ากับสถานการณ์และเจตนาได้อย่างไร โดยต้องพิจารณาความสามารถและข้อมูลที่แต่ละระบบใช้ประกอบด้วย แทนการสรุปรวมว่า AI ทุกระบบเข้าใจหรือไม่เข้าใจภาษาเหมือนกันทั้งหมด
สำหรับผู้ใช้ทั่วไป สิ่งที่เราสังเกตได้คือ เมื่อให้ AI ช่วยตีความข้อความ มันนำเรื่องที่เราเล่าก่อนหน้ามาประกอบคำตอบหรือไม่ อธิบายได้ไหมว่าส่วนใดมีข้อมูลรองรับ และส่วนใดเป็นเพียงการคาดเดา หากข้อความนั้นอาจสื่อได้หลายความหมาย มันควรอธิบายความเป็นไปได้เหล่านั้น หรือถามข้อมูลเพิ่มก่อนสรุปว่าผู้พูดต้องการสื่ออะไร
คำว่า “ไม่เป็นไร” จึงเป็นโจทย์เล็ก ๆ ที่พาเราไปเห็นเรื่องใหญ่ของเทคโนโลยีภาษา ความหมายบางส่วนอยู่ในถ้อยคำ ขณะที่อีกส่วนอยู่ในสิ่งที่เกิดขึ้นก่อนหน้านั้น ในความสัมพันธ์ น้ำเสียง และในสิ่งที่ผู้พูดเลือกจะไม่พูดออกมา
วันหนึ่ง AI อาจช่วยเราอ่านความหมายระหว่างบรรทัดได้ดีขึ้นมาก แต่ความสามารถที่ควรพัฒนาไปด้วยกัน คือการรู้ว่าเมื่อใดยังมีข้อมูลไม่พอจะอ่านระหว่างบรรทัดนั้น
เพราะบางครั้ง คนที่บอกว่า “ไม่เป็นไร” ก็อาจหมายความว่าไม่เป็นไรจริง ๆ
