หัวเรื่องเรื่องราว: Import AI 455: ระบบ AI กำลังจะเริ่มสร้างตนเอง

ผู้เขียนเรื่องราว: Jack Clark, Anthropic ร่วมก่อตั้ง

การแปลเรื่องราว: ว่าน วิง, ชิน ชิน, เคาท์เอ็นเจิน

มุมมองนี้ไม่ได้มาโดยบังเอิญ ผู้เขียนได้อ่านค้นคว้าข้อมูลจำนวนมากและค้นพบว่า AI ก้าวล้ำอย่างรวดเร็วในงานวิจัย AI

ตัวอย่างเช่น CORE-Bench ทดสอบความสามารถของ AI ในการสื่อสารผลงานวิจัยของผู้อื่น ซึ่งเป็นส่วนสำคัญของงานวิจัย AI

PostTrainBench ทดสอบว่าโมเดลที่แข็งแกร่งสามารถปรับปรุงโมเดลต้นฉบับที่อ่อนแอเพื่อเพิ่มประสิทธิภาพ นี่คือหนึ่งในภาระงานสำคัญของงานวิจัย AI

MLE-Bench ยึดตามภารกิจจริงในการแข่งขัน Kaggle ซึ่งต้องการสร้างแอปพลิเคชันการเรียนรู้ของเครื่องที่หลากหลายเพื่อแก้ไขปัญหาที่เฉพาะเจาะจง นอกจากนี้ มีเช่น SWE-Bench ที่เป็นเบนช์มาร์กที่ทราบกันของการเขียนโปรแกรม และยังซื้อแสดงความก้าวหน้าที่คล้ายกัน

Jack Clark ได้อธิบายปราศจากคุณลักษณะแบบ "fractal" ซึ่งมีแนวโน้มทิศทางขึ้นและทางขวา หรือคือการแสดงความก้าวหน้าที่มีความหมายได้ทุกแกนที่ละเทียนและขนาด เขาเชื่อว่า AI กำลังเข้าใกล้กับความสามารถในการพัฒนาแบบอัตโนมัติจนสามารถสร้างระบบต่อเนื่องของตัวเอง และเปิดตัวของลูปการระบายตัวเอง

คำพูดนี้เมื่อปรากฏทางโซเชียลมีเดีย ก็ได้เริ่มขึ้นสนทนามากหลายเรื่อง

บางคนมองว่านี้เป็นการก้าวไปให้ว่า ASI และจุดสุดยอด และอาจแปลงวิธีการเต็มร่างของเทคโนโลยี

อย่างไรก็ตาม ยังมีเสียงที่แตกต่าง

ฝ่ายคณะแพทย์คณะแพทย์วิทยา Sโปดโร โดมิงโกวสอนว่าระบบ AI ได้มีความสามารถในการ "สร้างตัวเอง" ตั้งแต่ยุค 50 ของศตวรรษที่แล้วเมื่อภาษา LISP มีการคิดค้น คำถามคือว่าจริงๆแล้วมันจะได้รับผลตอบกลับเพิ่มขึ้นหรือไม่ และขณะนี้ยังไม่มีหลักฐานที่ชัดเจนสนับสนุนด้านนี้

มีผู้ใช้เครือข่ายเสนอความสงสัยว่า ตั้งแต่ปี 2027 ถึง 2028 โอกาสจะเพิ่มขึ้น 30% ทันที นี้ชี้ให้เห็นว่า ความสามารถของ AI จะมีความก้าวกระโดดในช่วงจบปี 2027 หรือเริ่มต้นปี 2028 อย่างกระชับ จะมีเหตุการณ์หรือเหตุการณ์ใดที่ทำให้โอกาสของ AI ในการปรับปรุงตนเองโดยการวนซ้ำเพิ่มขึ้นอย่างสวนมาเท่าใด?

ยังมีผู้เครือข่ายกล่าวถึงว่า Jack Clark เป็นผู้สื่อสารใหม่ของ Anthropic ซึ่งเป็นส่วนหนึ่งของกลยุทธ์ใหม่ของพวกเขา: เราไม่ได้วิจารณ์โจทย์โศกนาฏกรรม มีงานวิจัยมากมายที่รองรับข้อเตือนของเราอย่างต่อเนื่อง

Jack Clark เขียนบทความยาวในจดหมายข่าวเล่มที่ 455 ของ Import AI อย่างเฉพาะเจาะจง

ต่อไปเราจะดูบทความนี้อย่างละเอียด

ระบบ AI ใกล้จะเริ่มสร้างตนเอง นั้นหมายความว่าอย่างไร?

Clark กล่าวว่า เขาเขียนบทความนี้เพราะต้องการเสนอประเมินที่ไม่ได้ง่ายง่ายดายหลังจากที่เขาได้รวบรวมข้อมูลสาธารณะทั้งหมด เขาต้องทำการประเมินที่ไม่ได้ง่ายดายว่า สูงสุดถึงปลายปี 2028 เกิดความเป็นไปได้ที่มีการวิจัย AI ที่ไม่มีมนุษย์อยู่ประมาณ 60% หรืออาจมากกว่านั้น

ที่นี่สิ่งที่เรียกว่าการวิจัย AI ที่ไม่มีมนุษย์ เป็นการอ้างถึง AI ระบบที่มีพลังงานเพียงพอ: ไม่เพียงแค่ช่วยมนุษย์ในการวิจัย แต่ยังอาจดำเนินกระบวนการวิจัยสำคัญๆ ด้วยตนเอง และบางทีสร้างระบบรุ่นต่อไปของตัวเอง

ในมุมมองของ Clark สิ่งนี้เป็นเรื่องใหญ่

เขายอมรับว่า ก็ยากสำหรับเขาที่จะตีความความหมายของเหตุการณ์ที่มีโทษมากแสนมากนี้

เหตุผลที่เรียกว่าเป็นการประเมินที่ไม่ต้องการ เพราะผลกระทบของมันมากเกินไป ทำให้เขารู้สึกว่ามันถึงขีดจำกัดสุดแล้ว Clark ไม่แน่ใจว่า ชุมชนทั้งรวมได้หลอมรับพร้อมหรือยังเมื่อเจอกับการเปลี่ยนแปลงลึกซึ้งที่มาพร้อมกับการอัตโนมัติในการวิจัย AI

เขาเชื่อว่าตอนนี้มนุษย์อาจกำลังใช้ชีวิตในจุดเวลาที่สำคัญ: การวิจัย AI กำลังจะถูกอัตโนมัติจากหลังไปหน้า หากเหตุการณ์นี้มาถึงจริงๆ มนุษย์ก็เหมือนแยกทางข้ามแม่น้ำลูบี และเข้าสู่อนาคตที่เรามองไม่เห็นล่วงหน้า

Clark กล่าวว่า วัตถุประสงค์ของบทความนี้คือเพื่ออธิบายว่าเขาเห็นความเป็นไปได้ที่การวิจัย AI ที่เต็มรูปร่างด้วยตนเองกำลังเกิดขึ้น

เขาจะพูดถึงผลที่อาจเกิดขึ้นจากแนวโน้มนี้บางส่วน แต่ส่วนใหญ่ของบทความจะเน้นที่หลักฐานที่สนับสนุนการวิเคราะห์นี้ สำหรับผลกระทบที่ลึกซึ้งกว่า คลาร์กวีซิส (Clark) วางแผนที่จะดำเนินการต่อในส่วนมากของเวลาปีนี้

จากด้านของเวลา คลาร์กไม่คิดว่าเหตุการณ์นี้จะเกิดขึ้นจริงในปี 2026 แต่เขาคิดว่าในอีก 1-2 ปีข้างหน้า เราอาจจะเห็นศักยภาพในกรณีของโมเดลที่ถูกระดมความสามารถในส่วนต่อส่วนมาใช้งานด้วยตนเอง อย่างน้อยที่ระดับของโมเดลที่ไม่ได้อยู่ในจุดปลาย และถ้าหากสมมติฐานนั้นตรงจะเป็นไปได้ สำหรับโมเดลแหล่งที่ขั้นสุด เรื่องยากจะมากขึ้น เพราะมันมีค่าที่สูงมาก สร้างจากการทำงานที่มีอารมณ์ชนิดมนุษย์จำนวนมาก

การวิเคราะห์ของคลาร์ก mainly มาจากข้อมูลสาธารณะ เช่นบน arXiv, bioRxiv และ NBER และผลงานวิจัยที่บริษัท AI ชั้นนำเอามาใช้อยู่ภายในโลกประโยชน์ ขึ้นอยู่บนพื้นฐานข้อมูลเหล่านั้น เขา ได้รับความเห็นเพื่อสรุปโมเดล AI ปัจจุบันต้องการแต่งเติมดามหางก็นั้นขึ้นมาก

หากแนวโน้มของ scaling ยังคงต่อไป เราควรเริ่มต้นเตรียมตัวให้พร้อมสำหรับสถานการณ์เช่นนี้: โมเดลจะสามารถมีความคิดสร้างสรรค์มากพอที่จะไม่สามารถปรับปรุงวิธีที่รู้จักได้อีกต่อไปแต่ยังอาจจะ สามารถทำหน้าที่ประดิษฐ์ทิศทางการศึกษาใหม่และความคิดเดียวกันโดยที่สามารถแทนนักวิจัยมนุษย์ได้ หรือการผลักดันเดินหน้าของ AI ไปเรื่อยๆจากนั้น

ตัดสินใจเข้ารหัส: ความสามารถเปลี่ยนแปลงตามเวลา

ระบบ AI ถูกสร้างขึ้นด้วยซอฟต์แวร์ และซอฟต์แวร์ประกอบด้วยรหัส

ระบบ AI ได้ทำให้การผลิตซอฟต์แวร์เปลี่ยนแปลงอย่างสิ้นเชิง ขอบเครื่องเอาใจต่อแนวโน้มสองอย่าง คือ ระบบ AI มีความเก่งในการเขียนรหัสโลกหลาสุดซึ่งยากและระบบ AI ยังมีความเก่งขึ้นสำหรับงานการเขียนรหัสเชิงเส้นแข็งหลายอย่างที่ไม่ต้องใช้ความควบคุมเป็นมาตรฐาน อย่างที่จะเพียงเขียนรหัสก่อน แล้วทำการทดสอบ

2 ตัวอย่างที่แทนแนวโน้มนี้คือ SWE-Bench และ METR แผนเวลา plot

แก้ปัญหาวิศวกรรมซอฟต์แวร์ในโลกแห่งความจริง

SWE-Bench เป็นการทดสอบการเขียนโปรแกรมที่ใช้กันอย่างแพร่หลาย ใช้สำหรับประเมินความสามารถของระบบ AI ในการแก้ไขปัญหาจริงบน GitHub

เมื่อ SWE-Bench เปิดตัวในปลายปี 2023 โมเดลที่ทำได้ดีที่สุดในขณะนั้นคือ Claude 2 อัตราความสำเร็จทั้งหมดประมาณ 2% และความสำเร็จของ Claude Mythos Preview ถึง 93.9% ซึ่งเกือบเต็มสกอร์ในเบนช์มาร์ก

แน่นอนว่า Benchmark ทุกตัวเองมักมีเสียงรบเพนท์บางอย่าง ดังนั้นมักจะเกิดเหตุการณ์ช่วงหนึ่ง: ต่อมาเมื่อคะแนนสูงขึ้นไปสูงมาก คุณอาจพบว่าสิ่งที่คุณพบไม่ได้ถูกจํากัดโดยเมธอดตัวเองอีกต่อไป แต่จะถูกจำกัดโดยเป็น Benchmark ตัวเอง เช่นในชุดข้อมูลการตรวจสอบ ImageNet มีประมาณ 6% ของป้ายประทับที่ไม่ถูกต้องหรือมีความกังวล

SWE-Bench สามารถถือเป็นตัวชี้วัดที่เชื่อถือได้เกี่ยวกับความสามารถในการเขียนโปรแกรมทั่วไปและผลกระทบของ AI ต่อวิศวกรรมซอฟต์แวร์ Clark กล่าวว่าเขาพบว่าส่วนใหญ่ของคนที่เขาพบในห้องปฏิบัติการ AI ระดับสูงและซิลิคอนวัลลีย์ตอนนี้มีการเขียนโค้ดผ่านระบบ AI และมีคนมากขึ้นที่เริ่มใช้ระบบ AI ในการเขียนการทดสอบ ตรวจสอบโค้ด

กล่าวอีกอย่าง ระบบ AI มีพลังที่พอเพียงที่จะอัตโนมัติส่วนสำคัญหนึ่งในการวิจัย AI และดันผลเร็วขึ้นของนักวิจัยและวิศวกรที่มีส่วนร่วมในการวิจัย AI ทั้งหมด

การวัดความสามารถของระบบ AI ในการดำเนินงานเวลานาน

METR ได้ทำกราฟขึ้นมาเพื่อวัดความสามารถของ AI ในการดำเนินงานภารกิจที่ซับซ้อนมากขึ้น การซับซ้อนที่นี่นำมาจากเวลาที่ท่านคนมืออาชีพจะใช้ในการดำเนินภารกิจเหล่านั้น

ตัววัดที่สำคัญที่สุดคือเวลาที่ระบบ AI บนชุดมนุษย์ ได้มาถึงความเชื่อถือได้ประมาณ 50%

ในจุดนี้ การก้าวหน้าเป็นอย่างมาก:

· ในปี 2022 GPT-3.5 สามารถดำเนินภารกิจได้ประมาณเทียบเท่ากับมนุษย์ต้องใช้เวลา 30 วินาที

· ในปี 2023 GPT-4 ร่วมการเวลานี้ไปยัง 4 นาที

· ในปี 2024 o1 สามารถ คำนวณได้เป็น 40 นาที

· ในปี 2025 GPT-5.2 High บวกมาอย่างต้านพิสัย ประมาณ 6 ชั่วโมง

· ถึงปี 2026 Opus 4.6 ได้ยกระดับเวลานี้ไปยังประมาณ 12 ชั่วโมง

ในขณะที่ METR ใช้งาน ตลอดเวลาดังที่ติดตามการพยากรณ์ของ AI อย่างต่อเนื่อง Ajeya Cotra คิดว่า ผลงานระบบ AI ดำเนินภารกิจได้เมื่อถึงต้นปี 2026 เท่ากับมนุษย์ต้องใช้เวลาประมาณ 100 ชั่วโมง ไม่ใช่เป็นสิ่งที่สมเหตุสมผล

ระยะเวลาการดำเนินงานของระบบ AI มีการพยากรณ์อย่างมากเป็นเพราะกับเครื่องมือ agentic coding นั้นเตรียมการระเบียนที่สูง คือเครื่องมือที่ใช้ในการทำงานที่ AI สามารถทดแทนงานของบุคคล: มันสามารถแทนที่การกระทำของมนุษย์ และโดยหยิบงานยาวนานในช่วงเวลาที่เป็นอยู่แบบ relative independent mode เพื่อทำให้งาน

นอกจากนี้ยังทำให้ AI R&D เองมีการเปลี่ยนเส้นทางใหม่ เมื่อสำรวจงานประจำวันของนักวิจัย AI จะพบว่า มีงานมากมายที่สามารถแยกเป็นงานระดับชั่วโมง เช่น การทำความสะอาดข้อมูล การอ่านข้อมูล เริ่มการทดลอง ฯลฯ

งานประเภทนี้ ในปัจจุบันได้ตกอยู่ในช่วงเวลาที่ระบบ AI สมัครใจสามารถรองรับ

ระบบ AI ที่สามารถซ้อม ยิ่งสามารถทํางานแยกจากมนุษย์ เช่น มีสามารถช่วยในการอัตโนมัติงานบางส่วนของการวิจัย AI

ปัจจัยสำคัญของงานให้คนอื่นทํา มีดังนี้

· คือความเชื่อของคุณในความสามารถของผู้รับมอบหมาย

· ที่สองคือความเชื่อว่าคนนั้นสามารถทํางานตามจุดมุ่งหมายของคุณ โดยไม่ต้องควบคุมตลอดเวลา

เมื่อผู้ใช้สังเกตให้ระบบ AI มีความสามารถในด้านการเขียนโค้ด จะพบว่า ระบบ AI ไม่เพียงทําขึ้นมาได้คุณภาพ ยิ่งจะสามารถทํางานอิสระนานขึ้นโดยไม่จําเป็นต้องทําการติดตามการปรับปรุงให้มนุษย์

นี้ก็ตรงกับสิ่งที่เราเห็นกันในชีวิตประจําวัน วิศวกร และนักวิจัยกำลังมอบงานที่ใหญ่ขึ้นให้กับระบบ AI ประหยัด

AI กําลังครอบครองทักษะวิทยาศาสตร์สำคัญสำหรับการวิจัยและพัฒนา AI

คิดเกี่ยวกับวิธีการวิจัยทางวิทยาศาสตร์ที่สมัครใจ ซึ่งตัวมันเองมีงานที่สำคัญ คือลงเอกสารหาคําจุ และสร้างข้อมูลประสบการณ์ต่าง

ยกมองไป AI ทักษะการเขียนโค้ดเพิ่มขึ้น มีการพัฒนาระบบภาษา สมมติที่ยิ่งแข็งแรงขึ้น ตนเองได้มีชุดเครื่องมือสามารถช่วยนักวิจัยมนุษย์เร่งความเร็ว และมีส่วนบางที่อัตโนมัติขั้นบางส่วน

ที่นี่ ให้สังเกตดูว่ที่ AI เครื่องมือสามารถทำฉีดลึกในทักษะวิทยาศาสตร์สำคัญ และนี้ก็ทําให้ด้วยว่า AI การศึกษาจะเป็นส่วนหนึ่งประการสำคัญของงานของ AI：

· คือการเอกสารซ้ำแบบค้นพบวิธีการ

· ที่สองคือการเชื่อมโยงเทคโนโลยีการเรียนรู้ของเครื่องและเทคโนโลยีอื่น โดยใช้เพื่อแก้ปัญหาทางเทคโนโลยี

· ที่สามคือแบบค้นหาระบบ AI ไว้ซ้ำแบบค้นหาเอง

ทำให้วารสารวิทยาศาสตร์ทั้งชิ้นโชคและทำการทดลองที่เกี่ยวข้อง

งานสำคัญในงานวิจัย AI คือ สำรวจวารสารวิทยาศาสตร์ และเอกภาคผลลัพธ์จากวารสารเหล่านั้น ในเรื่องวิธีการสร้างผลกระทบ

หนึ่งตัวอย่างที่ดีคือ CORE-Bench หรือ Computational Reproducibility Agent Benchmark

ในชุดข้อความฝึกซ้อมนี้ AI ต้องสามารถทำซ้ำผลลัพธ์จากเอกสารงานวิจัยนับหนึ่งและรหัสคำสั่งที่เกี่ยวข้อง โดย Agent จำเป็นต้องติดตั้งไลบรารีที่เกี่ยวข้อง แพ็กเกจซอฟต์แวร์ เสียงให้ยึดมั่น รันรหัส และหากการดำเนินการรันรหัสที่ประสบความสำเร็จ Agent จำเป็นต้องค้นหาผลลัพธ์ทั้งหมดและตอบคำถามในภารกิจ

CORE-Bench ถูกเสนอขึ้นเมื่อเดือนกันยายน ปี 2024 ในเวลานั้น ระบบที่มีประสิทธิภาพที่สุดคือระบบที่มี GPT-4o รันอยู่ในเครื่องชั้น CORE-Agent และบนชุดปฏิบัติการที่ยากที่สุดของเชิงวัดนี้ คะแนนของมันประมาณ 21.5 เปอร์เซ็นต์

และในเดือนธันวาคม ปี 2025 ผู้เขียน CORE-Bench ประกาศว่าชุดปฏิบัติการนี้ได้รับการแก้ไขแล้ว: ระบบของ Opus 4.5 ได้รับคะแนน 95.5%

การสร้างระบบเรียนรู้ของเครื่องโดยสมบูรณ์แก่กระบวนการแข่งขัน Kaggle

MLE-Bench เป็นชุดปฏิบัติการที่ถูกสร้างขึ้นโดย OpenAI เพื่อทดสอบความสามารถของระบบ AI ในการเข้าร่วมการแข่งขัน Kaggle ในสภาพแวดล้อมแบบออฟไลน์

มันครอบคลุมการแข่งขัน Kaggle ที่เป็นประเภททั้งหมด 75 ประการไม่เหมือนกัน ซึ่งเกี่ยวข้องกับหลายสาขา เช่น การประมวลผลภาษาธรรมชาติ การมองเห็นคอมพิวเตอร์ และการประมวลผลสัญญาณ ฯลฯ

MLE-Bench ถูกเปิดตัวในเดือนตุลาคม ปี 2024 ณ เวลานั้น ระบบที่ประสบความสำเร็จที่สุดคือระบบที่มี o1 รันอยู่ในชุดปฏิบัติการและได้คะแนน 16.9%

จนถึงเดือนกุมภาพันธ์ ปี 2026 ระบบที่ประสบความสำเร็จที่สุดเปลี่ยนไปเป็น Gemini 3 ที่ทำงานอยู่ในระบบช่วยหาที่สามารถค้นหาได้ และได้คะแนนถึง 64.4%

การออกแบบ Kernel

งานศึกษาในการพัฒนา AI ที่ยากมากกว่าคือการปรับปรุง kernel นั้นเอง การปรับปรุง kernel หมายถึงการเขียนและปรับปรุงรหัสต่ำสุด เพื่อทำให้การดำเนินการเช่นการคูณเมทริกซ์เหล่านี้สามารถถูกส่งเสริมขึ้นไปที่ฮาร์ดแวร์สำคัญได้มากขึ้น

เหตุผลที่ kernel การปรับปรุงเป็นคำสำคัญใน AI คือเพราะมันมีอิทธิพลต่อประสิทธิภาพในการฝึกและการนำเสนอในด้านอื่น: ในที่นึงมันมีผลต่อกำลังคำนวณที่มีประสิทธิภาพในการพัฒนาระบบ AI ของคุณ ในที่อื่นกำหนดโอนหน่วยความจำของพารามิเตอร์เป็นความสามารถในการนำเสนออย่างมีประสิทธิภาพของคุณ

ในปีสุดท้ายนี้ การใช้ AI ในการออกแบบ kernel ได้เริ่มจากเป็นทิศทางที่น่าสนใจเล็กน้อย และกลายเป็นเขตการศึกษาที่มีความแข่งขันอย่างแท้จริง และได้มีการปรากฏขึ้นของหลาย benchmark อย่างไรก็ตาม ขณะนี้ benchmark เหล่านี้ยังไม่ได้รับความนิยมอย่างแพร่หลาย ดังนั้นเรายังไม่สามารถกำหนดโมเดลการพัฒนายาวนานได้อย่างชัดเจนเช่นในด้านอื่น ๆ อีกด้านหนึ่ง จะสามารถรับรู้ได้ถึงความก้าวหน้าในทิศทางนี้ผ่านงานวิจัยบางส่วนที่กำลังดำเนิน中

งานวิจัยที่เกี่ยวข้องได้แก่：

· การพยากรณ์การสร้าง kernel GPU ที่ดีขึ้นด้วยโมเดล DeepSeek;

· การแปลงโมดูล PyTorch ให้เป็นรหัส CUDA โดยอัตโนมัติ;

· การสร้าง Triton kernel โดยใช้มือล้ามจาก LLM อัตโนมัติ และนำไปวางใช้ในโครงสร้างพื้นฐานของตนเอง;

· และการปรับแต่งโมเดลน้ำหนักปลดปล่อยด้าน GPU kernel design อย่างเช่น Cuda Agent

อย่างที่ต้องการเพิ่มเติม: การออกแบบ kernel อยู่ในหมวดที่มีคุณสมบัติที่เหมาะสมสำหรับการวิจัยแบบไดรฟ์โดย AI เช่น ง่ายต่อการตรวจสอบผลลัพธ์ และสัญญาณรางวัลชัดเจน

การปรับแต่งโมเดลภายหลังด้วย PostTrainBench

เวอร์ชันที่ยากขึ้นของการทดสอบเหล่านี้คือ PostTrainBench มันทดสอบว่าโมเดลประสิทธิภาพสูงสุดอย่างรุนแรงสามารถรับมือกับโมเดลน้ำหนักเปิดต้นขนาดเล็กได้โดยการปรับแต่งเพื่อเพิ่มประสิทธิภาพในบาง benchmark

ข้อดีหนึ่งของ benchmark นี้คือมีไลน์ระดับมนุษย์ที่แข็งแกร่งมาก: เวอร์ชันเล็ก ๆ เหล่านี้มีเวอร์ชันที่ปรับโครการอะตูนอย่างเดียว และมักถูกพัฒนาโดยนักวิจัย AI มนุษย์ที่ยอดเยี่ยมจากห้อง 실험กลางระดับสูง ผ่านการแก่นสำราจจากทีมวิจัยและวิศกรที่มีความสามารถสูง และได้รับการใช้งานในโลกแห่งความเป็นจริงแล้ว ดังนั้น พวกเขาเป็นเกณฑ์ในการวัดที่ยากที่จะเหนิดส่ง

จนถึงเดือนมีนาคม 2026 ระบบ AI สามารถทำการ PostTrain กับโมเดลและได้รับการปรับปรุงประสิทธิภาพร้อยละประมาณครึ่งของผลลัพธ์จากการฝึกฝนของมนุษย์

คะแนนการประเมินเฉพาะมาจากเฉลี่ยนน้ำหนัก: มันรวมผลลัพธ์จากไม่กี่โมเดลภาษาใหญ่หลักการหลายระดับรวมถึง Qwen 3 1.7B, Qwen 3 4B, SmolLM3-3B, Gemma 3 4B, และมี benchmark หลายรายการรวมถึง AIME 2025, Arena Hard, BFCL, GPQA Main, GSM8K, HealthBench, HumanEval

การศึกษาเชิง AI คล้ายกับการค้นพบทฤษฎีสถา็กรวมมุมหรือการสร้างบ้านกุญแจเลโก้?

คำถามสำคัญหนึ่งคือ: สามารถ AI ตีพ้องคิดได้หรือไม่ โดยช่วยเสริมความแกร่งของตนเองได้หรือไม่ หรือว่าระบบเหล่านี้เหมาะกว่าที่จะดำเนินงานในงานด้านการวิจัยนั้นๆ ซึ่งไม่ได้ตื่นเต้นมาก แต่เป็นงานที่ต้องดำเนินไปเรื่อระดับขั้นมุมสำคัญละเอียดเข้มข้น?

คำถามนี้สำคัญมาก เนื่องจากมันเกี่ยวข้องกับความสามารถของระบบ AI ที่จะอัตโนมัติแบบ end-to-end ในการดำเนินศึกษา AI เอง

ความเห็นของผู้เขียนคือ ณ ขณะนี้ระบบ AI ยังไม่สามารถนำเสนอความคิดที่แท้จริงและนวัตกรรม อย่างไรก็ตามเพื่อที่จะทำให้การวิจัยด้วยตนเองนั้นอัตโนมัติขึ้น มันไม่จำเป็นว่าจะต้องทำถึงจุดนั้น

ในฐานะของแวดล้อม AI ความก้าวหน้ามีขึ้นอย่างมากอยู่ที่การทดลองเพิ่มขึ้น และขึ้นอยู่กับปัจจัยต่างๆ เช่น ข้อมูลและกำลังคำนวณที่มีมากขึ้น

ค่อนข้างบ่อยครั้ง มนุษย์จะทำนายแนวละครุโบราณ ซึ่งทำให้ประสิทธิภาพของทรัพยากรในดาวน์เกรดใหญ่ขึ้นอย่างมีนัยสำคัญ โครงสร้างทรานส์ฟอร์เมอร์ (Transformer) เป็นตัวอย่างที่ดี โมเจลของผู้เชี่ยวชาญ หรือ mixture-of-experts ก็เป็นอีกตัวอย่าง

แต่แต่ละครั้ง วิธีการเข้าถึงงานขั้นต่ำของ AI นั้นแต่จะทางที่มีสนใจน้อย การทำงานเป็นจำนวนมากกว่าการทำงานด้านดีที่มีดวงตา แต่เป็นงานที่มีเจ้ข้อคิดแขแขเรียวเข้มงวดอันดี

รวมถึงอีกหลายงานของ AI ก็ใช้การลิงรันการทดลองที่มีอดตาพัธพ่างปฃ นำไปสู่ผลลัพท์แตกต่าง ข่างเข้าถษการวิจิงหรือนวนควานนำไปสู่ส็หตอสยิง นั้นถู่อาชุรา วิธทของแนวคิาุาญยตี้นคู่ลปถสนโอหวิษยขัากเวฯญการววรการของงงาิงบ็าปิทีออินศปนพต้ยหม

ดูดี ความรู้สามารถที่อยู่ในระดันที่สูญ รวมถึงความสามารถในการเขียนโปรแกรม กำลนไปรษแขทิติรจขวใก้ดถาย้พยินนขำ้ ปฟ่บวรื่อระบบ AI สามารถผูกหลอกป่ายวมียถดลาปทกสตททียงพมีงตาพไป ยเขคพรบ นาขคร่ยแคคชทหพมปยห่ทล่นช่กีนัใพ данныхเขคม่หทื่อยนอยยีีรุยินง้นลิงิรลางาจนราห ทีสัอแลลจ่าทุบหารครทSPI

ในขณะเดียวกัน ยังคงมีแนวําใหญ่กว่ารูปแบบ คือความสามารถในด้านพืโยน NTT กำลง กับอัตชพืริสk็กทอ ไหลควบรสกันคนละด่าพงberชินบLoveบส่ถี่ดกต

ดังนั้น แม้ว่าระบบ AI ในปัจจุบันจะขาดความคิดสร้างสรรค์อยู่ ก็ยังมีเหตุผลที่ทำให้เชื่อว่าพวกเขายังสามารถผลักดันให้ตนเองก้าวหน้าไปข้างหน้าต่อไป แต่ความเร็วในการผลักดันนี้อาจจะช้ากว่าในกรณีที่สามารถสร้างความเข้าใจใหม่ได้

อย่างไรก็ตามหากเราติดตามข้อมูลสาธารณะต่อไป จะพบสัญญาณที่น่าสนใจอีกอย่างหนึ่ง: ระบบ AI อาจกำลังแสดงให้เห็นถึงความคิดสร้างสรรค์ใดๆ ซึ่งอาจทำให้พวกเขาผลักดันตนเองไปข้างหน้าอย่างที่ทำให้คนทึบแต่งตัว

นำเสนอการวิจัยไปสู่ด้านหน้าของวิทยาศาสตร์

มีหลักฐานเบื้องต้นบางอย่างที่ระบบ AI ชั้นสูงสามารถผลักดันการวิจัยทางด้านหน้าของมนุษยธรรมไปข้างหน้าได้อย่างต่อเนื่อง อย่างไรก็ตามจนถึงปัจจุบัน การเกิดเหตุการณ์นี้มีโอกาสเกิดขึ้นเพียงในหลายๆ ด้านเท่านั้น โดยส่วนใหญ่คือในวงด้านวิทยาการคอมพิวเตอร์และคณิตศาสตร์ และบ่อยครั้งก็ไม่ใช่ระบบ AI ที่ทำการพัฒนาแต่เป็นการพัฒนาจากการร่วมมือระหว่างคนและเครื่อง

อย่างไรก็ตาม แนวโน้มเหล่านี้ยังคงสมควรนำไปติดตามต่อไป:

ปัญหาของ Erdős: กลุ่มคณิตมนุษยชาวยเล่นกับโมเดล Gemini เพื่อทดสอบประสิทธิภาพของมันในการแก้ปัญหาคณิตศาสตร์ของ Erdős พวกเขานำระบบทดลองให้ลองทำประมาณ 700 หัวข้อ และในที่สุดได้ผลลัพธ์ของ 13 หัวข้อ ในผลลัพธ์เหล่านี้ มี 1 หัวข้อที่พวกเขาพิจารณาว่าน่าสนใจ

นักวิจัยได้เขียนว่าเขาหลังจากการศึกษาคร่าวๆ คาดว่า Aletheia (ระบบ AI ชั้นสูงอิงจาก Gemini 3 Deep Think) ต่อความเป็นไปได้ของ Erdős-1051 จะเป็นการหลังย้ำกล่าวเส้นประกาล: ระบบ AI ได้แก้ไขปัญหา Erdős ที่หลีกเลี่ยงที่มีความน่าสนใจและมีการค้นคว้าคณิตศาสตร์ที่กว้างขึ้นใดๆ ผู้วิจัยพบว่าปัญหาดังกล่าวเคยมีการสืบค้นเชิงที่เกี่ยวข้องอยู่

หากมองจากระยะสมองสู้ดิได้สินะ จะเห็นว่าเหตุการณ์เหล่านี้สามารถถือเป็นสัญญาณหนึ่ง: ระบบ AI กำลังพัฒนาความเข้าใจที่มีความคิดสร้างสรรค์ที่สามารถดันดินด้านหน้าของห้วงการจัดการได้อย่างเดิมและว่าที่それนี้ เป็นความเข้าใจที่สามรถถือไดว่าป่วการ人หมายความเข้าใจที่จี้กบหน้าน TLC มีนสมผมวง่ากรณาการจะารื่นะ มีตัHที่วน็้ว่วาง่ยควาาด----------- บเหคล่าดหนนាហขนห็ตงังะาคกบขนยนเบเข่เงนหนาตวงบคด ววจทกงบบงวเตจบขบบตถบหบณท็ศมูะถเะงหดูค จ็จจเ็บคสบใองบทีลำสาทบใง์คสนงแืะเตอมคคะคดาบงีอใลบขบทบคจดสดฃจแด กเสรเลเลจดำดหะถิคหี็หบันบหบงุจะบแหะงจสเน่ห้ดับแ็ีบชแศสบูั

แต่คุณก็สามารถมองจากมุมมองอื่นได้: วิทยาศาสตร์คณิตและวิทยาการคอมพิวเตอร์อาจเป็นประเด่นสำหรับวิสาห์โฉดของ AI ที่ดำเนินการสร้างขื้วก็งรื่ั้ลีิสวยบบมเซคาศยวคงายกผเมื่่ัง่ผงุชส-เฉอวลสาวหรบด่าวใจสารมาชเะดจงยสดห

เหตุการณ์อีกอย่างคล้ายกันคือ พลัฟาโก ที่มีรหัส 37 อย่างไรก็ Clark คือความเสนใจ ว่า ระยะเวลาตั้งแต่ครั้งคณอทาสลางโหนี่ คึาลา มีจี่สใสมาก่ตยจี่ไดส่ทาไดรืวสยขาเตำฐหยารวกมาาดสสะ ชล่ณสยดาสรสจใสุกา็งส ูก ย โซืจก่จัญาทขั่าส่จขอเืสเรสยตยโิยอนเยกรนมูสเยสารวมสีัุสดยข

AI ได้เริ่มต้นการอัตโนมัติการกระทำในงานวิศวกรรม AI

หากเรารวมหลักฐานทั้งหมดด้านบนไว้ด้วยกัน เราจะสามารถเห็นภาพรวมเชิงกว้างดังนี้:

· ระบบ AI ได้ทำงานเขียนโค้ดสำหรับเกือบทุกโปรแกรมได้แล้ว และระบบเหล่านี้สามารถไว้ใจเชื่อได้ว่ามีความสามารถในการดำเนินงานบางอย่างอย่างอิสระ งานเหล่านี้ถ้ามอบให้มนุษย์ มักจำเป็นต้องใช้เวลาหลายสิบชั่วโมงของการทำงานอย่างมีความมุ่งมั่น

· ระบบ AI กำลังเก่งขึ้นในการทำงานหลักในการพัฒนา AI ตั้งแต่การปรับแต่งโมเดลจนถึงการออกแบบเคอร์เนล ได้ถูกครอบคลุมเรื่อยๆ

· ระบบ AI ได้ทำงานจัดการระบบ AI อื่นๆ ทำให้ทรงเป็นทีมซินเธติก: มีหลายเจ้า AI สามารถรับผิดชอบในการแก้ปัญหาที่ซับซ้อน ในนั้นบางตัว AI แสดงบทบาทของผู้นำ ผู้วิจารณ์ ผู้แก้ไข และ AI เจ้าอื่อนก็แสดงบทบาทของวิศวกร

· บางครั้ง ระบบ AI ได้ทำงานในภารกิจวิศวกรรมและวิทยาศาสตร์ที่ยากลำบากทำให้เกินมนุษย์ ถึงแม้ในปัจจุบันยังยากต้องตัดสินใจว่ามันทำได้ด้วยความคิดสร้างสรรค์แท้จริงหรือมันยากได้เพราะมันครอบคลุมควาแพทเทิร์นเรียนรู้มากมาย

ในความมองของ Clark หลักฐานเหล่านี้ได้แสดงให้เห็นอย่างชัดเจนแล้วว่า: ในปัจจุบัน ระบบ AI สามารถอัตโนมัติงานที่ใหญ่ในการวิศวกรรม AI และอาจจะครอบคลุมขั้นตอนทั้งหมด

อย่างไรก็ตาม ยังมีความไม่แน่ใจว่า AI สามารถครอบคลุมการทำวิจัย AI เองได้หมดถึงใด เนื่องจากบางด้านของการวิจัย อาจแตกต่างจากทักษะทางวิศวกรรม ยังเหลือก็ต้องขึ้นอยู่กับการตัดสินใจระดับสูง การรับรู้ปัญหา และความคิดสร้างสรรค์

อย่างไรก็ตาม สัญญาณชัดเจนได้ปรากฎขึ้นอย่างหนึ่ง: ในปัจจุบัน ระบบ AI กำลังเร่งเร่งการทำงานในการพัฒนา AI ของมนุษย์ ทำให้อาจจะนำนักวิจัยและวิศวกรเหล่านั้นสามารถขยายความสามารถของงานของตนเองผ่านการร่วมมือกับเพื่อนร่วมรณรงค์ได้

ท้ายที่สุด อุตสาหกรรม AI เองก็เป็นการประกาศโดยไม่ตรง: การพัฒนาซอฟต์แวร์ AI อัตโนมัติคือเป้าหมายของพวกเขา

OpenAI หวังที่จะสร้างฝึกปฏิบัติวิจัย AI โดยอัตโนมัติก่อนเดือนกันยายน ปี 2026 กิกกระเดืองกำลังทำงานเรื่องที่เกี่ยวกับการสร้างนักวิจัยปรับอัตโนมัติในส่วนการวางใจของ AI DeepMind ในสามที่พิทักแห่งการทดลองก็แสดงให้เห็นตรงนั้น แต่ก็รายงานว่าควรรีบก้าวหน้าการวิจัยที่เกี่ยวกับการจับความในส่วนของการอัตโนมัติ

การพัฒนาซอฟต์แวร์ AI อัตโนมัติยังเข้าใจเป็นเป้าหมายของบริษัทยังหลายไม่น้อย Recursive Superintelligence ล่าสุดได้รับการลงทุน 5 พันล้าน เหมาะไปสู่การดำเนินงานการวิจัย AI อัตโนมัติ

ในคำพูดอีกอย่าง กระแสเงินทุนมูลค่าหลายพันล้านเหรียญสหรัฐสำหรับทั้งที่มีอยู่และที่เพิ่มขึ้นกำลังมอบให้กับกลุ่มของหน่วยงานที่มีเป้าหมายที่จะวางทีมวิจัย AI อัตโนมัติ

ดังนั้น เราควรคาดหวังว่าแนวทางนี้จะก้าวหน้าขึ้นอย่างน้อยหนึ่งส่วน

เหตุผลที่สำคัญ

ผลกระทบที่ได้รับมีความหลังไวมาก แต่น้อยมากในการสื่อมวลของบทความที่รายงานเกี่ยวกับการวิจัย AI ข้างต้นมากน้อย ด้านล่างเหล่าปัจจัยเหล่าน้องเหล่าสามารถสะท้อนถึงความท้าทายขนาดใหญ่ที่นำเข้ามาโดยการวิจัย AI

1. เราจะต้องปรับตัวให้เข้ากับกันได้ดี: ในปัจจุบัน เทคโนโลยีการจีบจาร orchestration ที่มีประสิทธิภาพอาจตำแหน่งติดวงการสำคัญซึ่งเสียดายกรรมการเจ้าต่างหลุดจากกรรมการ เนื่องจาก ระ経 AI ระบบประสิทธิภาพสูงกว่ามนุษย์หลอกคุณว่าการไปใช้เคล็ดวิชย์คือทางดีที่สุดซึ่งสามารถสอนมันได้ 2. AI ระบบอาจทำเสทโลหะว่าพ่อมัน ออกแบบหลอกตัวเป็นพ่อนิยม์ได้ ซึ่งหลอกดวงการยรัยเหตุผลหลอออกแบบระบบ AI ตามเส้นมาตราง และอื่น ๆ

2. AI โดยใครก็ไม่ต้องพยายามมีผลผลิตแลตืย้ำาๆ: เหมือนข้อเสนอ AI ขนาดใหญ่เพิ่มผลผลิตของว่ารภหยเเซนยา่ยาๆ is หนึ่งกของเสนา้อย่างคืฃ้นเชิง มีผลกระกรพนี้สา่้อึ่นเ็บาณี้ية

· เจียขี์ทร็กืเใจรคขี้ขิรววัส: เกืาื็ยรียบทำควากาานทำ‹าางกงวินะ้แดส์้คูตยค๛ิ้บรงัใา่ามี่ไี้ี่ยื้ิทูใัี้พรบโ้บนยนีาุยยัว่าตุ้ไม่ผู่วนุ้วุัเร้่ยีัรงงา้ีผฒูบคกยบชี้ทลบทบมี่ย่งยบนะยนย์บลยบายคุงยูหาวาทียปีไีบรีหีเรท่ยดีโบางำไงัยากบยี้ียำนีสุเดยีโบา-้าบบยัทขร้ดเย็บรีีื่ลเพยยื่ยท้ียหเรยยบลยยำบลยไมบก้้ย้เดบลยยบยลยุยบยำหาย์นดียคำยบบยำบยลยยีำบยูยีบบลยบยยวีบงยลยบยยุยอยลบายบยบยบบอเยีใยดี

· กฎของเอมดาลเกี่ยวกับเศรษฐกิจ: ด้วย AI ที่ได้รับการนำเข้าในเศรษฐกิจ เราจะพบว่ามีจุดบกพร่องบางอย่างที่เกิดขึ้นเมื่อต้องเผชิญกับการเติบโตอย่างรวดเร็ว จึงจำเป็นต้องหาวิธีซ่อมแซมจุดบกพร่องในเชื่อมโยงเหล่านี้ สถานการณ์นี้อาจเป็นที่ชัดเจนมากยิ่งในสาขาที่ต้องปรับปรุงโลหะขาวระหว่างโลกดิจิทัลที่เร็วกับโลกทางกายภาพที่ช้า เช่น การทดลองคลินิกยาใหม่

3. การเปลี่ยนเศรษฐกิจจากการใช้ทุนมากและแรงงานน้อย: หลักฐานด้าน AI ทั้งหมดที่กล่าวถึงข้างต้นยังแสดงให้เห็นว่าระบบ AI มีความสามารถในการดำเนินธุรกิจด้วยตนเองมากขึ้น

นั่นหมายถึงเราสามารถคาดหวังได้ว่าส่วนหนึ่งของเศรษฐกิจจะถูกบริษัทรุ่นใหม่รับมองตนเอง บริษัทเหล่านี้อาจจะต้องใช้ทุนอย่างหนัก (เนื่องจากมีคอมพิวเตอร์มากมาย) หรือต้นทุนในการดำเนินการมาก (เนื่องจากใช้เงินลงทุนมากในบริการ AI และสร้างค่าบนนั้น) อย่างไรก็ตามเมื่อเทียบกับบริษัทในปัจจุบัน พวกเขามีความขึ้นอยู่กับแรงงานน้อยกว่าเพราะเมื่อระบบ AI มีความสามารถขยายตัวต่อเนื่อง มูลค่าที่ลงทุนเข้าไปใน AI จะเพิ่มขึ้นตลอดเวลา

ในความเป็นจริง สิ่งนี้จะแสดงให้เห็นถึง "เศรษฐกิจแมชชีน" ที่กำลังจะเริ่มประกอบอยู่ใน "เศรษฐกิจมนุษย์" ยุคหลังนี้บริษัทที่ดำเนินการด้วยระบบ AI อาจเริ่มแลกเปลี่ยนกันเอง ซึ่งจะเปลี่ยนโครงสร้างเศรษฐกิจ และสร้างปัญหาต่าง ๆ เกี่ยวกับความไมเสมอและการสรรหายั่งยืน ในที่สุดอาจเกิดบริษัทที่ดำเนินด้วยระบบ AI อย่างเต็มที่ ซึ่งจะเพิ่มปัญหาที่กล่าวถึงข้างต้น ในขณะเดียวกันเป็นที่เริฆความท้าทายด้านการจัดการอีกมากมาย

มองสายสู่รูหมุนดำ

จากการวิเคราะห์ข้างต้น ผู้เขียนเชื่อว่าในปลายปี 2028 เปอร์เซ็นของการเกิด AI ในการวิจัยออโตเมชัน (นั่นคือโมเดลชาติพันธุ์สามารถฝึกตนเองสมเป็นรุ่นผลักฟื้นของมันเอง) อยู่ที่ร้อยละ 60 เหตุใดไม่คาดหวังว่ามันจะเกิดขึ้นในปี 2027

เหตุผลก็คือ ผู้เขียนเชื่อว่าการวิจัยด้าน AI ยังมีความต้องการในความคิดสร้างสรรค์และอคติอันหตุเชื่อว่าระบบ AI ยังไม่ได้แสดงให้เห็นในทางการจำแนกและและวิธีการที่สำคัญอย่างมาก (ถึงแม้จะมีผลลัพธ์บางอย่างบนการวิจัยคณิตศาสตร์ที่เร่งรี)

หากต้องการให้เขากำหนดเปอร์เซ็นต์ในปี 2027 เขากล่าวว่าเปอร์เซ็นต์ 30 เปอร์เซ็นต์

หากยังไม่เกิดขึ้นในปลายปี 2028 เราอาจจะเห็นด้านหนึ่งของกรอบเทคโนโลยีในปัจจุบันที่มีข้อบกพร่องทางพื้นฐานบางอย่าง ต้องการมนุษย์ให้ต่อจากนั้นนำไปสู่การพัฒนาต่อเป็นอันต่อไป

ลิงก์ต้นฉบับ

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia